高强度钨镧丝的制备装置及其方法

技术领域

本申请涉及智能控制领域，且更为具体地，涉及一种高强度钨镧丝的制备装置及其方法。

背景技术

目前，灯泡所使用的的钨丝均为添加了钾、铝、硅元素的掺杂钨丝。但上述钨丝存在着冷、热电阻小、光电性能差的缺点，在加工生成钨丝过程中，钨丝在旋锻和拉拔时会产生合金的硬化，其内部的应力增加，拉拔时易发生断裂，增加了生产的难度。合金的硬化及其内部的应力的存在导致生产的钨丝使用寿命较短，抗震性能较差，灯泡在使用后灯丝易发生下垂现。

因此，期待一种更为优化的钨丝结构及其制备方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种高强度钨镧丝的制备装置及其方法，其通过基于垂熔烧结条的结构热力图来自适应地调整垂熔烧结的温度控制，以提高垂熔烧结条的烧结质量。

根据本申请的一个方面，提供了一种高强度钨镧丝的制备装置，其包括：

数据监控与采集单元，用于获取预定时间段内多个预定时间点的加热器的功率值以及所述预定时间段内多个预定时间点的垂熔烧结条的热力图；

烧结条热力图编码单元，用于将所述多个预定时间点的垂熔烧结条的热力图中各个预定时间点的垂熔烧结条的热力图通过使用空间注意力的第一卷积神经网络模型以得到多个空间结构热力特征图；

烧结条热力图动态特征提取单元，用于将所述多个空间结构热力特征图通过使用时间注意力机制的第二卷积神经网络模型以得到空间结构热力变化特征图；

功率时序特征编码单元，用于将所述多个预定时间点的加热器的功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第三卷积神经网络模型以得到功率特征向量；

降维单元，用于对所述空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间结构热力变化特征向量；

响应性估计单元，用于计算所述功率特征向量相对于所述空间结构热力变化特征向量的响应性估计以得到分类特征矩阵；以及

控制结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的加热器的功率值应增大或应减小。

在上述高强度钨镧丝的制备装置中，所述烧结条热力图编码单元，包括：卷积编码子单元，用于将所述中各个预定时间点的垂熔烧结条的热力图输入所述第一卷积神经网络模型的多层卷积层以得到热力分布特征图；空间注意力子单元，用于将所述热力分布特征图通过所述第一卷积神经网络模型的空间注意力模块以得到空间注意力特征矩阵；以及，注意施加子单元，用于计算所述热力分布特征图的沿通道维度的各个特征矩阵与所述空间注意力特征矩阵的按位置点乘以得到所述空间结构热力特征图。

在上述高强度钨镧丝的制备装置中，所述空间注意力子单元，进一步用于：使用所述空间注意力模块分别对所述热力分布特征图进行沿通道维度的全局平均值池化和全局最大池池化以得到第一特征矩阵和第二特征矩阵；将所述第一特征矩阵和第二特征矩阵进行聚合以得到空间特征图；使用所述空间注意力模块对所述空间特征图进行卷积处理以得到空间注意力矩阵；以及，使用Sigmoid函数对所述空间注意力矩阵进行非线性激活以得到所述空间注意力特征矩阵。

在上述高强度钨镧丝的制备装置中，所述烧结条热力图动态特征提取单元，包括：提取子单元，用于提取所述多个空间结构热力特征图相邻两个预定时间点的第一空间结构热力特征图和第二空间结构热力特征图；时间累积子单元，用于计算所述第一空间结构热力特征图和所述第二空间结构热力特征图的按位置点乘以得到时间累积空间结构热力特征图；激活子单元，用于以Softmax激活函数对所述时间累积空间结构热力特征图进行激活以得到时间注意力特征图；以及，时间注意力施加子单元，用于将所述时间注意力特征图与所述第二空间结构热力特征图进行按位置点乘以得到对应于所述第二空间结构热力特征图的时间增强第二空间结构热力特征图。

在上述高强度钨镧丝的制备装置中，所述响应性估计单元，进一步用于：以如下公式计算所述功率特征向量相对于所述空间结构热力变化特征向量的响应性估计以得到分类特征矩阵；

其中，所述公式为：

V

其中V

在上述高强度钨镧丝的制备装置中，所述控制结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得分类结果；

其中，所述公式为：O＝softmax{(W

其中Project(F)表示将所述分类特征矩阵投影为向量，W

在上述高强度钨镧丝的制备装置中，所述制备装置还包括用于对所述使用空间注意力的第一卷积神经网络模型、所述使用时间注意力机制的第二卷积神经网络模型和所述使用一维卷积核的第三卷积神经网络模型进行训练的训练模块。

在上述高强度钨镧丝的制备装置中，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的所述加热器的训练功率值、所述预定时间段内多个预定时间点的所述垂熔烧结条的训练热力图，以及，当前时间点的所述加热器的功率值应增大或应减小的真实标签值；训练烧结条热力图编码单元，用于将所述多个预定时间点的垂熔烧结条的训练热力图中各个预定时间点的垂熔烧结条的训练热力图通过所述使用空间注意力的第一卷积神经网络模型以得到多个训练空间结构热力特征图；训练烧结条热力图动态特征提取单元，用于将所述多个训练空间结构热力特征图通过所述使用时间注意力机制的第二卷积神经网络模型以得到训练空间结构热力变化特征图；训练功率时序特征编码单元，用于将所述多个预定时间点的加热器的训练功率值按照时间维度排列为训练功率输入向量后通过所述使用一维卷积核的第三卷积神经网络模型以得到训练功率特征向量；训练降维单元，用于对所述训练空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到训练空间结构热力变化特征向量；训练响应性估计单元，用于计算所述训练功率特征向量相对于所述训练空间结构热力变化特征向量的响应性估计以得到训练分类特征矩阵；以及，分类损失单元，用于将所述训练分类特征矩阵通过分类器以得到分类损失函数值；上下文损失单元，用于计算所述训练空间结构热力变化特征向量的上下文统计的局部场景度量损失函数值，其中，所述上下文统计的局部场景度量损失函数值与所述训练空间结构热力变化特征向量的所有位置的特征值集合的统计特征有关；以及，训练单元，用于以所述分类损失函数值和所述上下文统计的局部场景度量损失函数值的加权和作为损失函数值对所述使用空间注意力的第一卷积神经网络模型、所述使用时间注意力机制的第二卷积神经网络模型和所述使用一维卷积核的第三卷积神经网络模型进行训练。

在上述高强度钨镧丝的制备装置中，所述上下文损失单元，进一步用于：以如下公式计算所述训练空间结构热力变化特征向量的上下文统计的局部场景度量损失函数值；

其中，所述公式为：

其中v

根据本申请的另一方面，提供了一种高强度钨镧丝的制备方法，其包括：

获取预定时间段内多个预定时间点的加热器的功率值以及所述预定时间段内多个预定时间点的垂熔烧结条的热力图；

将所述多个预定时间点的垂熔烧结条的热力图中各个预定时间点的垂熔烧结条的热力图通过使用空间注意力的第一卷积神经网络模型以得到多个空间结构热力特征图；

将所述多个空间结构热力特征图通过使用时间注意力机制的第二卷积神经网络模型以得到空间结构热力变化特征图；

将所述多个预定时间点的加热器的功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第三卷积神经网络模型以得到功率特征向量；

对所述空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间结构热力变化特征向量；

计算所述功率特征向量相对于所述空间结构热力变化特征向量的响应性估计以得到分类特征矩阵；以及

将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的加热器的功率值应增大或应减小。

与现有技术相比，本申请提供的一种高强度钨镧丝的制备装置及其方法，其通过基于垂熔烧结条的结构热力图来自适应地调整垂熔烧结的温度控制，以提高垂熔烧结条的烧结质量。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的高强度钨镧丝的制备装置的应用场景图；

图2图示了根据本申请实施例的高强度钨镧丝的制备装置的框图；

图3图示了根据本申请实施例的高强度钨镧丝的制备装置中训练模块的框图；

图4图示了根据本申请实施例的高强度钨镧丝的制备装置中推断模块的系统架构图；

图5图示了根据本申请实施例的高强度钨镧丝的制备装置中烧结条热力图编码单元的框图；

图6图示了根据本申请实施例的高强度钨镧丝的制备装置中第一卷积神经网络编码过程的流程图；

图7图示了根据本申请实施例的高强度钨镧丝的制备装置中烧结条热力图动态特征提取单元的框图；

图8图示了根据本申请实施例的高强度钨镧丝的制备装置中训练模块的系统架构图；

图9图示了根据本申请实施例的高强度钨镧丝的制备方法的流程图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如上所述，合金的硬化及其内部的应力的存在导致生产的钨丝使用寿命较短，抗震性能较差，灯泡在使用后灯丝易发生下垂现象。因此，期待一种更为优化的钨丝结构及其制备方案。

针对上述技术问题，本申请的申请人选择在钨丝中加入镧元素，并通过改变镧元素添加方式来控制钨合金中镧元素含量、进而改变合金成分及其内部晶粒大小来提高钨镧丝的性能。本领域普通技术人员应知晓，在钨丝中加入镧元素以改变和优化钨丝的性能，是较为普遍的技术，关键在于其制备工艺。

具体地，本申请的申请人采用如下制备工艺，首先制得内部掺杂镧元素的钨坯条，并在氢气保护下进行预烧结以得到预烧结条；然后，预烧结条在氢气保护下进行垂熔烧结，得到垂熔烧结条；接着，使用旋锻设备对垂熔烧结条进行锻打，使垂熔烧结条断面逐渐缩小，长度增加，坯条内钨组织结构、晶粒状态和表面状态发生改变，制得钨棒。最终，将钨棒经过拉伸工艺制成所需的钨丝。

经研究，本申请的申请人发现垂熔烧结条的结构对于最终钨丝的成型质量尤为重要，在现有的垂熔烧结工艺中，垂熔烧结的温度为2650～2950℃，烧结时间为60-70分钟，所得垂熔烧结条的密度为17.2-17.6g/cm

具体地，在本申请的技术方案中，首先获取预定时间段内多个预定时间点的加热器的功率值以及所述预定时间段内多个预定时间点的垂熔烧结条的热力图。这里，考虑到所述垂熔烧结的烧结质量与所述垂熔烧结过程中的烧结条的热力分布直接相关，因此，选择以所述垂熔烧结条的热力图的热力图作为监控数据。

接着，将所述多个预定时间点的垂熔烧结条的热力图中各个预定时间点的垂熔烧结条的热力图通过使用空间注意力的第一卷积神经网络模型以得到多个空间结构热力特征图。也就是，使用深度卷积神经网络模型作为特征提取器来捕捉各个预定时间点的垂熔烧结条的热力分布特征，考虑到所述垂熔烧结条是一个有机的整体，而在提取热力分布特征时，期待捕捉所述垂熔烧结条在其空间域中的热力分布显著特征。因此，在本申请的技术方案中，将空间注意力机制集成于所述第一卷积神经网络模型。

具体地，所述第一卷积神经网络的编码过程，包括：首先使用所述第一卷积神经网络模型的多层卷积层对所述各个预定时间点的垂熔烧结条的热力图进行深度卷积编码以得到热力分布特征图；然后，将所述热力分布特征图沿通道进行平均池化和最大池化操作，接着将聚合的通道注意力特征分成两个二维映射：F

接着，将所述多个空间结构热力特征图通过使用时间注意力机制的第二卷积神经网络模型以得到空间结构热力变化特征图。也就是，通过使用时间注意力机制的第二卷积神经网络模型来捕捉所述垂熔烧结条的热力分布特征在时间维度上的变化特征。

具体地，所述第二卷积神经网络模型的编码过程包括：首先提取所述多个空间结构热力特征图中相邻两个预定时间点的两个空间结构热力特征图，记为第一空间结构热力特征图和第二空间结构热力特征图；接着，计算所述第一空间结构热力特征图和所述第二空间结构热力特征图的按位置乘积以得到时间累积空间结构热力特征图，然后，以Softmax激活函数对所述时间累积空间结构热力特征图进行激活以得到时间注意力特征图；接着，将所述时间注意力特征图与所述第二空间结构热力特征图进行按位置点乘以得到对应于所述第二空间结构热力特征图的时间增强第二空间结构热力特征图。继而，以同样的模式进行循环迭代，其中，所述多个空间结构热力特征图中最后一个预定时间点的空间结构热力特征图对应的时间增强空间结构热力特征图为所述空间结构热力变化特征图。

针对所述预定时间段内多个预定时间点的加热器的功率值，在本申请的技术方案中，以使用一维卷积核的第三卷积神经网络模型对所述多个预定时间点的加热器的功率值进行一维卷积编码以得到功率特征向量。具体地，首先将所述多个预定时间点的加热器的功率值按照时间维度排列为功率输入向量，然后将所述功率输入向量作为所述第三卷积神经网络模型的输入以及由所述第三卷积神经网络模型提取所述功率输入向量中的局部时间跨度内功率分布的模式特征，以得到所述功率特征向量。

特别地，在本申请的技术方案中，所述加热器的功率值是所述垂熔烧结条的热力分布发生变化的原因，也就是，所述加热器的功率值为条件数据，所述垂熔烧结条的热力分布为结局指标。充分利用条件数据对于结局指标之间的高维隐含响应规律可优化表达加热器的功率对于最终垂熔烧结条的热力分布的影响。具体地，计算所述功率特征向量相对于所述空间结构热力变化特征图的响应性估计以此来表示条件数据对于结局指标之间的高维隐含响应模式。

但是，所述功率特征向量为一维特征向量，而所述空间结构热力变化特征图为三维特征向量，两者存在特征维度差异，因此，难以在数据层面直接进行响应性估计运算。为了便于运算，在本申请的技术方案中，首先对所述空间结构热力变化特征图和所述功率特征向量进行维度统一，在一个具体的示例中，对所述空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间结构热力变化特征向量。然后，计算所述功率特征向量相对于所述空间结构热力变化特征向量的响应性估计以得到分类特征矩阵。在一个具体的示例中，以所述功率特征向量相对于所述空间结构热力变化特征向量的转移矩阵来表示两者之间的响应性隐含关联。

继而，以所述转移矩阵作为分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的加热器的功率值应增大或应减小。这样，基于垂熔烧结条的结构热力图来自适应地调整垂熔烧结的温度控制，以提高垂熔烧结条的烧结质量。

特别地，在本申请的技术方案中，在对所述空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间结构热力变化特征向量时，由于所述空间结构热力变化特征向量的每个位置的特征值是所述空间结构热力变化特征图的相应通道位置的特征矩阵的全局均值池化得到的，这使得所述空间结构热力变化特征向量的特征值之间的上下文关联性要弱于所述空间结构热力变化特征图的沿通道维度的上下文关联性，从而使得所述空间结构热力变化特征向量对于所述空间结构热力变化特征图的上下文特征关联表达能力变弱，并使得所述空间结构热力变化特征向量与所述功率特征向量在时序维度上的分布一致性差，影响所述分类特征矩阵的分类效果。

因此，为了提升所述空间结构热力变化特征向量对于所述空间结构热力态变化特征图的上下文特征关联表达能力，优选地引入针对所述空间结构热力变化特征向量的上下文统计的局部场景度量损失函数，表示为：

这里，μ和σ是特征集合v

这里，所述上下文统计的局部场景度量损失函数基于所述空间结构热力变化特征图的沿通道的每个特征矩阵的全局池化，将所述空间结构热力变化特征向量V的各个位置的特征值都视为单独的通道特征描述符来作为特征的通道场景的压榨表示，由此，基于特征集合的类概率表达的上下文统计式度量作为损失函数，可以提升各个通道的局部场景的关联性，从而提升所述空间结构热力变化特征向量对于所述空间结构热力变化特征图的上下文特征关联表达能力。并且，可以提升所述空间结构热力变化特征向量与所述功率特征向量在时序维度上的分布一致性，以改进所述分类特征矩阵的分类效果。也就是，提高所述垂熔烧结工艺的温度自适应控制的精准度，以此来提高垂熔烧结条的成型质量。

基于此，本申请提出了一种高强度钨镧丝的制备装置，其包括：数据监控与采集单元，用于获取预定时间段内多个预定时间点的加热器的功率值以及所述预定时间段内多个预定时间点的垂熔烧结条的热力图；烧结条热力图编码单元，用于将所述多个预定时间点的垂熔烧结条的热力图中各个预定时间点的垂熔烧结条的热力图通过使用空间注意力的第一卷积神经网络模型以得到多个空间结构热力特征图；烧结条热力图动态特征提取单元，用于将所述多个空间结构热力特征图通过使用时间注意力机制的第二卷积神经网络模型以得到空间结构热力变化特征图；功率时序特征编码单元，用于将所述多个预定时间点的加热器的功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第三卷积神经网络模型以得到功率特征向量；降维单元，用于对所述空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间结构热力变化特征向量；响应性估计单元，用于计算所述功率特征向量相对于所述空间结构热力变化特征向量的响应性估计以得到分类特征矩阵；以及，控制结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的加热器的功率值应增大或应减小。

图1图示了根据本申请实施例的高强度钨镧丝的制备装置的应用场景图。如图1所示，在该应用场景中，通过功率计(例如，如图1中所示意的P1)获取预定时间段内多个预定时间点的加热器的功率值，以及通过热红外相机(例如，如图1中所示意的C)获取所述预定时间段内多个预定时间点的垂熔烧结条的热力图(例如，如图1中所示意的P2)。接着，将上述信息输入至部署有用于高强度钨镧丝的制备算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述高强度钨镧丝的制备算法对上述输入的信息进行处理，以生成用于表示当前时间点的加热器的功率值应增大或应减小的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图2图示了根据本申请实施例的高强度钨镧丝的制备装置的框图。如图2所示，根据本申请实施例的高强度钨镧丝的制备装置300包括推断模块，其中，所述推断模块包括：数据监控与采集单元310；烧结条热力图编码单元320；烧结条热力图动态特征提取单元330；功率时序特征编码单元340；降维单元350；响应性估计单元360；以及控制结果生成单元370。

其中，所述数据监控与采集单元310，用于获取预定时间段内多个预定时间点的加热器的功率值以及所述预定时间段内多个预定时间点的垂熔烧结条的热力图；所述烧结条热力图编码单元320，用于将所述多个预定时间点的垂熔烧结条的热力图中各个预定时间点的垂熔烧结条的热力图通过使用空间注意力的第一卷积神经网络模型以得到多个空间结构热力特征图；所述烧结条热力图动态特征提取单元330，用于将所述多个空间结构热力特征图通过使用时间注意力机制的第二卷积神经网络模型以得到空间结构热力变化特征图；所述功率时序特征编码单元340，用于将所述多个预定时间点的加热器的功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第三卷积神经网络模型以得到功率特征向量；所述降维单元350，用于对所述空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间结构热力变化特征向量；所述响应性估计单元360，用于计算所述功率特征向量相对于所述空间结构热力变化特征向量的响应性估计以得到分类特征矩阵；以及，所述控制结果生成单元370，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的加热器的功率值应增大或应减小。

图4图示了根据本申请实施例的高强度钨镧丝的制备装置中推断模块的系统架构图。如图4所示，在所述高强度钨镧丝的制备装置300的系统架构中，在推断过程中，首先通过所述数据监控与采集单元310获取预定时间段内多个预定时间点的加热器的功率值以及所述预定时间段内多个预定时间点的垂熔烧结条的热力图；所述烧结条热力图编码单元320将所述数据监控与采集单元310获取的多个预定时间点的垂熔烧结条的热力图中各个预定时间点的垂熔烧结条的热力图通过使用空间注意力的第一卷积神经网络模型以得到多个空间结构热力特征图；其次，所述烧结条热力图动态特征提取单元330将所述烧结条热力图编码单元320生成的多个空间结构热力特征图通过使用时间注意力机制的第二卷积神经网络模型以得到空间结构热力变化特征图；同时，所述功率时序特征编码单元340将所述数据监控与采集单元310获取的多个预定时间点的加热器的功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第三卷积神经网络模型以得到功率特征向量；接着，所述降维单元350对所述空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间结构热力变化特征向量；然后，所述响应性估计单元360计算所述功率时序特征编码单元340生成的功率特征向量相对于所述降维单元350生成的空间结构热力变化特征向量的响应性估计以得到分类特征矩阵；进而，所述控制结果生成单元370将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的加热器的功率值应增大或应减小。

具体地，在所述高强度钨镧丝的制备装置300的运行过程中，所述数据监控与采集单元310，用于获取预定时间段内多个预定时间点的加热器的功率值以及所述预定时间段内多个预定时间点的垂熔烧结条的热力图。考虑到所述垂熔烧结的烧结质量与所述垂熔烧结过程中的烧结条的热力分布直接相关，因此，选择以所述垂熔烧结条的热力图的热力图作为监控数据。在本申请的技术方案中，可通过功率计来获取预定时间段内多个预定时间点的加热器的功率值，以及获取所述预定时间段内多个预定时间点的垂熔烧结条的热力图。

具体地，在所述高强度钨镧丝的制备装置300的运行过程中，所述烧结条热力图编码单元320，用于将所述多个预定时间点的垂熔烧结条的热力图中各个预定时间点的垂熔烧结条的热力图通过使用空间注意力的第一卷积神经网络模型以得到多个空间结构热力特征图。也就是，使用深度卷积神经网络模型作为特征提取器来捕捉各个预定时间点的垂熔烧结条的热力分布特征，考虑到所述垂熔烧结条是一个有机的整体，而在提取热力分布特征时，期待捕捉所述垂熔烧结条在其空间域中的热力分布显著特征。因此，在本申请的技术方案中，将空间注意力机制集成于所述第一卷积神经网络模型。更具体地，在本申请的技术方案中，使用具有空间注意力机制的第一卷积神经网络模型对所述各个预定时间点的热力图进行编码以得到所述空间结构热力特征图的过程，包括：首先使用所述空间注意力模块的卷积层对所述多个预定时间点的垂熔烧结条的热力图进行卷积编码以得到空间注意力图；将所述空间注意力图输入所述空间注意力模块的Softmax激活函数以得到空间注意力得分图；以及，计算所述空间注意力得分图和所述多个预定时间点的垂熔烧结条的热力图的按位置点乘以得到所述多个空间结构热力特征图。其中，所述使用所述空间注意力模块的卷积层对所述多个预定时间点的垂熔烧结条的热力图进行卷积编码包括通过卷积层内部的卷积核提取出所述热力图的空间域中需要被关注的局部特征以此得到空间注意力图。然后将所述空间注意力图输入所述空间注意力模块的Softmax激活函数，所述Softmax激活函数，其作用是将空间注意力图中各个位置的特征值映射到0到1的概率空间中，并且，所述空间注意力得分图的所有位置的特征值之和为1。

图5图示了根据本申请实施例的高强度钨镧丝的制备装置中烧结条热力图编码单元的框图。如图5所示，所述烧结条热力图编码单元320，包括：卷积编码子单元321，用于将所述中各个预定时间点的垂熔烧结条的热力图输入所述第一卷积神经网络模型的多层卷积层以得到热力分布特征图；空间注意力子单元322，用于将所述热力分布特征图通过所述第一卷积神经网络模型的空间注意力模块以得到空间注意力特征矩阵；以及，注意施加子单元323，用于计算所述热力分布特征图的沿通道维度的各个特征矩阵与所述空间注意力特征矩阵的按位置点乘以得到所述空间结构热力特征图。

在本申请的一个具体示例中，所述第一卷积神经网络的编码过程，包括：首先使用所述第一卷积神经网络模型的多层卷积层对所述各个预定时间点的垂熔烧结条的热力图进行深度卷积编码以得到热力分布特征图；然后，将所述热力分布特征图沿通道进行平均池化和最大池化操作，接着将聚合的通道注意力特征分成两个二维映射：F

图6图示了根据本申请实施例的高强度钨镧丝的制备装置中第一卷积神经网络编码过程的流程图。如图6所示，在所述第一卷积神经网络编码过程中，包括：S210，使用所述空间注意力模块分别对所述热力分布特征图进行沿通道维度的全局平均值池化和全局最大池池化以得到第一特征矩阵和第二特征矩阵；S220，将所述第一特征矩阵和第二特征矩阵进行聚合以得到空间特征图；S230，使用所述空间注意力模块对所述空间特征图进行卷积处理以得到空间注意力矩阵；以及，S240，使用Sigmoid函数对所述空间注意力矩阵进行非线性激活以得到所述空间注意力特征矩阵。

具体地，在所述高强度钨镧丝的制备装置300的运行过程中，所述烧结条热力图动态特征提取单元330，用于将所述多个空间结构热力特征图通过使用时间注意力机制的第二卷积神经网络模型以得到空间结构热力变化特征图。也就是，通过使用时间注意力机制的第二卷积神经网络模型来捕捉所述垂熔烧结条的热力分布特征在时间维度上的变化特征。更具体地，使用所述使用时间注意力机制的第二卷积神经模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用时间注意力机制的第二卷积神经的最后一层的输出为所述空间结构热力变化特征图，所述使用时间注意力机制的第二卷积神经的第一层的输入为所述空间结构热力特征图。

图7图示了根据本申请实施例的高强度钨镧丝的制备装置中烧结条热力图动态特征提取单元的框图。如图7所示，所述烧结条热力图动态特征提取单元330，包括：提取子单元331，用于提取所述多个空间结构热力特征图相邻两个预定时间点的第一空间结构热力特征图和第二空间结构热力特征图；时间累积子单元332，用于计算所述第一空间结构热力特征图和所述第二空间结构热力特征图的按位置点乘以得到时间累积空间结构热力特征图；激活子单元333，用于以Softmax激活函数对所述时间累积空间结构热力特征图进行激活以得到时间注意力特征图；以及，时间注意力施加子单元334，用于将所述时间注意力特征图与所述第二空间结构热力特征图进行按位置点乘以得到对应于所述第二空间结构热力特征图的时间增强第二空间结构热力特征图。

在本申请的一个具体示例中，所述第二卷积神经网络模型的编码过程包括：首先提取所述多个空间结构热力特征图中相邻两个预定时间点的两个空间结构热力特征图，记为第一空间结构热力特征图和第二空间结构热力特征图；接着，计算所述第一空间结构热力特征图和所述第二空间结构热力特征图的按位置乘积以得到时间累积空间结构热力特征图，然后，以Softmax激活函数对所述时间累积空间结构热力特征图进行激活以得到时间注意力特征图；接着，将所述时间注意力特征图与所述第二空间结构热力特征图进行按位置点乘以得到对应于所述第二空间结构热力特征图的时间增强第二空间结构热力特征图。继而，以同样的模式进行循环迭代，其中，所述多个空间结构热力特征图中最后一个预定时间点的空间结构热力特征图对应的时间增强空间结构热力特征图为所述空间结构热力变化特征图。

具体地，在所述高强度钨镧丝的制备装置300的运行过程中，所述功率时序特征编码单元340，用于将所述多个预定时间点的加热器的功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第三卷积神经网络模型以得到功率特征向量。在本申请的技术方案中，首先将所述多个预定时间点的加热器的功率值按照时间维度排列为功率输入向量，然后将所述功率输入向量作为所述第三卷积神经网络模型的输入以及由所述第三卷积神经网络模型提取所述功率输入向量中的局部时间跨度内功率分布的模式特征，以得到所述功率特征向量。

具体地，在所述高强度钨镧丝的制备装置300的运行过程中，所述降维单元350，用于对所述空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间结构热力变化特征向量。应可以理解，首先对所述空间结构热力变化特征图和所述功率特征向量进行维度统一，在一个具体的示例中，对所述空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间结构热力变化特征向量。

具体地，在所述高强度钨镧丝的制备装置300的运行过程中，所述响应性估计单元360，用于计算所述功率特征向量相对于所述空间结构热力变化特征向量的响应性估计以得到分类特征矩阵。应可以理解，所述加热器的功率值是所述垂熔烧结条的热力分布发生变化的原因，也就是，所述加热器的功率值为条件数据，所述垂熔烧结条的热力分布为结局指标。充分利用条件数据对于结局指标之间的高维隐含响应规律可优化表达加热器的功率对于最终垂熔烧结条的热力分布的影响。具体地，计算所述功率特征向量相对于所述空间结构热力变化特征图的响应性估计以此来表示条件数据对于结局指标之间的高维隐含响应模式。在一个具体的示例中，以如下公式计算所述功率特征向量相对于所述空间结构热力变化特征向量的响应性估计以得到分类特征矩阵；

其中，所述公式为：

V

其中V

具体地，在所述高强度钨镧丝的制备装置300的运行过程中，所述控制结果生成单元370，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的加热器的功率值应增大或应减小。也就是，这样，基于垂熔烧结条的结构热力图来自适应地调整垂熔烧结的温度控制，以提高垂熔烧结条的烧结质量。在一个具体的示例中，使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得分类结果；

其中，所述公式为：O＝softmax{(W

其中Project(F)表示将所述分类特征矩阵投影为向量，W

应可以理解，在利用上述神经网络模型进行推断之前，需要对所述使用空间注意力的第一卷积神经网络模型、所述使用时间注意力机制的第二卷积神经网络模型和所述使用一维卷积核的第三卷积神经网络模型进行训练。也就是说，在本申请的高强度钨镧丝的制备装置中，还包括训练模块，用于对所述使用空间注意力的第一卷积神经网络模型、所述使用时间注意力机制的第二卷积神经网络模型和所述使用一维卷积核的第三卷积神经网络模型进行训练。

图3图示了根据本申请实施例的高强度钨镧丝的制备装置中训练模块的框图。如图3所示，根据本申请实施例的高强度钨镧丝的制备装置300，还包括训练模块，所述训练模块包括：训练数据采集单元3010；训练烧结条热力图编码单元3020；训练段语义编码单元3030；训练功率时序特征编码单元3040；训练降维单元3050；训练响应性估计单元3060；分类损失单元3070；上下文损失单元3080；以及训练单元3090。

其中，所述训练数据采集单元3010，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的所述加热器的训练功率值、所述预定时间段内多个预定时间点的所述垂熔烧结条的训练热力图，以及，当前时间点的所述加热器的功率值应增大或应减小的真实标签值；所述训练烧结条热力图编码单元3020，用于将所述多个预定时间点的垂熔烧结条的训练热力图中各个预定时间点的垂熔烧结条的训练热力图通过所述使用空间注意力的第一卷积神经网络模型以得到多个训练空间结构热力特征图；所述训练烧结条热力图动态特征提取单元3030，用于将所述多个训练空间结构热力特征图通过所述使用时间注意力机制的第二卷积神经网络模型以得到训练空间结构热力变化特征图；所述训练功率时序特征编码单元3040，用于将所述多个预定时间点的加热器的训练功率值按照时间维度排列为训练功率输入向量后通过所述使用一维卷积核的第三卷积神经网络模型以得到训练功率特征向量；所述训练降维单元3050，用于对所述训练空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到训练空间结构热力变化特征向量；所述训练响应性估计单元3060，用于计算所述训练功率特征向量相对于所述训练空间结构热力变化特征向量的响应性估计以得到训练分类特征矩阵；以及，所述分类损失单元3070，用于将所述训练分类特征矩阵通过分类器以得到分类损失函数值；所述上下文损失单元3080，用于计算所述训练空间结构热力变化特征向量的上下文统计的局部场景度量损失函数值，其中，所述上下文统计的局部场景度量损失函数值与所述训练空间结构热力变化特征向量的所有位置的特征值集合的统计特征有关；以及，所述训练单元3090，用于以所述分类损失函数值和所述上下文统计的局部场景度量损失函数值的加权和作为损失函数值对所述使用空间注意力的第一卷积神经网络模型、所述使用时间注意力机制的第二卷积神经网络模型和所述使用一维卷积核的第三卷积神经网络模型进行训练。

图8图示了根据本申请实施例的高强度钨镧丝的制备装置中训练模块的系统架构图。如图8所示，在所述高强度钨镧丝的制备装置300的系统架构中，在训练过程中，首先通过所述训练数据采集单元3010获取训练数据，所述训练数据包括预定时间段内多个预定时间点的所述加热器的训练功率值、所述预定时间段内多个预定时间点的所述垂熔烧结条的训练热力图，以及，当前时间点的所述加热器的功率值应增大或应减小的真实标签值；所述训练烧结条热力图编码单元3020将所述训练数据采集单元3010获取的多个预定时间点的垂熔烧结条的训练热力图中各个预定时间点的垂熔烧结条的训练热力图通过所述使用空间注意力的第一卷积神经网络模型以得到多个训练空间结构热力特征图；所述训练烧结条热力图动态特征提取单元3030将所述训练烧结条热力图编码单元3020得到的多个训练空间结构热力特征图通过所述使用时间注意力机制的第二卷积神经网络模型以得到训练空间结构热力变化特征图；所述训练功率时序特征编码单元3040将所述训练数据采集单元3010获取的多个预定时间点的加热器的训练功率值按照时间维度排列为训练功率输入向量后通过所述使用一维卷积核的第三卷积神经网络模型以得到训练功率特征向量；所述训练降维单元3050对所述训练空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到训练空间结构热力变化特征向量；接着，所述训练响应性估计单元3060计算所述训练功率特征向量相对于所述训练空间结构热力变化特征向量的响应性估计以得到训练分类特征矩阵；以及所述分类损失单元3070将所述训练分类特征矩阵通过分类器以得到分类损失函数值；然后，所述上下文损失单元3080计算所述训练空间结构热力变化特征向量的上下文统计的局部场景度量损失函数值，其中，所述上下文统计的局部场景度量损失函数值与所述训练空间结构热力变化特征向量的所有位置的特征值集合的统计特征有关；进而，所述训练单元3090以所述分类损失函数值和所述上下文统计的局部场景度量损失函数值的加权和作为损失函数值对所述使用空间注意力的第一卷积神经网络模型、所述使用时间注意力机制的第二卷积神经网络模型和所述使用一维卷积核的第三卷积神经网络模型进行训练。

特别地，在本申请的技术方案中，在对所述空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间结构热力变化特征向量时，由于所述空间结构热力变化特征向量的每个位置的特征值是所述空间结构热力变化特征图的相应通道位置的特征矩阵的全局均值池化得到的，这使得所述空间结构热力变化特征向量的特征值之间的上下文关联性要弱于所述空间结构热力变化特征图的沿通道维度的上下文关联性，从而使得所述空间结构热力变化特征向量对于所述空间结构热力变化特征图的上下文特征关联表达能力变弱，并使得所述空间结构热力变化特征向量与所述功率特征向量在时序维度上的分布一致性差，影响所述分类特征矩阵的分类效果。

因此，为了提升所述空间结构热力变化特征向量对于所述空间结构热力态变化特征图的上下文特征关联表达能力，优选地引入针对所述空间结构热力变化特征向量的上下文统计的局部场景度量损失函数，表示为：

这里，μ和σ是特征集合v

这里，所述上下文统计的局部场景度量损失函数基于所述空间结构热力变化特征图的沿通道的每个特征矩阵的全局池化，将所述空间结构热力变化特征向量V的各个位置的特征值都视为单独的通道特征描述符来作为特征的通道场景的压榨表示，由此，基于特征集合的类概率表达的上下文统计式度量作为损失函数，可以提升各个通道的局部场景的关联性，从而提升所述空间结构热力变化特征向量对于所述空间结构热力变化特征图的上下文特征关联表达能力。并且，可以提升所述空间结构热力变化特征向量与所述功率特征向量在时序维度上的分布一致性，以改进所述分类特征矩阵的分类效果。也就是，提高所述垂熔烧结工艺的温度自适应控制的精准度，以此来提高垂熔烧结条的成型质量。

综上，根据本申请实施例的高强度钨镧丝的制备装置300被阐明，其通过基于垂熔烧结条的结构热力图来自适应地调整垂熔烧结的温度控制，以提高垂熔烧结条的烧结质量。

示例性方法

图9图示了根据本申请实施例的高强度钨镧丝的制备方法的流程图。如图9所示，根据本申请实施例的高强度钨镧丝的制备方法，包括步骤：S110，获取预定时间段内多个预定时间点的加热器的功率值以及所述预定时间段内多个预定时间点的垂熔烧结条的热力图；S120，将所述多个预定时间点的垂熔烧结条的热力图中各个预定时间点的垂熔烧结条的热力图通过使用空间注意力的第一卷积神经网络模型以得到多个空间结构热力特征图；S130，将所述多个空间结构热力特征图通过使用时间注意力机制的第二卷积神经网络模型以得到空间结构热力变化特征图；S140，将所述多个预定时间点的加热器的功率值按照时间维度排列为功率输入向量后通过使用一维卷积核的第三卷积神经网络模型以得到功率特征向量；S150，对所述空间结构热力变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间结构热力变化特征向量；S160，计算所述功率特征向量相对于所述空间结构热力变化特征向量的响应性估计以得到分类特征矩阵；以及，S170，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的加热器的功率值应增大或应减小。

在一个示例中，在上述高强度钨镧丝的制备方法中，所述步骤S120，包括：将所述中各个预定时间点的垂熔烧结条的热力图输入所述第一卷积神经网络模型的多层卷积层以得到热力分布特征图；将所述热力分布特征图通过所述第一卷积神经网络模型的空间注意力模块以得到空间注意力特征矩阵；以及，计算所述热力分布特征图的沿通道维度的各个特征矩阵与所述空间注意力特征矩阵的按位置点乘以得到所述空间结构热力特征图。其中，所述将所述热力分布特征图通过所述第一卷积神经网络模型的空间注意力模块以得到空间注意力特征矩阵，包括：使用所述空间注意力模块分别对所述热力分布特征图进行沿通道维度的全局平均值池化和全局最大池池化以得到第一特征矩阵和第二特征矩阵；将所述第一特征矩阵和第二特征矩阵进行聚合以得到空间特征图；使用所述空间注意力模块对所述空间特征图进行卷积处理以得到空间注意力矩阵；以及，使用Sigmoid函数对所述空间注意力矩阵进行非线性激活以得到所述空间注意力特征矩阵。

在一个示例中，在上述高强度钨镧丝的制备方法中，所述步骤S130，包括：提取所述多个空间结构热力特征图相邻两个预定时间点的第一空间结构热力特征图和第二空间结构热力特征图；计算所述第一空间结构热力特征图和所述第二空间结构热力特征图的按位置点乘以得到时间累积空间结构热力特征图；以Softmax激活函数对所述时间累积空间结构热力特征图进行激活以得到时间注意力特征图；以及，将所述时间注意力特征图与所述第二空间结构热力特征图进行按位置点乘以得到对应于所述第二空间结构热力特征图的时间增强第二空间结构热力特征图。

在一个示例中，在上述高强度钨镧丝的制备方法中，所述步骤S160，包括：以如下公式计算所述功率特征向量相对于所述空间结构热力变化特征向量的响应性估计以得到分类特征矩阵；

其中，所述公式为：

V

其中V

在一个示例中，在上述高强度钨镧丝的制备方法中，所述步骤S170，包括：使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得分类结果；

其中，所述公式为：O＝softmax{(W

综上，根据本申请实施例的高强度钨镧丝的制备方法被阐明，其通过基于垂熔烧结条的结构热力图来自适应地调整垂熔烧结的温度控制，以提高垂熔烧结条的烧结质量。