石英砂的制取系统及其方法

技术邻域

本申请涉及智能控制领域，且更为具体的涉及一种石英砂的制取系统及其方法。

背景技术

在石英砂制取的过程中，一般需要经过采矿、破碎和筛分、洗涤、漂白、干燥、筛选和包装的步骤。旋转干燥器是一种将颗粒物料放置在旋转筒内进行干燥的设备。在石英砂干燥过程中，石英砂颗粒被放入旋转筒后，随着旋转筒的转动，热风通过旋转筒与颗粒物料接触，将水分蒸发出去。旋转干燥器具有结构简单、操作方便、适用于大批量生产等优点。然而，传统的旋转干燥器调节旋转速度存在一些缺点。首先，调节旋转速度需要操作人员具备一定的经验和技能，以确保干燥效果的调节和控制。其次，过高的旋转速度可能会引起颗粒物料的破碎和磨损，降低产品的质量。

因此，期待一种优化的石英砂制取方案。

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石英砂的制取系统及其方法，其使用基于深度神经网络模型的人工智能技术来对石英砂干燥过程中的石英砂状态变化数据和多个预定时间点的旋转干燥器的旋转速度进行特征提取和编码，得到用于表示当前时间点的旋转干燥器的旋转速度应增大或者减小的分类标签。这样，通过实时监测石英砂的状态并根据需求调整旋转速度，可以实现更精确和有效的控制，以确保石英砂的干燥效果和质量。

根据本申请的一个方面，提供了一种石英砂的制取系统，其包括：

数据获取模块，用于获取石英砂干燥过程中的石英砂状态变化数据以及多个预定时间点的旋转速度值；

语义特征提取模块，用于将所述石英砂状态变化数据通过包含嵌入层的基于转换器的上下文编码器以得到多个状态上下文语义特征向量；

深浅特征编码模块，用于将所述多个状态上下文语义特征向量二维排列为检测特征矩阵后通过深浅特征编码模块以得到状态特征向量；

多尺度邻域特征提取模块，用于将所述多个预定时间点的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度特征向量；

响应性估计模块，用于计算所述速度特征向量相对于所述状态特征向量的响应性估计以得到分类特征矩阵；

分类结果生成模块，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旋转干燥器的旋转速度应增大或者减小。

在上述的石英砂的制取系统中，所述语义特征提取模块，包括：

嵌入转化单元，用于将所述石英砂状态变化数据分别通过嵌入层以将所述石英砂状态变化数据中各个维度数据转化为状态嵌入向量以得到状态嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码；

编码单元，用于将所述状态嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个状态上下文语义特征向量。

在上述的石英砂的制取系统中，所述编码单元，包括：

查询向量构造子单元，用于将所述状态嵌入向量的序列排列为输入向量；

向量转化子单元，用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；

自注意子单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；

标准化子单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；

关注度计算子单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；

注意力施加子单元，用于将所述自注意力特征矩阵与所述状态嵌入向量的序列中各个状态嵌入向量分别相乘得到所述多个状态语义上下文特征向量。

在上述的石英砂的制取系统中，所述深浅特征编码模块，包括：

浅层特征提取单元，用于从所述深浅特征编码模块的第M层提取浅层特征矩阵，其中，M大于等于1且小于等于6；

深层特征提取单元，用于从所述深浅特征编码模块的第N层提取深层特征矩阵，其中，N/M大于等于5且小于等于10；

融合单元，用于融合所述浅层特征矩阵和所述深层特征矩阵以得到融合特征矩阵；

降维单元，用于对所述融合特征矩阵进行沿通道维度的各个特征矩阵的池化以得到所述状态特征向量。

在上述的石英砂的制取系统中，所述多尺度邻域特征提取模块，包括：

第一尺度卷积编码单元，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述速度输入向量进行一维卷积编码以得到所述第一尺度特征向量；

第二尺度卷积编码单元，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述速度输入向量进行一维卷积编码以得到所述第二尺度特征向量；

特征融合单元，用于融合第一尺度特征向量和第二尺度特征向量以得到速度特征向量。

在上述的石英砂的制取系统中，所述第一尺度卷积编码单元，用于：

使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述速度输入向量进行一维卷积编码以得到所述第一尺度特征向量；

其中，所述第一卷积公式为：

其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与第一卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述速度输入向量，Cov(X)表示对所述速度特征向量分别进行一维卷积编码。

在上述的石英砂的制取系统中，所述第二尺度卷积编码单元，用于：

使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述速度输入向量进行一维卷积编码以得到所述第二尺度特征向量；

其中，所述第二卷积公式为：

其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与第二卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述速度输入向量，Cov(X)表示对所述速度特征向量分别进行一维卷积编码。

在上述的石英砂的制取系统中，所述特征融合单元，包括：

标准化子单元，用于对所述第一尺度特征向量和所述第二尺度特征向量进行标准化以得到标准化第一尺度特征向量和标准化第二尺度特征向量；

夹角计算子单元，用于计算所述第一尺度特征向量和所述第二尺度特征向量之间的夹角值；

旋转矩阵构造单元，用于基于所述夹角值构造旋转矩阵，以使得所述旋转矩阵乘以所述标准化第一尺度特征向量等于所述标准化第二尺度特征向量；

仿射变换函数定义单元，用于基于预定仿射变换超参数来定义仿射变换函数；

仿射变换单元，用于对所述第一尺度特征向量和所述第二尺度特征向量分别应用所述仿射变换函数以得到仿射变换第一尺度特征向量和仿射变换第二尺度特征向量；

按位加权单元，用于计算所述仿射变换第一尺度特征向量和所述仿射变换第二尺度特征向量之间的按位置加权和以得到所述速度特征向量。

在上述的石英砂的制取系统中，所述特征融合单元，还包括：

基于所述夹角值以如下构造公式来构造旋转矩阵；

其中，所述构造公式为：

其中，所述θ为所述第一尺度特征向量和所述第二尺度特征向量之间的夹角值，R为所述旋转矩阵；

所述仿射变换函数的公式为：

f(α)＝(1-α)I+αR

其中，α为预定仿射变换超参数，I为所述单位矩阵，R为所述旋转矩阵，f(α)为所述仿射变换函数。

根据本申请的另一方面，还提供了一种种石英砂的制取方法，其包括：

获取石英砂干燥过程中的石英砂状态变化数据以及多个预定时间点的旋转速度值；

将所述石英砂状态变化数据通过包含嵌入层的基于转换器的上下文编码器以得到多个状态上下文语义特征向量；

将所述多个状态上下文语义特征向量二维排列为检测特征矩阵后通过深浅特征编码模块以得到状态特征向量；

将所述多个预定时间点的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度特征向量；

计算所述速度特征向量相对于所述状态特征向量的响应性估计以得到分类特征矩阵；

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旋转干燥器的旋转速度应增大或者减小。

与现有技术相比，本申请提供的石英砂的制取系统及其方法，其使用基于深度神经网络模型的人工智能技术来对石英砂干燥过程中的石英砂状态变化数据和多个预定时间点的旋转干燥器的旋转速度进行特征提取和编码，得到用于表示当前时间点的旋转干燥器的旋转速度应增大或者减小的分类标签。这样，通过实时监测石英砂的状态并根据需求调整旋转速度，可以实现更精确和有效的控制，以确保石英砂的干燥效果和质量。

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石英砂的制取系统的框图。

图2图示了根据本申请实施例的石英砂的制取系统的系统架构图。

图3图示了根据本申请实施例的石英砂的制取系统中语义编码模块的框图。

图4图示了根据本申请实施例的石英砂的制取系统中编码单元的框图。

图5图示了根据本申请实施例的石英砂的制取方法的流程图。

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。

申请概述

如上述背景技术所言，传统的旋转干燥器调节旋转速度存在一些缺点。首先，调节旋转速度需要操作人员具备一定的经验和技能，以确保干燥效果的调节和控制。其次，过高的旋转速度可能会引起颗粒物料的破碎和磨损，降低产品的质量。因此，期待一种优化的石英砂制取方案。

针对上述技术问题，提出了一种石英砂的制取方案，其使用基于深度神经网络模型的人工智能技术来对石英砂干燥过程中的石英砂状态变化数据和多个预定时间点的旋转干燥器的旋转速度进行特征提取和编码，得到用于表示当前时间点的旋转干燥器的旋转速度应增大或者减小的分类标签。这样，通过实时监测石英砂的状态并根据需求调整旋转速度，可以实现更精确和有效的控制，以确保石英砂的干燥效果和质量。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为石英砂的制取方案提供了新的解决思路和方案。

具体地，首先，获取石英砂干燥过程中的石英砂状态变化数据以及多个预定时间点的旋转速度值。应可以理解，所述石英砂状态变化数据为多维度数据，所述石英砂状态变化数据包括石英砂的湿度、温度、气体流量的状态参数的信息。通过对石英砂状态和旋转速度的综合分析，可以找到最佳的干燥条件，提高石英砂的干燥速度和质量。

然后，将所述石英砂状态变化数据通过包含嵌入层的基于转换器的上下文编码器以得到多个状态上下文语义特征向量。考虑到石英砂状态的变化包含了多维度参数，这些参数之间存在复杂的关联和影响。通过将石英砂状态变化数据输入基于转换器的上下文编码器，可以利用该编码器的能力来提取语义信息，将原始数据转化为具有更高层次的语义特征向量。这样可以更好地表示和理解石英砂的状态变化。石英砂的状态变化是一个动态过程，当前时刻的状态往往受到前面时刻状态的影响。基于转换器的上下文编码器可以对石英砂状态数据进行上下文建模，将前面时刻的状态信息纳入考虑，生成更具上下文感知的语义特征向量。这样可以更好地捕捉石英砂状态变化的动态特性。原始的石英砂状态变化数据可能具有高维度和冗余的特征。通过将数据输入嵌入层和基于转换器的上下文编码器，可以将数据进行特征表示和降维，将复杂的状态变化信息转化为更紧凑和有意义的语义特征向量。这样可以减少数据的维度，并提取最相关和有效的特征。

接着，将所述多个状态上下文语义特征向量二维排列为检测特征矩阵后通过深浅特征编码模块以得到状态特征向量。将所述多个状态上下文语义特征向量的二维排列形成了一个检测特征矩阵，通过对该矩阵进行特征提取和编码，可以进一步凸显和强化石英砂状态的关键特征。深浅特征编码模块可以通过多层的神经网络结构，对所述检测特征矩阵进行非线性变换和组合，从而得到更具表征能力的状态特征向量。通过将所述多个状态上下文语义特征向量进行特征提取、编码和融合，得到的状态特征向量具有更强的表征能力和区分度。这样可以为后续的状态分析、分类、聚类等任务提供更好的输入特征。

具体地，将所述检测特征矩阵通过深浅特征编码模块以得到状态特征向量，包括：从所述深浅特征编码模块的第M层提取浅层特征矩阵，其中，M大于等于1且小于等于6；从所述深浅特征编码模块的第N层提取深层特征矩阵，其中，N/M大于等于5且小于等于10；融合所述浅层特征矩阵和所述深层特征矩阵以得到融合特征矩阵。

然后，将所述多个预定时间点的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度特征向量。通过将多个预定时间点的旋转速度值按照时间维度排列为速度输入向量，可以形成一个时间序列的速度数据。通过多尺度邻域特征提取模块，可以从不同时间尺度上提取旋转速度的关键特征，如平均速度、波动性、趋势等。这样可以更好地表示和描述旋转速度的特征。将多个预定时间点的旋转速度值排列为速度输入向量后，可以将不同时间点的速度信息进行融合。通过多尺度邻域特征提取模块的处理，可以从不同尺度上提取速度的关键特征，将多维的速度数据转化为更具表征能力的速度特征向量。这样可以减少数据的维度，并提取最相关和有效的特征。

接着，计算所述速度特征向量相对于所述状态特征向量的响应性估计以得到分类特征矩阵。考虑到所述速度特征向量和所述状态特征向量分别从不同的数据源中提取得到，它们包含了不同的信息。通过所述计算速度特征向量相对于所述状态特征向量的响应性估计，可以将两者的信息进行融合和整合，综合考虑石英砂的运动状态和干燥效果。这样可以提供更全面、更准确的特征表示，有助于提高分类任务的性能。

进而，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旋转干燥器的旋转速度应增大或者减小。这样，通过实时监测石英砂的状态并根据需求调整旋转速度，可以实现更精确和有效的控制，以确保石英砂的干燥效果和质量。

特别地，考虑到在多尺度特征提取中，使用不同尺度的卷积核可以捕捉到不同尺度的特征。第一尺度特征向量可能更关注局部细节特征，而第二尺度特征向量可能更关注更大范围的全局特征。通过将这些不同尺度的特征向量级联在一起，可以获得更全局和细节的特征表示。但同时，由于由于卷积操作在不同尺寸的邻域内提取特征，因此生成的第一尺度特征向量和第二尺度特征向量的尺寸也会不同。这就导致了所述第一尺度特征向量和所述第二尺度特征向量的维度不同。直接融合所述第一尺度特征向量和所述第二尺度特征向量会导致维度不匹配，从而导致进行融合操作时可能会丢失一些重要的信息或引入冗余信息。

进一步地，融合第一尺度特征向量和第二尺度特征向量以得到速度特征向量，包括：对所述第一尺度特征向量和所述第二尺度特征向量进行标准化以得到标准化第一尺度特征向量和标准化第二尺度特征向量；计算所述第一尺度特征向量和所述第二尺度特征向量之间的夹角值；基于所述夹角值构造旋转矩阵，以使得所述旋转矩阵乘以所述标准化第一尺度特征向量等于所述标准化第二尺度特征向量，其中，所述旋转矩阵用公式表示为：

基于预定仿射变换超参数来定义仿射变换函数，其中，所述仿射变换函数通过所述预定仿射变换超参数来控制所述旋转矩阵和单位矩阵之间的线性插值，用公式表示为：

f(α)＝(1-α)I+αR

其中，α为预定仿射变换超参数，I为所述单位矩阵；对所述第一尺度特征向量和所述第二尺度特征向量分别应用所述仿射变换函数以得到仿射变换第一尺度特征向量和仿射变换第二尺度特征向量；计算所述仿射变换第一尺度特征向量和所述仿射变换第二尺度特征向量之间的按位置加权和以得到所述速度特征向量。

利用仿射子空间映射的性质，将具有不同维度的第一尺度特征向量和第二尺度特征向量映射到同一维度的子空间中，也就是，以仿射变换子空间作为共同媒介空间来融合具有不同维度的第一尺度特征向量和第二尺度特征向量，以使得所述速度特征向量可以将在降低特征的冗余度，减少数据的维数的同时，能够包含两个原始特征向量的信息。并且，通过基于仿射子空间映射进行特征向量之间的特征融合可以增强速度特征向量的鲁棒性，使得速度特征向量能够抵抗噪声和异常值的干扰，提高数据的质量。

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1图示了根据本申请实施例的石英砂的制取系统的框图。如图1所示，根据本申请实施例的石英砂的制取系统100，包括：数据获取模块110，用于获取石英砂干燥过程中的石英砂状态变化数据以及多个预定时间点的旋转速度值；语义特征提取模块120，用于将所述石英砂状态变化数据通过包含嵌入层的基于转换器的上下文编码器以得到多个状态上下文语义特征向量；深浅特征编码模块130，用于将所述多个状态上下文语义特征向量二维排列为检测特征矩阵后通过深浅特征编码模块以得到状态特征向量；多尺度邻域特征提取模块140，用于将所述多个预定时间点的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度特征向量；响应性估计模块150，用于计算所述速度特征向量相对于所述状态特征向量的响应性估计以得到分类特征矩阵；以及分类结果生成模块160，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旋转干燥器的旋转速度应增大或者减小。

图2图示了根据本申请实施例的石英砂的制取系统的系统架构图。如图2所示，在该系统架构中，首先，获取石英砂干燥过程中的石英砂状态变化数据以及多个预定时间点的旋转速度值。然后，将所述石英砂状态变化数据通过包含嵌入层的基于转换器的上下文编码器以得到多个状态上下文语义特征向量。接着，将所述多个状态上下文语义特征向量二维排列为检测特征矩阵后通过深浅特征编码模块以得到状态特征向量。然后，将所述多个预定时间点的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度特征向量。接着，计算所述速度特征向量相对于所述状态特征向量的响应性估计以得到分类特征矩阵。进而，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旋转干燥器的旋转速度应增大或者减小。

在上述的石英砂的制取系统100中，所述数据获取模块110，用于获取石英砂干燥过程中的石英砂状态变化数据以及多个预定时间点的旋转速度值。如上述背景技术所言，传统的旋转干燥器调节旋转速度存在一些缺点。首先，调节旋转速度需要操作人员具备一定的经验和技能，以确保干燥效果的调节和控制。其次，过高的旋转速度可能会引起颗粒物料的破碎和磨损，降低产品的质量。因此，期待一种优化的石英砂制取方案。

针对上述技术问题，提出了一种石英砂的制取方案，其使用基于深度神经网络模型的人工智能技术来对石英砂干燥过程中的石英砂状态变化数据和多个预定时间点的旋转干燥器的旋转速度进行特征提取和编码，得到用于表示当前时间点的旋转干燥器的旋转速度应增大或者减小的分类标签。这样，通过实时监测石英砂的状态并根据需求调整旋转速度，可以实现更精确和有效的控制，以确保石英砂的干燥效果和质量。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为石英砂的制取方案提供了新的解决思路和方案。

具体地，首先，获取石英砂干燥过程中的石英砂状态变化数据以及多个预定时间点的旋转速度值。应可以理解，所述石英砂状态变化数据为多维度数据，所述石英砂状态变化数据包括石英砂的湿度、温度、气体流量的状态参数的信息。通过对石英砂状态和旋转速度的综合分析，可以找到最佳的干燥条件，提高石英砂的干燥速度和质量。

在上述的石英砂的制取系统100中，所述语义特征提取模块120，用于将所述石英砂状态变化数据通过包含嵌入层的基于转换器的上下文编码器以得到多个状态上下文语义特征向量。考虑到石英砂状态的变化包含了多维度参数，这些参数之间存在复杂的关联和影响。通过将石英砂状态变化数据输入基于转换器的上下文编码器，可以利用该编码器的能力来提取语义信息，将原始数据转化为具有更高层次的语义特征向量。这样可以更好地表示和理解石英砂的状态变化。石英砂的状态变化是一个动态过程，当前时刻的状态往往受到前面时刻状态的影响。基于转换器的上下文编码器可以对石英砂状态数据进行上下文建模，将前面时刻的状态信息纳入考虑，生成更具上下文感知的语义特征向量。这样可以更好地捕捉石英砂状态变化的动态特性。原始的石英砂状态变化数据可能具有高维度和冗余的特征。通过将数据输入嵌入层和基于转换器的上下文编码器，可以将数据进行特征表示和降维，将复杂的状态变化信息转化为更紧凑和有意义的语义特征向量。这样可以减少数据的维度，并提取最相关和有效的特征。

图3图示了根据本申请实施例的石英砂的制取系统中语义编码模块的框图。如图3所示，所述语义特征提取模块120，包括：嵌入转化单元121，用于将所述石英砂状态变化数据分别通过嵌入层以将所述石英砂状态变化数据中各个维度数据转化为状态嵌入向量以得到状态嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码；编码单元122，用于将所述状态嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个状态上下文语义特征向量。

图4图示了根据本申请实施例的石英砂的制取系统中编码单元的框图。如图4所示，所述编码单元122，包括：查询向量构造子单元1221，用于将所述状态嵌入向量的序列排列为输入向量；向量转化子单元1222，用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；自注意子单元1223，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；标准化子单元1224，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；关注度计算子单元1225，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；注意力施加子单元1226，用于将所述自注意力特征矩阵与所述状态嵌入向量的序列中各个状态嵌入向量分别相乘得到所述多个状态语义上下文特征向量。

在上述的石英砂的制取系统100中，所述深浅特征编码模块130，用于将所述多个状态上下文语义特征向量二维排列为检测特征矩阵后通过深浅特征编码模块以得到状态特征向量。将所述多个状态上下文语义特征向量的二维排列形成了一个检测特征矩阵，通过对该矩阵进行特征提取和编码，可以进一步凸显和强化石英砂状态的关键特征。深浅特征编码模块可以通过多层的神经网络结构，对所述检测特征矩阵进行非线性变换和组合，从而得到更具表征能力的状态特征向量。通过将所述多个状态上下文语义特征向量进行特征提取、编码和融合，得到的状态特征向量具有更强的表征能力和区分度。这样可以为后续的状态分析、分类、聚类等任务提供更好的输入特征。

具体地，在本申请实施例中，所述深浅特征编码模块130，包括：浅层特征提取单元，用于从所述深浅特征编码模块的第M层提取浅层特征矩阵，其中，M大于等于1且小于等于6；深层特征提取单元，用于从所述深浅特征编码模块的第N层提取深层特征矩阵，其中，N/M大于等于5且小于等于10；融合单元，用于融合所述浅层特征矩阵和所述深层特征矩阵以得到融合特征矩阵；降维单元，用于对所述融合特征矩阵进行沿通道维度的各个特征矩阵的池化以得到所述状态特征向量。

在上述的石英砂的制取系统100中，所述多尺度邻域特征提取模块140，用于将所述多个预定时间点的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度特征向量。通过将多个预定时间点的旋转速度值按照时间维度排列为速度输入向量，可以形成一个时间序列的速度数据。通过多尺度邻域特征提取模块，可以从不同时间尺度上提取旋转速度的关键特征，如平均速度、波动性、趋势等。这样可以更好地表示和描述旋转速度的特征。将多个预定时间点的旋转速度值排列为速度输入向量后，可以将不同时间点的速度信息进行融合。通过多尺度邻域特征提取模块的处理，可以从不同尺度上提取速度的关键特征，将多维的速度数据转化为更具表征能力的速度特征向量。这样可以减少数据的维度，并提取最相关和有效的特征。

特别地，考虑到在多尺度特征提取中，使用不同尺度的卷积核可以捕捉到不同尺度的特征。第一尺度特征向量可能更关注局部细节特征，而第二尺度特征向量可能更关注更大范围的全局特征。通过将这些不同尺度的特征向量级联在一起，可以获得更全局和细节的特征表示。但同时，由于由于卷积操作在不同尺寸的邻域内提取特征，因此生成的第一尺度特征向量和第二尺度特征向量的尺寸也会不同。这就导致了所述第一尺度特征向量和所述第二尺度特征向量的维度不同。直接融合所述第一尺度特征向量和所述第二尺度特征向量会导致维度不匹配，从而导致进行融合操作时可能会丢失一些重要的信息或引入冗余信息。

进一步地，融合第一尺度特征向量和第二尺度特征向量以得到速度特征向量，包括：对所述第一尺度特征向量和所述第二尺度特征向量进行标准化以得到标准化第一尺度特征向量和标准化第二尺度特征向量；计算所述第一尺度特征向量和所述第二尺度特征向量之间的夹角值；基于所述夹角值构造旋转矩阵，以使得所述旋转矩阵乘以所述标准化第一尺度特征向量等于所述标准化第二尺度特征向量，其中，所述旋转矩阵用公式表示为：

基于预定仿射变换超参数来定义仿射变换函数，其中，所述仿射变换函数通过所述预定仿射变换超参数来控制所述旋转矩阵和单位矩阵之间的线性插值，用公式表示为：

f(α)＝(1-α)I+αR

其中，α为预定仿射变换超参数，I为所述单位矩阵；对所述第一尺度特征向量和所述第二尺度特征向量分别应用所述仿射变换函数以得到仿射变换第一尺度特征向量和仿射变换第二尺度特征向量；计算所述仿射变换第一尺度特征向量和所述仿射变换第二尺度特征向量之间的按位置加权和以得到所述速度特征向量。

利用仿射子空间映射的性质，将具有不同维度的第一尺度特征向量和第二尺度特征向量映射到同一维度的子空间中，也就是，以仿射变换子空间作为共同媒介空间来融合具有不同维度的第一尺度特征向量和第二尺度特征向量，以使得所述速度特征向量可以将在降低特征的冗余度，减少数据的维数的同时，能够包含两个原始特征向量的信息。并且，通过基于仿射子空间映射进行特征向量之间的特征融合可以增强速度特征向量的鲁棒性，使得速度特征向量能够抵抗噪声和异常值的干扰，提高数据的质量。

具体地，在本申请实施例中，所述多尺度邻域特征提取模块140，包括：第一尺度卷积编码单元，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述速度输入向量进行一维卷积编码以得到所述第一尺度特征向量；第二尺度卷积编码单元，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述速度输入向量进行一维卷积编码以得到所述第二尺度特征向量；特征融合单元，用于融合第一尺度特征向量和第二尺度特征向量以得到速度特征向量。

具体地，在本申请实施例中，所述第一尺度卷积编码单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述速度输入向量进行一维卷积编码以得到所述第一尺度特征向量；其中，所述第一卷积公式为：

其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与第一卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述速度输入向量，Cov(X)表示对所述速度特征向量分别进行一维卷积编码。

具体地，在本申请实施例中，所述第二尺度卷积编码单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述速度输入向量进行一维卷积编码以得到所述第二尺度特征向量；其中，所述第二卷积公式为：

其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与第二卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述速度输入向量，Cov(X)表示对所述速度特征向量分别进行一维卷积编码。

具体地，在本申请实施例中，所述特征融合单元，包括：标准化子单元，用于对所述第一尺度特征向量和所述第二尺度特征向量进行标准化以得到标准化第一尺度特征向量和标准化第二尺度特征向量；夹角计算子单元，用于计算所述第一尺度特征向量和所述第二尺度特征向量之间的夹角值；旋转矩阵构造单元，用于基于所述夹角值构造旋转矩阵，以使得所述旋转矩阵乘以所述标准化第一尺度特征向量等于所述标准化第二尺度特征向量；仿射变换函数定义单元，用于基于预定仿射变换超参数来定义仿射变换函数；仿射变换单元，用于对所述第一尺度特征向量和所述第二尺度特征向量分别应用所述仿射变换函数以得到仿射变换第一尺度特征向量和仿射变换第二尺度特征向量；以及，按位加权单元，用于计算所述仿射变换第一尺度特征向量和所述仿射变换第二尺度特征向量之间的按位置加权和以得到所述速度特征向量。

具体地，在本申请实施例中，所述特征融合单元，还包括：基于所述夹角值以如下构造公式来构造旋转矩阵；其中，所述构造公式为：

其中，所述θ为所述第一尺度特征向量和所述第二尺度特征向量之间的夹角值，R为所述旋转矩阵；

所述仿射变换函数的公式为：

f(α)＝(1-α)I+αR

其中，α为预定仿射变换超参数，I为所述单位矩阵，R为所述旋转矩阵，f(α)为所述仿射变换函数。

在上述的石英砂的制取系统100中，所述响应性估计模块150，用于计算所述速度特征向量相对于所述状态特征向量的响应性估计以得到分类特征矩阵。考虑到所述速度特征向量和所述状态特征向量分别从不同的数据源中提取得到，它们包含了不同的信息。通过所述计算速度特征向量相对于所述状态特征向量的响应性估计，可以将两者的信息进行融合和整合，综合考虑石英砂的运动状态和干燥效果。这样可以提供更全面、更准确的特征表示，有助于提高分类任务的性能。

具体地，在本申请实施例中，所述响应性估计模块150，包括：以如下响应性估计公式计算所述速度特征向量相对于所述状态特征向量的响应性估计以得到分类特征矩阵；其中，所述响应性估计公式为：

其中V

在上述的石英砂的制取系统100中，所述分类结果生成模块160，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旋转干燥器的旋转速度应增大或者减小。这样，通过实时监测石英砂的状态并根据需求调整旋转速度，可以实现更精确和有效的控制，以确保石英砂的干燥效果和质量。

具体地，在本申请实施例中，所述分类结果生成模块160，包括：展开单元，用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；激活单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

综上，根据本申请实施例的石英砂的制取系统已被阐明，其使用基于深度神经网络模型的人工智能技术来对石英砂干燥过程中的石英砂状态变化数据和多个预定时间点的旋转干燥器的旋转速度进行特征提取和编码，得到用于表示当前时间点的旋转干燥器的旋转速度应增大或者减小的分类标签。这样，通过实时监测石英砂的状态并根据需求调整旋转速度，可以实现更精确和有效的控制，以确保石英砂的干燥效果和质量。

示例性方法

图5图示了根据本申请实施例的石英砂的制取方法的流程图。如图5所示，根据本申请实施例的所述石英砂的制取方法，包括步骤：S110，获取石英砂干燥过程中的石英砂状态变化数据以及多个预定时间点的旋转速度值；S120，将所述石英砂状态变化数据通过包含嵌入层的基于转换器的上下文编码器以得到多个状态上下文语义特征向量；S130，将所述多个状态上下文语义特征向量二维排列为检测特征矩阵后通过深浅特征编码模块以得到状态特征向量；S140，将所述多个预定时间点的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度特征向量；S150，计算所述速度特征向量相对于所述状态特征向量的响应性估计以得到分类特征矩阵；以及S160，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旋转干燥器的旋转速度应增大或者减小。

这里，本邻域技术人员可以理解，上述石英砂的制取方法中的各个步骤的具体操作已经在上面参考图1到图4的石英砂的制取系统的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的石英砂的制取系统100可以实现在各种终端设备中，例如石英砂的制取服务器等。在一个示例中，根据本申请实施例的石英砂的制取系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该石英砂的制取系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该石英砂的制取系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该石英砂的制取系统100与该终端设备也可以是分立的设备，并且该石英砂的制取系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息

综上，根据本申请实施例的石英砂的制取方法已被阐明，其使用基于深度神经网络模型的人工智能技术来对石英砂干燥过程中的石英砂状态变化数据和多个预定时间点的旋转干燥器的旋转速度进行特征提取和编码，得到用于表示当前时间点的旋转干燥器的旋转速度应增大或者减小的分类标签。这样，通过实时监测石英砂的状态并根据需求调整旋转速度，可以实现更精确和有效的控制，以确保石英砂的干燥效果和质量。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本邻域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本邻域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本邻域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本邻域技术人员将认识到其某些变型、修改、改变、添加和子组合。