用于光纤预制棒的智能化烧结系统及其方法与流程

本技术涉及智能控制领域，且更为具体地，涉及一种用于光纤预制棒的智能化烧结系统及其方法。

背景技术：

1、光纤预制棒是制造光纤的关键原材料之一。它是一种长而细的棒状结构，由玻璃和其他特殊材料组成，用于制备光纤的芯部和包层。

2、在目前的烧结光纤预制棒过程中，烧结炉的温度主要通过温度控制仪进行管理。温度控制仪通过预设多个阶段，并为每个阶段设定恒定的温度，使得在预制棒烧结过程中，温度按照预设值进行变化。然而，使用温度控制仪存在一个缺点：无法实时调整烧结温度，从而无法精确控制预制棒的透明度。

3、因此，需要一种优化的用于光纤预制棒的智能化烧结方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于光纤预制棒的智能化烧结系统及其方法，其采用基于深度学习的人工智能控制技术，通过对光纤预制棒的烧结过程进行特征提取，以实时了解光纤预制棒的透明度情况，并基于所述光纤预制棒的透明度情况及时作出响应，调整烧结温度，使得光纤预制棒的透明度变得在线实时可调。

2、根据本技术的一个方面，提供了一种用于光纤预制棒的智能化烧结系统，其包括：

3、烧结数据获取模块，用于获取光纤预制棒在预定时间段的烧结监控视频；

4、关键帧提取模块，用于对所述预定时间段的烧结监控视频进行采样以得到多个烧结监控关键帧；

5、烧结特征提取模块，用于将所述多个烧结监控关键帧通过作为过滤器的第一卷积神经网络模型以得到多个烧结特征向量；

6、烧结状态变化模块，用于计算所述多个烧结特征向量中每相邻两个时间点的烧结特征向量之间的转移矩阵以得到多个转移矩阵；

7、烧结状态变化编码模块，用于将所述多个转移矩阵通过使用三维卷积核的第二卷积神经网络模型以得到烧结状态时序转移特征图；

8、优化模块，用于对所述烧结状态时序转移特征图进行秩序先验化以得到优化烧结状态时序转移特征图；

9、温度调控模块，用于将所述优化烧结状态时序转移特征图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烧结的温度值应增大或应减小或应保持不变。

10、在上述用于光纤预制棒的智能化烧结系统中，所述关键帧提取模块，用于：以预定采样频率对所述预定时间段的烧结监控视频进行采样以得到所述多个烧结监控关键帧。

11、在上述用于光纤预制棒的智能化烧结系统中，所述烧结特征提取模块，用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述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各个特征矩阵池化以得到池化特征图；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，所述第一卷积神经网络模型的最后一层的输出为所述多个烧结特征向量，所述第一卷积神经网络模型的第一层的输入为所述多个烧结监控关键帧。

12、在上述用于光纤预制棒的智能化烧结系统中，所述烧结状态变化模块，用于：以如下转移公式计算所述多个烧结特征向量中每相邻两个时间点的烧结特征向量之间的转移矩阵；其中，所述转移公式为：

13、

14、其中v1和v2表示所述多个烧结特征向量中相邻两个时间点的烧结特征向量，m表示所述转移矩阵，表示矩阵相乘。

15、在上述用于光纤预制棒的智能化烧结系统中，所述烧结状态变化编码模块，用于：所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：基于三维卷积核对所述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基于局部特征矩阵的池化以得到池化特征图；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，所述第二卷积神经网络模型的最后一层的输出为所述烧结状态时序转移特征图，所述第二卷积神经网络模型的第一层的输入为所述多个转移矩阵。

16、在上述用于光纤预制棒的智能化烧结系统中，所述优化模块，包括：特征解耦单元，用于沿着通道维度对所述烧结状态时序转移特征图进行特征解耦以得到特征矩阵的序列；伪先验中心特征矩阵生成单元，用于计算所述特征矩阵的序列中所有特征矩阵的按位置均值矩阵以得到伪先验中心特征矩阵；信息熵计算单元，用于计算所述伪先验中心特征矩阵与所述特征矩阵的序列中各个特征矩阵之间的信息熵以得到多个信息熵；秩序先验化掩码特征向量生成单元，用于基于所述多个信息熵与预定阈值之间的比较，生成秩序先验化掩码特征向量；优化烧结状态时序转移特征图生成单元，用于基于所述秩序先验化掩码特征向量，对所述烧结状态时序转移特征图进行处理以得到所述优化烧结状态时序转移特征图。

17、在上述用于光纤预制棒的智能化烧结系统中，所述温度调控模块，用于：使用所述分类器以如下分类公式对所述优化烧结状态时序转移特征图进行处理以生成所述分类结果；其中，所述分类公式为：

18、o＝softmax{(wn,bn):…:(w1,b1)|project(f)}

19、其中o为所述分类结果，project(f)表示将所述优化烧结状态时序转移特征图投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置向量，softmax为归一化指数函数。

20、根据本技术的另一方面，提供了一种用于光纤预制棒的智能化烧结方法，其包括：

21、获取光纤预制棒在预定时间段的烧结监控视频；

22、对所述预定时间段的烧结监控视频进行采样以得到多个烧结监控关键帧；

23、将所述多个烧结监控关键帧通过作为过滤器的第一卷积神经网络模型以得到多个烧结特征向量；

24、计算所述多个烧结特征向量中每相邻两个时间点的烧结特征向量之间的转移矩阵以得到多个转移矩阵；

25、将所述多个转移矩阵通过使用三维卷积核的第二卷积神经网络模型以得到烧结状态时序转移特征图；

26、对所述烧结状态时序转移特征图进行秩序先验化以得到优化烧结状态时序转移特征图；

27、将所述优化烧结状态时序转移特征图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烧结的温度值应增大或应减小或应保持不变。

28、根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于光纤预制棒的智能化烧结方法。

29、根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于光纤预制棒的智能化烧结方法。

30、与现有技术相比，本技术提供的用于光纤预制棒的智能化烧结系统及其方法，其采用基于深度学习的人工智能控制技术，通过对光纤预制棒的烧结过程进行特征提取，以实时了解光纤预制棒的透明度情况，并基于所述光纤预制棒的透明度情况及时作出响应，调整烧结温度，使得光纤预制棒的透明度变得在线实时可调。