光纤的智能加工方法及其系统技术方案

本申请涉及智能加工领域，其具体地公开了一种光纤的智能加工方法及其系统，其采用基于深度神经网络模型的人工智能技术，获取预定时间段内多个预定时间点的温度值和激光加热器的输出功率，排列为向量后进行关联编码，然后通过卷积神经网络和双向注意力机制模块进行特征提取，以得到用于表示当前时间点的激光器的输出功率应增大还是减小的分类结果。这样通过构建光纤的智能加工方案，可以实现对不同工作条件下的光纤加工的自适应控制，进而提高加工的效率和可靠性，减少生产时间和成本。减少生产时间和成本。减少生产时间和成本。

【技术实现步骤摘要】
光纤的智能加工方法及其系统


[0001]本申请涉及智能加工领域，且更为具体地，涉及一种光纤的智能加工方法及其系统。

技术介绍

[0002]在光纤的智能加工中，熔融纤芯是重要的一步。在这个步骤中，光纤的纤芯会被加热至高温状态，以使其达到熔融状态。如果温度过高或不均匀，可能会导致纤芯过热、烧毁或纤维结构发生变化，导致后续拉伸、涂覆受到影响，从而影响光纤的性能和质量。但由于传统的控制温度很难精准的控制温度的大小，增加加工的时间，降低加工的效率。
[0003]因此，期待一种优化的光纤的智能加工方案。

技术实现思路

[0004]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光纤的智能加工方法及其系统，其采用基于深度神经网络模型的人工智能技术，获取预定时间段内多个预定时间点的温度值和激光加热器的输出功率，排列为向量后进行关联编码，然后通过卷积神经网络和双向注意力机制模块进行特征提取，以得到用于表示当前时间点的激光器的输出功率应增大还是减小的分类结果。这样通过构建光纤的智能加工方案，可以实现对不同工作条件下的光纤加工的自适应控制，进而提高加工的效率和可靠性，减少生产时间和成本。
[0005]根据本申请的一方面，提供了一种光纤的智能加工方法，其包括：
[0006]获取预定时间段内多个预定时间点的温度值和激光加热器的输出功率；
[0007]将所述多个预定时间点的温度值和输出功率分别按照时间维度排列为温度时序输入向量和功率时序输入向量；
[0008]对所述温度时序输入向量和所述功率时序输入向量进行关联编码以得到温度
‑
功率关联矩阵；
[0009]将所述温度
‑
功率关联矩阵通过作为特征提取器的卷积神经网络模型以得到温度
‑
功率关联特征图；
[0010]将所述温度
‑
功率关联特征图通过双向注意力机制模块以得到分类特征图；
[0011]对所述分类特征图进行特征分布优化以得到优化分类特征图；
[0012]将所述优化分类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激光器的输出功率应增大还是减小。
[0013]在上述光纤的智能加工方法中，对所述温度时序输入向量和所述功率时序输入向量进行关联编码以得到温度
‑
功率关联矩阵，用于：以如下关联公式对所述温度时序输入向量和所述功率时序输入向量进行关联编码以得到温度
‑
功率关联矩阵；其中，所述关联公式为：
[0014][0015]其中V
aT
表示所述温度时序输入向量，V
b
表示所述功率时序输入向量，M表示所述温度
‑
功率关联矩阵，表示矩阵相乘。
[0016]在上述光纤的智能加工方法中，将所述温度
‑
功率关联矩阵通过作为特征提取器的卷积神经网络模型以得到温度
‑
功率关联特征图，包括：使用所述作为特征提取器的卷积神经网络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基于局部特征矩阵的池化处理以得到池化特征图；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，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述温度
‑
功率关联特征图，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述温度
‑
功率关联矩阵。
[0017]在上述光纤的智能加工方法中，将所述温度
‑
功率关联特征图通过双向注意力机制模块以得到分类特征图，包括：对所述温度
‑
功率关联特征图进行沿通道维度的全局均值池化以得到全局池化特征矩阵；将所述全局池化特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及，计算所述双向关联权重矩阵和所述温度
‑
功率关联特征图的沿通道维度的各个特征矩阵之间的按位置点乘以得到所述分类特征图。
[0018]在上述光纤的智能加工方法中，将所述优化分类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激光器的输出功率应增大还是减小，包括：将所述优化分类特征图展开为分类特征向量；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；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0019]根据本申请的另一方面，提供了一种光纤的智能加工系统，其包括：
[0020]数据获取模块，用于获取预定时间段内多个预定时间点的温度值和激光加热器的输出功率；
[0021]时序排列模块，用于将所述多个预定时间点的温度值和输出功率分别按照时间维度排列为温度时序输入向量和功率时序输入向量；
[0022]关联编码模块，用于对所述温度时序输入向量和所述功率时序输入向量进行关联编码以得到温度
‑
功率关联矩阵；
[0023]特征提取模块，用于将所述温度
‑
功率关联矩阵通过作为特征提取器的卷积神经网络模型以得到温度
‑
功率关联特征图；
[0024]双向注意力机制模块，用于将所述温度
‑
功率关联特征图通过双向注意力机制模块以得到分类特征图；
[0025]优化模块，用于对所述分类特征图进行特征分布优化以得到优化分类特征图；
[0026]分类结果生成模块，用于将所述优化分类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激光器的输出功率应增大还是减小。
[0027]在上述光纤的智能加工系统中，所述关联编码模块，用于：以如下关联公式对所述温度时序输入向量和所述功率时序输入向量进行关联编码以得到温度
‑
功率关联矩阵；其中，所述关联公式为：
[0028][0029]其中V
aT
表示所述温度时序输入向量，V
b
表示所述功率时序输入向量，M表示所述温度
‑
功率关联矩阵，表示矩阵相乘。
[0030]在上述光纤的智能加工系统中，所述特征提取模块，用于：使用所述作为特征提取器的卷积神经网络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基于局部特征矩阵的池化处理以得到池化特征图；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，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述温度
‑
功率关联特征图，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述温度
‑
功率关联矩阵。
[0031]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光纤的智能加工方法，其特征在于，包括：获取预定时间段内多个预定时间点的温度值和激光加热器的输出功率；将所述多个预定时间点的温度值和输出功率分别按照时间维度排列为温度时序输入向量和功率时序输入向量；对所述温度时序输入向量和所述功率时序输入向量进行关联编码以得到温度
‑
功率关联矩阵；将所述温度
‑
功率关联矩阵通过作为特征提取器的卷积神经网络模型以得到温度
‑
功率关联特征图；将所述温度
‑
功率关联特征图通过双向注意力机制模块以得到分类特征图；对所述分类特征图进行特征分布优化以得到优化分类特征图；将所述优化分类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激光器的输出功率应增大还是减小。2.根据权利要求1所述的光纤的智能加工方法，其特征在于，对所述温度时序输入向量和所述功率时序输入向量进行关联编码以得到温度
‑
功率关联矩阵，包括：以如下关联公式对所述温度时序输入向量和所述功率时序输入向量进行关联编码以得到温度
‑
功率关联矩阵；其中，所述关联公式为：其中V
aT
表示所述温度时序输入向量，V
b
表示所述功率时序输入向量，M表示所述温度
‑
功率关联矩阵，表示矩阵相乘。3.根据权利要求2所述的光纤的智能加工方法，其特征在于，将所述温度
‑
功率关联矩阵通过作为特征提取器的卷积神经网络模型以得到温度
‑
功率关联特征图，包括：使用所述作为特征提取器的卷积神经网络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基于局部特征矩阵的池化处理以得到池化特征图；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，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述温度
‑
功率关联特征图，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述温度
‑
功率关联矩阵。4.根据权利要求3所述的光纤的智能加工方法，其特征在于，将所述温度
‑
功率关联特征图通过双向注意力机制模块以得到分类特征图，包括：对所述温度
‑
功率关联特征图进行沿通道维度的全局均值池化以得到全局池化特征矩阵；将所述全局池化特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；
计算所述双向关联权重矩阵和所述温度
‑
功率关联特征图的沿通道维度的各个特征矩阵之间的按位置点乘以得到所述分类特征图。5.根据权利要求4所述的光纤的智能加工方法，其特征在于，对所述分类特征图进行特征分布优化以得到优化分类特征图，包括：计算所述分类特征图的沿通道维度的各个特征矩阵相对于所述分类特征图的沿通道维度的其他各个特征矩阵之间的余弦相似度以得到多个余弦相似度；计算所述多个余弦相似度的加和值作为所述分类特征图的沿通道维度的各个特征矩阵的全局自聚类几何相似度特征值；将所述分类特征图的沿通道维度的各个特征矩阵的全局自聚类几何相似度特征值进行排列以得到类内
‑
类间自聚类相似度输入向量；将所述类内
‑
类间自聚类相似度输入向量通过Sof...

【专利技术属性】
技术研发人员：曹立翠，王蕾，
申请(专利权)人：安徽优创光电子技术有限公司，
类型：发明
国别省市：