电池级五氧化二钒的提纯制备方法及其系统与流程

1.本技术涉及智能制备领域，且更为具体地，涉及一种电池级五氧化二钒的提纯制备方法及其系统。


背景技术：

2.五氧化二钒广泛应用于钢铁、化工、航空航天、能源等领域。随着材料领域的发展，钒电解液、钒铝合金、金属钒、钒催化剂等高端含钒材料对原料五氧化二钒的纯度要求越来越高，高纯五氧化二钒市场需求量也呈快速增长趋势。目前，高纯五氧化二钒制备有化学沉淀法、溶液萃取法、氯化法等方法。
3.然而，现有高纯五氧化二钒制备方法存在工艺流程长，药剂消耗大、环境污染、杂质去除不彻底等问题。究其原因为：在实际进行五氧化二钒的制备过程中，在进行五氧化二钒蒸气挥发时，只是将温度、气体压力和流速控制在固定的范围内，并没有关注到各个参数之间的协同适配性，导致高纯五氧化二钒的纯度不高且效率较低，易造成环境污染。
4.因此，期望一种优化的电池级五氧化二钒的提纯制备方案。


技术实现要素：

5.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电池级五氧化二钒的提纯制备方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出电池级五氧化二钒的提纯制备过程中通入气体的压力值和流速值之间的时序协同关联特征与熔池温度值的时序变化特征之间的关联性特征，以此来实时准确地进行通入气体流速值的自适应控制，以提高电池级五氧化二钒的制备质量和制备效率，且避免造成环境污染。
6.根据本技术的一个方面，提供了一种电池级五氧化二钒的提纯制备系统，其包括：
7.熔化模块，用于将五氧化二钒进行熔化处理形成液态熔池以得到液态五氧化二钒；
8.蒸发模块，用于将所述液态五氧化二钒进行蒸发以得到五氧化二钒蒸气；
9.纯化模块，用于以预定压力值和预定流速值从所述液态熔池的底部向所述液态熔池中通入气体，并将所述五氧化二钒蒸气从所述液态熔池中进行挥发和冷却降温处理，以得到高纯度五氧化二钒。
10.在上述电池级五氧化二钒的提纯制备系统中，所述纯化模块，包括：数据采集单元，用于获取预定时间段内多个预定时间点的熔池温度值，所述多个预定时间点的通入气体的压力值和流速值；气体压力和流速时序排列单元，用于将所述多个预定时间点的通入气体的压力值和流速值分别按照时间维度排列为压力时序输入向量和流速时序输入向量；气体压力和流速时序关联单元，用于对所述压力时序输入向量和流速时序输入向量进行关联编码以得到压力-流速关联矩阵；压力-流速关联编码单元，用于将所述压力-流速关联矩阵通过作为过滤器的卷积神经网络模型以得到压力-流速关联特征向量；熔池温度时序变化特征提取单元，用于将所述多个预定时间点的熔池温度值按照时间维度排列为温度输入
向量后通过多尺度邻域特征提取模块以得到温度时序特征向量；特征融合单元，用于融合所述压力-流速关联特征向量和所述温度时序特征向量以得到分类特征矩阵；特征优化单元，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，气体流速控制单元，用于将所述优化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通入气体的流速值应增大或应减小。
11.在上述电池级五氧化二钒的提纯制备系统中，所述气体压力和流速时序关联单元，用于：以如下关联公式对所述压力时序输入向量和流速时序输入向量进行关联编码以得到压力-流速关联矩阵；其中，所述公式为：
[0012][0013]
其中vm表示所述压力时序输入向量，表示所述压力时序输入向量的转置向量，vn表示所述流速时序输入向量，m表示所述压力-流速关联矩阵，表示向量相乘。
[0014]
在上述电池级五氧化二钒的提纯制备系统中，所述压力-流速关联编码单元，用于：使用所述作为过滤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特征矩阵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，所述作为过滤器的卷积神经网络的最后一层的输出为所述压力-流速关联特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述压力-流速关联矩阵。
[0015]
在上述电池级五氧化二钒的提纯制备系统中，所述多尺度邻域特征提取模块,包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
[0016]
在上述电池级五氧化二钒的提纯制备系统中，所述熔池温度时序变化特征提取单元，包括：第一邻域尺度特征提取子单元，用于将所述温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取子单元，用于将所述温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联子单元，用于将所述第一邻域尺度温度时序特征向量和所述第二邻域尺度温度时序特征向量进行级联以得到所述温度时序特征向量。其中，所述第一邻域尺度特征提取子单元，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一维卷积公式对所述温度输入向量进行一维卷积编码以得到第一邻域尺度温度时序特征向量；其中，所述公式为：
[0017][0018]
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)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，x表示所述温度输入向量，cov(x)表示对所述温度输入向量进行一维卷积编码；以及，所述第二邻域尺度特征提取子
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一维卷积公式对所述温度输入向量进行一维卷积编码以得到所述第二邻域尺度温度时序特征向量；其中，所述公式为：
[0019][0020]
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)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，x表示所述温度输入向量，cov(x)表示对所述温度输入向量进行一维卷积编码。
[0021]
在上述电池级五氧化二钒的提纯制备系统中，所述特征优化单元，包括：语义特征融合子单元，用于对所述压力-流速关联特征向量和所述温度时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量；转置相乘子单元，用于将所述语义融合特征向量的转置与所述语义融合特征向量相乘以得到语义融合特征矩阵；优化特征融合子单元，用于融合所述语义融合特征矩阵与所述分类特征矩阵以得到所述优化分类特征矩阵。
[0022]
在上述电池级五氧化二钒的提纯制备系统中，所述语义特征融合子单元，用于：以如下优化公式对所述压力-流速关联特征向量和所述温度时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量；其中，所述优化公式为：
[0023][0024]
其中，v1是所述所述压力-流速关联特征向量，v2是所述温度时序特征向量，||
·
||1和||
·
||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，d(v1,v2)表示所述压力-流速关联特征向量和所述温度时序特征向量之间的按位置距离矩阵，且i为单位矩阵，
⊙
分别表示按位置加法、按位置减法和按位置点乘，vr是所述语义融合特征向量。
[0025]
在上述电池级五氧化二钒的提纯制备系统中，所述气体流速控制单元，包括：展开子单元，用于将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码子单元，用于使用所述分类器的多个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，分类结果生成子单元，用于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。
[0026]
根据本技术的另一方面，提供了一种电池级五氧化二钒的提纯制备方法，其包括：
[0027]
将五氧化二钒进行熔化处理形成液态熔池以得到液态五氧化二钒；
[0028]
将所述液态五氧化二钒进行蒸发以得到五氧化二钒蒸气；
[0029]
以预定压力值和预定流速值从所述液态熔池的底部向所述液态熔池中通入气体，并将所述五氧化二钒蒸气从所述液态熔池中进行挥发和冷却降温处理，以得到高纯度五氧化二钒。
[0030]
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电池级五氧化二钒的提纯制备方法。
[0031]
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电池级五氧化二钒的提纯制备方法。
[0032]
与现有技术相比，本技术提供的一种电池级五氧化二钒的提纯制备方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出电池级五氧化二钒的提纯制备过程中通入气体的压力值和流速值之间的时序协同关联特征与熔池温度值的时序变化特征之间的关联性特征，以此来实时准确地进行通入气体流速值的自适应控制，以提高电池级五氧化二钒的制备质量和制备效率，且避免造成环境污染。
附图说明
[0033]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0034]
图1为根据本技术实施例的电池级五氧化二钒的提纯制备系统的场景示意图；
[0035]
图2为根据本技术实施例的电池级五氧化二钒的提纯制备系统的框图；
[0036]
图3为根据本技术实施例的电池级五氧化二钒的提纯制备系统中纯化模块的框图；
[0037]
图4为根据本技术实施例的电池级五氧化二钒的提纯制备系统的系统架构图；
[0038]
图5为根据本技术实施例的电池级五氧化二钒的提纯制备系统中卷积神经网络编码的流程图；
[0039]
图6为根据本技术实施例的电池级五氧化二钒的提纯制备系统中熔池温度时序变化特征提取单元的框图；
[0040]
图7为根据本技术实施例的电池级五氧化二钒的提纯制备系统中特征优化单元的框图；
[0041]
图8为根据本技术实施例的电池级五氧化二钒的提纯制备方法的流程图；
[0042]
图9为根据本技术实施例的电子设备的框图。
具体实施方式
[0043]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0044]
申请概述
[0045]
如上所述，现有高纯五氧化二钒制备方法存在工艺流程长，药剂消耗大、环境污染、杂质去除不彻底等问题。究其原因为：在实际进行五氧化二钒的制备过程中，在进行五氧化二钒蒸气挥发时，只是将温度、气体压力和流速控制在固定的范围内，并没有关注到各个参数之间的协同适配性，导致高纯五氧化二钒的纯度不高且效率较低，易造成环境污染。因此，期望一种优化的电池级五氧化二钒的提纯制备方案。
[0046]
具体地，在本技术的技术方案中，提出了一种电池级五氧化二钒的提纯制备系统，
其包括：将五氧化二钒进行熔化处理形成液态熔池以得到液态五氧化二钒；将所述液态五氧化二钒进行蒸发以得到五氧化二钒蒸气；以预定压力值和预定流速值从所述液态熔池的底部向所述液态熔池中通入气体，并将所述五氧化二钒蒸气从所述液态熔池中进行挥发和冷却降温处理，以得到高纯度五氧化二钒。
[0047]
相应地，考虑到在实际进行电池级五氧化二钒的提纯制备过程中，为了能够得到纯度较高的五氧化二钒成品，如何控制控制五氧化二钒蒸气的挥发速率以满足实际需求非常关键。在实际从所述液态熔池的底部向所述液态熔池中通入气体，并将所述五氧化二钒蒸气从所述液态熔池中进行挥发和冷却降温处理，以得到高纯度五氧化二钒时，熔池温度越高，五氧化二钒蒸气的挥发速率就越快；反之，熔池温度越低，五氧化二钒蒸气的挥发速率就越慢。并且，通过调整通入气体的压力和流量可以控制五氧化二钒蒸气的挥发速率。一般来说，增加通入气体的压力和流量会促进五氧化二钒蒸气的挥发。
[0048]
基于此，在本技术的技术方案中，期望基于对熔池温度值，以及通入气体的压力值和流速值的时序分析来进行通入气体流速的自适应控制，以此来优化电池级五氧化二钒的提纯制备过程，提高五氧化二钒的制备纯度和效率。但是，由于所述通入气体的压力值和流速值之间具有着时序的协同关联关系，并且所述通入气体的压力值和流速值之间的时序协同关联特征与所述熔池温度值的时序变化特征之间也具有着关联性的特征信息。因此，在此过程中，难点在于如何挖掘所述通入气体的压力值和流速值之间的时序协同关联特征与所述熔池温度值的时序变化特征之间的关联性特征分布信息，以此来实时准确地进行通入气体流速值的自适应控制，以提高电池级五氧化二钒的制备质量和制备效率，且避免造成环境污染。
[0049]
近年来，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、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述通入气体的压力值和流速值之间的时序协同关联特征与所述熔池温度值的时序变化特征之间的关联性特征分布信息提供了新的解决思路和方案。
[0050]
具体地，在本技术的技术方案中，首先，获取预定时间段内多个预定时间点的熔池温度值，所述多个预定时间点的通入气体的压力值和流速值。接着，考虑到由于所述通入气体的压力值和流速值在时间维度上都具有着动态性的变化规律，因此，为了能够对于所述通入气体的压力值和流速值分别在时间维度上的变化特征信息进行提取，在本技术的技术方案中，将所述多个预定时间点的通入气体的压力值和流速值分别按照时间维度排列为压力时序输入向量和流速时序输入向量，以此来分别整合所述通入气体的压力值和流速值在时序上的分布信息。
[0051]
然后，考虑到由于所述通入气体的压力值的时序分布信息和所述流速值的时序分布信息之间具有着关联关系，也就是说，所述通入气体的压力值和流速值之间具有着时序协同关联特征信息，以对于五氧化二钒的纯化产生影响。因此，在本技术的技术方案中，为了进行所述通入气体的压力值和流速值的时序关联特征信息的充分表达，首先对所述压力时序输入向量和流速时序输入向量进行关联编码以得到压力-流速关联矩阵。接着，再使用在隐含关联特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述压力-流速关联矩阵的特征挖掘，以提取出所述通入气体的压力值和流速值之间在时间维度上的时序协同关联特征分布信息，从而得到压力-流速关联特征向量。
[0052]
进一步地，对于所述多个预定时间点的熔池温度值来说，考虑到所述熔池温度值在时间维度上具有着波动性和不确定性，导致其在时序上的不同时间周期跨度下呈现出不同的变化特征。因此，在本技术的技术方案中，进一步将所述多个预定时间点的熔池温度值按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块中进行处理，以提取出所述熔池温度值在不同时间跨度下的时序动态多尺度邻域关联特征，从而得到温度时序特征向量。
[0053]
然后，融合所述压力-流速关联特征向量和所述温度时序特征向量以得到分类特征矩阵，以此来表示所述通入气体的压力值和流速值的时序协同关联特征和所述熔池温度值的时序变化特征之间的关联性特征分布信息。接着，进一步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通入气体的流速值应增大或应减小。
[0054]
也就是，在本技术的技术方案中，所述分类器的标签包括当前时间点的通入气体的流速值应增大(第一标签)，以及，当前时间点的通入气体的流速值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的通入气体的流速值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，通入气体的流速值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的通入气体的流速值应增大或应减小”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为所述当前时间点的通入气体的流速值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的通入气体的流速值，以此来进行通入气体流速值的自适应控制，以提高电池级五氧化二钒的制备质量和制备效率，且避免造成环境污染。
[0055]
特别地，在本技术的技术方案中，在融合所述压力-流速关联特征向量和所述温度时序特征向量得到所述分类特征矩阵时，是对所述压力-流速关联特征向量和所述温度时序特征向量进行逐位置关联编码以得到所述分类特征矩阵，而考虑到所述压力-流速关联特征向量表达压力-流速的跨时域关联的局部高阶关联特征，而所述温度时序特征向量表达熔池温度值的多尺度时序邻域关联特征，其在特征阶次和特征分布维度上的具体特征语义分布上均存在差别，因此，期望能够提升所述分类特征矩阵对于所述压力-流速关联特征向量和所述温度时序特征向量在特征语义层面上的关联表达效果。由此，本技术的申请人首先对所述压力-流速关联特征向量v1和所述温度时序特征向量v2进行深层空间封装语义匹配融合，以得到语义融合特征向量，例如记为vr，其中，所述语义融合特征向量vr具体表示为：
[0056][0057]
||
·
||1和||
·
||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，d(v1,v2)表示所述压力-流速关联特征向量v1和所述温度时序特征向量v2之间的按位置距离矩阵，即d
ij
＝d(v
1i
,v
2j
)，且i为单位矩阵。这里，对于深度特征空间中的所述压力-流
速关联特征向量v1和所述温度时序特征向量v2，其语义表达被封装到了深层空间内，这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布，由此，通过所述深层空间封装语义匹配融合，可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配，以实现特征在特征空间内的语义受控的编译融合，从而获得所述压力-流速关联特征向量v1和所述温度时序特征向量v2在特征融合空间内的语义协同。然后，再将所述语义融合特征向量vr乘以其自身的转置得到语义融合特征矩阵，并将所述语义融合特征矩阵与所述分类特征矩阵进行融合以优化所述分类特征矩阵，就可以提升优化后的分类特征矩阵对于所述压力-流速关联特征向量和所述温度时序特征向量在特征语义层面上的关联表达效果，从而提高所述分类特征矩阵通过分类器获得的分类结果的准确性。这样，能够实时准确地进行通入气体流速值的自适应控制，以提高电池级五氧化二钒的制备质量和制备效率，且避免造成环境污染。
[0058]
基于此，本技术提出了一种电池级五氧化二钒的提纯制备系统，其包括：熔化模块，用于将五氧化二钒进行熔化处理形成液态熔池以得到液态五氧化二钒；蒸发模块，用于将所述液态五氧化二钒进行蒸发以得到五氧化二钒蒸气；纯化模块，用于以预定压力值和预定流速值从所述液态熔池的底部向所述液态熔池中通入气体，并将所述五氧化二钒蒸气从所述液态熔池中进行挥发和冷却降温处理，以得到高纯度五氧化二钒。
[0059]
图1为根据本技术实施例的电池级五氧化二钒的提纯制备系统的场景示意图。如图1所示，在该应用场景中，通过温度传感器(例如，如图1中所示意的v1)获取预定时间段内多个预定时间点的熔池温度值，通过压力传感器(例如，如图1中所示意的v2)获取所述多个预定时间点的通入气体的压力值，以及，通过流速传感器(例如，如图1中所示意的v3)获取所述多个预定时间点的通入气体的流速值。接着，将上述数据输入至部署有用于电池级五氧化二钒的提纯制备算法的服务器(例如，图1中的s)中，其中，所述服务器能够以所述电池级五氧化二钒的提纯制备算法对上述输入的数据进行处理，以生成用于表示当前时间点的通入气体的流速值应增大或应减小的分类结果。
[0060]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0061]
示例性系统
[0062]
图2为根据本技术实施例的电池级五氧化二钒的提纯制备系统的框图。如图2所示，根据本技术实施例的电池级五氧化二钒的提纯制备系统300，包括：熔化模块310；蒸发模块320；纯化模块330。
[0063]
其中，所述熔化模块310，用于将五氧化二钒进行熔化处理形成液态熔池以得到液态五氧化二钒；所述蒸发模块320，用于将所述液态五氧化二钒进行蒸发以得到五氧化二钒蒸气；所述纯化模块330，用于以预定压力值和预定流速值从所述液态熔池的底部向所述液态熔池中通入气体，并将所述五氧化二钒蒸气从所述液态熔池中进行挥发和冷却降温处理，以得到高纯度五氧化二钒。
[0064]
图3为根据本技术实施例的电池级五氧化二钒的提纯制备系统中纯化模块的框图。如图3所示，所述纯化模块330，包括：数据采集单元331，用于获取预定时间段内多个预定时间点的熔池温度值，所述多个预定时间点的通入气体的压力值和流速值；气体压力和流速时序排列单元332，用于将所述多个预定时间点的通入气体的压力值和流速值分别按
照时间维度排列为压力时序输入向量和流速时序输入向量；气体压力和流速时序关联单元333，用于对所述压力时序输入向量和流速时序输入向量进行关联编码以得到压力-流速关联矩阵；压力-流速关联编码单元334，用于将所述压力-流速关联矩阵通过作为过滤器的卷积神经网络模型以得到压力-流速关联特征向量；熔池温度时序变化特征提取单元335，用于将所述多个预定时间点的熔池温度值按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到温度时序特征向量；特征融合单元336，用于融合所述压力-流速关联特征向量和所述温度时序特征向量以得到分类特征矩阵；特征优化单元337，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，气体流速控制单元338，用于将所述优化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通入气体的流速值应增大或应减小。
[0065]
图4为根据本技术实施例的电池级五氧化二钒的提纯制备系统的系统架构图。如图4所示，在该网络架构中，首先通过所述数据采集单元331获取预定时间段内多个预定时间点的熔池温度值，所述多个预定时间点的通入气体的压力值和流速值；接着，所述气体压力和流速时序排列单元332将所述数据采集单元331获取的多个预定时间点的通入气体的压力值和流速值分别按照时间维度排列为压力时序输入向量和流速时序输入向量；所述气体压力和流速时序关联单元333对所述气体压力和流速时序排列单元332得到的压力时序输入向量和流速时序输入向量进行关联编码以得到压力-流速关联矩阵；所述压力-流速关联编码单元334将所述气体压力和流速时序关联单元333得到的压力-流速关联矩阵通过作为过滤器的卷积神经网络模型以得到压力-流速关联特征向量；然后，所述熔池温度时序变化特征提取单元335将所述数据采集单元331获取的多个预定时间点的熔池温度值按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到温度时序特征向量；所述特征融合单元336融合所述压力-流速关联编码单元334得到的压力-流速关联特征向量和所述熔池温度时序变化特征提取单元335得到的温度时序特征向量以得到分类特征矩阵；所述特征优化单元337对所述特征融合单元336融合所所得的分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；进而，所述气体流速控制单元338将所述优化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通入气体的流速值应增大或应减小。
[0066]
具体地，在所述电池级五氧化二钒的提纯制备系统300的运行过程中，所述数据采集单元331，用于获取预定时间段内多个预定时间点的熔池温度值，所述多个预定时间点的通入气体的压力值和流速值。应可以理解，在实际进行电池级五氧化二钒的提纯制备过程中，为了能够得到纯度较高的五氧化二钒成品，如何控制五氧化二钒蒸气的挥发速率以满足实际需求非常关键。在一个示例中，熔池温度越高，五氧化二钒蒸气的挥发速率就越快；反之，熔池温度越低，五氧化二钒蒸气的挥发速率就越慢。并且，通过调整通入气体的压力和流量可以控制五氧化二钒蒸气的挥发速率。在一个示例中，增加通入气体的压力和流量会促进五氧化二钒蒸气的挥发。因此，在本技术的技术方案中，可通过对熔池温度值，以及通入气体的压力值和流速值的时序分析来进行通入气体流速的自适应控制，以此来优化电池级五氧化二钒的提纯制备过程，提高五氧化二钒的制备纯度和效率。首先，可通过温度传感器来获取预定时间段内多个预定时间点的熔池温度值，通过压力传感器来获取所述多个预定时间点的通入气体的压力值，以及，通过流速传感器来获取所述多个预定时间点的通
入气体的流速值。
[0067]
具体地，在所述电池级五氧化二钒的提纯制备系统300的运行过程中，所述气体压力和流速时序排列单元332，用于将所述多个预定时间点的通入气体的压力值和流速值分别按照时间维度排列为压力时序输入向量和流速时序输入向量。考虑到由于所述通入气体的压力值和流速值在时间维度上都具有着动态性的变化规律，因此，为了能够对于所述通入气体的压力值和流速值分别在时间维度上的变化特征信息进行提取，在本技术的技术方案中，将所述多个预定时间点的通入气体的压力值和流速值分别按照时间维度排列为压力时序输入向量和流速时序输入向量，以此来分别整合所述通入气体的压力值和流速值在时序上的分布信息。
[0068]
具体地，在所述电池级五氧化二钒的提纯制备系统300的运行过程中，所述气体压力和流速时序关联单元333，用于对所述压力时序输入向量和流速时序输入向量进行关联编码以得到压力-流速关联矩阵。也就是，在得到所述压力时序输入向量和流速时序输入向量后，进一步将两者进行关联编码以此挖掘出所述通入气体的压力值和所述流速值的时序关联特征信息的充分表达，以得到压力-流速关联矩阵。在本技术的一个具体示例中，以如下关联公式对所述压力时序输入向量和流速时序输入向量进行关联编码以得到压力-流速关联矩阵；其中，所述公式为：其中vm表示所述压力时序输入向量，表示所述压力时序输入向量的转置向量，vn表示所述流速时序输入向量，m表示所述压力-流速关联矩阵，表示向量相乘。
[0069]
具体地，在所述电池级五氧化二钒的提纯制备系统300的运行过程中，所述压力-流速关联编码单元334，用于将所述压力-流速关联矩阵通过作为过滤器的卷积神经网络模型以得到压力-流速关联特征向量。也就是，使用在隐含关联特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述压力-流速关联矩阵的特征挖掘，以提取出所述通入气体的压力值和流速值之间在时间维度上的时序协同关联特征分布信息。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
[0070]
图5为根据本技术实施例的电池级五氧化二钒的提纯制备系统中卷积神经网络编码的流程图。如图5所示，在所述卷积神经网络的编码过程中，包括：使用所述作为过滤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：s210，对输入数据进行卷积处理以得到卷积特征图；s220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，s230，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，所述作为过滤器的卷积神经网络的最后一层的输出为所述压力-流速关联特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述压力-流速关联矩阵。
[0071]
具体地，在所述电池级五氧化二钒的提纯制备系统300的运行过程中，所述熔池温度时序变化特征提取单元335，用于将所述多个预定时间点的熔池温度值按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到温度时序特征向量。考虑到熔池
温度值在不同时间周期跨度下呈现出不同的变化特征。因此，在本技术的技术方案中，进一步将所述多个预定时间点的熔池温度值按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块中进行处理，以提取出所述熔池温度值在不同时间跨度下的时序动态多尺度邻域关联特征。其中，所述多尺度邻域特征提取模块,包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
[0072]
图6为根据本技术实施例的电池级五氧化二钒的提纯制备系统中熔池温度时序变化特征提取单元的框图。如图6所示，所述熔池温度时序变化特征提取单元335，包括：第一邻域尺度特征提取子单元3351，用于将所述温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取子单元3352，用于将所述温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联子单元3353，用于将所述第一邻域尺度温度时序特征向量和所述第二邻域尺度温度时序特征向量进行级联以得到所述温度时序特征向量。其中，所述第一邻域尺度特征提取子单元3351，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一维卷积公式对所述温度输入向量进行一维卷积编码以得到第一邻域尺度温度时序特征向量；其中，所述公式为：
[0073][0074]
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)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，x表示所述温度输入向量，cov(x)表示对所述温度输入向量进行一维卷积编码；以及，所述第二邻域尺度特征提取子单元3352，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述温度输入向量进行一维卷积编码以得到所述第二邻域尺度温度时序特征向量；其中，所述公式为：
[0075][0076]
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)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，x表示所述温度输入向量，cov(x)表示对所述温度输入向量进行一维卷积编码。
[0077]
具体地，在所述电池级五氧化二钒的提纯制备系统300的运行过程中，所述特征融合单元336，用于融合所述压力-流速关联特征向量和所述温度时序特征向量以得到分类特征矩阵。也就是，在得到所述压力-流速关联特征向量和所述温度时序特征向量后，进一步将两者进行特征融合以此来表示所述通入气体的压力值和流速值的时序协同关联特征和所述熔池温度值的时序变化特征之间的关联性特征分布信息。在本技术的一个具体示例
中，可通过级联的方式来进行融合。
[0078]
具体地，在所述电池级五氧化二钒的提纯制备系统300的运行过程中，所述特征优化单元337，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵。考虑到在融合所述压力-流速关联特征向量和所述温度时序特征向量得到所述分类特征矩阵时，是对所述压力-流速关联特征向量和所述温度时序特征向量进行逐位置关联编码以得到所述分类特征矩阵，而考虑到所述压力-流速关联特征向量表达压力-流速的跨时域关联的局部高阶关联特征，而所述温度时序特征向量表达熔池温度值的多尺度时序邻域关联特征，其在特征阶次和特征分布维度上的具体特征语义分布上均存在差别，因此，期望能够提升所述分类特征矩阵对于所述压力-流速关联特征向量和所述温度时序特征向量在特征语义层面上的关联表达效果。由此，本技术的申请人首先对所述压力-流速关联特征向量v1和所述温度时序特征向量v2进行深层空间封装语义匹配融合，以得到语义融合特征向量，例如记为vr，其中，所述语义融合特征向量vr具体表示为：
[0079][0080]
其中，v1是所述所述压力-流速关联特征向量，v2是所述温度时序特征向量，||
·
||1和||
·
||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，d(v1,v2)表示所述压力-流速关联特征向量和所述温度时序特征向量之间的按位置距离矩阵，且i为单位矩阵，
⊙
分别表示按位置加法、按位置减法和按位置点乘，vr是所述语义融合特征向量。这里，对于深度特征空间中的所述压力-流速关联特征向量v1和所述温度时序特征向量v2，其语义表达被封装到了深层空间内，这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布，由此，通过所述深层空间封装语义匹配融合，可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配，以实现特征在特征空间内的语义受控的编译融合，从而获得所述压力-流速关联特征向量v1和所述温度时序特征向量v2在特征融合空间内的语义协同。然后，再将所述语义融合特征向量vr乘以其自身的转置得到语义融合特征矩阵，并将所述语义融合特征矩阵与所述分类特征矩阵进行融合以优化所述分类特征矩阵，就可以提升优化后的分类特征矩阵对于所述压力-流速关联特征向量和所述温度时序特征向量在特征语义层面上的关联表达效果，从而提高所述分类特征矩阵通过分类器获得的分类结果的准确性。这样，能够实时准确地进行通入气体流速值的自适应控制，以提高电池级五氧化二钒的制备质量和制备效率，且避免造成环境污染。
[0081]
图7为根据本技术实施例的电池级五氧化二钒的提纯制备系统中特征优化单元的框图。如图7所示，所述特征优化单元337，包括：语义特征融合子单元3371，用于对所述压力-流速关联特征向量和所述温度时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量；转置相乘子单元3372，用于将所述语义融合特征向量的转置与所述语义融合特征向量相乘以得到语义融合特征矩阵；优化特征融合子单元3373，用于融合所述语义融合特征矩阵与所述分类特征矩阵以得到所述优化分类特征矩阵。
[0082]
具体地，在所述电池级五氧化二钒的提纯制备系统300的运行过程中，所述气体流速控制单元338，用于将所述优化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通入气体的流速值应增大或应减小。也就是，在得到所述优化分类特征矩阵后进一步将其作为分类特征矩阵通过分类器以得到用于表示当前时间点的通入气体的流速值应增大或应减小的分类结果。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的softmax层。其中，在所述分类器的分类处理中，首先将所述优化分类特征矩阵投影为向量，例如，在一个具体的示例中，将所述优化分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的softmax层，即，使用所述softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。更具体地，在一个示例中，所述分类器的标签包括当前时间点的通入气体的流速值应增大(第一标签)，以及，当前时间点的通入气体的流速值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的通入气体的流速值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，通入气体的流速值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的通入气体的流速值应增大或应减小”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为所述当前时间点的通入气体的流速值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的通入气体的流速值，以此来进行通入气体流速值的自适应控制，以提高电池级五氧化二钒的制备质量和制备效率，且避免造成环境污染。
[0083]
综上，根据本技术实施例的电池级五氧化二钒的提纯制备系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出消毒装置的功率值的时序变化特征，并基于此实时准确地进行风机功率值的自适应控制，进而提高空气清洁度，减少感染风险和节约能源成本。
[0084]
如上所述，根据本技术实施例的电池级五氧化二钒的提纯制备系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的电池级五氧化二钒的提纯制备系统300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，该电池级五氧化二钒的提纯制备系统300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，该电池级五氧化二钒的提纯制备系统300同样可以是该终端设备的众多硬件模块之一。
[0085]
替换地，在另一示例中，该电池级五氧化二钒的提纯制备系统300与该终端设备也可以是分立的设备，并且该电池级五氧化二钒的提纯制备系统300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。
[0086]
示例性方法
[0087]
图8为根据本技术实施例的电池级五氧化二钒的提纯制备方法的流程图。如图8所示，根据本技术实施例的电池级五氧化二钒的提纯制备方法，包括步骤：s110，将五氧化二钒进行熔化处理形成液态熔池以得到液态五氧化二钒；s120，将所述液态五氧化二钒进行
蒸发以得到五氧化二钒蒸气；s130，以预定压力值和预定流速值从所述液态熔池的底部向所述液态熔池中通入气体，并将所述五氧化二钒蒸气从所述液态熔池中进行挥发和冷却降温处理，以得到高纯度五氧化二钒。
[0088]
在一个示例中，在上述电池级五氧化二钒的提纯制备方法中，所述步骤s130，包括：获取预定时间段内多个预定时间点的熔池温度值，所述多个预定时间点的通入气体的压力值和流速值；将所述多个预定时间点的通入气体的压力值和流速值分别按照时间维度排列为压力时序输入向量和流速时序输入向量；对所述压力时序输入向量和流速时序输入向量进行关联编码以得到压力-流速关联矩阵；将所述压力-流速关联矩阵通过作为过滤器的卷积神经网络模型以得到压力-流速关联特征向量；将所述多个预定时间点的熔池温度值按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到温度时序特征向量；融合所述压力-流速关联特征向量和所述温度时序特征向量以得到分类特征矩阵；对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，将所述优化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通入气体的流速值应增大或应减小。
[0089]
综上，根据本技术实施例的电池级五氧化二钒的提纯制备方法及其系统被阐明，其通过采用基于深度学习的神经网络模型挖掘出电池级五氧化二钒的提纯制备过程中通入气体的压力值和流速值之间的时序协同关联特征与熔池温度值的时序变化特征之间的关联性特征，以此来实时准确地进行通入气体流速值的自适应控制，以提高电池级五氧化二钒的制备质量和制备效率，且避免造成环境污染。
[0090]
示例性电子设备
[0091]
下面，参考图9来描述根据本技术实施例的电子设备。
[0092]
图9图示了根据本技术实施例的电子设备的框图。
[0093]
如图9所示，电子设备10包括一个或多个处理器11和存储器12。
[0094]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0095]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的电池级五氧化二钒的提纯制备系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征矩阵等各种内容。
[0096]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0097]
该输入装置13可以包括例如键盘、鼠标等等。
[0098]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0099]
当然，为了简化，图9中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还
可以包括任何其他适当的组件。
[0100]
示例性计算机程序产品和计算机可读存储介质
[0101]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，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本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的电池级五氧化二钒的提纯制备方法中的功能中的步骤。
[0102]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0103]
此外，本技术的实施例还可以是计算机可读存储介质，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本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的电池级五氧化二钒的提纯制备方法中的功能中的步骤。
[0104]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0105]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术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技术为必须采用上述具体的细节来实现。
[0106]
本技术中涉及的器件、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。如本领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。
[0107]
还需要指出的是，在本技术的装置、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技术的等效方案。
[0108]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领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技术的范围。因此，本技术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。
[0109]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实
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，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种电池级五氧化二钒的提纯制备系统，其特征在于，包括：熔化模块，用于将五氧化二钒进行熔化处理形成液态熔池以得到液态五氧化二钒；蒸发模块，用于将所述液态五氧化二钒进行蒸发以得到五氧化二钒蒸气；纯化模块，用于以预定压力值和预定流速值从所述液态熔池的底部向所述液态熔池中通入气体，并将所述五氧化二钒蒸气从所述液态熔池中进行挥发和冷却降温处理，以得到高纯度五氧化二钒。2.根据权利要求1所述的电池级五氧化二钒的提纯制备系统，其特征在于，所述纯化模块，包括：数据采集单元，用于获取预定时间段内多个预定时间点的熔池温度值，所述多个预定时间点的通入气体的压力值和流速值；气体压力和流速时序排列单元，用于将所述多个预定时间点的通入气体的压力值和流速值分别按照时间维度排列为压力时序输入向量和流速时序输入向量；气体压力和流速时序关联单元，用于对所述压力时序输入向量和流速时序输入向量进行关联编码以得到压力-流速关联矩阵；压力-流速关联编码单元，用于将所述压力-流速关联矩阵通过作为过滤器的卷积神经网络模型以得到压力-流速关联特征向量；熔池温度时序变化特征提取单元，用于将所述多个预定时间点的熔池温度值按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到温度时序特征向量；特征融合单元，用于融合所述压力-流速关联特征向量和所述温度时序特征向量以得到分类特征矩阵；特征优化单元，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及气体流速控制单元，用于将所述优化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通入气体的流速值应增大或应减小。3.根据权利要求2所述的电池级五氧化二钒的提纯制备系统，其特征在于，所述气体压力和流速时序关联单元，用于：以如下关联公式对所述压力时序输入向量和流速时序输入向量进行关联编码以得到压力-流速关联矩阵；其中，所述公式为：其中v
m
表示所述压力时序输入向量，表示所述压力时序输入向量的转置向量，v
n
表示所述流速时序输入向量，m表示所述压力-流速关联矩阵，表示向量相乘。4.根据权利要求3所述的电池级五氧化二钒的提纯制备系统，其特征在于，所述压力-流速关联编码单元，用于：使用所述作为过滤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特征矩阵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，所述作为过滤器的卷积神经网络的最后一层的输出为所述压力-流速关联特征
向量，所述作为过滤器的卷积神经网络的第一层的输入为所述压力-流速关联矩阵。5.根据权利要求4所述的电池级五氧化二钒的提纯制备系统，其特征在于，所述多尺度邻域特征提取模块,包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。6.根据权利要求5所述的电池级五氧化二钒的提纯制备系统，其特征在于，所述熔池温度时序变化特征提取单元，包括：第一邻域尺度特征提取子单元，用于将所述温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取子单元，用于将所述温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及多尺度级联子单元，用于将所述第一邻域尺度温度时序特征向量和所述第二邻域尺度温度时序特征向量进行级联以得到所述温度时序特征向量。其中，所述第一邻域尺度特征提取子单元，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一维卷积公式对所述温度输入向量进行一维卷积编码以得到第一邻域尺度温度时序特征向量；其中，所述公式为：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)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，x表示所述温度输入向量，cov(x)表示对所述温度输入向量进行一维卷积编码；以及所述第二邻域尺度特征提取子单元，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一维卷积公式对所述温度输入向量进行一维卷积编码以得到所述第二邻域尺度温度时序特征向量；其中，所述公式为：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)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，x表示所述温度输入向量，cov(x)表示对所述温度输入向量进行一维卷积编码。7.根据权利要求6所述的电池级五氧化二钒的提纯制备系统，其特征在于，所述特征优化单元，包括：语义特征融合子单元，用于对所述压力-流速关联特征向量和所述温度时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量；
转置相乘子单元，用于将所述语义融合特征向量的转置与所述语义融合特征向量相乘以得到语义融合特征矩阵；优化特征融合子单元，用于融合所述语义融合特征矩阵与所述分类特征矩阵以得到所述优化分类特征矩阵。8.根据权利要求7所述的电池级五氧化二钒的提纯制备系统，其特征在于，所述语义特征融合子单元，用于：以如下优化公式对所述压力-流速关联特征向量和所述温度时序特征向量进行深层空间封装语义匹配融合以得到语义融合特征向量；其中，所述优化公式为：其中，v1是所述所述压力-流速关联特征向量，v2是所述温度时序特征向量，||
·
||1和||
·
||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，d(v1,v2)表示所述压力-流速关联特征向量和所述温度时序特征向量之间的按位置距离矩阵，且i为单位矩阵，
⊙
分别表示按位置加法、按位置减法和按位置点乘，v
r
是所述语义融合特征向量。9.根据权利要求8所述的电池级五氧化二钒的提纯制备系统，其特征在于，所述气体流速控制单元，包括：展开子单元，用于将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码子单元，用于使用所述分类器的多个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；以及分类结果生成子单元，用于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。10.一种电池级五氧化二钒的提纯制备方法，其特征在于，包括：将五氧化二钒进行熔化处理形成液态熔池以得到液态五氧化二钒；将所述液态五氧化二钒进行蒸发以得到五氧化二钒蒸气；以预定压力值和预定流速值从所述液态熔池的底部向所述液态熔池中通入气体，并将所述五氧化二钒蒸气从所述液态熔池中进行挥发和冷却降温处理，以得到高纯度五氧化二钒。

技术总结
本申请涉及智能制备领域，其具体地公开了一种电池级五氧化二钒的提纯制备方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出电池级五氧化二钒的提纯制备过程中通入气体的压力值和流速值之间的时序协同关联特征与熔池温度值的时序变化特征之间的关联性特征，以此来实时准确地进行通入气体流速值的自适应控制，以提高电池级五氧化二钒的制备质量和制备效率，且避免造成环境污染。且避免造成环境污染。且避免造成环境污染。


技术研发人员：熊利斌 张伟峰 李剑锋 李旭东
受保护的技术使用者：江西江钒科技实业有限公司
技术研发日：2023.05.31
技术公布日：2023/7/27