适用于火炮装备的绝热性材料制备方法及其系统与流程

1.本技术涉及智能化制备领域，且更为具体地，涉及一种适用于火炮装备的绝热性材料制备方法及其系统。


背景技术：

2.火炮是军事作战中不可或缺的武器之一，它具有威力大、射程远等特点。然而，在火炮发射后，炮身往往处于高温状态，这会导致热红外成像性能明显，很容易被敌方所侦察发现。并且，在火炮使用过程中，炮筒炮身会因为高温而受到损害，严重的甚至会影响火炮的精度和使用寿命。
3.因此，期望一种适用于火炮装备的绝热性材料制备方案。


技术实现要素：

4.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适用于火炮装备的绝热性材料制备方法及其系统。该方法包括：将玄武岩原料进行粉碎、筛分处理，以得到岩石颗粒状物；将所述岩石颗粒状物置于高温炉中进行熔融，以得到熔融岩石液体；将所述熔融岩石液体通过纺丝机器拉伸成细丝后，进行冷却、固化处理以得到固化后纤维；将所述固化后纤维进行采集、选级处理，以得到玄武岩纤维；以及，将所述玄武岩纤维进行编织、缝纫加工处理，以制成绝热性织物。通过这样的方式，以制得适用于火炮装备的绝热性材料。
5.根据本技术的一个方面，提供了一种适用于火炮装备的绝热性材料制备方法，其包括：
6.将玄武岩原料进行粉碎、筛分处理，以得到岩石颗粒状物；
7.将所述岩石颗粒状物置于高温炉中进行熔融，以得到熔融岩石液体；
8.将所述熔融岩石液体通过纺丝机器拉伸成细丝后，进行冷却、固化处理以得到固化后纤维；
9.将所述固化后纤维进行采集、选级处理，以得到玄武岩纤维；以及
10.将所述玄武岩纤维进行编织、缝纫加工处理，以制成绝热性织物。
11.在上述的适用于火炮装备的绝热性材料制备方法中，将所述熔融岩石液体通过纺丝机器拉伸成细丝后，进行冷却、固化处理以得到固化后纤维，包括：
12.获取预定时间段内多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值；
13.将所述多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值分别按照时间维度排列为内部温度时序输入向量、冷却温度值时序输入向量以及拉伸速度值时序输入向量；
14.将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内
部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量；
15.对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行特征分布优化以得到优化内部温度时序特征向量、优化冷却温度时序特征向量和优化拉伸速度时序特征向量；
16.基于贝叶斯概率模型来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到冷却温度后验概率特征向量；以及
17.将所述冷却温度后验概率特征向量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冷却温度值应保持不变或应减小。
18.在上述的适用于火炮装备的绝热性材料制备方法中，将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量，包括：
19.使用所述多尺度一维卷积结构的第一卷积层以具有第一长度的一维卷积核对所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量进行一维卷积编码以得到第一尺度内部温度特征向量、第一尺度冷却温度特征向量以及第一尺度拉伸速度特征向量；
20.使用所述多尺度一维卷积结构的第二卷积层以具有第二长度的一维卷积核对所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量进行一维卷积编码以得到第二尺度内部温度特征向量、第二尺度冷却温度特征向量以及第二尺度拉伸速度特征向量，所述第二长度不同于所述第一长度；以及
21.将所述第一尺度内部温度特征向量和所述第二尺度内部温度特征向量进行级联以得到所述内部温度时序特征向量，将所述第一尺度冷却温度特征向量和所述第二尺度冷却温度特征向量进行级联以得到所述冷却温度时序特征向量，以及，将所述第一尺度拉伸速度特征向量和所述第二尺度拉伸速度特征向量进行级联以得到所述拉伸速度时序特征向量。
22.在上述的适用于火炮装备的绝热性材料制备方法中，对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行特征分布优化以得到优化内部温度时序特征向量、优化冷却温度时序特征向量和优化拉伸速度时序特征向量，包括：
23.计算所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数、第二亥姆霍兹类自由能量因数和第三亥姆霍兹类自由能量因数；以及
24.以所述第一亥姆霍兹类自由能量因数、所述第二亥姆霍兹类自由能量因数和所述第三亥姆霍兹类自由能量因数作为加权权重对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行加权优化以得到所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量。
25.在上述的适用于火炮装备的绝热性材料制备方法中，计算所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数、第二亥姆霍兹类自由能量因数和第三亥姆霍兹类
自由能量因数，包括：
26.以如下优化公式计算所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的亥姆霍兹类自由能量因数以得到所述第一亥姆霍兹类自由能量因数、所述第二亥姆霍兹类自由能量因数和所述第三亥姆霍兹类自由能量因数；
27.其中，所述优化公式为：
[0028][0029][0030][0031]
其中，v
1i
表示所述内部温度时序特征向量中各个位置的特征值，v
2i
表示所述冷却温度时序特征向量中各个位置的特征值，v
3i
表示所述拉伸速度时序特征向量，p1、p2和p3分别表示所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的分类概率值，且l是特征向量的长度，log表示以2为底的对数函数，exp(
·
)表示指数运算，w1、w2和w3分别表示所述第一亥姆霍兹类自由能量因数、所述第二亥姆霍兹类自由能量因数和所述第三亥姆霍兹类自由能量因数。
[0032]
在上述的适用于火炮装备的绝热性材料制备方法中，基于贝叶斯概率模型来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到冷却温度后验概率特征向量，包括：
[0033]
使用所述贝叶斯概率模型以如下贝叶斯概率公式来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到所述冷却温度后验概率特征向量；
[0034]
其中，所述贝叶斯概率公式为：
[0035]
qi＝pi*ai/bi[0036]
其中，qi表示所述优化冷却温度后验概率特征向量中各个位置的特征值、pi表示所述优化内部温度时序特征向量中各个位置的特征值、ai表示所述优化拉伸速度时序特征向量中各个位置的特征值，bi表示所述冷却温度时序特征向量中各个位置的特征值。
[0037]
在上述的适用于火炮装备的绝热性材料制备方法中，将所述冷却温度后验概率特征向量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冷却温度值应保持不变或应减小，包括：
[0038]
使用所述分类器的全连接层对所述冷却温度后验概率特征向量进行全连接编码以得到编码分类特征向量；以及
[0039]
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。
[0040]
根据本技术的另一个方面，提供了一种适用于火炮装备的绝热性材料制备系统，其包括：
[0041]
粉碎筛分模块，用于将玄武岩原料进行粉碎、筛分处理，以得到岩石颗粒状物；
[0042]
熔融模块，用于将所述岩石颗粒状物置于高温炉中进行熔融，以得到熔融岩石液体；
[0043]
固化后纤维制备模块，用于将所述熔融岩石液体通过纺丝机器拉伸成细丝后，进行冷却、固化处理以得到固化后纤维；
[0044]
采集选级模块，用于将所述固化后纤维进行采集、选级处理，以得到玄武岩纤维；以及
[0045]
编织缝纫模块，用于将所述玄武岩纤维进行编织、缝纫加工处理，以制成绝热性织物。
[0046]
在上述的适用于火炮装备的绝热性材料制备系统中，所述固化后纤维制备模块，包括：
[0047]
数据采集单元，用于获取预定时间段内多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值；
[0048]
输入向量排列单元，用于将所述多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值分别按照时间维度排列为内部温度时序输入向量、冷却温度值时序输入向量以及拉伸速度值时序输入向量；
[0049]
多尺度卷积单元，用于将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量；
[0050]
特征分布优化单元，用于对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行特征分布优化以得到优化内部温度时序特征向量、优化冷却温度时序特征向量和优化拉伸速度时序特征向量；
[0051]
融合单元，用于基于贝叶斯概率模型来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到冷却温度后验概率特征向量；以及
[0052]
分类单元，用于将所述冷却温度后验概率特征向量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冷却温度值应保持不变或应减小。
[0053]
在上述的适用于火炮装备的绝热性材料制备系统中，所述多尺度卷积单元，用于：
[0054]
使用所述多尺度一维卷积结构的第一卷积层以具有第一长度的一维卷积核对所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量进行一维卷积编码以得到第一尺度内部温度特征向量、第一尺度冷却温度特征向量以及第一尺度拉伸速度特征向量；
[0055]
使用所述多尺度一维卷积结构的第二卷积层以具有第二长度的一维卷积核对所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量进行一维卷积编码以得到第二尺度内部温度特征向量、第二尺度冷却温度特征向量以及第二尺度拉伸速度特征向量，所述第二长度不同于所述第一长度；以及
[0056]
将所述第一尺度内部温度特征向量和所述第二尺度内部温度特征向量进行级联
以得到所述内部温度时序特征向量，将所述第一尺度冷却温度特征向量和所述第二尺度冷却温度特征向量进行级联以得到所述冷却温度时序特征向量，以及，将所述第一尺度拉伸速度特征向量和所述第二尺度拉伸速度特征向量进行级联以得到所述拉伸速度时序特征向量。
[0057]
与现有技术相比，本技术提供的适用于火炮装备的绝热性材料制备方法及其系统，该方法包括：将玄武岩原料进行粉碎、筛分处理，以得到岩石颗粒状物；将所述岩石颗粒状物置于高温炉中进行熔融，以得到熔融岩石液体；将所述熔融岩石液体通过纺丝机器拉伸成细丝后，进行冷却、固化处理以得到固化后纤维；将所述固化后纤维进行采集、选级处理，以得到玄武岩纤维；以及，将所述玄武岩纤维进行编织、缝纫加工处理，以制成绝热性织物。通过这样的方式，以制得适用于火炮装备的绝热性材料。
附图说明
[0058]
为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本技术的主旨。
[0059]
图1为根据本技术实施例的适用于火炮装备的绝热性材料制备方法的流程图。
[0060]
图2为根据本技术实施例的适用于火炮装备的绝热性材料制备方法中步骤s130的应用场景图。
[0061]
图3为根据本技术实施例的适用于火炮装备的绝热性材料制备方法中步骤s130的流程图。
[0062]
图4为根据本技术实施例的适用于火炮装备的绝热性材料制备方法中步骤s130的架构示意图。
[0063]
图5为根据本技术实施例的适用于火炮装备的绝热性材料制备方法的子步骤s133的流程图。
[0064]
图6为根据本技术实施例的适用于火炮装备的绝热性材料制备方法的子步骤s134的流程图。
[0065]
图7为根据本技术实施例的适用于火炮装备的绝热性材料制备方法的子步骤s136的流程图。
[0066]
图8为根据本技术实施例的适用于火炮装备的绝热性材料制备系统的框图。
[0067]
图9为根据本技术实施例的适用于火炮装备的绝热性材料制备系统中所述固化后纤维制备模块的框图。
具体实施方式
[0068]
下面将结合附图对本技术实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本技术的部分实施例，而不是全部的实施例。基于本技术实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本技术保护的范围。
[0069]
如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一
种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
[0070]
虽然本技术对根据本技术的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
[0071]
本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0072]
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。
[0073]
如上所述，在火炮发射后，炮身往往处于高温状态，这会导致热红外成像性能明显，很容易被敌方所侦察发现。并且，在火炮使用过程中，炮筒炮身会因为高温而受到损害，严重的甚至会影响火炮的精度和使用寿命。因此，期望一种适用于火炮装备的绝热性材料制备方案。
[0074]
具体地，在本技术的技术方案中，提出了一种适用于火炮装备的绝热性材料制备方法，如图1所示，其包括：s110，将玄武岩原料进行粉碎、筛分处理，以得到岩石颗粒状物；s120，将所述岩石颗粒状物置于高温炉中进行熔融，以得到熔融岩石液体；s130，将所述熔融岩石液体通过纺丝机器拉伸成细丝后，进行冷却、固化处理以得到固化后纤维；s140，将所述固化后纤维进行采集、选级处理，以得到玄武岩纤维；以及，s150，将所述玄武岩纤维进行编织、缝纫加工处理，以制成绝热性织物。特别地，在本技术的技术方案中，采用了专有技术研制的玄武岩面料，可以在高温下快速覆盖炮筒炮身，防止热红外的外泄，以及空中雷达波的侦察，同时还对炮管起了有效的防护，面料可以反复使用，便于战士的使用操作。
[0075]
相应地，考虑到在将所述熔融岩石液体通过纺丝机器拉伸成细丝的过程中，需要控制纺丝机器内部的温度，以便使熔融岩石液体顺利拉伸成细丝，同时，为了避免纤维断裂或者结晶，需要对机器的伸速度值进行适当的调整。并且，还需要控制冷却速度，以便使纤维能够逐渐降温并形成固态。冷却速度过快或过慢都会影响纤维的质量，通常采用降温的方式来控制冷却速度。因此，在本技术的技术方案中，期望对于纤维拉伸过程中的纺丝机器内部温度值、冷却温度值和拉伸速度值进行分析来对于冷却温度值进行自适应控制，从而保证纤维的质量和效率。但是，由于所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值都在时间维度上有着各自的动态变化规律，并且这些数据之间还具有着时序的协同关联关系，为了能够精准地进行冷却温度值的实时控制，需要进行这些数据的时序关联特征的充分表达。
[0076]
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纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值的时序协同关联动态变化特征信息提供了新的解决思路和方案。
[0077]
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纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值。接着，考虑到由于所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值在时间维度上都具有着动态性的变化规律，因此，为了能够对于所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值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，需要先将所述多个预定时间点的所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值按照时间维度分别排列为内部温度时序输入向量、冷却温度值时序输入向量以及拉伸速度值时序输入向量，以此来分别整合所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值在时序上的分布信息。
[0078]
然后，考虑到由于所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值都在时间维度上的不同时间周期跨度下具有着不同的动态变化规律性，为了能够进行所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值的时序动态变化特征的充分表达，在本技术的技术方案中，进一步将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量。特别地，这里，所述第一卷积层和所述第二卷积层具有不同尺度的一维卷积核，以此来分别提取出所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值在不同时间跨度下的时序多尺度动态变化特征信息。这样，能够对温度、冷却速度和拉伸速度这些关键参数的时序变化情况进行深入分析，以更好地了解相应时间段内的熔融岩石液体通过纺丝机器进行拉丝的参数时序变化情况，并根据这些参数的时序特性来优化制备过程，提高织物质量和稳定性。
[0079]
进一步地，由于所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值之间的时序动态变化特征之间具有着时序关联关系，而传统的机器学习方法往往无法充分利用这些相关性信息。为了能够充分地进行所述纺丝机器内部温度值的时序变化特征、所述冷却温度值的时序变化特征和所述拉伸速度值的时序变化特征之间的时序协同关联特征的充分表达，以此来提高冷却温度控制的精准度，在本技术的技术方案中，基于贝叶斯概率模型来融合内部温度、冷却温度和拉伸速度三个时序特征向量以得到冷却温度后验概率特征向量。应可以理解，贝叶斯概率模型可以将这些参数的时序相关性特征信信息纳入考虑，并通过所述得到冷却温度后验概率特征向量综合反映这些参数信息在冷却温度控制中的权重和作用，从而提高提高冷却温度的预测准确度和稳定性。
[0080]
接着，进一步再将所述冷却温度后验概率特征向量作为分类特征向量通过分类器中进行分类处理，以得到用于表示当前时间点的冷却温度值应保持不变或应减小分类结果。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冷却温度值应增大(第一标签)，以及，当前时间点的冷却温度值应减小(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向量属于哪个分类标签。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“当前时间点的冷却温度值应增大或应减小”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，冷却温度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“当前时间点的冷却温度值应增大或应减小”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冷却温度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冷却温度值增大或减小，以此来保证纤维的质量和效率。
[0081]
特别地，在本技术的技术方案中，在基于贝叶斯概率模型来融合所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量以得到所述冷却温度后验概率特征向量时，由于所述贝叶斯概率模型是对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行逐位置的贝叶斯概率计算，而内部温度值、冷却温度值和拉伸深度值在时序分布上的噪声扰动都由包含第一卷积层和第二卷积层的多尺度一维卷积结构放大，导致所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的各个位置的特征值之间的分布偏差，从而使得所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量各自的整体特征分布内存在相对于分类器的类标签的类弱相关分布实例，也就是，内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的整体特征分布在分类器的类标签下的相容性较低，这会影响基于贝叶斯概率模型计算得到的所述冷却温度后验概率特征向量在分类器的类标签下的收敛性，从而影响所述冷却温度后验概率特征向量通过分类器获得的分类结果的准确性。
[0082]
基于此，优选地，分别计算所述内部温度时序特征向量v1、所述冷却温度时序特征向量v2和所述拉伸速度时序特征向量v3的亥姆霍兹类自由能量因数，具体为：
[0083][0084][0085][0086]
p1、p2和p3分别表示所述内部温度时序特征向量v1(v
1i
∈v1)、所述冷却温度时序特征向量v2(v
2i
∈v2)和所述拉伸速度时序特征向量v3(v
3i
∈v3)的分类概率值，且l是特征向量的长度。
[0087]
这里，基于亥姆霍兹自由能公式，可以将所述内部温度时序特征向量v1、所述冷却温度时序特征向量v2和所述拉伸速度时序特征向量v3各自的特征值集合对于预定类标签的能量值以特征向量整体的类自由能进行描述，通过以其对所述内部温度时序特征向量v1、所述冷却温度时序特征向量v2和所述拉伸速度时序特征向量v3进行加权，就可以对所述内部温度时序特征向量v1、所述冷却温度时序特征向量v2和所述拉伸速度时序特征向量v3在类目标域中与真值实例分布具有重叠性的特征的类相关原型实例分布进行关注，以便于在所述内部温度时序特征向量v1、所述冷却温度时序特征向量v2和所述拉伸速度时序特征向量v3的整体特征分布内存在类弱相关分布实例的情况下通过对于其进行模糊性标注来实
现增量学习，从而改进整体特征分布在类标签下的相容性，这样，就提高了基于贝叶斯概率模型计算得到的所述冷却温度后验概率特征向量在分类器的类标签下的收敛性，从而改进了所述冷却温度后验概率特征向量通过分类器获得的分类结果的准确性。这样，能够基于纤维拉伸过程中的实际情况实时精准地进行冷却温度值的自适应控制，从而保证纤维的质量和效率。
[0088]
图2为根据本技术实施例的适用于火炮装备的绝热性材料制备方法中步骤s130的应用场景图。如图2所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的纺丝机器的内部温度值(例如，图2中所示意的d1)、所述多个预定时间点的冷却温度值(例如，图2中所示意的d2)，以及，所述多个预定时间点的拉伸速度值(例如，图2中所示意的d3)，然后，将所述多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值输入至部署有适用于火炮装备的绝热性材料制备算法的服务器中(例如，图2中所示意的s)，其中，所述服务器能够使用所述适用于火炮装备的绝热性材料制备算法对所述多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值进行处理以得到用于表示当前时间点的冷却温度值应保持不变或应减小的分类结果。
[0089]
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。
[0090]
图3为根据本技术实施例的适用于火炮装备的绝热性材料制备方法中步骤s130的流程图。如图3所示，根据本技术实施例的适用于火炮装备的绝热性材料制备方法中，将所述熔融岩石液体通过纺丝机器拉伸成细丝后，进行冷却、固化处理以得到固化后纤维，包括：s131，获取预定时间段内多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值；s132，将所述多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值分别按照时间维度排列为内部温度时序输入向量、冷却温度值时序输入向量以及拉伸速度值时序输入向量；s133，将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量；s134，对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行特征分布优化以得到优化内部温度时序特征向量、优化冷却温度时序特征向量和优化拉伸速度时序特征向量；s135，基于贝叶斯概率模型来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到冷却温度后验概率特征向量；以及，s136，将所述冷却温度后验概率特征向量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冷却温度值应保持不变或应减小。
[0091]
图4为根据本技术实施例的适用于火炮装备的绝热性材料制备方法中步骤s130的架构示意图。如图4所示，在该网络架构中，首先，获取预定时间段内多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值；接着，将所述多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值分别按照时间维度排列为内部温度时
序输入向量、冷却温度值时序输入向量以及拉伸速度值时序输入向量；然后，将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量；接着，对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行特征分布优化以得到优化内部温度时序特征向量、优化冷却温度时序特征向量和优化拉伸速度时序特征向量；然后，基于贝叶斯概率模型来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到冷却温度后验概率特征向量；最后，将所述冷却温度后验概率特征向量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冷却温度值应保持不变或应减小。
[0092]
更具体地，在步骤s131中，获取预定时间段内多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值。在将所述熔融岩石液体通过纺丝机器拉伸成细丝的过程中，需要控制纺丝机器内部的温度，以便使熔融岩石液体顺利拉伸成细丝，同时，为了避免纤维断裂或者结晶，需要对机器的伸速度值进行适当的调整。并且，还需要控制冷却速度，以便使纤维能够逐渐降温并形成固态。冷却速度过快或过慢都会影响纤维的质量，通常采用降温的方式来控制冷却速度。因此，在本技术的技术方案中，期望对于纤维拉伸过程中的纺丝机器内部温度值、冷却温度值和拉伸速度值进行分析来对于冷却温度值进行自适应控制，从而保证纤维的质量和效率。
[0093]
更具体地，在步骤s132中，将所述多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值分别按照时间维度排列为内部温度时序输入向量、冷却温度值时序输入向量以及拉伸速度值时序输入向量。由于所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值在时间维度上都具有着动态性的变化规律，因此，为了能够对于所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值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，需要先将所述多个预定时间点的所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值按照时间维度分别排列为内部温度时序输入向量、冷却温度值时序输入向量以及拉伸速度值时序输入向量，以此来分别整合所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值在时序上的分布信息。
[0094]
更具体地，在步骤s133中，将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量。由于所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值都在时间维度上的不同时间周期跨度下具有着不同的动态变化规律性，为了能够进行所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值的时序动态变化特征的充分表达，在本技术的技术方案中，进一步将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量。特别地，这里，所述第一卷积层和所述第二卷积层具有不同尺度的一维卷积核，以此来分别提取出所述纺丝机器内部温度值、所述冷却温度值和所述拉伸速度值在不同时间跨度下的时序
多尺度动态变化特征信息。这样，能够对温度、冷却速度和拉伸速度这些关键参数的时序变化情况进行深入分析，以更好地了解相应时间段内的熔融岩石液体通过纺丝机器进行拉丝的参数时序变化情况，并根据这些参数的时序特性来优化制备过程，提高织物质量和稳定性。
[0095]
相应地，在一个具体示例中，如图5所示，将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量，包括：s1331，使用所述多尺度一维卷积结构的第一卷积层以具有第一长度的一维卷积核对所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量进行一维卷积编码以得到第一尺度内部温度特征向量、第一尺度冷却温度特征向量以及第一尺度拉伸速度特征向量；s1332，使用所述多尺度一维卷积结构的第二卷积层以具有第二长度的一维卷积核对所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量进行一维卷积编码以得到第二尺度内部温度特征向量、第二尺度冷却温度特征向量以及第二尺度拉伸速度特征向量，所述第二长度不同于所述第一长度；以及，s1333，将所述第一尺度内部温度特征向量和所述第二尺度内部温度特征向量进行级联以得到所述内部温度时序特征向量，将所述第一尺度冷却温度特征向量和所述第二尺度冷却温度特征向量进行级联以得到所述冷却温度时序特征向量，以及，将所述第一尺度拉伸速度特征向量和所述第二尺度拉伸速度特征向量进行级联以得到所述拉伸速度时序特征向量。
[0096]
应可以理解，卷积神经网络(convolutional neural network，cnn)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
[0097]
更具体地，在步骤s134中，对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行特征分布优化以得到优化内部温度时序特征向量、优化冷却温度时序特征向量和优化拉伸速度时序特征向量。
[0098]
相应地，在一个具体示例中，如图6所示，对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行特征分布优化以得到优化内部温度时序特征向量、优化冷却温度时序特征向量和优化拉伸速度时序特征向量，包括：s1341，计算所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数、第二亥姆霍兹类自由能量因数和第三亥姆霍兹类自由能量因数；以及，s1342，以所述第一亥姆霍兹类自由能量因数、所述第二亥姆霍兹类自由能量因数和所述第三亥姆霍兹类自由能量因数作为加权权重对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行加权优化以得到所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量。
[0099]
特别地，在本技术的技术方案中，在基于贝叶斯概率模型来融合所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量以得到所述冷却温
度后验概率特征向量时，由于所述贝叶斯概率模型是对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行逐位置的贝叶斯概率计算，而内部温度值、冷却温度值和拉伸深度值在时序分布上的噪声扰动都由包含第一卷积层和第二卷积层的多尺度一维卷积结构放大，导致所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的各个位置的特征值之间的分布偏差，从而使得所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量各自的整体特征分布内存在相对于分类器的类标签的类弱相关分布实例，也就是，内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的整体特征分布在分类器的类标签下的相容性较低，这会影响基于贝叶斯概率模型计算得到的所述冷却温度后验概率特征向量在分类器的类标签下的收敛性，从而影响所述冷却温度后验概率特征向量通过分类器获得的分类结果的准确性。基于此，优选地，分别计算所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的亥姆霍兹类自由能量因数。
[0100]
相应地，在一个具体示例中，计算所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数、第二亥姆霍兹类自由能量因数和第三亥姆霍兹类自由能量因数，包括：以如下优化公式计算所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的亥姆霍兹类自由能量因数以得到所述第一亥姆霍兹类自由能量因数、所述第二亥姆霍兹类自由能量因数和所述第三亥姆霍兹类自由能量因数；其中，所述优化公式为：
[0101][0102][0103][0104]
其中，v
1i
表示所述内部温度时序特征向量中各个位置的特征值，v
2i
表示所述冷却温度时序特征向量中各个位置的特征值，v
3i
表示所述拉伸速度时序特征向量，p1、p2和p3分别表示所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的分类概率值，且l是特征向量的长度，log表示以2为底的对数函数，exp(
·
)表示指数运算，w1、w2和w3分别表示所述第一亥姆霍兹类自由能量因数、所述第二亥姆霍兹类自由能量因数和所述第三亥姆霍兹类自由能量因数。
[0105]
这里，基于亥姆霍兹自由能公式，可以将所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量各自的特征值集合对于预定类标签的能量值以特征向量整体的类自由能进行描述，通过以其对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行加权，就可以对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量在类目标域中与真值
实例分布具有重叠性的特征的类相关原型实例分布进行关注，以便于在所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的整体特征分布内存在类弱相关分布实例的情况下通过对于其进行模糊性标注来实现增量学习，从而改进整体特征分布在类标签下的相容性，这样，就提高了基于贝叶斯概率模型计算得到的所述冷却温度后验概率特征向量在分类器的类标签下的收敛性，从而改进了所述冷却温度后验概率特征向量通过分类器获得的分类结果的准确性。这样，能够基于纤维拉伸过程中的实际情况实时精准地进行冷却温度值的自适应控制，从而保证纤维的质量和效率。
[0106]
更具体地，在步骤s135中，基于贝叶斯概率模型来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到冷却温度后验概率特征向量。为了能够充分地进行所述优化纺丝机器内部温度值的时序变化特征、所述优化冷却温度值的时序变化特征和所述优化拉伸速度值的时序变化特征之间的时序协同关联特征的充分表达，以此来提高冷却温度控制的精准度，在本技术的技术方案中，基于贝叶斯概率模型来融合内部温度、冷却温度和拉伸速度三个时序特征向量以得到冷却温度后验概率特征向量。
[0107]
应可以理解，贝叶斯概率模型可以将这些参数的时序相关性特征信信息纳入考虑，并通过所述得到冷却温度后验概率特征向量综合反映这些参数信息在冷却温度控制中的权重和作用，从而提高提高冷却温度的预测准确度和稳定性。
[0108]
相应地，在一个具体示例中，基于贝叶斯概率模型来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到冷却温度后验概率特征向量，包括：使用所述贝叶斯概率模型以如下贝叶斯概率公式来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到所述冷却温度后验概率特征向量；其中，所述贝叶斯概率公式为：
[0109]
qi＝pi*ai/bi[0110]
其中，qi表示所述优化冷却温度后验概率特征向量中各个位置的特征值、pi表示所述优化内部温度时序特征向量中各个位置的特征值、ai表示所述优化拉伸速度时序特征向量中各个位置的特征值，bi表示所述冷却温度时序特征向量中各个位置的特征值。
[0111]
更具体地，在步骤s136中，将所述冷却温度后验概率特征向量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冷却温度值应保持不变或应减小。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冷却温度值增大或减小，以此来保证纤维的质量和效率。
[0112]
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、svm等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或svm，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有softmax分类函数。
[0113]
相应地，在一个具体示例中，如图7所示，将所述冷却温度后验概率特征向量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冷却温度值应保持不变或应减小，包括：s1361，使用所述分类器的全连接层对所述冷却温度后验概率特征向量进行全连接编码以得到编码分类特征向量；以及，s1362，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。
[0114]
综上，基于本技术实施例的适用于火炮装备的绝热性材料制备方法，在将所述熔融岩石液体通过纺丝机器拉伸成细丝后，进行冷却、固化处理以得到固化后纤维步骤中，其首先获取预定时间段内多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值，接着，将所述多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值分别按照时间维度排列为内部温度时序输入向量、冷却温度值时序输入向量以及拉伸速度值时序输入向量，然后，将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量，接着，对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行特征分布优化以得到优化内部温度时序特征向量、优化冷却温度时序特征向量和优化拉伸速度时序特征向量，然后，基于贝叶斯概率模型来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到冷却温度后验概率特征向量，最后，将所述冷却温度后验概率特征向量通过分类器以得到用于表示当前时间点的冷却温度值应保持不变或应减小的分类结果。
[0115]
图8为根据本技术实施例的适用于火炮装备的绝热性材料制备系统100的框图。如图8所示，根据本技术实施例的适用于火炮装备的绝热性材料制备系统100，包括：粉碎筛分模块110，用于将玄武岩原料进行粉碎、筛分处理，以得到岩石颗粒状物；熔融模块120，用于将所述岩石颗粒状物置于高温炉中进行熔融，以得到熔融岩石液体；固化后纤维制备模块130，用于将所述熔融岩石液体通过纺丝机器拉伸成细丝后，进行冷却、固化处理以得到固化后纤维；采集选级模块140，用于将所述固化后纤维进行采集、选级处理，以得到玄武岩纤维；以及，编织缝纫模块150，用于将所述玄武岩纤维进行编织、缝纫加工处理，以制成绝热性织物。
[0116]
在一个示例中，在上述适用于火炮装备的绝热性材料制备系统100中，如图9所示，所述固化后纤维制备模块130，包括：数据采集单元131，用于获取预定时间段内多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值；输入向量排列单元132，用于将所述多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值分别按照时间维度排列为内部温度时序输入向量、冷却温度值时序输入向量以及拉伸速度值时序输入向量；多尺度卷积单元133，用于将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量；特征分布优化单元134，用于对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行特征分布优化以得到优化内部温度时序特征向量、优化冷却温度时序特征向量和优化拉伸速度时序特征向量；融合单元135，用于基于贝叶斯概率模型来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到冷却温度后验概率特征向量；以及，分类单元136，用于将所述冷却温度后验概率特征向量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冷却温度值应保持不变或应减小。
[0117]
在一个示例中，在上述适用于火炮装备的绝热性材料制备系统100中，所述多尺度卷积单元133，用于：使用所述多尺度一维卷积结构的第一卷积层以具有第一长度的一维卷积核对所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量进行一维卷积编码以得到第一尺度内部温度特征向量、第一尺度冷却温度特征向量以及第一尺度拉伸速度特征向量；使用所述多尺度一维卷积结构的第二卷积层以具有第二长度的一维卷积核对所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量进行一维卷积编码以得到第二尺度内部温度特征向量、第二尺度冷却温度特征向量以及第二尺度拉伸速度特征向量，所述第二长度不同于所述第一长度；以及，将所述第一尺度内部温度特征向量和所述第二尺度内部温度特征向量进行级联以得到所述内部温度时序特征向量，将所述第一尺度冷却温度特征向量和所述第二尺度冷却温度特征向量进行级联以得到所述冷却温度时序特征向量，以及，将所述第一尺度拉伸速度特征向量和所述第二尺度拉伸速度特征向量进行级联以得到所述拉伸速度时序特征向量。
[0118]
在一个示例中，在上述适用于火炮装备的绝热性材料制备系统100中，所述特征分布优化单元134，用于：计算所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数、第二亥姆霍兹类自由能量因数和第三亥姆霍兹类自由能量因数；以及，以所述第一亥姆霍兹类自由能量因数、所述第二亥姆霍兹类自由能量因数和所述第三亥姆霍兹类自由能量因数作为加权权重对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行加权优化以得到所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量。
[0119]
在一个示例中，在上述适用于火炮装备的绝热性材料制备系统100中，计算所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数、第二亥姆霍兹类自由能量因数和第三亥姆霍兹类自由能量因数，包括：以如下优化公式计算所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的亥姆霍兹类自由能量因数以得到所述第一亥姆霍兹类自由能量因数、所述第二亥姆霍兹类自由能量因数和所述第三亥姆霍兹类自由能量因数；其中，所述优化公式为：
[0120][0121][0122][0123]
其中，v
1i
表示所述内部温度时序特征向量中各个位置的特征值，v
2i
表示所述冷却温度时序特征向量中各个位置的特征值，v
3i
表示所述拉伸速度时序特征向量，p1、p2和p3分
别表示所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的分类概率值，且l是特征向量的长度，log表示以2为底的对数函数，exp(
·
)表示指数运算，w1、w2和w3分别表示所述第一亥姆霍兹类自由能量因数、所述第二亥姆霍兹类自由能量因数和所述第三亥姆霍兹类自由能量因数。
[0124]
在一个示例中，在上述适用于火炮装备的绝热性材料制备系统100中，所述融合单元135，用于：使用所述贝叶斯概率模型以如下贝叶斯概率公式来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到所述冷却温度后验概率特征向量；其中，所述贝叶斯概率公式为：
[0125]
qi＝pi*ai/bi[0126]
其中，qi表示所述优化冷却温度后验概率特征向量中各个位置的特征值、pi表示所述优化内部温度时序特征向量中各个位置的特征值、ai表示所述优化拉伸速度时序特征向量中各个位置的特征值，bi表示所述冷却温度时序特征向量中各个位置的特征值。
[0127]
在一个示例中，在上述适用于火炮装备的绝热性材料制备系统100中，所述分类单元136，用于：使用所述分类器的全连接层对所述冷却温度后验概率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输入所述分类器的softmax分类函数以得到所述分类结果。
[0128]
这里，本领域技术人员可以理解，上述适用于火炮装备的绝热性材料制备系统100中的各个模块的具体功能和操作已经在上面参考图2到图7的适用于火炮装备的绝热性材料制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0129]
如上所述，根据本技术实施例的适用于火炮装备的绝热性材料制备系统100可以实现在各种无线终端中，例如具有适用于火炮装备的绝热性材料制备算法的服务器等。在一个示例中，根据本技术实施例的适用于火炮装备的绝热性材料制备系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该适用于火炮装备的绝热性材料制备系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该适用于火炮装备的绝热性材料制备系统100同样可以是该无线终端的众多硬件模块之一。
[0130]
替换地，在另一示例中，该适用于火炮装备的绝热性材料制备系统100与该无线终端也可以是分立的设备，并且该适用于火炮装备的绝热性材料制备系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
[0131]
根据本技术的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
[0132]
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
[0133]
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递
软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
[0134]
本技术使用了特定词语来描述本技术的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本技术的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
[0135]
此外，本领域技术人员可以理解，本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
[0136]
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
[0137]
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

技术特征：
1.一种适用于火炮装备的绝热性材料制备方法，其特征在于，包括：将玄武岩原料进行粉碎、筛分处理，以得到岩石颗粒状物；将所述岩石颗粒状物置于高温炉中进行熔融，以得到熔融岩石液体；将所述熔融岩石液体通过纺丝机器拉伸成细丝后，进行冷却、固化处理以得到固化后纤维；将所述固化后纤维进行采集、选级处理，以得到玄武岩纤维；以及将所述玄武岩纤维进行编织、缝纫加工处理，以制成绝热性织物。2.根据权利要求1所述的适用于火炮装备的绝热性材料制备方法，其特征在于，将所述熔融岩石液体通过纺丝机器拉伸成细丝后，进行冷却、固化处理以得到固化后纤维，包括：获取预定时间段内多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值；将所述多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值分别按照时间维度排列为内部温度时序输入向量、冷却温度值时序输入向量以及拉伸速度值时序输入向量；将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量；对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行特征分布优化以得到优化内部温度时序特征向量、优化冷却温度时序特征向量和优化拉伸速度时序特征向量；基于贝叶斯概率模型来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到冷却温度后验概率特征向量；以及将所述冷却温度后验概率特征向量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冷却温度值应保持不变或应减小。3.根据权利要求2所述的适用于火炮装备的绝热性材料制备方法，其特征在于，将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量，包括：使用所述多尺度一维卷积结构的第一卷积层以具有第一长度的一维卷积核对所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量进行一维卷积编码以得到第一尺度内部温度特征向量、第一尺度冷却温度特征向量以及第一尺度拉伸速度特征向量；使用所述多尺度一维卷积结构的第二卷积层以具有第二长度的一维卷积核对所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量进行一维卷积编码以得到第二尺度内部温度特征向量、第二尺度冷却温度特征向量以及第二尺度拉伸速度特征向量，所述第二长度不同于所述第一长度；以及将所述第一尺度内部温度特征向量和所述第二尺度内部温度特征向量进行级联以得到所述内部温度时序特征向量，将所述第一尺度冷却温度特征向量和所述第二尺度冷却温度特征向量进行级联以得到所述冷却温度时序特征向量，以及，将所述第一尺度拉伸速度
特征向量和所述第二尺度拉伸速度特征向量进行级联以得到所述拉伸速度时序特征向量。4.根据权利要求3所述的适用于火炮装备的绝热性材料制备方法，其特征在于，对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行特征分布优化以得到优化内部温度时序特征向量、优化冷却温度时序特征向量和优化拉伸速度时序特征向量，包括：计算所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数、第二亥姆霍兹类自由能量因数和第三亥姆霍兹类自由能量因数；以及以所述第一亥姆霍兹类自由能量因数、所述第二亥姆霍兹类自由能量因数和所述第三亥姆霍兹类自由能量因数作为加权权重对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行加权优化以得到所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量。5.根据权利要求4所述的适用于火炮装备的绝热性材料制备方法，其特征在于，计算所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数、第二亥姆霍兹类自由能量因数和第三亥姆霍兹类自由能量因数，包括：以如下优化公式计算所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的亥姆霍兹类自由能量因数以得到所述第一亥姆霍兹类自由能量因数、所述第二亥姆霍兹类自由能量因数和所述第三亥姆霍兹类自由能量因数；其中，所述优化公式为：其中，所述优化公式为：其中，所述优化公式为：其中，v
1i
表示所述内部温度时序特征向量中各个位置的特征值，v
2i
表示所述冷却温度时序特征向量中各个位置的特征值，v
3i
表示所述拉伸速度时序特征向量，p1、p2和p3分别表示所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量的分类概率值，且l是特征向量的长度，log表示以2为底的对数函数，exp(
·
)表示指数运算，w1、w2和w3分别表示所述第一亥姆霍兹类自由能量因数、所述第二亥姆霍兹类自由能量因数和所述第三亥姆霍兹类自由能量因数。6.根据权利要求5所述的适用于火炮装备的绝热性材料制备方法，其特征在于，基于贝叶斯概率模型来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到冷却温度后验概率特征向量，包括：使用所述贝叶斯概率模型以如下贝叶斯概率公式来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到所述冷却
温度后验概率特征向量；其中，所述贝叶斯概率公式为：q
i
＝p
i
*a
i
/b
i
其中，q
i
表示所述优化冷却温度后验概率特征向量中各个位置的特征值、p
i
表示所述优化内部温度时序特征向量中各个位置的特征值、a
i
表示所述优化拉伸速度时序特征向量中各个位置的特征值，b
i
表示所述冷却温度时序特征向量中各个位置的特征值。7.根据权利要求6所述的适用于火炮装备的绝热性材料制备方法，其特征在于，将所述冷却温度后验概率特征向量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冷却温度值应保持不变或应减小，包括：使用所述分类器的全连接层对所述冷却温度后验概率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输入所述分类器的softmax分类函数以得到所述分类结果。8.一种适用于火炮装备的绝热性材料制备系统，其特征在于，包括：粉碎筛分模块，用于将玄武岩原料进行粉碎、筛分处理，以得到岩石颗粒状物；熔融模块，用于将所述岩石颗粒状物置于高温炉中进行熔融，以得到熔融岩石液体；固化后纤维制备模块，用于将所述熔融岩石液体通过纺丝机器拉伸成细丝后，进行冷却、固化处理以得到固化后纤维；采集选级模块，用于将所述固化后纤维进行采集、选级处理，以得到玄武岩纤维；以及编织缝纫模块，用于将所述玄武岩纤维进行编织、缝纫加工处理，以制成绝热性织物。9.根据权利要求8所述的适用于火炮装备的绝热性材料制备系统，其特征在于，所述固化后纤维制备模块，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纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值；输入向量排列单元，用于将所述多个预定时间点的纺丝机器的内部温度值、所述多个预定时间点的冷却温度值，以及，所述多个预定时间点的拉伸速度值分别按照时间维度排列为内部温度时序输入向量、冷却温度值时序输入向量以及拉伸速度值时序输入向量；多尺度卷积单元，用于将所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量分别通过包含第一卷积层和第二卷积层的多尺度一维卷积结构以得到内部温度时序特征向量、冷却温度时序特征向量和拉伸速度时序特征向量；特征分布优化单元，用于对所述内部温度时序特征向量、所述冷却温度时序特征向量和所述拉伸速度时序特征向量进行特征分布优化以得到优化内部温度时序特征向量、优化冷却温度时序特征向量和优化拉伸速度时序特征向量；融合单元，用于基于贝叶斯概率模型来融合所述优化内部温度时序特征向量、所述优化冷却温度时序特征向量和所述优化拉伸速度时序特征向量以得到冷却温度后验概率特征向量；以及分类单元，用于将所述冷却温度后验概率特征向量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冷却温度值应保持不变或应减小。10.根据权利要求9所述的适用于火炮装备的绝热性材料制备系统，其特征在于，所述
多尺度卷积单元，用于：使用所述多尺度一维卷积结构的第一卷积层以具有第一长度的一维卷积核对所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量进行一维卷积编码以得到第一尺度内部温度特征向量、第一尺度冷却温度特征向量以及第一尺度拉伸速度特征向量；使用所述多尺度一维卷积结构的第二卷积层以具有第二长度的一维卷积核对所述内部温度时序输入向量、所述冷却温度值时序输入向量以及所述拉伸速度值时序输入向量进行一维卷积编码以得到第二尺度内部温度特征向量、第二尺度冷却温度特征向量以及第二尺度拉伸速度特征向量，所述第二长度不同于所述第一长度；以及将所述第一尺度内部温度特征向量和所述第二尺度内部温度特征向量进行级联以得到所述内部温度时序特征向量，将所述第一尺度冷却温度特征向量和所述第二尺度冷却温度特征向量进行级联以得到所述冷却温度时序特征向量，以及，将所述第一尺度拉伸速度特征向量和所述第二尺度拉伸速度特征向量进行级联以得到所述拉伸速度时序特征向量。

技术总结
公开了一种适用于火炮装备的绝热性材料制备方法及其系统。该方法包括：将玄武岩原料进行粉碎、筛分处理，以得到岩石颗粒状物；将所述岩石颗粒状物置于高温炉中进行熔融，以得到熔融岩石液体；将所述熔融岩石液体通过纺丝机器拉伸成细丝后，进行冷却、固化处理以得到固化后纤维；将所述固化后纤维进行采集、选级处理，以得到玄武岩纤维；以及，将所述玄武岩纤维进行编织、缝纫加工处理，以制成绝热性织物。通过这样的方式，以制得适用于火炮装备的绝热性材料。材料。材料。


技术研发人员：岳根基 岳天赐 朱学英 高顺 嵇晓杰
受保护的技术使用者：肃宁县中原纺织有限责任公司
技术研发日：2023.05.15
技术公布日：2023/8/9