CN115093190B - 气凝胶无机保温膏料及其智能化生产系统 - Google Patents

气凝胶无机保温膏料及其智能化生产系统 Download PDF

Info

Publication number
CN115093190B
CN115093190B CN202210907874.XA CN202210907874A CN115093190B CN 115093190 B CN115093190 B CN 115093190B CN 202210907874 A CN202210907874 A CN 202210907874A CN 115093190 B CN115093190 B CN 115093190B
Authority
CN
China
Prior art keywords
vector
feature
stirring state
raw material
aerogel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210907874.XA
Other languages
English (en)
Other versions
CN115093190A (zh
Inventor
钦炳华
宋建英
钦雪程
陆国平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changxing Besepon Building Material Technology Co ltd
Original Assignee
Changxing Besepon Building Material Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changxing Besepon Building Material Technology Co ltd filed Critical Changxing Besepon Building Material Technology Co ltd
Priority to CN202210907874.XA priority Critical patent/CN115093190B/zh
Publication of CN115093190A publication Critical patent/CN115093190A/zh
Application granted granted Critical
Publication of CN115093190B publication Critical patent/CN115093190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C04—CEMENTS; CONCRETE; ARTIFICIAL STONE; CERAMICS; REFRACTORIES
    • C04B—LIME, MAGNESIA; SLAG; CEMENTS; COMPOSITIONS THEREOF, e.g. MORTARS, CONCRETE OR LIKE BUILDING MATERIALS; ARTIFICIAL STONE; CERAMICS; REFRACTORIES; TREATMENT OF NATURAL STONE
    • C04B28/00—Compositions of mortars, concrete or artificial stone, containing inorganic binders or the reaction product of an inorganic and an organic binder, e.g. polycarboxylate cements
    • C04B28/14—Compositions of mortars, concrete or artificial stone, containing inorganic binders or the reaction product of an inorganic and an organic binder, e.g. polycarboxylate cements containing calcium sulfate cements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B28—WORKING CEMENT, CLAY, OR STONE
    • B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
    • B28C5/00—Apparatus or methods for producing mixtures of cement with other substances, e.g. slurries, mortars, porous or fibrous compositions
    • B28C5/08—Apparatus or methods for producing mixtures of cement with other substances, e.g. slurries, mortars, porous or fibrous compositions using driven mechanical means affecting the mixing
    • B28C5/10—Mixing in containers not actuated to effect the mixing
    • B28C5/12—Mixing in containers not actuated to effect the mixing with stirrers sweeping through the materials, e.g. with incorporated feeding or discharging means or with oscillating stirrers
    • B28C5/16—Mixing in containers not actuated to effect the mixing with stirrers sweeping through the materials, e.g. with incorporated feeding or discharging means or with oscillating stirrers the stirrers having motion about a vertical or steeply inclined axis
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B28—WORKING CEMENT, CLAY, OR STONE
    • B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
    • B28C7/00—Controlling the operation of apparatus for producing mixtures of clay or cement with other substances; Supplying or proportioning the ingredients for mixing clay or cement with other substances; Discharging the mixture
    • B28C7/02—Controlling the operation of the mixing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Structural Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Ceramic Engineering (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Organic Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Inorganic Chemistry (AREA)
  • Biophysics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Materials Engineering (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Dispersion Chemistry (AREA)
  • Mechanical Engineering (AREA)
  • Silicon Compounds (AREA)

Abstract

本申请涉及智能生产的领域，其具体地公开了一种气凝胶无机保温膏料及其智能化生产系统，其采用人工智能的生成控制技术，通过多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值、搅拌机的转速值和被搅拌物的监控视频作为输入数据，利用基于深度学习的深度神经网络模型作为特征提取器，以根据实际的搅拌物的状态变化特征信息来对于搅拌的速度和原材料的加入速度进行实时动态地智能控制，进而能够提高最终生产出的气凝胶无机保温膏的质量。

Description

气凝胶无机保温膏料及其智能化生产系统
技术领域
本发明涉及智能生产的领域，且更为具体地，涉及一种气凝胶无机保温膏料及其智能化生产系统。
背景技术
由于近年来多起建筑保温火灾事件的发生，引发了各界对保温防火的思考，保温材料的防火性能史无前例的引起了业内各界的高度重视。然而，很多保温材料起火都是在施工过程中产生的，如:电焊、明火、不良的施工习惯。这些材料在燃烧过程中不断产生的融滴物和毒烟，同时释放出来的氯氟烃、氢氟碳化物、氟利昂等气体对环境的危害也不可忽视。
建筑保温是减少建筑物室内热量向室外散发的措施，对创造适宜的室内热环境和节约能源有重要作用。传统的无机保温膏料因玻化微珠的不可控和易变性，无法保障保温膏料的导热系数性能指标。气凝胶是导热系数最低的材料，它具有稳定性和可控性。一种更高效、稳定、可控的无机保温膏料已是趋势所需，对提高人们的居住环境和节约能源有着至关重要的作用。
BE无机保温膏料是以无机胶凝材料、膨胀珍珠岩、乳液、HPMC等多种助剂按比例配制，经工厂混合搅拌而成的膏状保温材料。非水泥基材料有更好的透气性，自带呼吸功，产品可任意形状，拐角等施工，避免板材类的切割不方便等问题。无机保温膏料的生产工艺避免了现场人工配制的质量缺陷，确保了建筑材料质量，同时减少了城市垃圾及环境污染，提高了文明施工的程度,是一种具有广阔市场前景的绿色环保型建筑新材料。
混合搅拌是BE无机保温膏料生产工艺过程中极为重要的一道工序，按配方要求将各种料搅拌混和均匀才能获得高质量的产成品。根据无机保温膏料的生产特点，使用绞龙式混合机，其特点是混合过程不会过多破坏物料的原始物理状态，均匀度高，混合速度快；该机结构紧凑、外形美观、性能稳定、无粉尘、无环境污染，是一种快速、高效、节能、优质的混合设备。
但是，在使用自动搅拌机将混合搅拌好的混合材料在搅拌机内搅拌成膏料状保温材料时，由于每次加入原材料有所不同，因此对于原材料加入的速度和搅拌机的转速需要实时动态地控制以提高生产出的气凝胶无机保温膏的质量。因此，期望一种气凝胶无机保温膏料的智能化生产系统。
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气凝胶无机保温膏料及其智能化生产系统，其采用人工智能的生成控制技术，通过多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值、搅拌机的转速值和被搅拌物的监控视频作为输入数据，利用基于深度学习的深度神经网络模型作为特征提取器，以根据实际的搅拌物的状态变化特征信息来对于搅拌的速度和原材料的加入速度进行实时动态地智能控制，进而能够提高最终生产出的气凝胶无机保温膏的质量。
根据本申请的一个方面，提供了一种气凝胶无机保温膏，其包括：
所述气凝胶无机保温膏由聚乙烯醇、乳化剂、硅微粉、分散剂、羟丙基甲基纤维素、减水剂、20万粘度纤维素、7#石英砂、8A-777、水、石膏粉、6mmPP纤维和珍珠岩组成；
其中，所述聚乙烯醇、所述乳化剂、所述硅微粉、所述分散剂、所述羟丙基甲基纤维素、所述减水剂、所述20万粘度纤维素、所述7#石英砂、所述8A-777、所述水、所述石膏粉、所述6mmPP纤维和所述珍珠岩的质量百分比分别为1.01％，0.06％，2.53％，0.38％，0.02％，0.06％，0.10％，1.97％：0.37％，76.15％，14.91％，0.25％，2.16％。
根据本申请的另一方面，提供了一种气凝胶无机保温膏料的智能化生产系统，其包括：
传感器数据采集模块，用于获取预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值、所述多个预定时间点的搅拌机的转速值和所述预定时间段内被搅拌物的监控视频；
原材料数据编码模块，用于将所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值按照原材料样本维度和时间维度排列为原材料加入速度输入矩阵后通过作为过滤器的第一卷积神经网络以得到原材料加入特征向量；
搅拌机数据编码模块，用于将所述多个预定时间点的搅拌机的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；
搅拌状态编码模块，用于将所述预定时间段内被搅拌物的监控视频通过使用三维卷积核的三维卷积神经网络以得到搅拌状态监控特征图；
维度变化模块，用于对所述搅拌状态特征图的各个特征矩阵进行全局均值池化以得到搅拌状态特征向量；
贝叶斯融合模块，用于使用贝叶斯概率模型来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到后验概率向量，其中，所述转速特征向量为先验概率向量、所述搅拌状态特征向量为证据概率向量和所述原材料加入特征向量为事件概率向量；以及
控制结果生成模块，用于将所述后验概率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搅拌机的转速值应增大或应减小。
在上述气凝胶无机保温膏料的智能化生产系统中，所述原材料数据编码模块，包括：矩阵构造单元，用于将所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值按照所述时间维度分别排列为行向量以得到多个行向量；将所述多个行向量按照所述原材料样本维度排列为所述原材料加入速度输入矩阵；卷积编码单元，用于使用所述作为过滤器的第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的均值池化处理和激活处理以由所述作为过滤器的第一卷积神经网络的最后一层生成所述原材料加入特征向量，其中，所述作为过滤器的第一卷积神经网络的第一层的输入为所述原材料加入速度输入矩阵。
在上述气凝胶无机保温膏料的智能化生产系统中，所述搅拌机数据编码模块，包括：转速输入向量构造单元，用于将所述多个预定时间点的搅拌机的转速值按照时间维度排列为转速输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述转速输入向量进行全连接编码以提取出所述转速输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure BDA0003773178960000031
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure BDA0003773178960000032
表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述转速输入向量进行一维卷积编码以提取出所述转速输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure BDA0003773178960000033
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述输入向量。
在上述气凝胶无机保温膏料的智能化生产系统中，所述搅拌状态编码模块，包括：采样单元，用于提取所述监控视频中的多个关键帧；三维卷积编码单元，用于使用所述三维卷积核的三维卷积神经网络的各层在层的正向传递中对输入数据进行基于所述三维卷积核的三维卷积处理、均值池化处理和非线性激活处理以由所述三维卷积核的三维卷积神经网络的最后一层生成所述搅拌状态监控特征图，其中，所述三维卷积核的三维卷积神经网络的第一层的输入为所述监控视频中的多个关键帧。
在上述气凝胶无机保温膏料的智能化生产系统中，所述多个关键帧为所述监控视频在所述多个预定时间点的多个图像帧。
在上述气凝胶无机保温膏料的智能化生产系统中，所述维度变化模块，包括：全局池化单元，用于对所述搅拌状态特征图的各个特征矩阵进行全局均值池化处理以得到初始搅拌状态特征向量；节俭分解鼓励因数计算单元，用于计算所述搅拌状态特征图的各个特征矩阵的节俭分解鼓励因数；加权校正单元，用于以所述搅拌状态特征图的各个特征矩阵的节俭分解鼓励因数作为权重对所述初始搅拌状态特征向量中各个位置的特征值进行加权以得到所述搅拌状态特征向量。
在上述气凝胶无机保温膏料的智能化生产系统中，所述节俭分解鼓励因数计算单元，进一步用于：以如下公式计算所述搅拌状态特征图的各个特征矩阵的所述节俭分解鼓励因数；
其中，所述公式为：
Figure BDA0003773178960000041
其中
Figure BDA0003773178960000042
表示所述搅拌状态特征图的沿通道维度的各个特征矩阵的第(i,j)位置的特征值，τi和τj分别是在列和行方向的重叠惩罚因子，||·||2表示向量的二范数，且α和β分别是权重。
在上述气凝胶无机保温膏料的智能化生产系统中，所述贝叶斯融合模块，进一步用于：使用贝叶斯概率模型以如下公式来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到所述后验概率向量；
qi＝pi*ai/bi
其中，pi是所述转速特征向量中的各个位置的特征值，ai和bi分别是所述原材料加入特征向量和所述搅拌状态特征向量中的各个位置的特征值，而qi是所述后验概率向量中的各个位置的特征值。
在上述气凝胶无机保温膏料的智能化生产系统中，所述控制结果生成模块，进一步用于：使用所述分类器以如下公式对所述后验概率向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述后验概率向量。
与现有技术相比，本申请提供的气凝胶无机保温膏料及其智能化生产系统，其采用人工智能的生成控制技术，通过多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值、搅拌机的转速值和被搅拌物的监控视频作为输入数据，利用基于深度学习的深度神经网络模型作为特征提取器，以根据实际的搅拌物的状态变化特征信息来对于搅拌的速度和原材料的加入速度进行实时动态地智能控制，进而能够提高最终生产出的气凝胶无机保温膏的质量。
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为根据本申请实施例的气凝胶无机保温膏料的智能化生产系统的应用场景图。
图2为根据本申请实施例的气凝胶无机保温膏料的智能化生产系统的框图。
图3为根据本申请实施例的气凝胶无机保温膏料的智能化生产系统中维度变化模块的框图。
图4为根据本申请实施例的气凝胶无机保温膏料的智能化生产系统的工作方法的流程图。
图5为根据本申请实施例的气凝胶无机保温膏料的智能化生产系统的工作方法的架构示意图。
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。
场景概述
如前所述，由于近年来多起建筑保温火灾事件的发生，引发了各界对保温防火的思考，保温材料的防火性能史无前例的引起了业内各界的高度重视。然而，很多保温材料起火都是在施工过程中产生的，如:电焊、明火、不良的施工习惯。这些材料在燃烧过程中不断产生的融滴物和毒烟，同时释放出来的氯氟烃、氢氟碳化物、氟利昂等气体对环境的危害也不可忽视。
建筑保温是减少建筑物室内热量向室外散发的措施，对创造适宜的室内热环境和节约能源有重要作用。传统的无机保温膏料因玻化微珠的不可控和易变性，无法保障保温膏料的导热系数性能指标。气凝胶是导热系数最低的材料，它具有稳定性和可控性。一种更高效、稳定、可控的无机保温膏料已是趋势所需，对提高人们的居住环境和节约能源有着至关重要的作用。
BE无机保温膏料是以无机胶凝材料、膨胀珍珠岩、乳液、HPMC等多种助剂按比例配制，经工厂混合搅拌而成的膏状保温材料。非水泥基材料有更好的透气性，自带呼吸功，产品可任意形状，拐角等施工，避免板材类的切割不方便等问题。无机保温膏料的生产工艺避免了现场人工配制的质量缺陷，确保了建筑材料质量，同时减少了城市垃圾及环境污染，提高了文明施工的程度,是一种具有广阔市场前景的绿色环保型建筑新材料。
混合搅拌是BE无机保温膏料生产工艺过程中极为重要的一道工序，按配方要求将各种料搅拌混和均匀才能获得高质量的产成品。根据无机保温膏料的生产特点，使用绞龙式混合机，其特点是混合过程不会过多破坏物料的原始物理状态，均匀度高，混合速度快；该机结构紧凑、外形美观、性能稳定、无粉尘、无环境污染，是一种快速、高效、节能、优质的混合设备。
但是，在使用自动搅拌机将混合搅拌好的混合材料在搅拌机内搅拌成膏料状保温材料时，由于每次加入原材料有所不同，因此对于原材料加入的速度和搅拌机的转速需要实时动态地控制以提高生产出的气凝胶无机保温膏的质量。因此，期望一种气凝胶无机保温膏料的智能化生产系统。
相应地，在本申请的技术方案中，主要的工艺选择如下：
1、物料存储
BE无机保温膏料是以无机胶凝材料、膨胀珍珠岩、乳液、HPMC等多种助剂按比例配制而成，由于无机保温膏料的原材料没有特殊要求，把所有原材料按规范在库房场地上划分区域堆放。
A.密封储存
根据原材料配合比用量设置了多个不同的规格的原材料储库和料仓，库体由钢板焊接而成，库体相应部位我们设置了料位仪，向储库和料仓内送料采用管道气力输送和斗式提升机。
B.物料输送
原材料采用管道气动控制及螺旋输送，螺旋输送机是通过控制螺旋叶片的转动、停止，达到对原材料输送的控制。螺旋输送机的特点是输送能力强，防尘、防潮性能好，控制精度高。
C.控制要点
所有原材料需验收合格后方能进入原材料储存库，随时观察、监测料位仪显示状态，保证原材料存储量在合理的范围内，以保证生产的可持续性。
2、配料计量
A.配料计量
无机保温膏料配料计量是生产过程中的一项重要工序，直接影响到产品的质量。因此配料计量和设备控制要均匀流畅，而达到精确有效，保证了产品的质量。
B.控制要点
严格按照产品配方及程序进行配料，随时观察控制动态流程的运行状态，如发现异常先停机，待查明原因并排除故障后方可进行生产。
3、混合搅拌
混合搅拌也是BE无机保温膏料生产工艺过程中极为重要的一道工序，按配方要求将各种料搅拌混和均匀才能获得高质量的产成品。根据无机保温膏料的生产特点，采用了绞龙式混合机，其特点是混合过程不会过多破坏物料的原始物理状态，均匀度高，混合速度快；该机结构紧凑、外形美观、性能稳定、无粉尘、无环境污染，是一种快速、高效、节能、优质的混合设备。
4、搅拌成型
A.搅拌成型
本系统配置一台自动搅拌机，将混合搅拌好的混合材料在搅拌机内搅拌成膏料状保温材料。
控制要点
由于每次加入原材料有所不同，对原材料加入的速度和搅拌机的转速要有控制。
5、人工包装
A.计量包装
将搅拌好的无机保温膏计量料装入内层为塑料薄膜袋中，塑料薄膜袋袋口打结扎进，外袋用缝包机缝合。
B.控制要点
包装前调试好出料口各个部位的原件，做好计量工作；包装过程中随时检查包装质量是否符合要求。
基于此，本申请发明人发现在使用自动搅拌机将混合搅拌好的混合材料在搅拌机内搅拌成膏料状保温材料时，由于每次加入原材料有所不同，因此控制的关键在于对原材料加入的速度和搅拌机的转速要有调整。也就是，需要根据实际的搅拌物的状态变化特征信息来对于搅拌的速度和原材料的加入速度进行实时动态地控制，以提高最终生产出的气凝胶无机保温膏的质量。
具体地，在本申请的技术方案中，首先，通过各个传感器分别获取预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值以及所述多个预定时间点的搅拌机的转速值，并且还通过相机获取所述预定时间段内被搅拌物的监控视频。
然后，对于所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值，考虑到所述各个原材料的加入速度值在时间维度上具有着隐藏的关联关系，因此，为了提取出这种隐含的关联性特征，将所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值按照原材料样本维度和时间维度排列为原材料加入速度输入矩阵后通过作为过滤器的第一卷积神经网络中进行处理以得到原材料加入特征向量。
应可以理解，对于所述多个预定时间点的搅拌机的转速值，考虑到所述搅拌机的转速值在时间上具有动态性的规律，因此，为了更为充分地提取出所述搅拌机的转速值的动态性变化隐含规律，进一步将所述多个预定时间点的搅拌机的转速值通过包含一维卷积层的时序编码器中进行编码以得到转速特征向量。在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述搅拌机的转速值在时序维度上的关联和通过全连接编码提取所述搅拌机的转速值的高维隐含特征。
进一步地，对于所述预定时间段内被搅拌物的监控视频，考虑到所述被搅拌物的监控视频是由多个在时间维度上的图像帧组成的，并且所述多个图像帧在时序上具有着动态性的隐含关联特征信息。因此，在本申请的技术方案中，在从所述被搅拌物的监控视频中提取出多个关键帧后，将所述多个关键帧通过使用三维卷积核的三维卷积神经网络中进行处理，以提取出所述被搅拌物的搅拌状态的动态隐含特征信息，从而得到搅拌状态监控特征图。
应可以理解，由于所述原材料加入特征向量、所述转速特征向量和所述搅拌状态监控特征图的特征尺度不同，因此需要对于所述搅拌状态监控特征图的各个特征矩阵进行全局均值池化降维以得到搅拌状态特征向量，进而便于特征的融合分类，以提高分类的准确性。但是，在对所述搅拌状态特征图的各个特征矩阵进行全局均值池化以得到搅拌状态特征向量时，为了避免所述搅拌状态特征图的维度下降导致的特征向量相对于特征图的维度发散，进一步计算每个特征矩阵的节俭分解鼓励因数作为加权系数，即：
Figure BDA0003773178960000091
其中
Figure BDA0003773178960000092
是所述搅拌状态特征图的沿通道维度的各个特征矩阵Mk的第(i,j)位置的特征值，τi和τj分别是在列和行方向的重叠惩罚因子，||·||2表示向量的二范数，且α和β分别是权重。
这里，该所述节俭分解鼓励因数可以对特征矩阵的特征值沿着预定的列和行方向上进行分组，并对行组和列组内的元素的重叠施加惩罚，从而通过计算符号化函数的距离式联合来促进高维流形的节俭分解，也就是，从几何学上视为基于凸多面体的集合来构建高维流形的几何形状。通过以其作为加权系数对所述搅拌状态特征向量的各个位置的特征值进行加权，就可以提高所述搅拌状态特征向量的高维流形的维度单调性，进而提高分类的准确性。
然后，应可以理解，考虑到使用所述转速特征向量作为先验概率，在本申请的技术方案的目的是在新的证据，即在所述被搅拌物的状态特征发生变化时，更新先验概率得到后验概率。那么根据贝叶斯公式，后验概率为先验概率乘以事件概率除以证据概率，因此，在本申请的技术方案中，使用贝叶斯概率模型来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到后验概率向量，其中所述转速特征向量为先验概率向量、所述搅拌状态特征向量为证据概率向量和所述原材料加入特征向量为事件概率向量。这样，就可以将所述后验概率向量通过分类器以获得用于表示当前时间点的搅拌机的转速值应增大或应减小的分类结果。
基于此，本申请提出了一种气凝胶无机保温膏，其包括：所述气凝胶无机保温膏由聚乙烯醇、乳化剂、硅微粉、分散剂、羟丙基甲基纤维素、减水剂、20万粘度纤维素、7#石英砂、8A-777、水、石膏粉、6mmPP纤维和珍珠岩组成；其中，所述聚乙烯醇、所述乳化剂、所述硅微粉、所述分散剂、所述羟丙基甲基纤维素、所述减水剂、所述20万粘度纤维素、所述7#石英砂、所述8A-777、所述水、所述石膏粉、所述6mmPP纤维和所述珍珠岩的质量百分比分别为1.01％，0.06％，2.53％，0.38％，0.02％，0.06％，0.10％，1.97％：0.37％，76.15％，14.91％，0.25％，2.16％。
基于此，本申请还提出了一种气凝胶无机保温膏料的智能化生产系统，其包括：传感器数据采集模块，用于获取预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值、所述多个预定时间点的搅拌机的转速值和所述预定时间段内被搅拌物的监控视频；原材料数据编码模块，用于将所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值按照原材料样本维度和时间维度排列为原材料加入速度输入矩阵后通过作为过滤器的第一卷积神经网络以得到原材料加入特征向量；搅拌机数据编码模块，用于将所述多个预定时间点的搅拌机的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；搅拌状态编码模块，用于将所述预定时间段内被搅拌物的监控视频通过使用三维卷积核的三维卷积神经网络以得到搅拌状态监控特征图；维度变化模块，用于对所述搅拌状态特征图的各个特征矩阵进行全局均值池化以得到搅拌状态特征向量；贝叶斯融合模块，用于使用贝叶斯概率模型来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到后验概率向量，其中，所述转速特征向量为先验概率向量、所述搅拌状态特征向量为证据概率向量和所述原材料加入特征向量为事件概率向量；以及，控制结果生成模块，用于将所述后验概率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搅拌机的转速值应增大或应减小。
图1图示了根据本申请实施例的气凝胶无机保温膏料的智能化生产系统的应用场景图。如图1所示，在该应用场景中，首先，通过各个传感器(例如，如图1中所示意的速度传感器T1和转速传感器T2)分别获取预定时间段内多个预定时间点的气凝胶无机保温膏料(例如，如图1中所示意的P)中各种原材料的加入速度值以及所述多个预定时间点的搅拌机(例如，如图1中所示意的B)的转速值，并且通过相机(例如，如图1中所示意的C)获取所述预定时间段内被搅拌物(例如，如图1中所示意的M)的监控视频。然后，将获得的所述预定时间段内多个预定时间点的各种原材料的加入速度值、搅拌机的转速值以及被搅拌物的监控视频输入至部署有气凝胶无机保温膏料的智能化生产算法的服务器中(例如，如图1中所示意的云服务器S)，其中，所述服务器能够以气凝胶无机保温膏料的智能化生产算法对所述预定时间段内多个预定时间点的各种原材料的加入速度值、搅拌机的转速值以及被搅拌物的监控视频进行处理，以生成用于表示当前时间点的搅拌机的转速值应增大或应减小的分类结果。
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2图示了根据本申请实施例的气凝胶无机保温膏料的智能化生产系统的框图。如图2所示，根据本申请实施例的气凝胶无机保温膏料的智能化生产系统200，包括：传感器数据采集模块210，用于获取预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值、所述多个预定时间点的搅拌机的转速值和所述预定时间段内被搅拌物的监控视频；原材料数据编码模块220，用于将所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值按照原材料样本维度和时间维度排列为原材料加入速度输入矩阵后通过作为过滤器的第一卷积神经网络以得到原材料加入特征向量；搅拌机数据编码模块230，用于将所述多个预定时间点的搅拌机的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；搅拌状态编码模块240，用于将所述预定时间段内被搅拌物的监控视频通过使用三维卷积核的三维卷积神经网络以得到搅拌状态监控特征图；维度变化模块250，用于对所述搅拌状态特征图的各个特征矩阵进行全局均值池化以得到搅拌状态特征向量；贝叶斯融合模块260，用于使用贝叶斯概率模型来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到后验概率向量，其中，所述转速特征向量为先验概率向量、所述搅拌状态特征向量为证据概率向量和所述原材料加入特征向量为事件概率向量；以及，控制结果生成模块270，用于将所述后验概率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搅拌机的转速值应增大或应减小。
具体地，在本申请实施例中，所述传感器数据采集模块210，用于获取预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值、所述多个预定时间点的搅拌机的转速值和所述预定时间段内被搅拌物的监控视频。如前所述，由于在使用自动搅拌机将混合搅拌好的混合材料在搅拌机内搅拌成膏料状保温材料时，由于每次加入原材料有所不同，因此控制的关键在于对原材料加入的速度和搅拌机的转速要有调整。也就是，在本申请的技术方案中，需要根据实际的搅拌物的状态变化特征信息来对于搅拌的速度和原材料的加入速度进行实时动态地控制，以提高最终生产出的气凝胶无机保温膏的质量。具体地，在本申请实施例中，首先，通过各个传感器分别获取预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值以及所述多个预定时间点的搅拌机的转速值，并且还通过相机获取所述预定时间段内被搅拌物的监控视频。
具体地，在本申请实施例中，所述原材料数据编码模块220，用于将所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值按照原材料样本维度和时间维度排列为原材料加入速度输入矩阵后通过作为过滤器的第一卷积神经网络以得到原材料加入特征向量。应可以理解，对于所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值，考虑到所述各个原材料的加入速度值在时间维度上具有着隐藏的关联关系，因此，在本申请的技术方案中，为了提取出这种隐含的关联性特征，将所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值按照原材料样本维度和时间维度排列为原材料加入速度输入矩阵后通过作为过滤器的第一卷积神经网络中进行处理以得到原材料加入特征向量。
更具体地，在本申请的实施例中，所述原材料数据编码模块，包括：矩阵构造单元，用于将所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值按照所述时间维度分别排列为行向量以得到多个行向量；以及，将所述多个行向量按照所述原材料样本维度排列为所述原材料加入速度输入矩阵；卷积编码单元，用于使用所述作为过滤器的第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的均值池化处理和激活处理以由所述作为过滤器的第一卷积神经网络的最后一层生成所述原材料加入特征向量，其中，所述作为过滤器的第一卷积神经网络的第一层的输入为所述原材料加入速度输入矩阵。
具体地，在本申请实施例中，所述搅拌机数据编码模块230，用于将所述多个预定时间点的搅拌机的转速值通过包含一维卷积层的时序编码器以得到转速特征向量。应可以理解，对于所述多个预定时间点的搅拌机的转速值，考虑到所述搅拌机的转速值在时间上具有动态性的规律，因此，在本申请的技术方案中，为了更为充分地提取出所述搅拌机的转速值的动态性变化隐含规律，进一步将所述多个预定时间点的搅拌机的转速值通过包含一维卷积层的时序编码器中进行编码以得到转速特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述搅拌机的转速值在时序维度上的关联和通过全连接编码提取所述搅拌机的转速值的高维隐含特征。
更具体地，在本申请的实施例中，所述搅拌机数据编码模块，包括：转速输入向量构造单元，用于将所述多个预定时间点的搅拌机的转速值按照时间维度排列为转速输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述转速输入向量进行全连接编码以提取出所述转速输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure BDA0003773178960000131
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure BDA0003773178960000132
表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述转速输入向量进行一维卷积编码以提取出所述转速输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure BDA0003773178960000141
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述输入向量。
具体地，在本申请实施例中，所述搅拌状态编码模块240，用于将所述预定时间段内被搅拌物的监控视频通过使用三维卷积核的三维卷积神经网络以得到搅拌状态监控特征图。应可以理解，对于所述预定时间段内被搅拌物的监控视频，考虑到所述被搅拌物的监控视频是由多个在时间维度上的图像帧组成的，并且所述多个图像帧在时序上具有着动态性的隐含关联特征信息。因此，在本申请的技术方案中，在从所述被搅拌物的监控视频中提取出多个关键帧后，将所述多个关键帧通过使用三维卷积核的三维卷积神经网络中进行处理，以提取出所述被搅拌物的搅拌状态的动态隐含特征信息，从而得到搅拌状态监控特征图。
更具体地，在本申请实施例中，所述搅拌状态编码模块，包括：采样单元，用于提取所述监控视频中的多个关键帧，特别地，这里，所述多个关键帧为所述监控视频在所述多个预定时间点的多个图像帧。三维卷积编码单元，用于使用所述三维卷积核的三维卷积神经网络的各层在层的正向传递中对输入数据进行基于所述三维卷积核的三维卷积处理、均值池化处理和非线性激活处理以由所述三维卷积核的三维卷积神经网络的最后一层生成所述搅拌状态监控特征图，其中，所述三维卷积核的三维卷积神经网络的第一层的输入为所述监控视频中的多个关键帧。
具体地，在本申请实施例中，所述维度变化模块250，用于对所述搅拌状态特征图的各个特征矩阵进行全局均值池化以得到搅拌状态特征向量。应可以理解，由于所述原材料加入特征向量、所述转速特征向量和所述搅拌状态监控特征图的特征尺度不同，因此，在本申请的技术方案中，需要对于所述搅拌状态监控特征图的各个特征矩阵进行全局均值池化降维以得到搅拌状态特征向量，进而便于特征的融合分类，以提高分类的准确性。但是，在对所述搅拌状态特征图的各个特征矩阵进行全局均值池化以得到搅拌状态特征向量时，为了避免所述搅拌状态特征图的维度下降导致的特征向量相对于特征图的维度发散，进一步计算每个所述特征矩阵的节俭分解鼓励因数作为加权系数。
更具体地，在本申请实施例中，所述维度变化模块，包括：首先，对所述搅拌状态特征图的各个特征矩阵进行全局均值池化处理以得到初始搅拌状态特征向量。然后，计算所述搅拌状态特征图的各个特征矩阵的节俭分解鼓励因数。相应地，在一个具体示例中，以如下公式计算所述搅拌状态特征图的各个特征矩阵的所述节俭分解鼓励因数；
其中，所述公式为：
Figure BDA0003773178960000151
其中
Figure BDA0003773178960000152
表示所述搅拌状态特征图的沿通道维度的各个特征矩阵Mk的第(i,j)位置的特征值，τi和τj分别是在列和行方向的重叠惩罚因子，||·||2表示向量的二范数，且α和β分别是权重。最后，以所述搅拌状态特征图的各个特征矩阵的节俭分解鼓励因数作为权重对所述初始搅拌状态特征向量中各个位置的特征值进行加权以得到所述搅拌状态特征向量。应可以理解，这里，该所述节俭分解鼓励因数可以对特征矩阵的特征值沿着预定的列和行方向上进行分组，并对行组和列组内的元素的重叠施加惩罚，从而通过计算符号化函数的距离式联合来促进高维流形的节俭分解，也就是，从几何学上视为基于凸多面体的集合来构建高维流形的几何形状。这样，通过以其作为加权系数对所述搅拌状态特征向量的各个位置的特征值进行加权，就可以提高所述搅拌状态特征向量的高维流形的维度单调性，进而提高分类的准确性。
图3图示了根据本申请实施例的气凝胶无机保温膏料的智能化生产系统中维度变化模块的框图。如图3所示，所述维度变化模块250，包括：全局池化单元251，用于对所述搅拌状态特征图的各个特征矩阵进行全局均值池化处理以得到初始搅拌状态特征向量；节俭分解鼓励因数计算单元252，用于计算所述搅拌状态特征图的各个特征矩阵的节俭分解鼓励因数；加权校正单元253，用于以所述搅拌状态特征图的各个特征矩阵的节俭分解鼓励因数作为权重对所述初始搅拌状态特征向量中各个位置的特征值进行加权以得到所述搅拌状态特征向量。
具体地，在本申请实施例中，所述贝叶斯融合模块260和所述控制结果生成模块270，用于使用贝叶斯概率模型来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到后验概率向量，其中，所述转速特征向量为先验概率向量、所述搅拌状态特征向量为证据概率向量和所述原材料加入特征向量为事件概率向量，并将所述后验概率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搅拌机的转速值应增大或应减小。应可以理解，考虑到使用所述转速特征向量作为先验概率，在本申请的技术方案的目的是在新的证据，即在所述被搅拌物的状态特征发生变化时，更新先验概率得到后验概率。那么根据贝叶斯公式，后验概率为先验概率乘以事件概率除以证据概率，因此，在本申请的技术方案中，使用贝叶斯概率模型来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到后验概率向量，其中所述转速特征向量为先验概率向量、所述搅拌状态特征向量为证据概率向量和所述原材料加入特征向量为事件概率向量。这样，就可以将所述后验概率向量通过分类器以获得用于表示当前时间点的搅拌机的转速值应增大或应减小的分类结果。相应地，在一个具体示例中，使用所述分类器以如下公式对所述后验概率向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述后验概率向量。
更具体地，在本申请实施例中，所述维度变化模块，进一步用于：使用贝叶斯概率模型以如下公式来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到所述后验概率向量；
qi＝pi*ai/bi
其中，pi是所述转速特征向量中的各个位置的特征值，ai和bi分别是所述原材料加入特征向量和所述搅拌状态特征向量中的各个位置的特征值，而qi是所述后验概率向量中的各个位置的特征值。
综上，基于本申请实施例的所述气凝胶无机保温膏料的智能化生产系统200被阐明，其采用人工智能的生成控制技术，通过多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值、搅拌机的转速值和被搅拌物的监控视频作为输入数据，利用基于深度学习的深度神经网络模型作为特征提取器，以根据实际的搅拌物的状态变化特征信息来对于搅拌的速度和原材料的加入速度进行实时动态地智能控制，进而能够提高最终生产出的气凝胶无机保温膏的质量。
如上所述，根据本申请实施例的气凝胶无机保温膏料的智能化生产系统200可以实现在各种终端设备中，例如气凝胶无机保温膏料的智能化生产算法的服务器等。在一个示例中，根据本申请实施例的气凝胶无机保温膏料的智能化生产系统200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，该气凝胶无机保温膏料的智能化生产系统200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，该气凝胶无机保温膏料的智能化生产系统200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，该气凝胶无机保温膏料的智能化生产系统200与该终端设备也可以是分立的设备，并且该气凝胶无机保温膏料的智能化生产系统200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。
示例性方法
图4图示了气凝胶无机保温膏料的智能化生产系统的工作方法的流程图。如图4所示，根据本申请实施例的气凝胶无机保温膏料的智能化生产系统的工作方法，包括步骤：S110，获取预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值、所述多个预定时间点的搅拌机的转速值和所述预定时间段内被搅拌物的监控视频；S120，将所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值按照原材料样本维度和时间维度排列为原材料加入速度输入矩阵后通过作为过滤器的第一卷积神经网络以得到原材料加入特征向量；S130，将所述多个预定时间点的搅拌机的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；S140，将所述预定时间段内被搅拌物的监控视频通过使用三维卷积核的三维卷积神经网络以得到搅拌状态监控特征图；S150，对所述搅拌状态特征图的各个特征矩阵进行全局均值池化以得到搅拌状态特征向量；S160，使用贝叶斯概率模型来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到后验概率向量，其中，所述转速特征向量为先验概率向量、所述搅拌状态特征向量为证据概率向量和所述原材料加入特征向量为事件概率向量；以及，S170，将所述后验概率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搅拌机的转速值应增大或应减小。
图5图示了根据本申请实施例的气凝胶无机保温膏料的智能化生产系统的工作方法的架构示意图。如图5所示，在所述气凝胶无机保温膏料的智能化生产系统的工作方法的网络架构中，首先，将获得的所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值(例如，如图5中所示意的P1)按照原材料样本维度和时间维度排列为原材料加入速度输入矩阵(例如，如图5中所示意的M)后通过作为过滤器的第一卷积神经网络(例如，如图5中所示意的CNN1)以得到原材料加入特征向量(例如，如图5中所示意的VF1)；接着，将获得的所述多个预定时间点的搅拌机的转速值(例如，如图5中所示意的P2)通过包含一维卷积层的时序编码器(例如，如图5中所示意的E1)以得到转速特征向量(例如，如图5中所示意的VF2)；然后，将获得的所述预定时间段内被搅拌物的监控视频(例如，如图5中所示意的P3)通过使用三维卷积核的三维卷积神经网络(例如，如图5中所示意的CNN2)以得到搅拌状态监控特征图(例如，如图5中所示意的F)；接着，对所述搅拌状态特征图的各个特征矩阵进行全局均值池化以得到搅拌状态特征向量(例如，如图5中所示意的VF3)；然后，使用贝叶斯概率模型来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到后验概率向量(例如，如图5中所示意的VF)；以及，最后，将所述后验概率向量通过分类器(例如，如图5中所示意的圈S)以得到分类结果，所述分类结果用于表示当前时间点的搅拌机的转速值应增大或应减小。
更具体地，在步骤S110和步骤S120中，获取预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值、所述多个预定时间点的搅拌机的转速值和所述预定时间段内被搅拌物的监控视频，并将所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值按照原材料样本维度和时间维度排列为原材料加入速度输入矩阵后通过作为过滤器的第一卷积神经网络以得到原材料加入特征向量。应可以理解，由于在使用自动搅拌机将混合搅拌好的混合材料在搅拌机内搅拌成膏料状保温材料时，由于每次加入原材料有所不同，因此控制的关键在于对原材料加入的速度和搅拌机的转速要有调整。也就是，在本申请的技术方案中，需要根据实际的搅拌物的状态变化特征信息来对于搅拌的速度和原材料的加入速度进行实时动态地控制，以提高最终生产出的气凝胶无机保温膏的质量。具体地，在本申请实施例中，首先，通过各个传感器分别获取预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值以及所述多个预定时间点的搅拌机的转速值，并且还通过相机获取所述预定时间段内被搅拌物的监控视频。
然后，对于所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值，考虑到所述各个原材料的加入速度值在时间维度上具有着隐藏的关联关系，因此，在本申请的技术方案中，为了提取出这种隐含的关联性特征，将所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值按照原材料样本维度和时间维度排列为原材料加入速度输入矩阵后通过作为过滤器的第一卷积神经网络中进行处理以得到原材料加入特征向量。
更具体地，在步骤S130和步骤S140中，将所述多个预定时间点的搅拌机的转速值通过包含一维卷积层的时序编码器以得到转速特征向量，并将所述预定时间段内被搅拌物的监控视频通过使用三维卷积核的三维卷积神经网络以得到搅拌状态监控特征图。应可以理解，对于所述多个预定时间点的搅拌机的转速值，考虑到所述搅拌机的转速值在时间上具有动态性的规律，因此，在本申请的技术方案中，为了更为充分地提取出所述搅拌机的转速值的动态性变化隐含规律，进一步将所述多个预定时间点的搅拌机的转速值通过包含一维卷积层的时序编码器中进行编码以得到转速特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述搅拌机的转速值在时序维度上的关联和通过全连接编码提取所述搅拌机的转速值的高维隐含特征。
然后，对于所述预定时间段内被搅拌物的监控视频，考虑到所述被搅拌物的监控视频是由多个在时间维度上的图像帧组成的，并且所述多个图像帧在时序上具有着动态性的隐含关联特征信息。因此，在本申请的技术方案中，在从所述被搅拌物的监控视频中提取出多个关键帧后，将所述多个关键帧通过使用三维卷积核的三维卷积神经网络中进行处理，以提取出所述被搅拌物的搅拌状态的动态隐含特征信息，从而得到搅拌状态监控特征图。
更具体地，在步骤S150中，对所述搅拌状态特征图的各个特征矩阵进行全局均值池化以得到搅拌状态特征向量。应可以理解，由于所述原材料加入特征向量、所述转速特征向量和所述搅拌状态监控特征图的特征尺度不同，因此，在本申请的技术方案中，需要对于所述搅拌状态监控特征图的各个特征矩阵进行全局均值池化降维以得到搅拌状态特征向量，进而便于特征的融合分类，以提高分类的准确性。但是，在对所述搅拌状态特征图的各个特征矩阵进行全局均值池化以得到搅拌状态特征向量时，为了避免所述搅拌状态特征图的维度下降导致的特征向量相对于特征图的维度发散，进一步计算每个所述特征矩阵的节俭分解鼓励因数作为加权系数。
更具体地，在步骤S160和步骤S170中，使用贝叶斯概率模型来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到后验概率向量，其中，所述转速特征向量为先验概率向量、所述搅拌状态特征向量为证据概率向量和所述原材料加入特征向量为事件概率向量，将并所述后验概率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搅拌机的转速值应增大或应减小。应可以理解，考虑到使用所述转速特征向量作为先验概率，在本申请的技术方案的目的是在新的证据，即在所述被搅拌物的状态特征发生变化时，更新先验概率得到后验概率。那么根据贝叶斯公式，后验概率为先验概率乘以事件概率除以证据概率，因此，在本申请的技术方案中，使用贝叶斯概率模型来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到后验概率向量，其中所述转速特征向量为先验概率向量、所述搅拌状态特征向量为证据概率向量和所述原材料加入特征向量为事件概率向量。这样，就可以将所述后验概率向量通过分类器以获得用于表示当前时间点的搅拌机的转速值应增大或应减小的分类结果。
综上，基于本申请实施例的所述气凝胶无机保温膏料的智能化生产系统的工作方法被阐明，其采用人工智能的生成控制技术，通过多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值、搅拌机的转速值和被搅拌物的监控视频作为输入数据，利用基于深度学习的深度神经网络模型作为特征提取器，以根据实际的搅拌物的状态变化特征信息来对于搅拌的速度和原材料的加入速度进行实时动态地智能控制，进而能够提高最终生产出的气凝胶无机保温膏的质量。
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。
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领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。

Claims (6)

1.一种气凝胶无机保温膏料的智能化生产系统，其特征在于，包括：
传感器数据采集模块，用于获取预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值、所述多个预定时间点的搅拌机的转速值和所述预定时间段内被搅拌物的监控视频；
原材料数据编码模块，用于将所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值按照原材料样本维度和时间维度排列为原材料加入速度输入矩阵后通过作为过滤器的第一卷积神经网络以得到原材料加入特征向量；
搅拌机数据编码模块，用于将所述多个预定时间点的搅拌机的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；
搅拌状态编码模块，用于将所述预定时间段内被搅拌物的监控视频通过使用三维卷积核的三维卷积神经网络以得到搅拌状态监控特征图；
维度变化模块，用于对所述搅拌状态监控特征图的各个特征矩阵进行全局均值池化以得到搅拌状态特征向量；
贝叶斯融合模块，用于使用贝叶斯概率模型来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到后验概率向量，其中，所述转速特征向量为先验概率向量、所述搅拌状态特征向量为证据概率向量和所述原材料加入特征向量为事件概率向量；以及
控制结果生成模块，用于将所述后验概率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搅拌机的转速值应增大或应减小；
其中，所述搅拌机数据编码模块，包括：
转速输入向量构造单元，用于将所述多个预定时间点的搅拌机的转速值按照时间维度排列为转速输入向量；
全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述转速输入向量进行全连接编码以提取出所述转速输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure FDA0004044066860000011
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure FDA0004044066860000012
表示矩阵乘；
一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述转速输入向量进行一维卷积编码以提取出所述转速输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure FDA0004044066860000021
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述输入向量；
所述维度变化模块，包括：
全局池化单元，用于对所述搅拌状态监控特征图的各个特征矩阵进行全局均值池化处理以得到初始搅拌状态特征向量；
节俭分解鼓励因数计算单元，用于计算所述搅拌状态监控特征图的各个特征矩阵的节俭分解鼓励因数；
加权校正单元，用于以所述搅拌状态监控特征图的各个特征矩阵的节俭分解鼓励因数作为权重对所述初始搅拌状态特征向量中各个位置的特征值进行加权以得到所述搅拌状态特征向量；
所述节俭分解鼓励因数计算单元，进一步用于：以如下公式计算所述搅拌状态监控特征图的各个特征矩阵的所述节俭分解鼓励因数；
其中，所述公式为：
Figure FDA0004044066860000022
其中mki,j表示所述搅拌状态监控特征图的沿通道维度的各个特征矩阵的第(i,j)位置的特征值，τi和τj分别是在列和行方向的重叠惩罚因子，‖·‖2表示向量的二范数，且α和β分别是权重。
2.根据权利要求1所述的气凝胶无机保温膏料的智能化生产系统，其特征在于，所述原材料数据编码模块，包括：
矩阵构造单元，用于将所述预定时间段内多个预定时间点的气凝胶无机保温膏料中各种原材料的加入速度值按照所述时间维度分别排列为行向量以得到多个行向量；以及，将所述多个行向量按照所述原材料样本维度排列为所述原材料加入速度输入矩阵；
卷积编码单元，用于使用所述作为过滤器的第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的均值池化处理和激活处理以由所述作为过滤器的第一卷积神经网络的最后一层生成所述原材料加入特征向量，其中，所述作为过滤器的第一卷积神经网络的第一层的输入为所述原材料加入速度输入矩阵。
3.根据权利要求2所述的气凝胶无机保温膏料的智能化生产系统，其特征在于，所述搅拌状态编码模块，包括：
采样单元，用于提取所述监控视频中的多个关键帧；
三维卷积编码单元，用于使用所述三维卷积核的三维卷积神经网络的各层在层的正向传递中对输入数据进行基于所述三维卷积核的三维卷积处理、均值池化处理和非线性激活处理以由所述三维卷积核的三维卷积神经网络的最后一层生成所述搅拌状态监控特征图，其中，所述三维卷积核的三维卷积神经网络的第一层的输入为所述监控视频中的多个关键帧。
4.根据权利要求3所述的气凝胶无机保温膏料的智能化生产系统，其特征在于，所述多个关键帧为所述监控视频在所述多个预定时间点的多个图像帧。
5.根据权利要求4所述的气凝胶无机保温膏料的智能化生产系统，其特征在于，所述贝叶斯融合模块，进一步用于：使用贝叶斯概率模型以如下公式来融合所述转速特征向量、所述搅拌状态特征向量和所述原材料加入特征向量以得到所述后验概率向量；
qi＝pi*ai/bi
其中，pi是所述转速特征向量中的各个位置的特征值，ai和bi分别是所述搅拌状态特征向量和所述原材料加入特征向量中的各个位置的特征值，而qi是所述后验概率向量中的各个位置的特征值。
6.根据权利要求5所述的气凝胶无机保温膏料的智能化生产系统，其特征在于，所述控制结果生成模块，进一步用于：使用所述分类器以如下公式对所述后验概率向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述后验概率向量。
CN202210907874.XA 2022-07-29 2022-07-29 气凝胶无机保温膏料及其智能化生产系统 Active CN115093190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210907874.XA CN115093190B (zh) 2022-07-29 2022-07-29 气凝胶无机保温膏料及其智能化生产系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210907874.XA CN115093190B (zh) 2022-07-29 2022-07-29 气凝胶无机保温膏料及其智能化生产系统

Publications (2)

Publication Number Publication Date
CN115093190A CN115093190A (zh) 2022-09-23
CN115093190B true CN115093190B (zh) 2023-04-07

Family

ID=83300276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210907874.XA Active CN115093190B (zh) 2022-07-29 2022-07-29 气凝胶无机保温膏料及其智能化生产系统

Country Status (1)

Country Link
CN (1) CN115093190B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115562029B (zh) * 2022-10-17 2023-06-16 杭州天然气有限公司 一种天然气透平膨胀发电机组的智能控制方法及其系统
CN115903705B (zh) * 2022-11-30 2023-07-14 福建省杭氟电子材料有限公司 用于电子级六氟丁二烯制备的生产管理控制系统
CN115782334B (zh) * 2022-12-13 2023-08-18 乐清裕丰新材料有限公司 以纤维、金属或塑料为基材的有机硅复合材料及制备方法
CN115909171B (zh) * 2022-12-19 2023-12-15 浙江金汇华特种耐火材料有限公司 钢包透气砖生产方法及其系统
CN115841644B (zh) * 2022-12-29 2023-12-22 吕梁市经开区信息化投资建设有限公司 基于物联网的城市基础建设工程设备的控制系统及其方法
CN116178344B (zh) * 2023-01-09 2023-10-20 泽田(山东)药业有限公司 盐酸巴尼地平合成工艺
CN115998752B (zh) * 2023-01-18 2024-04-26 南京海鲸药业股份有限公司 一种含亚油酸植物油的维生素d类制剂的制备方法
CN116048031B (zh) * 2023-03-31 2023-08-04 克拉玛依市蓝润环保科技有限责任公司 用于石油助剂生产的控制系统及其方法
CN116657224B (zh) * 2023-07-21 2024-02-13 佛山日克耐热材料有限公司 一种气凝胶粉渗透装置的控制方法及其系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111841424A (zh) * 2020-06-30 2020-10-30 界首市南都华宇电源有限公司 一种基于人工智能的真空和膏机控制系统
WO2020227429A1 (en) * 2019-05-06 2020-11-12 Strong Force Iot Portfolio 2016, Llc Platform for facilitating development of intelligence in an industrial internet of things system
CN112766488A (zh) * 2021-01-08 2021-05-07 江阴灵通网络科技有限公司 用于防凝固混凝土搅拌控制的神经网络的训练方法
CN113101842A (zh) * 2021-04-13 2021-07-13 中华人民共和国揭阳海关 一种用以食品检测的搅拌机构
JP2021161720A (ja) * 2020-03-31 2021-10-11 小野田ケミコ株式会社 改良体の品質予測方法及び品質管理方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106747189B (zh) * 2016-12-07 2019-09-06 苏州同玄新材料有限公司 含气凝胶的石膏材料及其制备方法
CN110194640A (zh) * 2019-04-25 2019-09-03 长兴贝斯德邦建材科技有限公司 一种气凝胶无机保温膏料及使用方法
ES2916704T3 (es) * 2020-01-28 2022-07-05 Buehler Ag Sistema de control inteligente de una instalación y dispositivo dosificador
CN112560355B (zh) * 2021-02-22 2021-05-11 常州微亿智造科技有限公司 基于卷积神经网络的风洞的马赫数的预测方法和装置
CN113061009A (zh) * 2021-03-19 2021-07-02 浙江森林人新型材料有限公司 石膏基自流平隔声保温砂浆的制作工艺及操作流程
CN114230295A (zh) * 2021-11-17 2022-03-25 北新集团建材股份有限公司 一种保温隔热纸面石膏板及其制备方法
CN114276103B (zh) * 2021-11-17 2022-11-18 北新集团建材股份有限公司 一种保温隔热纸面石膏板及其制备方法
CN114444582A (zh) * 2022-01-07 2022-05-06 太原理工大学 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法
CN114475350A (zh) * 2022-02-14 2022-05-13 杭州鸽然科技有限公司 智能充电系统及其工作方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020227429A1 (en) * 2019-05-06 2020-11-12 Strong Force Iot Portfolio 2016, Llc Platform for facilitating development of intelligence in an industrial internet of things system
JP2021161720A (ja) * 2020-03-31 2021-10-11 小野田ケミコ株式会社 改良体の品質予測方法及び品質管理方法
CN111841424A (zh) * 2020-06-30 2020-10-30 界首市南都华宇电源有限公司 一种基于人工智能的真空和膏机控制系统
CN112766488A (zh) * 2021-01-08 2021-05-07 江阴灵通网络科技有限公司 用于防凝固混凝土搅拌控制的神经网络的训练方法
CN113101842A (zh) * 2021-04-13 2021-07-13 中华人民共和国揭阳海关 一种用以食品检测的搅拌机构

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈溪南等.基于贝叶斯网络的预拌混凝土质量可靠度评价模型.《西南科技大学学报》.2018,第33卷(第01期),第33-39页. *

Also Published As

Publication number Publication date
CN115093190A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN115093190B (zh) 气凝胶无机保温膏料及其智能化生产系统
CN106647253B (zh) 航空发动机分布式控制系统多性能鲁棒跟踪控制方法
CN109523107A (zh) 一种基于bim的建筑施工管理系统及方法
CN109676795B (zh) 一种混凝土智能搅拌控制方法及其系统
DE112005001043B4 (de) Verfahren zur Bereitstellung bzw. Konfigurierung einer Benutzerschnittstelle und Benutzerschnittstellensystem
CN113011085B (zh) 一种设备数字孪生建模方法及系统
Xi et al. Lattice Boltzmann simulations of three-dimensional single droplet deformation and breakup under simple shear flow
Khosravani et al. Large-scale automated additive construction: overview, robotic solutions, sustainability, and future prospect
Pan et al. Three-dimensional lattice modeling of concrete carbonation at meso-scale based on reconstructed coarse aggregates
CN109282884A (zh) 一种智能配料称重控制系统及其控制方法
CN106827171A (zh) 一种3d打印机及其打印方法
CN100576220C (zh) 计算机仿真焦炉砌筑的施工方法
Xiaoxia et al. Research on average vertical velocity of rubber particles in vertical screw conveyor based on bp neural network
CN116424805A (zh) 物料添加方法、装置、设备及存储介质
CN106671245B (zh) 一种3d打印机及其打印方法
CN114397861A (zh) 反应精馏智能工厂模拟测试系统及开发方法
Sven et al. Architectural applications and workflows for additive fabrication with concrete
Matsushita et al. Calculation of smoke movement in building in case of fire
Deligiannis et al. Concrete batching and mixing plants: A new modeling and control approach based on global automata
CN206333352U (zh) 预混饲料精确定量混合装置
Lai et al. Research on Online Virtual Energy-Saving and Environment-Friendly Building Design and Implementation Based on VRML
JP7389678B2 (ja) 積層造形システム、及びセメント系材料の圧送方法
CN104536409A (zh) 一种改性塑料生产线基于整体通信的控制方法
Olaj et al. Concentration dependence of static chain properties 2, off-lattice Monte Carlo simulations
CN219355878U (zh) 一种色浆在线配料及分散的成套设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant