CN115723287B - 基于温度控制聚氨酯发泡的生产设备 - Google Patents
基于温度控制聚氨酯发泡的生产设备 Download PDFInfo
- Publication number
- CN115723287B CN115723287B CN202211619089.0A CN202211619089A CN115723287B CN 115723287 B CN115723287 B CN 115723287B CN 202211619089 A CN202211619089 A CN 202211619089A CN 115723287 B CN115723287 B CN 115723287B
- Authority
- CN
- China
- Prior art keywords
- temperature
- characteristic
- foaming
- matrix
- vector
- 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
Links
- 238000005187 foaming Methods 0.000 title claims abstract description 244
- 229920002635 polyurethane Polymers 0.000 title claims abstract description 54
- 239000004814 polyurethane Substances 0.000 title claims abstract description 54
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 51
- 239000007788 liquid Substances 0.000 claims abstract description 162
- 238000009826 distribution Methods 0.000 claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims description 166
- 239000013598 vector Substances 0.000 claims description 151
- 238000000605 extraction Methods 0.000 claims description 36
- 239000006260 foam Substances 0.000 claims description 35
- 238000012544 monitoring process Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 32
- 238000010586 diagram Methods 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 26
- 229920005830 Polyurethane Foam Polymers 0.000 claims description 17
- 239000011496 polyurethane foam Substances 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 17
- 238000012546 transfer Methods 0.000 claims description 12
- 230000003247 decreasing effect Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004043 responsiveness Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 41
- 230000001276 controlling effect Effects 0.000 abstract description 12
- 230000001105 regulatory effect Effects 0.000 abstract description 11
- 238000013527 convolutional neural network Methods 0.000 description 28
- 238000000034 method Methods 0.000 description 20
- 239000000284 extract Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 229920001903 high density polyethylene Polymers 0.000 description 3
- 238000007711 solidification Methods 0.000 description 3
- 230000008023 solidification Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
公开了一种基于温度控制聚氨酯发泡的生产设备，其通过包含一维卷积层和全连接层的时序编码器提取发泡温度值在预定时间段内时间维度上动态变化特征分布信息，通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型提取泡液的状态在时间维度上的不同时间跨度下的多尺度动态变化特征分布信息；计算二者之间的响应性估计表示发泡温度的动态关联特征与泡液状态的多尺度动态变化特征之间的关联性特征分布信息，进而基于泡液的状态变化特征来自适应地控制发泡温度。这样，可以根据实际泡液的状态情况对于发泡温度进行实时准确地调控，进而保证生成的产品质量。
Description
技术领域
本申请涉及智能化生产技术领域，且更为具体地，涉及一种基于温度控制聚氨酯发泡的生产设备。
背景技术
生产聚氨酯的企业需要使用到聚氨酯发泡设备，聚氨酯发泡需要在一定的温度内进行，聚氨酯发泡温度太高时反应剧烈不易控制，使得注入较大箱体的泡液性能不均，也就是说，开始注入的泡液已经发生了化学反应，从而在迅速增大后使得后注入的泡液还未反应，而如果发泡温度过低，则聚氨酯凝固后弹性就会缺失。并且，在发泡模温度过高时，塑料内胆受热变形，泡液体系反应剧烈。因此，需要严格控制发泡模温度和发泡炉的环境温度。
因此，期望一种优化的基于温度控制聚氨酯发泡的生产设备，其能够根据实际的情况对于发泡温度进行实时准确地控制，以保证生产的产品质量。
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基于温度控制聚氨酯发泡的生产设备，其通过包含一维卷积层和全连接层的时序编码器提取发泡温度值在预定时间段内时间维度上动态变化特征分布信息，通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型提取泡液的状态在时间维度上的不同时间跨度下的多尺度动态变化特征分布信息；计算二者之间的响应性估计表示发泡温度的动态关联特征与泡液状态的多尺度动态变化特征之间的关联性特征分布信息，进而基于泡液的状态变化特征来自适应地控制发泡温度。这样，可以根据实际泡液的状态情况对于发泡温度进行实时准确地调控，进而保证生成的产品质量。
根据本申请的一个方面，提供了一种基于温度控制聚氨酯发泡的生产设备，其包括：
发泡监控模块，用于获取预定时间段的泡液输出监控视频以及所述预定时间段内多个预定时间点的发泡温度值；
发泡温度特征提取模块，用于将所述多个预定时间点的发泡温度值按照时间维度排列为发泡温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量；
特征增强模块，用于基于高斯密度图对所述温度特征向量进行特征级数据增强以得到温度特征矩阵；
特征分布校正模块，用于基于所述温度特征矩阵的转置矩阵，对所述温度特征矩阵进行特征分布校正以得到校正后温度特征矩阵；
泡液输出特征提取模块，用于将所述预定时间段的泡液输出监控视频通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到多尺度泡液输出特征图，其中，所述第一卷积神经网络使用具有第一尺度的三维卷积核，所述第二卷积神经网络使用具有第二尺度的三维卷积核；
特征降维模块，用于计算所述多尺度泡液输出特征图的沿通道维度的各个特征矩阵的全局均值以得到多尺度泡液输出特征向量；
响应模块，用于计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计以得到分类特征向量；以及发泡温度控制模块，用于将所述分类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发泡温度值应增大或应减小。
在上述基于温度控制聚氨酯发泡的生产设备中，所述发泡温度特征提取模块，包括：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发泡温度输入向量进行全连接编码以提取所述发泡温度输入向量中各个位置的发泡温度值的高维隐含特征，其中，所述公式为：
，其中
表示所述发泡温度值，
表示所述发泡温度输入向量，
表示权重矩阵，
表示偏置向量，
表示矩阵乘；以及，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发泡温度输入向量进行一维卷积编码以提取所述发泡温度输入向量中各个位置的发泡温度值间的关联的高维隐含关联特征；其中，所述公式为：
其中，
表示卷积核在
方向上的宽度、
表示卷积核参数向量、
表示与卷积核函数运算的局部向量矩阵，
表示卷积核的尺寸，
表示所述发泡温度输入向量。
在上述基于温度控制聚氨酯发泡的生产设备中，所述特征增强模块，包括：高斯密度图构造单元，用于构造所述温度特征向量的高斯密度图以得到第一高斯密度图；以及，高斯离散化单元，用于对所述第一高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述温度特征矩阵。
在上述基于温度控制聚氨酯发泡的生产设备中，所述特征分布校正模块，进一步用于：基于所述温度特征矩阵的转置矩阵，以如下公式对所述温度特征矩阵进行特征分布校正以得到所述校正后温度特征矩阵；其中，所述公式为：
其中
和
分别为所述校正后温度特征矩阵和所述校正前温度特征矩阵，
表示
激活函数，
表示矩阵相乘，且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除，
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
在上述基于温度控制聚氨酯发泡的生产设备中，所述泡液输出特征提取模块，包括：第一尺度特征提取单元，用于使用所述双流网络模型的第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出第一尺度泡液特征图；第二尺度特征提取单元，用于使用所述双流网络模型的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述第二尺度泡液特征图；以及，多尺度级联单元，用于将所述第一尺度泡液特征图和所述第二尺度泡液特征图进行级联以得到所述多尺度泡液输出特征图。
在上述基于温度控制聚氨酯发泡的生产设备中，所述响应模块，进一步用于：以如下公式计算计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计以得到分类特征向量；其中，所述公式为：
其中，
表示所述温度特征矩阵，
表示所述多尺度泡液输出特征向量，
表示所述分类特征向量。
在上述基于温度控制聚氨酯发泡的生产设备中，所述发泡温度控制模块，包括：全连接编码单元，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。
与现有技术相比，本申请提供的基于温度控制聚氨酯发泡的生产设备，其通过包含一维卷积层和全连接层的时序编码器提取发泡温度值在预定时间段内时间维度上动态变化特征分布信息，通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型提取泡液的状态在时间维度上的不同时间跨度下的多尺度动态变化特征分布信息；计算二者之间的响应性估计表示发泡温度的动态关联特征与泡液状态的多尺度动态变化特征之间的关联性特征分布信息，进而基于泡液的状态变化特征来自适应地控制发泡温度。这样，可以根据实际泡液的状态情况对于发泡温度进行实时准确地调控，进而保证生成的产品质量。
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基于温度控制聚氨酯发泡的生产设备的应用场景图。
图2为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备的框图。
图3为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备中所述发泡温度特征提取模块的框图。
图4为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备中所述特征增强模块的框图。
图5为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备中所述泡液输出特征提取模块的框图。
图6为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备中所述发泡温度控制模块的框图。
图7为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备的使用方法的流程图。
图8为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备的使用方法的系统架构的示意图。
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
生产聚氨酯的企业需要使用到聚氨酯发泡设备，聚氨酯发泡需要在一定的温度内进行，聚氨酯发泡温度太高时反应剧烈不易控制，使得注入较大箱体的泡液性能不均，也就是说，开始注入的泡液已经发生了化学反应，从而在迅速增大后使得后注入的泡液还未反应，而如果发泡温度过低，则聚氨酯凝固后弹性就会缺失。并且，在发泡模温度过高时，塑料内胆受热变形，泡液体系反应剧烈。因此，需要严格控制发泡模温度和发泡炉的环境温度。因此，期望一种优化的基于温度控制聚氨酯发泡的生产设备，其能够根据实际的情况对于发泡温度进行实时准确地控制，以保证生产的产品质量。
目前，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、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为发泡温度的实时智能控制提供了新的解决思路和方案。
相应地，考虑到在实际对于聚氨酯发泡的温度进行自适应控制时，所述发泡的温度值控制应适配于泡液输出后的状态变化情况，也就是，基于所述输出泡液的状态变化特征来自适应地控制所述发泡温度。这样，能够根据实际泡液的状态情况来对于发泡温度进行实时准确地调控，进而保证生成的产品质量。
具体地，在本申请的技术方案中，首先，通过摄像头获取预定时间段的泡液输出监控视频，以及通过温度传感器获取所述预定时间段内多个预定时间点的发泡温度值。接着，考虑到所述预定时间段内的各个预定时间点的发泡温度在时序维度上都具有着动态性的关联特征信息，因此，为了能够充分提取出所述发泡温度的动态变化特征，进一步将所述多个预定时间点的发泡温度值按照时间维度排列为发泡温度输入向量后通过包含一维卷积层和全连接层的时序编码器中进行编码处理，以提取出所述发泡温度值在所述预定时间段内时间维度上动态变化特征分布信息，从而得到温度特征向量。特别地，这里，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预定时间段内的各个时间点的发泡温度值在时序维度上的关联性特征和通过全连接编码提取所述各个时间点的发泡温度值的高维隐含特征。
然后，考虑到发泡温度值在时间维度上具有着波动性，因此为了提高对于所述发泡温度的动态变化特征提取的精准度，进一步需要在高维特征空间中对于所述发泡温度的动态关联特征进行数据特征增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述发泡温度值的先验分布，即高斯分布，来对于所述发泡温度在时序上的动态隐含关联特征进行数据增强。具体地，构造所述温度特征向量的高斯密度图，并对于所述高斯密度图进行高斯离散化，以在数据特征增广时不产生信息损失，从而得到温度特征矩阵。
进一步地，对于所述输出泡液状态的动态变化特征提取，考虑到所述预定时间段的泡液输出监控视频由多个预定时间点的泡液输出监控图像帧组成，因此，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述泡液输出监控视频的隐含特征提取。特别地，考虑到所述泡液的状态变化特征在不同的时间跨度周期下具有着不同的模式变化特征信息，因此，进一步使用具有不同尺度的三维卷积核的卷积神经网络模型来进行所述泡液输出监控视频的动态特征挖掘。也就是，具体地，将所述预定时间段的泡液输出监控视频通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型中以得到多尺度泡液输出特征图，这里，所述第一卷积神经网络使用具有第一尺度的三维卷积核，所述第二卷积神经网络使用具有第二尺度的三维卷积核。这样，通过所述包含不同尺度的第一卷积神经网络和第二卷积神经网络的双流网络模型来对于所述泡液输出监控视频进行特征提取，能够提取出所述泡液的状态在时间维度上的不同时间跨度下的多尺度动态变化特征分布信息。
接着，再计算所述多尺度泡液输出特征图的沿通道维度的各个特征矩阵的全局均值，以在时间通道维度上对于表示所述各个时间点下的泡液的状态隐含特征分布信息的特征矩阵进行降维，从而得到多尺度泡液输出特征向量。这样，能够在数据特征降维时保留原有的所述泡液的状态在时间维度上的多尺度动态变化特征信息，以提高分类的准确性。
然后，计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计来表示所述发泡温度的动态关联特征与所述泡液状态的多尺度动态变化特征之间的关联性特征分布信息，即所述发泡温度的动态变化对于所述泡液状态的影响，并以此作为分类特征向量来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发泡温度值应增大或应减小的分类结果。这样，能够根据实际泡液的状态情况来对于发泡温度进行实时准确地调控。
特别地，在本申请的技术方案中，在基于高斯密度图对所述温度特征向量进行特征级数据增强得到所述温度特征矩阵时，由于高斯离散化具有一定的随机性，这就使得所述温度特征矩阵的某些局部位置的特征分布会存在与所述温度特征矩阵的整体特征分布负相关的情况，从而影响通过计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的转移向量得到的所述分类特征向量的分类结果的准确性。
因此，本申请的申请人采用全正投影非线性重加权的方式对所述温度特征矩阵进行校正，表示为：
这里，所述全正投影非线性重加权校正可以通过
函数来保证投影的全正以避免聚合温度特征矩阵内的负相关的局部分布，并同时引入了温度特征矩阵基于自身的非线性重加权机制来聚集温度特征矩阵的特征值分布，以使得修正后的温度特征矩阵的内在结构能够惩罚远距离连接而加强局部性耦合，这就实现了所述修正后的温度特征矩阵在高维特征空间内的与全正投影重加权对应的空间特征变换（spatial feature transform）的协同效果，进而提升了通过计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的转移向量得到的所述分类特征向量的分类结果的准确性。这样，能够根据实际的泡液状态情况来对于发泡温度进行实时准确地调控，进而保证生成的产品质量。
基于此，本申请提供了一种基于温度控制聚氨酯发泡的生产设备，其包括：发泡监控模块，用于获取预定时间段的泡液输出监控视频以及所述预定时间段内多个预定时间点的发泡温度值；发泡温度特征提取模块，用于将所述多个预定时间点的发泡温度值按照时间维度排列为发泡温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量；特征增强模块，用于基于高斯密度图对所述温度特征向量进行特征级数据增强以得到温度特征矩阵；特征分布校正模块，用于基于所述温度特征矩阵的转置矩阵，对所述温度特征矩阵进行特征分布校正以得到校正后温度特征矩阵；泡液输出特征提取模块，用于将所述预定时间段的泡液输出监控视频通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到多尺度泡液输出特征图，其中，所述第一卷积神经网络使用具有第一尺度的三维卷积核，所述第二卷积神经网络使用具有第二尺度的三维卷积核；特征降维模块，用于计算所述多尺度泡液输出特征图的沿通道维度的各个特征矩阵的全局均值以得到多尺度泡液输出特征向量；响应模块，用于计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计以得到分类特征向量；以及，发泡温度控制模块，用于将所述分类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发泡温度值应增大或应减小。
图1为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备的应用场景图。如图1所示，在该应用场景中，首先，通过摄像头（例如，图1中所示意的M）获取预定时间段的泡液输出监控视频（例如，图1中所示意的C1），以及通过温度传感器（例如，图1中所示意的T）获取所述预定时间段内多个预定时间点的发泡温度值（例如，图1中所示意的C2）；然后，将获取的泡液输出监控视频和发泡温度值输入至部署有基于温度控制聚氨酯发泡的生产的算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用基于温度控制聚氨酯发泡的生产的算法对所述泡液输出监控视频和所述发泡温度值进行处理，以生成用于表示当前时间点的发泡温度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为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备的框图。如图2所示，根据本申请实施例的基于温度控制聚氨酯发泡的生产设备100，包括：发泡监控模块110，用于获取预定时间段的泡液输出监控视频以及所述预定时间段内多个预定时间点的发泡温度值；发泡温度特征提取模块120，用于将所述多个预定时间点的发泡温度值按照时间维度排列为发泡温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量；特征增强模块130，用于基于高斯密度图对所述温度特征向量进行特征级数据增强以得到温度特征矩阵；特征分布校正模块140，用于基于所述温度特征矩阵的转置矩阵，对所述温度特征矩阵进行特征分布校正以得到校正后温度特征矩阵；泡液输出特征提取模块150，用于将所述预定时间段的泡液输出监控视频通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到多尺度泡液输出特征图，其中，所述第一卷积神经网络使用具有第一尺度的三维卷积核，所述第二卷积神经网络使用具有第二尺度的三维卷积核；特征降维模块160，用于计算所述多尺度泡液输出特征图的沿通道维度的各个特征矩阵的全局均值以得到多尺度泡液输出特征向量；响应模块170，用于计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计以得到分类特征向量；以及，发泡温度控制模块180，用于将所述分类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发泡温度值应增大或应减小。
具体地，在本申请实施例中，所述发泡监控模块110，用于获取预定时间段的泡液输出监控视频以及所述预定时间段内多个预定时间点的发泡温度值。生产聚氨酯的企业需要使用到聚氨酯发泡设备，聚氨酯发泡需要在一定的温度内进行，聚氨酯发泡温度太高时反应剧烈不易控制，使得注入较大箱体的泡液性能不均，也就是说，开始注入的泡液已经发生了化学反应，从而在迅速增大后使得后注入的泡液还未反应，而如果发泡温度过低，则聚氨酯凝固后弹性就会缺失。并且，在发泡模温度过高时，塑料内胆受热变形，泡液体系反应剧烈。因此，需要严格控制发泡模温度和发泡炉的环境温度。因此，期望一种优化的基于温度控制聚氨酯发泡的生产设备，其能够根据实际的情况对于发泡温度进行实时准确地控制，以保证生产的产品质量。
目前，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、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为发泡温度的实时智能控制提供了新的解决思路和方案。
相应地，考虑到在实际对于聚氨酯发泡的温度进行自适应控制时，所述发泡的温度值控制应适配于泡液输出后的状态变化情况，也就是，基于所述输出泡液的状态变化特征来自适应地控制所述发泡温度。这样，能够根据实际泡液的状态情况来对于发泡温度进行实时准确地调控，进而保证生成的产品质量。
具体地，在本申请的技术方案中，首先，通过摄像头获取预定时间段的泡液输出监控视频，以及通过温度传感器获取所述预定时间段内多个预定时间点的发泡温度值。
这样，可以在通过深度神经网络的处理后，基于所述输出泡液的状态变化特征来自适应地控制所述发泡温度，进而保证生成的产品质量。
具体地，在本申请实施例中，所述发泡温度特征提取模块120，用于将所述多个预定时间点的发泡温度值按照时间维度排列为发泡温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量。接着，考虑到所述预定时间段内的各个预定时间点的发泡温度在时序维度上都具有着动态性的关联特征信息，因此，为了能够充分提取出所述发泡温度的动态变化特征，进一步将所述多个预定时间点的发泡温度值按照时间维度排列为发泡温度输入向量后通过包含一维卷积层和全连接层的时序编码器中进行编码处理，以提取出所述发泡温度值在所述预定时间段内时间维度上动态变化特征分布信息，从而得到温度特征向量。
更具体地，在本申请实施例中，图3为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备中所述发泡温度特征提取模块的框图，如图3所示，所述发泡温度特征提取模块，包括：全连接编码单元210，用于使用所述时序编码器的全连接层以如下公式对所述发泡温度输入向量进行全连接编码以提取所述发泡温度输入向量中各个位置的发泡温度值的高维隐含特征，其中，所述公式为：
，其中
表示所述发泡温度值，
表示所述发泡温度输入向量，
表示权重矩阵，
表示偏置向量，
表示矩阵乘；以及，一维卷积编码单元220，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发泡温度输入向量进行一维卷积编码以提取所述发泡温度输入向量中各个位置的发泡温度值间的关联的高维隐含关联特征；其中，所述公式为：
其中，
表示卷积核在
方向上的宽度、
表示卷积核参数向量、
表示与卷积核函数运算的局部向量矩阵，
表示卷积核的尺寸，
表示所述发泡温度输入向量。
特别地，这里，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预定时间段内的各个时间点的发泡温度值在时序维度上的关联性特征和通过全连接编码提取所述各个时间点的发泡温度值的高维隐含特征。
具体地，在本申请实施例中，所述特征增强模块130，用于基于高斯密度图对所述温度特征向量进行特征级数据增强以得到温度特征矩阵。然后，考虑到发泡温度值在时间维度上具有着波动性，因此为了提高对于所述发泡温度的动态变化特征提取的精准度，进一步需要在高维特征空间中对于所述发泡温度的动态关联特征进行数据特征增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。
在本申请实施例中，图4为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备中所述特征增强模块的框图，如图4所示，所述特征增强模块，包括：高斯密度图构造单元310，用于构造所述温度特征向量的高斯密度图以得到第一高斯密度图；以及，高斯离散化单元320，用于对所述第一高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述温度特征矩阵。
也就是，在本申请的技术方案中，可以通过所述发泡温度值的先验分布，即高斯分布，来对于所述发泡温度在时序上的动态隐含关联特征进行数据增强。具体地，构造所述温度特征向量的高斯密度图，并对于所述高斯密度图进行高斯离散化，以在数据特征增广时不产生信息损失，从而得到温度特征矩阵。
具体地，在本申请实施例中，所述特征分布校正模块140，用于基于所述温度特征矩阵的转置矩阵，对所述温度特征矩阵进行特征分布校正以得到校正后温度特征矩阵。特别地，在本申请的技术方案中，在基于高斯密度图对所述温度特征向量进行特征级数据增强得到所述温度特征矩阵时，由于高斯离散化具有一定的随机性，这就使得所述温度特征矩阵的某些局部位置的特征分布会存在与所述温度特征矩阵的整体特征分布负相关的情况，从而影响通过计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的转移向量得到的所述分类特征向量的分类结果的准确性。
因此，本申请的申请人采用全正投影非线性重加权的方式对所述温度特征矩阵进行校正，也就是，基于所述温度特征矩阵的转置矩阵，以如下公式对所述温度特征矩阵进行特征分布校正以得到所述校正后温度特征矩阵；其中，所述公式为：
其中
和
分别为所述校正后温度特征矩阵和所述校正前温度特征矩阵，
表示
激活函数，
表示矩阵相乘，且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除，
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
这里，所述全正投影非线性重加权校正可以通过
函数来保证投影的全正以避免聚合温度特征矩阵内的负相关的局部分布，并同时引入了温度特征矩阵基于自身的非线性重加权机制来聚集温度特征矩阵的特征值分布，以使得修正后的温度特征矩阵的内在结构能够惩罚远距离连接而加强局部性耦合，这就实现了所述修正后的温度特征矩阵在高维特征空间内的与全正投影重加权对应的空间特征变换（spatial feature transform）的协同效果，进而提升了通过计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的转移向量得到的所述分类特征向量的分类结果的准确性。这样，能够根据实际的泡液状态情况来对于发泡温度进行实时准确地调控，进而保证生成的产品质量。
具体地，在本申请实施例中，所述泡液输出特征提取模块150，用于将所述预定时间段的泡液输出监控视频通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到多尺度泡液输出特征图，其中，所述第一卷积神经网络使用具有第一尺度的三维卷积核，所述第二卷积神经网络使用具有第二尺度的三维卷积核。进一步地，对于所述输出泡液状态的动态变化特征提取，考虑到所述预定时间段的泡液输出监控视频由多个预定时间点的泡液输出监控图像帧组成，因此，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述泡液输出监控视频的隐含特征提取。
特别地，考虑到所述泡液的状态变化特征在不同的时间跨度周期下具有着不同的模式变化特征信息，因此，进一步使用具有不同尺度的三维卷积核的卷积神经网络模型来进行所述泡液输出监控视频的动态特征挖掘。也就是，具体地，将所述预定时间段的泡液输出监控视频通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型中以得到多尺度泡液输出特征图，这里，所述第一卷积神经网络使用具有第一尺度的三维卷积核，所述第二卷积神经网络使用具有第二尺度的三维卷积核。
更具体地，在本申请实施例中，图5为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备中所述泡液输出特征提取模块的框图，如图5所示，所述泡液输出特征提取模块，包括：第一尺度特征提取单元410，用于使用所述双流网络模型的第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出第一尺度泡液特征图；第二尺度特征提取单元420，用于使用所述双流网络模型的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述第二尺度泡液特征图，以及多尺度级联单元430，用于将所述第一尺度泡液特征图和所述第二尺度泡液特征图进行级联以得到所述多尺度泡液输出特征图。
应可以理解，视频中的动作识别是一个具有挑战性的工作，与传统的图像分类相比，视频的时序部分为识别提供了额外信息，此外，视频还为单张视频帧提供了天然的数据增强。视频动作识别的难点就是综合利用静态帧的外观特征 (spatial info) 和帧之间的时序动作特征 (temporal info)，简单的利用神经网络进行视频动作识别的工作直接将连续的视频帧输入网络以期待网络同时学得这两种特征，但效果并不好。为此，出现了双流网络模型，通过静态帧的外观特征的神经网络和帧之间的时序动作特征神经网络分别抽取视频的空间和时序特征，最后通过对两个网络进行融合。
这样，通过所述包含不同尺度的第一卷积神经网络和第二卷积神经网络的双流网络模型来对于所述泡液输出监控视频进行特征提取，能够提取出所述泡液的状态在时间维度上的不同时间跨度下的多尺度动态变化特征分布信息。
具体地，在本申请实施例中，所述特征降维模块160，用于计算所述多尺度泡液输出特征图的沿通道维度的各个特征矩阵的全局均值以得到多尺度泡液输出特征向量。接着，再计算所述多尺度泡液输出特征图的沿通道维度的各个特征矩阵的全局均值，以在时间通道维度上对于表示所述各个时间点下的泡液的状态隐含特征分布信息的特征矩阵进行降维，从而得到多尺度泡液输出特征向量。这样，能够在数据特征降维时保留原有的所述泡液的状态在时间维度上的多尺度动态变化特征信息，以提高分类的准确性。
具体地，在本申请实施例中，所述响应模块170，用于计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计以得到分类特征向量。然后，计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计来表示所述发泡温度的动态关联特征与所述泡液状态的多尺度动态变化特征之间的关联性特征分布信息，即所述发泡温度的动态变化对于所述泡液状态的影响，并以此作为分类特征向量来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发泡温度值应增大或应减小的分类结果。这样，能够根据实际泡液的状态情况来对于发泡温度进行实时准确地调控。
进一步地，以如下公式计算计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计以得到分类特征向量；其中，所述公式为：
其中，
表示所述温度特征矩阵，
表示所述多尺度泡液输出特征向量，
表示所述分类特征向量。
具体地，在本申请实施例中，所述发泡温度控制模块180，用于将所述分类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发泡温度值应增大或应减小。这样，能够根据实际的泡液状态情况来对于发泡温度进行实时准确地调控，进而保证生成的产品质量。
更具体地，图6为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备中所述发泡温度控制模块的框图，如图6所示，所述发泡温度控制模块，包括：全连接编码单元510，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，分类单元520，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。
在本申请一具体示例中，所述分类器以如下公式对所述分类特征向量进行处理以得到分类结果，所述公式为：
，其中，
到
为权重矩阵，
到
为偏置向量，
为分类特征向量。
综上，基于本申请实施例的基于温度控制聚氨酯发泡的生产设备100被阐明，其通过包含一维卷积层和全连接层的时序编码器提取发泡温度值在预定时间段内时间维度上动态变化特征分布信息，通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型提取泡液的状态在时间维度上的不同时间跨度下的多尺度动态变化特征分布信息；计算二者之间的响应性估计表示发泡温度的动态关联特征与泡液状态的多尺度动态变化特征之间的关联性特征分布信息，进而基于泡液的状态变化特征来自适应地控制发泡温度。这样，可以根据实际泡液的状态情况对于发泡温度进行实时准确地调控，进而保证生成的产品质量。
示例性方法
图7为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备的使用方法的流程图。如图7所示，根据本申请实施例的基于温度控制聚氨酯发泡的生产设备的使用方法，其包括：S110，获取预定时间段的泡液输出监控视频以及所述预定时间段内多个预定时间点的发泡温度值；S120，将所述多个预定时间点的发泡温度值按照时间维度排列为发泡温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量；S130，基于高斯密度图对所述温度特征向量进行特征级数据增强以得到温度特征矩阵；S140，基于所述温度特征矩阵的转置矩阵，对所述温度特征矩阵进行特征分布校正以得到校正后温度特征矩阵；S150，将所述预定时间段的泡液输出监控视频通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到多尺度泡液输出特征图，其中，所述第一卷积神经网络使用具有第一尺度的三维卷积核，所述第二卷积神经网络使用具有第二尺度的三维卷积核；S160，计算所述多尺度泡液输出特征图的沿通道维度的各个特征矩阵的全局均值以得到多尺度泡液输出特征向量；S170，计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计以得到分类特征向量；以及，S180，将所述分类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发泡温度值应增大或应减小。
图8为根据本申请实施例的基于温度控制聚氨酯发泡的生产设备的使用方法的系统架构的示意图。如图8所示，在所述基于温度控制聚氨酯发泡的生产设备的使用方法的系统架构中，首先，获取预定时间段的泡液输出监控视频以及所述预定时间段内多个预定时间点的发泡温度值；然后，将所述多个预定时间点的发泡温度值按照时间维度排列为发泡温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量；接着，基于高斯密度图对所述温度特征向量进行特征级数据增强以得到温度特征矩阵；然后，基于所述温度特征矩阵的转置矩阵，对所述温度特征矩阵进行特征分布校正以得到校正后温度特征矩阵；接着，将所述预定时间段的泡液输出监控视频通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到多尺度泡液输出特征图，其中，所述第一卷积神经网络使用具有第一尺度的三维卷积核，所述第二卷积神经网络使用具有第二尺度的三维卷积核；然后，计算所述多尺度泡液输出特征图的沿通道维度的各个特征矩阵的全局均值以得到多尺度泡液输出特征向量；接着，计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计以得到分类特征向量；以及，最后，将所述分类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发泡温度值应增大或应减小。
在一个具体示例中，在上述基于温度控制聚氨酯发泡的生产设备的使用方法中，所述将所述多个预定时间点的发泡温度值按照时间维度排列为发泡温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量，包括：使用所述时序编码器的全连接层以如下公式对所述发泡温度输入向量进行全连接编码以提取所述发泡温度输入向量中各个位置的发泡温度值的高维隐含特征，其中，所述公式为：
，其中
表示所述发泡温度值，
表示所述发泡温度输入向量，
表示权重矩阵，
表示偏置向量，
表示矩阵乘；以及，使用所述时序编码器的一维卷积层以如下公式对所述发泡温度输入向量进行一维卷积编码以提取所述发泡温度输入向量中各个位置的发泡温度值间的关联的高维隐含关联特征；其中，所述公式为：
其中，
表示卷积核在
方向上的宽度、
表示卷积核参数向量、
表示与卷积核函数运算的局部向量矩阵，
表示卷积核的尺寸，
表示所述发泡温度输入向量。
在一个具体示例中，在上述基于温度控制聚氨酯发泡的生产设备的使用方法中，所述基于高斯密度图对所述温度特征向量进行特征级数据增强以得到温度特征矩阵，包括：构造所述温度特征向量的高斯密度图以得到第一高斯密度图；以及，对所述第一高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述温度特征矩阵。
在一个具体示例中，在上述基于温度控制聚氨酯发泡的生产设备的使用方法中，所述基于所述温度特征矩阵的转置矩阵，对所述温度特征矩阵进行特征分布校正以得到校正后温度特征矩阵，进一步包括：基于所述温度特征矩阵的转置矩阵，以如下公式对所述温度特征矩阵进行特征分布校正以得到所述校正后温度特征矩阵；其中，所述公式为：
其中
和
分别为所述校正后温度特征矩阵和所述校正前温度特征矩阵，
表示
激活函数，
表示矩阵相乘，且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除，
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
在一个具体示例中，在上述基于温度控制聚氨酯发泡的生产设备的使用方法中，所述将所述预定时间段的泡液输出监控视频通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到多尺度泡液输出特征图，其中，所述第一卷积神经网络使用具有第一尺度的三维卷积核，所述第二卷积神经网络使用具有第二尺度的三维卷积核，包括：使用所述双流网络模型的第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出第一尺度泡液特征图；使用所述双流网络模型的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述第二尺度泡液特征图；以及，将所述第一尺度泡液特征图和所述第二尺度泡液特征图进行级联以得到所述多尺度泡液输出特征图。
在一个具体示例中，在上述基于温度控制聚氨酯发泡的生产设备的使用方法中，所述计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计以得到分类特征向量，进一步包括：以如下公式计算计算所述温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计以得到分类特征向量；其中，所述公式为：
其中，
表示所述温度特征矩阵，
表示所述多尺度泡液输出特征向量，
表示所述分类特征向量。
在一个具体示例中，在上述基于温度控制聚氨酯发泡的生产设备的使用方法中，所述将所述分类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发泡温度值应增大或应减小，包括：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，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。
这里，本领域技术人员可以理解，上述厚基于温度控制聚氨酯发泡的生产设备的使用方法中的各个步骤的具体操作已经在上面参考图1到图6的厚基于温度控制聚氨酯发泡的生产设备的描述中得到了详细介绍，并因此，将省略其重复描述。
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。
Claims (7)
1.一种基于温度控制聚氨酯发泡的生产设备，其特征在于，包括：
发泡监控模块，用于获取预定时间段的泡液输出监控视频以及所述预定时间段内多个预定时间点的发泡温度值；
发泡温度特征提取模块，用于将所述多个预定时间点的发泡温度值按照时间维度排列为发泡温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量；
特征增强模块，用于基于高斯密度图对所述温度特征向量进行特征级数据增强以得到温度特征矩阵；
特征分布校正模块，用于基于所述温度特征矩阵的转置矩阵，对所述温度特征矩阵进行特征分布校正以得到校正后温度特征矩阵；
泡液输出特征提取模块，用于将所述预定时间段的泡液输出监控视频通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到多尺度泡液输出特征图，其中，所述第一卷积神经网络使用具有第一尺度的三维卷积核，所述第二卷积神经网络使用具有第二尺度的三维卷积核；
特征降维模块，用于计算所述多尺度泡液输出特征图的沿通道维度的各个特征矩阵的全局均值以得到多尺度泡液输出特征向量；
响应模块，用于计算所述校正后温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计以得到分类特征向量；以及发泡温度控制模块，用于将所述分类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发泡温度值应增大或应减小。
2.根据权利要求1所述的基于温度控制聚氨酯发泡的生产设备，其特征在于，所述发泡温度特征提取模块，包括：
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发泡温度输入向量进行全连接编码以提取所述发泡温度输入向量中各个位置的发泡温度值的高维隐含特征，其中，所述公式为：
，其中
表示所述发泡温度值，
表示所述发泡温度输入向量，
表示权重矩阵，
表示偏置向量，
表示矩阵乘；以及一维卷积编码单元，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发泡温度输入向量进行一维卷积编码以提取所述发泡温度输入向量中各个位置的发泡温度值间的关联的高维隐含关联特征；其中，所述公式为：
3.根据权利要求2所述的基于温度控制聚氨酯发泡的生产设备，其特征在于，所述特征增强模块，包括：
高斯密度图构造单元，用于构造所述温度特征向量的高斯密度图以得到第一高斯密度图；以及高斯离散化单元，用于对所述第一高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述温度特征矩阵。
4.根据权利要求3所述的基于温度控制聚氨酯发泡的生产设备，其特征在于，所述特征分布校正模块，进一步用于：基于所述温度特征矩阵的转置矩阵，以如下公式对所述温度特征矩阵进行特征分布校正以得到所述校正后温度特征矩阵；
其中，所述公式为：
5.根据权利要求4所述的基于温度控制聚氨酯发泡的生产设备，其特征在于，所述泡液输出特征提取模块，包括：
第一尺度特征提取单元，用于使用所述双流网络模型的第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出第一尺度泡液特征图；
第二尺度特征提取单元，用于使用所述双流网络模型的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述第二尺度泡液特征图；以及多尺度级联单元，用于将所述第一尺度泡液特征图和所述第二尺度泡液特征图进行级联以得到所述多尺度泡液输出特征图。
6.根据权利要求5所述的基于温度控制聚氨酯发泡的生产设备，其特征在于，所述响应模块，进一步用于：以如下公式计算所述校正后温度特征矩阵相对于所述多尺度泡液输出特征向量的响应性估计以得到分类特征向量；
其中，所述公式为：
7.根据权利要求6所述的基于温度控制聚氨酯发泡的生产设备，其特征在于，所述发泡温度控制模块，包括：
全连接编码单元，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211619089.0A CN115723287B (zh) | 2022-12-16 | 2022-12-16 | 基于温度控制聚氨酯发泡的生产设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211619089.0A CN115723287B (zh) | 2022-12-16 | 2022-12-16 | 基于温度控制聚氨酯发泡的生产设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115723287A CN115723287A (zh) | 2023-03-03 |
| CN115723287B true CN115723287B (zh) | 2023-06-13 |
Family
ID=85301391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211619089.0A Active CN115723287B (zh) | 2022-12-16 | 2022-12-16 | 基于温度控制聚氨酯发泡的生产设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115723287B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115896817B (zh) * | 2023-03-08 | 2023-05-19 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
| CN116819957B (zh) * | 2023-03-29 | 2024-03-08 | 福建省龙德新能源有限公司 | 电子级六氟磷酸锂的尾气处理系统及其方法 |
| CN116321620B (zh) * | 2023-05-11 | 2023-08-11 | 杭州行至云起科技有限公司 | 智能照明开关控制系统及其方法 |
| CN116744511B (zh) * | 2023-05-22 | 2024-01-05 | 杭州行至云起科技有限公司 | 智能调光调色照明系统及其方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0726056A (ja) * | 1993-07-16 | 1995-01-27 | Toshiba Corp | ウレタンフォームの製造方法及び製造装置 |
| JP2006281720A (ja) * | 2005-04-05 | 2006-10-19 | Toyo Tire & Rubber Co Ltd | ポリウレタン発泡原液成分供給装置と供給方法 |
| US20070182045A1 (en) * | 2006-02-03 | 2007-08-09 | Lg Electronics Inc. | Method for foaming of refrigerator cabinet with uniform density by feedback control and foaming system used thereof |
| CN110303631A (zh) * | 2019-06-26 | 2019-10-08 | 长虹美菱股份有限公司 | 一种冰箱用聚氨酯原料温度控制方法 |
| CN112976458A (zh) * | 2021-03-11 | 2021-06-18 | 山东大学 | 带有温度与压力调控系统的发泡装置及其发泡方法和应用 |
| CN113807318B (zh) * | 2021-10-11 | 2023-10-31 | 南京信息工程大学 | 一种基于双流卷积神经网络和双向gru的动作识别方法 |
| CN114565150A (zh) * | 2022-02-25 | 2022-05-31 | 青岛海尔工业智能研究院有限公司 | 一种发泡工艺优化方法、装置、设备和存储介质 |
-
2022
- 2022-12-16 CN CN202211619089.0A patent/CN115723287B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115723287A (zh) | 2023-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115723287B (zh) | 基于温度控制聚氨酯发泡的生产设备 | |
| CN115896817B (zh) | 氟氮混合气的生产方法及其系统 | |
| Huang et al. | Normalization techniques in training dnns: Methodology, analysis and application | |
| Kingma et al. | Glow: Generative flow with invertible 1x1 convolutions | |
| Huang et al. | Augmented normalizing flows: Bridging the gap between generative flows and latent variable models | |
| CN112597883A (zh) | 一种基于广义图卷积和强化学习的人体骨架动作识别方法 | |
| CN116036639B (zh) | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 | |
| CN116052050A (zh) | 洗涤剂智能化生产系统及其方法 | |
| CN116182471B (zh) | 智能化的节能冷库制冷系统及方法 | |
| Zhi-Min et al. | A survey of motion capture data earning as high dimensional time series | |
| CN106199581A (zh) | 一种随机集理论下的多机动目标跟踪方法 | |
| CN117404853B (zh) | 隧道掘进机外用循环水冷却系统及方法 | |
| Meng et al. | Autoregressive score matching | |
| Wang et al. | Sg-palm: a fast physically interpretable tensor graphical model | |
| CN107330912B (zh) | 一种基于多特征融合的稀疏表示的目标追踪方法 | |
| CN115019397B (zh) | 一种基于时空信息聚合的对比自监督人体行为识别方法及系统 | |
| CN117036901A (zh) | 一种基于视觉自注意力模型的小样本微调方法 | |
| WO2023237910A1 (en) | Adversarial data attack estimation by generative adversarial network based system | |
| CN116391193B (zh) | 以基于能量的潜变量模型为基础的神经网络的方法和设备 | |
| Agrawal et al. | Deep variational inference without pixel-wise reconstruction | |
| CN116825217B (zh) | 制备高纯五氟化磷的方法 | |
| CN113361510A (zh) | 超分网络模型训练方法、装置、电子设备以及存储介质 | |
| Pandit et al. | Sparse multivariate bernoulli processes in high dimensions | |
| Giri et al. | Learning distributional parameters for adaptive Bayesian sparse signal recovery | |
| CN112149053A (zh) | 一种基于低秩关联分析的多视图图像表征方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231227 Address after: 050000 South Building of Xinjie Business Building, Zhaiying South Street, Yuhua District, Shijiazhuang City, Hebei Province 0714 Patentee after: Shijiazhuang Baming Environmental Protection Technology Development Co.,Ltd. Address before: 050000 26 Yuxiang Street, Shijiazhuang City, Hebei Province Patentee before: HEBEI University OF SCIENCE AND TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240116 Address after: 050000 Road South, 200 meters east of the intersection of Yujing West Road and Chuangxin Street, Economic Development Zone, Xingtang County, Shijiazhuang City, Hebei Province Patentee after: Hebei Huafu pipeline anticorrosion heat insulation Co.,Ltd. Address before: 050000 South Building of Xinjie Business Building, Zhaiying South Street, Yuhua District, Shijiazhuang City, Hebei Province 0714 Patentee before: Shijiazhuang Baming Environmental Protection Technology Development Co.,Ltd. |
|
| TR01 | Transfer of patent right |