CN116048031A - 用于石油助剂生产的控制系统及其方法 - Google Patents
用于石油助剂生产的控制系统及其方法 Download PDFInfo
- Publication number
- CN116048031A CN116048031A CN202310333121.7A CN202310333121A CN116048031A CN 116048031 A CN116048031 A CN 116048031A CN 202310333121 A CN202310333121 A CN 202310333121A CN 116048031 A CN116048031 A CN 116048031A
- Authority
- CN
- China
- Prior art keywords
- stirring
- feature
- vector
- raw material
- classification
- 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.)
- Granted
Links
- 239000003208 petroleum Substances 0.000 title claims abstract description 94
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003756 stirring Methods 0.000 claims abstract description 440
- 239000002994 raw material Substances 0.000 claims abstract description 226
- 239000000654 additive Substances 0.000 claims abstract description 63
- 230000000996 additive effect Effects 0.000 claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims description 298
- 239000011159 matrix material Substances 0.000 claims description 73
- 238000000605 extraction Methods 0.000 claims description 49
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 28
- 230000004043 responsiveness Effects 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 20
- 230000003247 decreasing effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000013019 agitation Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 32
- 238000013507 mapping Methods 0.000 abstract description 14
- 238000013135 deep learning Methods 0.000 abstract description 12
- 239000012752 auxiliary agent Substances 0.000 abstract description 8
- 230000001105 regulatory effect Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000005065 mining Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 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
- 239000002002 slurry Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
公开了一种用于石油助剂生产的控制系统及其方法,其获取预定时间段内多个预定时间点的搅拌角度和所述多个预定时间点的搅拌原料的检测图像;然后,采用基于深度学习的人工智能技术,提取所述搅拌角度的时序变化特征,并挖掘多个预定时间点的搅拌原料的检测图像的高维隐含特征分布信息;建立所述搅拌原料的搅拌状态变化与所述搅拌角度之间的映射关系,以基于所述搅拌原料的状态变化来自适应地调控所述搅拌角度。这样,可以实时精准地调控搅拌角度,以优化石油助剂的生产质量。
Description
技术领域
本申请涉及智能化控制技术领域,且更为具体地,涉及一种用于石油助剂生产的控制系统及其方法。
背景技术
石油助剂是指在石油加工过程和石油产品中加入的起物理作用或化学作用的少量物质,又称为石油添加剂。石油助剂是经特别工艺处理的多种天然纤维与填充粒子及添加剂,按适当的级配和一定的工艺复合而成的粉末状产品,产品在钻井中加入后,在单向压力差作用下,能对地层的各种渗漏起到良好的封堵效果,使用方便,配伍性好,不影响泥浆性能。
石油助剂在生产时,需要对原料进行搅拌,使得多种原料之间相互混合,这时就需要一种专业的搅拌装置进行辅助作业。现有的石油助剂用搅拌装置在使用过程中,无法调节装置内搅拌片之间的间距,使得装置无法根据不同原料的特性,自由调节装置搅拌角度,降低装置使用灵活性。
因此,期待一种优化的用于石油助剂生产的控制方案。
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用于石油助剂生产的控制系统及其方法,其获取预定时间段内多个预定时间点的搅拌角度和所述多个预定时间点的搅拌原料的检测图像;然后,采用基于深度学习的人工智能技术,提取所述搅拌角度的时序变化特征,并挖掘多个预定时间点的搅拌原料的检测图像的高维隐含特征分布信息;建立所述搅拌原料的搅拌状态变化与所述搅拌角度之间的映射关系,以基于所述搅拌原料的状态变化来自适应地调控所述搅拌角度。这样,可以实时精准地调控搅拌角度,以优化石油助剂的生产质量。
根据本申请的一个方面,提供了一种用于石油助剂生产的控制系统,其包括:过程监控模块,用于获取预定时间段内多个预定时间点的搅拌角度和所述多个预定时间点的搅拌原料的检测图像;搅拌角度时序特征提取模块,用于将所述多个预定时间点的搅拌角度按照时间维度排列为搅拌角度输入向量后通过多尺度邻域特征提取模块以得到搅拌角度特征向量;搅拌原料状态特征提取模块,用于将所述多个预定时间点的搅拌原料的检测图像分别通过作为过滤器的卷积神经网络模型以得到多个搅拌原料状态特征向量;搅拌原料状态时序关联模块,用于将所述多个搅拌原料状态特征向量通过基于转换器的上下文编码器以得到搅拌原料状态时序语义特征向量;响应性估计模块,用于计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计以得到分类特征矩阵;以及控制结果生成模块,用于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搅拌角度应增大或应减小。
在上述用于石油助剂生产的控制系统中,所述多尺度邻域特征提取模块,包括:相互并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述用于石油助剂生产的控制系统中,所述搅拌角度时序特征提取模块,包括:第一尺度特征提取单元,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公式对所述搅拌角度输入向量进行一维卷积编码以得到第一尺度搅拌角度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;其中,所述公式为:其中,为第一卷积核在方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第一卷积核的尺寸,表示所述搅拌角度输入向量;第二尺度特征提取单元,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公式对所述搅拌角度输入向量进行一维卷积编码以得到第二尺度搅拌角度特征向量,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;其中,所述公式为:其中,为第二卷积核在方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第二卷积核的尺寸,表示所述搅拌角度输入向量;以及,级联单元,用于将所述第一尺度搅拌角度特征向量和所述第二尺度搅拌角度特征向量进行级联以得到所述搅拌角度特征向量。
在上述用于石油助剂生产的控制系统中,所述搅拌原料状态特征提取模块,进一步用于: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:对所述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均值池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个搅拌原料状态特征向量,所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个预定时间点的搅拌原料的检测图像。
在上述用于石油助剂生产的控制系统中,所述作为过滤器的卷积神经网络模型为深度残差网络模型。
在上述用于石油助剂生产的控制系统中,所述搅拌原料状态时序关联模块,包括:上下文理解单元,用于使用所述基于转换器的上下文编码器对所述多个搅拌原料状态特征向量进行基于全局的上下文语义编码以得到多个搅拌原料状态语义特征向量;以及,级联单元,用于将所述多个搅拌原料状态语义特征向量进行级联以得到搅拌原料状态时序语义特征向量。
在上述用于石油助剂生产的控制系统中,所述上下文理解单元,包括:查询向量构造子单元,用于将所述多个搅拌原料状态特征向量进行一维排列以得到全局搅拌原料状态特征向量;自注意子单元,用于计算所述全局搅拌原料状态特征向量与所述多个搅拌原料状态特征向量中各个搅拌原料状态特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述多个搅拌原料状态特征向量中各个搅拌原料状态特征向量进行加权以得到所述多个搅拌原料状态语义特征向量。
在上述用于石油助剂生产的控制系统中,所述响应性估计模块,包括:高斯密度图构造单元,用于构造所述搅拌原料状态时序语义特征向量和所述搅拌角度特征向量的自高斯密度图以得到第一自高斯密度图和第二自高斯密度图;响应单元,用于计算所述第一自高斯密度图相对于所述第二自高斯密度图的响应性估计以得到响应性高斯密度图;以及,高斯离散化单元,用于对所述响应性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分类特征矩阵。
在上述用于石油助剂生产的控制系统中,所述控制结果生成模块,包括:特征矩阵展开单元,用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;结构优化单元,用于以如下公式对所述分类特征向量进行向量的有序希尔伯特完备化以得到优化分类特征向量,其中,所述公式为:其中,和分别是所述分类特征向量和所述优化分类特征向量,表示所述分类特征向量的二范数的平方,是所述分类特征向量的各特征值按大小次序排列的有序向量,表示所述分类特征向量的转置,且所述分类特征向量是列向量形式,表示向量相乘,表示按位置点乘;以及,分类结果生成单元,用于将所述优化分类特征向量通过所述分类器以得到所述分类结果。
根据本申请的另一个方面,提供了一种用于石油助剂生产的控制方法,其包括:获取预定时间段内多个预定时间点的搅拌角度和所述多个预定时间点的搅拌原料的检测图像;将所述多个预定时间点的搅拌角度按照时间维度排列为搅拌角度输入向量后通过多尺度邻域特征提取模块以得到搅拌角度特征向量;将所述多个预定时间点的搅拌原料的检测图像分别通过作为过滤器的卷积神经网络模型以得到多个搅拌原料状态特征向量;将所述多个搅拌原料状态特征向量通过基于转换器的上下文编码器以得到搅拌原料状态时序语义特征向量;计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计以得到分类特征矩阵;以及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搅拌角度应增大或应减小。
与现有技术相比,本申请提供的用于石油助剂生产的控制系统及其方法,其获取预定时间段内多个预定时间点的搅拌角度和所述多个预定时间点的搅拌原料的检测图像;然后,采用基于深度学习的人工智能技术,提取所述搅拌角度的时序变化特征,并挖掘多个预定时间点的搅拌原料的检测图像的高维隐含特征分布信息;建立所述搅拌原料的搅拌状态变化与所述搅拌角度之间的映射关系,以基于所述搅拌原料的状态变化来自适应地调控所述搅拌角度。这样,可以实时精准地调控搅拌角度,以优化石油助剂的生产质量。
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用于石油助剂生产的控制系统的应用场景图。
图2为根据本申请实施例的用于石油助剂生产的控制系统的框图。
图3为根据本申请实施例的用于石油助剂生产的控制系统中所述搅拌角度时序特征提取模块的框图。
图4为根据本申请实施例的用于石油助剂生产的控制系统中所述搅拌原料状态时序关联模块的框图。
图5为根据本申请实施例的用于石油助剂生产的控制系统中所述上下文理解单元的框图。
图6为根据本申请实施例的用于石油助剂生产的控制系统中所述响应性估计模块的框图。
图7为根据本申请实施例的用于石油助剂生产的控制系统中所述控制结果生成模块的框图。
图8为根据本申请实施例的用于石油助剂生产的控制方法的流程图。
图9为根据本申请实施例的用于石油助剂生产的控制方法的系统架构的示意图。
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:如上所述,现有的石油助剂用搅拌装置在使用过程中,无法调节装置内搅拌片之间的间距,使得装置无法根据不同原料的特性,自由调节装置搅拌角度,降低装置使用灵活性。因此,期待一种优化的用于石油助剂生产的控制方案。
相应地,考虑到在实际进行石油助剂生产的过程中,石油助剂原料的搅拌作业可以通过对于搅拌原料的状态监测来实现搅拌片间的间距调整,进而来完成搅拌角度的自适应调控,优化石油助剂的生产质量。而又考虑到对于搅拌原料的状态监测可以通过对于多个预定时间点下的搅拌原料的检测图像分析来实现,但是,由于所述检测图像中存在的图像信息较多,难以对于搅拌原料的搅拌状态特征信息进行有效地提取,并且多个预定时间点下的关于搅拌原料的搅拌状态特征具有着时序的关联性关系,需要充分地对于这种关联性的特征分布信息进行挖掘来提高对于搅拌角度的控制精度。在此过程中,难点在于如何建立所述搅拌原料的搅拌状态变化与所述搅拌角度之间的映射关系,以使得基于所述搅拌原料的状态变化来自适应地调控所述搅拌角度以实现优化石油助剂的生产质量的目的。
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。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。
深度学习以及神经网络的发展为挖掘所述搅拌原料的搅拌状态变化与所述搅拌角度之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并建立所述搅拌原料的搅拌状态变化与所述搅拌角度之间的复杂映射关系。
具体地,在本申请的技术方案中,首先,通过角度传感器采集预定时间段内多个预定时间点的搅拌角度,并且通过摄像头采集所述多个预定时间点的搅拌原料的检测图像。接着,对于所述多个预定时间点的搅拌角度来说,考虑到所述搅拌角度在时间维度上具有着波动性,其在时间维度上的不同时间段内具有着不同的动态变化特征信息。因此,为了能够充分地提取出所述搅拌角度的时序变化特征,以此来准确地进行当前时间点的搅拌角度控制,在本申请的技术方案中,进一步将所述多个预定时间点的搅拌角度按照时间维度排列为搅拌角度输入向量后通过多尺度邻域特征提取模块中进行特征挖掘,以提取出所述搅拌角度在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征,从而得到搅拌角度特征向量。
然后,对于所述搅拌原料的检测图像来说,为了能够提取出图像中关于所述搅拌原料的搅拌状态变化特征信息,需要首先对于多个预定时间点下的搅拌原料的检测图像进行特征挖掘。具体地,在本申请的技术方案中,将所述多个预定时间点的搅拌原料的检测图像分别通过作为过滤器的卷积神经网络模型中进行处理,以提取出所述各个预定时间点下的搅拌原料的检测图像中关于原料搅拌状态的高维隐含特征分布信息,从而得到多个搅拌原料状态特征向量。特别地,这里,所述作为过滤器的卷积神经网络模型为深度残差网络模型。
进一步地,考虑到由于所述多个预定时间点下的搅拌原料的搅拌状态特征在时间维度上具有着时序关联性关系,为了能够充分挖掘出所述搅拌原料的状态变化在时序上的动态关联特征分布信息,以此来准确地进行当前时间点的搅拌角度控制,在本申请的技术方案中,将所述多个搅拌原料状态特征向量通过基于转换器的上下文编码器中进行编码,以此来挖掘出所述搅拌原料的搅拌状态在时间维度上基于全局的动态关联特征分布信息,从而得到搅拌原料状态时序语义特征向量。
也就是,基于transformer思想,利用转换器能够捕捉长距离上下文依赖的特性,对所述多个搅拌原料状态特征向量中各个搅拌原料状态特征向量进行基于全局的上下文语义编码以得到以所述多个搅拌原料状态特征向量的整体语义关联为上下文背景的上下文语义关联特征表示,从而得到多个搅拌原料状态时序关联特征向量,进一步再将所述多个搅拌原料状态时序关联特征向量进行级联来得到所述搅拌原料状态时序语义特征向量。应可以理解,在本申请的技术方案中,通过所述基于转换器的上下文编码器可以捕捉所述多个预定时间点下的关于搅拌原料的搅拌状态特征相对于所述搅拌状态特征在所述预定时间段内时序整体的基于全局的上下文语义关联特征表示。
然后,为了能够捕捉所述搅拌原料的搅拌状态的时序变化特征与所述搅拌角度的多尺度动态变化特征之间的映射关系,以此来提高对于搅拌角度实时控制的精准度,以优化石油助剂的生产质量,在本申请的技术方案中,进一步计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计以得到分类特征矩阵。
具体地,考虑到由于所述搅拌原料状态和所述搅拌角度在时间维度上都具有着波动性和不确定性,也就是说,不同的原料特性需要不同的搅拌角度,同时在不同的时间段内也会有着不同的原料状态变化。因此,为了提高对于当前时间点的搅拌角度的控制精准度,需要对于所述搅拌原料状态的时序动态关联特征和所述搅拌角度的动态关联特征进行数据增强。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,可以通过所述搅拌原料状态和所述搅拌角度的先验分布,即高斯分布,来分别对于所述搅拌原料状态的时序动态关联特征和所述搅拌角度的动态关联特征进行数据增强。具体地,在本申请的技术方案中,首先,分别构造所述搅拌角度特征向量和所述搅拌原料状态时序语义特征向量的高斯密度图以得到搅拌角度高斯密度图和原料状态高斯密度图。
接着,进一步再计算所述原料状态高斯密度图相对于所述搅拌角度高斯密度图的响应性估计来表示经过数据增强后的关于所述搅拌原料的搅拌状态时序变化特征与所述搅拌角度的多尺度动态变化特征间的关联性特征分布信息,从而得到响应高斯密度图。然后,将所述响应高斯密度图进行高斯离散化处理,以在数据特征增广时不产生信息损失,以此来提高后续分类的准确性,从而得到分类特征矩阵。
进一步地,再将所述分类特征矩阵通过分类器以得到用于表示当前时间点的搅拌角度应增大或应减小的分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括当前时间点的搅拌角度应增大,以及,当前时间点的搅拌角度应减小,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。应可以理解,在本申请的技术方案中,所述分类器的分类标签为搅拌角度的控制策略标签,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搅拌角度,以此来实现优化石油助剂的生产质量的目的。也就是说,在本申请的技术方案中,基于所述分类结果,生成搅拌片间的间距控制指令,进而来完成搅拌角度的自适应调控,优化石油助剂的生产质量。
特别地,在本申请的技术方案中,在基于高斯密度图计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计得到所述分类特征矩阵时,由于在高斯离散化时引入的随机特性,可能导致所述分类特征矩阵的整体特征分布在某些局部具有模糊化结构,从而降低所述分类特征矩阵的表达确定性,影响所述分类特征矩阵通过分类器得到的分类结果的准确性。
基于此,本申请的申请人首先将所述分类特征矩阵展开为分类特征向量,例如记为,再对所述分类特征向量进行向量的有序希尔伯特完备化,表示为: 是校正后的所述分类特征向量,
表示所述分类特征向量的二范数的平方,即所述分类特征向量自身的内积,是所述分类特征向量的各特征值按大小次序排列的有序向量,示所述分类特征向量的转置,且所述分类特征向量是列向量形式。
这里,通过将有序向量映射到由向量的自内积定义的希尔伯特空间内,可以实现特征集合的数值关系在一致性空间内的有意义的度量,以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间,并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化,可以避免由于模糊化结构降低所述分类特征矩阵的表达确定性,从而增大所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够实时精准地基于搅拌原料的状态变化来自适应地调控搅拌角度,以此来优化石油助剂的生产质量。
基于此,本申请提供了一种用于石油助剂生产的控制系统,其包括:过程监控模块,用于获取预定时间段内多个预定时间点的搅拌角度和所述多个预定时间点的搅拌原料的检测图像;搅拌角度时序特征提取模块,用于将所述多个预定时间点的搅拌角度按照时间维度排列为搅拌角度输入向量后通过多尺度邻域特征提取模块以得到搅拌角度特征向量;搅拌原料状态特征提取模块,用于将所述多个预定时间点的搅拌原料的检测图像分别通过作为过滤器的卷积神经网络模型以得到多个搅拌原料状态特征向量;搅拌原料状态时序关联模块,用于将所述多个搅拌原料状态特征向量通过基于转换器的上下文编码器以得到搅拌原料状态时序语义特征向量;响应性估计模块,用于计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计以得到分类特征矩阵;以及,控制结果生成模块,用于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搅拌角度应增大或应减小。
图1为根据本申请实施例的用于石油助剂生产的控制系统的应用场景图。如图1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搅拌角度(例如,图1中所示意的C1)和所述多个预定时间点的搅拌原料的检测图像(例如,图1中所示意的C2)。然后,将获取的搅拌角度和检测图像输入至部署有用于石油助剂生产的控制算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用用于石油助剂生产的控制算法对所述搅拌角度和所述检测图像进行处理,以生成用于表示当前时间点的搅拌角度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用于石油助剂生产的控制系统的框图。如图2所示,根据本申请实施例的用于石油助剂生产的控制系统100,包括:过程监控模块110,用于获取预定时间段内多个预定时间点的搅拌角度和所述多个预定时间点的搅拌原料的检测图像;搅拌角度时序特征提取模块120,用于将所述多个预定时间点的搅拌角度按照时间维度排列为搅拌角度输入向量后通过多尺度邻域特征提取模块以得到搅拌角度特征向量;搅拌原料状态特征提取模块130,用于将所述多个预定时间点的搅拌原料的检测图像分别通过作为过滤器的卷积神经网络模型以得到多个搅拌原料状态特征向量;搅拌原料状态时序关联模块140,用于将所述多个搅拌原料状态特征向量通过基于转换器的上下文编码器以得到搅拌原料状态时序语义特征向量;响应性估计模块150,用于计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计以得到分类特征矩阵;以及,控制结果生成模块160,用于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搅拌角度应增大或应减小。
具体地,在本申请实施例中,所述过程监控模块110,用于获取预定时间段内多个预定时间点的搅拌角度和所述多个预定时间点的搅拌原料的检测图像。如前所述,现有的石油助剂用搅拌装置在使用过程中,无法调节装置内搅拌片之间的间距,使得装置无法根据不同原料的特性,自由调节装置搅拌角度,降低装置使用灵活性。因此,期待一种优化的用于石油助剂生产的控制方案。
相应地,考虑到在实际进行石油助剂生产的过程中,石油助剂原料的搅拌作业可以通过对于搅拌原料的状态监测来实现搅拌片间的间距调整,进而来完成搅拌角度的自适应调控,优化石油助剂的生产质量。而又考虑到对于搅拌原料的状态监测可以通过对于多个预定时间点下的搅拌原料的检测图像分析来实现,但是,由于所述检测图像中存在的图像信息较多,难以对于搅拌原料的搅拌状态特征信息进行有效地提取,并且多个预定时间点下的关于搅拌原料的搅拌状态特征具有着时序的关联性关系,需要充分地对于这种关联性的特征分布信息进行挖掘来提高对于搅拌角度的控制精度。在此过程中,难点在于如何建立所述搅拌原料的搅拌状态变化与所述搅拌角度之间的映射关系,以使得基于所述搅拌原料的状态变化来自适应地调控所述搅拌角度以实现优化石油助剂的生产质量的目的。
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。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。
深度学习以及神经网络的发展为挖掘所述搅拌原料的搅拌状态变化与所述搅拌角度之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并建立所述搅拌原料的搅拌状态变化与所述搅拌角度之间的复杂映射关系。
具体地,在本申请的技术方案中,首先,通过角度传感器采集预定时间段内多个预定时间点的搅拌角度,并且通过摄像头采集所述多个预定时间点的搅拌原料的检测图像。
具体地,在本申请实施例中,所述搅拌角度时序特征提取模块120,用于将所述多个预定时间点的搅拌角度按照时间维度排列为搅拌角度输入向量后通过多尺度邻域特征提取模块以得到搅拌角度特征向量。接着,对于所述多个预定时间点的搅拌角度来说,考虑到所述搅拌角度在时间维度上具有着波动性,其在时间维度上的不同时间段内具有着不同的动态变化特征信息。
因此,为了能够充分地提取出所述搅拌角度的时序变化特征,以此来准确地进行当前时间点的搅拌角度控制,在本申请的技术方案中,进一步将所述多个预定时间点的搅拌角度按照时间维度排列为搅拌角度输入向量后通过多尺度邻域特征提取模块中进行特征挖掘,以提取出所述搅拌角度在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征,从而得到搅拌角度特征向量。
其中,所述多尺度邻域特征提取模块,包括:相互并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在本申请实施例中,图3为根据本申请实施例的用于石油助剂生产的控制系统中所述搅拌角度时序特征提取模块的框图,如图3所示,所述搅拌角度时序特征提取模块,包括:第一尺度特征提取单元210,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公式对所述搅拌角度输入向量进行一维卷积编码以得到第一尺度搅拌角度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;其中,所述公式为:其中,为第一卷积核在方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第一卷积核的尺寸,表示所述搅拌角度输入向量;第二尺度特征提取单元220,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公式对所述搅拌角度输入向量进行一维卷积编码以得到第二尺度搅拌角度特征向量,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;其中,所述公式为:其中,为第二卷积核在方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第二卷积核的尺寸,表示所述搅拌角度输入向量;以及,级联单元230,用于将所述第一尺度搅拌角度特征向量和所述第二尺度搅拌角度特征向量进行级联以得到所述搅拌角度特征向量。
具体地,在本申请实施例中,所述搅拌原料状态特征提取模块130,用于将所述多个预定时间点的搅拌原料的检测图像分别通过作为过滤器的卷积神经网络模型以得到多个搅拌原料状态特征向量。然后,对于所述搅拌原料的检测图像来说,为了能够提取出图像中关于所述搅拌原料的搅拌状态变化特征信息,需要首先对于多个预定时间点下的搅拌原料的检测图像进行特征挖掘。
具体地,在本申请的技术方案中,将所述多个预定时间点的搅拌原料的检测图像分别通过作为过滤器的卷积神经网络模型中进行处理,以提取出所述各个预定时间点下的搅拌原料的检测图像中关于原料搅拌状态的高维隐含特征分布信息,从而得到多个搅拌原料状态特征向量。特别地,这里,所述作为过滤器的卷积神经网络模型为深度残差网络模型。
其中,所述搅拌原料状态特征提取模块,进一步用于: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:对所述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均值池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个搅拌原料状态特征向量,所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个预定时间点的搅拌原料的检测图像。
具体地,在本申请实施例中,所述搅拌原料状态时序关联模块140,用于将所述多个搅拌原料状态特征向量通过基于转换器的上下文编码器以得到搅拌原料状态时序语义特征向量。进一步地,考虑到由于所述多个预定时间点下的搅拌原料的搅拌状态特征在时间维度上具有着时序关联性关系,为了能够充分挖掘出所述搅拌原料的状态变化在时序上的动态关联特征分布信息,以此来准确地进行当前时间点的搅拌角度控制,在本申请的技术方案中,将所述多个搅拌原料状态特征向量通过基于转换器的上下文编码器中进行编码,以此来挖掘出所述搅拌原料的搅拌状态在时间维度上基于全局的动态关联特征分布信息,从而得到搅拌原料状态时序语义特征向量。
也就是,基于transformer思想,利用转换器能够捕捉长距离上下文依赖的特性,对所述多个搅拌原料状态特征向量中各个搅拌原料状态特征向量进行基于全局的上下文语义编码以得到以所述多个搅拌原料状态特征向量的整体语义关联为上下文背景的上下文语义关联特征表示,从而得到多个搅拌原料状态时序关联特征向量,进一步再将所述多个搅拌原料状态时序关联特征向量进行级联来得到所述搅拌原料状态时序语义特征向量。
在本申请实施例中,图4为根据本申请实施例的用于石油助剂生产的控制系统中所述搅拌原料状态时序关联模块的框图,如图4所示,所述搅拌原料状态时序关联模块,包括:上下文理解单元310,用于使用所述基于转换器的上下文编码器对所述多个搅拌原料状态特征向量进行基于全局的上下文语义编码以得到多个搅拌原料状态语义特征向量;以及,级联单元320,用于将所述多个搅拌原料状态语义特征向量进行级联以得到搅拌原料状态时序语义特征向量。
进一步地,图5为根据本申请实施例的用于石油助剂生产的控制系统中所述上下文理解单元的框图,如图5所示,所述上下文理解单元,包括:查询向量构造子单元410,用于将所述多个搅拌原料状态特征向量进行一维排列以得到全局搅拌原料状态特征向量;自注意子单元420,用于计算所述全局搅拌原料状态特征向量与所述多个搅拌原料状态特征向量中各个搅拌原料状态特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化子单元430,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元440,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,注意力施加子单元450,用于分别以所述多个概率值中各个概率值作为权重对所述多个搅拌原料状态特征向量中各个搅拌原料状态特征向量进行加权以得到所述多个搅拌原料状态语义特征向量。
应可以理解,在本申请的技术方案中,通过所述基于转换器的上下文编码器可以捕捉所述多个预定时间点下的关于搅拌原料的搅拌状态特征相对于所述搅拌状态特征在所述预定时间段内时序整体的基于全局的上下文语义关联特征表示。
具体地,在本申请实施例中,所述响应性估计模块150,用于计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计以得到分类特征矩阵。然后,为了能够捕捉所述搅拌原料的搅拌状态的时序变化特征与所述搅拌角度的多尺度动态变化特征之间的映射关系,以此来提高对于搅拌角度实时控制的精准度,以优化石油助剂的生产质量,在本申请的技术方案中,进一步计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计以得到分类特征矩阵。
具体地,考虑到由于所述搅拌原料状态和所述搅拌角度在时间维度上都具有着波动性和不确定性,也就是说,不同的原料特性需要不同的搅拌角度,同时在不同的时间段内也会有着不同的原料状态变化。因此,为了提高对于当前时间点的搅拌角度的控制精准度,需要对于所述搅拌原料状态的时序动态关联特征和所述搅拌角度的动态关联特征进行数据增强。
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,可以通过所述搅拌原料状态和所述搅拌角度的先验分布,即高斯分布,来分别对于所述搅拌原料状态的时序动态关联特征和所述搅拌角度的动态关联特征进行数据增强。具体地,在本申请的技术方案中,首先,分别构造所述搅拌角度特征向量和所述搅拌原料状态时序语义特征向量的高斯密度图以得到搅拌角度高斯密度图和原料状态高斯密度图。
接着,进一步再计算所述原料状态高斯密度图相对于所述搅拌角度高斯密度图的响应性估计来表示经过数据增强后的关于所述搅拌原料的搅拌状态时序变化特征与所述搅拌角度的多尺度动态变化特征间的关联性特征分布信息,从而得到响应高斯密度图。然后,将所述响应高斯密度图进行高斯离散化处理,以在数据特征增广时不产生信息损失,以此来提高后续分类的准确性,从而得到分类特征矩阵。
在本申请实施例中,图6为根据本申请实施例的用于石油助剂生产的控制系统中所述响应性估计模块的框图,如图6所示,所述响应性估计模块,包括:高斯密度图构造单元510,用于构造所述搅拌原料状态时序语义特征向量和所述搅拌角度特征向量的自高斯密度图以得到第一自高斯密度图和第二自高斯密度图;响应单元520,用于计算所述第一自高斯密度图相对于所述第二自高斯密度图的响应性估计以得到响应性高斯密度图;以及,高斯离散化单元530,用于对所述响应性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分类特征矩阵。
具体地,在本申请实施例中,所述控制结果生成模块160,用于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搅拌角度应增大或应减小。进一步地,再将所述分类特征矩阵通过分类器以得到用于表示当前时间点的搅拌角度应增大或应减小的分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括当前时间点的搅拌角度应增大,以及,当前时间点的搅拌角度应减小,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。应可以理解,在本申请的技术方案中,所述分类器的分类标签为搅拌角度的控制策略标签,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搅拌角度,以此来实现优化石油助剂的生产质量的目的。也就是说,在本申请的技术方案中,基于所述分类结果,生成搅拌片间的间距控制指令,进而来完成搅拌角度的自适应调控,优化石油助剂的生产质量。
特别地,在本申请的技术方案中,在基于高斯密度图计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计得到所述分类特征矩阵时,由于在高斯离散化时引入的随机特性,可能导致所述分类特征矩阵的整体特征分布在某些局部具有模糊化结构,从而降低所述分类特征矩阵的表达确定性,影响所述分类特征矩阵通过分类器得到的分类结果的准确性。
图7为根据本申请实施例的用于石油助剂生产的控制系统中所述控制结果生成模块的框图,如图7所示,所述控制结果生成模块,包括:特征矩阵展开单元610,用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;结构优化单元620,用于以如下公式对所述分类特征向量进行向量的有序希尔伯特完备化以得到优化分类特征向量,其中,所述公式为:其中,和分别是所述分类特征向量和所述优化分类特征向量,表示所述分类特征向量的二范数的平方,是所述分类特征向量的各特征值按大小次序排列的有序向量,表示所述分类特征向量的转置,且所述分类特征向量是列向量形式,表示向量相乘,表示按位置点乘;以及,分类结果生成单元630,用于将所述优化分类特征向量通过所述分类器以得到所述分类结果。
这里,通过将有序向量映射到由向量的自内积定义的希尔伯特空间内,可以实现特征集合的数值关系在一致性空间内的有意义的度量,以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间,并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化,可以避免由于模糊化结构降低所述分类特征矩阵的表达确定性,从而增大所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够实时精准地基于搅拌原料的状态变化来自适应地调控搅拌角度,以此来优化石油助剂的生产质量。
使用所述分类器以如下公式对所述优化分类特征向量进行处理以获得所述分类结果,其中,所述公式为:,其中, 到为权重矩阵,到为偏置向量,为所述优化分类特征向量。
综上,基于本申请实施例的用于石油助剂生产的控制系统100被阐明,其获取预定时间段内多个预定时间点的搅拌角度和所述多个预定时间点的搅拌原料的检测图像;然后,采用基于深度学习的人工智能技术,提取所述搅拌角度的时序变化特征,并挖掘多个预定时间点的搅拌原料的检测图像的高维隐含特征分布信息;建立所述搅拌原料的搅拌状态变化与所述搅拌角度之间的映射关系,以基于所述搅拌原料的状态变化来自适应地调控所述搅拌角度。这样,可以实时精准地调控搅拌角度,以此来优化石油助剂的生产质量。
示例性方法:图8为根据本申请实施例的用于石油助剂生产的控制方法的流程图。如图8所示,根据本申请实施例的用于石油助剂生产的控制方法,其包括:S110,获取预定时间段内多个预定时间点的搅拌角度和所述多个预定时间点的搅拌原料的检测图像;S120,将所述多个预定时间点的搅拌角度按照时间维度排列为搅拌角度输入向量后通过多尺度邻域特征提取模块以得到搅拌角度特征向量;S130,将所述多个预定时间点的搅拌原料的检测图像分别通过作为过滤器的卷积神经网络模型以得到多个搅拌原料状态特征向量;S140,将所述多个搅拌原料状态特征向量通过基于转换器的上下文编码器以得到搅拌原料状态时序语义特征向量;S150,计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计以得到分类特征矩阵;以及,S160,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搅拌角度应增大或应减小。
图9为根据本申请实施例的用于石油助剂生产的控制方法的系统架构的示意图。如图9所示,在所述用于石油助剂生产的控制方法的系统架构中,首先,获取预定时间段内多个预定时间点的搅拌角度和所述多个预定时间点的搅拌原料的检测图像;然后,将所述多个预定时间点的搅拌角度按照时间维度排列为搅拌角度输入向量后通过多尺度邻域特征提取模块以得到搅拌角度特征向量;接着,将所述多个预定时间点的搅拌原料的检测图像分别通过作为过滤器的卷积神经网络模型以得到多个搅拌原料状态特征向量;然后,将所述多个搅拌原料状态特征向量通过基于转换器的上下文编码器以得到搅拌原料状态时序语义特征向量;接着,计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计以得到分类特征矩阵;以及,最后,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搅拌角度应增大或应减小。
在一个具体示例中,在上述用于石油助剂生产的控制方法中,所述多尺度邻域特征提取模块,包括:相互并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个具体示例中,在上述用于石油助剂生产的控制方法中,所述将所述多个预定时间点的搅拌角度按照时间维度排列为搅拌角度输入向量后通过多尺度邻域特征提取模块以得到搅拌角度特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述搅拌角度输入向量进行一维卷积编码以得到第一尺度搅拌角度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;其中,所述公式为:其中,为第一卷积核在方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第一卷积核的尺寸,表示所述搅拌角度输入向量;使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述搅拌角度输入向量进行一维卷积编码以得到第二尺度搅拌角度特征向量,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;其中,所述公式为:其中,为第二卷积核在方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第二卷积核的尺寸,表示所述搅拌角度输入向量;以及,将所述第一尺度搅拌角度特征向量和所述第二尺度搅拌角度特征向量进行级联以得到所述搅拌角度特征向量。
在一个具体示例中,在上述用于石油助剂生产的控制方法中,所述将所述多个预定时间点的搅拌原料的检测图像分别通过作为过滤器的卷积神经网络模型以得到多个搅拌原料状态特征向量,进一步包括: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:对所述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均值池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个搅拌原料状态特征向量,所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个预定时间点的搅拌原料的检测图像。
在一个具体示例中,在上述用于石油助剂生产的控制方法中,所述作为过滤器的卷积神经网络模型为深度残差网络模型。
在一个具体示例中,在上述用于石油助剂生产的控制方法中,所述将所述多个搅拌原料状态特征向量通过基于转换器的上下文编码器以得到搅拌原料状态时序语义特征向量,包括:使用所述基于转换器的上下文编码器对所述多个搅拌原料状态特征向量进行基于全局的上下文语义编码以得到多个搅拌原料状态语义特征向量;以及,将所述多个搅拌原料状态语义特征向量进行级联以得到搅拌原料状态时序语义特征向量。
在一个具体示例中,在上述用于石油助剂生产的控制方法中,所述使用所述基于转换器的上下文编码器对所述多个搅拌原料状态特征向量进行基于全局的上下文语义编码以得到多个搅拌原料状态语义特征向量,包括:将所述多个搅拌原料状态特征向量进行一维排列以得到全局搅拌原料状态特征向量;计算所述全局搅拌原料状态特征向量与所述多个搅拌原料状态特征向量中各个搅拌原料状态特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,分别以所述多个概率值中各个概率值作为权重对所述多个搅拌原料状态特征向量中各个搅拌原料状态特征向量进行加权以得到所述多个搅拌原料状态语义特征向量。
在一个具体示例中,在上述用于石油助剂生产的控制方法中,所述计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计以得到分类特征矩阵,包括:构造所述搅拌原料状态时序语义特征向量和所述搅拌角度特征向量的自高斯密度图以得到第一自高斯密度图和第二自高斯密度图;计算所述第一自高斯密度图相对于所述第二自高斯密度图的响应性估计以得到响应性高斯密度图;以及,对所述响应性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分类特征矩阵。
在一个具体示例中,在上述用于石油助剂生产的控制方法中,所述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搅拌角度应增大或应减小,包括:将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;以如下公式对所述分类特征向量进行向量的有序希尔伯特完备化以得到优化分类特征向量,其中,所述公式为:其中,和分别是所述分类特征向量和所述优化分类特征向量,表示所述分类特征向量的二范数的平方,是所述分类特征向量的各特征值按大小次序排列的有序向量,表示所述分类特征向量的转置,且所述分类特征向量是列向量形式,表示向量相乘,表示按位置点乘;以及,将所述优化分类特征向量通过所述分类器以得到所述分类结果。
本领域技术人员可以理解,上述用于石油助剂生产的控制方法中的各个步骤的具体操作已经在上面参考图1到图7的用于石油助剂生产的控制系统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。
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 (10)
1.一种用于石油助剂生产的控制系统,其特征在于,包括:过程监控模块,用于获取预定时间段内多个预定时间点的搅拌角度和所述多个预定时间点的搅拌原料的检测图像;搅拌角度时序特征提取模块,用于将所述多个预定时间点的搅拌角度按照时间维度排列为搅拌角度输入向量后通过多尺度邻域特征提取模块以得到搅拌角度特征向量;搅拌原料状态特征提取模块,用于将所述多个预定时间点的搅拌原料的检测图像分别通过作为过滤器的卷积神经网络模型以得到多个搅拌原料状态特征向量;搅拌原料状态时序关联模块,用于将所述多个搅拌原料状态特征向量通过基于转换器的上下文编码器以得到搅拌原料状态时序语义特征向量;响应性估计模块,用于计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计以得到分类特征矩阵;以及控制结果生成模块,用于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搅拌角度应增大或应减小。
2.根据权利要求1所述的用于石油助剂生产的控制系统,其特征在于,所述多尺度邻域特征提取模块,包括:相互并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
3.根据权利要求2所述的用于石油助剂生产的控制系统,其特征在于,所述搅拌角度时序特征提取模块,包括:第一尺度特征提取单元,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公式对所述搅拌角度输入向量进行一维卷积编码以得到第一尺度搅拌角度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;其中,所述公式为:其中,为第一卷积核在方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第一卷积核的尺寸,表示所述搅拌角度输入向量;第二尺度特征提取单元,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公式对所述搅拌角度输入向量进行一维卷积编码以得到第二尺度搅拌角度特征向量,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;其中,所述公式为:其中,为第二卷积核在方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第二卷积核的尺寸,表示所述搅拌角度输入向量;以及级联单元,用于将所述第一尺度搅拌角度特征向量和所述第二尺度搅拌角度特征向量进行级联以得到所述搅拌角度特征向量。
4.根据权利要求3所述的用于石油助剂生产的控制系统,其特征在于,所述搅拌原料状态特征提取模块,进一步用于: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:对所述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均值池化处理以得到池化特征图;以及对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个搅拌原料状态特征向量,所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个预定时间点的搅拌原料的检测图像。
5.根据权利要求4所述的用于石油助剂生产的控制系统,其特征在于,所述作为过滤器的卷积神经网络模型为深度残差网络模型。
6.根据权利要求5所述的用于石油助剂生产的控制系统,其特征在于,所述搅拌原料状态时序关联模块,包括:上下文理解单元,用于使用所述基于转换器的上下文编码器对所述多个搅拌原料状态特征向量进行基于全局的上下文语义编码以得到多个搅拌原料状态语义特征向量;以及级联单元,用于将所述多个搅拌原料状态语义特征向量进行级联以得到搅拌原料状态时序语义特征向量。
7.根据权利要求6所述的用于石油助剂生产的控制系统,其特征在于,所述上下文理解单元,包括:查询向量构造子单元,用于将所述多个搅拌原料状态特征向量进行一维排列以得到全局搅拌原料状态特征向量;自注意子单元,用于计算所述全局搅拌原料状态特征向量与所述多个搅拌原料状态特征向量中各个搅拌原料状态特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述多个搅拌原料状态特征向量中各个搅拌原料状态特征向量进行加权以得到所述多个搅拌原料状态语义特征向量。
8.根据权利要求7所述的用于石油助剂生产的控制系统,其特征在于,所述响应性估计模块,包括:高斯密度图构造单元,用于构造所述搅拌原料状态时序语义特征向量和所述搅拌角度特征向量的自高斯密度图以得到第一自高斯密度图和第二自高斯密度图;响应单元,用于计算所述第一自高斯密度图相对于所述第二自高斯密度图的响应性估计以得到响应性高斯密度图;以及高斯离散化单元,用于对所述响应性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分类特征矩阵。
9.根据权利要求8所述的用于石油助剂生产的控制系统,其特征在于,所述控制结果生成模块,包括:特征矩阵展开单元,用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;结构优化单元,用于以如下公式对所述分类特征向量进行向量的有序希尔伯特完备化以得到优化分类特征向量,其中,所述公式为:其中,和分别是所述分类特征向量和所述优化分类特征向量,表示所述分类特征向量的二范数的平方,是所述分类特征向量的各特征值按大小次序排列的有序向量,表示所述分类特征向量的转置,且所述分类特征向量是列向量形式,表示向量相乘,表示按位置点乘;以及分类结果生成单元,用于将所述优化分类特征向量通过所述分类器以得到所述分类结果。
10.一种用于石油助剂生产的控制方法,其特征在于,包括:获取预定时间段内多个预定时间点的搅拌角度和所述多个预定时间点的搅拌原料的检测图像;将所述多个预定时间点的搅拌角度按照时间维度排列为搅拌角度输入向量后通过多尺度邻域特征提取模块以得到搅拌角度特征向量;将所述多个预定时间点的搅拌原料的检测图像分别通过作为过滤器的卷积神经网络模型以得到多个搅拌原料状态特征向量;将所述多个搅拌原料状态特征向量通过基于转换器的上下文编码器以得到搅拌原料状态时序语义特征向量;计算所述搅拌原料状态时序语义特征向量相对于所述搅拌角度特征向量的响应性估计以得到分类特征矩阵;以及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搅拌角度应增大或应减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310333121.7A CN116048031B (zh) | 2023-03-31 | 2023-03-31 | 用于石油助剂生产的控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310333121.7A CN116048031B (zh) | 2023-03-31 | 2023-03-31 | 用于石油助剂生产的控制系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116048031A true CN116048031A (zh) | 2023-05-02 |
CN116048031B CN116048031B (zh) | 2023-08-04 |
Family
ID=86127647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310333121.7A Active CN116048031B (zh) | 2023-03-31 | 2023-03-31 | 用于石油助剂生产的控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116048031B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115998752A (zh) * | 2023-01-18 | 2023-04-25 | 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 |
CN116533529A (zh) * | 2023-05-12 | 2023-08-04 | 湖州东尼新能源有限公司 | 超声波焊接pc片的智能化控制方法及系统 |
CN116562760A (zh) * | 2023-05-09 | 2023-08-08 | 杭州君方科技有限公司 | 纺织化纤供应链监管方法及其系统 |
CN116551466A (zh) * | 2023-05-24 | 2023-08-08 | 深圳市捷辉创科技有限公司 | Cnc加工过程中的智能监控系统及其方法 |
CN116694129A (zh) * | 2023-08-07 | 2023-09-05 | 济宁九德半导体科技有限公司 | 用于紫外固化型油墨制备的自动控制系统及其方法 |
CN116726788A (zh) * | 2023-08-10 | 2023-09-12 | 克拉玛依市紫光技术有限公司 | 一种压裂用交联剂的制备方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034024A (zh) * | 2018-07-16 | 2018-12-18 | 浙江工业大学 | 基于图像目标检测的物流车辆车型分类识别方法 |
EP3620983A1 (en) * | 2018-09-05 | 2020-03-11 | Sartorius Stedim Data Analytics AB | Computer-implemented method, computer program product and system for data analysis |
CN115093190A (zh) * | 2022-07-29 | 2022-09-23 | 长兴贝斯德邦建材科技有限公司 | 气凝胶无机保温膏料及其智能化生产系统 |
CN115291646A (zh) * | 2022-07-08 | 2022-11-04 | 福建龙氟化工有限公司 | 用于氟化锂制备的能源管理控制系统及其控制方法 |
CN115393316A (zh) * | 2022-08-24 | 2022-11-25 | 维都利阀门有限公司 | 具有冲蚀状态监测系统的闪蒸阀及其监测方法 |
CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
CN115599049A (zh) * | 2022-08-31 | 2023-01-13 | 福建省龙氟新材料有限公司(Cn) | 用于无水氟化氢生产的能源管理控制系统及其控制方法 |
CN115761642A (zh) * | 2022-11-23 | 2023-03-07 | 华能伊敏煤电有限责任公司 | 基于图像处理的破碎作业监控方法及其系统 |
CN115841644A (zh) * | 2022-12-29 | 2023-03-24 | 杭州毓贞智能科技有限公司 | 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 |
-
2023
- 2023-03-31 CN CN202310333121.7A patent/CN116048031B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034024A (zh) * | 2018-07-16 | 2018-12-18 | 浙江工业大学 | 基于图像目标检测的物流车辆车型分类识别方法 |
EP3620983A1 (en) * | 2018-09-05 | 2020-03-11 | Sartorius Stedim Data Analytics AB | Computer-implemented method, computer program product and system for data analysis |
CN115291646A (zh) * | 2022-07-08 | 2022-11-04 | 福建龙氟化工有限公司 | 用于氟化锂制备的能源管理控制系统及其控制方法 |
CN115093190A (zh) * | 2022-07-29 | 2022-09-23 | 长兴贝斯德邦建材科技有限公司 | 气凝胶无机保温膏料及其智能化生产系统 |
CN115393316A (zh) * | 2022-08-24 | 2022-11-25 | 维都利阀门有限公司 | 具有冲蚀状态监测系统的闪蒸阀及其监测方法 |
CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
CN115599049A (zh) * | 2022-08-31 | 2023-01-13 | 福建省龙氟新材料有限公司(Cn) | 用于无水氟化氢生产的能源管理控制系统及其控制方法 |
CN115761642A (zh) * | 2022-11-23 | 2023-03-07 | 华能伊敏煤电有限责任公司 | 基于图像处理的破碎作业监控方法及其系统 |
CN115841644A (zh) * | 2022-12-29 | 2023-03-24 | 杭州毓贞智能科技有限公司 | 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 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115998752A (zh) * | 2023-01-18 | 2023-04-25 | 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 |
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 |
CN116562760A (zh) * | 2023-05-09 | 2023-08-08 | 杭州君方科技有限公司 | 纺织化纤供应链监管方法及其系统 |
CN116562760B (zh) * | 2023-05-09 | 2024-04-26 | 杭州君方科技有限公司 | 纺织化纤供应链监管方法及其系统 |
CN116533529A (zh) * | 2023-05-12 | 2023-08-04 | 湖州东尼新能源有限公司 | 超声波焊接pc片的智能化控制方法及系统 |
CN116533529B (zh) * | 2023-05-12 | 2023-09-29 | 湖州东尼新能源有限公司 | 超声波焊接pc片的智能化控制方法及系统 |
CN116551466A (zh) * | 2023-05-24 | 2023-08-08 | 深圳市捷辉创科技有限公司 | Cnc加工过程中的智能监控系统及其方法 |
CN116551466B (zh) * | 2023-05-24 | 2024-05-14 | 深圳市捷辉创科技有限公司 | Cnc加工过程中的智能监控系统及其方法 |
CN116694129A (zh) * | 2023-08-07 | 2023-09-05 | 济宁九德半导体科技有限公司 | 用于紫外固化型油墨制备的自动控制系统及其方法 |
CN116694129B (zh) * | 2023-08-07 | 2023-10-17 | 济宁九德半导体科技有限公司 | 用于紫外固化型油墨制备的自动控制系统及其方法 |
CN116726788A (zh) * | 2023-08-10 | 2023-09-12 | 克拉玛依市紫光技术有限公司 | 一种压裂用交联剂的制备方法 |
CN116726788B (zh) * | 2023-08-10 | 2023-11-10 | 克拉玛依市紫光技术有限公司 | 一种压裂用交联剂的制备方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116048031B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116048031B (zh) | 用于石油助剂生产的控制系统及其方法 | |
Kim et al. | Softflow: Probabilistic framework for normalizing flow on manifolds | |
Bukka et al. | Assessment of unsteady flow predictions using hybrid deep learning based reduced-order models | |
CN111814875B (zh) | 基于样式生成对抗网络的红外图像中舰船样本扩充方法 | |
CN116036639B (zh) | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 | |
Gupta et al. | Three-dimensional deep learning-based reduced order model for unsteady flow dynamics with variable Reynolds number | |
Gupta et al. | A hybrid partitioned deep learning methodology for moving interface and fluid–structure interaction | |
EP3704550B1 (en) | Generation of a control system for a target system | |
CN115578676A (zh) | 绿色节能智能化染整工艺及其系统 | |
CN112632680B (zh) | 基于深度学习的大型土木工程结构的渗漏水状况重建方法 | |
CN116434117A (zh) | 一种复合聚丙烯酰胺驱油剂的制备方法 | |
Miyanawala et al. | A novel deep learning method for the predictions of current forces on bluff bodies | |
CN117227005A (zh) | 混凝土原料加工用生产控制系统及其方法 | |
CN117404853B (zh) | 隧道掘进机外用循环水冷却系统及方法 | |
EP4275149A1 (en) | Generation of realistic data for training of artificial neural networks | |
CN116051853A (zh) | 一种自控加水的和面罐及其使用方法 | |
CN116700008A (zh) | 通过活化给煤机控制的均匀出料控制系统 | |
Yan et al. | Bayesian inversion with neural operator (bino) for modeling subdiffusion: Forward and inverse problems | |
CN116375006A (zh) | 碳纳米管物理分散方法 | |
Racca et al. | Modelling spatiotemporal turbulent dynamics with the convolutional autoencoder echo state network | |
CN116385733A (zh) | 用于斗轮机的高精度定位系统及其方法 | |
CN116449881A (zh) | 智能气缸及其控制方法 | |
US20230394304A1 (en) | Method and Apparatus for Neural Network Based on Energy-Based Latent Variable Models | |
CN115857359A (zh) | 高强度泥土的制备工艺及其系统 | |
KR101880547B1 (ko) | 유사도 측정을 기반으로 한 동영상 특징 벡터 추출 방법 |
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 |