CN116149397B - 电子级双氧水存储的温度自适应控制系统 - Google Patents
电子级双氧水存储的温度自适应控制系统 Download PDFInfo
- Publication number
- CN116149397B CN116149397B CN202310424881.9A CN202310424881A CN116149397B CN 116149397 B CN116149397 B CN 116149397B CN 202310424881 A CN202310424881 A CN 202310424881A CN 116149397 B CN116149397 B CN 116149397B
- Authority
- CN
- China
- Prior art keywords
- temperature
- feature
- matrix
- time sequence
- hydrogen peroxide
- 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
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 title claims abstract description 315
- 238000009826 distribution Methods 0.000 claims abstract description 171
- 230000008859 change Effects 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims description 242
- 239000013598 vector Substances 0.000 claims description 140
- 238000000605 extraction Methods 0.000 claims description 71
- 230000003044 adaptive effect Effects 0.000 claims description 55
- 230000004927 fusion Effects 0.000 claims description 36
- 238000009529 body temperature measurement Methods 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000019771 cognition Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 abstract description 11
- 230000015556 catabolic process Effects 0.000 abstract description 10
- 238000006731 degradation reaction Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 9
- 238000003062 neural network model Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 29
- 230000000694 effects Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000009434 installation Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000002156 mixing Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/32—Hydrogen storage
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及智能控制领域,其具体地公开了一种电子级双氧水存储的温度自适应控制系统,其通过采用深度学习的神经网络模型挖掘出双氧水的存储场所中各个温度测量值之间的时序协同关联变化特征和各个温度传感器距离双氧水表面的距离值的隐含关联特征的关联性特征分布信息,以此来准确地进行双氧水的温度值检测评估,从而进行温度的自适应控制,避免造成双氧水分解或降解,优化产品品质。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种电子级双氧水存储的温度自适应控制系统。
背景技术
在电子级双氧水的存储过程中,温度是一个非常重要的存储环境参数。如果存储温度过高,会导致双氧水分解或降解,从而损害产品品质。而如果过低的温度,可能会形成冰晶并导致瓶子破裂。因此,在双氧水的存储过程中,要同时避免过高的温度或者过低的温度。
双氧水存储环境中的温度监测通过温度传感器来实现,但是,温度传感器的测量精度受多种因素的影响,例如,环境温度、供电压力等;其次,温度传感器的安装位置对实际测量结果也有较大影响,需要选择安装的位置。
因此,期待一种优化的用于电子级双氧水存储的温度自适应控制系统。
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电子级双氧水存储的温度自适应控制系统,其通过采用深度学习的神经网络模型挖掘出双氧水的存储场所中各个温度测量值之间的时序协同关联变化特征和各个温度传感器距离双氧水表面的距离值的隐含关联特征的关联性特征分布信息,以此来准确地进行双氧水的温度值检测评估,从而进行温度的自适应控制,避免造成双氧水分解或降解,优化产品品质。
根据本申请的一个方面,提供了一种电子级双氧水存储的温度自适应控制系统,其包括:温度测量模块,用于获取由部署于双氧水存储场所中的多个温度传感器采集的预定时间段内多个预定时间点的温度测量值;温度时序排列模块,用于将所述各个温度传感器采集的预定时间段内多个预定时间点的温度测量值分别按照时间维度排列为多个温度时序输入向量;温度时序变化特征提取模块,用于将所述多个温度时序输入向量分别通过多尺度邻域特征提取模块以得到多个温度分布时序特征向量;多温度时序特征融合模块,用于使用高斯密度图来融合所述多个温度分布时序特征向量以得到温度分布混合时序特征矩阵;度矩阵构造模块,用于构造所述多个温度传感器的度矩阵,其中,所述度矩阵的对角线位置上各个位置的特征值为相应温度传感器距离双氧水的表面的距离值;距离关联特征提取模块,用于将所述度矩阵通过作为特征提取器的卷积神经网络模型以得到度特征矩阵;关联编码模块,用于融合所述温度分布混合时序特征矩阵和所述度特征矩阵以得到解码特征矩阵;以及温度估计模块,用于将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的双氧水的温度的估计值;以及控制模块,用于基于所述解码值,生成温度控制指令。
在上述电子级双氧水存储的温度自适应控制系统中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
在上述电子级双氧水存储的温度自适应控制系统中,所述温度时序变化特征提取模块,包括:第一邻域尺度特征提取单元,用于将所述温度时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度分布时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二邻域尺度特征提取单元,用于将所述温度时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度分布时序特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,多尺度级联单元,用于将所述第一邻域尺度温度分布时序特征向量和所述第二邻域尺度温度分布时序特征向量进行级联以得到所述温度分布时序特征向量。其中,所述第一邻域尺度特征提取单元,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一维卷积公式对所述温度时序输入向量进行一维卷积编码以得到第一邻域尺度温度分布时序特征向量;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,/>表示所述温度时序输入向量,/>表示对所述温度时序输入向量进行一维卷积编码;以及,所述第二邻域尺度特征提取单元,用于:使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述温度时序输入向量进行一维卷积编码以得到所述第二邻域尺度温度分布时序特征向量;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,/>表示所述温度时序输入向量,/>表示对所述温度时序输入向量进行一维卷积编码。
在上述电子级双氧水存储的温度自适应控制系统中,所述多温度时序特征融合模块,用于:使用高斯密度图以如下融合公式来融合所述多个温度分布时序特征向量以得到温度分布混合时序特征矩阵;其中,所述公式为:,其中,/>表示所述温度分布混合时序特征矩阵的均值向量,/>表示所述温度分布混合时序特征矩阵的协方差矩阵,/>表示所述多个温度分布时序特征向量。
在上述电子级双氧水存储的温度自适应控制系统中,所述距离关联特征提取模块,用于:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述度特征矩阵,所述作为特征提取器的卷积神经网络的第一层的输入为所述度矩阵。
在上述电子级双氧水存储的温度自适应控制系统中,所述关联编码模块,用于:以如下优化公式将所述温度分布混合时序特征矩阵和所述度特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述解码特征矩阵;其中,所述优化公式为:,其中,/>和/>分别表示所述温度分布混合时序特征矩阵和所述度特征矩阵,/>和/>分别是所述温度分布混合时序特征矩阵和所述度特征矩阵中各个位置的特征值,/>和/>分别是所述温度分布混合时序特征矩阵和所述度特征矩阵的所有特征值的特征集合的均值和方差,/>和/>分别是特征矩阵的宽度和高度,/>表示特征矩阵的尺度,且 />是所述解码特征矩阵的各个位置特征值。
在上述电子级双氧水存储的温度自适应控制系统中,所述温度估计模块,用于:使用所述解码器以如下公式将所述解码特征矩阵进行解码回归以获得用于表示当前时间点的双氧水的温度的估计值的解码值;其中,所述公式为:,其中/>表示所述解码特征矩阵,/>是所述解码值,/>是权重矩阵,/>表示矩阵相乘。
根据本申请的另一方面,提供了一种电子级双氧水存储的温度自适应控制方法,其包括:获取由部署于双氧水存储场所中的多个温度传感器采集的预定时间段内多个预定时间点的温度测量值;将所述各个温度传感器采集的预定时间段内多个预定时间点的温度测量值分别按照时间维度排列为多个温度时序输入向量;将所述多个温度时序输入向量分别通过多尺度邻域特征提取模块以得到多个温度分布时序特征向量;使用高斯密度图来融合所述多个温度分布时序特征向量以得到温度分布混合时序特征矩阵;构造所述多个温度传感器的度矩阵,其中,所述度矩阵的对角线位置上各个位置的特征值为相应温度传感器距离双氧水的表面的距离值;距离关联特征提取模块,用于将所述度矩阵通过作为特征提取器的卷积神经网络模型以得到度特征矩阵;融合所述温度分布混合时序特征矩阵和所述度特征矩阵以得到解码特征矩阵;以及温度估计模块,用于将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的双氧水的温度的估计值;以及控制模块,用于基于所述解码值,生成温度控制指令。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的电子级双氧水存储的温度自适应控制方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的电子级双氧水存储的温度自适应控制方法。
与现有技术相比,本申请提供的一种电子级双氧水存储的温度自适应控制系统,其通过采用深度学习的神经网络模型挖掘出双氧水的存储场所中各个温度测量值之间的时序协同关联变化特征和各个温度传感器距离双氧水表面的距离值的隐含关联特征的关联性特征分布信息,以此来准确地进行双氧水的温度值检测评估,从而进行温度的自适应控制,避免造成双氧水分解或降解,优化产品品质。
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电子级双氧水存储的温度自适应控制系统的应用场景图。
图2为根据本申请实施例的电子级双氧水存储的温度自适应控制系统的框图。
图3为根据本申请实施例的电子级双氧水存储的温度自适应控制系统的系统架构图。
图4为根据本申请实施例的电子级双氧水存储的温度自适应控制系统中温度时序变化特征提取模块的框图。
图5为根据本申请实施例的电子级双氧水存储的温度自适应控制系统中卷积神经网络编码的流程图。
图6为根据本申请实施例的电子级双氧水存储的温度自适应控制方法的流程图。
图7为根据本申请实施例的电子设备的框图。
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。
申请概述:如前背景技术所言,双氧水存储环境中的温度监测通过温度传感器来实现,但是,温度传感器的测量精度受多种因素的影响,例如,环境温度、供电压力等;其次,温度传感器的安装位置对实际测量结果也有较大影响,需要选择安装的位置。因此,期待一种优化的用于电子级双氧水存储的温度自适应控制系统。
具体地,在本申请的技术方案中,在双氧水的存储场所中安装多个温度传感器,以通过所述多个温度传感器来采集温度时序分布,并基于各个温度时序分布的高维隐含信息来相互校验。并且,考虑到温度测量还受温度传感器的安装位置之间的影响,因此,在本申请的技术方案中,进一步构造度矩阵,所述度矩阵的对角线位置上各个位置的特征值为相应温度传感器距离双氧水的表面的距离值。这样,能够在电子级双氧水的存储过程中,在进行温度的时序分布监测时关注到各个位置的温度参数变化,以优化对于电子级双氧水的存储温度监测精准度,避免造成双氧水分解或降解,以及避免损害产品品质。在此过程中,难点在于如何挖掘出所述各个温度测量值之间的时序协同关联变化特征和所述各个温度传感器距离双氧水表面的距离值的隐含关联特征的关联性特征分布信息,以此来准确地进行双氧水的温度值检测评估,从而进行温度的自适应控制,避免造成双氧水分解或降解,优化产品品质。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述各个温度测量值之间的时序协同关联变化特征和所述各个温度传感器距离双氧水表面的距离值的隐含关联特征的关联性特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,通过部署于双氧水存储场所中的多个温度传感器采集预定时间段内多个预定时间点的温度测量值。接着,考虑到对于所述各个传感器测得的温度值来说,其在时间维度上有着时序的分布信息,也就是说,所述各个传感器测得的温度值在时间维度上有着动态性的变化规律,并且这种规律性具有着关于所述各个传感器整体的关联关系。因此,在本申请的技术方案中,为了能够提取出所述各个温度传感器采集的温度时序动态变化特征间的关联性特征信息,进一步将所述各个温度传感器采集的预定时间段内多个预定时间点的温度测量值分别按照时间维度排列为多个温度时序输入向量,以此来整合所述各个温度传感器采集的温度时序分布信息。
进一步地,考虑到所述各个温度传感器采集的温度值在时间维度上的不同时间跨度下具有着不同的模式状态变化特征,因此,在本申请的技术方案中,为了能够提取出这种温度值的时序多尺度变化特征信息,进一步将所述多个温度时序输入向量分别通过多尺度邻域特征提取模块中进行处理,以提取出每个所述传感器采集的温度值在不同时间周期跨度下的动态多尺度邻域关联特征,从而得到多个温度分布时序特征向量。
然后,考虑到每个温度传感器的所述温度分布时序特征向量在高维特征空间中都各自对应着一个特征分布流形,而这些特征分布流形由于本身的不规则形状和散布位置,如果仅通过将所述各个温度分布时序特征向量级联来表示所述各个温度传感器采集的温度值的时序动态变化特征的全局特征表示,将相当于简单地将这些特征分布流形按原位置和形状来进行叠加,使得新获得的特征分布流形的边界变得非常不规则和复杂,在通过梯度下降来寻找最优点时,非常容易陷入局部极值点中而无法获得全局最优点。因此,需要进一步地对所述各个温度分布时序特征向量进行适当的融合,使得各个特征分布能够相对于彼此在型面上收敛。
具体地,考虑到高斯密度图在深度学习中,广泛地用于基于先验的目标后验的估计,因此可以用于修正数据分布,从而实现上述目的。具体地,在本申请的技术方案中,使用高斯密度图来融合所述多个温度分布时序特征向量以得到温度分布混合时序特征矩阵。具体地,首先基于高斯分布构造所述各个温度分布时序特征向量的高斯密度图;接着,再将所述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,从而得到温度分布混合时序特征矩阵。
进一步地,考虑到对于温度的测量还受到所述各个温度传感器之间的安装位置的影响,也就是说,所述各个温度传感器所在的位置不同所测得的关于双氧水的温度时序变化情况也有所不同。因此,在本申请的技术方案中,进一步构造所述多个温度传感器的度矩阵。特别地,这里,所述度矩阵的对角线位置上各个位置的特征值为相应温度传感器距离双氧水的表面的距离值,以此来表示所述各个温度传感器与双氧水之间的距离拓扑情况,从而在后续进行双氧水温度评估时能够关注到所述各个温度传感器所呈现的温度时序变化对于温度测量贡献度的影响。接着,进一步将所述度矩阵通过作为特征提取器的卷积神经网络模型中进行特征挖掘,以提取出所述度矩阵中关于所述各个温度传感器与双氧水表面之间的距离拓扑特征信息,从而得到度特征矩阵。
然后,融合所述温度分布混合时序特征矩阵和所述度特征矩阵,以此来融合所述各个温度传感器的温度时序动态多尺度变化特征的高维关联特征信息和所述各个温度传感器距离双氧水表面的距离拓扑关联特征信息,从而得到具有着多位置温度时序变化关联特征和各个位置所呈现的温度时序变化对于温度测量贡献度的影响特征的关联性特征分布信息的解码特征矩阵。
接着,进一步再将所述解码特征矩阵通过解码器中进行解码回归,以得到用于表示当前时间点的双氧水的温度的估计值的解码值。也就是,将所述各个温度传感器的温度时序动态多尺度变化特征的高维关联特征信息和所述各个温度传感器距离双氧水表面的距离拓扑关联特征信息的融合特征信息进行解码,以此来基于多个位置处的温度时序变化特征信息和各个位置处的温度变化贡献度特征信息来综合进行双氧水的温度值检测评估,进而基于所述解码值,生成温度控制指令。具体地,响应于双氧水的温度值高于预定阈值,则生成降低温度的控制指令。
特别地,在本申请的技术方案中,在融合所述温度分布混合时序特征矩阵和所述度特征矩阵得到所述解码特征矩阵时,由于所述温度分布混合时序特征矩阵是多个多尺度邻域一维关联特征通过高斯密度图融合得到的,而所述度特征矩阵是直接由卷积神经网络模型的特征提取器进行二维关联特征提取得到的,其特征关联尺度并不相同。因此,如果能够提升所述解码特征矩阵对所述温度分布混合时序特征矩阵和所述度特征矩阵的基于尺度的关联融合效果,则可以提升所述解码特征矩阵的特征表达效果,从而提升其通过解码器得到的解码值的准确性。
基于此,本申请的申请人对所述温度分布混合时序特征矩阵,例如记为和所述度特征矩阵,例如记为/>进行基于尺度认知的高斯联合密度融合,以得到所述解码特征矩阵,具体表示为:/> 和/>分别是/>的特征集合(即,所述温度分布混合时序特征矩阵/>和所述度特征矩阵/>的所有特征值的特征集合)的均值和方差,/>和/>分别是特征矩阵的宽度和高度,/>表示特征矩阵的尺度,且/>是所述解码特征矩阵的特征值。
这里,所述基于尺度认知的高斯联合密度融合考虑到待融合特征的尺度最优表达特性,为了提高特征融合的有效性和相对于待融合特征的泛化性能,将具有尺度认知的高斯联合密度作为优势函数(advantage function),来对基于均值和方差的特征分布的回归表现差异(performance gap)进行策略表达(policy representation),从而提升特征融合的特征-尺度自依赖性,以提升所述解码特征矩阵对所述温度分布混合时序特征矩阵和所述度特征矩阵的基于尺度的关联融合效果,以提升所述解码特征矩阵的特征表达效果,从而改善其通过解码器得到的解码值的准确性。这样,能够准确地进行双氧水的存储温度值检测评估,以基于实际存储温度情况进行温度的自适应控制,避免造成双氧水分解或降解,优化产品品质。
基于此,本申请提出了一种电子级双氧水存储的温度自适应控制系统,其包括:温度测量模块,用于获取由部署于双氧水存储场所中的多个温度传感器采集的预定时间段内多个预定时间点的温度测量值;温度时序排列模块,用于将所述各个温度传感器采集的预定时间段内多个预定时间点的温度测量值分别按照时间维度排列为多个温度时序输入向量;温度时序变化特征提取模块,用于将所述多个温度时序输入向量分别通过多尺度邻域特征提取模块以得到多个温度分布时序特征向量;多温度时序特征融合模块,用于使用高斯密度图来融合所述多个温度分布时序特征向量以得到温度分布混合时序特征矩阵;度矩阵构造模块,用于构造所述多个温度传感器的度矩阵,其中,所述度矩阵的对角线位置上各个位置的特征值为相应温度传感器距离双氧水的表面的距离值;距离关联特征提取模块,用于将所述度矩阵通过作为特征提取器的卷积神经网络模型以得到度特征矩阵;关联编码模块,用于融合所述温度分布混合时序特征矩阵和所述度特征矩阵以得到解码特征矩阵;以及,温度估计模块,用于将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的双氧水的温度的估计值;以及,控制模块,用于基于所述解码值,生成温度控制指令。
图1为根据本申请实施例的电子级双氧水存储的温度自适应控制系统的应用场景图。如图1所示,在该应用场景中。通过部署于双氧水存储场所中的多个温度传感器(例如,如图1中所示意的T1,T2...,Tn)获取预定时间段内多个预定时间点的温度测量值。接着,将上述数据输入至部署有用于电子级双氧水存储的温度自适应控制算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述电子级双氧水存储的温度自适应控制算法对上述输入的数据进行处理,以生成解码值,所述解码值用于表示当前时间点的双氧水的温度的估计值,并基于解码值,生成温度控制指令。
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电子级双氧水存储的温度自适应控制系统的框图。如图2所示,根据本申请实施例的电子级双氧水存储的温度自适应控制系统300,包括:温度测量模块310;温度时序排列模块320;温度时序变化特征提取模块330;多温度时序特征融合模块340;度矩阵构造模块350;距离关联特征提取模块360;关联编码模块370;以及温度估计模块380;以及,控制模块390。
其中,所述温度测量模块310,用于获取由部署于双氧水存储场所中的多个温度传感器采集的预定时间段内多个预定时间点的温度测量值;所述温度时序排列模块320,用于将所述各个温度传感器采集的预定时间段内多个预定时间点的温度测量值分别按照时间维度排列为多个温度时序输入向量;所述温度时序变化特征提取模块330,用于将所述多个温度时序输入向量分别通过多尺度邻域特征提取模块以得到多个温度分布时序特征向量;所述多温度时序特征融合模块340,用于使用高斯密度图来融合所述多个温度分布时序特征向量以得到温度分布混合时序特征矩阵;所述度矩阵构造模块350,用于构造所述多个温度传感器的度矩阵,其中,所述度矩阵的对角线位置上各个位置的特征值为相应温度传感器距离双氧水的表面的距离值;所述距离关联特征提取模块360,用于将所述度矩阵通过作为特征提取器的卷积神经网络模型以得到度特征矩阵;所述关联编码模块370,用于融合所述温度分布混合时序特征矩阵和所述度特征矩阵以得到解码特征矩阵;以及,所述温度估计模块380,用于将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的双氧水的温度的估计值;以及,所述控制模块390,用于基于所述解码值,生成温度控制指令。
图3为根据本申请实施例的电子级双氧水存储的温度自适应控制系统的系统架构图。如图3所示,在该网络架构中,首先通过所述温度测量模块310获取由部署于双氧水存储场所中的多个温度传感器采集的预定时间段内多个预定时间点的温度测量值;接着,所述温度时序排列模块320将所述温度测量模块310获取的各个温度传感器采集的预定时间段内多个预定时间点的温度测量值分别按照时间维度排列为多个温度时序输入向量;所述温度时序变化特征提取模块330将所述温度时序排列模块320得到的多个温度时序输入向量分别通过多尺度邻域特征提取模块以得到多个温度分布时序特征向量;所述多温度时序特征融合模块340使用高斯密度图来融合所述温度时序变化特征提取模块330得到的多个温度分布时序特征向量以得到温度分布混合时序特征矩阵;然后,所述度矩阵构造模块350构造所述多个温度传感器的度矩阵,其中,所述度矩阵的对角线位置上各个位置的特征值为相应温度传感器距离双氧水的表面的距离值;所述距离关联特征提取模块360将所述度矩阵构造模块350构造所得的度矩阵通过作为特征提取器的卷积神经网络模型以得到度特征矩阵;所述关联编码模块370融合所述多温度时序特征融合模块340得到的温度分布混合时序特征矩阵和所述距离关联特征提取模块360度特征矩阵以得到解码特征矩阵;所述温度估计模块380将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的双氧水的温度的估计值;进而,控制模块390基于所述解码值,生成温度控制指令。
具体地,在所述电子级双氧水存储的温度自适应控制系统300的运行过程中,所述温度测量模块310,用于获取由部署于双氧水存储场所中的多个温度传感器采集的预定时间段内多个预定时间点的温度测量值。应可以理解,双氧水存储环境中的温度监测通过温度传感器来实现,但是,温度传感器的测量精度受多种因素的影响,因此,在本申请的技术方案中,在双氧水的存储场所中安装多个温度传感器,以通过所述多个温度传感器来采集温度时序分布,并基于各个温度时序分布的高维隐含信息来相互校验。也就是,通过挖掘出双氧水的存储场所中各个温度测量值之间的时序协同关联变化特征和各个温度传感器距离双氧水表面的距离值的隐含关联特征的关联性特征分布信息,以此来准确地进行双氧水的温度值检测评估,从而进行温度的自适应控制,避免造成双氧水分解或降解,优化产品品质。
具体地,在所述电子级双氧水存储的温度自适应控制系统300的运行过程中,所述温度时序排列模块320,用于将所述各个温度传感器采集的预定时间段内多个预定时间点的温度测量值分别按照时间维度排列为多个温度时序输入向量。考虑到对于所述各个传感器测得的温度值来说,其在时间维度上有着时序的分布信息,也就是说,所述各个传感器测得的温度值在时间维度上有着动态性的变化规律,并且这种规律性具有着关于所述各个传感器整体的关联关系。因此,在本申请的技术方案中,为了能够提取出所述各个温度传感器采集的温度时序动态变化特征间的关联性特征信息,进一步将所述各个温度传感器采集的预定时间段内多个预定时间点的温度测量值分别按照时间维度排列为多个温度时序输入向量,以此来整合所述各个温度传感器采集的温度时序分布信息。
具体地,在所述电子级双氧水存储的温度自适应控制系统300的运行过程中,所述温度时序变化特征提取模块330,用于将所述多个温度时序输入向量分别通过多尺度邻域特征提取模块以得到多个温度分布时序特征向量。考虑到,在本申请的技术方案中,所述各个温度传感器的温度值在时间维度上的不同跨度下具有不同的模式状态变化特征,因此,将所述多个温度时序输入向量分别通过多尺度邻域特征提取模块,以提取出每个所述传感器采集的温度在不同时间跨度下的动态多尺度邻域关联特征,从而得到多个温度时序分布向量。其中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
图4为根据本申请实施例的电子级双氧水存储的温度自适应控制系统中温度时序变化特征提取模块的框图。如图4所示,所述温度时序变化特征提取模块330,包括:第一邻域尺度特征提取单元331,用于将所述温度时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度分布时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二邻域尺度特征提取单元332,用于将所述温度时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度分布时序特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,多尺度级联单元333,用于将所述第一邻域尺度温度分布时序特征向量和所述第二邻域尺度温度分布时序特征向量进行级联以得到所述温度分布时序特征向量。其中,所述第一邻域尺度特征提取单元,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一维卷积公式对所述温度时序输入向量进行一维卷积编码以得到第一邻域尺度温度分布时序特征向量;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,/>表示所述温度时序输入向量,/>表示对所述温度时序输入向量进行一维卷积编码;以及,所述第二邻域尺度特征提取单元,用于:使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述温度时序输入向量进行一维卷积编码以得到所述第二邻域尺度温度分布时序特征向量;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,表示所述温度时序输入向量,/>表示对所述温度时序输入向量进行一维卷积编码。
具体地,在所述电子级双氧水存储的温度自适应控制系统300的运行过程中,所述多温度时序特征融合模块340,用于使用高斯密度图来融合所述多个温度分布时序特征向量以得到温度分布混合时序特征矩阵。考虑到每个温度传感器的所述温度分布时序特征向量在高维特征空间中都各自对应着一个特征分布流形,而这些特征分布流形由于本身的不规则形状和散布位置,如果仅通过将所述各个温度分布时序特征向量级联来表示所述各个温度传感器采集的温度值的时序动态变化特征的全局特征表示,将相当于简单地将这些特征分布流形按原位置和形状来进行叠加,使得新获得的特征分布流形的边界变得非常不规则和复杂,在通过梯度下降来寻找最优点时,非常容易陷入局部极值点中而无法获得全局最优点。因此,需要进一步地对所述各个温度分布时序特征向量进行适当的融合,使得各个特征分布能够相对于彼此在型面上收敛。具体地,考虑到高斯密度图在深度学习中,广泛地用于基于先验的目标后验的估计,因此可以用于修正数据分布,从而实现上述目的。具体地,在本申请的技术方案中,使用高斯密度图来融合所述多个温度分布时序特征向量以得到温度分布混合时序特征矩阵。具体地,首先基于高斯分布构造所述各个温度分布时序特征向量的高斯密度图;接着,再将所述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,从而得到温度分布混合时序特征矩阵。在本申请的一个具体示例中,使用高斯密度图以如下融合公式来融合所述多个温度分布时序特征向量以得到温度分布混合时序特征矩阵;其中,所述公式为:,其中,表示所述温度分布混合时序特征矩阵的均值向量,/>表示所述温度分布混合时序特征矩阵的协方差矩阵,/>表示所述多个温度分布时序特征向量。
具体地,在所述电子级双氧水存储的温度自适应控制系统300的运行过程中,所述度矩阵构造模块350,用于构造所述多个温度传感器的度矩阵,其中,所述度矩阵的对角线位置上各个位置的特征值为相应温度传感器距离双氧水的表面的距离值。考虑到对于温度的测量还受到所述各个温度传感器之间的安装位置的影响,也就是说,所述各个温度传感器所在的位置不同所测得的关于双氧水的温度时序变化情况也有所不同。因此,在本申请的技术方案中,进一步构造所述多个温度传感器的度矩阵。特别地,这里,所述度矩阵的对角线位置上各个位置的特征值为相应温度传感器距离双氧水的表面的距离值,以此来表示所述各个温度传感器与双氧水之间的距离拓扑情况,从而在后续进行双氧水温度评估时能够关注到所述各个温度传感器所呈现的温度时序变化对于温度测量贡献度的影响。
具体地,在所述电子级双氧水存储的温度自适应控制系统300的运行过程中,所述距离关联特征提取模块360,用于将所述度矩阵通过作为特征提取器的卷积神经网络模型以得到度特征矩阵。在本申请的技术方案中,进一步将所述度矩阵通过作为特征提取器的卷积神经网络模型以进行特征挖掘,以此来提取出度矩阵中关于所述各个温度传感器与双氧水表面之间的距离拓扑特征信息,从而得到度特征矩阵。在一个具体示例中,所述卷积神经网络包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述卷积神经网络的编码过程中,所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图5为根据本申请实施例的电子级双氧水存储的温度自适应控制系统中卷积神经网络编码的流程图。如图5所示,在所述卷积神经网络的编码过程中,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:S210,对输入数据进行卷积处理以得到卷积特征图;S220,对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,S230,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述度特征矩阵,所述作为特征提取器的卷积神经网络的第一层的输入为所述度矩阵。
具体地,在所述电子级双氧水存储的温度自适应控制系统300的运行过程中,所述关联编码模块370,用于融合所述温度分布混合时序特征矩阵和所述度特征矩阵以得到解码特征矩阵。也就是,在得到所述温度分布混合时序特征矩阵和所述度特征矩阵后,进一步将两者进行特征融合,以此来融合所述各个温度传感器的温度时序动态多尺度变化特征的高维关联特征信息和所述各个温度传感器距离双氧水表面的距离拓扑关联特征信息,从而得到具有着多位置温度时序变化关联特征和各个位置所呈现的温度时序变化对于温度测量贡献度的影响特征的关联性特征分布信息的解码特征矩阵。特别地,在融合所述温度分布混合时序特征矩阵和所述度特征矩阵得到所述解码特征矩阵时,由于所述温度分布混合时序特征矩阵是多个多尺度邻域一维关联特征通过高斯密度图融合得到的,而所述度特征矩阵是直接由卷积神经网络模型的特征提取器进行二维关联特征提取得到的,其特征关联尺度并不相同。因此,如果能够提升所述解码特征矩阵对所述温度分布混合时序特征矩阵和所述度特征矩阵的基于尺度的关联融合效果,则可以提升所述解码特征矩阵的特征表达效果,从而提升其通过解码器得到的解码值的准确性。基于此,本申请的申请人对所述温度分布混合时序特征矩阵,例如记为和所述度特征矩阵,例如记为/>进行基于尺度认知的高斯联合密度融合,以得到所述解码特征矩阵,具体表示为:,其中,/>和/>分别表示所述温度分布混合时序特征矩阵和所述度特征矩阵,/>和/>分别是所述温度分布混合时序特征矩阵和所述度特征矩阵中各个位置的特征值,/>和/>分别是所述温度分布混合时序特征矩阵和所述度特征矩阵的所有特征值的特征集合的均值和方差,/>和/>分别是特征矩阵的宽度和高度,/>表示特征矩阵的尺度,且 />是所述解码特征矩阵的各个位置特征值。
这里,所述基于尺度认知的高斯联合密度融合考虑到待融合特征的尺度最优表达特性,为了提高特征融合的有效性和相对于待融合特征的泛化性能,将具有尺度认知的高斯联合密度作为优势函数(advantage function),来对基于均值和方差的特征分布的回归表现差异(performance gap)进行策略表达(policy representation),从而提升特征融合的特征-尺度自依赖性,以提升所述解码特征矩阵对所述温度分布混合时序特征矩阵和所述度特征矩阵的基于尺度的关联融合效果,以提升所述解码特征矩阵的特征表达效果,从而改善其通过解码器得到的解码值的准确性。这样,能够准确地进行双氧水的存储温度值检测评估,以基于实际存储温度情况进行温度的自适应控制,避免造成双氧水分解或降解,优化产品品质。
具体地,在所述电子级双氧水存储的温度自适应控制系统300的运行过程中,所述温度估计模块380和所述控制模块390,用于将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的双氧水的温度的估计值;并基于所述解码值,生成温度控制指令。也就是,将所述各个温度传感器的温度时序动态多尺度变化特征的高维关联特征信息和所述各个温度传感器距离双氧水表面的距离拓扑关联特征信息的融合特征信息进行解码,以此来基于多个位置处的温度时序变化特征信息和各个位置处的温度变化贡献度特征信息来综合进行双氧水的温度值检测评估,进而基于所述解码值,生成温度控制指令。具体地,响应于双氧水的温度值高于预定阈值,则生成降低温度的控制指令。在一个示例中,使用所述解码器以如下公式将所述解码特征矩阵进行解码回归以获得用于表示当前时间点的双氧水的温度的估计值的解码值;其中,所述公式为:,其中/>表示所述解码特征矩阵,/>是所述解码值,/>是权重矩阵,/>表示矩阵相乘。
综上,根据本申请实施例的电子级双氧水存储的温度自适应控制系统300被阐明,其通过采用深度学习的神经网络模型挖掘出双氧水的存储场所中各个温度测量值之间的时序协同关联变化特征和各个温度传感器距离双氧水表面的距离值的隐含关联特征的关联性特征分布信息,以此来准确地进行双氧水的温度值检测评估,从而进行温度的自适应控制,避免造成双氧水分解或降解,优化产品品质。
如上所述,根据本申请实施例的电子级双氧水存储的温度自适应控制系统可以实现在各种终端设备中。在一个示例中,根据本申请实施例的电子级双氧水存储的温度自适应控制系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该电子级双氧水存储的温度自适应控制系统300可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该电子级双氧水存储的温度自适应控制系统300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,该电子级双氧水存储的温度自适应控制系统300与该终端设备也可以是分立的设备,并且该电子级双氧水存储的温度自适应控制系统300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法:图6为根据本申请实施例的电子级双氧水存储的温度自适应控制方法的流程图。如图6所示,根据本申请实施例的电子级双氧水存储的温度自适应控制方法,包括步骤:S110,获取由部署于双氧水存储场所中的多个温度传感器采集的预定时间段内多个预定时间点的温度测量值;S120,将所述各个温度传感器采集的预定时间段内多个预定时间点的温度测量值分别按照时间维度排列为多个温度时序输入向量;S130,将所述多个温度时序输入向量分别通过多尺度邻域特征提取模块以得到多个温度分布时序特征向量;S140,使用高斯密度图来融合所述多个温度分布时序特征向量以得到温度分布混合时序特征矩阵;S150,构造所述多个温度传感器的度矩阵,其中,所述度矩阵的对角线位置上各个位置的特征值为相应温度传感器距离双氧水的表面的距离值;S160,将所述度矩阵通过作为特征提取器的卷积神经网络模型以得到度特征矩阵;S170,融合所述温度分布混合时序特征矩阵和所述度特征矩阵以得到解码特征矩阵;以及,S180,将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的双氧水的温度的估计值;以及,S190,基于所述解码值,生成温度控制指令。
在一个示例中,在上述电子级双氧水存储的温度自适应控制方法中,所述步骤S130,包括:将所述温度时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度分布时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述温度时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度分布时序特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一邻域尺度温度分布时序特征向量和所述第二邻域尺度温度分布时序特征向量进行级联以得到所述温度分布时序特征向量。其中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。更具体地,将所述温度时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度分布时序特征向量,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一维卷积公式对所述温度时序输入向量进行一维卷积编码以得到第一邻域尺度温度分布时序特征向量;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,/>表示所述温度时序输入向量,表示对所述温度时序输入向量进行一维卷积编码;以及,将所述温度时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度分布时序特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述温度时序输入向量进行一维卷积编码以得到所述第二邻域尺度温度分布时序特征向量;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,/>表示所述温度时序输入向量,/>表示对所述温度时序输入向量进行一维卷积编码。
在一个示例中,在上述电子级双氧水存储的温度自适应控制方法中,所述步骤S140,包括:使用高斯密度图以如下融合公式来融合所述多个温度分布时序特征向量以得到温度分布混合时序特征矩阵;其中,所述公式为:,其中,/>表示所述温度分布混合时序特征矩阵的均值向量,/>表示所述温度分布混合时序特征矩阵的协方差矩阵,/>表示所述多个温度分布时序特征向量。
在一个示例中,在上述电子级双氧水存储的温度自适应控制方法中,所述步骤S160,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述度特征矩阵,所述作为特征提取器的卷积神经网络的第一层的输入为所述度矩阵。
在一个示例中,在上述电子级双氧水存储的温度自适应控制方法中,所述步骤S170,包括:以如下优化公式将所述温度分布混合时序特征矩阵和所述度特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述解码特征矩阵;其中,所述优化公式为:,其中,/>和/>分别表示所述温度分布混合时序特征矩阵和所述度特征矩阵,/>和/>分别是所述温度分布混合时序特征矩阵和所述度特征矩阵中各个位置的特征值,/>和/>分别是所述温度分布混合时序特征矩阵和所述度特征矩阵的所有特征值的特征集合的均值和方差,/>和/>分别是特征矩阵的宽度和高度,/>表示特征矩阵的尺度,且/>是所述解码特征矩阵的各个位置特征值。
在一个示例中,在上述电子级双氧水存储的温度自适应控制方法中,所述步骤S180,包括:使用所述解码器以如下公式将所述解码特征矩阵进行解码回归以获得用于表示当前时间点的双氧水的温度的估计值的解码值;其中,所述公式为:,其中表示所述解码特征矩阵,/>是所述解码值,/>是权重矩阵,/>表示矩阵相乘。
综上,根据本申请实施例的电子级双氧水存储的温度自适应控制方法被阐明,其通过采用深度学习的神经网络模型挖掘出双氧水的存储场所中各个温度测量值之间的时序协同关联变化特征和各个温度传感器距离双氧水表面的距离值的隐含关联特征的关联性特征分布信息,以此来准确地进行双氧水的温度值检测评估,从而进行温度的自适应控制,避免造成双氧水分解或降解,优化产品品质。
示例性电子设备:下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的电子级双氧水存储的温度自适应控制系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如温度分布混合时序特征矩阵等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的电子级双氧水存储的温度自适应控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的电子级双氧水存储的温度自适应控制方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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)
1.一种电子级双氧水存储的温度自适应控制系统,其特征在于,包括:
温度测量模块,用于获取由部署于双氧水存储场所中的多个温度传感器采集的预定时间段内多个预定时间点的温度测量值;
温度时序排列模块,用于将所述各个温度传感器采集的预定时间段内多个预定时间点的温度测量值分别按照时间维度排列为多个温度时序输入向量;
温度时序变化特征提取模块,用于将所述多个温度时序输入向量分别通过多尺度邻域特征提取模块以得到多个温度分布时序特征向量;
多温度时序特征融合模块,用于使用高斯密度图来融合所述多个温度分布时序特征向量以得到温度分布混合时序特征矩阵;
度矩阵构造模块,用于构造所述多个温度传感器的度矩阵,其中,所述度矩阵的对角线位置上各个位置的特征值为相应温度传感器距离双氧水的表面的距离值;
距离关联特征提取模块,用于将所述度矩阵通过作为特征提取器的卷积神经网络模型以得到度特征矩阵;
关联编码模块,用于融合所述温度分布混合时序特征矩阵和所述度特征矩阵以得到解码特征矩阵;以及
温度估计模块,用于将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的双氧水的温度的估计值;以及
控制模块,用于基于所述解码值,生成温度控制指令;
其中,所述关联编码模块,用于:以如下优化公式将所述温度分布混合时序特征矩阵和所述度特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述解码特征矩阵;
其中,所述优化公式为:
2.根据权利要求1所述的电子级双氧水存储的温度自适应控制系统,其特征在于,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
3.根据权利要求2所述的电子级双氧水存储的温度自适应控制系统,其特征在于,所述温度时序变化特征提取模块,包括:
第一邻域尺度特征提取单元,用于将所述温度时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度分布时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二邻域尺度特征提取单元,用于将所述温度时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度分布时序特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
多尺度级联单元,用于将所述第一邻域尺度温度分布时序特征向量和所述第二邻域尺度温度分布时序特征向量进行级联以得到所述温度分布时序特征向量;
其中,所述第一邻域尺度特征提取单元,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一维卷积公式对所述温度时序输入向量进行一维卷积编码以得到第一邻域尺度温度分布时序特征向量;
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,/>表示所述温度时序输入向量,/>表示对所述温度时序输入向量进行一维卷积编码;以及
所述第二邻域尺度特征提取单元,用于:使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述温度时序输入向量进行一维卷积编码以得到所述第二邻域尺度温度分布时序特征向量;
其中,所述公式为:
5.根据权利要求4所述的电子级双氧水存储的温度自适应控制系统,其特征在于,所述距离关联特征提取模块,用于:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述度特征矩阵,所述作为特征提取器的卷积神经网络的第一层的输入为所述度矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310424881.9A CN116149397B (zh) | 2023-04-20 | 2023-04-20 | 电子级双氧水存储的温度自适应控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310424881.9A CN116149397B (zh) | 2023-04-20 | 2023-04-20 | 电子级双氧水存储的温度自适应控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116149397A CN116149397A (zh) | 2023-05-23 |
CN116149397B true CN116149397B (zh) | 2023-06-23 |
Family
ID=86356499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310424881.9A Active CN116149397B (zh) | 2023-04-20 | 2023-04-20 | 电子级双氧水存储的温度自适应控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116149397B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116652681A (zh) * | 2023-05-24 | 2023-08-29 | 浙江沃沃阀门有限公司 | 锻钢阀阀盖自动化多工位机加工设备及方法 |
CN117613326B (zh) * | 2024-01-23 | 2024-04-05 | 新研氢能源科技有限公司 | 一种基于区域温度的燃料电池控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190974A (zh) * | 2021-04-09 | 2021-07-30 | 广东工业大学 | 基于深度学习的辊道窑温度场多点预测方法 |
CN115845428A (zh) * | 2023-02-28 | 2023-03-28 | 福建省龙德新能源有限公司 | 用于诱导六氟磷酸结晶的超声波装置及其控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100399236B1 (ko) * | 1999-08-17 | 2003-09-22 | 재단법인 포항산업과학연구원 | 신경회로망을 이용한 수중 초음파 거리측정장치 |
CN102305998B (zh) * | 2011-09-19 | 2013-03-13 | 中国石油天然气股份有限公司 | 基于井下多参数实时监测的抽油机闭环控制方法及系统 |
CN107894710B (zh) * | 2017-10-13 | 2020-04-24 | 杭州电子科技大学 | 一种裂解反应炉温度的主成分分析建模方法 |
AU2021100960A4 (en) * | 2021-02-21 | 2021-05-27 | Atkar, Ratansingh DR | Artificial Intelligence Based Cooling System for Managing the Energy Efficiency |
CN115206230B (zh) * | 2022-07-29 | 2023-04-28 | 浙江传媒学院 | 驱动电路及其驱动控制方法 |
CN115688592B (zh) * | 2022-11-09 | 2023-05-09 | 福建德尔科技股份有限公司 | 用于电子级四氟化碳制备的精馏控制系统及其方法 |
CN115709580A (zh) * | 2023-01-10 | 2023-02-24 | 广州声博士声学技术有限公司 | 一种碳塑隔声板的制备方法 |
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 |
-
2023
- 2023-04-20 CN CN202310424881.9A patent/CN116149397B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190974A (zh) * | 2021-04-09 | 2021-07-30 | 广东工业大学 | 基于深度学习的辊道窑温度场多点预测方法 |
CN115845428A (zh) * | 2023-02-28 | 2023-03-28 | 福建省龙德新能源有限公司 | 用于诱导六氟磷酸结晶的超声波装置及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116149397A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116149397B (zh) | 电子级双氧水存储的温度自适应控制系统 | |
Sun et al. | LIF: A new Kriging based learning function and its application to structural reliability analysis | |
Wang et al. | Time-variant reliability assessment through equivalent stochastic process transformation | |
Crombecq et al. | A novel sequential design strategy for global surrogate modeling | |
Chen et al. | A hybrid Kriging-based reliability method for small failure probabilities | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
Hu et al. | Event-based input and state estimation for linear discrete time-varying systems | |
CN116247824B (zh) | 电力设备的控制方法及其系统 | |
CN116820052B (zh) | Pbt材料生产设备及其控制方法 | |
CN115906000A (zh) | 基于多传感器融合的挖掘大块检测方法及其系统 | |
Papaioannou et al. | Time-series forecasting using manifold learning, radial basis function interpolation, and geometric harmonics | |
CN116859830B (zh) | 用于电子级氟化铵生产的生产管理控制系统 | |
CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
CN116579618A (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
El Amri et al. | Data-driven stochastic inversion via functional quantization | |
CN115296984A (zh) | 异常网络节点的检测方法及装置、设备、存储介质 | |
Hess et al. | Generalized teacher forcing for learning chaotic dynamics | |
Huang et al. | A federated dictionary learning method for process monitoring with industrial applications | |
Javier et al. | Causal network inference in a dam system and its implications on feature selection for machine learning forecasting | |
CN117500100A (zh) | 汽车用镜头玻璃加热系统及方法 | |
CN116167833B (zh) | 基于联邦学习的互联网金融风险控制系统及其方法 | |
CN117134958A (zh) | 用于网络技术服务的信息处理方法及系统 | |
Wen et al. | Multivariate degradation system reliability analysis with multiple sources of uncertainty | |
CN116383714A (zh) | 用于斗轮机的设备保护系统及其方法 | |
CN116785967A (zh) | 用于电子级六氟磷酸锂制备的自动配料系统 |
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 |