CN116184972A - 空气分离装置的控制系统及其方法 - Google Patents

空气分离装置的控制系统及其方法 Download PDF

Info

Publication number
CN116184972A
CN116184972A CN202310480623.2A CN202310480623A CN116184972A CN 116184972 A CN116184972 A CN 116184972A CN 202310480623 A CN202310480623 A CN 202310480623A CN 116184972 A CN116184972 A CN 116184972A
Authority
CN
China
Prior art keywords
scale
feature
valve opening
vector
matrix
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.)
Withdrawn
Application number
CN202310480623.2A
Other languages
English (en)
Inventor
黄媛玲
江家祥
李凌盛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Deer Technology Corp
Original Assignee
Fujian Deer Technology Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujian Deer Technology Corp filed Critical Fujian Deer Technology Corp
Priority to CN202310480623.2A priority Critical patent/CN116184972A/zh
Publication of CN116184972A publication Critical patent/CN116184972A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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]
    • G05B19/41875—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 quality surveillance of production
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Separation By Low-Temperature Treatments (AREA)

Abstract

一种空气分离装置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气体压力值以及多个预定时间点的阀门开度值；采用基于深度学习的人工智能技术，挖掘气体压力值的时序动态变化特征和阀门开度值的时序动态变化特征，并进行二者的关联性特征信息的充分表达，基于此自适应地调整压力控制阀门的开度值，以确保设备运行稳定和气体输出的质量。

Description

空气分离装置的控制系统及其方法
技术领域
本申请涉及智能化控制技术领域，并且更具体地，涉及一种空气分离装置的控制系统及其方法。
背景技术
空气分离装置是一种用于将空气中的各种气体分离出来的设备，它利用了不同气体的沸点或分子大小等物理属性的差异，通过冷却、压缩和膜分离等技术将氧气、氮气、稀有气体等分离出来。这些被分离出来的纯气体可以用于工业制造、医疗用途、科学实验等领域。
自动调节压力是空气分离装置的一个重要功能之一，其作用是通过传感器监测气体压力变化，并自动调整阀门的开度，以确保设备运行稳定和气体输出的质量。这个功能的重要性在于：保证设备正常运行。当压力过高或过低时，会对设备的正常运行产生负面影响。例如，压力过高可能导致设备超负荷运行、破坏部件或引发安全事故；压力过低则可能导致设备无法正常工作，从而影响气体输出的质量和稳定性。
因此，期望一种优化的空气分离装置的控制系统。
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空气分离装置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气体压力值以及多个预定时间点的阀门开度值；采用基于深度学习的人工智能技术，挖掘气体压力值的时序动态变化特征和阀门开度值的时序动态变化特征，并进行二者的关联性特征信息的充分表达，基于此自适应地调整压力控制阀门的开度值，以确保设备运行稳定和气体输出的质量。
第一方面，提供了一种空气分离装置的控制系统，其包括：数据参数采集模块，用于获取预定时间段内多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值；参数时序排列模块，用于将所述多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值分别按照时间维度排列为气压压力输入向量和阀门开度输入向量；参数时序关联模块，用于对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；多尺度参数协同关联编码模块，用于将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到多尺度协同特征矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；阀门开度时序变化特征提取模块，用于将所述阀门开度输入向量通过多尺度邻域特征提取模块以得到阀门开度时序特征向量；特征查询模块，用于以所述阀门开度时序特征向量作为查询特征向量，计算其与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量；以及阀门开度控制模块，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阀门开度值应增大或应减小。
在上述空气分离装置的控制系统中，所述参数时序关联模块，用于：以如下编码公式对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；其中，所述编码公式为：
Figure SMS_1
，其中，/>
Figure SMS_2
表示所述气压压力输入向量，/>
Figure SMS_3
表示所述气压压力输入向量的转置向量，/>
Figure SMS_4
表示所述阀门开度输入向量，/>
Figure SMS_5
表示所述协同矩阵，
Figure SMS_6
表示矩阵相乘。
在上述空气分离装置的控制系统中，所述多尺度参数协同关联编码模块，包括：第一尺度参数协同关联特征提取单元，用于将所述协同矩阵通过所述集成模型的第一卷积神经网络以得到第一尺度子特征矩阵；第二尺度参数协同关联特征提取单元，用于将所述协同矩阵通过所述集成模型的第二卷积神经网络以得到第二尺度子特征矩阵；以及，多尺度特征融合单元，用于将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于特征尺度的融合以得到所述多尺度协同特征矩阵。
在上述空气分离装置的控制系统中，所述第一尺度参数协同关联特征提取单元，用于使用所述集成模型的第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、池化处理和非线性激活处理以由所述集成模型的第一卷积神经网络的最后一层的输出为第一尺度子特征矩阵，所述集成模型的第一卷积神经网络的第一层的输入为所述协同矩阵。
在上述空气分离装置的控制系统中，所述多尺度特征融合单元，用于：以如下优化公式将所述第一尺度子特征矩阵和所述第二尺度子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多尺度协同特征矩阵；其中，所述优化公式为：
Figure SMS_9
，其中，/>
Figure SMS_13
和/>
Figure SMS_16
分别表示所述第一尺度子特征矩阵和所述第二尺度子特征矩阵，/>
Figure SMS_8
和/>
Figure SMS_12
分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵中各个位置的特征值，/>
Figure SMS_15
和/>
Figure SMS_18
分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵的所有特征值的特征集合的均值和方差，/>
Figure SMS_7
是特征矩阵的尺度，/>
Figure SMS_11
和/>
Figure SMS_14
分别是特征矩阵的宽度和高度，且/>
Figure SMS_17
是所述多尺度协同特征矩阵的各个位置特征值，/>
Figure SMS_10
表示计算以所述数值为幂的自然指数函数值。
在上述空气分离装置的控制系统中，所述多尺度邻域特征提取模块，包括：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融合层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度。
在上述空气分离装置的控制系统中，所述阀门开度时序变化特征提取模块，包括：第一尺度提取单元，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第一卷积公式对所述阀门开度输入向量进行一维卷积编码以得到第一尺度阀门开度特征向量；其中，所述第一卷积公式为：
Figure SMS_25
，其中，/>
Figure SMS_21
为第一一维卷积核在/>
Figure SMS_23
方向上的宽度、/>
Figure SMS_22
为第一一维卷积核参数向量、 />
Figure SMS_24
为与第一一维卷积核函数运算的局部向量矩阵，/>
Figure SMS_27
为第一一维卷积核的尺寸，/>
Figure SMS_30
表示所述阀门开度输入向量，
Figure SMS_29
表示对所述阀门开度输入向量进行一维卷积编码；第二尺度提取单元，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第二卷积公式对所述阀门开度输入向量进行一维卷积编码以得到第二尺度阀门开度特征向量；其中，所述第二卷积公式为：
Figure SMS_32
，其中，/>
Figure SMS_20
为第二一维卷积核在/>
Figure SMS_26
方向上的宽度、/>
Figure SMS_28
为第二一维卷积核参数向量、/>
Figure SMS_33
为与第二一维卷积核函数运算的局部向量矩阵，
Figure SMS_31
为第二一维卷积核的尺寸，/>
Figure SMS_34
表示所述阀门开度输入向量，/>
Figure SMS_19
表示对所述阀门开度输入向量进行一维卷积编码；以及，级联单元，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度阀门开度特征向量和所述第二尺度阀门开度特征向量进行级联以得到所述阀门开度时序特征向量。
在上述空气分离装置的控制系统中，所述特征查询模块，用于：以如下查询公式计算所述阀门开度时序特征向量与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量；其中，所述查询公式为：
Figure SMS_35
，其中，/>
Figure SMS_36
表示所述多尺度协同特征矩阵，
Figure SMS_37
表示所述阀门开度时序特征向量，/>
Figure SMS_38
表示所述分类特征向量，/>
Figure SMS_39
表示向量相乘。
在上述空气分离装置的控制系统中，所述阀门开度控制模块，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。
第二方面，提供了一种空气分离装置的控制方法，其包括：获取预定时间段内多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值；将所述多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值分别按照时间维度排列为气压压力输入向量和阀门开度输入向量；对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到多尺度协同特征矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；将所述阀门开度输入向量通过多尺度邻域特征提取模块以得到阀门开度时序特征向量；以所述阀门开度时序特征向量作为查询特征向量，计算其与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量；以及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阀门开度值应增大或应减小。
与现有技术相比，本申请提供的空气分离装置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气体压力值以及多个预定时间点的阀门开度值；采用基于深度学习的人工智能技术，挖掘气体压力值的时序动态变化特征和阀门开度值的时序动态变化特征，并进行二者的关联性特征信息的充分表达，基于此自适应地调整压力控制阀门的开度值，以确保设备运行稳定和气体输出的质量。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的空气分离装置的控制系统的应用场景图。
图2为根据本申请实施例的空气分离装置的控制系统的框图。
图3为根据本申请实施例的空气分离装置的控制系统中所述多尺度参数协同关联编码模块的框图。
图4为根据本申请实施例的空气分离装置的控制系统中所述阀门开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空气分离装置的控制系统中所述阀门开度控制模块的框图。
图6为根据本申请实施例的空气分离装置的控制方法的流程图。
图7为根据本申请实施例的空气分离装置的控制方法的系统架构的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述，自动调节压力是空气分离装置的一个重要功能之一，其作用是通过传感器监测气体压力变化，并自动调整压力控制阀门的开度，以确保设备运行稳定和气体输出的质量。但是，当压力过高或过低时，会对设备的正常运行产生负面影响。例如，压力过高可能导致设备超负荷运行、破坏部件或引发安全事故；压力过低则可能导致设备无法正常工作，从而影响气体输出的质量和稳定性。因此，期望一种优化的空气分离装置的控制系统。
相应地，考虑到在实际利用空气分离装置进行压力自动调节时，对于压力控制阀门的开度值控制应适配于气体压力的变化情况，也就是说，基于气体压力的时序变化特征来自适应地调整压力控制阀门的开度值，以确保设备运行稳定和气体输出的质量。但是，由于所述气体压力值在时间维度上与所述阀门开度值之间具有着时序协同性的控制变化特征信息，并且由于所述气体压力值的时序变化的不确定性导致所述阀门开度值变化也具有着不确定性，使得这两者数据在时间维度上的不同时间跨度下具有着不同的变化模式，这对于阀门开度的自适应控制带来了困难。也就是说，在此过程中，难点在于如何进行所述气体压力值的时序动态变化特征和所述阀门开度值的时序动态变化特征的关联性特征信息的充分表达，以此来基于实际气体压力的变化情况来实时准确地进行阀门开度值的自适应控制，以确保设备运行稳定和气体输出的质量。
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气体压力值的时序动态变化特征和所述阀门开度值的时序动态变化特征的关联性特征信息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挖掘所述气体压力值的时序动态变化特征和所述阀门开度值的时序动态变化特征的关联性特征信息。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值。接着，考虑到由于所述气体压力值和所述阀门开度值在时间维度上都具有着动态性的变化规律，因此，为了能够对于所述气体压力值和所述阀门开度值在时间维度上的变化特征信息进行充分表达，在本申请的技术方案中，将所述多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值分别按照时间维度排列为气压压力输入向量和阀门开度输入向量，以此来分别整合所述气体压力值和所述阀门开度值在时序上的数据分布信息。
然后，考虑到由于所述气体压力值和所述阀门开度值之间在时间维度上具有着关于装置压力的时序协同动态关联特征信息，因此，在本申请的技术方案中，进一步对所述气压压力输入向量和所述阀门开度输入向量进行关联编码，以建立所述气体压力值和所述阀门开度值的数据时序分布信息的关联关系，从而得到协同矩阵。
进一步地，对于所述气体压力值和所述阀门开度值来说，由于所述气体压力值在时间维度上具有着波动性和不确定性，导致所述阀门开度值也具有着波动性和不确定性，因此，所述气体压力值和所述阀门开度值之间在不同的时间跨度下具有着不同的协同关联变化关系。基于此，在本申请的技术方案中，将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到多尺度协同特征矩阵。特别地，这里，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野，以此来提取出所述气体压力值和所述阀门开度值之间在时间维度上的不同时间跨度下的多尺度时序协同关联特征分布信息。
对于所述多个预定时间点的阀门开度值来说，由于所述阀门开度值在所述预定时间段内的不同时间周期跨度下具有着不同的动态变化特性，因此，为了能够对于阀门开度值进行实时准确地控制，以确保设备运行稳定和气体输出的质量，需要对于所述阀门开度值的时序动态变化特征进行捕捉提取，以进行所述阀门开度值的时序变化特征的充分表达。具体地，在本申请的技术方案中，将所述阀门开度输入向量通过多尺度邻域特征提取模块中进行编码，以提取出所述阀门开度值在不同时间跨度下的动态多尺度邻域关联特征，从而得到阀门开度时序特征向量。
接着，以所述阀门开度时序特征向量作为查询特征向量，计算其与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量，以此来表示在所述气体压力值和所述阀门开度值的时序协同多尺度关联特征为约束背景下的关于所述阀门开度值的多尺度动态变化特征信息。然后，将所述分类特征向量通过分类器中进行分类处理，以得到用于表示当前时间点的阀门开度值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阀门开度值应增大(第一标签)，以及，当前时间点的阀门开度值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的阀门开度值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，阀门开度值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的阀门开度值应增大或应减小”的语言文本意义。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所述当前时间点的阀门开度值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的阀门开度值增大或减小，以此来确保设备运行稳定和气体输出的质量。
特别地，在本申请的技术方案中，这里，在将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型得到所述多尺度协同特征矩阵时，如果能够提升所述多尺度协同特征矩阵对于所述协同矩阵分别通过第一卷积神经网络和第二卷积神经网络获得第一尺度子特征矩阵和第二尺度子特征矩阵的基于特征尺度的融合效果，则能够提升所述多尺度协同特征矩阵的表达效果，从而提升最终得到的所述分类特征向量通过分类器的分类结果的准确性。
因此，在本申请的技术方案中，优选地对所述第一尺度子特征矩阵，例如记为
Figure SMS_41
和所述第二尺度子特征矩阵，例如记为/>
Figure SMS_46
进行基于尺度认知的高斯联合密度融合，以得到所述多尺度协同特征矩阵，具体表示为：/>
Figure SMS_48
，
Figure SMS_42
和/>
Figure SMS_44
分别是/>
Figure SMS_47
的特征集合（即，所述第一尺度子特征矩阵/>
Figure SMS_50
和所述第二尺度子特征矩阵/>
Figure SMS_40
的所有特征值的特征集合）的均值和方差，/>
Figure SMS_45
是特征矩阵的尺度，/>
Figure SMS_49
和
Figure SMS_51
分别是特征矩阵的宽度和高度，且/>
Figure SMS_43
是所述多尺度协同特征矩阵的特征值。
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类表现差异（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，以实现所述多尺度协同特征矩阵对所述第一尺度子特征矩阵和所述第二尺度子特征矩阵的基于特征尺度的特征融合效果。这样，由于所述分类特征向量实质上是将所述多尺度协同特征矩阵的特征表示映射到所述阀门开度时序特征向量的特征空间内得到的，也就提升了所述分类特征向量的表达效果，从而提升了所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够实时准确地基于气体压力的实际变化情况来进行阀门开度值的自适应控制，以确保设备运行稳定和气体输出的质量。
图1为根据本申请实施例的空气分离装置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空气分离装置（例如，如图1中所示意的M）的气体压力值（例如，如图1中所示意的C1）以及所述多个预定时间点的阀门开度值（例如，如图1中所示意的C2）；然后，将获取的气体压力值和阀门开度值输入至部署有空气分离装置的控制算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于空气分离装置的控制算法对所述气体压力值和所述阀门开度值进行处理，以生成用于表示当前时间点的阀门开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。
在本申请的一个实施例中，图2为根据本申请实施例的空气分离装置的控制系统的框图。如图2所示，根据本申请实施例的空气分离装置的控制系统100，包括：数据参数采集模块110，用于获取预定时间段内多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值；参数时序排列模块120，用于将所述多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值分别按照时间维度排列为气压压力输入向量和阀门开度输入向量；参数时序关联模块130，用于对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；多尺度参数协同关联编码模块140，用于将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到多尺度协同特征矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；阀门开度时序变化特征提取模块150，用于将所述阀门开度输入向量通过多尺度邻域特征提取模块以得到阀门开度时序特征向量；特征查询模块160，用于以所述阀门开度时序特征向量作为查询特征向量，计算其与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量；以及，阀门开度控制模块170，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阀门开度值应增大或应减小。
具体地，在本申请实施例中，所述数据参数采集模块110，用于获取预定时间段内多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值。如上所述，自动调节压力是空气分离装置的一个重要功能之一，其作用是通过传感器监测气体压力变化，并自动调整压力控制阀门的开度，以确保设备运行稳定和气体输出的质量。但是，当压力过高或过低时，会对设备的正常运行产生负面影响。例如，压力过高可能导致设备超负荷运行、破坏部件或引发安全事故；压力过低则可能导致设备无法正常工作，从而影响气体输出的质量和稳定性。因此，期望一种优化的空气分离装置的控制系统。
相应地，考虑到在实际利用空气分离装置进行压力自动调节时，对于压力控制阀门的开度值控制应适配于气体压力的变化情况，也就是说，基于气体压力的时序变化特征来自适应地调整压力控制阀门的开度值，以确保设备运行稳定和气体输出的质量。但是，由于所述气体压力值在时间维度上与所述阀门开度值之间具有着时序协同性的控制变化特征信息，并且由于所述气体压力值的时序变化的不确定性导致所述阀门开度值变化也具有着不确定性，使得这两者数据在时间维度上的不同时间跨度下具有着不同的变化模式，这对于阀门开度的自适应控制带来了困难。也就是说，在此过程中，难点在于如何进行所述气体压力值的时序动态变化特征和所述阀门开度值的时序动态变化特征的关联性特征信息的充分表达，以此来基于实际气体压力的变化情况来实时准确地进行阀门开度值的自适应控制，以确保设备运行稳定和气体输出的质量。
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气体压力值的时序动态变化特征和所述阀门开度值的时序动态变化特征的关联性特征信息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挖掘所述气体压力值的时序动态变化特征和所述阀门开度值的时序动态变化特征的关联性特征信息。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值。
具体地，在本申请实施例中，所述参数时序排列模块120，用于将所述多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值分别按照时间维度排列为气压压力输入向量和阀门开度输入向量。接着，考虑到由于所述气体压力值和所述阀门开度值在时间维度上都具有着动态性的变化规律，因此，为了能够对于所述气体压力值和所述阀门开度值在时间维度上的变化特征信息进行充分表达，在本申请的技术方案中，将所述多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值分别按照时间维度排列为气压压力输入向量和阀门开度输入向量，以此来分别整合所述气体压力值和所述阀门开度值在时序上的数据分布信息。
具体地，在本申请实施例中，所述参数时序关联模块130，用于对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵。然后，考虑到由于所述气体压力值和所述阀门开度值之间在时间维度上具有着关于装置压力的时序协同动态关联特征信息，因此，在本申请的技术方案中，进一步对所述气压压力输入向量和所述阀门开度输入向量进行关联编码，以建立所述气体压力值和所述阀门开度值的数据时序分布信息的关联关系，从而得到协同矩阵。
其中，所述参数时序关联模块130，用于：以如下编码公式对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；其中，所述编码公式为：
Figure SMS_52
，其中，/>
Figure SMS_53
表示所述气压压力输入向量，/>
Figure SMS_54
表示所述气压压力输入向量的转置向量，/>
Figure SMS_55
表示所述阀门开度输入向量，/>
Figure SMS_56
表示所述协同矩阵，/>
Figure SMS_57
表示矩阵相乘。
具体地，在本申请实施例中，所述多尺度参数协同关联编码模块140，用于将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到多尺度协同特征矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野。进一步地，对于所述气体压力值和所述阀门开度值来说，由于所述气体压力值在时间维度上具有着波动性和不确定性，导致所述阀门开度值也具有着波动性和不确定性，因此，所述气体压力值和所述阀门开度值之间在不同的时间跨度下具有着不同的协同关联变化关系。
基于此，在本申请的技术方案中，将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到多尺度协同特征矩阵。特别地，这里，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野，以此来提取出所述气体压力值和所述阀门开度值之间在时间维度上的不同时间跨度下的多尺度时序协同关联特征分布信息。
图3为根据本申请实施例的空气分离装置的控制系统中所述多尺度参数协同关联编码模块的框图，如图3所示，所述多尺度参数协同关联编码模块140，包括：第一尺度参数协同关联特征提取单元141，用于将所述协同矩阵通过所述集成模型的第一卷积神经网络以得到第一尺度子特征矩阵；第二尺度参数协同关联特征提取单元142，用于将所述协同矩阵通过所述集成模型的第二卷积神经网络以得到第二尺度子特征矩阵；以及，多尺度特征融合单元143，用于将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于特征尺度的融合以得到所述多尺度协同特征矩阵。
其中，所述第一尺度参数协同关联特征提取单元141，用于使用所述集成模型的第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、池化处理和非线性激活处理以由所述集成模型的第一卷积神经网络的最后一层的输出为第一尺度子特征矩阵，所述集成模型的第一卷积神经网络的第一层的输入为所述协同矩阵。
所述第二尺度参数协同关联特征提取单元，用于使用所述集成模型的第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、池化处理和非线性激活处理以由所述集成模型的第二卷积神经网络的最后一层的输出为第二尺度子特征矩阵，所述集成模型的第二卷积神经网络的第一层的输入为所述协同矩阵。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
特别地，在本申请的技术方案中，这里，在将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型得到所述多尺度协同特征矩阵时，如果能够提升所述多尺度协同特征矩阵对于所述协同矩阵分别通过第一卷积神经网络和第二卷积神经网络获得第一尺度子特征矩阵和第二尺度子特征矩阵的基于特征尺度的融合效果，则能够提升所述多尺度协同特征矩阵的表达效果，从而提升最终得到的所述分类特征向量通过分类器的分类结果的准确性。
因此，在本申请的技术方案中，优选地对所述第一尺度子特征矩阵，例如记为
Figure SMS_59
和所述第二尺度子特征矩阵，例如记为/>
Figure SMS_63
进行基于尺度认知的高斯联合密度融合，以得到所述多尺度协同特征矩阵，具体表示为：以如下优化公式将所述第一尺度子特征矩阵和所述第二尺度子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多尺度协同特征矩阵；其中，所述优化公式为：/>
Figure SMS_67
，其中，/>
Figure SMS_60
和/>
Figure SMS_69
分别表示所述第一尺度子特征矩阵和所述第二尺度子特征矩阵，/>
Figure SMS_70
和
Figure SMS_71
分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵中各个位置的特征值，/>
Figure SMS_58
和/>
Figure SMS_62
分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵的所有特征值的特征集合的均值和方差，/>
Figure SMS_65
是特征矩阵的尺度，/>
Figure SMS_68
和/>
Figure SMS_61
分别是特征矩阵的宽度和高度，且/>
Figure SMS_64
是所述多尺度协同特征矩阵的各个位置特征值，/>
Figure SMS_66
表示计算以所述数值为幂的自然指数函数值。
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类表现差异（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，以实现所述多尺度协同特征矩阵对所述第一尺度子特征矩阵和所述第二尺度子特征矩阵的基于特征尺度的特征融合效果。这样，由于所述分类特征向量实质上是将所述多尺度协同特征矩阵的特征表示映射到所述阀门开度时序特征向量的特征空间内得到的，也就提升了所述分类特征向量的表达效果，从而提升了所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够实时准确地基于气体压力的实际变化情况来进行阀门开度值的自适应控制，以确保设备运行稳定和气体输出的质量。
具体地，在本申请实施例中，所述阀门开度时序变化特征提取模块150，用于将所述阀门开度输入向量通过多尺度邻域特征提取模块以得到阀门开度时序特征向量。对于所述多个预定时间点的阀门开度值来说，由于所述阀门开度值在所述预定时间段内的不同时间周期跨度下具有着不同的动态变化特性。
因此，为了能够对于阀门开度值进行实时准确地控制，以确保设备运行稳定和气体输出的质量，需要对于所述阀门开度值的时序动态变化特征进行捕捉提取，以进行所述阀门开度值的时序变化特征的充分表达。具体地，在本申请的技术方案中，将所述阀门开度输入向量通过多尺度邻域特征提取模块中进行编码，以提取出所述阀门开度值在不同时间跨度下的动态多尺度邻域关联特征，从而得到阀门开度时序特征向量。
其中，所述多尺度邻域特征提取模块，包括：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融合层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度。
图4为根据本申请实施例的空气分离装置的控制系统中所述阀门开度时序变化特征提取模块的框图，如图4所示，所述阀门开度时序变化特征提取模块150，包括：第一尺度提取单元151，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第一卷积公式对所述阀门开度输入向量进行一维卷积编码以得到第一尺度阀门开度特征向量；其中，所述第一卷积公式为：
Figure SMS_80
，其中，/>
Figure SMS_74
为第一一维卷积核在/>
Figure SMS_76
方向上的宽度、/>
Figure SMS_75
为第一一维卷积核参数向量、 />
Figure SMS_81
为与第一一维卷积核函数运算的局部向量矩阵，/>
Figure SMS_84
为第一一维卷积核的尺寸，/>
Figure SMS_87
表示所述阀门开度输入向量，
Figure SMS_79
表示对所述阀门开度输入向量进行一维卷积编码；第二尺度提取单元152，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第二卷积公式对所述阀门开度输入向量进行一维卷积编码以得到第二尺度阀门开度特征向量；其中，所述第二卷积公式为：
Figure SMS_83
，其中，/>
Figure SMS_72
为第二一维卷积核在/>
Figure SMS_77
方向上的宽度、/>
Figure SMS_78
为第二一维卷积核参数向量、/>
Figure SMS_82
为与第二一维卷积核函数运算的局部向量矩阵，
Figure SMS_85
为第二一维卷积核的尺寸，/>
Figure SMS_86
表示所述阀门开度输入向量，/>
Figure SMS_73
表示对所述阀门开度输入向量进行一维卷积编码；以及，级联单元153，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度阀门开度特征向量和所述第二尺度阀门开度特征向量进行级联以得到所述阀门开度时序特征向量。
值得一提的是，相较于传统的特征工程，所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。
所述多尺度邻域特征提取模块包含多个并行的一维卷积层，其中，在所述多尺度邻域特征提取模块进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地，在本申请实施例中，所述特征查询模块160，用于以所述阀门开度时序特征向量作为查询特征向量，计算其与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量。接着，以所述阀门开度时序特征向量作为查询特征向量，计算其与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量，以此来表示在所述气体压力值和所述阀门开度值的时序协同多尺度关联特征为约束背景下的关于所述阀门开度值的多尺度动态变化特征信息。
其中，所述特征查询模块160，用于：以如下查询公式计算所述阀门开度时序特征向量与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量；其中，所述查询公式为：
Figure SMS_88
，其中，/>
Figure SMS_89
表示所述多尺度协同特征矩阵，/>
Figure SMS_90
表示所述阀门开度时序特征向量，/>
Figure SMS_91
表示所述分类特征向量，/>
Figure SMS_92
表示向量相乘。
具体地，在本申请实施例中，所述阀门开度控制模块170，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阀门开度值应增大或应减小。然后，将所述分类特征向量通过分类器中进行分类处理，以得到用于表示当前时间点的阀门开度值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阀门开度值应增大(第一标签)，以及，当前时间点的阀门开度值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的阀门开度值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。
因此，阀门开度值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的阀门开度值应增大或应减小”的语言文本意义。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所述当前时间点的阀门开度值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的阀门开度值增大或减小，以此来确保设备运行稳定和气体输出的质量。
图5为根据本申请实施例的空气分离装置的控制系统中所述阀门开度控制模块的框图，如图5所示，所述阀门开度控制模块170，包括：全连接编码单元171，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172，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，使用所述分类器以如下分类公式对所述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：
Figure SMS_93
，其中，/>
Figure SMS_94
到/>
Figure SMS_95
为权重矩阵，/>
Figure SMS_96
到/>
Figure SMS_97
为偏置向量，/>
Figure SMS_98
为所述分类特征向量。
综上，基于本申请实施例的空气分离装置的控制系统100被阐明，其获取预定时间段内多个预定时间点的气体压力值以及多个预定时间点的阀门开度值；采用基于深度学习的人工智能技术，挖掘气体压力值的时序动态变化特征和阀门开度值的时序动态变化特征，并进行二者的关联性特征信息的充分表达，基于此自适应地调整压力控制阀门的开度值，以确保设备运行稳定和气体输出的质量。
如上所述，根据本申请实施例的空气分离装置的控制系统100可以实现在各种终端设备中，例如用于空气分离装置的控制的服务器等。在一个示例中，根据本申请实施例的空气分离装置的控制系统100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，该空气分离装置的控制系统100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，该空气分离装置的控制系统100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，该空气分离装置的控制系统100与该终端设备也可以是分立的设备，并且该空气分离装置的控制系统100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。
在本申请的一个实施例中，图6为根据本申请实施例的空气分离装置的控制方法的流程图。如图6所示，根据本申请实施例的空气分离装置的控制方法，其包括：210，获取预定时间段内多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值；220，将所述多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值分别按照时间维度排列为气压压力输入向量和阀门开度输入向量；230，对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；240，将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到多尺度协同特征矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；250，将所述阀门开度输入向量通过多尺度邻域特征提取模块以得到阀门开度时序特征向量；260，以所述阀门开度时序特征向量作为查询特征向量，计算其与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量；以及，270，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阀门开度值应增大或应减小。
图7为根据本申请实施例的空气分离装置的控制方法的系统架构的示意图。如图7所示，在所述空气分离装置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气体压力值以及所述多个预定时间点的阀门开度值；然后，将所述多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值分别按照时间维度排列为气压压力输入向量和阀门开度输入向量；接着，对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；然后，将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到多尺度协同特征矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；接着，将所述阀门开度输入向量通过多尺度邻域特征提取模块以得到阀门开度时序特征向量；然后，以所述阀门开度时序特征向量作为查询特征向量，计算其与所述多尺度协同特征矩阵之间的乘积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阀门开度值应增大或应减小。
在一个具体示例中，在上述空气分离装置的控制方法中，对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵，包括：以如下编码公式对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；其中，所述编码公式为：
Figure SMS_99
，其中，/>
Figure SMS_100
表示所述气压压力输入向量，/>
Figure SMS_101
表示所述气压压力输入向量的转置向量，/>
Figure SMS_102
表示所述阀门开度输入向量，/>
Figure SMS_103
表示所述协同矩阵，/>
Figure SMS_104
表示矩阵相乘。
在一个具体示例中，在上述空气分离装置的控制方法中，将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到多尺度协同特征矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野，包括：将所述协同矩阵通过所述集成模型的第一卷积神经网络以得到第一尺度子特征矩阵；将所述协同矩阵通过所述集成模型的第二卷积神经网络以得到第二尺度子特征矩阵；以及，将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于特征尺度的融合以得到所述多尺度协同特征矩阵。
在一个具体示例中，在上述空气分离装置的控制方法中，将所述协同矩阵通过所述集成模型的第一卷积神经网络以得到第一尺度子特征矩阵，包括：使用所述集成模型的第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、池化处理和非线性激活处理以由所述集成模型的第一卷积神经网络的最后一层的输出为第一尺度子特征矩阵，所述集成模型的第一卷积神经网络的第一层的输入为所述协同矩阵。
在一个具体示例中，在上述空气分离装置的控制方法中，将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于特征尺度的融合以得到所述多尺度协同特征矩阵，包括：以如下优化公式将所述第一尺度子特征矩阵和所述第二尺度子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多尺度协同特征矩阵；其中，所述优化公式为：
Figure SMS_106
，其中，/>
Figure SMS_111
和/>
Figure SMS_114
分别表示所述第一尺度子特征矩阵和所述第二尺度子特征矩阵，/>
Figure SMS_107
和/>
Figure SMS_110
分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵中各个位置的特征值，/>
Figure SMS_113
和/>
Figure SMS_115
分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵的所有特征值的特征集合的均值和方差，/>
Figure SMS_105
是特征矩阵的尺度，/>
Figure SMS_109
和/>
Figure SMS_112
分别是特征矩阵的宽度和高度，且/>
Figure SMS_116
是所述多尺度协同特征矩阵的各个位置特征值，/>
Figure SMS_108
表示计算以所述数值为幂的自然指数函数值。
在一个具体示例中，在上述空气分离装置的控制方法中，所述多尺度邻域特征提取模块，包括：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融合层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度。
在一个具体示例中，在上述空气分离装置的控制方法中，将所述阀门开度输入向量通过多尺度邻域特征提取模块以得到阀门开度时序特征向量，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第一卷积公式对所述阀门开度输入向量进行一维卷积编码以得到第一尺度阀门开度特征向量；其中，所述第一卷积公式为：
Figure SMS_127
，其中，/>
Figure SMS_119
为第一一维卷积核在/>
Figure SMS_121
方向上的宽度、
Figure SMS_122
为第一一维卷积核参数向量、 />
Figure SMS_128
为与第一一维卷积核函数运算的局部向量矩阵，/>
Figure SMS_131
为第一一维卷积核的尺寸，/>
Figure SMS_132
表示所述阀门开度输入向量，/>
Figure SMS_126
表示对所述阀门开度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述阀门开度输入向量进行一维卷积编码以得到第二尺度阀门开度特征向量；其中，所述第二卷积公式为：/>
Figure SMS_129
，其中，/>
Figure SMS_117
为第二一维卷积核在/>
Figure SMS_123
方向上的宽度、/>
Figure SMS_120
为第二一维卷积核参数向量、/>
Figure SMS_124
为与第二一维卷积核函数运算的局部向量矩阵，/>
Figure SMS_125
为第二一维卷积核的尺寸，/>
Figure SMS_130
表示所述阀门开度输入向量，/>
Figure SMS_118
表示对所述阀门开度输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的融合层对所述第一尺度阀门开度特征向量和所述第二尺度阀门开度特征向量进行级联以得到所述阀门开度时序特征向量。
在一个具体示例中，在上述空气分离装置的控制方法中，以所述阀门开度时序特征向量作为查询特征向量，计算其与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量，包括：以如下查询公式计算所述阀门开度时序特征向量与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量；其中，所述查询公式为：
Figure SMS_133
，其中，/>
Figure SMS_134
表示所述多尺度协同特征矩阵，/>
Figure SMS_135
表示所述阀门开度时序特征向量，/>
Figure SMS_136
表示所述分类特征向量，/>
Figure SMS_137
表示向量相乘。
在一个具体示例中，在上述空气分离装置的控制方法中，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阀门开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。
本领域技术人员可以理解，上述空气分离装置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5的空气分离装置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。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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)

1.一种空气分离装置的控制系统，其特征在于，包括：数据参数采集模块，用于获取预定时间段内多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值；参数时序排列模块，用于将所述多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值分别按照时间维度排列为气压压力输入向量和阀门开度输入向量；参数时序关联模块，用于对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；多尺度参数协同关联编码模块，用于将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到多尺度协同特征矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；阀门开度时序变化特征提取模块，用于将所述阀门开度输入向量通过多尺度邻域特征提取模块以得到阀门开度时序特征向量；特征查询模块，用于以所述阀门开度时序特征向量作为查询特征向量，计算其与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量；以及阀门开度控制模块，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阀门开度值应增大或应减小。
2.根据权利要求1所述的空气分离装置的控制系统，其特征在于，所述参数时序关联模块，用于：以如下编码公式对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；其中，所述编码公式为：
Figure QLYQS_1
，其中，/>
Figure QLYQS_2
表示所述气压压力输入向量，/>
Figure QLYQS_3
表示所述气压压力输入向量的转置向量，/>
Figure QLYQS_4
表示所述阀门开度输入向量，
Figure QLYQS_5
表示所述协同矩阵，/>
Figure QLYQS_6
表示矩阵相乘。
3.根据权利要求2所述的空气分离装置的控制系统，其特征在于，所述多尺度参数协同关联编码模块，包括：第一尺度参数协同关联特征提取单元，用于将所述协同矩阵通过所述集成模型的第一卷积神经网络以得到第一尺度子特征矩阵；第二尺度参数协同关联特征提取单元，用于将所述协同矩阵通过所述集成模型的第二卷积神经网络以得到第二尺度子特征矩阵；以及多尺度特征融合单元，用于将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于特征尺度的融合以得到所述多尺度协同特征矩阵。
4.根据权利要求3所述的空气分离装置的控制系统，其特征在于，所述第一尺度参数协同关联特征提取单元，用于使用所述集成模型的第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、池化处理和非线性激活处理以由所述集成模型的第一卷积神经网络的最后一层的输出为第一尺度子特征矩阵，所述集成模型的第一卷积神经网络的第一层的输入为所述协同矩阵。
5.根据权利要求4所述的空气分离装置的控制系统，其特征在于，所述多尺度特征融合单元，用于：以如下优化公式将所述第一尺度子特征矩阵和所述第二尺度子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多尺度协同特征矩阵；其中，所述优化公式为：
Figure QLYQS_7
，其中，/>
Figure QLYQS_11
和/>
Figure QLYQS_14
分别表示所述第一尺度子特征矩阵和所述第二尺度子特征矩阵，/>
Figure QLYQS_8
和/>
Figure QLYQS_12
分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵中各个位置的特征值，/>
Figure QLYQS_16
和/>
Figure QLYQS_18
分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵的所有特征值的特征集合的均值和方差，/>
Figure QLYQS_9
是特征矩阵的尺度，/>
Figure QLYQS_13
和/>
Figure QLYQS_15
分别是特征矩阵的宽度和高度，且/>
Figure QLYQS_17
是所述多尺度协同特征矩阵的各个位置特征值，/>
Figure QLYQS_10
表示计算以所述数值为幂的自然指数函数值。
6.根据权利要求5所述的空气分离装置的控制系统，其特征在于，所述多尺度邻域特征提取模块，包括：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融合层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度。
7.根据权利要求6所述的空气分离装置的控制系统，其特征在于，所述阀门开度时序变化特征提取模块，包括：第一尺度提取单元，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第一卷积公式对所述阀门开度输入向量进行一维卷积编码以得到第一尺度阀门开度特征向量；其中，所述第一卷积公式为：
Figure QLYQS_29
，其中，/>
Figure QLYQS_21
为第一一维卷积核在/>
Figure QLYQS_25
方向上的宽度、/>
Figure QLYQS_22
为第一一维卷积核参数向量、
Figure QLYQS_26
为与第一一维卷积核函数运算的局部向量矩阵，/>
Figure QLYQS_24
为第一一维卷积核的尺寸，
Figure QLYQS_27
表示所述阀门开度输入向量，/>
Figure QLYQS_28
表示对所述阀门开度输入向量进行一维卷积编码；第二尺度提取单元，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第二卷积公式对所述阀门开度输入向量进行一维卷积编码以得到第二尺度阀门开度特征向量；其中，所述第二卷积公式为：/>
Figure QLYQS_32
，其中，/>
Figure QLYQS_19
为第二一维卷积核在/>
Figure QLYQS_23
方向上的宽度、/>
Figure QLYQS_30
为第二一维卷积核参数向量、/>
Figure QLYQS_33
为与第二一维卷积核函数运算的局部向量矩阵，/>
Figure QLYQS_31
为第二一维卷积核的尺寸，/>
Figure QLYQS_34
表示所述阀门开度输入向量，/>
Figure QLYQS_20
表示对所述阀门开度输入向量进行一维卷积编码；以及级联单元，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度阀门开度特征向量和所述第二尺度阀门开度特征向量进行级联以得到所述阀门开度时序特征向量。
8.根据权利要求7所述的空气分离装置的控制系统，其特征在于，所述特征查询模块，用于：以如下查询公式计算所述阀门开度时序特征向量与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量；其中，所述查询公式为：
Figure QLYQS_35
，其中，/>
Figure QLYQS_36
表示所述多尺度协同特征矩阵，/>
Figure QLYQS_37
表示所述阀门开度时序特征向量，/>
Figure QLYQS_38
表示所述分类特征向量，
Figure QLYQS_39
表示向量相乘。
9.根据权利要求8所述的空气分离装置的控制系统，其特征在于，所述阀门开度控制模块，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。
10.一种空气分离装置的控制方法，其特征在于，包括：获取预定时间段内多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值；将所述多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值分别按照时间维度排列为气压压力输入向量和阀门开度输入向量；对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到多尺度协同特征矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；将所述阀门开度输入向量通过多尺度邻域特征提取模块以得到阀门开度时序特征向量；以所述阀门开度时序特征向量作为查询特征向量，计算其与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量；以及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阀门开度值应增大或应减小。
CN202310480623.2A 2023-04-28 2023-04-28 空气分离装置的控制系统及其方法 Withdrawn CN116184972A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310480623.2A CN116184972A (zh) 2023-04-28 2023-04-28 空气分离装置的控制系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310480623.2A CN116184972A (zh) 2023-04-28 2023-04-28 空气分离装置的控制系统及其方法

Publications (1)

Publication Number Publication Date
CN116184972A true CN116184972A (zh) 2023-05-30

Family

ID=86452754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310480623.2A Withdrawn CN116184972A (zh) 2023-04-28 2023-04-28 空气分离装置的控制系统及其方法

Country Status (1)

Country Link
CN (1) CN116184972A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116454772A (zh) * 2023-06-14 2023-07-18 浙江浙能迈领环境科技有限公司 用于集装箱中压配电柜的泄压装置及方法
CN116832588A (zh) * 2023-08-25 2023-10-03 湖北鼎信成套设备有限公司 酸再生烟气净化装置及其方法
CN116975728A (zh) * 2023-08-07 2023-10-31 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) 用于煤层气钻井工程的安全管理方法及其系统
CN117251718A (zh) * 2023-11-20 2023-12-19 吉林省拓达环保设备工程有限公司 基于人工智能的智能曝气管理系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116454772A (zh) * 2023-06-14 2023-07-18 浙江浙能迈领环境科技有限公司 用于集装箱中压配电柜的泄压装置及方法
CN116454772B (zh) * 2023-06-14 2023-08-25 浙江浙能迈领环境科技有限公司 用于集装箱中压配电柜的泄压装置及方法
CN116975728A (zh) * 2023-08-07 2023-10-31 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) 用于煤层气钻井工程的安全管理方法及其系统
CN116975728B (zh) * 2023-08-07 2024-01-26 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) 用于煤层气钻井工程的安全管理方法及其系统
CN116832588A (zh) * 2023-08-25 2023-10-03 湖北鼎信成套设备有限公司 酸再生烟气净化装置及其方法
CN116832588B (zh) * 2023-08-25 2024-02-02 湖北鼎信成套设备有限公司 酸再生烟气净化装置及其方法
CN117251718A (zh) * 2023-11-20 2023-12-19 吉林省拓达环保设备工程有限公司 基于人工智能的智能曝气管理系统
CN117251718B (zh) * 2023-11-20 2024-02-13 吉林省拓达环保设备工程有限公司 基于人工智能的智能曝气管理系统

Similar Documents

Publication Publication Date Title
CN116184972A (zh) 空气分离装置的控制系统及其方法
CN115896817B (zh) 氟氮混合气的生产方法及其系统
Sheng et al. Siamese denoising autoencoders for joints trajectories reconstruction and robust gait recognition
CN113887487B (zh) 一种基于CNN-Transformer的面部表情识别方法及装置
Abdellaoui et al. Human Action Recognition in Video Sequences Using Deep Belief Networks.
CN116164497A (zh) 液氧制备过程中的精馏控制系统及其方法
CN116086790B (zh) 氢燃料电池高压阀的性能检测方法及其系统
CN114386534A (zh) 一种基于变分自编码器和对抗生成网络的图像增广模型训练方法及图像分类方法
CN116092701B (zh) 基于健康数据分析管理平台的控制系统及其方法
CN116797248B (zh) 基于区块链的数据溯源管理方法及其系统
CN116178422A (zh) 蛋黄卵磷脂的制备方法
CN111291695B (zh) 人员违章行为识别模型训练方法、识别方法及计算机设备
CN113283414A (zh) 行人属性识别方法、相关设备及计算机可读存储介质
CN116143127A (zh) 石英砂的自动化生产系统及其方法
CN111275005A (zh) 绘制人脸图像识别方法、计算机可读存储介质和相关设备
CN117006654A (zh) 基于边缘计算的空调负荷控制系统及其方法
CN117155706B (zh) 网络异常行为检测方法及其系统
Sisodia et al. Human facial expression recognition using gabor filter bank with minimum number of feature vectors
CN114626426A (zh) 基于K-means优化算法的工业设备行为检测方法
CN110807380A (zh) 一种人体关键点检测方法及装置
Zhang et al. Lightweight PM-YOLO network model for moving object recognition on the distribution network side
CN115965898A (zh) 多级分支卷积与膨胀交互采样结合的视频情感分类方法
CN114494809A (zh) 特征提取模型优化方法、装置及电子设备
CN110555342B (zh) 一种图像识别方法、装置和图像设备
CN116524416B (zh) 医疗实验用动物血清提取设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230530