CN116187952A - 洗涤剂生产过程中配料控制管理系统及其方法 - Google Patents
洗涤剂生产过程中配料控制管理系统及其方法 Download PDFInfo
- Publication number
- CN116187952A CN116187952A CN202310248063.8A CN202310248063A CN116187952A CN 116187952 A CN116187952 A CN 116187952A CN 202310248063 A CN202310248063 A CN 202310248063A CN 116187952 A CN116187952 A CN 116187952A
- Authority
- CN
- China
- Prior art keywords
- vector
- feature
- matrix
- state monitoring
- convolutional
- 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- Withdrawn
Links
- 239000003599 detergent Substances 0.000 title claims abstract description 56
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims description 34
- 238000007726 management method Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims description 241
- 239000011159 matrix material Substances 0.000 claims description 149
- 238000012544 monitoring process Methods 0.000 claims description 112
- 239000012295 chemical reaction liquid Substances 0.000 claims description 61
- 230000001105 regulatory effect Effects 0.000 claims description 59
- 238000000605 extraction Methods 0.000 claims description 40
- 239000004615 ingredient Substances 0.000 claims description 31
- 238000012546 transfer Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 23
- 239000011800 void material Substances 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 230000003247 decreasing effect Effects 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 11
- 239000007788 liquid Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 239000000376 reactant Substances 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 description 23
- 238000005406 washing Methods 0.000 description 14
- VTIIJXUACCWYHX-UHFFFAOYSA-L disodium;carboxylatooxy carbonate Chemical compound [Na+].[Na+].[O-]C(=O)OOC([O-])=O VTIIJXUACCWYHX-UHFFFAOYSA-L 0.000 description 13
- 230000000694 effects Effects 0.000 description 13
- 229940045872 sodium percarbonate Drugs 0.000 description 13
- 238000005065 mining Methods 0.000 description 12
- 229960001922 sodium perborate Drugs 0.000 description 10
- YKLJGMBLPUQQOI-UHFFFAOYSA-M sodium;oxidooxy(oxo)borane Chemical compound [Na+].[O-]OB=O YKLJGMBLPUQQOI-UHFFFAOYSA-M 0.000 description 10
- 238000002360 preparation method Methods 0.000 description 9
- 239000000203 mixture Substances 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 239000007844 bleaching agent Substances 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000005054 agglomeration Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000383 hazardous chemical Substances 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000005204 segregation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000004115 Sodium Silicate Substances 0.000 description 1
- PMZURENOXWZQFD-UHFFFAOYSA-L Sodium Sulfate Chemical compound [Na+].[Na+].[O-]S([O-])(=O)=O PMZURENOXWZQFD-UHFFFAOYSA-L 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004061 bleaching Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 229910000029 sodium carbonate Inorganic materials 0.000 description 1
- NTHWMYGWWRZVTN-UHFFFAOYSA-N sodium silicate Chemical compound [Na+].[Na+].[O-][Si]([O-])=O NTHWMYGWWRZVTN-UHFFFAOYSA-N 0.000 description 1
- 229910052911 sodium silicate Inorganic materials 0.000 description 1
- 229910052938 sodium sulfate Inorganic materials 0.000 description 1
- 235000011152 sodium sulphate Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
- Detergent Compositions (AREA)
Abstract
本申请涉及智能管理技术领域，其具体地公开了一种洗涤剂生产过程中配料控制管理系统及其方法，其首先获取多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频，然后，通过深度神经网络模型挖掘所述各个组分间的时序添加关联特征并建立该关联特征与所述反应液的状态变化特征间的映射关系，并以此作为分类特征矩阵通过分类器中进行分类处理，通过这样的方式，能够精准地对于当前时间点的各组分的添加速度值进行实时控制，进而提高洗涤剂的制备质量和洗涤效果。
Description
技术领域
本申请涉及智能管理技术领域，且更为具体地，涉及一种洗涤剂生产过程中配料控制管理系统及其方法。
背景技术
洗涤剂是日常生活中必不可少的一种日用化学品。对天然植物或食物的有色污渍，通常采用能释放活性氧的漂白剂，目前常用的两种漂白剂为过硼酸钠和过碳酸钠，溶于水后都能释放活性氧，从而通过氧化作用去掉衣物沾染的或自身泛黄形成的各种色素。过硼酸钠在水温60℃以上才能充分发挥其释氧漂白性能，需配合活化剂或金属催化剂才能在低温下使用；同时过硼酸钠具有潜在的健康危害和环境危害。过碳酸钠的稳定性不如过硼酸钠，在贮存稳定性和使用时的溶解性能方面难以取得平衡。
目前现有技术中一般是将过硼酸钠或过碳酸钠与洗涤剂的其它组份简单地混合或附聚成型。例如，CN1389554A中公开了一种含氧洗涤剂，主要由漂白剂和助洗涤剂组成，其中漂白剂为过硼酸钠、过碳酸钠、涂覆过碳酸钠中的任一种或一种以上的混和物；助洗剂为纯碱、硫酸钠、硅酸钠中的任一种或一种以上的混和物。
以上现有技术中将过硼酸钠、过碳酸钠或涂覆的过碳酸钠作为组份直接加入到洗涤组合物中，通过简单的混合或附聚成型方法来制备洗涤剂。但由于各组份的粒径大小和密度不同，在混合过程中很难混合均匀，即使混合均匀，在包装、运输、贮存和使用过程中也会产生离析，造成组份分布不均匀，因此得到的洗涤组合物的洗涤效果仍较差。
因此，期望一种优化的洗涤剂生产过程中配料控制管理系统。
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洗涤剂生产过程中配料控制管理系统及其方法，其首先获取多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频，然后，通过深度神经网络模型挖掘所述各个组分间的时序添加关联特征并建立该关联特征与所述反应液的状态变化特征间的映射关系，并以此作为分类特征矩阵通过分类器中进行分类处理，通过这样的方式，能够精准地对于当前时间点的各组分的添加速度值进行实时控制，进而提高洗涤剂的制备质量和洗涤效果。
根据本申请的一个方面，提供了一种洗涤剂生产过程中配料控制管理系统，其包括：配料过程监控模块，用于获取多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频；添加速度结构化模块，用于将所述多个组分在预定时间段内多个预定时间点的添加速度值按照时间维度排列为组分添加全局矩阵；添加速度特征提取模块，用于将所述组分添加全局矩阵通过包含多个混合卷积层的第一卷积神经网络模型以得到多尺度组分添加关联特征矩阵；反应液状态特征提取模块，用于将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到状态监控向量；待调控组分数据调取模块，用于从所述多个组分在预定时间段内多个预定时间点的添加速度值中提取待调控组分在预定时间段内多个预定时间点的添加速度值，并将其按照时间维度排列为控制项添加速度输入向量；待调控组分特征提取模块，用于将所述控制项添加速度输入向量通过多尺度邻域特征提取模块以得到控制项添加速度特征向量；查询校正模块，用于以所述控制项添加速度特征向量作为查询特征向量，计算其与所述多尺度组分添加关联特征矩阵之间的乘积以得到校正后控制项添加速度特征向量；转移模块，用于计算所述状态监控向量相对于所述校正后控制项添加速度特征向量之间的转移矩阵；分类概率偏移校正模块，用于基于所述状态监控向量和所述校正后控制项添加速度特征向量，对所述转移矩阵进行分类概率偏移校正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待调控组分的添加速度值应增大或应减小。
在上述洗涤剂生产过程中配料控制管理系统中，所述添加速度结构化模块，包括：行向量构造单元，用于将所述多个组分在预定时间段内多个预定时间点的添加速度值中的各个组分在预定时间段内多个预定时间点的添加速度值按照时间维度构造为多个行向量，其中，一个行向量对应一个组分在预定时间段内多个预定时间点的添加速度值；以及二维单元，用于所述多个行向量按照组分的样本维度进行二维排列以得到所述组分添加全局矩阵。
在上述洗涤剂生产过程中配料控制管理系统中，所述第一卷积神经网络模型的各个混合卷积层包括并行的第一卷积分支结构、第二卷积分支结构、第三卷积分支结构和第四卷积分支结构，以及，与所述第一至第四卷积分支结构连接的多尺度融合结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核、所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核、所述第四卷积分支使用具有第一尺寸且具有第三空洞率的第四卷积核。
在上述洗涤剂生产过程中配料控制管理系统中，所述待调控组分特征提取模块，包括：第一尺度添加速度提取单元，用于将所述控制项添加速度输入向量通过所述多尺度邻域特征提取模块的第一一维卷积层以得到第一尺度添加速度特征向量，其中，所述第一一维卷积层使用具有第一长度的一维卷积核对所述控制项添加速度输入向量进行一维卷积处理；第二尺度添加速度提取单元，用于将所述控制项添加速度输入向量通过所述多尺度邻域特征提取模块的第二一维卷积层以得到第二尺度添加速度特征向量，其中，所述第二一维卷积层使用具有第二长度的一维卷积核对所述控制项添加速度输入向量进行一维卷积处理；以及，多尺度添加速度特征聚合单元，用于将所述第一尺度添加速度特征向量和所述第二尺度添加速度特征向量进行级联以得到对应于各个部分的所述控制项添加速度特征向量。
在上述洗涤剂生产过程中配料控制管理系统中，所述分类概率偏移校正模块，包括：类节点的拓扑-类中心融合单元，用于以如下公式对所述状态监控向量和所述校正后控制项添加速度特征向量进行类节点的拓扑-类中心融合以得到融合特征矩阵；其中，所述公式为：
其中/>
和/>
分别表示所述状态监控向量和所述校正后控制项添加速度特征向量，/>
和/>
分别表示矩阵（向量）的Kronecker积和Hadamard积，/>
为所述状态监控向量和所述校正后控制项添加速度特征向量之间的距离矩阵，且/>
和/>
均为列向量，/>
表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>
表示所述融合特征矩阵；以及映射校正单元，用于将所述融合特征矩阵与所述转移矩阵进行矩阵相乘以得到所述分类特征矩阵。
根据本申请的另一方面，提供了一种洗涤剂生产过程中配料控制管理方法，其包括：获取多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频；将所述多个组分在预定时间段内多个预定时间点的添加速度值按照时间维度排列为组分添加全局矩阵；将所述组分添加全局矩阵通过包含多个混合卷积层的第一卷积神经网络模型以得到多尺度组分添加关联特征矩阵；将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到状态监控向量；从所述多个组分在预定时间段内多个预定时间点的添加速度值中提取待调控组分在预定时间段内多个预定时间点的添加速度值，并将其按照时间维度排列为控制项添加速度输入向量；将所述控制项添加速度输入向量通过多尺度邻域特征提取模块以得到控制项添加速度特征向量；以所述控制项添加速度特征向量作为查询特征向量，计算其与所述多尺度组分添加关联特征矩阵之间的乘积以得到校正后控制项添加速度特征向量；计算所述状态监控向量相对于所述校正后控制项添加速度特征向量之间的转移矩阵；基于所述状态监控向量和所述校正后控制项添加速度特征向量，对所述转移矩阵进行分类概率偏移校正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待调控组分的添加速度值应增大或应减小。
与现有技术相比，本申请提供的一种洗涤剂生产过程中配料控制管理系统及其方法，其首先获取多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频，然后，通过深度神经网络模型挖掘所述各个组分间的时序添加关联特征并建立该关联特征与所述反应液的状态变化特征间的映射关系，并以此作为分类特征矩阵通过分类器中进行分类处理，通过这样的方式，能够精准地对于当前时间点的各组分的添加速度值进行实时控制，进而提高洗涤剂的制备质量和洗涤效果。
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洗涤剂生产过程中配料控制管理系统及其方法的应用场景图。
图2为根据本申请实施例的洗涤剂生产过程中配料控制管理系统及其方法的框图示意图。
图3为根据本申请实施例的洗涤剂生产过程中配料控制管理系统及其方法的流程图。
图4为根据本申请实施例的洗涤剂生产过程中配料控制管理系统及其方法的模型架构的示意图。
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，在专利CN1389554A中公开了一种含氧洗涤剂，其通过将过硼酸钠、过碳酸钠或涂覆的过碳酸钠作为组份直接加入到洗涤组合物中，通过简单的混合或附聚成型方法来制备洗涤剂。但由于各组份的粒径大小和密度不同，在混合过程中很难混合均匀，即使混合均匀，在包装、运输、贮存和使用过程中也会产生离析，造成组份分布不均匀，因此得到的洗涤组合物的洗涤效果仍较差。因此，期望一种优化的洗涤剂生产过程中配料控制管理系统。
相应地，考虑到在实际进行洗涤剂的配料控制时，由于各个配料组分在进行添加过程中，各组份的粒径大小和密度不同导致其添加质量难以进行监控，因此，使用添加速度值来模拟各个组分的添加量，以此在不同的时间点下根据反应液的状态来自适应地调控各组分的添加速度，从而实现洗涤剂的配料智能控制。但是，在实际进行配料添加控制的过程中发现，所述洗涤剂在生产过程中的配料的各个组分不仅在时序上具有着不同的动态添加特征，并且所述各个组分间具有着相互的关联性关系。因此，其难点在于如何挖掘所述各个组分间的时序添加关联特征以及如何建立该关联特征与所述反应液的状态变化特征间的映射关系，以提高对于当前时间点的各组分的添加速度值的控制精准度，进而提高洗涤剂的制备质量和洗涤效果。
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各个组分间的时序添加关联特征以及建立该关联特征与所述反应液的状态变化特征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挖掘各个组分间的时序添加关联特征以及建立该关联特征与所述反应液的状态变化特征之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，获取多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频。接着，为了挖掘出所述各个组分的添加速度值间在时间维度上的关联性特征分布信息，需要构建所述各个组分的添加速度值的时序关联矩阵，具体地，将所述多个组分在预定时间段内多个预定时间点的添加速度值按照时间维度排列为组分添加全局矩阵。
然后，使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型进行所述组分添加全局矩阵的特征挖掘，特别地，考虑到在所述组分添加全局矩阵中，所述各个组分在时序上的添加速度值具有着不同尺度的关联性特征，因此，为了能够充分地提取出所述各个组分的添加速度在时间维度上的关联特征信息，将所述组分添加全局矩阵通过包含多个混合卷积层的第一卷积神经网络模型中进行处理，以提取出所述组分添加全局矩阵中关于所述各个组分的添加速度在时序上的多尺度隐含关联特征分布信息，从而得到多尺度组分添加关联特征矩阵。
相应地，值得一提的是，所述第一卷积神经网络模型的各个混合卷积层包括并行的第一卷积分支结构、第二卷积分支结构、第三卷积分支结构和第四卷积分支结构，以及，与所述第一至第四卷积分支结构连接的多尺度融合结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核、所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核、所述第四卷积分支使用具有第一尺寸且具有第三空洞率的第四卷积核，并且所述第一空洞率、所述第二空洞率和所述第三空洞率相互不等。应可以理解，通过不同扩张率的设置可获得不同感受域的组分添加关联特征信息，即可得到不同尺度的特征图，在扩大感受野的同时，又避免了下采样损失信息，接着将4个分支得到的特征图进行融合，使得采样更为密集，既拥有了高层特征，也没有增加额外的参数量。接着，再将得到的融合特征图进行降维以得到多尺度组分添加关联特征矩阵。
进一步地，考虑到在所述反应液的状态监控视频中，所述反应液的状态特征可以通过所述反应液的状态监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示反应液的状态变化情况。但是，考虑到监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述反应液的状态监控视频进行关键帧采样，从而得到多个状态监控关键帧。
接着，考虑到所述各个状态监控关键帧中关于所述反应液的状态特征在时间维度上具有着关联性，也就是说，所述反应液的状态信息在时序上是动态变化的。因此，在本申请的技术方案中，进一步将所述多个状态监控关键帧沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述反应液的状态特征在时间维度上的动态变化特征，从而得到状态监控向量。特别地，这里，所述第二卷积卷积神经网络模型的卷积核为三维卷积核，其具有W（宽度）、H（高度）和C（通道维度），在本申请的技术方案中，所述三维卷积核的通道维度对应于所述三维输入张量的时间维度，因此，在进行三维卷积编码时，能提取所述反应液的状态分布特征随时间维度的动态变化特征。
然后，在实际进行待调控组分的添加速度控制时，需要对于所述待调控组分的添加速度进行时序上的动态变化特征挖掘，因此，在本申请的技术方案中，进一步从所述多个组分在预定时间段内多个预定时间点的添加速度值中提取待调控组分在预定时间段内多个预定时间点的添加速度值，并将其按照时间维度排列为控制项添加速度输入向量。接着，考虑到由于所述待调控组分的添加速度具有着波动性，其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变化特征，因此，进一步将所述控制项添加速度输入向量通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述待调控组分的添加速度值在不同时间跨度下的动态多尺度邻域关联特征，从而得到控制项添加速度特征向量。
进一步地，为了利用所述各个组分的添加速度的时序动态关联特征来增强所述待调控组分的添加速度的特征表达，以更为精准地进行所述待调控组分的添加速度的实时控制，在本申请的技术方案中，进一步以所述控制项添加速度特征向量作为查询特征向量，计算其与所述多尺度组分添加关联特征矩阵之间的乘积以得到校正后控制项添加速度特征向量，以此来挖掘出在所述各个组分的时序关联特征分布下的关于所述待调控组分的添加速度的动态变化特征分布信息。
接着，进一步计算所述状态监控向量相对于所述校正后控制项添加速度特征向量之间的转移矩阵来表示出所述待调控组分的添加速度的动态变化特征与所述反应液的状态变化特征间的关联性特征分布信息，并以此作为分类特征矩阵通过分类器中进行分类处理，从而得到用于表示当前时间点的待调控组分的添加速度值应增大或应减小的分类结果。这样，能够精准地对于当前时间点的各组分的添加速度值进行实时控制，进而提高洗涤剂的制备质量和洗涤效果。
特别地，在本申请的技术方案中，在计算所述状态监控向量相对于所述校正后控制项添加速度特征向量之间的转移矩阵作为所述分类特征矩阵时，由于所述校正后控制项添加速度特征向量是控制项添加速度的多尺度时序关联特征在多尺度组分关联特征内的查询特征，因此其的特征分布可能在分类概率表示上偏移所述状态监控向量的通道维度视频语义特征分布的分类概率表示，也就是，所述状态监控向量与所述校正后控制项添加速度特征向量存在类中心偏移，从而影响计算得到的所述转移矩阵的分类结果的准确性。
因此，优选地对所述状态监控向量
和所述校正后控制项添加速度特征向量/>
进行类节点的拓扑-类中心融合，表示为：
和/>
分别表示矩阵（向量）的Kronecker积和Hadamard积，/>
为特征向量/>
和/>
之间的距离矩阵，即/>
，且/>
和/>
均为列向量。
本申请考虑到在分类器的二分类问题中，如果将所述状态监控向量
和所述校正后控制项添加速度特征向量/>
融合后的类节点表示为树形式，则所述状态监控向量/>
和所述校正后控制项添加速度特征向量/>
各自的类节点分布为基于根节点的子树，因此可以利用节点之间关联的图拓扑，来使得融合后的类节点的节点分布基于图拓扑而表现为以各自节点为中心的子图结构，从而表达以所述状态监控向量/>
和所述校正后控制项添加速度特征向量/>
各自的类节点为根的子树结构，以实现所述状态监控向量/>
和所述校正后控制项添加速度特征向量/>
的基于类节点-中心的拓扑式融合，从而消除所述状态监控向量/>
和所述校正后控制项添加速度特征向量/>
之间的类中心偏移。这样，能够精准地对于当前时间点的各组分的添加速度值进行实时控制，进而提高洗涤剂的制备质量和洗涤效果。
将融合后的特征矩阵
与所述转移矩阵，例如记为/>
进行矩阵相乘，以将所述转移矩阵/>
映射到消除类中心偏移的融合特征空间内，以提升所述转移矩阵/>
的分类结果的准确性。
图1为根据本申请实施例的洗涤剂生产过程中配料控制管理系统及其方法的应用场景图。如图1所示，在该应用场景中，通过速度传感器组（例如，如图1中所示意的V1-Vn）采集多个组分在预定时间段内多个预定时间点的添加速度值。同时，通过摄像头（例如，如图1中所示意的C）采集所述预定时间段的反应液（例如，如图1中所示意的R）的状态监控视频。然后，将采集的所述多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频输入至部署有洗涤剂生产过程中配料控制管理算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用所述洗涤剂生产过程中配料控制管理算法对所述多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频进行处理以生成用于表示当前时间点的待调控组分的添加速度值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统：图2为根据本申请实施例的洗涤剂生产过程中配料控制管理系统的框图示意图。如图2所示，根据本申请实施例的所述洗涤剂生产过程中配料控制管理系统100，包括：配料过程监控模块110，用于获取多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频；添加速度结构化模块120，用于将所述多个组分在预定时间段内多个预定时间点的添加速度值按照时间维度排列为组分添加全局矩阵；添加速度特征提取模块130，用于将所述组分添加全局矩阵通过包含多个混合卷积层的第一卷积神经网络模型以得到多尺度组分添加关联特征矩阵；反应液状态特征提取模块140，用于将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到状态监控向量；待调控组分数据调取模块150，用于从所述多个组分在预定时间段内多个预定时间点的添加速度值中提取待调控组分在预定时间段内多个预定时间点的添加速度值，并将其按照时间维度排列为控制项添加速度输入向量；待调控组分特征提取模块160，用于将所述控制项添加速度输入向量通过多尺度邻域特征提取模块以得到控制项添加速度特征向量；查询校正模块170，用于以所述控制项添加速度特征向量作为查询特征向量，计算其与所述多尺度组分添加关联特征矩阵之间的乘积以得到校正后控制项添加速度特征向量；转移模块180，用于计算所述状态监控向量相对于所述校正后控制项添加速度特征向量之间的转移矩阵；分类概率偏移校正模块190，用于基于所述状态监控向量和所述校正后控制项添加速度特征向量，对所述转移矩阵进行分类概率偏移校正以得到分类特征矩阵；以及，控制结果生成模块200，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待调控组分的添加速度值应增大或应减小。
在本申请实施例中，所述配料过程监控模块110，用于获取多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频。如上所述，考虑到在实际进行洗涤剂的配料控制时，由于各个配料组分在进行添加过程中，各组份的粒径大小和密度不同导致其添加质量难以进行监控，因此，使用添加速度值来模拟各个组分的添加量，以此在不同的时间点下根据反应液的状态来自适应地调控各组分的添加速度，从而实现洗涤剂的配料智能控制。但是，在实际进行配料添加控制的过程中发现，所述洗涤剂在生产过程中的配料的各个组分不仅在时序上具有着不同的动态添加特征，并且所述各个组分间具有着相互的关联性关系。因此，其难点在于如何挖掘所述各个组分间的时序添加关联特征以及如何建立该关联特征与所述反应液的状态变化特征间的映射关系，以提高对于当前时间点的各组分的添加速度值的控制精准度，进而提高洗涤剂的制备质量和洗涤效果。
在本申请一个具体的实施例中，通过速度传感器组采集多个组分在预定时间段内多个预定时间点的添加速度值，这里，所述多个组分可以为过硼酸钠、过碳酸钠或涂覆的过碳酸钠。同时，通过摄像头采集所述预定时间段的反应液的状态监控视频。接下来，就是如何从所述多个组分在预定时间段内多个预定时间点的添加速度值中提取到所述各个组分间的时序添加关联特征，以及从所述预定时间段的反应液的状态监控视频中提取到所述反应液的状态变化特征，并建立所述各个组分间的时序添加关联特征与所述反应液的状态变化特征间的映射关系。
对于上述描述中提到的难点，这里，采用深度学习以及神经网络来挖掘所述各个组分间的时序添加关联特征以及建立该关联特征与所述反应液的状态变化特征之间的复杂映射关系。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各个组分间的时序添加关联特征以及建立该关联特征与所述反应液的状态变化特征之间的复杂映射关系。
在本申请实施例中，所述添加速度结构化模块120，用于将所述多个组分在预定时间段内多个预定时间点的添加速度值按照时间维度排列为组分添加全局矩阵。应可以理解，为了挖掘出所述各个组分的添加速度值间在时间维度上的关联性特征分布信息，需要将所述多个组分在预定时间段内多个预定时间点的添加速度值放置到一个数据域中，也就是构建所述各个组分的添加速度值的时序关联矩阵，具体地，将所述多个组分在预定时间段内多个预定时间点的添加速度值按照时间维度排列为组分添加全局矩阵。
在本申请一个具体的实施例中，所述添加速度结构化模块，包括：行向量构造单元，用于将所述多个组分在预定时间段内多个预定时间点的添加速度值中的各个组分在预定时间段内多个预定时间点的添加速度值按照时间维度构造为多个行向量，其中，一个行向量对应一个组分在预定时间段内多个预定时间点的添加速度值；以及，二维单元，用于所述多个行向量按照组分的样本维度进行二维排列以得到所述组分添加全局矩阵。当然这只是本申请的一个实施例，也可以先按照组分的样本维度构造多个行向量，这是一个行向量对应一个时间点的多个组分。再按照时间维度进行二维排列以得到所述组分添加全局矩阵。
在本申请实施例中，所述添加速度特征提取模块130，用于将所述组分添加全局矩阵通过包含多个混合卷积层的第一卷积神经网络模型以得到多尺度组分添加关联特征矩阵。应可以理解，使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型进行所述组分添加全局矩阵的特征挖掘，特别地，考虑到在所述组分添加全局矩阵中，所述各个组分在时序上的添加速度值具有着不同尺度的关联性特征，因此，为了能够充分地提取出所述各个组分的添加速度在时间维度上的关联特征信息，将所述组分添加全局矩阵通过包含多个混合卷积层的第一卷积神经网络模型中进行处理，以提取出所述组分添加全局矩阵中关于所述各个组分的添加速度在时序上的多尺度隐含关联特征分布信息，从而得到多尺度组分添加关联特征矩阵。
相应地，值得一提的是，所述第一卷积神经网络模型的各个混合卷积层包括并行的第一卷积分支结构、第二卷积分支结构、第三卷积分支结构和第四卷积分支结构，以及，与所述第一至第四卷积分支结构连接的多尺度融合结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核、所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核、所述第四卷积分支使用具有第一尺寸且具有第三空洞率的第四卷积核，并且所述第一空洞率、所述第二空洞率和所述第三空洞率相互不等。应可以理解，通过不同扩张率的设置可获得不同感受域的组分添加关联特征信息，即可得到不同尺度的特征图，在扩大感受野的同时，又避免了下采样损失信息，接着将4个分支得到的特征图进行融合，使得采样更为密集，既拥有了高层特征，也没有增加额外的参数量。接着，再将得到的融合特征图进行降维以得到多尺度组分添加关联特征矩阵。
在本申请一个具体的实施例中，所述第一卷积神经网络模型的各个混合卷积层包括并行的第一卷积分支结构、第二卷积分支结构、第三卷积分支结构和第四卷积分支结构，以及，与所述第一至第四卷积分支结构连接的多尺度融合结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核、所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核、所述第四卷积分支使用具有第一尺寸且具有第三空洞率的第四卷积核。
在本申请实施例中，所述反应液状态特征提取模块140，用于将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到状态监控向量。应可以理解，考虑到在所述反应液的状态监控视频中，所述反应液的状态特征可以通过所述反应液的状态监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示反应液的状态变化情况。但是，考虑到监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述反应液的状态监控视频进行关键帧采样，从而得到多个状态监控关键帧。
在本申请一个具体的实施例中，所述反应液状态特征提取模块，包括：采样单元，用于对所述预定时间段的反应液的状态监控视频进行采样处理以得到多个反应液状态监控关键帧；三维卷积编码单元，用于将所述多个反应液状态监控关键帧输入所述使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征图；以及，降维单元，用于对所述反应液状态变化特征图进行降维处理以得到所述状态监控向量。
考虑到所述各个状态监控关键帧中关于所述反应液的状态特征在时间维度上具有着关联性，也就是说，所述反应液的状态信息在时序上是动态变化的。因此，在本申请的技术方案中，进一步将所述多个状态监控关键帧沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述反应液的状态特征在时间维度上的动态变化特征，从而得到状态监控向量。特别地，这里，所述第二卷积卷积神经网络模型的卷积核为三维卷积核，其具有W（宽度）、H（高度）和C（通道维度），在本申请的技术方案中，所述三维卷积核的通道维度对应于所述三维输入张量的时间维度，因此，在进行三维卷积编码时，能提取所述反应液的状态分布特征随时间维度的动态变化特征。
在本申请一个具体的实施例中，所述三维卷积编码单元，使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的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，所述使用三维卷积核的第二卷积神经网络模型的第一层的输入为所述多个反应液状态监控关键帧，所述使用三维卷积核的第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述使用三维卷积核的第二卷积神经网络模型的最后一层的输出为所述反应液状态变化特征图。
在本申请实施例中，所述待调控组分数据调取模块150，用于从所述多个组分在预定时间段内多个预定时间点的添加速度值中提取待调控组分在预定时间段内多个预定时间点的添加速度值，并将其按照时间维度排列为控制项添加速度输入向量。应可以理解，在实际进行待调控组分的添加速度控制时，需要对于所述待调控组分的添加速度进行时序上的动态变化特征挖掘，因此，在本申请的技术方案中，进一步从所述多个组分在预定时间段内多个预定时间点的添加速度值中提取待调控组分在预定时间段内多个预定时间点的添加速度值，并将其按照时间维度排列为控制项添加速度输入向量。接着。
在本申请实施例中，所述待调控组分特征提取模块160，用于将所述控制项添加速度输入向量通过多尺度邻域特征提取模块以得到控制项添加速度特征向量。应可以理解，考虑到由于所述待调控组分的添加速度具有着波动性，其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变化特征，因此，进一步将所述控制项添加速度输入向量通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述待调控组分的添加速度值在不同时间跨度下的动态多尺度邻域关联特征，从而得到控制项添加速度特征向量。
在本申请一个具体的实施例中，所述待调控组分特征提取模块，包括：第一尺度添加速度提取单元，用于将所述控制项添加速度输入向量通过所述多尺度邻域特征提取模块的第一一维卷积层以得到第一尺度添加速度特征向量，其中，所述第一一维卷积层使用具有第一长度的一维卷积核对所述控制项添加速度输入向量进行一维卷积处理；第二尺度添加速度提取单元，用于将所述控制项添加速度输入向量通过所述多尺度邻域特征提取模块的第二一维卷积层以得到第二尺度添加速度特征向量，其中，所述第二一维卷积层使用具有第二长度的一维卷积核对所述控制项添加速度输入向量进行一维卷积处理；以及，多尺度添加速度特征聚合单元，用于将所述第一尺度添加速度特征向量和所述第二尺度添加速度特征向量进行级联以得到对应于各个部分的所述控制项添加速度特征向量。
在本申请实施例中，所述查询校正模块170，用于以所述控制项添加速度特征向量作为查询特征向量，计算其与所述多尺度组分添加关联特征矩阵之间的乘积以得到校正后控制项添加速度特征向量。应可以理解，为了利用所述各个组分的添加速度的时序动态关联特征来增强所述待调控组分的添加速度的特征表达，以更为精准地进行所述待调控组分的添加速度的实时控制，在本申请的技术方案中，进一步以所述控制项添加速度特征向量作为查询特征向量，计算其与所述多尺度组分添加关联特征矩阵之间的乘积以得到校正后控制项添加速度特征向量，以此来挖掘出在所述各个组分的时序关联特征分布下的关于所述待调控组分的添加速度的动态变化特征分布信息。
在本申请实施例中，所述转移模块180，用于计算所述状态监控向量相对于所述校正后控制项添加速度特征向量之间的转移矩阵。应可以理解，在本申请一个具体的实施例中，所述转移模块，进一步用于：以如下公式计算所述状态监控向量相对于所述校正后控制项添加速度特征向量之间的转移矩阵；其中，所述公式为：
，其中/>
表示所述状态监控向量，/>
表示所述转移矩阵，/>
表示所述校正后控制项添加速度特征向量。
在本申请实施例中，所述分类概率偏移校正模块190，用于基于所述状态监控向量和所述校正后控制项添加速度特征向量，对所述转移矩阵进行分类概率偏移校正以得到分类特征矩阵。特别地，在本申请的技术方案中，在计算所述状态监控向量相对于所述校正后控制项添加速度特征向量之间的转移矩阵作为所述分类特征矩阵时，由于所述校正后控制项添加速度特征向量是控制项添加速度的多尺度时序关联特征在多尺度组分关联特征内的查询特征，因此其的特征分布可能在分类概率表示上偏移所述状态监控向量的通道维度视频语义特征分布的分类概率表示，也就是，所述状态监控向量与所述校正后控制项添加速度特征向量存在类中心偏移，从而影响计算得到的所述转移矩阵的分类结果的准确性。因此，优选地对所述状态监控向量
和所述校正后控制项添加速度特征向量/>
进行类节点的拓扑-类中心融合。
在本申请一个具体的实施例中，所述分类概率偏移校正模块，包括：类节点的拓扑-类中心融合单元，用于以如下公式对所述状态监控向量和所述校正后控制项添加速度特征向量进行类节点的拓扑-类中心融合以得到融合特征矩阵；其中，所述公式为：
其中/>
和/>
分别表示所述状态监控向量和所述校正后控制项添加速度特征向量，/>
和/>
分别表示矩阵（向量）的Kronecker积和Hadamard积，/>
为所述状态监控向量和所述校正后控制项添加速度特征向量之间的距离矩阵，且/>
和/>
均为列向量，/>
表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>
表示所述融合特征矩阵。
本申请考虑到在分类器的二分类问题中，如果将所述状态监控向量
和所述校正后控制项添加速度特征向量/>
融合后的类节点表示为树形式，则所述状态监控向量/>
和所述校正后控制项添加速度特征向量/>
各自的类节点分布为基于根节点的子树，因此可以利用节点之间关联的图拓扑，来使得融合后的类节点的节点分布基于图拓扑而表现为以各自节点为中心的子图结构，从而表达以所述状态监控向量/>
和所述校正后控制项添加速度特征向量/>
各自的类节点为根的子树结构，以实现所述状态监控向量/>
和所述校正后控制项添加速度特征向量/>
的基于类节点-中心的拓扑式融合，从而消除所述状态监控向量/>
和所述校正后控制项添加速度特征向量/>
之间的类中心偏移。这样，能够精准地对于当前时间点的各组分的添加速度值进行实时控制，进而提高洗涤剂的制备质量和洗涤效果。
在本申请一个具体的实施例中，所述分类概率偏移校正模块，还包括：映射校正单元，用于将所述融合特征矩阵与所述转移矩阵进行矩阵相乘以得到所述分类特征矩阵。应可以理解，将融合后的特征矩阵
与所述转移矩阵，例如记为/>
进行矩阵相乘，以将所述转移矩阵/>
映射到消除类中心偏移的融合特征空间内，以提升所述转移矩阵/>
的分类结果的准确性。
在本申请实施例中，所述控制结果生成模块200，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待调控组分的添加速度值应增大或应减小。也就是，将经过校正的所述待调控组分的添加速度的动态变化特征与所述反应液的状态变化特征间的关联性特征分布信息作为分类特征矩阵通过分类器中进行分类处理，从而得到用于表示当前时间点的待调控组分的添加速度值应增大或应减小的分类结果。这样，能够精准地对于当前时间点的各组分的添加速度值进行实时控制，进而提高洗涤剂的制备质量和洗涤效果。
在本申请一个具体的实施例中，所述控制结果生成模块，包括：分类特征向量获取单元，用于将所述分类特征矩阵按行展开为所述分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；概率值计算单元，用于将所述全连接编码特征向量通过所述分类器的Softmax分类函数以得到归属于待调控组分的添加速度值应增大的第一概率以及归属于待调控组分的添加速度值应减小的第二概率；以及，结果确定单元，用于基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。
也就是，在将所述分类特征矩阵展开为所述分类特征向量，上述实施中是按行展开，但也可以按列展开。再使用所述分类器的全连接层对所述分类特征向量进行全连接编码以充分利用所述分类特征矩阵中各个位置的信息以得到全连接编码特征向量；然后，计算所述全连接编码特征向量的Softmax函数值，即，所述分类特征矩阵归属于各个分类标签的概率值，在上述实施例中，所述归属于各个分类标签的概率值包括归属于待调控组分的添加速度值应增大的第一概率以及归属于待调控组分的添加速度值应减小的第二概率。最后，基于所述第一概率和所述第二概率之间的比较，确定所述分类结果，也就是，如果所述第一概率大于所述第二概率，则所述分类结果为所述待调控组分的添加速度值应增大，反之所述分类结果为所述待调控组分的添加速度值应减小。这里，可以给所述待调控组分的添加速度值增大或减小设置一个固定值。更为具体地，在本申请的一个实施例中，所述待调控组分分别为过硼酸钠、过碳酸钠或涂覆的过碳酸钠。
综上，基于本申请实施例的所述一种洗涤剂生产过程中配料控制管理系统已被阐明，其首先获取多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频，然后，通过深度神经网络模型挖掘所述各个组分间的时序添加关联特征并建立该关联特征与所述反应液的状态变化特征间的映射关系，并以此作为分类特征矩阵通过分类器中进行分类处理，通过这样的方式，能够精准地对于当前时间点的各组分的添加速度值进行实时控制，进而提高洗涤剂的制备质量和洗涤效果。
示例性方法：图3为根据本申请实施例的洗涤剂生产过程中配料控制管理方法的流程图。如图3所示，根据本申请实施例的所述洗涤剂生产过程中配料控制管理方法，包括：S110，获取多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频；S120，将所述多个组分在预定时间段内多个预定时间点的添加速度值按照时间维度排列为组分添加全局矩阵；S130，将所述组分添加全局矩阵通过包含多个混合卷积层的第一卷积神经网络模型以得到多尺度组分添加关联特征矩阵；S140，将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到状态监控向量；S150，从所述多个组分在预定时间段内多个预定时间点的添加速度值中提取待调控组分在预定时间段内多个预定时间点的添加速度值，并将其按照时间维度排列为控制项添加速度输入向量；S160，将所述控制项添加速度输入向量通过多尺度邻域特征提取模块以得到控制项添加速度特征向量；S170，以所述控制项添加速度特征向量作为查询特征向量，计算其与所述多尺度组分添加关联特征矩阵之间的乘积以得到校正后控制项添加速度特征向量；S180，计算所述状态监控向量相对于所述校正后控制项添加速度特征向量之间的转移矩阵；S190，基于所述状态监控向量和所述校正后控制项添加速度特征向量，对所述转移矩阵进行分类概率偏移校正以得到分类特征矩阵；以及，S200，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待调控组分的添加速度值应增大或应减小。
图4为根据本申请实施例的洗涤剂生产过程中配料控制管理方法的流程图的模型架构的示意图。如图4所示，在本申请实施例的所述洗涤剂生产过程中配料控制管理方法的流程图的模型架构中，首先，获取多个组分在预定时间段内多个预定时间点的添加速度值。然后，将所述多个组分在预定时间段内多个预定时间点的添加速度值按照时间维度排列为组分添加全局矩阵，并将所述组分添加全局矩阵通过包含多个混合卷积层的第一卷积神经网络模型以得到多尺度组分添加关联特征矩阵。同时，从所述多个组分在预定时间段内多个预定时间点的添加速度值中提取待调控组分在预定时间段内多个预定时间点的添加速度值，并将其按照时间维度排列为控制项添加速度输入向量。然后，将所述控制项添加速度输入向量通过多尺度邻域特征提取模块以得到控制项添加速度特征向量。接着，以所述控制项添加速度特征向量作为查询特征向量，计算其与所述多尺度组分添加关联特征矩阵之间的乘积以得到校正后控制项添加速度特征向量。同时，获取所述预定时间段的反应液的状态监控视频，并将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到状态监控向量。再然后，计算所述状态监控向量相对于所述校正后控制项添加速度特征向量之间的转移矩阵，并基于所述状态监控向量和所述校正后控制项添加速度特征向量，对所述转移矩阵进行分类概率偏移校正以得到分类特征矩阵。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待调控组分的添加速度值应增大或应减小。
这里，本领域技术人员可以理解，上述洗涤剂生产过程中配料控制管理方法中的各个步骤的具体操作已经在上面参考图1至图2的洗涤剂生产过程中配料控制管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
Claims (10)
1.一种洗涤剂生产过程中配料控制管理系统，其特征在于，包括：配料过程监控模块，用于获取多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频；添加速度结构化模块，用于将所述多个组分在预定时间段内多个预定时间点的添加速度值按照时间维度排列为组分添加全局矩阵；添加速度特征提取模块，用于将所述组分添加全局矩阵通过包含多个混合卷积层的第一卷积神经网络模型以得到多尺度组分添加关联特征矩阵；反应液状态特征提取模块，用于将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到状态监控向量；待调控组分数据调取模块，用于从所述多个组分在预定时间段内多个预定时间点的添加速度值中提取待调控组分在预定时间段内多个预定时间点的添加速度值，并将其按照时间维度排列为控制项添加速度输入向量；待调控组分特征提取模块，用于将所述控制项添加速度输入向量通过多尺度邻域特征提取模块以得到控制项添加速度特征向量；查询校正模块，用于以所述控制项添加速度特征向量作为查询特征向量，计算其与所述多尺度组分添加关联特征矩阵之间的乘积以得到校正后控制项添加速度特征向量；转移模块，用于计算所述状态监控向量相对于所述校正后控制项添加速度特征向量之间的转移矩阵；分类概率偏移校正模块，用于基于所述状态监控向量和所述校正后控制项添加速度特征向量，对所述转移矩阵进行分类概率偏移校正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待调控组分的添加速度值应增大或应减小。
2.根据权利要求1所述的洗涤剂生产过程中配料控制管理系统，其特征在于，所述添加速度结构化模块，包括：行向量构造单元，用于将所述多个组分在预定时间段内多个预定时间点的添加速度值中的各个组分在预定时间段内多个预定时间点的添加速度值按照时间维度构造为多个行向量，其中，一个行向量对应一个组分在预定时间段内多个预定时间点的添加速度值；以及二维单元，用于所述多个行向量按照组分的样本维度进行二维排列以得到所述组分添加全局矩阵。
3.根据权利要求2所述的洗涤剂生产过程中配料控制管理系统，其特征在于，所述第一卷积神经网络模型的各个混合卷积层包括并行的第一卷积分支结构、第二卷积分支结构、第三卷积分支结构和第四卷积分支结构，以及，与所述第一至第四卷积分支结构连接的多尺度融合结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核、所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核、所述第四卷积分支使用具有第一尺寸且具有第三空洞率的第四卷积核。
4.根据权利要求3所述的洗涤剂生产过程中配料控制管理系统，其特征在于，所述反应液状态特征提取模块，包括：采样单元，用于对所述预定时间段的反应液的状态监控视频进行采样处理以得到多个反应液状态监控关键帧；三维卷积编码单元，用于将所述多个反应液状态监控关键帧输入所述使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征图；以及降维单元，用于对所述反应液状态变化特征图进行降维处理以得到所述状态监控向量。
5.根据权利要求4所述的洗涤剂生产过程中配料控制管理系统，其特征在于，所述三维卷积编码单元，使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的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，所述使用三维卷积核的第二卷积神经网络模型的第一层的输入为所述多个反应液状态监控关键帧，所述使用三维卷积核的第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述使用三维卷积核的第二卷积神经网络模型的最后一层的输出为所述反应液状态变化特征图。
6.根据权利要求5所述的洗涤剂生产过程中配料控制管理系统，其特征在于，所述待调控组分特征提取模块，包括：第一尺度添加速度提取单元，用于将所述控制项添加速度输入向量通过所述多尺度邻域特征提取模块的第一一维卷积层以得到第一尺度添加速度特征向量，其中，所述第一一维卷积层使用具有第一长度的一维卷积核对所述控制项添加速度输入向量进行一维卷积处理；第二尺度添加速度提取单元，用于将所述控制项添加速度输入向量通过所述多尺度邻域特征提取模块的第二一维卷积层以得到第二尺度添加速度特征向量，其中，所述第二一维卷积层使用具有第二长度的一维卷积核对所述控制项添加速度输入向量进行一维卷积处理；以及多尺度添加速度特征聚合单元，用于将所述第一尺度添加速度特征向量和所述第二尺度添加速度特征向量进行级联以得到对应于各个部分的所述控制项添加速度特征向量。
7.根据权利要求6所述的洗涤剂生产过程中配料控制管理系统，其特征在于，所述转移模块，进一步用于：以如下公式计算所述状态监控向量相对于所述校正后控制项添加速度特征向量之间的转移矩阵；其中，所述公式为：
其中/>
表示所述状态监控向量，/>
表示所述转移矩阵，/>
表示所述校正后控制项添加速度特征向量。
8.根据权利要求7所述的洗涤剂生产过程中配料控制管理系统，其特征在于，所述分类概率偏移校正模块，包括：类节点的拓扑-类中心融合单元，用于以如下公式对所述状态监控向量和所述校正后控制项添加速度特征向量进行类节点的拓扑-类中心融合以得到融合特征矩阵；其中，所述公式为：
其中/>
和/>
分别表示所述状态监控向量和所述校正后控制项添加速度特征向量，/>
和/>
分别表示矩阵（向量）的Kronecker积和Hadamard积，/>
为所述状态监控向量和所述校正后控制项添加速度特征向量之间的距离矩阵，且/>
和/>
均为列向量，/>
表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>
表示所述融合特征矩阵；以及映射校正单元，用于将所述融合特征矩阵与所述转移矩阵进行矩阵相乘以得到所述分类特征矩阵。
9.根据权利要求8所述的洗涤剂生产过程中配料控制管理系统，其特征在于，所述控制结果生成模块，包括：分类特征向量获取单元，用于将所述分类特征矩阵按行展开为所述分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；概率值计算单元，用于将所述全连接编码特征向量通过所述分类器的Softmax分类函数以得到归属于待调控组分的添加速度值应增大的第一概率以及归属于待调控组分的添加速度值应减小的第二概率；以及结果确定单元，用于基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。
10.一种洗涤剂生产过程中配料控制管理方法，其特征在于，包括：获取多个组分在预定时间段内多个预定时间点的添加速度值和所述预定时间段的反应液的状态监控视频；将所述多个组分在预定时间段内多个预定时间点的添加速度值按照时间维度排列为组分添加全局矩阵；将所述组分添加全局矩阵通过包含多个混合卷积层的第一卷积神经网络模型以得到多尺度组分添加关联特征矩阵；将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到状态监控向量；从所述多个组分在预定时间段内多个预定时间点的添加速度值中提取待调控组分在预定时间段内多个预定时间点的添加速度值，并将其按照时间维度排列为控制项添加速度输入向量；将所述控制项添加速度输入向量通过多尺度邻域特征提取模块以得到控制项添加速度特征向量；以所述控制项添加速度特征向量作为查询特征向量，计算其与所述多尺度组分添加关联特征矩阵之间的乘积以得到校正后控制项添加速度特征向量；计算所述状态监控向量相对于所述校正后控制项添加速度特征向量之间的转移矩阵；基于所述状态监控向量和所述校正后控制项添加速度特征向量，对所述转移矩阵进行分类概率偏移校正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待调控组分的添加速度值应增大或应减小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310248063.8A CN116187952A (zh) | 2023-03-15 | 2023-03-15 | 洗涤剂生产过程中配料控制管理系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310248063.8A CN116187952A (zh) | 2023-03-15 | 2023-03-15 | 洗涤剂生产过程中配料控制管理系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116187952A true CN116187952A (zh) | 2023-05-30 |
Family
ID=86438469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310248063.8A Withdrawn CN116187952A (zh) | 2023-03-15 | 2023-03-15 | 洗涤剂生产过程中配料控制管理系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116187952A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117037028A (zh) * | 2023-07-31 | 2023-11-10 | 邵阳阳光发品有限公司 | 假发的智能化制备方法及其系统 |
-
2023
- 2023-03-15 CN CN202310248063.8A patent/CN116187952A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117037028A (zh) * | 2023-07-31 | 2023-11-10 | 邵阳阳光发品有限公司 | 假发的智能化制备方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116052050A (zh) | 洗涤剂智能化生产系统及其方法 | |
| Poli et al. | Graph neural ordinary differential equations | |
| CN111538759B (zh) | 一种基于分布式字典学习的工业过程智能监测方法与系统 | |
| CN116187952A (zh) | 洗涤剂生产过程中配料控制管理系统及其方法 | |
| CN115896817A (zh) | 氟氮混合气的生产方法及其系统 | |
| Antil et al. | Fractional deep neural network via constrained optimization | |
| CN115909171A (zh) | 钢包透气砖生产方法及其系统 | |
| JP7020547B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
| CN107451230A (zh) | 一种问答方法以及问答系统 | |
| CN115983126A (zh) | 异麦芽糖酐铁1000的智能化制备方法 | |
| CN116434117A (zh) | 一种复合聚丙烯酰胺驱油剂的制备方法 | |
| CN112434813A (zh) | 基于面向属性语言概念格的多重多维语言推理方法 | |
| Naik et al. | Bifurcation analysis of a discrete-time prey-predator model | |
| Zhang et al. | Cross-modal concept learning and inference for vision-language models | |
| CN117012304B (zh) | 融合ggnn-gan的深度学习分子生成系统及方法 | |
| CN116384127B (zh) | 用于气象生态环境的数值模拟预报方法及装置 | |
| CN112100486A (zh) | 一种基于图模型的深度学习推荐系统及其方法 | |
| CN111782928B (zh) | 信息推送方法、装置和计算机可读存储介质 | |
| CN116510124A (zh) | 输液监控系统及其方法 | |
| CN115809705A (zh) | 基于量子计算的流体动力学计算系统及量子计算机 | |
| CN115797557A (zh) | 基于图注意力网络的自监督3d场景流估计方法 | |
| CN114496297A (zh) | 量子门控循环神经网络预测新冠疫苗稳定性的方法及装置 | |
| CN110533159B (zh) | 一种基于介科学指导提高深度学习数据集质量及模型可解释性的方法 | |
| Malani et al. | Some of the variables, some of the parameters, some of the times, with some physics known: Identification with partial information | |
| CN113887501A (zh) | 行为识别方法、装置、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230530 |
|
| WW01 | Invention patent application withdrawn after publication |