CN116285481A - 涂料的生产加工方法及其系统 - Google Patents

涂料的生产加工方法及其系统 Download PDF

Info

Publication number
CN116285481A
CN116285481A CN202310584595.9A CN202310584595A CN116285481A CN 116285481 A CN116285481 A CN 116285481A CN 202310584595 A CN202310584595 A CN 202310584595A CN 116285481 A CN116285481 A CN 116285481A
Authority
CN
China
Prior art keywords
reaction temperature
time sequence
vector
static
dynamic
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.)
Pending
Application number
CN202310584595.9A
Other languages
English (en)
Inventor
刘大立
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.)
Foshan Shili Coating Technology Co ltd
Original Assignee
Foshan Shili Coating Technology Co ltd
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 Foshan Shili Coating Technology Co ltd filed Critical Foshan Shili Coating Technology Co ltd
Priority to CN202310584595.9A priority Critical patent/CN116285481A/zh
Publication of CN116285481A publication Critical patent/CN116285481A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09D—COATING COMPOSITIONS, e.g. PAINTS, VARNISHES OR LACQUERS; FILLING PASTES; CHEMICAL PAINT OR INK REMOVERS; INKS; CORRECTING FLUIDS; WOODSTAINS; PASTES OR SOLIDS FOR COLOURING OR PRINTING; USE OF MATERIALS THEREFOR
    • C09D7/00—Features of coating compositions, not provided for in group C09D5/00; Processes for incorporating ingredients in coating compositions
    • C09D7/80—Processes for incorporating ingredients
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/0006—Controlling or regulating processes
    • B01J19/0013—Controlling the temperature of the process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Organic Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Wood Science & Technology (AREA)
  • Materials Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Analytical Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及智能加工领域，其具体地公开了一种涂料的生产加工方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出聚合反应过程中反应温度值的时序变化特征和冷却水流速值的时序变化特征之间的关联性特征，以此基于实际的反应温度变化情况来实时准确地控制冷却水的流速值，从而有效地实现聚合反应降温，以保证反应的安全性，且提高涂料的制备质量和性能。

Description

涂料的生产加工方法及其系统
技术领域
本申请涉及智能加工领域，且更为具体地，涉及一种涂料的生产加工方法及其系统。
背景技术
涂料是一种广泛应用于建筑、汽车、家具等领域的材料。其中，丙烯酸树脂是常用的涂料制备的原料之一，可以通过乳化反应与单体聚合反应制备成涂料。在聚合反应中，严格控制反应温度十分重要，因为温度过高会引起反应失控，进而导致安全事故和产物质量下降。然而，传统的反应温度控制方案只是利用固定流速的循环冷却水来进行降温，并没有关注到冷却水的流速与反应温度的适配性，导致降温的效果达不到预期标准，从而影响涂料的制备品质和性能。
因此，期望一种优化的涂料的生产加工方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种涂料的生产加工方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出聚合反应过程中反应温度值的时序变化特征和冷却水流速值的时序变化特征之间的关联性特征，以此基于实际的反应温度变化情况来实时准确地控制冷却水的流速值，从而有效地实现聚合反应降温，以保证反应的安全性，且提高涂料的制备质量和性能。
根据本申请的一个方面，提供了一种涂料的生产加工方法，其包括：
将丙烯酸树脂溶解以得到丙烯酸树脂溶解液；
在所述丙烯酸树脂溶解液中加入乳化剂进行乳化反应以得到丙烯酸树脂乳液；以及
将所述丙烯酸树脂乳液、引发剂和丙烯酸树脂聚合用单体进行聚合反应以得到涂料。
在上述涂料的生产加工方法中，将所述丙烯酸树脂乳液、引发剂和丙烯酸树脂聚合用单体进行聚合反应以得到涂料，包括：获取聚合反应过程中的预定时间段内多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值；将所述多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值分别按照时间维度排列为反应温度时序输入向量和冷却水流速时序输入向量；计算所述反应温度时序输入向量中每相邻两个时间点的反应温度值之间的差值以得到反应温度变化时序输入向量；将所述反应温度变化时序输入向量和所述反应温度时序输入向量进行级联以得到反应温度动-静输入向量；将所述反应温度动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到反应温度动-静时序特征向量；将所述冷却水流速时序输入向量通过基于一维卷积神经网络模型的流速特征提取器以得到流速时序特征向量；计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量；将所述差分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增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值。
在上述涂料的生产加工方法中，将所述反应温度动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到反应温度动-静时序特征向量，包括：将所述反应温度动-静输入向量输入所述时序特征提取器的第一卷积层以得到第一邻域尺度反应温度动-静时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述反应温度动-静输入向量输入所述时序特征提取器的第二卷积层以得到第二邻域尺度反应温度动-静时序特征向量，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反应温度动-静时序特征向量和所述第二邻域尺度反应温度动-静时序特征向量进行级联以得到所述反应温度动-静时序特征向量。其中，将所述反应温度动-静输入向量输入所述时序特征提取器的第一卷积层以得到第一邻域尺度反应温度动-静时序特征向量，包括：使用所述时序特征提取器的第一卷积层以如下一维卷积公式对所述反应温度动-静输入向量进行一维卷积编码以得到第一邻域尺度反应温度动-静时序特征向量；其中，所述公式为：
Figure SMS_1
，
其中，a为第一卷积核在x方向上的宽度、
Figure SMS_2
为第一卷积核参数向量、/>
Figure SMS_3
为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述反应温度动-静输入向量，/>
Figure SMS_4
表示对所述反应温度动-静输入向量进行一维卷积编码；以及
将所述反应温度动-静输入向量输入所述时序特征提取器的第二卷积层以得到第二邻域尺度反应温度动-静时序特征向量，包括：使用所述时序特征提取器的第二卷积层以如下一维卷积公式对所述反应温度动-静输入向量进行一维卷积编码以得到所述第二邻域尺度反应温度动-静时序特征向量；
其中，所述公式为：
Figure SMS_5
，
其中，b为第二卷积核在x方向上的宽度、
Figure SMS_6
为第二卷积核参数向量、/>
Figure SMS_7
为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述反应温度动-静输入向量，/>
Figure SMS_8
表示对所述反应温度动-静输入向量进行一维卷积编码。
在上述涂料的生产加工方法中，将所述冷却水流速时序输入向量通过基于一维卷积神经网络模型的流速特征提取器以得到流速时序特征向量，包括：使用所述基于一维卷积神经网络模型的流速特征提取器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基于特征矩阵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，所述基于一维卷积神经网络模型的流速特征提取器的最后一层的输出为所述流速时序特征向量，所述基于一维卷积神经网络模型的流速特征提取器的第一层的输入为所述冷却水流速时序输入向量。
在上述涂料的生产加工方法中，计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量，包括：分别计算所述反应温度动-静时序特征向量与所述流速时序特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为加权系数对所述反应温度动-静时序特征向量与所述流速时序特征向量进行加权优化以得到优化后反应温度动-静时序特征向量与优化后流速时序特征向量；以及，计算所述优化后反应温度动-静时序特征向量与所述优化后流速时序特征向量之间的差分特征向量。
在上述涂料的生产加工方法中，分别计算所述反应温度动-静时序特征向量与所述流速时序特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数，包括：以如下优化公式分别计算所述反应温度动-静时序特征向量与所述流速时序特征向量的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数；其中，所述优化公式为：
Figure SMS_9
；
Figure SMS_10
,
其中，
Figure SMS_12
是所述反应温度动-静时序特征向量中各个位置的特征值，/>
Figure SMS_16
是所述流速时序特征向量中各个位置的特征值，L是特征向量的长度，/>
Figure SMS_18
和/>
Figure SMS_13
分别是所述反应温度动-静时序特征向量中各个位置特征值集合的均值和方差，且/>
Figure SMS_15
和/>
Figure SMS_17
分别是所述流速时序特征向量中各个位置特征值集合的均值和方差，/>
Figure SMS_19
为以2为底的对数函数值，/>
Figure SMS_11
和/>
Figure SMS_14
分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
在上述涂料的生产加工方法中，计算所述优化后反应温度动-静时序特征向量与所述优化后流速时序特征向量之间的差分特征向量，包括：以如下差分公式计算所述优化后反应温度动-静时序特征向量与所述优化后流速时序特征向量之间的差分特征向量；其中，所述公式为：
Figure SMS_20
，其中，/>
Figure SMS_21
表示所述优化后反应温度动-静时序特征向量，
Figure SMS_22
表示所述优化后流速时序特征向量，/>
Figure SMS_23
表示所述差分特征向量，/>
Figure SMS_24
表示按位置差分。
在上述涂料的生产加工方法中，将所述差分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增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值，包括：使用所述分类器的多个全连接层对所述差分特征向量进行全连接编码以得到编码差分特征向量；以及，将所述编码差分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。
根据本申请的另一方面，提供了一种涂料的生产加工系统，其包括：
数据采集模块，用于获取聚合反应过程中的预定时间段内多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值；
排列模块，用于将所述多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值分别按照时间维度排列为反应温度时序输入向量和冷却水流速时序输入向量；
反应温度变化时序计算模块，用于计算所述反应温度时序输入向量中每相邻两个时间点的反应温度值之间的差值以得到反应温度变化时序输入向量；
级联模块，用于将所述反应温度变化时序输入向量和所述反应温度时序输入向量进行级联以得到反应温度动-静输入向量；
反应温度动-静时序特征提取模块，用于将所述反应温度动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到反应温度动-静时序特征向量；
卷积模块，用于将所述冷却水流速时序输入向量通过基于一维卷积神经网络模型的流速特征提取器以得到流速时序特征向量；
差分模块，用于计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量；
分类结果生成模块，用于将所述差分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增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值。
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涂料的生产加工方法。
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涂料的生产加工方法。
与现有技术相比，本申请提供的一种涂料的生产加工方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出聚合反应过程中反应温度值的时序变化特征和冷却水流速值的时序变化特征之间的关联性特征，以此基于实际的反应温度变化情况来实时准确地控制冷却水的流速值，从而有效地实现聚合反应降温，以保证反应的安全性，且提高涂料的制备质量和性能。
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涂料的生产加工方法的场景示意图；
图2为根据本申请实施例的涂料的生产加工方法的流程图；
图3为根据本申请实施例的涂料的生产加工方法中聚合反应过程的流程图；
图4为根据本申请实施例的涂料的生产加工方法的系统架构图；
图5为根据本申请实施例的涂料的生产加工方法中时序特征提取器编码的流程图；
图6为根据本申请实施例的涂料的生产加工方法中一维卷积神经网络编码过程的流程图；
图7为根据本申请实施例的涂料的生产加工方法中差分特征向量计算过程的流程图；
图8为根据本申请实施例的涂料的生产加工系统的框图；
图9为根据本申请实施例的电子设备的框图。
实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上所述，在制备涂料的聚合反应中，严格控制反应温度十分重要，因为温度过高会引起反应失控，进而导致安全事故和产物质量下降。然而，传统的反应温度控制方案只是利用固定流速的循环冷却水来进行降温，并没有关注到冷却水的流速与反应温度的适配性，导致降温的效果达不到预期标准，从而影响涂料的制备品质和性能。因此，期望一种优化的涂料的生产加工方案。
具体地，在本申请的技术方案中，提出了一种涂料的生产加工方法，其包括：将丙烯酸树脂溶解以得到丙烯酸树脂溶解液，这里，通过将所述丙烯酸树脂溶解于溶剂中，可以获得稳定的柔性涂料；在所述丙烯酸树脂溶解液中加入乳化剂进行乳化反应以得到丙烯酸树脂乳液，特别地，这里，使用乳化剂将所述丙烯酸树脂溶液分散化后，可以获得更为稳定和带有粘滞性的乳液，这种乳液在后续聚合反应中起着至关重要的作用；将所述丙烯酸树脂乳液、引发剂和丙烯酸树脂聚合用单体进行聚合反应以得到涂料。
相应地，考虑到在聚合反应的过程中，控制反应温度是非常重要的，一般来说，聚合反应会放出热量，如果不及时进行降温和控制，就会导致反应物质超出安全温度，引发危险事故，或导致制备涂料质量下降。具体地，在本申请的技术方案中，可以通过在反应器周围设置冷却水循环管道，通过循环冷却水来控制反应器的温度变化。并且，在此过程中，由于反应温度值在时间维度上是不断变化的，为了能够使得冷却水的冷却效果满足实际的应用需求，需要基于反应温度值的变化来自适应地控制冷却水的流速值，从而达到理想的冷却效果。但是，反应温度值和冷却水流速值在时间维度上的时序动态变化特征信息为小尺度的隐含变化特征信息，难以通过传统的特征提取方式进行捕捉，并且这两者在时间维度上具有着时序的动态关联特性。因此，在此过程中，难点在于如何进行聚合反应过程中所述反应温度值的时序变化特征和所述冷却水流速值的时序变化特征之间的关联性特征分布信息的充分表达，以此基于实际的反应温度变化情况来实时准确地控制冷却水的流速值，从而有效地实现聚合反应降温，以保证反应的安全性，且提高涂料的制备质量和性能。
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反应温度值的时序变化特征和所述冷却水流速值的时序变化特征之间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，获取聚合反应过程中的预定时间段内多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值。接着，考虑到由于所述反应温度值和所述冷却水的流速值在时间维度上具有着动态性的变化规律，因此，为了能够对于所述反应温度值和所述冷却水的流速值在时间维度上的变化特征信息进行提取，在本申请的技术方案中，将所述多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值分别按照时间维度排列为反应温度时序输入向量和冷却水流速时序输入向量，以此来分别整合所述反应温度值和所述冷却水的流速值在时序上的分布信息。
进一步地，为了对于冷却水的流速值进行自适应地精准控制，需要对于所述反应温度值在时间维度上的动态变化特征进行提取，考虑到由于所述反应温度值在时序上的变化信息是微弱的，这种微弱的变化特征相对于所述反应温度值来说为小尺度的变化特征信息，若以绝对变化信息来进行所述反应温度值的时序动态变化特征提取不仅会使得计算量较大造成过拟合，而且还会使得所述反应温度值在时间维度上的小尺度微弱变化特征难以被察觉，进而影响后续分类的精准度。
基于此，在本申请的技术方案中，采用所述反应温度值的时序相对变化特征和绝对变化特征来综合进行所述充电线缆的温度值的动态特征提取。具体地，首先，计算所述反应温度时序输入向量中每相邻两个时间点的反应温度值之间的差值以得到反应温度变化时序输入向量。接着，考虑到由于所述反应温度值的时序相对变化特征与时序绝对变化特征间具有着关于所述反应温度的时序变化的关联关系。因此，为了充分地探究所述反应温度值在时间维度上的动态变化规律，以准确地进行所述冷却水的流速控制，在本申请的技术方案中，进一步将所述反应温度变化时序输入向量和所述反应温度时序输入向量进行级联以得到反应温度动-静输入向量。
然后，还考虑到由于所述反应温度值在时间维度上具有着波动性和不确定性，导致所述反应温度值在时序上的不同时间周期跨度下呈现出不同的时序变化特征信息。因此，在本申请的技术方案中，进一步将所述反应温度动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到反应温度动-静时序特征向量。特别地，这里，所述第一卷积层和所述第二卷积层使用不同尺度的一维卷积核来进行所述反应温度动-静输入向量的特征挖掘，以提取出所述反应温度值的相对动态变化特征和绝对静态变化特征之间的多尺度关联性特征分布信息，即所述反应温度值在时间维度上的多尺度时序变化特征信息。
进一步地，对于所述冷却水的流速值来说，由于所述冷却水的流速值在时间维度上也具有着时序的动态变化规律，也就是说，所述冷却水的流速值在各个预定时间点的时序上具有着关联关系。因此，在本申请的技术方案中，进一步将所述冷却水流速时序输入向量通过基于一维卷积神经网络模型的流速特征提取器中进行处理，以提取出所述冷却水的流速值在时序上的隐含关联性特征分布信息，从而得到流速时序特征向量。
接着，为了能够基于所述冷却水的流速值时序变化特征和所述反应温度值的时序变化特征之间的协同关联关系来进行冷却水流速的实时准确控制，需要进行所述冷却水的流速值时序变化特征和所述反应温度值的时序变化特征之间的关联性特征信息的充分表达。因此，在本申请的技术方案中，计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量，以更好地判断所述反应温度和所述冷却水流速之间的关联度，从而更加准确地实现涂料制备过程中反应温度的控制。应可以理解，通过计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量，可以更好地反映它们之间的关系，并运用所述分类器得到反应温度的预测结果，实现对涂料生产加工过程的智能化控制。
然后，将所述差分特征向量作为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增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值。也就是，在本申请的技术方案中，所述分类器的标签包括增大冷却水的流速值(第一标签)、减小冷却水的流速值(第二标签)，以及，保持冷却水的流速值(第三标签)，其中，所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。值得注意的是，这里的所述第一标签p1、所述第二标签p2和所述第三标签p3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“增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值”这种概念，其只是有三种分类标签且输出特征在这三个分类标签下的概率，即p1、p2和p3 之和为一。因此，增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值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多分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值”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增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值的控制策略标签，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冷却水的流速值，从而有效地实现聚合反应降温，保证反应的安全性。
特别地，在本申请的技术方案中，这里，考虑到所述反应温度值和所述冷却水的流速值在数据采集过程中引入的源数据噪声，在进行时序维度下的关联特征的提取后，所述源数据噪声本身对源数据数值的影响，以及源数据噪声在时序维度下分布的不均匀性都会进一步被时序关联特征的提取放大，从而在所述反应温度动-静时序特征向量与所述流速时序特征向量引入各自的特征分布的高斯分布误差不确定性，而由于所述差分特征向量是计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的逐位置差分得到的，而考虑到所述反应温度动-静时序特征向量与所述流速时序特征向量各自的特征分布的高斯分布误差不确定性不可能完全对齐，因此所述差分特征向量存在由所述反应温度动-静时序特征向量与所述流速时序特征向量的高斯分布误差不确定性引起的分类回归误差，影响所述差分特征向量通过分类器得到的分类结果的准确性。
基于此，在本申请的技术方案中，分别计算所述反应温度动-静时序特征向量，例如记为
Figure SMS_25
和所述流速时序特征向量，例如记为/>
Figure SMS_26
的高斯回归不确定性因数，表示为：
Figure SMS_27
；
Figure SMS_30
，其中，L是特征向量的长度，/>
Figure SMS_31
和/>
Figure SMS_33
分别是特征集合/>
Figure SMS_29
的均值和方差，且/>
Figure SMS_32
和/>
Figure SMS_34
分别是特征集合/>
Figure SMS_35
的均值和方差，/>
Figure SMS_28
为以2为底的对数。
这里，针对所述反应温度动-静时序特征向量
Figure SMS_36
和所述流速时序特征向量/>
Figure SMS_37
各自的集成特征集合由于其分布不确定性信息可能导致的所述差分特征向量的不可知回归，利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量，从而将特征表示的正态分布认知模式扩展到未知的分布回归模式，实现特征集合尺度上的基于自然分布转移的迁移学习，这样，通过以上述高斯回归不确定性因数分别对所述反应温度动-静时序特征向量和所述流速时序特征向量加权后再进行差分计算，就可以实现所述反应温度动-静时序特征向量和所述流速时序特征向量在差分计算过程中基于自校准的不确定性修正，从而修正所述差分特征向量存在的分类回归误差，提升所述差分特征向量通过分类器得到的分类结果的准确性。这样，能够基于实际的反应温度变化情况来实时准确地控制冷却水的流速值，从而有效地实现聚合反应降温，以保证反应的安全性，且提高涂料的制备质量和性能。
基于此，本申请提出了一种涂料的生产加工方法，其包括：将丙烯酸树脂溶解以得到丙烯酸树脂溶解液；在所述丙烯酸树脂溶解液中加入乳化剂进行乳化反应以得到丙烯酸树脂乳液；以及，将所述丙烯酸树脂乳液、引发剂和丙烯酸树脂聚合用单体进行聚合反应以得到涂料。
图1为根据本申请实施例的涂料的生产加工方法的场景示意图。如图1所示，在该应用场景中，通过温度传感器（例如，如图1中所示意的V1）获取聚合反应过程中的预定时间段内多个预定时间点的反应温度值，以及，通过流速传感器（例如，如图1中所示意的V2）获取所述多个预定时间点的冷却水的流速值。接着，将上述数据输入至部署有用于涂料的生产加工算法的服务器（例如，图1中的S）中，其中，所述服务器能够以所述涂料的生产加工算法对上述输入的数据进行处理，以生成用于表示增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值的分类结果。
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。
示例性方法
图2为根据本申请实施例的涂料的生产加工方法的流程图。如图2所示，根据本申请实施例的涂料的生产加工方法，包括步骤：S1，将丙烯酸树脂溶解以得到丙烯酸树脂溶解液；S2，在所述丙烯酸树脂溶解液中加入乳化剂进行乳化反应以得到丙烯酸树脂乳液；S3，将所述丙烯酸树脂乳液、引发剂和丙烯酸树脂聚合用单体进行聚合反应以得到涂料。
具体地，在步骤S1中，将丙烯酸树脂溶解以得到丙烯酸树脂溶解液。通过将所述丙烯酸树脂溶解于溶剂中，可以获得稳定的柔性涂料。
具体地，在步骤S2中，在所述丙烯酸树脂溶解液中加入乳化剂进行乳化反应以得到丙烯酸树脂乳液。特别地，这里，使用乳化剂将所述丙烯酸树脂溶液分散化后，可以获得更为稳定和带有粘滞性的乳液，这种乳液在后续聚合反应中起着至关重要的作用。
具体地，在步骤S3中，将所述丙烯酸树脂乳液、引发剂和丙烯酸树脂聚合用单体进行聚合反应以得到涂料。
图3为根据本申请实施例的涂料的生产加工方法中聚合反应过程的流程图。如图3所示，在所述聚合反应过程中，包括：S110，获取聚合反应过程中的预定时间段内多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值；S120，将所述多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值分别按照时间维度排列为反应温度时序输入向量和冷却水流速时序输入向量；S130，计算所述反应温度时序输入向量中每相邻两个时间点的反应温度值之间的差值以得到反应温度变化时序输入向量；S140，将所述反应温度变化时序输入向量和所述反应温度时序输入向量进行级联以得到反应温度动-静输入向量；S150，将所述反应温度动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到反应温度动-静时序特征向量；S160，将所述冷却水流速时序输入向量通过基于一维卷积神经网络模型的流速特征提取器以得到流速时序特征向量；S170，计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量；S180，将所述差分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增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值。
图4为根据本申请实施例的涂料的生产加工方法的系统架构图。如图4所示，该网络结构中，首先，获取聚合反应过程中的预定时间段内多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值；
将所述多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值分别按照时间维度排列为反应温度时序输入向量和冷却水流速时序输入向量；接着，计算所述反应温度时序输入向量中每相邻两个时间点的反应温度值之间的差值以得到反应温度变化时序输入向量；将所述反应温度变化时序输入向量和所述反应温度时序输入向量进行级联以得到反应温度动-静输入向量；将所述反应温度动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到反应温度动-静时序特征向量；然后，将所述冷却水流速时序输入向量通过基于一维卷积神经网络模型的流速特征提取器以得到流速时序特征向量；计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量；进而，将所述差分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增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值。
更具体地，在步骤S110中，获取聚合反应过程中的预定时间段内多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值。应可以理解，在聚合反应的过程中，控制反应温度是非常重要的，在一个示例中，聚合反应会放出热量，如果不及时进行降温和控制，就会导致反应物质超出安全温度，引发危险事故，或导致制备涂料质量下降。具体地，在本申请的技术方案中，可以通过在反应器周围设置冷却水循环管道，通过循环冷却水来控制反应器的温度变化。并且，在此过程中，由于反应温度值在时间维度上是不断变化的，为了能够使得冷却水的冷却效果满足实际的应用需求，需要基于反应温度值的变化来自适应地控制冷却水的流速值，从而达到理想的冷却效果。因此，在本申请的一个具体示例中，首先，通过温度传感器来获取聚合反应过程中的预定时间段内多个预定时间点的反应温度值，以及，通过流速传感器来获取所述多个预定时间点的冷却水的流速值。
更具体地，在步骤S120中，将所述多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值分别按照时间维度排列为反应温度时序输入向量和冷却水流速时序输入向量。也就是，在本申请的技术方案中,考虑到由于所述反应温度值和所述冷却水的流速值在时间维度上具有着动态性的变化规律，因此，为了能够对于所述反应温度值和所述冷却水的流速值在时间维度上的变化特征信息进行提取，在本申请的技术方案中，将所述多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值分别按照时间维度排列为反应温度时序输入向量和冷却水流速时序输入向量，以此来分别整合所述反应温度值和所述冷却水的流速值在时序上的分布信息。
更具体地，在步骤S130和步骤S140中，计算所述反应温度时序输入向量中每相邻两个时间点的反应温度值之间的差值以得到反应温度变化时序输入向量；以及，将所述反应温度变化时序输入向量和所述反应温度时序输入向量进行级联以得到反应温度动-静输入向量。为了对于冷却水的流速值进行自适应地精准控制，需要对于所述反应温度值在时间维度上的动态变化特征进行提取，考虑到由于所述反应温度值在时序上的变化信息是微弱的，这种微弱的变化特征相对于所述反应温度值来说为小尺度的变化特征信息，若以绝对变化信息来进行所述反应温度值的时序动态变化特征提取不仅会使得计算量较大造成过拟合，而且还会使得所述反应温度值在时间维度上的小尺度微弱变化特征难以被察觉，进而影响后续分类的精准度。基于此，在本申请的技术方案中，采用所述反应温度值的时序相对变化特征和绝对变化特征来综合进行所述充电线缆的温度值的动态特征提取。具体地，首先，计算所述反应温度时序输入向量中每相邻两个时间点的反应温度值之间的差值以得到反应温度变化时序输入向量。接着，考虑到由于所述反应温度值的时序相对变化特征与时序绝对变化特征间具有着关于所述反应温度的时序变化的关联关系。因此，为了充分地探究所述反应温度值在时间维度上的动态变化规律，以准确地进行所述冷却水的流速控制，在本申请的技术方案中，进一步将所述反应温度变化时序输入向量和所述反应温度时序输入向量进行级联以得到反应温度动-静输入向量。
更具体地，在步骤S150中，将所述反应温度动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到反应温度动-静时序特征向量。考虑到由于所述反应温度值在时间维度上具有着波动性和不确定性，导致所述反应温度值在时序上的不同时间周期跨度下呈现出不同的时序变化特征信息。因此，在本申请的技术方案中，进一步将所述反应温度动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到反应温度动-静时序特征向量。特别地，这里，所述第一卷积层和所述第二卷积层使用不同尺度的一维卷积核来进行所述反应温度动-静输入向量的特征挖掘，以提取出所述反应温度值的相对动态变化特征和绝对静态变化特征之间的多尺度关联性特征分布信息，即所述反应温度值在时间维度上的多尺度时序变化特征信息。
图5为根据本申请实施例的涂料的生产加工方法中时序特征提取器编码的流程图。如图5所示，在所述时序特征提取器编码过程中，包括：S210，将所述反应温度动-静输入向量输入所述时序特征提取器的第一卷积层以得到第一邻域尺度反应温度动-静时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S220，将所述反应温度动-静输入向量输入所述时序特征提取器的第二卷积层以得到第二邻域尺度反应温度动-静时序特征向量，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，S230，将所述第一邻域尺度反应温度动-静时序特征向量和所述第二邻域尺度反应温度动-静时序特征向量进行级联以得到所述反应温度动-静时序特征向量。其中，所述S210，包括：使用所述时序特征提取器的第一卷积层以如下一维卷积公式对所述反应温度动-静输入向量进行一维卷积编码以得到第一邻域尺度反应温度动-静时序特征向量；其中，所述公式为：
Figure SMS_40
，其中，a为第一卷积核在x方向上的宽度、/>
Figure SMS_41
为第一卷积核参数向量、/>
Figure SMS_43
为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述反应温度动-静输入向量，/>
Figure SMS_39
表示对所述反应温度动-静输入向量进行一维卷积编码；以及，所述S220，包括：使用所述时序特征提取器的第二卷积层以如下一维卷积公式对所述反应温度动-静输入向量进行一维卷积编码以得到所述第二邻域尺度反应温度动-静时序特征向量；其中，所述公式为：
Figure SMS_42
，其中，b为第二卷积核在x方向上的宽度、/>
Figure SMS_44
为第二卷积核参数向量、/>
Figure SMS_45
为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述反应温度动-静输入向量，/>
Figure SMS_38
表示对所述反应温度动-静输入向量进行一维卷积编码。
更具体地，在步骤S160中，将所述冷却水流速时序输入向量通过基于一维卷积神经网络模型的流速特征提取器以得到流速时序特征向量。也就是，在本申请的技术方案中，将所述冷却水流速时序输入向量通过基于一维卷积神经网络模型的流速特征提取器中进行处理，以提取出所述冷却水的流速值在时序上的隐含关联性特征分布信息，从而得到流速时序特征向量。在一个具体示例中，所述流速特征提取器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，在所述流速特征提取器的编码过程中，所述流速特征提取器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6为根据本申请实施例的涂料的生产加工方法中一维卷积神经网络编码过程的流程图。如图6所示，在所述一维卷积神经网络编码过程中，包括：使用所述基于一维卷积神经网络模型的流速特征提取器的各层在层的正向传递中分别对输入数据进行：S310，对输入数据进行卷积处理以得到卷积特征图；S320，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，S330，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，所述基于一维卷积神经网络模型的流速特征提取器的最后一层的输出为所述流速时序特征向量，所述基于一维卷积神经网络模型的流速特征提取器的第一层的输入为所述冷却水流速时序输入向量。
更具体地，在步骤S170中，计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量。在本申请的技术方案中，计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量，以更好地判断所述反应温度和所述冷却水流速之间的关联度，从而更加准确地实现涂料制备过程中反应温度的控制。应可以理解，通过计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量，可以更好地反映它们之间的关系，并运用所述分类器得到反应温度的预测结果，实现对涂料生产加工过程的智能化控制。考虑到所述反应温度值和所述冷却水的流速值在数据采集过程中引入的源数据噪声，在进行时序维度下的关联特征的提取后，所述源数据噪声本身对源数据数值的影响，以及源数据噪声在时序维度下分布的不均匀性都会进一步被时序关联特征的提取放大，从而在所述反应温度动-静时序特征向量与所述流速时序特征向量引入各自的特征分布的高斯分布误差不确定性，而由于所述差分特征向量是计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的逐位置差分得到的，而考虑到所述反应温度动-静时序特征向量与所述流速时序特征向量各自的特征分布的高斯分布误差不确定性不可能完全对齐，因此所述差分特征向量存在由所述反应温度动-静时序特征向量与所述流速时序特征向量的高斯分布误差不确定性引起的分类回归误差，影响所述差分特征向量通过分类器得到的分类结果的准确性。基于此，在本申请的技术方案中，分别计算所述反应温度动-静时序特征向量，例如记为
Figure SMS_47
和所述流速时序特征向量，例如记为/>
Figure SMS_52
的高斯回归不确定性因数，表示为：/>
Figure SMS_55
；
Figure SMS_49
，其中，/>
Figure SMS_53
是所述反应温度动-静时序特征向量中各个位置的特征值，/>
Figure SMS_56
是所述流速时序特征向量中各个位置的特征值，L是特征向量的长度，/>
Figure SMS_59
和/>
Figure SMS_46
分别是所述反应温度动-静时序特征向量中各个位置特征值集合的均值和方差，且/>
Figure SMS_50
和/>
Figure SMS_54
分别是所述流速时序特征向量中各个位置特征值集合的均值和方差，/>
Figure SMS_58
为以2为底的对数函数值，/>
Figure SMS_48
和/>
Figure SMS_51
分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。这里，针对所述反应温度动-静时序特征向量和所述流速时序特征向量各自的集成特征集合由于其分布不确定性信息可能导致的所述差分特征向量的不可知回归，利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量，从而将特征表示的正态分布认知模式扩展到未知的分布回归模式，实现特征集合尺度上的基于自然分布转移的迁移学习，这样，通过以上述高斯回归不确定性因数分别对所述反应温度动-静时序特征向量/>
Figure SMS_57
和所述流速时序特征向量/>
Figure SMS_60
加权后再进行差分计算，就可以实现所述反应温度动-静时序特征向量和所述流速时序特征向量在差分计算过程中基于自校准的不确定性修正，从而修正所述差分特征向量存在的分类回归误差，提升所述差分特征向量通过分类器得到的分类结果的准确性。这样，能够基于实际的反应温度变化情况来实时准确地控制冷却水的流速值，从而有效地实现聚合反应降温，以保证反应的安全性，且提高涂料的制备质量和性能。
图7为根据本申请实施例的涂料的生产加工方法中差分特征向量计算过程的流程图。如图7所示，在所述差分特征向量计算过程中，包括：S410，分别计算所述反应温度动-静时序特征向量与所述流速时序特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；S420，以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为加权系数对所述反应温度动-静时序特征向量与所述流速时序特征向量进行加权优化以得到优化后反应温度动-静时序特征向量与优化后流速时序特征向量；以及，S430，计算所述优化后反应温度动-静时序特征向量与所述优化后流速时序特征向量之间的差分特征向量。其中，所述S430，包括：以如下差分公式计算所述优化后反应温度动-静时序特征向量与所述优化后流速时序特征向量之间的差分特征向量；其中，所述公式为：
Figure SMS_61
，其中，/>
Figure SMS_62
表示所述优化后反应温度动-静时序特征向量，
Figure SMS_63
表示所述优化后流速时序特征向量，/>
Figure SMS_64
表示所述差分特征向量，/>
Figure SMS_65
表示按位置差分。
更具体地，在步骤S180中，将所述差分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增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值。也就是，在得到所述差分特征向量后，进一步将其作为分类特征向量通过分类器以得到用于表示增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值的分类结果。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，使用所述分类器的多个全连接层对所述差分特征向量进行多次全连接编码以得到编码差分特征向量；进而，将所述编码差分特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码差分特征向量进行分类处理以得到分类标签。在本申请的技术方案中，所述分类器的标签包括增大冷却水的流速值(第一标签)、减小冷却水的流速值(第二标签)，以及，保持冷却水的流速值(第三标签)，其中，所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。值得注意的是，这里的所述第一标签p1、所述第二标签p2和所述第三标签p3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“增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值”这种概念，其只是有三种分类标签且输出特征在这三个分类标签下的概率，即p1、p2和p3 之和为一。因此，增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值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多分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值”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增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值的控制策略标签，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冷却水的流速值，从而有效地实现聚合反应降温，保证反应的安全性。
综上，根据本申请实施例的涂料的生产加工方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出聚合反应过程中反应温度值的时序变化特征和冷却水流速值的时序变化特征之间的关联性特征，以此基于实际的反应温度变化情况来实时准确地控制冷却水的流速值，从而有效地实现聚合反应降温，以保证反应的安全性，且提高涂料的制备质量和性能。
示例性系统
图8为根据本申请实施例的涂料的生产加工系统的框图。如图8所示，根据本申请实施例的涂料的生产加工系统300，包括：数据采集模块310；排列模块320；反应温度变化时序计算模块330；级联模块340；反应温度动-静时序特征提取模块350；卷积模块360；差分模块370；分类结果生成模块380。
其中，所述数据采集模块310，用于获取聚合反应过程中的预定时间段内多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值；所述排列模块320，用于将所述多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值分别按照时间维度排列为反应温度时序输入向量和冷却水流速时序输入向量；所述反应温度变化时序计算模块330，用于计算所述反应温度时序输入向量中每相邻两个时间点的反应温度值之间的差值以得到反应温度变化时序输入向量；所述级联模块340，用于将所述反应温度变化时序输入向量和所述反应温度时序输入向量进行级联以得到反应温度动-静输入向量；所述反应温度动-静时序特征提取模块350，用于将所述反应温度动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到反应温度动-静时序特征向量；所述卷积模块360，用于将所述冷却水流速时序输入向量通过基于一维卷积神经网络模型的流速特征提取器以得到流速时序特征向量；所述差分模块370，用于计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量；所述分类结果生成模块380，用于将所述差分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增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值。
在一个示例中，在上述涂料的生产加工系统300中，所述反应温度动-静时序特征提取模块350，用于：将所述反应温度动-静输入向量输入所述时序特征提取器的第一卷积层以得到第一邻域尺度反应温度动-静时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述反应温度动-静输入向量输入所述时序特征提取器的第二卷积层以得到第二邻域尺度反应温度动-静时序特征向量，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反应温度动-静时序特征向量和所述第二邻域尺度反应温度动-静时序特征向量进行级联以得到所述反应温度动-静时序特征向量。其中，将所述反应温度动-静输入向量输入所述时序特征提取器的第一卷积层以得到第一邻域尺度反应温度动-静时序特征向量，包括：使用所述时序特征提取器的第一卷积层以如下一维卷积公式对所述反应温度动-静输入向量进行一维卷积编码以得到第一邻域尺度反应温度动-静时序特征向量；其中，所述公式为：
Figure SMS_67
，其中，a为第一卷积核在x方向上的宽度、/>
Figure SMS_69
为第一卷积核参数向量、/>
Figure SMS_71
为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述反应温度动-静输入向量，/>
Figure SMS_68
表示对所述反应温度动-静输入向量进行一维卷积编码；以及，将所述反应温度动-静输入向量输入所述时序特征提取器的第二卷积层以得到第二邻域尺度反应温度动-静时序特征向量，包括：使用所述时序特征提取器的第二卷积层以如下一维卷积公式对所述反应温度动-静输入向量进行一维卷积编码以得到所述第二邻域尺度反应温度动-静时序特征向量；其中，所述公式为：/>
Figure SMS_70
，其中，b为第二卷积核在x方向上的宽度、/>
Figure SMS_72
为第二卷积核参数向量、/>
Figure SMS_73
为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述反应温度动-静输入向量，/>
Figure SMS_66
表示对所述反应温度动-静输入向量进行一维卷积编码。
在一个示例中，在上述涂料的生产加工系统300中，所述卷积模块360，用于：使用所述基于一维卷积神经网络模型的流速特征提取器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基于特征矩阵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，所述基于一维卷积神经网络模型的流速特征提取器的最后一层的输出为所述流速时序特征向量，所述基于一维卷积神经网络模型的流速特征提取器的第一层的输入为所述冷却水流速时序输入向量。
在一个示例中，在上述涂料的生产加工系统300中，所述差分模块370，用于：分别计算所述反应温度动-静时序特征向量与所述流速时序特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为加权系数对所述反应温度动-静时序特征向量与所述流速时序特征向量进行加权优化以得到优化后反应温度动-静时序特征向量与优化后流速时序特征向量；以及，计算所述优化后反应温度动-静时序特征向量与所述优化后流速时序特征向量之间的差分特征向量。其中，分别计算所述反应温度动-静时序特征向量与所述流速时序特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数，包括：以如下优化公式分别计算所述反应温度动-静时序特征向量与所述流速时序特征向量的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数；其中，所述优化公式为：
Figure SMS_74
；
Figure SMS_77
，其中，/>
Figure SMS_80
是所述反应温度动-静时序特征向量中各个位置的特征值，/>
Figure SMS_85
是所述流速时序特征向量中各个位置的特征值，L是特征向量的长度，/>
Figure SMS_76
和/>
Figure SMS_81
分别是所述反应温度动-静时序特征向量中各个位置特征值集合的均值和方差，且/>
Figure SMS_86
和/>
Figure SMS_89
分别是所述流速时序特征向量中各个位置特征值集合的均值和方差，/>
Figure SMS_75
为以2为底的对数函数值，/>
Figure SMS_79
和/>
Figure SMS_83
分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。更具体地，计算所述优化后反应温度动-静时序特征向量与所述优化后流速时序特征向量之间的差分特征向量，包括：以如下差分公式计算所述优化后反应温度动-静时序特征向量与所述优化后流速时序特征向量之间的差分特征向量；其中，所述公式为：/>
Figure SMS_87
，其中，/>
Figure SMS_78
表示所述优化后反应温度动-静时序特征向量，/>
Figure SMS_82
表示所述优化后流速时序特征向量，/>
Figure SMS_84
表示所述差分特征向量，/>
Figure SMS_88
表示按位置差分。
在一个示例中，在上述涂料的生产加工系统300中，所述分类结果生成模块380，用于：使用所述分类器的多个全连接层对所述差分特征向量进行全连接编码以得到编码差分特征向量；以及，将所述编码差分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。
综上，根据本申请实施例的涂料的生产加工系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出聚合反应过程中反应温度值的时序变化特征和冷却水流速值的时序变化特征之间的关联性特征，以此基于实际的反应温度变化情况来实时准确地控制冷却水的流速值，从而有效地实现聚合反应降温，以保证反应的安全性，且提高涂料的制备质量和性能。
如上所述，根据本申请实施例的涂料的生产加工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涂料的生产加工系统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，该涂料的生产加工系统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，该涂料的生产加工系统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，该涂料的生产加工系统300与该终端设备也可以是分立的设备，并且该涂料的生产加工系统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。
示例性电子设备
下面，参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9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涂料的生产加工方法中的功能以及/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流速时序特征向量等各种内容。
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，包括分类结果等。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9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“示例性方法”部分中描述的根据本申请各种实施例的涂料的生产加工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“示例性方法”部分中描述的根据本申请各种实施例的涂料的生产加工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 (10)

1.一种涂料的生产加工方法，其特征在于，包括：
将丙烯酸树脂溶解以得到丙烯酸树脂溶解液；
在所述丙烯酸树脂溶解液中加入乳化剂进行乳化反应以得到丙烯酸树脂乳液；以及
将所述丙烯酸树脂乳液、引发剂和丙烯酸树脂聚合用单体进行聚合反应以得到涂料。
2.根据权利要求1所述的涂料的生产加工方法，其特征在于，将所述丙烯酸树脂乳液、引发剂和丙烯酸树脂聚合用单体进行聚合反应以得到涂料，包括：
获取聚合反应过程中的预定时间段内多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值；
将所述多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值分别按照时间维度排列为反应温度时序输入向量和冷却水流速时序输入向量；
计算所述反应温度时序输入向量中每相邻两个时间点的反应温度值之间的差值以得到反应温度变化时序输入向量；
将所述反应温度变化时序输入向量和所述反应温度时序输入向量进行级联以得到反应温度动-静输入向量；
将所述反应温度动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到反应温度动-静时序特征向量；
将所述冷却水流速时序输入向量通过基于一维卷积神经网络模型的流速特征提取器以得到流速时序特征向量；
计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量；
将所述差分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增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值。
3.根据权利要求2所述的涂料的生产加工方法，其特征在于，将所述反应温度动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到反应温度动-静时序特征向量，包括：
将所述反应温度动-静输入向量输入所述时序特征提取器的第一卷积层以得到第一邻域尺度反应温度动-静时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述反应温度动-静输入向量输入所述时序特征提取器的第二卷积层以得到第二邻域尺度反应温度动-静时序特征向量，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反应温度动-静时序特征向量和所述第二邻域尺度反应温度动-静时序特征向量进行级联以得到所述反应温度动-静时序特征向量；
其中，将所述反应温度动-静输入向量输入所述时序特征提取器的第一卷积层以得到第一邻域尺度反应温度动-静时序特征向量，包括：使用所述时序特征提取器的第一卷积层以如下一维卷积公式对所述反应温度动-静输入向量进行一维卷积编码以得到第一邻域尺度反应温度动-静时序特征向量；
其中，所述公式为：
Figure QLYQS_1
，
其中，a为第一卷积核在x方向上的宽度、
Figure QLYQS_2
为第一卷积核参数向量、/>
Figure QLYQS_3
为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述反应温度动-静输入向量，/>
Figure QLYQS_4
表示对所述反应温度动-静输入向量进行一维卷积编码；以及
将所述反应温度动-静输入向量输入所述时序特征提取器的第二卷积层以得到第二邻域尺度反应温度动-静时序特征向量，包括：使用所述时序特征提取器的第二卷积层以如下一维卷积公式对所述反应温度动-静输入向量进行一维卷积编码以得到所述第二邻域尺度反应温度动-静时序特征向量；
其中，所述公式为：
Figure QLYQS_5
，
其中，b为第二卷积核在x方向上的宽度、
Figure QLYQS_6
为第二卷积核参数向量、/>
Figure QLYQS_7
为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述反应温度动-静输入向量，/>
Figure QLYQS_8
表示对所述反应温度动-静输入向量进行一维卷积编码。
4.根据权利要求3所述的涂料的生产加工方法，其特征在于，将所述冷却水流速时序输入向量通过基于一维卷积神经网络模型的流速特征提取器以得到流速时序特征向量，包括：使用所述基于一维卷积神经网络模型的流速特征提取器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基于特征矩阵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，所述基于一维卷积神经网络模型的流速特征提取器的最后一层的输出为所述流速时序特征向量，所述基于一维卷积神经网络模型的流速特征提取器的第一层的输入为所述冷却水流速时序输入向量。
5.根据权利要求4所述的涂料的生产加工方法，其特征在于，计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量，包括：
分别计算所述反应温度动-静时序特征向量与所述流速时序特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；
以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为加权系数对所述反应温度动-静时序特征向量与所述流速时序特征向量进行加权优化以得到优化后反应温度动-静时序特征向量与优化后流速时序特征向量；以及
计算所述优化后反应温度动-静时序特征向量与所述优化后流速时序特征向量之间的差分特征向量。
6.根据权利要求5所述的涂料的生产加工方法，其特征在于，分别计算所述反应温度动-静时序特征向量与所述流速时序特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数，包括：
以如下优化公式分别计算所述反应温度动-静时序特征向量与所述流速时序特征向量的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数；
其中，所述优化公式为：
Figure QLYQS_9
；
Figure QLYQS_11
，其中，/>
Figure QLYQS_15
是所述反应温度动-静时序特征向量中各个位置的特征值，/>
Figure QLYQS_18
是所述流速时序特征向量中各个位置的特征值，L是特征向量的长度，/>
Figure QLYQS_12
和/>
Figure QLYQS_14
分别是所述反应温度动-静时序特征向量中各个位置特征值集合的均值和方差，且/>
Figure QLYQS_17
和/>
Figure QLYQS_19
分别是所述流速时序特征向量中各个位置特征值集合的均值和方差，/>
Figure QLYQS_10
为以2为底的对数函数值，/>
Figure QLYQS_13
和/>
Figure QLYQS_16
分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
7.根据权利要求6所述的涂料的生产加工方法，其特征在于，计算所述优化后反应温度动-静时序特征向量与所述优化后流速时序特征向量之间的差分特征向量，包括：以如下差分公式计算所述优化后反应温度动-静时序特征向量与所述优化后流速时序特征向量之间的差分特征向量；
其中，所述公式为：
Figure QLYQS_20
，其中，/>
Figure QLYQS_21
表示所述优化后反应温度动-静时序特征向量，/>
Figure QLYQS_22
表示所述优化后流速时序特征向量，/>
Figure QLYQS_23
表示所述差分特征向量，/>
Figure QLYQS_24
表示按位置差分。
8. 根据权利要求7所述的涂料的生产加工方法，其特征在于，将所述差分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增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值，包括：
使用所述分类器的多个全连接层对所述差分特征向量进行全连接编码以得到编码差分特征向量；以及
将所述编码差分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。
9.一种涂料的生产加工系统，其特征在于，包括：
数据采集模块，用于获取聚合反应过程中的预定时间段内多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值；
排列模块，用于将所述多个预定时间点的反应温度值，以及，所述多个预定时间点的冷却水的流速值分别按照时间维度排列为反应温度时序输入向量和冷却水流速时序输入向量；
反应温度变化时序计算模块，用于计算所述反应温度时序输入向量中每相邻两个时间点的反应温度值之间的差值以得到反应温度变化时序输入向量；
级联模块，用于将所述反应温度变化时序输入向量和所述反应温度时序输入向量进行级联以得到反应温度动-静输入向量；
反应温度动-静时序特征提取模块，用于将所述反应温度动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到反应温度动-静时序特征向量；
卷积模块，用于将所述冷却水流速时序输入向量通过基于一维卷积神经网络模型的流速特征提取器以得到流速时序特征向量；
差分模块，用于计算所述反应温度动-静时序特征向量与所述流速时序特征向量之间的差分特征向量；
分类结果生成模块，用于将所述差分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增大冷却水的流速值、减小冷却水的流速值或者保持冷却水的流速值。
10.根据权利要求9所述的一种涂料的生产加工系统，其特征在于，所述差分模块，用于：以如下差分公式计算所述优化后反应温度动-静时序特征向量与所述优化后流速时序特征向量之间的差分特征向量；
其中，所述公式为：
Figure QLYQS_25
，其中，/>
Figure QLYQS_26
表示所述优化后反应温度动-静时序特征向量，/>
Figure QLYQS_27
表示所述优化后流速时序特征向量，/>
Figure QLYQS_28
表示所述差分特征向量，/>
Figure QLYQS_29
表示按位置差分。
CN202310584595.9A 2023-05-23 2023-05-23 涂料的生产加工方法及其系统 Pending CN116285481A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310584595.9A CN116285481A (zh) 2023-05-23 2023-05-23 涂料的生产加工方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310584595.9A CN116285481A (zh) 2023-05-23 2023-05-23 涂料的生产加工方法及其系统

Publications (1)

Publication Number Publication Date
CN116285481A true CN116285481A (zh) 2023-06-23

Family

ID=86826128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310584595.9A Pending CN116285481A (zh) 2023-05-23 2023-05-23 涂料的生产加工方法及其系统

Country Status (1)

Country Link
CN (1) CN116285481A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116603390A (zh) * 2023-07-05 2023-08-18 浙江浙能迈领环境科技有限公司 船舶尾气洗涤系统及其方法
CN116859848A (zh) * 2023-07-12 2023-10-10 普洛赛斯工程技术(宁波)有限公司 甲基异丁基酮生产装置的控制系统及其方法
CN117021409A (zh) * 2023-07-25 2023-11-10 杭州帝凯工业布有限公司 一种增强尼龙复合材料及其制备方法
CN117404853A (zh) * 2023-12-14 2024-01-16 山西省水利建筑工程局集团有限公司 隧道掘进机外用循环水冷却系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002248340A (ja) * 2001-02-27 2002-09-03 Todoroki Industry Co Ltd 化学反応装置における反応温度の最適制御システム
CN111978810A (zh) * 2020-08-31 2020-11-24 北京国原新技术有限公司 涂料的制备方法以及涂料
US20210116142A1 (en) * 2019-10-22 2021-04-22 Distech Controls Inc. Thermostat and method using a neural network to adjust temperature measurements
CN115960144A (zh) * 2023-01-03 2023-04-14 上海华茂药业有限公司 低聚异麦芽糖铁配合物的智能化生产系统及其方法
CN115998752A (zh) * 2023-01-18 2023-04-25 南京海鲸药业股份有限公司 一种含亚油酸植物油的维生素d类制剂的制备方法
CN116082579A (zh) * 2023-02-17 2023-05-09 新旭新材料有限公司 单组份自交联环氧改性丙烯酸酯乳液及其制备方法
CN116120761A (zh) * 2023-02-01 2023-05-16 万隆化工有限公司 一种分散型染料及其制备方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002248340A (ja) * 2001-02-27 2002-09-03 Todoroki Industry Co Ltd 化学反応装置における反応温度の最適制御システム
US20210116142A1 (en) * 2019-10-22 2021-04-22 Distech Controls Inc. Thermostat and method using a neural network to adjust temperature measurements
CN111978810A (zh) * 2020-08-31 2020-11-24 北京国原新技术有限公司 涂料的制备方法以及涂料
CN115960144A (zh) * 2023-01-03 2023-04-14 上海华茂药业有限公司 低聚异麦芽糖铁配合物的智能化生产系统及其方法
CN115998752A (zh) * 2023-01-18 2023-04-25 南京海鲸药业股份有限公司 一种含亚油酸植物油的维生素d类制剂的制备方法
CN116120761A (zh) * 2023-02-01 2023-05-16 万隆化工有限公司 一种分散型染料及其制备方法
CN116082579A (zh) * 2023-02-17 2023-05-09 新旭新材料有限公司 单组份自交联环氧改性丙烯酸酯乳液及其制备方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116603390A (zh) * 2023-07-05 2023-08-18 浙江浙能迈领环境科技有限公司 船舶尾气洗涤系统及其方法
CN116603390B (zh) * 2023-07-05 2023-10-10 浙江浙能迈领环境科技有限公司 船舶尾气洗涤系统及其方法
CN116859848A (zh) * 2023-07-12 2023-10-10 普洛赛斯工程技术(宁波)有限公司 甲基异丁基酮生产装置的控制系统及其方法
CN116859848B (zh) * 2023-07-12 2024-01-26 普洛赛斯工程技术(宁波)有限公司 甲基异丁基酮生产装置的控制系统及其方法
CN117021409A (zh) * 2023-07-25 2023-11-10 杭州帝凯工业布有限公司 一种增强尼龙复合材料及其制备方法
CN117021409B (zh) * 2023-07-25 2024-03-08 杭州帝凯工业布有限公司 一种增强尼龙复合材料及其制备方法
CN117404853A (zh) * 2023-12-14 2024-01-16 山西省水利建筑工程局集团有限公司 隧道掘进机外用循环水冷却系统及方法
CN117404853B (zh) * 2023-12-14 2024-03-08 山西省水利建筑工程局集团有限公司 隧道掘进机外用循环水冷却系统及方法

Similar Documents

Publication Publication Date Title
CN116285481A (zh) 涂料的生产加工方法及其系统
CN108959482B (zh) 基于深度学习的单轮对话数据分类方法、装置和电子设备
CN115796173B (zh) 针对监管报送需求的数据处理方法和系统
CN115203380A (zh) 基于多模态数据融合的文本处理系统及其方法
CN112085565B (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN113140017B (zh) 训练对抗网络模型的方法、建立字库的方法、装置和设备
CN116015837A (zh) 用于计算机网络信息安全的入侵检测方法及系统
CN115082920B (zh) 深度学习模型的训练方法、图像处理方法和装置
CN115759658B (zh) 适用于智慧城市的企业能耗数据管理系统
EP3916597B1 (en) Detecting malware with deep generative models
CN116308754B (zh) 一种银行信贷风险预警系统及其方法
CN116257406A (zh) 用于智慧城市的网关数据管理方法及其系统
CN117077075A (zh) 用于环境保护的水质监测系统及其方法
JP7005045B2 (ja) ナイーブベイズ分類器に対する限界攻撃方法
CN116151845A (zh) 基于工业物联网技术的产品全生命周期管理系统及其方法
CN116090544A (zh) 神经网络模型的压缩方法、训练方法和处理方法、装置
Yu et al. Behavioral segmentation for human motion capture data based on graph cut method
CN116759053A (zh) 基于物联网系统的医疗体系防控方法及系统
CN115205788A (zh) 食材质量监控系统
CN116624977B (zh) 一种基于人工智能的楼宇自控系统及其方法
CN114037648A (zh) 基于类Softmax函数信息熵的智能速率参数控制方法
CN116258947B (zh) 适用于家居定制行业的工业自动化处理方法及系统
CN114726870B (zh) 基于可视化拖拽的混合云资源编排方法、系统和电子设备
CN116451139A (zh) 一种基于人工智能的直播数据快速分析方法
US20220084306A1 (en) Method and system of guiding a user on a graphical interface with computer vision

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