CN116605617A - 一种智能化放料控制方法及其系统 - Google Patents

一种智能化放料控制方法及其系统 Download PDF

Info

Publication number
CN116605617A
CN116605617A CN202310571122.5A CN202310571122A CN116605617A CN 116605617 A CN116605617 A CN 116605617A CN 202310571122 A CN202310571122 A CN 202310571122A CN 116605617 A CN116605617 A CN 116605617A
Authority
CN
China
Prior art keywords
time sequence
cement weight
vector
feature
weight value
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
CN202310571122.5A
Other languages
English (en)
Inventor
柳丰
徐�明
徐高山
曹新婉
殷杰
孔明
胡书睿
徐国平
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.)
Changxing South Cement Co ltd
Original Assignee
Changxing South Cement 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 Changxing South Cement Co ltd filed Critical Changxing South Cement Co ltd
Priority to CN202310571122.5A priority Critical patent/CN116605617A/zh
Publication of CN116605617A publication Critical patent/CN116605617A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G06F18/21375—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps involving differential geometry, e.g. embedding of pattern manifold
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
    • B65G43/08—Control devices operated by article or material being fed, conveyed or discharged
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及智能控制领域，其具体地公开了一种智能化放料控制方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出放料控制过程中水泥重量值的时序动态变化特征和输送速度值的时序动态变化特征之间的关联特征。这样，能够对于水泥分发总量进行实时精准控制，从而提高生产效率，减少资源浪费。

Description

一种智能化放料控制方法及其系统
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种智能化放料控制方法及其系统。
背景技术
水泥散装发放设备是一种用于将水泥从储存罐或车辆中输送到目标位置的机械设备。在水泥散装发放设备中，计量系统是一个至关重要的组成部分。
在水泥相关行业中，正确地控制水泥的分发总量对于保证产品的质量和生产效益具有极为重要的作用。然而，由于传统放料方案的人工控制会造成测量误差和滞后性的存在，导致传统的放料计量方法往往难以完全准确地控制水泥分发总量，造成资源浪费和生产成本增加。
因此，期望一种优化的智能化放料控制方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能化放料控制方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出放料控制过程中水泥重量值的时序动态变化特征和输送速度值的时序动态变化特征之间的关联特征。这样，能够对于水泥分发总量进行实时精准控制，从而提高生产效率，减少资源浪费。
根据本申请的一个方面，提供了一种智能化放料控制方法，其包括：
获取从开始计量时间点起多个计量时间点的水泥重量值；
获取所述从开始计量时间点起多个计量时间点的输送速度值；
将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量；
对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵；
将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵；
将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量；
以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量；
对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量；
将所述优化解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示水泥分发总量的预测值；以及
基于所述解码值和水泥分发总量的目标值之间的比较，确定是否停止发放。
在上述智能化放料控制方法中，对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵，包括：以如下关联公式对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到所述协同交互输入矩阵；其中，所述公式为：
其中Vm表示所述水泥重量值时序输入向量，表示所述水泥重量值时序输入向量的转置向量，Vn表示所述输送速度时序输入向量，M1表示所述协同交互输入矩阵，/>表示向量相乘。
在上述智能化放料控制方法中，将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述协同交互特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述协同交互输入矩阵。
在上述智能化放料控制方法中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
在上述智能化放料控制方法中，将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量，包括：将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度水泥重量值时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度水泥重量值时序特征向量，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水泥重量值时序特征向量和所述第二邻域尺度水泥重量值时序特征向量进行级联以得到所述水泥重量值时序特征向量。其中，将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度水泥重量值时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述水泥重量值时序输入向量进行一维卷积编码以得到第一邻域尺度水泥重量值时序特征向量；其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)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表示所述水泥重量值时序输入向量，Cov(X)表示对所述水泥重量值时序输入向量进行一维卷积编码；以及，将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度水泥重量值时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述水泥重量值时序输入向量进行一维卷积编码以得到所述第二邻域尺度水泥重量值时序特征向量；其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)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表示所述水泥重量值时序输入向量，Cov(X)表示对所述水泥重量值时序输入向量进行一维卷积编码。
在上述智能化放料控制方法中，以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量，包括：以如下公式计算所述水泥重量值时序特征向量与所述协同交互特征矩阵之间的矩阵乘积以得到所述解码特征向量；其中，所述公式为：
其中V1表示所述水泥重量值时序特征向量，M表示所述协同交互特征矩阵，V表示所述解码特征向量。
在上述智能化放料控制方法中，对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量，包括：以如下优化公式对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化解码特征向量；其中，所述优化公式为：
其中vi是所述解码特征向量的第i个位置的特征值，μ和σ是所述解码特征向量的各个位置特征值集合的均值和标准差，且vi是所述优化解码特征向量的第i个位置的特征值。
在上述智能化放料控制方法中，将所述优化解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示水泥分发总量的预测值，包括：使用所述解码器以如下公式将所述优化解码特征向量进行解码回归以获得用于表示成像质量差异的所述解码值；其中，所述公式为： 其中X表示所述优化解码特征向量，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。
根据本申请的另一方面，提供了一种智能化放料控制系统，其包括：
水泥重量值采集模块，用于获取从开始计量时间点起多个计量时间点的水泥重量值；
输送速度值采集模块，用于获取所述从开始计量时间点起多个计量时间点的输送速度值；
排列模块，用于将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量；
关联编码模块，用于对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵；
卷积模块，用于将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵；
多尺度邻域特征提取模块，用于将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量；
解码特征向量计算模块，用于以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量；
优化模块，用于对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量；
解码模块，用于将所述优化解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示水泥分发总量的预测值；以及
控制结果生成模块，用于基于所述解码值和水泥分发总量的目标值之间的比较，确定是否停止发放。
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智能化放料控制方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能化放料控制方法。
与现有技术相比，本申请提供的一种智能化放料控制方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出放料控制过程中水泥重量值的时序动态变化特征和输送速度值的时序动态变化特征之间的关联特征。这样，能够对于水泥分发总量进行实时精准控制，从而提高生产效率，减少资源浪费。
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智能化放料控制方法的场景示意图；
图2为根据本申请实施例的智能化放料控制方法的流程图；
图3为根据本申请实施例的智能化放料控制方法的系统架构图；
图4为根据本申请实施例的智能化放料控制方法中卷积神经网络编码的流程图；
图5为根据本申请实施例的智能化放料控制方法中多尺度邻域特征提取的流程图；
图6为根据本申请实施例的智能化放料控制系统的框图；
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上所述，在水泥相关行业中，正确地控制水泥的分发总量对于保证产品的质量和生产效益具有极为重要的作用。然而，由于传统放料方案的人工控制会造成测量误差和滞后性的存在，导致传统的放料计量方法往往难以完全准确地控制水泥分发总量，造成资源浪费和生产成本增加。因此，期望一种优化的智能化放料控制方案。
应可以理解，水泥散装发放设备通常由输送系统、计量系统、控制系统和封闭系统组成。具体地，在本申请的技术方案中，提出了一种智能化放料控制方法，其包括：根据需要的水泥量，设置计量系统的参数，如重量、流量、时间等；启动输送系统，将水泥从储存罐或车辆中输送到计量系统中；当计量系统检测到达到预设的参数时，自动停止输送系统，并发送信号给控制系统；控制系统根据信号，打开或关闭封闭系统的阀门，将水泥从计量系统中释放到目标位置；重复上述步骤，直到完成所有的水泥发放任务。
相应地，考虑到在实际进行放料控制过程中，在计量系统的计量过程中不可避免地会产生测量误差且测量存在滞后性，导致最终的水泥分发总量会产生偏差。基于此，在本申请的技术方案中，期望基于输送速度值对水泥重量值进行修正以通过数据智能的方式来提高最终分发总量控制的精准度，从而提高生产效率，减少资源浪费。但是，由于水泥重量值和输送速度值不仅都在时间维度上有着动态性的变化规律，而且这两者之间还具有着时序协同的关联关系。因而，为了避免测量滞后性，以提高对于水泥分发总量控制的精准度，需要挖掘出所述水泥重量值的时序动态变化特征和所述输送速度值的时序动态变化特征之间的关联性特征分布信息。
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水泥重量值的时序动态变化特征和所述输送速度值的时序动态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，获取从开始计量时间点起多个计量时间点的水泥重量值，以及输送速度值。应可以理解，在实际生产中，物料输送速度和水泥重量值都存在一定的波动和滞后性，仅仅使用单一的变量进行计量难以完全反映出整个过程的变化情况。通过获取所述多个计量时间点的水泥重量值和输送速度值，并在后续将其进行关联编码和协同交互特征提取，可以更好地利用数据信息，对水泥分发总量进行预测和控制。同时，由于所述输送速度和所述水泥重量值之间存在着一定的相关性，因此使用这两个变量进行联合建模可以更加准确地描述物料的运动状态和流量变化。
然后，考虑到由于所述水泥重量值和所述输送速度值都在时间维度上有着各自的动态变化规律性，并且这两者之间还具有着时序协同的关联关系。因此，为了能够进行所述水泥重量值和所述输送速度值的时序协同关联特征的充分表达，在本申请的技术方案中，将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量，以此来分别整合所述水泥重量值和所述输送速度值在时序上的分布信息。继而，再对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵。
接着，进一步使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述协同交互输入矩阵的特征挖掘，以提取出所述水泥重量值和所述输送速度值之间在时间维度上的高维隐含时序协同关联特征分布信息，从而得到协同交互特征矩阵。
对于所述水泥重量值来说，考虑到由于所述水泥重量值在时间维度上具有着波动性和不确定性，导致其在不同时间周期内呈现出不同的动态变化模式。因此，在本申请的技术方案中，进一步将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述水泥重量值在不同时间跨度下的时序动态多尺度邻域关联特征，从而得到水泥重量值时序特征向量。
进一步地，以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量，以此来表示以所述水泥重量值和所述输送速度值之间的时序协同关联特征信息为基础背景下的关于水泥重量值的时序多尺度动态变化特征信息。然后，再将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示水泥分发总量的预测值。也就是说，将以所述水泥重量值和所述输送速度值的时序关联特征下的关于所述水泥重量值的时序变化特征进行解码，以此来进行水泥分发总量的预测，进而，再基于所述解码值和水泥分发总量的目标值之间的比较，确定是否停止发放。这样，能够避免测量滞后性，以此来提高对于水泥分发总量控制的精准度。
特别地，在本申请的技术方案中，在以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积得到所述解码特征向量时，实质上是所述协同交互输入矩阵表达的水泥重量值和输送速度值的全时域关联值的高维关联特征映射到所述水泥重量值时序特征向量表达的水泥重量值的多尺度时序邻域关联特征中，因此，考虑到特征映射的源特征空间与目的特征空间内的特征阶次和特征尺度表示之间的差异，所述水泥重量值时序特征向量和所述协同交互特征矩阵的特征表示会在解码器的回归概率表达上存在概率密度差异，导致映射后得到的所述解码特征向量在解码器的回归概率密度空间内的收敛性差，影响其通过解码器得到的解码值的准确性。
因此，本申请的申请人对所述解码特征向量V进行高斯概率密度的流形曲面的基准线网化，具体表示为：
其中μ和σ是特征值集合vi∈V的均值和标准差，且v′i是优化后的所述解码特征向量的第i个位置的特征值。
这里，所述高斯概率密度的流形曲面的基准线网化以所述解码特征向量的高维特征集合的统计特性，即均值和标准差作为概率密度度量的基准锚点，通过沿着流形曲面的局部线性嵌入方向进行线网化，以获得局部概率密度极值的邻域网络的低维约束表达，从而通过重构流形曲面的概率密度表达来基于邻域分布地约束高维特征的局部分布的基于基准的相对空间位置关系，这样，就提升了所述解码特征向量的高维特征的回归概率密度的空间收敛性，也就是，提升了所述解码特征向量在概率密度空间内的概率密度表达的一致性，改进了所述解码特征向量通过解码器得到的解码值的准确性。这样，能够对于水泥分发总量进行实时精准控制，从而提高生产效率，减少资源浪费。
基于此，本申请提出了一种智能化放料控制方法，其包括：获取从开始计量时间点起多个计量时间点的水泥重量值；获取所述从开始计量时间点起多个计量时间点的输送速度值；将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量；对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵；将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵；将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量；以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量；对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量；将所述优化解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示水泥分发总量的预测值；以及，基于所述解码值和水泥分发总量的目标值之间的比较，确定是否停止发放。
图1为根据本申请实施例的智能化放料控制方法的场景示意图。如图1所示，在该应用场景中，通过重量传感器(例如，如图1中所示意的V1)获取从开始计量时间点起多个计量时间点的水泥重量值，以及，通过速度传感器(例如，如图1中所示意的V2)获取所述从开始计量时间点起多个计量时间点的输送速度值。接着，将上述数据输入至部署有用于智能化放料控制算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述智能化放料控制算法对上述输入的数据进行处理，以生成解码值，所述解码值用于表示水泥分发总量的预测值。
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智能化放料控制方法的流程图。如图2所示，根据本申请实施例的智能化放料控制方法，包括步骤：S110，获取从开始计量时间点起多个计量时间点的水泥重量值；S120，获取所述从开始计量时间点起多个计量时间点的输送速度值；S130，将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量；S140，对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵；S150，将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵；S160，将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量；S170，以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量；S180，对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量；S190，将所述优化解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示水泥分发总量的预测值；以及，S200，基于所述解码值和水泥分发总量的目标值之间的比较，确定是否停止发放。
图3为根据本申请实施例的智能化放料控制方法的系统架构图。如图3所示，该网络结构中，首先，获取从开始计量时间点起多个计量时间点的水泥重量值；接着，获取所述从开始计量时间点起多个计量时间点的输送速度值；将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量；对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵；将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵；然后，将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量；以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量；对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量；将所述优化解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示水泥分发总量的预测值；进而，基于所述解码值和水泥分发总量的目标值之间的比较，确定是否停止发放。
更具体地，在步骤S110和步骤S120中，获取从开始计量时间点起多个计量时间点的水泥重量值；以及，获取所述从开始计量时间点起多个计量时间点的输送速度值。应可以理解，在实际进行放料控制过程中，在计量系统的计量过程中不可避免地会产生测量误差且测量存在滞后性，导致最终的水泥分发总量会产生偏差，通过获取所述多个计量时间点的水泥重量值和输送速度值，并在后续将其进行关联编码和协同交互特征提取，可以更好地利用数据信息，对水泥分发总量进行预测和控制。同时，由于所述输送速度和所述水泥重量值之间存在着一定的相关性。因此，在本申请的技术方案中，可通过基于输送速度值对水泥重量值进行修正以通过数据智能的方式来提高最终分发总量控制的精准度，从而提高生产效率，减少资源浪费。因此，首先，可通过重量传感器来获取从开始计量时间点起多个计量时间点的水泥重量值，以及，通过速度传感器来获取所述从开始计量时间点起多个计量时间点的输送速度值。
更具体地，在步骤S130和步骤S140中，将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量；进一步对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵。考虑到由于所述水泥重量值和所述输送速度值都在时间维度上具有动态变化特性，且两者之间存在关联关系。因此，为了能够进行所述水泥重量值和所述输送速度值的时序协同关联关系特征表达，在本申请的技术方案中，将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量，以此来分别整合所述水泥重量值和所述输送速度值在时序上的分布信息。继而，再对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵。在一个具体示例中，以如下关联公式对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到所述协同交互输入矩阵；其中，所述公式为：其中Vm表示所述水泥重量值时序输入向量，/>表示所述水泥重量值时序输入向量的转置向量，Vn表示所述输送速度时序输入向量，M1表示所述协同交互输入矩阵，/>表示向量相乘。
更具体地，在步骤S150中，将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵。也就是，在本申请的技术方案中，使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来对所述协同交互输入矩阵进行特征挖掘，以此来提取出所述水泥重量值和所述输送速度值之间在时间维度上的高维隐含时序协同关联特征分布信息，在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图4为根据本申请实施例的智能化放料控制方法中卷积神经网络编码的流程图。如图4所示，在所述卷积神经网络的编码过程中，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述协同交互特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述协同交互输入矩阵。
更具体地，在步骤S160中，将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量。考虑到由于所述水泥重量值在时间维度上具有着波动性和不确定性，导致其在不同时间周期内呈现出不同的动态变化模式。因此，在本申请的技术方案中，进一步将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述水泥重量值在不同时间跨度下的时序动态多尺度邻域关联特征，从而得到水泥重量值时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
图5为根据本申请实施例的智能化放料控制方法中多尺度邻域特征提取的流程图。如图5所示，在所述多尺度邻域特征提取过程中，包括：S310,将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度水泥重量值时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S320,将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度水泥重量值时序特征向量，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,S330,将所述第一邻域尺度水泥重量值时序特征向量和所述第二邻域尺度水泥重量值时序特征向量进行级联以得到所述水泥重量值时序特征向量。具体地，所述S310，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述水泥重量值时序输入向量进行一维卷积编码以得到第一邻域尺度水泥重量值时序特征向量；其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)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表示所述水泥重量值时序输入向量，Cov(X)表示对所述水泥重量值时序输入向量进行一维卷积编码；以及，所述S320，使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述水泥重量值时序输入向量进行一维卷积编码以得到所述第二邻域尺度水泥重量值时序特征向量；其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)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表示所述水泥重量值时序输入向量，Cov(X)表示对所述水泥重量值时序输入向量进行一维卷积编码。
更具体地，在步骤S170中，以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量。也就是，在得到所述水泥重量值时序特征向量和所述协同交互特征矩阵后，进一步计算两者的矩阵乘积以此来表示以所述水泥重量值和所述输送速度值之间的时序协同关联特征信息为基础背景下的关于水泥重量值的时序多尺度动态变化特征信息。在本申请的一个具体示例中，以如下公式计算所述水泥重量值时序特征向量与所述协同交互特征矩阵之间的矩阵乘积以得到所述解码特征向量；其中，所述公式为：其中V1表示所述水泥重量值时序特征向量，M表示所述协同交互特征矩阵，V表示所述解码特征向量。
更具体地，在步骤S180中，对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量。特别地，在本申请的技术方案中，在以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积得到所述解码特征向量时，实质上是所述协同交互输入矩阵表达的水泥重量值和输送速度值的全时域关联值的高维关联特征映射到所述水泥重量值时序特征向量表达的水泥重量值的多尺度时序邻域关联特征中，因此，考虑到特征映射的源特征空间与目的特征空间内的特征阶次和特征尺度表示之间的差异，所述水泥重量值时序特征向量和所述协同交互特征矩阵的特征表示会在解码器的回归概率表达上存在概率密度差异，导致映射后得到的所述解码特征向量在解码器的回归概率密度空间内的收敛性差，影响其通过解码器得到的解码值的准确性。因此，本申请的申请人对所述解码特征向量V进行高斯概率密度的流形曲面的基准线网化，具体表示为：
其中vi是所述解码特征向量的第i个位置的特征值，μ和σ是所述解码特征向量的各个位置特征值集合的均值和标准差，且vi是所述优化解码特征向量的第i个位置的特征值。这里，所述高斯概率密度的流形曲面的基准线网化以所述解码特征向量的高维特征集合的统计特性，即均值和标准差作为概率密度度量的基准锚点，通过沿着流形曲面的局部线性嵌入方向进行线网化，以获得局部概率密度极值的邻域网络的低维约束表达，从而通过重构流形曲面的概率密度表达来基于邻域分布地约束高维特征的局部分布的基于基准的相对空间位置关系，这样，就提升了所述解码特征向量的高维特征的回归概率密度的空间收敛性，也就是，提升了所述解码特征向量在概率密度空间内的概率密度表达的一致性，改进了所述解码特征向量通过解码器得到的解码值的准确性。这样，能够对于水泥分发总量进行实时精准控制，从而提高生产效率，减少资源浪费。
更具体地，在步骤S190和步骤S200中，将所述优化解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示水泥分发总量的预测值；并基于所述解码值和水泥分发总量的目标值之间的比较，确定是否停止发放。在本申请的技术方案中，在得到所述优化解码特征向量后，进一步将其通过解码器进行解码回归以得到用于表示水泥分发总量的预测值的解码值。在本申请的一个具体示例中，使用所述解码器以如下公式将所述优化解码特征向量进行解码回归以获得用于表示成像质量差异的所述解码值；其中，所述公式为：其中X表示所述优化解码特征向量，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。也就是说，将以所述水泥重量值和所述输送速度值的时序关联特征下的关于所述水泥重量值的时序变化特征进行解码，以此来进行水泥分发总量的预测，进而，再基于所述解码值和水泥分发总量的目标值之间的比较，确定是否停止发放。这样，能够避免测量滞后性，以此来提高对于水泥分发总量控制的精准度。
综上，根据本申请实施例的智能化放料控制方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出放料控制过程中水泥重量值的时序动态变化特征和输送速度值的时序动态变化特征之间的关联特征。这样，能够对于水泥分发总量进行实时精准控制，从而提高生产效率，减少资源浪费。
示例性系统
图6为根据本申请实施例的智能化放料控制系统的框图。如图6所示，根据本申请实施例的智能化放料控制系统300，包括：水泥重量值采集模块310；输送速度值采集模块320；排列模块330；关联编码模块340；卷积模块350；多尺度邻域特征提取模块360；解码特征向量计算模块370；优化模块380；解码模块390；以及，控制结果生成模块400。
其中，所述水泥重量值采集模块310，用于获取从开始计量时间点起多个计量时间点的水泥重量值；所述输送速度值采集模块320，用于获取所述从开始计量时间点起多个计量时间点的输送速度值；所述排列模块330，用于将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量；所述关联编码模块340，用于对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵；所述卷积模块350，用于将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵；所述多尺度邻域特征提取模块360，用于将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量；所述解码特征向量计算模块370，用于以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量；所述优化模块380，用于对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量；所述解码模块390，用于将所述优化解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示水泥分发总量的预测值；以及，所述控制结果生成模块400，用于基于所述解码值和水泥分发总量的目标值之间的比较，确定是否停止发放。
在一个示例中，在上述智能化放料控制系统300中，所述关联编码模块340，用于：以如下关联公式对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到所述协同交互输入矩阵；其中，所述公式为：其中Vm表示所述水泥重量值时序输入向量，/>表示所述水泥重量值时序输入向量的转置向量，Vn表示所述输送速度时序输入向量，M1表示所述协同交互输入矩阵，/>表示向量相乘。
在一个示例中，在上述智能化放料控制系统300中，所述卷积模块350，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述协同交互特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述协同交互输入矩阵。
在一个示例中，在上述智能化放料控制系统300中，所述多尺度邻域特征提取模块360，用于：将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度水泥重量值时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度水泥重量值时序特征向量，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水泥重量值时序特征向量和所述第二邻域尺度水泥重量值时序特征向量进行级联以得到所述水泥重量值时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。更具体地，将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度水泥重量值时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述水泥重量值时序输入向量进行一维卷积编码以得到第一邻域尺度水泥重量值时序特征向量；其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)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表示所述水泥重量值时序输入向量，Cov(X)表示对所述水泥重量值时序输入向量进行一维卷积编码；以及，将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度水泥重量值时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述水泥重量值时序输入向量进行一维卷积编码以得到所述第二邻域尺度水泥重量值时序特征向量；其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)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表示所述水泥重量值时序输入向量，Cov(X)表示对所述水泥重量值时序输入向量进行一维卷积编码。
在一个示例中，在上述智能化放料控制系统300中，所述解码特征向量计算模块370，用于：以如下公式计算所述水泥重量值时序特征向量与所述协同交互特征矩阵之间的矩阵乘积以得到所述解码特征向量；其中，所述公式为：其中V1表示所述水泥重量值时序特征向量，M表示所述协同交互特征矩阵，V表示所述解码特征向量。
在一个示例中，在上述智能化放料控制系统300中，所述优化模块380，用于：以如下优化公式对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化解码特征向量；其中，所述优化公式为：
其中vi是所述解码特征向量的第i个位置的特征值，μ和σ是所述解码特征向量的各个位置特征值集合的均值和标准差，且v′i是所述优化解码特征向量的第i个位置的特征值。
在一个示例中，在上述智能化放料控制系统300中，所述解码模块390，用于：使用所述解码器以如下公式将所述优化解码特征向量进行解码回归以获得用于表示成像质量差异的所述解码值；其中，所述公式为：其中X表示所述优化解码特征向量，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。
综上，根据本申请实施例的智能化放料控制系统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放料控制过程中水泥重量值的时序动态变化特征和输送速度值的时序动态变化特征之间的关联特征。这样，能够对于水泥分发总量进行实时精准控制，从而提高生产效率，减少资源浪费。
如上所述，根据本申请实施例的智能化放料控制系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的智能化放料控制系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能化放料控制系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能化放料控制系统300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该智能化放料控制系统300与该终端设备也可以是分立的设备，并且该智能化放料控制系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的智能化放料控制方法中的功能以及/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优化解码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，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智能化放料控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智能化放料控制方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种智能化放料控制方法，其特征在于，包括：
获取从开始计量时间点起多个计量时间点的水泥重量值；
获取所述从开始计量时间点起多个计量时间点的输送速度值；
将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量；
对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵；
将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵；
将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量；
以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量；
对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量；
将所述优化解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示水泥分发总量的预测值；以及
基于所述解码值和水泥分发总量的目标值之间的比较，确定是否停止发放。
2.根据权利要求1所述的智能化放料控制方法，其特征在于，对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵，包括：以如下关联公式对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到所述协同交互输入矩阵；
其中，所述公式为：
其中Vm表示所述水泥重量值时序输入向量，表示所述水泥重量值时序输入向量的转置向量，Vn表示所述输送速度时序输入向量，M1表示所述协同交互输入矩阵，/>表示向量相乘。
3.根据权利要求2所述的智能化放料控制方法，其特征在于，将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述协同交互特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述协同交互输入矩阵。
4.根据权利要求3所述的智能化放料控制方法，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
5.根据权利要求4所述的智能化放料控制方法，其特征在于，将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量，包括：
将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度水泥重量值时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度水泥重量值时序特征向量，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水泥重量值时序特征向量和所述第二邻域尺度水泥重量值时序特征向量进行级联以得到所述水泥重量值时序特征向量。
其中，将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度水泥重量值时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述水泥重量值时序输入向量进行一维卷积编码以得到第一邻域尺度水泥重量值时序特征向量；
其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)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表示所述水泥重量值时序输入向量，Cov(X)表示对所述水泥重量值时序输入向量进行一维卷积编码；以及
将所述水泥重量值时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度水泥重量值时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述水泥重量值时序输入向量进行一维卷积编码以得到所述第二邻域尺度水泥重量值时序特征向量；
其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)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表示所述水泥重量值时序输入向量，Cov(X)表示对所述水泥重量值时序输入向量进行一维卷积编码。
6.根据权利要求5所述的智能化放料控制方法，其特征在于，以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量，包括：以如下公式计算所述水泥重量值时序特征向量与所述协同交互特征矩阵之间的矩阵乘积以得到所述解码特征向量；
其中，所述公式为：
其中V1表示所述水泥重量值时序特征向量，M表示所述协同交互特征矩阵，V表示所述解码特征向量。
7.根据权利要求6所述的智能化放料控制方法，其特征在于，对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量，包括：
以如下优化公式对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化解码特征向量；
其中，所述优化公式为：
其中vi是所述解码特征向量的第i个位置的特征值，μ和σ是所述解码特征向量的各个位置特征值集合的均值和标准差，且vi是所述优化解码特征向量的第i个位置的特征值。
8.根据权利要求7所述的智能化放料控制方法，其特征在于，将所述优化解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示水泥分发总量的预测值，包括：使用所述解码器以如下公式将所述优化解码特征向量进行解码回归以获得用于表示成像质量差异的所述解码值；
其中，所述公式为：其中X表示所述优化解码特征向量，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。
9.一种智能化放料控制系统，其特征在于，包括：
水泥重量值采集模块，用于获取从开始计量时间点起多个计量时间点的水泥重量值；
输送速度值采集模块，用于获取所述从开始计量时间点起多个计量时间点的输送速度值；
排列模块，用于将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量；
关联编码模块，用于对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵；
卷积模块，用于将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵；
多尺度邻域特征提取模块，用于将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量；
解码特征向量计算模块，用于以所述水泥重量值时序特征向量作为查询特征向量，计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量；
优化模块，用于对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量；
解码模块，用于将所述优化解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示水泥分发总量的预测值；以及
控制结果生成模块，用于基于所述解码值和水泥分发总量的目标值之间的比较，确定是否停止发放。
10.根据权利要求9所述的一种智能化放料控制系统，其特征在于，所述解码模块，用于：使用所述解码器以如下公式将所述优化解码特征向量进行解码回归以获得用于表示成像质量差异的所述解码值；
其中，所述公式为：其中X表示所述优化解码特征向量，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。
CN202310571122.5A 2023-05-17 2023-05-17 一种智能化放料控制方法及其系统 Pending CN116605617A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310571122.5A CN116605617A (zh) 2023-05-17 2023-05-17 一种智能化放料控制方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310571122.5A CN116605617A (zh) 2023-05-17 2023-05-17 一种智能化放料控制方法及其系统

Publications (1)

Publication Number Publication Date
CN116605617A true CN116605617A (zh) 2023-08-18

Family

ID=87675960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310571122.5A Pending CN116605617A (zh) 2023-05-17 2023-05-17 一种智能化放料控制方法及其系统

Country Status (1)

Country Link
CN (1) CN116605617A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108000720A (zh) * 2017-12-01 2018-05-08 朱旭 一种用于混凝土自动放料的控制系统及监测方法
US20220121871A1 (en) * 2020-10-16 2022-04-21 Tsinghua University Multi-directional scene text recognition method and system based on multi-element attention mechanism
CN114803560A (zh) * 2022-04-13 2022-07-29 中国恩菲工程技术有限公司 智能放料系统及其控制方法
CN115018068A (zh) * 2022-05-30 2022-09-06 福建天甫电子材料有限公司 用于光阻洗净液生产的自动配料系统及其配料方法
CN115453990A (zh) * 2022-08-31 2022-12-09 福建天甫电子材料有限公司 用于氟化铵生产的生产管理控制系统及其控制方法
CN115763167A (zh) * 2022-11-22 2023-03-07 黄华集团有限公司 固体柜断路器及其控制方法
CN115861246A (zh) * 2022-12-09 2023-03-28 马鞍山远昂科技有限公司 应用于工业互联网的产品质量异常检测方法及其系统
CN116052050A (zh) * 2023-02-03 2023-05-02 深圳市橙洁士日用化工科技有限公司 洗涤剂智能化生产系统及其方法
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 (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108000720A (zh) * 2017-12-01 2018-05-08 朱旭 一种用于混凝土自动放料的控制系统及监测方法
US20220121871A1 (en) * 2020-10-16 2022-04-21 Tsinghua University Multi-directional scene text recognition method and system based on multi-element attention mechanism
CN114803560A (zh) * 2022-04-13 2022-07-29 中国恩菲工程技术有限公司 智能放料系统及其控制方法
CN115018068A (zh) * 2022-05-30 2022-09-06 福建天甫电子材料有限公司 用于光阻洗净液生产的自动配料系统及其配料方法
CN115453990A (zh) * 2022-08-31 2022-12-09 福建天甫电子材料有限公司 用于氟化铵生产的生产管理控制系统及其控制方法
CN115763167A (zh) * 2022-11-22 2023-03-07 黄华集团有限公司 固体柜断路器及其控制方法
CN115861246A (zh) * 2022-12-09 2023-03-28 马鞍山远昂科技有限公司 应用于工业互联网的产品质量异常检测方法及其系统
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
CN116052050A (zh) * 2023-02-03 2023-05-02 深圳市橙洁士日用化工科技有限公司 洗涤剂智能化生产系统及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谭琨: "高光谱遥感影像半监督分类研究", 31 January 2014, 中国矿业大学出版社, pages: 87 - 99 *

Similar Documents

Publication Publication Date Title
JP7098190B2 (ja) ニューラルネットワークのネットワーク表示生成方法及びその装置、コンピュータプログラム並びに機器
Marchetti et al. A dual modifier-adaptation approach for real-time optimization
De Brabanter et al. LS-SVMlab toolbox user's guide: version 1.7
Esmaeili et al. A novel approach to quantized matrix completion using huber loss measure
Mazzia et al. Solving boundary value problems in the open source software R: Package bvpSolve
CN116820052B (zh) Pbt材料生产设备及其控制方法
CN112823362A (zh) 超参数调整方法、装置以及程序
CN115350640B (zh) 基于半导体扩散炉用氮氧混合设备及其控制方法
CN115082920A (zh) 深度学习模型的训练方法、图像处理方法和装置
CN116285481A (zh) 涂料的生产加工方法及其系统
CN115841346A (zh) 用于经营决策的资产减值预测方法和系统
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
US20240161022A1 (en) Fast and flexible holomorphic embedding method and apparatus for economic strategy adjustment
CN114037648A (zh) 基于类Softmax函数信息熵的智能速率参数控制方法
CN116843656B (zh) 钢带管的涂塑控制方法及其系统
CN116605617A (zh) 一种智能化放料控制方法及其系统
CN102724506A (zh) Jpeg_ls常规编码硬件实现方法
CN116424807A (zh) 定量给料控制系统及其方法
CN116238125A (zh) 注射器注塑成型生产用产品质量监控方法及系统
CN115953183A (zh) 面向现货市场的售电公司购售电风险预测系统及其方法
CN115631176A (zh) 艺术设计教学系统及其方法
CN116128250A (zh) 面向现货市场的售电偏差管理方法及其系统
CN111859939B (zh) 文本匹配方法、系统和计算机设备
JP7349811B2 (ja) 訓練装置、生成装置及びグラフ生成方法
CN114399747A (zh) 车道线检测方法、检测装置、电子设备和存储介质

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