CN116739219A - 熔喷布生产管理系统及其方法 - Google Patents

熔喷布生产管理系统及其方法 Download PDF

Info

Publication number
CN116739219A
CN116739219A CN202310788541.4A CN202310788541A CN116739219A CN 116739219 A CN116739219 A CN 116739219A CN 202310788541 A CN202310788541 A CN 202310788541A CN 116739219 A CN116739219 A CN 116739219A
Authority
CN
China
Prior art keywords
data
feature
classification
melt
meltblown
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
CN202310788541.4A
Other languages
English (en)
Inventor
孟勇
贺婷婷
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.)
Anhui Dingshuo New Materials Co ltd
Original Assignee
Anhui Dingshuo New Materials 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 Anhui Dingshuo New Materials Co ltd filed Critical Anhui Dingshuo New Materials Co ltd
Priority to CN202310788541.4A priority Critical patent/CN116739219A/zh
Publication of CN116739219A publication Critical patent/CN116739219A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及智能管理领域，其具体公开了一种熔喷布生产管理系统及其方法，其使用历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据作为历史参照数据，并提取出各个历史参照数据的基于全局的动态变化多尺度关联特征，进而以此来构建历史参照数据中的多尺度数据关联特征与熔喷布生产用料是否充足的标签之间的数据特征库。再以当前熔喷布生产用料数据在高维空间中的全局关联特征作为查询特征，以此来从数据特征库中查询出当前熔喷布生产用料是否充足的标签数据特征，进而来判断当前熔喷布生产用料是否需要补充。这样，将基于深度学习的人工智能技术与大数据算法相结合，构建当前熔喷布生产用料是否需要补充的智能管理方案。

Description

熔喷布生产管理系统及其方法
技术领域
本申请涉及智能管理领域，且更为具体的涉及一种熔喷布生产管理系统及其方法。
背景技术
熔喷布生产管理系统是一种用于优化熔喷布生产过程、提高生产效率和质量的软件系统。在熔喷布生产过程中，原材料的预处理很重要。因为原材料的预处理需要时间，而由人工判断当前的原材料是否足够存在的误差较大，且对工作人员的工作熟练度有一定的要求。
因此，期待一种熔喷布生产管理系统，其能够基于历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据作为历史参照数据，得到当前的生产用料是否需要补充的分类结果，以提高整个熔喷布生产过程的效率。
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熔喷布生产管理系统及其方法，其以历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据作为历史参照数据，并提取出各个历史参照数据的基于全局的动态变化多尺度关联特征，进而以此来构建历史参照数据中的多尺度数据关联特征与当前熔喷布生产用料是否充足的标签之间的数据特征库。再以当前熔喷布生产用料在高维空间中的全局关联特征作为查询特征，以此来从数据特征库中查询出当前熔喷布生产用料是否充足的标签数据特征，进而来判断当前熔喷布生产用料是否需要补充。这样，将基于深度学习的人工智能技术与大数据算法相结合，构建当前熔喷布生产用料是否需要补充的智能管理方案。
根据本申请的一个方面，提供了一种熔喷布生产管理系统，其包括：
历史数据采集模块，用于获取历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据；
当前数据采集模块，用于获取当前熔喷布生产用料数据；
数据编码模块，用于将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据通过包含嵌入层的基于转换器的上下文编码器以得到多个熔喷布生产用料特征向量；
关联特征提取模块，用于将所述多个熔喷布生产用料特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵；
当前数据编码模块，用于将所述当前熔喷布生产用料数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量；
查询模块，用于将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量；
优化模块，用于对所述分类特征向量进行降维优化以得到优化分类特征向量；以及
管理结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前熔喷布生产用料是否需要补充的分类结果。
在上述的熔喷布生产管理系统中，所述数据编码模块，包括：
嵌入编码单元，用于通过将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据通过所述基于转换器的上下文编码器的嵌入层进行编码，以将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据转化为输入向量以获得输入向量的序列；以及
上下文语义编码单元，用于使用所述基于转换器的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个熔喷布生产用料特征向量。
在上述的熔喷布生产管理系统中，所述上下文语义编码单元，包括：
自注意子单元，用于计算所述输入向量的序列与所述输入向量的序列中输入向量的转置向量之间的乘积以得到自注意力关联矩阵；
标准化子单元，用于对所述自注意力关联矩阵中自注意力关联矩阵进行标准化处理以得到标准化后自注意力关联矩阵；
关注度计算子单元，用于将所述标准化后自注意力关联矩阵中标准化后自注意力关联矩阵通过Softmax分类函数以得到概率值；以及
注意力施加子单元，用于以所述概率值作为权重对所述输入向量的序列中输入向量进行加权以得到所述多个熔喷布生产用料特征向量。
在上述的熔喷布生产管理系统中，所述关联特征提取模块，用于：
使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：
基于第一卷积核对所述输入数据进行卷积处理以得到第一尺度特征图；
基于第二卷积核对所述输入数据进行卷积处理以得到第二尺度特征图，其中，所述第二卷积核为具有第一空洞率的空洞卷积核；
基于第三卷积核对所述输入数据进行卷积处理以得到第三尺度特征图，其中，所述第三卷积核为具有第二空洞率的空洞卷积核；
基于第四卷积核对所述输入数据进行卷积处理以得到第四尺度特征图，其中，所述第四卷积核为具有第三空洞率的空洞卷积核；
将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；
对所述多尺度特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及
对所述池化特征图进行激活处理以得到激活特征图；
其中，所述卷积神经网络模型的最后一个混合卷积层的输出为所述多尺度历史关联特征矩阵。
在上述的熔喷布生产管理系统中，所述关联特征提取模块，进一步用于：
以如下级联公式将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；
其中，所述级联公式为：
X＝Concat[F1,F2,F3,F4]
其中，F1、F2、F3和F4分别表示所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图，Concat[·,·]表示级联函数。
在上述的熔喷布生产管理系统中，所述优化模块，包括：
激活单元，用于将所述分类特征向量输入Sigmoid激活函数进行激活以得到概率化分类特征向量；
归零单元，用于针对于所述概率化分类特征向量中各个位置的特征值，将所述各个位置的特征值进行归零处理以得到多个概率化掩码分类特征向量；
计算单元，用于计算所述概率化分类特征向量与所述各个概率化掩码分类特征向量之间的KL散度以得到多个KL散度；
优化单元，用于基于所述KL散度与预定阈值之间的比较，确定是否剔除所述概率化分类特征向量中各个位置的特征值以得到优化分类特征向量。
在上述的熔喷布生产管理系统中，所述计算单元，用于：
以如下KL散度计算公式分别计算所述概率化分类特征向量与所述各个概率化掩码分类特征向量之间的KL散度以得到多个KL散度；
其中，所述KL散度计算公式为：
其中，V1i表示所述概率化分类特征向量中各个位置的特征值，表示所述概率化掩码分类特征向量中各个位置的特征值，KL表示所述KL散度。
在上述的熔喷布生产管理系统中，所述管理结果生成模块，包括：
全连接编码单元，用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，还提供了一种熔喷布生产管理方法，其包括：
获取历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据；
获取当前熔喷布生产用料数据；
分别将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据通过包含嵌入层的基于转换器的上下文编码器以得到多个熔喷布生产用料特征向量；
将所述多个熔喷布生产用料特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵；
将所述当前熔喷布生产用料数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量；
将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量；
对所述分类特征向量进行降维优化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前熔喷布生产用料是否需要补充的分类结果。
与现有技术相比，本申请提供的熔喷布生产管理系统及其方法，其以历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据作为历史参照数据，并提取出各个历史参照数据的基于全局的动态变化多尺度关联特征，进而以此来构建历史参照数据中的多尺度数据关联特征与当前熔喷布生产用料是否充足的标签之间的数据特征库。再以当前熔喷布生产用料在高维空间中的全局关联特征作为查询特征，以此来从数据特征库中查询出当前熔喷布生产用料是否充足的标签数据特征，进而来判断当前熔喷布生产用料是否需要补充。这样，将基于深度学习的人工智能技术与大数据算法相结合，构建当前熔喷布生产用料是否需要补充的智能管理方案。
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图示了根据本申请实施例的熔喷布生产管理系统的框图示意图。
图2图示了根据本申请实施例的熔喷布生产管理系统的系统架构图。
图3图示了根据本申请实施例的熔喷布生产管理系统中数据编码模块的框图示意图。
图4图示了根据本申请实施例的熔喷布生产管理系统中上下文语义编码单元的框图。
图5图示了根据本申请实施例的熔喷布生产管理方法的流程图。
图6图示了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
如上述背景技术所言，熔喷布生产管理系统是一种用于优化熔喷布生产过程、提高生产效率和质量的软件系统。在熔喷布生产过程中，原材料的预处理很重要。因为原材料的预处理需要时间，而由人工判断当前的原材料是否足够存在的误差较大，且对工作人员的工作熟练度有一定的要求。因此，期待一种熔喷布生产管理系统，其能够基于历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据作为历史参照数据，得到当前的生产用料是否需要补充的分类结果，以提高整个熔喷布生产过程的效率。
目前，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、语音信号处理等领域。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。
近年来，深度学习以及神经网络的发展为熔喷布生产管理系统及其方法提供了新的解决思路和方案。
相应地，考虑到熔喷布生产用料不充足的情况下，需要补充熔喷布生产用料，以此确保熔喷布生产能够正常进行。基于此，在本申请的技术方案中，期望通过大数据分析当前熔喷布生产用料数据，判断是否补充熔喷布生产用料。
具体地，考虑到在对于是否补充熔喷布生产用料进行监控时，其以历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据作为历史参照数据，并提取出各个历史参照数据的基于全局的动态变化多尺度关联特征，进而以此来构建历史参照数据中的多尺度数据关联特征与当前熔喷布生产用料是否充足的标签之间的数据特征库。再以当前熔喷布生产用料在高维空间中的全局关联特征作为查询特征，以此来从数据特征库中查询出当前熔喷布生产用料是否充足的标签数据特征，进而来判断当前熔喷布生产用料是否需要补充。这样，将基于深度学习的人工智能技术与大数据算法相结合，构建当前熔喷布生产用料是否需要补充的智能管理方案。
具体地，在本申请的技术方案中，首先，获取历史熔喷布生产用料数据。然后，考虑到历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据之间存在着关联，因此，为了能够充分提取出这些数据间的全局关联特征以此来准确地建立各项数据与熔喷布生产用料是否充足标签的关联性数据库，进一步使用包含嵌入层的基于转换器的上下文编码器来对于所述历史熔喷布生产用料数据的标签数据进行基于全局的上下文语义编码以分别提取所述历史数据中各个数据基于全局的上下文语义关联特征，从而得到多个熔喷布生产用料特征向量。
进一步地，将所述多个熔喷布生产用料特征向量二维排列为历史特征矩阵以整合所述小区历史数据中各个数据的全局关联特征后，考虑到所述历史特征矩阵中的各个历史数据在不同时期的全局关联特征也具有着不同程度的关联性，因此，进一步将所述历史特征矩阵通过包含多个混合卷积层的卷积神经网络模型中进行处理，以提取出所述历史特征矩阵的多尺度隐含关联特征，从而得到多尺度历史关联特征矩阵，以此来作为所述历史数据的数据特征库。相应地，在本申请的一个具体示例中，在所述混合卷积层(mixedconvolution layer，MCL)中，此模块的设计包括并联的四个分支，由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成，分别对输入的所述历史特征矩阵进行操作，将空洞卷积三个分支的扩张率分别设置为2、3、4，通过不同扩张率的设置可获得不同感受域的关联特征信息，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。
进一步地，在对于当前熔喷布生产用料是否充足进行判断时，可以首先获取当前熔喷布生产用料数据，并将所述当前熔喷布生产用料数据也通过所述包含嵌入层的基于转换器的上下文编码器中进行编码处理，以提取出所述当前熔喷布生产用料数据基于全局的上下文关联特征，从而得到查询特征向量。然后，以所述查询向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量，以此来从历史数据特征库中查询出当前熔喷布生产用料是否充足的标签数据特征，进而来对于当前熔喷布生产用料是否充足进行准确判断。
接着，进一步将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否需要补充熔喷布生产用料。也就是，将所述分类特征向量通过分类器中进行分类处理来对于当前熔喷布生产用料是否充足进行准确判断，进而就能够得到结果用于表示是否需要补充熔喷布生产用料的分类结果。这样，能够智能地对于当天水资源是否补充熔喷布生产用于进行准确判断，进而实能够实现对生产熔喷布的原材料进行管理，提高整个熔喷布生产过程的效率。
特别地，在本申请的技术方案中，考虑到分类特征向量可能包含一些相对不重要的特征维度，这些维度可能会引入噪声或冗余信息，对最终的分类产生负面影响。此外，这些不重要的特征维度还可能导致分类特征矩阵在通过分类器进行分类判断时发生过拟合或欠拟合的问题。因此，希望在将分类特征向量输入分类器进行分类判断之前，能够删除这些相对不重要的特征维度，以提高分类结果的准确性。换句话说，在本申请的技术方案中，通过对筛选出对分类任务最有价值的特征维度，从而确保模型的性能和泛化能力。
基于此，在本申请的技术方案中，对所述分类特征向量进行降维优化以得到优化分类特征向量。具体地，将所述分类特征向量输入Sigmo id激活函数进行激活以得到概率化分类特征向量；针对于所述概率化分类特征向量中各个位置的特征值，将所述各个位置的特征值进行归零处理以得到多个概率化掩码分类特征向量；
以如下KL散度计算公式分别计算所述概率化分类特征向量与所述各个概率化掩码分类特征向量之间的KL散度以得到多个KL散度；
其中，所述KL散度计算公式为：
其中，V1i表示所述概率化分类特征向量中各个位置的特征值，表示所述概率化掩码分类特征向量中各个位置的特征值，KL表示所述KL散度；
基于所述KL散度与预定阈值之间的比较，确定是否剔除所述概率化分类特征向量中各个位置的特征值以得到优化分类特征向量。
这样，通过对所述分类特征向量中各个位置的特征值的重要性和稳定性进行基于KL散度的量化度量，以从所述分类特征向量中删除相对不重要的特征维度，通过这样的方式，不仅间接强化相对更为重要的特征维度，同时还对所述分类特征向量进行维度稀疏化以避免所述分类特征向量在通过分类器进行分类判断时发生过拟合或欠拟合，从而提升分类结果的准确性。
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1图示了根据本申请实施例的熔喷布生产管理系统的框图。如图1所示，根据本申请实施例的熔喷布生产管理系统100，包括：历史数据采集模块110，用于获取历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据；当前数据采集模块120，用于获取当前熔喷布生产用料数据；数据编码模块130，用于将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据通过包含嵌入层的基于转换器的上下文编码器以得到多个熔喷布生产用料特征向量；关联特征提取模块140，用于将所述多个熔喷布生产用料特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵；当前数据编码模块150，用于将所述当前熔喷布生产用料数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量；查询模块160，用于将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量；优化模块170，用于对所述分类特征向量进行降维优化以得到优化分类特征向量；以及管理结果生成模块180，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前熔喷布生产用料是否需要补充的分类结果。
图2图示了根据本申请实施例的熔喷布生产管理系统的系统架构图。如图3所示，在该系统架构中，首先，获取历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据。然后，获取当前熔喷布生产用料数据。接着，将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据通过包含嵌入层的基于转换器的上下文编码器以得到多个熔喷布生产用料特征向量。然后，将所述多个熔喷布生产用料特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵。接着，将所述当前熔喷布生产用料数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量。然后，将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量。进而，对所述分类特征向量进行降维优化以得到优化分类特征向量。最后，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前熔喷布生产用料是否需要补充的分类结果。
在上述的熔喷布生产管理系统100中，历史数据采集模块110，用于获取历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据。熔喷布生产管理系统是一种用于优化熔喷布生产过程、提高生产效率和质量的软件系统。在熔喷布生产过程中，原材料的预处理很重要。因为原材料的预处理需要时间，而由人工判断当前的原材料是否足够存在的误差较大，且对工作人员的工作熟练度有一定的要求。因此，期待一种熔喷布生产管理系统，其能够基于历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据作为历史参照数据，得到当前的生产用料是否需要补充的分类结果，以提高整个熔喷布生产过程的效率。
目前，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、语音信号处理等领域。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。
近年来，深度学习以及神经网络的发展为熔喷布生产管理系统及其方法提供了新的解决思路和方案。
相应地，考虑到熔喷布生产用料不充足的情况下，需要补充熔喷布生产用料，以此确保熔喷布生产能够正常进行。基于此，在本申请的技术方案中，期望通过大数据分析当前熔喷布生产用料数据，判断是否补充熔喷布生产用料。
具体地，考虑到在对于是否补充熔喷布生产用料进行监控时，其以历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据作为历史参照数据，并提取出各个历史参照数据的基于全局的动态变化多尺度关联特征，进而以此来构建历史参照数据中的多尺度数据关联特征与当前熔喷布生产用料是否充足的标签之间的数据特征库。再以当前熔喷布生产用料在高维空间中的全局关联特征作为查询特征，以此来从数据特征库中查询出当前熔喷布生产用料是否充足的标签数据特征，进而来判断当前熔喷布生产用料是否需要补充。这样，将基于深度学习的人工智能技术与大数据算法相结合，构建当前熔喷布生产用料是否需要补充的智能管理方案。具体地，在本申请的技术方案中，首先，获取历史熔喷布生产用料数据。
在上述的熔喷布生产管理系统100中，当前数据采集模块120，用于获取当前熔喷布生产用料数据。对于当前熔喷布生产用料是否充足进行判断时，可以首先获取当前熔喷布生产用料数据。
在上述的熔喷布生产管理系统100中，数据编码模块130，用于将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据通过包含嵌入层的基于转换器的上下文编码器以得到多个熔喷布生产用料特征向量。考虑到历史的熔喷布生产用料是否充足的标签数据之间存在着关联，因此，为了能够充分提取出这些数据间的全局关联特征以此来准确地建立各项数据与熔喷布生产用料是否充足标签的关联性数据库，进一步使用包含嵌入层的基于转换器的上下文编码器来对于所述历史熔喷布生产用料数据的标签数据进行基于全局的上下文语义编码以分别提取所述历史数据中各个数据基于全局的上下文语义关联特征，从而得到多个熔喷布生产用料特征向量。
图3图示了根据本申请实施例的熔喷布生产管理系统中数据编码模块的框图。如图3所示，所述数据编码模块130，包括：嵌入编码单元131，用于通过将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据通过所述基于转换器的上下文编码器的嵌入层进行编码，以将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据转化为输入向量以获得输入向量的序列；以及上下文语义编码单元132，用于使用所述基于转换器的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个熔喷布生产用料特征向量
图4图示了根据本申请实施例的熔喷布生产管理系统中上下文语义编码单元的框图。如图4所示，所述上下文语义编码单元132，包括：自注意子单元1321，用于计算所述输入向量的序列与所述输入向量的序列中输入向量的转置向量之间的乘积以得到自注意力关联矩阵；标准化子单元1322，用于对所述自注意力关联矩阵中自注意力关联矩阵进行标准化处理以得到标准化后自注意力关联矩阵；关注度计算子单元1323，用于将所述标准化后自注意力关联矩阵中标准化后自注意力关联矩阵通过Softmax分类函数以得到概率值；以及注意力施加子单元1324，用于以所述概率值作为权重对所述输入向量的序列中输入向量进行加权以得到所述多个熔喷布生产用料特征向量。
在上述的熔喷布生产管理系统100中，关联特征提取模块140，用于将所述多个熔喷布生产用料特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵。将所述多个熔喷布生产用料特征向量二维排列为历史特征矩阵以整合所述小区历史数据中各个数据的全局关联特征后，考虑到所述历史特征矩阵中的各个历史数据在不同时期的全局关联特征也具有着不同程度的关联性，因此，进一步将所述历史特征矩阵通过包含多个混合卷积层的卷积神经网络模型中进行处理，以提取出所述历史特征矩阵的多尺度隐含关联特征，从而得到多尺度历史关联特征矩阵，以此来作为所述历史数据的数据特征库。相应地，在本申请的一个具体示例中，在所述混合卷积层(mixed convolution layer，MCL)中，此模块的设计包括并联的四个分支，由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成，分别对输入的所述历史特征矩阵进行操作，将空洞卷积三个分支的扩张率分别设置为2、3、4，通过不同扩张率的设置可获得不同感受域的关联特征信息，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。
具体地，在本申请实施例中，所述关联特征提取模块140，用于：使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：基于第一卷积核对所述输入数据进行卷积处理以得到第一尺度特征图；基于第二卷积核对所述输入数据进行卷积处理以得到第二尺度特征图，其中，所述第二卷积核为具有第一空洞率的空洞卷积核；基于第三卷积核对所述输入数据进行卷积处理以得到第三尺度特征图，其中，所述第三卷积核为具有第二空洞率的空洞卷积核；基于第四卷积核对所述输入数据进行卷积处理以得到第四尺度特征图，其中，所述第四卷积核为具有第三空洞率的空洞卷积核；将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；对所述多尺度特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图进行激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一个混合卷积层的输出为所述多尺度历史关联特征矩阵。
具体地，在本申请实施例中，所述关联特征提取模块140，进一步用于：以如下级联公式将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；其中，所述级联公式为：
X＝Concat[F1,F2,F3,F4]
其中，F1、F2、F3和F4分别表示所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图，Concat[·,·]表示级联函数。
在上述的熔喷布生产管理系统100中，当前数据编码模块150，用于将所述当前熔喷布生产用料数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量。将所述当前熔喷布生产用料数据也通过所述包含嵌入层的基于转换器的上下文编码器中进行编码处理，以提取出所述当前熔喷布生产用料数据基于全局的上下文关联特征，从而得到查询特征向量。
在上述的熔喷布生产管理系统100中，查询模块160，用于将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量。以所述查询向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量，以此来从历史数据特征库中查询出当前熔喷布生产用料是否充足的标签数据特征，进而来对于当前熔喷布生产用料是否充足进行准确判断。
在上述的熔喷布生产管理系统100中，优化模块170，用于对所述分类特征向量进行降维优化以得到优化分类特征向量。特别地，在本申请的技术方案中，考虑到分类特征向量可能包含一些相对不重要的特征维度，这些维度可能会引入噪声或冗余信息，对最终的分类产生负面影响。此外，这些不重要的特征维度还可能导致分类特征矩阵在通过分类器进行分类判断时发生过拟合或欠拟合的问题。因此，希望在将分类特征向量输入分类器进行分类判断之前，能够删除这些相对不重要的特征维度，以提高分类结果的准确性。换句话说，在本申请的技术方案中，通过对筛选出对分类任务最有价值的特征维度，从而确保模型的性能和泛化能力。
基于此，在本申请的技术方案中，对所述分类特征向量进行降维优化以得到优化分类特征向量。具体地，将所述分类特征向量输入Sigmo id激活函数进行激活以得到概率化分类特征向量；针对于所述概率化分类特征向量中各个位置的特征值，将所述各个位置的特征值进行归零处理以得到多个概率化掩码分类特征向量；
以如下KL散度计算公式分别计算所述概率化分类特征向量与所述各个概率化掩码分类特征向量之间的KL散度以得到多个KL散度；
其中，所述KL散度计算公式为：
其中，V1i表示所述概率化分类特征向量中各个位置的特征值，表示所述概率化掩码分类特征向量中各个位置的特征值，KL表示所述KL散度；
基于所述KL散度与预定阈值之间的比较，确定是否剔除所述概率化分类特征向量中各个位置的特征值以得到优化分类特征向量。
这样，通过对所述分类特征向量中各个位置的特征值的重要性和稳定性进行基于KL散度的量化度量，以从所述分类特征向量中删除相对不重要的特征维度，通过这样的方式，不仅间接强化相对更为重要的特征维度，同时还对所述分类特征向量进行维度稀疏化以避免所述分类特征向量在通过分类器进行分类判断时发生过拟合或欠拟合，从而提升分类结果的准确性
具体地，在本申请实施例中，所述优化模块170，包括：激活单元，用于将所述分类特征向量输入Sigmoid激活函数进行激活以得到概率化分类特征向量；归零单元，用于针对于所述概率化分类特征向量中各个位置的特征值，将所述各个位置的特征值进行归零处理以得到多个概率化掩码分类特征向量；计算单元，用于计算所述概率化分类特征向量与所述各个概率化掩码分类特征向量之间的KL散度以得到多个KL散度；优化单元，用于基于所述KL散度与预定阈值之间的比较，确定是否剔除所述概率化分类特征向量中各个位置的特征值以得到优化分类特征向量。
具体地，在本申请实施例中，所述计算单元，用于：以如下KL散度计算公式分别计算所述概率化分类特征向量与所述各个概率化掩码分类特征向量之间的KL散度以得到多个KL散度；其中，所述KL散度计算公式为：
其中，V1i表示所述概率化分类特征向量中各个位置的特征值，V2ii表示所述概率化掩码分类特征向量中各个位置的特征值，KL表示所述KL散度。
在上述的熔喷布生产管理系统100中，管理结果生成模块180，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前熔喷布生产用料是否需要补充的分类结果。进一步将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否需要补充熔喷布生产用料。也就是，将所述分类特征向量通过分类器中进行分类处理来对于当前熔喷布生产用料是否充足进行准确判断，进而就能够得到结果用于表示是否需要补充熔喷布生产用料的分类结果。这样，能够智能地对于当天水资源是否补充熔喷布生产用于进行准确判断，进而实能够实现对生产熔喷布的原材料进行管理，提高整个熔喷布生产过程的效率。
具体地，在本申请实施例中，所述管理结果生成模块180，包括：全连接编码单元，用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
示例性方法
图5图示了根据本申请实施例的熔喷布生产管理方法的流程图。如图5所示，根据本申请实施例的所述熔喷布生产管理方法，包括步骤：S110，获取历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据；S120，获取当前熔喷布生产用料数据；S130，将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据通过包含嵌入层的基于转换器的上下文编码器以得到多个熔喷布生产用料特征向量；S140，将所述多个熔喷布生产用料特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵；S150，将所述当前熔喷布生产用料数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量；S160，将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量；S170，对所述分类特征向量进行降维优化以得到优化分类特征向量；以及S180，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前熔喷布生产用料是否需要补充的分类结果。
这里，本领域技术人员可以理解，上述熔喷布生产管理方法中的各个步骤的具体操作已经在上面参考图1到图4的熔喷布生产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。
如上所述，根据本申请实施例的熔喷布生产管理系统100可以实现在各种终端设备中，例如熔喷布生产管理服务器等。在一个示例中，根据本申请实施例的熔喷布生产管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该熔喷布生产管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该熔喷布生产管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该熔喷布生产管理系统100与该终端设备也可以是分立的设备，并且该熔喷布生产管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。图6图示了根据本申请实施例的电子设备的框图。如图6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熔喷布生产管理方法中的功能以及/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历史熔喷布生产用料、当前熔喷布生产用料等各种内容。
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，包括是否需要补充熔喷布生产用料等。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6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熔喷布生产管理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熔喷布生产管理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)

1.一种熔喷布生产管理系统，其特征在于，包括：
历史数据采集模块，用于获取历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据；
当前数据采集模块，用于获取当前熔喷布生产用料数据；
数据编码模块，用于将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据分别通过包含嵌入层的基于转换器的上下文编码器以得到多个熔喷布生产用料特征向量；
关联特征提取模块，用于分别将所述多个熔喷布生产用料特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵；
当前数据编码模块，用于将所述当前熔喷布生产用料数据分别通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量；
查询模块，用于将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量；
优化模块，用于对所述分类特征向量进行降维优化以得到优化分类特征向量；以及
管理结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前熔喷布生产用料是否需要补充的分类结果。
2.根据权利要求1所述的一种熔喷布生产管理系统，其特征在于，所述数据编码模块，包括：
嵌入编码单元，用于通过将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据分别通过所述基于转换器的上下文编码器的嵌入层进行编码，以将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据分别转化为输入向量以获得输入向量的序列；以及
上下文语义编码单元，用于使用所述基于转换器的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个熔喷布生产用料特征向量。
3.根据权利要求2所述的熔喷布生产管理系统，其特征在于，所述上下文语义编码单元，包括：
自注意子单元，用于计算所述输入向量的序列与所述输入向量的序列中各个输入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及
注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述输入向量的序列中各个输入向量进行加权以得到所述多个熔喷布生产用料特征向量。
4.根据权利要求3所述的熔喷布生产管理系统，其特征在于，所述关联特征提取模块，用于：
使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：
基于第一卷积核对所述输入数据进行卷积处理以得到第一尺度特征图；
基于第二卷积核对所述输入数据进行卷积处理以得到第二尺度特征图，其中，所述第二卷积核为具有第一空洞率的空洞卷积核；
基于第三卷积核对所述输入数据进行卷积处理以得到第三尺度特征图，其中，所述第三卷积核为具有第二空洞率的空洞卷积核；
基于第四卷积核对所述输入数据进行卷积处理以得到第四尺度特征图，其中，所述第四卷积核为具有第三空洞率的空洞卷积核；
将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；
对所述多尺度特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及
对所述池化特征图进行激活处理以得到激活特征图；
其中，所述卷积神经网络模型的最后一个混合卷积层的输出为所述多尺度历史关联特征矩阵。
5.根据权利要求4所述的熔喷布生产管理系统，其特征在于，所述关联特征提取模块，进一步用于：
以如下级联公式将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；
其中，所述级联公式为：
X＝Concat[F1,F2,F3,F4]
其中，F1、F2、F3和F4分别表示所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图，Concat[·,·]表示级联函数。
6.根据权利要求5所述的熔喷布生产管理系统，其特征在于，所述优化模块，包括：
激活单元，用于将所述分类特征向量输入Sigmoid激活函数进行激活以得到概率化分类特征向量；
归零单元，用于针对于所述概率化分类特征向量中各个位置的特征值，将所述各个位置的特征值进行归零处理以得到多个概率化掩码分类特征向量；
计算单元，用于计算所述概率化分类特征向量与所述各个概率化掩码分类特征向量之间的KL散度以得到多个KL散度；
优化单元，用于基于所述KL散度与预定阈值之间的比较，确定是否剔除所述概率化分类特征向量中各个位置的特征值以得到优化分类特征向量。
7.根据权利要求6所述的熔喷布生产管理系统，其特征在于，所述计算单元，用于：
以如下KL散度计算公式分别计算所述概率化分类特征向量与所述各个概率化掩码分类特征向量之间的KL散度以得到多个KL散度；
其中，所述KL散度计算公式为：
其中，V1i表示所述概率化分类特征向量中各个位置的特征值，V2ii表示所述概率化掩码分类特征向量中各个位置的特征值，KL表示所述KL散度。
8.根据权利要求7所述的熔喷布生产管理系统，其特征在于，所述管理结果生成模块，包括：
全连接编码单元，用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
9.一种熔喷布生产管理方法，包括：
获取历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据；
获取当前熔喷布生产用料数据；
分别将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据通过包含嵌入层的基于转换器的上下文编码器以得到多个熔喷布生产用料特征向量；
将所述多个熔喷布生产用料特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵；
将所述当前熔喷布生产用料数据分别通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量；
将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量；
对所述分类特征向量进行降维优化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前熔喷布生产用料是否需要补充的分类结果。
10.根据权利要求9所述的熔喷布生产管理方法，其特征在于，分别将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据通过包含嵌入层的基于转换器的上下文编码器以得到多个熔喷布生产用料特征向量，包括：
通过将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据分别通过所述基于转换器的上下文编码器的嵌入层进行编码，以将所述历史熔喷布生产用料数据以及熔喷布生产用料是否充足的标签数据分别转化为输入向量以获得输入向量的序列；以及
使用所述基于转换器的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个熔喷布生产用料特征向量。
CN202310788541.4A 2023-06-29 2023-06-29 熔喷布生产管理系统及其方法 Pending CN116739219A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310788541.4A CN116739219A (zh) 2023-06-29 2023-06-29 熔喷布生产管理系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310788541.4A CN116739219A (zh) 2023-06-29 2023-06-29 熔喷布生产管理系统及其方法

Publications (1)

Publication Number Publication Date
CN116739219A true CN116739219A (zh) 2023-09-12

Family

ID=87901009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310788541.4A Pending CN116739219A (zh) 2023-06-29 2023-06-29 熔喷布生产管理系统及其方法

Country Status (1)

Country Link
CN (1) CN116739219A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117349399A (zh) * 2023-10-18 2024-01-05 湘南学院 文本分类语料库的构建方法及其系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115827697A (zh) * 2022-12-13 2023-03-21 中节能绿建环保科技有限公司 基于大数据的小区水资源智能管理系统及其管理方法
CN116106878A (zh) * 2022-12-28 2023-05-12 浙大城市学院 大数据分析系统及方法
CN116151845A (zh) * 2023-02-20 2023-05-23 南京天通新创科技有限公司 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115827697A (zh) * 2022-12-13 2023-03-21 中节能绿建环保科技有限公司 基于大数据的小区水资源智能管理系统及其管理方法
CN116106878A (zh) * 2022-12-28 2023-05-12 浙大城市学院 大数据分析系统及方法
CN116151845A (zh) * 2023-02-20 2023-05-23 南京天通新创科技有限公司 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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117349399A (zh) * 2023-10-18 2024-01-05 湘南学院 文本分类语料库的构建方法及其系统

Similar Documents

Publication Publication Date Title
US11631007B2 (en) Method and device for text-enhanced knowledge graph joint representation learning
CN112183747B (zh) 神经网络训练的方法、神经网络的压缩方法以及相关设备
CN112288075B (zh) 一种数据处理方法及相关设备
CN116415654A (zh) 一种数据处理方法及相关设备
CN111797589B (zh) 一种文本处理网络、神经网络训练的方法以及相关设备
WO2023236977A1 (zh) 一种数据处理方法及相关设备
CN113987187B (zh) 基于多标签嵌入的舆情文本分类方法、系统、终端及介质
CN116245513B (zh) 基于规则库的自动化运维系统及其方法
CN116307624B (zh) 一种erp系统的资源调度方法及其系统
CN111027681B (zh) 时序数据处理模型训练方法、数据处理方法、装置及存储介质
CN117251699A (zh) 基于人工智能的医疗大数据分析方法及系统
CN116257406A (zh) 用于智慧城市的网关数据管理方法及其系统
CN112364166B (zh) 关系抽取模型的建立方法以及关系抽取方法
CN116739219A (zh) 熔喷布生产管理系统及其方法
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
CN116308754A (zh) 一种银行信贷风险预警系统及其方法
CN116028098A (zh) 用于非标企业的软件管理系统及方法
CN108875024B (zh) 文本分类方法、系统、可读存储介质及电子设备
CN117316462A (zh) 一种医疗数据管理方法
CN116955992A (zh) 机械设备的控制系统及其方法
CN117421655A (zh) 工业互联网数据流异常检测方法及系统
CN117150375A (zh) 一种智能电网数据质量分析方法、装置、设备及存储介质
CN116089605A (zh) 基于迁移学习和改进词袋模型的文本情感分析方法
CN116681428B (zh) 电子设备的智能回收管理系统及方法
CN117349399A (zh) 文本分类语料库的构建方法及其系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination