CN116820052A - Pbt材料生产设备及其控制方法 - Google Patents

Pbt材料生产设备及其控制方法 Download PDF

Info

Publication number
CN116820052A
CN116820052A CN202310864651.4A CN202310864651A CN116820052A CN 116820052 A CN116820052 A CN 116820052A CN 202310864651 A CN202310864651 A CN 202310864651A CN 116820052 A CN116820052 A CN 116820052A
Authority
CN
China
Prior art keywords
feature vector
scale
vector
stirring
feature
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.)
Granted
Application number
CN202310864651.4A
Other languages
English (en)
Other versions
CN116820052B (zh
Inventor
孟勇
姚浩威
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.)
Chuzhou Yousheng High Polymer Material Co ltd
Original Assignee
Chuzhou Yousheng High Polymer Material 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 Chuzhou Yousheng High Polymer Material Co ltd filed Critical Chuzhou Yousheng High Polymer Material Co ltd
Priority to CN202310864651.4A priority Critical patent/CN116820052B/zh
Publication of CN116820052A publication Critical patent/CN116820052A/zh
Application granted granted Critical
Publication of CN116820052B publication Critical patent/CN116820052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • B01J19/18—Stationary reactors having moving elements inside
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Organic Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及智能控制领域，其具体地公开了一种PBT材料生产设备及其控制方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频，通过多尺度提取模块和卷积神经网络进行特征提取，以得到用于表示当前时间点的搅拌器的搅拌值应增大或减小的分类结果。这样，构建PBT材料生产控制方案，可以实现对搅拌器的快速、准确的自动控制，提高酯化反应的质量和效率。

Description

PBT材料生产设备及其控制方法
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PBT材料生产设备及其控制方法。
背景技术
酯化反应是PBT材料生产中不可或缺的一步，酯化反应釜是一种用于酯化反应的设备，也称为酯化釜。它通常由釜体、加热器、搅拌器、温度控制器、压力计和排气装置等部件组成。搅拌器在酯化反应中起到物料混合均匀、强化传热传质，使物料之间充分接触发生化学反应的作用。如果搅拌器在固定一个转速情况下、反应釜内物料流动方向，流动速度是固定不变的。在这种情况下，釜内会产生流动缓慢区或者流动死区，在这些区域内的物料会反应不充分，后续会影响整体产品质量和生产稳定性。
因此，期待一种优化的PBT材料生产控制方案。
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PBT材料生产设备及其控制方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频，通过多尺度提取模块和卷积神经网络进行特征提取，以得到用于表示当前时间点的搅拌器的搅拌值应增大或减小的分类结果。这样，构建PBT材料生产控制方案，可以实现对搅拌器的快速、准确的自动控制，提高酯化反应的质量和效率。
根据本申请的一个方面，提供了一种PBT材料生产设备，其包括：
数据采集模块，用于获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频；
排列模块，用于将所述多个预定时间点的搅拌值和酯化温度值按照时间维度分别排列为搅拌输入向量和温度输入向量；
多尺度提取模块，用于将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量；
高斯融合模块，用于使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图；
高斯离散模块，用于对所述融合高斯密度图进行高斯离散化以得到融合特征矩阵；
酯化反应特征提取模块，用于将所述预定时间段的酯化反应监控视频通过使用三维卷积核的卷积神经网络模型以得到酯化反应特征向量；
转移计算模块，用于计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量；
优化模块，用于对分类特征向量进行期望鲁棒性迭代以得到优化分类特征向量；以及
分类结果生成模块，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时间点的搅拌器的搅拌值应增大或减小。
在上述PBT材料生产设备中，所述多尺度提取模块，包括：第一尺度提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以具有第一长度的一维卷积核对所述搅拌输入向量和所述温度输入向量分别进行一维卷积编码以得到第一尺度搅拌特征向量和第一尺度温度特征向量；第二尺度提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以具有第二长度的一维卷积核对所述搅拌输入向量和所述温度输入向量分别进行一维卷积编码以得到第二尺度搅拌特征向量和第二尺度温度特征向量，所述第二长度不同于所述第一长度；以及，融合单元，用于将所述第一尺度搅拌特征向量和所述第二尺度搅拌特征向量进行级联以得到所述多尺度搅拌特征向量，将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述多尺度温度特征向量。
在上述PBT材料生产设备中，所述高斯融合模块，用于：使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到所述融合高斯密度图；其中，所述高斯公式为：
其中μ表示所述多尺度搅拌特征向量和所述多尺度温度特征向量之间的按位置均值向量，且σ的每个位置的值表示所述多尺度搅拌特征向量和所述多尺度温度特征向量中各个位置的特征值之间的方差。
在上述PBT材料生产设备中，所述酯化反应特征提取模块，用于：以所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于所述三维卷积核的三维卷积处理、池化处理和非线性激活处理以由所述使用三维卷积核的卷积神经网络模型的最后一层输出酯化反应状态特征图；以及，对所述酯化反应特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述酯化反应特征向量。
在上述PBT材料生产设备中，所述转移计算模块，用于：以如下融合公式计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量；其中，所述融合公式为：
其中M表示所述融合特征矩阵，V1表示所述酯化反应特征向量，V表示所述分类特征向量，表示向量相乘。
在上述PBT材料生产设备中，所述分类结果生成模块，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，分类结果单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种PBT材料生产用智能控制方法，其包括：
获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频；
将所述多个预定时间点的搅拌值和酯化温度值按照时间维度分别排列为搅拌输入向量和温度输入向量；
将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量；
使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图；
对所述融合高斯密度图进行高斯离散化以得到融合特征矩阵；
将所述预定时间段的酯化反应监控视频通过使用三维卷积核的卷积神经网络模型以得到酯化反应特征向量；
计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量；
对分类特征向量进行期望鲁棒性迭代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时间点的搅拌器的搅拌值应增大或减小。
与现有技术相比，本申请提供的一种PBT材料生产设备及其控制方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频，通过多尺度提取模块和卷积神经网络进行特征提取，以得到用于表示当前时间点的搅拌器的搅拌值应增大或减小的分类结果。这样，构建PBT材料生产控制方案，可以实现对搅拌器的快速、准确的自动控制，提高酯化反应的质量和效率。
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PBT材料生产设备的框图。
图2为根据本申请实施例的PBT材料生产设备的架构示意图。
图3为根据本申请实施例的PBT材料生产设备中多尺度提取模块的框图。
图4为根据本申请实施例的PBT材料生产控制方法的流程图。
图5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，PBT材料生产的酯化反应在酯化釜中进行，搅拌器在酯化反应中起到搅拌物料的作用，搅拌器的速度过快或过慢都会影响产物的质量和品质。传统的搅拌速度都是固定，不具有智能性。因此，期待一种优化的PBT材料生产控制方案。
针对上述技术问题，本申请的申请人获取多个预定时间点的设备的搅拌值、酯化温度值和酯化反应监控视频，通过多尺度模块和卷积神经网络的提取，得到分类结果用于表示当前时间点的搅拌器的搅拌值应增大或减小。
相应地，在本申请的技术方案中，考虑到在酯化反应中，搅拌和温度是两个非常重要的因素，它们直接影响着反应的进程和结果。因此，获取搅拌值和温度值可以帮助我们实时监测反应的进程和状态，及时调整反应条件，以保证反应的质量和效率。同时，获取酯化反应监控视频可以帮助我们更直观地了解反应的状态和进程，及时发现反应中可能存在的问题和异常情况，以便及时采取措施进行处理，从而保证反应的安全和稳定性。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频。接着，考虑到按照时间维度排列搅拌值和温度值，可以将它们转化为一个时间序列，这样可以更好地反映出它们在时间上的变化和趋势。这对于酯化反应的监测和分析非常重要，可以帮助我们更好地理解反应的进程和状态，及时发现反应中可能存在的问题和异常情况，以便及时采取措施进行处理，从而保证反应的质量和效率。因此，将所述多个预定时间点的搅拌值和酯化温度值按照时间维度分别排列为搅拌输入向量和温度输入向量。
然后，又考虑到多尺度邻域特征提取模块可以从不同的时间尺度上提取特征，以更好地反映出搅拌和温度的变化趋势。在酯化反应中，搅拌和温度的变化速度和幅度可能存在较大的差异，而且不同的反应过程可能存在不同的时间尺度。因此，将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量，可以帮助我们更全面地提取搅拌和温度的特征，从而更好地反映出反应的状态和进程。
接着，考虑到如果仅通过将所述多尺度搅拌特征向量和所述多尺度温度特征向量级联来表示所述搅拌器搅拌速度和所述温度的协同工作特征表示，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂。而高斯密度图可以将特征向量映射到一个二维平面上，从而方便我们对特征进行可视化和分析。在酯化反应中，使用高斯密度图可以将多尺度搅拌特征向量和多尺度温度特征向量融合起来，形成一个综合的特征表示，从而更好地反映出反应的状态和进程。因此，进一步地使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图。
然后，考虑到进行离散化可以减少特征向量的维度，降低计算复杂度，提高算法的效率，可以将连续的高斯密度图转化为离散的特征矩阵，以便于计算机进行处理和分析。因此，对所述融合高斯密度图进行高斯离散化以得到融合特征矩阵。
接着，考虑到在酯化反应监控视频的处理中，使用卷积神经网络可以有效地提取所述酯化反应监控视频中的所述反应状态的动态变化隐含特征，从而得到酯化反应的特征向量，这样可以更好地对酯化反应进行监测和分析。具体来说，卷积神经网络还可以通过循环神经网络(Recurrent Neural Network,RNN)或者卷积神经网络和循环神经网络的结合，实现对时间序列数据的处理，从而得到时间特征。因此，将所述预定时间段的酯化反应监控视频通过使用三维卷积核的卷积神经网络模型以得到酯化反应特征向量。
然后，计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量，以此来表示所述搅拌速度和所述温度的协同参数控制特征与所述反应状态动态特征的关联性特征分布信息。具体来说，我们可以将酯化反应特征向量看做是一个基准点，而将融合特征矩阵看做是一个相对于基准点的偏移量。计算转移向量可以将融合特征矩阵的特征向量转化为相对于酯化反应特征向量的偏移量，这样可以更加准确地反映出融合特征矩阵和酯化反应特征向量之间的关系，从而得到更加准确的分类特征向量。
特别地，在本申请的技术方案中，应可以理解，所述分类特征向量可能存在一些不确定性或噪声，例如，数据缺失、错误标注、异常值等，这些不确定性会影响模型的性能和泛化能力。具体地，在数据收集或处理过程中，可能会因为各种原因导致某些特征的数据缺失。这会导致分类特征向量中某些部分的信息不完整或丢失。数据标注是一个关键的过程，可能存在标注错误的情况。例如，在文本分类任务中，标签错误可能导致分类特征向量的错误。在数据中可能存在异常值或离群点，这些值可能与正常数据显著不同。这样的异常值可能对分类特征向量的准确性产生负面影响。噪声是指来自数据源或数据处理过程的随机或不相关的干扰。这些不确定性或噪声可能会影响分类特征向量的质量和准确性。
基于此，在本申请的技术方案中，对分类特征向量进行期望鲁棒性迭代以得到优化分类特征向量，具体地，包括：S1：将所述分类特征向量设置为初始特征向量；S2：计算所述初始特征向量的自相关协方差矩阵，其中，所述自相关协方差矩阵中非对角线位置上各个位置的值为所述初始特征向量中相应两个位置的特征值之间的方差；S3：将所述初始特征向量与所述自相关协方差矩阵进行矩阵相乘以得到更新特征向量；S4：计算所述更新特征向量与所述初始特征向量之间的欧式距离；S5：循环地执行步骤S1至步骤S4直至所述更新特征向量与所述初始特征向量之间的欧式距离小于等于预定阈值，并将所述更新特征向量定义为所述优化分类特征向量。
通过对所述分类特征向量进行期望鲁棒性迭代(Expected RobustnessIteration,ERI)可以将所述分类特征向量的不确定性用一个有界闭集来描述，并用一个期望函数值(所述更新特征向量与所述初始特征向量之间的欧式距离)来度量，以达到最优化期望函数的目的，通过这种方式，期望鲁棒性迭代可以逐步降低分类特征向量对不确定性的敏感度，并提高模型的稳定性和可靠性。这样，对分类特征向量进行期望鲁棒性迭代可以增强分类特征向量的抗干扰能力，使其能够在存在噪声、遮挡、变形等因素的情况下仍然保持较好的识别效果。
进一步地，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时间点的搅拌器的搅拌值应增大或减小。
基于此，本申请提供了一种PBT材料生产设备，其包括：数据采集模块，用于获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频；排列模块，用于将所述多个预定时间点的搅拌值和酯化温度值按照时间维度分别排列为搅拌输入向量和温度输入向量；多尺度提取模块，用于将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量；高斯融合模块，用于使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图；高斯离散模块，用于对所述融合高斯密度图进行高斯离散化以得到融合特征矩阵；酯化反应特征提取模块，用于将所述预定时间段的酯化反应监控视频通过使用三维卷积核的卷积神经网络模型以得到酯化反应特征向量；转移计算模块，用于计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量；优化模块，用于对分类特征向量进行期望鲁棒性迭代以得到优化分类特征向量；以及，分类结果生成模块，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时间点的搅拌器的搅拌值应增大或减小。
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为根据本申请实施例的PBT材料生产设备的框图。如图1所示，根据本申请实施例的PBT材料生产设备100，包括：数据采集模块110，用于获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频；排列模块120，用于将所述多个预定时间点的搅拌值和酯化温度值按照时间维度分别排列为搅拌输入向量和温度输入向量；多尺度提取模块130，用于将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量；高斯融合模块140，用于使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图；高斯离散模块150，用于对所述融合高斯密度图进行高斯离散化以得到融合特征矩阵；酯化反应特征提取模块160，用于将所述预定时间段的酯化反应监控视频通过使用三维卷积核的卷积神经网络模型以得到酯化反应特征向量；转移计算模块170，用于计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量；优化模块180，用于对分类特征向量进行期望鲁棒性迭代以得到优化分类特征向量；以及，分类结果生成模块190，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时间点的搅拌器的搅拌值应增大或减小。
图2为根据本申请实施例的PBT材料生产设备的架构示意图。如图2所示，首先，获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频。接着，将所述多个预定时间点的搅拌值和酯化温度值按照时间维度分别排列为搅拌输入向量和温度输入向量。然后，将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量。接着，使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图。然后，对所述融合高斯密度图进行高斯离散化以得到融合特征矩阵。接着，将所述预定时间段的酯化反应监控视频通过使用三维卷积核的卷积神经网络模型以得到酯化反应特征向量。然后，计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量。接着，对分类特征向量进行期望鲁棒性迭代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时间点的搅拌器的搅拌值应增大或减小。
在本申请实施例中，所述数据采集模块110，用于获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频。考虑到在酯化反应中，搅拌和温度是两个非常重要的因素，它们直接影响着反应的进程和结果。因此，获取搅拌值和温度值可以帮助我们实时监测反应的进程和状态，及时调整反应条件，以保证反应的质量和效率。同时，获取酯化反应监控视频可以帮助我们更直观地了解反应的状态和进程，及时发现反应中可能存在的问题和异常情况，以便及时采取措施进行处理，从而保证反应的安全和稳定性。
在本申请实施例中，所述排列模块120，用于将所述多个预定时间点的搅拌值和酯化温度值按照时间维度分别排列为搅拌输入向量和温度输入向量。考虑到按照时间维度排列搅拌值和温度值，可以将它们转化为一个时间序列，这样可以更好地反映出它们在时间上的变化和趋势。这对于酯化反应的监测和分析非常重要，可以帮助我们更好地理解反应的进程和状态，及时发现反应中可能存在的问题和异常情况，以便及时采取措施进行处理，从而保证反应的质量和效率。
在本申请实施例中，所述多尺度提取模块130，用于将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量。考虑到多尺度邻域特征提取模块可以从不同的时间尺度上提取特征，以更好地反映出搅拌和温度的变化趋势。在酯化反应中，搅拌和温度的变化速度和幅度可能存在较大的差异，而且不同的反应过程可能存在不同的时间尺度。因此，将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量，可以帮助我们更全面地提取搅拌和温度的特征，从而更好地反映出反应的状态和进程。
图3为根据本申请实施例的PBT材料生产设备中多尺度提取模块的框图。具体地，在本申请实施例中，如图3所示，所述多尺度提取模块130，包括：第一尺度提取单元131，用于使用所述多尺度邻域特征提取模块的第一卷积层以具有第一长度的一维卷积核对所述搅拌输入向量和所述温度输入向量分别进行一维卷积编码以得到第一尺度搅拌特征向量和第一尺度温度特征向量；第二尺度提取单元132，用于使用所述多尺度邻域特征提取模块的第二卷积层以具有第二长度的一维卷积核对所述搅拌输入向量和所述温度输入向量分别进行一维卷积编码以得到第二尺度搅拌特征向量和第二尺度温度特征向量，所述第二长度不同于所述第一长度；以及，融合单元133，用于将所述第一尺度搅拌特征向量和所述第二尺度搅拌特征向量进行级联以得到所述多尺度搅拌特征向量，将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述多尺度温度特征向量。
在本申请实施例中，所述高斯融合模块140，用于使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图。考虑到如果仅通过将所述多尺度搅拌特征向量和所述多尺度温度特征向量级联来表示所述搅拌器搅拌速度和所述温度的协同工作特征表示，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂。而高斯密度图可以将特征向量映射到一个二维平面上，从而方便我们对特征进行可视化和分析。在酯化反应中，使用高斯密度图可以将多尺度搅拌特征向量和多尺度温度特征向量融合起来，形成一个综合的特征表示，从而更好地反映出反应的状态和进程。
具体地，在本申请实施例中，所述高斯融合模块，用于：使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到所述融合高斯密度图；其中，所述高斯公式为：
其中μ表示所述多尺度搅拌特征向量和所述多尺度温度特征向量之间的按位置均值向量，且σ的每个位置的值表示所述多尺度搅拌特征向量和所述多尺度温度特征向量中各个位置的特征值之间的方差。
在本申请实施例中，所述高斯离散模块150，用于对所述融合高斯密度图进行高斯离散化以得到融合特征矩阵。考虑到进行离散化可以减少特征向量的维度，降低计算复杂度，提高算法的效率，可以将连续的高斯密度图转化为离散的特征矩阵，以便于计算机进行处理和分析。
在本申请实施例中，所述酯化反应特征提取模块160，用于将所述预定时间段的酯化反应监控视频通过使用三维卷积核的卷积神经网络模型以得到酯化反应特征向量。考虑到在酯化反应监控视频的处理中，使用卷积神经网络可以有效地提取所述酯化反应监控视频中的所述反应状态的动态变化隐含特征，从而得到酯化反应的特征向量，这样可以更好地对酯化反应进行监测和分析。具体来说，卷积神经网络还可以通过循环神经网络(Recurrent Neural Network,RNN)或者卷积神经网络和循环神经网络的结合，实现对时间序列数据的处理，从而得到时间特征。
具体地，在本申请实施例中，所述酯化反应特征提取模块，用于：以所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于所述三维卷积核的三维卷积处理、池化处理和非线性激活处理以由所述使用三维卷积核的卷积神经网络模型的最后一层输出酯化反应状态特征图；以及，对所述酯化反应特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述酯化反应特征向量。
在本申请实施例中，所述转移计算模块170，用于计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量。以此来表示所述搅拌速度和所述温度的协同参数控制特征与所述反应状态动态特征的关联性特征分布信息。具体来说，我们可以将酯化反应特征向量看做是一个基准点，而将融合特征矩阵看做是一个相对于基准点的偏移量。计算转移向量可以将融合特征矩阵的特征向量转化为相对于酯化反应特征向量的偏移量，这样可以更加准确地反映出融合特征矩阵和酯化反应特征向量之间的关系，从而得到更加准确的分类特征向量。
具体地，在本申请实施例中，所述转移计算模块，用于：以如下融合公式计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量；其中，所述融合公式为：
其中M表示所述融合特征矩阵，V1表示所述酯化反应特征向量，V表示所述分类特征向量，表示向量相乘。
在本申请实施例中，所述优化模块180，用于对分类特征向量进行期望鲁棒性迭代以得到优化分类特征向量。
特别地，在本申请的技术方案中，应可以理解，所述分类特征向量可能存在一些不确定性或噪声，例如，数据缺失、错误标注、异常值等，这些不确定性会影响模型的性能和泛化能力。具体地，在数据收集或处理过程中，可能会因为各种原因导致某些特征的数据缺失。这会导致分类特征向量中某些部分的信息不完整或丢失。数据标注是一个关键的过程，可能存在标注错误的情况。例如，在文本分类任务中，标签错误可能导致分类特征向量的错误。在数据中可能存在异常值或离群点，这些值可能与正常数据显著不同。这样的异常值可能对分类特征向量的准确性产生负面影响。噪声是指来自数据源或数据处理过程的随机或不相关的干扰。这些不确定性或噪声可能会影响分类特征向量的质量和准确性。
具体地，在本申请实施例中，所述优化模块，包括：S1：将所述分类特征向量设置为初始特征向量；S2：计算所述初始特征向量的自相关协方差矩阵，其中，所述自相关协方差矩阵中非对角线位置上各个位置的值为所述初始特征向量中相应两个位置的特征值之间的方差；S3：将所述初始特征向量与所述自相关协方差矩阵进行矩阵相乘以得到更新特征向量；S4：计算所述更新特征向量与所述初始特征向量之间的欧式距离；S5：循环地执行步骤S1至步骤S4直至所述更新特征向量与所述初始特征向量之间的欧式距离小于等于预定阈值，并将所述更新特征向量定义为所述优化分类特征向量。
通过对所述分类特征向量进行期望鲁棒性迭代(Expected RobustnessIteration,ERI)可以将所述分类特征向量的不确定性用一个有界闭集来描述，并用一个期望函数值(所述更新特征向量与所述初始特征向量之间的欧式距离)来度量，以达到最优化期望函数的目的，通过这种方式，期望鲁棒性迭代可以逐步降低分类特征向量对不确定性的敏感度，并提高模型的稳定性和可靠性。这样，对分类特征向量进行期望鲁棒性迭代可以增强分类特征向量的抗干扰能力，使其能够在存在噪声、遮挡、变形等因素的情况下仍然保持较好的识别效果。
在本申请实施例中，所述分类结果生成模块190，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时间点的搅拌器的搅拌值应增大或减小。
具体地，在本申请实施例中，所述分类结果生成模块，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，分类结果单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的PBT材料生产设备100被阐明，其采用基于深度神经网络模型的人工智能技术，获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频，通过多尺度提取模块和卷积神经网络进行特征提取，以得到用于表示当前时间点的搅拌器的搅拌值应增大或减小的分类结果。这样，构建PBT材料生产控制方案，可以实现对搅拌器的快速、准确的自动控制，提高酯化反应的质量和效率。
示例性方法
图4为根据本申请实施例的PBT材料生产控制方法的流程图。如图4所示，根据本申请实施例的PBT材料生产用智能控制方法，包括：S110,获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频；S120,将所述多个预定时间点的搅拌值和酯化温度值按照时间维度分别排列为搅拌输入向量和温度输入向量；S130,将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量；S140,使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图；S150,对所述融合高斯密度图进行高斯离散化以得到融合特征矩阵；S160,将所述预定时间段的酯化反应监控视频通过使用三维卷积核的卷积神经网络模型以得到酯化反应特征向量；S170,计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量；S180,对分类特征向量进行期望鲁棒性迭代以得到优化分类特征向量；以及，S190,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时间点的搅拌器的搅拌值应增大或减小。
在一个示例中，在上述PBT材料生产用智能控制方法中，将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以具有第一长度的一维卷积核对所述搅拌输入向量和所述温度输入向量分别进行一维卷积编码以得到第一尺度搅拌特征向量和第一尺度温度特征向量；使用所述多尺度邻域特征提取模块的第二卷积层以具有第二长度的一维卷积核对所述搅拌输入向量和所述温度输入向量分别进行一维卷积编码以得到第二尺度搅拌特征向量和第二尺度温度特征向量，所述第二长度不同于所述第一长度；以及,将所述第一尺度搅拌特征向量和所述第二尺度搅拌特征向量进行级联以得到所述多尺度搅拌特征向量，将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述多尺度温度特征向量。
这里，本领域技术人员可以理解，上述PBT材料生产控制方法中的各个步骤的具体操作已经在上面参考图1到图3的PBT材料生产设备的描述中得到了详细介绍，并因此，将省略其重复描述。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。图5为根据本申请实施例的电子设备的框图。如图5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可以是中央处理模块(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模块，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PBT材料生产设备及其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搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频等各种内容。
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5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PBT材料生产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PBT材料生产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。
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PBT材料生产设备，其特征在于，包括：
数据采集模块，用于获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频；
排列模块，用于将所述多个预定时间点的搅拌值和酯化温度值按照时间维度分别排列为搅拌输入向量和温度输入向量；
多尺度提取模块，用于将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量；
高斯融合模块，用于使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图；
高斯离散模块，用于对所述融合高斯密度图进行高斯离散化以得到融合特征矩阵；
酯化反应特征提取模块，用于将所述预定时间段的酯化反应监控视频通过使用三维卷积核的卷积神经网络模型以得到酯化反应特征向量；
转移计算模块，用于计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量；
优化模块，用于对分类特征向量进行期望鲁棒性迭代以得到优化分类特征向量；以及
分类结果生成模块，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时间点的搅拌器的搅拌值应增大或减小。
2.根据权利要求1所述的PBT材料生产设备，其特征在于，所述多尺度提取模块，包括：
第一尺度提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以具有第一长度的一维卷积核对所述搅拌输入向量和所述温度输入向量分别进行一维卷积编码以得到第一尺度搅拌特征向量和第一尺度温度特征向量；
第二尺度提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以具有第二长度的一维卷积核对所述搅拌输入向量和所述温度输入向量分别进行一维卷积编码以得到第二尺度搅拌特征向量和第二尺度温度特征向量，所述第二长度不同于所述第一长度；以及
融合单元，用于将所述第一尺度搅拌特征向量和所述第二尺度搅拌特征向量进行级联以得到所述多尺度搅拌特征向量，将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述多尺度温度特征向量。
3.根据权利要求2所述的PBT材料生产设备，其特征在于，所述高斯融合模块，用于：
使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到所述融合高斯密度图；
其中，所述高斯公式为：
其中μ表示所述多尺度搅拌特征向量和所述多尺度温度特征向量之间的按位置均值向量，且σ的每个位置的值表示所述多尺度搅拌特征向量和所述多尺度温度特征向量中各个位置的特征值之间的方差。
4.根据权利要求3所述的PBT材料生产设备，其特征在于，所述酯化反应特征提取模块，用于：
以所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于所述三维卷积核的三维卷积处理、池化处理和非线性激活处理以由所述使用三维卷积核的卷积神经网络模型的最后一层输出酯化反应状态特征图；以及
对所述酯化反应特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述酯化反应特征向量。
5.根据权利要求4所述的PBT材料生产设备，其特征在于，所述转移计算模块，用于：
以如下融合公式计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量；
其中，所述融合公式为：
其中M表示所述融合特征矩阵，V1表示所述酯化反应特征向量，V表示所述分类特征向量，表示向量相乘。
6.根据权利要求5所述的PBT材料生产设备，其特征在于，所述优化模块，用于：
S1：将所述分类特征向量设置为初始特征向量；
S2：计算所述初始特征向量的自相关协方差矩阵，其中，所述自相关协方差矩阵中非对角线位置上各个位置的值为所述初始特征向量中相应两个位置的特征值之间的方差；
S3：将所述初始特征向量与所述自相关协方差矩阵进行矩阵相乘以得到更新特征向量；
S4：计算所述更新特征向量与所述初始特征向量之间的欧式距离；
S5：循环地执行步骤S1至步骤S4直至所述更新特征向量与所述初始特征向量之间的欧式距离小于等于预定阈值，并将所述更新特征向量定义为所述优化分类特征向量。
7.根据权利要求6所述的PBT材料生产设备，其特征在于，所述分类结果生成模块，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
分类结果单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
8.一种PBT材料生产控制方法，其特征在于，包括：
获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频；
将所述多个预定时间点的搅拌值和酯化温度值按照时间维度分别排列为搅拌输入向量和温度输入向量；
将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量；
使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图；
对所述融合高斯密度图进行高斯离散化以得到融合特征矩阵；
将所述预定时间段的酯化反应监控视频通过使用三维卷积核的卷积神经网络模型以得到酯化反应特征向量；
计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量；
对分类特征向量进行期望鲁棒性迭代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时间点的搅拌器的搅拌值应增大或减小。
9.根据权利要求8所述的PBT材料生产控制方法，其特征在于，将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量，包括：
使用所述多尺度邻域特征提取模块的第一卷积层以具有第一长度的一维卷积核对所述搅拌输入向量和所述温度输入向量分别进行一维卷积编码以得到第一尺度搅拌特征向量和第一尺度温度特征向量；
使用所述多尺度邻域特征提取模块的第二卷积层以具有第二长度的一维卷积核对所述搅拌输入向量和所述温度输入向量分别进行一维卷积编码以得到第二尺度搅拌特征向量和第二尺度温度特征向量，所述第二长度不同于所述第一长度；以及
将所述第一尺度搅拌特征向量和所述第二尺度搅拌特征向量进行级联以得到所述多尺度搅拌特征向量，将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述多尺度温度特征向量。
10.根据权利要求9所述的PBT材料生产控制方法，其特征在于，使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图，用于：
使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到所述融合高斯密度图；
其中，所述高斯公式为：
其中μ表示所述多尺度搅拌特征向量和所述多尺度温度特征向量之间的按位置均值向量，且σ的每个位置的值表示所述多尺度搅拌特征向量和所述多尺度温度特征向量中各个位置的特征值之间的方差。
CN202310864651.4A 2023-07-13 2023-07-13 Pbt材料生产设备及其控制方法 Active CN116820052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310864651.4A CN116820052B (zh) 2023-07-13 2023-07-13 Pbt材料生产设备及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310864651.4A CN116820052B (zh) 2023-07-13 2023-07-13 Pbt材料生产设备及其控制方法

Publications (2)

Publication Number Publication Date
CN116820052A true CN116820052A (zh) 2023-09-29
CN116820052B CN116820052B (zh) 2024-02-02

Family

ID=88142950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310864651.4A Active CN116820052B (zh) 2023-07-13 2023-07-13 Pbt材料生产设备及其控制方法

Country Status (1)

Country Link
CN (1) CN116820052B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117339516A (zh) * 2023-11-17 2024-01-05 菏泽帝捷化工股份有限公司 一种硫化锌工业化生产过程的精准控制系统及控制方法
CN117447068A (zh) * 2023-10-26 2024-01-26 浙江欧诗漫晶体纤维有限公司 多晶莫来石纤维生产线及方法
CN117924956A (zh) * 2024-03-20 2024-04-26 内蒙古安特威盾防水科技有限公司 一种添加稀土元素的耐候型改性沥青防水卷材的制备工艺

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985065A (zh) * 2018-07-20 2018-12-11 武汉理工大学 应用改进的马氏距离计算方法进行固件漏洞检测的方法及系统
CN114211975A (zh) * 2021-11-28 2022-03-22 厦门任鑫实业有限公司 用于电动汽车的充电报警系统及其工作方法
CN115171317A (zh) * 2022-03-09 2022-10-11 深圳市经纬纵横科技有限公司 物联网智能家居方法、系统和电子设备
CN115202265A (zh) * 2022-07-29 2022-10-18 福建天甫电子材料有限公司 电子级氢氧化钾的智慧产线的控制系统及其控制方法
CN115422970A (zh) * 2022-08-29 2022-12-02 华能国际电力开发公司吉林通榆风电分公司 陆上风机运行状态监控系统及其方法
CN115599049A (zh) * 2022-08-31 2023-01-13 福建省龙氟新材料有限公司（Cn） 用于无水氟化氢生产的能源管理控制系统及其控制方法
CN115909171A (zh) * 2022-12-19 2023-04-04 浙江金汇华特种耐火材料有限公司 钢包透气砖生产方法及其系统
CN115983126A (zh) * 2022-12-30 2023-04-18 上海华茂药业有限公司 异麦芽糖酐铁1000的智能化制备方法
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
CN116135797A (zh) * 2023-04-19 2023-05-19 江苏海峡环保科技发展有限公司 污水处理智能控制系统
CN116189078A (zh) * 2022-12-28 2023-05-30 温州金马文具用品制造有限公司 一种水基丙烯墨水的智能化制备方法及其系统
CN116258947A (zh) * 2023-03-07 2023-06-13 浙江研几网络科技股份有限公司 适用于家居定制行业的工业自动化处理方法及系统
CN116335840A (zh) * 2023-03-20 2023-06-27 凯晟动力技术（嘉兴）有限公司 用于汽油发动机ems电子控制系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985065A (zh) * 2018-07-20 2018-12-11 武汉理工大学 应用改进的马氏距离计算方法进行固件漏洞检测的方法及系统
CN114211975A (zh) * 2021-11-28 2022-03-22 厦门任鑫实业有限公司 用于电动汽车的充电报警系统及其工作方法
CN115171317A (zh) * 2022-03-09 2022-10-11 深圳市经纬纵横科技有限公司 物联网智能家居方法、系统和电子设备
CN115202265A (zh) * 2022-07-29 2022-10-18 福建天甫电子材料有限公司 电子级氢氧化钾的智慧产线的控制系统及其控制方法
CN115422970A (zh) * 2022-08-29 2022-12-02 华能国际电力开发公司吉林通榆风电分公司 陆上风机运行状态监控系统及其方法
CN115599049A (zh) * 2022-08-31 2023-01-13 福建省龙氟新材料有限公司（Cn） 用于无水氟化氢生产的能源管理控制系统及其控制方法
CN115909171A (zh) * 2022-12-19 2023-04-04 浙江金汇华特种耐火材料有限公司 钢包透气砖生产方法及其系统
CN116189078A (zh) * 2022-12-28 2023-05-30 温州金马文具用品制造有限公司 一种水基丙烯墨水的智能化制备方法及其系统
CN115983126A (zh) * 2022-12-30 2023-04-18 上海华茂药业有限公司 异麦芽糖酐铁1000的智能化制备方法
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
CN116258947A (zh) * 2023-03-07 2023-06-13 浙江研几网络科技股份有限公司 适用于家居定制行业的工业自动化处理方法及系统
CN116335840A (zh) * 2023-03-20 2023-06-27 凯晟动力技术（嘉兴）有限公司 用于汽油发动机ems电子控制系统
CN116135797A (zh) * 2023-04-19 2023-05-19 江苏海峡环保科技发展有限公司 污水处理智能控制系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117447068A (zh) * 2023-10-26 2024-01-26 浙江欧诗漫晶体纤维有限公司 多晶莫来石纤维生产线及方法
CN117339516A (zh) * 2023-11-17 2024-01-05 菏泽帝捷化工股份有限公司 一种硫化锌工业化生产过程的精准控制系统及控制方法
CN117339516B (zh) * 2023-11-17 2024-04-12 菏泽帝捷化工股份有限公司 一种硫化锌工业化生产过程的精准控制系统及控制方法
CN117924956A (zh) * 2024-03-20 2024-04-26 内蒙古安特威盾防水科技有限公司 一种添加稀土元素的耐候型改性沥青防水卷材的制备工艺

Also Published As

Publication number Publication date
CN116820052B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN116820052B (zh) Pbt材料生产设备及其控制方法
Arnold et al. Fast and robust registration of partially overlapping point clouds
CN115203380A (zh) 基于多模态数据融合的文本处理系统及其方法
CN116015837A (zh) 用于计算机网络信息安全的入侵检测方法及系统
Du et al. Graph regularized compact low rank representation for subspace clustering
Bi et al. Adaboost on low-rank psd matrices for metric learning
CN116336400B (zh) 油气集输管道基线检测方法
CN116149397B (zh) 电子级双氧水存储的温度自适应控制系统
CN116285481A (zh) 涂料的生产加工方法及其系统
CN116759053A (zh) 基于物联网系统的医疗体系防控方法及系统
CN116308754A (zh) 一种银行信贷风险预警系统及其方法
CN115205788A (zh) 食材质量监控系统
CN116824256A (zh) 磨床的视觉检测系统及其方法
Yu et al. Risk‐based process system monitoring using self‐organizing map integrated with loss functions
CN116843656B (zh) 钢带管的涂塑控制方法及其系统
Setiawan et al. Rice Leaf Disease Classification with Machine Learning: An Approach Using Nu-SVM
CN116785967B (zh) 用于电子级六氟磷酸锂制备的自动配料系统
CN116797533B (zh) 电源适配器的外观缺陷检测方法及其系统
CN116258947B (zh) 适用于家居定制行业的工业自动化处理方法及系统
Liao et al. A new bandwidth selection criterion for using SVDD to analyze hyperspectral data
CN116630857A (zh) 一种含生物蛋白面料的制备方法及其系统
CN116844088A (zh) 在线除尘器控制系统及其方法
CN116935586B (zh) 用于硝酸的制备的智能化有毒有害气体报警系统
CN116467485B (zh) 一种视频图像检索构建系统及其方法
CN116825217B (zh) 制备高纯五氟化磷的方法

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
GR01 Patent grant
GR01 Patent grant