CN117008557A - 共混型互穿网络热塑性弹性体的生产控制方法及系统 - Google Patents

Abstract

本发明提供了共混型互穿网络热塑性弹性体的生产控制方法及系统，涉及图像处理技术领域，搭建标准数据库，采集实时节点图像并结合生产监管模型进行差异化分析与趋势预测，若不满足基线生产标准，提取趋势预测图像确定特征向量差值并进行生产控制寻优，生成调整控制参数进行节点优化控制，解决了现有技术中由于技术的完善度与生产加工控制方面的不足，导致无法基于生产需求进行适应性生产调控，以影响最终的生产质量的技术问题，基于孪生网络建模，进行特征向量差异化分析，精准定位异常生产特征并进行节点的特征趋势预测与生产控制寻优，以确保各节点的有效性合格精准控制；逐节点进行分析以及时快速进行异常特征溯源调整，提高整体的生产质量。

Description

共混型互穿网络热塑性弹性体的生产控制方法及系统

技术领域

本发明涉及图像处理技术领域，具体涉及共混型互穿网络热塑性弹性体的生产控制方法及系统。

背景技术

以塑料与橡胶为基底进行基于聚合物各自交联后的网络相互贯穿，形成具有复相体系的高分子共混物，所生产的共混型互穿网络热塑性弹性体的结构稳定而牢固，可兼具两种材料的优势。

目前，对于两种线性弹性体间的共混互穿技术属于新兴技术，当前的生产加工与技术控制还不够完善。实际生产过程中，由于技术的完善度与生产加工控制方面的不足，导致无法基于生产需求进行适应性生产调控，致使生产进程中的异常无法得到及时有效的精准调控，以影响最终的生产质量。

发明内容

本申请提供了共混型互穿网络热塑性弹性体的生产控制方法及系统，用于针对解决现有技术中存在的由于技术的完善度与生产加工控制方面的不足，导致无法基于生产需求进行适应性生产调控，致使生产进程中的异常无法得到及时有效的精准调控，以影响最终的生产质量的技术问题。

鉴于上述问题，本申请提供了共混型互穿网络热塑性弹性体的生产控制方法及系统。

第一方面，本申请提供了共混型互穿网络热塑性弹性体的生产控制方法，所述方法包括：

检索调用目标产品的标准工艺数据，逐工艺节点进行所述标准工艺数据的规整，搭建标准数据库；

进行实时生产监测并采集实时节点图像，结合生产监管模型进行图像特征向量的提取与差异化分析，获取生产监管结果，所述生产监管模型包括基于孪生网络构建的标准化通道与实操化通道，且通道间权重共享，所述标准化通道中内嵌有所述标准数据库；

识别所述生产监管结果并提取差异化图像，进行生产趋势预测，生成趋势预测结果；

判断所述趋势预测结果是否满足基线生产标准，若不满足，则提取趋势预测图像并结合所述生产监管模型进行图像特征向量的提取与映射差值计算，确定特征向量差值；

以所述特征向量差值为调整目标，以参数可调范围为约束，进行节点下位时刻点的生产控制寻优，生成调整控制参数；

以所述调整控制参数为基准，进行所述目标产品的节点优化控制。

第二方面，本申请提供了共混型互穿网络热塑性弹性体的生产控制系统，所述系统包括：

数据库搭建模块，所述数据库搭建模块用于检索调用目标产品的标准工艺数据，逐工艺节点进行所述标准工艺数据的规整，搭建标准数据库；

监管分析模块，所述监管分析模块用于进行实时生产监测并采集实时节点图像，结合生产监管模型进行图像特征向量的提取与差异化分析，获取生产监管结果，所述生产监管模型包括基于孪生网络构建的标准化通道与实操化通道，且通道间权重共享，所述标准化通道中内嵌有所述标准数据库；

趋势预测模块，所述趋势预测模块用于识别所述生产监管结果并提取差异化图像，进行生产趋势预测，生成趋势预测结果；

特征向量差值获取模块，所述特征向量差值获取模块用于判断所述趋势预测结果是否满足基线生产标准，若不满足，则提取趋势预测图像并结合所述生产监管模型进行图像特征向量的提取与映射差值计算，确定特征向量差值；

控制寻优模块，所述控制寻优模块用于以所述特征向量差值为调整目标，以参数可调范围为约束，进行节点下位时刻点的生产控制寻优，生成调整控制参数；

优化控制模块，所述优化控制模块用于以所述调整控制参数为基准，进行所述目标产品的节点优化控制。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例提供的共混型互穿网络热塑性弹性体的生产控制方法，检索调用目标产品的标准工艺数据，逐工艺节点进行规整搭建标准数据库；进行实时生产监测并采集实时节点图像，结合生产监管模型进行图像特征向量的提取与差异化分析，获取生产监管结果，所述生产监管模型包括基于孪生网络构建的标准化通道与实操化通道，且通道间权重共享，所述标准化通道中内嵌有所述标准数据库；识别所述生产监管结果并提取差异化图像，进行生产趋势预测，判断趋势预测结果是否满足基线生产标准，若不满足，则提取趋势预测图像并结合所述生产监管模型进行图像特征向量的提取与映射差值计算，确定特征向量差值并进行节点下位时刻点的生产控制寻优，生成调整控制参数，进行所述目标产品的节点优化控制，解决了现有技术中存在的由于技术的完善度与生产加工控制方面的不足，导致无法基于生产需求进行适应性生产调控，致使生产进程中的异常无法得到及时有效的精准调控，以影响最终的生产质量的技术问题，基于孪生网络进行建模，针对实际与标准状况进行特征向量差异化分析，精准定位异常生产特征并进行节点的特征趋势预测与生产控制寻优，以确保各节点的有效性合格精准控制；逐节点进行生产控制监测调整，以及时快速进行异常特征溯源调整，提高整体的生产质量。

附图说明

图1为本申请提供了共混型互穿网络热塑性弹性体的生产控制方法流程示意图；

图2为本申请提供了共混型互穿网络热塑性弹性体的生产控制方法中生产监管模型搭建流程示意图；

图3为本申请提供了共混型互穿网络热塑性弹性体的生产控制方法中调整控制参数获取流程示意图；

图4为本申请提供了共混型互穿网络热塑性弹性体的生产控制系统结构示意图。

附图标记说明：数据库搭建模块11，监管分析模块12，趋势预测模块13，特征向量差值获取模块14，控制寻优模块15，优化控制模块16。

具体实施方式

本申请通过提供共混型互穿网络热塑性弹性体的生产控制方法及系统，搭建标准数据库，采集实时节点图像输入生产监管模型中，识别输出的生产监管结果并提取差异化图像，进行生产趋势预测并判断是否满足基线生产标准，若否，提取趋势预测图像并传输至生产监管模型中，输出特征向量差值并进行生产控制寻优，生成调整控制参数进行节点优化控制，用于解决现有技术中存在的由于技术的完善度与生产加工控制方面的不足，导致无法基于生产需求进行适应性生产调控，致使生产进程中的异常无法得到及时有效的精准调控，以影响最终的生产质量的技术问题。

实施例一

如图1所示，本申请提供了共混型互穿网络热塑性弹性体的生产控制方法，所述方法包括：

检索调用目标产品的标准工艺数据，逐工艺节点进行所述标准工艺数据的规整，搭建标准数据库；

共混型互穿网络热塑性弹性体兼具了塑料与橡胶的性能优势，逐步成为新型替代材料。但由于技术的完善度与生产加工控制方面的不足，导致产品质量无法得到有效保障。本申请提供的共混型互穿网络热塑性弹性体的生产控制方法，基于孪生网络进行建模，以进行实时监测图像与标准生产图像的特征向量差异化分析，精准定位异常生产特征并进行该生产节点内的特征趋势预测，针对不合格特征进行生产控制寻优，以确保各节点的有效性合格精准控制；逐节点进行生产控制监测调整，分段管控便于进行异常特征溯源调整，以提高整体的生产质量。

所述目标产品为待进行生产控制的满足生产规格需求的共混型互穿网络热塑性弹性体，确定生产工艺流程并进行工艺数据的检索，确定标准工艺生产状况下的相关数据，作为所述标准工艺数据，所述标准工艺数据包括了生产图像数据与文本参量数据，其中，所述生产工艺流程为结合互穿聚合物网络与弹性体交联技术的制备工艺。进一步的，遍历所述生产工艺流程，逐工艺节点进行所述标准工艺数据的匹配对应，对确定的节点工艺数据进行规整，示例性的，搭建基于工艺流程节点的连接链路，于各个链路节点添加进对应工艺节点的标准工艺数据，整合生成所述标准数据库。所述标准数据库为进行实际生产控制状况分析的参考标准。

进行实时生产监测并采集实时节点图像，结合生产监管模型进行图像特征向量的提取与差异化分析，获取生产监管结果，所述生产监管模型包括基于孪生网络构建的标准化通道与实操化通道，且通道间权重共享，所述标准化通道中内嵌有所述标准数据库；

进一步而言，如图2所示，搭建所述生产监管模型，本申请还包括：

基于生产工艺流程确定节点检测特征，调用样本监测图像并进行所述节点检测特征的识别与量化，确定样本特征向量，其中，所述生产工艺流程为结合互穿聚合物网络与弹性体交联技术的制备工艺；

基于卷积神经网络，结合所述样本监测图像与所述样本特征向量进行监督训练，生成满足收敛条件的实操化通道；

对所述实操化通道进行复刻，并嵌入所述标准数据库，生成所述标准化通道；

对所述标准化通道与所述实操化通道进行并行布设，后置量化处理单元，获取所述生产监管模型。

进一步而言，所述结合生产监管模型进行图像特征向量的提取与差异化分析，获取生产监管结果，本申请还包括：

基于所述生产监管模型中的实操化通道，对所述实时节点图像进行特征处理，同步于所述标准化通道中进行所述标准数据库的匹配调用；

基于所述标准化通道与所述实操化通道，同步进行特征向量的提取，获取第一特征向量集与第二特征向量集并流转至所述量化处理单元；

映射关联所述第一特征向量集与所述第二特征向量集，进行特征向量的差异化计算，输出所述生产监管结果。

基于所述生产工艺流程，逐工艺节点进行节点检测特征提取，即进行生产控制状态评定的可视化表征特征，例如高温熔混、动态硫化、机械剪切等不同节点下的可视化识别特征，辅助剂、配合剂、交联剂等辅料于对应生产节点下的投放比例；弹性体的互穿网络分布特征等，进行工艺节点与检测特征的映射对应。进一步的，调用预定时间区间内，即曾生产加工时间段内的历史监测图像，作为所述样本监测图像。基于所述节点监测特征，对所述样本监测图像进行特征识别提取与量化提取，获取所述样本特征向量，例如，可基于本领域技术人员进行特征的量化提取。

进一步的，对所述样本监测图像与所述样本特征向量进行映射对应，作为训练样本，基于卷积神经网络进行监督训练生成所述实操化通道，即进行实时监测图像的分析通道。进一步再次将所述训练样本输入训练生成的所述实操化通道中，对输出数据与所述样本特征向量进行校对，进行对应特征向量的差值计算，提取计算差值不满足偏差阈值的训练样本，输入所述实操化通道中再次进行训练与检测，直至满足所述收敛条件，例如检测结果皆满足所述偏差阈值，获取构建完成的所述实操化通道。所述偏差阈值为基于模型精度需求自定义设定的临界向量差值。

进一步的，进行生产控制的监测分析时，基于实时监测图像与标准化图像的特征差异化同步分析进行评定，对所述实操化通道进行复刻，作为所述标准化通道，以保障所述标准化通道与所述实操化通道的处理一致性。进一步将所述标准数据库嵌入所述标准化通道中，其中，所述标准化通道与所述实操化通道的特征权重值共享。对所述标准化通道与所述实操化通道进行并行布设，对通道输出端与量化处理单元进行连接，生成所述生产监管模型。基于所述生产监管模型，可快速进行输入图像的图像特征向量的提取，针对标准生产状况与实时事实生产状况进行特征向量的差异化分析，以进行异常生产的精准高效定位。

进一步的，将实时生产监测获取的所述实时节点图像输入所述生产监管模型中的所述实操化通道中，所述实时节点图像为当前的工艺生产节点的监测图像，同步基于所述标准化通道中的标准数据库，调用实时节点的标准节点图像。基于所述标准化通道与所述实操化通道，同步进行所述标准节点图像与实时节点图像的特征向量提取，即包括基于设备、操作、状态等的特征量化值，获取对应于所述标准节点图像与所述实时节点图像的所述第一特征向量集与所述第二特征向量集，且所述第一特征向量集与所述第二特征向量集一一对应。

进而将所述第一特征向量集与所述第二特征向量集流转至后置的所述量化处理单元中，对所述第一特征向量集与所述第二特征向量集进行映射关联，确定多个特征向量组，并进行组间向量差值的计算，获取向量差值集合并进行加权计算，其中，特征的权重配置以特征的重要程度为基准，基于本领域技术人员自定义配置，将加权计算结果作为整体控制偏差，将所述向量差值集与所述整体控制偏差作为所述生产监管结果进行模型输出。基于孪生网络进行建模，以快速精准进行生产的特征具体化与完备性分析。

识别所述生产监管结果并提取差异化图像，进行生产趋势预测，生成趋势预测结果；

进一步而言，所述识别所述生产监管结果并提取差异化图像，进行生产趋势预测，生成趋势预测结果，本申请还包括：

识别所述生产监管结果并调用差异化图像，添加进存异归置集，所述存异归置集具有时效更新性；

若所述存异归置集为空集，进行所述实时节点图像的操作终止；

若所述存异归置集为非空集，将所述存异归置集传输至趋势预测模型，输出所述趋势预测结果。

进一步而言，本申请还包括：

所述趋势预测模型与所述生产监管模型双向连通，包括前趋通道、中位通道与后继通道，后置趋势接续层，所述趋势预测结果包括趋势预测性能与趋势预测图像。

进一步而言，所述将所述存异归置集传输至所述趋势预测模型，输出所述趋势预测结果，本申请还包括：

结合所述趋势预测模型，对所述存异归置集进行通道匹配，确定预处理通道并进行激活；

在所述预处理通道中，遍历所述存异归置集进行匹配决策，确定目标节点的区段数据；

将所述区段数据流转至所述趋势接续层，进行时序性链接，作为所述趋势预测结果。

对所述生产监管结果进行识别，设定整体偏离阈值与单项偏离阈值，即本领域技术人员自定义设定的衡量特征向量差异化的临界偏离值，对所述整体控制偏差与所述整体偏离阈值进行校对，若所述整体控制偏差不满足所述整体偏离阈值，表明当前存在生产控制异常，将对应的图像作为所述差异化图像。进一步遍历所述向量差值集，分别与所述单项偏离阈值进行校对，提取不满足所述单项偏离阈值的特征向量并进行标识。

进一步的，将所述差异化图像添加进所述存异归置集中，所述存异归置集具有时效更新性，随着生产进程的监测分析进行存储差异化图像的更新。若所述存异归置集为空集，表明当前处于正常生产状况，对所述实时节点图像进行后续的分析终止；若所述存异归置集为非空集，进行差异化特征向量的趋势预测，若该工艺节点的终止时刻点的差异化特征处于可控范围内，则无需进行该工艺节点的生产控制调整，否则需进行生产控制寻优。

具体的，搭建所述趋势预测模型，确定单项生产工艺节点的生产时间区间，将其划分为前趋时段、中位时段与后继时段。检索并调用不同状态下所述前趋时段、中位时段与后继时段的节点工艺生产数据，基于划分时段进行各个节点工艺生产数据的划分，集成并确定三组样本工艺数据，并进行特征向量的提取标识，分别进行神经网络训练生成所述前趋通道、所述中位通道与所述后继通道，所述前趋通道、所述中位通道与所述后继通道并行布设且存在数据的映射关联。所述前趋时段、中位时段与后继时段的输出端连接有趋势接续层，用于进行通道流转数据的整合识别，获取所述趋势预测模型。

进一步的，将所述存异归置集输入所述趋势预测模型中，确定所述存异归置集中图像的节点时段，进行通道匹配，激活该时段与后续时段对应的通道，作为所述预处理通道，例如，若节点时段为中位时段，则激活所述中位通道与所述后继通道，根据生产实况进行需求预测通道的启用激活，以避免无用做功。基于所述预处理通道，遍历所述存异归置集进行匹配决策，确定对应于节点区段工艺生产数据，包括节点时段内的时段图像与标识特征向量，作为所述目标节点的区段数据，所述区段数据包括至少一个区段的工艺生产数据。进一步的将所述区段数据流转至所述趋势接续层，基于区段前后顺序，进行所述区段数据的时序性拼接，以进行工艺数据的精准有效性预测。具体的，对所述区段数据内的时段图像进行时序排列整合，作为所述趋势预测图像；对标识特征向量进行同特征的提取与时序性链接，确定各特征向量于该节点下生产趋势，确定多个特征预测趋势，作为所述趋势预测性能，将所述趋势预测性能与所述趋势预测图像作为所述趋势预测结果。同时，数据拼接的过程可用于进行数据校验，针对同图像或特征向量，未识别到不同区段的链接目标，或拼接位置无法无缝连接，表明存在匹配预测异常，则需重新进行分析预测处理。所述趋势预测结果为进行生产控制调优分析的基本依据。

判断所述趋势预测结果是否满足基线生产标准，若不满足，则提取趋势预测图像并结合所述生产监管模型进行图像特征向量的提取与映射差值计算，确定特征向量差值；

获取所述基线生产标准，所述基线生产标准为保障生产合格的临界底线标准。基于所述趋势预测结果，遍历并进行节点终止时刻点的结果识别，判断是否满足所述基线生产标准，若存在任一项不满足，将所述趋势预测图像传输至所述生产监管模型中的实操化通道，结合所述标准化通道内的标准化图像进行特征向量识别提取。进一步进行特征向量的映射匹配与差值计量获取所述特征向量差值，以所述特征向量差值为基准进行生产调优。其中，所述趋势预测模型与所述生产监管模型双向连通，用于进行模型分析结果，即特征向量与图像的交互。

以所述特征向量差值为调整目标，以参数可调范围为约束，进行节点下位时刻点的生产控制寻优，生成调整控制参数；

以所述调整控制参数为基准，进行所述目标产品的节点优化控制。

进一步而言，如图3所示，所述进行节点下位时刻点的生产控制寻优，本申请还包括：

以所述特征向量差值为调整目标，以参数可调范围为约束，构建目标寻优函数；

以目标控制参数为基准构建寻优空间；

基于所述目标寻优函数，于所述寻优空间中对所述目标控制参数进行扩充寻优，确定多组优化控制参数；

对所述多组优化控制参数进行适应性评估与正序列化整合，择取所述调整控制参数。

所述参数可调范围为保障正常生产运行下的各控制参数的范围，例如用于进行生产设备的控制参量，如温度控制区间。以所述特征向量差值为调整目标，以所述参数可调范围为约束，即进行参数寻优的限定范围，构建所述目标寻优函数。所述目标控制参数为完成该节点生产的需求控制参数，基于所述目标控制参数构建所述寻优空间。示例性的，基于各个目标控制参数，确定多个坐标轴向，搭建寻优坐标系，进一步基于所述参数可调范围，于所述寻优坐标系中进行空间划定，获取所述寻优空间。

进一步的，基于所述目标寻优函数，于所述寻优空间中进行所述目标控制参数的随机调整，进行扩充寻优获取所述多组优化控制参数，即满足生产标准的多组可行性控制参数。对所述多组优化控制参数进行适应性评估，例如，可结合适应度函数进行控制参数的适应性计算，确定多个适应性评估结果，并基于适应度由高到低进行正序列化排序，提取适应度最高的一组优化控制参数，即全局最优控制参数，作为所述调整控制参数，可有效保障所述调整控制参数的有选性，以提高节点生产效果。

进一步的，基于所述调整控制参数，进行所述目标产品的节点优化控制，待生产完成后继续进行下一工艺生产节点的生产监管分析，其中，各个工艺节点的生产监管分析方式相同，逐工艺节点进行生产控制的监测分析，直至完成所述目标产品的生产，由于各个工艺节点皆满足生产标准，可确保最终的产品质量。

本申请提供的共混型互穿网络热塑性弹性体的生产控制方法，具有如下技术效果：

1、基于孪生网络进行建模，对实时监测图像与标准生产图像进行特征向量的提取与差异化分析，精准定位异常生产特征。

2、基于节点时区分段搭建特征预测模型，对该生产节点内的异常生产特征进行特征趋势预测，判断节点终止时刻点是否满足节点生产标准，以进行必要性生产调整分析。针对不合格特征进行生产控制寻优，以确保各节点的有效性合格精准控制。

3、逐节点进行生产控制监测调整，分段管控便于进行异常特征溯源调整，以提高整体的生产质量。

实施例二

基于与前述实施例中共混型互穿网络热塑性弹性体的生产控制方法相同的发明构思，如图4所示，本申请提供了共混型互穿网络热塑性弹性体的生产控制系统，所述系统包括：

数据库搭建模块11，所述数据库搭建模块11用于检索调用目标产品的标准工艺数据，逐工艺节点进行所述标准工艺数据的规整，搭建标准数据库；

监管分析模块12，所述监管分析模块12用于进行实时生产监测并采集实时节点图像，结合生产监管模型进行图像特征向量的提取与差异化分析，获取生产监管结果，所述生产监管模型包括基于孪生网络构建的标准化通道与实操化通道，且通道间权重共享，所述标准化通道中内嵌有所述标准数据库；

趋势预测模块13，所述趋势预测模块13用于识别所述生产监管结果并提取差异化图像，进行生产趋势预测，生成趋势预测结果；

特征向量差值获取模块14，所述特征向量差值获取模块14用于判断所述趋势预测结果是否满足基线生产标准，若不满足，则提取趋势预测图像并结合所述生产监管模型进行图像特征向量的提取与映射差值计算，确定特征向量差值；

控制寻优模块15，所述控制寻优模块15用于以所述特征向量差值为调整目标，以参数可调范围为约束，进行节点下位时刻点的生产控制寻优，生成调整控制参数；

优化控制模块16，所述优化控制模块16用于以所述调整控制参数为基准，进行所述目标产品的节点优化控制。

进一步而言，所述监管分析模块12还包括：

样本获取模块，所述样本获取模块用于基于生产工艺流程确定节点检测特征，调用样本监测图像并进行所述节点检测特征的识别与量化，确定样本特征向量，其中，所述生产工艺流程为结合互穿聚合物网络与弹性体交联技术的制备工艺；

实操化通道获取模块，所述实操化通道获取模块用于基于卷积神经网络，结合所述样本监测图像与所述样本特征向量进行监督训练，生成满足收敛条件的实操化通道；

标准化通道获取模块，所述标准化通道获取模块用于对所述实操化通道进行复刻，并嵌入所述标准数据库，生成所述标准化通道；

生产监管模型获取模块，所述生产监管模型获取模块用于对所述标准化通道与所述实操化通道进行并行布设，后置量化处理单元，获取所述生产监管模型。

进一步而言，所述监管分析模块12还包括：

图像输入调用模块，所述图像输入调用模块用于基于所述生产监管模型中的实操化通道，对所述实时节点图像进行特征处理，同步于所述标准化通道中进行所述标准数据库的匹配调用；

特征向量提取模块，所述特征向量提取模块用于基于所述标准化通道与所述实操化通道，同步进行特征向量的提取，获取第一特征向量集与第二特征向量集并流转至所述量化处理单元；

差异化计算模块，所述差异化计算模块用于映射关联所述第一特征向量集与所述第二特征向量集，进行特征向量的差异化计算，输出所述生产监管结果。

进一步而言，所述趋势预测模块13还包括：

图像添加模块，所述图像添加模块用于识别所述生产监管结果并调用差异化图像，添加进存异归置集，所述存异归置集具有时效更新性；

操作终止模块，所述操作终止模块用于若所述存异归置集为空集，进行所述实时节点图像的操作终止；

趋势预测结果获取模块，所述趋势预测结果获取模块用于若所述存异归置集为非空集，将所述存异归置集传输至趋势预测模型，输出所述趋势预测结果。

进一步而言，所述趋势预测结果获取模块还包括：

模型剖析模块，所述模型剖析模块用于所述趋势预测模型与所述生产监管模型双向连通，包括前趋通道、中位通道与后继通道，后置趋势接续层，所述趋势预测结果包括趋势预测性能与趋势预测图像。

进一步而言，所述趋势预测结果获取模块还包括：

通道激活模块，所述通道激活模块用于结合所述趋势预测模型，对所述存异归置集进行通道匹配，确定预处理通道并进行激活；

数据确定模块，所述数据确定模块用于在所述预处理通道中，遍历所述存异归置集进行匹配决策，确定目标节点的区段数据；

结果确定模块，所述结果确定模块用于将所述区段数据流转至所述趋势接续层，进行时序性链接，作为所述趋势预测结果。

进一步而言，所述控制寻优模块15还包括：

函数构建模块，所述函数构建模块用于以所述特征向量差值为调整目标，以参数可调范围为约束，构建目标寻优函数；

寻优空间构建模块，所述寻优空间构建模块用于以目标控制参数为基准构建寻优空间；

优化控制参数确定模块，所述优化控制参数确定模块用于基于所述目标寻优函数，于所述寻优空间中对所述目标控制参数进行扩充寻优，确定多组优化控制参数；

调整控制参数获取模块，所述调整控制参数获取模块用于对所述多组优化控制参数进行适应性评估与正序列化整合，择取所述调整控制参数。

本说明书通过前述对共混型互穿网络热塑性弹性体的生产控制方法的详细描述，本领域技术人员可以清楚的知道本实施例中共混型互穿网络热塑性弹性体的生产控制方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.共混型互穿网络热塑性弹性体的生产控制方法，其特征在于，所述方法包括：

检索调用目标产品的标准工艺数据，逐工艺节点进行所述标准工艺数据的规整，搭建标准数据库；

进行实时生产监测并采集实时节点图像，结合生产监管模型进行图像特征向量的提取与差异化分析，获取生产监管结果，所述生产监管模型包括基于孪生网络构建的标准化通道与实操化通道，且通道间权重共享，所述标准化通道中内嵌有所述标准数据库；

识别所述生产监管结果并提取差异化图像，进行生产趋势预测，生成趋势预测结果；

判断所述趋势预测结果是否满足基线生产标准，若不满足，则提取趋势预测图像并结合所述生产监管模型进行图像特征向量的提取与映射差值计算，确定特征向量差值；

以所述特征向量差值为调整目标，以参数可调范围为约束，进行节点下位时刻点的生产控制寻优，生成调整控制参数；

以所述调整控制参数为基准，进行所述目标产品的节点优化控制。

2.如权利要求1所述的方法，其特征在于，搭建所述生产监管模型，所述方法包括：

基于生产工艺流程确定节点检测特征，调用样本监测图像并进行所述节点检测特征的识别与量化，确定样本特征向量，其中，所述生产工艺流程为结合互穿聚合物网络与弹性体交联技术的制备工艺；

基于卷积神经网络，结合所述样本监测图像与所述样本特征向量进行监督训练，生成满足收敛条件的实操化通道；

对所述实操化通道进行复刻，并嵌入所述标准数据库，生成所述标准化通道；

对所述标准化通道与所述实操化通道进行并行布设，后置量化处理单元，获取所述生产监管模型。

3.如权利要求2所述的方法，其特征在于，所述结合生产监管模型进行图像特征向量的提取与差异化分析，获取生产监管结果，所述方法包括：

基于所述生产监管模型中的实操化通道，对所述实时节点图像进行特征处理，同步于所述标准化通道中进行所述标准数据库的匹配调用；

基于所述标准化通道与所述实操化通道，同步进行特征向量的提取，获取第一特征向量集与第二特征向量集并流转至所述量化处理单元；

映射关联所述第一特征向量集与所述第二特征向量集，进行特征向量的差异化计算，输出所述生产监管结果。

4.如权利要求1所述的方法，其特征在于，所述识别所述生产监管结果并提取差异化图像，进行生产趋势预测，生成趋势预测结果，所述方法包括：

识别所述生产监管结果并调用差异化图像，添加进存异归置集，所述存异归置集具有时效更新性；

若所述存异归置集为空集，进行所述实时节点图像的操作终止；

若所述存异归置集为非空集，将所述存异归置集传输至趋势预测模型，输出所述趋势预测结果。

5.如权利要求4所述的方法，其特征在于，所述趋势预测模型与所述生产监管模型双向连通，包括前趋通道、中位通道与后继通道，后置趋势接续层，所述趋势预测结果包括趋势预测性能与趋势预测图像。

6.如权利要求5所述的方法，其特征在于，所述将所述存异归置集传输至所述趋势预测模型，输出所述趋势预测结果，所述方法包括：

结合所述趋势预测模型，对所述存异归置集进行通道匹配，确定预处理通道并进行激活；

在所述预处理通道中，遍历所述存异归置集进行匹配决策，确定目标节点的区段数据；

将所述区段数据流转至所述趋势接续层，进行时序性链接，作为所述趋势预测结果。

7.如权利要求1所述的方法，其特征在于，所述进行节点下位时刻点的生产控制寻优，所述方法包括：

以所述特征向量差值为调整目标，以参数可调范围为约束，构建目标寻优函数；

以目标控制参数为基准构建寻优空间；

基于所述目标寻优函数，于所述寻优空间中对所述目标控制参数进行扩充寻优，确定多组优化控制参数；

对所述多组优化控制参数进行适应性评估与正序列化整合，择取所述调整控制参数。

8.共混型互穿网络热塑性弹性体的生产控制系统，其特征在于，所述系统包括：

数据库搭建模块，所述数据库搭建模块用于检索调用目标产品的标准工艺数据，逐工艺节点进行所述标准工艺数据的规整，搭建标准数据库；

监管分析模块，所述监管分析模块用于进行实时生产监测并采集实时节点图像，结合生产监管模型进行图像特征向量的提取与差异化分析，获取生产监管结果，所述生产监管模型包括基于孪生网络构建的标准化通道与实操化通道，且通道间权重共享，所述标准化通道中内嵌有所述标准数据库；

趋势预测模块，所述趋势预测模块用于识别所述生产监管结果并提取差异化图像，进行生产趋势预测，生成趋势预测结果；

特征向量差值获取模块，所述特征向量差值获取模块用于判断所述趋势预测结果是否满足基线生产标准，若不满足，则提取趋势预测图像并结合所述生产监管模型进行图像特征向量的提取与映射差值计算，确定特征向量差值；

控制寻优模块，所述控制寻优模块用于以所述特征向量差值为调整目标，以参数可调范围为约束，进行节点下位时刻点的生产控制寻优，生成调整控制参数；

优化控制模块，所述优化控制模块用于以所述调整控制参数为基准，进行所述目标产品的节点优化控制。