CN117035689A - 吹塑配料车间管理系统及其方法 - Google Patents

Abstract

本申请涉及智能管理领域，其具体公开了一种吹塑配料车间管理系统及其方法，其使用基于深度神经网络模型的人工智能技术来对相关报表进行特征提取和编码，以得到表示车间生产线运行状态是否正常。这样，通过对吹塑配料车间的报表进行智能分析，来提高为管理车间提供参考，提高判断的准确性，降低了成本。

Description

吹塑配料车间管理系统及其方法

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吹塑配料车间管理系统及其方法。

背景技术

吹塑配料车间管理是指管理吹塑配料车间操作和流程。吹塑配料车间管理旨在提高生产效率、降低成本和优化原料使用。在对吹塑配料车间管理时可以对配料、生产和质量数据进行统计分析，并生成相关报表。这些报表可以用于监控生产效率、原料消耗和质量指标，帮助管理层做出决策和改进措施。然而，传统的分析报表的方式都是人工来进行的，不仅效率低下，而且耗费人力成本和时间成本。

因此，期待一种优化的吹塑配料车间管理方案。

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吹塑配料车间管理系统及其方法，其使用基于深度神经网络模型的人工智能技术来对相关报表进行特征提取和编码，以得到表示车间生产线运行状态是否正常。这样，通过对吹塑配料车间的报表进行智能分析，来提高为管理车间提供参考，提高判断的准确性，降低了成本。

根据本申请的一个方面，提供了一种吹塑配料车间管理系统，其包括：

信息获取模块，用于获取吹塑配料车间的生产效率报表、原料消耗报表和质量指标报表；

第一语义编码模块，用于将所述生产效率报表通过第一语义模块以得到第一特征向量；

第二语义编码模块，用于将所述原料消耗报表通过第二语义模块以得到第二特征向量；

第三语义编码模块，用于将所述质量指标报表通过第三语义模块以得到第三特征向量；

多尺度特征提取模块，用于将所述第一特征向量、第二特征向量、第三特征向量通过多尺度领域特征提取模块以得到多尺度第一相特征向量、多尺度第二相特征向量和多尺度第三相特征向量；

混合卷积模块，用于将所述多尺度第一相特征向量、所述多尺度第二相特征向量和所述多尺度第三相特征向量二维排列后通过包含多个混合卷积层的深度卷积神经网络模型以得到三相交互特征矩阵；

分类结果生成模块，用于将所述三相交互特征矩阵通过分类器以得到分类结果，所述分类结果用于表示车间生产线运行状态是否正常。

在上述的吹塑配料车间管理系统中，所述第一语义编码模块，包括：

独热编码单元，用于对所述生产效率报表中生产效率的各个数据项进行独热编码以得到多个生产向量；

上下文编码单元，用于将所述多个生产向量输入所述基于转换器的上下文编码器以得到所述多个生产特征向量；

融合单元，用于将所述多个生产特征向量进行融合以得到第一特征向量。

在上述的吹塑配料车间管理系统中，所述上下文编码单元，包括：

查询向量构造子单元，用于将所述多个生产向量排列为输入向量；

向量转化子单元，用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；

自注意子单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；

标准化子单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；

激活子单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；

注意力施加子单元，用于将所述自注意力特征矩阵与以所述多个生产向量中各个生产向量作为值向量分别进行相乘以得到所述多个生产特征向量。

在上述的吹塑配料车间管理系统中，所述多尺度特征提取模块，包括：

第一尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述第一特征向量进行一维卷积编码以得到所述第一尺度特征向量；

第二尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述第一特征向量进行一维卷积编码以得到所述第二尺度特征向量；

融合单元，用于融合第一尺度特征向量和第二尺度特征向量以得到第一相特征向量。

在上述的吹塑配料车间管理系统中，所述第一尺度特征提取单元，用于：

使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述第一特征向量进行一维卷积编码以得到所述第一尺度特征向量：

其中，所述第一卷积公式为：

其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维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表示所述第一特征向量，Cov(X)表示对所述第一特征向量分别进行一维卷积编码。

在上述的吹塑配料车间管理系统中，所述第二尺度特征提取单元，用于：

使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述第一特征向量进行一维卷积编码以得到所述第二尺度特征向量：

其中，所述第二卷积公式为：

其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，w为第二一维卷积核的尺寸，X表示所述第一特征向量，Cov(X)表示对所述第一特征向量分别进行一维卷积编码。

在上述的吹塑配料车间管理系统中，所述融合单元，包括：

协方差子单元，用于分别计算所述第一尺度特征向量和所述第二尺度特征向量的协方差矩阵以得到第一协方差矩阵和第二协方差矩阵；

第一分解子单元，用于对所述第一协方差矩阵进行奇异值分解以得到多个第一奇异值和与所述多个第一奇异值对应的多个第一奇异向量；

第二分解子单元，用于对所述第二协方差矩阵进行奇异值分解以得到多个第二奇异值和与所述多个第二奇异值对应的多个第二奇异向量；

基提取子单元，用于从所述多个第一奇异向量中提取前k个第一奇异值对应的第一奇异向量且从所述多个第二奇异向量中提取前k个第二奇异值对应的第二奇异向量作为低维稀疏中介空间的基；

映射子单元，用于将所述第一尺度特征向量和所述第二尺度特征向量分别映射到所述低维稀疏中介空间以得到第一类单应映射特征向量和第二类单应映射特征向量；

按位加权子单元，用于计算所述第一类单应映射特征向量和所述第二类单应映射特征向量之间的按位置加权和以得到所述第一相特征向量。

在上述的吹塑配料车间管理系统中，所述混合卷积模块，包括：

使用所述深度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多尺度卷积处理、池化处理和非线性激活处理以由所述深度卷积神经网络模型的最后一个混合卷积层输出所述三相交互特征矩阵，其中，所述深度卷积神经网络模型的第一个混合卷积层的输入为所述二维特征矩阵；

其中，所述深度卷积神经网络模型的各个混合卷积层包括并行的第一卷积分支结构、第二卷积分支结构、第三卷积分支结构和第四卷积分支结构，以及，与所述第一至第四卷积分支结构连接的多尺度融合结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核、所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核、所述第四卷积分支使用具有第一尺寸且具有第四空洞率的第四卷积核。

根据本申请的另一方面，还提供了一种吹塑配料车间管理方法，其包括：

获取吹塑配料车间的生产效率报表、原料消耗报表和质量指标报表；

将所述生产效率报表通过第一语义模块以得到第一特征向量；

将所述原料消耗报表通过第二语义模块以得到第二特征向量；

将所述质量指标报表通过第三语义模块以得到第三特征向量；

将所述第一特征向量、第二特征向量、第三特征向量通过多尺度领域特征提取模块以得到多尺度第一相特征向量、多尺度第二相特征向量和多尺度第三相特征向量；

将所述多尺度第一相特征向量、所述多尺度第二相特征向量和所述多尺度第三相特征向量二维排列后通过包含多个混合卷积层的深度卷积神经网络模型以得到三相交互特征矩阵；

将所述三相交互特征矩阵通过分类器以得到分类结果，所述分类结果用于表示车间生产线运行状态是否正常。

与现有技术相比，本申请提供的吹塑配料车间管理系统及其方法，其使用基于深度神经网络模型的人工智能技术来对相关报表进行特征提取和编码，以得到表示车间生产线运行状态是否正常。这样，通过对吹塑配料车间的报表进行智能分析，来提高为管理车间提供参考，提高判断的准确性，降低了成本。

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吹塑配料车间管理系统的框图。

图2图示了根据本申请实施例的吹塑配料车间管理系统的系统架构图。

图3图示了根据本申请实施例的吹塑配料车间管理系统中多尺度特征提取模块的框图。

图4图示了根据本申请实施例的吹塑配料车间管理方法的流程图。

图5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，传统的分析报表的方式都是人工来进行的，不仅效率低下，而且耗费人力成本和时间成本。因此，期待一种优化的吹塑配料车间管理方案。

针对上述技术问题，提出了一种吹塑配料车间管理方案，其使用基于深度神经网络模型的人工智能技术来对相关报表进行特征提取和编码，以得到表示车间生产线运行状态是否正常。这样，通过对吹塑配料车间的报表进行智能分析，来提高为管理车间提供参考，提高判断的准确性，降低了成本。

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吹塑配料车间管理系统提供了新的解决思路和方案。

具体地，首先，获取吹塑配料车间的生产效率报表、原料消耗报表和质量指标报表。所述生产效率报表可以提供吹塑配料车间的生产线运行情况和效率水平。所述生产效率报表包括车间的生产速度、产量、工时利用率。所述原料消耗报表包括吹塑配料车间使用的原料种类、数量和消耗情况。所述质量指标报表包括吹塑配料车间生产的产品质量情况，具体包括产品的质量水平、不良品率、客户投诉情况。

然后，将所述生产效率报表通过第一语义模块以得到第一特征向量，将所述原料消耗报表通过第二语义模块以得到第二特征向量，将所述质量指标报表通过第三语义模块以得到第三特征向量。吹塑配料车间的报表包含大量的数据和指标，通过语义编码模块可以对这些报表进行语义理解和表征。语义编码模块可以提取报表中的关键信息和语义特征，将其转化为更具有表达能力和语义相关性的特征向量。语义编码模块可以帮助从报表中提取出最相关和最具代表性的特征。不同类型的报表包含不同的信息，通过分别使用第一语义模块、第二语义模块和第三语义模块，可以针对不同类型的报表进行特征提取，确保提取到的特征更加准确和有意义。通过将报表转化为特征向量，可以将不同类型的报表统一表征为数值向量，方便后续的处理和分析。特征向量可以作为输入传递给后续的多尺度特征提取模块和混合卷积模块，进一步进行特征提取和分析，从而更好地理解和判断车间的运行状态。

接着，将所述第一特征向量、第二特征向量、第三特征向量通过多尺度领域特征提取模块以得到多尺度第一相特征向量、多尺度第二相特征向量和多尺度第三相特征向量。不同尺度的特征可以提供不同层次和粒度的信息。通过多尺度领域特征提取模块，可以从不同的尺度上捕捉到吹塑配料车间报表中的关键特征。这样可以综合考虑报表中的局部细节和整体趋势，提高对车间运行状态的全面理解。多尺度特征的融合可以提供更全面和丰富的特征表征。将多尺度的第一特征向量、第二特征向量和第三特征向量进行融合，可以得到多尺度的第一相特征向量、多尺度的第二相特征向量和多尺度的第三相特征向量。这样的特征表征可以更好地反映吹塑配料车间的运行状态和特征。

然后，将所述多尺度第一相特征向量、所述多尺度第二相特征向量和所述多尺度第三相特征向量二维排列后通过包含多个混合卷积层的深度卷积神经网络模型以得到三相交互特征矩阵。通过将多尺度的特征向量进行排列和组合，可以将不同相的特征进行融合。这样可以使不同相的特征相互交互，从而捕捉到它们之间的关联和相互作用。通过深度卷积神经网络模型的处理，可以将这种特征融合进行到更高层次，提取出更具有表达能力和判别性的交互特征。深度卷积神经网络模型具有多个卷积层，可以进行多层次的特征提取。通过多个混合卷积层的处理，可以逐渐提取出更加抽象和高级的特征。这样可以从不同的角度和层次对吹塑配料车间的特征进行建模和分析，提高对车间运行状态的理解和判断能力。

进而，将所述三相交互特征矩阵通过分类器以得到分类结果，所述分类结果用于表示车间生产线运行状态是否正常。这样，通过对吹塑配料车间的报表进行智能分析，来提高为管理车间提供参考，提高判断的准确性，降低了成本。

特别地，考虑到使用不同尺度的卷积核可以捕捉到不同尺度的特征。第一尺度特征向量可能更关注局部细节特征，而第二尺度特征向量可能更关注更大范围的全局特征。通过将这些不同尺度的特征向量级联在一起，可以获得更全局和细节的特征表示。但同时，由于由于卷积操作在不同尺寸的邻域内提取特征，因此生成的第一尺度特征向量和第二尺度特征向量的尺寸也会不同。这就导致了所述第一尺度特征向量和所述第二尺度特征向量的维度不同。直接融合所述第一尺度特征向量和所述第二尺度特征向量会导致维度不匹配，从而导致进行融合操作时可能会丢失一些重要的信息或引入冗余信息，降低了第一相特征向量的可解释性和鲁棒性。

融合第一尺度特征向量和第二尺度特征向量以得到第一相特征向量，包括：分别计算所述第一尺度特征向量和所述第二尺度特征向量的协方差矩阵以得到第一协方差矩阵和第二协方差矩阵；对所述第一协方差矩阵进行奇异值分解以得到多个第一奇异值和与所述多个第一奇异值对应的多个第一奇异向量；对所述第二协方差矩阵进行奇异值分解以得到多个第二奇异值和与所述多个第二奇异值对应的多个第二奇异向量；从所述多个第一奇异向量中提取前k个第一奇异值对应的第一奇异向量且从所述多个第二奇异向量中提取前k个第二奇异值对应的第二奇异向量作为低维稀疏中介空间的基；将所述第一尺度特征向量和所述第二尺度特征向量分别映射到所述低维稀疏中介空间以得到第一类单应映射特征向量和第二类单应映射特征向量；计算所述第一类单应映射特征向量和所述第二类单应映射特征向量之间的按位置加权和以得到所述第一相特征向量。

将具有不同特征流形模态的第一尺度特征向量和第二尺度特征向量通过类单应变换映射到一个公共的低维稀疏中介空间以将不同维度的语义特征在低维稀疏空间中进行线性嵌入融合以得到一个更具有表达能力和判别能力的第一相特征向量。也就是，将高维特征向量的特征融合问题转化为低维特征空间类单应性映射和低维空间线性融合的问题，通过这样的方式，增加了所述第一相特征向量的可解释性和鲁棒性。

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吹塑配料车间管理系统的框图。如图1所示，根据本申请实施例的吹塑配料车间管理系统100，包括：信息获取模块110，用于获取吹塑配料车间的生产效率报表、原料消耗报表和质量指标报表；第一语义编码模块120，用于将所述生产效率报表通过第一语义模块以得到第一特征向量；第二语义编码模块130，用于将所述原料消耗报表通过第二语义模块以得到第二特征向量；第三语义编码模块140，用于将所述质量指标报表通过第三语义模块以得到第三特征向量；多尺度特征提取模块150，用于将所述第一特征向量、第二特征向量、第三特征向量通过多尺度领域特征提取模块以得到多尺度第一相特征向量、多尺度第二相特征向量和多尺度第三相特征向量；混合卷积模块160，用于将所述多尺度第一相特征向量、所述多尺度第二相特征向量和所述多尺度第三相特征向量二维排列后通过包含多个混合卷积层的深度卷积神经网络模型以得到三相交互特征矩阵；以及分类结果生成模块170，用于将所述三相交互特征矩阵通过分类器以得到分类结果，所述分类结果用于表示车间生产线运行状态是否正常。

图2图示了根据本申请实施例的吹塑配料车间管理系统的系统架构图。如图2所示，在该系统架构中，首先，获取吹塑配料车间的生产效率报表、原料消耗报表和质量指标报表。然后，将所述生产效率报表通过第一语义模块以得到第一特征向量。接着，将所述原料消耗报表通过第二语义模块以得到第二特征向量。然后，将所述质量指标报表通过第三语义模块以得到第三特征向量。接着，将所述第一特征向量、第二特征向量、第三特征向量通过多尺度领域特征提取模块以得到多尺度第一相特征向量、多尺度第二相特征向量和多尺度第三相特征向量。然后，将所述多尺度第一相特征向量、所述多尺度第二相特征向量和所述多尺度第三相特征向量二维排列后通过包含多个混合卷积层的深度卷积神经网络模型以得到三相交互特征矩阵。进而，将所述三相交互特征矩阵通过分类器以得到分类结果，所述分类结果用于表示车间生产线运行状态是否正常。

在上述的吹塑配料车间管理系统100中，所述信息获取模块110，用于获取吹塑配料车间的生产效率报表、原料消耗报表和质量指标报表。如上述背景技术所言，传统的分析报表的方式都是人工来进行的，不仅效率低下，而且耗费人力成本和时间成本。因此，期待一种优化的吹塑配料车间管理方案。

针对上述技术问题，提出了一种吹塑配料车间管理方案，其使用基于深度神经网络模型的人工智能技术来对相关报表进行特征提取和编码，以得到表示车间生产线运行状态是否正常。这样，通过对吹塑配料车间的报表进行智能分析，来提高为管理车间提供参考，提高判断的准确性，降低了成本。

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吹塑配料车间管理系统提供了新的解决思路和方案。

具体地，首先，获取吹塑配料车间的生产效率报表、原料消耗报表和质量指标报表。所述生产效率报表可以提供吹塑配料车间的生产线运行情况和效率水平。所述生产效率报表包括车间的生产速度、产量、工时利用率。所述原料消耗报表包括吹塑配料车间使用的原料种类、数量和消耗情况。所述质量指标报表包括吹塑配料车间生产的产品质量情况，具体包括产品的质量水平、不良品率、客户投诉情况。

在上述的吹塑配料车间管理系统100中，所述第一语义编码模块120，用于将所述生产效率报表通过第一语义模块以得到第一特征向量；所述第二语义编码模块130，用于将所述原料消耗报表通过第二语义模块以得到第二特征向量；所述第三语义编码模块140，用于将所述质量指标报表通过第三语义模块以得到第三特征向量。吹塑配料车间的报表包含大量的数据和指标，通过语义编码模块可以对这些报表进行语义理解和表征。语义编码模块可以提取报表中的关键信息和语义特征，将其转化为更具有表达能力和语义相关性的特征向量。语义编码模块可以帮助从报表中提取出最相关和最具代表性的特征。不同类型的报表包含不同的信息，通过分别使用第一语义模块、第二语义模块和第三语义模块，可以针对不同类型的报表进行特征提取，确保提取到的特征更加准确和有意义。通过将报表转化为特征向量，可以将不同类型的报表统一表征为数值向量，方便后续的处理和分析。特征向量可以作为输入传递给后续的多尺度特征提取模块和混合卷积模块，进一步进行特征提取和分析，从而更好地理解和判断车间的运行状态。所述第一特征向量、所述第二特征向量和所述第三特征向量采取相同的数据处理方式。

具体地，在本申请实施例中，所述第一语义编码模块，包括：独热编码单元，用于对所述生产效率报表中生产效率的各个数据项进行独热编码以得到多个生产向量；上下文编码单元，用于将所述多个生产向量输入所述基于转换器的上下文编码器以得到所述多个生产特征向量；融合单元，用于将所述多个生产特征向量进行融合以得到第一特征向量。

具体地，在本申请实施例中，所述上下文编码单元，包括：查询向量构造子单元，用于将所述多个生产向量排列为输入向量；向量转化子单元，用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；自注意子单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；标准化子单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；激活子单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；注意力施加子单元，用于将所述自注意力特征矩阵与以所述多个生产向量中各个生产向量作为值向量分别进行相乘以得到所述多个生产特征向量。

在上述的吹塑配料车间管理系统100中，所述多尺度特征提取模块150，用于将所述第一特征向量、第二特征向量、第三特征向量通过多尺度领域特征提取模块以得到多尺度第一相特征向量、多尺度第二相特征向量和多尺度第三相特征向量。不同尺度的特征可以提供不同层次和粒度的信息。通过多尺度领域特征提取模块，可以从不同的尺度上捕捉到吹塑配料车间报表中的关键特征。这样可以综合考虑报表中的局部细节和整体趋势，提高对车间运行状态的全面理解。多尺度特征的融合可以提供更全面和丰富的特征表征。将多尺度的第一特征向量、第二特征向量和第三特征向量进行融合，可以得到多尺度的第一相特征向量、多尺度的第二相特征向量和多尺度的第三相特征向量。这样的特征表征可以更好地反映吹塑配料车间的运行状态和特征。

图3图示了根据本申请实施例的吹塑配料车间管理系统中多尺度特征提取模块的框图。如图3所示，所述多尺度特征提取模块150，包括：第一尺度特征提取单元151，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述第一特征向量进行一维卷积编码以得到所述第一尺度特征向量；第二尺度特征提取单元152，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述第一特征向量进行一维卷积编码以得到所述第二尺度特征向量；融合单元153，用于融合第一尺度特征向量和第二尺度特征向量以得到第一相特征向量。

具体地，在本申请实施例中，所述第一尺度特征提取单元151，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述第一特征向量进行一维卷积编码以得到所述第一尺度特征向量：其中，所述第一卷积公式为：

其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维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表示所述第一特征向量，Cov(X)表示对所述第一特征向量分别进行一维卷积编码。

具体地，在本申请实施例中，所述第二尺度特征提取单元152，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述第一特征向量进行一维卷积编码以得到所述第二尺度特征向量：其中，所述第二卷积公式为：

其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，w为第二一维卷积核的尺寸，X表示所述第一特征向量，Cov(X)表示对所述第一特征向量分别进行一维卷积编码。

具体地，在本申请实施例中，所述融合单元153，包括：协方差子单元，用于分别计算所述第一尺度特征向量和所述第二尺度特征向量的协方差矩阵以得到第一协方差矩阵和第二协方差矩阵；第一分解子单元，用于对所述第一协方差矩阵进行奇异值分解以得到多个第一奇异值和与所述多个第一奇异值对应的多个第一奇异向量；第二分解子单元，用于对所述第二协方差矩阵进行奇异值分解以得到多个第二奇异值和与所述多个第二奇异值对应的多个第二奇异向量；基提取子单元，用于从所述多个第一奇异向量中提取前k个第一奇异值对应的第一奇异向量且从所述多个第二奇异向量中提取前k个第二奇异值对应的第二奇异向量作为低维稀疏中介空间的基；映射子单元，用于将所述第一尺度特征向量和所述第二尺度特征向量分别映射到所述低维稀疏中介空间以得到第一类单应映射特征向量和第二类单应映射特征向量；以及按位加权子单元，用于计算所述第一类单应映射特征向量和所述第二类单应映射特征向量之间的按位置加权和以得到所述第一相特征向量。

在上述的吹塑配料车间管理系统100中，所述混合卷积模块160，用于将所述多尺度第一相特征向量、所述多尺度第二相特征向量和所述多尺度第三相特征向量二维排列后通过包含多个混合卷积层的深度卷积神经网络模型以得到三相交互特征矩阵。通过将多尺度的特征向量进行排列和组合，可以将不同相的特征进行融合。这样可以使不同相的特征相互交互，从而捕捉到它们之间的关联和相互作用。通过深度卷积神经网络模型的处理，可以将这种特征融合进行到更高层次，提取出更具有表达能力和判别性的交互特征。深度卷积神经网络模型具有多个卷积层，可以进行多层次的特征提取。通过多个混合卷积层的处理，可以逐渐提取出更加抽象和高级的特征。这样可以从不同的角度和层次对吹塑配料车间的特征进行建模和分析，提高对车间运行状态的理解和判断能力。

具体地，在本申请实施例中，所述混合卷积模块160，包括：使用所述深度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多尺度卷积处理、池化处理和非线性激活处理以由所述深度卷积神经网络模型的最后一个混合卷积层输出所述三相交互特征矩阵，其中，所述深度卷积神经网络模型的第一个混合卷积层的输入为所述二维特征矩阵；其中，所述深度卷积神经网络模型的各个混合卷积层包括并行的第一卷积分支结构、第二卷积分支结构、第三卷积分支结构和第四卷积分支结构，以及，与所述第一至第四卷积分支结构连接的多尺度融合结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核、所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核、所述第四卷积分支使用具有第一尺寸且具有第四空洞率的第四卷积核。

在上述的吹塑配料车间管理系统100中，所述分类结果生成模块170，用于将所述三相交互特征矩阵通过分类器以得到分类结果，所述分类结果用于表示车间生产线运行状态是否正常。这样，通过对吹塑配料车间的报表进行智能分析，来提高为管理车间提供参考，提高判断的准确性，降低了成本。

具体地，在本申请实施例中，所述分类结果生成模块170，包括：展开单元，用于将所述三相交互特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述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。

综上，根据本申请实施例的吹塑配料车间管理系统已被阐明，其使用基于深度神经网络模型的人工智能技术来对相关报表进行特征提取和编码，以得到表示车间生产线运行状态是否正常。这样，通过对吹塑配料车间的报表进行智能分析，来提高为管理车间提供参考，提高判断的准确性，降低了成本。

示例性方法

图4图示了根据本申请实施例的吹塑配料车间管理方法的流程图。如图4所示，根据本申请实施例的所述吹塑配料车间管理方法，包括步骤：S110，获取吹塑配料车间的生产效率报表、原料消耗报表和质量指标报表；S120，将所述生产效率报表通过第一语义模块以得到第一特征向量；S130，将所述原料消耗报表通过第二语义模块以得到第二特征向量；S140，将所述质量指标报表通过第三语义模块以得到第三特征向量；S150，将所述第一特征向量、第二特征向量、第三特征向量通过多尺度领域特征提取模块以得到多尺度第一相特征向量、多尺度第二相特征向量和多尺度第三相特征向量；S160，将所述多尺度第一相特征向量、所述多尺度第二相特征向量和所述多尺度第三相特征向量二维排列后通过包含多个混合卷积层的深度卷积神经网络模型以得到三相交互特征矩阵；以及S170，将所述三相交互特征矩阵通过分类器以得到分类结果，所述分类结果用于表示车间生产线运行状态是否正常。

这里，本领域技术人员可以理解，上述吹塑配料车间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3的吹塑配料车间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吹塑配料车间管理系统100可以实现在各种终端设备中，例如吹塑配料车间管理服务器等。在一个示例中，根据本申请实施例的吹塑配料车间管理系统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，该吹塑配料车间管理系统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，该吹塑配料车间管理系统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，该吹塑配料车间管理系统100与该终端设备也可以是分立的设备，并且该吹塑配料车间管理系统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

综上，根据本申请实施例的吹塑配料车间管理方法已被阐明，其使用基于深度神经网络模型的人工智能技术来对相关报表进行特征提取和编码，以得到表示车间生产线运行状态是否正常。这样，通过对吹塑配料车间的报表进行智能分析，来提高为管理车间提供参考，提高判断的准确性，降低了成本。

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吹塑配料车间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吹塑配料车间的生产效率报表、原料消耗报表和质量指标报表等各种内容。

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，包括车间生产线运行状态是否正常等。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吹塑配料车间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吹塑配料车间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)

1.一种吹塑配料车间管理系统，其特征在于，包括：

信息获取模块，用于获取吹塑配料车间的生产效率报表、原料消耗报表和质量指标报表；

第一语义编码模块，用于将所述生产效率报表通过第一语义模块以得到第一特征向量；

第二语义编码模块，用于将所述原料消耗报表通过第二语义模块以得到第二特征向量；

第三语义编码模块，用于将所述质量指标报表通过第三语义模块以得到第三特征向量；

多尺度特征提取模块，用于将所述第一特征向量、第二特征向量、第三特征向量通过多尺度领域特征提取模块以得到多尺度第一相特征向量、多尺度第二相特征向量和多尺度第三相特征向量；

混合卷积模块，用于将所述多尺度第一相特征向量、所述多尺度第二相特征向量和所述多尺度第三相特征向量二维排列后通过包含多个混合卷积层的深度卷积神经网络模型以得到三相交互特征矩阵；

分类结果生成模块，用于将所述三相交互特征矩阵通过分类器以得到分类结果，所述分类结果用于表示车间生产线运行状态是否正常。

2.根据权利要求1所述的吹塑配料车间管理系统，其特征在于，所述第一语义编码模块，包括：

独热编码单元，用于对所述生产效率报表中生产效率的各个数据项进行独热编码以得到多个生产向量；

上下文编码单元，用于将所述多个生产向量输入所述基于转换器的上下文编码器以得到所述多个生产特征向量；

融合单元，用于将所述多个生产特征向量进行融合以得到第一特征向量。

3.根据权利要求2所述的吹塑配料车间管理系统，其特征在于，所述上下文编码单元，包括：

查询向量构造子单元，用于将所述多个生产向量排列为输入向量；

向量转化子单元，用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；

自注意子单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；

标准化子单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；

激活子单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；

注意力施加子单元，用于将所述自注意力特征矩阵与以所述多个生产向量中各个生产向量作为值向量分别进行相乘以得到所述多个生产特征向量。

4.根据权利要求3所述的吹塑配料车间管理系统，其特征在于，所述多尺度特征提取模块，包括：

第一尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述第一特征向量进行一维卷积编码以得到所述第一尺度特征向量；

第二尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述第一特征向量进行一维卷积编码以得到所述第二尺度特征向量；

融合单元，用于融合第一尺度特征向量和第二尺度特征向量以得到第一相特征向量。

5.根据权利要求4所述的吹塑配料车间管理系统，其特征在于，所述第一尺度特征提取单元，用于：

使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述第一特征向量进行一维卷积编码以得到所述第一尺度特征向量：

其中，所述第一卷积公式为：

其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维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表示所述第一特征向量，Cov(X)表示对所述第一特征向量分别进行一维卷积编码。

6.根据权利要求5所述的吹塑配料车间管理系统，其特征在于，所述第二尺度特征提取单元，用于：

使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述第一特征向量进行一维卷积编码以得到所述第二尺度特征向量：

其中，所述第二卷积公式为：

其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，w为第二一维卷积核的尺寸，X表示所述第一特征向量，Cov(X)表示对所述第一特征向量分别进行一维卷积编码。

7.根据权利要求6所述的吹塑配料车间管理系统，其特征在于，所述融合单元，包括：

协方差子单元，用于分别计算所述第一尺度特征向量和所述第二尺度特征向量的协方差矩阵以得到第一协方差矩阵和第二协方差矩阵；

第一分解子单元，用于对所述第一协方差矩阵进行奇异值分解以得到多个第一奇异值和与所述多个第一奇异值对应的多个第一奇异向量；

第二分解子单元，用于对所述第二协方差矩阵进行奇异值分解以得到多个第二奇异值和与所述多个第二奇异值对应的多个第二奇异向量；

基提取子单元，用于从所述多个第一奇异向量中提取前k个第一奇异值对应的第一奇异向量且从所述多个第二奇异向量中提取前k个第二奇异值对应的第二奇异向量作为低维稀疏中介空间的基；

映射子单元，用于将所述第一尺度特征向量和所述第二尺度特征向量分别映射到所述低维稀疏中介空间以得到第一类单应映射特征向量和第二类单应映射特征向量；

按位加权子单元，用于计算所述第一类单应映射特征向量和所述第二类单应映射特征向量之间的按位置加权和以得到所述第一相特征向量。

8.根据权利要求7所述的吹塑配料车间管理系统，其特征在于，所述混合卷积模块，包括：

使用所述深度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多尺度卷积处理、池化处理和非线性激活处理以由所述深度卷积神经网络模型的最后一个混合卷积层输出所述三相交互特征矩阵，其中，所述深度卷积神经网络模型的第一个混合卷积层的输入为所述二维特征矩阵。

9.根据权利要求8所述的吹塑配料车间管理系统，其特征在于，所述深度卷积神经网络模型的各个混合卷积层包括并行的第一卷积分支结构、第二卷积分支结构、第三卷积分支结构和第四卷积分支结构，以及，与所述第一至第四卷积分支结构连接的多尺度融合结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核、所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核、所述第四卷积分支使用具有第一尺寸且具有第四空洞率的第四卷积核。

10.一种吹塑配料车间管理方法，其特征在于，包括：

获取吹塑配料车间的生产效率报表、原料消耗报表和质量指标报表；

将所述生产效率报表通过第一语义模块以得到第一特征向量；

将所述原料消耗报表通过第二语义模块以得到第二特征向量；

将所述质量指标报表通过第三语义模块以得到第三特征向量；

将所述第一特征向量、第二特征向量、第三特征向量通过多尺度领域特征提取模块以得到多尺度第一相特征向量、多尺度第二相特征向量和多尺度第三相特征向量；

将所述多尺度第一相特征向量、所述多尺度第二相特征向量和所述多尺度第三相特征向量二维排列后通过包含多个混合卷积层的深度卷积神经网络模型以得到三相交互特征矩阵；

将所述三相交互特征矩阵通过分类器以得到分类结果，所述分类结果用于表示车间生产线运行状态是否正常。