CN117160072A - 多向动态连续提取系统及其方法 - Google Patents
多向动态连续提取系统及其方法 Download PDFInfo
- Publication number
- CN117160072A CN117160072A CN202311357603.2A CN202311357603A CN117160072A CN 117160072 A CN117160072 A CN 117160072A CN 202311357603 A CN202311357603 A CN 202311357603A CN 117160072 A CN117160072 A CN 117160072A
- Authority
- CN
- China
- Prior art keywords
- temperature
- time sequence
- sequence
- training
- vector
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 69
- 239000013598 vector Substances 0.000 claims description 135
- 238000012549 training Methods 0.000 claims description 63
- 238000009736 wetting Methods 0.000 claims description 37
- 239000000463 material Substances 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 239000002994 raw material Substances 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 239000002904 solvent Substances 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000005507 spraying Methods 0.000 claims description 7
- 235000011201 Ginkgo Nutrition 0.000 claims description 5
- 241000218628 Ginkgo Species 0.000 claims description 5
- 235000008100 Ginkgo biloba Nutrition 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 18
- 238000012545 processing Methods 0.000 abstract description 16
- 238000012300 Sequence Analysis Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 19
- 230000008859 change Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000011176 pooling Methods 0.000 description 12
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 10
- 230000001105 regulatory effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000007788 liquid Substances 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000008213 purified water Substances 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000012071 phase Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000004090 dissolution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 239000000314 lubricant Substances 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 229930014626 natural product Natural products 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请公开了一种多向动态连续提取系统及其方法,其通过基于循环热水罐内的温度变送器实时采集罐内的温度数据,并在后端引入数据处理和分析算法来进行罐内温度的时序分析,以此基于罐内温度时序分布和变化趋势来自动调节蒸汽比例阀的阀门开度值,从而对于蒸汽温度进行自适应调节,以保证罐内温度的均匀性和一致性,提高提取效率和保持提取质量的一致性。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种多向动态连续提取系统及其方法。
背景技术
天然产物的提取方法主要包括罐式提取和连续逆流提取。罐式提取是将天然产物和溶媒一同投入罐中,通过夹套加热达到工艺所需温度,保持一段时间后,通过底部出液口将液体放出,然后再加入新溶媒,再次提取数小时。提取完成后,首先排出液体,然后打开底部出渣门将药渣卸下。罐式提取的特点是提取周期长、效率低,提取不充分,人工劳动强度大。
传统的逆流提取方法是在罐式提取基础上发展起来的。具体做法是将提取装置做成一个卧式长槽,通过一套连续螺旋结构,将原料从投料一端向出料一端推送,而溶媒则从出料一端加入,从投料一端流出。这样的设计思路是利用溶媒与原料的逆向运动,营造出一个浓度梯度,使得原料中可溶物质能够充分溶出。然而,在具体实施中存在较大的问题,主要是螺旋机构的转速缓慢,导致绝大部分原料沉积在下部,而溶媒在上部流动。这实质上产生了一种类似于"短路"的状况,溶媒无法与原料充分接触,也无法穿透到原料料层中,从而造成传质速率下降,提取效率下降。如果加快螺旋转速的话,原料很快就到达终点,还来不及完成提取就被排出。
另一个存在的问题是,传统的逆流提取无法适用于漂浮或悬浮状态的物料,因为这样的物料容易被液相带回,在料槽内形成团块,造成抱轴和堵料的情况。
因此,期望一种多向动态连续提取系统。
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多向动态连续提取系统及其方法,其通过基于循环热水罐内的温度变送器实时采集罐内的温度数据,并在后端引入数据处理和分析算法来进行罐内温度的时序分析,以此基于罐内温度时序分布和变化趋势来自动调节蒸汽比例阀的阀门开度值,从而对于蒸汽温度进行自适应调节,以保证罐内温度的均匀性和一致性,提高提取效率和保持提取质量的一致性。
根据本申请的一个方面,提供了一种多向动态连续提取系统,其包括:
输送装置,用于将原料送入连续润料装置,其中,所述原料包括干燥的银杏叶和溶媒;
润料泵,用于将润料溶液送至润料机;
流量计,用于检测所述润料溶液的流量;
喷雾装置,用于将所述润料溶液以雾化形式喷到所述原料上;
加热夹套,所述加热夹套内通入循环热水;
循环热水罐,用于作为系统的热源供给,所述循环热水罐内的热水通过外接蒸汽加热;
蒸汽比例阀;
温度变送器,用于检测循环热水罐内的热水水温;
中控器,所述中控器可通信连接于所述流量计、所述蒸气比例阀和所述温度变送器,所述中控器用于控制所述润料泵的频率来调节所述润料溶液的流量值,以及用于根据所述循环热水罐内的热水水温来控制所述蒸气比例阀的阀门开度值。
根据本申请的另一个方面,提供了一种多向动态连续提取方法,其包括:
获取由循环热水罐内的温度变送器采集的预定时间段内多个预定时间点的温度值;
将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量;
对所述温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列;
对所述温度局部时序特征向量的序列进行语义关联编码以得到温度全局时序关联特征;
基于所述温度全局时序关联特征,确定当前时间点的蒸汽比例阀的阀门开度值应增大、应保持或应减小。
与现有技术相比,本申请提供的一种多向动态连续提取系统及其方法,其通过基于循环热水罐内的温度变送器实时采集罐内的温度数据,并在后端引入数据处理和分析算法来进行罐内温度的时序分析,以此基于罐内温度时序分布和变化趋势来自动调节蒸汽比例阀的阀门开度值,从而对于蒸汽温度进行自适应调节,以保证罐内温度的均匀性和一致性,提高提取效率和保持提取质量的一致性。
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多向动态连续提取系统的框图;
图2为根据本申请实施例的多向动态连续提取系统的系统架构图;
图3为根据本申请实施例的多向动态连续提取系统的训练阶段的框图;
图4为根据本申请实施例的多向动态连续提取系统中中控器的框图;
图5为根据本申请实施例的多向动态连续提取系统中温度局部时序特征提取模块的框图;
图6为根据本申请实施例的多向动态连续提取方法的流程图。
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。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
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。
考虑到在实际进行多向动态提取的过程中,对于蒸汽大小进行自适应调节以保持蒸汽温度和罐内热水温度的稳定尤为重要,这是由于在提取过程中,恒定的蒸汽温度对于保持提取效率和质量至关重要。蒸汽的温度直接影响到物料的溶解速度和传质速率。通过自适应调节蒸汽大小,可以控制蒸汽温度在合适的范围内,确保物料在适宜的温度条件下进行提取,从而提高提取效率和保持提取质量的一致性。并且,罐内热水温度的稳定性对于提取过程的控制非常重要。罐内热水的温度直接影响到物料的溶解和传质过程。如果罐内热水温度波动较大,会导致提取过程中温度的不均匀分布,影响提取效果。通过自适应调节蒸汽大小,可以保持罐内热水温度的稳定,确保提取过程中温度的均匀性和一致性。基于此,本申请的技术构思为基于循环热水罐内的温度变送器实时采集罐内的温度数据,并在后端引入数据处理和分析算法来进行罐内温度的时序分析,以此基于罐内温度时序分布和变化趋势来自动调节蒸汽比例阀的阀门开度值,从而对于蒸汽温度进行自适应调节,以保证罐内温度的均匀性和一致性,提高提取效率和保持提取质量的一致性。
在本申请的技术方案中,提出了一种多向动态连续提取系统。图1为根据本申请实施例的多向动态连续提取系统的框图。如图1所示,根据本申请的实施例的多向动态连续提取系统300,包括:输送装置310,用于将原料送入连续润料装置,其中,所述原料包括干燥的银杏叶和溶媒;润料泵320,用于将润料溶液送至润料机;流量计330,用于检测所述润料溶液的流量;喷雾装置340,用于将所述润料溶液以雾化形式喷到所述原料上;加热夹套350,所述加热夹套内通入循环热水;循环热水罐360,用于作为系统的热源供给,所述循环热水罐内的热水通过外接蒸汽加热;蒸汽比例阀370;温度变送器380,用于检测循环热水罐内的热水水温;中控器390,所述中控器可通信连接于所述流量计、所述蒸气比例阀和所述温度变送器,所述中控器用于控制所述润料泵的频率来调节所述润料溶液的流量值,以及用于根据所述循环热水罐内的热水水温来控制所述蒸气比例阀的阀门开度值。
特别地,所述输送装置310,用于将原料送入连续润料装置,其中,所述原料包括干燥的银杏叶和溶媒。也就是,将原料(干燥的银杏叶,溶媒:80%乙醇)定量送入一套连续润料装置,进料速度50kg/h。其中,润料装置为润料槽+推送轴。推送轴上安装了若干的抄板结构,通过旋转运动将物料向前推动。
特别地,所述润料泵320和所述流量计330,用于将润料溶液送至润料机;以及,检测所述润料溶液的流量。其中,一个润料泵将润料溶液送至润料机,泵后安装了一套流量计检测溶液的流量。值得一提的是,润料泵的主要功能是将润滑油或润滑脂从储油罐或储脂罐中抽取,然后通过管道输送到需要润滑的部位。润料泵通常由电动机或气动驱动,通过机械传动装置将动力转换为泵的运动,从而产生压力将润滑介质推送出去。
特别地,所述喷雾装置340,用于将所述润料溶液以雾化形式喷到所述原料上。也就是,在物料前进的方向依次安装了3个喷雾头,润料溶液以雾化形式喷到原料上。中控室将润料溶液的流量设置在85L/h,通过控制泵的频率调节流量,使其稳定在设置值±5%范围内。
特别地,所述加热夹套350,所述加热夹套内通入循环热水。也就是,在润料槽置设有加热夹套,夹套内通85℃循环热水。物料充分润湿的时间在25分钟,该时间通过主轴电机变频调节实现。
特别地,所述循环热水罐360和所述蒸汽比例阀370和所述所述温度变送器380,用于作为系统的热源供给,所述循环热水罐内的热水通过外接蒸汽加热;以及,检测循环热水罐内的热水水温。在本申请的一个技术方案中,外置一套循环热水罐作为系统的热源供给。罐内的热水通过外接蒸汽加热,蒸汽大小由一套蒸汽比例阀调节。罐内设1个温度变送器检测热水水温。
特别地,所述中控器390,所述中控器可通信连接于所述流量计、所述蒸气比例阀和所述温度变送器,所述中控器用于控制所述润料泵的频率来调节所述润料溶液的流量值,以及用于根据所述循环热水罐内的热水水温来控制所述蒸气比例阀的阀门开度值。特别地,在本申请的一个具体示例中,如图2和图4所示,所述中控器390,包括:数据采集模块391,用于获取由循环热水罐内的温度变送器采集的预定时间段内多个预定时间点的温度值;温度数据时序排列模块392,用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量;温度局部时序特征提取模块393,用于对所述温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列;温度全时序关联编码模块394,用于对所述温度局部时序特征向量的序列进行语义关联编码以得到温度全局时序关联特征;蒸气比例阀阀门控制模块395,用于基于所述温度全局时序关联特征,确定当前时间点的蒸汽比例阀的阀门开度值应增大、应保持或应减小。
具体地,所述数据采集模块391,用于获取由循环热水罐内的温度变送器采集的预定时间段内多个预定时间点的温度值。值得一提的是,温度变送器是一种用于测量和传输温度信号的设备。它将温度传感器(如热电偶或热敏电阻)测量到的温度值转换为标准的电信号,并通过电缆或无线方式传输给监控系统或控制设备。温度变送器的主要功能是将温度信号转换为标准的电信号,并提供准确的温度测量值给监控系统或控制设备。
具体地,所述温度数据时序排列模块392,用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量。考虑到所述循环热水罐内的温度值在时间维度上具有着时序的动态变化规律,也就是说,所述多个预定时间点的温度值之间具有着基于时序的关联关系。因此,在本申请的技术方案中,在进行温度时序特征提取前,需要将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量,以此来整合所述循环热水罐内的温度值在时序上的分布信息,以便于后续对于罐内温度的时序分布和变化趋势的特征提取和刻画。
相应的,在一种可能的实现方式中,可通过以下步骤将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量,例如:确定要采集温度值的时间点;在每个预定的时间点,使用温度传感器进行温度测量。确保传感器的准确性和稳定性;将每次测量得到的温度值记录下来;按照时间顺序将温度值排列成一个时间序列。确保每个温度值与其对应的时间点相匹配;将时间序列中的温度值按照一定的时间间隔或采样率进行采样,形成温度时序输入向量。例如,可以选择每小时采样一次,将每小时的温度值作为一个输入向量的元素;根据需要,对温度时序输入向量进行标准化处理,以确保数据在一定的范围内或具有特定的统计特性。常见的标准化方法包括零均值化和归一化。
具体地,所述温度局部时序特征提取模块393,用于对所述温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列。特别地,在申请的一个具体示例中,如图5所示,所述温度局部时序特征提取模块393,包括:温度时序切分单元3931,用于对所述温度时序输入向量进行向量切分以得到温度局部时序输入向量的序列;温度局部时序转换单元3932,用于将所述温度局部时序输入向量的序列通过包含上采样层和向量-图像转换层的格式转换器以得到温度局部时序图像的序列;温度局部时序编码单元3933,用于将所述温度局部时序图像的序列通过基于卷积神经网络模型的温度时序特征提取器以得到所述温度局部时序特征向量的序列。
更具体地,所述温度时序切分单元3931,用于对所述温度时序输入向量进行向量切分以得到温度局部时序输入向量的序列。考虑到在多向动态提取过程中,温度的变化趋势和分布在不同时间段可能存在差异。因此,为了能够对于罐内温度的时序变化进行更为充分和准确地分析和特征捕捉,在本申请的技术方案中,需要对所述温度时序输入向量进行向量切分以得到温度局部时序输入向量的序列。通过将所述温度时序输入向量切分为所述温度局部时序输入向量的序列,以便于捕捉到不同时间段内的温度局部特征,这有助于更精确地分析和理解罐内温度的变化模式,从而更好地调节蒸汽比例阀的阀门开度值。也就是说,通过将所述温度时序输入向量切分为所述温度局部时序输入向量的序列,可以进行时间窗口分析,即将一段时间内的温度数据划分为多个连续的时间窗口,每个时间窗口内的温度数据可以被视为一个局部时序。这样可以更好地观察和分析温度的变化趋势,检测可能存在的周期性或趋势性变化,并据此进行相应的调节和控制。
值得注意的是,向量切分是指将一个向量分割成多个较小的子向量的过程。在切分过程中,可以根据特定的标准或条件将向量中的元素进行分组或分割,以便更好地进行处理、分析或应用。
更具体地,所述温度局部时序转换单元3932,用于将所述温度局部时序输入向量的序列通过包含上采样层和向量-图像转换层的格式转换器以得到温度局部时序图像的序列。为了更好地提取出罐内温度的时序变化特征,在本申请的技术方案中,进一步将所述温度局部时序输入向量的序列通过包含上采样层和向量-图像转换层的格式转换器以得到温度局部时序图像的序列。应可以理解,通过上采样处理,能够增加温度数据的密度和平滑度,从而便于后续更好地表示罐内温度的时序变化特征。而通过将温度的局部时序分布转换为图像的形式,可以改变数据的表示方式。这是由于图像是一种直观且易于理解的数据形式,能够更好地展示温度数据的空间和时间关系。
值得注意的是,上采样是一种信号处理技术,用于增加信号的采样率或细化信号的分辨率。在数字信号处理中,采样率表示每秒钟对信号进行采样的次数。上采样通过在相邻采样点之间插入新的采样点来增加采样率。上采样的概念可以应用于多种信号处理领域,包括音频处理、图像处理和时间序列分析等。它的目的是为了更好地表示信号的细节和变化,以便进行更准确的分析和处理。在上采样过程中,可以使用插值算法来计算新插入的采样点的值。常用的插值算法包括线性插值、最近邻插值、样条插值等。这些算法根据相邻采样点的值进行计算,以确定新插入的采样点的值。
相应的,在一种可能的实现方式中,可通过以下步骤将所述温度局部时序输入向量的序列通过包含上采样层和向量-图像转换层的格式转换器以得到温度局部时序图像的序列,例如:获得温度局部时序输入向量的序列;将每个温度局部时序输入向量进行上采样。上采样是指增加向量的维度或长度,以便更好地表示细节和变化;将上采样后的向量转换为图像。这可以通过将向量的元素映射到图像的像素值来实现。例如,可以使用灰度图像,其中向量的元素值对应于像素的亮度;对于每个上采样后的向量,通过向量-图像转换层,得到对应的温度局部时序图像。这样就得到了温度局部时序图像的序列,其中每个图像对应于原始温度局部时序输入向量的一个时间点。
更具体地,所述温度局部时序编码单元3933,用于将所述温度局部时序图像的序列通过基于卷积神经网络模型的温度时序特征提取器以得到所述温度局部时序特征向量的序列。也就是,使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的温度时序特征提取器分别对所述温度局部时序图像的序列中的各个温度局部时序图像进行特征挖掘,以分别提取出所述各个温度局部时序图像中有关于温度的局部时序特征分布信息,从而得到温度局部时序特征向量的序列。具体地,使用所述基于卷积神经网络模型的温度时序特征提取器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基于特征矩阵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,所述基于卷积神经网络模型的温度时序特征提取器的最后一层的输出为所述温度局部时序特征向量,所述基于卷积神经网络模型的温度时序特征提取器的第一层的输入为所述温度局部时序图像。
值得注意的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,广泛应用于图像和视频处理任务中。CNN的设计灵感来源于生物视觉系统,它通过使用卷积层和池化层来有效地提取输入数据中的特征。以下是卷积神经网络的主要组成部分和工作原理:卷积层:卷积层是CNN的核心组件。它通过应用一系列可学习的滤波器(也称为卷积核)对输入数据进行卷积操作,从而提取输入数据的空间特征。每个滤波器在输入数据上滑动,并计算输入数据与滤波器之间的点积。卷积操作可以捕捉到输入数据的局部关联性和平移不变性,使得网络能够有效地处理图像的特征;激活函数:卷积层通常会在卷积操作之后应用激活函数,以引入非线性。常用的激活函数包括ReLU(Rectified LinearUnit)、Sigmoid和Tanh等,它们能够增加网络的表达能力并引入非线性变换;池化层:池化层用于减小特征图的空间尺寸,同时保留重要的特征。常见的池化操作包括最大池化(MaxPooling)和平均池化(Average Pooling)。池化操作通过在每个池化窗口上执行池化函数(如取最大值或取平均值)来减小特征图的大小;全连接层:全连接层负责将卷积层和池化层的输出连接到最终的输出层。全连接层中的每个神经元都与前一层的所有神经元相连,通过学习权重来将高级特征与最终的输出进行关联;Dropout层:Dropout层是一种正则化技术,用于减少过拟合。在训练过程中,Dropout层以指定的概率随机丢弃一部分神经元的输出,从而强制网络学习更鲁棒的特征表示。通过多个卷积层、激活函数、池化层和全连接层的堆叠,卷积神经网络能够自动学习输入数据的特征表示,并在训练过程中通过反向传播算法来优化网络参数,使其能够对输入数据进行准确的分类、检测或回归等任务。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列,例如:确定局部时序特征提取的窗口大小。窗口大小决定了每个局部特征向量包含的时间步数;使用滑动窗口的方式在温度时序输入向量上进行操作。从时间序列的起始位置开始,以固定的步长滑动窗口,每次滑动一个时间步;对于每个滑动窗口位置,提取窗口内的温度值,形成一个局部时序特征向量。该向量包含了窗口内连续的温度值;将滑动窗口向后移动一个时间步,重复步骤3,直到窗口移动到时间序列的末尾。这样就可以得到一系列的局部时序特征向量,每个向量对应一个窗口;将得到的局部时序特征向量按照窗口的顺序排列,形成温度局部时序特征向量的序列;根据需要,可以对得到的特征向量序列进行特征选择或降维。常见的方法包括主成分分析(PCA)和线性判别分析(LDA)等。
具体地,所述温度全时序关联编码模块394,用于对所述温度局部时序特征向量的序列进行语义关联编码以得到温度全局时序关联特征。考虑到由于所述罐内温度的局部时序特征分布信息之间具有着基于时序整体的关联关系,为了能够对于所述循环热水罐内的温度时序变化模式和趋势进行准确和充分分析,在本申请的技术方案中,进一步将所述温度局部时序特征向量的序列通过上下文语义编码器中进行特征挖掘,以提取出所述循环热水罐内的温度时序分布特征基于时序全局的上下文语义关联特征信息,从而得到温度全局时序上下文特征向量。更具体地,将所述温度局部时序特征向量的序列进行一维排列以得到全局温度时序特征向量;计算所述全局温度时序特征向量与所述温度局部时序特征向量的序列中各个温度局部时序特征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;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;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;分别以所述多个概率值中各个概率值作为权重对所述温度局部时序特征向量的序列中各个温度局部时序特征向量进行加权以得到所述多个上下文语义温度时序特征向量;以及,将所述多个上下文语义温度时序特征向量进行级联以得到所述温度全局时序上下文特征向量。
值得注意的是,上下文语义编码器的目标是将输入的文本序列转换为连续的向量表示,以便计算机可以更好地理解和处理文本的语义信息。通常采用Transformer来实现,Transformer是一种基于自注意力机制的模型,被广泛用于自然语言处理任务。它能够在不依赖于序列顺序的情况下,将输入序列中的每个元素与其他元素进行交互。Transformer通过多层自注意力和前馈神经网络构建,能够学习到全局的语义关系。
具体地,所述蒸气比例阀阀门控制模块395,用于基于所述温度全局时序关联特征,确定当前时间点的蒸汽比例阀的阀门开度值应增大、应保持或应减小。也就是,在本申请的一个具体示例中,将所述温度全局时序上下文特征向量通过分类器以得到所述分类结果,所述分类结果用于表示当前时间点的蒸汽比例阀的阀门开度值应增大、应保持或应减小。也就是说,利用所述循环热水罐内的温度在时间维度上的局部时序分布特征基于时序全局的关联语义特征信息来进行分类处理,从而基于罐内温度时序分布和变化趋势来自动调节蒸汽比例阀的阀门开度值,以对于蒸汽温度进行自适应调节,保证罐内温度的均匀性和一致性,提高提取效率和保持提取质量的一致性。更具体地,使用所述分类器的多个全连接层对所述温度全局时序上下文特征向量进行全连接编码以得到编码分类特征向量;以及,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。
分类器是指一种机器学习模型或算法,用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分,它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中,每个神经元都与上一层的所有神经元相连接,每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入,并通过权重对这些输入进行加权求和,然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数,用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值,并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层,特别适用于多分类问题,因为它能够将网络输出映射为各个类别的概率分布。在训练过程中,Softmax函数的输出可以用于计算损失函数,并通过反向传播算法来更新网络参数。值得注意的是,Softmax函数的输出并不会改变元素之间的相对大小关系,只是对其进行了归一化处理。因此,Softmax函数并不改变输入向量的特性,只是将其转化为概率分布形式。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式基于所述温度全局时序关联特征,确定当前时间点的蒸汽比例阀的阀门开度值应增大、应保持或应减小,例如:收集与蒸汽系统相关的温度数据,并将其按照时间顺序进行排序;获取当前时间点的温度数据,这可以通过传感器或其他监测设备来获取;通过观察温度数据的变化趋势,判断当前系统的温度是上升、保持稳定还是下降;根据温度趋势和系统需求,判断当前时间点蒸汽比例阀的阀门开度值应增大、应保持或应减小:如果温度正在上升,并且系统需要更多蒸汽供应,则阀门开度值应增大,以增加蒸汽流量;如果温度保持稳定,并且系统的蒸汽供应已经足够,则阀门开度值应保持不变,以维持稳定的蒸汽流量;如果温度正在下降,并且系统需要减少蒸汽供应,则阀门开度值应减小,以减少蒸汽流量;根据判断结果,对蒸汽比例阀的阀门开度进行相应的调整。这可以通过控制系统或自动化设备来实现;监测调整后的蒸汽比例阀的效果,并根据系统的反馈信息进行必要的调整和优化。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述包含上采样层和向量-图像转换层的格式转换器、所述基于卷积神经网络模型的温度时序特征提取器、所述上下文语义编码器和所述分类器进行训练。也就是说,根据本申请的多向动态连续提取系统300,还包括训练阶段400,用于对所述包含上采样层和向量-图像转换层的格式转换器、所述基于卷积神经网络模型的温度时序特征提取器、所述上下文语义编码器和所述分类器进行训练。
图3为根据本申请实施例的多向动态连续提取系统的训练阶段的框图。如图3所示,根据本申请实施例的多向动态连续提取系统300,包括:训练阶段400,包括:训练数据采集单元410,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练温度值,以及,所述当前时间点的蒸汽比例阀的阀门开度值应增大、应保持或应减小的真实值;训练温度时序排列单元420,用于将所述多个预定时间点的训练温度值按照时间维度排列为训练温度时序输入向量;训练温度局部时序切分单元430,用于对所述训练温度时序输入向量进行向量切分以得到训练温度局部时序输入向量的序列;训练域转换单元440,用于将所述训练温度局部时序输入向量的序列通过所述包含上采样层和向量-图像转换层的格式转换器以得到训练温度局部时序图像的序列;训练温度局部时序特征提取单元450,用于将所述训练温度局部时序图像的序列通过所述基于卷积神经网络模型的温度时序特征提取器以得到训练温度局部时序特征向量的序列;训练全局时序特征关联编码单元460,用于将所述训练温度局部时序特征向量的序列通过所述上下文语义编码器以得到训练温度全局时序上下文特征向量;分类损失单元470,用于将所述训练温度全局时序上下文特征向量通过所述分类器以得到所述分类损失函数值;模型训练单元480,用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含上采样层和向量-图像转换层的格式转换器、所述基于卷积神经网络模型的温度时序特征提取器、所述上下文语义编码器和所述分类器进行训练,其中,在所述训练的每次迭代时,对所述训练温度全局时序上下文特征向量进行权重空间迭代递归的定向提议化优化。
特别地,在本申请的技术方案中,将所述温度局部时序图像的序列通过基于卷积神经网络模型的温度时序特征提取器时,可以提取全局时域通过向量切分得到的局部时域下,进一步通过向量-图像转换确定的局部时域下的细分时域的细分时域内-细分时域间的温度值局部时域关联特征,也就是,所述温度局部时序特征向量的序列中的每个温度局部时序特征向量表达温度值在局部时域下的细分时域内-细分时域间时序关联特征,由此,将所述温度局部时序特征向量的序列通过上下文语义编码器后,可以进一步提取温度值在全局时域下的局部时域间上下文时序关联特征,从而使得所述温度全局时序上下文特征向量表达全局时域下的多尺度局部-细分时域时序关联特征,提升了温度值在全局时域空间下的时序子空间特征表达效果。但是,这也导致所述温度全局时序上下文特征向量在通过分类器进行分类时,所述分类器的权重矩阵相对于归属于预定时序子空间维度的类标签的收敛困难,影响分类器的训练效果。因此,本申请的申请人在将所述温度全局时序上下文特征向量通过分类器进行分类时,在每个迭代时,对所述温度全局时序上下文特征向量进行权重空间迭代递归的定向提议化优化,具体表示为:其中/>和/>分别是上次和本次迭代的权重矩阵,/>是所述训练温度全局时序上下文特征向量,表示矩阵乘法,/>表示按位置点乘,/>表示向量的指数运算,所述向量的指数运算表示计算以向量中的各个位置的特征值为幂的自然指数函数值,/>表示所述优化训练温度全局时序上下文特征向量。这里,所述权重空间迭代递归的定向提议化优化可以通过将初始的待分类的所述温度全局时序上下文特征向量/>作为锚点,来在权重空间内基于权重矩阵迭代的对应于所述温度全局时序上下文特征向量/>的不同时序子空间特征分布方向获得不同时序子空间特征分布维度下的锚点足迹(anchor footprint),以作为在权重空间迭代递归的定向提议(oriented proposal),从而基于预测提议地提升权重矩阵收敛的类置信度和局部精确性,以提升所述温度全局时序上下文特征向量通过分类器的训练效果。这样,能够基于罐内温度时序分布和变化趋势来自动调节蒸汽比例阀的阀门开度值,从而对于蒸汽温度进行自适应调节,以保证罐内温度的均匀性和一致性,提高提取效率和保持提取质量的一致性。
如上所述,根据本申请实施例的多向动态连续提取系统300可以实现在各种无线终端中,例如具有多向动态连续提取算法的服务器等。在一种可能的实现方式中,根据本申请实施例的多向动态连续提取系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该多向动态连续提取系统300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该多向动态连续提取系统300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该多向动态连续提取系统300与该无线终端也可以是分立的设备,并且该多向动态连续提取系统300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
进一步地,还提供一种多向动态连续提取方法。
图6为根据本申请实施例的多向动态连续提取方法的流程图。如图6所示,根据本申请实施例的多向动态连续提取方法,包括步骤:S1,获取由循环热水罐内的温度变送器采集的预定时间段内多个预定时间点的温度值;S2,将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量;S3,对所述温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列;S4,对所述温度局部时序特征向量的序列进行语义关联编码以得到温度全局时序关联特征;S5,基于所述温度全局时序关联特征,确定当前时间点的蒸汽比例阀的阀门开度值应增大、应保持或应减小。
综上,根据本申请实施例的多向动态连续提取方法被阐明,其通过基于循环热水罐内的温度变送器实时采集罐内的温度数据,并在后端引入数据处理和分析算法来进行罐内温度的时序分析,以此基于罐内温度时序分布和变化趋势来自动调节蒸汽比例阀的阀门开度值,从而对于蒸汽温度进行自适应调节,以保证罐内温度的均匀性和一致性,提高提取效率和保持提取质量的一致性。
在本申请的另一个具体示例中,整机的自动化控制如下:
1)自动酒精调配:中控室设定需要得到酒精浓度,1个酒精泵和1个纯化水泵连续将酒精和纯化水送入静态混合器,位于尾端的酒精浓度计检测混合后的酒精浓度,对照设定值,自动调整纯化水泵的流量, 从而将调配后的酒精稳定在设定值附近±1.5%。
2)自动恒温热水系统:热水罐内设1个温度变送器检测热水水温。热水罐内的热水通过外接蒸汽加热,蒸汽的大小由一套蒸汽比例阀调节。中控室将温度设置在设定温度T,当温度低于设置温度,蒸汽比例阀自动开大,当温度高于设置温度,蒸汽比例阀自动关小,从而实现将热水温度控制在设定值±1℃的范围内。用2个热水泵,分别将热水送入提取段夹套以及润料机的夹套,从而保障提取系统的温度恒定。
3)物料及溶媒的自动计量:中控室设定物料的投入量为X升/h,设定润料溶液量为Y1升/h,设定新鲜溶媒添加量为Y2升/h,物料的投入量由一套螺旋计量器控制,电机变频调节。从而将投料量恒定在一个固定X值。润料及新鲜溶媒添加量,各通过一套涡轮流量计检测,对照中控室设定的Y1、Y2,对应的润料泵及新溶媒泵,自动变频,将实际值稳定在设定值3%范围内。
4)液位及料位控制:各级提取段上,均装有音叉液位开关,当液位异常升高时自动停机并报警。酒精罐和纯化水罐均装有带远传的磁翻板液位计,罐内液位低于下限时,系统自动报警并通知上游补料。原料料仓内安装超声波料位计,当料位低于设定值,系统自动报警并通知上游补料。
5)电机阀门故障报警:当某处电机或气动阀发生故障,系统自动停机,中控室人机界面显示故障电机/阀门位置及故障状态。
6)当袋式过滤器或者精密过滤内的压力上升到设定值,气动阀门自动从工作单元切换至备用单元。同时通知中控室,更换原工作单元的滤网。
7)环境浓度检测:在设备上方1.5m处,安装有2~3个溶媒浓度探测器,任意一个探测器检测到的环境溶媒浓度高于正常值,立即停机并报警。
8)工艺数据记录及报表:各个工艺参数,如转速、流量、温度、压力、液位、浓度、故障等,均进行连续采样,输入DCS系统记录并汇总,最终形成日报表、周报表及月报表。
上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种多向动态连续提取系统,其特征在于,包括:
输送装置,用于将原料送入连续润料装置,其中,所述原料包括干燥的银杏叶和溶媒;
润料泵,用于将润料溶液送至润料机;
流量计,用于检测所述润料溶液的流量;
喷雾装置,用于将所述润料溶液以雾化形式喷到所述原料上;
加热夹套,所述加热夹套内通入循环热水;
循环热水罐,用于作为系统的热源供给,所述循环热水罐内的热水通过外接蒸汽加热;
蒸汽比例阀;
温度变送器,用于检测循环热水罐内的热水水温;
中控器,所述中控器可通信连接于所述流量计、所述蒸气比例阀和所述温度变送器,所述中控器用于控制所述润料泵的频率来调节所述润料溶液的流量值,以及用于根据所述循环热水罐内的热水水温来控制所述蒸气比例阀的阀门开度值。
2.根据权利要求1所述的多向动态连续提取系统,其特征在于,所述中控器,包括:
数据采集模块,用于获取由循环热水罐内的温度变送器采集的预定时间段内多个预定时间点的温度值;
温度数据时序排列模块,用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量;
温度局部时序特征提取模块,用于对所述温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列;
温度全时序关联编码模块,用于对所述温度局部时序特征向量的序列进行语义关联编码以得到温度全局时序关联特征;
蒸气比例阀阀门控制模块,用于基于所述温度全局时序关联特征,确定当前时间点的蒸汽比例阀的阀门开度值应增大、应保持或应减小。
3.根据权利要求2所述的多向动态连续提取系统,其特征在于,所述温度局部时序特征提取模块,包括:
温度时序切分单元,用于对所述温度时序输入向量进行向量切分以得到温度局部时序输入向量的序列;
温度局部时序转换单元,用于将所述温度局部时序输入向量的序列通过包含上采样层和向量-图像转换层的格式转换器以得到温度局部时序图像的序列;
温度局部时序编码单元,用于将所述温度局部时序图像的序列通过基于卷积神经网络模型的温度时序特征提取器以得到所述温度局部时序特征向量的序列。
4.根据权利要求3所述的多向动态连续提取系统,其特征在于,所述温度全时序关联编码模块,用于:将所述温度局部时序特征向量的序列通过上下文语义编码器以得到温度全局时序上下文特征向量作为所述温度全局时序关联特征。
5.根据权利要求4所述的多向动态连续提取系统,其特征在于,所述蒸气比例阀阀门控制模块,用于:将所述温度全局时序上下文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蒸汽比例阀的阀门开度值应增大、应保持或应减小。
6.根据权利要求5所述的多向动态连续提取系统,其特征在于,还包括用于对所述包含上采样层和向量-图像转换层的格式转换器、所述基于卷积神经网络模型的温度时序特征提取器、所述上下文语义编码器和所述分类器进行训练的训练模块。
7.根据权利要求6所述的多向动态连续提取系统,其特征在于,所述训练模块,包括:
训练数据采集单元,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练温度值,以及,所述当前时间点的蒸汽比例阀的阀门开度值应增大、应保持或应减小的真实值;
训练温度时序排列单元,用于将所述多个预定时间点的训练温度值按照时间维度排列为训练温度时序输入向量;
训练温度局部时序切分单元,用于对所述训练温度时序输入向量进行向量切分以得到训练温度局部时序输入向量的序列;
训练域转换单元,用于将所述训练温度局部时序输入向量的序列通过所述包含上采样层和向量-图像转换层的格式转换器以得到训练温度局部时序图像的序列;
训练温度局部时序特征提取单元,用于将所述训练温度局部时序图像的序列通过所述基于卷积神经网络模型的温度时序特征提取器以得到训练温度局部时序特征向量的序列;
训练全局时序特征关联编码单元,用于将所述训练温度局部时序特征向量的序列通过所述上下文语义编码器以得到训练温度全局时序上下文特征向量;
分类损失单元,用于将所述训练温度全局时序上下文特征向量通过所述分类器以得到所述分类损失函数值;
模型训练单元,用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含上采样层和向量-图像转换层的格式转换器、所述基于卷积神经网络模型的温度时序特征提取器、所述上下文语义编码器和所述分类器进行训练,其中,在所述训练的每次迭代时,对所述训练温度全局时序上下文特征向量进行权重空间迭代递归的定向提议化优化。
8.一种多向动态连续提取方法,其特征在于,包括:
获取由循环热水罐内的温度变送器采集的预定时间段内多个预定时间点的温度值;
将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量;
对所述温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列;
对所述温度局部时序特征向量的序列进行语义关联编码以得到温度全局时序关联特征;
基于所述温度全局时序关联特征,确定当前时间点的蒸汽比例阀的阀门开度值应增大、应保持或应减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311357603.2A CN117160072B (zh) | 2023-10-19 | 2023-10-19 | 多向动态连续提取系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311357603.2A CN117160072B (zh) | 2023-10-19 | 2023-10-19 | 多向动态连续提取系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117160072A true CN117160072A (zh) | 2023-12-05 |
CN117160072B CN117160072B (zh) | 2024-04-16 |
Family
ID=88937661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311357603.2A Active CN117160072B (zh) | 2023-10-19 | 2023-10-19 | 多向动态连续提取系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117160072B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202569591U (zh) * | 2012-06-04 | 2012-12-05 | 浙江温兄机械阀业有限公司 | 一种智能控温控压热水加热系统 |
CN106511406A (zh) * | 2016-12-31 | 2017-03-22 | 北京颐方生物科技有限公司 | 一种银杏叶提取物的制备方法 |
CN110624272A (zh) * | 2019-10-14 | 2019-12-31 | 天津大明制药设备厂 | 一种低温连续热回流生产机组装置及方法 |
CN116434123A (zh) * | 2023-05-15 | 2023-07-14 | 两当沁香怡玫瑰生物科技有限公司 | 一种用于玫瑰蒸馏加工的控制方法及系统 |
CN116426331A (zh) * | 2022-12-27 | 2023-07-14 | 江西恒诚天然香料油有限公司 | 香料油的智能化制备方法及其系统 |
-
2023
- 2023-10-19 CN CN202311357603.2A patent/CN117160072B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202569591U (zh) * | 2012-06-04 | 2012-12-05 | 浙江温兄机械阀业有限公司 | 一种智能控温控压热水加热系统 |
CN106511406A (zh) * | 2016-12-31 | 2017-03-22 | 北京颐方生物科技有限公司 | 一种银杏叶提取物的制备方法 |
CN110624272A (zh) * | 2019-10-14 | 2019-12-31 | 天津大明制药设备厂 | 一种低温连续热回流生产机组装置及方法 |
CN116426331A (zh) * | 2022-12-27 | 2023-07-14 | 江西恒诚天然香料油有限公司 | 香料油的智能化制备方法及其系统 |
CN116434123A (zh) * | 2023-05-15 | 2023-07-14 | 两当沁香怡玫瑰生物科技有限公司 | 一种用于玫瑰蒸馏加工的控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117160072B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112527788B (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
Gao et al. | An improved SVM integrated GS-PCA fault diagnosis approach of Tennessee Eastman process | |
US10996664B2 (en) | Predictive classification of future operations | |
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN109446236A (zh) | 基于随机分布的水泥粒径分布预测方法 | |
CN109675935A (zh) | 一种变控制限的ipca轧制过程在线故障诊断方法 | |
CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
Li et al. | The method of reagent control based on time series distribution of bubble size in a gold‐antimony flotation process | |
CN117160072B (zh) | 多向动态连续提取系统及其方法 | |
CN114879628A (zh) | 基于对抗局部最大均值差异的多模态工业过程故障诊断方法 | |
CN114403486A (zh) | 基于局部峰值编码循环网络的气流式烘丝机智能控制方法 | |
CN117485842A (zh) | 门式斗轮机轮斗横梁姿态实时监测方法及其系统 | |
Li et al. | Data-driven modeling and operation optimization with inherent feature extraction for complex industrial processes | |
CN115588156B (zh) | 一种串罐连续定量给料系统 | |
Dai et al. | Multi-scale local LSSVM based spatiotemporal modeling and optimal control for the goethite process | |
Zhang et al. | Nonlinear process monitoring based on global preserving unsupervised kernel extreme learning machine | |
CN114139643B (zh) | 一种基于机器视觉的单甘酯质量检测方法及系统 | |
CN115481815A (zh) | 基于神经网络的火电厂负荷分配系统及方法 | |
CN112949524B (zh) | 一种基于经验模态分解与多核学习的发动机故障检测方法 | |
CN117475245B (zh) | 一种用于制备阻燃聚烯烃绝缘料的智能化生产方法及系统 | |
Liang et al. | Machinery Health Prognostic with Uncertainty for Mineral Processing using TSC-TimeGAN | |
CN114580798B (zh) | 一种基于transformer的设备点位预测方法及系统 | |
Aung et al. | Application of Support Vector System for Solving Problems of Classification and Forecasting Of Oil Wells | |
CN117199029B (zh) | 一种功率电源管理芯片及功率电源管理方法 | |
Wang et al. | Towards continual knowledge transfer in modeling manufacturing processes under non-stationary data streams |
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 |