CN117270467A - 多晶莫来石纤维的生产控制系统及方法 - Google Patents

多晶莫来石纤维的生产控制系统及方法 Download PDF

Info

Publication number
CN117270467A
CN117270467A CN202311163680.4A CN202311163680A CN117270467A CN 117270467 A CN117270467 A CN 117270467A CN 202311163680 A CN202311163680 A CN 202311163680A CN 117270467 A CN117270467 A CN 117270467A
Authority
CN
China
Prior art keywords
fiber
feature
time sequence
convolution
fiber state
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
CN202311163680.4A
Other languages
English (en)
Inventor
严掌贵
平伟
张泉华
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.)
Jiaxing Liangchuang Technology Co ltd
Original Assignee
Zhejiang Osm Crystal Fiber 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 Zhejiang Osm Crystal Fiber Co ltd filed Critical Zhejiang Osm Crystal Fiber Co ltd
Priority to CN202311163680.4A priority Critical patent/CN117270467A/zh
Publication of CN117270467A publication Critical patent/CN117270467A/zh
Pending legal-status Critical Current

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C04—CEMENTS; CONCRETE; ARTIFICIAL STONE; CERAMICS; REFRACTORIES
    • C04B—LIME, MAGNESIA; SLAG; CEMENTS; COMPOSITIONS THEREOF, e.g. MORTARS, CONCRETE OR LIKE BUILDING MATERIALS; ARTIFICIAL STONE; CERAMICS; REFRACTORIES; TREATMENT OF NATURAL STONE
    • C04B35/00—Shaped ceramic products characterised by their composition; Ceramics compositions; Processing powders of inorganic compounds preparatory to the manufacturing of ceramic products
    • C04B35/622—Forming processes; Processing powders of inorganic compounds preparatory to the manufacturing of ceramic products
    • C04B35/62227—Forming processes; Processing powders of inorganic compounds preparatory to the manufacturing of ceramic products obtaining fibres
    • C04B35/62231—Forming processes; Processing powders of inorganic compounds preparatory to the manufacturing of ceramic products obtaining fibres based on oxide ceramics
    • D—TEXTILES; PAPER
    • D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
    • D01F—CHEMICAL FEATURES IN THE MANUFACTURE OF ARTIFICIAL FILAMENTS, THREADS, FIBRES, BRISTLES OR RIBBONS; APPARATUS SPECIALLY ADAPTED FOR THE MANUFACTURE OF CARBON FILAMENTS
    • D01F9/00—Artificial filaments or the like of other substances; Manufacture thereof; Apparatus specially adapted for the manufacture of carbon filaments
    • D01F9/08—Artificial filaments or the like of other substances; Manufacture thereof; Apparatus specially adapted for the manufacture of carbon filaments of inorganic material
    • 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]
    • G05B19/41865—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 job scheduling, process planning, material flow
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G05B2219/32252—Scheduling production, machining, job shop

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Ceramic Engineering (AREA)
  • Biophysics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Organic Chemistry (AREA)
  • Inorganic Chemistry (AREA)
  • Structural Engineering (AREA)
  • Textile Engineering (AREA)
  • General Chemical & Material Sciences (AREA)
  • Materials Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及智能控制技术领域，其具体地公开了一种多晶莫来石纤维的生产控制系统及方法，其采用深度学习技术，从胶体成纤监控视频中提取出纤维的状态变化特征信息，以及，从多个时间点的圆盘转速中提取出圆盘转速的时序动态特征，并以二者的关联性特征表示来进行当前时间点的圆盘转速的实时控制。这样，能够实时准确地基于纤维状态进行圆盘转速调整，以减少纤维断裂和尺寸不达标等缺陷的发生，提高纤维的质量和生产效率。

Description

多晶莫来石纤维的生产控制系统及方法
技术领域
本申请涉及智能控制技术领域，且更为具体地，涉及一种多晶莫来石纤维的生产控制系统及方法。
背景技术
多晶莫来石纤维是国际上最新的耐高温绝热材料，它集纤维材料和晶体材料的特性于一体，具有耐高温、抗蠕变性、热化学稳定性、热膨胀系数低、热导率小和高模量等特性，常用于高温隔热和耐火材料的制备。多晶莫来石纤维通常采用化学胶体法制作，由高纯度的氧化铝、二氧化硅和成胶的添加物按一定比例混合制备成胶体，然后在高速旋转的离心力作用下，胶体溶液拉出纤维，再经过低温干燥和高温热处理后完成晶体转变。
成纤工艺是生产多晶莫来石纤维的关键，也是技术难度和操作难度较大的一个环节。首先将配制好的胶体放入一个压力容器内，通过气力输送到高速旋转的圆盘上，胶体被离心抛出后经热空气喷吹成纤。其原理为离心力拉伸纤维并促使纤维形成较细的结构。但是，过高的圆盘转速可能会导致纤维断裂或形成不均匀的纤维，然而，圆盘转速过低又会使制得的纤维尺寸达不到要求。
因此，期待一种多晶莫来石纤维的生产控制系统及方法。
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晶莫来石纤维的生产控制系统及方法，其采用深度学习技术，从胶体成纤监控视频中提取出纤维的状态变化特征信息，以及，从多个时间点的圆盘转速中提取出圆盘转速的时序动态特征，并以二者的关联性特征表示来进行当前时间点的圆盘转速的实时控制。这样，能够实时准确地基于纤维状态进行圆盘转速调整，以减少纤维断裂和尺寸不达标等缺陷的发生，提高纤维的质量和生产效率。
相应地，根据本申请的一个方面，提供了一种多晶莫来石纤维的生产控制系统，其包括：
数据采集模块，用于获取胶体在成纤过程中预定时间段内多个预定时间点的圆盘转速值以及由摄像头采集的所述预定时间段的胶体成纤监控视频；
关键帧提取模块，用于从所述胶体成纤监控视频中提取多个纤维状态关键帧；
纤维状态特征提取模块，用于将所述多个纤维状态关键帧分别通过包含显著目标检测器的第一卷积神经网络模型以得到多个纤维状态特征向量；
转移计算模块，用于计算所述多个纤维状态特征向量中每相邻两个时间点的纤维状态特征向量之间的转移矩阵以得到多个转移矩阵；
纤维状态时序变化特征提取模块，用于将所述多个转移矩阵排列为三维输入张量后通过使用通道注意力机制的第二卷积神经网络模型以得到纤维状态时序变化特征向量；
圆盘转速时序编码模块，用于将所述多个预定时间点的圆盘转速值按照时间维度排列为转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到转速时序特征向量；
关联编码模块，用于对所述纤维状态时序变化特征向量和所述转速时序特征向量进行关联编码以得到分类特征矩阵；
控制结果生成模块，用于将所述分类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当前时间点的圆盘转速应增大或减小。
在上述多晶莫来石纤维的生产控制系统中，所述关键帧提取模块，用于：以预定采样频率从所述胶体成纤监控视频中提取多个纤维状态关键帧。
在上述多晶莫来石纤维的生产控制系统中，所述纤维状态特征提取模块，用于：使用所述包含显著目标检测器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：使用第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图，其中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸；对所述第二卷积特征图进行基于通道维度的各个特征矩阵的全局池化处理以得到池化特征图；对所述池化特征图进行激活处理以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述纤维状态特征向量，所述第一卷积神经网络模型的第一层的输入为所述纤维状态关键帧。
在上述多晶莫来石纤维的生产控制系统中，所述转移计算模块，用于：以如下转移公式计算所述多个纤维状态特征向量中每相邻两个时间点的纤维状态特征向量之间的转移矩阵以得到所述多个转移矩阵；
其中，所述转移公式为：
其中V1、V2表示所述多个纤维状态特征向量中相邻两个时间点的纤维状态特征向量，表示矩阵相乘，M表示所述转移矩阵。
在上述多晶莫来石纤维的生产控制系统中，所述纤维状态时序变化特征提取模块，用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；计算所述卷积特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以得到通道加权特征向量；以所述通道加权特征向量的各个位置的特征值作为权重对所述卷积特征图的沿通道维度的特征矩阵进行点乘以得到通道注意力图；对所述通道注意力图进行基于通道维度的各个特征矩阵的全局均值池化处理以得到池化特征图；对所述池化特征图进行激活处理以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层输出为所述纤维状态时序变化特征向量，所述第二卷积神经网络的第二层至最后一层的输入为上一层的输出，所述第二卷积神经网络的输入为所述三维输入张量。
在上述多晶莫来石纤维的生产控制系统中，所述圆盘转速时序编码模块，包括：归一化映射单元，用于将所述转速输入向量进行基于最大值的归一化处理以得到归一化后转速输入向量；全连接编码单元，用于使用所述时序编码器的全连接层对所述归一化后转速输入向量进行全连接编码以提取所述归一化后转速输入向量中各个位置的特征值的高维隐含特征；一维卷积编码单元，用于使用所述时序编码器的一维卷积层对所述归一化后转速输入向量进行一维编码以提取所述归一化后转速输入向量中各个位置的特征值间的关联的高维隐含关联特征。
在上述多晶莫来石纤维的生产控制系统中，所述关联编码模块，包括：第一仿射密度计算单元，用于以如下第一仿射密度计算公式计算所述纤维状态时序变化特征向量相对于所述转速时序特征向量的第一仿射密度值，其中，所述第一仿射密度计算公式为；
其中，x1表示所述纤维状态时序变化特征向量，x2表示所述转速时序特征向量，σ1表示第一高斯核函数的宽度参数，||·||表示范数函数，exp表示以e为底的指数函数，d1表示第一仿射密度值；第二仿射密度计算单元，用于以如下第二仿射密度计算公式计算所述转速时序特征向量相对于所述纤维状态时序变化特征向量的第二仿射密度值，其中，所述第二仿射密度计算公式为：
其中，x1表示所述纤维状态时序变化特征向量，x2表示所述转速时序特征向量，σ2表示第二高斯核函数的宽度参数，||·||表示范数函数，exp表示以e为底的指数函数，d2表示第二仿射密度值；加权单元，用于以所述第一仿射密度值和所述第二仿射密度值作为权重分别对所述纤维状态时序变化特征向量和所述转速时序特征向量进行加权以得到加权后纤维状态时序变化特征向量和加权后转速时序特征向量；关联编码单元，用于对所述加权后纤维状态时序变化特征向量和所述加权后转速时序特征向量进行关联编码以得到所述分类特征矩阵。
根据本申请的另一个方面，提供了一种多晶莫来石纤维的生产控制方法，其包括：
获取胶体在成纤过程中预定时间段内多个预定时间点的圆盘转速值以及由摄像头采集的所述预定时间段的胶体成纤监控视频；
从所述胶体成纤监控视频中提取多个纤维状态关键帧；
将所述多个纤维状态关键帧分别通过包含显著目标检测器的第一卷积神经网络模型以得到多个纤维状态特征向量；
计算所述多个纤维状态特征向量中每相邻两个时间点的纤维状态特征向量之间的转移矩阵以得到多个转移矩阵；
将所述多个转移矩阵排列为三维输入张量后通过使用通道注意力机制的第二卷积神经网络模型以得到纤维状态时序变化特征向量；
将所述多个预定时间点的圆盘转速值按照时间维度排列为转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到转速时序特征向量；
对所述纤维状态时序变化特征向量和所述转速时序特征向量进行关联编码以得到分类特征矩阵；
将所述分类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当前时间点的圆盘转速应增大或减小。
在上述多晶莫来石纤维的生产控制方法中，从所述胶体成纤监控视频中提取多个纤维状态关键帧，包括：以预定采样频率从所述胶体成纤监控视频中提取多个纤维状态关键帧。
在上述多晶莫来石纤维的生产控制方法中，将所述多个纤维状态关键帧分别通过包含显著目标检测器的第一卷积神经网络模型以得到多个纤维状态特征向量，包括：使用所述包含显著目标检测器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：使用第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图，其中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸；对所述第二卷积特征图进行基于通道维度的各个特征矩阵的全局池化处理以得到池化特征图；对所述池化特征图进行激活处理以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述纤维状态特征向量，所述第一卷积神经网络模型的第一层的输入为所述纤维状态关键帧。
与现有技术相比，本申请提供的多晶莫来石纤维的生产控制系统及方法，其采用深度学习技术，从胶体成纤监控视频中提取出纤维的状态变化特征信息，以及，从多个时间点的圆盘转速中提取出圆盘转速的时序动态特征，并以二者的关联性特征表示来进行当前时间点的圆盘转速的实时控制。这样，能够实时准确地基于纤维状态进行圆盘转速调整，以减少纤维断裂和尺寸不达标等缺陷的发生，提高纤维的质量和生产效率。
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多晶莫来石纤维的生产控制系统的框图。
图2为根据本申请实施例的多晶莫来石纤维的生产控制系统的架构示意图。
图3为根据本申请实施例的多晶莫来石纤维的生产控制系统中圆盘转速时序编码模块的框图。
图4为根据本申请实施例的多晶莫来石纤维的生产控制方法的流程图。
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。
申请概述
如上所述，成纤工艺是生产多晶莫来石纤维的关键。在这一环节中，首先将配制好的胶体放入一个压力容器内，通过气力输送到高速旋转的圆盘上，胶体被离心抛出后经热空气喷吹成纤。其原理为离心力拉伸纤维并促使纤维形成较细的结构。但是，过高的圆盘转速可能会导致纤维断裂或形成不均匀的纤维，然而，圆盘转速过低又会使制得的纤维尺寸达不到要求。因此，期待一种多晶莫来石纤维的生产控制系统及方法，能够对多晶莫来石纤维成纤过程中的圆盘速度进行智能控制。
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多晶莫来石纤维成纤过程中的圆盘速度智能控制提供了新的解决思路和方案。
相应地，在实际进行多晶莫来石纤维成纤过程中的圆盘速度智能控制时，应根据胶体成纤过程中纤维的状态变化来自适应地调控圆盘转速。也就是说，由于不同的圆盘转速导致纤维的状态不同，因此，需要挖掘出所述纤维状态变化特征与圆盘转速时序动态特征间的关联性特征分布信息，以此来进行圆盘转速的控制。
具体地，在本申请的技术方案中，首先，通过传感器获取胶体在成纤过程中预定时间段内多个预定时间点的圆盘转速值，以及通过摄像头采集所述预定时间段的胶体成纤监控视频。接着，考虑到所述纤维的状态变化特征可以通过所述胶体成纤监控视频中相邻图像帧之间的差异信息来表示，但由于所述胶体成纤监控视频中的相邻图像帧几乎一致，差异特征过小，因此，若直接对所述胶体成纤监控视频进行特征提取，不仅计算量过于庞大，而且会对所述纤维的状态变化特征提取造成干扰。基于此，进一步以预定采样频率对所述胶体成纤监控视频进行采样处理，以从所述胶体成纤监控视频中提取多个纤维状态关键帧。
然后，将所述多个纤维状态关键帧分别通过包含显著目标检测器的第一卷积神经网络模型进行特征挖掘，以得到多个纤维状态特征向量。应可以理解，显著目标检测器是一种用于检测图像或视频中显著物体或区域的技术，在本申请的技术方案中，该检测器被用于检测和提取纤维状态关键帧中的显著纤维结构。通过将所述纤维状态关键帧输入到包含显著目标检测器的卷积神经网络模型中，能够学习识别和捕捉纤维结构的关键特征，例如纤维细化程度、均匀性以及其他与纤维状态相关的属性，为后续的纤维质量监控和圆盘转速控制提供有用的输入。
接着，计算所述多个纤维状态特征向量中每相邻两个时间点的转移矩阵，以揭示纤维状态在时间上的演变和转移规律。应可以理解，转移矩阵能够描述纤维状态从一个时间点转移到下一个时间点的概率分布情况。通过计算所述多个纤维状态特征向量之间的转移矩阵，可以了解不同纤维状态之间的关联程度和转移概率，为纤维质量监控和转速控制提供更详细的信息和依据。
进一步地，将所述多个转移矩阵排列为三维输入张量，并通过使用通道注意力机制的第二卷积神经网络模型进行特征提取，以得到纤维状态时序变化特征向量。通过将所述多个转移矩阵排列为三维输入张量，将时间维度纳入考虑，使得模型能够同时关注多个时间点上的转移矩阵信息。通道注意力机制能够自动学习和强调输入张量中不同通道中的关键信息。也就是说，通过使用通道注意力机制的第二卷积神经网络模型，可以在纤维状态时序变化特征提取过程中，自动选择和强调与纤维状态变化相关的通道，并滤除无关信息的干扰，为纤维质量监控和转速控制提供更详细和细粒度的时序信息。
同时，将所述多个预定时间点的圆盘转速值按照时间维度排列为转速输入向量，并通过包含全连接层和一维卷积层的时序编码器处理，以捕捉转速随时间的变化趋势和模式，从而得到转速时序特征向量。应可以理解，时序编码器是一种用于处理时序数据的神经网络结构，能够从时序数据中提取稳定的特征表示。其中，全连接层可以学习转速数据之间的非线性关系，并对输入进行维度扩展和信息融合，提供更丰富和抽象的表示。而一维卷积层可以通过对转速序列进行卷积操作，捕捉转速的局部模式和时序相关性。
特别地，考虑到所述纤维状态时序变化特征向量和所述转速时序特征向量可能包含大量共同的信息。这种情况下，直接将它们转置相乘进行关联编码可能会导致冗余的特征表示，并且增加了模型的复杂性。同时，通过关联编码，模型需要同时处理两个时序特征向量的信息，这会增加模型的参数数量和计算复杂度。如果两个时序特征向量之间存在较强的相关性，直接进行转置相乘可能并不会带来明显的好处，反而会增加模型的计算负担。为了避免数据冗余和复杂度增加，对所述纤维状态时序变化特征向量和所述转速时序特征向量基于特征空间的仿射密度域关联，这里，特征空间的仿射密度域关联是一种在机器学习中用于降维和特征提取的方法，它基于将高维数据映射到低维空间，同时保持数据的局部密度分布。这种方法的技术效果是可以有效地处理非线性和高维数据，提高数据的可视化和分类性能，以及减少计算复杂度和内存消耗。
具体地，对所述纤维状态时序变化特征向量和所述转速时序特征向量进行关联编码以得到分类特征矩阵，包括：以如下公式计算所述纤维状态时序变化特征向量相对于所述转速时序特征向量的第一仿射密度值，其中，所述公式为
其中，x1和x2分别表示纤维状态时序变化特征向量和转速时序特征向量，σ1表示第一高斯核函数的宽度参数；以如下公式计算所述转速时序特征向量相对于所述纤维状态时序变化特征向量的第二仿射密度值，其中，所述公式为：
其中，x1和x2分别表示纤维状态时序变化特征向量和转速时序特征向量，σ2表示第二高斯核函数的宽度参数；以所述第一仿射密度值和所述第二仿射密度值作为权重分别对所述纤维状态时序变化特征向量和所述转速时序特征向量进行加权以得到加权后纤维状态时序变化特征向量和加权后转速时序特征向量；对所述加权后纤维状态时序变化特征向量和所述加权后转速时序特征向量进行关联编码以得到所述分类特征矩阵。
在本申请的技术方案中，计算所述纤维状态时序变化特征向量和所述转速时序特征向量之间的第一仿射密度值和第二仿射密度值，来表示所述纤维状态时序变化特征向量和所述转速时序特征向量在分别映射到低维仿射子空间之后的特征分布密度域之间的相对量化表征对比值，这样，在将所述纤维状态时序变化特征向量和所述转速时序特征向量分别映射到低维的仿射子空间后能够利用所述第一仿射密度值和所述第二仿射密度值来对所述纤维状态时序变化特征向量和所述转速时序特征向量的特征分布进行基于特征分布密度域的协同约束，以使得所述分类特征矩阵能够在密度域层面与所述纤维状态时序变化特征向量和所述转速时序特征向量进行有效关联和近似，通过这样的方式，保留所述纤维状态时序变化特征向量和所述转速时序特征向量的数据点之间的相对距离和密度信息，即保持数据的内在结构和分布，有效地提取数据的主要特征，降低数据的复杂度和冗余性，提高数据的分类和聚类性能。
最后，将所述分类特征矩阵通过分类器以得到用于表示当前时间点的圆盘转速应增大、保持不变或减小的分类结果。这样，能够基于分类结果采取相应的控制策略，以实现对纤维质量的调整和优化，从而满足工艺要求和提高纤维质量。
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多晶莫来石纤维的生产控制系统的框图。如图1所示，根据本申请实施例的多晶莫来石纤维的生产控制系统100，包括：数据采集模块110，用于获取胶体在成纤过程中预定时间段内多个预定时间点的圆盘转速值以及由摄像头采集的所述预定时间段的胶体成纤监控视频；关键帧提取模块120，用于从所述胶体成纤监控视频中提取多个纤维状态关键帧；纤维状态特征提取模块130，用于将所述多个纤维状态关键帧分别通过包含显著目标检测器的第一卷积神经网络模型以得到多个纤维状态特征向量；转移计算模块140，用于计算所述多个纤维状态特征向量中每相邻两个时间点的纤维状态特征向量之间的转移矩阵以得到多个转移矩阵；纤维状态时序变化特征提取模块150，用于将所述多个转移矩阵排列为三维输入张量后通过使用通道注意力机制的第二卷积神经网络模型以得到纤维状态时序变化特征向量；圆盘转速时序编码模块160，用于将所述多个预定时间点的圆盘转速值按照时间维度排列为转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到转速时序特征向量；关联编码模块170，用于对所述纤维状态时序变化特征向量和所述转速时序特征向量进行关联编码以得到分类特征矩阵；控制结果生成模块180，用于将所述分类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当前时间点的圆盘转速应增大或减小。
图2为根据本申请实施例的多晶莫来石纤维的生产控制系统的架构示意图。如图2所示，首先，获取胶体在成纤过程中预定时间段内多个预定时间点的圆盘转速值以及由摄像头采集的所述预定时间段的胶体成纤监控视频。接着，从所述胶体成纤监控视频中提取多个纤维状态关键帧。然后，将所述多个纤维状态关键帧分别通过包含显著目标检测器的第一卷积神经网络模型以得到多个纤维状态特征向量。其次，计算所述多个纤维状态特征向量中每相邻两个时间点的纤维状态特征向量之间的转移矩阵以得到多个转移矩阵。继而，将所述多个转移矩阵排列为三维输入张量后通过使用通道注意力机制的第二卷积神经网络模型以得到纤维状态时序变化特征向量。同时，将所述多个预定时间点的圆盘转速值按照时间维度排列为转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到转速时序特征向量。接着，对所述纤维状态时序变化特征向量和所述转速时序特征向量进行关联编码以得到分类特征矩阵。最后，将所述分类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当前时间点的圆盘转速应增大或减小。
在上述多晶莫来石纤维的生产控制系统100中，所述数据采集模块110，用于获取胶体在成纤过程中预定时间段内多个预定时间点的圆盘转速值以及由摄像头采集的所述预定时间段的胶体成纤监控视频。如上述背景技术所言，成纤工艺是生产多晶莫来石纤维的关键。成纤工艺的原理为利用离心力拉伸纤维并促使纤维形成较细的结构。但是，过高的圆盘转速可能会导致纤维断裂或形成不均匀的纤维，然而，圆盘转速过低又会使制得的纤维尺寸达不到要求。因此，期望能够对多晶莫来石纤维成纤过程中的圆盘速度进行智能控制。
相应地，在实际进行多晶莫来石纤维成纤过程中的圆盘速度智能控制时，应根据胶体成纤过程中纤维的状态变化来自适应地调控圆盘转速。也就是说，由于不同的圆盘转速导致纤维的状态不同，因此，需要挖掘出所述纤维状态变化特征与圆盘转速时序动态特征间的关联性特征分布信息，以此来进行圆盘转速的控制。基于此，在本申请的技术方案中，首先，通过传感器获取胶体在成纤过程中预定时间段内多个预定时间点的圆盘转速值，以及通过摄像头采集所述预定时间段的胶体成纤监控视频。
在上述多晶莫来石纤维的生产控制系统100中，所述关键帧提取模块120，用于从所述胶体成纤监控视频中提取多个纤维状态关键帧。考虑到所述纤维的状态变化特征可以通过所述胶体成纤监控视频中相邻图像帧之间的差异信息来表示，但由于所述胶体成纤监控视频中的相邻图像帧几乎一致，差异特征过小，因此，若直接对所述胶体成纤监控视频进行特征提取，不仅计算量过于庞大，而且会对所述纤维的状态变化特征提取造成干扰。基于此，进一步以预定采样频率对所述胶体成纤监控视频进行采样处理，以从所述胶体成纤监控视频中提取多个纤维状态关键帧。
在上述多晶莫来石纤维的生产控制系统100中，所述纤维状态特征提取模块130，用于将所述多个纤维状态关键帧分别通过包含显著目标检测器的第一卷积神经网络模型以得到多个纤维状态特征向量。应可以理解，显著目标检测器是一种用于检测图像或视频中显著物体或区域的技术，在本申请的技术方案中，该检测器被用于检测和提取纤维状态关键帧中的显著纤维结构。通过将所述纤维状态关键帧输入到包含显著目标检测器的卷积神经网络模型中，能够学习识别和捕捉纤维结构的关键特征，例如纤维细化程度、均匀性以及其他与纤维状态相关的属性，为后续的纤维质量监控和圆盘转速控制提供有用的输入。
相应地，在一个具体示例中，所述纤维状态特征提取模块130，用于：使用所述包含显著目标检测器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：使用第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图，其中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸；对所述第二卷积特征图进行基于通道维度的各个特征矩阵的全局池化处理以得到池化特征图；对所述池化特征图进行激活处理以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述纤维状态特征向量，所述第一卷积神经网络模型的第一层的输入为所述纤维状态关键帧。
在上述多晶莫来石纤维的生产控制系统100中，所述转移计算模块140，用于计算所述多个纤维状态特征向量中每相邻两个时间点的纤维状态特征向量之间的转移矩阵以得到多个转移矩阵。应可以理解，转移矩阵能够描述纤维状态从一个时间点转移到下一个时间点的概率分布情况。通过计算所述多个纤维状态特征向量之间的转移矩阵，以揭示纤维状态在时间上的演变和转移规律，了解不同纤维状态之间的关联程度和转移概率，为纤维质量监控和转速控制提供更详细的信息和依据。
相应地，在一个具体示例中，所述转移计算模块140，用于：以如下转移公式计算所述多个纤维状态特征向量中每相邻两个时间点的纤维状态特征向量之间的转移矩阵以得到所述多个转移矩阵；
其中，所述转移公式为：
其中V1、V2表示所述多个纤维状态特征向量中相邻两个时间点的纤维状态特征向量，表示矩阵相乘，M表示所述转移矩阵。
在上述多晶莫来石纤维的生产控制系统100中，所述纤维状态时序变化特征提取模块150，用于将所述多个转移矩阵排列为三维输入张量后通过使用通道注意力机制的第二卷积神经网络模型以得到纤维状态时序变化特征向量。应可以理解，将所述多个转移矩阵排列为三维输入张量，以将时间维度纳入考虑，使得模型能够同时关注多个时间点上的转移矩阵信息。并且，通道注意力机制能够自动学习和强调输入张量中不同通道中的关键信息。也就是说，通过使用通道注意力机制的第二卷积神经网络模型，可以在纤维状态时序变化特征提取过程中，自动选择和强调与纤维状态变化相关的通道，并滤除无关信息的干扰，为纤维质量监控和转速控制提供更详细和细粒度的时序信息。
相应地，在一个具体示例中，所述纤维状态时序变化特征提取模块150，用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；计算所述卷积特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以得到通道加权特征向量；以所述通道加权特征向量的各个位置的特征值作为权重对所述卷积特征图的沿通道维度的特征矩阵进行点乘以得到通道注意力图；对所述通道注意力图进行基于通道维度的各个特征矩阵的全局均值池化处理以得到池化特征图；对所述池化特征图进行激活处理以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层输出为所述纤维状态时序变化特征向量，所述第二卷积神经网络的第二层至最后一层的输入为上一层的输出，所述第二卷积神经网络的输入为所述三维输入张量。
在上述多晶莫来石纤维的生产控制系统100中，所述圆盘转速时序编码模块160，用于将所述多个预定时间点的圆盘转速值按照时间维度排列为转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到转速时序特征向量。应可以理解，时序编码器是一种用于处理时序数据的神经网络结构，能够从时序数据中提取稳定的特征表示，以捕捉转速随时间的变化趋势和模式。其中，全连接层可以学习转速数据之间的非线性关系，并对输入进行维度扩展和信息融合，提供更丰富和抽象的表示。而一维卷积层可以通过对转速序列进行卷积操作，捕捉转速的局部模式和时序相关性。
图3为根据本申请实施例的多晶莫来石纤维的生产控制系统中圆盘转速时序编码模块的框图。如图3所示，所述圆盘转速时序编码模块160，包括：归一化映射单元161，用于将所述转速输入向量进行基于最大值的归一化处理以得到归一化后转速输入向量；全连接编码单元162，用于使用所述时序编码器的全连接层对所述归一化后转速输入向量进行全连接编码以提取所述归一化后转速输入向量中各个位置的特征值的高维隐含特征；一维卷积编码单元163，用于使用所述时序编码器的一维卷积层对所述归一化后转速输入向量进行一维编码以提取所述归一化后转速输入向量中各个位置的特征值间的关联的高维隐含关联特征。
在上述多晶莫来石纤维的生产控制系统100中，所述关联编码模块170，用于对所述纤维状态时序变化特征向量和所述转速时序特征向量进行关联编码以得到分类特征矩阵。特别地，考虑到所述纤维状态时序变化特征向量和所述转速时序特征向量可能包含大量共同的信息。这种情况下，直接将它们转置相乘进行关联编码可能会导致冗余的特征表示，并且增加了模型的复杂性。同时，通过关联编码，模型需要同时处理两个时序特征向量的信息，这会增加模型的参数数量和计算复杂度。如果两个时序特征向量之间存在较强的相关性，直接进行转置相乘可能并不会带来明显的好处，反而会增加模型的计算负担。为了避免数据冗余和复杂度增加，对所述纤维状态时序变化特征向量和所述转速时序特征向量基于特征空间的仿射密度域关联，这里，特征空间的仿射密度域关联是一种在机器学习中用于降维和特征提取的方法，它基于将高维数据映射到低维空间，同时保持数据的局部密度分布。这种方法的技术效果是可以有效地处理非线性和高维数据，提高数据的可视化和分类性能，以及减少计算复杂度和内存消耗。
相应地，在一个具体示例中，所述关联编码模块170，包括：第一仿射密度计算单元，用于以如下第一仿射密度计算公式计算所述纤维状态时序变化特征向量相对于所述转速时序特征向量的第一仿射密度值，其中，所述第一仿射密度计算公式为；
其中，x1表示所述纤维状态时序变化特征向量，x2表示所述转速时序特征向量，σ1表示第一高斯核函数的宽度参数，||·||表示范数函数，exp表示以e为底的指数函数，d1表示第一仿射密度值；第二仿射密度计算单元，用于以如下第二仿射密度计算公式计算所述转速时序特征向量相对于所述纤维状态时序变化特征向量的第二仿射密度值，其中，所述第二仿射密度计算公式为：
其中，x1表示所述纤维状态时序变化特征向量，x2表示所述转速时序特征向量，σ2表示第二高斯核函数的宽度参数，||·||表示范数函数，exp表示以e为底的指数函数，d2表示第二仿射密度值；加权单元，用于以所述第一仿射密度值和所述第二仿射密度值作为权重分别对所述纤维状态时序变化特征向量和所述转速时序特征向量进行加权以得到加权后纤维状态时序变化特征向量和加权后转速时序特征向量；关联编码单元，用于对所述加权后纤维状态时序变化特征向量和所述加权后转速时序特征向量进行关联编码以得到所述分类特征矩阵。
在本申请的技术方案中，计算所述纤维状态时序变化特征向量和所述转速时序特征向量之间的第一仿射密度值和第二仿射密度值，来表示所述纤维状态时序变化特征向量和所述转速时序特征向量在分别映射到低维仿射子空间之后的特征分布密度域之间的相对量化表征对比值，这样，在将所述纤维状态时序变化特征向量和所述转速时序特征向量分别映射到低维的仿射子空间后能够利用所述第一仿射密度值和所述第二仿射密度值来对所述纤维状态时序变化特征向量和所述转速时序特征向量的特征分布进行基于特征分布密度域的协同约束，以使得所述分类特征矩阵能够在密度域层面与所述纤维状态时序变化特征向量和所述转速时序特征向量进行有效关联和近似，通过这样的方式，保留所述纤维状态时序变化特征向量和所述转速时序特征向量的数据点之间的相对距离和密度信息，即保持数据的内在结构和分布，有效地提取数据的主要特征，降低数据的复杂度和冗余性，提高数据的分类和聚类性能。
在上述多晶莫来石纤维的生产控制系统100中，所述控制结果生成模块180，用于将所述分类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当前时间点的圆盘转速应增大或减小。这样，能够基于分类结果采取相应的控制策略，以实现对纤维质量的调整和优化，从而满足工艺要求和提高纤维质量。
综上，根据本申请实施例的多晶莫来石纤维的生产控制系统被阐明，其采用深度学习技术，从胶体成纤监控视频中提取出纤维的状态变化特征信息，以及，从多个时间点的圆盘转速中提取出圆盘转速的时序动态特征，并以二者的关联性特征表示来进行当前时间点的圆盘转速的实时控制。这样，能够实时准确地基于纤维状态进行圆盘转速调整，以减少纤维断裂和尺寸不达标等缺陷的发生，提高纤维的质量和生产效率。
示例性方法
图4为根据本申请实施例的多晶莫来石纤维的生产控制方法的流程图。如图4所示，根据本申请实施例的多晶莫来石纤维的生产控制方法，包括步骤：S110，获取胶体在成纤过程中预定时间段内多个预定时间点的圆盘转速值以及由摄像头采集的所述预定时间段的胶体成纤监控视频；S120，从所述胶体成纤监控视频中提取多个纤维状态关键帧；S130，将所述多个纤维状态关键帧分别通过包含显著目标检测器的第一卷积神经网络模型以得到多个纤维状态特征向量；S140，计算所述多个纤维状态特征向量中每相邻两个时间点的纤维状态特征向量之间的转移矩阵以得到多个转移矩阵；S150，将所述多个转移矩阵排列为三维输入张量后通过使用通道注意力机制的第二卷积神经网络模型以得到纤维状态时序变化特征向量；S160，将所述多个预定时间点的圆盘转速值按照时间维度排列为转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到转速时序特征向量；S170，对所述纤维状态时序变化特征向量和所述转速时序特征向量进行关联编码以得到分类特征矩阵；S180，将所述分类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当前时间点的圆盘转速应增大或减小。
在一个具体示例中，在上述多晶莫来石纤维的生产控制方法中，所述步骤S120，从所述胶体成纤监控视频中提取多个纤维状态关键帧，包括：以预定采样频率从所述胶体成纤监控视频中提取多个纤维状态关键帧。
在一个具体示例中，在上述多晶莫来石纤维的生产控制方法中，所述步骤S130，将所述多个纤维状态关键帧分别通过包含显著目标检测器的第一卷积神经网络模型以得到多个纤维状态特征向量，包括：使用所述包含显著目标检测器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：使用第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图，其中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸；对所述第二卷积特征图进行基于通道维度的各个特征矩阵的全局池化处理以得到池化特征图；对所述池化特征图进行激活处理以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述纤维状态特征向量，所述第一卷积神经网络模型的第一层的输入为所述纤维状态关键帧。
在一个具体示例中，在上述多晶莫来石纤维的生产控制方法中，所述步骤S140，计算所述多个纤维状态特征向量中每相邻两个时间点的纤维状态特征向量之间的转移矩阵以得到多个转移矩阵，包括：以如下转移公式计算所述多个纤维状态特征向量中每相邻两个时间点的纤维状态特征向量之间的转移矩阵以得到所述多个转移矩阵；
其中，所述转移公式为：
其中V1、V2表示所述多个纤维状态特征向量中相邻两个时间点的纤维状态特征向量，表示矩阵相乘，M表示所述转移矩阵。
在一个具体示例中，在上述多晶莫来石纤维的生产控制方法中，所述步骤S150，将所述多个转移矩阵排列为三维输入张量后通过使用通道注意力机制的第二卷积神经网络模型以得到纤维状态时序变化特征向量，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；计算所述卷积特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以得到通道加权特征向量；以所述通道加权特征向量的各个位置的特征值作为权重对所述卷积特征图的沿通道维度的特征矩阵进行点乘以得到通道注意力图；对所述通道注意力图进行基于通道维度的各个特征矩阵的全局均值池化处理以得到池化特征图；对所述池化特征图进行激活处理以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层输出为所述纤维状态时序变化特征向量，所述第二卷积神经网络的第二层至最后一层的输入为上一层的输出，所述第二卷积神经网络的输入为所述三维输入张量。
在一个具体示例中，在上述多晶莫来石纤维的生产控制方法中，所述步骤S160，将所述多个预定时间点的圆盘转速值按照时间维度排列为转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到转速时序特征向量，包括：将所述转速输入向量进行基于最大值的归一化处理以得到归一化后转速输入向量；使用所述时序编码器的全连接层对所述归一化后转速输入向量进行全连接编码以提取所述归一化后转速输入向量中各个位置的特征值的高维隐含特征；使用所述时序编码器的一维卷积层对所述归一化后转速输入向量进行一维编码以提取所述归一化后转速输入向量中各个位置的特征值间的关联的高维隐含关联特征。
在一个具体示例中，在上述多晶莫来石纤维的生产控制方法中，所述步骤S170，对所述纤维状态时序变化特征向量和所述转速时序特征向量进行关联编码以得到分类特征矩阵，包括：以如下第一仿射密度计算公式计算所述纤维状态时序变化特征向量相对于所述转速时序特征向量的第一仿射密度值，其中，所述第一仿射密度计算公式为；
其中，x1表示所述纤维状态时序变化特征向量，x2表示所述转速时序特征向量，σ1表示第一高斯核函数的宽度参数，||·||表示范数函数，exp表示以e为底的指数函数，d1表示第一仿射密度值；以如下第二仿射密度计算公式计算所述转速时序特征向量相对于所述纤维状态时序变化特征向量的第二仿射密度值，其中，所述第二仿射密度计算公式为：
其中，x1表示所述纤维状态时序变化特征向量，x2表示所述转速时序特征向量，σ2表示第二高斯核函数的宽度参数，||·||表示范数函数，exp表示以e为底的指数函数，d2表示第二仿射密度值；以所述第一仿射密度值和所述第二仿射密度值作为权重分别对所述纤维状态时序变化特征向量和所述转速时序特征向量进行加权以得到加权后纤维状态时序变化特征向量和加权后转速时序特征向量；对所述加权后纤维状态时序变化特征向量和所述加权后转速时序特征向量进行关联编码以得到所述分类特征矩阵。
这里，本领域技术人员可以理解，上述多晶莫来石纤维的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的多晶莫来石纤维的生产控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。

Claims (10)

1.一种多晶莫来石纤维的生产控制系统，其特征在于，包括：
数据采集模块，用于获取胶体在成纤过程中预定时间段内多个预定时间点的圆盘转速值以及由摄像头采集的所述预定时间段的胶体成纤监控视频；
关键帧提取模块，用于从所述胶体成纤监控视频中提取多个纤维状态关键帧；
纤维状态特征提取模块，用于将所述多个纤维状态关键帧分别通过包含显著目标检测器的第一卷积神经网络模型以得到多个纤维状态特征向量；
转移计算模块，用于计算所述多个纤维状态特征向量中每相邻两个时间点的纤维状态特征向量之间的转移矩阵以得到多个转移矩阵；
纤维状态时序变化特征提取模块，用于将所述多个转移矩阵排列为三维输入张量后通过使用通道注意力机制的第二卷积神经网络模型以得到纤维状态时序变化特征向量；
圆盘转速时序编码模块，用于将所述多个预定时间点的圆盘转速值按照时间维度排列为转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到转速时序特征向量；
关联编码模块，用于对所述纤维状态时序变化特征向量和所述转速时序特征向量进行关联编码以得到分类特征矩阵；
控制结果生成模块，用于将所述分类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当前时间点的圆盘转速应增大或减小。
2.根据权利要求1所述的多晶莫来石纤维的生产控制系统，其特征在于，所述关键帧提取模块，用于：以预定采样频率从所述胶体成纤监控视频中提取多个纤维状态关键帧。
3.根据权利要求2所述的多晶莫来石纤维的生产控制系统，其特征在于，所述纤维状态特征提取模块，用于：使用所述包含显著目标检测器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
使用第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；
使用第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图，其中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸；
对所述第二卷积特征图进行基于通道维度的各个特征矩阵的全局池化处理以得到池化特征图；
对所述池化特征图进行激活处理以得到激活特征图；
其中，所述第一卷积神经网络模型的最后一层的输出为所述纤维状态特征向量，所述第一卷积神经网络模型的第一层的输入为所述纤维状态关键帧。
4.根据权利要求3所述的多晶莫来石纤维的生产控制系统，其特征在于，所述转移计算模块，用于：以如下转移公式计算所述多个纤维状态特征向量中每相邻两个时间点的纤维状态特征向量之间的转移矩阵以得到所述多个转移矩阵；
其中，所述转移公式为：
其中V1、V2表示所述多个纤维状态特征向量中相邻两个时间点的纤维状态特征向量，表示矩阵相乘，M表示所述转移矩阵。
5.根据权利要求4所述的多晶莫来石纤维的生产控制系统，其特征在于，所述纤维状态时序变化特征提取模块，用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：
对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；
计算所述卷积特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；
计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以得到通道加权特征向量；
以所述通道加权特征向量的各个位置的特征值作为权重对所述卷积特征图的沿通道维度的特征矩阵进行点乘以得到通道注意力图；
对所述通道注意力图进行基于通道维度的各个特征矩阵的全局均值池化处理以得到池化特征图；
对所述池化特征图进行激活处理以得到激活特征图；
其中，所述第二卷积神经网络模型的最后一层输出为所述纤维状态时序变化特征向量，所述第二卷积神经网络的第二层至最后一层的输入为上一层的输出，所述第二卷积神经网络的输入为所述三维输入张量。
6.根据权利要求5所述的多晶莫来石纤维的生产控制系统，其特征在于，所述圆盘转速时序编码模块，包括：
归一化映射单元，用于将所述转速输入向量进行基于最大值的归一化处理以得到归一化后转速输入向量；
全连接编码单元，用于使用所述时序编码器的全连接层对所述归一化后转速输入向量进行全连接编码以提取所述归一化后转速输入向量中各个位置的特征值的高维隐含特征；
一维卷积编码单元，用于使用所述时序编码器的一维卷积层对所述归一化后转速输入向量进行一维编码以提取所述归一化后转速输入向量中各个位置的特征值间的关联的高维隐含关联特征。
7.根据权利要求6所述的多晶莫来石纤维的生产控制系统，其特征在于，所述关联编码模块，包括：
第一仿射密度计算单元，用于以如下第一仿射密度计算公式计算所述纤维状态时序变化特征向量相对于所述转速时序特征向量的第一仿射密度值，其中，所述第一仿射密度计算公式为；
其中，x1表示所述纤维状态时序变化特征向量，x2表示所述转速时序特征向量,σ1表示第一高斯核函数的宽度参数，‖·‖表示范数函数，exp表示以e为底的指数函数，d1表示第一仿射密度值；
第二仿射密度计算单元，用于以如下第二仿射密度计算公式计算所述转速时序特征向量相对于所述纤维状态时序变化特征向量的第二仿射密度值，其中，所述第二仿射密度计算公式为：
其中，x1表示所述纤维状态时序变化特征向量，x2表示所述转速时序特征向量,σ2表示第二高斯核函数的宽度参数，‖·‖表示范数函数，exp表示以e为底的指数函数，d2表示第二仿射密度值；
加权单元，用于以所述第一仿射密度值和所述第二仿射密度值作为权重分别对所述纤维状态时序变化特征向量和所述转速时序特征向量进行加权以得到加权后纤维状态时序变化特征向量和加权后转速时序特征向量；
关联编码单元，用于对所述加权后纤维状态时序变化特征向量和所述加权后转速时序特征向量进行关联编码以得到所述分类特征矩阵。
8.一种多晶莫来石纤维的生产控制方法，其特征在于，包括：
获取胶体在成纤过程中预定时间段内多个预定时间点的圆盘转速值以及由摄像头采集的所述预定时间段的胶体成纤监控视频；
从所述胶体成纤监控视频中提取多个纤维状态关键帧；
将所述多个纤维状态关键帧分别通过包含显著目标检测器的第一卷积神经网络模型以得到多个纤维状态特征向量；
计算所述多个纤维状态特征向量中每相邻两个时间点的纤维状态特征向量之间的转移矩阵以得到多个转移矩阵；
将所述多个转移矩阵排列为三维输入张量后通过使用通道注意力机制的第二卷积神经网络模型以得到纤维状态时序变化特征向量；
将所述多个预定时间点的圆盘转速值按照时间维度排列为转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到转速时序特征向量；
对所述纤维状态时序变化特征向量和所述转速时序特征向量进行关联编码以得到分类特征矩阵；
将所述分类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当前时间点的圆盘转速应增大或减小。
9.根据权利要求8所述的多晶莫来石纤维的生产控制方法，其特征在于，从所述胶体成纤监控视频中提取多个纤维状态关键帧，包括：以预定采样频率从所述胶体成纤监控视频中提取多个纤维状态关键帧。
10.根据权利要求9所述的多晶莫来石纤维的生产控制方法，其特征在于，将所述多个纤维状态关键帧分别通过包含显著目标检测器的第一卷积神经网络模型以得到多个纤维状态特征向量，包括：使用所述包含显著目标检测器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
使用第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；
使用第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图，其中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸；
对所述第二卷积特征图进行基于通道维度的各个特征矩阵的全局池化处理以得到池化特征图；
对所述池化特征图进行激活处理以得到激活特征图；
其中，所述第一卷积神经网络模型的最后一层的输出为所述纤维状态特征向量，所述第一卷积神经网络模型的第一层的输入为所述纤维状态关键帧。
CN202311163680.4A 2023-09-11 2023-09-11 多晶莫来石纤维的生产控制系统及方法 Pending CN117270467A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311163680.4A CN117270467A (zh) 2023-09-11 2023-09-11 多晶莫来石纤维的生产控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311163680.4A CN117270467A (zh) 2023-09-11 2023-09-11 多晶莫来石纤维的生产控制系统及方法

Publications (1)

Publication Number Publication Date
CN117270467A true CN117270467A (zh) 2023-12-22

Family

ID=89205432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311163680.4A Pending CN117270467A (zh) 2023-09-11 2023-09-11 多晶莫来石纤维的生产控制系统及方法

Country Status (1)

Country Link
CN (1) CN117270467A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201162071Y (zh) * 2008-02-19 2008-12-10 山东红阳耐火保温材料有限公司 用于胶体法制备多晶纤维的万转离心成纤装置
WO2021204010A1 (zh) * 2020-11-19 2021-10-14 平安科技（深圳）有限公司 一种时序异常检测方法、装置、计算机设备及存储介质
CN115936682A (zh) * 2022-12-21 2023-04-07 江西有源工业废物回收处理有限公司 印制线路板的废料回收系统及其方法
CN116652823A (zh) * 2023-06-26 2023-08-29 浙江钱祥工具股份有限公司 磨床的自动监测系统及其方法
CN116690823A (zh) * 2023-06-08 2023-09-05 滁州优胜高分子材料有限公司 改性pbt材料的智能制备方法及其系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201162071Y (zh) * 2008-02-19 2008-12-10 山东红阳耐火保温材料有限公司 用于胶体法制备多晶纤维的万转离心成纤装置
WO2021204010A1 (zh) * 2020-11-19 2021-10-14 平安科技（深圳）有限公司 一种时序异常检测方法、装置、计算机设备及存储介质
CN115936682A (zh) * 2022-12-21 2023-04-07 江西有源工业废物回收处理有限公司 印制线路板的废料回收系统及其方法
CN116690823A (zh) * 2023-06-08 2023-09-05 滁州优胜高分子材料有限公司 改性pbt材料的智能制备方法及其系统
CN116652823A (zh) * 2023-06-26 2023-08-29 浙江钱祥工具股份有限公司 磨床的自动监测系统及其方法

Similar Documents

Publication Publication Date Title
CN110929679B (zh) 一种基于gan的无监督自适应行人重识别方法
CN112381788B (zh) 一种基于双分支匹配网络的零部件表面缺陷增量检测方法
CN109612513B (zh) 一种面向大规模高维传感器数据的在线式异常检测方法
CN105550426B (zh) 一种基于样本分割的多尺度二叉树高炉故障诊断方法
CN108595558B (zh) 一种数据均衡策略和多特征融合的图像标注方法
CN111191742B (zh) 一种用于多源异构数据流的滑动窗口长度自适应调整方法
CN111160389A (zh) 一种基于融合vgg的岩性识别方法
CN116690823A (zh) 改性pbt材料的智能制备方法及其系统
CN117493930A (zh) 一种基于对比生成对抗网络的多元时间序列异常检测方法
CN116824304A (zh) 一种基于对比学习的低照度目标检测方法
Dan et al. PF‐ViT: Parallel and Fast Vision Transformer for Offline Handwritten Chinese Character Recognition
CN112529025A (zh) 一种数据处理方法及装置
CN117270467A (zh) 多晶莫来石纤维的生产控制系统及方法
Zhang [Retracted] Sports Action Recognition Based on Particle Swarm Optimization Neural Networks
CN117105251A (zh) 纳米级氧化铝的智能制备方法
CN117190657A (zh) 隧道式烘干生产线及其方法
CN117445367A (zh) 吹塑模具的自动控制系统及其方法
CN116740639A (zh) 冰箱内置摄像头监控系统及其方法
Li et al. Deep convolutional neural network for real and fake face discrimination
CN116072355A (zh) 光伏线及其智能化制造方法
CN113570611A (zh) 基于多特征融合解码器的矿物实时分割方法
CN112766358A (zh) 用于粉尘抽吸强度控制的神经网络的训练方法
CN119048511B (zh) 一种基于ssmd的半监督微裂纹检测方法
Chen et al. Multi-label oxide classification in float-zone silicon crystal growth using transfer learning and asymmetric loss
CN118521837B (zh) 一种接触网缺陷智能检测模型的快速迭代方法

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
TA01 Transfer of patent application right

Effective date of registration: 20241024

Address after: 314500 Room 1613-43, Central Building, No.1 Qingfeng Middle Road, wutong Street, Tongxiang City, Jiaxing City, Zhejiang Province

Applicant after: Jiaxing liangchuang Technology Co.,Ltd.

Country or region after: China

Address before: Lei Dian Zhen Bai Yun Qiao, Deqing County, Huzhou City, Zhejiang Province, 313200

Applicant before: Zhejiang OSM Crystal Fiber Co.,Ltd.

Country or region before: China