CN117289736A - 用于高温防腐储藏罐的温度控制方法及系统 - Google Patents
用于高温防腐储藏罐的温度控制方法及系统 Download PDFInfo
- Publication number
- CN117289736A CN117289736A CN202311234344.4A CN202311234344A CN117289736A CN 117289736 A CN117289736 A CN 117289736A CN 202311234344 A CN202311234344 A CN 202311234344A CN 117289736 A CN117289736 A CN 117289736A
- Authority
- CN
- China
- Prior art keywords
- temperature
- time sequence
- sequence
- feature
- local time
- 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
Links
- 238000005260 corrosion Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 171
- 238000001816 cooling Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012546 transfer Methods 0.000 claims description 65
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 18
- 230000007797 corrosion Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 abstract description 12
- 230000007704 transition Effects 0.000 description 16
- 230000008859 change Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000006903 response to temperature Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- -1 s131 Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
公开了一种用于高温防腐储藏罐的温度控制方法及系统。其首先通过部署于高温防腐储藏罐内的温度传感器采集预定时间段内多个预定时间点的温度值,接着,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,然后,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,接着,对所述温度局部时序特征向量的序列进行时序全局关联编码以得到温度全时序语义关联特征,最后,基于所述温度全时序语义关联特征,确定开启冷却风扇或开启加热器。这样,可以保持储藏罐的内部温度始终在安全范围内,从而确保储存物质的安全性、稳定性和可靠性。
Description
技术领域
本申请涉及温度控制领域,且更为具体地,涉及一种用于高温防腐储藏罐的温度控制方法及系统。
背景技术
高温防腐储藏罐通常用于存储需要在高温环境下保持稳定的物质,如化学品、石油产品等,被广泛应用于化工、石油、炼油等行业。在高温环境下,储藏罐内部温度可能会超过物质的安全储存温度范围,这会导致物质的性质发生变化,如化学反应加剧、挥发性物质蒸发增加等,从而引发安全风险,如爆炸、泄漏或火灾。并且,某些物质在低温下可能会发生凝固、结晶或变得粘稠,导致流动性下降,难以使用或处理。此外,低温环境也可能导致储藏罐的材料受到损坏或脆化,增加泄漏的风险。因此,为了确保储藏罐内部温度始终在安全范围内,需要对于高温防腐储藏罐内的温度进行监控以确保储存物质的安全性、稳定性和可靠性。
然而,传统的高温防腐储藏罐的温度监控方案通常采用手动操作以及简单的阈值判断和调节方式。例如,通过实时监测储藏罐的温度数据,并判断温度是否超过阈值,当温度超出预设的最低或最高温度范围时,利用人工启动相应的加热器或冷却设备,以调节储藏罐的温度值变化。这种方式往往依赖于人工干预,操作不够智能化和自动化,无法满足复杂的温度控制需求。
此外,传统的温度控制方案仅仅依靠单个时间点的温度读数进行控制无法准确反映储藏罐内部的温度变化趋势,会产生温度控制的滞后性,带来经济损失和安全隐患。并且,传统方法对温度变化的响应不够灵活,无法及时发现温度异常情况,并调整加热或冷却设备的工作状态,增加了事故发生的风险。
因此,期望一种优化的用于高温防腐储藏罐的温度控制方案。
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用于高温防腐储藏罐的温度控制方法及系统。其可以通过部署于高温防腐储藏罐内的温度传感器采集多个预定时间点的温度值数据,并在后端引入数据处理和分析算法来进行温度值的时序分析,以此来实时监测和调节储藏罐的温度,以保持储藏罐的内部温度始终在安全范围内,从而确保储存物质的安全性、稳定性和可靠性。
根据本申请的一个方面,提供了一种用于高温防腐储藏罐的温度控制方法,其包括:
通过部署于高温防腐储藏罐内的温度传感器采集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时序全局关联编码以得到温度全时序语义关联特征;以及
基于所述温度全时序语义关联特征,确定开启冷却风扇或开启加热器。
根据本申请的另一个方面,提供了一种用于高温防腐储藏罐的温度控制系统,其包括:
温度采集模块,用于通过部署于高温防腐储藏罐内的温度传感器采集预定时间段内多个预定时间点的温度值;
向量化模块,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;
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;
时序全局关联编码模块,用于对所述温度局部时序特征向量的序列进行时序全局关联编码以得到温度全时序语义关联特征;以及
温度控制模块,用于基于所述温度全时序语义关联特征,确定开启冷却风扇或开启加热器。
与现有技术相比,本申请提供的用于高温防腐储藏罐的温度控制方法及系统,其首先通过部署于高温防腐储藏罐内的温度传感器采集预定时间段内多个预定时间点的温度值,接着,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,然后,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,接着,对所述温度局部时序特征向量的序列进行时序全局关联编码以得到温度全时序语义关联特征,最后,基于所述温度全时序语义关联特征,确定开启冷却风扇或开启加热器。这样,可以保持储藏罐的内部温度始终在安全范围内,从而确保储存物质的安全性、稳定性和可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的用于高温防腐储藏罐的温度控制方法的流程图。
图2为根据本申请实施例的用于高温防腐储藏罐的温度控制方法的架构示意图。
图3为根据本申请实施例的用于高温防腐储藏罐的温度控制方法的子步骤S130的流程图。
图4为根据本申请实施例的用于高温防腐储藏罐的温度控制方法的子步骤S132的流程图。
图5为根据本申请实施例的用于高温防腐储藏罐的温度控制方法的子步骤S140的流程图。
图6为根据本申请实施例的用于高温防腐储藏罐的温度控制方法的子步骤S150的流程图。
图7为根据本申请实施例的用于高温防腐储藏罐的温度控制系统的框图。
图8为根据本申请实施例的用于高温防腐储藏罐的温度控制方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
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。
针对上述技术问题,本申请的技术构思为通过部署于高温防腐储藏罐内的温度传感器采集多个预定时间点的温度值数据,并在后端引入数据处理和分析算法来进行温度值的时序分析,以此来实时监测和调节储藏罐的温度,以保持储藏罐的内部温度始终在安全范围内,从而确保储存物质的安全性、稳定性和可靠性。
图1为根据本申请实施例的用于高温防腐储藏罐的温度控制方法的流程图。图2为根据本申请实施例的用于高温防腐储藏罐的温度控制方法的架构示意图。如图1和图2所示,根据本申请实施例的用于高温防腐储藏罐的温度控制方法,包括步骤:S110,通过部署于高温防腐储藏罐内的温度传感器采集预定时间段内多个预定时间点的温度值;S120,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;S130,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;S140,对所述温度局部时序特征向量的序列进行时序全局关联编码以得到温度全时序语义关联特征;以及,S150,基于所述温度全时序语义关联特征,确定开启冷却风扇或开启加热器。
具体地,在本申请的技术方案中,首先,获取部署于高温防腐储藏罐内的温度传感器采集的预定时间段内多个预定时间点的温度值。接着,考虑到由于所述高温防腐储藏罐内的温度值会随着时间的变化而不断变化,并且这种时序变化较为微弱,难以通过传统的特征提取方式进行温度的时序变化分析和趋势判断。因此,为了能够更好地捕捉到所述温度值在时间维度上的时序变化特征信息,在本申请的技术方案中,在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,以此来整合所述温度值在时间维度上的时序分布信息后,进一步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,以便于后续更好地提取出不同局部时间段内的温度局部时序细节变化特征信息。
然后,为了能够提高所述高温防腐储藏罐内的温度值在预定时间段内的时序细微变化特征的捕捉能力,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温度时序特征提取器的上采样模块以进行基于线性插值的上采样处理,从而得到上采样温度局部时序输入向量的序列,以此来增加高温防腐储藏罐内的温度数据的时序密度和平滑度,从而便于后续更好地表示温度值的时序变化特征。继而,再将所述上采样温度局部时序输入向量的序列通过温度时序特征提取器的一维卷积层以进行特征挖掘,以此来提取出所述高温防腐储藏罐内的温度值在各个局部时间片段中的局部时序变化特征信息,从而得到温度局部时序特征向量的序列。
进一步地,还考虑到由于所述高温防腐储藏罐内的温度值在各个局部时间片段中的局部时序细节变化特征之间具有着基于时序整体的关联关系。因此,为了捕捉温度时序数据中的长期依赖和上下文信息,以更好地理解温度变化的趋势和模式。在本申请的技术方案中,进一步计算所述温度局部时序特征向量的序列中每相邻两个温度局部时序特征向量之间的转移矩阵的全局均值以得到由多个温度全局转移特征值组成的温度时序语义上下文特征向量,以此来表示所述各个局部时间片段中每相邻两个片段的有关于所述高温防腐储藏罐内的温度值局部时序细节变化特征之间基于全局的时序语义关联特征信息。应可以理解,通过计算所述各个温度局部时序特征向量之间的转移矩阵,可以分析相邻特征向量之间的关系和转换概率。转移矩阵描述了从一个特征向量到另一个特征向量的转移情况,反映了温度时序数据中的状态转换和演化过程。
相应地,如图3所示,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,包括:S131,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;以及,S132,将所述温度局部时序输入向量的序列通过包含上采样模块和一维卷积层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。应可以理解,步骤S131的作用是对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,这个步骤将输入的温度时序数据按照一定的窗口大小进行切分,得到一系列的局部时序输入向量,这样做的目的是为了捕捉温度数据的局部时序信息,使得模型可以更好地理解温度数据的变化趋势。步骤S132的作用是将温度局部时序输入向量的序列通过包含上采样模块和一维卷积层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,这个步骤利用上采样模块对输入的局部时序输入向量进行上采样,扩大向量的长度,然后,通过一维卷积层对上采样后的向量进行卷积操作,提取温度数据的时序特征,这样做的目的是为了将温度数据中的重要时序特征进行提取和表示,以便后续的模型可以更好地利用这些特征进行温度数据的分析和预测。
更具体地,在步骤S132中,如图4所示,将所述温度局部时序输入向量的序列通过包含上采样模块和一维卷积层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,包括:S1321,将所述温度局部时序输入向量的序列通过所述上采样模块进行基于线性插值的上采样处理,以得到上采样温度局部时序输入向量的序列;以及,S1322,将所述上采样温度局部时序输入向量的序列通过所述一维卷积层以得到所述温度局部时序特征向量的序列。应可以理解,步骤S1321的作用是将温度局部时序输入向量的序列通过上采样模块进行基于线性插值的上采样处理,以得到上采样温度局部时序输入向量的序列,上采样是一种信号处理技术,通过增加采样率来扩大信号的长度,在这个步骤中,通过线性插值的方式将局部时序输入向量的长度扩大,使得每个时间步的温度特征得到更多的采样点,从而提高了特征的细节表达能力。步骤S1322的作用是将上采样温度局部时序输入向量的序列通过一维卷积层以得到温度局部时序特征向量的序列,一维卷积层是一种常用的神经网络层,可以通过滑动窗口的方式对输入的向量进行卷积操作,从而提取局部特征,在这个步骤中,一维卷积层对上采样后的温度局部时序输入向量进行卷积操作,提取温度数据的时序特征,这样做的目的是为了将温度数据中的重要时序特征进行提取和表示,以便后续的模型可以更好地利用这些特征进行温度数据的分析和预测。
更具体地,在步骤S140中,对所述温度局部时序特征向量的序列进行时序全局关联编码以得到温度全时序语义关联特征,包括:计算所述温度局部时序特征向量的序列中每相邻两个温度局部时序特征向量之间的转移矩阵的全局均值以得到由多个温度全局转移特征值组成的温度时序语义上下文特征向量作为所述温度全时序语义关联特征。应可以理解,该步骤的作用是计算温度局部时序特征向量序列中每相邻两个特征向量之间的转移矩阵的全局均值,以得到由多个温度全局转移特征值组成的温度时序语义上下文特征向量,这个特征向量可以看作是温度数据在时序上的语义关联特征。通过计算转移矩阵的全局均值,可以获得相邻特征向量之间的平均转移特征。转移矩阵反映了相邻特征向量之间的关系和转移模式,可以捕捉到温度数据在时序上的语义上下文信息。通过计算多个转移特征的均值,可以得到一个综合的温度时序语义上下文特征向量,其中包含了多个转移特征的信息。这个温度时序语义上下文特征向量可以作为温度全时序语义关联特征的一部分,用于更全面地表示温度数据的时序关联性和语义信息。这样的特征向量可以在后续的分析和预测任务中提供更丰富和准确的特征表示,从而改善模型的性能和效果。
更具体地,如图5所示,计算所述温度局部时序特征向量的序列中每相邻两个温度局部时序特征向量之间的转移矩阵的全局均值以得到由多个温度全局转移特征值组成的温度时序语义上下文特征向量作为所述温度全时序语义关联特征,包括:S141,计算所述温度局部时序特征向量的序列中每相邻两个温度局部时序特征向量之间的转移矩阵以得到多个转移矩阵;S142,对所述各个转移矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到多个优化转移矩阵;以及,S143,分别计算多个优化转移矩阵的全局均值以得到由多个温度全局转移特征值组成的所述温度时序语义上下文特征向量。应可以理解,步骤S141的作用是计算温度局部时序特征向量序列中每相邻两个特征向量之间的转移矩阵,以得到多个转移矩阵,这些转移矩阵反映了相邻特征向量之间的关系和转移模式。步骤S142的作用是对每个转移矩阵进行特征尺度的模仿掩码秩排列分布软匹配,以得到多个优化转移矩阵,模仿掩码是一种用于计算相似性的技术,通过将转移矩阵与一个掩码矩阵进行比较,可以得到特征尺度的相似性分布,通过对转移矩阵进行模仿掩码秩排列分布软匹配,可以优化转移矩阵的特征尺度,使得转移模式更加准确地反映温度数据的时序关联特征。步骤S143的作用是分别计算多个优化转移矩阵的全局均值,以得到由多个温度全局转移特征值组成的温度时序语义上下文特征向量,通过计算全局均值,可以获得每个优化转移矩阵的平均特征值,这些特征值反映了温度数据在时序上的语义关联性,将多个转移特征值组合成一个特征向量,可以得到温度时序语义上下文特征向量,用于表示温度数据的全时序语义关联特征。这样的特征向量可以在后续的分析和预测任务中提供更丰富和准确的特征表示,从而改善模型的性能和效果。
继而,再将所述温度时序语义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开启冷却风扇或开启加热器。也就是说,利用所述高温防腐储藏罐内的温度时序变化特征基于长距离依赖的全局时序语义关联特征信息来进行分类处理,从而基于实际的高温防腐储藏罐内的温度变化模式来进行开启冷却风扇或开启加热器。这样,能够实时监测和调节储藏罐的温度,以保持储藏罐的内部温度始终在安全范围内。
相应地,在步骤S150中,基于所述温度全时序语义关联特征,确定开启冷却风扇或开启加热器,包括:将所述温度时序语义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开启冷却风扇或开启加热器。
更具体地,如图6所示,将所述温度时序语义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开启冷却风扇或开启加热器,包括:S151,使用所述分类器的全连接层对所述温度时序语义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,S152,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。
也就是,在本公开的技术方案中,所述分类器的标签包括开启冷却风扇(第一标签),以及,开启加热器(第二标签),其中,所述分类器通过软最大值函数来确定所述温度时序语义上下文特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“开启冷却风扇或开启加热器”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,开启冷却风扇或开启加热器的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“开启冷却风扇或开启加热器”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
值得一提的是,全连接编码是指将输入向量通过一个全连接层进行线性变换和非线性激活,以得到编码后的特征向量。全连接层是神经网络中的一种常见层,其中每个输入特征都与输出特征进行全连接,即每个输入特征都与该层的所有输出特征相连。在全连接编码中,输入特征向量通过权重矩阵和偏置向量的线性变换,然后通过激活函数进行非线性映射,最终得到编码后的特征向量。这个过程可以看作是对输入特征向量进行特征提取和表示的过程,通过学习适合任务的权重和偏置参数,可以将输入特征映射到一个更高维度的特征空间中。全连接编码可以帮助模型学习输入特征之间的复杂关系和抽象表示,从而提取更具有判别性的特征。它可以用于将输入特征向量转换为编码后的特征向量,为后续的分类、回归或其他任务提供更有信息量和表达能力的特征表示。在步骤S151中,全连接编码被用于对温度时序语义上下文特征向量进行编码,以得到编码分类特征向量。这样的编码特征向量可以更好地表示温度数据的时序语义关联特征,并作为输入传递给分类器进行分类,用于表示开启冷却风扇或开启加热器的分类结果。
特别地,在本申请的技术方案中,将所述温度局部时序输入向量的序列通过包含上采样模块和一维卷积层的温度时序特征提取器以得到温度局部时序特征向量的序列,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可以表达局部时域下的温度值的时序关联特征,由此,计算所述温度局部时序特征向量的序列中每相邻两个温度局部时序特征向量之间的转移矩阵时,所述转移矩阵表达局部时域间的时序域转移特征,因此,如果将每个局部时域下的温度值时序关联特征作为前景对象特征,则在提取局部时域间域转移特征的同时,也会引入背景分布噪声,并且,在计算转移矩阵时进行向量-矩阵间的高秩分布表示的同时,也会由于相邻两个温度局部时序特征向量之间的时域高维特征的时序空间异质分布而引起所述转移矩阵相对于所述温度局部时序特征向量的序列的时序概率密度映射误差,影响由计算所述转移矩阵的全局均值得到的多个状态转移特征值组成的温度时序语义上下文特征向量通过分类器得到的分类结果的准确性。
基于此,本申请的申请人对每个所述转移矩阵,例如记为M进行特征尺度作为模仿掩码的秩排列分布软匹配。
相应地,在一个具体示例中,对所述各个转移矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到多个优化转移矩阵,包括:以如下优化公式对所述各个转移矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述多个优化转移矩阵;其中,所述优化公式为:
其中,M为所述各个转移矩阵,mi,j是所述各个转移矩阵的第(i,j)位置的特征值,S是所述各个转移矩阵的尺度,即宽度乘以高度,表示所述各个转移矩阵的Frobenius范数的平方,‖M‖2表示所述各个转移矩阵的二范数,即谱范数/>λmax是MTM的最大本征值,且α是加权超参数,exp(·)表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,mi,j是所述各个优化转移矩阵的第(i,j)位置的特征值。
这里,所述特征尺度作为模仿掩码的秩排列分布软匹配可以在将待类回归的高维特征映射到概率密度空间内时,将特征尺度作为用于映射的模仿掩码来聚焦于前景对象特征而忽略背景分布噪声,并通过所述转移矩阵M的不同范数进行的金字塔式秩排列分布的分布软匹配,从而有效捕捉概率密度分布的中心区域和尾部区域之间的相关性,避免了由于所述转移矩阵M的高维特征的时序空间异质分布导致的概率密度映射偏差,从而提升由计算所述转移矩阵的全局均值得到的多个状态转移特征值组成的温度时序语义上下文特征向量通过分类器得到的分类结果的准确性。这样,能够基于高温防腐储藏罐内的温度实时变化情况来调节储藏罐的温度数据,以保持储藏罐的内部温度始终在安全范围内,从而确保储存物质的安全性、稳定性和可靠性。
综上,基于本申请实施例的用于高温防腐储藏罐的温度控制方法被阐明,其可以保持储藏罐的内部温度始终在安全范围内,从而确保储存物质的安全性、稳定性和可靠性。
图7为根据本申请实施例的用于高温防腐储藏罐的温度控制系统100的框图。如图7所示,根据本申请实施例的用于高温防腐储藏罐的温度控制系统100,包括:温度采集模块110,用于通过部署于高温防腐储藏罐内的温度传感器采集预定时间段内多个预定时间点的温度值;向量化模块120,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;局部时序特征提取模块130,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;时序全局关联编码模块140,用于对所述温度局部时序特征向量的序列进行时序全局关联编码以得到温度全时序语义关联特征;以及,温度控制模块150,用于基于所述温度全时序语义关联特征,确定开启冷却风扇或开启加热器。
在一个示例中,在上述用于高温防腐储藏罐的温度控制系统100中,所述局部时序特征提取模块130,包括:向量切分单元,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;以及,温度时序特征提取单元,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模块和一维卷积层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。
这里,本领域技术人员可以理解,上述用于高温防腐储藏罐的温度控制系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的用于高温防腐储藏罐的温度控制方法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用于高温防腐储藏罐的温度控制系统100可以实现在各种无线终端中,例如具有用于高温防腐储藏罐的温度控制算法的服务器等。在一个示例中,根据本申请实施例的用于高温防腐储藏罐的温度控制系统100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,该用于高温防腐储藏罐的温度控制系统100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,该用于高温防腐储藏罐的温度控制系统100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,该用于高温防腐储藏罐的温度控制系统100与该无线终端也可以是分立的设备,并且该用于高温防腐储藏罐的温度控制系统100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。
图8为根据本申请实施例的用于高温防腐储藏罐的温度控制方法的应用场景图。如图8所示,在该应用场景中,首先,通过部署于高温防腐储藏罐(例如,图8中所示意的N)内的温度传感器(例如,图8中所示意的L)采集预定时间段内多个预定时间点的温度值(例如,图8中所示意的D),然后,将所述多个预定时间点的温度值输入至部署有用于高温防腐储藏罐的温度控制算法的服务器中(例如,图8中所示意的S),其中,所述服务器能够使用所述用于高温防腐储藏罐的温度控制算法对所述多个预定时间点的温度值进行处理以得到用于表示开启冷却风扇或开启加热器的分类结果。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种用于高温防腐储藏罐的温度控制方法,其特征在于,包括:
通过部署于高温防腐储藏罐内的温度传感器采集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时序全局关联编码以得到温度全时序语义关联特征;以及
基于所述温度全时序语义关联特征,确定开启冷却风扇或开启加热器。
2.根据权利要求1所述的用于高温防腐储藏罐的温度控制方法,其特征在于,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,包括:
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;以及
将所述温度局部时序输入向量的序列通过包含上采样模块和一维卷积层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。
3.根据权利要求2所述的用于高温防腐储藏罐的温度控制方法,其特征在于,将所述温度局部时序输入向量的序列通过包含上采样模块和一维卷积层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,包括:
将所述温度局部时序输入向量的序列通过所述上采样模块进行基于线性插值的上采样处理,以得到上采样温度局部时序输入向量的序列;以及
将所述上采样温度局部时序输入向量的序列通过所述一维卷积层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所述的用于高温防腐储藏罐的温度控制方法,其特征在于,对所述温度局部时序特征向量的序列进行时序全局关联编码以得到温度全时序语义关联特征,包括:
计算所述温度局部时序特征向量的序列中每相邻两个温度局部时序特征向量之间的转移矩阵的全局均值以得到由多个温度全局转移特征值组成的温度时序语义上下文特征向量作为所述温度全时序语义关联特征。
5.根据权利要求4所述的用于高温防腐储藏罐的温度控制方法,其特征在于,计算所述温度局部时序特征向量的序列中每相邻两个温度局部时序特征向量之间的转移矩阵的全局均值以得到由多个温度全局转移特征值组成的温度时序语义上下文特征向量作为所述温度全时序语义关联特征,包括:
计算所述温度局部时序特征向量的序列中每相邻两个温度局部时序特征向量之间的转移矩阵以得到多个转移矩阵;
对所述各个转移矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到多个优化转移矩阵;以及
分别计算多个优化转移矩阵的全局均值以得到由多个温度全局转移特征值组成的所述温度时序语义上下文特征向量。
6.根据权利要求5所述的用于高温防腐储藏罐的温度控制方法,其特征在于,对所述各个转移矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到多个优化转移矩阵,包括:
以如下优化公式对所述各个转移矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述多个优化转移矩阵;
其中,所述优化公式为:
其中,M为所述各个转移矩阵,mi,j是所述各个转移矩阵的第(i,j)位置的特征值,S是所述各个转移矩阵的尺度,表示所述各个转移矩阵的Frobenius范数的平方,||M||2表示所述各个转移矩阵的二范数,且α是加权超参数,exp(·)表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,mi,j是所述各个优化转移矩阵的第(i,j)位置的特征值。
7.根据权利要求6所述的用于高温防腐储藏罐的温度控制方法,其特征在于,基于所述温度全时序语义关联特征,确定开启冷却风扇或开启加热器,包括:
将所述温度时序语义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开启冷却风扇或开启加热器。
8.根据权利要求7所述的用于高温防腐储藏罐的温度控制方法,其特征在于,将所述温度时序语义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开启冷却风扇或开启加热器,包括:
使用所述分类器的全连接层对所述温度时序语义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输入所述分类器的Softmax分类函数以得到所述分类结果。
9.一种用于高温防腐储藏罐的温度控制系统,其特征在于,包括:
温度采集模块,用于通过部署于高温防腐储藏罐内的温度传感器采集预定时间段内多个预定时间点的温度值;
向量化模块,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;
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;
时序全局关联编码模块,用于对所述温度局部时序特征向量的序列进行时序全局关联编码以得到温度全时序语义关联特征;以及
温度控制模块,用于基于所述温度全时序语义关联特征,确定开启冷却风扇或开启加热器。
10.根据权利要求9所述的用于高温防腐储藏罐的温度控制系统,其特征在于,所述局部时序特征提取模块,包括:
向量切分单元,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;以及
温度时序特征提取单元,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模块和一维卷积层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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311234344.4A CN117289736A (zh) | 2023-09-24 | 2023-09-24 | 用于高温防腐储藏罐的温度控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311234344.4A CN117289736A (zh) | 2023-09-24 | 2023-09-24 | 用于高温防腐储藏罐的温度控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117289736A true CN117289736A (zh) | 2023-12-26 |
Family
ID=89247394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311234344.4A Pending CN117289736A (zh) | 2023-09-24 | 2023-09-24 | 用于高温防腐储藏罐的温度控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117289736A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
-
2023
- 2023-09-24 CN CN202311234344.4A patent/CN117289736A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
CN117598700B (zh) * | 2024-01-23 | 2024-03-29 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A novel deep learning based fault diagnosis approach for chemical process with extended deep belief network | |
CN109034368B (zh) | 一种基于dnn的复杂设备多重故障诊断方法 | |
CN116625438B (zh) | 燃气管网安全在线监测系统及其方法 | |
de Lázaro et al. | Optimizing kernel methods to reduce dimensionality in fault diagnosis of industrial systems | |
Wei et al. | A novel deep learning model based on target transformer for fault diagnosis of chemical process | |
CN111340110B (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
CN116893336B (zh) | 高低压开关设备及其方法 | |
CN117289736A (zh) | 用于高温防腐储藏罐的温度控制方法及系统 | |
CN116336400B (zh) | 油气集输管道基线检测方法 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN116663568B (zh) | 基于优先级的关键任务识别系统及其方法 | |
CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
CN117113218A (zh) | 可视化的数据分析系统及其方法 | |
Kefalas et al. | Automated machine learning for remaining useful life estimation of aircraft engines | |
Cuentas et al. | An SVM-GA based monitoring system for pattern recognition of autocorrelated processes | |
CN117351659B (zh) | 一种水文地质灾害监测装置及监测方法 | |
CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
Isaza et al. | Situation prediction based on fuzzy clustering for industrial complex processes | |
Ding et al. | A zero-shot soft sensor modeling approach using adversarial learning for robustness against sensor fault | |
CN117349583A (zh) | 用于低温液体储罐的智能检测方法及系统 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
CN117485842A (zh) | 门式斗轮机轮斗横梁姿态实时监测方法及其系统 | |
CN117078007A (zh) | 一种融合尺度标签的多尺度风控系统及其方法 | |
Cabeza et al. | Fault diagnosis with missing data based on hopfield neural networks |
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 |