CN117428988B - Eps泡沫的成型控制系统及其方法 - Google Patents
Eps泡沫的成型控制系统及其方法 Download PDFInfo
- Publication number
- CN117428988B CN117428988B CN202311753600.0A CN202311753600A CN117428988B CN 117428988 B CN117428988 B CN 117428988B CN 202311753600 A CN202311753600 A CN 202311753600A CN 117428988 B CN117428988 B CN 117428988B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- molding
- feature
- feature vector
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010097 foam moulding Methods 0.000 title claims abstract description 23
- 238000000465 moulding Methods 0.000 claims abstract description 217
- 239000006260 foam Substances 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 199
- 239000011159 matrix material Substances 0.000 claims description 75
- 238000011176 pooling Methods 0.000 claims description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000004794 expanded polystyrene Substances 0.000 description 46
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 229920005990 polystyrene resin Polymers 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004088 foaming agent Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 229920006327 polystyrene foam Polymers 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C44/00—Shaping by internal pressure generated in the material, e.g. swelling or foaming ; Producing porous or cellular expanded plastics articles
- B29C44/34—Auxiliary operations
- B29C44/60—Measuring, controlling or regulating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Moulds For Moulding Plastics Or The Like (AREA)
Abstract
本发明公开了一种EPS泡沫的成型控制系统及其方法，涉及智能化控制技术领域，其获取预定时间段内多个预定时间点的模具内成型温度值和模具内成型压力值；采用基于深度学习的人工智能技术，捕捉温度和压力之间的复杂关联模式特征，从而实现自动判断成型过程是否出现参数异常。这样，可以提高EPS泡沫成型质量和效率。
Description
技术领域
本发明涉及智能化控制技术领域，尤其涉及一种EPS泡沫的成型控制系统及其方法。
背景技术
聚苯乙烯泡沫（Expanded Polystyrene简称EPS）是一种轻型高分子聚合物。采用聚苯乙烯树脂加入发泡剂，同时加热进行软化，产生气体，形成一种硬质闭孔结构的泡沫塑料。
在成型阶段，模具内的温度和压力是影响EPS泡沫性能和形状的关键参数，如果出现异常，可能导致EPS泡沫的密度不均匀、收缩变形、气孔过大等缺陷。因此，对成型过程参数的实时监测和异常检测是提高EPS泡沫成型质量和效率的重要手段。
然而，传统的异常检测方法通常基于经验规则或统计模型，难以捕捉温度和压力之间的复杂关联模式特征，也难以适应不同模具和不同原料的多样性。因此，期待一种解决方案。
发明内容
本发明提供一种EPS泡沫的成型控制系统及其方法，其获取预定时间段内多个预定时间点的模具内成型温度值和模具内成型压力值；采用基于深度学习的人工智能技术，捕捉温度和压力之间的复杂关联模式特征，从而实现自动判断成型过程是否出现参数异常。这样，可以提高EPS泡沫成型质量和效率。
一种EPS泡沫的成型控制系统，其包括：
参数获取模块，用于获取预定时间段内多个预定时间点的模具内成型温度值和模具内成型压力值；
参数结构化模块，用于将所述多个预定时间点的模具内成型温度值和模具内成型压力值分别按照时间维度排列为成型温度时序输入向量和成型压力时序输入向量；
一维时序特征提取模块，用于将所述成型温度时序输入向量和所述成型压力时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到成型温度时序特征向量和成型压力时序特征向量；
特征级表达强化模块，用于分别使用高斯密度图对所述成型温度时序特征向量和所述成型压力时序特征向量进行特征级表达强化以得到成型温度时序特征矩阵和成型压力时序特征矩阵；
参数关联编码模块，用于对所述成型温度时序特征向量和所述成型压力时序特征向量进行关联编码以得到成型温度－压力时序关联矩阵；
融合模块，用于将所述成型温度－压力时序关联矩阵、成型温度时序特征矩阵和所述成型压力时序特征矩阵排列为分类特征图；
向量优化模块，用于对所述分类特征图展开后得到的分类特征向量进行优化以得到优化分类特征向量；
检测结果生成模块，用于将所述优化分类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成型过程参数是否存在异常。
优选的，所述基于一维卷积神经网络模型的时序特征提取器包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层和输出层。
优选的，所述第一卷积层使用32个大小为3的卷积核，步长为1，不进行填充，所述第二卷积层使用64个大小为3的卷积核，步长为1，不进行填充，所述第一池化层使用大小为2的最大池化操作，所述第二池化层使用大小为2的最大池化操作。
优选的，所述一维时序特征提取模块，用于：使用所述基于一维卷积神经网络模型的时序特征提取器的各层分别进行如下操作：将所述输入数据通过第一卷积层进行卷积处理以得到第一卷积特征图和第二卷积特征图； 将所述第一卷积特征图和所述第二卷积特征图通过第一池化层进行池化处理以得到第一池化特征图和第二池化特征图；将所述第一池化特征图和所述第二池化特征图通过第二卷积层进行卷积处理以得到第三卷积特征图和第四卷积特征图；以及，将所述第三卷积特征图和所述第四卷积特征图通过第二池化层进行池化处理以得到第三池化特征图和第四池化特征图；其中，所述基于一维卷积神经网络模型的时序特征提取器的输出层输出为所述成型温度时序特征向量和所述成型压力时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的输入层输入为所述成型温度时序输入向量和所述成型压力时序输入向量。
优选的，所述特征级表达强化模块，包括：第一高斯增强单元，用于：以如下第一高斯公式构造所述成型温度时序特征向量的第一高斯密度图；其中，所述第一高斯公式为：
；
其中，表示所述成型温度时序特征向量，且/>的每个位置的值表示所述成型温度时序特征向量中相应两个位置的特征值之间的方差；第二高斯增强单元，用于：以如下第二高斯公式构造所述成型压力时序特征向量的第二高斯密度图；其中，所述第二高斯公式为：/>；
其中，表示所述成型压力时序特征向量，且/>的每个位置的值表示所述成型压力时序特征向量中相应两个位置的特征值之间的方差；以及，高斯离散化单元，用于对所述第一高斯密度图和所述第二高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述成型温度时序特征矩阵和所述成型压力时序特征矩阵。
优选的，所述参数关联编码模块，用于：以如下编码公式对所述成型温度时序特征向量和所述成型压力时序特征向量进行关联编码以得到成型温度－压力时序关联矩阵；其中，所述编码公式为：
；
其中，表示所述成型温度时序特征向量，/>表示所述成型温度时序特征向量的转置向量，/>表示所述成型压力时序特征向量，/>表示所述成型温度－压力时序关联矩阵，/>表示矩阵相乘。
优选的，所述向量优化模块，用于：以如下优化公式对所述分类特征向量进行优化以得到优化分类特征向量；
其中，所述优化公式为：
；
其中是所述分类特征向量的第/>个位置的特征值，/>是所述分类特征向量的所有特征值的全局均值，且/>是所述分类特征向量的最大特征值，/>是所述分类特征向量的第/>结果，所述分类结果用于表示成型过程参数是否存在异常。
本发明的有益效果：
EPS泡沫的成型控制系统及其方法，其获取预定时间段内多个预定时间点的模具内成型温度值和模具内成型压力值；采用基于深度学习的人工智能技术，捕捉温度和压力之间的复杂关联模式特征，从而实现自动判断成型过程是否出现参数异常。这样，可以提高EPS泡沫成型质量和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中提供的一种EPS泡沫的成型控制系统的应用场景图。
图2为本发明实施例中提供的一种EPS泡沫的成型控制系统的框图。
图3为本发明实施例中提供的一种EPS泡沫的成型控制系统中所述特征级表达强化模块的框图。
图4为本发明实施例中提供的一种EPS泡沫的成型控制系统中所述检测结果生成模块的框图。
图5为本发明实施例中提供的一种EPS泡沫的成型控制方法的流程图。
图6为本发明实施例中提供的一种EPS泡沫的成型控制方法的系统架构的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1为本发明实施例中提供的一种EPS泡沫的成型控制系统的应用场景图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的模具内成型温度值（例如，如图1中所示意的C1）和模具内成型压力值（例如，如图1中所示意的C2）；然后，将获取的模具内成型温度值和模具内成型压力值输入至部署有EPS泡沫的成型控制算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于EPS泡沫的成型控制算法对所述模具内成型温度值和所述模具内成型压力值进行处理，以生成用于表示成型过程参数是否存在异常的分类结果。
在本发明的一个实施例中，图2为本发明实施例中提供的一种EPS泡沫的成型控制系统的框图。如图2所示，根据本发明实施例的EPS泡沫的成型控制系统100，包括：参数获取模块110，用于获取预定时间段内多个预定时间点的模具内成型温度值和模具内成型压力值；参数结构化模块120，用于将所述多个预定时间点的模具内成型温度值和模具内成型压力值分别按照时间维度排列为成型温度时序输入向量和成型压力时序输入向量；一维时序特征提取模块130，用于将所述成型温度时序输入向量和所述成型压力时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到成型温度时序特征向量和成型压力时序特征向量；特征级表达强化模块140，用于分别使用高斯密度图对所述成型温度时序特征向量和所述成型压力时序特征向量进行特征级表达强化以得到成型温度时序特征矩阵和成型压力时序特征矩阵；参数关联编码模块150，用于对所述成型温度时序特征向量和所述成型压力时序特征向量进行关联编码以得到成型温度－压力时序关联矩阵；融合模块160，用于将所述成型温度－压力时序关联矩阵、成型温度时序特征矩阵和所述成型压力时序特征矩阵排列为分类特征图；向量优化模块170，用于对所述分类特征图展开后得到的分类特征向量进行优化以得到优化分类特征向量；以及，检测结果生成模块180，用于将所述优化分类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成型过程参数是否存在异常。
具体地，在本发明实施例中，所述参数获取模块110，用于获取预定时间段内多个预定时间点的模具内成型温度值和模具内成型压力值。针对上述技术问题，本申请的技术构思为利用深度学习和人工智能技术来捕捉温度和压力之间的复杂关联模式特征，从而是实现自动判断成型过程是否出现参数异常。这样，提高EPS泡沫成型质量和效率。
具体地，在本申请的技术方案中，首先获取预定时间段内多个预定时间点的模具内成型温度值和模具内成型压力值。在EPS泡沫成型过程中，成型温度和成型压力的变化会直接影响到EPS泡沫的质量和成型效果。这里，通过获取预定时间段内多个预定时间点的模具内成型温度值和模具内成型压力值，来对EPS泡沫成型过程中的参数异常进行检测。在实际应用过程中，需要在EPS泡沫成型设备上安装相应的传感器，如温度传感器和压力传感器，来进行数据采集。
具体地，在本发明实施例中，所述参数结构化模块120，用于将所述多个预定时间点的模具内成型温度值和模具内成型压力值分别按照时间维度排列为成型温度时序输入向量和成型压力时序输入向量。接着将所述多个预定时间点的模具内成型温度值和模具内成型压力值分别按照时间维度排列为成型温度时序输入向量和成型压力时序输入向量。也就是，将模具内成型温度值和模具内成型压力值分别转化为后续模型所需要的输入格式。通常对于时间序列数据将其转化为时序输入向量的形式，即将不同时间点的数据按照时间维度排列为一个向量。同时，这种时序输入向量的形式也可以很好地反映出成型过程中温度和压力的变化规律。
具体地，在本发明实施例中，所述一维时序特征提取模块130，用于将所述成型温度时序输入向量和所述成型压力时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到成型温度时序特征向量和成型压力时序特征向量。然后将所述成型温度时序输入向量和所述成型压力时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到成型温度时序特征向量和成型压力时序特征向量。其中，一维卷积神经网络可以有效地提取时序数据中的特征信息。在EPS泡沫成型过程中，成型温度和成型压力的变化都具有一定的规律性和周期性，通过一维卷积神经网络模型可以更好地捕捉这些规律性和周期性。
在本申请的一个具体示例中，所述基于一维卷积神经网络模型的时序特征提取器包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层和输出层。其中，所述第一卷积层使用32个大小为3的卷积核，步长为1，不进行填充，所述第二卷积层使用64个大小为3的卷积核，步长为1，不进行填充，所述第一池化层使用大小为2的最大池化操作，所述第二池化层使用大小为2的最大池化操作。
其中，所述一维时序特征提取模块130，用于：使用所述基于一维卷积神经网络模型的时序特征提取器的各层分别进行如下操作：将所述输入数据通过第一卷积层进行卷积处理以得到第一卷积特征图和第二卷积特征图； 将所述第一卷积特征图和所述第二卷积特征图通过第一池化层进行池化处理以得到第一池化特征图和第二池化特征图；将所述第一池化特征图和所述第二池化特征图通过第二卷积层进行卷积处理以得到第三卷积特征图和第四卷积特征图；以及，将所述第三卷积特征图和所述第四卷积特征图通过第二池化层进行池化处理以得到第三池化特征图和第四池化特征图；其中，所述基于一维卷积神经网络模型的时序特征提取器的输出层输出为所述成型温度时序特征向量和所述成型压力时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的输入层输入为所述成型温度时序输入向量和所述成型压力时序输入向量。
卷积神经网络（Convolutional Neural Network，CNN）是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化（pooling）层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在本发明实施例中，所述特征级表达强化模块140，用于分别使用高斯密度图对所述成型温度时序特征向量和所述成型压力时序特征向量进行特征级表达强化以得到成型温度时序特征矩阵和成型压力时序特征矩阵。进一步地，分别使用高斯密度图对所述成型温度时序特征向量和所述成型压力时序特征向量进行特征级表达强化以得到成型温度时序特征矩阵和成型压力时序特征矩阵。其中，高斯密度图是一种用于描述概率分布的数学工具，可以将数据点映射到一个二维平面上。通过使用高斯密度图，可以更好地表达数据的分布情况和特征之间的相关性。具体而言，将成型温度和成型压力的时序数据转化为特征向量后，使用高斯密度图对这些特征向量进行表达强化，可以更好地表达它们之间的相关性和分布情况。
图3为本发明实施例中提供的一种EPS泡沫的成型控制系统中所述特征级表达强化模块的框图，如图3所示，所述特征级表达强化模块140，包括：第一高斯增强单元141，用于：以如下第一高斯公式构造所述成型温度时序特征向量的第一高斯密度图；其中，所述第一高斯公式为：
；
其中，表示所述成型温度时序特征向量，且/>的每个位置的值表示所述成型温度时序特征向量中相应两个位置的特征值之间的方差；第二高斯增强单元142，用于：以如下第二高斯公式构造所述成型压力时序特征向量的第二高斯密度图；其中，所述第二高斯公式为：
；
其中，表示所述成型压力时序特征向量，且/>的每个位置的值表示所述成型压力时序特征向量中相应两个位置的特征值之间的方差；以及，高斯离散化单元143，用于对所述第一高斯密度图和所述第二高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述成型温度时序特征矩阵和所述成型压力时序特征矩阵。
应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。
具体地，在本发明实施例中，所述参数关联编码模块150，用于对所述成型温度时序特征向量和所述成型压力时序特征向量进行关联编码以得到成型温度－压力时序关联矩阵。在实际的EPS泡沫成型过程中，成型温度和成型压力之间存在着一定的相关性，例如，当温度升高时，压力通常也会相应地增加。如果能够将这种温度和压力之间的相关性表达出来，会增加对于成型过程中是否出现了参数异常的智能判断的准确性。因此，在本申请的技术方案中，对所述成型温度时序特征向量和成型压力时序特征向量进行关联编码以得到成型温度－压力时序关联矩阵，其可以反映出温度和压力之间的相关性和关联变化趋势。
其中，所述参数关联编码模块150，用于：以如下编码公式对所述成型温度时序特征向量和所述成型压力时序特征向量进行关联编码以得到成型温度－压力时序关联矩阵；其中，所述编码公式为：
；
其中，表示所述成型温度时序特征向量，/>表示所述成型温度时序特征向量的转置向量，/>表示所述成型压力时序特征向量，/>表示所述成型温度－压力时序关联矩阵，/>表示矩阵相乘。
具体地，在本发明实施例中，所述融合模块160，用于将所述成型温度－压力时序关联矩阵、成型温度时序特征矩阵和所述成型压力时序特征矩阵排列为分类特征图。继而，将所述成型温度－压力时序关联矩阵、成型温度时序特征矩阵和所述成型压力时序特征矩阵排列为分类特征图，并将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示成型过程参数是否存在异常。这里，将成型温度－压力时序关联矩阵、成型温度时序特征矩阵和成型压力时序特征矩阵排列为分类特征图，可以更好地利用它们之间的相关性和特征信息。
具体地，在本发明实施例中，所述向量优化模块170，用于对所述分类特征图展开后得到的分类特征向量进行优化以得到优化分类特征向量。在本申请的技术方案中，考虑到所述成型温度时序特征矩阵和所述成型压力时序特征矩阵是使用高斯密度图对所述成型温度时序特征向量和所述成型压力时序特征向量进行特征级表达强化得到的，而所述成型温度－压力时序关联矩阵是对所述成型温度时序特征向量和成型压力时序特征向量进行关联编码得到的，因此所述成型温度－压力时序关联矩阵、所述成型温度时序特征矩阵和所述成型压力时序特征矩阵之间的整体特征分布可能具有较高的不一致性，从而导致所述分类特征图在整体上就具有了多维度上下文的关联特征分布性质，这就使得在将所述分类特征图通过分类器进行分类回归时，需要提升分类回归的效率。
因此，本申请的申请人对所述分类特征图在通过分类器进行分类回归时，展开后得到的分类特征向量进行优化，具体表示为：所述向量优化模块170，用于：以如下优化公式对所述分类特征向量进行优化以得到优化分类特征向量；
其中，所述优化公式为：
；
其中是所述分类特征向量的第/>个位置的特征值，/>是所述分类特征向量的所有特征值的全局均值，且/>是所述分类特征向量的最大特征值，/>是所述分类特征向量的第/>个位置的特征值。
也就是，通过全局分布参数的正则化仿函数的概念，上述优化基于所述分类特征向量的全局分布的参数向量式表征，来以回归概率的正则式表达模拟代价函数，从而对所述分类特征向量在高维特征空间内的特征流形表征对于类回归概率下的基于分类器的权重矩阵的逐点回归特性进行建模，以捕获所述分类特征向量经由分类器模型的参数空间在高维特征流形的场景几何形状下的参数平滑式优化轨迹，提高所述分类特征向量在所述分类器的分类概率回归下的训练效率。
具体地，在本发明实施例中，所述检测结果生成模块180，用于将所述优化分类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成型过程参数是否存在异常。将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示成型过程参数是否存在异常。其中，分类器可以根据训练数据中的特征图和分类标签之间的关系，学习出一个分类规则，用于对推断时输入的分类特征图进行分类预测，从而得到分类结果。通过这样的方式来实现对成型过程参数的异常检测。
图4为本发明实施例中提供的一种EPS泡沫的成型控制系统中所述检测结果生成模块的框图，如图4所示，所述检测结果生成模块180，包括：全连接编码单元181，用于使用所述分类器的多个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，分类单元182，用于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。
综上，基于本发明实施例的EPS泡沫的成型控制系统100被阐明，其获取预定时间段内多个预定时间点的模具内成型温度值和模具内成型压力值；采用基于深度学习的人工智能技术，捕捉温度和压力之间的复杂关联模式特征，从而实现自动判断成型过程是否出现参数异常。这样，可以提高EPS泡沫成型质量和效率。
如上所述，根据本发明实施例的EPS泡沫的成型控制系统100可以实现在各种终端设备中，例如用于EPS泡沫的成型控制的服务器等。在一个示例中，根据本发明实施例的EPS泡沫的成型控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该EPS泡沫的成型控制系统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EPS泡沫的成型控制系统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EPS泡沫的成型控制系统100与该终端设备也可以是分立的设备，并且该EPS泡沫的成型控制系统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。
在本发明的一个实施例中，图5为本发明实施例中提供的一种EPS泡沫的成型控制方法的流程图。图6为本发明实施例中提供的一种EPS泡沫的成型控制方法的系统架构的示意图。如图5和图6所示，根据本发明实施例的EPS泡沫的成型控制方法，其包括：210，获取预定时间段内多个预定时间点的模具内成型温度值和模具内成型压力值；220，将所述多个预定时间点的模具内成型温度值和模具内成型压力值分别按照时间维度排列为成型温度时序输入向量和成型压力时序输入向量；230，将所述成型温度时序输入向量和所述成型压力时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到成型温度时序特征向量和成型压力时序特征向量；240，分别使用高斯密度图对所述成型温度时序特征向量和所述成型压力时序特征向量进行特征级表达强化以得到成型温度时序特征矩阵和成型压力时序特征矩阵；250，对所述成型温度时序特征向量和所述成型压力时序特征向量进行关联编码以得到成型温度－压力时序关联矩阵；260，将所述成型温度－压力时序关联矩阵、成型温度时序特征矩阵和所述成型压力时序特征矩阵排列为分类特征图；270，对所述分类特征图展开后得到的分类特征向量进行优化以得到优化分类特征向量；以及，280，将所述优化分类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成型过程参数是否存在异常。
本领域技术人员可以理解，上述EPS泡沫的成型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4的EPS泡沫的成型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。
本发明实施例还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述方法实施例中任意一种可选或优选的基于卷积神经网络的图像处理方法。
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有执行上述方法实施例中任意一种可选或优选的基于卷积神经网络的图像处理方法的计算机程序。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种EPS泡沫的成型控制系统，其特征在于，包括：
参数获取模块，用于获取预定时间段内多个预定时间点的模具内成型温度值和模具内成型压力值；
参数结构化模块，用于将所述多个预定时间点的模具内成型温度值和模具内成型压力值分别按照时间维度排列为成型温度时序输入向量和成型压力时序输入向量；
一维时序特征提取模块，用于将所述成型温度时序输入向量和所述成型压力时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到成型温度时序特征向量和成型压力时序特征向量；
特征级表达强化模块，用于分别使用高斯密度图对所述成型温度时序特征向量和所述成型压力时序特征向量进行特征级表达强化以得到成型温度时序特征矩阵和成型压力时序特征矩阵；
参数关联编码模块，用于对所述成型温度时序特征向量和所述成型压力时序特征向量进行关联编码以得到成型温度－压力时序关联矩阵；
融合模块，用于将所述成型温度－压力时序关联矩阵、成型温度时序特征矩阵和所述成型压力时序特征矩阵排列为分类特征图；
向量优化模块，用于对所述分类特征图展开后得到的分类特征向量进行优化以得到优化分类特征向量；
检测结果生成模块，用于将所述优化分类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成型过程参数是否存在异常；
其中，所述特征级表达强化模块，包括：
第一高斯增强单元，用于：以如下第一高斯公式构造所述成型温度时序特征向量的第一高斯密度图；
其中，所述第一高斯公式为：
；
其中，表示所述成型温度时序特征向量，且/>的每个位置的值表示所述成型温度时序特征向量中相应两个位置的特征值之间的方差；
第二高斯增强单元，用于：以如下第二高斯公式构造所述成型压力时序特征向量的第二高斯密度图；
其中，所述第二高斯公式为：
；
其中，表示所述成型压力时序特征向量，且/>的每个位置的值表示所述成型压力时序特征向量中相应两个位置的特征值之间的方差；
高斯离散化单元，用于对所述第一高斯密度图和所述第二高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述成型温度时序特征矩阵和所述成型压力时序特征矩阵；
其中，所述参数关联编码模块，用于：以如下编码公式对所述成型温度时序特征向量和所述成型压力时序特征向量进行关联编码以得到成型温度－压力时序关联矩阵；
其中，所述编码公式为：
；
其中，表示所述成型温度时序特征向量，/>表示所述成型温度时序特征向量的转置向量，/>表示所述成型压力时序特征向量，/>表示所述成型温度－压力时序关联矩阵，/>表示矩阵相乘；
其中，所述向量优化模块，用于：以如下优化公式对所述分类特征向量进行优化以得到优化分类特征向量；
其中，所述优化公式为：
；
其中是所述分类特征向量的第/>个位置的特征值，/>是所述分类特征向量的所有特征值的全局均值，且/>是所述分类特征向量的最大特征值，/>是所述分类特征向量的第/>个位置的特征值。
2.根据权利要求1所述的EPS泡沫的成型控制系统，其特征在于，所述基于一维卷积神经网络模型的时序特征提取器包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层和输出层。
3.根据权利要求2所述的EPS泡沫的成型控制系统，其特征在于，所述第一卷积层使用32个大小为3的卷积核，步长为1，不进行填充，所述第二卷积层使用64个大小为3的卷积核，步长为1，不进行填充，所述第一池化层使用大小为2的最大池化操作，所述第二池化层使用大小为2的最大池化操作。
4.根据权利要求3所述的EPS泡沫的成型控制系统，其特征在于，所述一维时序特征提取模块，用于：使用所述基于一维卷积神经网络模型的时序特征提取器的各层分别进行如下操作：
将所述输入数据通过第一卷积层进行卷积处理以得到第一卷积特征图和第二卷积特征图；
将所述第一卷积特征图和所述第二卷积特征图通过第一池化层进行池化处理以得到第一池化特征图和第二池化特征图；
将所述第一池化特征图和所述第二池化特征图通过第二卷积层进行卷积处理以得到第三卷积特征图和第四卷积特征图；
将所述第三卷积特征图和所述第四卷积特征图通过第二池化层进行池化处理以得到第三池化特征图和第四池化特征图；
其中，所述基于一维卷积神经网络模型的时序特征提取器的输出层输出为所述成型温度时序特征向量和所述成型压力时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的输入层输入为所述成型温度时序输入向量和所述成型压力时序输入向量。
5.根据权利要求4所述的EPS泡沫的成型控制系统，其特征在于，所述检测结果生成模块，包括：
全连接编码单元，用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；
分类单元，用于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。
6.一种EPS泡沫的成型控制方法，其特征在于，包括：
获取预定时间段内多个预定时间点的模具内成型温度值和模具内成型压力值；
将所述多个预定时间点的模具内成型温度值和模具内成型压力值分别按照时间维度排列为成型温度时序输入向量和成型压力时序输入向量；
将所述成型温度时序输入向量和所述成型压力时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到成型温度时序特征向量和成型压力时序特征向量；
分别使用高斯密度图对所述成型温度时序特征向量和所述成型压力时序特征向量进行特征级表达强化以得到成型温度时序特征矩阵和成型压力时序特征矩阵；
对所述成型温度时序特征向量和所述成型压力时序特征向量进行关联编码以得到成型温度－压力时序关联矩阵；
将所述成型温度－压力时序关联矩阵、成型温度时序特征矩阵和所述成型压力时序特征矩阵排列为分类特征图；
对所述分类特征图展开后得到的分类特征向量进行优化以得到优化分类特征向量；
将所述优化分类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成型过程参数是否存在异常；
其中，分别使用高斯密度图对所述成型温度时序特征向量和所述成型压力时序特征向量进行特征级表达强化以得到成型温度时序特征矩阵和成型压力时序特征矩阵，包括：
以如下第一高斯公式构造所述成型温度时序特征向量的第一高斯密度图；
其中，所述第一高斯公式为：
；
其中，表示所述成型温度时序特征向量，且/>的每个位置的值表示所述成型温度时序特征向量中相应两个位置的特征值之间的方差；
以如下第二高斯公式构造所述成型压力时序特征向量的第二高斯密度图；
其中，所述第二高斯公式为：
；
其中，表示所述成型压力时序特征向量，且/>的每个位置的值表示所述成型压力时序特征向量中相应两个位置的特征值之间的方差；
对所述第一高斯密度图和所述第二高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述成型温度时序特征矩阵和所述成型压力时序特征矩阵；
其中，对所述成型温度时序特征向量和所述成型压力时序特征向量进行关联编码以得到成型温度－压力时序关联矩阵，包括：以如下编码公式对所述成型温度时序特征向量和所述成型压力时序特征向量进行关联编码以得到成型温度－压力时序关联矩阵；
其中，所述编码公式为：
；
其中，表示所述成型温度时序特征向量，/>表示所述成型温度时序特征向量的转置向量，/>表示所述成型压力时序特征向量，/>表示所述成型温度－压力时序关联矩阵，/>表示矩阵相乘；
其中，对所述分类特征图展开后得到的分类特征向量进行优化以得到优化分类特征向量，包括：以如下优化公式对所述分类特征向量进行优化以得到优化分类特征向量；
其中，所述优化公式为：
；
其中是所述分类特征向量的第/>个位置的特征值，/>是所述分类特征向量的所有特征值的全局均值，且/>是所述分类特征向量的最大特征值，/>是所述分类特征向量的第/>个位置的特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311753600.0A CN117428988B (zh) | 2023-12-20 | 2023-12-20 | Eps泡沫的成型控制系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311753600.0A CN117428988B (zh) | 2023-12-20 | 2023-12-20 | Eps泡沫的成型控制系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117428988A CN117428988A (zh) | 2024-01-23 |
| CN117428988B true CN117428988B (zh) | 2024-02-20 |
Family
ID=89558572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311753600.0A Active CN117428988B (zh) | 2023-12-20 | 2023-12-20 | Eps泡沫的成型控制系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117428988B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
| CN116025319A (zh) * | 2023-01-31 | 2023-04-28 | 新疆广陆能源科技股份有限公司 | 多介质热流体作业监测系统及其方法 |
| CN116404212A (zh) * | 2023-05-22 | 2023-07-07 | 中国电建集团江西省电力建设有限公司 | 锌铁液流电池系统容量均衡控制方法及系统 |
-
2023
- 2023-12-20 CN CN202311753600.0A patent/CN117428988B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116025319A (zh) * | 2023-01-31 | 2023-04-28 | 新疆广陆能源科技股份有限公司 | 多介质热流体作业监测系统及其方法 |
| CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
| CN116404212A (zh) * | 2023-05-22 | 2023-07-07 | 中国电建集团江西省电力建设有限公司 | 锌铁液流电池系统容量均衡控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117428988A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107871014A (zh) | 一种基于深度融合哈希的大数据跨模态检索方法及系统 | |
| CN113902926A (zh) | 一种基于自注意力机制的通用图像目标检测方法和装置 | |
| CN111144548B (zh) | 抽油机井工况的识别方法及装置 | |
| CN111191526A (zh) | 行人属性识别网络训练方法、系统、介质及终端 | |
| CN116336400B (zh) | 油气集输管道基线检测方法 | |
| CN116092701A (zh) | 基于健康数据分析管理平台的控制系统及其方法 | |
| CN116580029B (zh) | 铝合金铸造成品的质检管控系统及其方法 | |
| CN115965217A (zh) | 用于塑料模型的智能化生产监控方法及其系统 | |
| CN112560639B (zh) | 人脸关键点数目转换方法、系统、电子设备及存储介质 | |
| CN111291695B (zh) | 人员违章行为识别模型训练方法、识别方法及计算机设备 | |
| CN116704267B (zh) | 一种基于改进yolox算法的深度学习3d打印缺陷检测方法 | |
| CN118484724B (zh) | 基于人工智能的系留固定索具的性能评估方法及装置 | |
| CN117155706A (zh) | 网络异常行为检测方法及其系统 | |
| CN116086790A (zh) | 氢燃料电池高压阀的性能检测方法及其系统 | |
| CN116649191A (zh) | 基于plc的远程施肥灌溉控制系统及其方法 | |
| CN114781779A (zh) | 一种无监督能耗异常检测方法、装置及存储介质 | |
| CN117428988B (zh) | Eps泡沫的成型控制系统及其方法 | |
| CN116901388A (zh) | 基于注塑成型的pvc配件缺陷智能修正方法 | |
| CN114626426A (zh) | 基于K-means优化算法的工业设备行为检测方法 | |
| CN115091725B (zh) | 用于生产农药包装桶的智能吹塑机及其控制方法 | |
| CN116863244A (zh) | 图像类别确定方法、装置、电子设备和存储介质 | |
| CN112529093B (zh) | 基于预检测权值的样本维度加权的模具清洗效果检验方法 | |
| CN116477375A (zh) | 基于人工智能的堆取料控制系统及其方法 | |
| CN116610080B (zh) | 休闲椅的智能生产方法及其控制系统 | |
| CN116408647B (zh) | 汽车散热器芯体自动装配系统及其方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |