CN117668484A - 胶黏剂生产过程的实时监测系统及方法 - Google Patents
胶黏剂生产过程的实时监测系统及方法 Download PDFInfo
- Publication number
- CN117668484A CN117668484A CN202311662118.6A CN202311662118A CN117668484A CN 117668484 A CN117668484 A CN 117668484A CN 202311662118 A CN202311662118 A CN 202311662118A CN 117668484 A CN117668484 A CN 117668484A
- Authority
- CN
- China
- Prior art keywords
- temperature
- raw material
- time sequence
- feature
- reaction 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 103
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 67
- 239000000853 adhesive Substances 0.000 title claims abstract description 66
- 230000001070 adhesive effect Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 270
- 239000002994 raw material Substances 0.000 claims abstract description 154
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 129
- 230000008859 change Effects 0.000 claims description 88
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 18
- 230000001965 increasing effect Effects 0.000 claims description 17
- 230000003247 decreasing effect Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 239000011800 void material Substances 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 5
- 238000004026 adhesive bonding Methods 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 239000000047 product Substances 0.000 description 13
- 238000009826 distribution Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000007086 side reaction Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009878 intermolecular interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002562 thickening agent Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本申请涉及智能监测技术领域,其具体地公开了一种胶黏剂生产过程的实时监测系统及方法,其首先采集原料在反应釜中的监控视频和反应釜中的温度数据,利用深度学习技术,从监控视频中提取原料的反应状态动态变化特征,同时,从温度数据中提取出温度的时序变化特征,基于温度对原料反应状态的影响来自动地判断当前时间点的温度应增大或减小。这样,基于原料反应状态与温度之间的关联性分析来进行温度调整,以实现温度的自动化控制,从而提高生产效率并确保产品质量。
Description
技术领域
本申请涉及智能监测技术领域,且更为具体地,涉及一种胶黏剂生产过程的实时监测系统及方法。
背景技术
胶黏剂的生产过程属于化学反应的过程,将生产胶黏剂所需的原料根据配方比例进行称量和混合,按照预定的比例加入混合槽或反应釜中。通过搅拌和加热等操作,使原料充分混合和反应。在混合和反应后,为了滤除胶黏剂可能存在的一些杂质或固体颗粒,提高胶黏剂的质量,对胶黏剂进行过滤和净化以去除杂质和固体颗粒,使胶黏剂变得清澈透明。再根据胶黏剂的使用要求,通过添加增稠剂、填料等物质对其进行性能调整。
在胶黏剂的生产过程中,为了加快化学物质的反应速度,达到缩短反应时间的目的,通常会对反应物质进行加热和搅拌,而反应釜中的反应温度的控制是决定产品质量和生产效率的关键因素。现有的一些实时监测系统虽然能够监控反应釜中的原料反应状态和温度数据,但往往只停留在记录层面,无法对反应异常情况进行自动管理,主要还是依赖于人工经验来调整和控制反应釜中的温度,不仅效率低下,甚至可能产生错误。
因此,期待一种胶黏剂生产过程的实时监测系统及方法。
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胶黏剂生产过程的实时监测系统及方法,其首先采集原料在反应釜中的监控视频和反应釜中的温度数据,利用深度学习技术,从监控视频中提取原料的反应状态动态变化特征,同时,从温度数据中提取出温度的时序变化特征,基于温度对原料反应状态的影响来自动地判断当前时间点的温度应增大或减小。这样,基于原料反应状态与温度之间的关联性分析来进行温度调整,以实现温度的自动化控制,从而提高生产效率并确保产品质量。
相应地,根据本申请的一个方面,提供了一种胶黏剂生产过程的实时监测系统,其包括:
监控模块,用于获取反应釜中预定时间段内多个预定时间点的反应温度值,以及所述预定时间段的原料反应状态监控视频;
数据关联分析模块,用于从所述多个预定时间点的反应温度值和所述原料反应状态监控视频中提取出原料反应状态-温度关联特征向量;
监测结果生成模块,用于基于所述原料反应状态-温度关联特征向量,确定当前时间点的温度应增大或减小。
在上述胶黏剂生产过程的实时监测系统中,所述数据关联分析模块,包括:温度时序特征编码单元,用于将所述多个预定时间点的反应温度值通过温度时序特征编码器进行时序编码以得到温度时序特征向量;反应状态动态变化特征提取单元,用于从所述预定时间段的原料反应状态监控视频中提取出反应状态时序动态变化特征向量;融合单元,用于融合所述反应状态时序动态变化特征向量和所述温度时序特征向量以得到原料反应状态-温度关联特征向量。
在上述胶黏剂生产过程的实时监测系统中,所述温度时序特征编码单元,包括:一维排列子单元,用于将所述多个预定时间点的反应温度值一维排列为温度输入向量;归一化子单元,用于将所述温度输入向量进行基于最大值的归一化处理以得到归一化后温度输入向量;全连接编码子单元,用于使用所述温度时序特征编码器的全连接层对所述归一化后温度输入向量进行全连接编码以提取所述归一化后温度输入向量中各个位置的特征值的高维隐含特征;一维卷积编码子单元,用于使用所述温度时序特征编码器的一维卷积层对所述归一化后温度输入向量进行一维编码以提取所述归一化后温度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。
在上述胶黏剂生产过程的实时监测系统中,所述反应状态动态变化特征提取单元,包括:采样子单元,用于以预定采样频率从所述原料反应状态监控视频中提取多个原料反应关键帧;反应状态特征提取子单元,用于将所述多个原料反应关键帧中各个原料反应关键帧分别通过具有多重感受野的双流卷积神经网络模型以得到多个多尺度原料反应特征图;原料反应状态动态变化编码子单元,用于将所述多个多尺度原料反应特征图排列为三维输入张量后通过原料反应状态时序编码器进行动态变化特征提取以得到反应状态时序动态变化特征向量。
在上述胶黏剂生产过程的实时监测系统中,所述具有多重感受野的双流卷积神经网络模型包括并行的第一卷积神经网络模型和第二卷积神经网络模型,所述第一卷积神经网络使用具有第一空洞率的第一卷积核对所述原料反应关键帧进行卷积编码以得到第一尺度特征图,所述第二卷积神经网络使用具有第二空洞率的第二卷积核对所述原料反应关键帧进行卷积编码以得到第二尺度特征图,再融合所述第一尺度特征图和所述第二尺度特征图以得到所述多尺度原料反应特征图,其中,所述第一卷积核的尺寸与所述第二卷积核的尺寸相等,所述第一空洞率不同于所述第二空洞率。
在上述胶黏剂生产过程的实时监测系统中,所述原料反应状态时序编码器为使用时间注意力机制的卷积神经网络模型。
在上述胶黏剂生产过程的实时监测系统中,所述融合单元,包括:温度时序特征优化子单元,用于基于所述反应状态时序动态变化特征向量,对所述温度时序特征向量进行参数化几何关系过渡先验特征的非刚性一致化以得到优化温度时序特征向量;特征关联子单元,用于融合所述反应状态时序动态变化特征向量和所述优化温度时序特征向量以得到所述原料反应状态-温度关联特征向量。
在上述胶黏剂生产过程的实时监测系统中,所述特征关联子单元,用于:以如下优化公式对所述温度时序特征向量进行参数化几何关系过渡先验特征的非刚性一致化以得到优化温度时序特征向量;其中,所述优化公式为:
其中,v1表示所述反应状态时序动态变化特征向量,vj表示所述反应状态时序动态变化特征向量的第j个位置的特征值,vi表示所述温度时序特征向量的第i个位置的特征值,log表示以2为底的对数函数值,λ表示预定超参数,vi′表示所述优化温度时序特征向量的第i个位置的特征值。
在上述胶黏剂生产过程的实时监测系统中,所述监测结果生成模块,用于:将所述原料反应状态-温度关联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温度应增大或减小。
根据本申请的另一个方面,提供了一种胶黏剂生产过程的实时监测方法,其包括:
获取反应釜中预定时间段内多个预定时间点的反应温度值,以及所述预定时间段的原料反应状态监控视频;
从所述多个预定时间点的反应温度值和所述原料反应状态监控视频中提取出原料反应状态-温度关联特征向量;
基于所述原料反应状态-温度关联特征向量,确定当前时间点的温度应增大或减小。
与现有技术相比,本申请提供的胶黏剂生产过程的实时监测系统及方法,其首先采集原料在反应釜中的监控视频和反应釜中的温度数据,利用深度学习技术,从监控视频中提取原料的反应状态动态变化特征,同时,从温度数据中提取出温度的时序变化特征,基于温度对原料反应状态的影响来自动地判断当前时间点的温度应增大或减小。这样,基于原料反应状态与温度之间的关联性分析来进行温度调整,以实现温度的自动化控制,从而提高生产效率并确保产品质量。
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胶黏剂生产过程的实时监测系统的框图。
图2为根据本申请实施例的胶黏剂生产过程的实时监测系统的架构示意图。
图3为根据本申请实施例的胶黏剂生产过程的实时监测系统中数据关联分析模块的框图。
图4为根据本申请实施例的胶黏剂生产过程的实时监测系统中温度时序特征编码单元的框图。
图5为根据本申请实施例的胶黏剂生产过程的实时监测系统中反应状态动态变化特征提取单元的框图。
图6为根据本申请实施例的胶黏剂生产过程的实时监测方法的流程图。
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。
图1为根据本申请实施例的胶黏剂生产过程的实时监测系统的框图。图2为根据本申请实施例的胶黏剂生产过程的实时监测系统的架构示意图。如图1和图2所示,根据本申请实施例的胶黏剂生产过程的实时监测系统100,包括:监控模块110,用于获取反应釜中预定时间段内多个预定时间点的反应温度值,以及所述预定时间段的原料反应状态监控视频;数据关联分析模块120,用于从所述多个预定时间点的反应温度值和所述原料反应状态监控视频中提取出原料反应状态-温度关联特征向量;监测结果生成模块130,用于基于所述原料反应状态-温度关联特征向量,确定当前时间点的温度应增大或减小。
在上述胶黏剂生产过程的实时监测系统100中,所述监控模块110,用于获取反应釜中预定时间段内多个预定时间点的反应温度值,以及所述预定时间段的原料反应状态监控视频。如上述背景技术所言,原料的反应温度是影响胶黏剂生产质量和生成效率的关键因素。一般来说,随着温度的升高,反应速率会增加。通过控制反应温度,可以加快反应速率,使反应在较短的时间内完成,从而提高生产效率、缩短生产周期和增加产量。但考虑到胶黏剂的性能通常与其组分之间的化学反应有关,在特定的温度范围内,反应物质的分子间相互作用和化学反应会发生变化,过高的反应温度可能导致反应过度,从而影响产物的性质和特性,对胶黏剂产品的质量产生不利影响。并且,在高温下,一些副反应可能会发生,导致副产物的生成。这些副产物可能对产品的性能和质量产生不利影响。例如,高温下的副反应可能导致杂质的产生、颜色的变化或者产物的降解,从而降低产品的纯度和一致性。也就是说,只有通过精确控制反应温度,才能获得所需的产品质量和性能,如黏度、固化时间、粘接强度等。
现有的一些胶黏剂生产过程的实时监测系统虽然能够监控反应釜中的原料反应状态和温度数据,但往往只停留在记录层面,无法对反应异常情况进行自动管理,主要还是依赖于人工经验来调整和控制反应釜中的温度。依赖人工经验进行温度控制需要有经验丰富的操作人员,并且需要操作人员持续关注和调整反应釜中的温度。这对于企业来说可能增加人力资源成本,并且操作人员需要承担较大的工作负担和压力。人工控制温度的方式主要依赖操作人员的经验和判断。这种主观性可能导致不同操作人员之间的差异,以及对温度变化的反应速度和准确性的差异。此外,依赖经验的控制方式可能无法应对复杂的反应动态和异常情况,导致温度控制不够精确和稳定。并且,人工控制方式通常是离散的、间断的调整,操作人员根据观察到的温度变化进行手动调整。这种方式可能无法及时捕捉到反应动态的变化,并且调整过程中可能存在滞后和不准确性。特别是对于快速变化的反应或复杂的反应过程,人工控制方式很难实现精确的温度控制。并且如果操作人员无法及时、准确地察觉到反应温度的异常变化,可能会导致反应失控、过热或其他安全问题的发生。因此,期待一种胶黏剂生产过程的温度自动化监控调整方案。
相应地,在本申请的技术方案中,首先,采集原料在反应釜中的监控视频和反应釜中的温度数据,利用深度学习技术,从监控视频中提取原料的反应状态动态变化特征,同时,从温度数据中提取出温度的时序变化特征,基于温度对原料反应状态的影响来自动地判断当前时间点的温度应增大或减小。这样,基于原料反应状态与温度之间的关联性分析来进行温度调整,以实现温度的自动化控制,从而提高生产效率并确保产品质量。具体地,在本申请的技术方案中,通过部署于反应釜中的温度传感器采集预定时间段内多个预定时间点的反应温度值,以及,通过摄像头采集反应釜内所述预定时间段的原料反应状态监控视频。
在上述胶黏剂生产过程的实时监测系统100中,所述数据关联分析模块120,用于从所述多个预定时间点的反应温度值和所述原料反应状态监控视频中提取出原料反应状态-温度关联特征向量。应可以理解,在胶黏剂生产过程中,温度是一个关键的参数,对产品的质量和性能有着重要影响。而原料反应状态监控视频能够反映胶黏剂的化学反应过程和物质转化情况。通过从温度数据和原料反应状态监控视频数据中提取原料反应状态-温度关联特征向量,能够建立原料反应状态与温度之间的关系模型,捕捉到原料反应状态和温度之间的相关性和变化趋势。通过对所述原料反应状态-温度关联特征向量进行分析,能够判断在原料反应状态下温度的升高或降低对胶黏剂质量的影响程度,从而建立模型来指导温度的调整和控制,以实现胶黏剂生产过程的优化和质量的稳定。
图3为根据本申请实施例的胶黏剂生产过程的实时监测系统中数据关联分析模块的框图。如图3所示,所述数据关联分析模块120,包括:温度时序特征编码单元121,用于将所述多个预定时间点的反应温度值通过温度时序特征编码器进行时序编码以得到温度时序特征向量;反应状态动态变化特征提取单元122,用于从所述预定时间段的原料反应状态监控视频中提取出反应状态时序动态变化特征向量;融合单元123,用于融合所述反应状态时序动态变化特征向量和所述温度时序特征向量以得到原料反应状态-温度关联特征向量。
具体地,所述温度时序特征编码单元121,用于将所述多个预定时间点的反应温度值通过温度时序特征编码器进行时序编码以得到温度时序特征向量。为了提取温度数据中的时序特征,并将其转化为一个维度较低的向量表示,进一步将所述多个预定时间点的反应温度值通过温度时序特征编码器进行时序编码。应可以理解,在胶黏剂生产过程中,温度的变化是一个关键的动态过程。通过对温度数据的时序变化进行编码,以捕捉到温度随时间的变化趋势、周期性和其他重要的时序特性,从而提供关于温度历史、变化速度、趋势和周期性等方面的信息,为后续的关联性分析和预测提供基础。并且,通过温度时序特征编码器对温度数据进行特征提取和压缩,将原始时间序列数据转化为具有较低维度的特征向量,能够更好地表达温度变化的趋势和模式,减少了数据的维度,同时保留了关键的信息。接着,将提取出的所述所述温度时序特征向量作为后续步骤中的输入,以支持后续的与原料反应状态特征进行关联分析和预测,从而实现对温度调整的预测和控制。
在本申请的技术方案中,所述温度时序特征编码器包含全连接层和一维卷积层。全连接层在处理时序数据时能够捕捉到更全局的特征信息。通过全连接层来将时序数据的每个时间步的特征都连接到下一层神经元,以实现全局的特征交互和信息传递,有助于捕捉数据的全局模式,对于分析温度数据的整体趋势和变化模式有重要作用。一维卷积层通过对时序数据的局部窗口进行卷积操作,从而提取出窗口内部的特征关联模式,有助于捕捉温度数据中的局部变化、短期趋势和周期性。由于温度数据在不同时间点通常存在不同的局部关联模式,而一维卷积层能够学习到不同时间尺度上的特征,从而更好地适应不同的温度变化情况。也就是说,全连接层能够建立更全局的特征模式,而一维卷积层则具备捕捉局部关联特征模式的能力。通过结合全连接层和一维卷积层,所述温度时序特征编码器可以综合考虑温度数据的全局特征和局部关联特征,充分利用了温度时序数据中的特征信息,从而提高模型的表达能力和泛化能力,进而更好地处理温度数据的特征提取和编码任务。
图4为根据本申请实施例的胶黏剂生产过程的实时监测系统中温度时序特征编码单元的框图。如图4所示,所述温度时序特征编码单元121,包括:一维排列子单元1211,用于将所述多个预定时间点的反应温度值一维排列为温度输入向量;归一化子单元1212,用于将所述温度输入向量进行基于最大值的归一化处理以得到归一化后温度输入向量;全连接编码子单元1213,用于使用所述温度时序特征编码器的全连接层对所述归一化后温度输入向量进行全连接编码以提取所述归一化后温度输入向量中各个位置的特征值的高维隐含特征;一维卷积编码子单元1214,用于使用所述温度时序特征编码器的一维卷积层对所述归一化后温度输入向量进行一维编码以提取所述归一化后温度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。
具体地,所述反应状态动态变化特征提取单元122,用于从所述预定时间段的原料反应状态监控视频中提取出反应状态时序动态变化特征向量。应可以理解,在胶黏剂生产过程中,原料反应状态的变化对温度的调整和控制起着重要作用。从所述原料反应状态监控视频中可以观察到原料在不同时间点的状态变化,例如颜色、浓度、相态等的变化,这些反应状态的变化与温度的变化之间存在一定的关联性。通过从所述预定时间段的原料反应状态监控视频中提取出原料反应状态的时序动态变化特征向量,进而将所述反应状态时序动态变化特征向量作为后续步骤中的输入,与所述温度时序特征向量进行关联分析和预测,对反应状态与温度之间的关系建模,从而优化温度调整策略,提高胶黏剂生产过程的质量和效率。
图5为根据本申请实施例的胶黏剂生产过程的实时监测系统中反应状态动态变化特征提取单元的框图。如图5所示,所述反应状态动态变化特征提取单元122,包括:采样子单元1221,用于以预定采样频率从所述原料反应状态监控视频中提取多个原料反应关键帧;反应状态特征提取子单元1222,用于将所述多个原料反应关键帧中各个原料反应关键帧分别通过具有多重感受野的双流卷积神经网络模型以得到多个多尺度原料反应特征图;原料反应状态动态变化编码子单元1223,用于将所述多个多尺度原料反应特征图排列为三维输入张量后通过原料反应状态时序编码器进行动态变化特征提取以得到反应状态时序动态变化特征向量。
具体地,所述采样子单元1221,用于以预定采样频率从所述原料反应状态监控视频中提取多个原料反应关键帧。应可以理解,所述原料反应状态监控视频通常是连续的时间序列,包含大量的相似帧,存在大量的数据冗余,因此,为了节省计算资源,提高数据处理的效率,进一步以预定采样频率对所述原料反应状态监控视频进行采样操作,以得到多个原料反应关键帧,进而通过所述多个原料反应关键帧来反映原料的转变和演化过程。也就是说,通过在不同时间点采样关键帧来捕捉原料在不同时刻的状态,提供关于原料反应状态的静态信息,例如颜色、形状、颗粒分布等。再对所述多个原料反应关键帧中的特征进行时序关联编码,以捕捉原料反应状态随时间的变化特征,理解反应状态随时间的变化规律。
具体地,所述反应状态特征提取子单元1222,用于将所述多个原料反应关键帧中各个原料反应关键帧分别通过具有多重感受野的双流卷积神经网络模型以得到多个多尺度原料反应特征图。应可以理解,卷积神经网络模型在处理图像数据时具有较好的特征提取能力,因此,在本申请的技术方案中,使用卷积神经网络来对所述各个原料反应关键帧进行特征挖掘。所述卷积神经网络模型在图像特征提取时,其所使用的卷积核对应着所述各个原料反应关键帧的图像局部区域,即所述卷积核决定所述卷积神经网络模型的局部特征感受野,当使用相对较大的卷积核时,其特征感受野较大,当使用相对较小的卷积核时,其特征感受野相对较小。因此,在本申请的技术方案中,使用所述具有多重感受野的双流卷积神经网络模型能够提取各个原料反应关键帧中不同尺寸的图像局部区域的原料反应状态特征。也就是,使用双流卷积神经网络模型的两个分支分别使用不同尺度的卷积核来对于所述原料反应关键帧进行处理,以分别提取出所述原料反应关键帧的不同尺度的原料反应状态特征,从而得到第一尺度特征图和第二尺度特征图。再融合不同特征感受野下的第一尺度特征图和第二尺度特征图以整合不同尺度下的原料反应状态特征,得到对应于各个原料反应关键帧的多尺度原料反应特征图,从而更全面地描述原料在不同时刻的反应状态信息。
相应地,在一个具体示例中,所述具有多重感受野的双流卷积神经网络模型包括并行的第一卷积神经网络模型和第二卷积神经网络模型,所述第一卷积神经网络使用具有第一空洞率的第一卷积核对所述原料反应关键帧进行卷积编码以得到第一尺度特征图,所述第二卷积神经网络使用具有第二空洞率的第二卷积核对所述原料反应关键帧进行卷积编码以得到第二尺度特征图,再融合所述第一尺度特征图和所述第二尺度特征图以得到所述多尺度原料反应特征图。并且,所述第一卷积核的尺寸与所述第二卷积核的尺寸相等,所述第一空洞率不同于所述第二空洞率。
具体地,所述原料反应状态动态变化编码子单元1223,用于将所述多个多尺度原料反应特征图排列为三维输入张量后通过原料反应状态时序编码器进行动态变化特征提取以得到反应状态时序动态变化特征向量。应可以理解,原料反应状态的变化通常具有长期依赖关系,将所述多个多尺度原料反应特征图按照时间顺序排列为三维输入张量,从而保留特征之间的时序关系,然后,进一步使用卷积神经网络对所述三维输入张量进行时序依赖关系建模,捕捉到反应状态的变化趋势、变化速率等动态信息,从而更好地理解和分析原料的反应状态随温度变化的规律。并且,通过所述原料反应状态时序编码器来将所述多个多尺度原料反应特征图编码为反应状态时序动态变化特征向量,以将原始的高维特征表示进行压缩和降维,能够减少数据的存储空间和计算复杂度。
在本申请的技术方案中,所述原料反应状态时序编码器为使用时间注意力机制的卷积神经网络模型。应可以理解,通过在卷积神经网络中引入时间注意力机制能够建模时间序列数据中的时间相关性。时间注意力机制可以对不同时间点的特征进行加权,根据具体的时间序列数据自适应地学习时间相关性,自动调整每个时间点的权重,使得网络可以灵活地对不同时间点的特征进行加权处理,从而使得网络加强重要特征的表达,并降低无关信息的干扰,从而更好地捕捉原料反应状态动态变化的时间模式和动态变化趋势。也就是说,过卷积层和注意力机制的结合,网络能够有效地捕捉原料反应状态动态变化的空间特征和时间特征,从而提高特征表示的表达能力。
具体地,所述融合单元123,用于融合所述反应状态时序动态变化特征向量和所述温度时序特征向量以得到原料反应状态-温度关联特征向量。应可以理解,通过将所述反应状态时序动态变化特征向量和所述温度时序特征向量进行特征融合,可以获得一个度量两种特征之间关联程度的指标,从而揭示温度对原料反应状态的影响,进而为胶黏剂生产过程的温度控制提供更全面和准确的特征指示。
特别地,在本申请的技术方案中,考虑到温度时序特征向量来自于反应釜中预定时间段内多个预定时间点的反应温度值,而反应状态时序动态变化特征向量来自于原料反应状态监控视频。这两个数据源的本质和内容差异较大。反应温度值是数值数据,反映了反应过程中的温度变化,而原料反应状态监控视频是视觉数据,包含了反应过程中的图像或视频信息。同时,温度时序特征向量主要反映了反应温度的时序变化,可以用于分析温度随时间的趋势和规律。反应状态时序动态变化特征向量则主要反映了原料反应状态的时序变化,例如原料的形态、颜色、密度等随时间的变化。这两种信息类别的特征分布在高维特征空间中很可能有所不同,因为它们描述的是不同的方面和属性。由于数据源和信息类别的差异,温度时序特征向量在高维特征空间内的特征分布相对于反应状态时序动态变化特征向量的特征分布存在不均衡性。这意味着两者在特征空间中的分布可能会有较大的差异,无法直接进行比较或融合。为了对这种不均衡性进行补偿,技术方案中提出了基于反应状态时序动态变化特征向量的参数化几何关系过渡先验特征的非刚性一致化方法,以优化温度时序特征向量。通过考虑反应状态的时序动态变化信息,对温度时序特征向量进行调整和优化,使其更加符合反应状态的时序特征和上下文。
具体地,所述融合单元123,包括:温度时序特征优化子单元,用于基于所述反应状态时序动态变化特征向量,对所述温度时序特征向量进行参数化几何关系过渡先验特征的非刚性一致化以得到优化温度时序特征向量;特征关联子单元,用于融合所述反应状态时序动态变化特征向量和所述优化温度时序特征向量以得到所述原料反应状态-温度关联特征向量。
更为具体地,所述特征关联子单元,用于:以如下优化公式对所述温度时序特征向量进行参数化几何关系过渡先验特征的非刚性一致化以得到优化温度时序特征向量;其中,所述优化公式为:
其中,v1表示所述反应状态时序动态变化特征向量,vj表示所述反应状态时序动态变化特征向量的第j个位置的特征值,vi表示所述温度时序特征向量的第i个位置的特征值,log表示以2为底的对数函数值,λ表示预定超参数,vi′表示所述优化温度时序特征向量的第i个位置的特征值。
在本申请的技术方案中,基于所述反应状态时序动态变化特征向量,对所述温度时序特征向量进行参数化几何关系过渡先验特征的非刚性一致化,这样,通过引入相对于所述反应状态时序动态变化特征向量的信息鲁棒性,可以提升修正后的温度时序特征向量相对于所述反应状态时序动态变化特征向量的特征分布的聚类性能,从而提升了所述反应状态时序动态变化特征向量和所述温度时序特征向量之间的依赖性和对齐度。这种方法利用了参数化几何关系过渡先验特征的非刚性一致化的优势,即可以在不改变所述反应状态时序动态变化特征向量和所述温度时序特征向量的维度和结构的情况下,实现两者的特征空间的变换和匹配,以使得优化温度时序特征向量与所述反应状态时序动态变化特征向量的特征分布更加接近,这样,不仅可以提高特征对齐的精度和效率,而且可以保持特征的原始信息和语义,避免了特征的信息丢失和混淆。
在上述胶黏剂生产过程的实时监测系统100中,所述监测结果生成模块130,用于基于所述原料反应状态-温度关联特征向量,确定当前时间点的温度应增大或减小。在本申请的技术方案中,所述原料反应状态-温度关联特征向量包含了原料反应状态动态变化特征和温度时序变化之间关联特征信息,揭示温度对原料反应状态的影响,基于这种关联关系,能够根据当前时间点的原料反应状态来判断当前时间点的温度应增大或减小。
相应地,在一个具体示例中,所述监测结果生成模块130,用于:将所述原料反应状态-温度关联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温度应增大或减小。应可以理解,分类器是一种机器学习模型,它可以根据输入的特征进行分类或判断。这里,分类器从大量的训练数据中提取特征,通过训练过程自动学习原料反应状态-温度关联特征向量与反应温度之间的关联性。基于这种关联来将输入特征映射到相应的标签中,以得到一个二元的分类结果,例如,当前时间点的温度应“增大”或“减小”,从而根据分类结果自动地调整当前时间点的温度,以实现温度的自动化控制,进而提高生产效率和产品质量。
综上,根据本申请实施例的胶黏剂生产过程的实时监测系统被阐明,其首先采集原料在反应釜中的监控视频和反应釜中的温度数据,利用深度学习技术,从监控视频中提取原料的反应状态动态变化特征,同时,从温度数据中提取出温度的时序变化特征,基于温度对原料反应状态的影响来自动地判断当前时间点的温度应增大或减小。这样,基于原料反应状态与温度之间的关联性分析来进行温度调整,以实现温度的自动化控制,从而提高生产效率并确保产品质量。
图6为根据本申请实施例的胶黏剂生产过程的实时监测方法的流程图。如图6所示,根据本申请实施例的胶黏剂生产过程的实时监测方法,包括步骤:S110,获取反应釜中预定时间段内多个预定时间点的反应温度值,以及所述预定时间段的原料反应状态监控视频;S120,从所述多个预定时间点的反应温度值和所述原料反应状态监控视频中提取出原料反应状态-温度关联特征向量;S130,基于所述原料反应状态-温度关联特征向量,确定当前时间点的温度应增大或减小。
这里,本领域技术人员可以理解,上述胶黏剂生产过程的实时监测方法中的各个步骤的具体操作已经在上面参考图1到图5的胶黏剂生产过程的实时监测系统的描述中得到了详细介绍,并因此,将省略其重复描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,所揭露的方法、系统可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请的构思的情况下,还可以包括更多其他等效实施例,均属于本申请的保护范畴。
Claims (10)
1.一种胶黏剂生产过程的实时监测系统,其特征在于,包括:
监控模块,用于获取反应釜中预定时间段内多个预定时间点的反应温度值,以及所述预定时间段的原料反应状态监控视频;
数据关联分析模块,用于从所述多个预定时间点的反应温度值和所述原料反应状态监控视频中提取出原料反应状态-温度关联特征向量;
监测结果生成模块,用于基于所述原料反应状态-温度关联特征向量,确定当前时间点的温度应增大或减小。
2.根据权利要求1所述的胶黏剂生产过程的实时监测系统,其特征在于,所述数据关联分析模块,包括:
温度时序特征编码单元,用于将所述多个预定时间点的反应温度值通过温度时序特征编码器进行时序编码以得到温度时序特征向量;
反应状态动态变化特征提取单元,用于从所述预定时间段的原料反应状态监控视频中提取出反应状态时序动态变化特征向量;
融合单元,用于融合所述反应状态时序动态变化特征向量和所述温度时序特征向量以得到原料反应状态-温度关联特征向量。
3.根据权利要求2所述的胶黏剂生产过程的实时监测系统,其特征在于,所述温度时序特征编码单元,包括:
一维排列子单元,用于将所述多个预定时间点的反应温度值一维排列为温度输入向量;
归一化子单元,用于将所述温度输入向量进行基于最大值的归一化处理以得到归一化后温度输入向量;
全连接编码子单元,用于使用所述温度时序特征编码器的全连接层对所述归一化后温度输入向量进行全连接编码以提取所述归一化后温度输入向量中各个位置的特征值的高维隐含特征;
一维卷积编码子单元,用于使用所述温度时序特征编码器的一维卷积层对所述归一化后温度输入向量进行一维编码以提取所述归一化后温度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。
4.根据权利要求3所述的胶黏剂生产过程的实时监测系统,其特征在于,所述反应状态动态变化特征提取单元,包括:
采样子单元,用于以预定采样频率从所述原料反应状态监控视频中提取多个原料反应关键帧;
反应状态特征提取子单元,用于将所述多个原料反应关键帧中各个原料反应关键帧分别通过具有多重感受野的双流卷积神经网络模型以得到多个多尺度原料反应特征图;
原料反应状态动态变化编码子单元,用于将所述多个多尺度原料反应特征图排列为三维输入张量后通过原料反应状态时序编码器进行动态变化特征提取以得到反应状态时序动态变化特征向量。
5.根据权利要求4所述的胶黏剂生产过程的实时监测系统,其特征在于,所述具有多重感受野的双流卷积神经网络模型包括并行的第一卷积神经网络模型和第二卷积神经网络模型,所述第一卷积神经网络使用具有第一空洞率的第一卷积核对所述原料反应关键帧进行卷积编码以得到第一尺度特征图,所述第二卷积神经网络使用具有第二空洞率的第二卷积核对所述原料反应关键帧进行卷积编码以得到第二尺度特征图,再融合所述第一尺度特征图和所述第二尺度特征图以得到所述多尺度原料反应特征图;其中,所述第一卷积核的尺寸与所述第二卷积核的尺寸相等,所述第一空洞率不同于所述第二空洞率。
6.根据权利要求5所述的胶黏剂生产过程的实时监测系统,其特征在于,所述原料反应状态时序编码器为使用时间注意力机制的卷积神经网络模型。
7.根据权利要求6所述的胶黏剂生产过程的实时监测系统,其特征在于,融合单元,包括:
温度时序特征优化子单元,用于基于所述反应状态时序动态变化特征向量,对所述温度时序特征向量进行参数化几何关系过渡先验特征的非刚性一致化以得到优化温度时序特征向量;
特征关联子单元,用于融合所述反应状态时序动态变化特征向量和所述优化温度时序特征向量以得到所述原料反应状态-温度关联特征向量。
8.根据权利要求7所述的胶黏剂生产过程的实时监测系统,其特征在于,所述特征关联子单元,用于:以如下优化公式对所述温度时序特征向量进行参数化几何关系过渡先验特征的非刚性一致化以得到优化温度时序特征向量;其中,所述优化公式为:
其中,v1表示所述反应状态时序动态变化特征向量,vj表示所述反应状态时序动态变化特征向量的第j个位置的特征值,vi表示所述温度时序特征向量的第i个位置的特征值,log表示以2为底的对数函数值,λ表示预定超参数,vi′表示所述优化温度时序特征向量的第i个位置的特征值。
9.根据权利要求8所述的胶黏剂生产过程的实时监测系统,其特征在于,所述监测结果生成模块,用于:将所述原料反应状态-温度关联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温度应增大或减小。
10.一种胶黏剂生产过程的实时监测方法,其特征在于,包括:
获取反应釜中预定时间段内多个预定时间点的反应温度值,以及所述预定时间段的原料反应状态监控视频;
从所述多个预定时间点的反应温度值和所述原料反应状态监控视频中提取出原料反应状态-温度关联特征向量;
基于所述原料反应状态-温度关联特征向量,确定当前时间点的温度应增大或减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311662118.6A CN117668484A (zh) | 2023-12-05 | 2023-12-05 | 胶黏剂生产过程的实时监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311662118.6A CN117668484A (zh) | 2023-12-05 | 2023-12-05 | 胶黏剂生产过程的实时监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117668484A true CN117668484A (zh) | 2024-03-08 |
Family
ID=90084079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311662118.6A Pending CN117668484A (zh) | 2023-12-05 | 2023-12-05 | 胶黏剂生产过程的实时监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117668484A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB202100758D0 (en) * | 2021-01-20 | 2021-03-03 | Jems Energetska Druzba D O O | Systems and methods for plant process optimisation |
CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
CN116052050A (zh) * | 2023-02-03 | 2023-05-02 | 深圳市橙洁士日用化工科技有限公司 | 洗涤剂智能化生产系统及其方法 |
CN116594303A (zh) * | 2023-05-25 | 2023-08-15 | 浙江荣鑫纤维股份有限公司 | 染布机的控制方法及其系统 |
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 |
CN116768206A (zh) * | 2023-05-25 | 2023-09-19 | 宁波锦洲新材料科技有限公司 | 石墨的纯化工艺及其系统 |
CN116912739A (zh) * | 2023-07-14 | 2023-10-20 | 抚州嘉新正食品有限公司 | 藕粉的加工控制系统及其方法 |
-
2023
- 2023-12-05 CN CN202311662118.6A patent/CN117668484A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB202100758D0 (en) * | 2021-01-20 | 2021-03-03 | Jems Energetska Druzba D O O | Systems and methods for plant process optimisation |
CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
CN116052050A (zh) * | 2023-02-03 | 2023-05-02 | 深圳市橙洁士日用化工科技有限公司 | 洗涤剂智能化生产系统及其方法 |
CN116594303A (zh) * | 2023-05-25 | 2023-08-15 | 浙江荣鑫纤维股份有限公司 | 染布机的控制方法及其系统 |
CN116768206A (zh) * | 2023-05-25 | 2023-09-19 | 宁波锦洲新材料科技有限公司 | 石墨的纯化工艺及其系统 |
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 |
CN116912739A (zh) * | 2023-07-14 | 2023-10-20 | 抚州嘉新正食品有限公司 | 藕粉的加工控制系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102778843B (zh) | 一种强磁选别过程运行控制方法 | |
CN1987697A (zh) | 工业生产过程小样本条件下的故障诊断系统及方法 | |
CN115576293B (zh) | 基于数据监控的压敏胶在线生产分析方法及系统 | |
CN111353377A (zh) | 一种基于深度学习的电梯乘客数检测方法 | |
CN115936241A (zh) | 一种电力施工作业节奏预测方法及系统 | |
CN116975645A (zh) | 一种基于vae-mrcnn的工业过程软测量建模方法 | |
CN114444811A (zh) | 一种基于注意力机制的铝电解混频数据过热度预测方法 | |
CN111062848A (zh) | 一种消防工程异常状态监测的智能监控方法 | |
CN111160387A (zh) | 一种基于多视角字典学习的图模型 | |
Lu et al. | Operating performance assessment based on semi-supervised cluster generative adversarial networks for gold flotation process | |
CN117668484A (zh) | 胶黏剂生产过程的实时监测系统及方法 | |
CN117227005A (zh) | 混凝土原料加工用生产控制系统及其方法 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN112966770A (zh) | 基于集成混合模型的故障预测方法、装置及相关设备 | |
CN117011609A (zh) | 纺织品加工进度自动跟踪系统及其方法 | |
CN114830242A (zh) | 用于基于分析数据进行表征的机器视觉 | |
KR102567133B1 (ko) | AIoT 기반 첨단 복합소재 사출성형 제조 데이터 최적화를 위한 통합관리 시스템 및 방법 | |
CN113835964B (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
CN116415147A (zh) | 基于自学习的面向光伏系统设备运行数据的预训练方法 | |
CN115861235A (zh) | 一种基于多特征数据融合的浮选尾煤灰分预测方法 | |
Wang et al. | Identification of abnormal conditions for gold flotation process based on multivariate information fusion and double‐channel convolutional neural network | |
CN115169832A (zh) | 一种基于曲线形态变化的敏感性分析方法及系统 | |
Glasby et al. | Machine Learning and Digital Manufacturing Approaches for Solid‐State Materials Development | |
CN114139643A (zh) | 一种基于机器视觉的单甘酯质量检测方法及系统 | |
高学金 et al. | An optimal control strategy combining SVM with RGA for improving fermentation titer |
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 |