CN117743772B - 基于人工智能模型的卫生纸干燥参数优化方法及系统 - Google Patents
基于人工智能模型的卫生纸干燥参数优化方法及系统 Download PDFInfo
- Publication number
- CN117743772B CN117743772B CN202311852468.9A CN202311852468A CN117743772B CN 117743772 B CN117743772 B CN 117743772B CN 202311852468 A CN202311852468 A CN 202311852468A CN 117743772 B CN117743772 B CN 117743772B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- steam temperature
- training
- feature
- sequence
- 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
- 238000001035 drying Methods 0.000 title claims abstract description 123
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims description 245
- 238000012549 training Methods 0.000 claims description 130
- 230000004927 fusion Effects 0.000 claims description 78
- 230000003993 interaction Effects 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000013473 artificial intelligence Methods 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000003247 decreasing effect Effects 0.000 claims description 17
- 238000007499 fusion processing Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 230000007246 mechanism Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Paper (AREA)
Abstract
本发明公开了一种基于人工智能模型的卫生纸干燥参数优化方法及系统,涉及智能化参数优化技术领域,其通过实时监测采集卫生纸干燥过程中的蒸汽温度值、送风速率值和排风速率值,并在后端引入数据处理和分析算法来进行这些干燥参数的时序协同分析,以此来进行干燥参数的实时优化调控。这样,能够根据实时的干燥参数数据来自动进行参数的优化调控,通过这样的方式,能够给出合理的蒸汽温度调节方案,实现了卫生纸干燥过程的智能优化,以此来降低能耗且提高生产效率,从而节约了生产成本。
Description
技术领域
本申请涉及智能化参数优化技术领域,并且更具体地,涉及一种基于人工智能模型的卫生纸干燥参数优化方法及系统。
背景技术
卫生纸的干燥过程是制浆造纸生产中非常重要的环节之一。干燥效果往往受到多个干燥参数的影响,比如干燥时间、排风湿度与速率、蒸汽温度等,通过控制干燥过程中多个干燥参数,往往能极大的提高干燥的效果。因此,对干燥参数的研究和控制,对提高干燥效果具有至关重要的意义。
例如,申请号为CN2020101651293公开了基于机理模型的卫生纸机干燥部操作参数优化方法,包括以下步骤:S1:建立生活用纸造纸机干燥部能量系统模型;S2:固定产量,设置不同的操作参数组合,利用S1模型模拟各操作参数组合下的纸页干燥过程的关键中间变量、成纸干度和干燥能耗,并根据干度与排风湿度剔除不合格的操作参数组合;S3:对S2剩余的操作参数组合的能源成本进行分析;S4:对S2剩余的操作参数组合的能源利用效率进行分析;S5:根据S3与S4的分析结果确定操作参数优化原则,制定完整的优化策略并建立对应的优化模型;S6:使用S5建立的优化模型对纸机干燥部历史操作参数进行优化,该发明本发明基于干燥机理建立纸页干燥过程模拟模型可以挖掘干燥部操作参数与干燥部各子系统能效之间的关系,为纸机干燥部操作参数优化模型的建立提供科学的依据。
又如,申请号为CN202010165137.8公开了用于卫生纸机干燥部关键运行参数预测的混合建模方法,包括以下步骤:S1、获取卫生纸机干燥部历史操作参数且清洗异常数据;S2、建立纸页干燥机理模型,使用机理模型对S1各历史操作参数预测关键运行参数,并计算关键运行参数的机理预测误差;S3、使用归一化方法对S1与S2机理模拟误差数据进行预处理,并按一定比例将数据分为训练集与测试集;S4、根据BPNN算法原理建立关键运行参数的机理预测误差补偿模型,使用训练集数据训练模型与算法超参数的调优;S5、整合纸页干燥机理模型与机理预测误差补偿模型,预测测试集数据关键运行参数;解决了机理建模方法对纸页干燥关键运行参数预测精度低的问题。
在实际干燥过程中,纸页的干燥过程受到烘缸蒸汽和通风状态的影响,这两个因素对纸页的干燥速度和能耗有着重要的影响。具体来说,烘缸内蒸汽的温度越高,纸页的温度和干燥速度就越高,但同时也会增加烘缸的能耗。气罩送风的温度和速度越高,纸页从热风中获取的能量越多,干燥速度越快,但加热器和鼓风机的能耗也会增加。排风机的频率越低,气罩内空气的湿度越低,纸页水分的传质动力越大,因此可以调低烘缸的蒸汽压力,从而节省烘缸的蒸汽用量。
在传统的卫生纸干燥过程中,主要依赖于人工经验并使用固定的参数设置来控制烘缸蒸汽温度、气罩送风速率和排风速率。然而,这种参数设置方式无法根据实际情况进行调整,可能会出现过度供热或过度通风的情况,从而造成能源的浪费。并且,这种方式容易受到操作人员的主观因素和误差的影响,不同的操作人员可能有不同的经验和判断,导致参数设置的差异和不一致性,从而造成能源的浪费和纸张质量问题。
因此,期望一种基于人工智能模型的卫生纸干燥参数优化方案。
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基于人工智能模型的卫生纸干燥参数优化方法及系统,其通过实时监测采集卫生纸干燥过程中的蒸汽温度值、送风速率值和排风速率值,并在后端引入数据处理和分析算法来进行这些干燥参数的时序协同分析,以此来进行干燥参数的实时优化调控。这样,能够根据实时的干燥参数数据来自动进行参数的优化调控,通过这样的方式,能够给出合理的蒸汽温度调节方案,实现了卫生纸干燥过程的智能优化,以此来降低能耗且提高生产效率,从而节约了生产成本。
第一方面,提供了一种基于人工智能模型的卫生纸干燥参数优化方法,其包括:
获取预定时间段内多个预定时间点的蒸汽温度值、送风速率值和排风速率值;
将所述多个预定时间点的蒸汽温度值、送风速率值和排风速率值按照时间维度排列为蒸汽温度时序输入向量、送风速率时序输入向量和排风速率时序输入向量;
对所述送风速率时序输入向量和所述排风速率时序输入向量进行关联编码以得到送风-排风时序交互矩阵;
对所述蒸汽温度时序输入向量进行局部时序特征分析以得到蒸汽温度局部时序特征向量的序列;
对所述送风-排风时序交互矩阵和所述蒸汽温度局部时序特征向量的序列进行特征嵌入融合处理以得到多参数语义融合嵌入特征;
基于所述多参数语义融合嵌入特征,确定当前时间点的蒸汽温度值应增大、应减小或应保持。
第二方面,提供了一种基于人工智能模型的卫生纸干燥参数优化系统,其包括:
数据获取模块,用于获取预定时间段内多个预定时间点的蒸汽温度值、送风速率值和排风速率值;
向量排列模块,用于将所述多个预定时间点的蒸汽温度值、送风速率值和排风速率值按照时间维度排列为蒸汽温度时序输入向量、送风速率时序输入向量和排风速率时序输入向量;
关联编码模块,用于对所述送风速率时序输入向量和所述排风速率时序输入向量进行关联编码以得到送风-排风时序交互矩阵;
局部时序特征分析模块,用于对所述蒸汽温度时序输入向量进行局部时序特征分析以得到蒸汽温度局部时序特征向量的序列;
特征嵌入融合处理模块,用于对所述送风-排风时序交互矩阵和所述蒸汽温度局部时序特征向量的序列进行特征嵌入融合处理以得到多参数语义融合嵌入特征;
蒸汽温度值控制模块,用于基于所述多参数语义融合嵌入特征,确定当前时间点的蒸汽温度值应增大、应减小或应保持。
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申请的一些实施例,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。
图1为根据本申请实施例的基于人工智能模型的卫生纸干燥参数优化方法的流程图。
图2为根据本申请实施例的基于人工智能模型的卫生纸干燥参数优化方法的架构示意图。
图3为根据本申请实施例的基于人工智能模型的卫生纸干燥参数优化系统的框图。
图4为根据本申请实施例的基于人工智能模型的卫生纸干燥参数优化方法的场景示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
传统的卫生纸干燥过程中烘缸是卫生纸干燥的关键设备之一,其内部通过注入蒸汽来提供热量。传统方法中,烘缸蒸汽温度通常由操作人员根据经验设定,并保持固定不变,这种固定的温度设置可能无法适应不同纸张的干燥需求,导致过度供热或不足供热的情况,从而浪费能源或影响纸张质量。
气罩是用来将热空气均匀地送到纸张表面的设备。传统方法中,气罩送风速率也是由操作人员根据经验设定,并保持固定不变。然而,不同纸张的干燥速度和热传导性可能不同,固定的送风速率可能无法满足不同纸张的需求,导致过度通风或不足通风的情况,同样会造成能源的浪费和纸张质量问题。
排风是将烘缸内部的湿热空气排出的过程。传统方法中,排风速率通常也是由操作人员根据经验设定,并保持固定不变。然而,不同纸张的湿度和干燥速度可能不同,固定的排风速率可能无法有效地排出湿热空气,导致纸张干燥不充分或干燥不均匀。
传统的卫生纸干燥过程主要依赖于人工经验和固定的参数设置,固定的参数设置无法根据实际情况进行调整,无法适应不同纸张的干燥需求,这可能导致能源的浪费和纸张质量问题。不同的操作人员可能有不同的经验和判断,导致参数设置的差异和不一致性,这可能会造成能源的浪费和纸张质量问题。
为了解决这些问题,可以考虑引入自动化控制系统和先进的传感器技术来实现卫生纸干燥过程的智能化管理。通过使用实时数据监测和分析,可以根据纸张的特性和干燥状态,自动调整烘缸蒸汽温度、气罩送风速率和排风速率,以实现精确的干燥控制,这样可以提高能源利用效率,减少能源浪费,并改善纸张的质量稳定性。
此外,还可以结合先进的算法和模型,利用机器学习和人工智能技术来优化干燥过程的控制策略,通过对大量历史数据的分析和建模,可以预测纸张的干燥特性和最佳控制参数,从而进一步提高干燥效率和纸张质量。
图1为根据本申请实施例的基于人工智能模型的卫生纸干燥参数优化方法的流程图。图2为根据本申请实施例的基于人工智能模型的卫生纸干燥参数优化方法的架构示意图。如图1和图2所示,所述基于人工智能模型的卫生纸干燥参数优化方法,包括:110,获取预定时间段内多个预定时间点的蒸汽温度值、送风速率值和排风速率值;120,将所述多个预定时间点的蒸汽温度值、送风速率值和排风速率值按照时间维度排列为蒸汽温度时序输入向量、送风速率时序输入向量和排风速率时序输入向量;130,对所述送风速率时序输入向量和所述排风速率时序输入向量进行关联编码以得到送风-排风时序交互矩阵;140,对所述蒸汽温度时序输入向量进行局部时序特征分析以得到蒸汽温度局部时序特征向量的序列;150,对所述送风-排风时序交互矩阵和所述蒸汽温度局部时序特征向量的序列进行特征嵌入融合处理以得到多参数语义融合嵌入特征;160,基于所述多参数语义融合嵌入特征,确定当前时间点的蒸汽温度值应增大、应减小或应保持。
在所述步骤110中,获取预定时间段内的多个预定时间点的蒸汽温度值、送风速率值和排风速率值,这可以通过传感器或监测设备来实现,这些设备可以实时测量和记录相关参数的数值。在所述步骤120中,将所获取的多个预定时间点的蒸汽温度值、送风速率值和排风速率值按照时间维度进行排列,形成蒸汽温度时序输入向量、送风速率时序输入向量和排风速率时序输入向量,这样可以将时间维度的信息引入模型中,以便进行后续的分析和处理。在所述步骤130中,将送风速率时序输入向量和排风速率时序输入向量进行关联编码,以得到送风-排风时序交互矩阵,这可以通过一些编码方法,如循环神经网络(RNN)或卷积神经网络(CNN)来实现,该矩阵可以捕捉送风和排风之间的时序关系,为后续的分析提供更全面的信息。在所述步骤140中,对蒸汽温度时序输入向量进行局部时序特征分析,以得到蒸汽温度局部时序特征向量的序列,这可以通过一些特征提取方法,如滑动窗口或卷积操作来实现。通过分析蒸汽温度的局部时序特征,可以捕捉到温度的变化趋势和周期性,为后续的分析提供更详细的信息。在所述步骤150中,将送风-排风时序交互矩阵和蒸汽温度局部时序特征向量的序列进行特征嵌入融合处理,以得到多参数语义融合嵌入特征,这可以通过一些特征融合的方法,如拼接、加权平均或注意力机制来实现。通过将不同参数的特征进行融合,可以综合考虑不同参数之间的关系,提取更高层次的语义信息。在所述步骤160中,基于多参数语义融合嵌入特征,确定当前时间点的蒸汽温度值应增大、应减小或应保持,这可以通过一些决策模型或规则来实现,如基于机器学习的回归模型或基于经验规则的判断。通过综合考虑多个参数的信息和关系,可以更准确地判断当前时间点的蒸汽温度应该如何调整,以达到更高效的干燥过程。
其中,通过确保数据的准确性和可靠性,以获得可靠的参数数值;通过选择合适的编码和特征提取方法,以充分利用时序信息和参数之间的关系;通过多参数语义融合嵌入特征,可以综合考虑不同参数之间的影响,提高干燥过程的能效和纸张质量;通过自动化参数设置和调整,可以减少人为误差和主观因素的影响,提高干燥过程的一致性和稳定性;通过实时监测和调整,可以及时响应变化的干燥需求,减少能源浪费和纸张质量问题的发生。
针对上述技术问题,本申请的技术构思为通过实时监测采集卫生纸干燥过程中的蒸汽温度值、送风速率值和排风速率值,并在后端引入数据处理和分析算法来进行这些干燥参数的时序协同分析,以此来进行干燥参数的实时优化调控。这样,能够根据实时的干燥参数数据来自动进行参数的优化调控,通过这样的方式,能够给出合理的蒸汽温度调节方案,实现了卫生纸干燥过程的智能优化,以此来降低能耗且提高生产效率,从而节约了生产成本。
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蒸汽温度值、送风速率值和排风速率值。应可以理解,气罩送风速率和排风速率以及蒸汽温度均对纸页的干燥速度有着重大影响,并决定了纸页干燥过程的能耗。因此,需要对于这些干燥参数数据进行采集和分析,以此来生成优化方案。接着,考虑到由于所述蒸汽温度值、所述送风速率值和所述排风速率值均在时间维度上有着时序的变化特性,因此,需要将所述多个预定时间点的蒸汽温度值、送风速率值和排风速率值按照时间维度排列为蒸汽温度时序输入向量、送风速率时序输入向量和排风速率时序输入向量,以此来分别整合所述蒸汽温度值、所述送风速率值和所述排风速率值在时序上的分布信息,以便于后续对于这些干燥参数数据进行时序协同分析和特征刻画。
在卫生纸干燥过程中,送风速率和排风速率是两个关键参数,它们直接影响纸页的干燥速度和能耗。具体来说,送风速率决定了纸页从热风中获取的能量,而排风速率则影响了气罩内空气的湿度和纸页水分的传质动力。因此,为了捕捉送风速率和排风速率之间的关系,以此来优化卫生纸的干燥过程,从而优化纸页的干燥速度且降低能耗,在本申请的技术方案中,进一步对所述送风速率时序输入向量和所述排风速率时序输入向量进行关联编码以得到送风-排风时序交互矩阵,该送风-排风时序交互矩阵反映了送风速率和排风速率在时间上的变化趋势和相互作用。因此,通过对所述送风-排风时序交互矩阵进行分析,可以发现送风速率和排风速率之间的关联规律,从而帮助更好地理解送风和排风对干燥过程的影响,以更准确地调整干燥参数。
在卫生纸干燥过程中,蒸汽温度是一个重要的参数,它直接影响纸页的温度和干燥速度,不同的蒸汽温度会导致纸页的干燥速度和质量发生变化。并且,考虑到由于蒸汽温度在时间维度上会存在波动性和周期性变化,因此,为了能够对于蒸汽温度的局部时序细节变化特征进行捕捉和刻画,以便更为充分和准确地捕捉干燥过程中蒸汽温度的变化趋势,在本申请的技术方案中,需要对所述蒸汽温度时序输入向量进行向量切分以得到蒸汽温度局部时序输入向量的序列。
然后,将所述蒸汽温度局部时序输入向量的序列通过基于一维卷积层的时序特征提取器中进行特征挖掘,以分别提取出所述蒸汽温度值在各个局部时序片段中的局部时序动态特征信息,从而得到蒸汽温度局部时序特征向量的序列。
在本申请的一个具体实施例中,对所述蒸汽温度时序输入向量进行局部时序特征分析以得到蒸汽温度局部时序特征向量的序列,包括:对所述蒸汽温度时序输入向量进行向量切分以得到蒸汽温度局部时序输入向量的序列;通过基于深度神经网络模型的时序特征提取器对所述蒸汽温度局部时序输入向量的序列进行特征提取以得到所述蒸汽温度局部时序特征向量的序列。
其中,所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
在卫生纸干燥过程中,蒸汽温度和送风-排风速率是两个关键参数,它们对干燥过程的影响具有不同的语义含义。蒸汽温度反映了热能的输入情况,而送风-排风速率则反映了空气流动的情况。这两个参数在干燥过程中相互作用,共同影响纸页的干燥速度和能耗。因此,为了能够将不同的干燥参数时序特征进行融合,以获取更丰富、更综合的特征表示,在本申请的技术方案中,进一步将所述蒸汽温度局部时序特征向量的序列和所述送风-排风时序交互矩阵通过特征嵌入模块以得到多参数语义融合嵌入特征向量。应可以理解,通过所述特征嵌入模块进行处理,可以基于蒸汽温度的各个局部时序特征来对所述送风-排风速率时序协同特征进行特征嵌入,以此来将各个干燥参数数据时序特征进行特征融合,以得到综合了蒸汽温度和送风-排风速率的多参数时序关联特征信息。
在本申请的一个具体实施例中,对所述送风-排风时序交互矩阵和所述蒸汽温度局部时序特征向量的序列进行特征嵌入融合处理以得到多参数语义融合嵌入特征,包括:将所述蒸汽温度局部时序特征向量的序列和所述送风-排风时序交互矩阵通过特征嵌入模块以得到多参数语义融合嵌入特征向量作为所述多参数语义融合嵌入特征。
具体地,将所述蒸汽温度局部时序特征向量的序列和所述送风-排风时序交互矩阵通过特征嵌入模块以得到多参数语义融合嵌入特征向量作为所述多参数语义融合嵌入特征,包括:将所述送风-排风时序交互矩阵通过特征嵌入模块以得到送风-排风特征向量;将所述蒸汽温度局部时序特征向量的序列排列为蒸汽温度全局特征向量;融合对所述蒸汽温度全局特征向量和所述送风-排风特征向量以得到多参数语义融合特征向量;对所述蒸汽温度局部时序特征向量的序列进行语义关联编码以得到蒸汽温度全局语义关联特征向量;以及,融合所述多参数语义融合特征向量和所述蒸汽温度全局语义关联特征向量以得到所述多参数语义融合嵌入特征向量。
在本申请的一个实施例中,基于所述多参数语义融合嵌入特征,确定当前时间点的蒸汽温度值应增大、应减小或应保持,包括:将所述多参数语义融合嵌入特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的蒸汽温度值应增大、应减小或应保持。
继而,再将所述多参数语义融合嵌入特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的蒸汽温度值应增大、应减小或应保持。也就是说,利用卫生纸干燥过程中的各个干燥参数时序关联特征来进行分类处理,以此来进行干燥参数的实时优化调控。这样,能够根据实时的干燥参数数据来自动进行参数的优化调控,例如给出合理的蒸汽温度调节方案,实现了卫生纸干燥过程的智能优化。
在本申请的一个实施例中,所述基于人工智能模型的卫生纸干燥参数优化方法,还包括训练步骤:用于对所述基于一维卷积层的时序特征提取器、所述特征嵌入模块和所述分类器进行训练。所述训练步骤,包括:获取预定时间段内多个预定时间点的训练蒸汽温度值、训练送风速率值和训练排风速率值,以及,当前时间点的蒸汽温度值应增大、应减小或应保持的真实值;将所述多个预定时间点的训练蒸汽温度值、训练送风速率值和训练排风速率值按照时间维度排列为训练蒸汽温度时序输入向量、训练送风速率时序输入向量和训练排风速率时序输入向量;对所述训练送风速率时序输入向量和所述训练排风速率时序输入向量进行关联编码以得到训练送风-排风时序交互矩阵;对所述训练蒸汽温度时序输入向量进行局部时序特征分析以得到训练蒸汽温度局部时序特征向量的序列;将所述训练蒸汽温度局部时序特征向量的序列和所述训练送风-排风时序交互矩阵通过所述特征嵌入模块以得到训练多参数语义融合嵌入特征向量;将所述训练多参数语义融合嵌入特征向量通过所述分类器以得到分类损失函数值;计算所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的损失函数值;基于所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的损失函数值和所述分类损失函数值的加权和对所述基于一维卷积层的时序特征提取器、所述特征嵌入模块和所述分类器进行训练。
特别地,在本申请的技术方案中,这里,所述训练蒸汽温度局部时序特征向量的序列用于表达所述训练蒸汽温度值在全局时域经由向量切分确定的局部时域下的局部时域内时序关联特征,而所述训练送风-排风时序交互矩阵表达所述训练送风速率值和所述训练排风速率值的全局时域源数据交互,由此,将所述训练蒸汽温度局部时序特征向量的序列和所述训练送风-排风时序交互矩阵通过特征嵌入模块时,实质上是以所述训练送风速率值和所述训练排风速率值的全局时域源域交互动态分布来约束所述训练蒸汽温度局部时序特征向量的序列表达的局部时域内时序关联特征,这就使得所述训练多参数语义融合嵌入特征向量具有了局部-全局时域多尺度下的源域-特征域混合特征分布。
但是,考虑到这种多时域尺度下的源域-特征域混合特征分布差异会给所述训练多参数语义融合嵌入特征向量的整体特征表示带来局部特征分布稀疏化,也就是,所述训练多参数语义融合嵌入特征向量相对于所述训练蒸汽温度局部时序特征向量的序列在整体特征分布维度上的特征群密度表示具有差异,这样,在模型整体训练时,所述特征嵌入与所述时序关联特征提取之间会存在迭代不均衡,影响模型的整体训练效率。
因此,本申请考虑提升所述训练多参数语义融合嵌入特征向量相对于所述训练蒸汽温度局部时序特征向量的序列的特征群密度表示一致性,从而进一步引入了针对所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的损失函数,表示为:以如下公式计算所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的损失函数值;其中,所述公式为:
其中,是所述训练多参数语义融合嵌入特征向量,/>是所述训练多参数语义融合嵌入特征向量的第/>个位置的特征值,/>是所述训练蒸汽温度局部时序特征向量的序列级联后得到的级联特征向量,/>是所述训练蒸汽温度局部时序特征向量的序列级联后得到的级联特征向量的第/>个位置的特征值,/>是特征向量的长度,且/>表示向量的二范数的平方,/>表示向量的按位置相减,/>表示所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的损失函数值。
这里,所述损失函数基于特征群密度来进行群计数注意力,其通过将群计数作为输出特征群密度的递归映射,来进行所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列之间的不同密度表示模式的自适应注意力。通过以其作为损失函数训练模型,可以使得模型针对所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的特征分布下的不同密度模式来避免过估计和欠估计,并学习特征值分布与群密度分布之间的对应关系,从而实现具有不同特征密度的所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列之间的特征群密度表示一致性优化,以提升模型的整体训练效率。这样,能够根据实时的干燥参数数据来自动进行参数的优化调控,通过这样的方式,能够实现卫生纸干燥过程的智能优化,以此来降低能耗并提高生产效率,从而节约了生产成本。
综上,基于本申请实施例的基于人工智能模型的卫生纸干燥参数优化方法被阐明,其能够根据实时的干燥参数数据来自动进行参数的优化调控,通过这样的方式,能够给出合理的蒸汽温度调节方案,实现了卫生纸干燥过程的智能优化,以此来降低能耗且提高生产效率,从而节约了生产成本。
在本申请的一个实施例中,图3为根据本申请实施例的基于人工智能模型的卫生纸干燥参数优化系统的框图。如图3所示,根据本申请实施例的基于人工智能模型的卫生纸干燥参数优化系统200,包括:数据获取模块210,用于获取预定时间段内多个预定时间点的蒸汽温度值、送风速率值和排风速率值;向量排列模块220,用于将所述多个预定时间点的蒸汽温度值、送风速率值和排风速率值按照时间维度排列为蒸汽温度时序输入向量、送风速率时序输入向量和排风速率时序输入向量;关联编码模块230,用于对所述送风速率时序输入向量和所述排风速率时序输入向量进行关联编码以得到送风-排风时序交互矩阵;局部时序特征分析模块240,用于对所述蒸汽温度时序输入向量进行局部时序特征分析以得到蒸汽温度局部时序特征向量的序列;特征嵌入融合处理模块250,用于对所述送风-排风时序交互矩阵和所述蒸汽温度局部时序特征向量的序列进行特征嵌入融合处理以得到多参数语义融合嵌入特征;蒸汽温度值控制模块260,用于基于所述多参数语义融合嵌入特征,确定当前时间点的蒸汽温度值应增大、应减小或应保持。
在所述基于人工智能模型的卫生纸干燥参数优化系统中,所述局部时序特征分析模块,包括:向量切分单元,用于对所述蒸汽温度时序输入向量进行向量切分以得到蒸汽温度局部时序输入向量的序列;特征提取单元,用于通过基于深度神经网络模型的时序特征提取器对所述蒸汽温度局部时序输入向量的序列进行特征提取以得到所述蒸汽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,上述基于人工智能模型的卫生纸干燥参数优化系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的基于人工智能模型的卫生纸干燥参数优化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基于人工智能模型的卫生纸干燥参数优化系统200可以实现在各种终端设备中,例如用于基于人工智能模型的卫生纸干燥参数优化的服务器等。在一个示例中,根据本申请实施例的基于人工智能模型的卫生纸干燥参数优化系统200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,该基于人工智能模型的卫生纸干燥参数优化系统200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,该基于人工智能模型的卫生纸干燥参数优化系统200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,该基于人工智能模型的卫生纸干燥参数优化系统200与该终端设备也可以是分立的设备,并且基于人工智能模型的卫生纸干燥参数优化系统200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。
图4为根据本申请实施例的基于人工智能模型的卫生纸干燥参数优化方法的场景示意图。如图4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蒸汽温度值(例如,如图4中所示意的C1)、送风速率值(例如,如图4中所示意的C2)和排风速率值(例如,如图4中所示意的C3);然后,将获取的蒸汽温度值、送风速率值和排风速率值输入至部署有基于人工智能模型的卫生纸干燥参数优化算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于人工智能模型的卫生纸干燥参数优化算法对所述蒸汽温度值、所述送风速率值和所述排风速率值进行处理,以确定当前时间点的蒸汽温度值应增大、应减小或应保持。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (4)
1.一种基于人工智能模型的卫生纸干燥参数优化方法,其特征在于,包括:
获取预定时间段内多个预定时间点的蒸汽温度值、送风速率值和排风速率值;
将所述多个预定时间点的蒸汽温度值、送风速率值和排风速率值按照时间维度排列为蒸汽温度时序输入向量、送风速率时序输入向量和排风速率时序输入向量;
对所述送风速率时序输入向量和所述排风速率时序输入向量进行关联编码以得到送风-排风时序交互矩阵;
对所述蒸汽温度时序输入向量进行局部时序特征分析以得到蒸汽温度局部时序特征向量的序列,其包括:
对所述蒸汽温度时序输入向量进行向量切分以得到蒸汽温度局部时序输入向量的序列;
通过基于深度神经网络模型的时序特征提取器对所述蒸汽温度局部时序输入向量的序列进行特征提取以得到所述蒸汽温度局部时序特征向量的序列;
对所述送风-排风时序交互矩阵和所述蒸汽温度局部时序特征向量的序列进行特征嵌入融合处理以得到多参数语义融合嵌入特征;
基于所述多参数语义融合嵌入特征,确定当前时间点的蒸汽温度值应增大、应减小或应保持;
其中,对所述送风-排风时序交互矩阵和所述蒸汽温度局部时序特征向量的序列进行特征嵌入融合处理以得到多参数语义融合嵌入特征,包括:将所述蒸汽温度局部时序特征向量的序列和所述送风-排风时序交互矩阵通过特征嵌入模块以得到多参数语义融合嵌入特征向量作为所述多参数语义融合嵌入特征;
其中,将所述蒸汽温度局部时序特征向量的序列和所述送风-排风时序交互矩阵通过特征嵌入模块以得到多参数语义融合嵌入特征向量作为所述多参数语义融合嵌入特征,包括:
将所述送风-排风时序交互矩阵通过特征嵌入模块以得到送风-排风特征向量;
将所述蒸汽温度局部时序特征向量的序列排列为蒸汽温度全局特征向量;
融合对所述蒸汽温度全局特征向量和所述送风-排风特征向量以得到多参数语义融合特征向量;
对所述蒸汽温度局部时序特征向量的序列进行语义关联编码以得到蒸汽温度全局语义关联特征向量;以及
融合所述多参数语义融合特征向量和所述蒸汽温度全局语义关联特征向量以得到所述多参数语义融合嵌入特征向量;
其中,基于所述多参数语义融合嵌入特征,确定当前时间点的蒸汽温度值应增大、应减小或应保持,包括:将所述多参数语义融合嵌入特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的蒸汽温度值应增大、应减小或应保持;
其中,基于人工智能模型的卫生纸干燥参数优化方法,还包括训练步骤:用于对所述基于深度神经网络模型的时序特征提取器、所述特征嵌入模块和所述分类器进行训练;
其中,所述训练步骤,包括:
获取预定时间段内多个预定时间点的训练蒸汽温度值、训练送风速率值和训练排风速率值,以及,当前时间点的蒸汽温度值应增大、应减小或应保持的真实值;
将所述多个预定时间点的训练蒸汽温度值、训练送风速率值和训练排风速率值按照时间维度排列为训练蒸汽温度时序输入向量、训练送风速率时序输入向量和训练排风速率时序输入向量;
对所述训练送风速率时序输入向量和所述训练排风速率时序输入向量进行关联编码以得到训练送风-排风时序交互矩阵;
对所述训练蒸汽温度时序输入向量进行局部时序特征分析以得到训练蒸汽温度局部时序特征向量的序列;
将所述训练蒸汽温度局部时序特征向量的序列和所述训练送风-排风时序交互矩阵通过所述特征嵌入模块以得到训练多参数语义融合嵌入特征向量;
将所述训练多参数语义融合嵌入特征向量通过所述分类器以得到分类损失函数值;
计算所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的损失函数值;
基于所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的损失函数值和所述分类损失函数值的加权和对所述基于深度神经网络模型的时序特征提取器、所述特征嵌入模块和所述分类器进行训练;
以如下公式计算所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的损失函数值;其中,所述公式为:
其中,V1是所述训练多参数语义融合嵌入特征向量,v1i是所述训练多参数语义融合嵌入特征向量的第i个位置的特征值,V2是所述训练蒸汽温度局部时序特征向量的序列级联后得到的级联特征向量,v2i是所述训练蒸汽温度局部时序特征向量的序列级联后得到的级联特征向量的第i个位置的特征值,L是特征向量的长度,且表示向量的二范数的平方,表示向量的按位置相减,/>表示所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的损失函数值。
2.根据权利要求1所述的基于人工智能模型的卫生纸干燥参数优化方法,其特征在于,所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
3.一种基于人工智能模型的卫生纸干燥参数优化系统,其特征在于,包括:
数据获取模块,用于获取预定时间段内多个预定时间点的蒸汽温度值、送风速率值和排风速率值;
向量排列模块,用于将所述多个预定时间点的蒸汽温度值、送风速率值和排风速率值按照时间维度排列为蒸汽温度时序输入向量、送风速率时序输入向量和排风速率时序输入向量;
关联编码模块,用于对所述送风速率时序输入向量和所述排风速率时序输入向量进行关联编码以得到送风-排风时序交互矩阵;
局部时序特征分析模块,用于对所述蒸汽温度时序输入向量进行局部时序特征分析以得到蒸汽温度局部时序特征向量的序列;
特征嵌入融合处理模块,用于对所述送风-排风时序交互矩阵和所述蒸汽温度局部时序特征向量的序列进行特征嵌入融合处理以得到多参数语义融合嵌入特征;
蒸汽温度值控制模块,用于基于所述多参数语义融合嵌入特征,确定当前时间点的蒸汽温度值应增大、应减小或应保持;
其中,所述特征嵌入融合处理模块,包括:将所述蒸汽温度局部时序特征向量的序列和所述送风-排风时序交互矩阵通过特征嵌入模块以得到多参数语义融合嵌入特征向量作为所述多参数语义融合嵌入特征;
其中,将所述蒸汽温度局部时序特征向量的序列和所述送风-排风时序交互矩阵通过特征嵌入模块以得到多参数语义融合嵌入特征向量作为所述多参数语义融合嵌入特征,包括:
将所述送风-排风时序交互矩阵通过特征嵌入模块以得到送风-排风特征向量;
将所述蒸汽温度局部时序特征向量的序列排列为蒸汽温度全局特征向量;
融合对所述蒸汽温度全局特征向量和所述送风-排风特征向量以得到多参数语义融合特征向量;
对所述蒸汽温度局部时序特征向量的序列进行语义关联编码以得到蒸汽温度全局语义关联特征向量;以及
融合所述多参数语义融合特征向量和所述蒸汽温度全局语义关联特征向量以得到所述多参数语义融合嵌入特征向量;
其中,所述蒸汽温度值控制模块,包括:将所述多参数语义融合嵌入特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的蒸汽温度值应增大、应减小或应保持;
其中,所述的基于人工智能模型的卫生纸干燥参数优化方法,还包括训练步骤:用于对基于深度神经网络模型的时序特征提取器、所述特征嵌入模块和所述分类器进行训练;
其中,所述训练步骤,包括:
获取预定时间段内多个预定时间点的训练蒸汽温度值、训练送风速率值和训练排风速率值,以及,当前时间点的蒸汽温度值应增大、应减小或应保持的真实值;
将所述多个预定时间点的训练蒸汽温度值、训练送风速率值和训练排风速率值按照时间维度排列为训练蒸汽温度时序输入向量、训练送风速率时序输入向量和训练排风速率时序输入向量;
对所述训练送风速率时序输入向量和所述训练排风速率时序输入向量进行关联编码以得到训练送风-排风时序交互矩阵;
对所述训练蒸汽温度时序输入向量进行局部时序特征分析以得到训练蒸汽温度局部时序特征向量的序列;
将所述训练蒸汽温度局部时序特征向量的序列和所述训练送风-排风时序交互矩阵通过所述特征嵌入模块以得到训练多参数语义融合嵌入特征向量;
将所述训练多参数语义融合嵌入特征向量通过所述分类器以得到分类损失函数值;
计算所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的损失函数值;
基于所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的损失函数值和所述分类损失函数值的加权和对所述基于深度神经网络模型的时序特征提取器、所述特征嵌入模块和所述分类器进行训练;
以如下公式计算所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的损失函数值;其中,所述公式为:
其中,V1是所述训练多参数语义融合嵌入特征向量,v1i是所述训练多参数语义融合嵌入特征向量的第i个位置的特征值,V2是所述训练蒸汽温度局部时序特征向量的序列级联后得到的级联特征向量,v2i是所述训练蒸汽温度局部时序特征向量的序列级联后得到的级联特征向量的第i个位置的特征值,L是特征向量的长度,且表示向量的二范数的平方,表示向量的按位置相减,/>表示所述训练多参数语义融合嵌入特征向量和所述训练蒸汽温度局部时序特征向量的序列的损失函数值。
4.根据权利要求3所述的基于人工智能模型的卫生纸干燥参数优化系统,其特征在于,所述局部时序特征分析模块,包括:
向量切分单元,用于对所述蒸汽温度时序输入向量进行向量切分以得到蒸汽温度局部时序输入向量的序列;
特征提取单元,用于通过基于深度神经网络模型的时序特征提取器对所述蒸汽温度局部时序输入向量的序列进行特征提取以得到所述蒸汽温度局部时序特征向量的序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311852468.9A CN117743772B (zh) | 2023-12-29 | 2023-12-29 | 基于人工智能模型的卫生纸干燥参数优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311852468.9A CN117743772B (zh) | 2023-12-29 | 2023-12-29 | 基于人工智能模型的卫生纸干燥参数优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117743772A CN117743772A (zh) | 2024-03-22 |
CN117743772B true CN117743772B (zh) | 2024-05-28 |
Family
ID=90252727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311852468.9A Active CN117743772B (zh) | 2023-12-29 | 2023-12-29 | 基于人工智能模型的卫生纸干燥参数优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117743772B (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03136625A (ja) * | 1989-10-24 | 1991-06-11 | Koito Ind Ltd | 温風乾燥装置における温風温度の制御方法 |
KR19990068463A (ko) * | 1999-05-24 | 1999-09-06 | 이형우 | 화상처리를이용한산업용가열및건조특성규명시스템 |
JP2007143662A (ja) * | 2005-11-24 | 2007-06-14 | Sanikleen Corp | 洗濯物の乾燥方法 |
JP2010144260A (ja) * | 2008-12-16 | 2010-07-01 | Yaskawa Electric Corp | 張力制御装置 |
CN102561089A (zh) * | 2011-12-23 | 2012-07-11 | 广东工业大学 | 一种瓦楞纸生产过程热缸加热自动控制装置及控制方法 |
CN103097603A (zh) * | 2011-09-02 | 2013-05-08 | 松下电器产业株式会社 | 衣物干燥机和洗涤干燥机 |
CN103156262A (zh) * | 2011-12-16 | 2013-06-19 | 邓宇铭 | 一种干燥罗汉果的方法 |
CN105627699A (zh) * | 2016-04-05 | 2016-06-01 | 中南林业科技大学 | 一种易干木材的干燥方法及装置 |
WO2020048520A1 (en) * | 2018-09-07 | 2020-03-12 | Soochow University | A method for determining air drying kinetics of a product and a device used thereof |
CN111241754A (zh) * | 2020-01-17 | 2020-06-05 | 广州博依特智能信息科技有限公司 | 一种用于纸页干燥关键过程参数软测量方法 |
CN111241717A (zh) * | 2020-03-11 | 2020-06-05 | 广州博依特智能信息科技有限公司 | 基于机理模型的卫生纸机干燥部操作参数优化方法 |
CN111560788A (zh) * | 2020-05-15 | 2020-08-21 | 维达纸业(浙江)有限公司 | 一种纸张生产用干燥系统及其干燥方法 |
CN111893791A (zh) * | 2020-07-17 | 2020-11-06 | 广州博依特智能信息科技有限公司 | 基于智能算法的生活用纸造纸机干燥部运行优化方法 |
CN111926606A (zh) * | 2020-07-30 | 2020-11-13 | 衢州学院 | 造纸机干燥部能效的一种在线监测方法 |
CN112949162A (zh) * | 2021-01-25 | 2021-06-11 | 广州博依特智能信息科技有限公司 | 基于数据驱动的箱板纸机干燥部能量系统运行优化方法 |
CN113566557A (zh) * | 2021-07-28 | 2021-10-29 | 国家粮食和物资储备局科学研究院 | 一种基于深度神经网络的粮食干燥机智能控制方法 |
US11181872B1 (en) * | 2019-05-30 | 2021-11-23 | Georgia-Pacific LLC | Systems and processes for optimizing operation of industrial equipment |
CN114872160A (zh) * | 2022-04-15 | 2022-08-09 | 博罗县联合美饰家具装饰有限公司 | 木材碳化工艺 |
CN116497623A (zh) * | 2023-06-08 | 2023-07-28 | 维达纸业(浙江)有限公司 | 一种卫生纸机智能烘干装置及其操作方法 |
CN116693294A (zh) * | 2023-07-12 | 2023-09-05 | 赣州市光华有色金属有限公司 | 碳化钨粉的智能化制备工艺及其方法 |
CN116944818A (zh) * | 2023-06-21 | 2023-10-27 | 台州必拓汽车配件股份有限公司 | 新能源汽车转轴的智能加工方法及其系统 |
CN116951908A (zh) * | 2023-07-27 | 2023-10-27 | 黑龙江八一农垦大学 | 一种适用于双向通风干燥机的稻谷变温干燥方法及系统 |
CN117217123A (zh) * | 2023-09-18 | 2023-12-12 | 浙江大学 | 一种基于混合驱动模型的香菇热泵干燥系统性能优化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8594828B2 (en) * | 2008-09-30 | 2013-11-26 | Rockwell Automation Technologies, Inc. | System and method for optimizing a paper manufacturing process |
US20200133254A1 (en) * | 2018-05-07 | 2020-04-30 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for part identification and operating characteristics determination using the industrial internet of things |
KR102177970B1 (ko) * | 2019-08-09 | 2020-11-12 | 엘지전자 주식회사 | 인공지능 건조기 |
-
2023
- 2023-12-29 CN CN202311852468.9A patent/CN117743772B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03136625A (ja) * | 1989-10-24 | 1991-06-11 | Koito Ind Ltd | 温風乾燥装置における温風温度の制御方法 |
KR19990068463A (ko) * | 1999-05-24 | 1999-09-06 | 이형우 | 화상처리를이용한산업용가열및건조특성규명시스템 |
JP2007143662A (ja) * | 2005-11-24 | 2007-06-14 | Sanikleen Corp | 洗濯物の乾燥方法 |
JP2010144260A (ja) * | 2008-12-16 | 2010-07-01 | Yaskawa Electric Corp | 張力制御装置 |
CN103097603A (zh) * | 2011-09-02 | 2013-05-08 | 松下电器产业株式会社 | 衣物干燥机和洗涤干燥机 |
CN103156262A (zh) * | 2011-12-16 | 2013-06-19 | 邓宇铭 | 一种干燥罗汉果的方法 |
CN102561089A (zh) * | 2011-12-23 | 2012-07-11 | 广东工业大学 | 一种瓦楞纸生产过程热缸加热自动控制装置及控制方法 |
CN105627699A (zh) * | 2016-04-05 | 2016-06-01 | 中南林业科技大学 | 一种易干木材的干燥方法及装置 |
WO2020048520A1 (en) * | 2018-09-07 | 2020-03-12 | Soochow University | A method for determining air drying kinetics of a product and a device used thereof |
US11181872B1 (en) * | 2019-05-30 | 2021-11-23 | Georgia-Pacific LLC | Systems and processes for optimizing operation of industrial equipment |
CN111241754A (zh) * | 2020-01-17 | 2020-06-05 | 广州博依特智能信息科技有限公司 | 一种用于纸页干燥关键过程参数软测量方法 |
CN111241717A (zh) * | 2020-03-11 | 2020-06-05 | 广州博依特智能信息科技有限公司 | 基于机理模型的卫生纸机干燥部操作参数优化方法 |
CN111560788A (zh) * | 2020-05-15 | 2020-08-21 | 维达纸业(浙江)有限公司 | 一种纸张生产用干燥系统及其干燥方法 |
CN111893791A (zh) * | 2020-07-17 | 2020-11-06 | 广州博依特智能信息科技有限公司 | 基于智能算法的生活用纸造纸机干燥部运行优化方法 |
CN111926606A (zh) * | 2020-07-30 | 2020-11-13 | 衢州学院 | 造纸机干燥部能效的一种在线监测方法 |
CN112949162A (zh) * | 2021-01-25 | 2021-06-11 | 广州博依特智能信息科技有限公司 | 基于数据驱动的箱板纸机干燥部能量系统运行优化方法 |
CN113566557A (zh) * | 2021-07-28 | 2021-10-29 | 国家粮食和物资储备局科学研究院 | 一种基于深度神经网络的粮食干燥机智能控制方法 |
CN114872160A (zh) * | 2022-04-15 | 2022-08-09 | 博罗县联合美饰家具装饰有限公司 | 木材碳化工艺 |
CN116497623A (zh) * | 2023-06-08 | 2023-07-28 | 维达纸业(浙江)有限公司 | 一种卫生纸机智能烘干装置及其操作方法 |
CN116944818A (zh) * | 2023-06-21 | 2023-10-27 | 台州必拓汽车配件股份有限公司 | 新能源汽车转轴的智能加工方法及其系统 |
CN116693294A (zh) * | 2023-07-12 | 2023-09-05 | 赣州市光华有色金属有限公司 | 碳化钨粉的智能化制备工艺及其方法 |
CN116951908A (zh) * | 2023-07-27 | 2023-10-27 | 黑龙江八一农垦大学 | 一种适用于双向通风干燥机的稻谷变温干燥方法及系统 |
CN117217123A (zh) * | 2023-09-18 | 2023-12-12 | 浙江大学 | 一种基于混合驱动模型的香菇热泵干燥系统性能优化方法 |
Non-Patent Citations (7)
Title |
---|
Fundamentals of Paper Drying - Theory and Application from Industrial Perspective;Ajit K. Ghosh等;Evaporation, Condensation and Heat transfer;20110912;535-582 * |
Modeling and simulation of drying kinetics/curves: application to building materials;Lyes Bennamoun等;Journal of Building Pathology and Rehabilitation;20211130;第7卷;1-5 * |
Optimized model of sludge drying characteristics based on an experimental study of thickness, temperature, and humidity;Dong Liu等;Journal of Cleaner Production;20231201;第429卷;1-8 * |
Superheated steam drying: Design aspects, energetic performances, and mathematical modeling;Jie Li等;Renewable and Sustainable Energy Reviews;20160701;第60卷;1562-1583 * |
The effect of temperature on the dry sliding wear behavior of HVOF sprayed nanostructured WC-CoCr coatings;Sheng Hong等;Ceramics International;20170101;1-7 * |
基于数据挖掘的烘丝出口水分控制研究;贾春光;中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑 );20200715(第(2020)07期);B024-373 * |
链篦机抽风干燥段温度场时空耦合控制研究;吴振威;中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑 );20220515(第(2022)05期);B023-149 * |
Also Published As
Publication number | Publication date |
---|---|
CN117743772A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109253494B (zh) | 一种基于热负荷预测的电蓄热装置的控制方法 | |
CN111045326B (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 | |
JP2656637B2 (ja) | プロセス制御システム及び発電プラントプロセス制御システム | |
CN117270611B (zh) | 智慧运动场馆的环境智能控制系统及方法 | |
CN109724398B (zh) | 一种基于人工智能的木材干燥控制方法及装置 | |
CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
CN117743772B (zh) | 基于人工智能模型的卫生纸干燥参数优化方法及系统 | |
CN112923435B (zh) | 一种基于人工智能和优化算法的集中供热二次侧调控方法 | |
CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
CN116611349B (zh) | 基于神经网络的滚筒烘丝工艺参数优化方法及系统 | |
Zhang et al. | Ensemble learning-based approach for residential building heating energy prediction and optimization | |
CN113935856A (zh) | 电能的控制方法及其装置、处理器、计算机可读存储介质 | |
CN117610884A (zh) | 一种基于数据管理平台的电力调度系统及方法 | |
CN116951780A (zh) | 一种智能中央热水器管理方法和系统 | |
CN105400951A (zh) | 一种用于硅钢退火的加湿混合控制系统及其控制方法 | |
CN115356995A (zh) | 基于工业大数据的烟草干燥工序热能分析系统 | |
CN116860027A (zh) | 一种数字能源鼓风站的压力控制系统及其方法 | |
CN110826229A (zh) | 基于长期预测的烘丝干头过程建模和优化设定控制方法 | |
WO2022233101A1 (zh) | 一种低温热系统的智能优化控制装备 | |
CN105700498A (zh) | 一种针织物热定型工艺参数的定量设计方法 | |
CN117049617B (zh) | 一种垃圾焚烧炉渣的污水处理控制方法及系统 | |
CN118333461A (zh) | 一种利用大数据分析的木屑烘干能耗优化控制方法与系统 | |
CN116258080A (zh) | 一种薄板烘丝机出口含水率预测方法及装置 | |
CN117874464A (zh) | 基于深度学习与数据挖掘的立磨能耗优化方法 | |
Zhou et al. | Industrial Data-Driven Model of Tobacco Leaf Loose Moisture Regain |
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 |