CN116678258A - 用于压力容器的冷热交换器及其控制方法 - Google Patents
用于压力容器的冷热交换器及其控制方法 Download PDFInfo
- Publication number
- CN116678258A CN116678258A CN202310629221.4A CN202310629221A CN116678258A CN 116678258 A CN116678258 A CN 116678258A CN 202310629221 A CN202310629221 A CN 202310629221A CN 116678258 A CN116678258 A CN 116678258A
- Authority
- CN
- China
- Prior art keywords
- flow velocity
- feature
- vector
- time sequence
- feature 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims description 422
- 230000004927 fusion Effects 0.000 claims description 171
- 239000011159 matrix material Substances 0.000 claims description 159
- 230000008859 change Effects 0.000 claims description 149
- 239000012530 fluid Substances 0.000 claims description 132
- 238000000605 extraction Methods 0.000 claims description 53
- 239000010410 layer Substances 0.000 claims description 52
- 238000009826 distribution Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 20
- 239000003795 chemical substances by application Substances 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000007792 addition Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C13/00—Details of vessels or of the filling or discharging of vessels
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28F—DETAILS OF HEAT-EXCHANGE AND HEAT-TRANSFER APPARATUS, OF GENERAL APPLICATION
- F28F27/00—Control arrangements or safety devices specially adapted for heat-exchange or heat-transfer apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2227/00—Transfer of fluids, i.e. method or means for transferring the fluid; Heat exchange with the fluid
- F17C2227/03—Heat exchange with the fluid
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mechanical Engineering (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Thermal Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及智能控制领域,其具体地公开了一种用于压力容器的冷热交换器及其控制方法,其通过采用基于深度学习的神经网络模型挖掘出流体流速值在时间维度上的动态变化特征信息,以此来精准地对于下一时间点的流体流速值进行评估预测,进而准确地对于下一时间点的冷热交换器的功率进行控制,以此来维持流体温度保持在预定波动范围内,保证压力容器的正常安全使用。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种用于压力容器的冷热交换器及其控制方法。
背景技术
压力容器是指用于盛装气体或液体,且需要承载一定压力的密闭设备。压力容器广泛应用于石油、化工、航天以及医疗等诸多领域,压力容器按照压力的等级分为低压容器、中压容器、高压容器和超高压容器。卧式压力压力容器是压力容器中较为常见,且应用最为广泛的一种。
压力容器内的流体或气体在使用时,往往需要达到一定的温度,所以一般压力容器内都安装有冷热交换器,以通过冷热交换器来维持流体温度保持在预定波动范围内。但是,在实际使用过程中,却发现流体温度却时常会越过预定波动范围,对流体的正常使用造成困扰。究其原因发现:在使用时流体速度会发生变化,而冷热交换器的工作功率控制却存在滞后性,一旦流体流速发生变化,而冷热交换器没有及时跟踪,会导致流体温度超过预定波动范围。
因此,期待一种优化的用于压力容器的冷热交换器。
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压力容器的冷热交换器及其控制方法,其通过采用基于深度学习的神经网络模型挖掘出流体流速值在时间维度上的动态变化特征信息,以此来精准地对于下一时间点的流体流速值进行评估预测,进而准确地对于下一时间点的冷热交换器的功率进行控制,以此来维持流体温度保持在预定波动范围内,保证压力容器的正常安全使用。
根据本申请的一个方面,提供了一种用于压力容器的冷热交换器,其包括:流速采集模块,用于获取预定时间段内多个预定时间点的流体流速值;向量构造模块,用于将所述多个预定时间点的流体流速值按照时间维度排列为流速输入向量;相对流速计算模块,用于计算所述流速输入向量中每相邻两个位置的流体流速值之间的差值以得到流速变化输入向量;流速变化特征提取模块,用于将所述流速输入向量和所述流速变化输入向量分别通过多尺度邻域特征提取模块以得到流速时序特征向量和流速变化时序特征向量;多尺度变化特征融合模块,用于基于高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量以得到融合特征矩阵;融合优化模块,用于对所述融合特征矩阵进行向量谱聚类代理学习融合优化以得到优化融合特征矩阵;解码模块,用于将所述优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;以及
指令生成模块,用于基于所述解码值,生成下一时间点的冷热交换器的功率控制指令。
在上述用于压力容器的冷热交换器中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
在上述用于压力容器的冷热交换器中,所述流速变化特征提取模块,包括:第一邻域尺度特征提取单元,用于将所述流速输入向量和所述流速变化输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度流速时序特征向量和第一邻域尺度流速变化时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二邻域尺度特征提取单元,用于将所述流速输入向量和所述流速变化输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度流速时序特征向量和第二邻域尺度流速变化时序特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,多尺度级联单元,用于将所述第一邻域尺度流速时序特征向量和所述第二邻域尺度流速时序特征向量进行级联以得到所述流速时序特征向量,以及,将所述第一邻域尺度流速变化时序特征向量和所述第二邻域尺度流速变化时序特征向量进行级联以得到所述流速变化时序特征向量。
在上述用于压力容器的冷热交换器中,所述多尺度变化特征融合模块,包括:高斯融合单元,用于使用所述高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量以得到初始融合高斯密度图,其中,所述初始融合高斯密度图的均值向量为所述流速时序特征向量和所述流速变化时序特征向量之间的均值向量,所述初始融合高斯密度图的协方差矩阵中各个位置的值为所述述流速时序特征向量和所述流速变化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,用于对所述初始融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到初始融合特征矩阵;加权特征提取单元,用于将所述初始融合特征矩阵通过通道数与所述流速时序特征向量的长度相同的卷积神经网络模型以得到加权特征图;区分单元,用于对所述加权特征图进行特征相关性累积区分机制建模以获得加权特征向量;加权优化单元,用于将所述加权特征向量分别与所述流速时序特征向量和所述流速变化时序特征向量进行点乘以得到优化流速时序特征向量和优化流速变化时序特征向量;融合单元,用于对所述优化流速时序特征向量和所述优化流速变化时序特征向量进行关联编码以得到所述融合特征矩阵。
在上述用于压力容器的冷热交换器中,所述加权特征提取单元,用于:以如下公式将所述加权特征向量分别与所述流速时序特征向量和所述流速变化时序特征向量进行点乘以得到优化流速时序特征向量和优化流速变化时序特征向量;其中,所述公式为:,其中,/>表示所述加权特征向量,/>表示所述流速时序特征向量和所述流速变化时序特征向量,/> 表示所述优化流速时序特征向量和所述优化流速变化时序特征向量,/>表示按位置点乘。
在上述用于压力容器的冷热交换器中,所述区分单元,进一步用于:以如下公式对所述加权特征图进行特征相关性累积区分机制建模以得到所述加权特征向量;其中,所述公式为:其中 />表示所述加权特征图,/>和/>分别表示对特征图进行基于不同卷积核的单层卷积操作, />表示/>激活函数, />表示/> 激活函数,且/>表示对特征图的每个特征矩阵进行全局池化操作,/>表示按位置加法,/>表示所述加权特征向量。
在上述用于压力容器的冷热交换器中,所述融合单元,用于:以如下公式对所述优化流速时序特征向量和所述优化流速变化时序特征向量进行关联编码以得到所述融合特征矩阵;其中,所述公式为:其中 />表示所述优化流速时序特征向量,/>所述优化流速时序特征向量的转置向量,/>表示所述优化流速变化时序特征向量,/>表示所述融合特征矩阵,/>表示向量相乘。
在上述用于压力容器的冷热交换器中,所述融合优化模块,用于:以如下公式对所述融合特征矩阵进行向量谱聚类代理学习融合优化以得到所述优化融合特征矩阵;其中,所述公式为:其中,/>是所述融合特征矩阵,/>是所述优化融合特征矩阵,/>表示所述融合特征矩阵的各个行特征向量,且/>是所述融合特征矩阵的每两个相应行特征向量之间的距离组成的距离矩阵,/>表示矩阵的指数运算,所述矩阵的指数运算表示以矩阵中各个位置特征值为幂的自然指数函数值,/>和/>分别表示按位置点乘和矩阵加法。
在上述用于压力容器的冷热交换器中,所述解码模块,用于:使用所述解码器以如下公式将所述优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;其中,所述公式为:,其中/>表示所述优化融合特征矩阵,/>是所述解码值,/> 是权重矩阵,/>表示矩阵相乘。
根据本申请的另一方面,提供了一种用于压力容器的冷热交换器的控制方法,其包括:获取预定时间段内多个预定时间点的流体流速值;将所述多个预定时间点的流体流速值按照时间维度排列为流速输入向量;计算所述流速输入向量中每相邻两个位置的流体流速值之间的差值以得到流速变化输入向量;将所述流速输入向量和所述流速变化输入向量分别通过多尺度邻域特征提取模块以得到流速时序特征向量和流速变化时序特征向量;基于高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量以得到融合特征矩阵;将所述优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;以及
基于所述解码值,生成下一时间点的冷热交换器的功率控制指令。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于压力容器的冷热交换器的控制方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于压力容器的冷热交换器的控制方法。
与现有技术相比,本申请提供的一种用于压力容器的冷热交换器及其控制方法,其通过采用基于深度学习的神经网络模型挖掘出流体流速值在时间维度上的动态变化特征信息,以此来精准地对于下一时间点的流体流速值进行评估预测,进而准确地对于下一时间点的冷热交换器的功率进行控制,以此来维持流体温度保持在预定波动范围内,保证压力容器的正常安全使用。
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用于压力容器的冷热交换器的应用场景图;图2为根据本申请实施例的用于压力容器的冷热交换器的框图;图3为根据本申请实施例的用于压力容器的冷热交换器的***架构图;图4为根据本申请实施例的用于压力容器的冷热交换器中流速变化特征提取模块的框图;图5为根据本申请实施例的用于压力容器的冷热交换器中多尺度变化特征融合模块的框图;图6为根据本申请实施例的用于压力容器的冷热交换器的控制方法的流程图;图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述:如上所述,在实际使用冷热交换器来维持流体温度保持在预定波动范围内的过程中,发现流体温度却时常会越过预定波动范围,对流体的正常使用造成困扰。究其原因发现:在使用时流体速度会发生变化,而冷热交换器的工作功率控制却存在滞后性,一旦流体流速发生变化,而冷热交换器没有及时跟踪,会导致流体温度超过预定波动范围。因此,期待一种优化的用于压力容器的冷热交换器。
相应地,考虑到在实际冷热交换器的工作过程中,若想能够实时准确地对于冷热交换器的工作功率进行控制,以达到维持流体温度保持在预定波动范围内的目的,以此来避免流体温度超过预定波动范围,就需要基于流体流速在时间维度上的变化情况来对于下一时间点的流体流速值进行评估预测,进而对于冷热交换器的功率进行相应控制。但是,由于流体流速值的时序变化情况相对于流体流速值来说为小尺度的信息,难以对于这种小尺度变化信息进行捕捉获取,这就降低了对于下一时间点的流体流速值的预测精准度。因此,在此过程中,难点在于如何挖掘所述流体流速值在时间维度上的动态变化特征信息,以此来精准地对于下一时间点的流体流速值进行评估预测,进而准确地对于下一时间点的冷热交换器的功率进行控制,以此来维持流体温度保持在预定波动范围内,保证压力容器的正常安全使用。
近年来,深度学***。
深度学习以及神经网络的发展为挖掘所述流体流速值在时间维度上的动态变化特征信息提供了新的解决思路和方案。
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流体流速值。接着,考虑到由于所述流体流速值在时间维度上具有着动态性的变化规律,为了能够便于对于其在时间维度上的动态变化特征信息进行提取,进一步将所述多个预定时间点的流体流速值按照时间维度排列为流速输入向量,以此来整合所述流体流速值在时序上的分布信息。
然后,为了挖掘出所述流体流速值在时间维度上的动态变化特征,以此来对于下一时间点的流体流速值进行精准预测,需要对于所述流速输入向量中关于流体流速的时序变化特征进行提取,考虑到由于所述流体流速值的时序变化情况相对于流体流速值来说为小尺度的信息,若以绝对变化信息来进行所述下一时间点的流体流速值的评估预测,不仅会使得计算量较大造成过拟合,而且还会使得流速变化的小尺度特征信息难以被捕捉检测,进而影响后续解码预测的精准度。因此,在本申请的技术方案中,期望采用所述流体流速值在时间维度上的相对变化特征和绝对变化特征相结合来提高对于所述流体流速值的时序动态变化的捕捉,以此来提高对于下一时间点的流体流速值的预测精准度。
具体地,首先,计算所述流速输入向量中每相邻两个位置的流体流速值之间的差值以得到流速变化输入向量。然后,考虑到由于所述流体流速值在时间维度上具有着波动性和不确定性,其在所述预定时间段内的不同时间周期跨度下具有着不同的动态变化模式信息,因此,在本申请的技术方案中,进一步将所述流速输入向量和所述流速变化输入向量分别通过多尺度邻域特征提取模块中进行特征挖掘,以提取出所述流体流速的相对量和绝对量分别在所述预定时间段内不同时间跨度下的动态多尺度邻域关联特征,从而得到流速时序特征向量和流速变化时序特征向量。
接着,为了对于所述流体流速值的相对时序动态变化特征和绝对时序动态变化特征进行融合,进一步考虑到所述流速时序特征向量和流速变化时序特征向量在高维特征空间中都各自对应着一个特征分布流形,而这些特征分布流形由于本身的不规则形状和散布位置,如果仅通过将所述流体流速值的相对量数据和绝对量数据的特征向量级联来表示所述流体流速的时序动态变化特征,将相当于简单地将这些特征分布流形按原位置和形状来进行叠加,使得新获得的特征分布流形的边界变得非常不规则和复杂,在通过梯度下降来寻找最优点时,非常容易陷入局部极值点中而无法获得全局最优点。因此,需要进一步地对所述流速时序特征向量和流速变化时序特征向量进行适当的融合,使得各个特征分布能够相对于彼此在型面上收敛。
进一步地,考虑到高斯密度图在深度学习中,广泛地用于基于先验的目标后验的估计,因此可以用于修正数据分布,从而实现上述目的。具体地,在本申请的技术方案中,首先,构造所述流速时序特征向量和流速变化时序特征向量的流速高斯密度图,以此来融合所述流速时序特征向量和流速变化时序特征向量中关于所述流体流速在时间维度上的绝对量动态多尺度变化特征和相对量动态多尺度变化特征;然后,对所述流速高斯密度图进行高斯离散化处理,以在数据特征增广时不产生信息损失,进而提高后续解码的精准度,从而得到融合特征矩阵。
然后,将所述融合特征矩阵通过解码器中进行解码处理以得到用于表示下一时间点的流体流速值的解码值。也就是,基于所述流体流速值的相对和绝对量的时序动态变化特征信息来进行解码回归,以此来基于所述流体流速值在时间维度上的变化特征来对于下一时间点的流体流速值进行准确地评估预测。接着,基于所述解码值,生成下一时间点的冷热交换器的功率控制指令,以此来准确地控制下一时间点的冷热交换器的功率,维持流体温度保持在预定波动范围内。相应地,在本申请的一个具体示例中,在进行冷热交换器的功率控制过程中,如果解码值大于当前时间点的流体流速值,则表示流体流速增加,则下一时间点的冷热交换器的功率控制指令为增大冷热交换器的功率,而如果解码值小于当前时间点的流体流速值,则表示流体流速减小,则下一时间点的冷热交换器的功率控制指令为减小冷热交换器的功率。
这里,由于基于高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量是对所述流速时序特征向量和流速变化时序特征向量的均值特征向量进行基于二维高斯概率分布的高斯离散化,这使得所述融合特征矩阵并没有能够对所述流速时序特征向量和流速变化时序特征向量的各个位置的特征值的重要性进行区分,即没有反应特征向量的各个特征值的置信度,从而影响了所述融合特征矩阵的表达效果。
基于此,在本申请的技术方案中,首先将所述融合特征矩阵通过通道数与所述流速时序特征向量的长度相同的卷积神经网络模型以得到加权特征图,再对所述加权特征图/>进行特征相关性累积区分机制建模以获得加权特征向量/>,/>表示为:其中 ,/>和/>分别表示对加权特征图进行基于不同卷积核的单层卷积操作,且/>表示对所述加权特征图的每个特征矩阵的全局池化操作。
这里,所述特征相关性累积区分机制建模首先通过卷积操作来生成加权特征图的两种新的局部关联单元,再利用Sigmoid函数和ReLU函数对局部关联特征进行类似神经网络架构的简单的嵌入、复位和更新,之后通过全局平均池化操作来累积局部特征相对于整体特征的相关性,从而使用特征区分机制来显式地建模特征重要性序列,就可以基于加权特征图的各个特征矩阵的特征累积区分机制来确定通道维度下适当的加权因数。
然后,再将所述加权特征向量分别与所述流速时序特征向量和流速变化时序特征向量进行点乘,以基于所述流速时序特征向量和流速变化时序特征向量在关联特征域内的重要程度来区分所述流速时序特征向量和流速变化时序特征向量的各个位置的特征值的重要性,从而提升融合后得到的上所述融合特征矩阵的表达效果。这样,能够基于实际流体流速变化情况来精准地对于下一时间点的流体流速值进行评估预测,进而对于下一时间点的冷热交换器的功率进行准确地控制,以此来维持流体温度保持在预定波动范围内,保证压力容器的正常安全使用。
这里,由于基于高斯密度图来融合所述流速时序特征向量和所述流速变化时序特征向量时,是对所述流速时序特征向量和所述流速变化时序特征向量的均值特征向量的每个特征值,基于所述流速时序特征向量和所述流速变化时序特征向量的方差矩阵的相应行和列进行基于二维高斯概率分布的高斯离散化,这使得所述融合特征矩阵可以看作为各个行或者列特征向量拼接得到的特征矩阵。由此,在对所述融合特征矩阵进行分类时,因此期望提升所述融合特征矩阵的特征分布的整体性,从而提升所述融合特征矩阵的分类效果。
基于此,本申请的申请人对所述融合特征矩阵,例如记为进行向量谱聚类代理学习融合优化,表示为:/>其中,/>表示所述融合特征矩阵/>的各个行或者列特征向量,且/>是相应向量之间的距离组成的距离矩阵。
这里,在所述所述融合特征矩阵的各个行或者列特征向量拼接后通过分类器进行分类时,由于各个行或者列特征向量的内部类回归语义特征会与合成噪声特征发生混淆,从而导致有意义的类回归语义特征与噪声特征之间分界的模糊性,因此,所述向量谱聚类代理学习融合优化通过引入用于表示特征向量间的分布布局和语义分布相似性的谱聚类代理学习,来利用类回归语义特征和类回归场景之间的关联的概念化信息,对各个行或者列特征向量间的潜在关联属性进行隐性监督传播,从而提高作为各个行或者列特征向量的合成特征的所述融合特征矩阵的整体分布依赖性,由此提升所述融合特征矩阵通过分类器进行分类的分类效果。
基于此,本申请提出了一种用于压力容器的冷热交换器,其包括:流速采集模块,用于获取预定时间段内多个预定时间点的流体流速值;向量构造模块,用于将所述多个预定时间点的流体流速值按照时间维度排列为流速输入向量;相对流速计算模块,用于计算所述流速输入向量中每相邻两个位置的流体流速值之间的差值以得到流速变化输入向量;流速变化特征提取模块,用于将所述流速输入向量和所述流速变化输入向量分别通过多尺度邻域特征提取模块以得到流速时序特征向量和流速变化时序特征向量;多尺度变化特征融合模块,用于基于高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量以得到融合特征矩阵;融合优化模块,用于对所述融合特征矩阵进行向量谱聚类代理学习融合优化以得到优化融合特征矩阵;解码模块,用于将所述优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;以及,指令生成模块,用于基于所述解码值,生成下一时间点的冷热交换器的功率控制指令。
图1为根据本申请实施例的用于压力容器的冷热交换器的应用场景图。如图1所示,在该应用场景中。通过流速传感器(例如,如图1中所示意的V)获取预定时间段内多个预定时间点的流体流速值。接着,将上述数据输入至部署有用于压力容器的冷热交换器的控制算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述用于压力容器的冷热交换器的控制算法对上述输入的数据进行处理,以生成解码值,并基于所述解码值,生成下一时间点的冷热交换器的功率控制指令。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***:图2为根据本申请实施例的用于压力容器的冷热交换器的框图。如图2所示,根据本申请实施例的用于压力容器的冷热交换器300,包括:流速采集模块310;向量构造模块320;相对流速计算模块330;流速变化特征提取模块340;多尺度变化特征融合模块350;所述融合优化模块360;解码模块370;以及,指令生成模块380。
其中,所述流速采集模块310,用于获取预定时间段内多个预定时间点的流体流速值;所述向量构造模块320,用于将所述多个预定时间点的流体流速值按照时间维度排列为流速输入向量;所述相对流速计算模块330,用于计算所述流速输入向量中每相邻两个位置的流体流速值之间的差值以得到流速变化输入向量;所述流速变化特征提取模块340,用于将所述流速输入向量和所述流速变化输入向量分别通过多尺度邻域特征提取模块以得到流速时序特征向量和流速变化时序特征向量;所述多尺度变化特征融合模块350,用于基于高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量以得到融合特征矩阵;所述融合优化模块360,用于对所述融合特征矩阵进行向量谱聚类代理学习融合优化以得到优化融合特征矩阵;所述解码模块370,用于将所述优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;以及,指令生成模块380,用于基于所述解码值,生成下一时间点的冷热交换器的功率控制指令。
图3为根据本申请实施例的用于压力容器的冷热交换器的***架构图。如图3所示,在该网络架构中,首先通过所述流速采集模块310获取预定时间段内多个预定时间点的流体流速值;接着,所述向量构造模块320将所述流速采集模块310获取的多个预定时间点的流体流速值按照时间维度排列为流速输入向量;所述相对流速计算模块330计算所述向量构造模块320得到的流速输入向量中每相邻两个位置的流体流速值之间的差值以得到流速变化输入向量;所述流速变化特征提取模块340将所述向量构造模块320得到的流速输入向量和所述相对流速计算模块330计算所得的流速变化输入向量分别通过多尺度邻域特征提取模块以得到流速时序特征向量和流速变化时序特征向量;然后,所述多尺度变化特征融合模块350基于高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量以得到融合特征矩阵;所述融合优化模块360对所述多尺度变化特征融合模块350得到的所述融合特征矩阵进行向量谱聚类代理学习融合优化以得到优化融合特征矩阵;所述解码模块370将所述多尺度变化特征融合模块360得到的优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;进而,所述指令生成模块380基于所述解码值,生成下一时间点的冷热交换器的功率控制指令。
具体地,在所述用于压力容器的冷热交换器300的运行过程中,所述流速采集模块310,用于获取预定时间段内多个预定时间点的流体流速值。应可以理解,在实际冷热交换器的工作过程中,若想能够实时准确地对于冷热交换器的工作功率进行控制,以达到维持流体温度保持在预定波动范围内的目的,以此来避免流体温度超过预定波动范围,就需要基于流体流速在时间维度上的变化情况来对于下一时间点的流体流速值进行评估预测,进而对于冷热交换器的功率进行相应控制。因此,在本申请的的一个具体示例中,首先,可通过流速传感器来获取预定时间段内多个预定时间点的流体流速值。
具体地,在所述用于压力容器的冷热交换器300的运行过程中,所述向量构造模块320,用于将所述多个预定时间点的流体流速值按照时间维度排列为流速输入向量。考虑到由于所述流体流速值在时间维度上具有着动态性的变化规律,为了能够便于对于其在时间维度上的动态变化特征信息进行提取,进一步将所述多个预定时间点的流体流速值按照时间维度排列为流速输入向量,以此来整合所述流体流速值在时序上的分布信息。
具体地,在所述用于压力容器的冷热交换器300的运行过程中,所述相对流速计算模块330,用于计算所述流速输入向量中每相邻两个位置的流体流速值之间的差值以得到流速变化输入向量。在本申请的技术方案中,通过计算所述流速输入向量中每相邻两个位置的流体流速值之间的差值以得到流体流速值在时间维度上的绝对变化特征。
具体地,在所述用于压力容器的冷热交换器300的运行过程中,所述流速变化特征提取模块340,用于将所述流速输入向量和所述流速变化输入向量分别通过多尺度邻域特征提取模块以得到流速时序特征向量和流速变化时序特征向量。也就是,将所述流速输入向量和所述流速变化输入向量分别通过多尺度邻域特征提取模块中进行特征挖掘,以提取出所述流体流速的相对量和绝对量分别在所述预定时间段内不同时间跨度下的动态多尺度邻域关联特征,从而得到流速时序特征向量和流速变化时序特征向量。其中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
图4为根据本申请实施例的用于压力容器的冷热交换器中流速变化特征提取模块的框图。如图4所示,所述流速变化特征提取模块,包括:第一邻域尺度特征提取单元341,用于将所述流速输入向量和所述流速变化输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度流速时序特征向量和第一邻域尺度流速变化时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二邻域尺度特征提取单元342,用于将所述流速输入向量和所述流速变化输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度流速时序特征向量和第二邻域尺度流速变化时序特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及。多尺度级联单元343,用于将所述第一邻域尺度流速时序特征向量和所述第二邻域尺度流速时序特征向量进行级联以得到所述流速时序特征向量,以及,将所述第一邻域尺度流速变化时序特征向量和所述第二邻域尺度流速变化时序特征向量进行级联以得到所述流速变化时序特征向量。具体地,将所述流速输入向量和所述流速变化输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度流速时序特征向量和第一邻域尺度流速变化时序特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述流速输入向量和所述流速变化输入向量分别进行一维卷积编码以得到第一邻域尺度流速时序特征向量和第一邻域尺度流速变化时序特征向量;其中,所述公式为:其中,/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为第一卷积核的尺寸,/>表示所述流速输入向量和所述流速变化输入向量;更具体地,将所述流速输入向量和所述流速变化输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度流速时序特征向量和第二邻域尺度流速变化时序特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述流速输入向量和所述流速变化输入向量分别进行一维卷积编码以得到所述第二邻域尺度流速时序特征向量和第二邻域尺度流速变化时序特征向量;其中,所述公式为:/>其中,/>为第二卷积核在/>方向上的宽度、/>为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为第二卷积核的尺寸,/>表示所述流速输入向量和所述流速变化输入向量。
具体地,在所述用于压力容器的冷热交换器300的运行过程中,所述多尺度变化特征融合模块350,用于基于高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量以得到融合特征矩阵。考虑到所述流速时序特征向量和流速变化时序特征向量在高维特征空间中都各自对应着一个特征分布流形,而这些特征分布流形由于本身的不规则形状和散布位置,如果仅通过将所述流体流速值的相对量数据和绝对量数据的特征向量级联来表示所述流体流速的时序动态变化特征,将相当于简单地将这些特征分布流形按原位置和形状来进行叠加,使得新获得的特征分布流形的边界变得非常不规则和复杂,在通过梯度下降来寻找最优点时,非常容易陷入局部极值点中而无法获得全局最优点。因此,需要进一步地对所述流速时序特征向量和流速变化时序特征向量进行适当的融合,使得各个特征分布能够相对于彼此在型面上收敛。又考虑到高斯密度图在深度学***均池化操作来累积局部特征相对于整体特征的相关性,从而使用特征区分机制来显式地建模特征重要性序列,就可以基于加权特征图的各个特征矩阵的特征累积区分机制来确定通道维度下适当的加权因数。然后,再将所述加权特征向量/>分别与所述流速时序特征向量和流速变化时序特征向量进行点乘,以基于所述流速时序特征向量和流速变化时序特征向量在关联特征域内的重要程度来区分所述流速时序特征向量和流速变化时序特征向量的各个位置的特征值的重要性,从而提升融合后得到的上所述融合特征矩阵的表达效果。这样,能够基于实际流体流速变化情况来精准地对于下一时间点的流体流速值进行评估预测,进而对于下一时间点的冷热交换器的功率进行准确地控制,以此来维持流体温度保持在预定波动范围内,保证压力容器的正常安全使用。
图5为根据本申请实施例的用于压力容器的冷热交换器中多尺度变化特征融合模块的框图。如图5所示,所述多尺度变化特征融合模块350,包括:高斯融合单元351,用于使用所述高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量以得到初始融合高斯密度图,其中,所述初始融合高斯密度图的均值向量为所述流速时序特征向量和所述流速变化时序特征向量之间的均值向量,所述初始融合高斯密度图的协方差矩阵中各个位置的值为所述述流速时序特征向量和所述流速变化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352,用于对所述初始融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到初始融合特征矩阵;加权特征提取单元353,用于将所述初始融合特征矩阵通过通道数与所述流速时序特征向量的长度相同的卷积神经网络模型以得到加权特征图;区分单元354,用于对所述加权特征图进行特征相关性累积区分机制建模以获得加权特征向量;加权优化单元355,用于将所述加权特征向量分别与所述流速时序特征向量和所述流速变化时序特征向量进行点乘以得到优化流速时序特征向量和优化流速变化时序特征向量;融合单元356,用于对所述优化流速时序特征向量和所述优化流速变化时序特征向量进行关联编码以得到所述融合特征矩阵。其中,所述加权特征提取单元,用于:以如下公式将所述加权特征向量分别与所述流速时序特征向量和所述流速变化时序特征向量进行点乘以得到优化流速时序特征向量和优化流速变化时序特征向量;其中,所述公式为:,其中,/>表示所述加权特征向量,/>表示所述流速时序特征向量和所述流速变化时序特征向量,/> 表示所述优化流速时序特征向量和所述优化流速变化时序特征向量,/>表示按位置点乘。更具体地,所述融合单元,用于:以如下公式对所述优化流速时序特征向量和所述优化流速变化时序特征向量进行关联编码以得到所述融合特征矩阵;其中,所述公式为:/>其中 />表示所述优化流速时序特征向量,/>所述优化流速时序特征向量的转置向量,/>表示所述优化流速变化时序特征向量,/>表示所述融合特征矩阵,/>表示向量相乘。
具体地,在所述用于压力容器的冷热交换器300的运行过程中,所述融合优化模块360,用于对所述融合特征矩阵进行向量谱聚类代理学习融合优化以得到优化融合特征矩阵。应理解,由于基于高斯密度图来融合所述流速时序特征向量和所述流速变化时序特征向量时,是对所述流速时序特征向量和所述流速变化时序特征向量的均值特征向量的每个特征值,基于所述流速时序特征向量和所述流速变化时序特征向量的方差矩阵的相应行和列进行基于二维高斯概率分布的高斯离散化,这使得所述融合特征矩阵可以看作为各个行或者列特征向量拼接得到的特征矩阵。由此,在对所述融合特征矩阵进行分类时,因此期望提升所述融合特征矩阵的特征分布的整体性,从而提升所述融合特征矩阵的分类效果。基于此,本申请的申请人对所述融合特征矩阵,例如记为进行向量谱聚类代理学习融合优化。
具体地,所述融合优化模块,用于:以如下公式对所述融合特征矩阵进行向量谱聚类代理学习融合优化以得到所述优化融合特征矩阵;其中,所述公式为:其中,/>是所述融合特征矩阵,/>是所述优化融合特征矩阵,/>表示所述融合特征矩阵的各个行特征向量,且/>是所述融合特征矩阵的每两个相应行特征向量之间的距离组成的距离矩阵,/>表示矩阵的指数运算,所述矩阵的指数运算表示以矩阵中各个位置特征值为幂的自然指数函数值,/>和/>分别表示按位置点乘和矩阵加法。
这里,在所述所述融合特征矩阵的各个行或者列特征向量拼接后通过分类器进行分类时,由于各个行或者列特征向量的内部类回归语义特征会与合成噪声特征发生混淆,从而导致有意义的类回归语义特征与噪声特征之间分界的模糊性,因此,所述向量谱聚类代理学习融合优化通过引入用于表示特征向量间的分布布局和语义分布相似性的谱聚类代理学习,来利用类回归语义特征和类回归场景之间的关联的概念化信息,对各个行或者列特征向量间的潜在关联属性进行隐性监督传播,从而提高作为各个行或者列特征向量的合成特征的所述融合特征矩阵的整体分布依赖性,由此提升所述融合特征矩阵通过分类器进行分类的分类效果。
具体地,在所述用于压力容器的冷热交换器300的运行过程中,所述解码模块370和所述指令生成模块380,用于将所述优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;并基于所述解码值,生成下一时间点的冷热交换器的功率控制指令。也就是,将所述优化融合特征矩阵通过解码器以得到解码值,具体地,使用所述解码器以如下公式将所述优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;其中,所述公式为:,其中/>表示所述优化融合特征矩阵,/>是所述解码值,/> 是权重矩阵,/>表示矩阵相乘。也就是,基于所述流体流速值的相对和绝对量的时序动态变化特征信息来进行解码回归,以此来基于所述流体流速值在时间维度上的变化特征来对于下一时间点的流体流速值进行准确地评估预测。接着,基于所述解码值,生成下一时间点的冷热交换器的功率控制指令,以此来准确地控制下一时间点的冷热交换器的功率,维持流体温度保持在预定波动范围内。相应地,在本申请的一个具体示例中,在进行冷热交换器的功率控制过程中,如果解码值大于当前时间点的流体流速值,则表示流体流速增加,则下一时间点的冷热交换器的功率控制指令为增大冷热交换器的功率,而如果解码值小于当前时间点的流体流速值,则表示流体流速减小,则下一时间点的冷热交换器的功率控制指令为减小冷热交换器的功率。
综上,根据本申请实施例的用于压力容器的冷热交换器300被阐明,其通过采用基于深度学习的神经网络模型挖掘出流体流速值在时间维度上的动态变化特征信息,以此来精准地对于下一时间点的流体流速值进行评估预测,进而准确地对于下一时间点的冷热交换器的功率进行控制,以此来维持流体温度保持在预定波动范围内,保证压力容器的正常安全使用。
如上所述,根据本申请实施例的用于压力容器的冷热交换器可以实现在各种终端设备中。在一个示例中,根据本申请实施例的用于压力容器的冷热交换器300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,该用于压力容器的冷热交换器300可以是该终端设备的操作***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,该用于压力容器的冷热交换器300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,该用于压力容器的冷热交换器300与该终端设备也可以是分立的设备,并且该用于压力容器的冷热交换器300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。
示例性方法:图6为根据本申请实施例的用于压力容器的冷热交换器的控制方法的流程图。如图6所示,根据本申请实施例的用于压力容器的冷热交换器的控制方法,包括步骤:S110,获取预定时间段内多个预定时间点的流体流速值;S120,将所述多个预定时间点的流体流速值按照时间维度排列为流速输入向量;S130,计算所述流速输入向量中每相邻两个位置的流体流速值之间的差值以得到流速变化输入向量;S140,将所述流速输入向量和所述流速变化输入向量分别通过多尺度邻域特征提取模块以得到流速时序特征向量和流速变化时序特征向量;S150,基于高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量以得到融合特征矩阵;S160,将所述优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;S170,将所述优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;以及,S180,基于所述解码值,生成下一时间点的冷热交换器的功率控制指令。
在一个示例中,在上述用于压力容器的冷热交换器的控制方法中,所述步骤S140,包括:将所述流速输入向量和所述流速变化输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度流速时序特征向量和第一邻域尺度流速变化时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述流速输入向量和所述流速变化输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度流速时序特征向量和第二邻域尺度流速变化时序特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一邻域尺度流速时序特征向量和所述第二邻域尺度流速时序特征向量进行级联以得到所述流速时序特征向量,以及,将所述第一邻域尺度流速变化时序特征向量和所述第二邻域尺度流速变化时序特征向量进行级联以得到所述流速变化时序特征向量。其中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
在一个示例中,在上述用于压力容器的冷热交换器的控制方法中,所述步骤S150,包括:使用所述高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量以得到初始融合高斯密度图,其中,所述初始融合高斯密度图的均值向量为所述流速时序特征向量和所述流速变化时序特征向量之间的均值向量,所述初始融合高斯密度图的协方差矩阵中各个位置的值为所述述流速时序特征向量和所述流速变化时序特征向量中相应两个位置的特征值之间的方差;对所述初始融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到初始融合特征矩阵;将所述初始融合特征矩阵通过通道数与所述流速时序特征向量的长度相同的卷积神经网络模型以得到加权特征图;对所述加权特征图进行特征相关性累积区分机制建模以获得加权特征向量;将所述加权特征向量分别与所述流速时序特征向量和所述流速变化时序特征向量进行点乘以得到优化流速时序特征向量和优化流速变化时序特征向量;对所述优化流速时序特征向量和所述优化流速变化时序特征向量进行关联编码以得到所述融合特征矩阵。其中,将所述加权特征向量分别与所述流速时序特征向量和所述流速变化时序特征向量进行点乘以得到优化流速时序特征向量和优化流速变化时序特征向量,包括:以如下公式将所述加权特征向量分别与所述流速时序特征向量和所述流速变化时序特征向量进行点乘以得到优化流速时序特征向量和优化流速变化时序特征向量;其中,所述公式为:,其中,/>表示所述加权特征向量,/>表示所述流速时序特征向量和所述流速变化时序特征向量,/> 表示所述优化流速时序特征向量和所述优化流速变化时序特征向量,/>表示按位置点乘。更具体地,对所述优化流速时序特征向量和所述优化流速变化时序特征向量进行关联编码以得到所述融合特征矩阵,包括:以如下公式对所述优化流速时序特征向量和所述优化流速变化时序特征向量进行关联编码以得到所述融合特征矩阵;其中,所述公式为:/>其中 />表示所述优化流速时序特征向量,/>所述优化流速时序特征向量的转置向量,/>表示所述优化流速变化时序特征向量,/>表示所述融合特征矩阵,/>表示向量相乘。更具体地,对所述加权特征图进行特征相关性累积区分机制建模以获得加权特征向量,包括:以如下公式对所述加权特征图进行特征相关性累积区分机制建模以得到所述加权特征向量;其中,所述公式为:其中 />表示所述加权特征图,/>和/>分别表示对特征图进行基于不同卷积核的单层卷积操作, />表示/>激活函数,表示/> 激活函数,且/>表示对特征图的每个特征矩阵进行全局池化操作,/>表示按位置加法,/>表示所述加权特征向量。
在一个示例中,在上述用于压力容器的冷热交换器的控制方法中,所述步骤S160,包括:以如下公式对所述融合特征矩阵进行向量谱聚类代理学习融合优化以得到所述优化融合特征矩阵;其中,所述公式为:其中,/>是所述融合特征矩阵,/>是所述优化融合特征矩阵,/>表示所述融合特征矩阵的各个行特征向量,且/>是所述融合特征矩阵的每两个相应行特征向量之间的距离组成的距离矩阵,表示矩阵的指数运算,所述矩阵的指数运算表示以矩阵中各个位置特征值为幂的自然指数函数值,/>和/>分别表示按位置点乘和矩阵加法。
在一个示例中,在上述用于压力容器的冷热交换器的控制方法中,所述步骤S170,包括:使用所述解码器以如下公式将所述优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;其中,所述公式为:,其中/>表示所述优化融合特征矩阵,/>是所述解码值,/> 是权重矩阵,/>表示矩阵相乘。
综上,根据本申请实施例的用于压力容器的冷热交换器的控制方法被阐明,其通过采用基于深度学习的神经网络模型挖掘出流体流速值在时间维度上的动态变化特征信息,以此来精准地对于下一时间点的流体流速值进行评估预测,进而准确地对于下一时间点的冷热交换器的功率进行控制,以此来维持流体温度保持在预定波动范围内,保证压力容器的正常安全使用。
示例性电子设备:下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的用于压力容器的冷热交换器中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如融合特征矩阵等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的用于压力容器的冷热交换器的控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的用于压力容器的冷热交换器的控制方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
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 (10)
1.一种用于压力容器的冷热交换器,其特征在于,包括:流速采集模块,用于获取预定时间段内多个预定时间点的流体流速值;向量构造模块,用于将所述多个预定时间点的流体流速值按照时间维度排列为流速输入向量;相对流速计算模块,用于计算所述流速输入向量中每相邻两个位置的流体流速值之间的差值以得到流速变化输入向量;流速变化特征提取模块,用于将所述流速输入向量和所述流速变化输入向量分别通过多尺度邻域特征提取模块以得到流速时序特征向量和流速变化时序特征向量;多尺度变化特征融合模块,用于基于高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量以得到融合特征矩阵;融合优化模块,用于对所述融合特征矩阵进行向量谱聚类代理学习融合优化以得到优化融合特征矩阵;解码模块,用于将所述优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;以及指令生成模块,用于基于所述解码值,生成下一时间点的冷热交换器的功率控制指令。
2.根据权利要求1所述的用于压力容器的冷热交换器,其特征在于,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
3.根据权利要求2所述的用于压力容器的冷热交换器,其特征在于,所述流速变化特征提取模块,包括:第一邻域尺度特征提取单元,用于将所述流速输入向量和所述流速变化输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度流速时序特征向量和第一邻域尺度流速变化时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二邻域尺度特征提取单元,用于将所述流速输入向量和所述流速变化输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度流速时序特征向量和第二邻域尺度流速变化时序特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及多尺度级联单元,用于将所述第一邻域尺度流速时序特征向量和所述第二邻域尺度流速时序特征向量进行级联以得到所述流速时序特征向量,以及,将所述第一邻域尺度流速变化时序特征向量和所述第二邻域尺度流速变化时序特征向量进行级联以得到所述流速变化时序特征向量。
4.根据权利要求3所述的用于压力容器的冷热交换器,其特征在于,所述多尺度变化特征融合模块,包括:高斯融合单元,用于使用所述高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量以得到初始融合高斯密度图,其中,所述初始融合高斯密度图的均值向量为所述流速时序特征向量和所述流速变化时序特征向量之间的均值向量,所述初始融合高斯密度图的协方差矩阵中各个位置的值为所述述流速时序特征向量和所述流速变化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,用于对所述初始融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到初始融合特征矩阵;加权特征提取单元,用于将所述初始融合特征矩阵通过通道数与所述流速时序特征向量的长度相同的卷积神经网络模型以得到加权特征图;区分单元,用于对所述加权特征图进行特征相关性累积区分机制建模以获得加权特征向量;加权优化单元,用于将所述加权特征向量分别与所述流速时序特征向量和所述流速变化时序特征向量进行点乘以得到优化流速时序特征向量和优化流速变化时序特征向量;融合单元,用于对所述优化流速时序特征向量和所述优化流速变化时序特征向量进行关联编码以得到所述融合特征矩阵。
5.根据权利要求4所述的用于压力容器的冷热交换器,其特征在于,所述加权特征提取单元,用于:以如下公式将所述加权特征向量分别与所述流速时序特征向量和所述流速变化时序特征向量进行点乘以得到优化流速时序特征向量和优化流速变化时序特征向量;其中,所述公式为:,其中,/>表示所述加权特征向量,/>表示所述流速时序特征向量和所述流速变化时序特征向量,/> 表示所述优化流速时序特征向量和所述优化流速变化时序特征向量,/>表示按位置点乘。
6.根据权利要求5所述的用于压力容器的冷热交换器,其特征在于,所述区分单元,进一步用于:以如下公式对所述加权特征图进行特征相关性累积区分机制建模以得到所述加权特征向量;其中,所述公式为:其中 />表示所述加权特征图,/>和/>分别表示对特征图进行基于不同卷积核的单层卷积操作,表示/>激活函数, />表示/> 激活函数,且/>表示对特征图的每个特征矩阵进行全局池化操作,/>表示按位置加法,/>表示所述加权特征向量。
7.根据权利要求6所述的用于压力容器的冷热交换器,其特征在于,所述融合单元,用于:以如下公式对所述优化流速时序特征向量和所述优化流速变化时序特征向量进行关联编码以得到所述融合特征矩阵;其中,所述公式为:其中 />表示所述优化流速时序特征向量,/>所述优化流速时序特征向量的转置向量,/>表示所述优化流速变化时序特征向量,/>表示所述融合特征矩阵,/>表示向量相乘。
8.根据权利要求7所述的用于压力容器的冷热交换器,其特征在于,所述融合优化模块,用于:以如下公式对所述融合特征矩阵进行向量谱聚类代理学习融合优化以得到所述优化融合特征矩阵;其中,所述公式为:其中,/>是所述融合特征矩阵,/>是所述优化融合特征矩阵,/>表示所述融合特征矩阵的各个行特征向量,且/>是所述融合特征矩阵的每两个相应行特征向量之间的距离组成的距离矩阵,表示矩阵的指数运算,所述矩阵的指数运算表示以矩阵中各个位置特征值为幂的自然指数函数值,/>和/>分别表示按位置点乘和矩阵加法。
9.根据权利要求8所述的用于压力容器的冷热交换器,其特征在于,所述解码模块,用于:使用所述解码器以如下公式将所述优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;其中,所述公式为:,其中/>表示所述优化融合特征矩阵,/>是所述解码值,/>是权重矩阵,/>表示矩阵相乘。
10.一种用于压力容器的冷热交换器的控制方法,其特征在于,包括:获取预定时间段内多个预定时间点的流体流速值;将所述多个预定时间点的流体流速值按照时间维度排列为流速输入向量;计算所述流速输入向量中每相邻两个位置的流体流速值之间的差值以得到流速变化输入向量;将所述流速输入向量和所述流速变化输入向量分别通过多尺度邻域特征提取模块以得到流速时序特征向量和流速变化时序特征向量;基于高斯密度图来融合所述流速时序特征向量和流速变化时序特征向量以得到融合特征矩阵;对所述融合特征矩阵进行向量谱聚类代理学习融合优化以得到优化融合特征矩阵;将所述优化融合特征矩阵通过解码器以得到解码值,所述解码值用于表示下一时间点的流体流速值;以及基于所述解码值,生成下一时间点的冷热交换器的功率控制指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629221.4A CN116678258A (zh) | 2023-05-31 | 2023-05-31 | 用于压力容器的冷热交换器及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629221.4A CN116678258A (zh) | 2023-05-31 | 2023-05-31 | 用于压力容器的冷热交换器及其控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116678258A true CN116678258A (zh) | 2023-09-01 |
Family
ID=87783000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310629221.4A Pending CN116678258A (zh) | 2023-05-31 | 2023-05-31 | 用于压力容器的冷热交换器及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116678258A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554109A (zh) * | 2024-01-11 | 2024-02-13 | 张家港长寿工业设备制造有限公司 | 一种换热器故障数据信息智能监测方法及*** |
-
2023
- 2023-05-31 CN CN202310629221.4A patent/CN116678258A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554109A (zh) * | 2024-01-11 | 2024-02-13 | 张家港长寿工业设备制造有限公司 | 一种换热器故障数据信息智能监测方法及*** |
CN117554109B (zh) * | 2024-01-11 | 2024-03-26 | 张家港长寿工业设备制造有限公司 | 一种换热器故障数据信息智能监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115203380B (zh) | 基于多模态数据融合的文本处理***及其方法 | |
CN115783923B (zh) | 基于大数据的电梯故障模式识别*** | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理*** | |
CN116820052B (zh) | Pbt材料生产设备及其控制方法 | |
CN116678258A (zh) | 用于压力容器的冷热交换器及其控制方法 | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及*** | |
CN115992908A (zh) | 智能流体控制阀及其检测方法 | |
CN116309580B (zh) | 基于磁应力的油气管道腐蚀检测方法 | |
Sammani et al. | Look and modify: Modification networks for image captioning | |
CN113111968A (zh) | 图像识别模型训练方法、装置、电子设备和可读存储介质 | |
CN116167989A (zh) | 铝杯的智能化生产方法及其*** | |
CN115830718A (zh) | 基于步态识别预测康复训练效果的数据处理*** | |
Zhang et al. | Second-and high-order graph matching for correspondence problems | |
CN116036639A (zh) | 超声波诱导六氟磷酸盐结晶的控制***及其方法 | |
CN116166072A (zh) | 电子级六氟丙烯裂解温度控制*** | |
CN116308754A (zh) | 一种银行信贷风险预警***及其方法 | |
CN116168243A (zh) | 剃须刀的智能化生产***及其方法 | |
CN116149280A (zh) | 电子级氢氧化钾的智能生产*** | |
CN115205788A (zh) | 食材质量监控*** | |
CN116182471B (zh) | 智能化的节能冷库制冷***及方法 | |
Surono et al. | Developing an optimized recurrent neural network model for air quality prediction using K-means clustering and PCA dimension reduction | |
CN116467485B (zh) | 一种视频图像检索构建***及其方法 | |
Tan et al. | A novel label enhancement algorithm based on manifold learning | |
CN117134958A (zh) | 用于网络技术服务的信息处理方法及*** | |
CN116124448A (zh) | 用于风电齿轮箱的故障诊断***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 |