CN116844088A - 在线除尘器控制***及其方法 - Google Patents
在线除尘器控制***及其方法 Download PDFInfo
- Publication number
- CN116844088A CN116844088A CN202310789487.5A CN202310789487A CN116844088A CN 116844088 A CN116844088 A CN 116844088A CN 202310789487 A CN202310789487 A CN 202310789487A CN 116844088 A CN116844088 A CN 116844088A
- Authority
- CN
- China
- Prior art keywords
- dust
- feature
- vector
- convolution
- dust collector
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 455
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 104
- 230000003247 decreasing effect Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 205
- 239000011159 matrix material Substances 0.000 claims description 96
- 238000012544 monitoring process Methods 0.000 claims description 79
- 238000000605 extraction Methods 0.000 claims description 47
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 230000004043 responsiveness Effects 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000004134 energy conservation Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 4
- 241000233866 Fungi Species 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
- B01D46/42—Auxiliary equipment or operation thereof
- B01D46/44—Auxiliary equipment or operation thereof controlling filtration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
- B01D46/42—Auxiliary equipment or operation thereof
- B01D46/44—Auxiliary equipment or operation thereof controlling filtration
- B01D46/46—Auxiliary equipment or operation thereof controlling filtration automatic
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及自动化控制领域,其具体公开了一种在线除尘器控制***及其方法,其能够基于粉尘的状态特征和不同时间跨度内不同数量的除尘器功率值之间的高维隐含特征之间的逻辑关联得到包含除尘器功率特征和粉尘状态变化特征的分类特征表示。这样,基于由分类处理得到的分类结果用于表示当前时间点的除尘器功率应增大或应减小。这样,可以确保除尘器节约能源,保证***运行稳定。
Description
技术领域
本申请涉及自动化控制领域,且更为具体的涉及一种在线除尘器控制***及其方法。
背景技术
在线除尘器控制***是一种用于管理和监测工业生产中的空气净化设备的***。在线除尘器通常用于降低生产线上气态颗粒物的排放,从而保护环境和人类健康。普通除尘器***的风机转速调整一般通过判断工况和污染物浓度:根据实际工况和污染物浓度等因素,判断是否需要调整风机转速。如果污染物浓度较高,或者工况要求较高的除尘效果,则需要适当提高风机转速。一般来说,可以采用手动调节或自动调节两种方式进行:1)手动调节:手动调节需要人工根据实际情况进行调节,以达到最佳的除尘效果。但是手动调节需要考虑到各种因素的影响,并且需要不断检查和调整,比较繁琐;2)自动调节:自动调节需要根据控制***内部的算法和逻辑,自动地调节风机转速,以达到最佳的除尘效果和能源利用效率。自动调节需要对控制***进行合理的设计和程序编制,但是一旦完成,就可以实现无人值守控制。然而,普通除尘器***具有以下缺点:1)参数调节困难;2)控制精度有限。
因此,期待一种优化的除尘器控制方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种在线除尘器控制***及其方法,其能够基于粉尘的状态特征和不同时间跨度内不同数量的除尘器功率值之间的高维隐含特征之间的逻辑关联得到包含除尘器功率特征和粉尘状态变化特征的分类特征表示。这样,基于由分类处理得到的分类结果用于表示当前时间点的除尘器功率应增大或应减小。因此,可以确保除尘器节约能源和保证***运行稳定。
根据本申请的一个方面,提供了一种在线除尘器控制***,其包括:
数据获取模块,用于获取预定时间段的粉尘监控视频、所述预定时间段内多个预定时间点的除尘器功率值;
采样模块,用于从所述预定时间段的粉尘监控视频提取多个粉尘监控关键帧;
深浅特征编码模块,用于将所述多个粉尘监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个粉尘监控特征矩阵;
三维卷积编码模块,用于将所述多个粉尘监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到粉尘状态变化特征向量;
多尺度编码模块,用于将所述多个预定时间点的除尘器功率值按照时间维度排列为除尘器功率输入向量后通过多尺度邻域特征提取模块以得到除尘器功率特征向量;
响应性估计模块,用于计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计以得到分类特征矩阵;
优化模块,用于对所述分类特征矩阵进行优化得到优化分类特征矩阵;以及
检测结果生成模块,用于将所述优化分类特征矩阵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除尘器功率应增大或应减小。
在上述的在线除尘器控制***中,所述深浅特征编码模块,包括:
浅层特征提取单元,用于从所述第一卷积神经网络模型的第M层提取浅层特征图,其中,M大于等于1且小于等于6;
深层特征提取单元,用于从所述第一卷积神经网络模型的第N层提取深层特征图,其中,N/M大于等于5且小于等于10;
融合单元,用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图;以及
降维单元,用于对所述融合特征图进行沿通道维度的全局池化以得到所述粉尘监控特征矩阵。
在上述的在线除尘器控制***中,所述三维卷积编码模块,包括:
编码单元,用于使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到粉尘状态变化特征图;以及
降维单元,用于对所述粉尘状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述粉尘状态变化特征向量。
在上述的在线除尘器控制***中,所述三维卷积编码模块,用于:
使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行:
基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第二卷积神经网络模型的最后一层的输出为所述粉尘状态变化特征图,所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
在上述的在线除尘器控制***中,所述多尺度编码模块,包括:
第一尺度特征提取单元,用于将所述除尘器功率输入向量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尺度除尘器功率特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度特征提取单元,用于将所述除尘器功率输入向量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尺度除尘器功率特征向量,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
融合单元,用于将所述第一尺度除尘器功率特征向量和所述第二尺度除尘器功率特征向量进行级联以得到所述除尘器功率特征向量。
在上述的在线除尘器控制***中,所述多尺度编码模块,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第一卷积公式对所述除尘器功率输入向量进行一维卷积编码以得到所述第一尺度除尘器功率特征向量;
其中,所述第一卷积公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述除尘器功率输入向量,Cov(X)为对所述除尘器功率输入向量进行一维卷积编码;
所述将所述除尘器功率输入向量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尺度除尘器功率特征向量,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第二卷积公式对所述除尘器功率输入向量进行一维卷积编码以得到所述第二尺度除尘器功率特征向量;
其中,所述第二卷积公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述除尘器功率输入向量,Cov(X)为对所述除尘器功率输入向量进行一维卷积编码。
在上述的在线除尘器控制***中,所述响应性估计模块,用于:
以如下响应性估计公式计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计以得到分类特征矩阵;
其中,所述响应性估计公式为:
其中Va表示所述粉尘状态变化特征向量,Vb表示所述除尘器功率特征向量,M表示所述分类特征矩阵,表示矩阵相乘。
在上述的在线除尘器控制***中,所述优化模块,包括:
关联单元,用于对所述除尘器功率特征向量和所述粉尘状态变化特征向量进行类概率联合相关以得到关联特征矩阵;
优化单元:计算所述关联特征矩阵与所述分类特征矩阵之间的按位置点乘以得到优化分类特征矩阵。
在上述的在线除尘器控制***中,所述关联单元,用于:
对所述除尘器功率特征向量和所述粉尘状态变化特征向量进行归一化以得到归一化后除尘器功率特征向量和归一化后粉尘状态变化特征向量;
计算所述归一化后除尘器功率特征向量和所述归一化后粉尘状态变化特征向量的每两个元素之间的皮尔逊相关系数以得到多个皮尔逊相关系数;以及
将所述多个皮尔逊相关系数排列为所述关联特征矩阵。
根据本申请的另一方面,还提供了一种在线除尘器控制方法,其包括:
获取预定时间段的粉尘监控视频、所述预定时间段内多个预定时间点的除尘器功率值;
从所述预定时间段的粉尘监控视频提取多个粉尘监控关键帧;
将所述多个粉尘监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个粉尘监控特征矩阵;
将所述多个粉尘监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到粉尘状态变化特征向量;
将所述多个预定时间点的除尘器功率值按照时间维度排列为除尘器功率输入向量后通过多尺度邻域特征提取模块以得到除尘器功率特征向量;
计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计以得到分类特征矩阵;
对所述分类特征矩阵进行优化得到优化分类特征矩阵;以及
将所述优化分类特征矩阵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除尘器功率应增大或应减小。
与现有技术相比,本申请提供的在线除尘器控制,其能够基于粉尘的状态特征和不同时间跨度内不同数量的除尘器功率值之间的高维隐含特征之间的逻辑关联得到包含除尘器功率特征和粉尘状态变化特征的分类特征表示。这样,基于由分类处理得到的分类结果用于表示当前时间点的除尘器功率应增大或应减小。因此,可以确保除尘器节约能源和保证***运行稳定。
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在线除尘器控制***的应用场景图。
图2为根据本申请实施例的在线除尘器控制***的框图。
图3为根据本申请实施例的在线除尘器控制***的架构图。
图4为根据本申请实施例的在线除尘器控制***中深浅特征编码模块的框图。
图5为根据本申请实施例的在线除尘器控制方法中多尺度编码模块的框图。
图6为根据本申请实施例的在线除尘器控制方法的流程图。
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,普通除尘器***具有以下缺点:1)参数调节困难;2)控制精度有限。因此,期待一种优化的除尘器控制方案。
针对上述技术问题,在本申请的技术方案中,期待基于粉尘状态变化以及不同时间跨度内不同除尘器功率值来自适应地调整除尘器功率,通过这样的方式,无需人工控制除尘器的功率,且因考虑到了粉尘更多的数据维度和不受场景的局限,因此,本申请提供的在线除尘器控制***具有更强的适用性和智能性。
目前,深度学***。
深度学习以及神经网络为在线除尘器控制***的构建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的粉尘监控视频以及所述预定时间段内多个预定时间点的除尘器功率值。应可以理解,除尘器功率变化会影响粉尘的状态特征,尤其是形状特征。特别地,在本申请的技术方案中,随着除尘器功率的变化,粉尘的状态特征也会有明显的变化,所述粉尘监控视频中粉尘状态特征的变化特征与除尘器功率存在复杂的非线性关系。
为了捕捉和利用上述隐含关联,在本申请的技术方案中,使用基于深度学习的深度神经网络模型对所述粉尘监控视频进行处理以得到粉尘状态变化特征向量。具体地,考虑到所述粉尘监控视频的所有图像帧序列中存在诸多图像帧是高度相似的甚至是重复的,这会造成信息冗余,给特征提取带来干扰。因此,在进行特征提取前,在本申请的技术方案中,首先对所述粉尘监控视频进行采样处理,在一个具体的示例中,以预定采样频率对从所述预定时间段的粉尘监控视频提取多个粉尘监控关键帧。
接着,将多个粉尘监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个粉尘监控特征矩阵。也就是,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述多个粉尘监控关键帧中各个粉尘监控关键帧的高维局部图像隐含特征。考虑到随着所述卷积神经网络模型的卷积编码深度的增加,其所提取的图像特征会越来越抽象也越来越反应对象的本质,具体地,其浅层特征更多表现颗粒大小变化、纹理,其深层特征更多表现对象类型、对象特征等。考虑到在本申请的技术方案中,在菌类检测中,期待更加关注于粉尘的颗粒大小变化,因此,在本申请的技术方案中,对所述卷积神经网络模型的结构进行调整以将深浅特征融合机制整合入所述卷积神经网络模型的特征提取机制中。
接着,将所述多个粉尘监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到粉尘状态变化特征向量。也就是,在高维特征空间中,将所述多个粉尘监控特征矩阵沿着时间维度进行信息聚合以得到三维特征张量,并以使用三维卷积核的卷积神经网络模型作为特征提取器来捕捉粉尘状态变化特征。相较于常规的卷积神经网络模型,所述第二卷积神经网络模型使用三维卷积核进行三维卷积编码,其中,所述三维卷积核具有三维维度:宽度维度、高度维度和通道维度,所述宽度维度和所述高度维度对应于各个图像帧的局部空间,而所述通道维度对应于所述三维特征张量的时间维度,因此,在进行三维卷积编码的过程中,能够提取所述粉尘在空间维度上的状态特征在时间维度上的变化特征。
针对所述多个预定时间点的除尘器功率值,在本申请的技术方案中,将多个预定时间点的除尘器功率值按照时间维度排列为除尘器功率输入向量后通过多尺度领域特征提取模块以得到除尘器功率特征向量。也就是,首先将所述多个预定时间点的除尘器功率值进行向量化处理以得到除尘器功率输入向量,即,除尘器功率值的时序分布。接着,使用包含多个并行的一维卷积层的多尺度邻域特征提取模块对所述除尘器功率输入向量进行多尺度一维卷积编码,以捕捉不同时间跨度内不同数量的除尘器功率值之间的高维隐含特征,并将不同尺度的关联特征进行特征融合以得到所述除尘器功率特征向量。
在本申请的技术方案中,所述除尘器功率是导致粉尘法发生状态变化的因,也就是说,所述除尘器功率和所述粉尘的状态变化在逻辑层面存在相关关系,利用两者之间的逻辑关联得到包含除尘器功率特征和粉尘的状态变化特征的分类特征表示。具体地,计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计以得到分类特征矩阵。并在得到所述分类特征矩阵后,将所述分类特征矩阵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除尘器功率应增大或应减小。
这样,基于粉尘的状态来调整除尘器功率以使得除尘器功率达到最佳工作状态。
特别地,在本申请的技术方案中,在基于转移矩阵来计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计时,本质上是利用所述除尘器功率特征向量和所述粉尘状态变化特征向量之间的逐位置响应关联来表达所述粉尘状态变化特征向量相对于所述除尘器功率特征向量之间的响应性估计。进一步地,如果能够利用所述除尘器功率特征向量和所述粉尘状态变化特征向量在类概率空间的高维隐含关联,则能够更为精准地表达所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性表达。
具体地,在本申请的技术方案中,首先对所述除尘器功率特征向量和所述粉尘状态变化特征向量进行类概率联合相关以得到关联特征矩阵,其中,所述类概率联合相关的过程,包括:对所述除尘器功率特征向量和所述粉尘状态变化特征向量进行归一化以得到归一化后除尘器功率特征向量和归一化后粉尘状态变化特征向量;计算所述归一化后除尘器功率特征向量和所述归一化后粉尘状态变化特征向量的每两个元素之间的皮尔逊相关系数以得到多个皮尔逊相关系数;以及,将所述多个皮尔逊相关系数排列为所述关联特征矩阵。
在得到所述关联特征矩阵后,计算所述关联特征矩阵与所述分类特征矩阵之间的按位置点乘以得到优化分类特征矩阵,也就是,将所述除尘器功率特征向量和所述粉尘状态变化特征向量在类概率空间中的高维隐含关联映射到所述分类特征矩阵中以对所述分类特征矩阵的特征表达进行优化,通过这样的方式,提高所述分类特征矩阵通过所述分类器所得到的分类结果的精准度。
图1为根据本申请实施例的在线除尘器控制***的应用场景图。如图1所示,在该应用场景中,首先由摄像头(例如,如图1所示意的C)采集粉尘在所述预定时间段的粉尘监控视频,以及由功率计(例如,如图1所示意的Se)采集的预定时间段内多个预定时间点的除尘器功率值。进而,将所述预定时间段的粉尘监控视频、所述预定时间段内多个预定时间点的除尘器功率值输入至部署有用于在线除尘器控制算法的服务器(例如,如图1所示意的S)中,其中,所述服务器能够基于所述用于在线除尘器控制算法对所述预定时间段的粉尘监控视频、所述预定时间段内多个预定时间点的除尘器功率值进行处理,以得到用于表示当前时间点的除尘器功率应增大或应减小的分类结果。
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在线除尘器控制***的框图。如图2所示,根据本申请实施例的在线除尘器控制***100,包括:数据获取模块110,用于获取预定时间段的粉尘监控视频、所述预定时间段内多个预定时间点的除尘器功率值;采样模块120,用于从所述预定时间段的粉尘监控视频提取多个粉尘监控关键帧;深浅特征编码模块130,用于将所述多个粉尘监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个粉尘监控特征矩阵;三维卷积编码模块140,用于将所述多个粉尘监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到粉尘状态变化特征向量;多尺度编码模块150,用于将所述多个预定时间点的除尘器功率值按照时间维度排列为除尘器功率输入向量后通过多尺度邻域特征提取模块以得到除尘器功率特征向量;响应性估计模块160,用于计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计以得到分类特征矩阵;优化模块170,用于对所述分类特征矩阵进行优化得到优化分类特征矩阵;以及检测结果生成模块180,用于将所述优化分类特征矩阵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除尘器功率应增大或应减小。
图3为根据本申请实施例的在线除尘器控制***的***架构图。如图3所示,在该***架构中,首先,获取预定时间段的粉尘监控视频、所述预定时间段内多个预定时间点的除尘器功率值。然后,从所述预定时间段的粉尘监控视频提取多个粉尘监控关键帧。接着,将所述多个粉尘监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个粉尘监控特征矩阵。然后,将所述多个粉尘监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到粉尘状态变化特征向量。接着,将所述多个预定时间点的除尘器功率值按照时间维度排列为除尘器功率输入向量后通过多尺度邻域特征提取模块以得到除尘器功率特征向量。然后,计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计以得到分类特征矩阵。接着,对所述分类特征矩阵进行优化得到优化分类特征矩阵。最后,将所述优化分类特征矩阵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除尘器功率应增大或应减小。
在上述的在线除尘器控制***100中,数据获取模块110,用于获取预定时间段的粉尘监控视频、所述预定时间段内多个预定时间点的除尘器功率值。如上所述,普通除尘器***具有以下缺点:1)参数调节困难;3)控制精度有限。因此,期待一种优化的除尘器控制方案。
针对上述技术问题,在本申请的技术方案中,期待基于粉尘状态变化以及不同时间跨度内不同除尘器功率值来自适应地调整除尘器功率,通过这样的方式,无需人工控制除尘器的功率,且因考虑到了粉尘更多的数据维度和不受场景的局限,因此,本申请提供的除尘器控制***具有更强的适用性和智能性。
目前,深度学***。
深度学习以及神经网络为除尘器控制***的构建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的粉尘监控视频以及所述预定时间段内多个预定时间点的除尘器功率值。应可以理解,除尘器功率变化会影响粉尘的状态特征,尤其是形状特征。特别地,在本申请的技术方案中,随着除尘器功率的变化,粉尘的状态特征也会有明显的变化,所述粉尘监控视频中粉尘状态特征的变化特征与除尘器功率存在复杂的非线性关系。
在上述的在线除尘器控制***100中,采样模块120,用于从所述预定时间段的粉尘监控视频提取多个粉尘监控关键帧。为了捕捉和利用上述隐含关联,在本申请的技术方案中,使用基于深度学习的深度神经网络模型对所述粉尘监控视频进行处理以得到粉尘状态变化特征向量。具体地,考虑到所述粉尘监控视频的所有图像帧序列中存在诸多图像帧是高度相似的甚至是重复的,这会造成信息冗余,给特征提取带来干扰。因此,在进行特征提取前,在本申请的技术方案中,首先对所述粉尘监控视频进行采样处理,在一个具体的示例中,以预定采样频率对从所述预定时间段的粉尘监控视频提取多个粉尘监控关键帧。
在上述的在线除尘器控制***100中,深浅特征编码模块130,用于将所述多个粉尘监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个粉尘监控特征矩阵。将多个粉尘监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个粉尘监控特征矩阵。也就是,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述多个粉尘监控关键帧中各个粉尘监控关键帧的高维局部图像隐含特征。考虑到随着所述卷积神经网络模型的卷积编码深度的增加,其所提取的图像特征会越来越抽象也越来越反应对象的本质,具体地,其浅层特征更多表现颗粒大小变化、纹理,其深层特征更多表现对象类型、对象特征等。考虑到在本申请的技术方案中,在菌类检测中,期待更加关注于粉尘的颗粒大小变化,因此,在本申请的技术方案中,对所述卷积神经网络模型的结构进行调整以将深浅特征融合机制整合入所述卷积神经网络模型的特征提取机制中。
图4为根据本申请实施例的在线除尘器控制***中深浅特征编码模块的框图。如图4所示,所述深浅特征编码模块130,用于:浅层特征提取单元131,用于从所述第一卷积神经网络模型的第M层提取浅层特征图,其中,M大于等于1且小于等于6;深层特征提取单元132,用于从所述第一卷积神经网络模型的第N层提取深层特征图,其中,N/M大于等于5且小于等于10;融合单元133,用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图;以及降维单元134,用于对所述融合特征图进行沿通道维度的全局池化以得到所述粉尘监控特征矩阵。
在上述的在线除尘器控制***100中,三维卷积编码模块140,用于将所述多个粉尘监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到粉尘状态变化特征向量。将所述多个粉尘监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到粉尘状态变化特征向量。也就是,在高维特征空间中,将所述多个粉尘监控特征矩阵沿着时间维度进行信息聚合以得到三维特征张量,并以使用三维卷积核的卷积神经网络模型作为特征提取器来捕捉粉尘状态变化特征。相较于常规的卷积神经网络模型,所述第二卷积神经网络模型使用三维卷积核进行三维卷积编码,其中,所述三维卷积核具有三维维度:宽度维度、高度维度和通道维度,所述宽度维度和所述高度维度对应于各个图像帧的局部空间,而所述通道维度对应于所述三维特征张量的时间维度,因此,在进行三维卷积编码的过程中,能够提取所述粉尘在空间维度上的状态特征在时间维度上的变化特征。
具体地,在本申请实施例中,所述三维卷积编码模块140,包括:编码单元,用于使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到粉尘状态变化特征图;以及降维单元,用于对所述粉尘状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述粉尘状态变化特征向量。
具体地,在本申请实施例中,所述三维卷积编码模块140,用于:使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行:基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图;以及对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述粉尘状态变化特征图,所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
在上述的在线除尘器控制***100中,多尺度编码模块150,用于将所述多个预定时间点的除尘器功率值按照时间维度排列为除尘器功率输入向量后通过多尺度邻域特征提取模块以得到除尘器功率特征向量。针对所述多个预定时间点的除尘器功率值,在本申请的技术方案中,将多个预定时间点的除尘器功率值按照时间维度排列为除尘器功率输入向量后通过多尺度领域特征提取模块以得到除尘器功率特征向量。也就是,首先将所述多个预定时间点的除尘器功率值进行向量化处理以得到除尘器功率输入向量,即,除尘器功率值的时序分布。接着,使用包含多个并行的一维卷积层的多尺度邻域特征提取模块对所述除尘器功率输入向量进行多尺度一维卷积编码,以捕捉不同时间跨度内不同数量的除尘器功率值之间的高维隐含特征,并将不同尺度的关联特征进行特征融合以得到所述除尘器功率特征向量。
图4为根据本申请实施例的在线除尘器控制***中多尺度编码模块的框图。如图4所示,所述多尺度编码模块150,包括:第一尺度特征提取单元151,用于将所述除尘器功率输入向量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尺度除尘器功率特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取单元152,用于将所述除尘器功率输入向量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尺度除尘器功率特征向量,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;以及融合单元153,用于将所述第一尺度除尘器功率特征向量和所述第二尺度除尘器功率特征向量进行级联以得到所述除尘器功率特征向量。
具体地,在本申请实施例中,所述多尺度编码模块150,用于:使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述除尘器功率输入向量进行一维卷积编码以得到所述第一尺度除尘器功率特征向量;其中,所述第一卷积公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述除尘器功率输入向量,Cov(X)为对所述除尘器功率输入向量进行一维卷积编码;所述将所述除尘器功率输入向量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尺度除尘器功率特征向量,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第二卷积公式对所述除尘器功率输入向量进行一维卷积编码以得到所述第二尺度除尘器功率特征向量;其中,所述第二卷积公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述除尘器功率输入向量,Cov(X)为对X进行一维卷积编码。
在上述的在线除尘器控制***100中,响应性估计模块160,用于计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计以得到分类特征矩阵。在本申请的技术方案中,所述除尘器功率是导致粉尘法发生状态变化的因,也就是说,所述除尘器功率和所述粉尘的状态变化在逻辑层面存在相关关系,利用两者之间的逻辑关联得到包含除尘器功率特征和粉尘的状态变化特征的分类特征表示。具体地,计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计以得到分类特征矩阵。
具体地,在本申请实施例中,所述响应性估计模块160,用于:以如下响应性估计公式计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计以得到分类特征矩阵;其中,所述响应性估计公式为:
其中Va表示所述除尘状态变化特征向量,Vb表示所述除尘器功率特征向量,M表示所述分类特征矩阵,表示矩阵相乘。
在上述的在线除尘器控制***100中,优化模块170,用于对所述分类特征矩阵进行优化得到优化分类特征矩阵。在本申请的技术方案中,在基于转移矩阵来计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计时,本质上是利用所述除尘器功率特征向量和所述粉尘状态变化特征向量之间的逐位置响应关联来表达所述粉尘状态变化特征向量相对于所述除尘器功率特征向量之间的响应性估计。进一步地,如果能够利用所述除尘器功率特征向量和所述粉尘状态变化特征向量在类概率空间的高维隐含关联,则能够更为精准地表达所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性表达。
具体地,在本申请的技术方案中,首先对所述除尘器功率特征向量和所述粉尘状态变化特征向量进行类概率联合相关以得到关联特征矩阵,其中,所述类概率联合相关的过程,包括:对所述除尘器功率特征向量和所述粉尘状态变化特征向量进行归一化以得到归一化后除尘器功率特征向量和归一化后粉尘状态变化特征向量;计算所述归一化后除尘器功率特征向量和所述归一化后粉尘状态变化特征向量的每两个元素之间的皮尔逊相关系数以得到多个皮尔逊相关系数;以及,将所述多个皮尔逊相关系数排列为所述关联特征矩阵。
在得到所述关联特征矩阵后,计算所述关联特征矩阵与所述分类特征矩阵之间的按位置点乘以得到优化分类特征矩阵,也就是,将所述除尘器功率特征向量和所述粉尘状态变化特征向量在类概率空间中的高维隐含关联映射到所述分类特征矩阵中以对所述分类特征矩阵的特征表达进行优化,通过这样的方式,提高所述分类特征矩阵通过所述分类器所得到的分类结果的精准度
具体地,在本申请实施例中,所述优化模块,包括:关联单元,用于对所述除尘器功率特征向量和所述粉尘状态变化特征向量进行类概率联合相关以得到关联特征矩阵;优化单元:计算所述关联特征矩阵与所述分类特征矩阵之间的按位置点乘以得到优化分类特征矩阵。
具体地,在本申请实施例中,所述关联单元,用于:对所述除尘器功率特征向量和所述粉尘状态变化特征向量进行归一化以得到归一化后除尘器功率特征向量和归一化后粉尘状态变化特征向量;计算所述归一化后除尘器功率特征向量和所述归一化后粉尘状态变化特征向量的每两个元素之间的皮尔逊相关系数以得到多个皮尔逊相关系数;以及将所述多个皮尔逊相关系数排列为所述关联特征矩阵。
在上述的在线除尘器控制***100中,检测结果生成模块180,用于将所述优化分类特征矩阵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除尘器功率应增大或应减小。
具体地,在本申请实施例中,所述检测结果生成模块180,包括:将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量;使用所述分类器的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;以及将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
示例性方法
图5为根据本申请实施例的在线除尘器控制方法的流程图。如图5所示,根据本申请实施例的所述在线除尘器控制方法,包括步骤:S110,获取预定时间段的粉尘监控视频、所述预定时间段内多个预定时间点的除尘器功率值;S120,从所述预定时间段的粉尘监控视频提取多个粉尘监控关键帧;S130,将所述多个粉尘监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个粉尘监控特征矩阵;S140,将所述多个粉尘监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到粉尘状态变化特征向量;S150,将所述多个预定时间点的除尘器功率值按照时间维度排列为除尘器功率输入向量后通过多尺度邻域特征提取模块以得到除尘器功率特征向量;S160,计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计以得到分类特征矩阵;S170,对所述分类特征矩阵进行优化得到优化分类特征矩阵;以及S180,将所述优化分类特征矩阵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除尘器功率应增大或应减小。
这里,本领域技术人员可以理解,上述在线除尘器控制***的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5的在线除尘器控制***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在线除尘器控制***100可以实现在各种终端设备中,例如在线除尘器控制服务器等。在一个示例中,根据本申请实施例的在线除尘器控制***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,该在线除尘器控制***100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,该在线除尘器控制***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,该在线除尘器控制***100与该终端设备也可以是分立的设备,并且该在线除尘器控制***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。
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为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在线除尘器控制方法中的功能以及/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除尘器功率、粉尘状态变化等各种内容。
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,包括当前时间点的除尘器功率应增大或应减小等。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“示例性方法”部分中描述的根据本申请各种实施例的在线除尘器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“示例性方法”部分中描述的根据本申请各种实施例的在线除尘器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)
1.一种在线除尘器控制***,其特征在于,包括:
数据获取模块,用于获取预定时间段的粉尘监控视频、所述预定时间段内多个预定时间点的除尘器功率值;
采样模块,用于从所述预定时间段的粉尘监控视频提取多个粉尘监控关键帧;
深浅特征编码模块,用于将所述多个粉尘监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个粉尘监控特征矩阵;
三维卷积编码模块,用于将所述多个粉尘监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到粉尘状态变化特征向量;
多尺度编码模块,用于将所述多个预定时间点的除尘器功率值按照时间维度排列为除尘器功率输入向量后通过多尺度邻域特征提取模块以得到除尘器功率特征向量;
响应性估计模块,用于计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计以得到分类特征矩阵;
优化模块,用于对所述分类特征矩阵进行优化得到优化分类特征矩阵;以及
检测结果生成模块,用于将所述优化分类特征矩阵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除尘器功率应增大或应减小。
2.根据权利要求1所述的在线除尘器控制***,其特征在于,所述深浅特征编码模块,包括:
浅层特征提取单元,用于从所述第一卷积神经网络模型的第M层提取浅层特征图,其中,M大于等于1且小于等于6;
深层特征提取单元,用于从所述第一卷积神经网络模型的第N层提取深层特征图,其中,N/M大于等于5且小于等于10;
融合单元,用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图;以及
降维单元,用于对所述融合特征图进行沿通道维度的全局池化以得到所述粉尘监控特征矩阵。
3.根据权利要求2所述的在线除尘器控制***,其特征在于,所述三维卷积编码模块,包括:
编码单元,用于使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到粉尘状态变化特征图;以及
降维单元,用于对所述粉尘状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述粉尘状态变化特征向量。
4.根据权利要求3所述的在线除尘器控制***,其特征在于,所述三维卷积编码模块,用于:
使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行:
基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第二卷积神经网络模型的最后一层的输出为所述粉尘状态变化特征图,所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
5.根据权利要求4所述的在线除尘器控制***,其特征在于,所述多尺度编码模块,包括:
第一尺度特征提取单元,用于将所述除尘器功率输入向量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尺度除尘器功率特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度特征提取单元,用于将所述除尘器功率输入向量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尺度除尘器功率特征向量,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
融合单元,用于将所述第一尺度除尘器功率特征向量和所述第二尺度除尘器功率特征向量进行级联以得到所述除尘器功率特征向量。
6.根据权利要求5所述的在线除尘器控制***,其特征在于,所述多尺度编码模块,用于:使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述除尘器功率输入向量进行一维卷积编码以得到所述第一尺度除尘器功率特征向量;
其中,所述第一卷积公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述除尘器功率输入向量,Cov(X)为对所述除尘器功率输入向量进行一维卷积编码;
将所述除尘器功率输入向量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尺度除尘器功率特征向量,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第二卷积公式对所述除尘器功率输入向量进行一维卷积编码以得到所述第二尺度除尘器功率特征向量;
其中,所述第二卷积公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述除尘器功率输入向量,Cov(X)为对所述除尘器功率输入向量进行一维卷积编码。
7.根据权利要去6所述的在线除尘器控制***,其特征在于,所述响应性估计模块,用于:
以如下响应性估计公式计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计以得到分类特征矩阵;
其中,所述响应性估计公式为:
其中Va表示所述粉尘状态变化特征向量,Vb表示所述除尘器功率特征向量,M表示所述分类特征矩阵,表示矩阵相乘。
8.根据权利要求7所述的在线除尘器控制***,其特征在于,所述优化模块,包括:
关联单元,用于对所述除尘器功率特征向量和所述粉尘状态变化特征向量进行类概率联合相关以得到关联特征矩阵;
优化单元:计算所述关联特征矩阵与所述分类特征矩阵之间的按位置点乘以得到优化分类特征矩阵。
9.根据权利要求8所述的在线除尘器控制***,其特征在于,所述关联单元,用于:
对所述除尘器功率特征向量和所述粉尘状态变化特征向量进行归一化以得到归一化后除尘器功率特征向量和归一化后粉尘状态变化特征向量;
计算所述归一化后除尘器功率特征向量和所述归一化后粉尘状态变化特征向量的每两个元素之间的皮尔逊相关系数以得到多个皮尔逊相关系数;以及
将所述多个皮尔逊相关系数排列为所述关联特征矩阵。
10.一种在线除尘器控制方法,包括:
获取预定时间段的粉尘监控视频、所述预定时间段内多个预定时间点的除尘器功率值;
从所述预定时间段的粉尘监控视频提取多个粉尘监控关键帧;
将所述多个粉尘监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个粉尘监控特征矩阵;
将所述多个粉尘监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到粉尘状态变化特征向量;
将所述多个预定时间点的除尘器功率值按照时间维度排列为除尘器功率输入向量后通过多尺度邻域特征提取模块以得到除尘器功率特征向量;
计算所述粉尘状态变化特征向量相对于所述除尘器功率特征向量的响应性估计以得到分类特征矩阵;
对所述分类特征矩阵进行优化得到优化分类特征矩阵;以及
将所述优化分类特征矩阵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除尘器功率应增大或应减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310789487.5A CN116844088A (zh) | 2023-06-29 | 2023-06-29 | 在线除尘器控制***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310789487.5A CN116844088A (zh) | 2023-06-29 | 2023-06-29 | 在线除尘器控制***及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116844088A true CN116844088A (zh) | 2023-10-03 |
Family
ID=88162848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310789487.5A Pending CN116844088A (zh) | 2023-06-29 | 2023-06-29 | 在线除尘器控制***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116844088A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117447068A (zh) * | 2023-10-26 | 2024-01-26 | 浙江欧诗漫晶体纤维有限公司 | 多晶莫来石纤维生产线及方法 |
CN117848713A (zh) * | 2024-01-05 | 2024-04-09 | 湖州槐坎南方水泥有限公司 | 布袋除尘器脉冲阀运行状态监测***及方法 |
-
2023
- 2023-06-29 CN CN202310789487.5A patent/CN116844088A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117447068A (zh) * | 2023-10-26 | 2024-01-26 | 浙江欧诗漫晶体纤维有限公司 | 多晶莫来石纤维生产线及方法 |
CN117848713A (zh) * | 2024-01-05 | 2024-04-09 | 湖州槐坎南方水泥有限公司 | 布袋除尘器脉冲阀运行状态监测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116844088A (zh) | 在线除尘器控制***及其方法 | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理*** | |
CN110929622A (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
CN115783923B (zh) | 基于大数据的电梯故障模式识别*** | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及*** | |
CN116832588B (zh) | 酸再生烟气净化装置及其方法 | |
CN115827257B (zh) | 用于处理器体系的cpu容量预测方法及其*** | |
CN116627040B (zh) | 烘干器控制***及其方法 | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN117058622A (zh) | 污水处理设备的智能监测***及其方法 | |
CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其*** | |
CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其*** | |
CN116872089A (zh) | 数控磨床的磨削自适应控制***及其方法 | |
CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断***及其方法 | |
CN115984745A (zh) | 用于黑蒜发酵的水分控制方法 | |
CN115205788A (zh) | 食材质量监控*** | |
CN116579618A (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
CN116821745B (zh) | 智能线切割慢走丝设备的控制方法及其*** | |
CN117421655A (zh) | 工业互联网数据流异常检测方法及*** | |
CN116247824B (zh) | 电力设备的控制方法及其*** | |
CN117225091A (zh) | 布袋除尘器的运行状态监测***及方法 | |
CN117085431A (zh) | 布袋除尘器的控制***及方法 | |
CN112465805A (zh) | 用于钢筋冲压折弯的质量检测的神经网络的训练方法 | |
CN116486345A (zh) | 物业服务平台管理***及其方法 | |
CN116483132A (zh) | 基于驱动电机电流控制协同的煤流量控制***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 |