CN117873001A - 纺粘无纺布生产线的智能控制*** - Google Patents
纺粘无纺布生产线的智能控制*** Download PDFInfo
- Publication number
- CN117873001A CN117873001A CN202410129292.2A CN202410129292A CN117873001A CN 117873001 A CN117873001 A CN 117873001A CN 202410129292 A CN202410129292 A CN 202410129292A CN 117873001 A CN117873001 A CN 117873001A
- Authority
- CN
- China
- Prior art keywords
- woven fabric
- spun
- bonded non
- characteristic
- controlled
- 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
- 239000004745 nonwoven fabric Substances 0.000 title claims abstract description 390
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 72
- 238000010438 heat treatment Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 46
- 238000013007 heat curing Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims description 110
- 238000000605 extraction Methods 0.000 claims description 77
- 230000008859 change Effects 0.000 claims description 47
- 238000012544 monitoring process Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 13
- 230000001965 increasing effect Effects 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 238000007711 solidification Methods 0.000 claims description 6
- 230000008023 solidification Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Nonwoven Fabrics (AREA)
Abstract
本申请涉及纺粘无纺布生产的智能化控制领域，其具体地公开了一种纺粘无纺布生产线的智能控制***及方法，其将采集到的热处理和固化过程中待控制纺粘无纺布的多个预定时间点的温度值、待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及待控制纺粘无纺布的监控视频作为输入向量，然后通过深度学习中的卷积神经网络模型分别对这些输入数据进行特征提取和分析以得到用于表示待控制纺粘无纺布的温度值应增大或减小的分类结果。这样，根据分类结果，能够对纺粘无纺布在热处理和固化过程中的温度进行控制，以提高热处理和固化过程的控制精度和稳定性，提高产品的质量和性能。
Description
技术领域
本申请涉及纺粘无纺布生产的智能化控制领域，且更为具体地，涉及一种纺粘无纺布生产线的智能控制***及方法。
背景技术
纺粘无纺布是一种由纤维通过纺粘工艺制成的无纺布，具有柔软、透气、吸湿性好等特点，广泛应用于医疗、卫生、家居、汽车等领域。纺粘无纺布在生产加工形成后，需要进行热处理和固化，以使纤维之间相互结合，增强布的强度和稳定性。这通常是通过传送带将纺粘无纺布送入烘箱或热辊等设备中，进行热处理和固化。
然而，热处理和固化过程中，温度控制不准确或时间不足容易造成热固化不充分。这可能会导致纺粘无纺布表面出现不均匀的纹理、气泡或缺陷，影响产品的强度和稳定性。
因此，期待一种纺粘无纺布生产线的智能控制***及方法，对纺粘无纺布在热处理和固化过程中的温度进行控制，以提高热处理和固化过程的控制精度和稳定性，确保纺粘无纺布的热固化效果达到要求，提高产品的质量和性能。
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纺粘无纺布生产线的智能控制***及方法，其将采集到的热处理和固化过程中待控制纺粘无纺布的多个预定时间点的温度值、待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及待控制纺粘无纺布的监控视频作为输入向量，然后通过深度学习中的卷积神经网络模型分别对这些输入数据进行特征提取和分析以得到用于表示待控制纺粘无纺布的温度值应增大或减小的分类结果。这样，根据分类结果，能够对纺粘无纺布在热处理和固化过程中的温度进行控制，以提高热处理和固化过程的控制精度和稳定性，提高产品的质量和性能。
根据本申请的第一方面，提供了一种纺粘无纺布生产线的智能控制***，其包括：
纺粘无纺布数据采集模块，用于采集热处理和固化过程中待控制纺粘无纺布的多个预定时间点的温度值、待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及待控制纺粘无纺布的监控视频；
纺粘无纺布特征提取模块，用于分别对所述待控制纺粘无纺布的多个预定时间点的温度值、所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及所述待控制纺粘无纺布的监控视频进行特征提取以得到纺粘无纺布温度变化特征向量以及纺粘无纺布表面特征向量；
纺粘无纺布分类结果生成模块，用于基于所述纺粘无纺布温度变化特征向量以及所述纺粘无纺布表面特征向量，以得到分类结果。
结合本申请的第一方面，在本申请的第一方面的一种纺粘无纺布生产线的智能控制***中，所述纺粘无纺布特征提取模块，包括：纺粘无纺布温度变化特征获取单元，用于分别对所述待控制纺粘无纺布的多个预定时间点的温度值、所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速以及所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速进行特征提取以得到所述纺粘无纺布温度变化特征向量；纺粘无纺布表面特征获取单元，用于对所述待控制纺粘无纺布的监控视频进行特征提取以得到所述纺粘无纺布表面特征向量。
根据本申请的第二方面，提供了一种纺粘无纺布生产线的智能控制方法，其包括：
采集热处理和固化过程中待控制纺粘无纺布的多个预定时间点的温度值、待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及待控制纺粘无纺布的监控视频；
分别对所述待控制纺粘无纺布的多个预定时间点的温度值、所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及所述待控制纺粘无纺布的监控视频进行特征提取以得到纺粘无纺布温度变化特征向量以及纺粘无纺布表面特征向量；
基于所述纺粘无纺布温度变化特征向量以及所述纺粘无纺布表面特征向量，以得到分类结果。
结合本申请的第二方面，在本申请的第二方面的一种纺粘无纺布生产线的智能控制方法中，基于所述纺粘无纺布温度变化特征向量以及所述纺粘无纺布表面特征向量，以得到分类结果，包括：纺粘无纺布特征融合单元，用于将所述纺粘无纺布温度变化特征向量和所述纺粘无纺布表面特征向量的转置进行相乘以得到纺粘无纺布特征矩阵；纺粘无纺布融合特征获取单元，用于将所述纺粘无纺布特征矩阵通过基于卷积神经网络模型的纺粘无纺布特征提取模块以得到纺粘无纺布分类特征图；纺粘无纺布特征优化单元，用于对所述纺粘无纺布分类特征图进行流形超凸一致性衍生表示优化以得到优化纺粘无纺布分类特征图；纺粘无纺布特征分类单元，用于将所述优化纺粘无纺布分类特征图通过分类器以得到分类结果。其中，所述分类结果用于表示待控制纺粘无纺布的温度值应增大或减小。
与现有技术相比，本申请提供的一种纺粘无纺布生产线的智能控制***及方法，其将采集到的热处理和固化过程中待控制纺粘无纺布的多个预定时间点的温度值、待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及待控制纺粘无纺布的监控视频作为输入向量，然后通过深度学习中的卷积神经网络模型分别对这些输入数据进行特征提取和分析以得到用于表示待控制纺粘无纺布的温度值应增大或减小的分类结果。这样，根据分类结果，能够对纺粘无纺布在热处理和固化过程中的温度进行控制，以提高热处理和固化过程的控制精度和稳定性，提高产品的质量和性能。
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图示了根据本申请实施例的纺粘无纺布生产线的智能控制***的示意性框图。
图2图示了根据本申请实施例的纺粘无纺布生产线的智能控制***中纺粘无纺布特征提取模块的示意性框图。
图3图示了根据本申请实施例的纺粘无纺布生产线的智能控制***中纺粘无纺布特征提取模块中纺粘无纺布温度变化特征获取单元的示意性框图。
图4图示了根据本申请实施例的纺粘无纺布生产线的智能控制***中纺粘无纺布特征提取模块中纺粘无纺布温度变化特征获取单元中风速转速特征提取子单元的示意性框图。
图5图示了根据本申请实施例的纺粘无纺布生产线的智能控制***中纺粘无纺布特征提取模块中纺粘无纺布表面特征获取单元的示意性框图。
图6图示了根据本申请实施例的纺粘无纺布生产线的智能控制***中纺粘无纺布分类结果生成模块的示意性框图。
图7图示了根据本申请实施例的纺粘无纺布生产线的智能控制***中纺粘无纺布分类结果生成模块中纺粘无纺布特征优化单元的示意性框图。
图8图示了根据本申请实施例的纺粘无纺布生产线的智能控制方法的流程图。
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。
示例性***
图1图示了根据本申请实施例的纺粘无纺布生产线的智能控制***的示意性框图。如图1所示，根据本申请实施例的纺粘无纺布生产线的智能控制***100，包括：纺粘无纺布数据采集模块110，用于采集热处理和固化过程中待控制纺粘无纺布的多个预定时间点的温度值、待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及待控制纺粘无纺布的监控视频；纺粘无纺布特征提取模块120，用于分别对所述待控制纺粘无纺布的多个预定时间点的温度值、所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及所述待控制纺粘无纺布的监控视频进行特征提取以得到纺粘无纺布温度变化特征向量以及纺粘无纺布表面特征向量；纺粘无纺布分类结果生成模块130，用于基于所述纺粘无纺布温度变化特征向量以及所述纺粘无纺布表面特征向量，以得到分类结果。
纺粘无纺布是一种常见的无纺布类型，它是通过纺粘工艺制造而成的。纺粘无纺布具有许多优点，例如高强度、透气性好、柔软舒适、吸湿性强等特性，因此在各个领域都有广泛的应用。纺粘无纺布的生产过程通常包括原料预处理、纺粘成网、热处理和固化、冷却、卷取等。这些步骤可以根据具体的生产设备和工艺进行调整和优化，以满足不同的产品要求和应用领域的需求。
然而，如上述背景技术所述，纺粘无纺布的热处理和固化过程中，温度控制不准确或时间不足容易造成热固化不充分。这可能会导致纺粘无纺布表面出现不均匀的纹理、气泡或缺陷，影响产品的强度和稳定性。因此，期待一种纺粘无纺布生产线的智能控制***及方法，对纺粘无纺布在热处理和固化过程中的温度进行控制，以提高热处理和固化过程的控制精度和稳定性，确保纺粘无纺布的热固化效果达到要求，提高产品的质量和性能。
深度学***，改善产品质量和性能，并为生产线的优化和改进提供有力支持。因此，在本申请的具体实施例中，通过深度学习技术对输入数据进行特征提取和分析。
在本申请实施例中，所述纺粘无纺布数据采集模块110，用于采集热处理和固化过程中待控制纺粘无纺布的多个预定时间点的温度值、待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及待控制纺粘无纺布的监控视频。应可以理解，热处理和固化过程中的温度是关键参数，直接影响纺粘无纺布的热固化效果和产品质量。通过采集待控制纺粘无纺布的多个预定时间点的温度值，可以实时监测温度的变化情况，并与设定的目标温度进行比较，以实现精确的温度控制。另外，考虑到热风箱的风速、热辊的转速可以影响热处理过程中的温度分布和传热效果，因此，还要对热风箱的风速、热辊的转速这两个运行参数进行采集。进一步地，在热处理和固化过程中纺粘无纺布的表面变化特征可以通过监控视频捕捉到，包括温度分布、纺粘无纺布的形态和颜色等。监控视频可以提供直观的信息，帮助判断热处理过程中是否存在异常情况或不良现象，及时调整和修正控制策略。因此，还需要采集待控制纺粘无纺布的监控视频。
具体地，采集热处理和固化过程中待控制纺粘无纺布的多个预定时间点的温度值、待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速以及待控制纺粘无纺布生产线中热辊的多个预定时间点的转速时，可以使用温度传感器、风速传感器、转速传感器、红外线测温仪或风速测量仪等设备，传感器可以直接安装在纺粘无纺布生产线上，或者通过无线传输技术将数据传输到控制***。另外，采集待控制纺粘无纺布的监控视频时，可以使用摄像头或监控摄像设备等设备，在待控制纺粘无纺布的生产线上进行实时视频的采集。摄像头可以安装在关键位置，以捕捉纺粘无纺布的生产过程。视频数据可以通过网络传输或存储在本地，供控制***进行分析和处理。
在本申请实施例中，所述纺粘无纺布特征提取模块120，用于分别对所述待控制纺粘无纺布的多个预定时间点的温度值、所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及所述待控制纺粘无纺布的监控视频进行特征提取以得到纺粘无纺布温度变化特征向量以及纺粘无纺布表面特征向量。应可以理解，采集到这些输入数据之后，进一步对这些输入数据进行特征提取和分析任务。
具体地，图2图示了根据本申请实施例的纺粘无纺布生产线的智能控制***中纺粘无纺布特征提取模块的示意性框图。如图2所示，所述纺粘无纺布特征提取模块120，包括：纺粘无纺布温度变化特征获取单元121，用于分别对所述待控制纺粘无纺布的多个预定时间点的温度值、所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速以及所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速进行特征提取以得到所述纺粘无纺布温度变化特征向量；纺粘无纺布表面特征获取单元122，用于对所述待控制纺粘无纺布的监控视频进行特征提取以得到所述纺粘无纺布表面特征向量。
首先对所述待控制纺粘无纺布的多个预定时间点的温度值、所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速以及所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速进行特征提取和分析。具体地，图3图示了根据本申请实施例的纺粘无纺布生产线的智能控制***中纺粘无纺布特征提取模块中纺粘无纺布温度变化特征获取单元的示意性框图。如图3所示，所述纺粘无纺布温度变化特征获取单元121，包括：纺粘无纺布温度特征提取子单元121-1，用于将所述待控制纺粘无纺布的多个预定时间点的温度值通过基于时序编码器的温度特征提取模块以得到纺粘无纺布温度特征向量；风速转速特征提取子单元121-2，用于分别对所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速以及所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速进行深度卷积编码以得到风速-转速特征矩阵；纺粘无纺布参数特征融合子单元121-3，用于将所述纺粘无纺布温度特征向量和所述风速-转速特征矩阵进行特征融合以得到所述纺粘无纺布温度变化特征向量。
应可以理解，纺粘无纺布温度随时间发生变化，也就是，纺粘无纺布的温度具有时序特征。时序编码器是一种深度学习模型，通常基于循环神经网络(RNN)或长短期记忆网络(LSTM)等结构。这些模型能够捕捉温度值序列中的时序关系和演变趋势，将其编码为具有语义信息的特征向量。因此，使用基于时序编码器的温度特征提取模块对所述待控制纺粘无纺布的多个预定时间点的温度值进行时序特征的提取和分析。
在本申请的一个具体实施例中，所述纺粘无纺布温度特征提取子单元121-1，用于：将所述待控制纺粘无纺布的多个预定时间点的温度值排列为输入向量；使用所述时序编码器的全连接层所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征；以及使用所述时序编码器的一维卷积层对所述输入向量进行一维卷积编码以提取出所述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。
接着，应可以理解，热处理和固化过程中的风速和转速往往具有动态变化的特点，不同时间尺度下的特征变化可以反映出不同的动态模式。通过捕捉多个预定时间点的特征，可以更全面地考虑动态变化的特性。也就是，捕捉待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速和热辊的多个预定时间点的转速的多尺度特征，可以综合考虑不同时间尺度下的特征变化，提高控制精度和稳定性。这样的特征捕捉方法可以提供更全面的时序信息，增强***的鲁棒性和可靠性，支持多层次的决策和控制策略的制定。因此，进一步获取待控制纺粘无纺布生产线中热风箱的风速以及热辊的转速在不同时间尺度下的特征变化。
具体地，图4图示了根据本申请实施例的纺粘无纺布生产线的智能控制***中纺粘无纺布特征提取模块中纺粘无纺布温度变化特征获取单元中风速转速特征提取子单元的示意性框图。如图4所示，所述风速转速特征提取子单元121-2，包括：风速特征提取二级子单元121-21，用于将所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速按时间维度排列为一维风速输入向量后通过多尺度风度特征提取模块以得到多尺度风速特征向量；转速特征提取二级子单元121-22，用于将所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速按时间维度排列为一维转速输入向量后通过多尺度转速特征提取模块以得到多尺度转速特征向量；风速转速特征融合二级子单元121-23，用于将所述多尺度风速特征向量和所述多尺度转速特征向量的转置进行相乘以得到所述风速-转速特征矩阵。
特别地，所述风速特征提取二级子单元121-21，用于：将所述一维风速输入向量输入所述多尺度风度特征提取模块的第一卷积层以得到第一尺度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述一维风速输入向量输入所述多尺度风度特征提取模块的第二卷积层以得到第二尺度特征向量，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；以及使用所述多尺度风度特征提取模块的级联层对所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述多尺度风速特征向量。
更特别地，所述风速转速特征融合二级子单元121-23，用于：以如下公式对所述多尺度风速特征向量和所述多尺度转速特征向量进行联合编码以生成所述风速-转速特征矩阵；其中，所述公式为：其中/>表示向量相乘，Ma表示所述风速-转速特征矩阵，Va1表示所述多尺度风速特征向量，Va2表示所述多尺度转速特征向量，/>表示所述多尺度转速特征向量的转置。
进一步地，应可以理解，纺粘无纺布的温度、热风箱的风速以及热辊的转速在热处理和固化过程中相互关联。风速和转速是热传导过程中的重要因素。风速可以改变纺粘无纺布表面的对流传热，而转速可以影响纺粘无纺布与热辊之间的传热效果。因此，风速-转速特征矩阵中的数值可以反映出纺粘无纺布在热处理和固化过程中的热传导效果，进而影响纺粘无纺布的温度变化。因此，为了更准确地捕捉纺粘无纺布的温度的变化特征，进一步将所述纺粘无纺布温度特征向量和所述风速-转速特征矩阵进行特征融合以得到所述纺粘无纺布温度变化特征向量。
接着对所述待控制纺粘无纺布的监控视频进行特征提取和分析。具体地，图5图示了根据本申请实施例的纺粘无纺布生产线的智能控制***中纺粘无纺布特征提取模块中纺粘无纺布表面特征获取单元的示意性框图。如图5所示，所述纺粘无纺布表面特征获取单元122，包括：视频降噪子单元122-1，用于将所述待控制纺粘无纺布的监控视频通过基于自编码器的视频降噪模块以得到降噪后监控视频；关键帧获取子单元122-2，用于从所述降噪后监控视频中获取多个视频关键帧；纺粘无纺布表面特征提取子单元122-3，用于将所述多个视频关键帧按时间维度排列为三维视频输入张量后通过基于三维卷积神经网络模型的纺粘无纺布表面特征提取模块以得到所述纺粘无纺布表面特征向量。
应可以理解，监控视频通常会受到噪声、模糊和其他图像质量问题的影响，这可能导致对纺粘无纺布温度变化的观察和分析产生误差。因此，首先通过基于自编码器的视频降噪模块对监控视频进行降噪处理。这样，可以有效减少视频中的噪声和图像模糊，提高图像质量，使得纺粘无纺布的温度变化更加清晰可见。
在本申请的一个具体实施例中，所述视频降噪子单元122-1，用于：使用所述视频降噪模块的特征编码器从所述待控制纺粘无纺布的监控视频提取视频特征；以及使用所述视频降噪模块的特征解码器对所述视频特征进行解码以得到所述降噪后监控视频。
接着，应可以理解，纺粘无纺布在热处理和固化过程中温度的变化可能非常快，而仅仅依靠少数几个关键帧可能无法准确捕捉到温度的细微变化。通过增加关键帧的数量，可以提高对温度变化的采样频率，从而更准确地掌握纺粘无纺布的温度变化情况。因此，从所述降噪后监控视频中获取多个视频关键帧。
在本申请的一个具体实施例中，所述关键帧获取子单元122-2，具体的关键帧获取步骤为：1、视频采集：通过监控摄像头或其他视频采集设备，获取纺粘无纺布在热处理和固化过程中的监控视频。2、视频降噪：将采集到的监控视频输入基于自编码器的视频降噪模块，对视频进行降噪处理，去除噪声和图像模糊，提高视频质量。3、关键帧提取：从降噪后的监控视频中提取多个关键帧。关键帧是视频中具有代表性和重要性的帧，可以反映纺粘无纺布温度的变化。关键帧提取可以基于时间间隔、温度变化或其他特定的算法和规则进行。4、帧间差分：对提取的关键帧进行帧间差分处理，计算相邻关键帧之间的温度变化。帧间差分可以通过比较像素值的差异来确定温度的变化情况。5、温度分析和控制：通过对关键帧和帧间差分的分析，得到纺粘无纺布在热处理和固化过程中的温度信息。这些信息可以用于实时监测和控制***，确保温度控制精度和稳定性，以达到热固化效果的要求。
需要注意的是，关键帧的提取方法可以根据具体的应用需求和***设计进行调整和优化。可以根据实际情况选择适合的关键帧提取算法和参数设置，以获得最佳的温度分析和控制效果。
再接着，应可以理解，纺粘无纺布表面特征随时间变化。基于此，为了更好地捕捉纺粘无纺布随时间变化的趋势和模式，通过将多个视频关键帧按时间维度排列为三维视频输入张量。这样，可以保留纺粘无纺布在热处理和固化过程中的时序信息。然后通过基于三维卷积神经网络模型的纺粘无纺布表面特征提取模块对三维视频输入张量进行特征提取。这样，***可以获得纺粘无纺布在热处理和固化过程中的重要特征信息。这些特征可以用于温度分析、异常检测、质量评估等任务，进一步提高热处理和固化过程的控制精度和稳定性，确保纺粘无纺布的热固化效果达到要求，提高产品的质量和性能。
在本申请的一个具体实施例中，所述纺粘无纺布表面特征提取子单元122-3，用于：使用所述三维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：使用所述三维卷积神经网络模型的各层的卷积单元对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；使用所述三维卷积神经网络模型的各层的池化单元对所述卷积特征图进行基于全局特征矩阵的池化处理以得到池化特征图；以及使用所述三维卷积神经网络模型的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述三维卷积神经网络模型的最后一层的输出为所述纺粘无纺布表面特征向量。
在本申请实施例中，所述纺粘无纺布分类结果生成模块130，用于基于所述纺粘无纺布温度变化特征向量以及所述纺粘无纺布表面特征向量，以得到分类结果。
具体地，图6图示了根据本申请实施例的纺粘无纺布生产线的智能控制***中纺粘无纺布分类结果生成模块的示意性框图。如图6所示，所述纺粘无纺布分类结果生成模块130，包括：纺粘无纺布特征融合单元131，用于将所述纺粘无纺布温度变化特征向量和所述纺粘无纺布表面特征向量的转置进行相乘以得到纺粘无纺布特征矩阵；纺粘无纺布融合特征获取单元132，用于将所述纺粘无纺布特征矩阵通过基于卷积神经网络模型的纺粘无纺布特征提取模块以得到纺粘无纺布分类特征图；纺粘无纺布特征优化单元133，用于对所述纺粘无纺布分类特征图进行流形超凸一致性衍生表示优化以得到优化纺粘无纺布分类特征图；纺粘无纺布特征分类单元134，用于将所述优化纺粘无纺布分类特征图通过分类器以得到分类结果。其中，所述分类结果用于表示待控制纺粘无纺布的温度值应增大或减小。
应可以理解，纺粘无纺布的温度变化特征和表面特征之间可能存在一定的关联性，例如，在热处理过程中，温度较高的区域可能导致纺粘无纺布表面出现热点或烧结现象。因此，温度分布的变化可能会反映在纺粘无纺布的表面特征上。相乘操作可以捕捉到这种关联性，将温度变化特征和表面特征进行耦合，使得特征矩阵中的每个元素都能反映纺粘无纺布的综合特征。因此，为了捕捉纺粘无纺布的温度变化特征和表面特征之间的关联特征，将所述纺粘无纺布温度变化特征向量和所述纺粘无纺布表面特征向量进行联合编码。
在本申请的一个具体实施例中，所述纺粘无纺布特征融合单元131，用于：以如下公式对所述纺粘无纺布温度变化特征向量和所述纺粘无纺布表面特征向量进行联合编码以生成所述纺粘无纺布特征矩阵；其中，所述公式为：
其中表示向量相乘，Mb表示所述纺粘无纺布特征矩阵，Vb1表示所述纺粘无纺布温度变化特征向量，Vb2表示所述纺粘无纺布表面特征向量，/>表示所述纺粘无纺布表面特征向量的转置。
接着，考虑到纺粘无纺布的特征矩阵可能包含了大量的信息，其中既有与热处理和固化过程相关的特征，也有与其他因素无关的噪声和冗余特征。通过卷积神经网络模型，可以从特征矩阵中提取出与纺粘无纺布的分类和质量有关的有效特征。这些特征可以帮助***更好地理解纺粘无纺布的特性和状态。因此，为了更准确地获取纺粘无纺布的有效特征，进一步通过基于卷积神经网络模型的特征提取模块对所述纺粘无纺布特征矩阵进行深度卷积编码。
在本申请的一个具体实施例中，所述纺粘无纺布融合特征获取单元132，具体的特征获取步骤为：1、数据采集：***首先需要采集纺粘无纺布在热处理和固化过程中的温度数据。这可以通过传感器等设备实时监测纺粘无纺布的温度，并将采集到的数据记录下来。2、特征矩阵构建：基于采集到的温度数据，构建纺粘无纺布的特征矩阵。特征矩阵可以是一个二维矩阵，其中每个元素表示纺粘无纺布在不同位置和时间点的温度值。3、数据预处理：对特征矩阵进行预处理，以便于后续的特征提取。预处理步骤可能包括数据归一化、降噪处理、数据平滑等，以消除噪声和提高数据质量。4、特征提取：使用基于卷积神经网络模型的纺粘无纺布特征提取模块，对预处理后的特征矩阵进行特征提取。卷积神经网络模型可以学习到纺粘无纺布的局部和全局特征，从而将特征矩阵转化为纺粘无纺布分类特征图。5、分类特征图生成：通过卷积神经网络模型得到的特征图，可以将纺粘无纺布的分类特征可视化展示出来。这样的分类特征图可以用于直观地观察纺粘无纺布的特征分布和分类情况。
通过以上步骤，***可以将纺粘无纺布的特征矩阵转化为纺粘无纺布分类特征图，进而实现对纺粘无纺布在热处理和固化过程中温度的控制，并提高热处理和固化过程的控制精度和稳定性，确保纺粘无纺布的热固化效果达到要求，提高产品的质量和性能。
特别地，在本申请技术方案中，考虑到在采集纺粘无纺布的温度值、热风箱风速、热辊转速以及监控视频时，可能会存在各种噪声源，例如传感器噪声、环境干扰等。这些噪声源会引入数据中的噪点和伪特征，从而导致提取的特征图中存在噪声。同时，纺粘无纺布的制造过程中，不同的生产线、不同的时间点以及不同的工艺参数可能会导致纺粘无纺布的特性存在差异。例如，温度、风速和转速的变化可能会导致纺粘无纺布的表面特征和温度变化特征在特征空间中呈现多样性，从而使得特征图的类边界不明确或模糊。数据采集过程中可能存在限制条件，例如传感器采样频率、数据采集时间间隔等。这些限制条件可能导致采集到的数据中存在一些噪声或缺失的信息，从而影响所提取的特征图的质量。由于上述因素的存在，所述纺粘无纺布分类特征图在高维特征空间中的数据流形可能会受到离群值和噪声的干扰。这些离群值和噪声可能导致特征空间中的类边界不清晰或模糊，从而降低纺粘无纺布分类特征图的类边界的鲁棒性。为了提高特征图的鲁棒性，对所述纺粘无纺布分类特征图进行流形超凸一致性衍生表示优化以减少离群值和噪声的影响，从而提高纺粘无纺布分类特征图的质量和准确性。
具体地，图7图示了根据本申请实施例的纺粘无纺布生产线的智能控制***中纺粘无纺布分类结果生成模块中纺粘无纺布特征优化单元的示意性框图。如图7所示，所述纺粘无纺布特征优化单元133，包括：流形优化权重计算子单元133-1，用于计算所述纺粘无纺布分类特征图的流形优化权重特征向量；特征加权子单元133-2，用于以所述流形优化权重特征向量中各个位置的特征值作为权重值，对所述纺粘无纺布分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化纺粘无纺布分类特征图。
特别地，所述流形优化权重计算子单元133-1，用于：以如下公式计算所述纺粘无纺布分类特征图的流形优化权重特征向量，其中，所述公式为：
其中，表示所述纺粘无纺布分类特征图的(i,j,k)位置的特征值，/>表示所述纺粘无纺布分类特征图的全局均值，W和H表示所述纺粘无纺布分类特征图的宽度和高度，log表示以2为底的对数函数值，Wc表示所述流形优化权重特征向量。
也就是，考虑到所述纺粘无纺布分类特征图在高维特征空间中的数据流形存在离群值和噪声，这会降低所述纺粘无纺布分类特征图的类边界的鲁棒性。针对此技术问题，在本申请的技术方案中，对所述纺粘无纺布分类特征图进行流形超凸一致性衍生表示优化以得到优化纺粘无纺布分类特征图。具体地，对所述纺粘无纺布分类特征图进行流形超凸一致性衍生表示优化的过程，包括首先计算所述纺粘无纺布分类特征图的流形优化权重特征向量，然后以所述流形优化权重特征向量中各个位置的特征值作为权重值，对所述纺粘无纺布分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化纺粘无纺布分类特征图。流形超凸一致性衍生表示优化是一种利用流形结构的特征提取方法，它可以有效地抑制特征图中的噪声和离群值，增强特征图的类别判别能力，其通过构建一个超凸的流形优化想向量，即所述流形优化权重特征向量，使得特征图中的每个元素都能够在其子维度上保持凸单调性，从而实现流形的一致性，通过这样的方式，来抑制所述纺粘无纺布分类特征图在高维特征空间中的离群值和噪声，以提高所述纺粘无纺布分类特征图的类边界的鲁棒性。
然后，应可以理解，分类器能够自动对待检测纺粘无纺布进行分类，无需人工干预。这样可以提高检测效率，减少人力成本，并且能够对纺粘无纺布实现实时或大规模的监测和控制。因此，在本申请实施例中，通过分类器对所述优化纺粘无纺布分类特征图进行特征分类以得到分类结果。这样，能够提高纺粘无纺布生产线的控制精度和稳定性，确保产品质量和性能的要求得到满足。
在本申请的一个具体实施例中，所述纺粘无纺布特征分类单元134，用于：使用所述分类器以如下公式对所述优化纺粘无纺布分类特征图进行处理以获得所述分类结果；其中，所述公式为：O＝softmax{(Wc,Bc)|Project(F)}，其中Project(F)表示将所述优化纺粘无纺布分类特征图投影为向量，Wc为权重矩阵，Bc表示偏置向量，softmax表示归一化指数函数，O表示所述分类结果。
值得一提的是，除了使用分类器对所述优化纺粘无纺布分类特征图进行特征分类之外，还可以使用回归模型。回归模型可以基于已知的纺粘无纺布特征和相应的温度数据进行训练，学习纺粘无纺布特征与温度之间的关系。一旦回归模型训练完成，就可以将优化后的纺粘无纺布分类特征图作为输入，通过回归模型预测出待控制纺粘无纺布的温度值。
在这种实施方式下，分类器的作用是将纺粘无纺布特征图转化为相应的特征向量，然后将该特征向量输入到回归模型中进行温度预测。预测结果可以指示待控制纺粘无纺布的温度应该增大还是减小。根据预测结果，***可以相应地调整控制参数，以实现对纺粘无纺布温度的精确控制。
这种基于回归模型的温度预测方法可以根据纺粘无纺布的特征和温度数据进行建模，预测结果更加连续化，可以提供更精细的温度控制。同时，该方法可以适用于不同的纺粘无纺布特征和温度关系，具有一定的灵活性和适应性。
综上，根据本申请实施例的所述纺粘无纺布生产线的智能控制***被阐明，其将采集到的热处理和固化过程中待控制纺粘无纺布的多个预定时间点的温度值、待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及待控制纺粘无纺布的监控视频作为输入向量，然后通过深度学习中的卷积神经网络模型分别对这些输入数据进行特征提取和分析以得到用于表示待控制纺粘无纺布的温度值应增大或减小的分类结果。这样，根据分类结果，能够对纺粘无纺布在热处理和固化过程中的温度进行控制，以提高热处理和固化过程的控制精度和稳定性，提高产品的质量和性能。
如上所述，根据本申请实施例的纺粘无纺布生产线的智能控制***100可以实现在各种无线终端中，例如用于纺粘无纺布生产线的智能控制的服务器等。在一个示例中，根据本申请实施例的纺粘无纺布生产线的智能控制***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该纺粘无纺布生产线的智能控制***100可以是该无线终端的操作***中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该纺粘无纺布生产线的智能控制***100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该纺粘无纺布生产线的智能控制***100与该无线终端也可以是分立的设备，并且纺粘无纺布生产线的智能控制***100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
示例性方法
图8图示了根据本申请实施例的纺粘无纺布生产线的智能控制方法的流程图。如图8所示，根据本申请实施例的所述纺粘无纺布生产线的智能控制方法，包括：S1，采集热处理和固化过程中待控制纺粘无纺布的多个预定时间点的温度值、待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及待控制纺粘无纺布的监控视频；S2，分别对所述待控制纺粘无纺布的多个预定时间点的温度值、所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及所述待控制纺粘无纺布的监控视频进行特征提取以得到纺粘无纺布温度变化特征向量以及纺粘无纺布表面特征向量；S3，基于所述纺粘无纺布温度变化特征向量以及所述纺粘无纺布表面特征向量，以得到分类结果。
这里，本领域技术人员可以理解，上述纺粘无纺布生产线的智能控制方法中的各个步骤的具体功能和操作已经在上面参考图1的纺粘无纺布生产线的智能控制***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发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如，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***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种纺粘无纺布生产线的智能控制***，其特征在于，包括：
纺粘无纺布数据采集模块，用于采集热处理和固化过程中待控制纺粘无纺布的多个预定时间点的温度值、待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及待控制纺粘无纺布的监控视频；
纺粘无纺布特征提取模块，用于分别对所述待控制纺粘无纺布的多个预定时间点的温度值、所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及所述待控制纺粘无纺布的监控视频进行特征提取以得到纺粘无纺布温度变化特征向量以及纺粘无纺布表面特征向量；
纺粘无纺布分类结果生成模块，用于基于所述纺粘无纺布温度变化特征向量以及所述纺粘无纺布表面特征向量，以得到分类结果。
2.根据权利要求1所述的纺粘无纺布生产线的智能控制***，其特征在于，所述纺粘无纺布特征提取模块，包括：
纺粘无纺布温度变化特征获取单元，用于分别对所述待控制纺粘无纺布的多个预定时间点的温度值、所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速以及所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速进行特征提取以得到所述纺粘无纺布温度变化特征向量；
纺粘无纺布表面特征获取单元，用于对所述待控制纺粘无纺布的监控视频进行特征提取以得到所述纺粘无纺布表面特征向量。
3.根据权利要求2所述的纺粘无纺布生产线的智能控制***，其特征在于，所述纺粘无纺布温度变化特征获取单元，包括：
纺粘无纺布温度特征提取子单元，用于将所述待控制纺粘无纺布的多个预定时间点的温度值通过基于时序编码器的温度特征提取模块以得到纺粘无纺布温度特征向量；
风速转速特征提取子单元，用于分别对所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速以及所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速进行深度卷积编码以得到风速-转速特征矩阵；
纺粘无纺布参数特征融合子单元，用于将所述纺粘无纺布温度特征向量和所述风速-转速特征矩阵进行特征融合以得到所述纺粘无纺布温度变化特征向量。
4.根据权利要求3所述的纺粘无纺布生产线的智能控制***，其特征在于，所述风速转速特征提取子单元，包括：
风速特征提取二级子单元，用于将所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速按时间维度排列为一维风速输入向量后通过多尺度风度特征提取模块以得到多尺度风速特征向量；
转速特征提取二级子单元，用于将所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速按时间维度排列为一维转速输入向量后通过多尺度转速特征提取模块以得到多尺度转速特征向量；
风速转速特征融合二级子单元，用于将所述多尺度风速特征向量和所述多尺度转速特征向量的转置进行相乘以得到所述风速-转速特征矩阵。
5.根据权利要求4所述的纺粘无纺布生产线的智能控制***，其特征在于，所述纺粘无纺布表面特征获取单元，包括：
视频降噪子单元，用于将所述待控制纺粘无纺布的监控视频通过基于自编码器的视频降噪模块以得到降噪后监控视频；
关键帧获取子单元，用于从所述降噪后监控视频中获取多个视频关键帧；
纺粘无纺布表面特征提取子单元，用于将所述多个视频关键帧按时间维度排列为三维视频输入张量后通过基于三维卷积神经网络模型的纺粘无纺布表面特征提取模块以得到所述纺粘无纺布表面特征向量。
6.根据权利要求5所述的纺粘无纺布生产线的智能控制***，其特征在于，所述纺粘无纺布分类结果生成模块，包括：
纺粘无纺布特征融合单元，用于将所述纺粘无纺布温度变化特征向量和所述纺粘无纺布表面特征向量的转置进行相乘以得到纺粘无纺布特征矩阵；
纺粘无纺布融合特征获取单元，用于将所述纺粘无纺布特征矩阵通过基于卷积神经网络模型的纺粘无纺布特征提取模块以得到纺粘无纺布分类特征图；
纺粘无纺布特征优化单元，用于对所述纺粘无纺布分类特征图进行流形超凸一致性衍生表示优化以得到优化纺粘无纺布分类特征图；
纺粘无纺布特征分类单元，用于将所述优化纺粘无纺布分类特征图通过分类器以得到分类结果。
7.根据权利要求6所述的纺粘无纺布生产线的智能控制***，其特征在于，所述纺粘无纺布特征优化单元，包括：
流形优化权重计算子单元，用于计算所述纺粘无纺布分类特征图的流形优化权重特征向量；
特征加权子单元，用于以所述流形优化权重特征向量中各个位置的特征值作为权重值，对所述纺粘无纺布分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化纺粘无纺布分类特征图。
8.根据权利要求7所述的纺粘无纺布生产线的智能控制***，其特征在于，所述流形优化权重计算子单元，用于：以如下公式计算所述纺粘无纺布分类特征图的流形优化权重特征向量，
其中，所述公式为：
其中，f1i,j,k表示所述纺粘无纺布分类特征图的(i,j,k)位置的特征值，表示所述纺粘无纺布分类特征图的全局均值，W和H表示所述纺粘无纺布分类特征图的宽度和高度，log表示以2为底的对数函数值，Wc表示所述流形优化权重特征向量。
9.根据权利要求8所述的纺粘无纺布生产线的智能控制***，其特征在于，所述分类结果用于表示待控制纺粘无纺布的温度值应增大或减小。
10.一种纺粘无纺布生产线的智能控制方法，其特征在于,包括：
采集热处理和固化过程中待控制纺粘无纺布的多个预定时间点的温度值、待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及待控制纺粘无纺布的监控视频；
分别对所述待控制纺粘无纺布的多个预定时间点的温度值、所述待控制纺粘无纺布生产线中热风箱的多个预定时间点的风速、所述待控制纺粘无纺布生产线中热辊的多个预定时间点的转速以及所述待控制纺粘无纺布的监控视频进行特征提取以得到纺粘无纺布温度变化特征向量以及纺粘无纺布表面特征向量；
基于所述纺粘无纺布温度变化特征向量以及所述纺粘无纺布表面特征向量，以得到分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410129292.2A CN117873001A (zh) | 2024-01-30 | 2024-01-30 | 纺粘无纺布生产线的智能控制*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410129292.2A CN117873001A (zh) | 2024-01-30 | 2024-01-30 | 纺粘无纺布生产线的智能控制*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117873001A true CN117873001A (zh) | 2024-04-12 |
Family
ID=90584479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410129292.2A Pending CN117873001A (zh) | 2024-01-30 | 2024-01-30 | 纺粘无纺布生产线的智能控制*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117873001A (zh) |
-
2024
- 2024-01-30 CN CN202410129292.2A patent/CN117873001A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiao et al. | Deep coupled dense convolutional network with complementary data for intelligent fault diagnosis | |
| CN116652823B (zh) | 磨床的自动监测***及其方法 | |
| CN109509164B (zh) | 一种基于gdgf的多传感器图像融合方法及*** | |
| KR102369167B1 (ko) | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 | |
| Li et al. | Industrial gearbox fault diagnosis based on multi-scale convolutional neural networks and thermal imaging | |
| CN109766838B (zh) | 一种基于卷积神经网络的步态周期检测方法 | |
| CN117671396B (zh) | 施工进度的智能监控预警***及方法 | |
| CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及*** | |
| CN104198752A (zh) | 基于机器视觉的高温钢坯运动状态的多率检测方法 | |
| CN111402249B (zh) | 基于深度学习的图像演化分析方法 | |
| CN101477618B (zh) | 视频中行人步态周期自动提取方法 | |
| Dong et al. | Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA | |
| CN117142009A (zh) | 一种基于图卷积网络的刮板输送机健康状态评估方法 | |
| Jiao et al. | A steerable pyramid autoencoder based framework for anomaly frame detection of water pipeline CCTV inspection | |
| CN117873001A (zh) | 纺粘无纺布生产线的智能控制*** | |
| CN117392565A (zh) | 一种无人机电力巡检缺陷自动识别方法 | |
| Lin et al. | Detection of the fluff fabric surface quality based on machine vision | |
| CN113034465B (zh) | 一种基于红外图像的电力设备热故障监测方法、装置及介质 | |
| CN112183586B (zh) | 在线多任务学习的人体姿态射频识别方法 | |
| CN107374609A (zh) | 一种心律异常动态实时诊断*** | |
| CN107515596B (zh) | 一种基于图像数据变窗口缺陷监控的统计过程控制方法 | |
| CN118228104A (zh) | 用于钕铁硼稀土永磁材料生产的智能监测*** | |
| CN117807469B (zh) | 一种水下传感器数据采集方法、介质及*** | |
| CN118015476B (zh) | 基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法及*** | |
| CN117472015B (zh) | 一种基于机器视觉的工业加工控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |