PBT材料生产设备及其控制方法与流程

本申请涉及智能控制领域，且更为具体地，涉及一种pbt材料生产设备及其控制方法。

背景技术：

1、酯化反应是pbt材料生产中不可或缺的一步，酯化反应釜是一种用于酯化反应的设备，也称为酯化釜。它通常由釜体、加热器、搅拌器、温度控制器、压力计和排气装置等部件组成。搅拌器在酯化反应中起到物料混合均匀、强化传热传质，使物料之间充分接触发生化学反应的作用。如果搅拌器在固定一个转速情况下、反应釜内物料流动方向，流动速度是固定不变的。在这种情况下，釜内会产生流动缓慢区或者流动死区，在这些区域内的物料会反应不充分，后续会影响整体产品质量和生产稳定性。

2、因此，期待一种优化的pbt材料生产控制方案。

技术实现思路

1、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pbt材料生产设备及其控制方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频，通过多尺度提取模块和卷积神经网络进行特征提取，以得到用于表示当前时间点的搅拌器的搅拌值应增大或减小的分类结果。这样，构建pbt材料生产控制方案，可以实现对搅拌器的快速、准确的自动控制，提高酯化反应的质量和效率。

2、根据本申请的一个方面，提供了一种pbt材料生产设备，其包括：

3、数据采集模块，用于获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频；

4、排列模块，用于将所述多个预定时间点的搅拌值和酯化温度值按照时间维度分别排列为搅拌输入向量和温度输入向量；

5、多尺度提取模块，用于将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量；

6、高斯融合模块，用于使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图；

7、高斯离散模块，用于对所述融合高斯密度图进行高斯离散化以得到融合特征矩阵；

8、酯化反应特征提取模块，用于将所述预定时间段的酯化反应监控视频通过使用三维卷积核的卷积神经网络模型以得到酯化反应特征向量；

9、转移计算模块，用于计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量；

10、优化模块，用于对分类特征向量进行期望鲁棒性迭代以得到优化分类特征向量；以及

11、分类结果生成模块，用于将所述优化分类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搅拌器的搅拌值应增大或减小。

12、在上述pbt材料生产设备中，所述多尺度提取模块，包括：第一尺度提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以具有第一长度的一维卷积核对所述搅拌输入向量和所述温度输入向量分别进行一维卷积编码以得到第一尺度搅拌特征向量和第一尺度温度特征向量；第二尺度提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以具有第二长度的一维卷积核对所述搅拌输入向量和所述温度输入向量分别进行一维卷积编码以得到第二尺度搅拌特征向量和第二尺度温度特征向量，所述第二长度不同于所述第一长度；以及，融合单元，用于将所述第一尺度搅拌特征向量和所述第二尺度搅拌特征向量进行级联以得到所述多尺度搅拌特征向量，将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述多尺度温度特征向量。

13、在上述pbt材料生产设备中，所述高斯融合模块，用于：使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到所述融合高斯密度图；其中，所述高斯公式为：

14、

15、其中μ表示所述多尺度搅拌特征向量和所述多尺度温度特征向量之间的按位置均值向量，且σ的每个位置的值表示所述多尺度搅拌特征向量和所述多尺度温度特征向量中各个位置的特征值之间的方差。

16、在上述pbt材料生产设备中，所述酯化反应特征提取模块，用于：以所述使用三维卷积核的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基于所述三维卷积核的三维卷积处理、池化处理和非线性激活处理以由所述使用三维卷积核的卷积神经网络模型的最后一层输出酯化反应状态特征图；以及，对所述酯化反应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酯化反应特征向量。

17、在上述pbt材料生产设备中，所述转移计算模块，用于：以如下融合公式计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量；其中，所述融合公式为：

18、

19、其中m表示所述融合特征矩阵，v1表示所述酯化反应特征向量，v表示所述分类特征向量，表示向量相乘。

20、在上述pbt材料生产设备中，所述分类结果生成模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述优化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，分类结果单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

21、根据本申请的另一方面，提供了一种pbt材料生产用智能控制方法，其包括：

22、获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频；

23、将所述多个预定时间点的搅拌值和酯化温度值按照时间维度分别排列为搅拌输入向量和温度输入向量；

24、将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量；

25、使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图；

26、对所述融合高斯密度图进行高斯离散化以得到融合特征矩阵；

27、将所述预定时间段的酯化反应监控视频通过使用三维卷积核的卷积神经网络模型以得到酯化反应特征向量；

28、计算所述融合特征矩阵相对于所述酯化反应特征向量的转移向量作为分类特征向量；

29、对分类特征向量进行期望鲁棒性迭代以得到优化分类特征向量；以及

30、将所述优化分类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搅拌器的搅拌值应增大或减小。

31、与现有技术相比，本申请提供的一种pbt材料生产设备及其控制方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频，通过多尺度提取模块和卷积神经网络进行特征提取，以得到用于表示当前时间点的搅拌器的搅拌值应增大或减小的分类结果。这样，构建pbt材料生产控制方案，可以实现对搅拌器的快速、准确的自动控制，提高酯化反应的质量和效率。

技术特征：

1.一种pbt材料生产设备，其特征在于，包括：

2.根据权利要求1所述的pbt材料生产设备，其特征在于，所述多尺度提取模块，包括：

3.根据权利要求2所述的pbt材料生产设备，其特征在于，所述高斯融合模块，用于：

4.根据权利要求3所述的pbt材料生产设备，其特征在于，所述酯化反应特征提取模块，用于：

5.根据权利要求4所述的pbt材料生产设备，其特征在于，所述转移计算模块，用于：

6.根据权利要求5所述的pbt材料生产设备，其特征在于，所述优化模块，用于：

7.根据权利要求6所述的pbt材料生产设备，其特征在于，所述分类结果生成模块，包括：

8.一种pbt材料生产控制方法，其特征在于，包括：

9.根据权利要求8所述的pbt材料生产控制方法，其特征在于，将所述搅拌输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到多尺度搅拌特征向量和多尺度温度特征向量，包括：

10.根据权利要求9所述的pbt材料生产控制方法，其特征在于，使用高斯密度图来融合所述多尺度搅拌特征向量和所述多尺度温度特征向量以得到融合高斯密度图，用于：

技术总结
本申请涉及智能控制领域，其具体地公开了一种PBT材料生产设备及其控制方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段内多个预定时间点的搅拌值和酯化温度值以及所述预定时间段的酯化反应监控视频，通过多尺度提取模块和卷积神经网络进行特征提取，以得到用于表示当前时间点的搅拌器的搅拌值应增大或减小的分类结果。这样，构建PBT材料生产控制方案，可以实现对搅拌器的快速、准确的自动控制，提高酯化反应的质量和效率。

技术研发人员：孟勇,姚浩威
受保护的技术使用者：滁州优胜高分子材料有限公司
技术研发日：
技术公布日：2024/1/15