电解槽智能控制系统及其方法与流程

本技术涉及智能控制领域，且更为具体地，涉及一种电解槽智能控制系统及其方法。

背景技术：

1、电解槽是一种用于电化学过程的设备，常见的应用包括金属电解、电镀和电池制造等。在电解槽中，溶质往往会沉积在电极表面或其他部件上，这些沉积物可能是金属离子、盐类或其他杂质，随着时间的推移，沉积物会逐渐积累并形成堵塞，影响电解槽的正常运行。同时，电解槽中的电极在电流通过过程中会发生极化现象，导致电极表面产生气体泡沫或析出产物，这些气泡或析出物可能会聚集在电极表面或其他部件上，造成电解槽堵料的现象。

2、目前现有技术中，采用人工定期监测和检查电解槽的运行状态，定期清洗和维护电解槽，以及时发现和解决堵料问题。由于人工监测的时间间隔，堵料问题可能在两次检查之间发生，导致延迟发现，在延迟发现的情况下，堵料问题可能已经严重影响了电解槽的运行效率和产品质量。

3、因此，期望一种电解槽智能控制系统及其方法。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种电解槽智能控制系统及其方法，其首先获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值，然后，将所述多个预定时间段的电解槽表面监控视频通过卷积神经网络模型后进行全局均值池化以得到表面特征向量，进一步地，将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量，接着，将所述表面特征向量和所述多尺度电流密度特征向量进行融合并优化后通过分类器以得到分类结果，以自适应地判断电流密度增加或减小，以降低电解槽堵料的风险，实现了对电解槽状态的智能控制和风险判断，以提高生产效率和设备稳定性。

2、根据本技术的一个方面，提供了一种电解槽智能控制系统，其包括：

3、数据获取模块，用于获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值；

4、监控视频编码模块，用于将所述多个预定时间段的电解槽表面监控视频通过使用时间注意力机制的卷积神经网络模型以得到表面特征图；

5、特征降维模块，用于对所述表面特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面特征向量；

6、电流密度编码模块，用于将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量；

7、融合模块，用于融合所述表面特征向量和所述多尺度电流密度特征向量以得到分类特征矩阵；

8、优化模块，用于对所述分类特征矩阵进行基于参数化特征的先验优化以得到优化分类特征矩阵；

9、分类模块，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，所述分类结果用于判断电流密度增加或减小。

10、在上述电解槽智能控制系统中，所述监控视频编码模块，包括:采样单元，用于以预定采样频率从所述多个预定时间段的电解槽表面监控视频提取多个表面关键帧；时间注意力卷积编码单元，用于将所述多个表面关键帧输入所述使用时间注意力机制的卷积神经网络模型以得到所述表面特征图。

11、在上述电解槽智能控制系统中，所述时间注意力卷积编码单元，包括：相邻帧提取子单元，用于从所述多个表面关键帧中提取相邻的第一表面关键帧和第二表面关键帧；第一卷积编码子单元，用于将所述第一表面关键帧所述第二表面关键帧分别通过所述卷积神经网络模型的第一卷积层和第二卷积层以得到第一卷积特征图和第二卷积特征图；时间注意力子单元，用于计算所述第一卷积特征图和所述第二卷积特征图之间的按位置点乘以得到时间注意力图；注意力激活子单元，用于将所述时间注意力图输入softmax激活函数以得到时间注意力特征图；第二卷积编码子单元，用于将所述第二表面关键帧通过所述卷积神经网络模型的第三卷积层以得到第三卷积特征图；注意力施加子单元，用于计算所述第三卷积特征图和所述时间注意力特征图之间的按位置点乘以得到对应于所述第二表面关键帧的时间注意力特征图。

12、在上述电解槽智能控制系统中，所述电流密度编码模块，包括：第一尺度邻域特征提取单元，用于将所述电流密度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邻域尺度电流密度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度邻域特征提取单元，用于将所述电流密度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邻域尺度电流密度特征向量，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；多尺度级联单元，用于将所述第一邻域尺度电流密度特征向量和所述第二邻域尺度电流密度特征向量进行级联以得到所述多尺度电流密度特征向量。

13、在上述电解槽智能控制系统中，所述第一尺度邻域特征提取单元，包括：

14、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提取公式对所述电流密度输入向量进行一维卷积编码以得到第一邻域尺度电流密度特征向量；

15、其中，所述第一提取公式为：,其中， a为第一卷积核在 x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， w为第一卷积核的尺寸， x表示所述电流密度输入向量，表示对所述一维特征向量分别进行一维卷积编码。

16、在上述电解槽智能控制系统中，所述第二尺度邻域特征提取单元，包括：

17、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提取公式对所述电流密度输入向量进行一维卷积编码以得到所述第二邻域尺度电流密度特征向量；

18、其中，所述第二提取公式为：,其中， b为第二卷积核在 x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， m为第二卷积核的尺寸， y表示所述电流密度输入向量，表示对所述一维特征向量分别进行一维卷积编码。

19、在上述电解槽智能控制系统中，所述融合模块，包括：使用联合编码器以如下融合公式对所述表面特征向量和所述多尺度电流密度特征向量进行联合编码以生成所述分类特征矩阵；

20、其中，所述融合公式为：,其中表示向量相乘，表示所述分类特征矩阵，表示所述表面特征向量，表示所述多尺度电流密度特征向量，表示所述多尺度电流密度特征向量的转置。

21、在上述电解槽智能控制系统中，所述优化模块，包括：将所述分类特征矩阵沿着行向量方向进行切分以得到多个分类特征行向量；计算所述多个分类特征行向量之间的按位置均值向量以得到参数化参考特征向量；计算所述多个分类特征行向量中任意两个分类特征行向量之间的余弦相似度以得到由多个余弦相似度组成的相似度矩阵；以所述参数化参考特征向量作为均值向量和以所述相似度矩阵作为协方差矩阵，构造所述分类特征矩阵的高斯密度图；对所述高斯密度图中各个位置的高斯分布进行离散采样以得到所述优化分类特征矩阵。

22、在上述电解槽智能控制系统中，所述分类模块，包括：使用所述分类器以如下分类公式对所述分类特征矩阵进行处理以获得所述分类结果；

23、其中，所述分类公式为：,其中表示将所述优化分类特征矩阵为向量，为权重矩阵，表示偏置向量，表示归一化指数函数，表示所述分类结果。

24、根据本技术的另一方面，提供了一种电解槽智能控制方法，其包括：

25、获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值；

26、将所述多个预定时间段的电解槽表面监控视频通过使用时间注意力机制的卷积神经网络模型以得到表面特征图；

27、对所述表面特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面特征向量；

28、将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量；

29、融合所述表面特征向量和所述多尺度电流密度特征向量以得到分类特征矩阵；

30、对所述分类特征矩阵进行基于参数化特征的先验优化以得到优化分类特征矩阵；

31、将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于判断电流密度增加或减小。

32、根据本技术的再一方面，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电解槽智能控制方法。

33、根据本技术的又一方面，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电解槽智能控制方法。

34、与现有技术相比，本技术提供的一种电解槽智能控制系统及其方法，其首先获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值，然后，将所述多个预定时间段的电解槽表面监控视频通过卷积神经网络模型后进行全局均值池化以得到表面特征向量，进一步地，将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量，接着，将所述表面特征向量和所述多尺度电流密度特征向量进行融合并优化后通过分类器以得到分类结果，以自适应地判断电流密度增加或减小，以降低电解槽堵料的风险，实现了对电解槽状态的智能控制和风险判断，以提高生产效率和设备稳定性。