改性PBT材料的智能制備方法及其系統技術方案

本申請涉及智能制備技術領域，其具體地公開了一種改性PBT材料的智能制備方法及其系統，其通過獲取預定時間段內材料狀態的監控視頻以及多個預定時間點的攪拌速度值，基于不同攪拌速度下材料狀態的變化，來控制攪拌速度增大或減小。該方案通過實時監測材料狀態和攪拌速度數據，合理控制攪拌速度，避免因過低或過高的攪拌速度導致材料質量下降和能源浪費等問題，從而提高生產效率和質量穩定性，減少生產成本。產成本。產成本。

【技術實現步驟摘要】
改性PBT材料的智能制備方法及其系統


[0001]本申請涉及智能制備
，且更為具體地，涉及一種改性PBT材料的智能制備方法及其系統。

技術介紹

[0002]攪拌速度是改性PBT材料制備過程中非常重要的一個參數，它會對材料的均勻性、物理性能、外觀質量和加工效率等方面產生影響。攪拌速度的大小會影響改性PBT材料的均勻性。如果攪拌速度太低，可能會導致原材料混合不均勻，從而影響最終產品的質量。相反，如果攪拌速度太高，也會導致材料的分散不均勻，形成空氣泡等缺陷，影響材料的品質。
[0003]因此期待一種改性PBT材料的智能制備方法及其系統。

技術實現思路

[0004]為了解決上述技術問題，提出了本申請。本申請的實施例提供了一種改性PBT材料的智能制備方法及其系統，其通過獲取預定時間段內材料狀態的監控視頻以及多個預定時間點的攪拌速度值，基于不同攪拌速度下材料狀態的變化，來控制攪拌速度增大或減小。該方案通過實時監測材料狀態和攪拌速度數據，合理控制攪拌速度，避免因過低或過高的攪拌速度導致材料質量下降和能源浪費等問題，從而提高生產效率和質量穩定性，減少生產成本。
[0005]相應地，根據本申請的一個方面，提供了一種改性PBT材料的智能制備方法，其包括：
[0006]獲取預定時間段內多個預定時間點的攪拌速度值以及由攝像頭采集的所述預定時間段的材料狀態監控視頻；
[0007]從所述材料狀態監控視頻提取多個材料狀態關鍵幀；
[0008]將所述多個材料狀態關鍵幀分別進行圖像分塊處理后通過包含嵌入層的ViT模型以得到多個材料狀態語義特征向量；
[0009]將所述多個材料狀態語義特征向量進行二維排列為材料狀態全局變化特征矩陣后通過作為過濾器的卷積神經網絡模型以得到材料狀態語義關聯特征向量；
[0010]將所述多個預定時間點的攪拌速度值按照時間維度排列為攪拌速度輸入向量后通過包含全連接層和一維卷積層的時序編碼器以得到攪拌速度特征向量；
[0011]計算所述材料狀態語義關聯特征向量相對于所述攪拌速度特征向量的響應性估計以得到分類特征矩陣；
[0012]基于所述材料狀態語義關聯特征向量和所述攪拌速度特征向量之間的高維特征的維度分布相似性來畸形特征向量融合以得到融合特征矩陣；以及
[0013]將所述融合特征矩陣與所述分類特征矩陣之間的矩陣乘積通過分類器以得到分類結果，所述分類結果用于表示當前時間點的攪拌速度應增大或減小。
[0014]在上述改性PBT材料的智能制備方法中，從所述材料狀態監控視頻提取多個材料
狀態關鍵幀，包括：以預定采樣頻率從所述材料狀態監控視頻提取多個材料狀態關鍵幀。
[0015]在上述改性PBT材料的智能制備方法中，將所述多個材料狀態關鍵幀分別進行圖像分塊處理后通過包含嵌入層的ViT模型以得到多個材料狀態語義特征向量，包括：對所述各個材料狀態關鍵幀進行圖像分塊處理以得到圖像塊的序列；使用所述ViT模型的嵌入層分別對所述圖像塊的序列中各個圖像塊進行嵌入編碼以得到圖像塊嵌入向量的序列；以及，將所述圖像塊嵌入向量的序列輸入所述ViT模型的轉換器模塊以得到所述材料狀態語義特征向量。
[0016]在上述改性PBT材料的智能制備方法中，將所述圖像塊嵌入向量的序列輸入所述ViT模型的轉換器模塊以得到所述材料狀態語義特征向量，包括：將所述圖像塊嵌入向量的序列排列為輸入向量；將所述輸入向量通過可學習嵌入矩陣轉化分別為查詢向量和關鍵向量；計算所述查詢向量和所述關鍵向量的轉置向量之間的乘積以得到自注意關聯矩陣；對所述自注意關聯矩陣進行標準化處理以得到標準化自注意關聯矩陣；將所述標準化自注意關聯矩陣輸入Softmax激活函數進行激活以得到自注意力特征矩陣；將所述自注意力特征矩陣與所述圖像塊嵌入向量的序列中各個圖像塊嵌入向量分別進行相乘以得到多個材料狀態特征向量；以及，將所述多個材料狀態特征向量進行級聯以得到所述材料狀態語義特征向量。
[0017]在上述改性PBT材料的智能制備方法中，將所述多個材料狀態語義特征向量進行二維排列為材料狀態全局變化特征矩陣后通過作為過濾器的卷積神經網絡模型以得到材料狀態語義關聯特征向量，包括：使用所述卷積神經網絡模型的各層在層的正向傳遞中分別進行：對輸入數據進行卷積處理以得到卷積特征圖；對所述卷積特征圖進行沿通道維度的各個特征矩陣的均值池化以得到池化特征圖；以及，對所述池化特征圖進行非線性激活以得到激活特征圖；其中，所述卷積神經網絡模型的最后一層的輸出為所述材料狀態語義關聯特征向量，所述卷積神經網絡模型的第一層的輸入為所述材料狀態全局變化特征矩陣。
[0018]在上述改性PBT材料的智能制備方法中，將所述多個預定時間點的攪拌速度值按照時間維度排列為攪拌速度輸入向量后通過包含全連接層和一維卷積層的時序編碼器以得到攪拌速度特征向量，包括：使用所述時序編碼器的全連接層以如下全連接公式對所述攪拌速度輸入向量進行全連接編碼以提取出所述攪拌速度輸入向量中各個位置的特征值的高維隱含特征，其中，所述全連接公式為：其中X是所述攪拌速度輸入向量，Y是輸出向量，W是權重矩陣，B是偏置向量，表示矩陣相乘；以及，使用所述時序編碼器的一維卷積層以如下卷積公式對所述攪拌速度輸入向量進行一維卷積編碼以提取出所述攪拌速度輸入向量中各個位置的特征值間的高維隱含關聯特征，其中，所述卷積公式為：
[0019][0020]其中，a為卷積核在x方向上的寬度、F(a)為卷積核參數向量、G(x
?
a)為與卷積核函數運算的局部向量矩陣，w為卷積核的尺寸，X表示所述攪拌速度輸入向量，Cov(X)表示對所
述攪拌速度輸入向量進行一維卷積編碼。
[0021]在上述改性PBT材料的智能制備方法中，計算所述材料狀態語義關聯特征向量相對于所述攪拌速度特征向量的響應性估計以得到分類特征矩陣，包括：以如下響應公式計算所述材料狀態語義關聯特征向量相對于所述攪拌速度特征向量的響應性估計以得到分類特征矩陣；
[0022]其中，所述響應公式為：
[0023][0024]其中V
a
表示所述材料狀態語義關聯特征向量，V
b
表示所述攪拌速度特征向量，M表示所述分類特征矩陣，表示矩陣相乘。
[0025]在上述改性PBT材料的智能制備方法中，基于所述材料狀態語義關聯特征向量和所述攪拌速度特征向量之間的高維特征的維度分布相似性來畸形特征向量融合以得到融合特征矩陣，包括：計算所述材料狀態語義關聯特征向量相對于所述攪拌速度特征向量的第一相對熵以得到第一相對熵；計算所述材料狀態語義關聯特征向量相對于所述攪拌速度特征向量的第二相對熵以得到第二相對熵；以所述第一相對熵和所述第二相對熵作為權重，對所述材料狀態語義關聯特征向量和所述攪拌速度特征向量進行加權以得到加權后材料狀態語義關聯特征向量和加權后攪拌速度特征向量；以及，計算所述加權后材料狀態語義關聯特征向量的轉置向量和所述加權后攪拌速度特征向量的乘積以得到所述融本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種改性PBT材料的智能制備方法，其特征在于，包括：獲取預定時間段內多個預定時間點的攪拌速度值以及由攝像頭采集的所述預定時間段的材料狀態監控視頻；從所述材料狀態監控視頻提取多個材料狀態關鍵幀；將所述多個材料狀態關鍵幀分別進行圖像分塊處理后通過包含嵌入層的ViT模型以得到多個材料狀態語義特征向量；將所述多個材料狀態語義特征向量進行二維排列為材料狀態全局變化特征矩陣后通過作為過濾器的卷積神經網絡模型以得到材料狀態語義關聯特征向量；將所述多個預定時間點的攪拌速度值按照時間維度排列為攪拌速度輸入向量后通過包含全連接層和一維卷積層的時序編碼器以得到攪拌速度特征向量；計算所述材料狀態語義關聯特征向量相對于所述攪拌速度特征向量的響應性估計以得到分類特征矩陣；基于所述材料狀態語義關聯特征向量和所述攪拌速度特征向量之間的高維特征的維度分布相似性來畸形特征向量融合以得到融合特征矩陣；以及將所述融合特征矩陣與所述分類特征矩陣之間的矩陣乘積通過分類器以得到分類結果，所述分類結果用于表示當前時間點的攪拌速度應增大或減小。2.根據權利要求1所述的改性PBT材料的智能制備方法，其特征在于，從所述材料狀態監控視頻提取多個材料狀態關鍵幀，包括：以預定采樣頻率從所述材料狀態監控視頻提取多個材料狀態關鍵幀。3.根據權利要求2所述的改性PBT材料的智能制備方法，其特征在于，將所述多個材料狀態關鍵幀分別進行圖像分塊處理后通過包含嵌入層的ViT模型以得到多個材料狀態語義特征向量，包括：對所述各個材料狀態關鍵幀進行圖像分塊處理以得到圖像塊的序列；使用所述ViT模型的嵌入層分別對所述圖像塊的序列中各個圖像塊進行嵌入編碼以得到圖像塊嵌入向量的序列；以及將所述圖像塊嵌入向量的序列輸入所述ViT模型的轉換器模塊以得到所述材料狀態語義特征向量。4.根據權利要求3所述的改性PBT材料的智能制備方法，其特征在于，將所述圖像塊嵌入向量的序列輸入所述ViT模型的轉換器模塊以得到所述材料狀態語義特征向量，包括：將所述圖像塊嵌入向量的序列排列為輸入向量；將所述輸入向量通過可學習嵌入矩陣轉化分別為查詢向量和關鍵向量；計算所述查詢向量和所述關鍵向量的轉置向量之間的乘積以得到自注意關聯矩陣；對所述自注意關聯矩陣進行標準化處理以得到標準化自注意關聯矩陣；將所述標準化自注意關聯矩陣輸入Softmax激活函數進行激活以得到自注意力特征矩陣；將所述自注意力特征矩陣與所述圖像塊嵌入向量的序列中各個圖像塊嵌入向量分別進行相乘以得到多個材料狀態特征向量；以及將所述多個材料狀態特征向量進行級聯以得到所述材料狀態語義特征向量。5.根據權利要求4所述的改性PBT材料的智能制備方法，其特征在于，將所述多個材料
狀態語義特征向量進行二維排列為材料狀態全局變化特征矩陣后通過作為過濾器的卷積神經網絡模型以得到材料狀態語義關聯特征向量，包括：使用所述卷積神經網絡模型的各層在層的正向傳遞中分別進行：對輸入數據進行卷積處理以得到卷積特征圖；對所述卷積特征圖進行沿通道維度的各個特征矩陣的均值池化以得到池化特征圖；以及對所述池化特征圖進行非線性激活以得到激活特征圖；其中，所述卷積神經網絡模型的最后一層的輸出為所述材料狀態語義關聯特征向量，所述卷積神經網絡模型的第一層的輸入為所述材料狀態全局變化特征矩陣。6.根據權利要求5所述的改性PBT材料的智能制備方法，其特征在于，將所述多個預定時間點的攪拌速度值按照時間維度排列為攪拌速度輸入向量后通過包含全連接層和一維卷積層的時序編碼器以得到攪拌速度特征向量，包括：使用所述時序編碼器的全連接層以如下全連接公式對所述攪拌速度輸入向量進行全連接編碼以提取出所述攪拌速度輸入向量中各個位置的特征值的高維隱含特征，其中，所述全連接公式為：其中X是所述攪拌速度輸入向量，Y是輸出向量...

【專利技術屬性】
技術研發人員：孟勇，謝丞，
申請(專利權)人：滁州優勝高分子材料有限公司，
類型：發明
國別省市：