【技術實現步驟摘要】
本專利技術涉及飼料生產，具體涉及一種基于深度學習的飼料生產控制方法及系統。
技術介紹
1、飼料生產是一個復雜且需要高度精細化的過程，傳統上依賴人工經驗和固定的生產流程，但這種方法往往難以應對原料質量波動、設備狀態變化等不確定因素，導致生產效率低下、產品質量不穩定。
2、隨著大數據和人工智能技術的快速發展，越來越多的企業開始嘗試將智能化技術應用于飼料生產過程中。然而，現有的智能化飼料生產控制方法大多基于簡單的機器學習模型，對復雜多變的飼料生產過程數據的處理能力和預測精度有限，難以實現對生產策略的有效評估和優化。因此，迫切需要一種能夠高效處理飼料生產過程數據、準確評估生產策略并給出優化建議的飼料生產控制方法。
技術實現思路
1、針對上述存在的技術不足，本專利技術的目的是提供一種基于深度學習的飼料生產控制方法及系統，解決現有技術中難以高效處理飼料生產過程數據、準確評估生產策略并給出優化建議的問題。
2、為解決上述技術問題，本專利技術采用如下技術方案：
3、第一方面，本專利技術提供一種基于深度學習的飼料生產控制方法，包括：
4、步驟s100：實時采集飼料生產過程數據，并對所述飼料生產過程數據進行預處理；
5、步驟s200：根據歷史飼料生產過程數據，構建改進的crossformer深度學習模型；
6、步驟s300：將預處理后的實時飼料生產過程數據輸入至優化后的crossformer深度學習模型中，深度學習模型評估當前生產
7、步驟s400：根據深度學習模型的輸出結果及調整指令，調整飼料生產策略；
8、步驟s500：調整結束后，系統自動記錄實施的所有調整措施、調整前后的生產數據對比及設備監控信息，形成生產優化日志。
9、優選地，在第一方面的一種可能的實施方式中，所述飼料生產過程數據包括原料質量數據、配方比例數據、生產溫度數據、生產濕度數據、生產攪拌速度數據以及設備狀態數據；所述歷史飼料生產過程數據包括歷史原料質量數據、歷史配方比例數據、歷史生產溫度數據、歷史生產濕度數據、歷史攪拌速度數據以及歷史設備狀態數據。
10、優選地，在第一方面的一種可能的實施方式中，所述步驟s100中飼料生產過程數據進行預處理的步驟包括數據清洗、缺失值處理、異常值檢測與處理以及數據歸一化處理。
11、優選地，在第一方面的一種可能的實施方式中，所述改進的crossformer深度學習模型結構包括：
12、輸入層，接收預處理后的實時飼料生產過程數據，將這些數據轉化為模型可識別的格式；
13、維度分段嵌入層，將時間序列分成patch形式，采用相對位置編碼，嵌入到特征向量中；
14、兩階段注意力層，第一階段在時間維度進行注意力機制計算，第二階段在多變量之間進行注意力機制計算，對齊不同變量各個時間步的編碼；
15、分層編解碼層，編碼器從不同的粒度提取信息，解碼器利用不同層次的編碼進行預測，將各層的預測值相加，得到最終的預測結果；
16、輸出層，根據預測結果輸出當前生產策略的有效性評估結果及調整指令。
17、優選地，在第一方面的一種可能的實施方式中，所述維度分段嵌入層具體實現方式為：將預處理后的實時飼料生產過程數據在時間序列上分割成多個patch，針對每個patch，采用相對位置編碼技術，將每個元素在patch中的相對位置信息編碼轉換成向量形式，并將該相對位置編碼向量與對應的數據特征向量相融合，形成包含位置信息的特征向量。
18、優選地，在第一方面的一種可能的實施方式中，所述調整指令包括調整原料配比、改變生產溫度、調節生產濕度以及調整攪拌速度。
19、優選地，在第一方面的一種可能的實施方式中，所述步驟s400通過控制飼料生產線的自動化設備實現，包括原料配比調整、生產溫度調整、生產濕度調整以及攪拌速度調整。
20、優選地，在第一方面的一種可能的實施方式中，所述飼料生產控制方法還包括根據飼料生產過程中的實時數據，與所述改進的crossformer深度學習模型預測結果進行對比，并根據對比結果對深度學習模型進行迭代優化。
21、第二方面，本專利技術提供一種基于深度學習的飼料生產控制系統，包括：
22、數據采集模塊，實時采集飼料生產過程數據，并對所述飼料生產過程數據進行預處理；
23、模型構建模塊，根據歷史飼料生產過程數據，構建改進的crossformer深度學習模型；
24、模型處理模塊，用于將預處理后的實時飼料生產過程數據輸入至優化后的crossformer深度學習模型中，深度學習模型評估當前生產策略的有效性，并給出調整指令；
25、生產調整模塊，根據深度學習模型的輸出結果及調整指令，調整飼料生產策略；
26、日志模塊，用于在生產調整模塊調整結束后，系統自動記錄實施的所有調整措施、調整前后的生產數據對比及設備監控信息，形成生產優化日志。
27、本專利技術的有益效果在于：通過引入改進的crossformer深度學習模型，能夠充分利用歷史飼料生產過程數據，實現對復雜生產過程的精準建模和預測。該方法能夠實時采集飼料生產過程數據并進行預處理，將預處理后的數據輸入至深度學習模型中，模型能夠快速評估當前生產策略的有效性，并給出具體的調整指令。根據模型的預測結果及調整指令，系統能夠自動調整飼料生產過程，確保生產效率和產品質量。此外，系統還能自動記錄實施的所有調整措施、調整前后的生產數據對比及設備監控信息，形成生產優化日志，為后續的生產優化提供數據支持。該方法顯著提高了飼料生產的智能化水平，降低了生產成本，提升了產品質量和市場競爭力。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的飼料生產控制方法，其特征在于，包括：
2.如權利要求1所述的飼料生產控制方法，其特征在于，所述飼料生產過程數據包括原料質量數據、配方比例數據、生產溫度數據、生產濕度數據、生產攪拌速度數據以及設備狀態數據；所述歷史飼料生產過程數據包括歷史原料質量數據、歷史配方比例數據、歷史生產溫度數據、歷史生產濕度數據、歷史攪拌速度數據以及歷史設備狀態數據。
3.如權利要求1所述的飼料生產控制方法，其特征在于，所述步驟S100中飼料生產過程數據進行預處理的步驟包括數據清洗、缺失值處理、異常值檢測與處理以及數據歸一化處理。
4.如權利要求1所述的飼料生產控制方法，其特征在于，所述改進的CrossFormer深度學習模型結構包括：
5.如權利要求3所述的飼料生產控制方法，其特征在于，所述維度分段嵌入層具體實現方式為：將預處理后的實時飼料生產過程數據在時間序列上分割成多個patch，針對每個patch，采用相對位置編碼技術，將每個元素在patch中的相對位置信息編碼轉換成向量形式，并將該相對位置編碼向量與對應的數據特征向量相融合，形成
6.如權利要求1所述的飼料生產控制方法，其特征在于，所述調整指令包括調整原料配比、改變生產溫度、調節生產濕度以及調整攪拌速度。
7.如權利要求1所述的飼料生產控制方法，其特征在于，所述步驟S400通過控制飼料生產線的自動化設備實現，包括原料配比調整、生產溫度調整、生產濕度調整以及攪拌速度調整。
8.如權利要求1所述的飼料生產控制方法，其特征在于，所述飼料生產控制方法還包括根據飼料生產過程中的實時數據，與所述改進的CrossFormer深度學習模型預測結果進行對比，并根據對比結果對深度學習模型進行迭代優化。
9.一種基于深度學習的飼料生產控制系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于深度學習的飼料生產控制方法，其特征在于，包括：
2.如權利要求1所述的飼料生產控制方法，其特征在于，所述飼料生產過程數據包括原料質量數據、配方比例數據、生產溫度數據、生產濕度數據、生產攪拌速度數據以及設備狀態數據；所述歷史飼料生產過程數據包括歷史原料質量數據、歷史配方比例數據、歷史生產溫度數據、歷史生產濕度數據、歷史攪拌速度數據以及歷史設備狀態數據。
3.如權利要求1所述的飼料生產控制方法，其特征在于，所述步驟s100中飼料生產過程數據進行預處理的步驟包括數據清洗、缺失值處理、異常值檢測與處理以及數據歸一化處理。
4.如權利要求1所述的飼料生產控制方法，其特征在于，所述改進的crossformer深度學習模型結構包括：
5.如權利要求3所述的飼料生產控制方法，其特征在于，所述維度分段嵌入層具體實現方式為：將預處理后的實時飼料生產過程數據在時間序列上分...
【專利技術屬性】
技術研發人員：邵富貴，張云華，陳麗娟，邵業，
申請(專利權)人：安徽富貴飼料有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。