本技術(shù)涉及人工智能，特別涉及基于智能控制的無機(jī)礦物纖維生產(chǎn)系統(tǒng)及方法。

背景技術(shù)：

1、利用工業(yè)固廢水淬渣作為原料，是開發(fā)制備高強(qiáng)度、高模量的無機(jī)礦物纖維的新方法，其中熔融拉絲環(huán)節(jié)直接決定了礦物纖維的微觀結(jié)構(gòu)和最終性能，但是現(xiàn)有的生產(chǎn)工藝在智能控制方面還存在一些不足。傳統(tǒng)的工藝參數(shù)設(shè)置主要依賴于操作人員的經(jīng)驗(yàn)和歷史數(shù)據(jù)，隨著原料成分和生產(chǎn)環(huán)境的變化，工藝參數(shù)往往無法根據(jù)實(shí)時數(shù)據(jù)進(jìn)行動態(tài)調(diào)整，導(dǎo)致質(zhì)量波動和生產(chǎn)效率低下。

2、傳統(tǒng)的生產(chǎn)控制在熔融拉絲環(huán)節(jié)的工藝參數(shù)設(shè)置通常依賴于經(jīng)驗(yàn)和試錯，往往難以應(yīng)對原料特性和工況的動態(tài)變化，且調(diào)整滯后，質(zhì)量波動大。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問題之一。為此，本技術(shù)的一個目的在于提出基于智能控制的無機(jī)礦物纖維生產(chǎn)系統(tǒng)及方法，提高了無機(jī)礦物纖維生產(chǎn)的熔融拉絲環(huán)節(jié)的生產(chǎn)質(zhì)量，從而提高無機(jī)礦物纖維生產(chǎn)的最終質(zhì)量。

2、本技術(shù)的一個方面提供了基于智能控制的無機(jī)礦物纖維生產(chǎn)方法，包括：

3、步驟s100：獲取熔體表面在不同視角下的圖像序列，對圖像序列進(jìn)行特征提取和語義分割，得到圖像特征和語義掩模，構(gòu)建熔體表面的三維形貌模型；

4、步驟s200：獲取熔體表面的溫度分布圖、流速分布圖和電導(dǎo)率分布圖，將溫度分布圖、流速分布圖和電導(dǎo)率分布圖融合為多物理場分布圖，將三維形貌模型和多物理場分布圖進(jìn)行耦合，提取熔體狀態(tài)參數(shù)；

5、步驟s300：采集拉絲工藝參數(shù)和纖維質(zhì)量指標(biāo)，分析熔體狀態(tài)參數(shù)、拉絲工藝參數(shù)和纖維質(zhì)量指標(biāo)之間的因果關(guān)系和因果強(qiáng)度，構(gòu)建加權(quán)貝葉斯網(wǎng)絡(luò)，搜索每個纖維質(zhì)量指標(biāo)的關(guān)鍵原因集；

6、步驟s400：利用歷史時間的熔體狀態(tài)參數(shù)、拉絲工藝參數(shù)、纖維質(zhì)量指標(biāo)訓(xùn)練源域質(zhì)量預(yù)測模型，將源域質(zhì)量預(yù)測模型遷移到目標(biāo)域，得到目標(biāo)域質(zhì)量預(yù)測模型；

7、步驟s500：根據(jù)關(guān)鍵原因集得到候選拉絲工藝參數(shù)，將候選拉絲工藝參數(shù)和熔體狀態(tài)參數(shù)作為輸入，基于目標(biāo)域質(zhì)量預(yù)測模型預(yù)測纖維質(zhì)量指標(biāo)預(yù)測值，計(jì)算質(zhì)量誤差作為反饋，設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)搜索最優(yōu)拉絲工藝參數(shù)。

8、所述獲取熔體表面在不同視角下的圖像序列，對圖像序列進(jìn)行特征提取和語義分割，得到圖像特征和語義掩模，構(gòu)建熔體表面的三維形貌模型的具體方法為：

9、步驟s110：設(shè)置熔體表面的個成像視角，在每個成像視角下獲取連續(xù)幀的圖像序列；其中，表示成像視角編號，，t表示時間步，，表示時間步總數(shù)；

10、步驟s120：對每個成像視角下的圖像序列進(jìn)行特征提取，得到每個成像視角、每個時間步下的每個圖像的圖像特征，對圖像序列中每個成像視角、每個時間步下的圖像進(jìn)行語義分割得到每個圖像的語義掩模；

11、步驟s130：對于時間步t，將圖像特征和語義掩模映射到三維空間，得到三維特征點(diǎn)云和三維語義掩模點(diǎn)云，在三維空間中構(gòu)建體素網(wǎng)格v，對于每個體素，計(jì)算體素與每個成像視角下的三維特征點(diǎn)云之間的特征值，計(jì)算體素與每個成像視角下的三維語義掩模點(diǎn)云之間的語義值；

12、步驟s140：設(shè)置語義值二值化的閾值，將體素的語義值進(jìn)行二值化處理，得到三維語義掩模體素；

13、步驟s150：將三維語義掩模體素中值為1的體素的中心坐標(biāo)提取出來，構(gòu)成時間步t的三維點(diǎn)云坐標(biāo)；所述三維點(diǎn)云坐標(biāo)包含m個三維點(diǎn)；

14、步驟s160：對連續(xù)個時間步的三維點(diǎn)云坐標(biāo)進(jìn)行拼接，得到完整的熔體表面的三維形貌模型。

15、所述獲取熔體表面的溫度分布圖、流速分布圖和電導(dǎo)率分布圖，將溫度分布圖、流速分布圖和電導(dǎo)率分布圖融合為多物理場分布圖，將三維形貌模型和多物理場分布圖進(jìn)行耦合，提取熔體狀態(tài)參數(shù)的具體方法為：

16、步驟s210：獲取熔體表面的溫度分布圖、流速分布圖和電導(dǎo)率分布圖，將溫度分布圖、流速分布圖和電導(dǎo)率分布圖進(jìn)行加權(quán)平均融合，得到多物理場分布圖；

17、步驟s220：將三維形貌模型和多物理場分布圖進(jìn)行耦合，對于每個時間步t和每個三維點(diǎn)，根據(jù)三維點(diǎn)在多物理場分布圖中的對應(yīng)位置，提取該位置的多物理場值，將三維點(diǎn)與多物理場值組合得到熔體狀態(tài)的耦合特征，得到最終的多物理場耦合表征模型；

18、步驟s230：對于每個時間步，從多物理場耦合表征模型中提取熔體狀態(tài)的耦合特征，作為當(dāng)前時間步的熔體狀態(tài)參數(shù)。

19、所述采集拉絲工藝參數(shù)和纖維質(zhì)量指標(biāo)，分析熔體狀態(tài)參數(shù)、拉絲工藝參數(shù)和纖維質(zhì)量指標(biāo)之間的因果關(guān)系和因果強(qiáng)度，構(gòu)建加權(quán)貝葉斯網(wǎng)絡(luò)，搜索每個纖維質(zhì)量指標(biāo)的關(guān)鍵原因集的具體方法為：

20、步驟s310：收集歷史拉絲過程中的熔體狀態(tài)參數(shù)s、拉絲工藝參數(shù)p，對生產(chǎn)出的無機(jī)礦物纖維進(jìn)行質(zhì)量檢測，獲取其纖維質(zhì)量指標(biāo)q；

21、步驟s320：將獲取得到的熔體狀態(tài)參數(shù)、拉絲工藝參數(shù)和纖維質(zhì)量指標(biāo)劃分為nd組樣本數(shù)據(jù)，基于樣本數(shù)據(jù)學(xué)習(xí)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)g和參數(shù)θ；

22、步驟s330：在貝葉斯網(wǎng)絡(luò)中，節(jié)點(diǎn)v表示熔體狀態(tài)參數(shù)、拉絲工藝參數(shù)和纖維質(zhì)量指標(biāo)中的各個參數(shù)，邊u表示各個參數(shù)之間的因果關(guān)系；對于參數(shù)xi和參數(shù)xj，若vi和vj之間存在有向邊，則表示xi是xj的直接原因；

23、步驟s340：計(jì)算每個參數(shù)xi和參數(shù)xj之間的互信息、平均因果效應(yīng)和因果確信度；

24、步驟s350：定義因果強(qiáng)度，對于有向無環(huán)圖中的每對有向邊，根據(jù)互信息、平均因果效應(yīng)和因果確信度計(jì)算參數(shù)xi和參數(shù)xj之間的因果強(qiáng)度，將計(jì)算得到的因果強(qiáng)度賦值給貝葉斯網(wǎng)絡(luò)中的相應(yīng)邊，得到加權(quán)貝葉斯網(wǎng)絡(luò)；

25、步驟s360：對于每個纖維質(zhì)量指標(biāo)，找出其在加權(quán)貝葉斯網(wǎng)絡(luò)中的關(guān)鍵原因集，其中，為第個關(guān)鍵原因節(jié)點(diǎn)。

26、所述關(guān)鍵原因集的獲取方法為：

27、步驟s361：對于每個纖維質(zhì)量指標(biāo)，找出其在加權(quán)貝葉斯網(wǎng)絡(luò)中的所有直接原因節(jié)點(diǎn)集合；

28、步驟s362：對于直接原因節(jié)點(diǎn)集合中的每一個直接原因節(jié)點(diǎn)，計(jì)算該直接原因節(jié)點(diǎn)與纖維質(zhì)量指標(biāo)所在節(jié)點(diǎn)之間的因果強(qiáng)度；

29、步驟s363：將因果強(qiáng)度從大到小進(jìn)行排序，選取前個直接原因節(jié)點(diǎn)作為關(guān)鍵原因節(jié)點(diǎn)，構(gòu)成關(guān)鍵原因集。

30、所述利用歷史時間的熔體狀態(tài)參數(shù)、拉絲工藝參數(shù)、纖維質(zhì)量指標(biāo)訓(xùn)練源域質(zhì)量預(yù)測模型，將源域質(zhì)量預(yù)測模型遷移到目標(biāo)域，得到目標(biāo)域質(zhì)量預(yù)測模型的具體方法為：

31、步驟s410：根據(jù)歷史時間的熔體狀態(tài)參數(shù)、拉絲工藝參數(shù)和纖維質(zhì)量指標(biāo)得到歷史樣本，訓(xùn)練源域質(zhì)量預(yù)測模型，得到源域質(zhì)量預(yù)測模型參數(shù)，其中，表示第n個歷史樣本的熔體狀態(tài)參數(shù)和拉絲工藝參數(shù)組成的特征向量，為對應(yīng)的纖維質(zhì)量指標(biāo)，為歷史樣本數(shù)量；

32、步驟s420：對于新批次水淬渣原料，采集目標(biāo)域數(shù)據(jù)，其中，表示第個目標(biāo)域數(shù)據(jù)的熔體狀態(tài)參數(shù)和拉絲工藝參數(shù)組成的特征向量，為對應(yīng)的纖維質(zhì)量指標(biāo)，為目標(biāo)域數(shù)據(jù)的樣本數(shù)量；

33、步驟s430：采用遷移算法將源域質(zhì)量預(yù)測模型遷移到目標(biāo)域，以源域質(zhì)量預(yù)測模型參數(shù)為初始值，使用目標(biāo)域數(shù)據(jù)對源域質(zhì)量預(yù)測模型進(jìn)行優(yōu)化，以得到目標(biāo)域質(zhì)量預(yù)測模型，設(shè)計(jì)領(lǐng)域適應(yīng)損失函數(shù)和預(yù)測損失函數(shù)，將其加權(quán)求和構(gòu)建損失函數(shù)；

34、步驟s440：以最小化損失函數(shù)作為訓(xùn)練目標(biāo)，求解最優(yōu)的質(zhì)量預(yù)測模型參數(shù)，當(dāng)損失函數(shù)達(dá)到收斂時訓(xùn)練完成，得到訓(xùn)練好的目標(biāo)域質(zhì)量預(yù)測模型；

35、步驟s450：設(shè)計(jì)滑動窗口w，預(yù)設(shè)窗口長度，存儲最近窗口長度的目標(biāo)域數(shù)據(jù)，當(dāng)生產(chǎn)中的熔體狀態(tài)參數(shù)、拉絲工藝參數(shù)變化時，采用滑動窗口內(nèi)的目標(biāo)域數(shù)據(jù)更新目標(biāo)域質(zhì)量預(yù)測模型參數(shù)，將更新后的目標(biāo)域質(zhì)量預(yù)測模型參數(shù)用于下一批次的纖維質(zhì)量指標(biāo)預(yù)測。

36、所述根據(jù)關(guān)鍵原因集得到候選拉絲工藝參數(shù)，將候選拉絲工藝參數(shù)和熔體狀態(tài)參數(shù)作為輸入，基于目標(biāo)域質(zhì)量預(yù)測模型預(yù)測纖維質(zhì)量指標(biāo)預(yù)測值，計(jì)算質(zhì)量誤差作為反饋，設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)搜索最優(yōu)拉絲工藝參數(shù)的具體方法為：

37、步驟s510：獲取當(dāng)前待拉絲的熔體狀態(tài)參數(shù)，將關(guān)鍵原因集中的拉絲工藝參數(shù)作為候選拉絲工藝參數(shù)，初始化候選拉絲工藝參數(shù)的值；

38、步驟s520：將當(dāng)前的熔體狀態(tài)參數(shù)和候選拉絲工藝參數(shù)作為輸入，利用訓(xùn)練好的目標(biāo)域質(zhì)量預(yù)測模型，預(yù)測得到纖維質(zhì)量指標(biāo)預(yù)測值；

39、步驟s530：將纖維質(zhì)量指標(biāo)預(yù)測值與纖維質(zhì)量指標(biāo)目標(biāo)值進(jìn)行比較，計(jì)算其質(zhì)量誤差；

40、步驟s540：以質(zhì)量誤差為反饋，設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)搜索最優(yōu)拉絲工藝參數(shù)；

41、步驟s550：采用遺傳算法求解優(yōu)化目標(biāo)函數(shù)，得到最優(yōu)拉絲工藝參數(shù)，將當(dāng)前熔體狀態(tài)參數(shù)和最優(yōu)拉絲工藝參數(shù)作為輸入數(shù)據(jù)，利用目標(biāo)域質(zhì)量預(yù)測模型輸出優(yōu)化后的纖維質(zhì)量指標(biāo)預(yù)測值；

42、步驟s560：計(jì)算優(yōu)化后的纖維質(zhì)量指標(biāo)預(yù)測值與纖維質(zhì)量指標(biāo)目標(biāo)值之間的質(zhì)量誤差，當(dāng)質(zhì)量誤差小于誤差閾值時，將當(dāng)前的最優(yōu)拉絲工藝參數(shù)應(yīng)用于生產(chǎn)控制，否則繼續(xù)優(yōu)化，直至質(zhì)量誤差小于誤差閾值。

43、本技術(shù)的一個方面提供了基于智能控制的無機(jī)礦物纖維生產(chǎn)系統(tǒng)，包括：

44、熔體表面建模模塊，用于獲取熔體表面在不同視角下的圖像序列，對圖像序列進(jìn)行特征提取和語義分割，得到圖像特征和語義掩模，構(gòu)建熔體表面的三維形貌模型；

45、狀態(tài)參數(shù)獲取模塊，用于獲取熔體表面的溫度分布圖、流速分布圖和電導(dǎo)率分布圖，將溫度分布圖、流速分布圖和電導(dǎo)率分布圖融合為多物理場分布圖，將三維形貌模型和多物理場分布圖進(jìn)行耦合，提取熔體狀態(tài)參數(shù)；

46、關(guān)鍵原因搜索模塊，用于采集拉絲工藝參數(shù)和纖維質(zhì)量指標(biāo)，分析熔體狀態(tài)參數(shù)、拉絲工藝參數(shù)和纖維質(zhì)量指標(biāo)之間的因果關(guān)系和因果強(qiáng)度，構(gòu)建加權(quán)貝葉斯網(wǎng)絡(luò)，搜索每個纖維質(zhì)量指標(biāo)的關(guān)鍵原因集；

47、纖維質(zhì)量預(yù)測模塊，用于利用歷史時間的熔體狀態(tài)參數(shù)、拉絲工藝參數(shù)、纖維質(zhì)量指標(biāo)訓(xùn)練源域質(zhì)量預(yù)測模型，將源域質(zhì)量預(yù)測模型遷移到目標(biāo)域，得到目標(biāo)域質(zhì)量預(yù)測模型；

48、最優(yōu)工藝優(yōu)化模塊，用于根據(jù)關(guān)鍵原因集得到候選拉絲工藝參數(shù)，將候選拉絲工藝參數(shù)和熔體狀態(tài)參數(shù)作為輸入，基于目標(biāo)域質(zhì)量預(yù)測模型預(yù)測纖維質(zhì)量指標(biāo)預(yù)測值，計(jì)算質(zhì)量誤差作為反饋，設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)搜索最優(yōu)拉絲工藝參數(shù)。

49、本技術(shù)的一個方面提供了一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時，以實(shí)現(xiàn)基于智能控制的無機(jī)礦物纖維生產(chǎn)方法中的步驟。

50、本技術(shù)的一個方面提供了一種可讀存儲介質(zhì)，所述可讀存儲介質(zhì)存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序適于處理器進(jìn)行加載，以執(zhí)行基于智能控制的無機(jī)礦物纖維生產(chǎn)方法中的步驟。

51、本技術(shù)提出的基于智能控制的無機(jī)礦物纖維生產(chǎn)系統(tǒng)及方法相對于現(xiàn)有技術(shù)，具備以下優(yōu)點(diǎn)：

52、本技術(shù)利用計(jì)算機(jī)視覺技術(shù)，實(shí)現(xiàn)了對熔體表面形貌的精細(xì)化三維重建，通過將多物理場分布圖與三維形貌模型進(jìn)行耦合，得到了綜合反映熔體幾何形貌和物理特性的熔體狀態(tài)參數(shù)，更加全面地刻畫熔體的時空演化規(guī)律。

53、本技術(shù)通過構(gòu)建加權(quán)貝葉斯網(wǎng)絡(luò)模型，刻畫復(fù)雜系統(tǒng)中變量之間的概率依賴關(guān)系，通過搜索每個纖維質(zhì)量指標(biāo)的關(guān)鍵原因集，發(fā)現(xiàn)影響纖維質(zhì)量的關(guān)鍵因素，確定對質(zhì)量提升最有效的控制手段。

54、本技術(shù)采用遷移學(xué)習(xí)策略，將歷史數(shù)據(jù)訓(xùn)練得到的源域質(zhì)量預(yù)測模型遷移到目標(biāo)域，并利用目標(biāo)域數(shù)據(jù)對模型進(jìn)行優(yōu)化，獲得了針對新批次原料的目標(biāo)域質(zhì)量預(yù)測模型。同時，通過設(shè)計(jì)滑動窗口，利用生產(chǎn)中實(shí)時獲取的數(shù)據(jù)不斷更新預(yù)測模型，實(shí)現(xiàn)了模型的在線自適應(yīng)優(yōu)化。

55、本技術(shù)以模型輸出的質(zhì)量指標(biāo)預(yù)測值與目標(biāo)值間的誤差為反饋，通過設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)搜索最優(yōu)工藝參數(shù)，實(shí)現(xiàn)了生產(chǎn)過程的智能化閉環(huán)優(yōu)化控制，以關(guān)鍵原因集中的拉絲工藝參數(shù)作為優(yōu)化的主要對象，在降低優(yōu)化復(fù)雜度的同時保證了優(yōu)化的有效性。