智能气缸及其控制方法技术

公开了一种智能气缸及其控制方法。其通过对于各个时间点下的涂胶状态监控图像的分析来提取涂胶的状态变化特征信息，并建立气缸控制阀的阀门开度值的时序变化特征信息与所述涂胶状态的时序变化特征信息之间的映射关系，以使得基于涂胶状态变化来自适应地调整所述气缸控制阀的阀门开度值。通过这样的方式，保证涂胶的质量。证涂胶的质量。证涂胶的质量。

【技术实现步骤摘要】
智能气缸及其控制方法


[0001]本申请涉及智能控制领域，且更为具体地，涉及一种智能气缸及其控制方法。

技术介绍

[0002]气缸是指引导活塞在缸内进行直线往复运动的圆筒形金属机。气缸控制阀是气缸的自动控制系统中非常重要的一个终端元件，其用于调节通往气缸气体流量，通过调节气体流速的控制阀能够使得气缸输出轴伸出速率不同。
[0003]在新能源锂电池电芯生产过程中，需要通过气缸作为驱动件来执行涂胶工艺，具体地，通过气缸控制阀来进行涂胶控制。在现有的控制方案中，通过人工观测半自动化调控的方式来进行气缸气体的流量控制，但在实际使用时，由于工艺的不同需要每天调节节胶比例，甚至每小时都要关注胶状态，严重影响自动化生产效率。
[0004]因此，期望一种优化的智能气缸控制方案。

技术实现思路

[0005]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智能气缸及其控制方法。其通过对于各个时间点下的涂胶状态监控图像的分析来提取涂胶的状态变化特征信息，并建立气缸控制阀的阀门开度值的时序变化特征信息与所述涂胶状态的时序变化特征信息之间的映射关系，以使得基于涂胶状态变化来自适应地调整所述气缸控制阀的阀门开度值。通过这样的方式，保证涂胶的质量。
[0006]根据本申请的一个方面，提供了一种智能气缸，其包括：
[0007]数据采集模块，用于获取预定时间段内多个预定时间点的气缸控制阀的阀门开度值，以及，所述多个预定时间点的涂胶状态监控图像；
[0008]空间特征增强模块，用于将所述多个状态监控关键图像通过使用空间注意力机制的卷积神经网络模型以得到多个涂胶状态特征矩阵；
[0009]展开模块，用于将所述多个涂胶状态特征矩阵中的各个涂胶状态特征矩阵分别进行特征矩阵展开以得到多个涂胶状态特征向量；
[0010]第一尺度涂胶状态关联特征提取模块，用于将所述多个涂胶状态特征向量通过基于转换器的上下文编码器以得到第一尺度涂胶状态语义理解特征向量；
[0011]第二尺度涂胶状态关联特征提取模块，用于将所述多个涂胶状态特征向量通过双向长短期记忆神经网络模型以得到第二尺度涂胶状态语义理解特征向量；
[0012]多尺度涂胶状态关联特征融合模块，用于融合所述第一尺度涂胶语义理解特征向量和所述第二尺度涂胶语义理解特征向量以得到涂胶状态语义理解特征向量；
[0013]阀门开度变化模块，用于将所述多个预定时间点的气缸控制阀的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度多尺度特征向量；
[0014]关联性编码模块，用于计算所述涂胶状态语义理解特征向量相对于所述阀门开度
多尺度特征向量的响应性估计以得到分类特征矩阵；
[0015]优化模块，用于对所述分类特征矩阵进行特征分布约束以得到优化分类特征矩阵；以及
[0016]阀门开度控制模块，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，所述分类结果用于表示当前时间点的气缸控制阀的阀门开度值应增大或减小。
[0017]在上述的智能气缸中，所述空间特征增强模块，用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：
[0018]对输入数据进行卷积处理以生成卷积特征图；
[0019]对所述卷积特征图进行池化处理以生成池化特征图；
[0020]对所述池化特征图进行非线性激活以生成激活特征图；
[0021]计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；
[0022]计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及
[0023]计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；
[0024]其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述多个涂胶状态特征矩阵。
[0025]在上述的智能气缸中，所述第一尺度涂胶状态关联特征提取模块，包括：
[0026]上下文编码单元，用于使用所述基于转换器的上下文编码器对所述多个涂胶状态特征向量进行基于全局的上下文语义编码以得到多个上下文涂胶状态特征向量；以及
[0027]级联单元，用于将所述多个上下文涂胶状态特征向量进行级联以得到所述第一尺度涂胶状态语义理解特征向量。
[0028]在上述的智能气缸中，所述上下文编码单元，包括：
[0029]查询向量构造子单元，用于将所述多个涂胶状态特征向量进行一维排列以得到全局词序列特征向量；
[0030]自注意子单元，用于计算所述全局词序列特征向量与所述多个涂胶状态特征向量中各个涂胶状态特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
[0031]标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
[0032]关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及
[0033]注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个涂胶状态特征向量中各个涂胶状态特征向量进行加权以得到所述多个上下文涂胶状态特征向量。
[0034]在上述的智能气缸中，所述第二尺度涂胶状态关联特征提取模块，用于：在每一个所述双向长短期记忆神经网络模型中，
[0035]通过所述双向长短期记忆神经网络模型的前向长短期记忆神经网络模型提取所述多个涂胶状态特征向量的序列中当前涂胶状态特征向量的前文特征；
[0036]通过所述双向长短期记忆神经网络模型的反向长短期记忆神经网络模型提取所述多个涂胶状态特征向量的序列中当前涂胶状态特征向量的后文特征；以及
[0037]基于每个涂胶状态特征向量的所述前文特征和所述后文特征获得所述多个涂胶状态特征向量的序列的中间特征向量，所述中间特征向量为下一层所述双向长短期记忆神经网络模型的输入。
[0038]在上述的智能气缸中，所述多尺度涂胶状态关联特征融合模块，用于：以如下公式融合所述第一尺度涂胶语义理解特征向量和所述第二尺度涂胶语义理解特征向量以得到所述涂胶状态语义理解特征向量；
[0039]其中，所述公式为：
[0040]V
c
＝Concat[V1，V2][0041]其中，V1和V2表示所述第一尺度涂胶语义理解特征向量和所述第二尺度涂胶语义理解特征向量，Concat[
·
]表示级联函数，V
c
表示所述涂胶状态语义理解特征向量。
[0042]在上述的智能气缸中，所述优化模块，包括：
[0043]特征矩阵展开单元，用于将所述分类特征矩阵展开为分类特征向量；
[0044]结构优化单元，用于对所述分类特征向量进行正定赋范空间的几何约束重参数化以得到优化分类特征向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能气缸，其特征在于，包括：数据采集模块，用于获取预定时间段内多个预定时间点的气缸控制阀的阀门开度值，以及，所述多个预定时间点的涂胶状态监控图像；空间特征增强模块，用于将所述多个状态监控关键图像通过使用空间注意力机制的卷积神经网络模型以得到多个涂胶状态特征矩阵；展开模块，用于将所述多个涂胶状态特征矩阵中的各个涂胶状态特征矩阵分别进行特征矩阵展开以得到多个涂胶状态特征向量；第一尺度涂胶状态关联特征提取模块，用于将所述多个涂胶状态特征向量通过基于转换器的上下文编码器以得到第一尺度涂胶状态语义理解特征向量；第二尺度涂胶状态关联特征提取模块，用于将所述多个涂胶状态特征向量通过双向长短期记忆神经网络模型以得到第二尺度涂胶状态语义理解特征向量；多尺度涂胶状态关联特征融合模块，用于融合所述第一尺度涂胶语义理解特征向量和所述第二尺度涂胶语义理解特征向量以得到涂胶状态语义理解特征向量；阀门开度变化模块，用于将所述多个预定时间点的气缸控制阀的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度多尺度特征向量；关联性编码模块，用于计算所述涂胶状态语义理解特征向量相对于所述阀门开度多尺度特征向量的响应性估计以得到分类特征矩阵；优化模块，用于对所述分类特征矩阵进行特征分布约束以得到优化分类特征矩阵；以及阀门开度控制模块，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，所述分类结果用于表示当前时间点的气缸控制阀的阀门开度值应增大或减小。2.根据权利要求1所述的智能气缸，其特征在于，所述空间特征增强模块，用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述多个涂胶状态特征矩阵。3.根据权利要求2所述的智能气缸，其特征在于，所述第一尺度涂胶状态关联特征提取模块，包括：上下文编码单元，用于使用所述基于转换器的上下文编码器对所述多个涂胶状态特征向量进行基于全局的上下文语义编码以得到多个上下文涂胶状态特征向量；以及级联单元，用于将所述多个上下文涂胶状态特征向量进行级联以得到所述第一尺度涂胶状态语义理解特征向量。
4.根据权利要求3所述的智能气缸，其特征在于，所述上下文编码单元，包括：查询向量构造子单元，用于将所述多个涂胶状态特征向量进行一维排列以得到全局词序列特征向量；自注意子单元，用于计算所述全局词序列特征向量与所述多个涂胶状态特征向量中各个涂胶状态特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个涂胶状态特征向量中各个涂胶状态特征向量进行加权以得到所述多个上下文涂胶状态特征向量。5.根据权利要求4所述的智能气缸，其特征在于，所述第二尺度涂胶状态关联特征提取模块，用于：在每一个所述双向长短期记忆神经网络模型中，通过所述双向长短期记忆神经网络模型的前向长短期记忆神经网络模型提取所述多个涂胶状态特征向量的序列中当前涂胶状态特征向量的前文特征；通过所述双向长...

【专利技术属性】
技术研发人员：赵蔚波，
申请(专利权)人：上海弗雷西阀门有限公司，
类型：发明
国别省市：