工业制造领域碳排放的管理系统

本技术涉及智能检测领域，且更为具体地，涉及一种工业制造领域碳排放的管理系统。

背景技术：

1、水泥行业是工业制造的基础行业。近年来，水泥行业也加入碳排放管理中。现有的水泥行业对于碳排放的管理，主要是采集水泥生产过程中的能源消耗数据，并将数据发送至服务器，按照国家标准的折算系数把能源数据折算成碳排放数据。

2、然而，目前的这种碳排放管理在企业能源管理中只是作为一个辅助管理的作用，其也仅仅是关注了电能消耗而产生的碳间接排放数据和原煤燃烧而产生的碳直接排放数据，不包括水泥生产过程中的各种原料由于高温发生化学变化而分解出的碳排放，即不包括水泥生产过程中的各生产工艺段的碳直接排放。也就是，现有的碳排放监测管理方案无法实时准确反映水泥企业的碳活动水平，也无法基于碳排放量对企业生产进行管理。

3、因此，期待一种优化的工业制造领域碳排放的管理方案。

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工业制造领域碳排放的管理系统，通过采用基于深度学习的神经网络模型挖掘出水泥生产系统的电气参数动态特征和水泥生产温度参数动态特征间的关联性关系，以此来进行水泥生产的碳排放总量的评估检测，进而准确地进行水泥企业的碳活动水平检测，以基于碳排放量对企业生产进行管理。

2、根据本技术的一个方面，提供了一种工业制造领域碳排放的管理系统，其包括：生产过程参数采集模块，用于获取预定时间段内多个预定时间点的水泥生产系统的电气参数，所述多个预定时间点的水泥生产温度参数；电气特征提取模块，用于将所述多个预定时间点的水泥生产系统的电气参数按照时间维度排列为电气参数输入向量后通过第一多尺度邻域特征提取模块以得到电气特征向量；温度特征提取模块，用于将所述多个预定时间点的水泥生产温度参数按照时间维度排列为温度输入向量后通过第二多尺度邻域特征提取模块以得到温度特征向量；关联编码模块，用于对所述电气特征向量和所述温度特征向量进行关联编码以得到协同输入矩阵；关联特征提取模块，用于将所述协同输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同特征矩阵；基准线网化模块，用于对所述协同特征矩阵进行高斯概率密度的流形曲面的基准线网化以得到线网化协同特征矩阵；以及管理结果生成模块，用于将所述线网化协同特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示所述预定时间段的碳排放总量。

3、在上述工业制造领域碳排放的管理系统中，所述第一多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的级联层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。

4、在上述工业制造领域碳排放的管理系统中，所述电气特征提取模块，包括：第一邻域尺度特征提取单元，用于将所述电气参数输入向量输入所述第一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气特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取单元，用于将所述电气参数输入向量输入所述第一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气特征向量，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；以及，多尺度级联单元，用于将所述第一邻域尺度电气特征向量和所述第二邻域尺度电气特征向量进行级联以得到所述电气特征向量。其中，所述第一邻域尺度特征提取单元，进一步用于：使用所述第一多尺度邻域特征提取模块的第一卷积层以如下公式对所述电气参数输入向量进行一维卷积编码以得到第一邻域尺度电气特征向量；其中，所述公式为：其中，为第一卷积核在方向上的宽度、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，为第一卷积核的尺寸，表示所述电气参数输入向量；以及，所述第二邻域尺度特征提取单元，进一步用于：使用所述第一多尺度邻域特征提取模块的第二卷积层以如下公式对所述电气参数输入向量进行一维卷积编码以得到所述第二邻域尺度电气特征向量；其中，所述公式为：其中，为第二卷积核在方向上的宽度、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，为第二卷积核的尺寸，表示所述电气参数输入向量。

5、在上述工业制造领域碳排放的管理系统中，所述第二多尺度邻域特征提取模块，包括：第三卷积层、与所述第三卷积层并行的第四卷积层，以及，与所述第三卷积层和所述第四卷积层连接的级联层，其中，所述第三卷积层使用具有第三长度的一维卷积核，所述第四卷积层使用具有第四长度的一维卷积核。

6、在上述工业制造领域碳排放的管理系统中，所述关联编码模块，进一步用于：以如下公式对所述电气特征向量和所述温度特征向量进行关联编码以得到协同输入矩阵；其中，所述公式为：其中表示所述电气特征向量，表示所述电气特征向量的转置向量，表示所述温度特征向量，表示所述协同输入矩阵，表示向量相乘。

7、在上述工业制造领域碳排放的管理系统中，所述关联特征提取模块，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述协同特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述协同输入矩阵。

8、在上述工业制造领域碳排放的管理系统中，所述基准线网化模块，进一步用于：以如下公式对所述协同特征矩阵进行高斯概率密度的流形曲面的基准线网化以得到所述线网化协同特征矩阵；其中，所述公式为：其中表示所述协同特征矩阵，表示所述协同特征矩阵的第位置的特征值，和是特征值集合的均值和标准差，且是所述线网化协同特征矩阵的第位置的特征值。

9、在上述工业制造领域碳排放的管理系统中，所述管理结果生成模块，进一步用于：使用所述解码器以如下公式将所述线网化协同特征矩阵进行解码回归以获得用于表示所述预定时间段的碳排放总量的解码值；其中，所述公式为：，其中表示所述线网化协同特征矩阵，是所述解码值，是权重矩阵，表示矩阵相乘。

10、根据本技术的另一方面，提供了一种工业制造领域碳排放的管理方法，其包括：获取预定时间段内多个预定时间点的水泥生产系统的电气参数，所述多个预定时间点的水泥生产温度参数；将所述多个预定时间点的水泥生产系统的电气参数按照时间维度排列为电气参数输入向量后通过第一多尺度邻域特征提取模块以得到电气特征向量；将所述多个预定时间点的水泥生产温度参数按照时间维度排列为温度输入向量后通过第二多尺度邻域特征提取模块以得到温度特征向量；对所述电气特征向量和所述温度特征向量进行关联编码以得到协同输入矩阵；将所述协同输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同特征矩阵；对所述协同特征矩阵进行高斯概率密度的流形曲面的基准线网化以得到线网化协同特征矩阵；以及将所述线网化协同特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示所述预定时间段的碳排放总量。

11、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工业制造领域碳排放的管理方法。

12、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工业制造领域碳排放的管理方法。

13、与现有技术相比，本技术提供的一种工业制造领域碳排放的管理系统，通过采用基于深度学习的神经网络模型挖掘出水泥生产系统的电气参数动态特征和水泥生产温度参数动态特征间的关联性关系，以此来进行水泥生产的碳排放总量的评估检测，进而准确地进行水泥企业的碳活动水平检测，以基于碳排放量对企业生产进行管理。