洗涤剂智能化生产系统及其方法与流程

本技术涉及洗涤剂制备领域，且更为具体地，涉及一种洗涤剂智能化生产系统及其方法。

背景技术：

1、洗涤剂是日常生活中必不可少的一种日用化学品。对天然植物或食物的有色污渍，通常采用能释放活性氧的漂白剂，目前常用的两种漂白剂为过硼酸钠和过碳酸钠，溶于水后都能释放活性氧，从而通过氧化作用去掉衣物沾染的或自身泛黄形成的各种色素。过硼酸钠在水温60℃以上才能充分发挥其释氧漂白性能，需配合活化剂或金属催化剂才能在低温下使用；同时过硼酸钠具有潜在的健康危害和环境危害。过碳酸钠的稳定性不如过硼酸钠，在贮存稳定性和使用时的溶解性能方面难以取得平衡。目前现有技术中一般是将过硼酸钠或过碳酸钠与洗涤剂的其它组份简单地混合或附聚成型方法来制备洗涤剂，这种方法会由于各组份的粒径大小和密度不同，在混合过程中很难混合均匀，因此得到的洗涤组合物的洗涤效果仍较差。

2、针对上述问题，在专利申请号cn 102634422b中公开了一种含氧洗涤剂的制备方法，其通过过氧化氢与含有碳酸钠的组合物直接反应制备含氧洗涤剂，无需先制备过碳酸钠或过硼酸钠，得到的含氧洗涤剂中各组份分布均匀，避免因各组份粒径大小和密度不同导致的组份离析，因此能得到性能稳定、洗涤效果优异的含氧洗涤剂。但是，在实际进行含氧洗涤剂的制备过程中发现制备出的含氧洗涤剂效率和质量难以满足预期的应有要求，进而导致洗涤剂的各组份分布不均，造成洗涤剂的性能较低，洗涤效果仍较差。

3、因此，期望一种优化的洗涤剂智能化生产方案。

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洗涤剂智能化生产系统及其方法，其借助基于深度学习的人工智能监控技术来模拟并建立洗涤剂的制备过程中反应温度值的动态变化与反应液的状态变化之间的复杂映射关系。具体地，挖掘反应过程中各个阶段反应温度的多尺度动态变化特征，并使用三维卷积核的卷积神经网络模型来提取所述反应液的状态特征在时间维度上的动态变化特征，最后以转移向量来表示两者之间的关联性特征分布信息并将其作为分类特征向量进行分类处理，以获得用于表示当前时间点的反应温度值应增大或应减小的分类结果。通过这样的方式，基于反应液状态的实时变化来自适应地调整所述反应温度值以实现提高洗涤剂的洗涤效果的目的。

2、相应地，根据本技术的一个方面，提供了一种洗涤剂智能化生产系统，其包括：监控单元，用于获取预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频；排列单元，用于将所述多个预定时间点的反应温度值分别按照时间维度排列为反应温度输入向量；多尺度编码单元，用于将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量；数据增强单元，用于基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵；三维卷积编码单元，用于将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量；转移单元，用于计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量；以及控制结果生成单元，用于将所述分类特征向量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反应温度值应增大或应减小。

3、在上述洗涤剂智能化生产系统中，所述多尺度邻域特征提取模块，包括相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

4、在上述洗涤剂智能化生产系统中，所述多尺度编码单元，包括：第一尺度编码子单元，用于使用所述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反应温度输入向量进行一维卷积编码以得到第一尺度反应温度特征向量；其中，所述公式为：

5、

6、其中， a为第一卷积核在 x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， w为第一卷积核的尺寸， x表示所述反应温度输入向量，表示所述第一尺度反应温度特征向量；第二尺度编码子单元，用于使用所述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反应温度输入向量进行一维卷积编码以得到第二尺度反应温度特征向量；其中，所述公式为：

7、

8、其中， b为第二卷积核在 x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， m为第二卷积核的尺寸， x表示所述反应温度输入向量，表示所述第二尺度反应温度特征向量；以及，融合子单元，用于使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度反应温度特征向量和所述第二尺度反应温度特征向量进行级联以得到所述多尺度反应温度特征向量。

9、在上述洗涤剂智能化生产系统中，所述数据增强单元，包括：高斯密度图构造子单元，用于构造所述反应温度特征向量的自高斯密度图，所述自高斯密度图的均值向量为所述反应温度特征向量，所述自高斯密度图的协方差矩阵中各个位置的值为所述反应温度特征向量中相应两个位置的特征值之间的方差；以及，高斯离散化子单元，用于对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到反应温度特征矩阵。

10、在上述洗涤剂智能化生产系统中，所述三维卷积编码单元，包括：采样子单元，用于以预定采样频率从所述状态监控视频中提取多个状态监控关键帧；编码子单元，用于将所述多个状态监控关键帧按照时间维度进行排列为三维输入张量后通过所述使用三维卷积核的卷积神经网络模型以得到状态监控特征图；以及，降维子单元，用于沿通道维度对所述状态监控特征图进行全局均值池化以得到所述状态监控特征向量。

11、在上述洗涤剂智能化生产系统中，所述编码子单元，进一步用于：所述使用三维卷积核的卷积神经网络模型在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；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，所述卷积神经网络模型的最后一层的输出为所述状态监控特征图，所述卷积神经网络模型的第一层的输入为所述三维输入张量。

12、在上述洗涤剂智能化生产系统中，所述转移单元，进一步用于：以如下公式计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量；其中，所述公式为：

13、

14、其中表示所述反应温度特征矩阵，表示所述状态监控特征向量，表示所述分类特征向量，表示矩阵相乘。

15、在上述洗涤剂智能化生产系统中，所述控制结果生成单元，包括：全连接编码子单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类子单元，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。

16、在上述洗涤剂智能化生产系统中，还包括用于对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练的训练模块；所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练反应温度值和所述预定时间段的反应液的训练状态监控视频，以及，所述当前时间点的反应温度值应增大或应减小的真实值；训练排列单元，用于将所述多个预定时间点的训练反应温度值分别按照时间维度排列为训练反应温度输入向量；训练多尺度编码单元，用于将所述训练反应温度输入向量通过所述多尺度邻域特征提取模块以得到训练反应温度特征向量；训练数据增强单元，用于基于高斯密度图对所述训练反应温度特征向量进行特征级数据增强以得到训练反应温度特征矩阵；训练三维卷积编码单元，用于将所述预定时间段的反应液的训练状态监控视频通过所述使用三维卷积核的卷积神经网络模型以得到训练状态监控特征向量；训练转移单元，用于计算所述训练状态监控特征向量相对于所述训练反应温度特征矩阵的转移向量作为训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及，训练单元，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练，其中，在所述训练过程的每一轮迭代中，计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值。

17、在上述洗涤剂智能化生产系统中，所述在所述训练过程的每一轮迭代中，以如下公式计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值；其中，所述公式为：

18、

19、其中是所述训练分类特征向量，是所述分类器对所述训练分类特征向量的权重矩阵，和分别表示张量乘法和张量加法，表示向量之间的距离，表示向量的二范数，且和是权重超参数，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示所述分类器的标签值。

20、根据本技术的另一方面，还提供了一种洗涤剂智能化生产方法，其包括：获取预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频；将所述多个预定时间点的反应温度值分别按照时间维度排列为反应温度输入向量；将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量；基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵；将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量；计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量；以及将所述分类特征向量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反应温度值应增大或应减小。

21、在上述洗涤剂智能化生产方法中，所述多尺度邻域特征提取模块，包括相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

22、在上述洗涤剂智能化生产方法中，所述将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量，包括：使用所述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反应温度输入向量进行一维卷积编码以得到第一尺度反应温度特征向量；其中，所述公式为：

23、

24、其中， a为第一卷积核在 x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， w为第一卷积核的尺寸， x表示所述反应温度输入向量，表示所述第一尺度反应温度特征向量；使用所述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反应温度输入向量进行一维卷积编码以得到第二尺度反应温度特征向量；其中，所述公式为：

25、

26、其中， b为第二卷积核在 x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， m为第二卷积核的尺寸， x表示所述反应温度输入向量，表示所述第二尺度反应温度特征向量；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度反应温度特征向量和所述第二尺度反应温度特征向量进行级联以得到所述多尺度反应温度特征向量。

27、在上述洗涤剂智能化生产方法中，所述基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵，包括：构造所述反应温度特征向量的自高斯密度图，所述自高斯密度图的均值向量为所述反应温度特征向量，所述自高斯密度图的协方差矩阵中各个位置的值为所述反应温度特征向量中相应两个位置的特征值之间的方差；以及，对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到反应温度特征矩阵。

28、在上述洗涤剂智能化生产方法中，所述将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量，包括：以预定采样频率从所述状态监控视频中提取多个状态监控关键帧；将所述多个状态监控关键帧按照时间维度进行排列为三维输入张量后通过所述使用三维卷积核的卷积神经网络模型以得到状态监控特征图；以及，沿通道维度对所述状态监控特征图进行全局均值池化以得到所述状态监控特征向量。

29、在上述洗涤剂智能化生产方法中，所述将所述多个状态监控关键帧按照时间维度进行排列为三维输入张量后通过所述使用三维卷积核的卷积神经网络模型以得到状态监控特征图，包括：所述使用三维卷积核的卷积神经网络模型在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；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，所述卷积神经网络模型的最后一层的输出为所述状态监控特征图，所述卷积神经网络模型的第一层的输入为所述三维输入张量。

30、在上述洗涤剂智能化生产方法中，所述计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量，包括：以如下公式计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量；其中，所述公式为：

31、

32、其中表示所述反应温度特征矩阵，表示所述状态监控特征向量，表示所述分类特征向量，表示矩阵相乘。

33、在上述洗涤剂智能化生产方法中，所述将所述分类特征向量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反应温度值应增大或应减小，包括：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。

34、在上述洗涤剂智能化生产方法中，还包括对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练；所述对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练，包括步骤：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练反应温度值和所述预定时间段的反应液的训练状态监控视频，以及，所述当前时间点的反应温度值应增大或应减小的真实值；将所述多个预定时间点的训练反应温度值分别按照时间维度排列为训练反应温度输入向量；将所述训练反应温度输入向量通过所述多尺度邻域特征提取模块以得到训练反应温度特征向量；基于高斯密度图对所述训练反应温度特征向量进行特征级数据增强以得到训练反应温度特征矩阵；将所述预定时间段的反应液的训练状态监控视频通过所述使用三维卷积核的卷积神经网络模型以得到训练状态监控特征向量；计算所述训练状态监控特征向量相对于所述训练反应温度特征矩阵的转移向量作为训练分类特征向量；将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练，其中，在所述训练过程的每一轮迭代中，计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值。

35、在上述洗涤剂智能化生产方法中，所述在所述训练过程的每一轮迭代中，以如下公式计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值；其中，所述公式为：

36、

37、其中是所述训练分类特征向量，是所述分类器对所述训练分类特征向量的权重矩阵，和分别表示张量乘法和张量加法，表示向量之间的距离，表示向量的二范数，且和是权重超参数，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示所述分类器的标签值。

38、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洗涤剂智能化生产方法。

39、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洗涤剂智能化生产方法。

40、与现有技术相比，本技术提供的洗涤剂智能化生产系统及其方法，其借助基于深度学习的人工智能监控技术来模拟并建立洗涤剂的制备过程中反应温度值的动态变化与反应液的状态变化之间的复杂映射关系。具体地，挖掘反应过程中各个阶段反应温度的多尺度动态变化特征，并使用三维卷积核的卷积神经网络模型来提取所述反应液的状态特征在时间维度上的动态变化特征，最后以转移向量来表示两者之间的关联性特征分布信息并将其作为分类特征向量进行分类处理，以获得用于表示当前时间点的反应温度值应增大或应减小的分类结果。通过这样的方式，基于反应液状态的实时变化来自适应地调整所述反应温度值以实现提高洗涤剂的洗涤效果的目的。