基于多模态时空特征融合的污泥处理设备控制方法、装置及存储介质与流程
本发明主要涉及工业污水自动化处理,具体涉及基于多模态时空特征融合的污泥处理设备控制方法、装置及存储介质。
背景技术:
1、目前,在工业污水污泥处理的自动化控制领域,传统控制方式大多依赖人工经验进行手动调节与现场值守。现场工作人员通常根据污泥外观、设备运行声响及仪表读数等直观信息,凭借个人经验判断设备运行状态并手动调整药剂投加量、设备运行转速等参数,难以实现对污泥处理过程的精细化、实时化调控。
2、同时,现有常规控制方案多采用单一传感器采集的时序数据进行简单逻辑判断,仅能对设备运行状态进行粗略反馈,缺乏对污泥形态等视觉信息的有效利用,无法实现视觉数据与设备时序数据的有效融合。此外,虽然也有采用深度学习与强化学习等智能算法,但大多仅依赖单一维度数据进行训练与决策,未充分融合视觉特征与时序运行特征,对复杂工况的泛化能力有限,控制精度与稳定性仍难以满足高精度、强鲁棒性的控制需求,难以满足污泥处理设备高效、稳定、智能化运行的实际需求。
技术实现思路
1、本发明所要解决的技术问题是针对现有技术的不足,提供基于多模态时空特征融合的污泥处理设备控制方法、装置及存储介质。
2、本发明解决上述技术问题的技术方案如下:基于多模态时空特征融合的污泥处理设备控制方法,包括如下步骤:
3、采集多模态数据,包括通过视觉传感器采集污泥形态的视频流数据以及通过物理传感器阵列采集设备运行的时序数据;
4、对所述视频流数据和所述时序数据进行预处理,并将预处理后视频流数据和预处理后时序数据映射至同一时间轴,基于映射后的视频流数据和时序数据集成多模态数据集;
5、对所述多模态数据集中的视频流数据进行空间特征提取,得到污泥形态空间特征向量,并对所述多模态数据集中的时序数据进行时序特征提取,得到设备运行时序依赖特征向量;
6、计算污泥形态空间特征向量和设备运行时序依赖特征向量的关联权重,并调节污泥形态空间特征与设备运行时序依赖特征的融合比例,基于关联权重和调节后的融合比例对污泥形态空间特征向量与设备运行时序依赖特征向量进行加权融合,得到融合特征向量;
7、基于actor-critic双分支架构构建深度强化学习策略网络,基于多目标奖励函数对深度强化学习策略网络配置约束条件,得到污泥处理设备控制策略网络;将所述融合特征向量输入所述污泥处理设备控制策略网络的actor分支中,所述actor分支对所述融合特征向量进行决策运算,输出初始控制动作参数,所述critic分支基于初始控制动作参数对当前污泥处理状态价值进行评估,基于评估的状态价值结果对所述初始控制动作参数进行优化,输出污泥处理设备控制指令;
8、将所述控制指令下发至污泥处理设备中进行调控。
9、本发明解决上述技术问题的另一技术方案如下:基于多模态时空特征融合的污泥处理设备控制装置,包括:
10、多模态数据采集模块,用于采集多模态数据,包括通过视觉传感器采集污泥形态的视频流数据以及通过物理传感器阵列采集设备运行的时序数据;
11、数据预处理模块,用于对所述视频流数据和所述时序数据进行预处理,并将预处理后视频流数据和预处理后时序数据映射至同一时间轴,基于映射后的视频流数据和时序数据集成多模态数据集;
12、时空特征提取模块,用于对所述多模态数据集中的视频流数据进行空间特征提取,得到污泥形态空间特征向量,并对所述多模态数据集中的时序数据进行时序特征提取,得到设备运行时序依赖特征向量;
13、特征加权融合模块,用于计算污泥形态空间特征向量和设备运行时序依赖特征向量的关联权重,并调节污泥形态空间特征与设备运行时序依赖特征的融合比例,基于关联权重和调节后的融合比例对污泥形态空间特征向量与设备运行时序依赖特征向量进行加权融合,得到融合特征向量;
14、决策分析模块,用于基于actor-critic双分支架构构建深度强化学习策略网络,基于多目标奖励函数对深度强化学习策略网络配置约束条件,得到污泥处理设备控制策略网络;将所述融合特征向量输入所述污泥处理设备控制策略网络的actor分支中,所述actor分支对所述融合特征向量进行决策运算,输出初始控制动作参数,所述critic分支基于初始控制动作参数对当前污泥处理状态价值进行评估,基于评估的状态价值结果对所述初始控制动作参数进行优化,输出污泥处理设备控制指令;
15、控制指令下发模块,用于将所述控制指令下发至污泥处理设备中进行调控。
16、本发明解决上述技术问题的另一技术方案如下:一种基于多模态时空特征融合的污泥处理设备控制装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上所述的基于多模态时空特征融合的污泥处理设备控制方法。
17、本发明解决上述技术问题的另一技术方案如下:一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的基于多模态时空特征融合的污泥处理设备控制方法。
18、本发明的有益效果是:通过多模态数据采集、时间对齐预处理、时空特征提取、加权融合及深度强化学习决策的完整流程,实现了污泥处理设备多源异构数据的有效利用与智能决策控制,能够精准捕捉污泥形态与设备运行的时空关联特征,显著提升控制指令的准确性与适应性,有效降低人工干预成本,保障污泥处理过程稳定高效运行。
1.基于多模态时空特征融合的污泥处理设备控制方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的污泥处理设备控制方法,其特征在于,对所述视频流数据和所述时序数据进行预处理,并将预处理后视频流数据和预处理后时序数据映射至同一时间轴,基于映射后的视频流数据和时序数据集成多模态数据集,包括:
3.根据权利要求1所述的污泥处理设备控制方法,其特征在于,对所述多模态数据集中的视频流数据进行空间特征提取,得到污泥形态空间特征向量,并对所述多模态数据集中的时序数据进行时序特征提取,得到设备运行时序依赖特征向量,包括:
4.根据权利要求2所述的污泥处理设备控制方法,其特征在于,计算污泥形态空间特征向量和设备运行时序依赖特征向量的关联权重,并调节污泥形态空间特征与设备运行时序依赖特征的融合比例,基于关联权重和调节后的融合比例对污泥形态空间特征向量与设备运行时序依赖特征向量进行加权融合,得到融合特征向量,包括:
5.根据权利要求4所述的污泥处理设备控制方法,其特征在于,所述actor分支对所述融合特征向量进行决策运算,输出初始控制动作参数,包括:
6.根据权利要求1所述的污泥处理设备控制方法,其特征在于,基于多目标奖励函数对深度强化学习策略网络配置约束条件,包括:
7.根据权利要求1所述的污泥处理设备控制方法,其特征在于,所述critic分支基于初始控制动作参数对当前污泥处理状态价值进行评估,基于评估的状态价值结果对所述初始控制动作参数进行优化,包括:
8.基于多模态时空特征融合的污泥处理设备控制装置,其特征在于,包括:
9.基于多模态时空特征融合的污泥处理设备控制装置,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1至7任一项所述的基于多模态时空特征融合的污泥处理设备控制方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1至7任一项所述的基于多模态时空特征融合的污泥处理设备控制方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com