基于人工智能的板材干燥设备控制系统的优化方法及系统与流程

1.本发明涉及人工智能技术领域，特别涉及一种基于人工智能的板材干燥设备控制系统的优化方法及系统。


背景技术：

2.人工智能（artificial intelligence，ai）是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
3.随着人工智能的发展进步，其应用领域越来越广，以图像识别为例，现阶段的图像识别可以下沉到系统控制等细分领域。比如，在针对板材干燥设备的控制处理过程中，引入人工智能进行辅助分析是现在的热点。即便如此，如何高质量地实现板材干燥设备控制系统的控制优化处理仍然是现目前需要攻克的技术问题。


技术实现要素：

4.为改善相关技术中存在的技术问题，本发明提供了一种基于人工智能的板材干燥设备控制系统的优化方法及系统。
5.第一方面，本发明实施例提供了一种基于人工智能的板材干燥设备控制系统的优化方法，应用于ai控制平台系统，所述方法包括：获取板材干燥设备控制系统的当前界面状态图像信息，以及所述当前界面状态图像信息对应的关联界面状态图像信息；对所述当前界面状态图像信息和所述关联界面状态图像信息进行可视化控制要素向量挖掘处理，获取可视化控制要素向量数据；其中，所述可视化控制要素向量数据中包括最少一个可视化控制要素向量；利用局部特征强化策略对所述可视化控制要素向量数据进行处理，获取各所述可视化控制要素向量分别对应的局部特征聚焦因子，所述局部特征聚焦因子用于反映所述可视化控制要素向量针对所述当前界面状态图像信息和所述关联界面状态图像信息的参考价值度；依据所述可视化控制要素向量数据和所述局部特征聚焦因子，获取所述当前界面状态图像信息对应的联动控制优化建议标签和观点标签推理数据；其中，所述联动控制优化建议标签包括所述当前界面状态图像信息对应的联动控制优化观点评分，所述观点标签推理数据用于表征各所述可视化控制要素向量针对所述联动控制优化建议标签的依赖性。
6.在一些示例下，所述依据所述可视化控制要素向量数据和所述局部特征聚焦因子，获取所述当前界面状态图像信息对应的观点标签推理数据，包括：获取所述可视化控制要素向量对应的局部场景特征聚焦因子和局部特征簇聚焦因子；其中，所述局部场景特征聚焦因子用于反映单一所述可视化控制要素向量的参考价值度，所述局部特征簇聚焦因子用于反映所述可视化控制要素向量所处可视化控制要素向
量簇的参考价值度，所述可视化控制要素向量簇中包括源于相同界面状态图像信息的可视化控制要素向量；基于所述局部场景特征聚焦因子和所述局部特征簇聚焦因子，确定所述可视化控制要素向量对应的当前局部特征聚焦因子；依据所述当前局部特征聚焦因子和所述可视化控制要素向量对应的控制要素选择特征，确定所述可视化控制要素向量对应的影响力因子；其中，所述观点标签推理数据中包括各个可视化控制要素向量分别对应的影响力因子。
7.在一些示例下，所述利用局部特征强化策略对所述可视化控制要素向量数据进行处理，获取各所述可视化控制要素向量分别对应的局部特征聚焦因子，包括：利用局部场景特征强化策略，对所述可视化控制要素向量数据中的各所述可视化控制要素向量进行处理，获取各所述可视化控制要素向量分别对应的局部场景特征聚焦因子；基于各所述可视化控制要素向量的归属关系，将源于相同界面状态图像信息的所述可视化控制要素向量进行特征分簇处理，获取多组可视化控制要素向量簇；其中，不同可视化控制要素向量簇中包括源于不同界面状态图像信息的可视化控制要素向量；利用特征簇的局部特征强化策略，对所述多组可视化控制要素向量簇进行处理，获取各所述可视化控制要素向量簇分别对应的局部特征簇聚焦因子。
8.在一些示例下，所述联动控制优化建议标签是控制系统优化建议判别网络通过所述可视化控制要素向量数据所得的；其中，所述控制系统优化建议判别网络利用不同的神经网络变量对所述可视化控制要素向量数据进行若干轮处理，所述联动控制优化建议标签中包括x组联动控制优化建议子标签，所述观点标签推理数据中包括所述x组联动控制优化建议子标签对应的x个观点子标签推理数据，所述联动控制优化建议子标签与所述观点子标签推理数据为一对一匹配关系，x为正整数。
9.在一些示例下，所述依据所述可视化控制要素向量数据和所述局部特征聚焦因子，获取所述当前界面状态图像信息对应的联动控制优化建议标签之后，还包括：从所述x组联动控制优化建议子标签中分别获取目标联动控制优化建议对应的可能性评分；对所述目标联动控制优化建议的可能性评分进行均值化处理，获取所述目标联动控制优化建议对应的全局可能性评分；生成所述当前界面状态图像信息对应的当前联动控制优化建议标签，所述当前联动控制优化建议标签中包括各个联动控制优化建议分别对应的全局可能性评分。
10.在一些示例下，所述生成所述当前界面状态图像信息对应的当前联动控制优化建议标签之后，还包括：基于各个所述联动控制优化建议分别对应的全局可能性评分，获取所述当前联动控制优化建议标签的判别决策权重；其中，所述判别决策权重用于分析所述当前联动控制优化建议标签的不确定性；基于所述判别决策权重，确定所述控制系统优化建议判别网络针对所述当前界面状态图像信息的逆向质疑权重；
响应于所述逆向质疑权重符合要求，确定所述当前联动控制优化建议标签为合格优化建议；响应于所述逆向质疑权重不符合要求，生成控制优化预警数据，所述控制优化预警数据用于指示对所述当前界面状态图像信息进行控制优化校对。
11.在一些示例下，所述依据所述可视化控制要素向量数据和所述局部特征聚焦因子，获取所述当前界面状态图像信息对应的观点标签推理数据之后，还包括：从所述x个观点子标签推理数据中分别获取目标可视化控制要素向量对应的影响力因子；对所述目标可视化控制要素向量对应的影响力因子进行均值化处理，获取所述目标可视化控制要素向量对应的当前影响力因子；生成所述当前界面状态图像信息对应的当前观点标签推理数据，所述当前观点标签推理数据中包括各所述可视化控制要素向量分别对应的当前影响力因子。
12.在一些示例下，所述不同的神经网络变量是基于若干轮任意抽样所得的。
13.在一些示例下，所述控制系统优化建议判别网络的调试步骤包括：获取多个界面状态图像信息学习数据，以及各个所述界面状态图像信息学习数据对应的联动控制优化学习标签；从各个所述界面状态图像信息学习数据中分别提取可视化控制要素向量学习数据；利用所述可视化控制要素向量学习数据和所述联动控制优化建议信息对所述控制系统优化建议判别网络进行调试；其中，所述控制系统优化建议判别网络中引入局部特征强化策略，所述局部特征强化策略用于确定所述可视化控制要素向量学习数据中的各个可视化控制要素向量学习数据针对所述界面状态图像信息学习数据中的参考价值度，所述参考价值度用于确定各个所述可视化控制要素向量学习数据对网络生成信息的依赖性。
14.在一些示例下，所述利用所述可视化控制要素向量学习数据和所述联动控制优化建议信息对所述控制系统优化建议判别网络进行调试，包括：利用多组神经网络变量，对所述可视化控制要素向量学习数据进行若干轮处理，获取多组网络生成信息；依据所述多组网络生成信息，以及所述联动控制优化建议信息，确定所述控制系统优化建议判别网络的网络质量评估指标值；其中，网络质量评估指标用于反映所述控制系统优化建议判别网络的生成信息的精度；依据所述网络质量评估指标值对所述控制系统优化建议判别网络的神经网络变量进行改进，直到所述网络质量评估指标趋于稳定。
15.在一些示例下，所述局部特征强化策略包括局部场景特征强化策略和特征簇的局部特征强化策略；其中，所述局部场景特征强化策略用于分析单一可视化控制要素向量的参考价值度，所述特征簇的局部特征强化策略用于分析可视化控制要素向量簇的参考价值度，所述可视化控制要素向量簇中包括源于相同界面状态图像信息的可视化控制要素向量。
16.在一些可独立的实施例中，所述方法还包括：依据所述联动控制优化建议标签，对
所述板材干燥设备控制系统进行控制优化升级处理。
17.在一些可独立的实施例中，所述依据所述联动控制优化建议标签，对所述板材干燥设备控制系统进行控制优化升级处理，包括：依据所述联动控制优化建议标签获取限位监测控制优化方案集，其中，所述限位监测控制优化方案集包括存在关联的p个限位监测控制优化方案，所述p为大于或等于1的整数；依据所述限位监测控制优化方案集获取温控优化方案集，其中，所述温控优化方案集包括存在关联的p个温控优化方案；基于所述限位监测控制优化方案集，通过文本分析算法所包含的第一语义挖掘组件获取限位监测控制优化向量集，其中，所述限位监测控制优化向量集包括p个限位监测控制优化向量；基于所述温控优化方案集，通过所述文本分析算法所包含的第二语义挖掘组件获取温控优化向量集，其中，所述温控优化向量集包括p个温控优化向量；基于所述限位监测控制优化向量集以及所述温控优化向量集，通过所述文本分析算法所包含的优化策略判别组件获取所述限位监测控制优化方案集所对应的联动策略判别评分；依据所述联动策略判别评分确定所述限位监测控制优化方案集的联动控制优化升级策略；利用所述联动控制优化升级策略对所述板材干燥设备控制系统进行控制优化升级处理。
18.在一些可独立的实施例中，所述基于所述限位监测控制优化向量集以及所述温控优化向量集，通过所述文本分析算法所包含的优化策略判别组件获取所述限位监测控制优化方案集所对应的联动策略判别评分，包括：基于所述限位监测控制优化向量集，通过所述文本分析算法所包含的第一局部聚焦模型获取p个第一可逆频繁项，其中，每个第一可逆频繁项对应于一个限位监测控制优化向量；基于所述温控优化向量集，通过所述文本分析算法所包含的第二局部聚焦模型获取p个第二可逆频繁项，其中，每个第二可逆频繁项对应于一个温控优化向量；对所述p个第一可逆频繁项以及所述p个第二可逆频繁项进行组合处理，得到p个目标可逆频繁项，其中，每个目标可逆频繁项包括一个第一可逆频繁项以及一个第二可逆频繁项；基于所述p个目标可逆频繁项，通过所述文本分析算法所包含的所述优化策略判别组件获取所述限位监测控制优化方案集所对应的联动策略判别评分。
19.在一些可独立的实施例中，所述基于所述限位监测控制优化向量集，通过所述文本分析算法所包含的第一局部聚焦模型获取p个第一可逆频繁项，包括：对于所述限位监测控制优化向量集中的每个限位监测控制优化向量，通过所述第一局部聚焦模型所包含的局部降采样层获取第一局部降采样优化向量，其中，所述第一局部聚焦模型属于所述文本分析算法；对于所述限位监测控制优化向量集中的每个限位监测控制优化向量，通过所述第
一局部聚焦模型所包含的全局降采样层获取第一全局降采样优化向量；对于所述限位监测控制优化向量集中的每个限位监测控制优化向量，基于所述第一局部降采样优化向量以及所述第一全局降采样优化向量，通过所述第一局部聚焦模型所包含的滑动平均层获取第一聚合优化向量；对于所述限位监测控制优化向量集中的每个限位监测控制优化向量，基于所述第一聚合优化向量以及所述限位监测控制优化向量，通过所述第一局部聚焦模型所包含的第一全局降采样层获取第一可逆频繁项。
20.第二方面，本发明还提供了一种ai控制平台系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
21.第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
22.应用本发明实施例，通过局部特征强化策略对可视化控制要素向量数据进行处理，确定用于反映各个可视化控制要素向量针对界面状态图像信息的参考价值度的局部特征聚焦因子，进而依据可视化控制要素向量数据和局部特征聚焦因子获取联动控制优化建议标签和观点标签推理数据。如此一来，联动控制优化建议标签中包括联动控制优化观点评分，可以确保联动控制优化建议标签的丰富程度，避免联动控制优化建议标签的信息承载量过低。此外，观点标签推理数据用于表征各个可视化控制要素向量针对联动控制优化建议标签的依赖性，确保了联动控制优化建议标签的合理性和推导性，有理有据地提高了联动控制优化建议标签的说服力，这样可以通过观点标签推理数据确定联动控制优化建议标签的确定思路，确保联动控制优化建议标签的可读性和可理解性，以便高质量地实现板材干燥设备控制系统的控制优化处理。
附图说明
23.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
24.图1是本发明实施例提供的一种基于人工智能的板材干燥设备控制系统的优化方法的流程示意图。
具体实施方式
25.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
26.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
27.本发明实施例所提供的方法实施例可以在ai控制平台系统、计算机设备或者类似的运算装置中执行。以运行在ai控制平台系统上为例，ai控制平台系统可以包括一个或多个处理器（处理器可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置）和
用于存储数据的存储器，可选地，上述ai控制平台系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述ai控制平台系统的结构造成限定。例如，ai控制平台系统还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。
28.存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于人工智能的板材干燥设备控制系统的优化方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至ai控制平台系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
29.传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括ai控制平台系统的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（network interface controller，简称为nic），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（radio frequency，简称为rf）模块，其用于通过无线方式与互联网进行通讯。
30.基于此，请参阅图1，图1是本发明实施例所提供的一种基于人工智能的板材干燥设备控制系统的优化方法的流程示意图，该方法应用于ai控制平台系统，进一步可以包括步骤101-步骤104。
31.步骤101、获取板材干燥设备控制系统的当前界面状态图像信息，以及所述当前界面状态图像信息对应的关联界面状态图像信息。
32.本发明实施例中，板材干燥设备控制系统用于对板材干燥设备进行控制，从而使得板材干燥设备能够对板材类产品进行加热干燥，使板材类产品失去游离水分，达到成品板材要求。基于此，板材干燥设备控制系统的当前界面状态图像信息可以包括针对板材干燥设备的温度状态控制记录、传动齿轮控制记录、阀门开关调整参数的控制记录等的组合（比如图表、曲线等的组合）。关联界面状态图像信息是与当前界面状态图像信息存在联系的界面状态图像信息，比如可以是当前界面状态图像信息的之前某个时段的界面状态图像信息，也可以是与当前界面状态图像信息对应的待干燥板材相同的界面状态图像信息，在此不作限定。
33.步骤102、对所述当前界面状态图像信息和所述关联界面状态图像信息进行可视化控制要素向量挖掘处理，获取可视化控制要素向量数据。
34.其中，所述可视化控制要素向量数据中包括最少一个可视化控制要素向量。本发明实施例中，可视化控制要素向量用于表征当前界面状态图像信息/关联界面状态图像信息的图像特征，该图像特征能够反映针对板材干燥设备进行控制的特征信息（也即控制要素）。
35.步骤103、利用局部特征强化策略对所述可视化控制要素向量数据进行处理，获取各所述可视化控制要素向量分别对应的局部特征聚焦因子。
36.其中，所述局部特征聚焦因子用于反映所述可视化控制要素向量针对所述当前界面状态图像信息和所述关联界面状态图像信息的参考价值度。
37.本发明实施例中，局部特征聚焦因子可以理解为注意力因子/注意力权重值，而局部特征强化策略则可以理解为attention mechanism（注意力机制）。所述可视化控制要素向量针对所述当前界面状态图像信息和所述关联界面状态图像信息的参考价值度反映所述可视化控制要素向量针对所述当前界面状态图像信息和所述关联界面状态图像信息的重要性。
38.步骤104、依据所述可视化控制要素向量数据和所述局部特征聚焦因子，获取所述当前界面状态图像信息对应的联动控制优化建议标签和观点标签推理数据。
39.其中，所述联动控制优化建议标签包括所述当前界面状态图像信息对应的联动控制优化观点评分，所述观点标签推理数据用于表征各所述可视化控制要素向量针对所述联动控制优化建议标签的依赖性。
40.本发明实施例中，联动控制优化建议标签用于表征针对当前界面状态图像信息的控制优化建议类别（比如确保温控和限位控制的一致性，避免过热/欠热等问题），基于此，联动控制优化观点评分可以理解为联动控制优化建议标签的分布可能性或者分布概率。而观点标签推理数据还用于反映可视化控制要素向量针对联动控制优化建议标签的影响程度。
41.可见，通过步骤101-步骤104，通过局部特征强化策略对可视化控制要素向量数据进行处理，确定用于反映各个可视化控制要素向量针对界面状态图像信息的参考价值度的局部特征聚焦因子，进而依据可视化控制要素向量数据和局部特征聚焦因子获取联动控制优化建议标签和观点标签推理数据。如此一来，联动控制优化建议标签中包括联动控制优化观点评分，可以确保联动控制优化建议标签的丰富程度，避免联动控制优化建议标签的信息承载量过低。此外，观点标签推理数据用于表征各个可视化控制要素向量针对联动控制优化建议标签的依赖性，确保了联动控制优化建议标签的合理性和推导性，有理有据地提高了联动控制优化建议标签的说服力，这样可以通过观点标签推理数据确定联动控制优化建议标签的确定思路，确保联动控制优化建议标签的可读性和可理解性，以便高质量地实现板材干燥设备控制系统的控制优化处理。
42.在一些可独立的实施例中，在步骤104所描述的获取所述当前界面状态图像信息对应的联动控制优化建议标签和观点标签推理数据之后，该方法还包括步骤105。
43.步骤105、依据所述联动控制优化建议标签，对所述板材干燥设备控制系统进行控制优化升级处理。
44.可以理解，在准确、合理地确定出联动控制优化建议标签之后，可以利用联动控制优化建议标签确定相应的联动控制优化策略，以根据联动控制优化策略实现板材干燥设备控制系统的控制优化升级处理。
45.在一些可独立的实施例中，步骤105中的依据所述联动控制优化建议标签，对所述板材干燥设备控制系统进行控制优化升级处理，包括步骤1051-步骤1057。
46.步骤1051、依据所述联动控制优化建议标签获取限位监测控制优化方案集，其中，所述限位监测控制优化方案集包括存在关联的p个限位监测控制优化方案，所述p为大于或等于1的整数。
47.步骤1052、依据所述限位监测控制优化方案集获取温控优化方案集，其中，所述温控优化方案集包括存在关联的p个温控优化方案。
48.步骤1053、基于所述限位监测控制优化方案集，通过文本分析算法所包含的第一语义挖掘组件获取限位监测控制优化向量集，其中，所述限位监测控制优化向量集包括p个限位监测控制优化向量。
49.步骤1054、基于所述温控优化方案集，通过所述文本分析算法所包含的第二语义挖掘组件获取温控优化向量集，其中，所述温控优化向量集包括p个温控优化向量。
50.步骤1055、基于所述限位监测控制优化向量集以及所述温控优化向量集，通过所述文本分析算法所包含的优化策略判别组件获取所述限位监测控制优化方案集所对应的联动策略判别评分。
51.步骤1056、依据所述联动策略判别评分确定所述限位监测控制优化方案集的联动控制优化升级策略。
52.步骤1057、利用所述联动控制优化升级策略对所述板材干燥设备控制系统进行控制优化升级处理。
53.本发明实施例中，优化向量用于反映温控优化或者限位优化的预测特征或者期望特征，联动策略判别评分用于反映限位监测控制优化方案集的策略分类标签，在此基础上，可以通过联动策略判别评分准确确定联动控制优化升级策略，从而依据联动控制优化升级策略对板材干燥设备控制系统进行温控+限位控的一致性控制优化升级处理。
54.在一些可独立的实施例中，步骤1055中的基于所述限位监测控制优化向量集以及所述温控优化向量集，通过所述文本分析算法所包含的优化策略判别组件获取所述限位监测控制优化方案集所对应的联动策略判别评分，包括步骤10551-步骤10554。
55.步骤10551、基于所述限位监测控制优化向量集，通过所述文本分析算法所包含的第一局部聚焦模型获取p个第一可逆频繁项，其中，每个第一可逆频繁项对应于一个限位监测控制优化向量。
56.步骤10552、基于所述温控优化向量集，通过所述文本分析算法所包含的第二局部聚焦模型获取p个第二可逆频繁项，其中，每个第二可逆频繁项对应于一个温控优化向量。
57.步骤10553、对所述p个第一可逆频繁项以及所述p个第二可逆频繁项进行组合处理，得到p个目标可逆频繁项，其中，每个目标可逆频繁项包括一个第一可逆频繁项以及一个第二可逆频繁项。
58.步骤10554、基于所述p个目标可逆频繁项，通过所述文本分析算法所包含的所述优化策略判别组件获取所述限位监测控制优化方案集所对应的联动策略判别评分。
59.本发明实施例中，可逆频繁项可以理解为卷积特征，通过步骤10551-步骤10554，能够准确确定出联动策略判别评分。
60.在一些可独立的实施例中，步骤10551中的基于所述限位监测控制优化向量集，通过所述文本分析算法所包含的第一局部聚焦模型获取p个第一可逆频繁项，包括步骤10551a-步骤10551d。
61.步骤10551a、对于所述限位监测控制优化向量集中的每个限位监测控制优化向量，通过所述第一局部聚焦模型所包含的局部降采样层获取第一局部降采样优化向量，其中，所述第一局部聚焦模型属于所述文本分析算法。
62.步骤10551b、对于所述限位监测控制优化向量集中的每个限位监测控制优化向量，通过所述第一局部聚焦模型所包含的全局降采样层获取第一全局降采样优化向量。
63.步骤10551c、对于所述限位监测控制优化向量集中的每个限位监测控制优化向量，基于所述第一局部降采样优化向量以及所述第一全局降采样优化向量，通过所述第一局部聚焦模型所包含的滑动平均层获取第一聚合优化向量。
64.步骤10551d、对于所述限位监测控制优化向量集中的每个限位监测控制优化向量，基于所述第一聚合优化向量以及所述限位监测控制优化向量，通过所述第一局部聚焦模型所包含的第一全局降采样层获取第一可逆频繁项。
65.本发明实施例中，通过应用步骤10551a-步骤10551d，能够将局部降采样和全局降采样考虑在内，这样可以提高第一可逆频繁项的特征表征性能，并抑制第一可逆频繁项的噪声特征，提高整体方案的效率。
66.在一些可能的实施例中，步骤104中的依据所述可视化控制要素向量数据和所述局部特征聚焦因子，获取所述当前界面状态图像信息对应的观点标签推理数据，包括步骤1041-步骤1043。
67.步骤1041、获取所述可视化控制要素向量对应的局部场景特征聚焦因子（可以理解为空间注意力因子）和局部特征簇聚焦因子（可以理解为特征簇层面的注意力因子）。
68.其中，所述局部场景特征聚焦因子用于反映单一所述可视化控制要素向量的参考价值度（可以理解为重要程度），所述局部特征簇聚焦因子用于反映所述可视化控制要素向量所处可视化控制要素向量簇的参考价值度，所述可视化控制要素向量簇中包括源于相同界面状态图像信息的可视化控制要素向量。
69.步骤1042、基于所述局部场景特征聚焦因子和所述局部特征簇聚焦因子，确定所述可视化控制要素向量对应的当前局部特征聚焦因子。
70.步骤1043、依据所述当前局部特征聚焦因子和所述可视化控制要素向量对应的控制要素选择特征（可以理解为控制要素嵌入特征），确定所述可视化控制要素向量对应的影响力因子（可以理解为贡献权重）。
71.其中，所述观点标签推理数据中包括各个可视化控制要素向量分别对应的影响力因子。
72.可见，通过步骤1041-步骤1043，通过可视化控制要素向量对应的局部场景特征聚焦因子和局部特征簇聚焦因子，并结合控制要素选择特征，能够准确确定观点标签推理数据中各个可视化控制要素向量分别对应的影响力因子，以提高观点标签推理数据的丰富程度和准确性。
73.在一些可选的实施例中，步骤103中的利用局部特征强化策略对所述可视化控制要素向量数据进行处理，获取各所述可视化控制要素向量分别对应的局部特征聚焦因子，包括步骤1031-步骤1033。
74.步骤1031、利用局部场景特征强化策略，对所述可视化控制要素向量数据中的各所述可视化控制要素向量进行处理，获取各所述可视化控制要素向量分别对应的局部场景特征聚焦因子。
75.步骤1032、基于各所述可视化控制要素向量的归属关系，将源于相同界面状态图像信息的所述可视化控制要素向量进行特征分簇处理，获取多组可视化控制要素向量簇。
76.其中，不同可视化控制要素向量簇中包括源于不同界面状态图像信息的可视化控制要素向量。
77.步骤1033、利用特征簇的局部特征强化策略，对所述多组可视化控制要素向量簇进行处理，获取各所述可视化控制要素向量簇分别对应的局部特征簇聚焦因子。
78.可以理解，通过步骤1031-步骤1033，能够考虑各可视化控制要素向量的归属关系，这样可以准确实现特征分簇处理，以得到多组可视化控制要素向量簇，从而对多组可视化控制要素向量簇进行处理，以准确可靠地确定各可视化控制要素向量簇分别对应的局部特征簇聚焦因子。
79.在一些可选的实施例中，所述联动控制优化建议标签是控制系统优化建议判别网络通过所述可视化控制要素向量数据所得的。其中，控制系统优化建议判别网络可以是控制优化建议的分类网络或者分类器。进一步地，所述控制系统优化建议判别网络利用不同的神经网络变量对所述可视化控制要素向量数据进行若干轮处理，所述联动控制优化建议标签中包括x组联动控制优化建议子标签，所述观点标签推理数据中包括所述x组联动控制优化建议子标签对应的x个观点子标签推理数据，所述联动控制优化建议子标签与所述观点子标签推理数据为一对一匹配关系，x为正整数。这样一来，可以准确、完整地确定出联动控制优化建议标签。
80.在一些可选的实施例中，在步骤104所描述的依据所述可视化控制要素向量数据和所述局部特征聚焦因子，获取所述当前界面状态图像信息对应的联动控制优化建议标签之后，还包括s1051-s1053。
81.s1051、从所述x组联动控制优化建议子标签中分别获取目标联动控制优化建议对应的可能性评分（可以理解为概率）。
82.s1052、对所述目标联动控制优化建议的可能性评分进行均值化处理，获取所述目标联动控制优化建议对应的全局可能性评分（可以理解为最终概率）。
83.s1053、生成所述当前界面状态图像信息对应的当前联动控制优化建议标签，所述当前联动控制优化建议标签中包括各个联动控制优化建议分别对应的全局可能性评分。
84.可以理解，基于s1051-s1053，能够通过可能性评分的均值化处理获得目标联动控制优化建议对应的全局可能性评分，从而基于全局可能性评分准确生成当前界面状态图像信息对应的当前联动控制优化建议标签。
85.在一些可选的实施例中，在s1053中的生成所述当前界面状态图像信息对应的当前联动控制优化建议标签之后，还包括s1054-s1057。
86.s1054、基于各个所述联动控制优化建议分别对应的全局可能性评分，获取所述当前联动控制优化建议标签的判别决策权重（可以理解为度量权重）。
87.其中，所述判别决策权重用于分析所述当前联动控制优化建议标签的不确定性。
88.s1055、基于所述判别决策权重，确定所述控制系统优化建议判别网络针对所述当前界面状态图像信息的逆向质疑权重（可以理解为置信度）。
89.s1056、响应于所述逆向质疑权重符合要求，确定所述当前联动控制优化建议标签为合格优化建议。
90.s1057、响应于所述逆向质疑权重不符合要求，生成控制优化预警数据，所述控制优化预警数据用于指示对所述当前界面状态图像信息进行控制优化校对。
91.在本发明实施例中，通过s1054-s1057，能够引入判别决策权重以及逆向质疑权重进行建议合格性的分析，从而确保当前联动控制优化建议标签的合理性和准确性，避免控
制优化造成的误差和混乱。
92.在一些可能的实施例中，在步骤104所描述的依据所述可视化控制要素向量数据和所述局部特征聚焦因子，获取所述当前界面状态图像信息对应的观点标签推理数据之后，还包括：从所述x个观点子标签推理数据中分别获取目标可视化控制要素向量对应的影响力因子；对所述目标可视化控制要素向量对应的影响力因子进行均值化处理，获取所述目标可视化控制要素向量对应的当前影响力因子；生成所述当前界面状态图像信息对应的当前观点标签推理数据，所述当前观点标签推理数据中包括各所述可视化控制要素向量分别对应的当前影响力因子。如此一来，可以通过影响力因子准确确定当前观点标签推理数据。
93.在一些示例性设计思路下，所述不同的神经网络变量是基于若干轮任意抽样所得的。基于此，上述控制系统优化建议判别网络的调试步骤可以包括s001-s003所描述的技术方案。
94.s001、获取多个界面状态图像信息学习数据（可以理解为界面状态图像信息样例），以及各个所述界面状态图像信息学习数据对应的联动控制优化学习标签（可以理解为联动控制优化标签样例）。
95.s002、从各个所述界面状态图像信息学习数据中分别提取可视化控制要素向量学习数据（可以理解为可视化控制要素向量数据样例）。
96.s003、利用所述可视化控制要素向量学习数据和所述联动控制优化建议信息对所述控制系统优化建议判别网络进行调试。
97.本发明实施例中，所述控制系统优化建议判别网络中引入局部特征强化策略，所述局部特征强化策略用于确定所述可视化控制要素向量学习数据中的各个可视化控制要素向量学习数据针对所述界面状态图像信息学习数据中的参考价值度，所述参考价值度用于确定各个所述可视化控制要素向量学习数据对网络生成信息的依赖性。
98.可见，通过s001-s003，能够结合可视化控制要素向量学习数据和所述联动控制优化建议信息实现控制系统优化建议判别网络的高效、精准调试。
99.在一些可独立的实施例中，s003中的利用所述可视化控制要素向量学习数据和所述联动控制优化建议信息对所述控制系统优化建议判别网络进行调试，包括s0031-s0033。
100.s0031、利用多组神经网络变量，对所述可视化控制要素向量学习数据进行若干轮处理，获取多组网络生成信息（可以理解为控制系统优化建议判别网络的输出结果）。
101.s0032、依据所述多组网络生成信息，以及所述联动控制优化建议信息，确定所述控制系统优化建议判别网络的网络质量评估指标值（可以理解为神经网络损失函数值）。
102.其中，网络质量评估指标（可以理解为神经网络损失函数）用于反映所述控制系统优化建议判别网络的生成信息的精度。
103.s0033、依据所述网络质量评估指标值对所述控制系统优化建议判别网络的神经网络变量进行改进，直到所述网络质量评估指标趋于稳定。
104.可以理解，通过s0031-s0033，能够以网络质量评估指标值的收敛为条件进行控制系统优化建议判别网络的神经网络变量改进，从而保障调试得到的控制系统优化建议判别网络的稳定性。
105.在一些可能的实施例中，所述局部特征强化策略包括局部场景特征强化策略和特
征簇的局部特征强化策略；其中，所述局部场景特征强化策略用于分析单一可视化控制要素向量的参考价值度，所述特征簇的局部特征强化策略用于分析可视化控制要素向量簇的参考价值度，所述可视化控制要素向量簇中包括源于相同界面状态图像信息的可视化控制要素向量。
106.进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
107.在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
108.另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
109.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
110.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于人工智能的板材干燥设备控制系统的优化方法，其特征在于，应用于ai控制平台系统，所述方法包括：获取板材干燥设备控制系统的当前界面状态图像信息，以及所述当前界面状态图像信息对应的关联界面状态图像信息；对所述当前界面状态图像信息和所述关联界面状态图像信息进行可视化控制要素向量挖掘处理，获取可视化控制要素向量数据；其中，所述可视化控制要素向量数据中包括最少一个可视化控制要素向量；利用局部特征强化策略对所述可视化控制要素向量数据进行处理，获取各所述可视化控制要素向量分别对应的局部特征聚焦因子，所述局部特征聚焦因子用于反映所述可视化控制要素向量针对所述当前界面状态图像信息和所述关联界面状态图像信息的参考价值度；依据所述可视化控制要素向量数据和所述局部特征聚焦因子，获取所述当前界面状态图像信息对应的联动控制优化建议标签和观点标签推理数据；其中，所述联动控制优化建议标签包括所述当前界面状态图像信息对应的联动控制优化观点评分，所述观点标签推理数据用于表征各所述可视化控制要素向量针对所述联动控制优化建议标签的依赖性。2.根据权利要求1所述的方法，其特征在于，所述依据所述可视化控制要素向量数据和所述局部特征聚焦因子，获取所述当前界面状态图像信息对应的观点标签推理数据，包括：获取所述可视化控制要素向量对应的局部场景特征聚焦因子和局部特征簇聚焦因子；其中，所述局部场景特征聚焦因子用于反映单一所述可视化控制要素向量的参考价值度，所述局部特征簇聚焦因子用于反映所述可视化控制要素向量所处可视化控制要素向量簇的参考价值度，所述可视化控制要素向量簇中包括源于相同界面状态图像信息的可视化控制要素向量；基于所述局部场景特征聚焦因子和所述局部特征簇聚焦因子，确定所述可视化控制要素向量对应的当前局部特征聚焦因子；依据所述当前局部特征聚焦因子和所述可视化控制要素向量对应的控制要素选择特征，确定所述可视化控制要素向量对应的影响力因子；其中，所述观点标签推理数据中包括各个可视化控制要素向量分别对应的影响力因子。3.根据权利要求1所述的方法，其特征在于，所述利用局部特征强化策略对所述可视化控制要素向量数据进行处理，获取各所述可视化控制要素向量分别对应的局部特征聚焦因子，包括：利用局部场景特征强化策略，对所述可视化控制要素向量数据中的各所述可视化控制要素向量进行处理，获取各所述可视化控制要素向量分别对应的局部场景特征聚焦因子；基于各所述可视化控制要素向量的归属关系，将源于相同界面状态图像信息的所述可视化控制要素向量进行特征分簇处理，获取多组可视化控制要素向量簇；其中，不同可视化控制要素向量簇中包括源于不同界面状态图像信息的可视化控制要素向量；利用特征簇的局部特征强化策略，对所述多组可视化控制要素向量簇进行处理，获取各所述可视化控制要素向量簇分别对应的局部特征簇聚焦因子。4.根据权利要求1至3任一项所述的方法，其特征在于，所述联动控制优化建议标签是控制系统优化建议判别网络通过所述可视化控制要素向量数据所得的；
其中，所述控制系统优化建议判别网络利用不同的神经网络变量对所述可视化控制要素向量数据进行若干轮处理，所述联动控制优化建议标签中包括x组联动控制优化建议子标签，所述观点标签推理数据中包括所述x组联动控制优化建议子标签对应的x个观点子标签推理数据，所述联动控制优化建议子标签与所述观点子标签推理数据为一对一匹配关系，x为正整数；所述不同的神经网络变量是基于若干轮任意抽样所得的。5.根据权利要求4所述的方法，其特征在于，所述依据所述可视化控制要素向量数据和所述局部特征聚焦因子，获取所述当前界面状态图像信息对应的联动控制优化建议标签之后，还包括：从所述x组联动控制优化建议子标签中分别获取目标联动控制优化建议对应的可能性评分；对所述目标联动控制优化建议的可能性评分进行均值化处理，获取所述目标联动控制优化建议对应的全局可能性评分；生成所述当前界面状态图像信息对应的当前联动控制优化建议标签，所述当前联动控制优化建议标签中包括各个联动控制优化建议分别对应的全局可能性评分。6.根据权利要求5所述的方法，其特征在于，所述生成所述当前界面状态图像信息对应的当前联动控制优化建议标签之后，还包括：基于各个所述联动控制优化建议分别对应的全局可能性评分，获取所述当前联动控制优化建议标签的判别决策权重；其中，所述判别决策权重用于分析所述当前联动控制优化建议标签的不确定性；基于所述判别决策权重，确定所述控制系统优化建议判别网络针对所述当前界面状态图像信息的逆向质疑权重；响应于所述逆向质疑权重符合要求，确定所述当前联动控制优化建议标签为合格优化建议；响应于所述逆向质疑权重不符合要求，生成控制优化预警数据，所述控制优化预警数据用于指示对所述当前界面状态图像信息进行控制优化校对。7.根据权利要求4所述的方法，其特征在于，所述依据所述可视化控制要素向量数据和所述局部特征聚焦因子，获取所述当前界面状态图像信息对应的观点标签推理数据之后，还包括：从所述x个观点子标签推理数据中分别获取目标可视化控制要素向量对应的影响力因子；对所述目标可视化控制要素向量对应的影响力因子进行均值化处理，获取所述目标可视化控制要素向量对应的当前影响力因子；生成所述当前界面状态图像信息对应的当前观点标签推理数据，所述当前观点标签推理数据中包括各所述可视化控制要素向量分别对应的当前影响力因子。8.根据权利要求4所述的方法，其特征在于，所述控制系统优化建议判别网络的调试步骤包括：获取多个界面状态图像信息学习数据，以及各个所述界面状态图像信息学习数据对应的联动控制优化学习标签；从各个所述界面状态图像信息学习数据中分别提取可视化控制要素向量学习数据；
利用所述可视化控制要素向量学习数据和所述联动控制优化建议信息对所述控制系统优化建议判别网络进行调试；其中，所述控制系统优化建议判别网络中引入局部特征强化策略，所述局部特征强化策略用于确定所述可视化控制要素向量学习数据中的各个可视化控制要素向量学习数据针对所述界面状态图像信息学习数据中的参考价值度，所述参考价值度用于确定各个所述可视化控制要素向量学习数据对网络生成信息的依赖性；其中，所述利用所述可视化控制要素向量学习数据和所述联动控制优化建议信息对所述控制系统优化建议判别网络进行调试，包括：利用多组神经网络变量，对所述可视化控制要素向量学习数据进行若干轮处理，获取多组网络生成信息；依据所述多组网络生成信息，以及所述联动控制优化建议信息，确定所述控制系统优化建议判别网络的网络质量评估指标值；其中，网络质量评估指标用于反映所述控制系统优化建议判别网络的生成信息的精度；依据所述网络质量评估指标值对所述控制系统优化建议判别网络的神经网络变量进行改进，直到所述网络质量评估指标趋于稳定；其中，所述局部特征强化策略包括局部场景特征强化策略和特征簇的局部特征强化策略；其中，所述局部场景特征强化策略用于分析单一可视化控制要素向量的参考价值度，所述特征簇的局部特征强化策略用于分析可视化控制要素向量簇的参考价值度，所述可视化控制要素向量簇中包括源于相同界面状态图像信息的可视化控制要素向量。9.一种ai控制平台系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-8任一项所述的方法。10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现权利要求1-8任一项所述的方法。

技术总结
本发明实施例提供的基于人工智能的板材干燥设备控制系统的优化方法及系统，应用本发明实施例，联动控制优化建议标签中包括联动控制优化观点评分，可以确保联动控制优化建议标签的丰富程度，避免联动控制优化建议标签的信息承载量过低。此外，观点标签推理数据用于表征各个可视化控制要素向量针对联动控制优化建议标签的依赖性，确保了联动控制优化建议标签的合理性和推导性，有理有据地提高了联动控制优化建议标签的说服力，这样可以通过观点标签推理数据确定联动控制优化建议标签的确定思路，确保联动控制优化建议标签的可读性和可理解性，以便高质量地实现板材干燥设备控制系统的控制优化处理。统的控制优化处理。统的控制优化处理。


技术研发人员：朱峰 熊志红 郑洲 于辉 占波浪 夏多传 李亥元
受保护的技术使用者：湖北仕上电子科技有限公司
技术研发日：2023.07.25
技术公布日：2023/10/6