本技術(shù)涉及生產(chǎn)控制領(lǐng)域，尤其涉及一種土料攪拌控制方法及系統(tǒng)。

背景技術(shù)：

1、流態(tài)固化土是通過攪拌混合形成具有特定流動(dòng)性和強(qiáng)度的一種固化土，在市政工程等領(lǐng)域有著廣泛應(yīng)用。隨著工程領(lǐng)域的要求提高，對(duì)流態(tài)固化土的生產(chǎn)效率和固化強(qiáng)度的要求也逐漸提高，而實(shí)現(xiàn)流態(tài)固化土的生產(chǎn)效率和固化強(qiáng)度提高的首要是改進(jìn)優(yōu)化其生產(chǎn)工序，尤其是其中的攪拌控制工序，實(shí)現(xiàn)更精確更高效的攪拌控制。

2、目前對(duì)于流態(tài)固化土生產(chǎn)過程中的攪拌控制，大多是基于經(jīng)驗(yàn)設(shè)置固定的控制參數(shù)，并結(jié)合人工調(diào)整工序進(jìn)行控制，該方式依賴于人為經(jīng)驗(yàn)，往往導(dǎo)致優(yōu)化缺乏依據(jù)，控制也不精確。依此，現(xiàn)有技術(shù)中也有預(yù)測不同控制參數(shù)或工序下的固化強(qiáng)度，并選擇固化強(qiáng)度最高的控制參數(shù)或工序進(jìn)行優(yōu)化的攪拌控制方法，但這種方法只能在土料攪拌開始時(shí)進(jìn)行確定，忽略了攪拌過程中投料之間的相互影響，缺乏一定的靈活性，從而攪拌控制精確度難以達(dá)到預(yù)期。因此，如何提高對(duì)流態(tài)固化土進(jìn)行攪拌控制的精確度，以提高流態(tài)固化土的生產(chǎn)效率，仍是現(xiàn)有技術(shù)亟待解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提供了一種土料攪拌控制方法及系統(tǒng)，以解決現(xiàn)有流態(tài)固化土的攪拌控制精確度不足的技術(shù)問題。

2、根據(jù)本技術(shù)實(shí)施方式的第一方面，提供一種土料攪拌控制方法，包括：

3、采集當(dāng)前攪拌工序的工序執(zhí)行數(shù)據(jù)和當(dāng)前攪拌圖像；其中，所述工序執(zhí)行數(shù)據(jù)包括若干種已投材料、投料時(shí)間序列、若干種待投材料和當(dāng)前攪拌參數(shù)；

4、根據(jù)所述若干種已投材料和所述若干種待投材料，基于預(yù)設(shè)的多個(gè)線性回歸模型進(jìn)行預(yù)測，得到每種已投材料的初始投料時(shí)間和每種待投材料的初始投料時(shí)間，并根據(jù)每種已投材料的初始投料時(shí)間和所述投料時(shí)間序列對(duì)每種待投材料的初始投料時(shí)間進(jìn)行修正，確定每種待投材料的投料時(shí)間區(qū)間；

5、對(duì)所有待投材料的投料時(shí)間區(qū)間進(jìn)行采樣并組合，得到多種待投時(shí)間序列，基于預(yù)設(shè)的堆疊雙向神經(jīng)網(wǎng)絡(luò)，預(yù)測所述多種待投時(shí)間序列的固化強(qiáng)度，并根據(jù)所述固化強(qiáng)度篩選所述多種待投時(shí)間序列得到第一投料序列；

6、對(duì)當(dāng)前攪拌圖像進(jìn)行分割識(shí)別，得到第一攪拌特征，根據(jù)所述第一攪拌特征的相似度，確定對(duì)應(yīng)的預(yù)設(shè)攪拌參數(shù)，并根據(jù)所述預(yù)設(shè)攪拌參數(shù)對(duì)所述當(dāng)前攪拌參數(shù)進(jìn)行修正，得到第一攪拌參數(shù)；

7、根據(jù)所述第一投料序列和所述第一攪拌參數(shù)，對(duì)當(dāng)前攪拌工序進(jìn)行控制。

8、本技術(shù)先采集當(dāng)前攪拌工序的工序執(zhí)行數(shù)據(jù)和當(dāng)前攪拌圖像，并基于多個(gè)線性回歸模型預(yù)測每種已投材料和每種待投材料的初始投料時(shí)間，再結(jié)合已投材料的初始投料時(shí)間和投料時(shí)間序列修正待投材料的初始投料時(shí)間得到對(duì)應(yīng)投料時(shí)間區(qū)間，考慮了攪拌過程中每種材料的投料時(shí)間的相互影響，能夠提高對(duì)待投材料的投料時(shí)間的確定的靈活性；進(jìn)而對(duì)每種待投材料的投料時(shí)間區(qū)間進(jìn)行采樣并組合得到多種待投時(shí)間序列，基于堆疊雙向神經(jīng)網(wǎng)絡(luò)預(yù)測固化強(qiáng)度并根據(jù)固化強(qiáng)度篩選得到第一投料序列，能夠基于更靈活的投料時(shí)間區(qū)間確定更豐富的投料時(shí)間序列，能夠預(yù)測得到更全面的固化強(qiáng)度，進(jìn)而篩選得到第一投料序列時(shí)更準(zhǔn)確，從而提高根據(jù)第一投料序列進(jìn)行控制時(shí)的精確度；再對(duì)當(dāng)前攪拌圖像進(jìn)行分割識(shí)別得到第一攪拌特征并確定預(yù)設(shè)攪拌參數(shù)，進(jìn)而根據(jù)預(yù)設(shè)攪拌參數(shù)修正當(dāng)前攪拌參數(shù)得到第一攪拌參數(shù)，考慮了當(dāng)前攪拌情況對(duì)后續(xù)控制的影響，從而根據(jù)第一投料序列和第一攪拌參數(shù)對(duì)當(dāng)前攪拌工序進(jìn)行控制時(shí)，提高控制的精確度。

9、在本技術(shù)的某些實(shí)施方式中，所述根據(jù)所述若干種已投材料和所述若干種待投材料，基于預(yù)設(shè)的多個(gè)線性回歸模型進(jìn)行預(yù)測，得到每種已投材料的初始投料時(shí)間和每種待投材料的初始投料時(shí)間，并根據(jù)每種已投材料的初始投料時(shí)間和所述投料時(shí)間序列對(duì)每種待投材料的初始投料時(shí)間進(jìn)行修正，確定每種待投材料的投料時(shí)間區(qū)間，具體包括：

10、根據(jù)所述若干種已投材料，基于所述多個(gè)線性回歸模型進(jìn)行預(yù)測，得到每種已投材料的初始投料時(shí)間；其中，所述多個(gè)線性回歸模型是與所述已投材料和所述待投材料的材料類型一一對(duì)應(yīng)的；預(yù)測時(shí)，選擇與已投材料對(duì)應(yīng)材料類型的線性回歸模型進(jìn)行預(yù)測；

11、計(jì)算每種已投材料的初始投料時(shí)間與所述投料時(shí)間序列中每種已投材料的實(shí)際投料時(shí)間的時(shí)間差，得到每種已投材料的時(shí)間偏差；

12、根據(jù)所述若干種待投材料，基于所述多個(gè)線性回歸模型進(jìn)行預(yù)測，得到每種待投材料的初始投料時(shí)間；其中，預(yù)測時(shí)，選擇與待投材料對(duì)應(yīng)材料類型的線性回歸模型進(jìn)行預(yù)測；

13、根據(jù)每種已投材料的時(shí)間偏差，計(jì)算所述若干種已投材料的時(shí)間波動(dòng)平均值，并根據(jù)所述時(shí)間波動(dòng)平均值，以每種待投材料的初始投料時(shí)間為基準(zhǔn)，確定每種待投材料的投料時(shí)間區(qū)間。

14、本技術(shù)先基于多個(gè)線性回歸模型預(yù)測已投材料和待投材料的初始投料時(shí)間，再計(jì)算每種已投材料的初始投料時(shí)間和投料時(shí)間序列得到的實(shí)際投料時(shí)間的時(shí)間差，根據(jù)時(shí)間差計(jì)算時(shí)間波動(dòng)平均值并修正待投材料的初始投料時(shí)間，確定投料時(shí)間區(qū)間，通過已投材料的投料時(shí)間偏差對(duì)待投材料的投料時(shí)間進(jìn)行修正，考慮了攪拌過程中投料時(shí)間的先后相互影響，提高對(duì)待投材料的投料時(shí)間確定的靈活性，進(jìn)而后續(xù)根據(jù)投料時(shí)間區(qū)間確定第一投料序列時(shí)更準(zhǔn)確，提高后續(xù)進(jìn)行攪拌控制的精確度。

15、在本技術(shù)的某些實(shí)施方式中，所述多個(gè)線性回歸模型的構(gòu)建過程，具體為：

16、獲取多條歷史攪拌數(shù)據(jù)；其中，每條歷史攪拌數(shù)據(jù)包括材料類型、投料時(shí)間和測定固化強(qiáng)度；

17、將所述多條歷史攪拌數(shù)據(jù)按所述材料類型進(jìn)行重復(fù)分類，得到多組模型訓(xùn)練數(shù)據(jù)；其中，重復(fù)分類時(shí)，計(jì)算每條歷史攪拌數(shù)據(jù)中當(dāng)前分類的材料類型的投料時(shí)間與前一種材料的投料時(shí)間的投料間隔，并將所述投料間隔作為所述模型訓(xùn)練數(shù)據(jù)的新增數(shù)據(jù)列；

18、基于所述多組模型訓(xùn)練數(shù)據(jù)，以投料間隔和測定固化強(qiáng)度為自變量，以投料時(shí)間為因變量，構(gòu)建得到對(duì)應(yīng)的多個(gè)線性回歸模型。

19、本技術(shù)先獲取多條歷史攪拌數(shù)據(jù)，并按材料類型進(jìn)行重復(fù)分類得到多組模型訓(xùn)練數(shù)據(jù)，重復(fù)分類時(shí)計(jì)算每條歷史數(shù)據(jù)中當(dāng)前分類的材料類型的投料時(shí)間與前一種材料的投料時(shí)間的投料間隔，并將投料間隔作為新增數(shù)據(jù)列，通過對(duì)數(shù)據(jù)的前處理，能夠聚焦數(shù)據(jù)特征，為后續(xù)構(gòu)建模型提供依據(jù)，進(jìn)而基于多組模型訓(xùn)練數(shù)據(jù)，以投料間隔和測定固化強(qiáng)度為自變量，以投料時(shí)間為因變量，構(gòu)建多個(gè)線性回歸模型，通過構(gòu)建與材料類型一一對(duì)應(yīng)的線性回歸模型，能夠分別對(duì)不同類型的材料的投料時(shí)間進(jìn)行預(yù)測，更快速更便捷地確定對(duì)應(yīng)類型材料的預(yù)測投料時(shí)間，為后續(xù)提供數(shù)據(jù)基礎(chǔ)。

20、在本技術(shù)的某些實(shí)施方式中，所述對(duì)所有待投材料的投料時(shí)間區(qū)間進(jìn)行采樣并組合，得到多種待投時(shí)間序列，基于預(yù)設(shè)的堆疊雙向神經(jīng)網(wǎng)絡(luò)，預(yù)測所述多種待投時(shí)間序列的固化強(qiáng)度，并根據(jù)所述固化強(qiáng)度篩選所述多種待投時(shí)間序列得到第一投料序列，具體包括：

21、對(duì)每種待投材料的投料時(shí)間區(qū)間分別進(jìn)行多次采樣，得到每種待投材料的多個(gè)投料采樣時(shí)間；

22、根據(jù)每種待投材料的多個(gè)投料采樣時(shí)間，構(gòu)建每種待投材料的投料時(shí)間的全組合，得到多種待投時(shí)間序列；

23、基于所述堆疊雙向神經(jīng)網(wǎng)絡(luò)，對(duì)每種待投時(shí)間序列的固化強(qiáng)度進(jìn)行預(yù)測，得到對(duì)應(yīng)的預(yù)測固化強(qiáng)度；

24、將預(yù)測固化強(qiáng)度最高者對(duì)應(yīng)的待投時(shí)間序列確定為第一投料序列。

25、本技術(shù)先對(duì)每種待投材料的投料時(shí)間區(qū)間分別進(jìn)行多次采樣得到多個(gè)投料采樣時(shí)間，再構(gòu)建每種待投材料的投料時(shí)間全組合得到多種待投時(shí)間序列，能夠基于更靈活的投料時(shí)間區(qū)間確定更豐富的投料時(shí)間序列，進(jìn)而通過堆疊雙向神經(jīng)網(wǎng)絡(luò)預(yù)測每種待投時(shí)間序列的預(yù)測固化強(qiáng)度，并根據(jù)預(yù)測固化強(qiáng)度確定第一投料序列，能夠通過更豐富的投料時(shí)間序列，得到更全面的預(yù)測固化強(qiáng)度，進(jìn)而篩選得到第一投料序列時(shí)更準(zhǔn)確，從而提高根據(jù)第一投料序列進(jìn)行控制的精確度。

26、在本技術(shù)的某些實(shí)施方式中，所述堆疊雙向神經(jīng)網(wǎng)絡(luò)是通過兩層雙向神經(jīng)網(wǎng)絡(luò)的堆疊得到的，所述堆疊雙向神經(jīng)網(wǎng)絡(luò)包括輸入層、第一雙向網(wǎng)絡(luò)層、第二雙向網(wǎng)絡(luò)層、全連接預(yù)測層和輸出層；所述基于所述堆疊雙向神經(jīng)網(wǎng)絡(luò)，對(duì)每種待投時(shí)間序列的固化強(qiáng)度進(jìn)行預(yù)測，得到對(duì)應(yīng)的預(yù)測固化強(qiáng)度，具體包括：

27、通過所述堆疊雙向神經(jīng)網(wǎng)絡(luò)的輸入層，對(duì)當(dāng)前輸入的待投時(shí)間序列進(jìn)行特征提取，得到時(shí)序輸入特征；

28、通過所述堆疊雙向神經(jīng)網(wǎng)絡(luò)的第一雙向網(wǎng)絡(luò)層，將所述時(shí)序輸入特征表征為第一正向隱藏狀態(tài)序列和第一反向隱藏狀態(tài)序列，并融合所述第一正向隱藏狀態(tài)序列和所述第一反向隱藏狀態(tài)序列，得到第一隱藏狀態(tài)序列；

29、通過所述堆疊雙向神經(jīng)網(wǎng)絡(luò)的第二雙向網(wǎng)絡(luò)層，將所述第一隱藏狀態(tài)序列表征為第二正向隱藏狀態(tài)和第二反向隱藏狀態(tài)，并融合所述第二正向隱藏狀態(tài)和所述第二反向隱藏狀態(tài)，得到第二隱藏狀態(tài)；

30、通過所述堆疊雙向神經(jīng)網(wǎng)絡(luò)的全連接預(yù)測層，基于所述第二隱藏狀態(tài)進(jìn)行預(yù)測，得到預(yù)測特征；

31、通過所述堆疊雙向神經(jīng)網(wǎng)絡(luò)的輸出層，將所述預(yù)測特征進(jìn)行特征還原，得到當(dāng)前輸入的待投時(shí)間序列對(duì)應(yīng)的預(yù)測固化強(qiáng)度。

32、本技術(shù)通過堆疊神經(jīng)網(wǎng)絡(luò)的輸入層提取特征，并通過第一雙向網(wǎng)絡(luò)層處理得到第一隱藏狀態(tài)序列，再通過第二雙向網(wǎng)絡(luò)層處理得到第二隱藏狀態(tài)，能夠分別將對(duì)應(yīng)的輸入數(shù)據(jù)映射解析并處理成對(duì)應(yīng)所需目標(biāo)形態(tài)，從而通過全連接預(yù)測層和輸出層對(duì)第二隱藏狀態(tài)進(jìn)行預(yù)測和特征還原輸出時(shí)，提高得到的預(yù)測固化強(qiáng)度的準(zhǔn)確度。

33、在本技術(shù)的某些實(shí)施方式中，所述對(duì)當(dāng)前攪拌圖像進(jìn)行分割識(shí)別，得到第一攪拌特征，具體包括：

34、基于預(yù)設(shè)的圖像分割模型，對(duì)當(dāng)前攪拌圖像進(jìn)行主體圖像分割，得到當(dāng)前攪拌圖像的主區(qū)域圖像和副區(qū)域圖像；其中，所述主區(qū)域圖像為所述圖像分割模型識(shí)別當(dāng)前攪拌圖像得到的主體，所述副區(qū)域圖像為當(dāng)前攪拌圖像中除主區(qū)域圖像以外的部分；

35、對(duì)所述主區(qū)域圖像進(jìn)行圖像增強(qiáng)和圖像去噪，得到主區(qū)域增強(qiáng)圖像，并對(duì)所述主區(qū)域增強(qiáng)圖像進(jìn)行圖像特征提取，得到當(dāng)前攪拌圖像對(duì)應(yīng)的主體特征；

36、對(duì)所述副區(qū)域圖像進(jìn)行圖像去噪，得到副區(qū)域去噪圖像，并對(duì)所述副區(qū)域去噪圖像進(jìn)行圖像特征提取，得到當(dāng)前攪拌圖像對(duì)應(yīng)的區(qū)域特征；

37、拼接所述主體特征和所述區(qū)域特征，得到當(dāng)前攪拌圖像對(duì)應(yīng)的第一攪拌特征。

38、本技術(shù)先基于圖像分割模型對(duì)當(dāng)前攪拌圖像進(jìn)行主體圖像分割得到主區(qū)域圖像和副區(qū)域圖像，對(duì)主區(qū)域圖像進(jìn)行圖像增強(qiáng)、圖像去噪和圖像特征提取得到主體特征，并對(duì)副區(qū)域圖像進(jìn)行圖像去噪和圖像特征提取得到區(qū)域特征，對(duì)不同分割類型的圖像的分別處理，能夠滿足不同分割類型的圖像的圖像精度要求，從而使拼接得到的第一攪拌特征更符合當(dāng)前控制任務(wù)需求，提高后續(xù)根據(jù)第一攪拌特征進(jìn)行修正和控制時(shí)的準(zhǔn)確度。

39、在本技術(shù)的某些實(shí)施方式中，所述根據(jù)所述第一攪拌特征的相似度，確定對(duì)應(yīng)的預(yù)設(shè)攪拌參數(shù)，并根據(jù)所述預(yù)設(shè)攪拌參數(shù)對(duì)所述當(dāng)前攪拌參數(shù)進(jìn)行修正，得到第一攪拌參數(shù)，具體包括：

40、基于預(yù)設(shè)的歷史攪拌數(shù)據(jù)庫，計(jì)算所述第一攪拌特征與所述歷史攪拌數(shù)據(jù)庫中每條歷史攪拌特征的相似度，并將相似度最高的歷史攪拌特征對(duì)應(yīng)的歷史攪拌參數(shù)作為預(yù)設(shè)攪拌參數(shù)；

41、基于預(yù)設(shè)修正權(quán)重，計(jì)算當(dāng)前攪拌參數(shù)與所述預(yù)設(shè)攪拌參數(shù)中每種參數(shù)的加權(quán)平均值，得到第一攪拌參數(shù)。

42、本技術(shù)先計(jì)算第一攪拌特征與歷史攪拌數(shù)據(jù)庫中每條歷史攪拌特征的相似度，并根據(jù)相似度確定預(yù)設(shè)攪拌參數(shù)，通過相似度提高對(duì)預(yù)設(shè)攪拌參數(shù)查找篩選的準(zhǔn)確度，再基于預(yù)設(shè)修正權(quán)重計(jì)算當(dāng)前攪拌參數(shù)和預(yù)設(shè)攪拌參數(shù)的加權(quán)平均值得到第一攪拌參數(shù)，能夠滿足不同情況下的參數(shù)修正要求，從而提高得到的第一攪拌參數(shù)的準(zhǔn)確度，提高根據(jù)第一攪拌參數(shù)進(jìn)行控制時(shí)的精確度。

43、根據(jù)本技術(shù)實(shí)施方式的第二方面，提供一種土料攪拌控制系統(tǒng)，包括工序數(shù)據(jù)采集模塊、投料時(shí)間確定模塊、投料序列確定模塊、攪拌參數(shù)確定模塊和攪拌工序控制模塊；

44、所述工序數(shù)據(jù)采集模塊，用于采集當(dāng)前攪拌工序的工序執(zhí)行數(shù)據(jù)和當(dāng)前攪拌圖像；其中，所述工序執(zhí)行數(shù)據(jù)包括若干種已投材料、投料時(shí)間序列、若干種待投材料和當(dāng)前攪拌參數(shù)；

45、所述投料時(shí)間確定模塊，用于根據(jù)所述若干種已投材料和所述若干種待投材料，基于預(yù)設(shè)的多個(gè)線性回歸模型進(jìn)行預(yù)測，得到每種已投材料的初始投料時(shí)間和每種待投材料的初始投料時(shí)間，并根據(jù)每種已投材料的初始投料時(shí)間和所述投料時(shí)間序列對(duì)每種待投材料的初始投料時(shí)間進(jìn)行修正，確定每種待投材料的投料時(shí)間區(qū)間；

46、所述投料序列確定模塊，用于對(duì)所有待投材料的投料時(shí)間區(qū)間進(jìn)行采樣并組合，得到多種待投時(shí)間序列，基于預(yù)設(shè)的堆疊雙向神經(jīng)網(wǎng)絡(luò)，預(yù)測所述多種待投時(shí)間序列的固化強(qiáng)度，并根據(jù)所述固化強(qiáng)度篩選所述多種待投時(shí)間序列得到第一投料序列；

47、所述攪拌參數(shù)確定模塊，用于對(duì)當(dāng)前攪拌圖像進(jìn)行分割識(shí)別，得到第一攪拌特征，根據(jù)所述第一攪拌特征的相似度，確定對(duì)應(yīng)的預(yù)設(shè)攪拌參數(shù)，并根據(jù)所述預(yù)設(shè)攪拌參數(shù)對(duì)所述當(dāng)前攪拌參數(shù)進(jìn)行修正，得到第一攪拌參數(shù)；

48、所述攪拌工序控制模塊，用于根據(jù)所述第一投料序列和所述第一攪拌參數(shù)，對(duì)當(dāng)前攪拌工序進(jìn)行控制。

49、在本技術(shù)的某些實(shí)施方式中，所述投料時(shí)間確定模塊包括已投時(shí)間預(yù)測單元、時(shí)間偏差計(jì)算單元、待投時(shí)間預(yù)測單元和時(shí)間區(qū)間確定單元；

50、所述已投時(shí)間預(yù)測單元，用于根據(jù)所述若干種已投材料，基于所述多個(gè)線性回歸模型進(jìn)行預(yù)測，得到每種已投材料的初始投料時(shí)間；其中，所述多個(gè)線性回歸模型是與所述已投材料和所述待投材料的材料類型一一對(duì)應(yīng)的；預(yù)測時(shí)，選擇與已投材料對(duì)應(yīng)材料類型的線性回歸模型進(jìn)行預(yù)測；

51、所述時(shí)間偏差計(jì)算單元，用于計(jì)算每種已投材料的初始投料時(shí)間與所述投料時(shí)間序列中每種已投材料的實(shí)際投料時(shí)間的時(shí)間差，得到每種已投材料的時(shí)間偏差；

52、所述待投時(shí)間預(yù)測單元，用于根據(jù)所述若干種待投材料，基于所述多個(gè)線性回歸模型進(jìn)行預(yù)測，得到每種待投材料的初始投料時(shí)間；其中，預(yù)測時(shí)，選擇與待投材料對(duì)應(yīng)材料類型的線性回歸模型進(jìn)行預(yù)測；

53、所述時(shí)間區(qū)間確定單元，用于根據(jù)每種已投材料的時(shí)間偏差，計(jì)算所述若干種已投材料的時(shí)間波動(dòng)平均值，并根據(jù)所述時(shí)間波動(dòng)平均值，以每種待投材料的初始投料時(shí)間為基準(zhǔn)，確定每種待投材料的投料時(shí)間區(qū)間。

54、在本技術(shù)的某些實(shí)施方式中，所述多個(gè)線性回歸模型的構(gòu)建過程，具體為：

55、獲取多條歷史攪拌數(shù)據(jù)；其中，每條歷史攪拌數(shù)據(jù)包括材料類型、投料時(shí)間和測定固化強(qiáng)度；

56、將所述多條歷史攪拌數(shù)據(jù)按所述材料類型進(jìn)行重復(fù)分類，得到多組模型訓(xùn)練數(shù)據(jù)；其中，重復(fù)分類時(shí)，計(jì)算每條歷史攪拌數(shù)據(jù)中當(dāng)前分類的材料類型的投料時(shí)間與前一種材料的投料時(shí)間的投料間隔，并將所述投料間隔作為所述模型訓(xùn)練數(shù)據(jù)的新增數(shù)據(jù)列；

57、基于所述多組模型訓(xùn)練數(shù)據(jù)，以投料間隔和測定固化強(qiáng)度為自變量，以投料時(shí)間為因變量，構(gòu)建得到對(duì)應(yīng)的多個(gè)線性回歸模型。

58、在本技術(shù)的某些實(shí)施方式中，所述投料序列確定模塊包括時(shí)間采樣單元、投料組合單元、強(qiáng)度預(yù)測單元和序列確定單元；

59、所述時(shí)間采樣單元，用于對(duì)每種待投材料的投料時(shí)間區(qū)間分別進(jìn)行多次采樣，得到每種待投材料的多個(gè)投料采樣時(shí)間；

60、所述投料組合單元，用于根據(jù)每種待投材料的多個(gè)投料采樣時(shí)間，構(gòu)建每種待投材料的投料時(shí)間的全組合，得到多種待投時(shí)間序列；

61、所述強(qiáng)度預(yù)測單元，用于基于所述堆疊雙向神經(jīng)網(wǎng)絡(luò)，對(duì)每種待投時(shí)間序列的固化強(qiáng)度進(jìn)行預(yù)測，得到對(duì)應(yīng)的預(yù)測固化強(qiáng)度；

62、所述序列確定單元，用于將預(yù)測固化強(qiáng)度最高者對(duì)應(yīng)的待投時(shí)間序列確定為第一投料序列。

63、在本技術(shù)的某些實(shí)施方式中，所述堆疊雙向神經(jīng)網(wǎng)絡(luò)是通過兩層雙向神經(jīng)網(wǎng)絡(luò)的堆疊得到的，所述堆疊雙向神經(jīng)網(wǎng)絡(luò)包括輸入層、第一雙向網(wǎng)絡(luò)層、第二雙向網(wǎng)絡(luò)層、全連接預(yù)測層和輸出層；所述投料序列確定模塊包括特征提取單元、第一表征單元、第二表征單元、特征預(yù)測單元和特征輸出單元；

64、所述特征提取單元，用于通過所述堆疊雙向神經(jīng)網(wǎng)絡(luò)的輸入層，對(duì)當(dāng)前輸入的待投時(shí)間序列進(jìn)行特征提取，得到時(shí)序輸入特征；

65、所述第一表征單元，用于通過所述堆疊雙向神經(jīng)網(wǎng)絡(luò)的第一雙向網(wǎng)絡(luò)層，將所述時(shí)序輸入特征表征為第一正向隱藏狀態(tài)序列和第一反向隱藏狀態(tài)序列，并融合所述第一正向隱藏狀態(tài)序列和所述第一反向隱藏狀態(tài)序列，得到第一隱藏狀態(tài)序列；

66、所述第二表征單元，用于通過所述堆疊雙向神經(jīng)網(wǎng)絡(luò)的第二雙向網(wǎng)絡(luò)層，將所述第一隱藏狀態(tài)序列表征為第二正向隱藏狀態(tài)和第二反向隱藏狀態(tài)，并融合所述第二正向隱藏狀態(tài)和所述第二反向隱藏狀態(tài)，得到第二隱藏狀態(tài)；

67、所述特征預(yù)測單元，用于通過所述堆疊雙向神經(jīng)網(wǎng)絡(luò)的全連接預(yù)測層，基于所述第二隱藏狀態(tài)進(jìn)行預(yù)測，得到預(yù)測特征；

68、所述特征輸出單元，用于通過所述堆疊雙向神經(jīng)網(wǎng)絡(luò)的輸出層，將所述預(yù)測特征進(jìn)行特征還原，得到當(dāng)前輸入的待投時(shí)間序列對(duì)應(yīng)的預(yù)測固化強(qiáng)度。

69、在本技術(shù)的某些實(shí)施方式中，所述攪拌參數(shù)確定模塊包括攪拌圖像識(shí)別單元；所述攪拌圖像識(shí)別單元包括攪拌圖像分割子單元、第一特征提取子單元、第二特征提取子單元和攪拌特征獲取子單元；

70、所述攪拌圖像分割子單元，用于基于預(yù)設(shè)的圖像分割模型，對(duì)當(dāng)前攪拌圖像進(jìn)行主體圖像分割，得到當(dāng)前攪拌圖像的主區(qū)域圖像和副區(qū)域圖像；其中，所述主區(qū)域圖像為所述圖像分割模型識(shí)別當(dāng)前攪拌圖像得到的主體，所述副區(qū)域圖像為當(dāng)前攪拌圖像中除主區(qū)域圖像以外的部分；

71、所述第一特征提取子單元，用于對(duì)所述主區(qū)域圖像進(jìn)行圖像增強(qiáng)和圖像去噪，得到主區(qū)域增強(qiáng)圖像，并對(duì)所述主區(qū)域增強(qiáng)圖像進(jìn)行圖像特征提取，得到當(dāng)前攪拌圖像對(duì)應(yīng)的主體特征；

72、所述第二特征提取子單元，用于對(duì)所述副區(qū)域圖像進(jìn)行圖像去噪，得到副區(qū)域去噪圖像，并對(duì)所述副區(qū)域去噪圖像進(jìn)行圖像特征提取，得到當(dāng)前攪拌圖像對(duì)應(yīng)的區(qū)域特征；

73、所述攪拌特征獲取子單元，用于拼接所述主體特征和所述區(qū)域特征，得到當(dāng)前攪拌圖像對(duì)應(yīng)的第一攪拌特征。

74、在本技術(shù)的某些實(shí)施方式中，所述攪拌參數(shù)確定模塊包括攪拌參數(shù)修正單元；所述攪拌參數(shù)修正單元包括預(yù)設(shè)參數(shù)確定子單元和加權(quán)參數(shù)修正子單元；

75、所述預(yù)設(shè)參數(shù)確定子單元，用于基于預(yù)設(shè)的歷史攪拌數(shù)據(jù)庫，計(jì)算所述第一攪拌特征與所述歷史攪拌數(shù)據(jù)庫中每條歷史攪拌特征的相似度，并將相似度最高的歷史攪拌特征對(duì)應(yīng)的歷史攪拌參數(shù)作為預(yù)設(shè)攪拌參數(shù)；

76、所述加權(quán)參數(shù)修正子單元，用于基于預(yù)設(shè)修正權(quán)重，計(jì)算當(dāng)前攪拌參數(shù)與所述預(yù)設(shè)攪拌參數(shù)中每種參數(shù)的加權(quán)平均值，得到第一攪拌參數(shù)。

77、本技術(shù)先采集當(dāng)前攪拌工序的工序執(zhí)行數(shù)據(jù)和當(dāng)前攪拌圖像，并基于多個(gè)線性回歸模型預(yù)測每種已投材料和每種待投材料的初始投料時(shí)間，再結(jié)合已投材料的初始投料時(shí)間和投料時(shí)間序列修正待投材料的初始投料時(shí)間得到對(duì)應(yīng)投料時(shí)間區(qū)間，考慮了攪拌過程中每種材料的投料時(shí)間的相互影響，能夠提高對(duì)待投材料的投料時(shí)間的確定的靈活性；進(jìn)而對(duì)每種待投材料的投料時(shí)間區(qū)間進(jìn)行采樣并組合得到多種待投時(shí)間序列，基于堆疊雙向神經(jīng)網(wǎng)絡(luò)預(yù)測固化強(qiáng)度并根據(jù)固化強(qiáng)度篩選得到第一投料序列，能夠基于更靈活的投料時(shí)間區(qū)間確定更豐富的投料時(shí)間序列，能夠預(yù)測得到更全面的固化強(qiáng)度，進(jìn)而篩選得到第一投料序列時(shí)更準(zhǔn)確，從而提高根據(jù)第一投料序列進(jìn)行控制時(shí)的精確度；再對(duì)當(dāng)前攪拌圖像進(jìn)行分割識(shí)別得到第一攪拌特征并確定預(yù)設(shè)攪拌參數(shù)，進(jìn)而根據(jù)預(yù)設(shè)攪拌參數(shù)修正當(dāng)前攪拌參數(shù)得到第一攪拌參數(shù)，考慮了當(dāng)前攪拌情況對(duì)后續(xù)控制的影響，從而根據(jù)第一投料序列和第一攪拌參數(shù)對(duì)當(dāng)前攪拌工序進(jìn)行控制時(shí)，提高控制的精確度。