聚氨酯材料生产用温度控制方法及其系统

技术领域

本申请涉及有机材料制备领域，且更为具体地，涉及一种用于聚氨酯制备用温度控制方法及其系统。

背景技术

聚氨酯，全名为聚氨基甲酸酯，是一种高分子化合物。聚氨酯材料可制成聚氨酯塑料(以泡沫塑料为主)、聚氨酯纤维(又称为氨纶)、聚氨酯橡胶及弹性体。聚氨酯是综合性能优秀的合成树脂之一。由于其合成单体品种多、反应条件温和、专一、可控、配方调整余地大及其高分子材料的微观结构特点，可广泛用千人造革、涂料、黏合剂。泡沫塑料、合成纤维以及弹性体,已成为人们衣、食、住、行以及高新技术领域必不可少的材料之一。

聚氨酯的生产方法通常是将异氰酸酯与多元醇在催化剂的作用下发生聚合反应，需要严格控制聚氨酯反应温度在60-100℃之间。因为超过130℃，特别是线性分子链反应易出现不良问题，产生支化和交联，并影响分子间的规整性。低于60℃，反应速率很慢，不利反应进行。

因此，期望一种聚氨酯材料生产用温度控制方法，其能够智能控制加热温度，以避免因温度过高或者过低而使化学反应出现不良问题或者速率过慢的情形。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种聚氨酯材料生产用温度控制方法及其系统，其能够基于聚氨酯制备的聚合反应的状态特征来判断聚合反应的进展状况和反应速率，并捕捉不同时间跨度内聚合反应温度值之间的高维隐含特征，以此利用两者之间的逻辑关联得到包含聚合反应温度特征和聚合反应的状态变化特征的分类特征表示。这样，基于由分类处理得到的聚合反应状态的结果来自适应地调整聚合反应的温度以使得聚合反应温度适配于聚合反应的状态变化。

根据本申请的一个方面，提供了一种聚氨酯材料生产用温度控制方法，其包括：

获取预定时间段的聚合反应状态的监控视频、所述预定时间段内多个预定时间点的聚合反应温度值；

从所述预定时间段的聚合反应状态监控视频提取多个聚合反应状态监控关键帧；

将所述多个聚合反应状态监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个聚合反应状态监控特征矩阵；

将所述多个聚合反应状态监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到聚合反应状态变化特征向量；

将所述多个预定时间点的聚合反应温度值按照时间维度排列为聚合反应温度输入向量后通过多尺度领域特征提取模块以得到聚合反应温度特征向量；

计算所述聚合反应状态变化特征向量相对于所述聚合反应温度特征向量的响应性估计以得到分类特征矩阵；

计算所述聚合反应状态变化特征向量和所述聚合反应温度特征向量的特征节点间基于运动模型的拓扑分布以得到全局特征关联约束矩阵；

将所述全局特征关联约束矩阵与所述分类特征矩阵进行矩阵相乘得到优化分类特征矩阵；

将所述优化分类特征矩阵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聚合反应温度应增大或应减小。

根据本申请的一个方面，又提供了一种聚氨酯材料生产用温度控制系统，其包括：

数据获取模块，用于获取预定时间段的聚合反应状态的监控视频、所述预定时间段内多个预定时间点的聚合反应温度值；

关键帧提取模块，用于从所述预定时间段的聚合反应状态监控视频提取多个聚合反应状态监控关键帧；

深浅融合模块，用于将所述多个聚合反应状态监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个聚合反应状态监控特征矩阵；

卷积编码模块，用于将所述多个聚合反应状态监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到聚合反应状态变化特征向量；

多尺度特征提取模块，用于将所述多个预定时间点的聚合反应温度值按照时间维度排列为聚合反应温度输入向量后通过多尺度领域特征提取模块以得到聚合反应温度特征向量；

响应性估计模块，用于计算所述聚合反应状态变化特征向量相对于所述聚合反应温度特征向量的响应性估计以得到分类特征矩阵；

全局特征关联模块，用于计算所述聚合反应状态变化特征向量和所述聚合反应温度特征向量的特征节点间基于运动模型的拓扑分布以得到全局特征关联约束矩阵；

优化模块，用于将所述全局特征关联约束矩阵与所述分类特征矩阵进行矩阵相乘得到优化分类特征矩阵；

结果生成模块，用于将所述优化分类特征矩阵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聚合反应温度应增大或应减小。

与现有技术相比，本申请提供的聚氨酯材料生产用温度控制方法及其系统，其能够基于聚氨酯制备的聚合反应的状态特征来判断聚合反应的进展状况和反应速率，并捕捉不同时间跨度内聚合反应温度值之间的高维隐含特征，以此利用两者之间的逻辑关联得到包含聚合反应温度特征和聚合反应的状态变化特征的分类特征表示。这样，基于由分类处理得到的聚合反应状态的结果来自适应地调整聚合反应的温度以使得聚合反应的温度适配于聚合反应的状态变化。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的聚氨酯材料生产用温度控制方法的流程图。

图2为根据本申请实施例的聚氨酯材料生产用温度控制方法的架构图。

图3为根据本申请实施例的聚氨酯材料生产用温度控制方法中将所述多个聚合反应状态监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个聚合反应状态监控特征矩阵的流程图。

图4为根据本申请实施例的聚氨酯材料生产用温度控制系统的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

图1为根据本申请实施例的聚氨酯材料生产用温度控制的流程图。图2为根据本申请实施例的聚氨酯材料生产用温度控制方法的架构图。如图1和图2所示，根据本申请实施例的用于聚氨酯材料用温度控制方法，包括：S110，获取预定时间段的聚合反应状态的监控视频、所述预定时间段内多个预定时间点的聚合反应温度值；S120，从所述预定时间段的聚合反应状态监控视频提取多个聚合反应状态监控关键帧；S130，将所述多个聚合反应状态监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个聚合反应状态监控特征矩阵；S140，将所述多个聚合反应状态监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到聚合反应状态变化特征向量；S150，将所述多个预定时间点的聚合反应温度值按照时间维度排列为聚合反应温度输入向量后通过多尺度领域特征提取模块以得到聚合反应温度特征向量；S160，计算所述聚合反应状态变化特征向量相对于所述聚合反应温度特征向量的响应性估计以得到分类特征矩阵；S170，计算所述聚合反应状态变化特征向量和所述聚合反应温度特征向量的特征节点间基于运动模型的拓扑分布以得到全局特征关联约束矩阵；S180，将所述全局特征关联约束矩阵与所述分类特征矩阵进行矩阵相乘得到优化分类特征矩阵；S190,将所述优化分类特征矩阵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聚合反应温度应增大或应减小。

在步骤S110中，获取预定时间段的聚合反应状态的监控视频、所述预定时间段内多个预定时间点的聚合反应温度值。如上述背景技术所言，聚氨酯材料生产过程对温度的要求较高，需严格控制聚氨酯反应温度在60-100℃之间，因为超过130℃，特别是线性分子链反应易出现不良问题，产生支化和交联，并影响分子间的规整性。低于60℃，反应速率很慢，不利反应进行。因此，期望一种聚氨酯材料生产用温度控制方法，其能够智能控制加热温度，以避免因温度过高或者过低而使化学反应出现不良问题或者速率过慢的情形。相应地，在本申请的技术方案中，本领域普通技术人员应知晓，该方法采用了深度学习技术，包括卷积神经网络和分类器等，需要具备相关的机器学习和深度学习知识。具体地，在本申请的技术方案中，首先获取预定时间段的聚合反应状态监控视频以及所述预定时间段内多个预定时间点的聚合反应温度值。应可以理解，聚合反应的温度会影响聚合反应的状态特征，尤其是聚合反应的进展情况、反应速率，因此，可以通过对聚合反应状态监控视频中聚合反应状态特征的变化来对所述聚合反应温度进行控制。特别地，在本申请的技术方案中，随着聚合反应的温度的升高或者降低，聚合反应的进展状况和速率都会有明显的变化，因此，所述聚合反应状态监控视频中聚合反应状态特征的变化特征以所述聚合反应的温度存在复杂的非线性关系。

在步骤S120中，从所述预定时间段的聚合反应状态监控视频提取多个聚合反应状态监控关键帧。为了捕捉和利用上述隐含关联，在本申请的技术方案中，使用基于深度学习的深度神经网络模型对所述聚合反应状态监控视频进行处理以得到聚合反应状态变化特征向量。具体地，考虑到所述聚合反应状态监控视频的所有图像帧序列中存在诸多图像帧是高度相似的甚至是重复的，这会造成信息冗余，给特征提取带来干扰。因此，在进行特征提取前，在本申请的技术方案中，首先对所述聚合反应状态监控视频进行采样处理，在一个具体的示例中，以预定采样频率对从所述预定时间段的聚合反应状态监控视频提取多个聚合反应状态监控关键帧。

在步骤S130中，将所述多个聚合反应状态监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个聚合反应状态监控特征矩阵。也就是，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述多个聚合反应状态监控关键帧中各个聚合反应状态监控关键帧的高维局部图像隐含特征。考虑到随着所述卷积神经网络模型的卷积编码深度的增加，其所提取的图像特征会越来越抽象也越来越反应对象的本质，具体地，其浅层特征更多表现外形、线条、纹理、颜色，其深层特征更多表现对象类型、对象特征等。考虑到在本申请的技术方案中，在温度控制聚氨酯生产的聚合反应中，期待更加关注于聚合反应状态监控视频记录的聚合反应过程中的颜色、浓度、液面高度等关键参数。因此，在本申请的技术方案中，对所述卷积神经网络模型的结构进行调整以将深浅特征融合机制整合入所述卷积神经网络模型的特征提取机制中。

在一个具体示例中，所述第一卷积神经网络模型包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述第一卷积神经网络模型的编码过程中，所述第一卷积神经网络模型的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理，其中，第一卷积神经网络模型的第一层的输入数据为所述多个聚合反应状态监控关键帧中的各个聚合反应状态监控关键帧。这里，所述第一卷积神经网络模型的各层都可以输出特征图。

图3为根据本申请实施例的聚氨酯材料生产用温度控制方法中将所述多个聚合反应状态监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个聚合反应状态监控特征矩阵的流程图。如图3所示，将所述多个聚合反应状态监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个聚合反应状态监控特征矩阵，包括：S131，从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；S132，从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；S133，使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，S134，对所述融合特征图进行沿通道维度的全局池化以得到所述聚合反应状态监控特征矩阵。

在步骤S140中，将所述多个聚合反应状态监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到聚合反应状态变化特征向量。也就是，在高维特征空间中，将所述多个聚合反应状态监控特征矩阵沿着时间维度进行信息聚合以得到三维特征张量，并以使用三维卷积核的卷积神经网络模型作为特征提取器来捕捉聚合反应状态变化特征。相较于常规的卷积神经网络模型，所述第二卷积神经网络模型使用三维卷积核进行三维卷积编码，其中，所述三维卷积核具有三维维度：宽度维度、高度维度和通道维度，所述宽度维度和所述高度维度对应于各个图像帧的局部空间，而所述通道维度对应于所述三维特征张量的时间维度，因此，在进行三维卷积编码的过程中，能够提取所述聚合反应状态在空间维度上的状态特征在时间维度上的变化特征。

具体地，在本申请实施例中，将所述多个聚合反应状态监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到聚合反应状态变化特征向量，包括：使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到聚合反应状态变化特征图；以及，对所述聚合反应状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述聚合反应状态变化特征向量。

更具体地，在本申请实施例中，所述使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到聚合反应状态变化特征图，包括：使用所述使用三维卷积核的第二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，所述第二卷积神经网络模型的最后一层的输出为所述聚合反应状态状态变化特征图，所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。

在步骤S150中，将所述多个预定时间点的聚合反应状态温度值按照时间维度排列为聚合反应温度输入向量后通过多尺度邻域特征提取模块以得到聚合反应温度特征向量。这里，针对所述多个预定时间点的聚合反应温度值，在本申请的技术方案中，将多个预定时间点的聚合反应温度值按照时间维度排列为聚合反应温度输入向量后通过多尺度邻域特征提取模块以得到聚合反应温度特征向量。也就是，首先将所述多个预定时间点的聚合反应温度值进行向量化处理以得到聚合反应温度输入向量，即，聚合反应温度值的时序分布。接着，使用包含多个并行的一维卷积层的多尺度邻域特征提取模块对所述聚合反应温度输入向量进行多尺度一维卷积编码，以捕捉不同时间跨度内不同数量的聚合反应温度值之间的高维隐含特征，并将不同尺度的关联特征进行特征融合以得到所述聚合反应温度特征向量。

具体地，在本申请实施例中，将所述多个预定时间点的聚合反应温度值按照时间维度排列为聚合反应温度输入向量后通过多尺度邻域特征提取模块以得到聚合反应温度特征向量，包括：将所述聚合反应温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度聚合反应温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述聚合反应温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度聚合反应温度特征向量，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，将所述第一尺度聚合反应温度特征向量和所述第二尺度聚合反应温度特征向量进行级联以得到所述聚合反应温度特征向量。

具体地，在本申请实施例中，将所述聚合反应温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度聚合反应温度特征向量，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第一尺度卷积公式对所述聚合反应温度输入向量进行一维卷积编码以得到所述第一尺度聚合反应温度特征向量；其中，所述第一尺度卷积公式为：

其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)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表示所述聚合反应温度输入向量；将所述聚合反应温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度聚合反应温度特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二尺度卷积公式对所述聚合反应温度输入向量进行一维卷积编码以得到所述第二尺度聚合反应温度特征向量；其中，所述第二尺度卷积公式为：

其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)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表示所述聚合反应温度输入向量。

在步骤S160中，计算所述聚合反应状态变化特征向量相对于所述聚合反应温度特征向量的响应性估计以得到分类特征矩阵。在本申请的技术方案中，所述聚合反应温度是导致发酵液法发生状态变化的因，也就是说，所述聚合反应温度和所述聚合反应状态变化在逻辑层面存在相关关系，利用两者之间的逻辑关联得到包含聚合反应温度特征和聚合反应的状态变化特征的分类特征表示。

具体地，在本申请实施例中，所述计算所述聚合反应状态变化特征向量相对于所述聚合反应温度特征向量的响应性估计以得到分类特征矩阵，包括：以如下响应性估计公式计算所述聚合反应状态变化特征向量相对于所述聚合反应温度特征向量的响应性估计以得到分类特征矩阵；其中，所述响应性估计公式为：

其中，V

在步骤S170中，计算所述聚合反应状态变化特征向量和所述聚合反应温度特征向量的特征节点间基于运动模型的拓扑分布以得到全局特征关联约束矩阵。在本申请的技术方案中，考虑到聚合反应状态变化特征向量和聚合反应温度特征向量来自不同的数据源或测量方式，因此它们的表示方式可能存在差异。例如，聚合反应状态变化特征向量是从图像或视频中提取的，而聚合反应温度特征向量是从传感器数据中获取的。这些不同的表示方式可能导致特征向量之间的关联性减弱，因为它们在特征空间中的分布和统计特性可能不同。同时，高维特征空间中的维度数量非常大，而且维度之间的关联关系可能非常复杂。当特征向量的维度增加时，特征空间的体积呈指数级增长，这被称为维度灾难。在这样的高维空间中，特征向量之间的关联性可能变得非常稀疏，因为它们在不同维度上的变化可能相互独立，难以直接捕捉到它们之间的关联性。并且在实际应用中，聚合反应状态变化特征向量和聚合反应温度特征向量可能受到各种噪声和干扰的影响。例如，图像或视频数据可能受到光照变化、运动模糊等因素的影响，温度传感器数据可能存在测量误差或噪声。这些噪声和干扰可能掩盖了特征向量之间的真实关联性，导致它们在高维特征空间中的关联性不足。基于此，为了解决所述聚合反应状态变化特征向量和所述聚合反应温度特征向量在高维特征空间内关联性可能不足的问题，在本申请的技术方案中，计算所述聚合反应状态变化特征向量和所述聚合反应温度特征向量的特征节点间基于运动模型的拓扑分布以得到全局特征关联约束矩阵，以提高它们之间的关联性。

具体地，在本申请实施例中，计算所述聚合反应状态变化特征向量和所述聚合反应温度特征向量的特征节点间基于运动模型的拓扑分布以得到全局特征关联约束矩阵，用于：以如下全局特征关联约束公式计算所述聚合反应状态变化特征向量和所述聚合反应温度特征向量的特征节点间基于运动模型的拓扑分布以得到全局特征关联约束矩阵；

其中，所述全局特征关联约束公式为：

其中，V

也就是，由于所述聚合反应状态变化特征向量和所述聚合反应温度特征向量在高维特征空间内关联性可能不足，因此计算所述聚合反应状态变化特征向量和所述聚合反应温度特征向量的特征节点间基于运动模型的拓扑分布以得到全局特征关联约束矩阵。具体地，首先以所述聚合反应状态变化特征向量和所述聚合反应温度特征向量的转置向量之间的向量乘积来构建所述聚合反应状态变化特征向量和所述聚合反应温度特征向量之间的全位置响应关联模型且以所述聚合反应状态变化特征向量和所述聚合反应温度特征向量之间的差值向量作为运行模型；接着，以所述全位置响应关联模型除以所述运行模型的Frobenius范数，其实质是对所述全位置响应关联模型进行基于欧式空间的L2正则化，这样，所获得的全局特征关联约束矩阵可以与特征的尺度和按位置数值大小无关地，反映出特征与模型所依赖的特定模式的表达出的语义理解的对应性，从而在聚合反应状态变化特征向量和聚合反应温度特征向量在高维特征空间内的关联性具有缺失的情况下，也充分表达出两者之间关联特征的预定模式语义，以充分反应数据内在本质关联性。

在步骤S180中，将所述全局特征关联约束矩阵与所述分类特征矩阵进行矩阵相乘得到优化分类特征矩阵。在得到所述全局特征关联约束矩阵后，将所述全局特征关联约束矩阵与所述分类特征矩阵进行矩阵相乘以将所述分类特征矩阵映射到所述全局特征关联约束矩阵所在的高维特征空间中以对所述分类特征矩阵进行整体特征分布进行特征约束和重整以提高所述分类特征矩阵的分类判断的精准度。

在步骤S190中，将所述优化分类特征矩阵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聚合反应温度应增大或应减小。也就是，利用所述分类器对所述优化分类特征矩阵进行类边界划分和确定，以得到所述分类结果。这样，基于由分类处理得到的聚合反应状态的结果来自适应地调整聚合反应的温度以使得聚合反应的温度适配于聚合反应的状态变化。

具体地，在本申请实施例中，将所述优化分类特征矩阵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聚合反应温度应增大或应减小，包括：将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；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。

基于同一发明构思，本申请实施例还提供了一种聚氨酯材料生产用温度控制系统，可以用于实现上述实施例所描述的方法，如下面的实施例所述。

图4为根据本申请实施例的聚氨酯材料生产用温度控制系统的框图。如图4所示，聚氨酯材料生产用温度控制系统100，包括：数据获取模块110，用于获取预定时间段的聚合反应状态的监控视频、所述预定时间段内多个预定时间点的聚合反应温度值；关键帧提取模块120，用于从所述预定时间段的聚合反应状态监控视频提取多个聚合反应状态监控关键帧；深浅融合模块130，用于将所述多个聚合反应状态监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个聚合反应状态监控特征矩阵；卷积编码模块140，用于将所述多个聚合反应状态监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到聚合反应状态变化特征向量；多尺度特征提取模块150，用于将所述多个预定时间点的聚合反应温度值按照时间维度排列为聚合反应温度输入向量后通过多尺度领域特征提取模块以得到聚合反应温度特征向量；响应性估计模块160，用于计算所述聚合反应状态变化特征向量相对于所述聚合反应温度特征向量的响应性估计以得到分类特征矩阵；全局特征关联模块170，用于计算所述聚合反应状态变化特征向量和所述聚合反应温度特征向量的特征节点间基于运动模型的拓扑分布以得到全局特征关联约束矩阵；优化模块180，用于将所述全局特征关联约束矩阵与所述分类特征矩阵进行矩阵相乘得到优化分类特征矩阵；以及结果生成模块190，用于将所述优化分类特征矩阵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聚合反应温度应增大或应减小。

这里，本领域技术人员可以理解，上述聚氨酯材料生产用温度控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的聚氨酯材料生产用温度控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的聚氨酯材料生产用温度控制系统100可以实现在各种终端设备中，例如聚氨酯材料生产用温度控制的服务器等。在一个示例中，根据本申请实施例的聚氨酯材料生产用温度控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该聚氨酯材料生产用温度控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该聚氨酯材料生产用温度控制系统100同样可以是该终端设备的众多硬件模块之一。替换地，在另一示例中，该聚氨酯材料生产用温度控制系统100与该终端设备也可以是分立的设备，并且该聚氨酯材料生产用温度控制系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。