光伏线及其智能化制造方法

技术领域

本申请涉及智能制造技术领域，且更为具体地，涉及一种光伏线及其智能化制造方法。

背景技术

太阳能或光伏（PV）在中国应用日渐广泛，而其盈利能力不仅仅取决于太阳能组件自身的效率或高性能，也离不开其重要的输电工具--光伏电缆，但是光伏发电厂大多建造于荒漠地带，环境极其恶劣。

现有的光伏电缆（也称为光伏线），在这种环境下，其耐风雨性、耐紫外线、耐臭氧腐蚀和抵抗较大的温度变化等能力仍表现的差强人意，光伏发电厂需要频繁更换电缆线以保证自身的高效稳定，大大增加了生产成本。现有的光伏电缆可通过挤出机来进行制备，但是在塑料挤出的过程中，物料聚集态的转变以及物料的粘度都取决于温度，温度对制品的产量和质量影响很大，特别是塑化情况，更能直接影响制品的物理机械性能和外观。

因此，期待一种优化的光伏线及其制备方案。

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光伏线及其智能化制造方法，其获取预定时间段内多个预定时间点的挤出温度值，以及，所述预定时间段的绝缘材料挤出监控视频；采用基于深度学习的人工智能技术，挖掘所述挤出温度的时序动态关联特征，以及所述绝缘材料的挤出状态特征在时序上的关联特征，并建立挤出温度的变化与绝缘材料挤出状态变化间的映射关系，以基于绝缘材料的挤出状态特征变化调控挤出温度的变化。这样，可以实时准确地基于绝缘材料的挤出状态特征变化来自适应调控挤出温度的变化，以提高最终制品的性能和外观。

根据本申请的一个方面，提供了一种光伏线的智能化制造方法，其包括：提供预定数量的镀锡单线，并通过绞线工序将所述预定数量的镀锡单线制成具有预定尺寸的镀锡导体；以及启动挤出机在所述镀锡导体的外周部包覆绝缘层以得到光伏电缆。

在上述光伏线的智能化制造方法中，所述启动挤出机在所述镀锡导体的外周部包覆绝缘层以得到光伏电缆，包括：获取预定时间段内多个预定时间点的挤出温度值以及所述预定时间段的绝缘材料挤出监控视频；从所述绝缘材料挤出监控视频提取所述多个预定时间点的绝缘材料挤出监控关键帧；将所述多个预定时间点的绝缘材料挤出监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个绝缘材料挤出监控特征向量；将所述多个绝缘材料挤出监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到挤出状态语义特征向量；将所述多个预定时间点的挤出温度值按照时间维度排列为挤出温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤出温度特征向量；计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计以得到分类特征矩阵；基于所述挤出状态语义特征向量和所述挤出温度特征向量，对所述分类特征矩阵进行小尺度特征关联表达优化以得到优化分类特征矩阵；以及，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挤出温度值应增大或应减小。

在上述光伏线的智能化制造方法中，所述将所述多个预定时间点的绝缘材料挤出监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个绝缘材料挤出监控特征向量，包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于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，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个绝缘材料挤出监控特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个预定时间点的绝缘材料挤出监控关键帧。

在上述光伏线的智能化制造方法中，所述将所述多个绝缘材料挤出监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到挤出状态语义特征向量，包括：使用所述使用一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用一维卷积核的第二卷积神经网络模型的最后一层的输出为所述挤出状态语义特征向量，其中，所述使用一维卷积核的第二卷积神经网络模型的第一层的输入为所述一维特征向量。

在上述光伏线的智能化制造方法中，所述将所述多个预定时间点的挤出温度值按照时间维度排列为挤出温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤出温度特征向量，包括：使用所述时序编码器的全连接层以如下公式分别对所述温度输入向量进行全连接编码以分别提取出所述温度输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

，

其中，

在上述光伏线的智能化制造方法中，所述计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：

在上述光伏线的智能化制造方法中，所述基于所述挤出状态语义特征向量和所述挤出温度特征向量，对所述分类特征矩阵进行小尺度特征关联表达优化以得到优化分类特征矩阵，包括：计算所述挤出状态语义特征向量和所述挤出温度特征向量之间的小尺度局部衍生矩阵；以及，以所述小尺度局部衍生矩阵作为加权矩阵对所述分类特征矩阵进行按位置点乘以得到所述优化分类特征矩阵。

在上述光伏线的智能化制造方法中，所述计算所述挤出状态语义特征向量和所述挤出温度特征向量之间的小尺度局部衍生矩阵，包括：以如下公式计算所述挤出状态语义特征向量和所述挤出温度特征向量之间的所述小尺度局部衍生矩阵；其中，所述公式为：

，

其中，

在上述光伏线的智能化制造方法中，所述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挤出温度值应增大或应减小，包括：将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个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通过所述分类器的Softmax分类函数以得到所述分类结果。

根据本申请的另一个方面，提供了一种光伏线，其包括：由所述光伏线的智能化制造方法制得。

与现有技术相比，本申请提供的光伏线及其智能化制造方法，其获取预定时间段内多个预定时间点的挤出温度值，以及，所述预定时间段的绝缘材料挤出监控视频；采用基于深度学习的人工智能技术，挖掘所述挤出温度的时序动态关联特征，以及所述绝缘材料的挤出状态特征在时序上的关联特征，并建立挤出温度的变化与绝缘材料挤出状态变化间的映射关系，以基于绝缘材料的挤出状态特征变化调控挤出温度的变化。这样，可以实时准确地基于绝缘材料的挤出状态特征变化来自适应调控挤出温度的变化，以提高最终制品的性能和外观。

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光伏线的智能化制造方法的场景示意图。

图2为根据本申请实施例的光伏线的智能化制造方法的流程图。

图3为根据本申请实施例的光伏线的智能化制造方法中步骤S120的子步骤的流程图。

图4为根据本申请实施例的光伏线的智能化制造方法中步骤S120的架构示意图。

图5为根据本申请实施例的光伏线的智能化制造方法中步骤S270的子步骤的流程图。

图6为根据本申请实施例的光伏线的智能化制造方法中步骤S280的子步骤的流程图。

图7为根据本申请实施例的光伏线的框图。

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。

场景概述：如上所述，现有的光伏电缆可通过挤出机来进行制备，但是在塑料挤出的过程中，物料聚集态的转变以及物料的粘度都取决于温度，温度对制品的产量和质量影响很大，特别是塑化情况，更能直接影响制品的物理机械性能和外观。因此，期待一种优化的光伏线及其制备方案。

具体地，在本申请的技术方案中，提出了一种光伏线的智能化制造方法，其包括：提供预定数量的镀锡单线，并通过绞线工序将所述预定数量的镀锡单线制成具有预定尺寸的镀锡导体；启动挤出机在所述镀锡导体的外周部包覆绝缘层以得到光伏电缆。

相应地，在本申请的技术方案中，考虑到在实际通过挤出机来进行光伏电缆的制备过程中，在塑料挤出的过程中，需要基于物料的聚集态、粘度等状态的变化来实时进行温度的自适应调整，以提高最终制品的性能和外观。在实际对于温度的调控过程中，对于物料的状态检测可以通过对于绝缘材料的挤出监控视频的分析来实现。但是，由于监控视频中存在着较多的特征分布信息，难以对于绝缘材料的挤出状态特征进行挖掘。同时，在此过程中的难点在于如何建立挤出温度的变化与绝缘材料挤出状态变化间的映射关系，以使得基于绝缘材料的挤出状态特征变化来自适应调控挤出温度的变化以实现提高最终制品的性能和外观的目的。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为挖掘挤出温度的变化与绝缘材料挤出状态变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立挤出温度的变化与绝缘材料挤出状态变化之间的复杂映射关系。

具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的挤出温度值以及所述预定时间段的绝缘材料挤出监控视频。接着，考虑到在所述绝缘材料挤出监控视频中，所述绝缘材料的挤出状态变化特征可以通过所述挤出监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示绝缘材料的挤出状态变化情况。但是，考虑到监控视频中相邻帧的差异较小，存在大量数据冗余，并且，为了能够提高后续提取的关于所述挤出温度变化与所述绝缘材料挤出状态变化间的关联关系的精准度，因此，在本申请的技术方案中，进一步从所述绝缘材料挤出监控视频提取所述多个预定时间点的绝缘材料挤出监控关键帧。

然后，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型来对于所述多个预定时间点的绝缘材料挤出监控关键帧中的各个绝缘材料挤出监控关键帧进行特征挖掘，以分别提取出所述各个挤出监控关键帧中关于绝缘材料挤出状态的隐含特征分布信息，从而得到多个绝缘材料挤出监控特征向量。

进一步的，考虑到在所述各个挤出监控关键帧中，关于绝缘材料的挤出状态在时间维度上具有着动态性的变化特征，也就是说，所述各个绝缘材料挤出监控特征向量间有着时序的关联性特征分布信息。因此，在本申请的技术方案中，进一步将所述多个绝缘材料挤出监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述绝缘材料的挤出状态隐含特征在时序上的关联性特征分布信息，以此得到挤出状态语义特征向量。

接着，由于挤出温度值在时间维度上也具有着动态性的变化特征，其也在时序上的多个预定时间点下有着相互的关联性特征分布信息，因此，进一步再将所述多个预定时间点的挤出温度值按照时间维度排列为挤出温度输入向量后通过包含全连接层和一维卷积层的时序编码器中进行编码，以得到挤出温度特征向量。特别地，这里，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述各个挤出温度值在时序维度上的关联特征，以及通过全连接编码提取所述各个挤出温度值的高维隐含特征。

然后，进一步计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计来表示所述绝缘材料的挤出状态特征在时序上的关联特征与所述挤出温度的时序动态关联特征间的关联性分布信息，并以此作为分类特征矩阵通过分类器中进行分类处理，以得到用于表示当前时间点的挤出温度值应增大或应减小的分类结果。

也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的挤出温度值应增大或应减小，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为当前时间点的挤出温度值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的挤出温度值，以此来实现提高最终制品的性能和外观的技术目的。

特别地，在本申请的技术方案中，这里，在计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计得到所述分类特征矩阵时，由于所述挤出状态语义特征向量和所述挤出温度特征向量的预定位置的特征值均表示时序排列下的小尺度时序关联特征，因此期望所述分类特征矩阵能够更好地表达所述挤出状态语义特征向量和所述挤出温度特征向量之间的小尺度特征关联，从而提升所述分类特征矩阵的表达效果。

因此，计算所述挤出状态语义特征向量，例如记为

，

和/>

这里，通过计算所述挤出状态语义特征向量

基于此，本申请提供了一种光伏线的智能化制造方法，其包括：提供预定数量的镀锡单线，并通过绞线工序将所述预定数量的镀锡单线制成具有预定尺寸的镀锡导体；以及，启动挤出机在所述镀锡导体的外周部包覆绝缘层以得到光伏电缆。其中，所述启动挤出机在所述镀锡导体的外周部包覆绝缘层以得到光伏电缆，包括：获取预定时间段内多个预定时间点的挤出温度值以及所述预定时间段的绝缘材料挤出监控视频；从所述绝缘材料挤出监控视频提取所述多个预定时间点的绝缘材料挤出监控关键帧；将所述多个预定时间点的绝缘材料挤出监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个绝缘材料挤出监控特征向量；将所述多个绝缘材料挤出监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到挤出状态语义特征向量；将所述多个预定时间点的挤出温度值按照时间维度排列为挤出温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤出温度特征向量；计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计以得到分类特征矩阵；基于所述挤出状态语义特征向量和所述挤出温度特征向量，对所述分类特征矩阵进行小尺度特征关联表达优化以得到优化分类特征矩阵；以及，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挤出温度值应增大或应减小。

图1为根据本申请实施例的光伏线的智能化制造方法的场景示意图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的挤出温度值（例如，如图1中所示意的C1）以及所述预定时间段的绝缘材料挤出监控视频（例如，如图1中所示意的C2）。然后，将获取的挤出温度值和绝缘材料挤出监控视频输入至部署有光伏线的智能化制造算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于光伏线的智能化制造算法对所述挤出温度值和所述绝缘材料挤出监控视频进行处理，以生成用于表示当前时间点的挤出温度值应增大或应减小的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法：图2为根据本申请实施例的光伏线的智能化制造方法的流程图。如图2所示，根据本申请实施例的光伏线的智能化制造方法，包括步骤：S110，提供预定数量的镀锡单线，并通过绞线工序将所述预定数量的镀锡单线制成具有预定尺寸的镀锡导体；以及，S120，启动挤出机在所述镀锡导体的外周部包覆绝缘层以得到光伏电缆。

图3为根据本申请实施例的光伏线的智能化制造方法中步骤S120的子步骤的流程图。如图3所示，根据本申请实施例的光伏线的智能化制造方法中步骤S120，包括步骤：S210，获取预定时间段内多个预定时间点的挤出温度值以及所述预定时间段的绝缘材料挤出监控视频；S220，从所述绝缘材料挤出监控视频提取所述多个预定时间点的绝缘材料挤出监控关键帧；S230，将所述多个预定时间点的绝缘材料挤出监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个绝缘材料挤出监控特征向量；S240，将所述多个绝缘材料挤出监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到挤出状态语义特征向量；S250，将所述多个预定时间点的挤出温度值按照时间维度排列为挤出温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤出温度特征向量；S260，计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计以得到分类特征矩阵；S270，基于所述挤出状态语义特征向量和所述挤出温度特征向量，对所述分类特征矩阵进行小尺度特征关联表达优化以得到优化分类特征矩阵；以及，S280，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挤出温度值应增大或应减小。

图4为根据本申请实施例的光伏线的智能化制造方法中步骤S120的架构示意图。如图4所示，在该网络架构中，首先，获取预定时间段内多个预定时间点的挤出温度值以及所述预定时间段的绝缘材料挤出监控视频；然后，从所述绝缘材料挤出监控视频提取所述多个预定时间点的绝缘材料挤出监控关键帧；接着，将所述多个预定时间点的绝缘材料挤出监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个绝缘材料挤出监控特征向量；然后，将所述多个绝缘材料挤出监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到挤出状态语义特征向量；接着，将所述多个预定时间点的挤出温度值按照时间维度排列为挤出温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤出温度特征向量；然后，计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计以得到分类特征矩阵；接着，基于所述挤出状态语义特征向量和所述挤出温度特征向量，对所述分类特征矩阵进行小尺度特征关联表达优化以得到优化分类特征矩阵；以及，最后，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挤出温度值应增大或应减小。

具体地，在步骤S210中，获取预定时间段内多个预定时间点的挤出温度值以及所述预定时间段的绝缘材料挤出监控视频。如前所述，现有的光伏电缆可通过挤出机来进行制备，但是在塑料挤出的过程中，物料聚集态的转变以及物料的粘度都取决于温度，温度对制品的产量和质量影响很大，特别是塑化情况，更能直接影响制品的物理机械性能和外观。因此，期待一种优化的光伏线及其制备方案。

具体地，在本申请的技术方案中，提出了一种光伏线的智能化制造方法，其包括：提供预定数量的镀锡单线，并通过绞线工序将所述预定数量的镀锡单线制成具有预定尺寸的镀锡导体；启动挤出机在所述镀锡导体的外周部包覆绝缘层以得到光伏电缆。

相应地，在本申请的技术方案中，考虑到在实际通过挤出机来进行光伏电缆的制备过程中，在塑料挤出的过程中，需要基于物料的聚集态、粘度等状态的变化来实时进行温度的自适应调整，以提高最终制品的性能和外观。在实际对于温度的调控过程中，对于物料的状态检测可以通过对于绝缘材料的挤出监控视频的分析来实现。但是，由于监控视频中存在着较多的特征分布信息，难以对于绝缘材料的挤出状态特征进行挖掘。同时，在此过程中的难点在于如何建立挤出温度的变化与绝缘材料挤出状态变化间的映射关系，以使得基于绝缘材料的挤出状态特征变化来自适应调控挤出温度的变化以实现提高最终制品的性能和外观的目的。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为挖掘挤出温度的变化与绝缘材料挤出状态变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立挤出温度的变化与绝缘材料挤出状态变化之间的复杂映射关系。

具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的挤出温度值以及所述预定时间段的绝缘材料挤出监控视频。

具体地，在步骤S220中，从所述绝缘材料挤出监控视频提取所述多个预定时间点的绝缘材料挤出监控关键帧。接着，考虑到在所述绝缘材料挤出监控视频中，所述绝缘材料的挤出状态变化特征可以通过所述挤出监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示绝缘材料的挤出状态变化情况。

但是，考虑到监控视频中相邻帧的差异较小，存在大量数据冗余，并且，为了能够提高后续提取的关于所述挤出温度变化与所述绝缘材料挤出状态变化间的关联关系的精准度，因此，在本申请的技术方案中，进一步从所述绝缘材料挤出监控视频提取所述多个预定时间点的绝缘材料挤出监控关键帧。

具体地，在步骤S230中，将所述多个预定时间点的绝缘材料挤出监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个绝缘材料挤出监控特征向量。然后，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型来对于所述多个预定时间点的绝缘材料挤出监控关键帧中的各个绝缘材料挤出监控关键帧进行特征挖掘，以分别提取出所述各个挤出监控关键帧中关于绝缘材料挤出状态的隐含特征分布信息，从而得到多个绝缘材料挤出监控特征向量。

所述将所述多个预定时间点的绝缘材料挤出监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个绝缘材料挤出监控特征向量，包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于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，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个绝缘材料挤出监控特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个预定时间点的绝缘材料挤出监控关键帧。

具体地，在步骤S240中，将所述多个绝缘材料挤出监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到挤出状态语义特征向量。进一步的，考虑到在所述各个挤出监控关键帧中，关于绝缘材料的挤出状态在时间维度上具有着动态性的变化特征，也就是说，所述各个绝缘材料挤出监控特征向量间有着时序的关联性特征分布信息。

因此，在本申请的技术方案中，进一步将所述多个绝缘材料挤出监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述绝缘材料的挤出状态隐含特征在时序上的关联性特征分布信息，以此得到挤出状态语义特征向量。

所述将所述多个绝缘材料挤出监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到挤出状态语义特征向量，包括：使用所述使用一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用一维卷积核的第二卷积神经网络模型的最后一层的输出为所述挤出状态语义特征向量，其中，所述使用一维卷积核的第二卷积神经网络模型的第一层的输入为所述一维特征向量。

具体地，在步骤S250中，将所述多个预定时间点的挤出温度值按照时间维度排列为挤出温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤出温度特征向量。

接着，由于挤出温度值在时间维度上也具有着动态性的变化特征，其也在时序上的多个预定时间点下有着相互的关联性特征分布信息，因此，进一步再将所述多个预定时间点的挤出温度值按照时间维度排列为挤出温度输入向量后通过包含全连接层和一维卷积层的时序编码器中进行编码，以得到挤出温度特征向量。

特别地，这里，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述各个挤出温度值在时序维度上的关联特征，以及通过全连接编码提取所述各个挤出温度值的高维隐含特征。

所述将所述多个预定时间点的挤出温度值按照时间维度排列为挤出温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤出温度特征向量，包括：使用所述时序编码器的全连接层以如下公式分别对所述温度输入向量进行全连接编码以分别提取出所述温度输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

，

其中，

具体地，在步骤S260中，计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计以得到分类特征矩阵。然后，进一步计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计来表示所述绝缘材料的挤出状态特征在时序上的关联特征与所述挤出温度的时序动态关联特征间的关联性分布信息，并以此作为分类特征矩阵通过分类器中进行分类处理，以得到用于表示当前时间点的挤出温度值应增大或应减小的分类结果。

所述计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：

，

其中，

具体地，在步骤S270中，基于所述挤出状态语义特征向量和所述挤出温度特征向量，对所述分类特征矩阵进行小尺度特征关联表达优化以得到优化分类特征矩阵。特别地，在本申请的技术方案中，这里，在计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计得到所述分类特征矩阵时，由于所述挤出状态语义特征向量和所述挤出温度特征向量的预定位置的特征值均表示时序排列下的小尺度时序关联特征，因此期望所述分类特征矩阵能够更好地表达所述挤出状态语义特征向量和所述挤出温度特征向量之间的小尺度特征关联，从而提升所述分类特征矩阵的表达效果。

图5为根据本申请实施例的光伏线的智能化制造方法中步骤S270的子步骤的流程图，如图5所示，所述基于所述挤出状态语义特征向量和所述挤出温度特征向量，对所述分类特征矩阵进行小尺度特征关联表达优化以得到优化分类特征矩阵，包括：S310，计算所述挤出状态语义特征向量和所述挤出温度特征向量之间的小尺度局部衍生矩阵；以及，S320，以所述小尺度局部衍生矩阵作为加权矩阵对所述分类特征矩阵进行按位置点乘以得到所述优化分类特征矩阵。

所述计算所述挤出状态语义特征向量和所述挤出温度特征向量之间的小尺度局部衍生矩阵，包括：以如下公式计算所述挤出状态语义特征向量和所述挤出温度特征向量之间的所述小尺度局部衍生矩阵；其中，所述公式为：

，

其中，

这里，通过计算所述挤出状态语义特征向量

具体地，在步骤S280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挤出温度值应增大或应减小。在本申请的技术方案中，所述分类器的标签包括当前时间点的挤出温度值应增大或应减小，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为当前时间点的挤出温度值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的挤出温度值，以此来实现提高最终制品的性能和外观的技术目的。

图6为根据本申请实施例的光伏线的智能化制造方法中步骤S280的子步骤的流程图，如图6所示，所述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挤出温度值应增大或应减小，包括：S410，将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；S420，使用所述分类器的多个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，S430，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

在本申请一具体示例中，使用所述分类器以如下公式对所述优化分类特征矩阵进行处理以得到所述分类结果；其中，所述公式为：

，其中，/>

综上，基于本申请实施例的光伏线的智能化制造方法，其获取预定时间段内多个预定时间点的挤出温度值，以及，所述预定时间段的绝缘材料挤出监控视频；采用基于深度学习的人工智能技术，挖掘所述挤出温度的时序动态关联特征，以及所述绝缘材料的挤出状态特征在时序上的关联特征，并建立挤出温度的变化与绝缘材料挤出状态变化间的映射关系，以基于绝缘材料的挤出状态特征变化调控挤出温度的变化。这样，可以实时准确地基于绝缘材料的挤出状态特征变化来自适应调控挤出温度的变化，以提高最终制品的性能和外观。

示例性系统：图7为根据本申请实施例的光伏线的框图。如图7所示，根据本申请实施例的光伏线100，包括：数据采集模块110，用于获取预定时间段内多个预定时间点的挤出温度值以及所述预定时间段的绝缘材料挤出监控视频；关键帧提取模块120，用于从所述绝缘材料挤出监控视频提取所述多个预定时间点的绝缘材料挤出监控关键帧；第一特征提取模块130，用于将所述多个预定时间点的绝缘材料挤出监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个绝缘材料挤出监控特征向量；第二特征提取模块140，用于将所述多个绝缘材料挤出监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到挤出状态语义特征向量；时序编码模块150，用于将所述多个预定时间点的挤出温度值按照时间维度排列为挤出温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤出温度特征向量；响应性估计计算模块160，用于计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计以得到分类特征矩阵；优化模块170，用于基于所述挤出状态语义特征向量和所述挤出温度特征向量，对所述分类特征矩阵进行小尺度特征关联表达优化以得到优化分类特征矩阵；以及，挤出温度值控制模块180，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挤出温度值应增大或应减小。

在一个示例中，在上述光伏线100中，所述第一特征提取模块，用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于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，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个绝缘材料挤出监控特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个预定时间点的绝缘材料挤出监控关键帧。

在一个示例中，在上述光伏线100中，所述第二特征提取模块，用于：使用所述使用一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用一维卷积核的第二卷积神经网络模型的最后一层的输出为所述挤出状态语义特征向量，其中，所述使用一维卷积核的第二卷积神经网络模型的第一层的输入为所述一维特征向量。

在一个示例中，在上述光伏线100中，所述时序编码模块，包括：全连接编码单元，用于使用所述时序编码器的全连接层以如下公式分别对所述温度输入向量进行全连接编码以分别提取出所述温度输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

，

其中，

在一个示例中，在上述光伏线100中，所述响应性估计计算模块，进一步用于：以如下公式计算所述挤出状态语义特征向量相对于所述挤出温度特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：

在一个示例中，在上述光伏线100中，所述优化模块，包括：小尺度局部衍生矩阵计算单元，用于计算所述挤出状态语义特征向量和所述挤出温度特征向量之间的小尺度局部衍生矩阵；以及，优化分类特征矩阵生成单元，用于以所述小尺度局部衍生矩阵作为加权矩阵对所述分类特征矩阵进行按位置点乘以得到所述优化分类特征矩阵。

在一个示例中，在上述光伏线100中，所述小尺度局部衍生矩阵计算单元，进一步用于：以如下公式计算所述挤出状态语义特征向量和所述挤出温度特征向量之间的所述小尺度局部衍生矩阵；其中，所述公式为：

，

其中，

在一个示例中，在上述光伏线100中，所述挤出温度值控制模块，包括：矩阵展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个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，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

这里，本领域技术人员可以理解，上述光伏线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6的光伏线的智能化制造方法的描述中得到了详细介绍，并因此，将省略其重复描述。

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。