智能化放料控制方法及其系统.pdf

上传人:二狗 文档编号:14332076 上传时间:2024-02-15 格式:PDF 页数:26 大小:2.71MB
返回 下载 相关 举报
智能化放料控制方法及其系统.pdf_第1页
第1页 / 共26页
智能化放料控制方法及其系统.pdf_第2页
第2页 / 共26页
智能化放料控制方法及其系统.pdf_第3页
第3页 / 共26页
点击查看更多>>
资源描述

《智能化放料控制方法及其系统.pdf》由会员分享,可在线阅读,更多相关《智能化放料控制方法及其系统.pdf(26页珍藏版)》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202310571122.5(22)申请日 2023.05.17(71)申请人 长兴南方水泥有限公司地址 313100 浙江省湖州市长兴县煤山镇(72)发明人 柳丰徐明徐高山曹新婉殷杰孔明胡书睿徐国平(74)专利代理机构 北京恒泰铭睿知识产权代理有限公司 11642专利代理师 杨晶晶(51)Int.Cl.B65G 43/08(2006.01)G06F 18/2137(2023.01)G06F 18/25(2023.01)G06F 18/27(2023.01)G06N 3/0464(2023.01)。

2、G06F 123/02(2023.01)(54)发明名称一种智能化放料控制方法及其系统(57)摘要本申请涉及智能控制领域,其具体地公开了一种智能化放料控制方法及其系统,其通过采用基于深度学习的神经网络模型挖掘出放料控制过程中水泥重量值的时序动态变化特征和输送速度值的时序动态变化特征之间的关联特征。这样,能够对于水泥分发总量进行实时精准控制,从而提高生产效率,减少资源浪费。权利要求书4页 说明书15页 附图6页CN 116605617 A2023.08.18CN 116605617 A1.一种智能化放料控制方法,其特征在于,包括:获取从开始计量时间点起多个计量时间点的水泥重量值;获取所述从开始计。

3、量时间点起多个计量时间点的输送速度值;将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量;对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵;将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵;将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量;以所述水泥重量值时序特征向量作为查询特征向量,计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量;对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码。

4、特征向量;将所述优化解码特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示水泥分发总量的预测值;以及基于所述解码值和水泥分发总量的目标值之间的比较,确定是否停止发放。2.根据权利要求1所述的智能化放料控制方法,其特征在于,对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵,包括:以如下关联公式对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到所述协同交互输入矩阵;其中,所述公式为:其中Vm表示所述水泥重量值时序输入向量,表示所述水泥重量值时序输入向量的转置向量,Vn表示所述输送速度时序输入向量,M1表示所述协同交互输入矩阵。

5、,表示向量相乘。3.根据权利要求2所述的智能化放料控制方法,其特征在于,将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵,包括:使用所述作为特征提取器的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沿通道维度的池化以得到池化特征图;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,所述作为特征提取器的卷积神经网络的最后一层的输出为所述协同交互特征矩阵,所述作为特征提取器的卷积神经网络的第一层的输入为所述协同交互输入矩阵。4.根据权利要求3所述的智能化放料控制方法,其特征在于,所述多尺。

6、度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一权利要求书1/4 页2CN 116605617 A2维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。5.根据权利要求4所述的智能化放料控制方法,其特征在于,将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量,包括:将所述水泥重量值时序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邻域尺度水泥重量值时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述水泥重。

7、量值时序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邻域尺度水泥重量值时序特征向量,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;以及将所述第一邻域尺度水泥重量值时序特征向量和所述第二邻域尺度水泥重量值时序特征向量进行级联以得到所述水泥重量值时序特征向量。其中,将所述水泥重量值时序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邻域尺度水泥重量值时序特征向量,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一维卷积公式对所述水泥重量值时序输入向量进行一维卷积编码以得到第一邻域尺度水泥重量值时序特征向量;其中,所述公式为:其中。

8、,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(xa)为与卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述水泥重量值时序输入向量,Cov(X)表示对所述水泥重量值时序输入向量进行一维卷积编码;以及将所述水泥重量值时序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邻域尺度水泥重量值时序特征向量,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一维卷积公式对所述水泥重量值时序输入向量进行一维卷积编码以得到所述第二邻域尺度水泥重量值时序特征向量;其中,所述公式为: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(xb)为。

9、与卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述水泥重量值时序输入向量,Cov(X)表示对所述水泥重量值时序输入向量进行一维卷积编码。6.根据权利要求5所述的智能化放料控制方法,其特征在于,以所述水泥重量值时序特征向量作为查询特征向量,计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量,包括:以如下公式计算所述水泥重量值时序特征向量与所述协同交互特征矩阵之间的矩阵乘积以得到所述解码特征向量;其中,所述公式为:权利要求书2/4 页3CN 116605617 A3其中V1表示所述水泥重量值时序特征向量,M表示所述协同交互特征矩阵,V表示所述解码特征向量。7.根据权利要。

10、求6所述的智能化放料控制方法,其特征在于,对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量,包括:以如下优化公式对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化解码特征向量;其中,所述优化公式为:其中vi是所述解码特征向量的第i个位置的特征值,和 是所述解码特征向量的各个位置特征值集合的均值和标准差,且vi是所述优化解码特征向量的第i个位置的特征值。8.根据权利要求7所述的智能化放料控制方法,其特征在于,将所述优化解码特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示水泥分发总量的预测值,包括:使用所述解码器以如下公式将所述优化解。

11、码特征向量进行解码回归以获得用于表示成像质量差异的所述解码值;其中,所述公式为:其中X表示所述优化解码特征向量,Y是所述解码值,W是权重矩阵,表示矩阵相乘。9.一种智能化放料控制系统,其特征在于,包括:水泥重量值采集模块,用于获取从开始计量时间点起多个计量时间点的水泥重量值;输送速度值采集模块,用于获取所述从开始计量时间点起多个计量时间点的输送速度值;排列模块,用于将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量;关联编码模块,用于对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩。

12、阵;卷积模块,用于将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵;多尺度邻域特征提取模块,用于将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量;解码特征向量计算模块,用于以所述水泥重量值时序特征向量作为查询特征向量,计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量;优化模块,用于对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量;解码模块,用于将所述优化解码特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示水泥分发总量的预测值;以及控制结果生成模块,用于基于所述解码值和水泥分。

13、发总量的目标值之间的比较,确定是否停止发放。10.根据权利要求9所述的一种智能化放料控制系统,其特征在于,所述解码模块,用权利要求书3/4 页4CN 116605617 A4于:使用所述解码器以如下公式将所述优化解码特征向量进行解码回归以获得用于表示成像质量差异的所述解码值;其中,所述公式为:其中X表示所述优化解码特征向量,Y是所述解码值,W是权重矩阵,表示矩阵相乘。权利要求书4/4 页5CN 116605617 A5一种智能化放料控制方法及其系统技术领域0001本申请涉及智能控制领域,且更为具体地,涉及一种智能化放料控制方法及其系统。背景技术0002水泥散装发放设备是一种用于将水泥从储存罐或。

14、车辆中输送到目标位置的机械设备。在水泥散装发放设备中,计量系统是一个至关重要的组成部分。0003在水泥相关行业中,正确地控制水泥的分发总量对于保证产品的质量和生产效益具有极为重要的作用。然而,由于传统放料方案的人工控制会造成测量误差和滞后性的存在,导致传统的放料计量方法往往难以完全准确地控制水泥分发总量,造成资源浪费和生产成本增加。0004因此,期望一种优化的智能化放料控制方案。发明内容0005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智能化放料控制方法及其系统,其通过采用基于深度学习的神经网络模型挖掘出放料控制过程中水泥重量值的时序动态变化特征和输送速度值的时序动态变化特征。

15、之间的关联特征。这样,能够对于水泥分发总量进行实时精准控制,从而提高生产效率,减少资源浪费。0006根据本申请的一个方面,提供了一种智能化放料控制方法,其包括:0007获取从开始计量时间点起多个计量时间点的水泥重量值;0008获取所述从开始计量时间点起多个计量时间点的输送速度值;0009将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量;0010对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵;0011将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩。

16、阵;0012将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量;0013以所述水泥重量值时序特征向量作为查询特征向量,计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量;0014对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量;0015将所述优化解码特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示水泥分发总量的预测值;以及0016基于所述解码值和水泥分发总量的目标值之间的比较,确定是否停止发放。说明书1/15 页6CN 116605617 A60017在上述智能化放料控制方法中,对所述水泥重量值时序输入向量和。

17、所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵,包括:以如下关联公式对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到所述协同交互输入矩阵;其中,所述公式为:00180019其中Vm表示所述水泥重量值时序输入向量,表示所述水泥重量值时序输入向量的转置向量,Vn表示所述输送速度时序输入向量,M1表示所述协同交互输入矩阵,表示向量相乘。0020在上述智能化放料控制方法中,将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵,包括:使用所述作为特征提取器的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:对输入数据进行卷积处理以得。

18、到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;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,所述作为特征提取器的卷积神经网络的最后一层的输出为所述协同交互特征矩阵,所述作为特征提取器的卷积神经网络的第一层的输入为所述协同交互输入矩阵。0021在上述智能化放料控制方法中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。0022在上述智能化放料控制方法中,将所述水泥重量值时序输。

19、入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量,包括:将所述水泥重量值时序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邻域尺度水泥重量值时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述水泥重量值时序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邻域尺度水泥重量值时序特征向量,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,将所述第一邻域尺度水泥重量值时序特征向量和所述第二邻域尺度水泥重量值时序特征向量进行级联以得到所述水泥重量值时序特征向量。其中,将所述水泥重量值时序输入向量输入所述多尺度。

20、邻域特征提取模块的第一卷积层以得到第一邻域尺度水泥重量值时序特征向量,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一维卷积公式对所述水泥重量值时序输入向量进行一维卷积编码以得到第一邻域尺度水泥重量值时序特征向量;其中,所述公式为:00230024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(xa)为与卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述水泥重量值时序输入向量,Cov(X)表示对所述水泥重量值时序输入向量进行一维卷积编码;以及,将所述水泥重量值时序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邻域说明书2/15 页7。

21、CN 116605617 A7尺度水泥重量值时序特征向量,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一维卷积公式对所述水泥重量值时序输入向量进行一维卷积编码以得到所述第二邻域尺度水泥重量值时序特征向量;其中,所述公式为:00250026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(xb)为与卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述水泥重量值时序输入向量,Cov(X)表示对所述水泥重量值时序输入向量进行一维卷积编码。0027在上述智能化放料控制方法中,以所述水泥重量值时序特征向量作为查询特征向量,计算其与所述协同交互特征矩阵之间的矩。

22、阵乘积以得到解码特征向量,包括:以如下公式计算所述水泥重量值时序特征向量与所述协同交互特征矩阵之间的矩阵乘积以得到所述解码特征向量;其中,所述公式为:00280029其中V1表示所述水泥重量值时序特征向量,M表示所述协同交互特征矩阵,V表示所述解码特征向量。0030在上述智能化放料控制方法中,对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量,包括:以如下优化公式对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化解码特征向量;其中,所述优化公式为:00310032其中vi是所述解码特征向量的第i个位置的特征值,和 是所述解码特征向量的各个位置特征。

23、值集合的均值和标准差,且vi是所述优化解码特征向量的第i个位置的特征值。0033在上述智能化放料控制方法中,将所述优化解码特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示水泥分发总量的预测值,包括:使用所述解码器以如下公式将所述优化解码特征向量进行解码回归以获得用于表示成像质量差异的所述解码值;其中,所述公式为:其中X表示所述优化解码特征向量,Y是所述解码值,W是权重矩阵,表示矩阵相乘。0034根据本申请的另一方面,提供了一种智能化放料控制系统,其包括:0035水泥重量值采集模块,用于获取从开始计量时间点起多个计量时间点的水泥重量值;0036输送速度值采集模块,用于获取所述从开始。

24、计量时间点起多个计量时间点的输送速度值;0037排列模块,用于将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量;0038关联编码模块,用于对所述水泥重量值时序输入向量和所述输送速度时序输入向说明书3/15 页8CN 116605617 A8量进行关联编码以得到协同交互输入矩阵;0039卷积模块,用于将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵;0040多尺度邻域特征提取模块,用于将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量;0041解码特征向量。

25、计算模块,用于以所述水泥重量值时序特征向量作为查询特征向量,计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量;0042优化模块,用于对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量;0043解码模块,用于将所述优化解码特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示水泥分发总量的预测值;以及0044控制结果生成模块,用于基于所述解码值和水泥分发总量的目标值之间的比较,确定是否停止发放。0045根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得。

26、所述处理器执行如上所述的智能化放料控制方法。0046根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能化放料控制方法。0047与现有技术相比,本申请提供的一种智能化放料控制方法及其系统,其通过采用基于深度学习的神经网络模型挖掘出放料控制过程中水泥重量值的时序动态变化特征和输送速度值的时序动态变化特征之间的关联特征。这样,能够对于水泥分发总量进行实时精准控制,从而提高生产效率,减少资源浪费。附图说明0048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。

27、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。0049图1为根据本申请实施例的智能化放料控制方法的场景示意图;0050图2为根据本申请实施例的智能化放料控制方法的流程图;0051图3为根据本申请实施例的智能化放料控制方法的系统架构图;0052图4为根据本申请实施例的智能化放料控制方法中卷积神经网络编码的流程图;0053图5为根据本申请实施例的智能化放料控制方法中多尺度邻域特征提取的流程图;0054图6为根据本申请实施例的智能化放料控制系统的框图;0055图7为根据本申请实施例的。

28、电子设备的框图。说明书4/15 页9CN 116605617 A9具体实施方式0056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。0057申请概述0058如上所述,在水泥相关行业中,正确地控制水泥的分发总量对于保证产品的质量和生产效益具有极为重要的作用。然而,由于传统放料方案的人工控制会造成测量误差和滞后性的存在,导致传统的放料计量方法往往难以完全准确地控制水泥分发总量,造成资源浪费和生产成本增加。因此,期望一种优化的智能化放料控制方案。0059应可以理解,水泥散装发放。

29、设备通常由输送系统、计量系统、控制系统和封闭系统组成。具体地,在本申请的技术方案中,提出了一种智能化放料控制方法,其包括:根据需要的水泥量,设置计量系统的参数,如重量、流量、时间等;启动输送系统,将水泥从储存罐或车辆中输送到计量系统中;当计量系统检测到达到预设的参数时,自动停止输送系统,并发送信号给控制系统;控制系统根据信号,打开或关闭封闭系统的阀门,将水泥从计量系统中释放到目标位置;重复上述步骤,直到完成所有的水泥发放任务。0060相应地,考虑到在实际进行放料控制过程中,在计量系统的计量过程中不可避免地会产生测量误差且测量存在滞后性,导致最终的水泥分发总量会产生偏差。基于此,在本申请的技术方。

30、案中,期望基于输送速度值对水泥重量值进行修正以通过数据智能的方式来提高最终分发总量控制的精准度,从而提高生产效率,减少资源浪费。但是,由于水泥重量值和输送速度值不仅都在时间维度上有着动态性的变化规律,而且这两者之间还具有着时序协同的关联关系。因而,为了避免测量滞后性,以提高对于水泥分发总量控制的精准度,需要挖掘出所述水泥重量值的时序动态变化特征和所述输送速度值的时序动态变化特征之间的关联性特征分布信息。0061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。深度学习以及神经网络的发展为挖掘所述水泥重量值的时序动态变化特征和所述输送速度值的时序动态变化特征。

31、之间的关联性特征分布信息提供了新的解决思路和方案。0062具体地,在本申请的技术方案中,首先,获取从开始计量时间点起多个计量时间点的水泥重量值,以及输送速度值。应可以理解,在实际生产中,物料输送速度和水泥重量值都存在一定的波动和滞后性,仅仅使用单一的变量进行计量难以完全反映出整个过程的变化情况。通过获取所述多个计量时间点的水泥重量值和输送速度值,并在后续将其进行关联编码和协同交互特征提取,可以更好地利用数据信息,对水泥分发总量进行预测和控制。同时,由于所述输送速度和所述水泥重量值之间存在着一定的相关性,因此使用这两个变量进行联合建模可以更加准确地描述物料的运动状态和流量变化。0063然后,考虑。

32、到由于所述水泥重量值和所述输送速度值都在时间维度上有着各自的动态变化规律性,并且这两者之间还具有着时序协同的关联关系。因此,为了能够进行所述水泥重量值和所述输送速度值的时序协同关联特征的充分表达,在本申请的技术方案中,将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量,以此来分别整合所述水泥重量说明书5/15 页10CN 116605617 A10值和所述输送速度值在时序上的分布信息。继而,再对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵。0064接着,进一步使用在隐含关联特征。

33、提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述协同交互输入矩阵的特征挖掘,以提取出所述水泥重量值和所述输送速度值之间在时间维度上的高维隐含时序协同关联特征分布信息,从而得到协同交互特征矩阵。0065对于所述水泥重量值来说,考虑到由于所述水泥重量值在时间维度上具有着波动性和不确定性,导致其在不同时间周期内呈现出不同的动态变化模式。因此,在本申请的技术方案中,进一步将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块中进行特征挖掘,以提取出所述水泥重量值在不同时间跨度下的时序动态多尺度邻域关联特征,从而得到水泥重量值时序特征向量。0066进一步地,以所述水泥重量值时序特征向量作。

34、为查询特征向量,计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量,以此来表示以所述水泥重量值和所述输送速度值之间的时序协同关联特征信息为基础背景下的关于水泥重量值的时序多尺度动态变化特征信息。然后,再将所述解码特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示水泥分发总量的预测值。也就是说,将以所述水泥重量值和所述输送速度值的时序关联特征下的关于所述水泥重量值的时序变化特征进行解码,以此来进行水泥分发总量的预测,进而,再基于所述解码值和水泥分发总量的目标值之间的比较,确定是否停止发放。这样,能够避免测量滞后性,以此来提高对于水泥分发总量控制的精准度。0067特别地,在本。

35、申请的技术方案中,在以所述水泥重量值时序特征向量作为查询特征向量,计算其与所述协同交互特征矩阵之间的矩阵乘积得到所述解码特征向量时,实质上是所述协同交互输入矩阵表达的水泥重量值和输送速度值的全时域关联值的高维关联特征映射到所述水泥重量值时序特征向量表达的水泥重量值的多尺度时序邻域关联特征中,因此,考虑到特征映射的源特征空间与目的特征空间内的特征阶次和特征尺度表示之间的差异,所述水泥重量值时序特征向量和所述协同交互特征矩阵的特征表示会在解码器的回归概率表达上存在概率密度差异,导致映射后得到的所述解码特征向量在解码器的回归概率密度空间内的收敛性差,影响其通过解码器得到的解码值的准确性。0068因此。

36、,本申请的申请人对所述解码特征向量V进行高斯概率密度的流形曲面的基准线网化,具体表示为:00690070其中 和 是特征值集合viV的均值和标准差,且v i是优化后的所述解码特征向量的第i个位置的特征值。0071这里,所述高斯概率密度的流形曲面的基准线网化以所述解码特征向量的高维特征集合的统计特性,即均值和标准差作为概率密度度量的基准锚点,通过沿着流形曲面的局部线性嵌入方向进行线网化,以获得局部概率密度极值的邻域网络的低维约束表达,从而通过重构流形曲面的概率密度表达来基于邻域分布地约束高维特征的局部分布的基于基准的相对空间位置关系,这样,就提升了所述解码特征向量的高维特征的回归概率密度的空间收。

37、敛性,也就是,提升了所述解码特征向量在概率密度空间内的概率密度表达的一说明书6/15 页11CN 116605617 A11致性,改进了所述解码特征向量通过解码器得到的解码值的准确性。这样,能够对于水泥分发总量进行实时精准控制,从而提高生产效率,减少资源浪费。0072基于此,本申请提出了一种智能化放料控制方法,其包括:获取从开始计量时间点起多个计量时间点的水泥重量值;获取所述从开始计量时间点起多个计量时间点的输送速度值;将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量;对所述水泥重量值时序输入向量和所述输送速度时序输。

38、入向量进行关联编码以得到协同交互输入矩阵;将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵;将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量;以所述水泥重量值时序特征向量作为查询特征向量,计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量;对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量;将所述优化解码特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示水泥分发总量的预测值;以及,基于所述解码值和水泥分发总量的目标值之间的比较,确定是否停止发放。0073图1为根据本申请实施例的智。

39、能化放料控制方法的场景示意图。如图1所示,在该应用场景中,通过重量传感器(例如,如图1中所示意的V1)获取从开始计量时间点起多个计量时间点的水泥重量值,以及,通过速度传感器(例如,如图1中所示意的V2)获取所述从开始计量时间点起多个计量时间点的输送速度值。接着,将上述数据输入至部署有用于智能化放料控制算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述智能化放料控制算法对上述输入的数据进行处理,以生成解码值,所述解码值用于表示水泥分发总量的预测值。0074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。0075示例性方法0076图2为根据本申请实施例。

40、的智能化放料控制方法的流程图。如图2所示,根据本申请实施例的智能化放料控制方法,包括步骤:S110,获取从开始计量时间点起多个计量时间点的水泥重量值;S120,获取所述从开始计量时间点起多个计量时间点的输送速度值;S130,将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量;S140,对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵;S150,将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵;S160,将所述水泥重量值时序输入向量通过多尺度邻域特征。

41、提取模块以得到水泥重量值时序特征向量;S170,以所述水泥重量值时序特征向量作为查询特征向量,计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量;S180,对所述解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量;S190,将所述优化解码特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示水泥分发总量的预测值;以及,S200,基于所述解码值和水泥分发总量的目标值之间的比较,确定是否停止发放。0077图3为根据本申请实施例的智能化放料控制方法的系统架构图。如图3所示,该网说明书7/15 页12CN 116605617 A12络结构中,首先,获取从开始计量。

42、时间点起多个计量时间点的水泥重量值;接着,获取所述从开始计量时间点起多个计量时间点的输送速度值;将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量;对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵;将所述协同交互输入矩阵通过作为特征提取器的卷积神经网络模型以得到协同交互特征矩阵;然后,将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量;以所述水泥重量值时序特征向量作为查询特征向量,计算其与所述协同交互特征矩阵之间的矩阵乘积以得到解码特征向量;对所述。

43、解码特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化解码特征向量;将所述优化解码特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示水泥分发总量的预测值;进而,基于所述解码值和水泥分发总量的目标值之间的比较,确定是否停止发放。0078更具体地,在步骤S110和步骤S120中,获取从开始计量时间点起多个计量时间点的水泥重量值;以及,获取所述从开始计量时间点起多个计量时间点的输送速度值。应可以理解,在实际进行放料控制过程中,在计量系统的计量过程中不可避免地会产生测量误差且测量存在滞后性,导致最终的水泥分发总量会产生偏差,通过获取所述多个计量时间点的水泥重量值和输送速度值,并在后续。

44、将其进行关联编码和协同交互特征提取,可以更好地利用数据信息,对水泥分发总量进行预测和控制。同时,由于所述输送速度和所述水泥重量值之间存在着一定的相关性。因此,在本申请的技术方案中,可通过基于输送速度值对水泥重量值进行修正以通过数据智能的方式来提高最终分发总量控制的精准度,从而提高生产效率,减少资源浪费。因此,首先,可通过重量传感器来获取从开始计量时间点起多个计量时间点的水泥重量值,以及,通过速度传感器来获取所述从开始计量时间点起多个计量时间点的输送速度值。0079更具体地,在步骤S130和步骤S140中,将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量。

45、值时序输入向量和输送速度时序输入向量;进一步对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到协同交互输入矩阵。考虑到由于所述水泥重量值和所述输送速度值都在时间维度上具有动态变化特性,且两者之间存在关联关系。因此,为了能够进行所述水泥重量值和所述输送速度值的时序协同关联关系特征表达,在本申请的技术方案中,将所述多个计量时间点的水泥重量值和多个计量时间点的输送速度值分别按照时间维度排列为水泥重量值时序输入向量和输送速度时序输入向量,以此来分别整合所述水泥重量值和所述输送速度值在时序上的分布信息。继而,再对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到。

46、协同交互输入矩阵。在一个具体示例中,以如下关联公式对所述水泥重量值时序输入向量和所述输送速度时序输入向量进行关联编码以得到所述协同交互输入矩阵;其中,所述公式为:其中Vm表示所述水泥重量值时序输入向量,表示所述水泥重量值时序输入向量的转置向量,Vn表示所述输送速度时序输入向量,M1表示所述协同交互输入矩阵,表示向量相乘。0080更具体地,在步骤S150中,将所述协同交互输入矩阵通过作为特征提取器的卷积说明书8/15 页13CN 116605617 A13神经网络模型以得到协同交互特征矩阵。也就是,在本申请的技术方案中,使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来对。

47、所述协同交互输入矩阵进行特征挖掘,以此来提取出所述水泥重量值和所述输送速度值之间在时间维度上的高维隐含时序协同关联特征分布信息,在一个具体示例中,所述卷积神经网络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,在所述卷积神经网络的编码过程中,所述卷积神经网络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。0081图4为根据本申请实施例的智能化放料控制方法中卷积神经网络编码的流程图。如图4所示,在所述卷积神经网络的编码过。

48、程中,包括:使用所述作为特征提取器的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:S210,对输入数据进行卷积处理以得到卷积特征图;S220,对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,S230,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,所述作为特征提取器的卷积神经网络的最后一层的输出为所述协同交互特征矩阵,所述作为特征提取器的卷积神经网络的第一层的输入为所述协同交互输入矩阵。0082更具体地,在步骤S160中,将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块以得到水泥重量值时序特征向量。考虑到由于所述水泥重量值在时间维度上具有着波动性和不确定性,。

49、导致其在不同时间周期内呈现出不同的动态变化模式。因此,在本申请的技术方案中,进一步将所述水泥重量值时序输入向量通过多尺度邻域特征提取模块中进行特征挖掘,以提取出所述水泥重量值在不同时间跨度下的时序动态多尺度邻域关联特征,从而得到水泥重量值时序特征向量。其中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。0083图5为根据本申请实施例的智能化放料控制方法中多尺度邻域特征提取的流程图。如图5所示,在所述多尺度邻。

50、域特征提取过程中,包括:S310,将所述水泥重量值时序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邻域尺度水泥重量值时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;S320,将所述水泥重量值时序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邻域尺度水泥重量值时序特征向量,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,S330,将所述第一邻域尺度水泥重量值时序特征向量和所述第二邻域尺度水泥重量值时序特征向量进行级联以得到所述水泥重量值时序特征向量。具体地,所述S310,包括:使用所述多尺度邻域特征提取模块的第。

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 作业;运输 > 输送;包装;贮存;搬运薄的或细丝状材料


copyright@ 2017-2020 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备2021068784号-1