CN110333088B - 结块检测方法、系统、装置及介质 - Google Patents
结块检测方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN110333088B CN110333088B CN201910319561.0A CN201910319561A CN110333088B CN 110333088 B CN110333088 B CN 110333088B CN 201910319561 A CN201910319561 A CN 201910319561A CN 110333088 B CN110333088 B CN 110333088B
- Authority
- CN
- China
- Prior art keywords
- data
- sub
- sound wave
- neural network
- caking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供一种结块检测方法、系统、装置及介质,包括:在流化床的分布板和扩大段设置多个声波传感器,用于测量生产聚乙烯过程中的声波信号;使用小波包分解对多个声波传感器的声波信号进行分解,得到不同频率的子带;使用下采样和身份映射分别对所述子带的数据信息进行数据转换;将数据转换后的两组所述子带的数据信息代入神经网络模型,获得聚乙烯生产过程中的声波特征图,得到生产聚乙烯过程中是否产生结块。上述结块检测方法、系统、装置及介质适用于多场合、不同噪声水平和故障数据与正常数据多种比例下的结块检测。
Description
技术领域
本发明涉及流程工业生产故障检测技术领域,更具体地,涉及一种结块检测方法、系统、装置及介质。
背景技术
气固流化床具有良好的固化处理能力、优异传热传质特性和温度均匀分布等优点。这些优点使得气固流化床成为生产聚乙烯的最广泛应用的生产装置。结块是聚乙烯生产过程中最常见的故障。结块会破坏聚乙烯的质量并降低反应堆的性能,严重时,反应堆将会停止,造成严重的财产损失。使用声波方法可及时准确地获取流化床相关的信号信息完成结块故障检测。
虽然结块故障是聚乙烯生产过程的常见故障,但是生产现场中设备正常运行状态远远多于故障状态,这就导致故障样本数量少于正常工业数据。同时由于多个设备的同时运行,采集到的声波信号中存在噪声。因此在高噪声、时间序列相关性强和故障数据与正常数据之间的不平衡等情况下,及时可靠的结块故障检测变得越来越困难。
发明内容
针对现有故障检测方法中存在的不足,本发明提出了适用于多场合、不同噪声水平和故障数据与正常数据多种比例下的结块检测方法。
根据本发明的一个方面,提供一种结块检测方法,包括:
步骤S1,在流化床的分布板和扩大段设置多个声波传感器,用于测量生产聚乙烯过程中的声波信号;
步骤S2,使用小波包分解对多个声波传感器的声波信号进行分解,得到不同频率的子带;
步骤S3,使用下采样和身份映射分别对所述子带的数据信息进行数据转换;
步骤S4,将数据转换后的两组所述子带的数据信息代入神经网络模型,获得聚乙烯生产过程中的声波特征图,得到生产聚乙烯过程中是否产生结块的结果。
优选地,所述神经网络模型的训练方法包括:
构建样本集,所述样本集包括发生结块故障的声波信号构成的负样本集和未发生结块故障的声波信号构成的正样本集,将负样本集中每个负样本和正样本集中每个正样本的设定比例的数据作为训练集中的样本,将负样本集中每个负样本和正样本集中每个正样本的剩余数据作为验证集中的样本;
将训练集中的样本进行小波包分解、下采样和身份映射数据处理;
将处理后的训练集输入神经网络模型,通过验证集的校验获得神经网络模型中的参数。
优选地,还包括:
计算经过小波包分解的子带的能量值;
按照能量值由高到低的顺序对子带进行排序;
选取排序靠前的设定数量的子带,
其中,将所述设定数量的子带进行下采样和身份映射数据变换,变换后的设定数量的子带的数据输入神经网络模型,获得检测结果。
优选地,所述小波包分解的层数和选取子带的设定数量根据神经网络模型的训练结果确定,其中,对训练集进行不同层数的小波包分解和选取设定数量的子带,将子带的数据输入神经网络模型,通过对应的验证集根据神经网络模型输出结果的准确程度、耗费时间和复杂度确定所述层数和设定数量,选取准确程度达到要求的耗费时间最短的层数和设定数量作为最佳层数和最佳设定数量。
进一步,优选地,所述将数据转换后的两组所述子带的数据信息代入神经网络模型,得到生产聚乙烯过程中是否产生结块的结果的步骤包括:
对经过下采样的子带的数据和经过身份映射的子带的数据分别进行局部卷积;
通过经过局部卷积后的两组子带的数据获取各自的声波特征图;
使用连接技术将这两组声波特征图连接为一张声波特征图;
对新连接的声波特征图进行全卷积,获得是否产生结块的检测结果。
根据本发明的另一个方面,提供一种结块检测系统,包括:
多个声波传感器,设置在流化床的分布板和扩大段,用于测量生产聚乙烯过程中的声波信号;
小波包分解模块,使用小波包分解对多个声波传感器的声波信号进行分解,得到不同频率的子带;
数据转换模块,包括下采样单元和身份映射单元,所述下采样单元是对小波包分解模块分解的子带的数据信息进行下采样,将下采样后的子带的数据信息传输给神经网络模型;所述身份映射单元对小波包分解模块分解的子带的数据信息直接传输给神经网络模型;
神经网络模型,包括卷积层、池化层、全连接层和softmax层,用于将数据转换模块数据转换后的两组所述子带的数据信息转化成聚乙烯生产过程中的声波特征图,并判断生产聚乙烯过程中是否产生结块。
优选地,在小波包分解模块和数据转换模块之间还包括筛选模块,所述筛选模块包括能量值获得单元、排序单元和选取单元,所述能量值获得单元计算经过小波包分解的子带的能量值;所述排序单元对能量值获得单元获取的各子带的能量值按照能量值由高到低的顺序对子带进行排序;所述选取单元选取经排序单元排序的排序靠前的设定数量的子带。
此外,优选地,还包括:
训练模块,对神经网络模型进行训练,包括:
样本集构建单元,构建样本集,所述样本集包括发生结块故障的声波信号构成的负样本集和未发生结块故障的声波信号构成的正样本集,将负样本集中每个负样本和正样本集中每个正样本的设定比例的数据作为训练集中的样本,将负样本集中每个负样本和正样本集中每个正样本的剩余数据作为验证集中的样本,其中,将训练集依次传输给小波包分解模块和数据转换模块,将经过小波包分解模块和数据转换模块的训练集的子带信息发送给训练单元;
训练单元,将处理后的训练集输入神经网络模型,通过验证集的校验获得神经网络模型中的参数。
另外,本发明还提供一种电子装置,包括存储器和处理器,所述存储器中存储有结块检测程序,所述结块检测程序被所述处理器执行时,通过采集的声波信号实现上述结块检测方法的步骤。
此外,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中包括有结块检测程序,所述结块检测程序被处理器执行时,通过采集的声波信号实现上述结块检测方法的步骤。
本发明所述结块检测方法、系统、装置及介质具有以下有益效果:
第一,减轻故障数据不充足的不利影响,具体地,使用小波包分解获取不同时域和频域的更准确的特征,从而从较少数量的故障数据中挖掘出更丰富的信息。对故障数据进行下采样会增加故障数据的多种情况和不同分布,完成故障数据的丰富。经过下采样后的正常数据则缩短了数据长度,减少了数据数量。这样,经过下采样后的正常数据(不发生结块故障的声波信号)和故障数据(发生结块故障的声波信号)在一定程度上达到平衡,从而缓解故障数据少的不利影响。下采样和身份映射两种数据转换方法的同时使用在获取多种数据信息的同时也保留原始信息,这样既可以达到数据的丰富又可不丢失原始信息。
第二,提高检测的准确性和及时性。神经网络具有卓越的特征处理能力,可自主完成特征提取而无需人为的额外处理。对数据依次执行局部卷积和全卷积操作一方面并行地完成多种情况下的特征提取,在故障数据不充足的情况下获取不同情况下的数据的不同特征,完成数据的深度提取;另一方面全卷积将提取到的特征信息进行结合,使得分散的数据特征一体化,保证了数据结果的完整性。具有局部卷积和全卷积的卷积神经网络不仅具有卷积神经网络特有的特征处理能力,而且在故障数据稀少的情况下丰富数据信息,完成数据增广,从而提高故障检测的精准性。
附图说明
图1是本发明所述结块检测方法的流程图;
图2是本发明所述结块检测方法一个优选实施例的流程图;
图3是本发明所述结块检测系统的构成框图。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节的情况下实现这些实施例。
下面将参照附图来对根据本发明的各个实施例进行详细描述。
图1是本发明所述结块检测方法的流程图,如图1所示,所述结块检测方法包括:
步骤S1,在流化床的分布板和扩大段设置多个声波传感器,用于测量生产聚乙烯过程中的声波信号;
步骤S2,使用小波包分解对多个声波传感器的声波信号进行分解,得到不同频率的子带;
步骤S3,使用下采样和身份映射分别对所述子带的数据信息进行数据转换,其中,下采样是对子带信息的一种抽取方式,由于采样频率的不同,下采样后的数据长度大不相同,同原始数据相比,下采样后的数据在一定程度上获取了不同的多种信息;身份映射则是将输入信息直接进行输出,该操作未对数据经过任何处理,这两种转换方法的同时使用既保证了数据的完整性,又获取了不同数据长度的信息完成了数据的丰富;
步骤S4,将数据转换后的两组所述子带的数据信息代入神经网络模型,获得聚乙烯生产过程中的声波特征图,得到生产聚乙烯过程中是否产生结块的结果。
在一个可选实施例中,在步骤S2和步骤S3之间还包括以下步骤:
计算经过小波包分解的子带的能量值;
按照能量值由高到低的顺序对子带进行排序;
选取排序靠前的设定数量的子带。
也就是说,在步骤S3-S4中,将所述设定数量的子带进行下采样和身份映射数据变换,变换后的设定数量的子带的数据输入神经网络模型,获得检测结果。
上述各实施例中的神经网络模型的训练方法包括:
构建样本集,所述样本集包括发生结块故障的声波信号构成的负样本集和未发生结块故障的声波信号构成的正样本集,将负样本集中每个负样本和正样本集中每个正样本的设定比例的数据作为训练集中的样本,将负样本集中每个负样本和正样本集中每个正样本的剩余数据作为验证集中的样本;
将训练集中的样本进行小波包分解、下采样和身份映射数据处理;
将处理后的训练集输入神经网络模型,通过验证集的校验获得神经网络模型中的参数。
上述各实施例中的小波包分解的层数和选取子带的设定数量根据神经网络模型的训练结果确定,其中,对训练集进行不同层数的小波包分解和选取设定数量的子带,将子带的数据输入神经网络模型,通过对应的验证集根据神经网络模型输出结果的准确程度、耗费时间和复杂度确定所述层数和设定数量,选取准确程度达到要求的耗费时间最短的层数和设定数量作为最佳层数和最佳设定数量。
上述各实施例中的步骤S4包括:
对经过下采样的子带的数据和经过身份映射的子带的数据分别进行局部卷积;
通过经过局部卷积后的两组子带的数据获取各自的声波特征图;
使用连接技术将这两组声波特征图连接为一张声波特征图;
对新连接的声波特征图进行全卷积,获得是否产生结块的检测结果。
在本发明的一个具体实施例中,如图2所示,所述结块检测方法包括:
步骤S10,四个声波传感器分别安装在流化床的分布板和扩大段将传感器;
步骤S20,已知的发生结块的声波信号构成负样本,没有发生结块的声波信号构成正样本,负样本和正样本构成训练集和验证集,其中,占比例为70%的正样本和负样本构成训练集,占比例为30%的正样本和负样本构成验证集;
步骤S30,使用二层小波包分解、三层小波包分解、四层小波包分解分别对训练集的声波信号进行分解,分别得到不同数量的子带,其中,小波基函数是Haar函数;
步骤S40,使用平方和方法分别计算不同层数小波包分解后得到的每个子带的能量值;
步骤S50,根据能量值的大小,分别对不同层分解得到的子带进行排序,选择能量值高的前设定数量的子带,其中,不同分解层数可以分别选择不同设定数量的用于故障检测的子带;
步骤S60,对选择好的设定数量子带分别进行身份映射和下采样,所述身份映射直接将选择好的子带信息进行传递,所述下采样是对子带数据进行不同处理以获取不同时间长度的数据信息,对声波信号进行下采样操作来获取不同时间长度的信号信息,由于故障数据不易获取,对故障数据进行下采样操作可以获取与原始数据不同的新的数据,产生的新数据虽来自原始数据,但由于采样频率的不同使得可以获取多种新数据,这便根据单一的简单的故障数据获取多个不同的故障数据,是故障数据具有多样化,同时,下采样操作时对数据的一种抽样操作,这就可以减少正常数据样本的数据量,因此,下采样操作完成了故障数据的丰富;
步骤S70,对经过身份映射和下采样后的两组数据分别输入神经网络模型,所述神经网络模型为卷积神经网络结构,包括卷积层、池化层、全连接层和softmax,优选地,所述神经网络模型为双层卷积神经网络结构,所述两组数据分别进行局部卷积即分别执行卷积和池化操作,两组数据经过局部卷积阶段后获取各自的特征图,使用连接技术将这两组特征图连接为一张特征图,对新连接的特征图进行全卷积,即依次执行卷积、池化、全连接和softmax操作,Softmax输出结果即为故障检测结果,其中,池化操作均为最大化池化;
步骤S80,将验证集输入经过训练集训练后的神经网络模型,确定神经网络模型的参数和小波包分解不同分解层的最佳设定数量,现有技术中使用训练集和验证集确定神经网络的参数有很多,例如利用损失函数、梯度下降法等,小波包分解的不同分解层的设定数量可以根据不同设定数量,检测结果的准确程度、耗费时间和复杂度确定不同分解层的最佳设定数量,例如,所述最佳设定数量为准确度、耗费时间或/和复杂度达到各自阈值的最少子带数量;
步骤S90,未知是否产生结块的声波信号(例如,新采集的声波信号)经过步骤S30-S60的处理后输入训练好的神经网络模型,得到所述未知是否产生结块的声波信号的检测结果(是否结块)。
上述各实施例中的结块检测方法通过小波包分解,下采样和局部卷积缓解正常数据多故障数据少的不平衡情况下的不利影响,使得故障数据与正常数据尽可能达到平衡。首先对声波信号使用小波包分解获取不同频率的子带数据,获取故障数据在不同频率下蕴含的信息。其次,使用下采样操作不仅减少正常数据数量并且增加故障数据的分布情况。最后,局部卷积阶段则是对不同的数据情况下的进一步特征处理,增加了特征的多样性。
图3是本发明所述结块检测系统的构成框图,如图3所示,所述结块检测系统包括:
多个声波传感器1,设置在流化床的分布板和扩大段,用于测量生产聚乙烯过程中的声波信号;
小波包分解模块2,使用小波包分解对多个声波传感器的声波信号进行分解,得到不同频率的子带,每个子带代表原始信息在不同频率阶段的信息;
数据转换模块4,包括下采样单元41和身份映射单元42,所述下采样单元是对小波包分解模块分解的子带的数据信息进行下采样,将下采样后的子带的数据信息传输给神经网络模型;所述身份映射单元对小波包分解模块分解的子带的数据信息直接传输给神经网络模型;
神经网络模型5,包括卷积层、池化层、全连接层和softmax层,用于将数据转换模块数据转换后的两组所述子带的数据信息转化成聚乙烯生产过程中的声波特征图,并判断生产聚乙烯过程中是否产生结块。
在一个可选实施例中,在小波包分解模块2和数据转换模块4之间还包括筛选模块3,所述筛选模块3包括能量值获得单元31、排序单元32和选取单元33,所述能量值获得单元31计算经过小波包分解的子带的能量值;所述排序单元32对能量值获得单元获取的各子带的能量值按照能量值由高到低的顺序对子带进行排序;所述选取单元33选取经排序单元排序的排序靠前的设定数量的子带。
在一个可选实施例中,结块检测系统还包括:
训练模块6,对神经网络模型5进行训练,包括:
样本集构建单元61,构建样本集,所述样本集包括发生结块故障的声波信号构成的负样本集和未发生结块故障的声波信号构成的正样本集,例如,对通过传声波传感器采集到的数据信号进行标记,将结块数据视为故障数据,其余情况为正常数据,完成正样本集和负样本集的制作;将负样本集中每个负样本和正样本集中每个正样本的设定比例的数据作为训练集中的样本,将负样本集中每个负样本和正样本集中每个正样本的剩余数据作为验证集中的样本,其中,将训练集依次传输给小波包分解模块和数据转换模块,将经过小波包分解模块和数据转换模块的训练集的子带信息发送给训练单元;
训练单元62,将处理后的训练集输入神经网络模型,通过验证集的校验获得神经网络模型中的参数。
上述各实施例中的基于小波包分解和卷积神经网络的结块检测方法用于电子装置,包括存储器和处理器,所述存储器中存储有结块检测程序,所述结块检测程序被所述处理器执行时,实现上述结块检测方法的步骤。
此外,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中包括有结块检测程序,所述结块检测程序被处理器执行时,实现上述各实施例中的结块检测程序的步骤。
存储器用于存储安装于所述电子装置的结块检测程序等,还可以用于暂时地存储已经输出或者将要输出的数据,所述存储器包括至少一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中,所述可读存储介质可以是所述电子装置的内部存储单元,例如该电子装置的硬盘。在另一些实施例中,所述可读存储介质也可以是所述电子装置的外部存储器,例如所述电子装置上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
处理器在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器中存储的程序代码或处理数据,例如执行结块检测程序程序等。
上述电子装置还可以包括网络接口,通信总线、输入模块(键盘、鼠标、触摸屏、摄像头类的语音输入设备等)等。
此外,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中包括有结块检测程序,所述结块检测程序被处理器执行时,实现上述各实施例中的结块检测方法的步骤。
上述各实施例的结块检测方法、系统、装置及介质首先使用小波包分解对声波信号进行初步处理,依据能量值大小排序选择合适的子带数量。其次,对子带信息进行下采样和身份映射的数据转换方法。其中,下采样是对子带信息的一种抽取方式。由于采样频率的不同,下采样后的数据长度大不相同。同原始数据相比,下采样后的数据在一定程度上获取了不同的多种信息。身份映射则是将输入信息直接进行输出。该操作未对数据经过任何处理。这两种转换方法的同时使用既保证了数据的完整性,又获取了不同数据长度的信息完成了数据的丰富。最后,使用现有数据对双层卷积神经网络进行训练,从而完成结块故障检测。
尽管前面公开的内容示出了本发明的示例性实施例,但是应当注意,在不背离权利要求限定的范围的前提下,可以进行多种改变和修改。根据这里描述的发明实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明的元素可以以个体形式描述或要求,但是也可以设想具有多个元素,除非明确限制为单个元素。
Claims (10)
1.一种结块检测方法,其特征在于,包括:
步骤S1,在流化床的分布板和扩大段设置多个声波传感器,用于测量生产聚乙烯过程中的声波信号;
步骤S2,使用小波包分解对多个声波传感器的声波信号进行分解,得到不同频率的子带;
步骤S3,使用下采样和身份映射分别对所述子带的数据信息进行数据转换,所述身份映射是将输入信息直接进行输出;
步骤S4,将数据转换后的两组所述子带的数据信息代入神经网络模型,获得聚乙烯生产过程中的声波特征图,得到生产聚乙烯过程中是否产生结块的结果。
2.根据权利要求1所述的结块检测方法,其特征在于,所述神经网络模型的训练方法包括:
构建样本集,所述样本集包括发生结块故障的声波信号构成的负样本集和未发生结块故障的声波信号构成的正样本集,将负样本集中每个负样本和正样本集中每个正样本的设定比例的数据作为训练集中的样本,将负样本集中每个负样本和正样本集中每个正样本的剩余数据作为验证集中的样本;
将训练集中的样本进行小波包分解、下采样和身份映射数据处理;
将处理后的训练集输入神经网络模型,通过验证集的校验获得神经网络模型中的参数。
3.根据权利要求1所述的结块检测方法,其特征在于,还包括:
计算经过小波包分解的子带的能量值;
按照能量值由高到低的顺序对子带进行排序;
选取排序靠前的设定数量的子带,
其中,将所述设定数量的子带进行下采样和身份映射数据变换,变换后的设定数量的子带的数据输入神经网络模型,获得检测结果。
4.根据权利要求3所述的结块检测方法,其特征在于,所述小波包分解的层数和选取子带的设定数量根据神经网络模型的训练结果确定,其中,对训练集进行不同层数的小波包分解和选取设定数量的子带,将子带的数据输入神经网络模型,通过对应的验证集根据神经网络模型输出结果的准确程度、耗费时间和复杂度确定所述层数和设定数量,选取准确程度达到要求的耗费时间最短的层数和设定数量作为最佳层数和最佳设定数量。
5.根据权利要求1~4中任一项权利要求所述的结块检测方法,其特征在于,所述将数据转换后的两组所述子带的数据信息代入神经网络模型,得到生产聚乙烯过程中是否产生结块的结果的步骤包括:
对经过下采样的子带的数据和经过身份映射的子带的数据分别进行局部卷积;
通过经过局部卷积后的两组子带的数据获取各自的声波特征图;
使用连接技术将这两组声波特征图连接为一张声波特征图;
对新连接的声波特征图进行全卷积,获得是否产生结块的检测结果。
6.一种结块检测系统,其特征在于,包括:
多个声波传感器,设置在流化床的分布板和扩大段,用于测量生产聚乙烯过程中的声波信号;
小波包分解模块,使用小波包分解对多个声波传感器的声波信号进行分解,得到不同频率的子带;
数据转换模块,包括下采样单元和身份映射单元,所述下采样单元是对小波包分解模块分解的子带的数据信息进行下采样,将下采样后的子带的数据信息传输给神经网络模型;所述身份映射单元对小波包分解模块分解的子带的数据信息直接传输给神经网络模型;
神经网络模型,包括卷积层、池化层、全连接层和softmax层,用于将数据转换模块数据转换后的两组所述子带的数据信息转化成聚乙烯生产过程中的声波特征图,并判断生产聚乙烯过程中是否产生结块。
7.根据权利要求6所述的结块检测系统,其特征在于,在小波包分解模块和数据转换模块之间还包括筛选模块,所述筛选模块包括能量值获得单元、排序单元和选取单元,所述能量值获得单元计算经过小波包分解的子带的能量值;所述排序单元对能量值获得单元获取的各子带的能量值按照能量值由高到低的顺序对子带进行排序;所述选取单元选取经排序单元排序的排序靠前的设定数量的子带。
8.根据权利要求6所述的结块检测系统,其特征在于,还包括:
训练模块,对神经网络模型进行训练,包括:
样本集构建单元,构建样本集,所述样本集包括发生结块故障的声波信号构成的负样本集和未发生结块故障的声波信号构成的正样本集,将负样本集中每个负样本和正样本集中每个正样本的设定比例的数据作为训练集中的样本,将负样本集中每个负样本和正样本集中每个正样本的剩余数据作为验证集中的样本,其中,将训练集依次传输给小波包分解模块和数据转换模块,将经过小波波分解模块和数据转换模块的训练集的子带信息发送给训练单元;
训练单元,将处理后的训练集输入神经网络模型,通过验证集的校验获得神经网络模型中的参数。
9.一种电子装置,其特征在于,包括存储器和处理器,所述存储器中存储有结块检测程序,所述结块检测程序被所述处理器执行时,实现如权利要求1至5中任一项权利要求所述结块检测方法的除步骤S1外的其他步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括有结块检测程序,所述结块检测程序被处理器执行时,实现如权利要求1至5中任一项权利要求所述结块检测方法的除步骤S1外的其他步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319561.0A CN110333088B (zh) | 2019-04-19 | 2019-04-19 | 结块检测方法、系统、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319561.0A CN110333088B (zh) | 2019-04-19 | 2019-04-19 | 结块检测方法、系统、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110333088A CN110333088A (zh) | 2019-10-15 |
CN110333088B true CN110333088B (zh) | 2020-09-29 |
Family
ID=68139753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910319561.0A Active CN110333088B (zh) | 2019-04-19 | 2019-04-19 | 结块检测方法、系统、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110333088B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI793626B (zh) * | 2020-08-28 | 2023-02-21 | 財團法人工業技術研究院 | 結構劣化的聲振診斷方法與系統 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101831247B1 (ko) * | 2012-01-31 | 2018-02-22 | 한국전자통신연구원 | 다층 신경망을 이용한 시선 추적 시스템의 초점 측정 장치 |
CN105005670B (zh) * | 2015-07-30 | 2018-02-09 | 长沙有色冶金设计研究院有限公司 | 一种铅锌烧结块的成分预测方法 |
CN107292256B (zh) * | 2017-06-14 | 2019-12-24 | 西安电子科技大学 | 基于辅任务的深度卷积小波神经网络表情识别方法 |
CN108279364B (zh) * | 2018-01-30 | 2020-01-14 | 福州大学 | 基于卷积神经网络的配电网单相接地故障选线方法 |
-
2019
- 2019-04-19 CN CN201910319561.0A patent/CN110333088B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110333088A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108595539A (zh) | 一种基于大数据的行迹相似对象识别方法与系统 | |
CN111723666B (zh) | 一种基于半监督学习的信号识别方法和装置 | |
CN101620566A (zh) | 一种动态随机测试方法 | |
CN111709756A (zh) | 一种可疑社团的识别方法、装置、存储介质和计算机设备 | |
CN112733088B (zh) | 基于专家信息的威布尔型产品可靠性验收方案设计方法 | |
CN109034370A (zh) | 一种基于特征映射剪枝的卷积神经网络精简方法 | |
CN104678288A (zh) | 基于信息熵和小波变换的开关电流电路故障字典获取方法 | |
CN110333088B (zh) | 结块检测方法、系统、装置及介质 | |
CN110297041A (zh) | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 | |
CN113408804B (zh) | 窃电行为检测方法、系统、终端设备及存储介质 | |
CN115878682A (zh) | 一种智能化数据处理方法及系统 | |
CN117472789B (zh) | 基于集成学习的软件缺陷预测模型构建方法和装置 | |
CN114239083A (zh) | 一种基于图神经网络的高效状态寄存器识别方法 | |
CN101241872A (zh) | 一种分布式超声引线键合质量在线检测系统 | |
CN109933680A (zh) | 图像数据筛选方法、装置、计算机设备及其存储介质 | |
CN113204464A (zh) | 基于业务场景的实时业务监控方法、系统、终端及介质 | |
CN103091668A (zh) | 一种基于混沌理论的海面小目标检测方法 | |
GB2625165A (en) | Method and system for fault diagnosis of rolling bearing | |
CN116185797A (zh) | 预测服务器资源饱和度的方法、装置及存储介质 | |
CN113593546B (zh) | 终端设备唤醒方法和装置、存储介质及电子装置 | |
CN108629506A (zh) | 风控模型的建模方法、装置、计算机设备和存储介质 | |
CN113283316A (zh) | 一种基于声音信号的开关机械故障诊断方法、装置及设备 | |
CN107103134A (zh) | 基于贝叶斯网络的低速无线传感器网络测试性分析方法 | |
CN113887452A (zh) | 基于相关性矩阵的故障诊断优化方法 | |
CN111309608A (zh) | 测试用例的选择方法、装置、电子设备和可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |