CN112793989B - 一种基于物料监测的皮带输送机智能调速方法 - Google Patents
一种基于物料监测的皮带输送机智能调速方法 Download PDFInfo
- Publication number
- CN112793989B CN112793989B CN202011564970.6A CN202011564970A CN112793989B CN 112793989 B CN112793989 B CN 112793989B CN 202011564970 A CN202011564970 A CN 202011564970A CN 112793989 B CN112793989 B CN 112793989B
- Authority
- CN
- China
- Prior art keywords
- belt conveyor
- driving motor
- data
- laser range
- neural network
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G15/00—Conveyors having endless load-conveying surfaces, i.e. belts and like continuous members, to which tractive effort is transmitted by means other than endless driving elements of similar configuration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
- B65G43/08—Control devices operated by article or material being fed, conveyed or discharged
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Control Of Conveyors (AREA)
Abstract
一种基于物料监测的皮带输送机智能调速方法,通过人工示教调速,获取皮带输送机不同位置的物料负载量与对应的驱动电机转速,并作为训练数据训练初始的神经网络,获取具有认知能力的神经网络系统,训练完毕后开启智能调速系统,根据皮带输送机实际运行过程中物料监测装置采集到的物料信息数据,经过核心处理器的计算得到皮带输送机不同位置的物料负载量数据,并输送到具有认知能力的神经网络中,神经网络系统进行预测获取当前皮带输送机驱动电机的最佳转速,皮带输送机控制系统根据此数据对驱动电机进行变频调速,本发明能够有效减小皮带输送机电机的能源消耗,并能降低出现煤料堆积的事故,调速范围和精度较高,达到节能降耗、安全生产的目的。
Description
技术领域
本发明涉及一种皮带输送机调速方法,具体是一种基于物料监测的皮带输送机智能调速方法,属于皮带输送机调速技术领域。
背景技术
随着综合机械化采煤工艺的不断发展,国内外学者相继提出了“无人化”或“少人化”采煤工作面的设想。
由于带式输送机对散装物料的运输效果最好,所以广泛应用于煤矿、码头等场合,正是由于带式输送机使用的场合广泛,所以对其也提出了更多要求;作为矿井主要运输设备,带式输送机的能耗对煤矿和矿山等企业运输成本作用明显,采用工频恒速运行方式会存在如下问题:机械和输送带间的摩擦系数较大,若输送机空载或者轻载会造成电能浪费,并且保持恒速运动很容易出现堆煤事故。
带式输送机作为煤矿的关键设备,实现其“无人化”和“智能化”是目前发展的趋势,而目前应用最广泛的带式输送机控制系统,主要是人为根据煤量手动调节带式输送机的带速,而且在实际运行中很长时间采用恒速控制,当皮带输送机运送物料较小时,将会浪费大量的能源;为了提高输送机的运输效率,减少电能消耗,需采取措施对输送机的带速进行调节,当输送机载荷发生变化时,根据载荷及时调整带速,实现运送物料负载量和驱动电机转速实现最佳匹配,以实现节能运行,延长寿命的目的。如果能使皮带输送机实现智能自动调速,将会为推动我国煤炭开采少人化、无人化,从根本上解决煤矿安全高效生产难题。
中国发明专利2018年2月16日公开的一种公开号为CN107702755A的“皮带输送机流量检测装置及检测方法”,其是利用激光测距仪和摄像机对皮带输送机上物料进行实时监测,但是在实际中皮带输送机输送的物料在横截面上以及在整条皮带上的分布都是不均匀的,所以该方法测量物料的负载量误差较大。
中国发明专利2013年3月6日公开的一种公开号为CN102951428B的“皮带输送机节能系统的节能控制方法”,其是利用物料监测装置测定皮带断面上的瞬时料重,经过内部程序计算对皮带输送机驱动电机进行调节,从而实现电机最佳运转转速和运转频率的匹配,然而这种方法并没有设计出准确的物料检测装置,以及对于物料负载量和电机转速的匹配较为粗糙,并不精确。
发明内容
本发明的目的是提供一种基于物料监测的皮带输送机智能调速方法,能够有效减小皮带输送机电机的能源消耗,并能降低出现煤料堆积的事故,调速范围和精度较高,应用范围较广,达到节能降耗和安全生产的目的。
为了实现上述目的,本发明提供一种基于物料监测的皮带输送机智能调速方法,包括以下步骤:
步骤一:安装物料监测装置,将若干套物料监测装置等距离均匀安装在皮带输送机上方,所述物料监测装置包括安装机架、若干个激光测距仪以及工业摄像头,若干个激光测距仪等距离设置在安装机架上,工业摄像头安装在物料正上方的安装机架上;激光测距仪采集物料高度信号、皮带输送机控制系统采集驱动电机的转速信号,并将上述数据输送到数据存储器中,工业摄像头将拍摄的皮带输送带上的物料图片信息输送到数据存储器中,数据存储器与核心处理器相连,数据存储器中存储的数据通过核心处理器的运算可以得到皮带输送机不同运输位置的物料负载量。数据存储器存储完足够的样本数据之后将全部数据输入到核心处理器中进行处理,最后输送到神经网络中进行训练;核心处理器与皮带输送机控制系统相连,皮带输送机控制系统可以对驱动电机进行变频调速;
步骤二:采集样本数据,包括人工示教调速的驱动电机转速矩阵和物料负载矩阵,并将采集到的样本数据存储到数据存储器中,采集完毕后的样本数据输送到核心处理器,由核心处理器中的神经网络系统对样本数据进行训练得到训练完毕的神经网络系统;
步骤三:启动智能调速系统,首先启动皮带输送机开始下料,同时开启物料监测装置采集皮带输送机不同位置的物料负载量得到物料负载矩阵,并将数据直接输送到核心处理器中,由训练完毕的神经网络系统对输入信号进行处理,输出结果为预测的驱动电机最佳转速;
步骤四:将核心处理器输出的电机最佳转速输送到皮带输送机控制系统中,由皮带输送机控制系统对驱动电机进行变频调速。
在本发明中,用激光测距仪来测量皮带输送机上物料的厚度,所设置的激光测距仪个数越多,测量和算法的精度越高,激光测距仪的布置方法为对称均匀的布置在安装机架上,并且两端的激光测距仪长度要近似等于皮带输送带的宽度,本发明中每套物料监测装置设置8个激光测距仪。
作为本发明的进一步改进,步骤二中采集样本数据的步骤如下:
A:开启皮带输送机进行正常的物料运输,同时开启皮带输送机所有位置的物料监测装置以及数据存储器、核心处理器;
B:人工观察当前皮带输送机所运输的整体物料量并进行人工示教调速;
C:在人工示教调速过程中,数据存储器每秒对激光测距仪采集的数据以及驱动电机转速数据采集一次,核心处理器经过计算处理以后得到物料负载矩阵:
作为本发明的进一步改进,采集样本数据过程中步骤B的人工示教调速为:人工观察皮带输送机不同位置的物料负载量,发现当前的整体物料量达到了额定负载,人工调节驱动电机以额定功率运行;当发现皮带输送机整体物料量较小时控制驱动电机转速减小;当发现皮带输送机一直没有物料并且时间持续了5min,则控制驱动电机停止运行,尽可能使皮带输送机整体的负载物料量和驱动电机转速实现最佳匹配。
本发明通过激光测距仪和工业摄像头采集数据,并通过计算得到皮带输送机不同位置的瞬时物料负载量,计算皮带输送机不同位置瞬时物料负载量的步骤如下:
A:对于任意一套物料监测装置,首先以第一个激光测距仪为坐标原点,竖直向下为z坐标,水平方向为x坐标,垂直于物料截面的方向为y坐标建立三维直角坐标系,令输送皮带在xoz面的曲线方程为z1=h1(x);
B:启动皮带输送机并进行下料运输,同时开启全部激光测距仪和工业摄像头;
C:设置8个激光测距仪,将8个激光测距仪进行测距对应得到8个坐标点(xα,0,zα),数据存储器存每秒储存一次上述激光测距仪所测得的坐标数据,并将数据导入核心处理器中,核心处理器通过多项式曲线拟合的方法可以得到物料高度曲线方程,
其中:k为多项式的阶数;
ak为多项式的系数;
D:根据物料高度曲线方程和输送皮带曲线方程可以得到物料的实际高度方程H(x)=h2(x)-h1(x);
E:工业摄像头通过拍照可以得到皮带输送机上的物料图片信息,工业摄像头所得的矩形图像按照实物实际尺寸投影到xoy平面上可以得到物料的分布面φ(x,y),其中工业摄像头拍得图像矩形的长度为L,利用图像处理可以得到物料在输送皮带上的分布图,将得到的物料分布图按照每个像素点进行分割,每个像素点为正方形,像素点面积Sp为1mm2,将每个物料像素点中心坐标记为(xu,yr),当不同位置的物料坐标点的物料高度值近似为H(xu),即H(xu)=H(xu,yr),将每个像素点对应的体积近似为长方体,则该像素点对应的物料高度为H(xu,yr),则工业摄像头拍得图像矩形内的物料的总质量Q为
其中:m为x坐标方向物料像素点个数;
g为y坐标方向物料像素点个数;
ρ为物料的密度,kg/m3;
则单位长度的物料量q为
q=Q/L
物料的瞬时流量
W=K×q×2×π×vi×σ-1×R
其中:vi为物料监测装置中的激光测距仪测得高度坐标时皮带运输机驱动电机的转速;
σ为驱动滚筒减速器的减速比;
K为校核系数;
R为传动滚筒的半径。
本发明核心处理器中所建设的神经网络系统包括输入层、隐含层和输出层;输入层节点数为物料监测装置的个数,输出层为预测的驱动电机转速,即一个节点,隐含层可以有一层或多层,
神经网络系统训练的步骤如下:
A:建立神经网络模型,网络选用S型传递函数,
反传误差函数
其中:ti为期望输出;
oi为网络的计算输出;
神经网络系统通过不断调节网络权值和偏置使误差函数E达到极小;为了加快收敛速度可以先用遗传算法对“BP网络”进行优化并在解析空间找出较好的搜索空间,再用BP网络在较小的搜索空间内搜索最优解;
B:该模型输入层的节点数为10,输出层的节点数为1;
C:本发明采用含有一个隐含层的三层多输入单输出的BP网络建立预测模型,D:选取激励函数,本发明选择S型正切函数tansig作为隐含层神经元的激励函数,而由于网络的输出归一到[-1,1]范围内,因此预测模型选取S型对数函数tansig作为输出层神经元的激励函数;
E:将训练样本数据归一化后输入网络,设定网络隐含层和输出层激励函数分别为tansig和logsig函数,并选择合适的网络训练函数和网络性能函数,隐含层神经元数初设为6;
F:设定网络参数,网络迭代次数为10000次,设置合适的期望误差和学习速率,设定完参数后,开始训练网络,最终得到训练完毕的神经网络系统;
本发明神经网络系统训练完成后,只需要将各项指标输入网络即可得到预测数据。
本发明在选取隐含层神经元个数公式如下:
其中:n为输入层神经元个数;
m为输出层神经元个数;
a为[1,10]之间的常数;
根据上式可以计算出神经元个数为4-13个之间。在本发明中选择隐含层神经元个数为6。
作为本发明的进一步改进,通过图像处理得到物料在皮带上的分布信息采用的是边缘检测技术。
与现有技术相比,本发明通过人工观察皮带输送机不同位置的物料负载量对驱动电机进行调速,尽可能在物料负载量与驱动电机转速之间实现最佳匹配,并在人工示教调速的过程中采集样本数据,包括人工示教调速的驱动电机转速矩阵和物料负载矩阵,采集完毕后的样本数据输送到核心处理器,由核心处理器中的神经网络系统对样本数据进行训练得到训练完毕的神经网络系统;通过安装在皮带输送机上方的物料监测装置的激光测距仪对物料高度信号、驱动电机的转速信号进行采集并输送到数据存储器中,工业摄像头将采集的皮带输送带上的物料图片信息输送到数据存储器中,通过采集样本数据,采集完毕后的样本数据输送到核心处理器,由核心处理器中的神经网络系统对样本数据进行训练得到训练完毕的神经网络系统;将物料监测装置采集皮带输送机不同位置的物料负载量得到物料负载矩阵,并将数据直接输送到核心处理器中,由训练完毕的神经网络系统对输入信号进行处理,输出结果为预测的驱动电机最佳转速;将核心处理器输出的电机最佳转速输送到皮带输送机控制系统中,由皮带输送机控制系统对驱动电机进行变频调速,本发明能够有效减小皮带输送机电机的能源消耗,并能降低出现煤料堆积的事故,调速范围和精度较高,应用范围较广,达到节能降耗的目的。
附图说明
图1是本发明基于物料监测的智能调速装置示意图;
图2是本发明一套物料监测装置安装的结构示意图;
图3是本发明的神经网络系统模型图;
图4是本发明的训练神经网络流程图;
图5是本发明智能调速的流程图。
图中:1、托辊,2、输送带,3、物料,4、激光测距仪,5、工业摄像头,6、安装机架,7、托辊横梁,8、皮带输送机支架。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1和图2所示,一种基于物料监测的皮带输送机智能调速方法,假设皮带输送机的运输长度为Lz,并采取在一台皮带输送机上方均匀布置10套物料监测装置,包括以下步骤:
步骤一:安装物料监测装置,将10套物料监测装置等距离均匀安装在皮带输送机上方,每套物料监测装置的安装方式如图2所示,包括托辊1、输送带2,所运送的物料3,安装机架6安装在皮带输送机支架8上,并且机架距离托辊横梁7的距离为H,物料监测装置所述的激光测距仪4设置8个,激光测距仪4的布置方法为对称均匀的布置在安装机架6上,并且两端的激光测距仪长度要近似等于皮带输送带的宽度,在物料3正上方的安装机架中间位置安装有工业摄像头5;激光测距仪4对物料高度信号、驱动电机的转速信号进行采集并输送到数据存储器中,工业摄像头5将采集的皮带输送带2上的物料图片信息输送到数据存储器中,数据存储器与核心处理器相连,数据存储器中存储的数据通过核心处理器的运算可以得到皮带输送机不同运输位置的物料负载量,数据存储器存储完足够的样本数据之后将全部数据输入到核心处理器中进行处理,最后输送到神经网络中进行训练;核心处理器与皮带输送机控制系统相连,皮带输送机控制系统可以对驱动电机进行变频调速;
如图3-图5所示,步骤二:采集样本数据,包括人工示教调速的驱动电机转速矩阵和物料负载矩阵,并将采集到的样本数据存储到数据存储器中,采集完毕后的样本数据输送到核心处理器,由核心处理器中的神经网络系统对样本数据进行训练得到训练完毕的神经网络系统;其中步骤二中采集样本数据的步骤如下:
A:开启皮带输送机进行正常的物料运输,同时开启皮带输送机所有位置的物料监测装置以及数据存储器、核心处理器和皮带输送机电机控制系统;
B:人工观察当前皮带输送机所运输的整体物料量并进行人工示教调速;人工观察皮带输送机不同位置的物料负载量,发现当前的整体物料量达到了额定负载,人工调节驱动电机以额定功率运行;当发现皮带输送机整体物料量较小时控制驱动电机转速减小;当发现皮带输送机一直没有物料并且时间持续了5min,则控制驱动电机停止运行,尽可能使皮带输送机整体的负载物料量和驱动电机转速实现最佳匹配。
C:在人工示教调速过程中,数据存储器每秒对激光测距仪的数据采集一次,第i套物料监测装置在第j秒测得的瞬时物料负载为Qij,样本总数为n,核心处理器经过计算处理以后得到物料负载矩阵:
步骤三:启动智能调速系统,首先启动皮带输送机开始下料,同时开启物料监测装置采集皮带输送机不同位置的物料负载量得到物料负载矩阵,并将数据直接输送到核心处理器中,由训练完毕的神经网络系统对输入信号进行处理,输出结果为预测的驱动电机最佳转速;
步骤四:将核心处理器输出的电机最佳转速输送到皮带输送机控制系统中,由皮带输送机控制系统对驱动电机进行变频调速。
通过激光测距仪和工业摄像头采集数据,并通过计算得到皮带输送机不同位置的瞬时物料负载量,计算皮带输送机不同位置瞬时物料负载量的步骤如下:
A:对于任意一套物料监测装置,首先以第一个激光测距仪为坐标原点,竖直向下为z坐标,水平方向为x坐标,垂直于物料截面的方向为y坐标建立三维直角坐标系,令输送皮带在xoz面的曲线方程为z1=h1(x);
B:启动皮带输送机并进行下料运输,同时开启全部激光测距仪和工业摄像头;
C:设置8个激光测距仪,将8个激光测距仪进行测距对应得到8个坐标点(xα,0,zα),数据存储器存每秒储存一次上述激光测距仪所测得的坐标数据,并将数据导入核心处理器中,核心处理器通过多项式曲线拟合的方法可以得到物料高度曲线方程,
其中:k为多项式的阶数;
ak为多项式的系数;
D:根据物料高度曲线方程和输送皮带曲线方程可以得到物料的实际高度方程H(x)=h2(x)-h1(x);
E:工业摄像头通过拍照可以得到皮带输送机上的物料图片信息,工业摄像头所得的矩形图像按照实物实际尺寸投影到xoy平面上可以得到物料的分布面φ(x,y),其中工业摄像头拍得图像矩形的长度为L,利用图像处理可以得到物料在输送皮带上的分布图,将得到的物料分布图按照每个像素点进行分割,每个像素点为正方形,像素点面积Sp为1mm2,将每个物料像素点中心坐标记为(xu,yr),当不同位置的物料坐标点的物料高度值近似为H(xu),即H(xu)=H(xu,yr),将每个像素点对应的体积近似为长方体,则该像素点对应的物料高度为H(xu,yr),则工业摄像头拍得图像矩形内的物料的总质量Q为
其中:m为x坐标方向物料像素点个数;
g为y坐标方向物料像素点个数;
ρ为物料的密度,kg/m3;
则单位长度的物料量q为
q=Q/L
物料的瞬时流量
W=K×q×2×π×vi×σ-1×R
其中:vi为物料监测装置中的激光测距仪测得高度坐标时皮带运输机驱动电机的转速;
σ为驱动滚筒减速器的减速比;
K为校核系数,因为皮带输送机存在弹性滑动,故皮带速度和主动轮线速度存在差值;
R为传动滚筒的半径。
本发明将n组物料负载矩阵数据作为输入,将对应的驱动电机转速作为输出通过样本数据的训练,神经网络系统通过不断修正网络权值和偏置使误差函数沿负梯度方向下降,逼近期望输出,本发明的神经网络系统训练的步骤如下:
A:建立神经网络模型,神经网络系统包括输入层、隐含层和输出层;输入层节点数为物料监测装置的个数,输出层为预测的驱动电机转速,即一个节点,隐含层可以有一层或多层,图3是m×k×n的三层BP网络模型,网络选用S型传递函数,
反传误差函数
其中:ti为期望输出;
oi为网络的计算输出;
神经网络系统可以通过不断调节网络权值和偏置使误差函数E达到极小;BP神经网络系统具有高度非线性和较强的泛化能力,但也存在收敛速度慢、迭代步数多、易于陷入局部极小和全局搜索能力差等缺点,本发明可以先用遗传算法对“BP网络”进行优化并在解析空间找出较好的搜索空间,再用BP网络在较小的搜索空间内搜索最优解;
B:该模型输入层的节点数为10,输出层的节点数为1;
C:本发明采用含有一个隐含层的三层多输入单输出的BP网络建立预测模型,在网络设计过程中,隐含层神经元数的确定十分重要,隐含层神经元个数过多,会加大网络计算量并容易产生过度拟合问题;神经元个数过少,则会影响网络性能,达不到预期效果,网络中隐含层神经元的数目与实际问题的复杂程度、输入和输出层的神经元数以及对期望误差的设定有着直接的联系,目前,对于隐含层中神经元数目的确定并没有明确的公式,只有一些经验公式,神经元个数的最终确定还是需要根据经验和多次实验来确定;
D:选取激励函数,ReLU函数是一个通用的激活函数,目前在大多数情况下使用,本发明选择S型正切函数tansig作为隐含层神经元的激励函数,而由于网络的输出归一到[-1,1]范围内,因此预测模型选取S型对数函数tansig作为输出层神经元的激励函数;
E:将训练样本数据归一化后输入网络,设定网络隐含层和输出层激励函数分别为tansig和logsig函数,并选择合适的网络训练函数和网络性能函数,隐含层神经元数初设为6;
F:设定网络参数,网络迭代次数为10000次,设置合适的期望误差和学习速率,设定完参数后,开始训练网络,最终得到训练完毕的神经网络系统;
本发明在选取隐含层神经元个数的问题上参照了以下的经验公式如下:
其中:
n为输入层神经元个数;
m为输出层神经元个数;
a为[1,10]之间的常数;
根据上式可以计算出神经元个数为4-13个之间,在本发明中选择隐含层神经元个数为6。
Claims (4)
1.一种基于物料监测的皮带输送机智能调速方法,其特征在于,包括以下步骤:
步骤一:安装物料监测装置,将若干套物料监测装置等距离均匀安装在皮带输送机上方,所述物料监测装置包括安装机架、若干个激光测距仪以及工业摄像头,若干个激光测距仪等距离设置在安装机架上,工业摄像头安装在物料正上方的安装机架上;激光测距仪采集物料高度信号、皮带输送机控制系统采集驱动电机的转速信号,并将上述数据输送到数据存储器中,工业摄像头将拍摄的皮带输送带上的物料信息输送到数据存储器中,数据存储器与核心处理器相连,核心处理器与皮带输送机控制系统相连,皮带输送机控制系统对驱动电机进行变频调速;
步骤二:采集样本数据,包括人工示教调速的驱动电机转速矩阵和物料负载矩阵,并将采集到的样本数据存储到数据存储器中,采集完毕后的样本数据输送到核心处理器,由核心处理器中的神经网络系统对样本数据进行训练得到训练完毕的神经网络系统;
步骤三:启动智能调速系统,首先启动皮带输送机开始下料,同时开启物料监测装置采集皮带输送机不同位置的物料负载量得到物料负载矩阵,并将数据直接输送到核心处理器中,由训练完毕的神经网络系统对输入信号进行处理,输出结果为预测的驱动电机最佳转速;
步骤四:将核心处理器输出的驱动电机最佳转速输送到皮带输送机控制系统中,由皮带输送机控制系统对驱动电机进行变频调速;
激光测距仪的布置方法为对称均匀的布置在安装机架上,并且两端的激光测距仪长度等于皮带输送带的宽度,每套物料监测装置设置8个激光测距仪;
步骤二中采集样本数据的步骤如下:
A:开启皮带输送机进行正常的物料运输,同时开启皮带输送机所有位置的物料监测装置以及数据存储器、核心处理器;
B:人工观察当前皮带输送机所运输的整体物料量并进行人工示教调速;
C:在人工示教调速过程中,数据存储器每秒对激光测距仪采集的数据以及驱动电机转速数据采集一次,核心处理器经过计算处理以后得到物料负载矩阵:
采集样本数据过程中步骤B的人工示教调速为:人工观察皮带输送机不同位置的物料负载量,发现当前的整体物料量达到了额定负载,人工调节驱动电机以额定功率运行;当发现皮带输送机整体物料量较小时控制驱动电机转速减小;当发现皮带输送机一直没有物料并且时间持续了5min,则控制驱动电机停止运行,使皮带输送机整体的负载物料量和驱动电机转速实现最佳匹配;
通过激光测距仪和工业摄像头采集数据,并通过计算得到皮带输送机不同位置的瞬时物料负载量,计算皮带输送机不同位置瞬时物料负载量的步骤如下:
A:对于任意一套物料监测装置,首先以第一个激光测距仪为坐标原点,竖直向下为z坐标,水平方向为x坐标,垂直于物料截面的方向为y坐标建立三维直角坐标系,令输送皮带在xoz面的曲线方程为z1=h1(x);
B:启动皮带输送机并进行下料运输,同时开启全部激光测距仪和工业摄像头;
C:设置8个激光测距仪,将8个激光测距仪进行测距对应得到8个坐标点(xα,0,zα),数据存储器存每秒储存一次上述激光测距仪所测得的坐标数据,并将数据导入核心处理器中,核心处理器通过多项式曲线拟合的方法可以得到物料高度曲线方程,
其中:k为多项式的阶数;
ak为多项式的系数;
D:根据物料高度曲线方程和输送皮带曲线方程可以得到物料的实际高度方程H(x)=h2(x)-h1(x);
E:工业摄像头通过拍照可以得到皮带输送机上的物料图片信息,工业摄像头所得的矩形图像按照实物实际尺寸投影到xoy平面上可以得到物料的分布面φ(x,y),其中工业摄像头拍得图像矩形的长度为L,利用图像处理可以得到物料在输送皮带上的分布图,将得到的物料分布图按照每个像素点进行分割,每个像素点为正方形,像素点面积Sp为1mm2,将每个物料像素点中心坐标记为(xu,yr),当不同位置的物料坐标点的物料高度值近似为H(xu),即H(xu)=H(xu,yr),将每个像素点对应的体积近似为长方体,则该像素点对应的物料高度为H(xu,yr),则工业摄像头拍得图像矩形内的物料的总质量Q为
其中:m为x坐标方向物料像素点个数;
g为y坐标方向物料像素点个数;
ρ为物料的密度,kg/m3;
则单位长度的物料量q为
q=Q/L
物料的瞬时流量
W=K×q×2×π×vi×σ-1×R
其中:vi为物料监测装置中的激光测距仪测得高度坐标时皮带运输机驱动电机的转速;
σ为驱动滚筒减速器的减速比;
K为校核系数;
R为传动滚筒的半径。
2.根据权利要求1所述的一种基于物料监测的皮带输送机智能调速方法,其特征在于,核心处理器中所建设的神经网络系统包括输入层、隐含层和输出层;输入层节点数为物料监测装置的个数,输出层为预测的驱动电机转速,隐含层可以有一层或多层,
神经网络系统训练的步骤如下:
A:建立神经网络模型,网络选用S型传递函数,
反传误差函数
其中:ti为期望输出;
oi为网络的计算输出;
神经网络系统通过不断调节网络权值和偏置使误差函数E达到极小;为了加快收敛速度先用遗传算法对“BP网络”进行优化并在解析空间找出较好的搜索空间,再用BP网络在较小的搜索空间内搜索最优解;
B:神经网络系统模型输入层的节点数为10,输出层的节点数为1;
C:采用含有一个隐含层的三层多输入单输出的BP网络建立预测模型;
D:选取激励函数,选择S型正切函数tansig作为隐含层神经元的激励函数,而由于网络的输出归一到[-1,1]范围内,因此预测模型选取S型对数函数tansig作为输出层神经元的激励函数;
E:将训练样本数据归一化后输入网络,设定网络隐含层和输出层激励函数分别为tansig和logsig函数,并选择合适的网络训练函数和网络性能函数;
F:设定网络参数,网络迭代次数为10000次,设置合适的期望误差和学习速率,设定完参数后,开始训练网络,最终得到训练完毕的神经网络系统;
神经网络系统训练完成后,只需要将各项指标输入网络即可得到预测数据。
4.根据权利要求2所述的一种基于物料监测的皮带输送机智能调速方法,其特征在于,通过图像处理得到物料在皮带上的分布信息采用的是边缘检测技术。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011564970.6A CN112793989B (zh) | 2020-12-25 | 2020-12-25 | 一种基于物料监测的皮带输送机智能调速方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011564970.6A CN112793989B (zh) | 2020-12-25 | 2020-12-25 | 一种基于物料监测的皮带输送机智能调速方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112793989A CN112793989A (zh) | 2021-05-14 |
CN112793989B true CN112793989B (zh) | 2021-11-19 |
Family
ID=75805967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011564970.6A Active CN112793989B (zh) | 2020-12-25 | 2020-12-25 | 一种基于物料监测的皮带输送机智能调速方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112793989B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113526015B (zh) * | 2021-07-17 | 2023-04-14 | 欧普瑞泰环境科技有限公司 | 气垫输送机的控制方法 |
CN113968492B (zh) * | 2021-10-25 | 2023-04-07 | 中煤科工智能储装技术有限公司 | 一种需求量驱动的散装物料智能输送方法 |
CN114212452B (zh) * | 2021-11-05 | 2022-11-11 | 中国矿业大学 | 基于激光辅助和图像处理的煤流检测方法及节能控制系统 |
CN114229391A (zh) * | 2021-12-15 | 2022-03-25 | 内蒙古黄陶勒盖煤炭有限责任公司 | 一种带式输送机智能调速系统及调速方法 |
DE102022116944A1 (de) * | 2022-07-07 | 2024-01-18 | Krones Aktiengesellschaft | Verfahren zur automatischen Regelung einer Behältertransportvorrichtung mit einem oder mehreren Transportbändern zum Anpassen einer Behälterdichte und Behältertransportvorrichtung |
CN115116010B (zh) * | 2022-08-29 | 2022-11-18 | 山东千颐科技有限公司 | 基于图像处理的皮带防跑偏视觉识别系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6111808A (ja) * | 1984-06-28 | 1986-01-20 | Fanuc Ltd | ライントラツキング制御方式 |
CN105000355A (zh) * | 2015-06-02 | 2015-10-28 | 南通大学 | 带式输送机能效在线监测方法及在线监测系统 |
CN106779071A (zh) * | 2016-12-19 | 2017-05-31 | 辽宁工程技术大学 | 一种用于矿井通风机的神经网络自适应调速方法 |
CN109305534A (zh) * | 2018-10-25 | 2019-02-05 | 安徽理工大学 | 基于计算机视觉的煤码头带式输送机自适应控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104508491B (zh) * | 2012-09-26 | 2016-08-17 | 株式会社日立高新技术 | 试样搬运装置及检体检查自动化系统 |
-
2020
- 2020-12-25 CN CN202011564970.6A patent/CN112793989B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6111808A (ja) * | 1984-06-28 | 1986-01-20 | Fanuc Ltd | ライントラツキング制御方式 |
CN105000355A (zh) * | 2015-06-02 | 2015-10-28 | 南通大学 | 带式输送机能效在线监测方法及在线监测系统 |
CN106347970A (zh) * | 2015-06-02 | 2017-01-25 | 南通大学 | 一种具有在线能效监测的带式输送机能效监测方法 |
CN106779071A (zh) * | 2016-12-19 | 2017-05-31 | 辽宁工程技术大学 | 一种用于矿井通风机的神经网络自适应调速方法 |
CN109305534A (zh) * | 2018-10-25 | 2019-02-05 | 安徽理工大学 | 基于计算机视觉的煤码头带式输送机自适应控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112793989A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112793989B (zh) | 一种基于物料监测的皮带输送机智能调速方法 | |
CN109067490B (zh) | 蜂窝网联下多无人机协同移动边缘计算系统资源分配方法 | |
CN109305534B (zh) | 基于计算机视觉的煤码头带式输送机自适应控制方法 | |
CN112862090B (zh) | 一种基于深度时空神经网络的气温预报方法 | |
CN106477273A (zh) | 基于支持向量机的带式输送机能耗预测方法 | |
CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN112990558B (zh) | 一种基于深度迁移学习的气象温度、光照的预测方法 | |
CN114519451B (zh) | 智能化孤岛型园区车辆碳排量预测方法和系统 | |
CN114202316A (zh) | 基于深度强化学习的城市轨道交通列车时刻表优化方法 | |
CN115762169B (zh) | 一种环卫车无人驾驶的智能控制系统及方法 | |
CN113810655B (zh) | 一种湖区智能救生系统的实现方法 | |
CN113298792A (zh) | 基于ai视觉的皮带跑偏监测调速控制装置及方法 | |
CN108182715A (zh) | 一种具有统计堆料场物料信息的堆取料系统 | |
CN115457006A (zh) | 基于相似一致性自蒸馏的无人机巡检缺陷分类方法及装置 | |
CN113968492B (zh) | 一种需求量驱动的散装物料智能输送方法 | |
CN108128638A (zh) | 一种取料系统的自动取料方法 | |
CN111738327B (zh) | 一种基于典型云层遮挡辐照差异的超短期辐照预测方法 | |
CN113183827A (zh) | 一种基于人工智能的新能源电动汽车行驶智能云中控管理平台 | |
CN113222479B (zh) | 基于区块链和产业供应链的数据分析管理系统及方法 | |
CN116631203A (zh) | 结合交通流预测与强化学习的自适应交通信号控制方法 | |
CN113537405A (zh) | 一种采用人工智能技术的蓝藻图像分类识别工具 | |
LU503336B1 (en) | Quality control simulation system for grain multimodal transport | |
CN111629345B (zh) | 基于太阳能补给的多媒体传感网节点任务分配方法 | |
CN108470254A (zh) | 一种基于自回归神经网络的瓦斯灾害预测方法 | |
CN114919819B (zh) | 一种钢带贴膜自动化控制方法及系统 |
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 |