CN113695058B - 换热器生产用智能废料破碎装置自保护方法 - Google Patents

Abstract

本发明涉及一种换热器生产用智能废料破碎装置自保护方法，包括：记录破碎装置工作过程中的图像特征和电机负载特征特征，进行信息的采集并构建特征描述子；进行历史样本的处理；实时计算每种类型的电机负载范围，并给定距离超载的余量。解决破碎装置如何自动以较高精度确定负载范围，并自动维护的问题。

Description

换热器生产用智能废料破碎装置自保护方法

技术领域

本发明涉及人工智能领域，具体涉及一种换热器生产用智能废料破碎装置自保护方法。

背景技术

换热器生成过程中会遇到一些残次品，需要对其进行重新粉碎回收处理，然而目前的粉碎设备价格昂贵，调试困难，对于一些鳍片较为密集的样品容易进入保护状态，使得混合样品的粉碎过程中难以确定正常的电机负载保护范围，进而导致设备损坏或者误触发负载保护。传统的图像检测方法无法与机电系统较佳耦合，从而降低了负载区间的精准度，如何更加精确地控制负载区间是急需解决的问题。

发明内容

为了克服上述现有技术的缺点，本发明采用以下技术方案：

一种换热器生产用智能废料破碎装置自保护方法，包括以下步骤：

步骤一：采集一段时间内待破碎的换热器的多张初始图像，记录每张所述初始图像中待破碎的换热器的鳍片密度特征、待破碎的换热器进行破碎的过程中破碎装置的电机负载特征序列，对所述电机负载特征序列进行滤波，获取滤波前后电机负载特征的比值得到电机负载特征向量，所述密度特征和所述电机负载特征向量为待破碎的换热器的特征描述子；

步骤二：基于历史数据，将每个被破碎的换热器作为一个样本，获取每个样本的特征描述子，对特征描述子中的鳍片密度进行聚类得到多个密度等级；对特征描述子中的电机负载特征向量进行排序得到特征分布向量；获取每个密度等级内每个样本的置信度，根据样本的置信度计算相邻密度等级中特征分布向量之间的相似度，基于最大匹配得到最相似的匹配对，所述匹配对的权重为所述相似度；

步骤三：计算每个样本的电机负载波动向量的平均值，根据每个样本的平均值及权重估计相应密度等级下电机的负载范围。进一步，获取每个密度等级内每个样本的置信度为：对于密度等级内的每个样本，计算该样本与剩余的其他样本之间的特征分布向量的相似度，得到相似度序列；所述相似度序列之和为该样本的置信度，以此类推，得到该密度等级内每个样本的置信度。

进一步，获取每个密度等级内每个样本的置信度为：对于密度等级内的每个样本，计算该样本与剩余的其他样本之间的特征分布向量的相似度，得到相似度序列；所述相似度序列之和为该样本的置信度，以此类推，得到该密度等级内每个样本的置信度。

进一步，根据每个样本的平均值及权重估计相应密度等级下电机的负载范围为：实施者给定超参数α，α的值域位于[0,1]，假设样本权重为ｗ，对所有权重进行归一化处理，即缩放ｗ，令所有样本权重之和为１，计算最大似然负载最大值：

，其中

表示 Z中百分之α的比值，Z表示电机负载特征向量；式中Mean是对电机负载特征向量相加求平均值得到最大似然负载最大值，调节超参数α以使在不同的鳍片密度下负载范围的估计值符合预期，若此次时间片内的处理没有触发最大负载，则将该时间片内的数据加入历史数据，重复上述操作，更新所有权重，使得设备长期运行数据不断修正历史样本中滤波后的电机负载特征所对应的负载和负载特征分布向量的宏观特性。

本发明的有益效果是：

解决破碎装置如何自动以较高精度确定负载范围，并自动维护的问题。

具体实施方式

下面结合实施例对本发明进行详细的描述。

为了实现本发明所述内容，本发明设计了一种换热器生产用智能废料破碎装置自保护方法。

步骤一：采集一段时间内待破碎的换热器的多张初始图像，记录每张所述初始图像中待破碎的换热器的鳍片密度特征、待破碎的换热器进行破碎的过程中破碎装置的电机负载特征序列，对所述电机负载特征序列进行滤波，获取滤波前后电机负载特征的比值得到电机负载特征向量，所述密度特征和所述电机负载特征向量为待破碎的换热器的特征描述子。基于鳍片计数网络和电机负载构建描述子。实施者需要基于一个样机来得到较多的初始图像、电机负载信息用于后续的操作。一下操作在一个时间片段中完成，本实施例中的时间片段长度为5s，实施者可以根据进料速度和散热器大小等因素自行选择最为合适的数值，以两个时间片段的数据中图像纹理在肉眼观察中差异较大为准。首先介绍鳍片计数网络的工作方法和原理，鳍片计数网络是一个典型的CNN，主要通过编码器和全连接网络相连的方式回归当前的鳍片数量等级。实施者可以使用典型的VGG网络进行如下操作，得到鳍片数量计数网络：首先构建不同粉碎过程中的初始图像作为样本，并标注对应的鳍片密度等级，本实施例中使用5种密度，分别对应生产过程中的不同铝制散热器的鳍片密度。然后使用交叉熵Loss训练该网络，使得向网络输入一张初始图像可以得到最终的One-Hot编码的分类结果，并通过argmax得到最终的等级，至此，实施者预先实现上述网络，该网络可以复用于其它相同任务的粉碎设备上，因此具有较强的可以执行和实用性。实现上述步骤和具体操作是公知的，因此本发明不再赘述。至此，每当粉碎设备运行时，拍摄粉碎设备入口的相机可以通过上述网络得到密度等级值，后续为了方便描述，使用“密度值”来阐述。上述和后续的图像采集操作发生在时间片段的最初时间。然后为一个时间片段内的电机负载构建定长特征序列，作为一种特征描述子。具体的，由于电机的PID控制器可以读出当前的驱动器占空比，驱动器的电流可以体现占空比的变化，并直接与功率的变化呈线性相关，因此基于电机驱动器的电流值对电机负载进行记录，本实施例中使用50Hz的读取频率。则在该时间片段中可以得到250个电流样本I。然后提取粉碎过程中的负载波动比例，作为特征描述子：对于一个时间片段，实施者需要规定中值滤波窗口大小,以粉碎机完全挤压一个散热器的时间为准，经验时间为1秒。本实施例中，得到的电流序列长度为不定长的序列，对应滤波窗口大小为50个样本，对该序列进行中值滤波，得到低通信号

。这样做的目的是：由于在挤压散热器的过程中其余散热器会进入粉碎设备，且粉碎设备的旋转结构可能会因为挂屑等问题出现周期性缓慢变化的负载波动，从而影响真实的粉碎某鳍片密度下的散热器的电机负载浮动情况。因此有：

，至此，得到了低通信号

，该信号能够体现带载粉碎，空载挂屑、不同设备的装配问题等因素导致的自身损耗，接下来以该信号为基准特征计算波动比例。为了得到粉碎过程中的电机负载波动比例，将原始信号与滤波信号

进行负载值相除，换句话说，利用原始的电机负载特征序列与基准特征序列的比值得到倍数关系，该倍数关系为电机负载波动向量。

这样做的原理是：由于低频信号和原始信号的量纲一致，因此

可以作为一种归一化的、能够表示毛刷与皮革之间发生异常擦碰的特征信号。至此，得到了

为向量X，

为向量Y，至此，得到了一组样本，是包含密度等级和电机负载特征向量X的二元组，该密度特征和电机负载波动向量为待破碎的换热器的特征描述子。基于电机负载的波动序列估计负载比例的上限值。

步骤二：基于历史数据，将每个被破碎的换热器作为一个样本，获取每个样本的特征描述子，对特征描述子中的鳍片密度特征进行聚类得到多个密度等级；基于特征描述子中的电机负载波动向量，对电机基准特征序列中的前50%的位置进行筛选，使对应位置的电机负载波动向量的数值自大到小排列，作为负载特征分布向量获取每个密度等级内每个样本的置信度，根据样本的置信度计算相邻密度等级中特征分布向量之间的相似度，基于最大匹配得到最相似的匹配对，所述匹配对的权重为所述相似度。

其中，获取每个密度等级内每个样本的置信度为：对于密度等级内的每个样本，计算该样本与剩余的其他样本之间的特征分布向量的相似度，得到相似度序列；所述相似度序列之和为该样本的置信度，以此类推，得到该密度等级内每个样本的置信度。

对粉碎的换热器样本进行鳍片密度的分类，每一种鳍片密度作为一种子簇，此处遗留的问题在于：相邻的密度下，分类网络可能有误差，因此出现高估一个等级或低估一个等级的问题。需要结合电机负载分别进行分析。首先分析相邻的密度之间的负载的相似度，修正簇内的样本置信度。计算簇内的置信度，首先计算负载波动相似度，前面已经提到，波动特征代表一种机器空载运行的“背景噪声”，然而在粉碎带载过程中，“背景噪声”的负载值是一个时间连续的较为平坦的功率读数，因此对这个读数进行特征提取：首先对Y进行极差标准化，使得Y是一个值域在[0,1]的序列，Y越大意味着X对应位置的数据是一个有效的比例值。由于带载过程在一个时间片段中一般是超过一半时间的，因此，对Y中Top-50%的位置进行筛选，使得对应位置的X信号的数值自大到小排列，作为该时间片的负载特征分布向量Z。对X和Y进行上述计算的目的是消除Z计入空载的波动所产生的误差。然后确定向量之间的负载分布相似度，由于Z已经对上述特征向量的数值进行了由大到小的排列，因此在向量上体现一种负载值的分布特征。而每个样本之间的Z都是不定长的，原因是Y中Top-50%的位置数量不定长。因此需要克服如下问题：计算破碎过程中负载的特征向量相似度，对不定长的信号可计算。本发明中考虑了负载的分布特征Z的分布意义和不定长特性，因此使用DTW来描述两向量之间的距离。由于一维向量之间的DTW计算方式是公知的，因此不再赘述。至此得到了负载分布相似度

, 值域为[0,1]相似度越大的样本对意味着两者的负载情况相似，上述方法可以很好地克服换热器破碎过程中随机的高负载带来的非时序性特征之间的相似度比较问题。至此，得到一个簇内的置信度C:

，求和的意义在于可以计算当前数据和其余数据之间的相似度，以少数服从多数的原则降低异常数据的权重。

对一个簇内所有的C进行极差标准化，使得一个簇内的C值域在[0,1]。至此完成了簇内的置信度计算。计算簇间相似度，得到最终的样本权重。此处的权重是指给定一个鳍片密度等级，可以根据其相邻密度等级的样本联合给定样本权重。以等级2为例，需要分分别计算等级1和等级3的相似度。以计算等级1为例。基于上面负载相似度

的计算方法，计算簇间样本之间的相似度

，相似度的值域为[0,1],其中的A为等级1的某样本，B为等级二中的某样本，C为等级2中该样本的置信度。然后基于K-M最大匹配得到最相似的匹配对，基于该匹配对赋予两样本的二元组的边权重为

。同理计算第三等级。最终，在两次最大匹配得到的匹配对中，确定都位于等级2的样本的交集，作为基准样本。作为基准样本的含义是：交集样本的负载特征和相邻鳍片密度的负载特征相似，因此在密度负载上存在二义性，意味着该样本是一种典型的负载特征，在相邻的簇中也会出现。令基准样本的权值定为1，对应的匹配对中的权值为K-M的边权重。至此，对上述的样本进行了赋权，其权值意味着负载的置信度。

步骤三：计算每个样本的电机负载波动向量的平均值，根据每个样本的平均值及权重估计相应密度等级下电机的负载范围。

实施者给定超参数α，α的值域位于[0,1].基于上述的权值，计算负载范围，首先假设样本权重为ｗ，对所有权重进行归一化处理，即缩放ｗ，令所有样本权重之和为１。计算最大似然负载最大值：

，

其中α的含义是选择Z中百分之α的最大负载比例值，

表示 选取Z中百分之α的比值，Z表示电机负载特征向量，式中Mean是对从电机负载特征向量中所选取的比值进行相加求平均值。至此得到最大似然负载最大值。实施者只需调节超参数α即可保证在不同的鳍片密度下负载范围的估计值符合预期。若此次时间片内的处理没有触发最大负载，则将该时间片内的数据加入历史数据，重复上述操作，更新所有权重，使得设备长期运行数据辅助本方法不断修正历史样本中

的负载和负载特征分布向量Z的宏观特性，使得粉碎装置可以不断适应老化带来的工作特性变化，做到实施者仅调节一个超参数即可让设备长期稳定运行的效果。

以上实施例仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (1)

1.一种换热器生产用智能废料破碎装置自保护方法，其特征在于，包括：

步骤一：采集一段时间内待破碎的换热器的多张初始图像，记录每张所述初始图像中待破碎的换热器的鳍片密度特征、待破碎的换热器进行破碎的过程中破碎装置的电机负载特征序列，获取所述电机负载特征序列与基准特征序列的比值得到电机负载波动向量，所述密度特征和所述电机负载波动向量为待破碎的换热器的特征描述子；

步骤二：基于历史数据，将每个被破碎的换热器作为一个样本，获取每个样本的特征描述子，对特征描述子中的鳍片密度特征进行聚类得到多个密度等级；基于特征描述子中的电机负载波动向量，对基准特征序列中的前50%的位置进行筛选，使对应位置的电机负载波动向量的数值自大到小排列，作为负载特征分布向量；获取每个密度等级内每个样本的置信度，根据样本的置信度计算相邻密度等级中负载特征分布向量之间的相似度，基于最大匹配得到最相似的匹配对，所述匹配对的权重为所述相似度；

其中，获取每个密度等级内每个样本的置信度为：对于密度等级内的每个样本，计算该样本与剩余的其他样本之间的负载特征分布向量的相似度；所述相似度之和为该样本的置信度，以此类推，得到该密度等级内每个样本的置信度；对一个密度等级内所有的置信度进行极差标准化，使得一个密度等级内的置信度的值域在[0,1]；

其中，根据样本的置信度计算相邻密度等级中负载特征分布向量之间的相似度的方法为：利用公式

计算相邻密度等级中样本之间负载特征分布向量的相似度

，其中A为与B相邻的密度等级中样本的负载特征分布向量，B为当前密度等级中当前样本的负载特征分布向量，C为当前样本的置信度；

步骤三：计算每个样本的电机负载波动向量的平均值，根据每个样本的平均值及权重估计相应密度等级下电机的负载范围；

其中，根据每个样本的平均值及权重估计相应密度等级下电机的负载范围为：实施者给定超参数α，α的值域位于[0,1]，假设样本权重为ｗ，对所有权重进行归一化处理，即缩放ｗ，令所有样本权重之和为1，计算最大似然负载最大值：

，其中

表示 Z中百分之α的比值，Z表示电机负载特征分布向量；式中Mean是对从电机负载特征分布向量中所选取的比值相加求平均值，调节超参数α以使在不同的鳍片密度特征下负载范围的估计值符合预期，若此次时间片内的处理没有触发最大负载，则将该时间片内的数据加入历史数据，重复上述操作，更新所有权重，使得设备长期运行数据不断修正历史样本中滤波后的电机负载特征分布向量所对应的负载和电机负载特征分布向量的宏观特性。