CN114995117B - 基于神经网络的砂石分离机进料槽自适应控制方法及装置 - Google Patents
基于神经网络的砂石分离机进料槽自适应控制方法及装置 Download PDFInfo
- Publication number
- CN114995117B CN114995117B CN202210838872.XA CN202210838872A CN114995117B CN 114995117 B CN114995117 B CN 114995117B CN 202210838872 A CN202210838872 A CN 202210838872A CN 114995117 B CN114995117 B CN 114995117B
- Authority
- CN
- China
- Prior art keywords
- sand
- stone
- feed chute
- materials
- stone materials
- 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
- 239000004576 sand Substances 0.000 title claims abstract description 254
- 239000004575 stone Substances 0.000 title claims abstract description 246
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 13
- 239000000463 material Substances 0.000 claims abstract description 246
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 87
- 238000002347 injection Methods 0.000 claims abstract description 81
- 239000007924 injection Substances 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims 4
- 238000000926 separation method Methods 0.000 abstract description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Casting Support Devices, Ladles, And Melt Control Thereby (AREA)
Abstract
本发明涉及自动控制技术领域,具体涉及一种基于神经网络的砂石分离机进料槽自适应控制方法及装置,该方法包括:获取砂石物料的粘性程度,根据砂石物料的粘性程度,利用神经网络,确定使砂石物料全部进入砂石分离机时进料槽的最佳坡度信息和注水信息;其中,训练神经网络的训练样本和训练标签的获取为:获取若干堆砂石物料的粘性程度,得到训练样本;基于任意两堆砂石物料的属性相似度对所述若干堆砂石物料进行分组;获取每个组内砂石物料对应的进料槽的最佳坡度信息和注水信息,得到训练标签。本发明可提高砂石分离机进行砂石分离的效率。
Description
技术领域
本发明涉及自动控制领域,具体涉及一种基于神经网络的砂石分离机进料槽自适应控制方法及装置。
背景技术
砂石分离机是混凝土回收系统的核心设备,主要用于将清洗罐车的污水及残留混凝土中的砂石清洗分离及回收利用。该机设计上采用国外先进的混凝土回收技术,具有操作简单,智能控制,全过程无人看管,方便快捷,节省大量的人力,物力,财力。
砂石分离机的进料槽是砂土分离前的输送设备,需要进料槽能够稳定的提供原料;而现有的混凝土砂石分离机进料槽,不能自由的调整坡度。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于神经网络的砂石分离机进料槽自适应控制方法及装置,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于神经网络的砂石分离机进料槽自适应控制方法,该方法包括以下具体步骤:
获取砂石物料的粘性程度,根据砂石物料的粘性程度,利用神经网络,确定使砂石物料全部进入砂石分离机时进料槽的最佳坡度信息和注水信息;
其中,训练神经网络的训练样本和训练标签的获取为:
获取若干堆砂石物料的粘性程度,得到训练样本;
基于任意两堆砂石物料的属性相似度对所述若干堆砂石物料进行分组;
获取每个组内砂石物料对应的进料槽的最佳坡度信息和注水信息,得到训练标签。
进一步地,所述砂石物料的粘性程度的获取具体为:
将砂石物料放置于进料槽上,根据进料槽上是否残余砂石物料进行注水或进料槽坡度调整操作,每次操作后获取进料槽上的砂石物料残余量,直至砂石物料全部进入砂石分离机,获取进料槽坡度序列和第一砂石物料残余量序列;
根据进料槽坡度的均值方差和砂石物料残余量均值计算所述砂石物料的粘性程度。
进一步地,所述任意两堆砂石物料的属性相似度的获取具体为:
进料槽坡度固定,依次将所述任意两堆砂石物料放置在进料槽上,多次注水,统计每次注水后进料槽上的砂石物料残余量,得到第二砂石物料残余量序列;
所述任意两堆砂石物料对应的第二砂石物料残余量序列的相似度为所述任意两堆砂石物料的属性相似度。
进一步地,所述神经网络为TCN网络。
进一步地,基于任意两堆砂石物料的属性相似度,利用DBSCAN算法对所述若干堆砂石物料进行分组。
第二方面,本发明另一个实施例提供了一种基于神经网络的砂石分离机进料槽自适应控制装置,该装置具体包括:
进料槽自动控制模块,用于获取砂石物料的粘性程度,根据砂石物料的粘性程度,利用神经网络,确定使砂石物料全部进入砂石分离机时进料槽的最佳坡度信息和注水信息;
其中,训练神经网络的训练样本和训练标签的获取为:
获取若干堆砂石物料的粘性程度,得到训练样本;
基于任意两堆砂石物料的属性相似度对所述若干堆砂石物料进行分组;
获取每个组内砂石物料对应的进料槽的最佳坡度信息和注水信息,得到训练标签。
进一步地,所述砂石物料的粘性程度的获取具体为:
将砂石物料放置于进料槽上,根据进料槽上是否残余砂石物料进行注水或进料槽坡度调整操作,每次操作后获取进料槽上的砂石物料残余量,直至砂石物料全部进入砂石分离机,获取进料槽坡度序列和第一砂石物料残余量序列;
根据进料槽坡度的均值方差和砂石物料残余量均值计算所述砂石物料的粘性程度。
进一步地,所述任意两堆砂石物料的属性相似度的获取具体为:
进料槽坡度固定,依次将所述任意两堆砂石物料放置在进料槽上,多次注水,统计每次注水后进料槽上的砂石物料残余量,得到第二砂石物料残余量序列;
所述任意两堆砂石物料对应的第二砂石物料残余量序列的相似度为所述任意两堆砂石物料的属性相似度。
进一步地,所述神经网络为TCN网络。
进一步地,基于任意两堆砂石物料的属性相似度,利用DBSCAN算法对所述若干堆砂石物料进行分组。
本发明实施例至少具有如下有益效果:本发明可基于砂石物料的粘性程度获取相应的进料槽坡度信息和注水信息,根据得到的进料槽坡度信息和注水信息对进料槽和注水装置进行调整后,放置于进料槽上的砂石物料可全部进入砂石分离机中,无需人为地对进料槽上的砂石物料进行外力推动,节省了人力,提高了砂石分离效率。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合较佳实施例,对依据本发明提出的一种基于神经网络的砂石分离机进料槽自适应控制方法及装置,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例以下面的应用场景为例对本发明进行说明:
该应用场景为:每次放置于砂石分离机上砂石物料的粘性程度已知,砂石分离机与微电脑相连,在微电脑上输入砂石物料的粘性程度,微电脑中包括TCN网络,经过微电脑中TCN网络的计算,得到该砂石物料对应的进行槽的坡度信息和注水信息,微电脑基于得到的坡度信息和注水信息对砂石分离机的进料槽和注水装置进行控制,进而使砂石物料全部进入砂石分离机。
下面具体的说明本发明所提供的一种基于神经网络的砂石分离机进料槽自适应控制方法及装置的具体方案。
本发明一个实施例提供了一种基于神经网络的砂石分离机进料槽自适应控制方法,该方法包括以下步骤:
获取砂石物料的粘性程度,根据砂石物料的粘性程度,利用神经网络,确定使砂石物料全部进入砂石分离机时进料槽的最佳坡度信息和注水信息;
其中,训练神经网络的训练样本和训练标签的获取为:
获取若干堆砂石物料的粘性程度,得到训练样本;
基于任意两堆砂石物料的属性相似度对所述若干堆砂石物料进行分组;
获取每个组内砂石物料对应的进料槽的最佳坡度信息和注水信息,得到训练标签。
下面对上述内容进行具体展开:
(1)获取砂石物料的粘性程度:实际运用本发明时,砂石物料的粘性程度是已知的,具体地,可按照本发明中计算粘性程度的方法,计算大量砂石物料的粘性程度,获取统计得到的若干堆砂石物料与粘性程度的对应关系,基于所述对应关系获取待分离砂石物料的粘性程度;一种实施方式中,可基于经验,预先对砂石物料进行分类,在每个类中进行砂石物料抽样,按照本发明中计算粘性程度的方法计算所抽取的砂石物料样本的粘性程度,进而得到每个类中砂石物料对应的粘性程度,实际运用时,根据待分离砂石物料所属类即可得到其粘性程度;另一种实施方式中,采集已计算出粘性程度的砂石物料的图像,构建图像库;获取当前待分离砂石物料的图像,图像库中与待分离砂石物料的图像最相似的图像对应的粘性程度即为待分离砂石物料的粘性程度。
(2)根据砂石物料的粘性程度,利用神经网络,确定使砂石物料全部进入砂石分离机时进料槽的最佳坡度信息和注水信息。
优选地,实施例中所述神经网络为TCN网络,将砂石物料的粘性程度输入TCN网络中,输出进料槽的最佳坡度信息和注水信息。
优选地,实施例中训练TCN神经网络的训练样本和训练标签的获取为:获取若干堆砂石物料的粘性程度,得到训练样本;基于任意两堆砂石物料的属性相似度对所述若干堆砂石物料进行分组;获取每个组内砂石物料对应的进料槽的最佳坡度信息和注水信息,得到训练标签。其中,注水信息是指是否需要利用注水装置进行注水。
(a)每堆砂石物料的粘性程度的获取具体为:将砂石物料放置于进料槽上,根据进料槽上是否残余砂石物料进行注水或进料槽坡度调整操作,每次操作后获取进料槽上的砂石物料残余量,直至砂石物料全部进入砂石分离机,获取进料槽坡度序列和第一砂石物料残余量序列;根据进料槽坡度的均值方差和砂石物料残余量均值计算所述砂石物料的粘性程度。优选地,实施例中在进料槽下方放置压力传感器,来获取砂石物料残余量。
优选地,实施例中计算砂石物料的粘性程度时,进料槽对应一个初始坡度,将砂石物料放置于进料槽上时进料槽的坡度为初始坡度,一般初始坡度为15°;根据进料槽上是否残余砂石物料进行注水或进料槽坡度调整操作,直至砂石物料全部进入砂石分离机,进而可得到砂石物料对应的进料槽的最佳坡度信息和注水信息,具体地:
进料槽的坡度为初始坡度时,一堆砂石物料放置在进料槽上一段时间后,检测进料槽上是否有砂石物料残余,若没有残余,则该堆对应的进料槽的最佳坡度为初始坡度,注水信息为不需要注水;若有残余,获取砂石物料残余量后进行注水,检测注水后进料槽上是否有砂石物料残余,若没有残余,则该堆对应的进料槽的最佳坡度为初始坡度,注水信息为需要注水;若注水后进料槽上有砂石物料残余,则获取砂石物料残余量后调整进料槽坡度为第二坡度,并检测进料槽上是否有砂石物料残余,若没有残余,则该堆对应的进料槽的最佳坡度为第二坡度,注水信息为不需要注水;若有残余,获取砂石物料残余量后进行注水,检测注水后进料槽上是否有砂石物料残余,若没有残余,则该堆对应的进料槽的最佳坡度为第二坡度,注水信息为需要注水;……;重复上述过程,直至砂石物料全部进入砂石分离机。
需要注意,调整进料槽坡度时,坡度调整范围不能过大,避免进料速度太快造成机器的磕碰磨损;优选地,实施例对进料槽进行坡度调整时每次调整15°,且进料槽存在极限坡度,实施例中进料槽极限坡度为45°。其中,若在前一较低坡度进行注水后,砂石物料未全部进入砂石分离机,而在调整进料槽坡度后,砂石物料全部进入砂石分离机,本发明认为此种情况下主要是砂石物料自身的重力起作用使其全部进入砂石分离机,忽略注水操作的影响。
每次进行注水或坡度调整操作后,均需要获取进料槽上砂石物料的残余量,所获取的砂石物料残余量按照获取的先后顺序构成第一砂石物料残余量序列,每堆砂石物料对应的第一砂石物料残余量序列的长度可相同,也可不相同,其中,进行补零操作使各堆砂石物料对应的第一砂石物料残余量序列的长度相同。对于每堆砂石物料,记录其全部进入砂石分离机的过程中对进料槽坡度的每次调整,以及每次调整后进料槽的角度,其每次调整后的进料槽坡度构成进料槽坡度序列;和第一砂石物料残余量序列相同,进料槽坡度序列的长度可相同也可不同,同样的,进行补零操作使各堆砂石物料对应的进料槽坡度序列的长度相同;例如,实施例中一堆砂石物料对应的进料槽坡度序列为[15°,30°,45°],另一堆砂石物料对应的进料槽坡度序列为[15°,30°,0°]或[15°,30°]。基于进料槽坡度序列和第一砂石物料残余量序列,根据进料槽坡度的均值方差和砂石物料残余量均值计算所述砂石物料的粘性程度;砂石物料粘性程度与进料槽坡度的均值方差呈正相关关系,与砂石物料残余量均值呈反相关关系;一个实施方式中,砂石物料粘性程度的计算方法为:
为砂石物料粘性程度,/>为进料槽坡度序列,/>和/>分别为进料槽坡度序列的均值和方差,/>为第一砂石物料残余量序列,/>为第一砂石物料残余量序列的砂石物料残余量均值。进料槽坡度序列的均值越大,方差越大,/>值也就越大,说明砂石物料的粘性越差,砂石物料的活动性(流动性)越好,即越不容易粘在进料槽上;砂石物料残余量均值越小,/>值也就越大,说明砂石物料越容易被水冲走,或越容易依靠自身重力进入砂石分离机,越不容易粘在进料槽上,砂石物料的粘性越差。
(b)基于任意两堆砂石物料的属性相似度对所述若干堆砂石物料进行分组。
优选地,任意两堆砂石物料的属性相似度的获取具体为:进料槽坡度固定,依次将所述任意两堆砂石物料放置在进料槽上,多次注水,统计每次注水后进料槽上的砂石物料残余量,得到第二砂石物料残余量序列;所述任意两堆砂石物料对应的第二砂石物料残余量序列的相似度为所述任意两堆砂石物料的属性相似度。优选地,实施例中将进料槽的坡度固定为初始坡度;同样的,各堆砂石物料对应的第二砂石物料残余量序列的长度可相同也可不相同,进行补零操作使各堆砂石物料对应的第二砂石物料残余量序列的长度相同。一个实施方式中,基于第二砂石物料残余量序列计算砂石物料属性相似度的方法为:
为任意两堆即/>堆和/>堆砂石物料的属性相似度,/>和/>分别为/>堆砂石物料和/>堆砂石物料对应的第二砂石物料残余量序列,/>为基于动态时间规整算法计算得到的序列间的距离,/>值越小,/>值越大,/>和/>两堆砂石物料的属性越相似,也即/>和/>两堆砂石物料越相似。
基于任意两堆砂石物料的属性相似度,利用DBSCAN算法对所述若干堆砂石物料进行分组,具体的分组过程,例如将属性相似度转化为聚类所需的距离等过程本发明不再具体说明。
(c)获取每个组内砂石物料对应的进料槽的最佳坡度信息和注水信息,得到训练标签。
按照上述步骤(a)的内容,可得到每个组内每堆砂石物料对应的进料槽的最佳坡度信息和注水信息;优选地,实施例中砂石物料对应的进料槽的最佳坡度信息和注水信息,也即砂石物料对应的训练标签具体包括以下几种情况:进料槽的最佳坡度为初始坡度即15°,注水信息为不需要注水;进料槽的最佳坡度为初始坡度15°,注水信息为需要注水;进料槽的最佳坡度为第二坡度即30°,注水信息为不需要注水;进料槽的最佳坡度为第二坡度即30°,注水信息为需要注水;进料槽的最佳坡度为第三坡度即45°,注水信息为不需要注水;进料槽的最佳坡度为第三坡度即45°,注水信息为需要注水。
需要说明,若组内某一堆砂石物料对应的进料槽的最佳坡度信息和注水信息为异常信息,则将相应的训练样本与训练标签剔除。进行分组的目的是使每堆砂石物料对应的进料槽的最佳坡度信息和注水信息都有参照信息,基于属性与其相似的其他堆砂石物料对应的进料槽的最佳坡度信息和注水信息,可判断其自身对应的坡度信息和注水信息是否为异常信息,剔除异常信息,进而保证训练样本和训练标签的准确性,提高TCN网络的预测精度。
至此,得到训练TCN网络所用的训练样本和训练标签。基于训练样本和训练标签,利用均方误差损失函数对TCN网络进行训练。一种实施方式中,注水信息可用1或0表示,1表示需要注水,0表示不需要注水;注水信息也可用Y或N表示,Y表示需要注水,N表示不需要注水。具体地,TCN网络输出信息的一种示例为[30°,1]。
基于与上述方法实施例相同的发明构思,本发明一个实施例提供了一种基于神经网络的砂石分离机进料槽自适应控制装置,该装置包括:
进料槽自动控制模块,用于获取砂石物料的粘性程度,根据砂石物料的粘性程度,利用神经网络,确定使砂石物料全部进入砂石分离机时进料槽的最佳坡度信息和注水信息;
其中,训练神经网络的训练样本和训练标签的获取为:
获取若干堆砂石物料的粘性程度,得到训练样本;
基于任意两堆砂石物料的属性相似度对所述若干堆砂石物料进行分组;
获取每个组内砂石物料对应的进料槽的最佳坡度信息和注水信息,得到训练标签。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于神经网络的砂石分离机进料槽自适应控制方法,其特征在于,该方法包括:
获取砂石物料的粘性程度,根据砂石物料的粘性程度,利用神经网络,确定使砂石物料全部进入砂石分离机时进料槽的最佳坡度信息和注水信息;
其中,训练神经网络的训练样本和训练标签的获取为:
获取若干堆砂石物料的粘性程度,得到训练样本;
基于任意两堆砂石物料的属性相似度对所述若干堆砂石物料进行分组;
获取每个组内砂石物料对应的进料槽的最佳坡度信息和注水信息,得到训练标签;
所述砂石物料的粘性程度的获取具体为:
将砂石物料放置于进料槽上,根据进料槽上是否残余砂石物料进行注水或进料槽坡度调整操作,每次操作后获取进料槽上的砂石物料残余量,直至砂石物料全部进入砂石分离机,获取进料槽坡度序列和第一砂石物料残余量序列;
根据进料槽坡度的均值方差和砂石物料残余量均值计算所述砂石物料的粘性程度;
所述任意两堆砂石物料的属性相似度的获取具体为:
进料槽坡度固定,依次将所述任意两堆砂石物料放置在进料槽上,多次注水,统计每次注水后进料槽上的砂石物料残余量,得到第二砂石物料残余量序列;
所述任意两堆砂石物料对应的第二砂石物料残余量序列的相似度为所述任意两堆砂石物料的属性相似度;
所述属性相似度的方法为:
其中,Q为任意两堆即A堆和B堆砂石物料的属性相似度,和/> 分别为A堆砂石物料和B堆砂石物料对应的第二砂石物料残余量序列,DTW为基于动态时间规整算法计算得到的序列间的距离;
砂石物料粘性程度的计算方法为:
为砂石物料粘性程度,/>为进料槽坡度序列,/>和/>分别为进料槽坡度序列的均值和方差,/>为第一砂石物料残余量序列,/>为第一砂石物料残余量序列的砂石物料残余量均值;
所述神经网络为TCN网络;
基于任意两堆砂石物料的属性相似度,利用DBSCAN算法对所述若干堆砂石物料进行分组;
若组内某一堆砂石物料对应的进料槽的最佳坡度信息和注水信息为异常信息,则将相应的训练样本与训练标签剔除。
2.一种基于神经网络的砂石分离机进料槽自适应控制装置,其特征在于,该装置包括:
进料槽自动控制模块,用于获取砂石物料的粘性程度,根据砂石物料的粘性程度,利用神经网络,确定使砂石物料全部进入砂石分离机时进料槽的最佳坡度信息和注水信息;
其中,训练神经网络的训练样本和训练标签的获取为:
获取若干堆砂石物料的粘性程度,得到训练样本;
基于任意两堆砂石物料的属性相似度对所述若干堆砂石物料进行分组;
获取每个组内砂石物料对应的进料槽的最佳坡度信息和注水信息,得到训练标签;
所述砂石物料的粘性程度的获取具体为:
将砂石物料放置于进料槽上,根据进料槽上是否残余砂石物料进行注水或进料槽坡度调整操作,每次操作后获取进料槽上的砂石物料残余量,直至砂石物料全部进入砂石分离机,获取进料槽坡度序列和第一砂石物料残余量序列;
根据进料槽坡度的均值方差和砂石物料残余量均值计算所述砂石物料的粘性程度;
所述任意两堆砂石物料的属性相似度的获取具体为:
进料槽坡度固定,依次将所述任意两堆砂石物料放置在进料槽上,多次注水,统计每次注水后进料槽上的砂石物料残余量,得到第二砂石物料残余量序列;
所述任意两堆砂石物料对应的第二砂石物料残余量序列的相似度为所述任意两堆砂石物料的属性相似度;
所述属性相似度的方法为:
其中,Q为任意两堆即A堆和B堆砂石物料的属性相似度,和/> 分别为A堆砂石物料和B堆砂石物料对应的第二砂石物料残余量序列,DTW为基于动态时间规整算法计算得到的序列间的距离;
砂石物料粘性程度的计算方法为:
为砂石物料粘性程度,/>为进料槽坡度序列,/>和/>分别为进料槽坡度序列的均值和方差,/>为第一砂石物料残余量序列,/>为第一砂石物料残余量序列的砂石物料残余量均值;
所述神经网络为TCN网络;
基于任意两堆砂石物料的属性相似度,利用DBSCAN算法对所述若干堆砂石物料进行分组;
若组内某一堆砂石物料对应的进料槽的最佳坡度信息和注水信息为异常信息,则将相应的训练样本与训练标签剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210838872.XA CN114995117B (zh) | 2022-07-18 | 2022-07-18 | 基于神经网络的砂石分离机进料槽自适应控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210838872.XA CN114995117B (zh) | 2022-07-18 | 2022-07-18 | 基于神经网络的砂石分离机进料槽自适应控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114995117A CN114995117A (zh) | 2022-09-02 |
CN114995117B true CN114995117B (zh) | 2023-12-26 |
Family
ID=83021587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210838872.XA Active CN114995117B (zh) | 2022-07-18 | 2022-07-18 | 基于神经网络的砂石分离机进料槽自适应控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114995117B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103239936A (zh) * | 2012-02-13 | 2013-08-14 | 克朗斯股份公司 | 具有介质过滤器的过滤系统的开环控制和/或闭环控制的方法 |
CN206778689U (zh) * | 2017-03-28 | 2017-12-22 | 北京铁建永泰新型建材有限公司 | 一种残余混凝土处理设备 |
CN109993766A (zh) * | 2019-03-18 | 2019-07-09 | 南京理工大学 | 基于深度学习的砂石图像粒径检测方法 |
CN110044977A (zh) * | 2019-05-07 | 2019-07-23 | 中山市武汉理工大学先进工程技术研究院 | 一种砂石骨料含水率检测装置及方法 |
CN209406566U (zh) * | 2018-12-14 | 2019-09-20 | 北京怀建混凝土有限责任公司 | 一种砂石分离机的进料槽 |
CN211488108U (zh) * | 2019-12-03 | 2020-09-15 | 安徽众品机械科技有限公司 | 混凝土砂石分离机进料槽 |
CN111781106A (zh) * | 2020-07-11 | 2020-10-16 | 安徽省建筑科学研究设计院 | 一种机制砂振动测量系统 |
CN112418289A (zh) * | 2020-11-17 | 2021-02-26 | 北京京航计算通讯研究所 | 一种不完全标注数据的多标签分类处理方法及装置 |
CN114519540A (zh) * | 2022-04-20 | 2022-05-20 | 武汉武喆机电设备有限公司 | 用于砂石污水处理运维项目的管理系统 |
CN114638280A (zh) * | 2022-01-30 | 2022-06-17 | 江苏东佳电气有限公司 | 基于本地设备网络的防爆电机轴承温度异常监测系统 |
-
2022
- 2022-07-18 CN CN202210838872.XA patent/CN114995117B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103239936A (zh) * | 2012-02-13 | 2013-08-14 | 克朗斯股份公司 | 具有介质过滤器的过滤系统的开环控制和/或闭环控制的方法 |
CN206778689U (zh) * | 2017-03-28 | 2017-12-22 | 北京铁建永泰新型建材有限公司 | 一种残余混凝土处理设备 |
CN209406566U (zh) * | 2018-12-14 | 2019-09-20 | 北京怀建混凝土有限责任公司 | 一种砂石分离机的进料槽 |
CN109993766A (zh) * | 2019-03-18 | 2019-07-09 | 南京理工大学 | 基于深度学习的砂石图像粒径检测方法 |
CN110044977A (zh) * | 2019-05-07 | 2019-07-23 | 中山市武汉理工大学先进工程技术研究院 | 一种砂石骨料含水率检测装置及方法 |
WO2020223998A1 (zh) * | 2019-05-07 | 2020-11-12 | 中山市武汉理工大学先进工程技术研究院 | 一种砂石骨料含水率检测装置及方法 |
CN211488108U (zh) * | 2019-12-03 | 2020-09-15 | 安徽众品机械科技有限公司 | 混凝土砂石分离机进料槽 |
CN111781106A (zh) * | 2020-07-11 | 2020-10-16 | 安徽省建筑科学研究设计院 | 一种机制砂振动测量系统 |
CN112418289A (zh) * | 2020-11-17 | 2021-02-26 | 北京京航计算通讯研究所 | 一种不完全标注数据的多标签分类处理方法及装置 |
CN114638280A (zh) * | 2022-01-30 | 2022-06-17 | 江苏东佳电气有限公司 | 基于本地设备网络的防爆电机轴承温度异常监测系统 |
CN114519540A (zh) * | 2022-04-20 | 2022-05-20 | 武汉武喆机电设备有限公司 | 用于砂石污水处理运维项目的管理系统 |
Non-Patent Citations (2)
Title |
---|
基于全卷积网络的砂石图像粒径检测;朱大庆等;《计算机与现代化》;20200715(第07期);第115页-第120页 * |
工业污水自动化智能处理系统设计研究;张亮;《中国设备工程》;20200425(第08期);第37页-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114995117A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101221623B (zh) | 一种物体类型的在线训练和识别方法及其系统 | |
CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
CN104463196A (zh) | 一种基于视频的天气现象识别方法 | |
CN105678622A (zh) | 车险理赔照片的分析方法及系统 | |
CN111524164B (zh) | 一种目标跟踪方法、装置及电子设备 | |
CN105046959B (zh) | 基于双窗口滑动匹配机制的城市道路行程时间提取方法 | |
CN101251896B (zh) | 一种基于多分类器的物体检测系统及方法 | |
CN101908214B (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
CN105023044A (zh) | 基于大量时间序列的交通流因果关系挖掘方法 | |
CN103530655A (zh) | 一种台标识别方法及系统 | |
CN103390165A (zh) | 一种图片聚类的方法及装置 | |
CN114995117B (zh) | 基于神经网络的砂石分离机进料槽自适应控制方法及装置 | |
CN115601307A (zh) | 一种细胞自动检测方法 | |
CN101320520A (zh) | 一种车辆检测方法及其设备 | |
CN103679209B (zh) | 基于稀疏理论的字符识别方法 | |
CN116204830B (zh) | 一种基于路径聚合网络的焊接异常实时检测方法 | |
CN110321930B (zh) | 一种基于循环神经网络的非法广播信号分类方法 | |
CN101493886B (zh) | 特征参数不完整情况下的细胞核分类与识别方法 | |
CN117277566A (zh) | 基于大数据的电网数据分析电力调度系统及方法 | |
CN114782679B (zh) | 一种基于级联网络的输电线路中金具缺陷检测方法、装置 | |
CN112183752B (zh) | 一种基于自动示例选择的端到端多示例学习方法 | |
Liu et al. | Semantic image retrieval and clustering for supporting domain-specific bridge component and defect classification | |
CN104484869A (zh) | 面向排序测度特征的图像匹配方法及系统 | |
CN112014821A (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
CN110033082B (zh) | 一种识别ai设备中深度学习模型的方法 |
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 |