CN117065876B - 智能砂磨机的控制方法及控制系统 - Google Patents
智能砂磨机的控制方法及控制系统 Download PDFInfo
- Publication number
- CN117065876B CN117065876B CN202311135832.XA CN202311135832A CN117065876B CN 117065876 B CN117065876 B CN 117065876B CN 202311135832 A CN202311135832 A CN 202311135832A CN 117065876 B CN117065876 B CN 117065876B
- Authority
- CN
- China
- Prior art keywords
- mechanical seal
- heat distribution
- time sequence
- sand mill
- seal gland
- 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 103
- 238000000034 method Methods 0.000 title claims abstract description 42
- 210000004907 gland Anatomy 0.000 claims abstract description 122
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000007789 sealing Methods 0.000 claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 163
- 230000008859 change Effects 0.000 claims description 56
- 239000013598 vector Substances 0.000 claims description 55
- 238000010586 diagram Methods 0.000 claims description 35
- 238000012300 Sequence Analysis Methods 0.000 claims description 23
- 230000014509 gene expression Effects 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000000265 homogenisation Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000000227 grinding Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000003756 stirring Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 239000002245 particle Substances 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 239000011133 lead Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C17/00—Disintegrating by tumbling mills, i.e. mills having a container charged with the material to be disintegrated with or without special disintegrating members such as pebbles or balls
- B02C17/18—Details
- B02C17/1805—Monitoring devices for tumbling mills
Abstract
公开了一种智能砂磨机系统及方法。其首先启动砂磨机的机封水泵和机封进水总阀，接着，设定所述砂磨机的主机运行频率，然后，检查所述砂磨机的机封压盖的温度是否存在异常，最后，响应于所述砂磨机的机封压盖的温度没有存在异常，启动所述砂磨机的给料泵，并打开所述砂磨机的给料阀，所述砂磨机进入运行状态。这样，可以智能化地进行温度检测，从而确认砂磨机的机封压盖的温度是否存在异常。
Description
技术领域
本公开涉及砂磨机领域，且更为具体地，涉及一种智能砂磨机系统及方法。
背景技术
砂磨机是一种利用高速旋转的磨头对物料进行高效细粉碎的设备，广泛应用于化工、冶金、建材、医药等领域。其中，机封压盖是砂磨机的重要部件之一，它的作用是防止物料和机封水从磨头处泄漏，同时也起到冷却和润滑的作用。
由于砂磨机的高速旋转，机封压盖会产生较高的温升和磨损，导致机封性能下降，甚至发生泄漏事故。因此，通常需要在砂磨机进入运行状态前进行针对于机封压盖的温度的检查。在实际砂磨机的运行过程中，通常由人工进行检查，但是人工操作的时间成本较高，并且人工操作的准确性和稳定性不足。因此，期待一种优化的方案。
发明内容
有鉴于此，本公开提出了一种智能砂磨机系统及方法，其可以智能化地进行温度检测，从而确认砂磨机的机封压盖的温度是否存在异常。
根据本公开的一方面，提供了一种智能砂磨机方法，其包括：
启动砂磨机的机封水泵和机封进水总阀；
设定所述砂磨机的主机运行频率；
检查所述砂磨机的机封压盖的温度是否存在异常；以及
响应于所述砂磨机的机封压盖的温度没有存在异常，启动所述砂磨机的给料泵，并打开所述砂磨机的给料阀，所述砂磨机进入运行状态。
根据本公开的另一方面，提供了一种智能砂磨机系统，其包括：
启动模块，用于启动砂磨机的机封水泵和机封进水总阀；
运行频率设定模块，用于设定所述砂磨机的主机运行频率；
温度检查模块，用于检查所述砂磨机的机封压盖的温度是否存在异常；以及
控制模块，用于响应于所述砂磨机的机封压盖的温度没有存在异常，启动所述砂磨机的给料泵，并打开所述砂磨机的给料阀，所述砂磨机进入运行状态。
根据本公开的实施例，其首先启动砂磨机的机封水泵和机封进水总阀，接着，设定所述砂磨机的主机运行频率，然后，检查所述砂磨机的机封压盖的温度是否存在异常，最后，响应于所述砂磨机的机封压盖的温度没有存在异常，启动所述砂磨机的给料泵，并打开所述砂磨机的给料阀，所述砂磨机进入运行状态。这样，可以智能化地进行温度检测，从而确认砂磨机的机封压盖的温度是否存在异常。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的智能砂磨机方法的流程图。
图2示出根据本公开的实施例的智能砂磨机方法的子步骤S130的流程图。
图3示出根据本公开的实施例的智能砂磨机方法的子步骤S130的架构示意图。
图4示出根据本公开的实施例的智能砂磨机方法的子步骤S132的流程图。
图5示出根据本公开的实施例的智能砂磨机方法的子步骤S133的流程图。
图6示出根据本公开的实施例的智能砂磨机系统的框图。
图7示出根据本公开的实施例的智能砂磨机方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
本公开提供了一种智能砂磨机方法，图1示出根据本公开的实施例的智能砂磨机方法的流程图。如图1所示，根据本公开实施例的智能砂磨机方法，包括步骤：S110，启动砂磨机的机封水泵和机封进水总阀；S120，设定所述砂磨机的主机运行频率；S130，检查所述砂磨机的机封压盖的温度是否存在异常；以及，S140，响应于所述砂磨机的机封压盖的温度没有存在异常，启动所述砂磨机的给料泵，并打开所述砂磨机的给料阀，所述砂磨机进入运行状态。应可以理解，步骤S110启动砂磨机的机封水泵和机封进水总阀，机封是用于保护砂磨机内部零件的密封装置，通过启动机封水泵和机封进水总阀，可以确保机封处于正常工作状态，防止磨机内部的材料泄漏。步骤S120设定砂磨机的主机运行频率，主机运行频率是指砂磨机主要驱动部件的转速，通过设定适当的运行频率，可以控制砂磨机的工作效率和加工质量。步骤S130检查砂磨机的机封压盖的温度是否存在异常，机封压盖是机封的一部分，它位于砂磨机的机封处，通过检查机封压盖的温度，可以判断机封是否正常工作，异常的温度可能表明机封存在故障或过热的情况。步骤S140响应于砂磨机的机封压盖的温度没有异常，启动砂磨机的给料泵，并打开砂磨机的给料阀，使砂磨机进入运行状态，给料泵和给料阀用于将待加工的材料输送到砂磨机中进行研磨，在机封温度正常的情况下，启动给料泵和打开给料阀可以开始砂磨机的工作。这样可以确保砂磨机在正常工作状态下进行研磨操作，并通过监测机封温度来检测潜在的故障或异常情况，通过逐步执行这些步骤，可以提高砂磨机的工作效率和安全性。
其中，对于S130步骤，本公开的技术构思为利用基于深度学习的人工智能技术与图像处理技术，并从多个预定时间点的热分布图像中提取关于机封压盖的热分布特征，以此来进行智能化地温度检测。
基于此，图2示出根据本公开的实施例的智能砂磨机方法的子步骤S130的流程图。图3示出根据本公开的实施例的智能砂磨机方法的子步骤S130的架构示意图。如图2和图3所示，根据本公开实施例的智能砂磨机方法，检查所述砂磨机的机封压盖的温度是否存在异常，包括步骤：S131，获取所述砂磨机的机封压盖在预定时间内多个预定时间点的热分布图像；S132，对所述多个预定时间点的热分布图像进行图像特征提取与时序分析以得到机封压盖热分布时序变化特征图；以及，S133，基于所述机封压盖热分布时序变化特征图，确定所述机封压盖的温度是否存在异常。应可以理解，步骤S131的目的是通过热分布图像来获取机封压盖的温度分布情况，在预定的时间点上获取多个图像，可以得到机封压盖在不同时间的温度分布情况，为后续的分析提供数据基础。步骤S132的目的是对热分布图像进行分析，提取图像特征并进行时序分析，以了解机封压盖的温度变化情况，通过提取图像特征和分析时序变化，可以获取机封压盖温度的趋势和变化规律。步骤S133的目的是根据机封压盖热分布时序变化特征图来判断机封压盖的温度是否存在异常，通过对时序变化特征图的分析，可以识别出温度异常的模式或趋势，从而确定机封压盖是否存在异常温度情况。这些步骤的目的是通过获取热分布图像、提取特征、进行时序分析，并结合特征图来判断机封压盖的温度是否存在异常，这些步骤可以帮助监测和评估砂磨机机封压盖的温度状况，及时发现异常情况并采取相应的措施进行处理。
具体地，在本公开的技术方案中，首先，获取所述砂磨机的机封压盖在预定时间内多个预定时间点的热分布图像。然后，将所述多个预定时间点的热分布图像通过使用空间注意力模块的机封压盖热分布特征提取器以得到多个机封压盖热分布特征矩阵。也就是，捕捉各个热分布图像的热分布特征。
接着，将所述多个机封压盖热分布特征矩阵通过基于三维卷积神经网络模型的热分布时序动态变化特征提取器以得到机封压盖热分布时序变化特征图。也就是，对所述多个机封压盖热分布特征矩阵进行时序分析以捕捉各个热分布图像中所蕴含的热分布特征在时间维度上的变化模式与规律。
相应地，如图4所示，对所述多个预定时间点的热分布图像进行图像特征提取与时序分析以得到机封压盖热分布时序变化特征图，包括：S1321，提取所述多个预定时间点的热分布图像的热分布特征以得到多个机封压盖热分布特征矩阵；以及，S1322，对所述多个机封压盖热分布特征矩阵进行时序分析以得到所述机封压盖热分布时序变化特征图。应可以理解，步骤S1321的目的是从多个预定时间点的热分布图像中提取热分布特征，例如平均温度、温度梯度、温度分布的均匀性等，通过提取这些特征，可以将每个时间点的热分布图像转化为对应的特征矩阵，方便后续的时序分析。步骤S1322的目的是对多个机封压盖热分布特征矩阵进行时序分析，以了解机封压盖温度的时序变化情况。通过对特征矩阵进行统计分析、趋势分析、波动性分析等，可以得到机封压盖温度随时间的变化特征。这些特征可以用来绘制机封压盖热分布时序变化特征图，以直观地展示温度的变化趋势和异常情况。总体而言，S1321和S1322两个步骤的目的是将热分布图像转化为特征矩阵，并对特征矩阵进行时序分析，以获取机封压盖热分布的时序变化特征图。这些特征图可以帮助进一步分析和判断机封压盖的温度变化情况，从而确定是否存在异常情况。
更具体地，在步骤S1321中，提取所述多个预定时间点的热分布图像的热分布特征以得到多个机封压盖热分布特征矩阵，包括：将所述多个预定时间点的热分布图像通过使用空间注意力模块的机封压盖热分布特征提取器以得到所述多个机封压盖热分布特征矩阵。值得一提的是，空间注意力模块是一种用于图像处理和计算机视觉任务的技术，它可以帮助模型在处理图像时更加关注重要的区域或特征。在提取多个预定时间点的热分布图像的热分布特征时，使用空间注意力模块的机封压盖热分布特征提取器可以提高特征提取的效果,该模块能够自动学习图像中不同区域的重要性，并对重要区域进行更加精细的特征提取。具体来说，空间注意力模块可以根据输入的热分布图像，通过计算每个像素点的注意力权重，将更多的注意力集中在热分布图像中重要的区域。通过这种方式，模型可以更好地捕捉到机封压盖的热分布特征，忽略掉对分析无关的噪声或次要特征。使用空间注意力模块的机封压盖热分布特征提取器可以提高特征提取的准确性和鲁棒性，从而得到更准确、更有代表性的机封压盖热分布特征矩阵。这些特征矩阵可以用于后续的时序分析和异常检测，帮助判断机封压盖的温度是否存在异常情况。
更具体地，在步骤S1322中，对所述多个机封压盖热分布特征矩阵进行时序分析以得到所述机封压盖热分布时序变化特征图，包括：将所述多个机封压盖热分布特征矩阵通过基于三维卷积神经网络模型的热分布时序动态变化特征提取器以得到所述机封压盖热分布时序变化特征图。值得一提的是，三维卷积神经网络(3D Convolutional NeuralNetwork)是一种用于处理时空数据的神经网络模型,与传统的二维卷积神经网络(2D CNN)不同，三维卷积神经网络可以同时考虑时间和空间维度的特征，适用于处理具有时序变化的三维数据。在进行时序分析以得到机封压盖热分布时序变化特征图时，使用基于三维卷积神经网络模型的热分布时序动态变化特征提取器可以更好地捕捉热分布特征随时间变化的模式和趋势。具体来说，通过将多个机封压盖热分布特征矩阵输入到基于三维卷积神经网络模型中，模型可以学习到特征在时间和空间上的变化规律。三维卷积神经网络可以通过卷积层、池化层和全连接层等结构，有效地提取时序变化的特征。使用基于三维卷积神经网络模型的热分布时序动态变化特征提取器可以从多个机封压盖热分布特征矩阵中提取出机封压盖热分布的时序变化特征。这些特征可以用来绘制机封压盖热分布时序变化特征图，直观地展示温度随时间的变化趋势，帮助监测和评估机封压盖的温度状况，并及时发现异常情况。
继而，将所述机封压盖热分布时序变化特征图通过分类器以得到分类结果，所述分类结果用于表示所述机封压盖的温度是否存在异常。
相应地，如图5所示，基于所述机封压盖热分布时序变化特征图，确定所述机封压盖的温度是否存在异常，包括：S1331，将所述机封压盖热分布时序变化特征图展开为机封压盖热分布时序变化特征向量；S1332，对所述机封压盖热分布时序变化特征向量进行特征秩表达的语义信息均一化激活以得到优化机封压盖热分布时序变化特征向量；以及，S1333，将所述优化机封压盖热分布时序变化特征向量通过分类器以得到分类结果，所述分类结果用于表示所述机封压盖的温度是否存在异常。应可以理解，在确定机封压盖的温度是否存在异常的过程中，步骤S1331将时序变化特征图转化为一个维度较高的特征向量，以便后续的处理和分析。步骤S1332通过对特征向量进行归一化和激活函数处理，可以增强特征的表达能力和区分度，提高后续分类的准确性。步骤S1333使用一个分类器模型，例如支持向量机(SVM)或神经网络，将特征向量输入模型进行分类判断。分类结果可以用来表示机封压盖的温度是否正常，以便及时发现和处理异常情况。综合这些步骤，通过将机封压盖的热分布图像转化为特征向量，并对特征向量进行优化和分类，可以实现对机封压盖温度异常的检测和判断。这样的异常检测方法可以帮助监测设备状态，提前发现问题，并采取相应的措施进行修复或调整，以确保机封压盖的正常运行。
值得一提的是，特征秩表达的语义信息均一化激活是一种对特征向量进行处理的方法，旨在增强特征的表达能力和区分度。在机封压盖热分布时序变化特征向量中，每个元素代表一个特征。这些特征可能具有不同的尺度和分布，因此需要对它们进行归一化，以便它们在相同的尺度范围内进行比较和处理。特征秩表达是一种常见的归一化方法，它通过对特征向量中的每个元素进行排序，将其转换为对应的秩值。这样做可以消除原始特征的尺度差异，使得特征在排序上更加一致。语义信息均一化激活是对特征秩表达后的特征向量进行进一步处理的步骤。它的目的是通过应用激活函数，对特征向量中的元素进行非线性变换，以增强特征的表达能力和区分度。常见的激活函数包括Sigmoid函数、ReLU函数等。通过特征秩表达的语义信息均一化激活，可以将原始的特征向量转化为优化后的特征向量，使得特征在尺度和表达能力上更加一致和有意义。这有助于提高后续分类器的准确性，并更好地捕捉特征向量中的关键信息，以用于机封压盖温度异常的判断和检测。
在本公开的技术方案中，所述多个机封压盖热分布特征矩阵中的每个机封压盖热分布特征矩阵表达所述热分布图像的局部空间分布强化的图像语义特征，由此，将所述多个机封压盖热分布特征矩阵通过基于三维卷积神经网络模型的热分布时序动态变化特征提取器后，所述机封压盖热分布时序变化特征图的各个特征矩阵间会遵循图像语义特征的时序分布关联，这样，在将所述机封压盖热分布时序变化特征图通过分类器进行分类时，也会基于所述机封压盖热分布时序变化特征图的各个特征矩阵的图像语义特征分布表示来进行尺度启发式的类概率映射，但是考虑到各个特征矩阵的图像语义特征分布也包含了图像内空间域和图像间时间域的混合图像语义关联特征分布表示，这会导致所述分类器的训练效率降低。
基于此，本公开的申请人在将所述机封压盖热分布时序变化特征图通过分类器进行分类时，对所述机封压盖热分布时序变化特征图展开后得到的机封压盖热分布时序变化特征向量进行特征秩表达的语义信息均一化激活。
相应地，在一个具体示例中，对所述机封压盖热分布时序变化特征向量进行特征秩表达的语义信息均一化激活以得到优化机封压盖热分布时序变化特征向量，包括：以如下优化公式对所述机封压盖热分布时序变化特征向量进行特征秩表达的语义信息均一化激活以得到所述优化机封压盖热分布时序变化特征向量；其中，所述优化公式为：
其中，V是所述机封压盖热分布时序变化特征向量，vi是所述机封压盖热分布时序变化特征向量的第i个特征值，‖V‖2表示所述机封压盖热分布时序变化特征向量的二范数，log是以2为底的对数函数，且α是权重超参数，v′i是所述优化机封压盖热分布时序变化特征向量的第i个特征值。
这里，考虑到所述机封压盖热分布时序变化特征向量V的特征分布在高维特征空间到类回归空间时的特征分布映射，在基于混合图像语义特征的不同的特征分布级别上会呈现不同的映射模式，导致基于尺度启发式的映射策略无法获得最优效率，因而基于特征向量范数的秩表达语义信息均一化而不是尺度进行特征匹配，可以将相似特征秩表达以类似方式激活，并降低差异较大的特征秩表达之间的相关性，从而解决所述机封压盖热分布时序变化特征向量V的特征分布在不同空间秩表达下的概率表达映射效率低下的问题，提升所述机封压盖热分布时序变化特征图通过分类器进行分类时的训练效率。
更具体地，在步骤S1333中，将所述优化机封压盖热分布时序变化特征向量通过分类器以得到分类结果，所述分类结果用于表示所述机封压盖的温度是否存在异常，包括：使用所述分类器的全连接层对所述优化机封压盖热分布时序变化特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本公开的技术方案中，所述分类器的标签包括所述机封压盖的温度存在异常(第一标签)，以及，所述机封压盖的温度不存在异常(第二标签)，其中，所述分类器通过软最大值函数来确定所述优化机封压盖热分布时序变化特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“所述机封压盖的温度是否存在异常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，所述机封压盖的温度是否存在异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“所述机封压盖的温度是否存在异常”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
值得一提的是，全连接编码是指将优化的机封压盖热分布时序变化特征向量通过全连接层进行编码的过程。全连接层是深度神经网络中常见的一种层结构，其中每个神经元与前一层的所有神经元相连接。在全连接编码过程中，优化的特征向量被输入到全连接层中的神经元中，每个神经元都与特征向量中的每个元素相连接。这样，全连接层可以通过学习适当的权重和偏置，将输入的特征向量转换为编码分类特征向量。全连接编码的目的是通过神经网络的学习和优化，提取和表达特征向量中的关键信息，以更好地区分不同类别之间的特征差异。全连接层可以通过非线性激活函数(如ReLU)引入非线性变换，从而增强特征的表达能力。通过全连接编码，优化的机封压盖热分布时序变化特征向量可以被转换为编码分类特征向量，其中包含了经过神经网络学习得到的更具有区分性和表达能力的特征。这样的编码特征向量可以更好地用于后续的分类器，如Softmax分类函数，进行分类判断，以得到机封压盖的温度是否存在异常的分类结果。全连接编码的过程可以提高分类器的准确性，并更好地捕捉输入特征的关键信息。
综上，基于本公开实施例的智能砂磨机方法，其可以智能化地进行温度检测，从而确认砂磨机的机封压盖的温度是否存在异常。
图6示出根据本公开的实施例的智能砂磨机系统100的框图。如图6所示，根据本公开实施例的智能砂磨机系统100，包括：启动模块110，用于启动砂磨机的机封水泵和机封进水总阀；运行频率设定模块120，用于设定所述砂磨机的主机运行频率；温度检查模块130，用于检查所述砂磨机的机封压盖的温度是否存在异常；以及，控制模块140，用于响应于所述砂磨机的机封压盖的温度没有存在异常，启动所述砂磨机的给料泵，并打开所述砂磨机的给料阀，所述砂磨机进入运行状态。
在一种可能的实现方式中，所述温度检查模块130，包括：热分布图像获取单元，用于获取所述砂磨机的机封压盖在预定时间内多个预定时间点的热分布图像；图像特征提取与时序分析单元，用于对所述多个预定时间点的热分布图像进行图像特征提取与时序分析以得到机封压盖热分布时序变化特征图；以及，温度异常判断单元，用于基于所述机封压盖热分布时序变化特征图，确定所述机封压盖的温度是否存在异常。
在一种可能的实现方式中，所述图像特征提取与时序分析单元，包括：图像特征提取子单元，用于提取所述多个预定时间点的热分布图像的热分布特征以得到多个机封压盖热分布特征矩阵；以及，时序分析子单元，用于对所述多个机封压盖热分布特征矩阵进行时序分析以得到所述机封压盖热分布时序变化特征图。
这里，本领域技术人员可以理解，上述智能砂磨机系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的智能砂磨机方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本公开实施例的智能砂磨机系统100可以实现在各种无线终端中，例如具有智能砂磨机算法的服务器等。在一种可能的实现方式中，根据本公开实施例的智能砂磨机系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该智能砂磨机系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该智能砂磨机系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该智能砂磨机系统100与该无线终端也可以是分立的设备，并且该智能砂磨机系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图7示出根据本公开的实施例的智能砂磨机方法的应用场景图。如图7所示，在该应用场景中，首先，获取所述砂磨机的机封压盖在预定时间内多个预定时间点的热分布图像(例如，图7中所示意的D)，然后，将所述多个预定时间点的热分布图像输入至部署有智能砂磨机算法的服务器中(例如，图7中所示意的S)，其中，所述服务器能够使用所述智能砂磨机算法对所述多个预定时间点的热分布图像进行处理以得到用于表示所述机封压盖的温度是否存在异常的分类结果。
进一步地，对磨砂机进行说明，砂磨机是一种在液体中对固体物料连续进行分散和超细研磨的机器，其适合于有色金属选矿厂(金、铜、铅、锌、钼、镍)和黑色金属选矿厂的二、三段再磨作业。开路磨矿产品中-200目(74微米)含量按需可达70％～100％，设备处理能力每小时可达20～100吨(取决于矿石种类和细度要求)。
砂磨机的结构由主电机、减速机、主轴，搅拌盘、分级盘和研磨筒体等组成，磨机的筒体可以沿轨道轴向平移，检修时操作方便，得以提高工作效率。砂磨机的工作部件由主轴和多个并排串联在轴上的搅拌盘及尾端的分级盘组成，其工作原理为搅拌盘在主轴的带动下高速旋转，经隔渣后的矿浆稳定输入到磨机内，搅拌盘带动筒体内部的磨矿介质和矿浆延轴向螺旋运动和自转运动，在高速旋转产生的离心力及搅拌盘的剧烈搅动作用下，矿物和磨矿介质按粒径从小到大自磨机轴往筒体内壁径向分布，实现大介质磨大颗粒矿物，小介质磨小颗粒矿物的选择性磨矿。此外，每两个搅拌盘之间是一个独立的磨矿区，在一定的给矿压力下，越往后矿浆颗粒越细，从而实现了内部分级、开路磨矿的新工艺。
砂磨机主轴速度由变频系统控制，转速能够无级调速，主轴的速度决定了磨矿的动能，也由此直接影响产品的细度；矿浆物料的流量由进料泵经变频器控制调节，流量决定了物料在研磨腔内的停留时间，由此直接影响产品的细度；此外，研磨介质的充填率越高，研磨效率越好；因此，针对多种不同的物料，调整主轴转速、研磨介质充填率以及单位时间给料量，可以获得不同的研磨效果以满足工艺要求。
基于内部分级和选择性磨矿原理制造的不欠磨不过磨的磨矿设备，砂磨机能够保证磁、重、浮、浸作业的最佳回收率。砂磨机使用2至6毫米磨矿介质，同使用40毫米磨矿介质的单台球磨机相比，在研磨选矿粗选精矿时，电费节省30％以上。
砂磨机具有如下优点：开路磨矿，工艺简单；选择性磨矿，粒度分布狭窄；研磨效率高，节能节球降耗；设备结构紧凑，操作维修简单。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (4)
1.一种智能砂磨机的控制方法，其特征在于，包括：
启动砂磨机的机封水泵和机封进水总阀；
设定所述砂磨机的主机运行频率；
检查所述砂磨机的机封压盖的温度是否存在异常；以及
响应于所述砂磨机的机封压盖的温度没有存在异常，启动所述砂磨机的给料泵，并打开所述砂磨机的给料阀，所述砂磨机进入运行状态；
其中，检查所述砂磨机的机封压盖的温度是否存在异常，包括：
获取所述砂磨机的机封压盖在预定时间内多个预定时间点的热分布图像；
对所述多个预定时间点的热分布图像进行图像特征提取与时序分析以得到机封压盖热分布时序变化特征图；以及
基于所述机封压盖热分布时序变化特征图，确定所述机封压盖的温度是否存在异常；
其中，对所述多个预定时间点的热分布图像进行图像特征提取与时序分析以得到机封压盖热分布时序变化特征图，包括：
提取所述多个预定时间点的热分布图像的热分布特征以得到多个机封压盖热分布特征矩阵；以及
对所述多个机封压盖热分布特征矩阵进行时序分析以得到所述机封压盖热分布时序变化特征图；
其中，提取所述多个预定时间点的热分布图像的热分布特征以得到多个机封压盖热分布特征矩阵，包括：
将所述多个预定时间点的热分布图像通过使用空间注意力模块的机封压盖热分布特征提取器以得到所述多个机封压盖热分布特征矩阵；
其中，对所述多个机封压盖热分布特征矩阵进行时序分析以得到所述机封压盖热分布时序变化特征图，包括：
将所述多个机封压盖热分布特征矩阵通过基于三维卷积神经网络模型的热分布时序动态变化特征提取器以得到所述机封压盖热分布时序变化特征图；
其中，基于所述机封压盖热分布时序变化特征图，确定所述机封压盖的温度是否存在异常，包括：
将所述机封压盖热分布时序变化特征图展开为机封压盖热分布时序变化特征向量；
对所述机封压盖热分布时序变化特征向量进行特征秩表达的语义信息均一化激活以得到优化机封压盖热分布时序变化特征向量；以及
将所述优化机封压盖热分布时序变化特征向量通过分类器以得到分类结果，所述分类结果用于表示所述机封压盖的温度是否存在异常；
其中，对所述机封压盖热分布时序变化特征向量进行特征秩表达的语义信息均一化激活以得到优化机封压盖热分布时序变化特征向量，包括：
以如下优化公式对所述机封压盖热分布时序变化特征向量进行特征秩表达的语义信息均一化激活以得到所述优化机封压盖热分布时序变化特征向量；
其中，所述优化公式为：
其中，V是所述机封压盖热分布时序变化特征向量，vi是所述机封压盖热分布时序变化特征向量的第i个特征值，||V||2表示所述机封压盖热分布时序变化特征向量的二范数，log是以2为底的对数函数，且α是权重超参数，v'i是所述优化机封压盖热分布时序变化特征向量的第i个特征值。
2.一种使用如权利要求1所述的智能砂磨机的控制方法的智能砂磨机的控制系统，其特征在于，包括：
启动模块，用于启动砂磨机的机封水泵和机封进水总阀；
运行频率设定模块，用于设定所述砂磨机的主机运行频率；
温度检查模块，用于检查所述砂磨机的机封压盖的温度是否存在异常；以及
控制模块，用于响应于所述砂磨机的机封压盖的温度没有存在异常，启动所述砂磨机的给料泵，并打开所述砂磨机的给料阀，所述砂磨机进入运行状态。
3.根据权利要求2所述的智能砂磨机的控制系统，其特征在于，所述温度检查模块，包括：
热分布图像获取单元，用于获取所述砂磨机的机封压盖在预定时间内多个预定时间点的热分布图像；
图像特征提取与时序分析单元，用于对所述多个预定时间点的热分布图像进行图像特征提取与时序分析以得到机封压盖热分布时序变化特征图；以及
温度异常判断单元，用于基于所述机封压盖热分布时序变化特征图，确定所述机封压盖的温度是否存在异常。
4.根据权利要求3所述的智能砂磨机的控制系统，其特征在于，所述图像特征提取与时序分析单元，包括：
图像特征提取子单元，用于提取所述多个预定时间点的热分布图像的热分布特征以得到多个机封压盖热分布特征矩阵；以及
时序分析子单元，用于对所述多个机封压盖热分布特征矩阵进行时序分析以得到所述机封压盖热分布时序变化特征图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311135832.XA CN117065876B (zh) | 2023-09-05 | 2023-09-05 | 智能砂磨机的控制方法及控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311135832.XA CN117065876B (zh) | 2023-09-05 | 2023-09-05 | 智能砂磨机的控制方法及控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117065876A CN117065876A (zh) | 2023-11-17 |
| CN117065876B true CN117065876B (zh) | 2024-03-22 |
Family
ID=88716992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311135832.XA Active CN117065876B (zh) | 2023-09-05 | 2023-09-05 | 智能砂磨机的控制方法及控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117065876B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115647819A (zh) * | 2022-09-20 | 2023-01-31 | 玉环仪表机床制造厂 | 车磨一体复合机及其控制方法 |
| CN115770374A (zh) * | 2022-12-28 | 2023-03-10 | 湖北博利特种汽车装备股份有限公司 | 基于cafs系统的电动巡航消防车 |
| CN115859437A (zh) * | 2022-12-13 | 2023-03-28 | 深圳量云能源网络科技有限公司 | 基于分布式光纤传感系统的导管架水下应力检测系统 |
| CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
| CN116143127A (zh) * | 2023-03-13 | 2023-05-23 | 浙江美晶新材料有限公司 | 石英砂的自动化生产系统及其方法 |
| CN116426331A (zh) * | 2022-12-27 | 2023-07-14 | 江西恒诚天然香料油有限公司 | 香料油的智能化制备方法及其系统 |
| CN116630862A (zh) * | 2023-06-06 | 2023-08-22 | 湖南凯信广告商贸有限公司 | 动物胚胎素的智能化制备方法及其系统 |
| CN116652823A (zh) * | 2023-06-26 | 2023-08-29 | 浙江钱祥工具股份有限公司 | 磨床的自动监测系统及其方法 |
-
2023
- 2023-09-05 CN CN202311135832.XA patent/CN117065876B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115647819A (zh) * | 2022-09-20 | 2023-01-31 | 玉环仪表机床制造厂 | 车磨一体复合机及其控制方法 |
| CN115859437A (zh) * | 2022-12-13 | 2023-03-28 | 深圳量云能源网络科技有限公司 | 基于分布式光纤传感系统的导管架水下应力检测系统 |
| CN116426331A (zh) * | 2022-12-27 | 2023-07-14 | 江西恒诚天然香料油有限公司 | 香料油的智能化制备方法及其系统 |
| CN115770374A (zh) * | 2022-12-28 | 2023-03-10 | 湖北博利特种汽车装备股份有限公司 | 基于cafs系统的电动巡航消防车 |
| CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
| CN116143127A (zh) * | 2023-03-13 | 2023-05-23 | 浙江美晶新材料有限公司 | 石英砂的自动化生产系统及其方法 |
| CN116630862A (zh) * | 2023-06-06 | 2023-08-22 | 湖南凯信广告商贸有限公司 | 动物胚胎素的智能化制备方法及其系统 |
| CN116652823A (zh) * | 2023-06-26 | 2023-08-29 | 浙江钱祥工具股份有限公司 | 磨床的自动监测系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117065876A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| García-Ordás et al. | Tool wear monitoring using an online, automatic and low cost system based on local texture | |
| Wang et al. | Integrated model of BP neural network and CNN algorithm for automatic wear debris classification | |
| Sun et al. | Vision-based fault diagnostics using explainable deep learning with class activation maps | |
| Guo et al. | A new weakly supervised learning approach for real-time iron ore feed load estimation | |
| CN111242202B (zh) | 基于度量学习的车削加工刀具磨损状态监测方法 | |
| CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
| Galdames et al. | Classification of rock lithology by laser range 3D and color images | |
| Madani et al. | Traffic sign recognition based on color, shape, and pictogram classification using support vector machines | |
| CN112232399A (zh) | 基于多特征融合机器学习的汽车座椅缺陷检测方法 | |
| CN109635823B (zh) | 用于识别卷扬乱绳的方法和装置及工程机械 | |
| CN108509701A (zh) | 一种基于振动信号的旋转机械故障直接智能诊断方法 | |
| CN109509188B (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
| CN105631481B (zh) | 基于遗传编程的铁谱磨粒复合特征构造方法 | |
| Ai et al. | Two-stream deep feature-based froth flotation monitoring using visual attention clues | |
| Liu et al. | Machine vision based production condition classification and recognition for mineral flotation process monitoring | |
| Xu et al. | Wear particle classification using genetic programming evolved features | |
| CN117065876B (zh) | 智能砂磨机的控制方法及控制系统 | |
| Olivier et al. | Deep convolutional neural network for mill feed size characterization | |
| CN117334020A (zh) | 智能砂磨机的设备运行故障预测系统及方法 | |
| Kadar et al. | A deep CNN for image analytics in automated manufacturing process control | |
| CN117244678B (zh) | 砂磨机智能监测控制系统及方法 | |
| CN111695582A (zh) | 一种颤振纹理的检测方法及其装置 | |
| Budzan et al. | Grain size determination and classification using adaptive image segmentation with shape-context information for indirect mill faults detection | |
| Juránek et al. | RESEARCH ON IMAGE FEATURES FOR CLASSIFICATION OF WEAR DEBRIS. | |
| CN112288000A (zh) | 一种基于支持向量机的铁谱图像智能识别方法 |
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 |