CN117195083A - 基于电流曲线的坍落度预测方法、装置及可读介质 - Google Patents

Abstract

本发明公开了一种基于电流曲线的坍落度预测方法、装置及可读介质，涉及混凝土生产领域，该方法包括：获取混凝土搅拌过程中的电流曲线，基于电流曲线获取输入特征；构建基于神经网络的坍落度预测模型，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型，训练数据包括训练过程中的输入特征及其对应的坍落度标签，其中，根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，根据电流曲线处理得到电流曲线特征，根据电流曲线特征的分布确定每个输入特征对应的坍落度标签；将输入特征输入经训练的坍落度预测模型，得到坍落度的预测值，解决了需要大量试验及人工标注，难以实时、准确的检测坍落度的问题。

Description

基于电流曲线的坍落度预测方法、装置及可读介质

技术领域

本发明涉及混凝土生产领域，具体涉及一种基于电流曲线的坍落度预测方法、装置及可读介质。

背景技术

混凝土配合比设计通常在实验室条件下进行，施工现场使用时再微调。由于生产量及供给需求等原因，搅拌站在不同时间段所使用的砂石原料出自不同厂家，而不同原材料生产规格，生产工艺等存在差异，导致砂石原料含水率等发生变化，进而导致所生产混凝土工作性能发生变化，需要在生产过程中持续对出锅混凝土进行取样，以测定其坍落度。

在混凝土出机后，由相关检测人员通过坍落度筒试验测定对应的坍落度值，因此带来三个问题：

（1）混凝土坍落度试验流程繁琐，费时费力，测量误差大。

（2）混凝土坍落度的调整是滞后的，一旦检测不合格，那么整盘混凝土只能废弃，造成资源浪费。

（3）混凝土坍落度的变化是贯穿整个生产周期的，需要经过循环往复的多轮调整，且强烈依赖人工经验。

若采用神经网络模型进行预测，则需要进行大量的坍落度筒试验以获取到标签数据，构成训练数据，因此效率低，可行性较差。

因此，目前迫切需要一种可以在混凝土搅拌过程中实时监测混凝土坍落度的方法，以减少搅拌站整体生产成本，保证生产质量，提高生产效率，并且无需大量的坍落度筒试验及人工标注。

发明内容

针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于电流曲线的坍落度预测方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本发明提供了一种基于电流曲线的坍落度预测方法，包括以下步骤：

获取混凝土搅拌过程中的电流曲线，基于电流曲线获取输入特征；

构建基于神经网络的坍落度预测模型，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型，训练数据包括训练过程中的输入特征及其对应的坍落度标签，其中，根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，根据电流曲线处理得到电流曲线特征，根据电流曲线特征的分布确定每个输入特征对应的坍落度标签；

将输入特征输入经训练的坍落度预测模型，得到坍落度的预测值。

作为优选，电流曲线特征包括到达搅拌均匀阶段所消耗时间、临近搅拌均匀阶段的电流曲线的斜率均值、第1秒至到达最大电流所消耗的时间、第1秒至搅拌均匀阶段所消耗的总电流值，其中，在混凝土搅拌过程中的电流曲线中，以原材料开始投料时的电流值所对应的时刻作为第1秒，电流值大小不再下降作为到达搅拌均匀阶段。

作为优选，根据电流曲线处理得到电流曲线特征，根据电流曲线特征的分布确定每个输入特征对应的坍落度标签，具体包括：

根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线提取得到的电流曲线特征，并进行由大到小排序，并将电流曲线特征的分布中对应最大值的1/4、1/2、3/4的数据作为第一特征、第二特征和第三特征；

选取第1秒至搅拌均匀阶段所消耗的总电流值的最大值的1/4、1/2、3/4所对应的出锅混凝土进行坍落度试验，分别得到第一特征所对应的第一坍落度试验值、第二特征所对应的第二坍落度试验值、第三特征所对应的第三坍落度试验值；

根据第一特征及其所对应的第一坍落度试验值和第二特征及其对应的第二坍落度试验值确定第一线性方程，根据第二特征及其对应的第二坍落度试验值和第三特征及其对应的第三坍落度试验值确定第二线性方程；

根据第一线性方程和第二线性方程确定每个输入特征所对应的坍落度标签。

作为优选，基于电流曲线获取输入特征，具体包括：

根据电流曲线提取电流曲线特征，对电流曲线特征进行归一化处理并组成一维数组，得到输入特征；

根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，具体包括：

根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线提取电流曲线特征，对电流曲线特征进行归一化处理并组成一维数组，得到训练过程中的输入特征。

作为优选，坍落度预测模型包括前馈神经网络，前馈神经网络包括依次连接的输入层、第一批归一化层、隐藏层、第二批归一化层和输出层，输入层包括32个神经元，隐藏层包括16个神经元，输入层和隐藏层的激活函数为ReLU，输出层的激活函数为线性激活函数。

作为优选，基于电流曲线获取输入特征，具体包括：

将电流曲线中第1秒至搅拌均匀阶段的电流数据作为输入特征；

根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，具体包括：

将不同抗压强度的混凝土在历史搅拌过程中的电流曲线中第1秒至搅拌均匀阶段的电流数据作为训练过程中的输入特征。

作为优选，坍落度预测模型包括依次连接的第一残差模块、第二残差模块和第三残差模块，第一残差模块、第二残差模块和第三残差模块均包括残差连接的第一卷积层和第二卷积层，第一卷积层和第二卷积层后均连接一个批归一化层，且激活函数为ReLU。

第二方面，本发明提供了一种基于电流曲线的坍落度预测装置，包括：

特征获取模块，被配置为获取混凝土搅拌过程中的电流曲线，基于电流曲线获取输入特征；

模型构建模块，被配置为构建基于神经网络的坍落度预测模型，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型，训练数据包括训练过程中的输入特征及其对应的坍落度标签，其中，根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，根据电流曲线处理得到电流曲线特征，根据电流曲线特征的分布确定每个输入特征对应的坍落度标签；

预测模块，被配置为将输入特征输入经训练的坍落度预测模型，得到坍落度的预测值。

第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

相比于现有技术，本发明具有以下有益效果：

（1）本发明提出的基于电流曲线的坍落度预测方法无需大量坍落度试验对原始电流数据集进行标注，转而分析搅拌站的历史生产任务中混凝土出锅时的电流数据分布或电流曲线特征分布，而该时刻的电流数据或电流曲线特征与坍落度直接相关，结合少量电流曲线所对应的坍落度标定，即高效、准确地为电流数据或电流曲线特征赋予坍落度标签。

（2）本发明提出的基于电流曲线的坍落度预测方法将搅拌过程中电流数据或电流曲线特征作为输入特征，构建基于神经网络的坍落度预测模型并进行训练，将经训练的坍落度预测模型部署在系统上即可实时在线预测坍落度，无需等待坍落度试验的结果，实时性好，准确度高，便于及时调整坍落度，以满足生产要求和质量。

（3）本发明提出的基于电流曲线的坍落度预测方法不仅解决了现有技术中混凝土坍落度需要离线测量或者大量人工坍落度试验进行样本标注的问题，还可以适应不同搅拌站的不同生产工况，实现坍落度在线监测。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请的一个实施例可以应用于其中的示例性装置架构图；

图2为本申请的实施例的基于电流曲线的坍落度预测方法的流程示意图；

图3为本申请的实施例的基于电流曲线的坍落度预测方法的输入的电流曲线数据的示意图；

图4为本申请的实施例的基于电流曲线的坍落度预测装置的示意图；

图5是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。

图1示出了可以应用本申请实施例的基于电流曲线的坍落度预测方法或基于电流曲线的坍落度预测装置的示例性装置架构100。

如图1所示，装置架构100可以包括终端设备一101、终端设备二102、终端设备三103，网络104和服务器105。网络104用以在终端设备一101、终端设备二102、终端设备三103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备一101、终端设备二102、终端设备三103通过网络104与服务器105交互，以接收或发送消息等。终端设备一101、终端设备二102、终端设备三103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。

终端设备一101、终端设备二102、终端设备三103可以是硬件，也可以是软件。当终端设备一101、终端设备二102、终端设备三103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备一101、终端设备二102、终端设备三103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备一101、终端设备二102、终端设备三103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。

需要说明的是，本申请实施例所提供的基于电流曲线的坍落度预测方法可以由服务器105执行，也可以由终端设备一101、终端设备二102、终端设备三103执行，相应地，基于电流曲线的坍落度预测装置可以设置于服务器105中，也可以设置于终端设备一101、终端设备二102、终端设备三103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。

图2示出了本申请的实施例提供的一种基于电流曲线的坍落度预测方法，包括以下步骤：

S1，获取混凝土搅拌过程中的电流曲线，基于电流曲线获取输入特征。

在具体的实施例中，基于电流曲线获取输入特征，具体包括：

根据电流曲线提取电流曲线特征，对电流曲线特征进行归一化处理并组成一维数组，得到输入特征。

在具体的实施例中，电流曲线特征包括到达搅拌均匀阶段所消耗时间、临近搅拌均匀阶段的电流曲线的斜率均值、第1秒至到达最大电流所消耗的时间、第1秒至搅拌均匀阶段所消耗的总电流值，其中，在混凝土搅拌过程中的电流曲线中，以原材料开始投料时的电流值所对应的时刻作为第1秒，电流值大小不再下降作为到达搅拌均匀阶段。

在具体的实施例中，基于电流曲线获取输入特征，具体包括：

将电流曲线中第1秒至搅拌均匀阶段的电流数据作为输入特征。

具体的，输入特征可选择由电流曲线提取到的电流曲线特征进行归一化后组成的一维数组或者电流曲线中第1秒至搅拌均匀阶段的电流数据。两者均可以输入坍落度预测模型中预测出坍落度的预测值。

S2，构建基于神经网络的坍落度预测模型，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型，训练数据包括训练过程中的输入特征及其对应的坍落度标签，其中，根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，根据电流曲线处理得到电流曲线特征，根据电流曲线特征的分布确定每个输入特征对应的坍落度标签。

在具体的实施例中，坍落度预测模型包括前馈神经网络，前馈神经网络包括依次连接的输入层、第一批归一化层、隐藏层、第二批归一化层和输出层，输入层包括32个神经元，隐藏层包括16个神经元，输入层和隐藏层的激活函数为ReLU，输出层的激活函数为线性激活函数。

在具体的实施例中，坍落度预测模型包括依次连接的第一残差模块、第二残差模块和第三残差模块，第一残差模块、第二残差模块和第三残差模块均包括残差连接的第一卷积层和第二卷积层，第一卷积层和第二卷积层后均连接一个批归一化层，且激活函数为ReLU。

在具体的实施例中，根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，具体包括：

根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线提取电流曲线特征，对电流曲线特征进行归一化处理并组成一维数组，得到训练过程中的输入特征。

在具体的实施例中，根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，具体包括：

将不同抗压强度的混凝土在历史搅拌过程中的电流曲线中第1秒至搅拌均匀阶段的电流数据作为训练过程中的输入特征。

在具体的实施例中，根据电流曲线处理得到电流曲线特征，根据电流曲线特征的分布确定每个输入特征对应的坍落度标签，具体包括：

根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线提取得到的电流曲线特征，并进行由大到小排序，并将电流曲线特征的分布中对应最大值的1/4、1/2、3/4的数据作为第一特征、第二特征和第三特征；

选取第1秒至搅拌均匀阶段所消耗的总电流值的最大值的1/4、1/2、3/4所对应的出锅混凝土进行坍落度试验，分别得到第一特征所对应的第一坍落度试验值、第二特征所对应的第二坍落度试验值、第三特征所对应的第三坍落度试验值；

根据第一特征及其所对应的第一坍落度试验值和第二特征及其对应的第二坍落度试验值确定第一线性方程，根据第二特征及其对应的第二坍落度试验值和第三特征及其对应的第三坍落度试验值确定第二线性方程；

根据第一线性方程和第二线性方程确定每个输入特征所对应的坍落度标签。

具体的，本发明的原理是：同一抗压强度下，不同坍落度的混凝土在搅拌过程中的电流曲线是有差异的，而这些电流曲线征与其出锅坍落度有对应关系，从而能得到混凝土的坍落度。基于神经网络的坍落度预测模型也可以采用两种不同的结构，即分别采用前馈神经网络和残差网络建立电流曲线特征与坍落度的映射关系或者电流数据与坍落度的映射关系。当使用前馈神经网络时，输入数据为由电流曲线提取到的电流曲线特征进行归一化后组成的一维数组。对整个搅拌过程的电流曲线进行人工特征选择，包括到达搅拌均匀阶段所消耗时间、临近搅拌均匀阶段的电流曲线的斜率均值、第1秒至到达最大电流所消耗的时间、第1秒至搅拌均匀阶段所消耗的总电流值。进一步地，利用搅拌过程的电流曲线特征作为输入特征。当使用残差网络时，可直接将搅拌过程的电流值序列作为输入特征，作为优选，可将电流曲线中第1秒至搅拌均匀阶段的电流数据作为输入特征，一般在到达搅拌均匀阶段，也就是在第38秒以后电流值趋于收敛状态，变化不大，因此取第1秒至搅拌均匀阶段的电流数据作为输入特征，也就是第1秒至第38秒的38个点的电流值序列作为输入特征。同样在收集并制作训练数据时，也相应选择相应的数据作为训练过程中的输入特征。

而在制作坍落度标签时，采用的手段是相同的。搜集处理搅拌站过往生产时所保存的电流曲线数据以及相对应的订单任务要求，提取卸料时的电流曲线特征分布，选取特征分布中的1/4、1/2、3/4所对应的电流曲线特征对应的出锅混凝土进行坍落度试验，进而按照坍落度线性增加，对全部混凝土生产数据进行坍落度标签制作。其中，选择电流曲线特征中的第1秒至搅拌均匀阶段所消耗的总电流值作为主特征值，对主特征值的1/4、1/2、3/4所对应的数据对应的出锅混凝土进行坍落度试验，电流曲线特征中的其余特征选择对应的位置的数值，与试验得到的标签值相对应。

S3，将输入特征输入经训练的坍落度预测模型，得到坍落度的预测值。

具体的，可搭建在线监测坍落度系统，从PLC中读取每盘混凝土搅拌过程的电流曲线，提取搅拌过程的输入特征，输入经训练的坍落度预测模型，获取该盘混凝土的坍落度的预测值。

以上步骤S1-S3并不仅仅代表步骤之间的顺序，而是步骤符号表示。

下面通过具体的实施例进行说明。

实施例一

获取搅拌站2021年至2023年所有生产订单数据以及搅拌过程主轴电流数据。其中，生产订单中所要求的混凝土的抗压强度包含C15至C50，由于抗压强度和坍落度对搅拌过程中的电流曲线特征影响较大，而抗压强度可以在每盘混凝土生产前获取，因此根据不同混凝土抗压强度要求以及电流曲线特征分布，进行坍落度试验标定，对电流曲线特征分别赋予坍落度标签。

基于搅拌过程中的电流曲线，以原材料开始投料时的电流值所对应的时间作为第1秒，电流值大小不再下降作为到达搅拌均匀阶段的标志，提取每个搅拌过程的电流曲线特征。该电流曲线特征包括到达搅拌均匀阶段所消耗时间、电流曲线临近搅拌均匀阶段的曲线斜率均值、第1秒至到达最大电流所消耗的时间、第1秒至搅拌均匀阶段所消耗的总电流值，将所提取的4个特征分别进行归一化后，组成1维数组作为坍落度预测模型的输入特征。

构建三层的前馈神经网络作为坍落度预测模型，该前馈神经网络具有32个神经元的输入层、具有16个神经元的隐藏层和一个输出层，ReLU作为输入层和隐藏层的激活函数，层与层之间增加批归一化层，输出层的激活函数为线性激活函数，使用的损失函数是平均绝对误差(mean absolute error)，优化器是adam算法。经过多轮迭代训练，使得网络的损失最小，以得到最优的输入特征与对应坍落度标签的映射关系模型，即得到经训练的坍落度预测模型。

在部署阶段，通过网线将存储搅拌主轴电流数据的PLC设备与计算机连接，在计算机中实时获取每盘混凝土搅拌过程的电流曲线数据，经过数据预处理提取输入特征，输入经训练的坍落度预测模型中，在混凝土卸料前即可得到该盘混凝土的坍落度的预测值。提供如图3所示的3条电流曲线数据（以曲线图表示），采用本申请的实施例一预测得到坍落度的预测值与出锅试验得到的实测值的对比结果如表1所示。

表1 坍落度预测模型的坍落度的预测值与坍落度试验实测结果

	电流曲线1（实线）	电流曲线2（长虚线）	电流曲线3（短虚线）
				坍落度的预测值	115	155	180
实测值	120	165	180

实施例二

获取搅拌站2021年至2023年所有生产订单数据以及搅拌过程主轴电流数据。其中，生产订单中所要求的混凝土的抗压强度包含C15至C50，由于抗压强度和坍落度对搅拌过程中的电流曲线数据影响较大，而抗压强度可以在每盘混凝土生产前获取，因此根据不同混凝土抗压强度要求以及电流曲线特征分布，进行坍落度试验标定，对电流数据分别赋予坍落度标签。

构建一维卷积神经网络作为坍落度预测模型，该一维卷积神经网络通过堆叠3个残差模块来构建层，每个残差模块中包含两个卷积层，每个卷积层后连接一个批归一化层，ReLU作为激活函数，损失函数是平均绝对误差MAE(mean absolute error)，优化器是SGD（Stochastic Gradient Descent）算法。经过多轮迭代训练，使得网络的损失最小，得到不同搅拌过程电流曲线与对应坍落度标签的映射关系模型，即得到经训练的坍落度预测模型。

在部署阶段，通过网线将存储搅拌主轴电流数据的PLC设备与计算机连接，在计算机中实时获取每盘混凝土搅拌过程的电流曲线数据，在混凝土搅拌均匀后，将搅拌过程的第1秒至搅拌均匀阶段的电流数据输入至经训练的坍落度预测模型中，在混凝土卸料前即可得到该盘混凝土的坍落度的预测值。提供如图3所示的3条电流曲线数据（以曲线图表示），采用本申请的实施例二预测得到坍落度的预测值与出锅试验得到的实测值的对比结果如表2所示。

表2坍落度预测模型的坍落度的预测值与坍落度试验实测结果

	电流曲线1（实线）	电流曲线2（长虚线）	电流曲线3（短虚线）
				坍落度的预测值	115	155	170
实测值	120	165	180

本发明在实际使用时，要求部署使用的搅拌站有尽可能多的生产订单与电流曲线数据，并且需要少量的坍落度标定试验，以完成训练数据的标签赋值。以上两个实施例均可以使用电流曲线数据，并通过不同结构的坍落度预测模型预测得到坍落度的预测值。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种基于电流曲线的坍落度预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

本申请实施例提供了一种基于电流曲线的坍落度预测装置，包括：

特征获取模块1，被配置为获取混凝土搅拌过程中的电流曲线，基于电流曲线获取输入特征；

模型构建模块2，被配置为构建基于神经网络的坍落度预测模型，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型，训练数据包括训练过程中的输入特征及其对应的坍落度标签，其中，根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，根据电流曲线处理得到电流曲线特征，根据电流曲线特征的分布确定每个输入特征对应的坍落度标签；

预测模块3，被配置为将输入特征输入经训练的坍落度预测模型，得到坍落度的预测值。

下面参考图5，其示出了适于用来实现本申请实施例的电子设备（例如图1所示的服务器或终端设备）的计算机装置500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机装置500包括中央处理单元（CPU）501和图形处理器（GPU）502，其可以根据存储在只读存储器（ROM）503中的程序或者从存储部分509加载到随机访问存储器（RAM）504中的程序而执行各种适当的动作和处理。在RAM 504中，还存储有计算机装置500操作所需的各种程序和数据。CPU501、GPU502、ROM 503以及RAM 504通过总线505彼此相连。输入/输出（I/O）接口506也连接至总线505。

以下部件连接至I/O接口506：包括键盘、鼠标等的输入部分507；包括诸如、液晶显示器（LCD）等以及扬声器等的输出部分508；包括硬盘等的存储部分509；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分510。通信部分510经由诸如因特网的网络执行通信处理。驱动器511也可以根据需要连接至I/O接口506。可拆卸介质512，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器511上，以便于从其上读出的计算机程序根据需要被安装入存储部分509。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分510从网络上被下载和安装，和/或从可拆卸介质512被安装。在该计算机程序被中央处理单元（CPU）501和图形处理器（GPU）502执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，也可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本申请各种实施例的装置、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、程序段或代码的一部分，该模块、程序段或代码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。也应当注意，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，两个接连地表示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操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取混凝土搅拌过程中的电流曲线，基于电流曲线获取输入特征；构建基于神经网络的坍落度预测模型，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型，训练数据包括训练过程中的输入特征及其对应的坍落度标签，其中，根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，根据电流曲线处理得到电流曲线特征，根据电流曲线特征的分布确定每个输入特征对应的坍落度标签；将输入特征输入经训练的坍落度预测模型，得到坍落度的预测值。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种基于电流曲线的坍落度预测方法，其特征在于，包括以下步骤：

获取混凝土搅拌过程中的电流曲线，基于所述电流曲线获取输入特征；

构建基于神经网络的坍落度预测模型，采用训练数据对所述坍落度预测模型进行训练，得到经训练的坍落度预测模型，所述训练数据包括训练过程中的输入特征及其对应的坍落度标签，其中，根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取所述训练过程中的输入特征，根据所述电流曲线处理得到电流曲线特征，根据所述电流曲线特征的分布确定每个所述输入特征对应的坍落度标签；

将所述输入特征输入所述经训练的坍落度预测模型，得到坍落度的预测值。

2.根据权利要求1所述的基于电流曲线的坍落度预测方法，其特征在于，所述电流曲线特征包括到达搅拌均匀阶段所消耗时间、临近搅拌均匀阶段的电流曲线的斜率均值、第1秒至到达最大电流所消耗的时间、第1秒至搅拌均匀阶段所消耗的总电流值，其中，在混凝土搅拌过程中的电流曲线中，以原材料开始投料时的电流值所对应的时刻作为第1秒，电流值大小不再下降作为到达搅拌均匀阶段。

3.根据权利要求2所述的基于电流曲线的坍落度预测方法，其特征在于，根据所述电流曲线处理得到电流曲线特征，根据所述电流曲线特征的分布确定每个所述输入特征对应的坍落度标签，具体包括：

根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线提取得到的电流曲线特征，并进行由大到小排序，并将所述电流曲线特征的分布中对应最大值的1/4、1/2、3/4的数据作为第一特征、第二特征和第三特征；

选取第1秒至搅拌均匀阶段所消耗的总电流值的最大值的1/4、1/2、3/4所对应的出锅混凝土进行坍落度试验，分别得到所述第一特征所对应的第一坍落度试验值、第二特征所对应的第二坍落度试验值、第三特征所对应的第三坍落度试验值；

根据所述第一特征及其所对应的第一坍落度试验值和第二特征及其对应的第二坍落度试验值确定第一线性方程，根据所述第二特征及其对应的第二坍落度试验值和第三特征及其对应的第三坍落度试验值确定第二线性方程；

根据所述第一线性方程和第二线性方程确定每个输入特征所对应的坍落度标签。

4.根据权利要求1所述的基于电流曲线的坍落度预测方法，其特征在于，基于所述电流曲线获取输入特征，具体包括：

根据所述电流曲线提取电流曲线特征，对所述电流曲线特征进行归一化处理并组成一维数组，得到输入特征；

根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取所述训练过程中的输入特征，具体包括：

根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线提取电流曲线特征，对所述电流曲线特征进行归一化处理并组成一维数组，得到训练过程中的输入特征。

5.根据权利要求4所述的基于电流曲线的坍落度预测方法，其特征在于，所述坍落度预测模型包括前馈神经网络，所述前馈神经网络包括依次连接的输入层、第一批归一化层、隐藏层、第二批归一化层和输出层，所述输入层包括32个神经元，所述隐藏层包括16个神经元，所述输入层和隐藏层的激活函数为ReLU，所述输出层的激活函数为线性激活函数。

6.根据权利要求1所述的基于电流曲线的坍落度预测方法，其特征在于，基于所述电流曲线获取输入特征，具体包括：

将所述电流曲线中第1秒至搅拌均匀阶段的电流数据作为输入特征；

根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取所述训练过程中的输入特征，具体包括：

将不同抗压强度的混凝土在历史搅拌过程中的电流曲线中第1秒至搅拌均匀阶段的电流数据作为训练过程中的输入特征。

7.根据权利要求6所述的基于电流曲线的坍落度预测方法，其特征在于，所述坍落度预测模型包括依次连接的第一残差模块、第二残差模块和第三残差模块，所述第一残差模块、第二残差模块和第三残差模块均包括残差连接的第一卷积层和第二卷积层，所述第一卷积层和第二卷积层后均连接一个批归一化层，且激活函数为ReLU。

8.一种基于电流曲线的坍落度预测装置，其特征在于，包括：

特征获取模块，被配置为获取混凝土搅拌过程中的电流曲线，基于所述电流曲线获取输入特征；

模型构建模块，被配置为构建基于神经网络的坍落度预测模型，采用训练数据对所述坍落度预测模型进行训练，得到经训练的坍落度预测模型，所述训练数据包括训练过程中的输入特征及其对应的坍落度标签，其中，根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取所述训练过程中的输入特征，根据所述电流曲线处理得到电流曲线特征，根据所述电流曲线特征的分布确定每个所述输入特征对应的坍落度标签；

预测模块，被配置为将所述输入特征输入所述经训练的坍落度预测模型，得到坍落度的预测值。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。