CN117258932A - 智能砂磨机的温度监测系统及方法 - Google Patents
智能砂磨机的温度监测系统及方法 Download PDFInfo
- Publication number
- CN117258932A CN117258932A CN202311266751.3A CN202311266751A CN117258932A CN 117258932 A CN117258932 A CN 117258932A CN 202311266751 A CN202311266751 A CN 202311266751A CN 117258932 A CN117258932 A CN 117258932A
- Authority
- CN
- China
- Prior art keywords
- temperature
- time sequence
- vector
- feature
- sequence
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000004576 sand Substances 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims description 210
- 238000005070 sampling Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 229910052720 vanadium Inorganic materials 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 28
- 238000012545 processing Methods 0.000 abstract description 17
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 13
- 230000007704 transition Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 239000011133 lead Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000000844 transformation Methods 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
- 238000012300 Sequence Analysis Methods 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration 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
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement 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
- 229910052759 nickel Inorganic materials 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 230000001960 triggered effect Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Numerical Control (AREA)
Abstract
本申请公开了一种智能砂磨机的温度监测系统及方法,其通过部署于智能砂磨机内部的温度传感器采集设备内部的温度值,并在后端引入数据处理和分析算法来对于智能磨砂机内部的温度时序变化情况进行分析,以此来判断是否产生温度预警提示。
Description
技术领域
本申请涉及智能监测领域,且更为具体地,涉及一种智能砂磨机的温度监测系统及方法。
背景技术
ALC-3900L艾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,适用于有色金属选矿厂(金、铜、铅、锌、钼、镍)和黑色金属选矿厂的二、三段再磨作业。在砂磨过程中,过高的温度可能导致设备故障、材料变形或者产品质量下降。因此,温度的监测对于保证设备的正常运行和产品质量至关重要。
然而,传统的磨砂机温度监测系统通常采用简单的规则或阈值判断来触发报警,这种方法无法适应复杂的温度变化模式和故障情况,容易产生误报或漏报,限制了其在实际应用中的性能和可靠性。并且,在应对不同的工件和砂磨过程时,阈值的设定可能会有所不同,导致传统系统在适应性和准确性方面存在一定的局限性。
因此,期望一种优化的智能砂磨机的温度监测系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种智能砂磨机的温度监测系统及方法,其通过部署于智能砂磨机内部的温度传感器采集设备内部的温度值,并在后端引入数据处理和分析算法来对于智能磨砂机内部的温度时序变化情况进行分析,以此来判断是否产生温度预警提示。
根据本申请的一个方面,提供了一种智能砂磨机的温度监测系统,其包括:
温度数据采集模块,用于通过部署于智能砂磨机内部的温度传感器采集预定时间段内多个预定时间点的温度值;
温度时序数据排列模块,用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量;
数据上采样模块,用于对所述温度时序输入向量进行基于线性插值的上采样以得到上采样温度时序输入向量;
温度局部时序特征提取模块,用于对所述上采样温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列;
温度全时序模式关联编码模块,用于对所述温度局部时序特征向量的序列进行温度时序模式关联编码以得到温度时序模式特征;
温度报警模块,用于基于所述温度时序模式特征,确定是否产生报警信号提示。
根据本申请的另一个方面,提供了一种智能砂磨机的温度监测方法,其包括:
通过部署于智能砂磨机内部的温度传感器采集预定时间段内多个预定时间点的温度值;
将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量;
对所述温度时序输入向量进行基于线性插值的上采样以得到上采样温度时序输入向量;
对所述温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列;
对所述温度局部时序特征向量的序列进行温度时序模式关联编码以得到温度时序模式特征;
基于所述温度时序模式特征,确定是否产生报警信号提示。
与现有技术相比,本申请提供的一种智能砂磨机的温度监测系统及方法,其通过部署于智能砂磨机内部的温度传感器采集设备内部的温度值,并在后端引入数据处理和分析算法来对于智能磨砂机内部的温度时序变化情况进行分析,以此来判断是否产生温度预警提示。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的智能砂磨机的温度监测系统的框图;
图2为根据本申请实施例的智能砂磨机的温度监测系统的系统架构图;
图3为根据本申请实施例的智能砂磨机的温度监测系统中温度局部时序特征提取模块的框图;
图4为根据本申请实施例的智能砂磨机的温度监测系统中温度报警模块的框图;
图5为根据本申请实施例的智能砂磨机的温度监测方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请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。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
传统的磨砂机温度监测系统通常采用简单的规则或阈值判断来触发报警,这种方法无法适应复杂的温度变化模式和故障情况,容易产生误报或漏报,限制了其在实际应用中的性能和可靠性。并且,在应对不同的工件和砂磨过程时,阈值的设定可能会有所不同,导致传统系统在适应性和准确性方面存在一定的局限性。因此,期望一种优化的智能砂磨机的温度监测系统。
在本申请的技术方案中,提出了一种智能砂磨机的温度监测系统。图1为根据本申请实施例的智能砂磨机的温度监测系统的框图。图2为根据本申请实施例的智能砂磨机的温度监测系统的系统架构图。如图1和图2所示,根据本申请的实施例的智能砂磨机的温度监测系统300,包括:温度数据采集模块310,用于通过部署于智能砂磨机内部的温度传感器采集预定时间段内多个预定时间点的温度值;温度时序数据排列模块320,用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量;数据上采样模块330,用于对所述温度时序输入向量进行基于线性插值的上采样以得到上采样温度时序输入向量;温度局部时序特征提取模块340,用于对所述上采样温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列;温度全时序模式关联编码模块350,用于对所述温度局部时序特征向量的序列进行温度时序模式关联编码以得到温度时序模式特征;温度报警模块360,用于基于所述温度时序模式特征,确定是否产生报警信号提示。
特别地,所述温度数据采集模块310,用于通过部署于智能砂磨机内部的温度传感器采集预定时间段内多个预定时间点的温度值。值得一提的是,所述传感器可以安装在砂磨机的关键部位,如砂轮、砂带或者工件表面,以便准确地监测温度变化。这样,能够实现对温度异常变化的监测和报警,以提高砂磨机的安全性和稳定性,保证产品质量和生产效率。
值得注意的是,温度传感器是一种用于测量环境或物体温度的装置。它能够将温度转换为电信号或数字信号,以便进行监测、控制和记录。温度传感器广泛应用于各个领域,包括工业、医疗、农业、环境监测等。
相应的,在一种可能的实现方式中,可通过以下步骤通过部署于智能砂磨机内部的温度传感器采集预定时间段内多个预定时间点的温度值,例如:选择适合的温度传感器类型,考虑到砂磨机的工作环境和要求,例如热电偶、热敏电阻或其他类型的传感器;将温度传感器安装到砂磨机内部的适当位置。确保传感器与砂磨机的接触充分,以获得准确的温度测量;将传感器与数据采集系统或控制系统连接。这可能涉及将传感器的电线连接到相应的接口或模块;确定预定时间段内需要采集温度值的多个时间点。这些时间点可以根据需要设置,例如每隔一分钟或每隔十分钟;在预定时间点,通过数据采集系统或控制系统触发传感器进行温度测量,并记录测量值。确保采集的数据与时间点对应;将采集到的温度数据存储到数据库或文件中,以便后续分析和处理。可以使用数据分析工具来检查温度趋势、异常情况或其他感兴趣的信息;根据需求,对采集的温度数据进行处理和应用。例如,可以根据温度变化调整砂磨机的工作参数,提醒操作人员进行维护或预测砂磨机的故障风险。
特别地,所述温度时序数据排列模块320,用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量。考虑到由于在智能磨砂机的运行过程中,智能砂磨机内部的温度值在时间维度上是不断变化的,也就是说,所述温度值具有着时序的动态关联特征信息。因此,为了能够对于所述智能砂磨机内部的温度值的时序变化情况进行分析捕捉,需要进一步将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量,以此来整合所述温度值在时序上的分布信息。
相应的,在一种可能的实现方式中,可通过以下步骤将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量,例如:确定每个预定时间点之间的时间间隔。这可以根据需求进行设置,例如每分钟、每小时或其他时间间隔;确定要采集温度数据的时间段。这可以是几分钟、几小时、几天或其他预定的时间段;根据时间间隔和时间段的长度,计算出需要采集的时间点的数量。例如,如果时间间隔为1分钟,时间段为1小时,则将有60个时间点;在预定的时间点,通过温度传感器采集温度数据。确保在每个时间点上获取准确的温度值;将采集到的温度值按照时间顺序排列,形成温度时序输入向量。可以使用列表、数组或其他数据结构来存储这些温度值;在温度时序输入向量中,可以选择添加时间戳记录,以便每个温度值与相应的时间点对应。这样可以更方便地进行后续的时间序列分析和处理;根据需要,对温度时序输入向量进行进一步的数据处理和应用。例如,可以使用时间序列分析方法来探索温度的趋势、周期性或异常情况。
特别地,所述数据上采样模块330,用于对所述温度时序输入向量进行基于线性插值的上采样以得到上采样温度时序输入向量。为了能够提高对智能砂磨机运行过程中的温度细微变化的捕捉能力,在本申请的技术方案中,进一步对所述温度时序输入向量进行基于线性插值的上采样以得到上采样温度时序输入向量,以增加温度数据的密度和平滑度,从而便于后续更好地表示温度的时序变化特征和趋势。应可以理解,通过线性插值的上采样,可以将原始的所述温度时序输入向量中的数据点进行插值,生成更多的数据点。这样,有助于增加时间维度上的分辨率,使得温度的时序变化更加细致可见。同时,线性插值可以在采样点之间进行平滑插值,减少噪声和突变的影响,提高数据的连续性和稳定性。也就是说,上采样后的所述上采样温度时序输入向量可以提供更详细和准确的磨砂机内部温度时序变化信息,为后续的特征提取和温度变化趋势分析提供更丰富的数据。
相应的,在一种可能的实现方式中,可通过以下步骤对所述温度时序输入向量进行基于线性插值的上采样以得到上采样温度时序输入向量,例如:确定要进行的上采样倍数,即将每个时间间隔内的温度值细分为更小的时间间隔;根据上采样倍数,计算出新的时间间隔。例如,如果上采样倍数为2,原始时间间隔为1分钟,则新的时间间隔为0.5分钟;根据新的时间间隔和原始时间段的长度,计算出上采样后的时间点的数量。这个数量将是原始时间点数量与上采样倍数的乘积;使用线性插值方法,在原始温度时序输入向量中的相邻温度值之间插入新的温度值。线性插值可以根据相邻温度值的斜率来计算插值点的温度值;将插值得到的新温度值和原始温度时序输入向量中的温度值合并,形成上采样温度时序输入向量;如果在原始温度时序输入向量中使用了时间戳记录,需要相应地调整时间戳,以匹配上采样后的时间点;根据需要,对上采样温度时序输入向量进行进一步的数据处理和应用。例如,可以使用上采样后的数据进行更精细的时间序列分析或预测。
特别地,所述温度局部时序特征提取模块340,用于对所述上采样温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列。特别地,在本申请的一个具体示例中,如图3所示,所示温度局部时序特征提取模块340,包括:时序向量切分单元341,用于对所述上采样温度时序输入向量进行向量切分以得到温度局部时序输入向量的序列;温度局部时序特征提取单元342,用于通过基于深度神经网络模型的温度时序特征提取器分别对所述温度局部时序输入向量的序列进行时序特征提取以得到所述温度局部时序特征向量的序列。
具体地,所述时序向量切分单元341,用于对所述上采样温度时序输入向量进行向量切分以得到温度局部时序输入向量的序列。也就是,在对于所述温度值的时序变化特征进行提取时,为了能够更好地捕捉到所述温度值在时间维度上的时序变化特征信息和变化趋势,进一步需要对所述上采样温度时序输入向量进行向量切分以得到温度局部时序输入向量的序列,以便于后续更好地提取出不同时间段内的温度局部时序细节变化特征。
值得注意的是,向量切分是指将一个向量分割成多个子向量的过程。这种操作可以根据需要将一个较长的向量划分为较短的子向量,以便进行分析、处理或应用。
相应的,在一种可能的实现方式中,可通过以下步骤对所述上采样温度时序输入向量进行向量切分以得到温度局部时序输入向量的序列,例如:确定每个局部时序输入向量的长度;确定相邻局部时序输入向量之间的步长,即切分时向右移动的时间步数。切分步长决定了相邻局部时序输入向量之间的重叠程度;创建一个空的序列,用于存储切分得到的局部时序输入向量;从上采样温度时序输入向量的起始位置开始,依次将切分长度的子向量作为局部时序输入向量。将切分得到的局部时序输入向量添加到局部时序输入向量序列中;根据切分步长,将切分窗口向右移动一定的时间步数;重复进行切分和移动切分窗口的操作,直到切分窗口移动到上采样温度时序输入向量的末尾;将切分得到的局部时序输入向量序列作为结果返回。
具体地,所述温度局部时序特征提取单元342,用于通过基于深度神经网络模型的温度时序特征提取器分别对所述温度局部时序输入向量的序列进行时序特征提取以得到所述温度局部时序特征向量的序列。在本申请的一个具体示例中,将所述温度局部时序输入向量的序列分别通过基于一维卷积层的温度时序特征提取器中进行特征提取,以提取出所述温度值在时间维度上的各个局部时间段内的局部时序细节变化特征信息,从而得到温度局部时序特征向量的序列。这样,有利于进行所述温度值的时序变化趋势分析和异常温度变化的检测和预警。具体地,使用所述基于一维卷积层的温度时序特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于一维卷积层的温度时序特征提取器的最后一层的输出为所述温度局部时序特征向量的序列,所述基于一维卷积层的温度时序特征提取器的第一层的输入为所述温度局部时序输入向量的序列。
值得注意的是,一维卷积层(1D Convolutional Layer)是深度学习中常用的一种神经网络层,用于处理具有序列结构的数据,例如时间序列数据或文本数据。它是卷积神经网络(Convolutional Neural Network,CNN)的核心组成部分之一。与传统的二维卷积层用于处理图像数据不同,一维卷积层主要用于处理一维序列数据。它通过使用一维卷积核(一维滤波器)在输入序列上进行滑动窗口的卷积操作,从而提取序列中的局部特征。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式通过基于深度神经网络模型的温度时序特征提取器分别对所述温度局部时序输入向量的序列进行时序特征提取以得到所述温度局部时序特征向量的序列,例如:将温度局部时序输入向量的序列作为模型的输入数据。确保数据的格式正确,并根据需要进行归一化或标准化等预处理步骤;构建深度神经网络模型,包括一维卷积层、激活函数、池化层等组件。可以根据具体任务需求设计模型的层数和参数;对模型的参数进行初始化,例如卷积核的权重和偏置项等;将输入序列通过深度神经网络模型进行前向传播。输入序列经过一维卷积层的滑动窗口卷积操作,提取局部特征。然后通过激活函数进行非线性变换,增强特征的表达能力。可以根据需要添加池化层对特征进行降维或提取更高级的特征;从卷积层或池化层的输出中提取时序特征。可以选择最后一层的输出作为特征向量,也可以选择中间层的输出进行特征提取;将提取的时序特征向量按照输入序列的顺序组成特征向量序列。确保特征向量序列与输入序列具有相同的长度和顺序;根据具体任务需求,可以对特征向量序列进行进一步的后续处理,例如降维、聚类、分类或回归等。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列,例如:确定用于提取局部时序特征的窗口大小。窗口大小决定了每个局部时序特征向量中包含的时间步数;确定窗口在时序输入向量上的移动步长。移动步长决定了相邻局部时序特征向量之间的重叠程度;定义一个函数,该函数接受时序输入向量和窗口大小作为输入,并返回一个局部时序特征向量;创建一个空的特征向量序列,用于存储提取得到的局部时序特征向量;从时序输入向量的起始位置开始,依次将窗口应用于时序输入向量,并使用定义的局部时序特征提取函数提取特征。将提取得到的特征向量添加到特征向量序列中;根据窗口移动步长,将窗口向右移动一定的时间步数;重复步骤5和6,直到窗口移动到时序输入向量的末尾;将提取得到的特征向量序列作为结果返回。
特别地,所述温度全时序模式关联编码模块350,用于对所述温度局部时序特征向量的序列进行温度时序模式关联编码以得到温度时序模式特征。特别地,在本申请的一个具体示例中,计算所述温度局部时序特征向量的序列中每相邻两个温度局部时序特征向量之间的转移矩阵并计算所述转移矩阵的全局均值以得到由多个状态转移特征值组成的温度时序模式特征向量作为所述温度时序模式特征。考虑到由于所述温度值在所述预定时间段内整体上具有着时序的动态变化规律,也就是说,所述温度值在各个局部时间段内的局部时序细节变化特征之间具有着基于时序整体的关联关系。并且,还考虑到若智能磨砂机正常工作,其温度变化趋势具有一定的规律性,而当产生异常时,会具有异常的温度变化。因此,为了能够进一步提高预警的精准度,需要对于温度的时序变化模式进行分析和监测,以此来确定是否具有异常的温度变化模式情况,从而对于异常的温度变化产生预警信号。具体地,在本申请的技术方案中,进一步计算所述温度局部时序特征向量的序列中每相邻两个温度局部时序特征向量之间的转移矩阵并计算所述转移矩阵的全局均值以得到由多个状态转移特征值组成的温度时序模式特征向量。通过这样的方式,能够对于所述智能磨砂机内部在各个局部时间段内的温度局部时序变化特征进行转移关联编码,以此来捕捉到所述温度值的时序变化模式特征信息。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述温度局部时序特征向量的序列进行温度时序模式关联编码以得到温度时序模式特征,例如:确定时间窗口的大小,即用于提取温度时序模式的连续特征向量的数量;将时间窗口应用于温度时序特征向量序列,通过滑动窗口的方式在序列上移动,以提取连续的特征向量子序列;对于每个时间窗口内的特征向量子序列,进行特征向量关联编码。这可以通过各种方法来实现,例如将特征向量连接起来形成一个更长的向量,或者使用编码器(如循环神经网络或自编码器)对特征向量子序列进行编码;将每个时间窗口内的特征向量子序列编码后得到的特征向量作为温度时序模式特征。可以选择编码后的特征向量作为时间窗口的表示,或者使用聚合函数(如平均值、最大值、最小值)对特征向量进行汇总得到单一的温度时序模式特征;将提取的温度时序模式特征按照时间窗口的顺序组成特征向量序列。确保特征向量序列与时间窗口的顺序一致;根据具体任务需求,可以对温度时序模式特征进行进一步的后续处理,例如降维、聚类、分类或回归等。
特别地,所述温度报警模块360,用于基于所述温度时序模式特征,确定是否产生报警信号提示。特别地,在本申请的一个具体示例中,如图4所示,所述温度报警模块360,包括:特征分布优化单元361,用于对所述温度时序模式特征向量进行特征分布优化以得到优化温度时序模式特征向量;报警提示单元362,用于将所述优化温度时序模式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是否产生报警信号提示。
在本申请的技术方案中,将所述温度局部时序输入向量的序列分别通过基于一维卷积层的温度时序特征提取器时,所述温度局部时序特征向量的序列中的每个温度局部时序特征向量可以表达局部时域下的温度值的时序关联特征,由此,计算所述温度局部时序特征向量的序列中每相邻两个温度局部时序特征向量之间的转移矩阵时,所述转移矩阵表达局部时域间的时序域转移特征,因此,如果将每个局部时域下的温度值时序关联特征作为前景对象特征,则在提取局部时域间域转移特征的同时,也会引入计算转移矩阵时的向量-矩阵间的高秩分布表示,并且由于相邻两个温度局部时序特征向量之间的时域高维特征的时序空间异质分布而引起所述转移矩阵相对于所述温度局部时序特征向量的序列的时序概率密度映射误差,这样,将由计算所述转移矩阵的全局均值得到的多个状态转移特征值组成的温度时序模式特征向量通过分类器进行训练时,就会影响所述温度时序模式特征向量作为整体在分类回归域内的泛化效果,也就是,影响得到的分类结果的准确性。
基于此,本申请在将所述温度时序模式特征向量通过分类器进行训练时,优选地对所述温度时序模式特征向量,例如记为V进行希尔伯特正交空间域表示解耦。具体地,所述特征分布优化单元,用于:以如下解耦公式对所述温度时序模式特征向量进行希尔伯特正交空间域表示解耦以得到所述优化温度时序模式特征向量;
其中,所述解耦公式为:
其中,V是所述温度时序模式特征向量,是所述温度时序模式特征向量V的全局特征均值,||V||2是所述温度时序模式特征向量V的二范数,L是所述温度时序模式特征向量V的长度,Cov1D表示一维卷积,且I是单位向量,/>表示向量的按位置差分,V1是卷积后的特征向量,V2是差分后的特征向量,V'是所述优化温度时序模式特征向量。
这里,所述希尔伯特正交空间域表示解耦用于通过强调所述温度时序模式特征向量V的多样化特征表达内的本质域特定(domain-specific)信息,即,通过基于向量自空间度量和向量自内积表示下的希尔伯特空间度量,来从所述温度时序模式特征向量V的整体域表示内进行域恒定(domain-invariant)表征的正交空间域解耦,以提升所述温度时序模式特征向量V在分类回归域内的域自适应泛化性能,从而提升所述温度时序模式特征向量通过分类器得到的分类结果的准确性。这样,能够基于实际磨砂机内部的温度变化模式来实时对温度的异常变化进行监测和报警,以提高砂磨机的安全性和稳定性,保证产品质量和生产效率。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述温度时序模式特征向量进行特征分布优化以得到优化温度时序模式特征向量,例如:对于原始的温度时序模式特征向量,进行特征分布分析;对原始的温度时序模式特征向量进行特征标准化,使其具有零均值和单位方差。这可以通过减去均值并除以标准差来实现。标准化可以使得特征向量在不同尺度下具有可比性,并且有助于优化后续的特征分布;对标准化后的温度时序模式特征向量进行特征变换。可以使用线性变换(如主成分分析)或非线性变换(如核方法)来改变特征向量的表示形式。特征变换可以帮助发现数据中的潜在结构和模式,并提取更具区分性的特征;根据特定的特征选择方法,选择最具代表性和相关性的特征子集。特征选择可以帮助减少特征维度,去除冗余信息,并提高模型的泛化能力。常见的特征选择方法包括过滤法、包装法和嵌入法等;根据原始的温度时序模式特征向量,生成新的特征向量。这可以通过特征组合、特征变换或特征构建等方法来实现。生成的新特征向量可以包含原始特征的组合、差异、比率等信息,以提供更丰富的特征表示;对于特征向量中的不均衡数据分布,可以进行特征重采样来平衡数据。常见的特征重采样方法包括过采样和欠采样,用于增加少数类样本或减少多数类样本,以改善分类模型的性能;经过上述步骤的处理,得到优化后的温度时序模式特征向量。
具体地,所述报警提示单元362,用于将所述优化温度时序模式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是否产生报警信号提示。也就是,利用所述智能磨砂机内部的各个温度局部时序变化模式的全局关联特征信息来进行分类处理,以此来判断磨砂机在工作过程中的内部温度变化模式是否正常,从而判断是否产生报警信号提示。这样,能够实现对温度异常变化的监测和报警,以提高砂磨机的安全性和稳定性,保证产品质量和生产效率。具体地,使用所述分类器的多个全连接层对所述优化温度时序模式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通过所述分类器的Softmax分类函数以得到所述分类结果。
分类器(Classifier)是指一种机器学习模型或算法,用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分,它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层(Fully Connected Layer)是神经网络中常见的一种层类型。在全连接层中,每个神经元都与上一层的所有神经元相连接,每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入,并通过权重对这些输入进行加权求和,然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数,用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值,并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层,特别适用于多分类问题,因为它能够将网络输出映射为各个类别的概率分布。在训练过程中,Softmax函数的输出可以用于计算损失函数,并通过反向传播算法来更新网络参数。值得注意的是,Softmax函数的输出并不会改变元素之间的相对大小关系,只是对其进行了归一化处理。因此,Softmax函数并不改变输入向量的特性,只是将其转化为概率分布形式。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式基于所述温度时序模式特征,确定是否产生报警信号提示,例如:确定用于触发报警的温度阈值。这个阈值可以根据具体应用的需求和温度监测系统的规格来确定;对于每个时间窗口内的温度时序模式特征,监测其数值是否超过报警阈值。可以使用比较运算符(如大于、小于)来进行判断;如果某个时间窗口内的温度时序模式特征超过报警阈值,则判断为异常情况,需要产生报警信号提示;根据判断结果,生成相应的报警信号。报警信号可以是声音、光闪、短信通知等形式,根据具体应用需求来确定;根据报警信号的生成情况,可以进行一些后续处理操作。例如,记录报警事件的时间、位置和详细信息,发送报警通知给相关人员,或者触发其他自动化操作。
如上所述,根据本申请实施例的智能砂磨机的温度监测系统300可以实现在各种无线终端中,例如具有智能砂磨机的温度监测算法的服务器等。在一种可能的实现方式中,根据本申请实施例的智能砂磨机的温度监测系统300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,该智能砂磨机的温度监测系统300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,该智能砂磨机的温度监测系统300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,该智能砂磨机的温度监测系统300与该无线终端也可以是分立的设备,并且该智能砂磨机的温度监测系统300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。
进一步地,还提供一种智能砂磨机的温度监测方法。
图5为根据本申请实施例的智能砂磨机的温度监测方法的流程图。如图5所示,根据本申请实施例的智能砂磨机的温度监测方法,包括步骤:S1,通过部署于智能砂磨机内部的温度传感器采集预定时间段内多个预定时间点的温度值;S2,将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量;S3,对所述温度时序输入向量进行基于线性插值的上采样以得到上采样温度时序输入向量;S4,对所述温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列;S5,对所述温度局部时序特征向量的序列进行温度时序模式关联编码以得到温度时序模式特征;S6,基于所述温度时序模式特征,确定是否产生报警信号提示。
综上,根据本申请实施例的智能砂磨机的温度监测方法被阐明,其通过部署于智能砂磨机内部的温度传感器采集设备内部的温度值,并在后端引入数据处理和分析算法来对于智能磨砂机内部的温度时序变化情况进行分析,以此来判断是否产生温度预警提示。
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 (8)
1.一种智能砂磨机的温度监测系统,其特征在于,包括:
温度数据采集模块,用于通过部署于智能砂磨机内部的温度传感器采集预定时间段内多个预定时间点的温度值;
温度时序数据排列模块,用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量;
数据上采样模块,用于对所述温度时序输入向量进行基于线性插值的上采样以得到上采样温度时序输入向量;
温度局部时序特征提取模块,用于对所述上采样温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列;
温度全时序模式关联编码模块,用于对所述温度局部时序特征向量的序列进行温度时序模式关联编码以得到温度时序模式特征;
温度报警模块,用于基于所述温度时序模式特征,确定是否产生报警信号提示。
2.根据权利要求1所述的智能砂磨机的温度监测系统,其特征在于,所述温度局部时序特征提取模块,包括:
时序向量切分单元,用于对所述上采样温度时序输入向量进行向量切分以得到温度局部时序输入向量的序列;
温度局部时序特征提取单元,用于通过基于深度神经网络模型的温度时序特征提取器分别对所述温度局部时序输入向量的序列进行时序特征提取以得到所述温度局部时序特征向量的序列。
3.根据权利要求2所述的智能砂磨机的温度监测系统,其特征在于,所述基于深度神经网络模型的温度时序特征提取器为基于一维卷积层的温度时序特征提取器。
4.根据权利要求3所述的智能砂磨机的温度监测系统,其特征在于,所述温度全时序模式关联编码模块,用于:计算所述温度局部时序特征向量的序列中每相邻两个温度局部时序特征向量之间的转移矩阵并计算所述转移矩阵的全局均值以得到由多个状态转移特征值组成的温度时序模式特征向量作为所述温度时序模式特征。
5.根据权利要求4所述的智能砂磨机的温度监测系统,其特征在于,所述温度报警模块,包括:
特征分布优化单元,用于对所述温度时序模式特征向量进行特征分布优化以得到优化温度时序模式特征向量;
报警提示单元,用于将所述优化温度时序模式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是否产生报警信号提示。
6.根据权利要求5所述的智能砂磨机的温度监测系统,其特征在于,所述特征分布优化单元,用于:以如下解耦公式对所述温度时序模式特征向量进行希尔伯特正交空间域表示解耦以得到所述优化温度时序模式特征向量;
其中,所述解耦公式为:
其中,V是所述温度时序模式特征向量,是所述温度时序模式特征向量V的全局特征均值,||V||2是所述温度时序模式特征向量V的二范数,L是所述温度时序模式特征向量V的长度,Cov1D表示一维卷积,且I是单位向量,/>表示向量的按位置差分,V1是卷积后的特征向量,V2是差分后的特征向量,V'是所述优化温度时序模式特征向量。
7.根据权利要求6所述的智能砂磨机的温度监测系统,其特征在于,所述报警提示单元,包括:
全连接编码子单元,用于使用所述分类器的多个全连接层对所述优化温度时序模式特征向量进行全连接编码以得到编码分类特征向量;以及
分类结果生成子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
8.一种智能砂磨机的温度监测方法,其特征在于,包括:
通过部署于智能砂磨机内部的温度传感器采集预定时间段内多个预定时间点的温度值;
将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量;
对所述温度时序输入向量进行基于线性插值的上采样以得到上采样温度时序输入向量;
对所述温度时序输入向量进行局部时序特征提取以得到温度局部时序特征向量的序列;
对所述温度局部时序特征向量的序列进行温度时序模式关联编码以得到温度时序模式特征;
基于所述温度时序模式特征,确定是否产生报警信号提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266751.3A CN117258932A (zh) | 2023-09-27 | 2023-09-27 | 智能砂磨机的温度监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266751.3A CN117258932A (zh) | 2023-09-27 | 2023-09-27 | 智能砂磨机的温度监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117258932A true CN117258932A (zh) | 2023-12-22 |
Family
ID=89215713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311266751.3A Pending CN117258932A (zh) | 2023-09-27 | 2023-09-27 | 智能砂磨机的温度监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117258932A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786464A (zh) * | 2024-02-22 | 2024-03-29 | 广州市原子高科同位素医药有限公司 | 一种电热恒温培养箱的异常预警方法及系统 |
-
2023
- 2023-09-27 CN CN202311266751.3A patent/CN117258932A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786464A (zh) * | 2024-02-22 | 2024-03-29 | 广州市原子高科同位素医药有限公司 | 一种电热恒温培养箱的异常预警方法及系统 |
CN117786464B (zh) * | 2024-02-22 | 2024-05-24 | 广州市原子高科同位素医药有限公司 | 一种电热恒温培养箱的异常预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2002246994B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
JP5364530B2 (ja) | 設備状態監視方法、監視システム及び監視プログラム | |
US8682824B2 (en) | Method and device for monitoring the state of a facility | |
US7539597B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
JP6076421B2 (ja) | 設備状態監視方法およびその装置 | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN117258932A (zh) | 智能砂磨机的温度监测系统及方法 | |
KR102417415B1 (ko) | 딥러닝 이상 감지 기반 생산 제품 불량 검출 방법 및 시스템 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
Yang | Monitoring and diagnosing of mean shifts in multivariate manufacturing processes using two-level selective ensemble of learning vector quantization neural networks | |
CN111275198A (zh) | 一种轴承异常检测方法及系统 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN117784710A (zh) | 数控机床远程状态监控系统及其方法 | |
CN116703642A (zh) | 基于数字孪生技术的产品制造生产线智能管理系统 | |
CN117041017A (zh) | 数据中心的智能运维管理方法及系统 | |
CN117104377A (zh) | 电动自行车的智能管理系统及其方法 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN117419828A (zh) | 基于光纤传感器的新能源电池温度监测方法 | |
JP5137805B2 (ja) | 検査システム及びその制御方法、コンピュータプログラム | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
CN117058414A (zh) | 一种油液颗粒在线监测预警方法和系统 | |
CN113469247B (zh) | 网络资产异常检测方法 | |
CN115081514A (zh) | 一种数据不平衡情况下的工业设备故障识别方法 |
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 |