一种高纯圆角石英粉的过筛设备及其过筛控制方法技术

本申请实施例提供一种高纯圆角石英粉的过筛设备及其过筛控制方法，其具有多级过筛和破碎功能，并通过控制过筛设备的调节件的速度来兼顾过筛效果和过筛效率。具体地，其通过对采集到的上层过筛层和下层过筛层在预定时间段内的第一监控视频和第二监控视频进行编码，以得到用于表示上下层筛分动态效果的协同表征的协同特征向量，通过对获取到的预定时间段内多个预定时间点的调节件的移动速度通过包含一维卷积层和全连接层的时序编码器进行编码以得到控制特征向量，然后对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量，并分类得到用于表示增大或减小调节件的速度的分类结果，这样，提高了调节件的速度控制的精准度。了调节件的速度控制的精准度。了调节件的速度控制的精准度。

A screening equipment for high-purity rounded quartz powder and its screening control method

【技术实现步骤摘要】
一种高纯圆角石英粉的过筛设备及其过筛控制方法


[0001]本申请涉及石英筛分领域，特别涉及一种高纯圆角石英粉的过筛设备及其过筛控制方法。

技术介绍

[0002]在石英从原料开采之初到熔融加工中间，需要筛分、粉碎等一系列步骤，筛分和粉碎的控制优化是提升过筛设备性能的关键。传统的过筛设备，其一般将筛分和粉碎分为两道工序来执行且通常仅包括一次筛分工序，这不仅增加了工作流程还降低筛分效率。
[0003]因此，期待一种优化的高纯圆角石英粉的过筛设备。

技术实现思路

[0004]本申请提供了一种高纯圆角石英粉的过筛设备及其过筛控制方法，其具有多级过筛和破碎功能，并通过控制过筛设备的调节件的速度来兼顾过筛效果和过筛效率。具体地，其通过对采集到的上层过筛层和下层过筛层在预定时间段内的第一监控视频和第二监控视频进行编码，得到用于表示上下层筛分动态效果的协同表征的协同特征向量，通过对获取到的预定时间段内多个预定时间点的调节件的移动速度通过包含一维卷积层和全连接层的时序编码器进行编码以得到控制特征向量，然后对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量，并分类得到用于表示增大或减小调节件的速度的分类结果，这样，提高了调节件的速度控制的精准度。
[0005]第一方面，本申请提供了一种高纯圆角石英粉的过筛设备，所述系统包括：上下层数据获取模块，用于获取由第一相机和第二相机采集的上层过筛层和下层过筛层在预定时间段的第一监控视频和第二监控视频，其中，所述过筛设备包括设置于所述上层过筛层的下方的过滤调控机构，所述过滤调控机构包括过滤结构和用于移动所述过滤结构的调节件；调节件参数获取模块，用于获取所述预定时间段内多个预定时间点的所述调节件的移动速度；视频编码模块，用于将所述第一监控视频和所述第二监控视频通过使用三维卷积核的第一卷积神经网络以得到第一特征向量和第二特征向量；关联模块，用于计算所述第一特征向量和所述第二特征向量之间的转移矩阵，其中，所述转移矩阵与所述第一特征向量进行矩阵相乘等于所述第二特征向量；关联编码模块，用于将所述转移矩阵通过基于过滤器的第二卷积神经网络以得到用于表示上下层筛分动态效果的协同表征的协同特征向量；控制参数编码模块，用于将所述预定时间段内多个预定时间点的所述调节件的移动速度通过包含一维卷积层和全连接层的时序编码器以得到控制特征向量；特征融合模块，用于对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量，所述基于平滑过渡的融合基于所述协同特征向量和所述控制特征向量之间的差分向量来进行；以及过筛控制结果生成模块，用于将所述分类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调节件的当前时间点的控制速度应增大或应减小。
[0006]其中一种可能的实现方式中，在上述高纯圆角石英粉的过筛设备中，所述视频编码模块，包括：采样单元，用于以预定采样频率从所述第一监控视频和所述第二监控视频中提取多个第一关键帧和多个第二关键帧；卷积编码单元，用于将所述多个第一关键帧和所述多个第二关键帧分别输入所述使用三维卷积核的第一卷积神经网络以得到所述第一特征向量和所述第二特征向量。
[0007]其中一种可能的实现方式中，在上述高纯圆角石英粉的过筛设备中，所述第一卷积神经网络的各层在层的正向传递中对输入数据进行：使用三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征张量的平均值池化处理以得到池化特征图；以及对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一特征向量或所述第二特征向量，所述第一卷积神经网络的第一层的输入为所述多个第一关键帧或所述多个第二关键帧。
[0008]其中一种可能的实现方式中，在上述高纯圆角石英粉的过筛设备中，所述第二卷积神经网络的各层在层的正向传递中对输入数据进行：使用所述过滤器对所述输入数据进行卷积处理以得到卷积特征图，其中，所述过滤器为二维卷积核；对所述卷积特征图进行基于局部特征矩阵的平均值池化处理以得到池化特征图；以及对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述协同特征向量，所述第二卷积神经网络的第一层的输入为所述转移矩阵。
[0009]其中一种可能的实现方式中，在上述高纯圆角石英粉的过筛设备中，所述控制参数编码模块，包括：输入向量构造单元，用于将所述预定时间段内多个预定时间点的所述调节件的移动速度以天为单位按照时间维度排列为对应于所述调节件各天的一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
[0010]其中一种可能的实现方式中，在上述高纯圆角石英粉的过筛设备中，所述特征融合模块，进一步用于：以如下公式对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到所述分类特征向量；其中，所述公式为：其中，表示分类特征向量，表示协同特征向量，表示控制特征向量，
表示按位置差分，表示按位置点乘，表示按位置加权和，且表示向量指数运算，所述向量指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且为控制后验权重的超参数。
[0011]其中一种可能的实现方式中，在上述高纯圆角石英粉的过筛设备中，所述过筛控制结果生成模块还用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果，其中，所述公式为：，其中，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
[0012]第二方面，本申请提供了一种高纯圆角石英粉的过筛控制方法，包括：获取由第一相机和第二相机采集的上层过筛层和下层过筛层在预定时间段的第一监控视频和第二监控视频，其中，所述过筛设备包括设置于所述上层过筛层的下方的过滤调控机构，所述过滤调控机构包括过滤结构和用于移动所述过滤结构的调节件；获取所述预定时间段内多个预定时间点的所述调节件的移动速度；将所述第一监控视频和所述第二监控视频通过使用三维卷积核的第一卷积神经网络以得到第一特征向量和第二特征向量；计算所述第一特征向量和所述第二特征向量之间的转移矩阵，其中，所述转移矩阵与所述第一特征向量进行矩阵相乘等于所述第二特征向量；将所述转移矩阵通过基于过滤器的第二卷积神经网络以得到用于表示上下层筛分动态效果的协同表征的协同特征向量；将所述预定时间段内多个预定时间点的所述调节件的移动速度通过包含一维卷积层和全连接层的时序编码器以得到控制特征向量；对所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高纯圆角石英粉的过筛设备，其特征在于，包括：上下层数据获取模块，用于获取由第一相机和第二相机采集的上层过筛层和下层过筛层在预定时间段的第一监控视频和第二监控视频，其中，所述过筛设备包括设置于所述上层过筛层的下方的过滤调控机构，所述过滤调控机构包括过滤结构和用于移动所述过滤结构的调节件；调节件参数获取模块，用于获取所述预定时间段内多个预定时间点的所述调节件的移动速度；视频编码模块，用于将所述第一监控视频和所述第二监控视频通过使用三维卷积核的第一卷积神经网络以得到第一特征向量和第二特征向量；关联模块，用于计算所述第一特征向量和所述第二特征向量之间的转移矩阵，其中，所述转移矩阵与所述第一特征向量进行矩阵相乘等于所述第二特征向量；关联编码模块，用于将所述转移矩阵通过基于过滤器的第二卷积神经网络以得到用于表示上下层筛分动态效果的协同表征的协同特征向量；控制参数编码模块，用于将所述预定时间段内多个预定时间点的所述调节件的移动速度通过包含一维卷积层和全连接层的时序编码器以得到控制特征向量；特征融合模块，用于对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量，所述基于平滑过渡的融合基于所述协同特征向量和所述控制特征向量之间的差分向量来进行；以及过筛控制结果生成模块，用于将所述分类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调节件的当前时间点的控制速度应增大或应减小。2.根据权利要求1所述的高纯圆角石英粉的过筛设备，其中，所述视频编码模块，包括：采样单元，用于以预定采样频率从所述第一监控视频和所述第二监控视频中提取多个第一关键帧和多个第二关键帧；卷积编码单元，用于将所述多个第一关键帧和所述多个第二关键帧分别输入所述使用三维卷积核的第一卷积神经网络以得到所述第一特征向量和所述第二特征向量。3.根据权利要求2所述的高纯圆角石英粉的过筛设备，其中，所述第一卷积神经网络的各层在层的正向传递中对输入数据进行：使用三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征张量的平均值池化处理以得到池化特征图；以及对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一特征向量或所述第二特征向量，所述第一卷积神经网络的第一层的输入为所述多个第一关键帧或所述多个第二关键帧。4.根据权利要求3所述的高纯圆角石英粉的过筛设备，其中，所述第二卷积神经网络的各层在层的正向传递中对输入数据进行：使用所述过滤器对所述输入数据进行卷积处理以得到卷积特征图，其中，所述过滤器为二维卷积核；对所述卷积特征图进行基于局部特征矩阵的平均值池化处理以得到池化特征图；以及对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述协同特征向量，所述第二卷积神经网络的第一层的输入为所述转移矩阵。5.根据权利要求4所述的高纯圆角石英粉的过筛设备，其中，所述控制参数编码模块，包括：输入向量构造单元，用于将所述预定时间段内多个预定时间点的所述调节件的移动速度以天为单位按照时间维度排列为对应于所述调节件各天的一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
，其中是输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：...

【专利技术属性】
技术研发人员：乔秀娟，何书辉，何妍，
申请(专利权)人：江苏中腾石英材料科技股份有限公司，
类型：发明
国别省市：