铁粉智能筛分系统及其方法技术方案

公开了一种铁粉智能筛分系统及其方法，其通过一级筛和二级筛的振动信号来表示作动于所述一级筛和所述二级筛的作动信号的特征，通过铁粉成品生产监控视频来观察铁粉的实时筛分效果，利用卷积神经网络模型提取到包含局部振动特征的第一振动特征向量和第二振动特征向量，并使用时间注意力机制的卷积神经网络来关注铁粉成品生产监控视频在时间维度上的关联信息，以响应性矩阵的方式来表征一级筛和二级筛的振动协同对于最终铁粉筛分的影响。这样，通过智能地调整所述一级筛和所述二级筛的振动模式来优化铁粉筛选的效率和效果。振动模式来优化铁粉筛选的效率和效果。振动模式来优化铁粉筛选的效率和效果。

【技术实现步骤摘要】
铁粉智能筛分系统及其方法


[0001]本申请涉及铁粉生产
，且更为具体地，涉及一种铁粉智能筛分系统及其方法。

技术介绍

[0002]在铁氧永磁体的制备中，铁粉是重要的原材料。铁粉产品要求金属铁含量在88％以上，40目筛子晒下比例在95％以上。但是在实际生产中发现筛分时并未将铁粉完全筛出，籽铁中仍有大量铁粉存在，且筛分效率也不高。
[0003]为了将更多地铁粉筛出，可增加原料筛分时间，但一来，现有的铁粉筛分装置时振动筛，原料筛分过程中自动前移，筛分时间调节不变。
[0004]因此，期待一种优化的铁粉筛分方案。

技术实现思路

[0005]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铁粉智能筛分系统及其方法，其通过一级筛和二级筛的振动信号来表示作动于所述一级筛和所述二级筛的作动信号的特征，通过铁粉成品生产监控视频来观察铁粉的实时筛分效果，利用卷积神经网络模型提取到包含局部振动特征的第一振动特征向量和第二振动特征向量，并使用时间注意力机制的卷积神经网络来关注铁粉成品生产监控视频在时间维度上的关联信息，以响应性矩阵的方式来表征一级筛和二级筛的振动协同对于最终铁粉筛分的影响。继而，进行分类处理以得到用于表示第一振动信号应增大或应减小，且所述第二振动信号应增大或应减小的分类结果。这样，通过智能地调整所述一级筛和所述二级筛的振动模式来优化铁粉筛选的效率和效果。
[0006]相应地，根据本申请的一个方面，提供了一种铁粉智能筛分系统，其包括：
[0007]生产数据监控与采集模块，用于获取作用于一级筛的第一振动信号和作用于二级筛的第二振动信号以及由摄像头采集的铁粉成品生产监控视频；
[0008]时域增强模块，用于计算所述第一振动信号和所述第二振动信号的时域增强图以得到第一时域增强图和第二时域增强图；
[0009]振动时域特征过滤模块，用于将所述第一时域增强图和所述第二时域增强图分别通过作为过滤器的第一卷积神经网络模型以得到第一振动特征向量和第二振动特征向量；
[0010]监控视频编码模块，用于将所述铁粉成品生产监控视频通过使用时间注意力机制的第二卷积神经网络模型以得到铁粉产出特征图；
[0011]降维模块，用于对所述铁粉产出特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到铁粉产出特征向量；
[0012]优化模块，用于对所述铁粉产出特征向量进行通道递归的压榨
‑
激励优化以得到优化铁粉产出特征向量；
[0013]第一响应性估计模块，用于计算所述第一振动特征向量相对于所述优化铁粉产出
特征向量的响应性估计以得到第一响应性矩阵；
[0014]第二响应性估计模块，用于计算所述第二振动特征向量相对于所述优化铁粉产出特征向量的响应性估计以得到第二响应性矩阵；
[0015]振动特征融合模块，用于融合所述第一振动特征向量和所述第二振动特征向量以得到联合振动特征向量；
[0016]第三响应性估计模块，用于计算所述联合振动特征向量相对于所述优化铁粉产出特征向量的响应性估计以得到第三响应性矩阵；以及
[0017]筛分控制结果生成模块，用于将所述第一响应性矩阵、所述第二响应性矩阵和所述第三响应性矩阵排列为三维输入张量后通过包含全连接层的分类器以得到分类结果，所述分类结果用于表示第一振动信号应增大或应减小，且所述第二振动信号应增大或应减小。
[0018]在上述铁粉智能筛分系统中，所述时域增强模块，进一步用于：以如下公式计算所述第一振动信号和所述第二振动信号的时域增强图以得到第一时域增强图和第二时域增强图；其中，所述公式为：
[0019]signalImage＝f(Signal,mapH,mapW)
[0020]其中，Signal为原始一维信号，即所述第一振动信号或所述第二振动信号，mapH和mapW分别为将要构建的二维时域增强图的图像高度和宽度。
[0021]在上述铁粉智能筛分系统中，所述振动时域特征过滤模块，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：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局部特征矩阵的均值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，所述第一卷积神经网络模型的最后一层的输出为所述第一振动特征向量或所述第二振动特征向量，所述第一卷积神经网络的第一层的输入为所述第一时域增强图或所述第二时域增强图。
[0022]在上述铁粉智能筛分系统中，所述监控视频编码模块，包括：相邻帧提取模块，用于从所述铁粉成品生产监控视频中提取多个关键帧，并从所述多个关键帧提取相邻的第一帧和第二帧；第一图像局部特征提取模块，用于将所述第一帧和所述第二帧分别通过所述第二卷积神经网络模型的第一卷积层和第二卷积层以得到对应于所述第一帧的第一帧特征图和对应于所述第二帧的第二帧特征图；时间注意力模块，用于将所述第一帧特征图与所述第二帧特征图进行按位置点乘后通过Softmax激活函数以得到时间注意力图；第二图像局部特征提取模块，用于将所述第一帧通过所述第二卷积神经网络模型的第三卷积层以得到局部特征图；以及，时间注意力施加模块，用于将所述局部特征图与所述时间注意力图进行按位置点乘以得到所述铁粉产出特征图。
[0023]在上述铁粉智能筛分系统中，所述优化模块，进一步用于：以如下公式对所述铁粉产出特征向量进行通道递归的压榨
‑
激励优化以得到优化铁粉产出特征向量；其中，所述公式为：
[0024][0025]其中v
i
是所述铁粉产出特征向量V的特征值，μ和σ是特征集合v
i
∈V的均值和方差，ReLU(
·
)表示ReLU激活函数，exp(
·
)表示所述方差负数的指数运算，所述方差负数的指数
运算表示计算以方差的负数为幂的自然指数函数值。
[0026]在上述铁粉智能筛分系统中，所述第一响应性估计模块，进一步用于：以如下公式计算所述第一振动特征向量相对于所述优化铁粉产出特征向量的响应性估计以得到第一响应性矩阵；其中，所述公式为：
[0027][0028]其中V
a
表示所述第一振动特征向量，V
b
表示所述优化铁粉产出特征向量，M1表示所述转移矩阵，表示矩阵相乘。
[0029]所述第二响应性估计模块，进一步用于：以如下公式计算所述第二振动特征向量相对于所述优化铁粉产出特征向量的响应性估计以得到第二响应性矩阵；其中，所述公式为：
[0030][0031]其中V
c
表示所述第二振动特征向量，V
d
表示所述优化铁粉产出特征向量，M2表示所述转移矩阵，表示矩阵相乘。
[0032]在上述铁粉智能筛分系统中，所述振动特征融合模块，进一步用于：以如下公式来融合所述第一振动特征向量和所述第二振动特征向量以得到联合振动特征向量；其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种铁粉智能筛分系统，其特征在于，包括：生产数据监控与采集模块，用于获取作用于一级筛的第一振动信号和作用于二级筛的第二振动信号以及由摄像头采集的铁粉成品生产监控视频；时域增强模块，用于计算所述第一振动信号和所述第二振动信号的时域增强图以得到第一时域增强图和第二时域增强图；振动时域特征过滤模块，用于将所述第一时域增强图和所述第二时域增强图分别通过作为过滤器的第一卷积神经网络模型以得到第一振动特征向量和第二振动特征向量；监控视频编码模块，用于将所述铁粉成品生产监控视频通过使用时间注意力机制的第二卷积神经网络模型以得到铁粉产出特征图；降维模块，用于对所述铁粉产出特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到铁粉产出特征向量；优化模块，用于对所述铁粉产出特征向量进行通道递归的压榨
‑
激励优化以得到优化铁粉产出特征向量；第一响应性估计模块，用于计算所述第一振动特征向量相对于所述优化铁粉产出特征向量的响应性估计以得到第一响应性矩阵；第二响应性估计模块，用于计算所述第二振动特征向量相对于所述优化铁粉产出特征向量的响应性估计以得到第二响应性矩阵；振动特征融合模块，用于融合所述第一振动特征向量和所述第二振动特征向量以得到联合振动特征向量；第三响应性估计模块，用于计算所述联合振动特征向量相对于所述优化铁粉产出特征向量的响应性估计以得到第三响应性矩阵；以及筛分控制结果生成模块，用于将所述第一响应性矩阵、所述第二响应性矩阵和所述第三响应性矩阵排列为三维输入张量后通过包含全连接层的分类器以得到分类结果，所述分类结果用于表示第一振动信号应增大或应减小，且所述第二振动信号应增大或应减小。2.根据权利要求1所述的铁粉智能筛分系统，其特征在于，所述时域增强模块，进一步用于：以如下公式计算所述第一振动信号和所述第二振动信号的时域增强图以得到第一时域增强图和第二时域增强图；其中，所述公式为：signalImage＝f(Signal,mapH,mapW)其中，Signal为原始一维信号，即所述第一振动信号或所述第二振动信号，mapH和mapW分别为将要构建的二维时域增强图的图像高度和宽度。3.根据权利要求2所述的铁粉智能筛分系统，其特征在于，所述振动时域特征过滤模块，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：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局部特征矩阵的均值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，所述第一卷积神经网络模型的最后一层的输出为所述第一振动特征向量或所述第二振动特征向量，所述第一卷积神经网络的第一层的输入为所述第一时域增强图或所述第二时域增强图。
4.根据权利要求3所述的铁粉智能筛分系统，其特征在于，所述监控视频编码模块，包括：相邻帧提取模块，用于从所述铁粉成品生产监控视频中提取多个关键帧，并从所述多个关键帧提取相邻的第一帧和第二帧；第一图像局部特征提取模块，用于将所述第一帧和所述第二帧分别通过所述第二卷积神经网络模型的第一卷积层和第二卷积层以得到对应于所述第一帧的第一帧特征图和对应于所述第二帧的第二帧特征图；时间注意力模块，用于将所述第一帧特征图与所述第二帧特征图进行按位置点乘后通过Softmax激活函数以得到时间注意力图；第二图像局部特征提取模块，用于将所述第一帧通过所述第二卷积神经网络模型的第三卷积层以得到局部特征图；以及时间注意力施加模块，用于将所述局部特征图与所述时间注意力图进行按位置点乘以得到所述铁粉产出特征图。5.根据权利要求4所述的铁粉智能筛分系统，其特征在于，所述优化模块，进一步用于：以如下公式对所述铁粉产出特征向量进行通道递归的压榨
‑
激励优化以得到优化铁粉产出特征向量；其中，所述公式为：其中v
i
是所述铁粉产出特征向量V的特征值，μ和σ是特征集合v
i
∈V的均值和方差，ReLU(
·
)表示ReLU激活函数，exp(
·
)表示所述方差负数的指数运算，所述方...

【专利技术属性】
技术研发人员：邓道路，王成红，
申请(专利权)人：安吉县科声磁性器材有限公司，
类型：发明
国别省市：