多功能送料机及其控制方法技术

本申请涉及送料器控制技术领域，其具体地公开了一种多功能送料机及其控制方法，其通过部署于送料机的多个振动传感器采集多个振动信号并构造所述多个振动传感器的拓扑矩阵，然后，使用深度神经网络模型对所述多个振动信号和所述拓扑矩阵进行编码并融合以得到包含不规则的空间拓扑信息和高维的振动特征的拓扑全局多尺度时频特征矩阵，并通过分类器以获得用于表示送料机的振动模式是否正常的分类判断结果，通过这样的方式从而准确的对送料机的振动模式进行监控以在监控到振动模式不符合正常模式时，产生预警提示。产生预警提示。产生预警提示。

【技术实现步骤摘要】
多功能送料机及其控制方法


[0001]本申请涉及送料器控制
，且更为具体地，涉及一种多功能送料机及其控制方法。

技术介绍

[0002]送料机是借助机器运动的作用力加力于材料，对材料进行运动运输的机器。送料机是轻工行业、重工业不可缺少的设备。
[0003]目前，送料机在工作时的振动很大，其原因如下：原材料太弯、原材料未倒角且中心位错位，而现有的应对这些的对策为尽量购买直的材料、材料尾部倒角且重新校对中心。但是，在送料机实际的工作过程中发现这些应对措施不仅需要对于原材料进行相应地处理，且并不能够有效地解决送料机在工作时振动较大的问题，这会导致对于材料的运输存在隐患，进而影响送料机的正常运行。
[0004]因此，期待一种多功能送料机，其能够对送料机的振动模式进行监控以在监控到振动模式不符合正常模式时，产生预警提示。

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多功能送料机及其控制方法，其通过由部署于送料机的多个振动传感器采集多个振动信号并构造所述多个振动传感器的拓扑矩阵，然后，使用深度神经网络模型对所述多个振动信号和所述拓扑矩阵进行编码并融合以得到包含不规则的空间拓扑信息和高维的振动特征的拓扑全局多尺度时频特征矩阵，并通过分类器以获得用于表示送料机的振动模式是否正常的分类判断结果，通过这样的方式从而准确的对送料机的振动模式进行监控以在监控到振动模式不符合正常模式时，产生预警提示。
[0006]根据本申请的一个方面，提供了一种多功能送料机，其包括：送料监控单元，用于获取由部署于送料机的多个振动传感器采集的多个振动信号；S变换单元，用于分别对所述多个振动信号中的各个振动信号进行S变换以得到多个S变换时频图；多尺度振动编码单元，用于将所述多个S变换时频图中各个S变换时频图分别通过混合卷积层以得到多个多尺度时频特征向量；矩阵化单元，用于将所述多个多尺度时频特征向量进行二维矩阵化以得到全局多尺度时频特征矩阵；拓扑数据构造单元，用于构造所述多个振动传感器的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；拓扑特征提取单元，用于将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；图神经网络编码单元，用于将所述全局多尺度时频特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑全局多尺度时频特征矩阵；矩阵校正单元，用于对所述拓扑全局多尺度时频特征矩阵进行校正以得到校正拓扑全局多尺度时频特征矩阵；以及送料监控结果生成单元，用于将所述校正拓扑全局多尺度时频特征矩阵通过分类器以得到分类结果，所述分类结果用于表示送料机的振
动模式是否正常。
[0007]根据本申请的另一方面，提供了一种多功能送料机的控制方法，其包括：获取由部署于送料机的多个振动传感器采集的多个振动信号；分别对所述多个振动信号中的各个振动信号进行S变换以得到多个S变换时频图；将所述多个S变换时频图中各个S变换时频图分别通过混合卷积层以得到多个多尺度时频特征向量；将所述多个多尺度时频特征向量进行二维矩阵化以得到全局多尺度时频特征矩阵；构造所述多个振动传感器的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；将所述全局多尺度时频特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑全局多尺度时频特征矩阵；对所述拓扑全局多尺度时频特征矩阵进行校正以得到校正拓扑全局多尺度时频特征矩阵；以及将所述校正拓扑全局多尺度时频特征矩阵通过分类器以得到分类结果，所述分类结果用于表示送料机的振动模式是否正常。
[0008]与现有技术相比，本申请提供的一种多功能送料机及其控制方法，其通过由部署于送料机的多个振动传感器采集多个振动信号并构造所述多个振动传感器的拓扑矩阵，然后，使用深度神经网络模型对所述多个振动信号和所述拓扑矩阵进行编码并融合以得到包含不规则的空间拓扑信息和高维的振动特征的拓扑全局多尺度时频特征矩阵，并通过分类器以获得用于表示送料机的振动模式是否正常的分类判断结果，通过这样的方式从而准确的对送料机的振动模式进行监控以在监控到振动模式不符合正常模式时，产生预警提示。
附图说明
[0009]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。
[0010]图1图示了根据本申请实施例的多功能送料机及其控制方法的应用场景图。
[0011]图2图示了根据本申请实施例的多功能送料机的框图示意图。
[0012]图3图示了根据本申请实施例的多功能送料机中多尺度振动编码单元的框图。
[0013]图4图示了根据本申请实施例的多功能送料机中训练模块的框图。
[0014]图5图示了根据本申请实施例的多功能送料机的控制方法的流程图。
[0015]图6图示了根据本申请实施例的多功能送料机的控制方法的系统架构的示意图。
具体实施方式
[0016]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。
[0017]场景概述：如上所述，送料机是借助机器运动的作用力加力于材料，对材料进行运动运输的机器。送料机是轻工行业、重工业不可缺少的设备。
[0018]目前，送料机在工作时的振动很大，其原因如下：原材料太弯、原材料未倒角且中心位错位，而现有的应对这些的对策为尽量购买直的材料、材料尾部倒角且重新校对中心。
但是，在送料机实际的工作过程中发现这些应对措施不仅需要对于原材料进行相应地处理，且并不能够有效地解决送料机在工作时振动较大的问题，这会导致对于材料的运输存在隐患，进而影响送料机的正常运行。因此，期待一种多功能送料机，其能够对送料机的振动模式进行监控以在监控到振动模式不符合正常模式时，产生预警提示。
[0019]目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0020]近年来，深度学习以及神经网络的发展为送料机的振动模式监控提供了新的解决思路和方案。
[0021]具体地，在本申请的技术方案中，通过采用基于深度学习的人工智能监测技术，以振动传感器采集的振动信号作为输入数据来对于送料机的振动模式进行监测。并且，考虑到在送料机的运行过程中，其振动模式是在不同的位置处具有不同的振动特征，因此，进一步使用多个振动传感器采集送料机的多个位置处的振本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多功能送料机，其特征在于，包括：送料监控单元，用于获取由部署于送料机的多个振动传感器采集的多个振动信号；S变换单元，用于分别对所述多个振动信号中的各个振动信号进行S变换以得到多个S变换时频图；多尺度振动编码单元，用于将所述多个S变换时频图中各个S变换时频图分别通过混合卷积层以得到多个多尺度时频特征向量；矩阵化单元，用于将所述多个多尺度时频特征向量进行二维矩阵化以得到全局多尺度时频特征矩阵；拓扑数据构造单元，用于构造所述多个振动传感器的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；拓扑特征提取单元，用于将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；图神经网络编码单元，用于将所述全局多尺度时频特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑全局多尺度时频特征矩阵；矩阵校正单元，用于对所述拓扑全局多尺度时频特征矩阵进行校正以得到校正拓扑全局多尺度时频特征矩阵；以及送料监控结果生成单元，用于将所述校正拓扑全局多尺度时频特征矩阵通过分类器以得到分类结果，所述分类结果用于表示送料机的振动模式是否正常。2.根据权利要求1所述的多功能送料机，其特征在于，所述S变换单元，进一步用于：以如下变换公式分别对所述多个振动信号中的各个振动信号进行S变换以得到所述多个S变换时频图；其中，所述变换公式为：其中，表示所述多个S变换时频图中各个S变换时频图，为时移因子，表示所述多个振动信号中的各个振动信号，表示频率，表示时间。3.根据权利要求2所述的多功能送料机，其特征在于，所述多尺度振动编码单元，包括：第一卷积分支子单元，用于使用具有第一尺寸的第一卷积核对所述S变换时频图进行卷积编码以得到第一特征矩阵；第二卷积分支子单元，用于使用具有第一空洞率的第二卷积核对所述S变换时频图进行卷积编码以得到第二特征矩阵；第三卷积分支子单元，用于使用具有第二空洞率的第三卷积核对所述S变换时频图进行卷积编码以得到第三特征矩阵；第四卷积分支子单元，用于使用具有第三空洞率的第四卷积核对所述S变换时频图进行卷积编码以得到第四特征矩阵，所述第一卷积核、所述第二卷积核、所述第三卷积核和所述第四卷积核具有相同的尺寸；多尺度特征融合子单元，用于将所述第一特征矩阵、所述第二特征矩阵、所述第三特征矩阵和所述第四特征矩阵进行沿通道维度进行聚合以得到特征图；以及维度调整子单元，用于对所述特征图进行沿通道维度的全局均值池化处理以得到所述多尺度时频特征向量。4.根据权利要求3所述的多功能送料机，其特征在于，所述第二卷积核、所述第三卷积核和所述第四卷积核具有不同的空洞率。5.根据权利要求4所述的多功能送料机，其特征在于，所述拓扑特征提取单元，进一步用于：所述卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：使用所述卷积神经网络模型的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；使用所述卷积神经网络模型的各层的池化单元对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；以及使用所述卷积神经网络模型的各层的激活单元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，所述卷
积神经网络模型的最后一层的输出为所述拓扑特征矩阵。6.根据权利要求5所述的多功能送料机，其特征在于，所述矩阵校正单元，包括：辅助特征图获取单元，用于将所述拓扑全局多尺度时频特征矩阵通过作为特征提取器的卷积神经网络得到辅助特征图；权重特征向量获取单元，用于以如下特征区分公式对所述辅助特征图进行特征相关性累积区分机制建模以获得权重特征向量；其中，所述特征区分公式为：其中，表示所述权重特征向量，表示所述辅助特征图，和分别表示对所述辅助特征图进行基于不同卷积核的单层卷积操作，表示向量的按位置加法，表示非线性激活函数，表示线性整流函数，且表示对所述辅助特征图的每个特征矩阵的全...

【专利技术属性】
技术研发人员：邱杰，
申请(专利权)人：东莞市杰达机械有限公司，
类型：发明
国别省市：