基于物联网的设备工作参数智能调控系统及其方法技术方案

本申请涉及智能设备技术领域，其具体地公开了一种基于物联网的设备工作参数智能调控系统及其方法，其分别使用三维卷积神经网络模型和序列编码器对去毛刺监控视频和所述多个预定时间点的超声波功率密度进行适当编码，然后，计算所述功率密度特征向量相对于所述跟踪特征向量的转移矩，接着，将所述转移矩阵通过分类器以得到分类损失函数值，并计算所述跟踪特征图的概率分布移位信息补偿值，使用所述分类损失函数值和所述概率分布移位信息补偿值的加权和作为损失函数值对三维卷积神经网络和序列编码器进行训练，通过这样的方式，更为准确的基于超声波去毛刺的实时去毛刺效果来对超声波功率密度进行控制，从而提高装置去毛刺的效果。刺的效果。刺的效果。

【技术实现步骤摘要】
基于物联网的设备工作参数智能调控系统及其方法


[0001]本申请涉及智能设备
，且更为具体地，涉及一种基于物联网的设备工作参数智能调控系统及其方法。

技术介绍

[0002]超声波去毛刺装置是金属表面加工的重要设备。超声波去毛刺原理和超声波清洗相同：将超声波的振动能量传播到清洗液中，利用两者的综合作用，来清除被清洗件上的污垢。在超声波的作用下，机械振动传到清洗槽内的清洗液中，使清洗液体内交替出现疏密相间的振动，由于清洗液内部受超声波的振动而频繁地拉伸和压缩，其结果使微气泡不断地产生和不断地破裂，微气泡破裂时，周围的清洗液以巨大的速度从各个方向伸向气泡的中心，产生水击，使超声波冲击波的强度足以去除部件的毛刺。
[0003]在现有的超声波去毛刺装置中，其改进方向为通过电路设计来提供稳定的超声波功率密度，但在实际工作中，稳定的超声波功率密度往往会出现空化效应不够的现象。
[0004]因此，期待一种优化的超声波去毛刺装置及其功率密度控制方法。

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基于物联网的设备工作参数智能调控系统及其方法，其分别使用三维卷积神经网络模型和序列编码器对去毛刺监控视频和所述多个预定时间点的超声波功率密度进行适当编码，然后，计算所述功率密度特征向量相对于所述跟踪特征向量的转移矩，接着，将所述转移矩阵通过分类器以得到分类损失函数值，并计算所述跟踪特征图的概率分布移位信息补偿值，使用所述分类损失函数值和所述概率分布移位信息补偿值的加权和作为损失函数值对三维卷积神经网络和序列编码器进行训练，通过这样的方式，更为准确的基于超声波去毛刺的实时去毛刺效果来对超声波功率密度进行控制，从而提高装置去毛刺的效果。
[0006]根据本申请的一个方面，提供了一种基于物联网的设备工作参数智能调控系统，其包括：
[0007]训练模块，包括：
[0008]第一训练数据获取单元，用于获取由水下摄像头采集的待加工工件在超声波去毛刺过程中的预定时间段的去毛刺监控视频；
[0009]去毛刺视频编码单元，用于将所述去毛刺监控视频通过使用空间注意力机制的三维卷积神经网络以得到跟踪特征图；
[0010]数据降维单元，用于对所述跟踪特征图的各个特征矩阵进行全局均值池化以得到跟踪特征向量；
[0011]第二训练数据获取单元，用于获取所述预定时间段中多个预定时间点的超声波功率密度；
[0012]超声波功率密度编码单元，用于将所述多个预定时间点的超声波功率密度通过包
含一维卷积层的序列编码器以得到功率密度特征向量；
[0013]响应性估计单元，用于计算所述功率密度特征向量相对于所述跟踪特征向量的转移矩阵；
[0014]分类损失单元，用于将所述转移矩阵通过分类器以得到分类损失函数值；
[0015]信息补偿值计算单元，用于计算所述跟踪特征图的概率分布移位信息补偿值，所述概率分布移位信息补偿值基于将所述跟踪特征图通过所述分类器获得的概率值生成；
[0016]训练单元，用于以所述分类损失函数值和所述概率分布移位信息补偿值的加权和作为损失函数值对所述三维卷积神经网络和所述序列编码器进行训练；以及
[0017]推断模块，包括：
[0018]去毛刺实时状态数据采集单元，用于获取由水下摄像头采集的待加工工件在超声波去毛刺过程中的预定时间段的去毛刺监控视频；
[0019]去毛刺状态编码单元，用于将所述去毛刺监控视频通过经训练模块训练完成的所述使用空间注意力机制的三维卷积神经网络以得到跟踪特征图；
[0020]数据维度优化单元，用于对所述跟踪特征图的各个特征矩阵进行全局均值池化以得到跟踪特征向量；
[0021]历史控制参数采集单元，用于获取所述预定时间段中多个预定时间点的超声波功率密度；
[0022]控制参数编码单元，用于将所述多个预定时间点的超声波功率密度通过包含一维卷积层的序列编码器以得到功率密度特征向量；
[0023]转移矩阵计算单元，用于计算所述功率密度特征向量相对于所述跟踪特征向量的转移矩阵；
[0024]控制结果生成单元，用于将所述转移矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声波去毛刺装置的超声波功率密度应增大或应减小。
[0025]与现有技术相比，本申请提供的一种基于物联网的设备工作参数智能调控系统及其方法，其分别使用三维卷积神经网络模型和序列编码器对去毛刺监控视频和所述多个预定时间点的超声波功率密度进行适当编码，然后，计算所述功率密度特征向量相对于所述跟踪特征向量的转移矩，接着，将所述转移矩阵通过分类器以得到分类损失函数值，并计算所述跟踪特征图的概率分布移位信息补偿值，使用所述分类损失函数值和所述概率分布移位信息补偿值的加权和作为损失函数值对三维卷积神经网络和序列编码器进行训练，通过这样的方式，更为准确的基于超声波去毛刺的实时去毛刺效果来对超声波功率密度进行控制，从而提高装置去毛刺的效果。
附图说明
[0026]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。
[0027]图1图示了根据本申请实施例的基于物联网的设备工作参数智能调控系统的应用场景图。
[0028]图2图示了根据本申请实施例的基于物联网的设备工作参数智能调控系统的框图。
[0029]图3图示了根据本申请实施例的基于物联网的设备工作参数智能调控系统中超声波功率密度编码单元的框图。
[0030]图4图示了根据本申请实施例的基于物联网的设备工作参数智能调控方法中训练阶段的流程图。
[0031]图5图示了根据本申请实施例的基于物联网的设备工作参数智能调控方法中推断阶段的流程图。
[0032]图6图示了根据本申请实施例的基于物联网的设备工作参数智能调控方法中训练阶段的架构示意图。
[0033]图7图示了根据本申请实施例的基于物联网的设备工作参数智能调控方法中推断阶段的架构示意图。
具体实施方式
[0034]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。
[0035]场景概述
[0036]超声波去毛刺装置是金属表面加工的重要设备。超声波去毛刺原理和超声波清洗相同：将超声波的振动能量传播到清洗液中，利用两者的综合作用，来清除被清洗件上的污垢。在超声波的作用下，机械振动传到清洗槽内的清洗液中，使清洗液体内交替出现疏密相间的振动，由于清洗液内部受超声波的振动而频繁地拉伸和压缩，其结果使微气泡不断地产生和不断地破裂，微气泡破裂时，周围的清洗液本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物联网的设备工作参数智能调控系统，其特征在于，包括：训练模块，包括：第一训练数据获取单元，用于获取由水下摄像头采集的待加工工件在超声波去毛刺过程中的预定时间段的去毛刺监控视频；去毛刺视频编码单元，用于将所述去毛刺监控视频通过使用空间注意力机制的三维卷积神经网络以得到跟踪特征图；数据降维单元，用于对所述跟踪特征图的各个特征矩阵进行全局均值池化以得到跟踪特征向量；第二训练数据获取单元，用于获取所述预定时间段中多个预定时间点的超声波功率密度；超声波功率密度编码单元，用于将所述多个预定时间点的超声波功率密度通过包含一维卷积层的序列编码器以得到功率密度特征向量；响应性估计单元，用于计算所述功率密度特征向量相对于所述跟踪特征向量的转移矩阵；分类损失单元，用于将所述转移矩阵通过分类器以得到分类损失函数值；信息补偿值计算单元，用于计算所述跟踪特征图的概率分布移位信息补偿值，所述概率分布移位信息补偿值基于将所述跟踪特征图通过所述分类器获得的概率值生成；训练单元，用于以所述分类损失函数值和所述概率分布移位信息补偿值的加权和作为损失函数值对所述三维卷积神经网络和所述序列编码器进行训练；以及推断模块，包括：去毛刺实时状态数据采集单元，用于获取由水下摄像头采集的待加工工件在超声波去毛刺过程中的预定时间段的去毛刺监控视频；去毛刺状态编码单元，用于将所述去毛刺监控视频通过经训练模块训练完成的所述使用空间注意力机制的三维卷积神经网络以得到跟踪特征图；数据维度优化单元，用于对所述跟踪特征图的各个特征矩阵进行全局均值池化以得到跟踪特征向量；历史控制参数采集单元，用于获取所述预定时间段中多个预定时间点的超声波功率密度；控制参数编码单元，用于将所述多个预定时间点的超声波功率密度通过包含一维卷积层的序列编码器以得到功率密度特征向量；转移矩阵计算单元，用于计算所述功率密度特征向量相对于所述跟踪特征向量的转移矩阵；控制结果生成单元，用于将所述转移矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声波去毛刺装置的超声波功率密度应增大或应减小。2.根据权利要求1所述的基于物联网的设备工作参数智能调控系统，其特征在于，所述去毛刺视频编码单元，进一步用于使用所述三维卷积神经网络的各层在层的正向传递中分别对输入数据进行：使用所述各层的卷积单元分别对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；
将所述卷积特征图通过所述各层的空间注意力单元以得到空间注意力图；计算所述卷积特征图与所述空间注意力图的按位置点乘以得到空间注意力特征图；以及将所述空间注意力特征图输入所述各层的非线性激活单元以得到激活特征图；其中，所述三维卷积神经网络的最后一层的输出为所述跟踪特征图。3.根据权利要求2所述的基于物联网的设备工作参数智能调控系统，其特征在于，所述超声波功率密度编码单元，包括：输入向量构造子单元，用于将所述多个预定时间点的超声波功率密度按照时间维度排列为输入向量；全连接编码子单元，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X是输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，表示矩阵乘；以及一维卷积编码子单元，用于使用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关联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，X表示输入向量。4.根据权利要求3所述的基于物联网的设备工作参数智能调控系统，其特征在于，所述响应性估计单元，进一步用于：以如下公式来计算所述功率密度特征向量相对于所述跟踪特征向量的转移矩阵；其中，所述公式为：V＝T*R其中V表示所述跟踪特征向量，T表示所述转移矩阵，R表示所述功率密度特征向量。5.根据权利要求4所述的基于物联网的设备工作参数智能调控系统，其特征在于，所述分类损失单元，进一步用于：使用所述分类器的多个全连接层对所述转移矩阵进行全连接编码以得到分类特征向...

【专利技术属性】
技术研发人员：徐先女，
申请(专利权)人：杭州灼粤数码科技有限公司，
类型：发明
国别省市：