用于斗轮机的高精度定位系统及其方法技术方案

公开了一种用于斗轮机的高精度定位系统及其方法，其采用基于深度学习的人工智能技术，对由定位编码器采集的多个定位编码数字信号进行多尺度编码以捕捉其所蕴含的多尺度隐藏关联特征分布信息并显化其受斗轮机工作时晃动的影响作用，再基于振动信号的高维隐含关联特征对所述定位编码数字信号的特征分布进行校正以得到具有更高定位精度的斗轮机的悬臂的回转角度定位置。臂的回转角度定位置。臂的回转角度定位置。

【技术实现步骤摘要】
用于斗轮机的高精度定位系统及其方法


[0001]本申请涉及堆取料设备定位
，且更为具体地，涉及一种用于斗轮机的高精度定位系统及其方法。

技术介绍

[0002]为了实现大型堆取料设备的无人化运行，首先要解决是设备的高精度定位问题。不同类型的堆取料设备，定位点有所不同，比如悬臂式斗轮机需要定位的点有大机行走定位、悬臂俯仰定位、悬臂回转定位。
[0003]只有精准测量了斗轮机的大机行走定位、悬臂俯仰定位、悬臂回转角度,才能准确控制斗轮机的运行姿态。现有的斗轮机的悬臂的回转角度定位通常基于编码器定位。
[0004]编码器定位是一种传统的定位技术，它是在设备的旋转轴上通过联轴器安装编码器，经特定电缆将编码信号传递给PLC控制器，由控制器进行数据读取、编程和应用，实现物理定位的功能。编码器定位的理论定位精度可以达到非常高，但在通过编码器定位来进行斗轮机的悬臂的回转角度定位时，由于斗轮机在工作时会发生晃动，这会影响定位精度。
[0005]因此，期待一种用于斗轮机的高精度定位系统。

技术实现思路

[0006]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用于斗轮机的高精度定位系统及其方法，其采用基于深度学习的人工智能技术，对由定位编码器采集的多个定位编码数字信号进行多尺度编码以捕捉其所蕴含的多尺度隐藏关联特征分布信息并显化其受斗轮机工作时晃动的影响作用，再基于振动信号的高维隐含关联特征对所述定位编码数字信号的特征分布进行校正以得到具有更高定位精度的斗轮机的悬臂的回转角度定位置。
[0007]相应地，根据本申请的一个方面，提供了一种用于斗轮机的高精度定位系统，其包括：
[0008]传感器监测模块，用于获取预定时间段内多个时间点的由定位编码器采集的多个定位编码数字信号，以及，所述预定时间段的斗轮机的振动信号，其中，所述定位编码器用于测量斗轮机的悬臂的回转角度；
[0009]定位编码特征提取模块，用于将所述多个定位编码数字信号按照时间维度排列为定位编码数字信号输入向量后通过多尺度邻域特征提取模块以得到定位编码特征向量；
[0010]域转换模块，用于对所述预定时间段的斗轮机的振动信号进行格拉姆角和场变换以得到格拉姆角和场图像；
[0011]振动图像特征提取模块，用于将所述格拉姆角和场图像通过作为过滤器的卷积神经网络模型以得到振动图像特征向量；
[0012]关联编码模块，用于对所述振动图像特征向量和所述定位编码特征向量进行关联编码以得到解码特征矩阵；以及
[0013]定位结果生成模块，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示当前时间点的斗轮机的悬臂的回转角度。
[0014]在上述用于斗轮机的高精度定位系统中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
[0015]在上述用于斗轮机的高精度定位系统中，所述定位编码特征提取模块，包括：第一尺度编码单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述定位编码数字信号输入向量进行一维卷积编码以得到第一尺度定位编码特征向量；其中，所述公式为：
[0016][0017]其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x
‑
a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述定位编码数字信号输入向量，Cov1(X)表示对所述定位编码数字信号输入向量进行一维卷积编码；第二尺度编码单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述定位编码数字信号输入向量进行一维卷积编码以得到第二尺度定位编码特征向量；其中，所述公式为：
[0018][0019]其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x
‑
b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述定位编码数字信号输入向量，Cov2(X)表示对所述定位编码数字信号输入向量进行一维卷积编码；以及，多尺度融合单元，用于使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度定位编码特征向量和所述第二尺度定位编码特征向量进行级联以得到所述定位编码特征向量。
[0020]在上述用于斗轮机的高精度定位系统中，所述振动图像特征提取模块，进一步用于：使用所述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，所述卷积神经网络模型的最后一层的输出为所述振动图像特征向量，所述卷积神经网络模型的第一层的输入为所述格拉姆角和场图像。
[0021]在上述用于斗轮机的高精度定位系统中，所述作为过滤器的卷积神经网络模型为深度残差网络模型。
[0022]在上述用于斗轮机的高精度定位系统中，所述关联编码模块，进一步用于：以如下公式对所述振动图像特征向量和所述定位编码特征向量进行关联编码以得到解码特征矩阵；其中，所述公式为：
[0023][0024]其中表示所述振动图像特征向量的转置向量，V
b
表示所述定位编码特征向量，M
表示所述解码特征矩阵，表示矩阵相乘。
[0025]在上述用于斗轮机的高精度定位系统中，所述定位结果生成模块，包括：特征矩阵展开单元，用于将所述解码特征矩阵展开为解码特征向量；特征分布优化单元，用于对所述解码特征向量进行向量赋范的希尔伯特概率空间化以得到优化解码特征向量；以及，解码单元，用于将所述优化解码特征向量通过所述解码器以得到所述解码值。
[0026]在上述用于斗轮机的高精度定位系统中，所述特征分布优化单元，进一步用于：以如下公式对所述解码特征向量进行向量赋范的希尔伯特概率空间化以得到优化解码特征向量；其中，所述公式为：
[0027][0028]其中，V是所述解码特征向量，‖V‖2表示所述解码特征向量的二范数，表示其平方，即所述解码特征向量自身的内积，v
i
是所述解码特征向量的第i个特征值，且v
i
′
是所述优化解码特征向量的第i个特征值，exp(
·
)表示向量的指数运算，所述向量的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。
[0029]在上述用于斗轮机的高精度定位系统中，所述解码单元，进一步用于：使用所述解码器以如下公式对所述优化解码特征向量进行解码回归以获得所述解码值；其中，所述公式为：其中X是所述优化解码特征向量，Y是所述解码值，W是权重矩阵，表示矩阵乘。
[0030]根据本申请的另一方面，还提供了一种用于斗轮机的高精度定位方法，其包括：
[0031]获取预定时间段内多个时间点的由定位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于斗轮机的高精度定位系统，其特征在于，包括：传感器监测模块，用于获取预定时间段内多个时间点的由定位编码器采集的多个定位编码数字信号，以及，所述预定时间段的斗轮机的振动信号，其中，所述定位编码器用于测量斗轮机的悬臂的回转角度；定位编码特征提取模块，用于将所述多个定位编码数字信号按照时间维度排列为定位编码数字信号输入向量后通过多尺度邻域特征提取模块以得到定位编码特征向量；域转换模块，用于对所述预定时间段的斗轮机的振动信号进行格拉姆角和场变换以得到格拉姆角和场图像；振动图像特征提取模块，用于将所述格拉姆角和场图像通过作为过滤器的卷积神经网络模型以得到振动图像特征向量；关联编码模块，用于对所述振动图像特征向量和所述定位编码特征向量进行关联编码以得到解码特征矩阵；以及定位结果生成模块，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示当前时间点的斗轮机的悬臂的回转角度。2.根据权利要求1所述的用于斗轮机的高精度定位系统，其特征在于，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。3.根据权利要求2所述的用于斗轮机的高精度定位系统，其特征在于，所述定位编码特征提取模块，包括：第一尺度编码单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述定位编码数字信号输入向量进行一维卷积编码以得到第一尺度定位编码特征向量；其中，所述公式为：其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x
‑
a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述定位编码数字信号输入向量，Cov1(X)表示对所述定位编码数字信号输入向量进行一维卷积编码；第二尺度编码单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述定位编码数字信号输入向量进行一维卷积编码以得到第二尺度定位编码特征向量；其中，所述公式为：其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x
‑
b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述定位编码数字信号输入向量，Cov2(X)表示对所述定位编码数字信号输入向量进行一维卷积编码；以及多尺度融合单元，用于使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一
尺度定位编码特征向量和所述第二尺度定位编码特征向量进行级联以得到所述定位编码特征向量。4.根据权利要求3所述的用于斗轮机的高精度定位系统，其特征在于，所述振动图像特征提取模块，进一步用于：使用所述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...

【专利技术属性】
技术研发人员：郭凯，陈晓伟，吴坤松，蔡炎州，刘畅，赵霞，苏睿之，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：