一种基于BP神经网络的称重组件布局方法及系统技术方案

本发明专利技术公开了一种基于BP神经网络的称重组件布局方法及系统，包括以下步骤：步骤S1、选取有限量不同规格的石膏板称重产品作为称重布局样本，对各个称重布局样本利用称重期望进行布局完成性分析获得称重各个称重布局样本的最优称重点位；步骤S2、利用BP神经网络基于各个称重布局样本的属性特征以及最优称重点位进行学习训练得到称重点位布局模型；步骤S3、将称重支撑机构和变送器设置为可移动结构，称重支撑机构和变送器依据称重点位布局模型输出的石膏板称重产品的最优称重点位进行定点移动。本发明专利技术实现对石膏板称重产品称重的最优化布局，称重适应性依赖性模型化专家经验的客观性判断，同时保证高适应性和低资源浪费。费。费。

【技术实现步骤摘要】
一种基于BP神经网络的称重组件布局方法及系统


[0001]本专利技术涉及石膏板称重组件
，具体涉及一种基于BP神经网络的称重组件布局方法及系统。

技术介绍

[0002]成品整架石膏板的平均重量关乎石膏板的质量，单位面积重量小容易发生粘接差，产生不合格品，影响生产效率，其中，石膏板的单位面积重量是指每平米石膏板的重量。传统工艺中是将若干石膏板堆垛在一起批量称量并且取平均值，其称量效率低下，已经不适合现在的自动化生产。
[0003]目前，现有设备中有多种快速称量石膏板材重量的设备，例如CN202121894810.8(一种板材连续称重装置)使用皮带秤在线称量石膏板的重量，其中在固定位置布设皮带秤，进行连续传输称重。但是称重组件的固定化设置也体现了现有石膏板称重设备的缺陷，固定的称重组件由于称重上下限的限制，对称重对象就需要进行规格限定，因此称重组件组合选择数量少，会导致产品适应性有限，而且如果称重组件为了提高称重适应性，需要选择更高数量组件组合，但更高数量组件的固定化组合在追求适应性同时会由于偶发性称重对象的不常出现导致硬件资源的浪费，现有称重设备在建造时就进行了称重组件的组合设置，但是现有的称重组件组合大多采用人工主观性判断称重对象规格来设置称重组件的称重上下限，即称重适应性依赖性人工主观性判断，难以保证同时高适应性和低资源浪费。

技术实现思路

[0004]本专利技术的目的在于提供一种基于BP神经网络的称重组件布局方法及系统，以解决现有技术中称重适应性依赖性人工主观性判断，难以保证同时高适应性和低资源浪费的技术问题。
[0005]为解决上述技术问题，本专利技术具体提供下述技术方案：
[0006]一种基于BP神经网络的称重组件布局方法，包括以下步骤：
[0007]步骤S1、选取有限量不同规格的石膏板称重产品作为称重布局样本，对各个称重布局样本利用称重期望进行布局完成性分析获得称重各个称重布局样本的最优称重点位，所述称重期望为称重各个称重布局样本时期望取得的目标结果，所述布局完成性分析为利用称重期望对称重布局样本进行最优量化确定出称重称重布局样本时称重支撑机构和变送器的最优称重点位，所述最优称重点位为完成称重布局样本的称重期望最优化目标时称重支撑机构和变送器所处的最佳位置；
[0008]步骤S2、利用BP神经网络基于各个称重布局样本的属性特征以及最优称重点位进行学习训练得到称重点位布局模型；
[0009]步骤S3、将称重支撑机构和变送器设置为可移动结构，称重支撑机构和变送器依据称重点位布局模型输出的石膏板称重产品的最优称重点位进行定点移动，以实现对石膏板称重产品称重的最优化布局；
[0010]其中，称重支撑机构上表面设置有称重传感器，所述称重支撑机构用于支撑石膏板称重产品与称重传感器压式接触来完成石膏板称重产品的称重，以获取表征石膏板称重产品重量的数字信号，所述变送器与称重传感器通讯连接，所述变送器用于将表征石膏板称重产品重量的数字信号传输至称重上位机中显示出石膏板称重产品的称重重量。
[0011]作为本专利技术的一种优选方案，所述对各个称重布局样本利用称重期望进行布局完成性分析获得称重各个称重布局样本的最优称重点位，包括：
[0012]构建称重准确性期望，所述称重准确性期望的量化表达式为：
[0013][0014]式中，K为称重准确性期望，G
real
为称重布局样本的重量真实值，P
i
为称重支撑机构的第i个称重点位，G
c
(P
i
)为称重支撑机构的第i个称重点位的称重重量，为称重支撑机构的所有称重点位的称重重量和或称重布局样本的称重重量，n为称重支撑机构的称重点位数量，i为计数变量；
[0015]构建称重成本性期望，所述称重成本性期望的量化表达式为：
[0016][0017]式中，L为称重成本性期望，M
c
为称重支撑机构的单位成本，M
z
为称重传感器的单位成本，M
l
为变送器的单位成本，n为称重支撑机构的称重点位数量，m为变送器的称重点位数量，m:n＝D，D为比例常数；
[0018]最大化称重准确性期望maxK，以及最小化称重成本性期望minL，并对最大化称重准确性期望和最小化称重成本性期望进行共同求解得到称重布局样本中称重支撑机构的称重点位数量以及最优称重点位，max为最大化运算符，min为最小化运算符；
[0019]基于称重支撑机构和变送器的数量适配性规则m:n＝D，依据称重布局样本中称重支撑机构的称重点位数量适应性得到称重布局样本中变送器的称重点位数量；
[0020]基于称重支撑机构和变送器的点位适配性规则，依据称重布局样本中称重支撑机构的最优称重点位适应性得到称重布局样本中变送器的最优称重点位。
[0021]作为本专利技术的一种优选方案，所述利用BP神经网络基于各个称重布局样本的属性特征以及最优称重点位进行学习训练得到称重点位布局模型，包括：
[0022]将称重布局样本的属性特征作为BP神经网络的输入项，将称重布局样本的最优称重点位作为BP神经网络的输出项；
[0023]利用BP神经网络对BP神经网络的输入项和BP神经网络的输出项进行学习训练得到所述称重点位布局模型；
[0024]所述称重点位布局模型的模型表达式为：
[0025][P,Q]＝BP(S)；
[0026]式中，P为称重支撑机构的最优称重点位，Q为变送器的最优称重点位，S为属性特征，BP为神经网络。
[0027]作为本专利技术的一种优选方案，所述属性特征包括石膏板称重产品的长度规格、形
状规格以及材料规格。
[0028]作为本专利技术的一种优选方案，所述单位成本包括单位安装成本、单位器件成本以及单位运营成本。
[0029]作为本专利技术的一种优选方案，在布局完成性分析过程中，将所述称重点位的称重重量与称重支撑机构的单位成本，重传感器的单位成本，变送器的单位成本进行归一化处理。
[0030]作为本专利技术的一种优选方案，利用多目标优化算法对最大化称重准确性期望和最小化称重成本性期望进行共同求解。
[0031]作为本专利技术的一种优选方案，本专利技术提供了一种实施所述的称重组件布局方法的布局系统，包括称重支撑机构、称重传感器、变送器、石膏板属性采集装置、上位机、气缸控制系统，其中；
[0032]所述称重支撑机构用于支撑石膏板称重产品与称重传感器压式接触，以使得称重传感器获取表征石膏板称重产品重量的数字信号；
[0033]所述称重传感器用于获取表征石膏板称重产品重量的数字信号；
[0034]所述变送器用于将表征石膏板称重产品重量的数字信号传输至称重上位机；
[0035]所述石膏板属性采集装置用于采集石膏板称重产品属性特征；
[0036]所述上位机用于利用称重点位布局模型基于石膏板属性采集装置反馈的石膏板称重产品属性特征得到石膏板称重产品本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的称重组件布局方法，其特征在于，包括以下步骤：步骤S1、选取有限量不同规格的石膏板称重产品作为称重布局样本，对各个称重布局样本利用称重期望进行布局完成性分析获得称重各个称重布局样本的最优称重点位，所述称重期望为称重各个称重布局样本时期望取得的目标结果，所述布局完成性分析为利用称重期望对称重布局样本进行最优量化确定出称重称重布局样本时称重支撑机构和变送器的最优称重点位，所述最优称重点位为完成称重布局样本的称重期望最优化目标时称重支撑机构和变送器所处的最佳位置；步骤S2、利用BP神经网络基于各个称重布局样本的属性特征以及最优称重点位进行学习训练得到称重点位布局模型；步骤S3、将称重支撑机构和变送器设置为可移动结构，称重支撑机构和变送器依据称重点位布局模型输出的石膏板称重产品的最优称重点位进行定点移动，以实现对石膏板称重产品称重的最优化布局；其中，称重支撑机构上表面设置有称重传感器，所述称重支撑机构用于支撑石膏板称重产品与称重传感器压式接触来完成石膏板称重产品的称重，以获取表征石膏板称重产品重量的数字信号，所述变送器与称重传感器通讯连接，所述变送器用于将表征石膏板称重产品重量的数字信号传输至称重上位机中显示出石膏板称重产品的称重重量。2.根据权利要求1所述的一种基于BP神经网络的称重组件布局方法，其特征在于：所述对各个称重布局样本利用称重期望进行布局完成性分析获得称重各个称重布局样本的最优称重点位，包括：构建称重准确性期望，所述称重准确性期望的量化表达式为：式中，K为称重准确性期望，G
real
为称重布局样本的重量真实值，P
i
为称重支撑机构的第i个称重点位，G
c
(P
i
)为称重支撑机构的第i个称重点位的称重重量，为称重支撑机构的所有称重点位的称重重量和或称重布局样本的称重重量，n为称重支撑机构的称重点位数量，i为计数变量；构建称重成本性期望，所述称重成本性期望的量化表达式为：式中，L为称重成本性期望，M
c
为称重支撑机构的单位成本，M
z
为称重传感器的单位成本，M
l
为变送器的单位成本，n为称重支撑机构的称重点位数量，m为变送器的称重点位数量，m:n＝D，D为比例常数；最大化称重准确性期望maxK，以及最小化称重成本性期望minL，并对最大化称重准确性期望和最小化称重成本性期望进行共同求解得到称重布局样本中称重支撑机构的称重点位数量以及最优称重点位，max为最大化运算符，min为最小化运算符；基于称重支撑机构和变送器的数量适配性规则m:n＝D，依据称重布局样本中称重支撑机构的称重点位数量适应性得到称重布局样本中变送器的称重点位数量；
基于称重支撑机构和变送器的点位适配性规则，依据称重布局样本中称重支撑机构的最优称重点位适应性得到称重布局样本中变送器的最优称重点位。3.根据权利要求2所述的一种基于BP神经网络的称重组件布局方法，其特征在于：所述利用BP神经网络基于各个称重布局样本的属性特征以及最优称重点位进行学习训练得到称重点位布局模型，包括：将称重布局样本的属性特征作为BP神经网络的输入项，将称重布局样本的最优称重点位作为BP神经网络的输出项；利用BP神经网络对BP神经网络的输入项和BP神经网络的输出项进行学习训练得到所述称重点位布局模型；所述称重点位布局模型的模型表达式为：[P,Q]＝BP(S)；式中，P为称重支撑机构的最优称重点位，Q为变送器的最优称重点位，S为属性特征，BP为神经网络。4.根据权利要求1所述的一种基于BP神经网络的称重组件布局方法，其特征在于：所述属性特征包括石膏板称重产品的长度规格、形状规格以及材料规格。5.根据权利要求2所述的一种基于BP神经网络的称重组件布局方...

【专利技术属性】
技术研发人员：杨小东，张羽飞，杨正波，张兴添，董雷，
申请(专利权)人：北新集团建材股份有限公司中国建材集团有限公司，
类型：发明
国别省市：