钢丝绳捻股机的张力控制系统及其方法技术方案

本申请涉及智能控制领域，其具体地公开了一种钢丝绳捻股机的张力控制系统及其方法，其采用基于深度学习的人工智能控制算法来提取出捻合监控视频中的各个关键帧中关于捻合状态的全局关联性特征分布信息以及张力值的相对变化在时间维度上的多尺度动态特征，进一步再计算这两者的响应性估计来表示出所述张力的动态变化对于捻合的状态变化的影响特征，并以此来进行当前时间点的张力值应增大或者减小的实时控制

【技术实现步骤摘要】
钢丝绳捻股机的张力控制系统及其方法


[0001]本申请涉及智能控制领域，且更为具体地，涉及一种钢丝绳捻股机的张力控制系统及其方法
。

技术介绍

[0002]钢丝绳捻股机是一种专用设备，主要用于制作各类钢丝绳和电缆等产品
。
它可以将单根或者多根钢丝经过扭曲
、
捻合等操作后形成捻股绳，从而提高钢丝绳的强度和韧性
。
钢丝绳捻股机的张力是指在钢丝绳的过程中，对原材料施加的轴向拉力，控制张力能够保证所生产钢丝绳质量的稳定性
。
[0003]在实际生产工艺中，钢丝在捻股过程中需要实时调整
、
监测，捻股机的操作人员经验不足，无法很好地控制捻合张力，导致产品质量不稳定，甚至出现捻合过紧或松弛的问题
。
[0004]因此，期待一种优化的钢丝绳捻股机的张力控制方案
。

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钢丝绳捻股机的张力控制系统及其方法，其采用基于深度学习的人工智能控制算法来提取出捻合监控视频中的各个关键帧中关于捻合状态的全局关联性特征分布信息以及张力值的相对变化在时间维度上的多尺度动态特征，进一步再计算这两者的响应性估计来表示出所述张力的动态变化对于捻合的状态变化的影响特征，并以此来进行当前时间点的张力值应增大或者减小的实时控制
。
这样，能够对于当前时间点的张力值进行实时准确地控制，以确保钢丝绳捻合质量
。
[0006]根据本申请的一个方面，提供了一种钢丝绳捻股机的张力控制系统，其包括：
[0007]数据获取模块，用于获取预定时间段内多个预定时间点的张力值以及所述预定时间段的捻合监控视频；
[0008]关键帧提取模块，用于从所述捻合监控视频提取多个捻合监控关键帧；捻合特征提取模块，用于将所述多个捻合监控关键帧通过作为过滤器的卷积神经网络模型以得到多个捻合监控特征向量；
[0009]捻合变化特征提取模块，用于将所述多个捻合监控特征向量通过基于转换器的上下文编码器以得到捻合变化语义特征向量；
[0010]张力值计算模块，用于将所述多个预定时间点的张力值按照时间维度排列为张力输入向量，并计算所述张力输入向量中每相邻两个位置的张力值之间的差值以得到张力差输入向量；
[0011]张力差特征提取模块，用于将所述张力差输入向量通过多尺度邻域特征提取模块以得到张力差特征向量；
[0012]响应性估计模块，用于计算所述捻合变化语义特征向量相对于所述张力差特征向
量的响应性估计以得到分类特征矩阵；以及
[0013]控制结果生成模块，用于将所述分类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当前时间点的张力值应增大或者减小
。
[0014]在上述钢丝绳捻股机的张力控制系统中，所述关键帧提取模块，用于：以预定采样频率从所述捻合监控视频提取多个捻合监控关键帧
。
[0015]在上述钢丝绳捻股机的张力控制系统中，所述捻合特征提取模块，包括：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沿通道维度的各个特征矩阵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捻合监控特征向量，所述卷积神经网络模型的第一层的输入为所述捻合监控关键帧
。
[0016]在上述钢丝绳捻股机的张力控制系统中，所述多尺度邻域特征提取模块，包括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第一级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度
。
[0017]在上述钢丝绳捻股机的张力控制系统中，所述张力差特征提取模块，包括：第一尺度张力差特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述张力差输入向量进行一维卷积编码以得到第一尺度张力差特征向量；第二尺度张力差特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述张力差输入向量进行一维卷积编码以得到第二尺度张力差特征向量；以及，级联单元，用于使用所述多尺度邻域特征提取模块的第一级联层将所述第一尺度张力差特征向量和所述第二尺度张力差特征向量进行级联以得到所述张力差特征向量
。
[0018]在上述钢丝绳捻股机的张力控制系统中，所述响应性估计模块，用于：以如下响应性估计公式计算所述捻合变化语义特征向量相对于所述张力差特征向量的响应性估计以得到所述分类特征矩阵；其中，所述响应性估计公式为：
[0019][0020]其中
V
a
表示所述捻合变化语义特征向量，
V
b
表示所述张力差特征向量，
M
表示所述分类特征矩阵，表示矩阵相乘
。
[0021]在上述钢丝绳捻股机的张力控制系统中，还包括：对所述作为过滤器的卷积神经网络模型
、
所述基于转换器的上下文编码器
、
所述多尺度邻域特征提取模块和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取预定时间段内多个预定时间点的训练张力值以及所述预定时间段的训练捻合监控视频；训练关键帧提取单元，用于从所述训练捻合监控视频提取多个训练捻合监控关键帧；训练捻合特征提取单元，用于将所述多个训练捻合监控关键帧通过所述作为过滤器的卷积神经网络模型以得到多个训练捻合监控特征向量；训练捻合变化特征提取单元，用于将所述多个训练捻合监控特征向量通过所述基于转换器的上下文编码器以得到训练捻合变化语义特征向量；训练张力值计算单元，用于将所述多个预定时间点的训练张力值按照时间维度排列为训练张力输入向量，并计算所述训练张力输入向量中每相邻两个位置的张力值之间的差值以得到训
练张力差输入向量；训练张力差特征提取单元，用于将所述训练张力差输入向量通过所述多尺度邻域特征提取模块以得到训练张力差特征向量；训练响应性估计单元，用于计算所述训练捻合变化语义特征向量相对于所述训练张力差特征向量的响应性估计以得到训练分类特征矩阵；分类损失函数计算单元，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；鲁棒性比较约束损失函数计算单元，用于计算所述训练捻合变化语义特征向量和所述训练张力差特征向量的鲁棒性比较约束损失函数值；以及，模型训练单元，用于以所述分类损失函数值和所述鲁棒性比较约束损失函数值的加权和作为损失函数值对所述作为过滤器的卷积神经网络模型
、
所述基于转换器的上下文编码器
、
所述多尺度邻域特征提取模块和所述分类器进行训练
。
[0022]在上述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种钢丝绳捻股机的张力控制系统，其特征在于，包括：数据获取模块，用于获取预定时间段内多个预定时间点的张力值以及所述预定时间段的捻合监控视频；关键帧提取模块，用于从所述捻合监控视频提取多个捻合监控关键帧；捻合特征提取模块，用于将所述多个捻合监控关键帧通过作为过滤器的卷积神经网络模型以得到多个捻合监控特征向量；捻合变化特征提取模块，用于将所述多个捻合监控特征向量通过基于转换器的上下文编码器以得到捻合变化语义特征向量；张力值计算模块，用于将所述多个预定时间点的张力值按照时间维度排列为张力输入向量，并计算所述张力输入向量中每相邻两个位置的张力值之间的差值以得到张力差输入向量；张力差特征提取模块，用于将所述张力差输入向量通过多尺度邻域特征提取模块以得到张力差特征向量；响应性估计模块，用于计算所述捻合变化语义特征向量相对于所述张力差特征向量的响应性估计以得到分类特征矩阵；以及控制结果生成模块，用于将所述分类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当前时间点的张力值应增大或者减小
。2.
根据权利要求1所述的钢丝绳捻股机的张力控制系统，其特征在于，所述关键帧提取模块，用于：以预定采样频率从所述捻合监控视频提取多个捻合监控关键帧
。3.
根据权利要求2所述的钢丝绳捻股机的张力控制系统，其特征在于，所述捻合特征提取模块，包括：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沿通道维度的各个特征矩阵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捻合监控特征向量，所述卷积神经网络模型的第一层的输入为所述捻合监控关键帧
。4.
根据权利要求3所述的钢丝绳捻股机的张力控制系统，其特征在于，所述多尺度邻域特征提取模块，包括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第一级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度
。5.
根据权利要求4所述的钢丝绳捻股机的张力控制系统，其特征在于，所述张力差特征提取模块，包括：第一尺度张力差特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述张力差输入向量进行一维卷积编码以得到第一尺度张力差特征向量；第二尺度张力差特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述张力差输入向量进行一维卷积编码以得到第二尺度张力差特征向量；以及
级联单元，用于使用所述多尺度邻域特征提取模块的第一级联层将所述第一尺度张力差特征向量和所述第二尺度张力差特征向量进行级联以得到所述张力差特征向量
。6.
根据权利要求5所述的钢丝绳捻股机的张力控制系统，其特征在于，所述响应性估计模块，用于：以如下响应性估计公式计算所述捻合变化语义特征向量相对于所述张力差特征向量的响应性估计以得到所述分类特征矩阵；其中，所述响应性估计公式为：其中
V
a
表示所述捻合变化语义特征向量，
V
b
表示所述张力差特征向量，
M
表示所述分类特征矩阵，表示矩阵相乘
。7.
根据权利要求6所述的钢丝绳捻股机的张力控制系统，其特征在于，还包括：对所述作为过滤器的卷积神经网络模型
、
...

【专利技术属性】
技术研发人员：肖铁良，王娜，张伟，
申请(专利权)人：滁州正汇科技有限公司，
类型：发明
国别省市：