基于深度学习的研磨智能控制系统及方法技术方案

本申请涉及智能控制技术领域，其具体地公开了一种基于深度学习的研磨智能控制系统及方法，其采用机器学习技术，分别从待研磨对象的研磨监控视频以及研磨设备产生的声音信号中提取出待研磨物的颗粒度实时变化特征和研磨声音时序特征，并基于二者的融合特征来进行研磨设备的转速实时控制

【技术实现步骤摘要】
基于深度学习的研磨智能控制系统及方法


[0001]本申请涉及智能控制
，且更为具体地，涉及一种基于深度学习的研磨智能控制系统及方法
。

技术介绍

[0002]在各种工业领域，粉碎研磨是固体原材料加工处理中非常重要的一步，而研磨机也越来越广泛地应用于冶金
、
矿石
、
化工
、
陶瓷
、
颜料
、
造纸
、
食品
、
医药等行业
。
[0003]在固体原材料的精细化研磨生产过程中，通常对于不同研磨阶段采用不同的研磨速度，例如预研磨
、
一次研磨和再研磨
。
这种分阶段进行研磨速度控制的模式过于粗糙，且没有基于研磨产物的实际情况来自适应的调整研磨速度，导致研磨效率低和研磨产物的良品率难以保证
。
并且现有研磨设备通过手工控制，存在生产效率低下，产品一致性差等问题，操作人员的专业能力直接影响产品质量
。
[0004]因此，期待一种基于深度学习的研磨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的研磨智能控制系统，其特征在于，包括：数据采集模块，用于获取预定时间段的待研磨对象的研磨监控视频以及所述预定时间段的由研磨设备产生的声音信号；
S
变换模块，用于将所述声音信号进行
S
变换以得到
S
变换时频图；声音特征提取模块，用于将所述
S
变换时频图通过作为过滤器的第一卷积神经网络模型以得到声音特征向量；研磨状态特征提取模块，用于将所述研磨监控视频通过使用时间注意力机制的第二卷积神经网络模型以得到研磨状态监控特征向量；响应性估计模块，用于计算所述研磨状态监控特征向量相对于所述声音特征向量的响应性估计以得到分类特征矩阵；融合模块，用于融合所述研磨状态监控特征向量和所述声音特征向量以得到融合特征向量；优化模块，用于将所述融合特征向量乘以所述融合特征向量的转置以得到融合特征矩阵，并计算所述融合特征矩阵与所述分类特征矩阵之间的矩阵乘积以得到优化分类特征矩阵；控制结果生成模块，用于将所述优化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研磨设备的转速值应增大或应减小
。2.
根据权利要求1所述的基于深度学习的研磨智能控制系统，其特征在于，所述
S
变换模块，用于：以如下变换公式将所述声音信号进行
S
变换以得到所述
S
变换时频图；其中，所述变换公式为：其中，
s(f,
τ
)
表示所述
S
变换时频图，
τ
为时移因子，
x(t)
表示所述声音信号，
f
表示频率，
t
表示时间
。3.
根据权利要求2所述的基于深度学习的研磨智能控制系统，其特征在于，所述声音特征提取模块，用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于二维卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵的全局均值池化处理以生成池化特征图；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生成激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述声音特征向量，所述第一卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第一卷积神经网络模型的第一层输入为所述
S
变换时频图
。4.
根据权利要求3所述的基于深度学习的研磨智能控制系统，其特征在于，所述研磨状态特征提取模块，包括：采样单元，用于以预定采样频率从所述研磨监控视频中提取多个研磨监控关键帧；时序编码单元，用于将所述多个研磨监控关键帧通过所述使用时间注意力机制的第二
卷积神经网络模型以得到研磨状态时序变化特征图；池化单元，用于将所述研磨状态时序变化特征图进行沿通道维度的各个特征矩阵的全局池化处理以得到所述研磨状态监控特征向量
。5.
根据权利要求4所述的基于深度学习的研磨智能控制系统，其特征在于，所述时序编码单元，包括：相邻关键帧提取子单元，用于从所述多个研磨监控关键帧中提取相邻的第一研磨监控关键帧和第二研磨监控关键帧；卷积编码子单元，用于将所述第一研磨监控关键帧和所述第二研磨监控关键帧分别通过所述第二卷积神经网络模型的第一卷积层和第二卷积层以得到第一卷积特征图和第二卷积特征图；时间注意力子单元，用于计算所述第一卷积特征图和所述第二卷积特征图之间的按位置点乘以得到时间注意力图；注意力生成子单元，用于将所述时间注意力图输入
Softmax
激活函数以得到时间注意力特征图；注意力施加子单元，用于计算所述第二卷积特征图和所述时间注意力特征图之间的按位置点乘以得到对应于所述第二研磨监控关键帧的时间增强特征图；其中，所述多个研磨监控关键帧中最后一个研磨监控关键帧对应的时间增强特征图为所述研磨状态时序变化特征图
。6.
根据权利要求5所述的基于深度学习的研磨智能控制系统，其特征在于，所述响应性估计模块，用于：以如下响应公式计算所述研磨状态监控特征向量...

【专利技术属性】
技术研发人员：蔡建国，
申请(专利权)人：德清华通新材料科技有限公司，
类型：发明
国别省市：