基于电流曲线的坍落度预测方法技术

本发明专利技术公开了一种基于电流曲线的坍落度预测方法

【技术实现步骤摘要】
基于电流曲线的坍落度预测方法、装置及可读介质


[0001]本专利技术涉及混凝土生产领域，具体涉及一种基于电流曲线的坍落度预测方法
、
装置及可读介质
。

技术介绍

[0002]混凝土配合比设计通常在实验室条件下进行，施工现场使用时再微调
。
由于生产量及供给需求等原因，搅拌站在不同时间段所使用的砂石原料出自不同厂家，而不同原材料生产规格，生产工艺等存在差异，导致砂石原料含水率等发生变化，进而导致所生产混凝土工作性能发生变化，需要在生产过程中持续对出锅混凝土进行取样，以测定其坍落度
。
[0003]在混凝土出机后，由相关检测人员通过坍落度筒试验测定对应的坍落度值，因此带来三个问题：（1）混凝土坍落度试验流程繁琐，费时费力，测量误差大
。
[0004]（2）混凝土坍落度的调整是滞后的，一旦检测不合格，那么整盘混凝土只能废弃，造成资源浪费
。
[0005]（3）混凝土坍落度的变化是贯穿整个生产周期的，需要经过循环往复的多轮调整，且强烈依赖人工经验
。
[0006]若采用神经网络模型进行预测，则需要进行大量的坍落度筒试验以获取到标签数据，构成训练数据，因此效率低，可行性较差
。
[0007]因此，目前迫切需要一种可以在混凝土搅拌过程中实时监测混凝土坍落度的方法，以减少搅拌站整体生产成本，保证生产质量，提高生产效率，并且无需大量的坍落度筒试验及人工标注
。

技术实现思路

[0008]针对上述提到的技术问题
。
本申请的实施例的目的在于提出了一种基于电流曲线的坍落度预测方法
、
装置及可读介质，来解决以上
技术介绍
部分提到的技术问题
。
[0009]第一方面，本专利技术提供了一种基于电流曲线的坍落度预测方法，包括以下步骤：获取混凝土搅拌过程中的电流曲线，基于电流曲线获取输入特征；构建基于神经网络的坍落度预测模型，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型，训练数据包括训练过程中的输入特征及其对应的坍落度标签，其中，根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，根据电流曲线处理得到电流曲线特征，根据电流曲线特征的分布确定每个输入特征对应的坍落度标签；将输入特征输入经训练的坍落度预测模型，得到坍落度的预测值
。
[0010]作为优选，电流曲线特征包括到达搅拌均匀阶段所消耗时间
、
临近搅拌均匀阶段的电流曲线的斜率均值
、
第1秒至到达最大电流所消耗的时间
、
第1秒至搅拌均匀阶段所消耗的总电流值，其中，在混凝土搅拌过程中的电流曲线中，以原材料开始投料时的电流值所
对应的时刻作为第1秒，电流值大小不再下降作为到达搅拌均匀阶段
。
[0011]作为优选，根据电流曲线处理得到电流曲线特征，根据电流曲线特征的分布确定每个输入特征对应的坍落度标签，具体包括：根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线提取得到的电流曲线特征，并进行由大到小排序，并将电流曲线特征的分布中对应最大值的
1/4、1/2、3/4
的数据作为第一特征
、
第二特征和第三特征；选取第1秒至搅拌均匀阶段所消耗的总电流值的最大值的
1/4、1/2、3/4
所对应的出锅混凝土进行坍落度试验，分别得到第一特征所对应的第一坍落度试验值
、
第二特征所对应的第二坍落度试验值
、
第三特征所对应的第三坍落度试验值；根据第一特征及其所对应的第一坍落度试验值和第二特征及其对应的第二坍落度试验值确定第一线性方程，根据第二特征及其对应的第二坍落度试验值和第三特征及其对应的第三坍落度试验值确定第二线性方程；根据第一线性方程和第二线性方程确定每个输入特征所对应的坍落度标签
。
[0012]作为优选，基于电流曲线获取输入特征，具体包括：根据电流曲线提取电流曲线特征，对电流曲线特征进行归一化处理并组成一维数组，得到输入特征；根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，具体包括：根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线提取电流曲线特征，对电流曲线特征进行归一化处理并组成一维数组，得到训练过程中的输入特征
。
[0013]作为优选，坍落度预测模型包括前馈神经网络，前馈神经网络包括依次连接的输入层
、
第一批归一化层
、
隐藏层
、
第二批归一化层和输出层，输入层包括
32
个神经元，隐藏层包括
16
个神经元，输入层和隐藏层的激活函数为
ReLU
，输出层的激活函数为线性激活函数
。
[0014]作为优选，基于电流曲线获取输入特征，具体包括：将电流曲线中第1秒至搅拌均匀阶段的电流数据作为输入特征；根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，具体包括：将不同抗压强度的混凝土在历史搅拌过程中的电流曲线中第1秒至搅拌均匀阶段的电流数据作为训练过程中的输入特征
。
[0015]作为优选，坍落度预测模型包括依次连接的第一残差模块
、
第二残差模块和第三残差模块，第一残差模块
、
第二残差模块和第三残差模块均包括残差连接的第一卷积层和第二卷积层，第一卷积层和第二卷积层后均连接一个批归一化层，且激活函数为
ReLU。
[0016]第二方面，本专利技术提供了一种基于电流曲线的坍落度预测装置，包括：特征获取模块，被配置为获取混凝土搅拌过程中的电流曲线，基于电流曲线获取输入特征；模型构建模块，被配置为构建基于神经网络的坍落度预测模型，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型，训练数据包括训练过程中的输入特征及其对应的坍落度标签，其中，根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取训练过程中的输入特征，根据电流曲线处理得到电流曲线特征，根据电流曲线
特征的分布确定每个输入特征对应的坍落度标签；预测模块，被配置为将输入特征输入经训练的坍落度预测模型，得到坍落度的预测值
。
[0017]第三方面，本专利技术提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法
。
[0018]第四方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法
。
[0019]相比于现有技术，本专利技术具有以下有益效果：（1）本专利技术提出的基于电流曲线的坍落度预测方法无需大量坍落度试验对原始电流数据集进行标注，转而分析搅拌站的历史生产任务中混凝土出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于电流曲线的坍落度预测方法，其特征在于，包括以下步骤：获取混凝土搅拌过程中的电流曲线，基于所述电流曲线获取输入特征；构建基于神经网络的坍落度预测模型，采用训练数据对所述坍落度预测模型进行训练，得到经训练的坍落度预测模型，所述训练数据包括训练过程中的输入特征及其对应的坍落度标签，其中，根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取所述训练过程中的输入特征，根据所述电流曲线处理得到电流曲线特征，根据所述电流曲线特征的分布确定每个所述输入特征对应的坍落度标签；将所述输入特征输入所述经训练的坍落度预测模型，得到坍落度的预测值
。2.
根据权利要求1所述的基于电流曲线的坍落度预测方法，其特征在于，所述电流曲线特征包括到达搅拌均匀阶段所消耗时间
、
临近搅拌均匀阶段的电流曲线的斜率均值
、
第1秒至到达最大电流所消耗的时间
、
第1秒至搅拌均匀阶段所消耗的总电流值，其中，在混凝土搅拌过程中的电流曲线中，以原材料开始投料时的电流值所对应的时刻作为第1秒，电流值大小不再下降作为到达搅拌均匀阶段
。3.
根据权利要求2所述的基于电流曲线的坍落度预测方法，其特征在于，根据所述电流曲线处理得到电流曲线特征，根据所述电流曲线特征的分布确定每个所述输入特征对应的坍落度标签，具体包括：根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线提取得到的电流曲线特征，并进行由大到小排序，并将所述电流曲线特征的分布中对应最大值的
1/4、1/2、3/4
的数据作为第一特征
、
第二特征和第三特征；选取第1秒至搅拌均匀阶段所消耗的总电流值的最大值的
1/4、1/2、3/4
所对应的出锅混凝土进行坍落度试验，分别得到所述第一特征所对应的第一坍落度试验值
、
第二特征所对应的第二坍落度试验值
、
第三特征所对应的第三坍落度试验值；根据所述第一特征及其所对应的第一坍落度试验值和第二特征及其对应的第二坍落度试验值确定第一线性方程，根据所述第二特征及其对应的第二坍落度试验值和第三特征及其对应的第三坍落度试验值确定第二线性方程；根据所述第一线性方程和第二线性方程确定每个输入特征所对应的坍落度标签
。4.
根据权利要求1所述的基于电流曲线的坍落度预测方法，其特征在于，基于所述电流曲线获取输入特征，具体包括：根据所述电流曲线提取电流曲线特征，对所述电流曲线特征进行归一化处理并组成一维数组，得到输入特征；根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线获取所述训练过程中的输入特征，具体包括：根据不同抗压强度的混凝土在历史搅拌过程中的电流...

【专利技术属性】
技术研发人员：杨建红，林柏宏，黄文景，张宝裕，黄骁民，黄伟晴，杨坤，
申请(专利权)人：华侨大学，
类型：发明
国别省市：