基于驱动电机电流控制协同的煤流量控制系统及其方法与流程

本技术涉及流量控制，且更为具体地，涉及一种基于驱动电机电流控制协同的煤流量控制系统及其方法。

背景技术：

1、堆取料设备在实现无人值守前，通过操作员的眼睛，人工观察取煤流量的大小并加以控制。实现无人值守后，人的眼睛不用了，技术的“眼睛”必须跟上。

2、堆取料设备实现智能无人化后，煤流量自动控制技术是斗轮机智能化运行的一项重要技术，其一项重要的技术目的是控制煤流量的稳定和均衡，也就是，保持煤流量的波动在可接受的范围内。

3、因此，期待一种煤流量控制方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于驱动电机电流控制协同的煤流量控制系统及其方法，其基于深度学习的人工智能监控技术，以通过分别捕捉煤流量数据和驱动电机的电流数据中局部时间窗口内数据离散分布的高维隐含关联模式特征，并利用两者之间存在的响应性逻辑关联关系来对所述驱动电机的驱动电流进行自适应调整以使得煤流量能够保持稳定和均衡。

2、相应地，根据本技术的一个方面，提供了一种基于驱动电机电流控制协同的煤流量控制系统，其包括：

3、传感器监控模块，用于获取预定时间段内多个预定时间点的煤流量值和所述多个预定时间点的驱动电机的电流值；

4、时序向量化模块，用于将所述多个预定时间点的煤流量值按照时间维度排列为煤流量输入向量，且将所述多个预定时间点的驱动电机的电流值按照时间维度排列为电流输入向量；

5、煤流量特征提取模块，用于将所述煤流量输入向量通过使用一维卷积核的第一卷积神经网络模型以得到煤流量时序特征向量；

6、电流提取模块，用于将所述电流输入向量通过使用一维卷积核的第二卷积神经网络模型以得到电流时序特征向量；

7、响应性估计模块，用于基于高斯密度图来计算所述煤流量时序特征向量相对于所述电流时序特征向量的响应性估计以得到分类特征矩阵；

8、特征分布优化模块，用于对所述分类特征矩阵进行特征局部分布优化以得到优化分类特征向量；以及

9、驱动电流控制结果，用于将所述优化分类特征向量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驱动电机的电流值应增大或应减小。

10、在上述基于驱动电机电流控制协同的煤流量控制系统中，所述煤流量特征提取模块，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出所述煤流量时序特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述煤流量输入向量。

11、在上述基于驱动电机电流控制协同的煤流量控制系统中，所述电流提取模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述电流时序特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述电流输入向量。

12、在上述基于驱动电机电流控制协同的煤流量控制系统中，所述响应性估计模块，包括：高斯密度图构造单元，用于构造所述煤流量时序特征向量和所述电流时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；响应单元，用于以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图，其中，所述公式为：

13、

14、其中fa表示所述第一高斯密度图，fb表示所述第二高斯密度图，fc表示所述响应性高斯密度图，表示矩阵相乘；以及，高斯离散化单元，用于对所述响应性高斯密度图进行高斯离散化以得到所述分类特征矩阵。

15、在上述基于驱动电机电流控制协同的煤流量控制系统中，所述特征分布优化模块，进一步用于：以如下公式对所述分类特征矩阵进行特征局部分布优化以得到优化分类特征向量；其中，所述公式为：

16、

17、其中，v是所述分类特征矩阵按照行向量或列向量展开后得到的分类特征向量，‖v‖2表示所述分类特征向量的二范数，表示其平方，即所述分类特征向量自身的内积，vi是所述分类特征向量的第i个特征值，且vi′是所述优化分类特征向量的第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。

18、在上述基于驱动电机电流控制协同的煤流量控制系统中，所述驱动电流控制结果，包括：全连接编码单元，用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。

19、根据本技术的另一方面，还提供了一种基于驱动电机电流控制协同的煤流量控制方法，其包括：

20、获取预定时间段内多个预定时间点的煤流量值和所述多个预定时间点的驱动电机的电流值；

21、将所述多个预定时间点的煤流量值按照时间维度排列为煤流量输入向量，且将所述多个预定时间点的驱动电机的电流值按照时间维度排列为电流输入向量；

22、将所述煤流量输入向量通过使用一维卷积核的第一卷积神经网络模型以得到煤流量时序特征向量；

23、将所述电流输入向量通过使用一维卷积核的第二卷积神经网络模型以得到电流时序特征向量；

24、基于高斯密度图来计算所述煤流量时序特征向量相对于所述电流时序特征向量的响应性估计以得到分类特征矩阵；

25、对所述分类特征矩阵进行特征局部分布优化以得到优化分类特征向量；以及

26、将所述优化分类特征向量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驱动电机的电流值应增大或应减小。

27、在上述基于驱动电机电流控制协同的煤流量控制方法中，所述将所述煤流量输入向量通过使用一维卷积核的第一卷积神经网络模型以得到煤流量时序特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出所述煤流量时序特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述煤流量输入向量。

28、在上述基于驱动电机电流控制协同的煤流量控制方法中，所述将所述电流输入向量通过使用一维卷积核的第二卷积神经网络模型以得到电流时序特征向量，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述电流时序特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述电流输入向量。

29、在上述基于驱动电机电流控制协同的煤流量控制方法中，所述基于高斯密度图来计算所述煤流量时序特征向量相对于所述电流时序特征向量的响应性估计以得到分类特征矩阵，包括：构造所述煤流量时序特征向量和所述电流时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图，其中，所述公式为：

30、

31、其中fa表示所述第一高斯密度图，fb表示所述第二高斯密度图，fc表示所述响应性高斯密度图，表示矩阵相乘；以及，对所述响应性高斯密度图进行高斯离散化以得到所述分类特征矩阵。

32、在上述基于驱动电机电流控制协同的煤流量控制方法中，所述对所述分类特征矩阵进行特征局部分布优化以得到优化分类特征向量，包括：以如下公式对所述分类特征矩阵进行特征局部分布优化以得到优化分类特征向量；其中，所述公式为：

33、

34、其中，v是所述分类特征矩阵按照行向量或列向量展开后得到的分类特征向量，‖v‖2表示所述分类特征向量的二范数，表示其平方，即所述分类特征向量自身的内积，vi是所述分类特征向量的第i个特征值，且vi′是所述优化分类特征向量的第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。

35、在上述基于驱动电机电流控制协同的煤流量控制方法中，所述将所述优化分类特征向量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驱动电机的电流值应增大或应减小，包括：使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。

36、根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于驱动电机电流控制协同的煤流量控制方法。

37、根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于驱动电机电流控制协同的煤流量控制方法。

38、与现有技术相比，本技术提供的基于驱动电机电流控制协同的煤流量控制系统及其方法，其基于深度学习的人工智能监控技术，以通过分别捕捉煤流量数据和驱动电机的电流数据中局部时间窗口内数据离散分布的高维隐含关联模式特征，并利用两者之间存在的响应性逻辑关联关系来对所述驱动电机的驱动电流进行自适应调整以使得煤流量能够保持稳定和均衡。