通过活化给煤机控制的均匀出料控制系统的制作方法

1.本技术涉及智能控制技术领域，且更为具体地，涉及一种通过活化给煤机控制的均匀出料控制系统。


背景技术：

2.活化给煤机，是输煤重要的设备之一，其将给料功能和活化功能有机地组合成一体，有效地消除了膨仓堵仓问题。但是，现有的活化给煤机无法控制料仓均衡出料，而导致煤种输送效率的降低，其原因为随着煤仓料斗内物料的高度变化，其随着自身重力下降的速度会发生改变，进而导致无法均匀出料。
3.因此，期待一种用于活化给煤机控制的均匀出料控制方案。


技术实现要素：

4.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通过活化给煤机控制的均匀出料控制系统。其先将多个预定时间点的由料位计采集的料位值排列为料位值输入向量并计算其每两个相邻位置的料位值之间的差值，接着，将得到的料位变化输入向量和所述料位值输入向量进行关联编码后通过卷积神经网络模型以得到料位深度特征向量，然后，将多个预定时间点的出料板的振动频率值排列后通过多尺度邻域特征提取模块以得到振动频率特征向量，最后，将计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计得到的分类特征矩阵进行优化后再通过分类器以得到用于表示当前时间点的出料板的振动频率值应增加或应减小分类结果。这样，可以实现活化给煤机的均匀出料。
5.根据本技术的一个方面，提供了一种通过活化给煤机控制的均匀出料控制系统，其包括：
6.状态监控模块，用于获取预定时间段内多个预定时间点的由料位计采集的料位值以及所述多个预定时间点的出料板的振动频率值；
7.绝对量时序化模块，用于将所述多个预定时间点的由料位计采集的料位值按照时间维度排列为料位值输入向量；
8.相对量表达模块，用于计算所述料位值输入向量中每两个相邻位置的料位值之间的差值以得到料位变化输入向量；
9.关联模块，用于对所述料位值输入向量和所述料位变化输入向量进行关联编码以得到料位绝对量-相对量关联矩阵；
10.关联特征提取模块，用于将所述料位绝对量-相对量关联矩阵通过作为过滤器的卷积神经网络模型以得到料位深度特征向量；
11.振动频率数据结构化模块，用于将所述多个预定时间点的出料板的振动频率值按照时间维度排列为振动频率输入向量后通过多尺度邻域特征提取模块以得到振动频率特征向量；
12.响应性估计模块，用于计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵；
13.信息分布优化模块，用于对所述分类特征矩阵进行空间多源融合验前信息分布优化以得到优化后分类特征矩阵；以及
14.控制结果生成模块，用于将所述优化后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出料板的振动频率值应增加或应减小。
15.在上述的通过活化给煤机控制的均匀出料控制系统中，所述关联模块，进一步用于：以如下公式对所述料位值输入向量和所述料位变化输入向量进行关联编码以得到所述料位绝对量-相对量关联矩阵；
16.其中，所述公式为：
[0017][0018]
其中表示所述料位变化输入向量，表示所述料位变化输入向量的转置向量，表示所述料位值输入向量，表示所述料位绝对量-相对量关联矩阵，表示向量相乘。
[0019]
在上述的通过活化给煤机控制的均匀出料控制系统中，所述关联特征提取模块，进一步用于：所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别进行：
[0020]
对输入数据进行卷积处理以得到卷积特征图；
[0021]
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
[0022]
对所述池化特征图进行非线性激活以得到激活特征图；
[0023]
其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述料位深度特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述料位绝对量-相对量关联矩阵。
[0024]
在上述的通过活化给煤机控制的均匀出料控制系统中，所述振动频率数据结构化模块，包括：
[0025]
第一尺度频率特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述振动频率输入向量进行一维卷积编码以得到第一尺度振动频率特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
[0026]
第二尺度频率特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述振动频率输入向量进行一维卷积编码以得到第二尺度振动频率特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
[0027]
多尺度融合单元，用于使用所述多尺度邻域特征提取模块的级联层对所述第一尺度振动频率特征向量和所述第二尺度振动频率特征向量进行级联以得到所述振动频率特征向量。
[0028]
在上述的通过活化给煤机控制的均匀出料控制系统中，
[0029]
所述第一尺度频率特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述振动频率输入向量进行一维卷积编码以得到第一尺度振动频率特征向量；
[0030]
其中，所述公式为：
[0031][0032]
其中，为第一一维卷积核在方向上的宽度、为第一一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第一一维卷积核的尺寸，表示所述振动频率输入向量；以及
[0033]
所述第二尺度频率特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述振动频率输入向量进行一维卷积编码以得到第二尺度振动频率特征向量；
[0034]
其中，所述公式为：
[0035][0036]
其中，为第二一维卷积核在方向上的宽度、为第二一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第二一维卷积核的尺寸，表示所述振动频率输入向量。
[0037]
在上述的通过活化给煤机控制的均匀出料控制系统中，所述响应性估计模块，进一步用于：以如下公式计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵；
[0038]
其中，所述公式为：
[0039]
=
[0040]
其中表示所述振动频率特征向量，表示所述料位深度特征向量，表示所述分类特征矩阵，表示矩阵相乘。
[0041]
在上述的通过活化给煤机控制的均匀出料控制系统中，所述信息分布优化模块，用于：以如下公式对所述分类特征矩阵进行空间多源融合验前信息分布优化以得到所述优化后分类特征矩阵；
[0042]
其中，所述公式为：
[0043][0044][0045]
其中，为所述分类特征矩阵的第行第列的特征值，为所述分类特征矩阵的第行第列的特征值，和为邻域设置超参数，且当或者小于等于零或者大于所述去雾图像的宽度或者高度时，特征值设置为零或者一，表示以2为底的对数函
数值，为所述优化后分类特征矩阵的第行第列的特征值。
[0046]
在上述的通过活化给煤机控制的均匀出料控制系统中，所述控制结果生成模块，进一步用于：
[0047]
将所述优化后分类特征矩阵按照行向量或列向量展开为分类特征向量；
[0048]
使用所述分类器的多个全连接层对所述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
[0049]
将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0050]
与现有技术相比，本技术提供的一种通过活化给煤机控制的均匀出料控制系统，其先将多个预定时间点的由料位计采集的料位值排列为料位值输入向量并计算其每两个相邻位置的料位值之间的差值，接着，将得到的料位变化输入向量和所述料位值输入向量进行关联编码后通过卷积神经网络模型以得到料位深度特征向量，然后，将多个预定时间点的出料板的振动频率值排列后通过多尺度邻域特征提取模块以得到振动频率特征向量，最后，将计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计得到的分类特征矩阵进行优化后再通过分类器以得到用于表示当前时间点的出料板的振动频率值应增加或应减小分类结果。这样，可以实现活化给煤机的均匀出料。
附图说明
[0051]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0052]
图1为根据本技术实施例的通过活化给煤机控制的均匀出料控制系统的应用场景图。
[0053]
图2为根据本技术实施例的通过活化给煤机控制的均匀出料控制系统的框图示意图。
[0054]
图3为根据本技术实施例的通过活化给煤机控制的均匀出料控制系统中的所述振动频率数据结构化模块的框图示意图。
[0055]
图4为根据本技术实施例的通过活化给煤机控制的均匀出料控制方法的流程图。
[0056]
图5为根据本技术实施例的通过活化给煤机控制的均匀出料控制方法的系统架构的示意图。
具体实施方式
[0057]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0058]
场景概述
[0059]
如上所述，现有的活化给煤机无法控制料仓均衡出料，而导致煤种输送效率的降低，其原因为随着煤仓料斗内物料的高度变化，其随着自身重力下降的速度会发生改变，进
而导致无法均匀出料。因此，期待一种用于活化给煤机控制的均匀出料控制方案。
[0060]
相应地，在本技术的技术方案中，考虑到随着煤仓料斗内物料的高度变化，其随着自身重力下降的速度会发生改变，因此，在本技术的技术方案中，首先在煤仓料斗内安装料位计，以通过所述料位计来对物料高度的变化实时连续检测。另一方面，活化给煤机的出料速度可以通过控制出料板的振动频率来调整。难点在于如何建立煤仓料斗内物料的高度变化与所述出料板的振动频率之间的映射关系，以使得基于料位变化来自适应地调整所述出料板的振动频率以实现均匀出料的控制目的。
[0061]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0062]
深度学习以及神经网络的发展为挖掘煤仓料斗内物料的高度变化与所述出料板的振动频率之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立煤仓料斗内物料的高度变化与所述出料板的振动频率之间的复杂映射关系。
[0063]
具体地，在本技术的技术方案中，首先获取预定时间段内多个预定时间点的由料位计采集的料位值以及所述多个预定时间点的出料板的振动频率值。在本技术的技术方案中，为了更为充分地挖掘煤仓料斗内物料的高度变化特征，为了防止梯度消失，所述作为过滤器的卷积神经网络模型为深度残差网络模型，例如，resnet 50、resnet 150等。
[0064]
针对所述多个预定时间点的出料板的振动频率值，首先将所述多个预定时间点的出料板的振动频率值按照时间维度排列为振动频率输入向量，也就是，构造所述出料板的全时序向量表示。接着，将所述振动频率输入向量通过多尺度邻域特征提取模块以得到振动频率特征向量。具体地，在本技术的技术方案中，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多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积层。在所述多尺度邻域特征提取模块的编码过程中，其分别使用所述第一卷积层和所述第二卷积层对所述振动频率输入向量进行不同尺度的一维卷积编码以提取所述振动频率输入向量中不同时间跨度内振动频率隐含关联特征，并通过所述多尺度特征融合层将具有不同尺度的振动频率隐含关联特征进行融合以得到所述振动频率特征向量。
[0065]
考虑到在逻辑层面上，所述出料板的振动频率特征和所述煤仓料斗内物料的高度变化特征之间存在响应性关联，因此，在本技术的技术方案中，进一步地计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵。例如，在本技术的一个具体的技术方案中，计算所述振动频率特征向量相对于所述料位深度特征向量的转移矩阵作为所述分类特征矩阵。应可以理解，所述分类特征矩阵包含出料板的振动频率特征和所述煤仓料斗内物料的高度变化特征，以及，两者之间的响应性融合信息。
[0066]
最终，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出料板的振动频率值应增加或应减小。也就是说，在本技术的技术方案中，所述分类器的标签包括当前时间点的出料板的振动频率值应增加（第一标签）和当前时间点
的出料板的振动频率值应减小（第二标签），所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本技术的技术方案中，所述分类器的分类标签为出料板的振动频率值控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述出料板的振动频率，以此来实现均衡出料的技术目的。
[0067]
在本技术的技术方案中，通过计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计得到所述分类特征矩阵时，是基于所述振动频率特征向量相对于所述料位深度特征向量的响应向量，对于所述响应向量的每个特征值，通过所述振动频率特征向量的自方差矩阵相对于所述料位深度特征向量的自方差矩阵的响应方差矩阵的相应行的方差分布来进行展开，以得到所述分类特征矩阵的每个行向量，因此，所述分类特征矩阵是每个行向量对应的局部特征集合的组合特征集合，且其各个行特征向量的特征分布之间具有沿所述分类特征矩阵的列方向的相互关联的邻域分布关系。
[0068]
并且，由于所述响应向量的各个特征值之间具有所述振动频率特征向量和所述料位深度特征向量的序列特征分布关系，因此所述分类特征矩阵的各个行特征向量除了具有相互关联的邻域分布关系外，还具有对应于振动频率对于料位深度的序列响应分布信息的多源信息关联关系。
[0069]
由此，为了提升所述分类特征矩阵的全局特征关联效果，对所述分类特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化，以获得优化后的特征值，具体表示为：
[0070][0071][0072]
其中和为邻域设置超参数，且当或者小于等于零或者大于所述分类特征矩阵的宽度或者高度时，特征值可以设置为零或者一。
[0073]
这里，所述空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计，来将所述分类特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合，实现特征局部集合各自的多源验前信息到特征全局集合的有效折合，并通过多源情况下的验前信息分布构建，来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式，以提升所述分类特征矩阵的全局特征关联效果，从而提升其通过分类器得到的分类结果的准确性。
[0074]
基于此，本技术提供了一种通过活化给煤机控制的均匀出料控制系统，其包括：状态监控模块，用于获取预定时间段内多个预定时间点的由料位计采集的料位值以及所述多个预定时间点的出料板的振动频率值；绝对量时序化模块，用于将所述多个预定时间点的由料位计采集的料位值按照时间维度排列为料位值输入向量；相对量表达模块，用于计算所述料位值输入向量中每两个相邻位置的料位值之间的差值以得到料位变化输入向量；关联模块，用于对所述料位值输入向量和所述料位变化输入向量进行关联编码以得到料位绝对量-相对量关联矩阵；关联特征提取模块，用于将所述料位绝对量-相对量关联矩阵通过
作为过滤器的卷积神经网络模型以得到料位深度特征向量；振动频率数据结构化模块，用于将所述多个预定时间点的出料板的振动频率值按照时间维度排列为振动频率输入向量后通过多尺度邻域特征提取模块以得到振动频率特征向量；响应性估计模块，用于计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵；信息分布优化模块，用于对所述分类特征矩阵进行空间多源融合验前信息分布优化以得到优化后分类特征矩阵；控制结果生成模块，用于将所述优化后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出料板的振动频率值应增加或应减小。
[0075]
图1为根据本技术实施例的通过活化给煤机控制的均匀出料控制系统的应用场景图。如图1所示，在该应用场景中，获取预定时间段内多个预定时间点的由料位计（例如，如图1中所示意的c）采集的料位值（例如，如图1中所示意的d1）以及所述多个预定时间点的出料板（例如，如图1中所示意的f）的振动频率值（例如，如图1中所示意的d2），然后，将所述多个预定时间点的由料位计采集的料位值和所述多个预定时间点的出料板的振动频率值输入至部署有通过活化给煤机控制的均匀出料控制算法的服务器中（例如，图1中所示意的s），其中，所述服务器能够使用所述通过活化给煤机控制的均匀出料控制算法对所述多个预定时间点的由料位计采集的料位值和所述多个预定时间点的出料板的振动频率值进行处理以生成用于表示当前时间点的出料板的振动频率值应增加或应减小的分类结果。
[0076]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0077]
示例性系统
[0078]
图2为根据本技术实施例的通过活化给煤机控制的均匀出料控制系统的框图示意图。如图2所示，根据本技术实施例的通过活化给煤机控制的均匀出料控制系统100，包括：状态监控模块110，用于获取预定时间段内多个预定时间点的由料位计采集的料位值以及所述多个预定时间点的出料板的振动频率值；绝对量时序化模块120，用于将所述多个预定时间点的由料位计采集的料位值按照时间维度排列为料位值输入向量；相对量表达模块130，用于计算所述料位值输入向量中每两个相邻位置的料位值之间的差值以得到料位变化输入向量；关联模块140，用于对所述料位值输入向量和所述料位变化输入向量进行关联编码以得到料位绝对量-相对量关联矩阵；关联特征提取模块150，用于将所述料位绝对量-相对量关联矩阵通过作为过滤器的卷积神经网络模型以得到料位深度特征向量；振动频率数据结构化模块160，用于将所述多个预定时间点的出料板的振动频率值按照时间维度排列为振动频率输入向量后通过多尺度邻域特征提取模块以得到振动频率特征向量；响应性估计模块170，用于计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵；信息分布优化模块180，用于对所述分类特征矩阵进行空间多源融合验前信息分布优化以得到优化后分类特征矩阵；控制结果生成模块190，用于将所述优化后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出料板的振动频率值应增加或应减小。
[0079]
更具体地，在本技术实施例中，所述状态监控模块110，用于获取预定时间段内多个预定时间点的由料位计采集的料位值以及所述多个预定时间点的出料板的振动频率值。考虑到随着煤仓料斗内物料的高度变化，其随着自身重力下降的速度会发生改变，因此，在本技术的技术方案中，首先在煤仓料斗内安装料位计，以通过所述料位计来对物料高度的
变化实时连续检测。另一方面，活化给煤机的出料速度可以通过控制出料板的振动频率来调整。
[0080]
更具体地，在本技术实施例中，所述绝对量时序化模块120，用于将所述多个预定时间点的由料位计采集的料位值按照时间维度排列为料位值输入向量。将所述多个预定时间点的由料位计采集的料位值按照时间维度排列为料位值输入向量，也就是，构造料位值的全时序向量表示。
[0081]
更具体地，在本技术实施例中，所述相对量表达模块130，用于计算所述料位值输入向量中每两个相邻位置的料位值之间的差值以得到料位变化输入向量。通过计算所述料位值输入向量中每两个相邻位置的料位值之间的差值以得到料位变化输入向量，从而可以获取料位值的变化信息。
[0082]
更具体地，在本技术实施例中，所述关联模块140，用于对所述料位值输入向量和所述料位变化输入向量进行关联编码以得到料位绝对量-相对量关联矩阵。对所述料位值输入向量和所述料位变化输入向量进行关联编码，从而构建料位绝对量-相对量关联矩阵。
[0083]
相应地，在一个具体示例中，所述关联模块140，进一步用于：以如下公式对所述料位值输入向量和所述料位变化输入向量进行关联编码以得到所述料位绝对量-相对量关联矩阵；其中，所述公式为：
[0084][0085]
其中表示所述料位变化输入向量，表示所述料位变化输入向量的转置向量，表示所述料位值输入向量，表示所述料位绝对量-相对量关联矩阵，表示向量相乘。
[0086]
更具体地，在本技术实施例中，所述关联特征提取模块150，用于将所述料位绝对量-相对量关联矩阵通过作为过滤器的卷积神经网络模型以得到料位深度特征向量。为了更为充分地挖掘煤仓料斗内物料的高度变化特征，为了防止梯度消失，所述作为过滤器的卷积神经网络模型为深度残差网络模型，例如，resnet 50、resnet 150等。
[0087]
相应地，在一个具体示例中，所述关联特征提取模块150，进一步用于：所述作为过滤器的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基于局部特征矩阵的均值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，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述料位深度特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述料位绝对量-相对量关联矩阵。
[0088]
更具体地，在本技术实施例中，所述振动频率数据结构化模块160，用于将所述多个预定时间点的出料板的振动频率值按照时间维度排列为振动频率输入向量后通过多尺度邻域特征提取模块以得到振动频率特征向量。将所述多个预定时间点的出料板的振动频率值按照时间维度排列为振动频率输入向量，也就是，构造所述出料板的全时序向量表示。具体地，在本技术的技术方案中，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多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积层。在所述多尺度邻域特征提取模块的编码过程中，其分别使用所述第一卷积层和所述第二卷积层对所述振动频率
输入向量进行不同尺度的一维卷积编码以提取所述振动频率输入向量中不同时间跨度内振动频率隐含关联特征，并通过所述多尺度特征融合层将具有不同尺度的振动频率隐含关联特征进行融合以得到所述振动频率特征向量。
[0089]
相应地，在一个具体示例中，如图3所示，所述振动频率数据结构化模块160，包括：第一尺度频率特征提取单元161，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述振动频率输入向量进行一维卷积编码以得到第一尺度振动频率特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度频率特征提取单元162，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述振动频率输入向量进行一维卷积编码以得到第二尺度振动频率特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度融合单元163，用于使用所述多尺度邻域特征提取模块的级联层对所述第一尺度振动频率特征向量和所述第二尺度振动频率特征向量进行级联以得到所述振动频率特征向量。
[0090]
相应地，在一个具体示例中，所述第一尺度频率特征提取单元161，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述振动频率输入向量进行一维卷积编码以得到第一尺度振动频率特征向量；其中，所述公式为：
[0091][0092]
其中，为第一一维卷积核在方向上的宽度、为第一一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第一一维卷积核的尺寸，表示所述振动频率输入向量。
[0093]
相应地，在一个具体示例中，所述第二尺度频率特征提取单元162，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述振动频率输入向量进行一维卷积编码以得到第二尺度振动频率特征向量；其中，所述公式为：
[0094][0095]
其中，为第二一维卷积核在方向上的宽度、为第二一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第二一维卷积核的尺寸，表示所述振动频率输入向量。
[0096]
更具体地，在本技术实施例中，所述响应性估计模块170，用于计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵。考虑到在逻辑层面上，所述出料板的振动频率特征和所述煤仓料斗内物料的高度变化特征之间存在响应性关联，因此，在本技术的技术方案中，进一步地计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵。例如，在本技术的一个具体的技术方案中，计算所述振动频率特征向量相对于所述料位深度特征向量的转移矩阵作为所述分类特征矩阵。应可以理解，所述分类特征矩阵包含出料板的振动频率特征和所述煤仓料斗内物料的高度变化特征，以及，两者之间的响应性融合信息。
[0097]
相应地，在一个具体示例中，所述响应性估计模块170，进一步用于：以如下公式计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：
[0098]
=
[0099]
其中表示所述振动频率特征向量，表示所述料位深度特征向量，表示所述分类特征矩阵，表示矩阵相乘。
[0100]
更具体地，在本技术实施例中，所述信息分布优化模块180，用于对所述分类特征矩阵进行空间多源融合验前信息分布优化以得到优化后分类特征矩阵。
[0101]
在本技术的技术方案中，通过计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计得到所述分类特征矩阵时，是基于所述振动频率特征向量相对于所述料位深度特征向量的响应向量，对于所述响应向量的每个特征值，通过所述振动频率特征向量的自方差矩阵相对于所述料位深度特征向量的自方差矩阵的响应方差矩阵的相应行的方差分布来进行展开，以得到所述分类特征矩阵的每个行向量，因此，所述分类特征矩阵是每个行向量对应的局部特征集合的组合特征集合，且其各个行特征向量的特征分布之间具有沿所述分类特征矩阵的列方向的相互关联的邻域分布关系。
[0102]
并且，由于所述响应向量的各个特征值之间具有所述振动频率特征向量和所述料位深度特征向量的序列特征分布关系，因此所述分类特征矩阵的各个行特征向量除了具有相互关联的邻域分布关系外，还具有对应于振动频率对于料位深度的序列响应分布信息的多源信息关联关系。由此，为了提升所述分类特征矩阵的全局特征关联效果，对所述分类特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化，以获得优化后的特征值。
[0103]
相应地，在一个具体示例中，所述信息分布优化模块，用于：以如下公式对所述分类特征矩阵进行空间多源融合验前信息分布优化以得到所述优化后分类特征矩阵；
[0104]
其中，所述公式为：
[0105][0106][0107]
其中，为所述分类特征矩阵的第行第列的特征值，为所述分类特征矩阵的第行第列的特征值，和为邻域设置超参数，且当或者小于等于零或者大于所述去雾图像的宽度或者高度时，特征值设置为零或者一，表示以2为底的对数函数值，为所述优化后分类特征矩阵的第行第列的特征值。
[0108]
这里，所述空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计，来将所述分类特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合，实现特征局部集合各自的多源验前信息到特征全局集合的有效
折合，并通过多源情况下的验前信息分布构建，来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式，以提升所述分类特征矩阵的全局特征关联效果，从而提升其通过分类器得到的分类结果的准确性。
[0109]
更具体地，在本技术实施例中，所述控制结果生成模块190，用于将所述优化后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出料板的振动频率值应增加或应减小。也就是说，在本技术的技术方案中，所述分类器的标签包括当前时间点的出料板的振动频率值应增加（第一标签）和当前时间点的出料板的振动频率值应减小（第二标签），所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本技术的技术方案中，所述分类器的分类标签为出料板的振动频率值控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述出料板的振动频率，以此来实现均衡出料的技术目的。
[0110]
相应地，在一个具体示例中，所述控制结果生成模块190，进一步用于：将所述优化后分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述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通过所述分类器的softmax分类函数以得到所述分类结果。
[0111]
综上，基于本技术实施例的通过活化给煤机控制的均匀出料控制系统100被阐明，其先将多个预定时间点的由料位计采集的料位值排列为料位值输入向量并计算其每两个相邻位置的料位值之间的差值，接着，将得到的料位变化输入向量和所述料位值输入向量进行关联编码后通过卷积神经网络模型以得到料位深度特征向量，然后，将多个预定时间点的出料板的振动频率值排列后通过多尺度邻域特征提取模块以得到振动频率特征向量，最后，将计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计得到的分类特征矩阵进行优化后再通过分类器以得到用于表示当前时间点的出料板的振动频率值应增加或应减小分类结果。这样，可以实现活化给煤机的均匀出料。
[0112]
如上所述，根据本技术实施例的所述通过活化给煤机控制的均匀出料控制系统100可以实现在各种终端设备中，例如具有通过活化给煤机控制的均匀出料控制算法的服务器等。在一个示例中，通过活化给煤机控制的均匀出料控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该通过活化给煤机控制的均匀出料控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该通过活化给煤机控制的均匀出料控制系统100同样可以是该终端设备的众多硬件模块之一。
[0113]
替换地，在另一示例中，该通过活化给煤机控制的均匀出料控制系统100与该终端设备也可以是分立的设备，并且该通过活化给煤机控制的均匀出料控制系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0114]
示例性方法
[0115]
图4为根据本技术实施例的通过活化给煤机控制的均匀出料控制方法的流程图。如图4所示，根据本技术实施例的通过活化给煤机控制的均匀出料控制方法，其包括：s110，获取预定时间段内多个预定时间点的由料位计采集的料位值以及所述多个预定时间点的出料板的振动频率值；s120，将所述多个预定时间点的由料位计采集的料位值按照时间维度排列为料位值输入向量；s130，计算所述料位值输入向量中每两个相邻位置的料位值之
间的差值以得到料位变化输入向量；s140，对所述料位值输入向量和所述料位变化输入向量进行关联编码以得到料位绝对量-相对量关联矩阵；s150，将所述料位绝对量-相对量关联矩阵通过作为过滤器的卷积神经网络模型以得到料位深度特征向量；s160，将所述多个预定时间点的出料板的振动频率值按照时间维度排列为振动频率输入向量后通过多尺度邻域特征提取模块以得到振动频率特征向量；s170，计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵；s180，对所述分类特征矩阵进行空间多源融合验前信息分布优化以得到优化后分类特征矩阵；s190，将所述优化后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出料板的振动频率值应增加或应减小。
[0116]
图5为根据本技术实施例的通过活化给煤机控制的均匀出料控制方法的系统架构的示意图。如图5所示，在所述通过活化给煤机控制的均匀出料控制方法的系统架构中，首先，获取预定时间段内多个预定时间点的由料位计采集的料位值以及所述多个预定时间点的出料板的振动频率值；接着，将所述多个预定时间点的由料位计采集的料位值按照时间维度排列为料位值输入向量；然后，计算所述料位值输入向量中每两个相邻位置的料位值之间的差值以得到料位变化输入向量；接着，对所述料位值输入向量和所述料位变化输入向量进行关联编码以得到料位绝对量-相对量关联矩阵；然后，将所述料位绝对量-相对量关联矩阵通过作为过滤器的卷积神经网络模型以得到料位深度特征向量；接着，将所述多个预定时间点的出料板的振动频率值按照时间维度排列为振动频率输入向量后通过多尺度邻域特征提取模块以得到振动频率特征向量；然后，计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵；接着，对所述分类特征矩阵进行空间多源融合验前信息分布优化以得到优化后分类特征矩阵；最后，将所述优化后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出料板的振动频率值应增加或应减小。
[0117]
在一个具体示例中，在上述通过活化给煤机控制的均匀出料控制方法中，所述对所述料位值输入向量和所述料位变化输入向量进行关联编码以得到料位绝对量-相对量关联矩阵，进一步包括：以如下公式对所述料位值输入向量和所述料位变化输入向量进行关联编码以得到所述料位绝对量-相对量关联矩阵；其中，所述公式为：
[0118][0119]
其中表示所述料位变化输入向量，表示所述料位变化输入向量的转置向量，表示所述料位值输入向量，表示所述料位绝对量-相对量关联矩阵，表示向量相乘。
[0120]
在一个具体示例中，在上述通过活化给煤机控制的均匀出料控制方法中，所述将所述料位绝对量-相对量关联矩阵通过作为过滤器的卷积神经网络模型以得到料位深度特征向量，进一步包括：所述作为过滤器的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基于局部特征矩阵的均值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，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述料位深度特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述料位绝对量-相对量
关联矩阵。
[0121]
在一个具体示例中，在上述通过活化给煤机控制的均匀出料控制方法中，所述将所述多个预定时间点的出料板的振动频率值按照时间维度排列为振动频率输入向量后通过多尺度邻域特征提取模块以得到振动频率特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层对所述振动频率输入向量进行一维卷积编码以得到第一尺度振动频率特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；使用所述多尺度邻域特征提取模块的第二卷积层对所述振动频率输入向量进行一维卷积编码以得到第二尺度振动频率特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，使用所述多尺度邻域特征提取模块的级联层对所述第一尺度振动频率特征向量和所述第二尺度振动频率特征向量进行级联以得到所述振动频率特征向量。
[0122]
在一个具体示例中，在上述通过活化给煤机控制的均匀出料控制方法中，所述使用所述多尺度邻域特征提取模块的第一卷积层对所述振动频率输入向量进行一维卷积编码以得到第一尺度振动频率特征向量，进一步包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述振动频率输入向量进行一维卷积编码以得到第一尺度振动频率特征向量；其中，所述公式为：
[0123][0124]
其中，为第一一维卷积核在方向上的宽度、为第一一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第一一维卷积核的尺寸，表示所述振动频率输入向量。
[0125]
在一个具体示例中，在上述通过活化给煤机控制的均匀出料控制方法中，所述使用所述多尺度邻域特征提取模块的第二卷积层对所述振动频率输入向量进行一维卷积编码以得到第二尺度振动频率特征向量，进一步包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述振动频率输入向量进行一维卷积编码以得到第二尺度振动频率特征向量；其中，所述公式为：
[0126][0127]
其中，为第二一维卷积核在方向上的宽度、为第二一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第二一维卷积核的尺寸，表示所述振动频率输入向量。
[0128]
在一个具体示例中，在上述通过活化给煤机控制的均匀出料控制方法中，所述计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵，进一步包括：以如下公式计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：
[0129]
=
[0130]
其中表示所述振动频率特征向量，表示所述料位深度特征向量，表示所述分类特征矩阵，表示矩阵相乘。
[0131]
在一个具体示例中，在上述通过活化给煤机控制的均匀出料控制方法中，所述对所述分类特征矩阵进行空间多源融合验前信息分布优化以得到优化后分类特征矩阵，包括：以如下公式对所述分类特征矩阵进行空间多源融合验前信息分布优化以得到所述优化后分类特征矩阵；
[0132]
其中，所述公式为：
[0133][0134][0135]
其中，为所述分类特征矩阵的第行第列的特征值，为所述分类特征矩阵的第行第列的特征值，和为邻域设置超参数，且当或者小于等于零或者大于所述去雾图像的宽度或者高度时，特征值设置为零或者一，表示以2为底的对数函数值，为所述优化后分类特征矩阵的第行第列的特征值。
[0136]
在一个具体示例中，在上述通过活化给煤机控制的均匀出料控制方法中，所述将所述优化后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出料板的振动频率值应增加或应减小，进一步包括：将所述优化后分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述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通过所述分类器的softmax分类函数以得到所述分类结果。
[0137]
这里，本领域技术人员可以理解，上述通过活化给煤机控制的均匀出料控制方法中的各个步骤的具体操作已经在上面参考图1到图3的通过活化给煤机控制的均匀出料控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。
[0138]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0139]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0140]
还需要指出的是，本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0141]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0142]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种通过活化给煤机控制的均匀出料控制系统，其特征在于，包括：状态监控模块，用于获取预定时间段内多个预定时间点的由料位计采集的料位值以及所述多个预定时间点的出料板的振动频率值；绝对量时序化模块，用于将所述多个预定时间点的由料位计采集的料位值按照时间维度排列为料位值输入向量；相对量表达模块，用于计算所述料位值输入向量中每两个相邻位置的料位值之间的差值以得到料位变化输入向量；关联模块，用于对所述料位值输入向量和所述料位变化输入向量进行关联编码以得到料位绝对量-相对量关联矩阵；关联特征提取模块，用于将所述料位绝对量-相对量关联矩阵通过作为过滤器的卷积神经网络模型以得到料位深度特征向量；振动频率数据结构化模块，用于将所述多个预定时间点的出料板的振动频率值按照时间维度排列为振动频率输入向量后通过多尺度邻域特征提取模块以得到振动频率特征向量；响应性估计模块，用于计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵；信息分布优化模块，用于对所述分类特征矩阵进行空间多源融合验前信息分布优化以得到优化后分类特征矩阵；以及控制结果生成模块，用于将所述优化后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出料板的振动频率值应增加或应减小。2.根据权利要求1所述的通过活化给煤机控制的均匀出料控制系统，其特征在于，所述关联模块，进一步用于：以如下公式对所述料位值输入向量和所述料位变化输入向量进行关联编码以得到所述料位绝对量-相对量关联矩阵；其中，所述公式为：其中表示所述料位变化输入向量，表示所述料位变化输入向量的转置向量，表示所述料位值输入向量，表示所述料位绝对量-相对量关联矩阵，表示向量相乘。3.根据权利要求2所述的通过活化给煤机控制的均匀出料控制系统，其特征在于，所述关联特征提取模块，进一步用于：所述作为过滤器的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基于局部特征矩阵的均值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，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述料位深度特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述料位绝对量-相对量关联矩阵。4.根据权利要求3所述的通过活化给煤机控制的均匀出料控制系统，其特征在于，所述振动频率数据结构化模块，包括：
第一尺度频率特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述振动频率输入向量进行一维卷积编码以得到第一尺度振动频率特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度频率特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述振动频率输入向量进行一维卷积编码以得到第二尺度振动频率特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及多尺度融合单元，用于使用所述多尺度邻域特征提取模块的级联层对所述第一尺度振动频率特征向量和所述第二尺度振动频率特征向量进行级联以得到所述振动频率特征向量。5.根据权利要求4所述的通过活化给煤机控制的均匀出料控制系统，其特征在于，所述第一尺度频率特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述振动频率输入向量进行一维卷积编码以得到第一尺度振动频率特征向量；其中，所述公式为：其中，为第一一维卷积核在方向上的宽度、为第一一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第一一维卷积核的尺寸，表示所述振动频率输入向量；以及所述第二尺度频率特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述振动频率输入向量进行一维卷积编码以得到第二尺度振动频率特征向量；其中，所述公式为：其中，为第二一维卷积核在方向上的宽度、为第二一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第二一维卷积核的尺寸，表示所述振动频率输入向量。6.根据权利要求5所述的通过活化给煤机控制的均匀出料控制系统，其特征在于，所述响应性估计模块，进一步用于：以如下公式计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：=7.其中表示所述振动频率特征向量，表示所述料位深度特征向量，表示所述分类特征矩阵，表示矩阵相乘。
8.根据权利要求6所述的通过活化给煤机控制的均匀出料控制系统，其特征在于，所述信息分布优化模块，用于：以如下公式对所述分类特征矩阵进行空间多源融合验前信息分布优化以得到所述优化后分类特征矩阵；其中，所述公式为：所述公式为：其中，为所述分类特征矩阵的第行第列的特征值，为所述分类特征矩阵的第行第列的特征值，和为邻域设置超参数，且当或者小于等于零或者大于所述去雾图像的宽度或者高度时，特征值设置为零或者一，表示以2为底的对数函数值，为所述优化后分类特征矩阵的第行第列的特征值。9.根据权利要求7所述的通过活化给煤机控制的均匀出料控制系统，其特征在于，所述控制结果生成模块，进一步用于：将所述优化后分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述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通过所述分类器的softmax分类函数以得到所述分类结果。

技术总结
本申请公开了一种通过活化给煤机控制的均匀出料控制系统。其先将多个预定时间点的由料位计采集的料位值排列为料位值输入向量并计算其每两个相邻位置的料位值之间的差值，接着，将得到的料位变化输入向量和所述料位值输入向量进行关联编码后通过卷积神经网络模型以得到料位深度特征向量，然后，将多个预定时间点的出料板的振动频率值排列后通过多尺度邻域特征提取模块以得到振动频率特征向量，最后，将计算所述振动频率特征向量相对于所述料位深度特征向量的响应性估计得到的分类特征矩阵进行优化后再通过分类器以得到用于表示当前时间点的出料板的振动频率值应增加或应减小分类结果。这样，可以实现活化给煤机的均匀出料。匀出料。匀出料。


技术研发人员：苗晓明 杨熠 王喜俊 徐学军 梁红雨 马塾禄 荣令玉 陈江廷 李猛 刘鸣 刘晓光 张岩
受保护的技术使用者：北京远东加大科技发展有限公司
技术研发日：2023.07.10
技术公布日：2023/9/7