一种基于BP神经网络的称重组件布局方法及系统与流程

一种基于bp神经网络的称重组件布局方法及系统
技术领域
1.本发明涉及石膏板称重组件技术领域，具体涉及一种基于bp神经网络的称重组件布局方法及系统。


背景技术：

2.成品整架石膏板的平均重量关乎石膏板的质量，单位面积重量小容易发生粘接差，产生不合格品，影响生产效率，其中，石膏板的单位面积重量是指每平米石膏板的重量。传统工艺中是将若干石膏板堆垛在一起批量称量并且取平均值，其称量效率低下，已经不适合现在的自动化生产。
3.目前，现有设备中有多种快速称量石膏板材重量的设备，例如cn202121894810.8(一种板材连续称重装置)使用皮带秤在线称量石膏板的重量，其中在固定位置布设皮带秤，进行连续传输称重。但是称重组件的固定化设置也体现了现有石膏板称重设备的缺陷，固定的称重组件由于称重上下限的限制，对称重对象就需要进行规格限定，因此称重组件组合选择数量少，会导致产品适应性有限，而且如果称重组件为了提高称重适应性，需要选择更高数量组件组合，但更高数量组件的固定化组合在追求适应性同时会由于偶发性称重对象的不常出现导致硬件资源的浪费，现有称重设备在建造时就进行了称重组件的组合设置，但是现有的称重组件组合大多采用人工主观性判断称重对象规格来设置称重组件的称重上下限，即称重适应性依赖性人工主观性判断，难以保证同时高适应性和低资源浪费。


技术实现要素：

4.本发明的目的在于提供一种基于bp神经网络的称重组件布局方法及系统，以解决现有技术中称重适应性依赖性人工主观性判断，难以保证同时高适应性和低资源浪费的技术问题。
5.为解决上述技术问题，本发明具体提供下述技术方案：
6.一种基于bp神经网络的称重组件布局方法，包括以下步骤：
7.步骤s1、选取有限量不同规格的石膏板称重产品作为称重布局样本，对各个称重布局样本利用称重期望进行布局完成性分析获得称重各个称重布局样本的最优称重点位，所述称重期望为称重各个称重布局样本时期望取得的目标结果，所述布局完成性分析为利用称重期望对称重布局样本进行最优量化确定出称重称重布局样本时称重支撑机构和变送器的最优称重点位，所述最优称重点位为完成称重布局样本的称重期望最优化目标时称重支撑机构和变送器所处的最佳位置；
8.步骤s2、利用bp神经网络基于各个称重布局样本的属性特征以及最优称重点位进行学习训练得到称重点位布局模型；
9.步骤s3、将称重支撑机构和变送器设置为可移动结构，称重支撑机构和变送器依据称重点位布局模型输出的石膏板称重产品的最优称重点位进行定点移动，以实现对石膏板称重产品称重的最优化布局；
10.其中，称重支撑机构上表面设置有称重传感器，所述称重支撑机构用于支撑石膏板称重产品与称重传感器压式接触来完成石膏板称重产品的称重，以获取表征石膏板称重产品重量的数字信号，所述变送器与称重传感器通讯连接，所述变送器用于将表征石膏板称重产品重量的数字信号传输至称重上位机中显示出石膏板称重产品的称重重量。
11.作为本发明的一种优选方案，所述对各个称重布局样本利用称重期望进行布局完成性分析获得称重各个称重布局样本的最优称重点位，包括：
12.构建称重准确性期望，所述称重准确性期望的量化表达式为：
[0013][0014]
式中，k为称重准确性期望，g
real
为称重布局样本的重量真实值，pi为称重支撑机构的第i个称重点位，gc(pi)为称重支撑机构的第i个称重点位的称重重量，为称重支撑机构的所有称重点位的称重重量和或称重布局样本的称重重量，n为称重支撑机构的称重点位数量，i为计数变量；
[0015]
构建称重成本性期望，所述称重成本性期望的量化表达式为：
[0016][0017]
式中，l为称重成本性期望，mc为称重支撑机构的单位成本，mz为称重传感器的单位成本，m
l
为变送器的单位成本，n为称重支撑机构的称重点位数量，m为变送器的称重点位数量，m:n＝d，d为比例常数；
[0018]
最大化称重准确性期望maxk，以及最小化称重成本性期望minl，并对最大化称重准确性期望和最小化称重成本性期望进行共同求解得到称重布局样本中称重支撑机构的称重点位数量以及最优称重点位，max为最大化运算符，min为最小化运算符；
[0019]
基于称重支撑机构和变送器的数量适配性规则m:n＝d，依据称重布局样本中称重支撑机构的称重点位数量适应性得到称重布局样本中变送器的称重点位数量；
[0020]
基于称重支撑机构和变送器的点位适配性规则，依据称重布局样本中称重支撑机构的最优称重点位适应性得到称重布局样本中变送器的最优称重点位。
[0021]
作为本发明的一种优选方案，所述利用bp神经网络基于各个称重布局样本的属性特征以及最优称重点位进行学习训练得到称重点位布局模型，包括：
[0022]
将称重布局样本的属性特征作为bp神经网络的输入项，将称重布局样本的最优称重点位作为bp神经网络的输出项；
[0023]
利用bp神经网络对bp神经网络的输入项和bp神经网络的输出项进行学习训练得到所述称重点位布局模型；
[0024]
所述称重点位布局模型的模型表达式为：
[0025]
[p,q]＝bp(s)；
[0026]
式中，p为称重支撑机构的最优称重点位，q为变送器的最优称重点位，s为属性特征，bp为神经网络。
[0027]
作为本发明的一种优选方案，所述属性特征包括石膏板称重产品的长度规格、形
状规格以及材料规格。
[0028]
作为本发明的一种优选方案，所述单位成本包括单位安装成本、单位器件成本以及单位运营成本。
[0029]
作为本发明的一种优选方案，在布局完成性分析过程中，将所述称重点位的称重重量与称重支撑机构的单位成本，重传感器的单位成本，变送器的单位成本进行归一化处理。
[0030]
作为本发明的一种优选方案，利用多目标优化算法对最大化称重准确性期望和最小化称重成本性期望进行共同求解。
[0031]
作为本发明的一种优选方案，本发明提供了一种实施所述的称重组件布局方法的布局系统，包括称重支撑机构、称重传感器、变送器、石膏板属性采集装置、上位机、气缸控制系统，其中；
[0032]
所述称重支撑机构用于支撑石膏板称重产品与称重传感器压式接触，以使得称重传感器获取表征石膏板称重产品重量的数字信号；
[0033]
所述称重传感器用于获取表征石膏板称重产品重量的数字信号；
[0034]
所述变送器用于将表征石膏板称重产品重量的数字信号传输至称重上位机；
[0035]
所述石膏板属性采集装置用于采集石膏板称重产品属性特征；
[0036]
所述上位机用于利用称重点位布局模型基于石膏板属性采集装置反馈的石膏板称重产品属性特征得到石膏板称重产品的最优称重点位，以及显示出石膏板称重产品的称重重量；
[0037]
所述气缸控制系统用于依据上位机输出的石膏板称重产品的最优称重点位控制称重支撑机构进行定点移动到最优称重点位处。
[0038]
作为本发明的一种优选方案，所述称重传感器设置在称重支撑机构上表面，且与变送器通讯连接，所述变送器与上位机通讯连接，所述称重支撑机构与气缸控制系统通讯连接，所述气缸控制系统与上位机通讯连接，所述石膏板属性采集装置与上位机通讯连接，每个称重支撑机构的最优称重点处均设置有一个称重支撑机构，每个称重支撑机构上均设置有两个称重传感器。
[0039]
作为本发明的一种优选方案，所述称重点位布局模型的构建包括：
[0040]
构建称重准确性期望，所述称重准确性期望的量化表达式为：
[0041][0042]
式中，k为称重准确性期望，g
real
为称重布局样本的重量真实值，pi为称重支撑机构的第i个称重点位，gc(pi)为称重支撑机构的第i个称重点位的称重重量，为称重支撑机构的所有称重点位的称重重量和或称重布局样本的称重重量，n为称重支撑机构的称重点位数量，i为计数变量；
[0043]
构建称重成本性期望，所述称重成本性期望的量化表达式为：
[0044]
[0045]
式中，l为称重成本性期望，mc为称重支撑机构的单位成本，mz为称重传感器的单位成本，m
l
为变送器的单位成本，n为称重支撑机构的称重点位数量，m为变送器的称重点位数量，m:n＝d，d为比例常数；
[0046]
最大化称重准确性期望maxk，以及最小化称重成本性期望minl，并对最大化称重准确性期望和最小化称重成本性期望进行共同求解得到称重布局样本中称重支撑机构的称重点位数量以及最优称重点位，max为最大化运算符，min为最小化运算符；
[0047]
基于称重支撑机构和变送器的数量适配性规则m:n＝d，依据称重布局样本中称重支撑机构的称重点位数量适应性得到称重布局样本中变送器的称重点位数量；
[0048]
基于称重支撑机构和变送器的点位适配性规则，依据称重布局样本中称重支撑机构的最优称重点位适应性得到称重布局样本中变送器的最优称重点位；
[0049]
将称重布局样本的属性特征作为bp神经网络的输入项，将称重布局样本的最优称重点位作为bp神经网络的输出项；
[0050]
利用bp神经网络对bp神经网络的输入项和bp神经网络的输出项进行学习训练得到所述称重点位布局模型；
[0051]
所述称重点位布局模型的模型表达式为：
[0052]
[p,q]＝bp(s)；
[0053]
式中，p为称重支撑机构的最优称重点位，q为变送器的最优称重点位，s为属性特征，bp为神经网络。
[0054]
本发明与现有技术相比较具有如下有益效果：
[0055]
本发明利用bp神经网络基于各个称重布局样本的属性特征以及最优称重点位进行学习训练得到称重点位布局模型，将称重支撑机构和变送器设置为可移动结构，称重支撑机构和变送器依据称重点位布局模型输出的石膏板称重产品的最优称重点位进行定点移动，以实现对石膏板称重产品称重的最优化布局，称重适应性依赖性模型化专家经验的客观性判断，同时保证高适应性和低资源浪费。
附图说明
[0056]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0057]
图1为本发明实施例提供的称重组件布局方法流程图；
[0058]
图2为本发明实施例提供的布局系统结构框图。
具体实施方式
[0059]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0060]
称重组件的固定化设置也体现了现有石膏板称重设备的缺陷，固定的称重组件由
于称重上下限的限制，对称重对象就需要进行规格限定，因此称重组件组合选择数量少，会导致产品适应性有限，而且如果称重组件为了提高称重适应性，需要选择更高数量组件组合，但更高数量组件的固定化组合在追求适应性同时会由于偶发性称重对象的不常出现导致硬件资源的浪费，现有称重设备在建造时就进行了称重组件的组合设置，但是现有的称重组件组合大多采用人工主观性判断称重对象规格来设置称重组件的称重上下限，即称重适应性依赖性人工主观性判断，难以保证同时高适应性和低资源浪费。因此本发明提供了一种称重组件布局方法，构建称重点位布局模型，实现对石膏板称重产品称重的最优化布局，称重适应性依赖性模型化专家经验的客观性判断，同时保证高适应性和低资源浪费。
[0061]
如图1所示，本发明提供了一种基于bp神经网络的称重组件布局方法，包括以下步骤：
[0062]
步骤s1、选取有限量不同规格的石膏板称重产品作为称重布局样本，对各个称重布局样本利用称重期望进行布局完成性分析获得称重各个称重布局样本的最优称重点位，称重期望为称重各个称重布局样本时期望取得的目标结果，布局完成性分析为利用称重期望对称重布局样本进行最优量化确定出称重称重布局样本时称重支撑机构和变送器的最优称重点位，最优称重点位为完成称重布局样本的称重期望最优化目标时称重支撑机构和变送器所处的最佳位置；
[0063]
步骤s2、利用bp神经网络基于各个称重布局样本的属性特征以及最优称重点位进行学习训练得到称重点位布局模型；
[0064]
步骤s3、将称重支撑机构和变送器设置为可移动结构，称重支撑机构和变送器依据称重点位布局模型输出的石膏板称重产品的最优称重点位进行定点移动，以实现对石膏板称重产品称重的最优化布局；
[0065]
其中，称重支撑机构上表面设置有称重传感器，称重支撑机构用于支撑石膏板称重产品与称重传感器压式接触来完成石膏板称重产品的称重，以获取表征石膏板称重产品重量的数字信号，变送器与称重传感器通讯连接，变送器用于将表征石膏板称重产品重量的数字信号传输至称重上位机中显示出石膏板称重产品的称重重量。
[0066]
本发明利用布局完成性分析确定出称重支撑机构和变送器的最优称重点位，能够实现依据石膏板称重产品的产品规格进行称重组件的最优称重位置设置，避免硬件资源的浪费，保证称重的准确性和节约性，同时利用bp神经网络构建称重点位布局模型，能够使得称重点位布局模型集成布局完成性分析的优势，使得模型化测算出各种石膏板称重产品的称重点位，称重点位能够准确的称重各种石膏板称重产品，且保持最小的称重组件器件、安装和运营成本，将称重支撑机构和变送器设置为可移动结构与称重点位布局模型相匹配，实现数据和硬件的配合，对各种石膏板称重产品进行由模型测算出的最优化布局方案进行称重组件硬件落地，提高称重组合布局的称重适应性，以及组件布局灵活调整避免了固定化的组件布局导致的硬件资源浪费。
[0067]
本发明利用布局完成性分析进行称重组件最优布局分析，将称重准确性期望和称重成本性期望作两种布局期望进行量化分析，通过量化分析出能够权衡称重准确性和称重成本的称重组件最优布局，即最优布局能够在保证高称重准确性的同时维持低称重成本，具体如下：
[0068]
对各个称重布局样本利用称重期望进行布局完成性分析获得称重各个称重布局
样本的最优称重点位，包括：
[0069]
构建称重准确性期望，称重准确性期望的量化表达式为：
[0070][0071]
式中，k为称重准确性期望，g
real
为称重布局样本的重量真实值，pi为称重支撑机构的第i个称重点位，gc(pi)为称重支撑机构的第i个称重点位的称重重量，为称重支撑机构的所有称重点位的称重重量和或称重布局样本的称重重量，n为称重支撑机构的称重点位数量，i为计数变量；
[0072]
构建称重成本性期望，称重成本性期望的量化表达式为：
[0073][0074]
式中，l为称重成本性期望，mc为称重支撑机构的单位成本，mz为称重传感器的单位成本，m
l
为变送器的单位成本，n为称重支撑机构的称重点位数量，m为变送器的称重点位数量，m:n＝d，d为比例常数；
[0075]
最大化称重准确性期望maxk，以及最小化称重成本性期望minl，并对最大化称重准确性期望和最小化称重成本性期望进行共同求解得到称重布局样本中称重支撑机构的称重点位数量以及最优称重点位，max为最大化运算符，min为最小化运算符；
[0076]
基于称重支撑机构和变送器的数量适配性规则m:n＝d，比如采用12个称重传感器适配2个变送器；采用14个称重传感器适配3个变送器；采用16个称重传感器适配4个变送器；采用18个称重传感器适配5个变送器；采用20个称重传感器适配6个变送器，依据称重布局样本中称重支撑机构的称重点位数量适应性得到称重布局样本中变送器的称重点位数量；
[0077]
基于称重支撑机构和变送器的点位适配性规则，依据称重布局样本中称重支撑机构的最优称重点位适应性得到称重布局样本中变送器的最优称重点位。
[0078]
本发明利用布局完成性分析进行称重组件最优布局分析得到模型训练样本，利用bp神经网络对属性特征以及最优称重点位进行学习训练，实现直接通过石膏板称重产品的属性特征得到最优称重点位，由于训练样本来自于布局完成性分析，因此训练得到的称重点位布局模型具有高称重准确性以及低称重成本的优势，实现模型化称重适应性依赖性模型化专家经验的客观性判断，模型构建具体如下：
[0079]
利用bp神经网络基于各个称重布局样本的属性特征以及最优称重点位进行学习训练得到称重点位布局模型，包括：
[0080]
将称重布局样本的属性特征作为bp神经网络的输入项，将称重布局样本的最优称重点位作为bp神经网络的输出项；
[0081]
利用bp神经网络对bp神经网络的输入项和bp神经网络的输出项进行学习训练得到称重点位布局模型；
[0082]
称重点位布局模型的模型表达式为：
[0083]
[p,q]＝bp(s)；
[0084]
式中，p为称重支撑机构的最优称重点位，q为变送器的最优称重点位，s为属性特征，bp为神经网络。
[0085]
属性特征包括石膏板称重产品的长度规格、形状规格以及材料规格。
[0086]
单位成本包括单位安装成本、单位器件成本以及单位运营成本。
[0087]
在布局完成性分析过程中，将称重点位的称重重量与称重支撑机构的单位成本，重传感器的单位成本，变送器的单位成本进行归一化处理。
[0088]
利用多目标优化算法对最大化称重准确性期望和最小化称重成本性期望进行共同求解。
[0089]
本发明利用布局系统将称重支撑机构和变送器设置为可移动结构与称重点位布局模型相匹配，实现数据和硬件的配合，对各种石膏板称重产品进行由模型测算出的最优化布局方案进行称重组件硬件落地，提高称重组合布局的称重适应性，以及组件布局灵活调整避免了固定化的组件布局导致的硬件资源浪费，系统设置具体如下：
[0090]
如图2所示，一种实施称重组件布局方法的布局系统，包括称重支撑机构、称重传感器、变送器、石膏板属性采集装置、上位机、气缸控制系统，其中；
[0091]
称重支撑机构用于支撑石膏板称重产品与称重传感器压式接触，以使得称重传感器获取表征石膏板称重产品重量的数字信号；
[0092]
称重传感器用于获取表征石膏板称重产品重量的数字信号；
[0093]
变送器用于将表征石膏板称重产品重量的数字信号传输至称重上位机；
[0094]
石膏板属性采集装置用于采集石膏板称重产品属性特征；
[0095]
上位机用于利用称重点位布局模型基于石膏板属性采集装置反馈的石膏板称重产品属性特征得到石膏板称重产品的最优称重点位，以及显示出石膏板称重产品的称重重量；
[0096]
气缸控制系统用于依据上位机输出的石膏板称重产品的最优称重点位控制称重支撑机构进行定点移动到最优称重点位处。
[0097]
称重传感器设置在称重支撑机构上表面，且与变送器通讯连接，变送器与上位机通讯连接，称重支撑机构与气缸控制系统通讯连接，气缸控制系统与上位机通讯连接，石膏板属性采集装置与上位机通讯连接，每个称重支撑机构的最优称重点处均设置有一个称重支撑机构，每个称重支撑机构上均设置有两个称重传感器。
[0098]
称重点位布局模型的构建包括：
[0099]
构建称重准确性期望，称重准确性期望的量化表达式为：
[0100][0101]
式中，k为称重准确性期望，g
real
为称重布局样本的重量真实值，pi为称重支撑机构的第i个称重点位，gc(pi)为称重支撑机构的第i个称重点位的称重重量，为称重支撑机构的所有称重点位的称重重量和或称重布局样本的称重重量，n为称重支撑机构的称重点位数量，i为计数变量；
[0102]
构建称重成本性期望，称重成本性期望的量化表达式为：
[0103][0104]
式中，l为称重成本性期望，mc为称重支撑机构的单位成本，mz为称重传感器的单位成本，m
l
为变送器的单位成本，n为称重支撑机构的称重点位数量，m为变送器的称重点位数量，m:n＝d，d为比例常数；
[0105]
最大化称重准确性期望maxk，以及最小化称重成本性期望minl，并对最大化称重准确性期望和最小化称重成本性期望进行共同求解得到称重布局样本中称重支撑机构的称重点位数量以及最优称重点位，max为最大化运算符，min为最小化运算符；
[0106]
基于称重支撑机构和变送器的数量适配性规则m:n＝d，依据称重布局样本中称重支撑机构的称重点位数量适应性得到称重布局样本中变送器的称重点位数量；
[0107]
基于称重支撑机构和变送器的点位适配性规则，依据称重布局样本中称重支撑机构的最优称重点位适应性得到称重布局样本中变送器的最优称重点位；
[0108]
将称重布局样本的属性特征作为bp神经网络的输入项，将称重布局样本的最优称重点位作为bp神经网络的输出项；
[0109]
利用bp神经网络对bp神经网络的输入项和bp神经网络的输出项进行学习训练得到称重点位布局模型；
[0110]
称重点位布局模型的模型表达式为：
[0111]
[p,q]＝bp(s)；
[0112]
式中，p为称重支撑机构的最优称重点位，q为变送器的最优称重点位，s为属性特征，bp为神经网络。
[0113]
本发明利用布局完成性分析确定出称重支撑机构和变送器的最优称重点位，能够实现依据石膏板称重产品的产品规格进行称重组件的最优称重位置设置，避免硬件资源的浪费，保证称重的准确性和节约性，同时利用bp神经网络构建称重点位布局模型，能够使得称重点位布局模型集成布局完成性分析的优势，使得模型化测算出各种石膏板称重产品的称重点位，称重点位能够准确的称重各种石膏板称重产品，且保持最小的称重组件器件、安装和运营成本，将称重支撑机构和变送器设置为可移动结构与称重点位布局模型相匹配，实现数据和硬件的配合，对各种石膏板称重产品进行由模型测算出的最优化布局方案进行称重组件硬件落地，提高称重组合布局的称重适应性，以及组件布局灵活调整避免了固定化的组件布局导致的硬件资源浪费。
[0114]
本发明利用布局完成性分析进行称重组件最优布局分析，将称重准确性期望和称重成本性期望作两种布局期望进行量化分析，通过量化分析出能够权衡称重准确性和称重成本的称重组件最优布局，即最优布局能够在保证高称重准确性的同时维持低称重成本，
[0115]
本发明利用布局完成性分析进行称重组件最优布局分析得到模型训练样本，利用bp神经网络对属性特征以及最优称重点位进行学习训练，实现直接通过石膏板称重产品的属性特征得到最优称重点位，由于训练样本来自于布局完成性分析，因此训练得到的称重点位布局模型具有高称重准确性以及低称重成本的优势，实现模型化称重适应性依赖性模型化专家经验的客观性判断。
[0116]
本发明利用bp神经网络基于各个称重布局样本的属性特征以及最优称重点位进
行学习训练得到称重点位布局模型，将称重支撑机构和变送器设置为可移动结构，称重支撑机构和变送器依据称重点位布局模型输出的石膏板称重产品的最优称重点位进行定点移动，以实现对石膏板称重产品称重的最优化布局，称重适应性依赖性模型化专家经验的客观性判断，同时保证高适应性和低资源浪费。
[0117]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。

技术特征：
1.一种基于bp神经网络的称重组件布局方法，其特征在于，包括以下步骤：步骤s1、选取有限量不同规格的石膏板称重产品作为称重布局样本，对各个称重布局样本利用称重期望进行布局完成性分析获得称重各个称重布局样本的最优称重点位，所述称重期望为称重各个称重布局样本时期望取得的目标结果，所述布局完成性分析为利用称重期望对称重布局样本进行最优量化确定出称重称重布局样本时称重支撑机构和变送器的最优称重点位，所述最优称重点位为完成称重布局样本的称重期望最优化目标时称重支撑机构和变送器所处的最佳位置；步骤s2、利用bp神经网络基于各个称重布局样本的属性特征以及最优称重点位进行学习训练得到称重点位布局模型；步骤s3、将称重支撑机构和变送器设置为可移动结构，称重支撑机构和变送器依据称重点位布局模型输出的石膏板称重产品的最优称重点位进行定点移动，以实现对石膏板称重产品称重的最优化布局；其中，称重支撑机构上表面设置有称重传感器，所述称重支撑机构用于支撑石膏板称重产品与称重传感器压式接触来完成石膏板称重产品的称重，以获取表征石膏板称重产品重量的数字信号，所述变送器与称重传感器通讯连接，所述变送器用于将表征石膏板称重产品重量的数字信号传输至称重上位机中显示出石膏板称重产品的称重重量。2.根据权利要求1所述的一种基于bp神经网络的称重组件布局方法，其特征在于：所述对各个称重布局样本利用称重期望进行布局完成性分析获得称重各个称重布局样本的最优称重点位，包括：构建称重准确性期望，所述称重准确性期望的量化表达式为：式中，k为称重准确性期望，g
real
为称重布局样本的重量真实值，p
i
为称重支撑机构的第i个称重点位，g
c
(p
i
)为称重支撑机构的第i个称重点位的称重重量，为称重支撑机构的所有称重点位的称重重量和或称重布局样本的称重重量，n为称重支撑机构的称重点位数量，i为计数变量；构建称重成本性期望，所述称重成本性期望的量化表达式为：式中，l为称重成本性期望，m
c
为称重支撑机构的单位成本，m
z
为称重传感器的单位成本，m
l
为变送器的单位成本，n为称重支撑机构的称重点位数量，m为变送器的称重点位数量，m:n＝d，d为比例常数；最大化称重准确性期望maxk，以及最小化称重成本性期望minl，并对最大化称重准确性期望和最小化称重成本性期望进行共同求解得到称重布局样本中称重支撑机构的称重点位数量以及最优称重点位，max为最大化运算符，min为最小化运算符；基于称重支撑机构和变送器的数量适配性规则m:n＝d，依据称重布局样本中称重支撑机构的称重点位数量适应性得到称重布局样本中变送器的称重点位数量；
基于称重支撑机构和变送器的点位适配性规则，依据称重布局样本中称重支撑机构的最优称重点位适应性得到称重布局样本中变送器的最优称重点位。3.根据权利要求2所述的一种基于bp神经网络的称重组件布局方法，其特征在于：所述利用bp神经网络基于各个称重布局样本的属性特征以及最优称重点位进行学习训练得到称重点位布局模型，包括：将称重布局样本的属性特征作为bp神经网络的输入项，将称重布局样本的最优称重点位作为bp神经网络的输出项；利用bp神经网络对bp神经网络的输入项和bp神经网络的输出项进行学习训练得到所述称重点位布局模型；所述称重点位布局模型的模型表达式为：[p,q]＝bp(s)；式中，p为称重支撑机构的最优称重点位，q为变送器的最优称重点位，s为属性特征，bp为神经网络。4.根据权利要求1所述的一种基于bp神经网络的称重组件布局方法，其特征在于：所述属性特征包括石膏板称重产品的长度规格、形状规格以及材料规格。5.根据权利要求2所述的一种基于bp神经网络的称重组件布局方法，其特征在于：所述单位成本包括单位安装成本、单位器件成本以及单位运营成本。6.根据权利要求2所述的一种基于bp神经网络的称重组件布局方法，其特征在于：在布局完成性分析过程中，将所述称重点位的称重重量与称重支撑机构的单位成本，重传感器的单位成本，变送器的单位成本进行归一化处理。7.根据权利要求2所述的一种基于bp神经网络的称重组件布局方法，其特征在于，利用多目标优化算法对最大化称重准确性期望和最小化称重成本性期望进行共同求解。8.一种实施权利要求1-7任一项所述的称重组件布局方法的布局系统，其特征在于，包括称重支撑机构、称重传感器、变送器、石膏板属性采集装置、上位机、气缸控制系统，其中；所述称重支撑机构用于支撑石膏板称重产品与称重传感器压式接触，以使得称重传感器获取表征石膏板称重产品重量的数字信号；所述称重传感器用于获取表征石膏板称重产品重量的数字信号；所述变送器用于将表征石膏板称重产品重量的数字信号传输至称重上位机；所述石膏板属性采集装置用于采集石膏板称重产品属性特征；所述上位机用于利用称重点位布局模型基于石膏板属性采集装置反馈的石膏板称重产品属性特征得到石膏板称重产品的最优称重点位，以及显示出石膏板称重产品的称重重量；所述气缸控制系统用于依据上位机输出的石膏板称重产品的最优称重点位控制称重支撑机构进行定点移动到最优称重点位处。9.根据权利要求8所述的一种布局系统，其特征在于，所述称重传感器设置在称重支撑机构上表面，且与变送器通讯连接，所述变送器与上位机通讯连接，所述称重支撑机构与气缸控制系统通讯连接，所述气缸控制系统与上位机通讯连接，所述石膏板属性采集装置与上位机通讯连接，每个称重支撑机构的最优称重点处均设置有一个称重支撑机构，每个称重支撑机构上均设置有两个称重传感器。
10.根据权利要求8所述的一种布局系统，其特征在于，所述称重点位布局模型的构建包括：构建称重准确性期望，所述称重准确性期望的量化表达式为：式中，k为称重准确性期望，g
real
为称重布局样本的重量真实值，p
i
为称重支撑机构的第i个称重点位，g
c
(p
i
)为称重支撑机构的第i个称重点位的称重重量，为称重支撑机构的所有称重点位的称重重量和或称重布局样本的称重重量，n为称重支撑机构的称重点位数量，i为计数变量；构建称重成本性期望，所述称重成本性期望的量化表达式为：式中，l为称重成本性期望，m
c
为称重支撑机构的单位成本，m
z
为称重传感器的单位成本，m
l
为变送器的单位成本，n为称重支撑机构的称重点位数量，m为变送器的称重点位数量，m:n＝d，d为比例常数；最大化称重准确性期望maxk，以及最小化称重成本性期望minl，并对最大化称重准确性期望和最小化称重成本性期望进行共同求解得到称重布局样本中称重支撑机构的称重点位数量以及最优称重点位，max为最大化运算符，min为最小化运算符；基于称重支撑机构和变送器的数量适配性规则m:n＝d，依据称重布局样本中称重支撑机构的称重点位数量适应性得到称重布局样本中变送器的称重点位数量；基于称重支撑机构和变送器的点位适配性规则，依据称重布局样本中称重支撑机构的最优称重点位适应性得到称重布局样本中变送器的最优称重点位；将称重布局样本的属性特征作为bp神经网络的输入项，将称重布局样本的最优称重点位作为bp神经网络的输出项；利用bp神经网络对bp神经网络的输入项和bp神经网络的输出项进行学习训练得到所述称重点位布局模型；所述称重点位布局模型的模型表达式为：[p,q]＝bp(s)；式中，p为称重支撑机构的最优称重点位，q为变送器的最优称重点位，s为属性特征，bp为神经网络。

技术总结
本发明公开了一种基于BP神经网络的称重组件布局方法及系统，包括以下步骤：步骤S1、选取有限量不同规格的石膏板称重产品作为称重布局样本，对各个称重布局样本利用称重期望进行布局完成性分析获得称重各个称重布局样本的最优称重点位；步骤S2、利用BP神经网络基于各个称重布局样本的属性特征以及最优称重点位进行学习训练得到称重点位布局模型；步骤S3、将称重支撑机构和变送器设置为可移动结构，称重支撑机构和变送器依据称重点位布局模型输出的石膏板称重产品的最优称重点位进行定点移动。本发明实现对石膏板称重产品称重的最优化布局，称重适应性依赖性模型化专家经验的客观性判断，同时保证高适应性和低资源浪费。费。费。


技术研发人员：杨小东 张羽飞 杨正波 张兴添 董雷
受保护的技术使用者：北新集团建材股份有限公司 中国建材集团有限公司
技术研发日：2023.06.28
技术公布日：2023/9/7