一种基于图像化的投料机预测维护方法及系统与流程
1.本发明涉及涉及建材行业玻璃生产设备领域，具体涉及一种基于图像化的投料机预测维护方法及系统。
背景技术：
2.我国现阶段玻璃生产线大部分都已经达到了自动化生产线。但其智能化水平还是比较低。为了适应我国玻璃产业两化融合的发展，提高玻璃生产线的信息化、智能化水平。玻璃生产线就需要装备的智能化改造、生产过程信息化集成、生产数据云系统管理。投料机作为玻璃生产线的至关重要的前端设备，其投料的性能直接影响配合料的熔化速率、熔化区的温度波动及液面稳定性。最终影响产量和成品质量。
3.但其现阶段应用生产的投料机智能化水平比较低，投料机生产数据控制、采集多种多样、信息格式比较紊乱。无法组成统一的信息流。例如公布号为cn2621180u的现有实用新型专利申请文献《大型斜毯式投料机》由至少一组带有闸门的料仓及投料铲的装置组成，该装置还包括：固定有料仓的料仓支架，其底部安有车轮；平行设于料仓的料仓闸门调节机构；投料铲倾斜设于料仓底部，其底部设有托轮，投料铲后部分别与摆杆及曲柄连杆机构铰接；曲柄连杆机构与驱动系统相接；料仓设有料仓密封系统。该类现有技术在工艺方面：投料机现阶段只能通过玻璃液面升降控制投料机的速度，投料料堆的情况、泡界线的位置，液面熔化情况都不在控制范围之内，只能通过后端成型后的玻璃质量反复调节投料机的投料方式，严重影响产品成品率及产品质量。
4.设备智能化方面：传统投料机的运状况只能通过工人巡检的方式发现问题，不能通过图形图像的显示，投料机内部结构出现问题，不能够及时发现，必须事故发生后，才能够发现问题。这样对生产影响很大。不利于玻璃生产线的全面转型和升级。公布号为cn107367311a的现有发明申请文献《一种基于机器视觉的玻璃熔窑液面高度测量及控制方法》数字摄像机通过窥视孔采集熔窑内的图像，然后通过usb接口将图像传给arm工控板，在arm工控板中对图像进行处理和求取液面高度，并将液面高度和图像显示到触摸屏上，然后根据指定的液面高度和实时液面高度计算偏差e和偏差变化ec，并运用模糊pid算法求出合适的投料速度，最后由arm工控板通过d/a转换器发送速度控制信号给数字投料机，改变投料速度，以控制玻璃液面高度。该现有技术通过数字摄像机，对图像特征进行处理以得到pid控制参数，并采用可视化控制界面显示液面高度，以挑战投料机的投料速度，可知该现有技术仅用于投料速度的控制，无法对投料操作中的堆料分布、泡界线位置等参数进行控制，同时该现有技术偏重于单台投料机的控制，未披露对投料机组的数据匹配及控制方案，导致该现有技术不适用于投料机的维护以及多机组同时控制的应用场景。
5.综上，现有技术存在巡检维护效率低下、控制维护方式单一、以及适用性较差的技术问题。
技术实现要素：
6.本发明所要解决的技术问题在于如何解决本发明的巡检维护效率低下、控制维护方式单一、以及适用性较差的技术问题。
7.本发明是采用以下技术方案解决上述技术问题的：一种基于图像化的投料机预测维护方法包括：
8.s1、实时采集玻璃堆料以及玻璃泡界线图像，以预置数据图形转换控制器识别所述玻璃堆料以及所述玻璃泡界线图像，以得到玻璃图像识别结果，据以结合以及预置页面状态计算逻辑计算玻璃液面状态，以得到并利用预置图形拼接器处理玻璃堆料数据、玻璃泡界线数据以及玻璃液面状态数据，图像转换并显示所述玻璃堆料数据、所述玻璃泡界线数据以及所述玻璃液面状态数据；
9.s2、采集投料机参数，其中，所述投料机参数包括：转速、投入熔化窑炉的配合料投料量、投料机振动、噪声和温度数据，设备智能管理服务器接收采集到的各组投料机数据，以图形工作站按预设编号接收各组投料机的所述投料机参数，据以构建各组所述投料机的投料机三维模型，并依据所述预设编号标记各组所述投料机三维模型，将所述投料机参数匹配至对应的所述投料机三维模型并显示；
10.s3、构建并训练优化神经网络，以所述优化神经网络针对所述玻璃堆料、所述玻璃泡界线以及所述玻璃液面状态，进行输入、卷积、池化以及全连接处理，以得到并分析输出处理结果，据以利用投料机控制单元调整投料机的投料状态；
11.s4、以优化神经网络接收各组模拟数据，将所述各组模拟数据分为测试集以及训练集，利用所述测试集验证所述优化神经网络的精度，预测处理所述测试集，以得到适用期望预测值，以作为最优参数输出，据以学习训练所述训练集，以生成训练样本并利用所述优化神经网络，采用长期迭代法优化所述优化神经网络，以得到并评估适用优化神经网络的准确率、检出率及误报率；
12.s5、设备智能管理服务器接收各组投料机的振动、噪声以及温度数据，对各组投料机时域、频域以及时频域特征进行提取并分析投料机运行情况并进行分段检测，据以生成时域振动信号变化趋势图以及单调性图，以定位异常投料机，其中，步骤s5包括：
13.s51、利用设备智能管理服务器接收投料机参数，根据预置的时域分析逻辑及频域分析逻辑，获取各组投料机的时域、频域以及时频域特征，据以分析投料机运行状态，以得到投料机分析结果；
14.s52、根据投料机分析结果，并通过预置投料机工业机理以及数据驱动对各组投料机的状态进行分段检测，利用深度玻尔兹曼机函数计算各组投料机状态，以得到投料机状态计算结果，据以生成时域振动信号变化趋势图以及单调性图，其中，各组投料机状态包括：权值、状态向量概率分布、归一化因子、隐藏数据集；
15.s53、根据时域振动信号变化趋势图以及单调性图定位并显示运行异常投料机供维修。
16.本发明通过进行ai和工业机理融合算法对各投料机状态进行计算，再对存在运行异常的投料机进行定位，同时将其通过可视化超大屏幕进行显示，并提示相关维护人员进行维修，提示根据出现的质量问题集中程度判断投料机使用寿命，之后将其反馈给各工作人员，能够确保了投料机的稳定运行，帮助技术人员了解设备历史、实时的状态和状态对应
的生产任务信息和人员信息，减少故障停机时间，有效的保障生产持续稳定运行，减少了成本，避免了远距离传输造成的干扰问题，降低了生产事故的发生率，实现了事故的事后解决到事前提前预防。
17.在更具体的技术方案中，步骤s1包括：
18.s12利用高温摄像头实时采集玻璃制作过程中的所述玻璃堆料以及所述玻璃泡界线图像，并将所述玻璃堆料以及所述玻璃泡界线图像发送至视频管理服务器中；
19.s12、利用所述视频管理服务器中的数据图形转换控制器识别所述玻璃堆料以及所述玻璃泡界线图像，以得到识别结果，据以利用计算公式处理得到玻璃液面状态控制数据，以控制液面升降、料堆的分布、泡界线位置；
20.s13、利用图形拼接控制器接收所述玻璃堆料、所述玻璃泡界线图像以及所述玻璃液面状态控制数据，并通过图像处理模块和网络传输模块调用预置程序，以转换并显示所述玻璃堆料、所述玻璃泡界线图像以及所述玻璃液面状态控制数据。
21.本发明通过高温摄像头对玻璃制作过程中玻璃堆料以及玻璃泡界线图像进行实时采集，并将其发送至视频管理服务器中，并通过两组数据对玻璃液面状态进行计算，当玻璃液面计算完成后，将三组图像数据发送至可视化超大屏幕进行3d显示，提高了投料机运维信息管理效率。
22.在更具体的技术方案中，步骤s2包括：
23.s21、在所述投料机工作时，利用转速编码器实时采集所述投料机转速，利用称重传感器动态测量配合料投料量，并将所述配合料投料量实时传送给投料机控制单元；
24.s22、利用投料机机身条码以及射频感知执行单元实时采集投料机振动、噪声及温度数据，数据库服务器接收所述投料机振动、噪声及温度数据，并编号处理各组投料机；
25.s23、利用图形工作站接收各组投料机参数信息，据以构建各组投料机的所述投料机三维模型，并依据所述编号信息标记所述投料机三维模型。
26.本发明在投料机工作过程中，利用转速编码器对投料机转速进行实时采集，同时称重传感器动态测量投入熔化窑炉的配合料投料量，并实时传送给投料机控制单元。保证了投料机参数监控的实时性。
27.在更具体的技术方案中，步骤s21中，将所述配合料投料量与后端玻璃拉引量向匹配，保持熔窑玻璃液的稳定。
28.在更具体的技术方案中，步骤s23中，将所述各组投料机的所述投料机参数匹配至对应的所述投料机三维模型，以通过预置屏幕显示所述所述各组投料机参数信息。
29.在更具体的技术方案中，步骤s3包括：
30.s31、构建优化神经网络，并对其进行训练优化，利用所述优化神经网络实时接收所述玻璃堆料、所述玻璃泡界线以及所述玻璃液面状态，并对所述玻璃堆料、所述玻璃泡界线以及所述玻璃液面状态进行归一化以及特征降维处理，以得到降维特征；
31.s32、利用优化神经网络对所述降维特征通过输入、卷积、池化以及全连接处理，以输出网络处理结果，分析所述网络处理结果。
32.在更具体的技术方案中，步骤s32包括：
33.s321、在所述玻璃料堆发生偏移时，利用投料机控制单元调整所述投料机的投料状态；
34.s322、发出降低所述玻璃料堆较多的位置的投料速度的提示信息；
35.s323、在所述玻璃料堆变多，或者玻璃泡界线超过预置距离阈值时，利用所述投料机控制单元调小投料机投料闸板并降低投料速度。
36.本发明基于投料机自身传感器采集的投料机状态参数，同时投料机控制单元依据堆料以及玻璃泡界线对投料机的投料状态进行调整，提高了玻璃产线投料机投料工序的自动化，并保证了操作的精度及产品质量。
37.在更具体的技术方案中，步骤s4包括：
38.s41、利用所述优化神经网络接收并分类预置各组模拟数据，以得到测试集以及训练集；
39.s42、通过所述测试集验证所述优化神经网络的精度，并预测所述测试集中每组数据，据以收集满足预置期望值的预测值，从所述预测值中选取最优参数；
40.s43、依据所述最优参数，训练所述训练集以生成训练样本，输送所述训练样本至所述优化神经网络，利用长期迭代法优化所述优化神经网络，并对满足所述预置期望值的所述优化神经网络进行网络参数评估。
41.在更具体的技术方案中，步骤s51包括：
42.s511、以下述逻辑进行时域分析，据以得到直流分量、交流分量、反应信号参数：
[0043][0044][0045][0046][0047]
公式(1)至公式(4)中，x(t)代表信号的样本记录，t代表样本记录时间，代表均值，代表方差，p(x)为概率密度函数、tx代表样本函数瞬时值落在区间(x+δx)的时间；
[0048]
s512、以下述逻辑进行频域分析，以得到周期性信号及频谱的变形公式：
[0049][0050][0051]
其中：
[0052][0053][0054]
利用下述逻辑表示非周期性信号及频谱：
[0055][0056]
公式(5)至公式(9)中，cn为非周期信号频谱，t为周期，在本实施例中，t＝2π/w0，x(t)代表信号的样本记录，w0代表基波圆频率；
[0057]
步骤s52包括：
[0058]
s521、利用下述逻辑计算得到权值w
ij
：
[0059][0060]
s522、根据下述逻辑的概率计算结果p(si＝1|s1,
…
,s
i-1
,s
i+1
,sq)，处理得到状态向量si的概率分布：
[0061][0062]
s523、根据下述逻辑，处理得到归一化因子z：
[0063][0064][0065][0066]
s524、通过下述逻辑计算隐藏数据集：
[0067][0068]
s525、通过下述逻辑通过隐藏数据集，验证各组投料机状态的正确性：
[0069][0070]
前述公式(10)至公式(16)中，为已知可见数据集，为隐藏数据集，为隐藏数据集，表示状态向量，表示完全的集合，w
ij
为权值，δei为能隙，p(si＝1|s1,
…
,s
i-1
,s
i+1
,sq)表示在状态向量si的概率分布；
[0071]
s53、根据所述时域振动信号变化趋势图以及所述单调性图定位并显示运行异常投料机供维修。
[0072]
在更具体的技术方案中，一种基于图像化的投料机预测维护系统包括：
[0073]
玻璃接线及液面数据模块，用以实时采集玻璃堆料以及玻璃泡界线图像，以预置数据图形转换控制器识别所述玻璃堆料以及所述玻璃泡界线图像，以得到玻璃图像识别结果，据以结合以及预置页面状态计算逻辑计算玻璃液面状态，以得到并利用预置图形拼接器处理玻璃堆料数据、玻璃泡界线数据以及玻璃液面状态数据，图像转换并显示所述玻璃堆料数据、所述玻璃泡界线数据以及所述玻璃液面状态数据；
[0074]
三维模型构建模块，用以采集投料机参数，其中，所述投料机参数包括：转速、投入熔化窑炉的配合料投料量、投料机振动、噪声和温度数据，设备智能管理服务器接收采集到的各组投料机数据，以图形工作站按预设编号接收各组投料机的所述投料机参数，据以构建各组所述投料机的投料机三维模型，并依据所述预设编号标记各组所述投料机三维模型，将所述投料机参数匹配至对应的所述投料机三维模型并显示，所述三维模型构建模块与所述玻璃接线及液面数据模块连接；
[0075]
投料状态分析调整模块，用以构建并训练优化神经网络，以所述优化神经网络针对所述玻璃堆料、所述玻璃泡界线以及所述玻璃液面状态，进行输入、卷积、池化以及全连接处理，以得到并分析输出处理结果，据以利用投料机控制单元调整投料机的投料状态，所
述投料状态分析调整模块与所述三维模型构建模块连接；
[0076]
网络优化模块，用于以优化神经网络接收各组模拟数据，将所述各组模拟数据分为测试集以及训练集，利用所述测试集验证所述优化神经网络的精度，预测处理所述测试集，以得到适用期望预测值，以作为最优参数输出，据以学习训练所述训练集，以生成训练样本并利用所述优化神经网络，采用长期迭代法优化所述优化神经网络，以得到并评估适用优化神经网络的准确率、检出率及误报率，所述网络优化模块与所述投料状态分析调整模块及所述玻璃接线及液面数据模块连接；
[0077]
异常投料机定位模块，用以设备智能管理服务器接收各组投料机的振动、噪声以及温度数据，对各组投料机时域、频域以及时频域特征进行提取并分析投料机运行情况并进行分段检测，据以生成时域振动信号变化趋势图以及单调性图，以定位异常投料机，所述异常投料机定位模块与所述网络优化模块连接，其中，异常投料机定位模块还包括：
[0078]
时域频域分析模块，用以利用设备智能管理服务器接收投料机参数，根据预置的时域分析逻辑及频域分析逻辑，获取各组投料机的时域、频域以及时频域特征，据以分析投料机运行状态，以得到投料机分析结果；
[0079]
投料机状态计算模块，用以根据投料机分析结果，并通过预置投料机工业机理以及数据驱动对各组投料机的状态进行分段检测，利用深度玻尔兹曼机函数计算各组投料机状态，以得到投料机状态计算结果，据以生成时域振动信号变化趋势图以及单调性图，其中，各组投料机状态包括：权值、状态向量概率分布、归一化因子、隐藏数据集，投料机状态计算模块与时域频域分析模块连接；
[0080]
维修模块，用以根据时域振动信号变化趋势图以及单调性图，定位并显示运行异常投料机供维修，维修模块与投料机状态计算模块连接。
[0081]
本发明相比现有技术具有以下优点：本发明通过进行ai和工业机理融合算法对各投料机状态进行计算，再对存在运行异常的投料机进行定位，同时将其通过可视化超大屏幕进行显示，并提示相关维护人员进行维修，提示根据出现的质量问题集中程度判断投料机使用寿命，之后将其反馈给各工作人员，能够确保了投料机的稳定运行，帮助技术人员了解设备历史、实时的状态和状态对应的生产任务信息和人员信息，减少故障停机时间，有效的保障生产持续稳定运行，减少了成本，避免了远距离传输造成的干扰问题，降低了生产事故的发生率，实现了事故的事后解决到事前提前预防。
[0082]
本发明通过高温摄像头对玻璃制作过程中玻璃堆料以及玻璃泡界线图像进行实时采集，并将其发送至视频管理服务器中，并通过两组数据对玻璃液面状态进行计算，当玻璃液面计算完成后，将三组图像数据发送至可视化超大屏幕进行3d显示，提高了投料机运维信息管理效率。
[0083]
本发明在投料机工作过程中，利用转速编码器对投料机转速进行实时采集，同时称重传感器动态测量投入熔化窑炉的配合料投料量，并实时传送给投料机控制单元。保证了投料机参数监控的实时性。
[0084]
本发明基于投料机自身传感器采集的投料机状态参数，同时投料机控制单元依据堆料以及玻璃泡界线对投料机的投料状态进行调整，提高了玻璃产线投料机投料工序的自动化，并保证了操作的精度及产品质量。
[0085]
本发明解决了现有技术中存在的巡检维护效率低下、控制维护方式单一、以及适
用性较差的技术问题。
附图说明
[0086]
图1为本发明实施例1的一种基于图像化的投料机预测维护方法基本步骤示意图；
[0087]
图2为本发明实施例1的图像化处理具体步骤示意图；
[0088]
图3为本发明实施例1的采集显示具体步骤示意图；
[0089]
图4为本发明实施例1的调整优化具体步骤示意图；
[0090]
图5为本发明实施例1的网络结构示意图；
[0091]
图6为本发明实施例1的训练优化具体步骤示意图；
[0092]
图7为本发明实施例1的分析判断具体步骤示意图；
[0093]
图8为本发明实施例1的一种基于图像化的投料机预测维护系统架构图；
[0094]
图9为本发明实施例1的投料机维护组件设置示意图。
具体实施方式
[0095]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，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作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。
[0096]
实施例1
[0097]
如图1所示，参照图1，一种基于图像化的投料机预测维护方法，该维护方法具体步骤如下：
[0098]
s1、采集玻璃制作信息并进行图像化处理；
[0099]
在本实施例中，高温摄像头对玻璃制作过程中玻璃堆料以及玻璃泡界线图像进行实时采集，并将其发送至视频管理服务器中，视频管理服务器接收到玻璃堆料以及玻璃泡界线图像数据后，数据图形转换控制器对两组图像数据进行识别，之后依据识别结果以及工作人员设定的计算公式对玻璃液面状态进行计算，当玻璃液面计算完成后，图形拼接控制器接收玻璃堆料、玻璃泡界线以及玻璃液面状态三组数据，并通过高性能的图像处理模块和网络传输模块调用相关对三组进行图像转换，之后将三组图像数据发送至可视化超大屏幕进行3d显示。
[0100]
s2、对投料机使用情况进行采集显示；
[0101]
在本实施例中，投料机工作时，转速编码器对投料机转速进行实时采集，同时称重传感器动态测量投入熔化窑炉的配合料投料量，并实时传送给投料机控制单元，之后投料机机身条码以及射频感知执行单元实时采集投料机振动、噪声和温度数据，设备智能管理服务器接收采集到的各组投料机数据，同时对各组投料机进行编号处理，图形工作站接收各组投料机参数信息，之后构建各组投料机三维模型，并依据设备智能管理服务器分配的编号信息对各组投料机模型进行标记，同时将采集到的投料机数据匹配至对应投料机模型上，并通过可视化超大屏幕进行3d显示。
[0102]
s3、实时对投料机控制方案进行调整优化；
[0103]
在本实施例中，设备智能管理服务器构建优化神经网络，并对其进行训练优化，同
时优化神经网络实时接收玻璃堆料、玻璃泡界线以及玻璃液面状态三组数据，并对其进行归一化以及特征降维处理，之后优化神经网络对处理完成的数据通过输入、卷积、池化以及全连接处理，并输出处理结果，之后对处理结果进行分析，若存在玻璃料堆发生偏移，投料机控制单元则自动及时调整投料机的投料状态，提示降低边玻璃料堆较多的位置的投料速度，若玻璃料堆变多以及玻璃泡界线远，则投料机控制单元适当关小投料机投料闸板和降低投料速度。
[0104]
在本实施例中，工作人员上传多组模拟数据，之后优化神经网络接收各组模拟数据，并将模拟数据分为测试集以及训练集，之后通过测试集来对该优化神经网络的精度进行验证，同时对测试集中每组数据都进行一次预测，收集满足期望值的预测值，并将预测值中最好的数据作为最优参数输出，再依据最优参数将训练集通过学习训练以生成训练样本，最后将训练样本输送到优化神经网络中，并采用长期迭代法对该优化神经网络进行实时优化，并对满足期望值的优化神经网络进行进行准确率、检出率和误报率评估。
[0105]
s4、对投料机运行情况进行实时采集并分析判断；
[0106]
s5、对投料机进行工艺调整或进行预测故障处理。
[0107]
在本实施例中，设备智能管理服务器接收各组投料机的振动、噪声以及温度数据，同时对各组投料机时域、频域以及时频域特征进行提取，之后对投料机运行情况进行主成分分析，依据分析结果，并通过投料机工业机理以及数据驱动对各组投料机状态进行进行分段检测，通过进行ai和工业机理融合算法对各投料机状态进行计算，之后依据计算结果生成时域振动信号变化趋势图以及单调性图，再对存在运行异常的投料机进行定位，同时将其通过可视化超大屏幕进行显示，并提示相关维护人员进行维修，提示根据出现的质量问题集中程度判断投料机使用寿命，之后将其反馈给各工作人员。
[0108]
在本实施例中，工业机理具体包括机电系统耦合机理、转子碰摩故障机理、转子故障动力学以及轴系非线性动力学；
[0109]
在本实施例中，数据驱动具体包括深度学习方法、隐马尔可夫过程、支持向量机以及高斯过程回归。
[0110]
工艺操作人员根据算法数据及3d动态显示对投料机进行玻璃工艺生产过程进行工艺调整或对投料机本身进行预测故障处理。
[0111]
如图2所示，在本实施例中，步骤s1中的图像化处理具体步骤包括：
[0112]
步骤s11：高温摄像头对玻璃制作过程中玻璃堆料以及玻璃泡界线图像进行实时采集，并将其发送至视频管理服务器中；
[0113]
步骤s12：视频管理服务器接收到玻璃堆料以及玻璃泡界线图像数据后，数据图形转换控制器对两组图像数据进行识别，之后依据识别结果以及工作人员设定的计算公式对玻璃液面状态进行控制，合理控制液面升降、料堆的分布、泡界线位置；
[0114]
步骤s13：玻璃液面计算完成后，图形拼接控制器接收玻璃堆料、玻璃泡界线以及玻璃液面状态三组数据，并通过高性能的图像处理模块和网络传输模块调用相关对三组进行图像转换，之后将三组图像数据发送至可视化超大屏幕进行3d显示。
[0115]
如图3所示，在本实施例中，步骤s2中的采集显示具体步骤包括：
[0116]
步骤s21：投料机工作时，转速编码器对投料机转速进行实时采集，同时称重传感器动态测量投入熔化窑炉的配合料投料量，并实时传送给投料机控制单元，投料的数量匹
配后端玻璃拉引量，保持熔窑玻璃液的稳定；
[0117]
步骤s22：投料机机身条码以及射频感知执行单元实时采集投料机振动、噪声和温度数据，数据库服务器接收采集到的各组投料机数据，同时对各组投料机进行编号处理；
[0118]
步骤s23：图形工作站接收各组投料机参数信息，之后构建各组投料机三维模型，并依据数据库服务器分配的编号信息对各组投料机模型进行标记，同时将采集到的投料机数据匹配至对应投料机模型上，并通过可视化超大屏幕进行3d显示。
[0119]
如图4所示，在本实施例中，步骤s3中所述调整优化具体步骤包括：
[0120]
步骤s31：构建优化神经网络，并对其进行训练优化，同时优化神经网络实时接收玻璃堆料、玻璃泡界线以及玻璃液面状态三组数据，并对其进行归一化以及特征降维处理；
[0121]
步骤s32：优化神经网络对处理完成的数据通过输入、卷积、池化以及全连接处理，并输出处理结果，之后对处理结果进行分析，若存在玻璃料堆发生偏移，投料机控制单元则自动及时调整投料机的投料状态，提示降低边玻璃料堆较多的位置的投料速度，若玻璃料堆变多以及玻璃泡界线远，则投料机控制单元适当关小投料机投料闸板和降低投料速度。
[0122]
如图5及图6所示，在本实施例中，步骤s4中的训练优化具体步骤包括：
[0123]
步骤s41：工作人员上传多组模拟数据，之后优化神经网络接收各组模拟数据，并将模拟数据分为测试集以及训练集；
[0124]
步骤s42：通过测试集来对该优化神经网络的精度进行验证，同时对测试集中每组数据都进行一次预测，收集满足期望值的预测值，并将预测值中最好的数据作为最优参数输出；
[0125]
步骤s43：依据最优参数将训练集通过学习训练以生成训练样本，最后将训练样本输送到优化神经网络中，并采用长期迭代法对该优化神经网络进行实时优化，并对满足期望值的优化神经网络进行进行准确率、检出率和误报率评估。
[0126]
如图7、图8所示，本发明提供的一种基于图像化的投料机预测维护系统，包括图8中的高分可视化大屏1’，以及图9中的下述组件：
[0127]
在本实施例中，数据服务器包括：
[0128]
称重传感器1、转速传感器2以及玻璃液面测位仪3，称重传感器1、转速传感器2以及玻璃液面测位仪3连接投料机控制单元4；
[0129]
在本实施例中，交换机5分别与投料机控制单元4、数据服务器6、图形工作站7、数据图形转换控制器8、设备智能管理服务器9连接；
[0130]
在本实施例中，设备智能管理服务器9与机身条码10、射频感知执行单元11连接，其中，射频感知执行单元11与温度振动传感器以及噪声传感器连接；
[0131]
在本实施例中，数据图形转换器8与视频管理服务器12连接，视频管理服务器12与高温摄像机连接，监控料堆和玻璃泡界面；
[0132]
在本实施例中，图形工作站7分别与图像处理模块13、网络传输模块14以及图形拼接控制器15连接，图形拼接控制器15连接高分可视化大屏1。
[0133]
在本实施例中，步骤s5骤包括：
[0134]
步骤s51：设备智能管理服务器接收各组投料机的振动、噪声以及温度数据，同时对各组投料机时域、频域以及时频域特征进行提取，之后对投料机运行情况进行主成分分析；
[0135]
在本实施例中，以下述逻辑进行时域分析，其中，将信号看作是时间的函数：
[0136]
利用公式(1)估算直流分量：
[0137][0138]
利用下述(2)公式估算交流分量：
[0139][0140]
利用下述公式(3)估算反应信号的强度或平均功能：
[0141][0142]
如下公式(4)估算反应信号的概率密度函数：
[0143][0144]
在本实施例中，由以上可以得到信号组成的分量、周期性、幅值范围、持续时间、等时域信号变化。进行相关性分析。
[0145]
前述公式(1)至公式(4)中，x(t)代表信号的样本记录，t代表样本记录时间，代表均值，代表方差，p(x)为概率密度函数、tx代表样本函数瞬时值落在区间(x+δx)的时间。
[0146]
在本实施例中，以下述逻辑进行频域分析：
[0147]
在本实施例中，针对周期性信号及频谱，由傅里叶级数表达式可以得到下述变形公式：
[0148][0149][0150]
其中：
[0151][0152][0153]
在本实施例中，利用下述逻辑表示非周期性信号及频谱：
[0154][0155]
其中：cn为非周期信号频谱，t为周期，在本实施例中，t＝2π/w0，x(t)代表信号的样本记录，w0代表基波圆频率。
[0156]
在本实施例中，通过对频域的分析可以获得信号幅值、相位、分量功率或能量与频率的关系。
[0157]
步骤s52：依据分析结果，并通过投料机工业机理以及数据驱动对各组投料机状态进行进行分段检测，通过进行ai和工业机理融合算法对各投料机状态进行计算，之后依据计算结果生成时域振动信号变化趋势图以及单调性图；
[0158]
在本实施例中，s52中各投料机状态具体计算公式如下：
[0159][0160][0161][0162][0163][0164][0165][0166]
在本实施例中，为已知可见数据集(已知数据)，由数据采集单元实时采集而来。
[0167]
在本实施例中，为隐藏数据集(预测数据)，状态向量。
[0168]
在本实施例中，表示完全的集合。w
ij
为权值，δei能隙。
[0169]
在本实施例中，由已知δei、可见数据集，由公式(10)得到w
ij
为权值。
[0170]
在本实施例中，有公式(11)p(si＝1|s1,
…
,s
i-1
,s
i+1
,sq)得到在si的概率分布。
[0171]
在本实施例中，以公式(12)、公式(13)、公式(14)进行归一化因子z处理,也就是是计算的概率分布在0～1之间变化。通过公式(15)计算出隐藏数据集，也就是对未知数据的预测。通过公式(16)通过隐藏数据集，验证数据的正确性。前述实施内容采用了深度玻尔兹曼机函数原理。
[0172]
步骤s53：对存在运行异常的投料机进行定位，同时将其通过可视化超大屏幕进行显示，并提示相关维护人员进行维修，提示根据出现的质量问题集中程度判断投料机使用寿命，之后将其反馈给各工作人员。
[0173]
如图9所示，在本实施例中，本发明提供的一种基于图像化的投料机预测维护系统针对投料机设置的维护组件还包括：玻璃液面测位仪3、高温摄像机101、投料闸板102、温度、振动传感器103、转速编码器104、噪声传感器105、投料机106。
[0174]
综上，本发明通过进行ai和工业机理融合算法对各投料机状态进行计算，再对存在运行异常的投料机进行定位，同时将其通过可视化超大屏幕进行显示，并提示相关维护人员进行维修，提示根据出现的质量问题集中程度判断投料机使用寿命，之后将其反馈给各工作人员，能够确保了投料机的稳定运行，帮助技术人员了解设备历史、实时的状态和状态对应的生产任务信息和人员信息，减少故障停机时间，有效的保障生产持续稳定运行，减少了成本，避免了远距离传输造成的干扰问题，降低了生产事故的发生率，实现了事故的事后解决到事前提前预防。
[0175]
本发明通过高温摄像头对玻璃制作过程中玻璃堆料以及玻璃泡界线图像进行实时采集，并将其发送至视频管理服务器中，并通过两组数据对玻璃液面状态进行计算，当玻璃液面计算完成后，将三组图像数据发送至可视化超大屏幕进行3d显示，提高了投料机运
维信息管理效率。
[0176]
本发明在投料机工作过程中，利用转速编码器对投料机转速进行实时采集，同时称重传感器动态测量投入熔化窑炉的配合料投料量，并实时传送给投料机控制单元。保证了投料机参数监控的实时性。
[0177]
本发明基于投料机自身传感器采集的投料机状态参数，同时投料机控制单元依据堆料以及玻璃泡界线对投料机的投料状态进行调整，提高了玻璃产线投料机投料工序的自动化，并保证了操作的精度及产品质量。
[0178]
本发明解决了现有技术中存在的巡检维护效率低下、控制维护方式单一、以及适用性较差的技术问题。
[0179]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
技术特征：
1.一种基于图像化的投料机预测维护方法，其特征在于，所述方法包括：s1、实时采集玻璃堆料以及玻璃泡界线图像，以预置数据图形转换控制器识别所述玻璃堆料以及所述玻璃泡界线图像，以得到玻璃图像识别结果，据以结合以及预置页面状态计算逻辑计算玻璃液面状态，以得到并利用预置图形拼接器处理玻璃堆料数据、玻璃泡界线数据以及玻璃液面状态数据，图像转换并显示所述玻璃堆料数据、所述玻璃泡界线数据以及所述玻璃液面状态数据；s2、采集投料机参数，其中，所述投料机参数包括：转速、投入熔化窑炉的配合料投料量、投料机振动、噪声和温度数据，设备智能管理服务器接收采集到的各组投料机数据，以图形工作站按预设编号接收各组投料机的所述投料机参数，据以构建各组所述投料机的投料机三维模型，并依据所述预设编号标记各组所述投料机三维模型，将所述投料机参数匹配至对应的所述投料机三维模型并显示；s3、构建并训练优化神经网络，以所述优化神经网络针对所述玻璃堆料、所述玻璃泡界线以及所述玻璃液面状态，进行输入、卷积、池化以及全连接处理，以得到并分析输出处理结果，据以利用投料机控制单元调整投料机的投料状态；s4、以优化神经网络接收各组模拟数据，将所述各组模拟数据分为测试集以及训练集，利用所述测试集验证所述优化神经网络的精度，预测处理所述测试集，以得到适用期望预测值，以作为最优参数输出，据以学习训练所述训练集，以生成训练样本并利用所述优化神经网络，采用长期迭代法优化所述优化神经网络，以得到并评估适用优化神经网络的准确率、检出率及误报率；s5、设备智能管理服务器接收各组投料机的振动、噪声以及温度数据，对各组投料机时域、频域以及时频域特征进行提取并分析投料机运行情况并进行分段检测，据以生成时域振动信号变化趋势图以及单调性图，以定位异常投料机，其中，所述步骤s5包括：s51、利用设备智能管理服务器接收所述投料机参数，根据预置的时域分析逻辑及频域分析逻辑，获取各组所述投料机的时域、频域以及时频域特征，据以分析所述投料机运行状态，以得到投料机分析结果；s52、根据所述投料机分析结果，并通过预置投料机工业机理以及数据驱动对各所述组投料机的状态进行分段检测，利用深度玻尔兹曼机函数计算所述各组投料机状态，以得到投料机状态计算结果，据以生成时域振动信号变化趋势图以及单调性图，其中，所述各组投料机状态包括：权值、状态向量概率分布、归一化因子、隐藏数据集；s53、根据所述时域振动信号变化趋势图以及所述单调性图定位并显示运行异常投料机供维修。2.根据权利要求1所述的一种基于图像化的投料机预测维护方法，其特征在于，所述步骤s1包括：s12利用高温摄像头实时采集玻璃制作过程中的所述玻璃堆料以及所述玻璃泡界线图像，并将所述玻璃堆料以及所述玻璃泡界线图像发送至视频管理服务器中；s12、利用所述视频管理服务器中的数据图形转换控制器识别所述玻璃堆料以及所述玻璃泡界线图像，以得到识别结果，据以利用计算公式处理得到玻璃液面状态控制数据，以控制液面升降、料堆的分布、泡界线位置；s13、利用图形拼接控制器接收所述玻璃堆料、所述玻璃泡界线图像以及所述玻璃液面
状态控制数据，并通过图像处理模块和网络传输模块调用预置程序，以转换并显示所述玻璃堆料、所述玻璃泡界线图像以及所述玻璃液面状态控制数据。3.根据权利要求1所述的一种基于图像化的投料机预测维护方法，其特征在于，所述步骤s2包括：s21、在所述投料机工作时，利用转速编码器实时采集所述投料机转速，利用称重传感器动态测量配合料投料量，并将所述配合料投料量实时传送给投料机控制单元；s22、利用投料机机身条码以及射频感知执行单元实时采集投料机振动、噪声及温度数据，数据库服务器接收所述投料机振动、噪声及温度数据，并编号处理各组投料机；s23、利用图形工作站接收各组投料机参数信息，据以构建各组投料机的所述投料机三维模型，并依据所述编号信息标记所述投料机三维模型。4.根据权利要求3所述的一种基于图像化的投料机预测维护方法，其特征在于，所述步骤s21中，将所述配合料投料量与后端玻璃拉引量向匹配，保持熔窑玻璃液的稳定。5.根据权利要求1所述的一种基于图像化的投料机预测维护方法，其特征在于，所述步骤s23中，将所述各组投料机的所述投料机参数匹配至对应的所述投料机三维模型，以通过预置屏幕显示所述所述各组投料机参数信息。6.根据权利要求1所述的一种基于图像化的投料机预测维护方法，其特征在于，所述步骤s3包括：s31、构建优化神经网络，并对其进行训练优化，利用所述优化神经网络实时接收所述玻璃堆料、所述玻璃泡界线以及所述玻璃液面状态，并对所述玻璃堆料、所述玻璃泡界线以及所述玻璃液面状态进行归一化以及特征降维处理，以得到降维特征；s32、利用优化神经网络对所述降维特征通过输入、卷积、池化以及全连接处理，以输出网络处理结果，分析所述网络处理结果。7.根据权利要求1所述的一种基于图像化的投料机预测维护方法，其特征在于，所述步骤s32包括：s321、在所述玻璃料堆发生偏移时，利用投料机控制单元调整所述投料机的投料状态；s322、发出降低所述玻璃料堆较多的位置的投料速度的提示信息；s323、在所述玻璃料堆变多，或者玻璃泡界线超过预置距离阈值时，利用所述投料机控制单元调小投料机投料闸板并降低投料速度。8.根据权利要求1所述的一种基于图像化的投料机预测维护方法，其特征在于，所述步骤s4包括：s41、利用所述优化神经网络接收并分类预置各组模拟数据，以得到测试集以及训练集；s42、通过所述测试集验证所述优化神经网络的精度，并预测所述测试集中每组数据，据以收集满足预置期望值的预测值，从所述预测值中选取最优参数；s43、依据所述最优参数，训练所述训练集以生成训练样本，输送所述训练样本至所述优化神经网络，利用长期迭代法优化所述优化神经网络，并对满足所述预置期望值的所述优化神经网络进行网络参数评估。9.根据权利要求1所述的一种基于图像化的投料机预测维护方法，其特征在于，所述步骤s51包括：
s511、以下述逻辑进行时域分析，据以得到直流分量、交流分量、反应信号参数：s511、以下述逻辑进行时域分析，据以得到直流分量、交流分量、反应信号参数：s511、以下述逻辑进行时域分析，据以得到直流分量、交流分量、反应信号参数：s511、以下述逻辑进行时域分析，据以得到直流分量、交流分量、反应信号参数：所述公式(1)至所述公式(4)中，x(t)代表信号的样本记录，t代表样本记录时间，代表均值，代表方差，p(x)为概率密度函数、tx代表样本函数瞬时值落在区间(x+δx)的时间；s512、以下述逻辑进行频域分析，以得到周期性信号及频谱的变形公式：s512、以下述逻辑进行频域分析，以得到周期性信号及频谱的变形公式：其中：其中：利用下述逻辑表示非周期性信号及频谱：所述公式(5)至所述公式(9)中，c
n
为非周期信号频谱，t为周期，在本实施例中，t＝2π/w0，x(t)代表信号的样本记录，w0代表基波圆频率；所述步骤s52包括：s521、利用下述逻辑计算得到所述权值w
ij
：s522、根据下述逻辑的概率计算结果p(s
i
＝1|s1,
…
,s
i-1
,s
i+1
,s
q
)，处理得到所述状态向量s
i
的概率分布：s523、根据下述逻辑，处理得到所述归一化因子z：s523、根据下述逻辑，处理得到所述归一化因子z：s523、根据下述逻辑，处理得到所述归一化因子z：s524、通过下述逻辑计算所述隐藏数据集：
s525、通过下述逻辑通过隐藏数据集，验证所述各组投料机状态的正确性：所述公式(10)至所述公式(16)中，为已知可见数据集，为隐藏数据集，为隐藏数据集，表示状态向量，表示完全的集合，w
ij
为权值，δe
i
为能隙，p(s
i
＝1|s1,
…
,s
i-1
,s
i+1
,s
q
)表示在状态向量s
i
的概率分布。10.一种基于图像化的投料机预测维护系统，其特征在于，所述系统包括：玻璃接线及液面数据模块，用以实时采集玻璃堆料以及玻璃泡界线图像，以预置数据图形转换控制器识别所述玻璃堆料以及所述玻璃泡界线图像，以得到玻璃图像识别结果，据以结合以及预置页面状态计算逻辑计算玻璃液面状态，以得到并利用预置图形拼接器处理玻璃堆料数据、玻璃泡界线数据以及玻璃液面状态数据，图像转换并显示所述玻璃堆料数据、所述玻璃泡界线数据以及所述玻璃液面状态数据；三维模型构建模块，用以采集投料机参数，其中，所述投料机参数包括：转速、投入熔化窑炉的配合料投料量、投料机振动、噪声和温度数据，设备智能管理服务器接收采集到的各组投料机数据，以图形工作站按预设编号接收各组投料机的所述投料机参数，据以构建各组所述投料机的投料机三维模型，并依据所述预设编号标记各组所述投料机三维模型，将所述投料机参数匹配至对应的所述投料机三维模型并显示，所述三维模型构建模块与所述玻璃接线及液面数据模块连接；投料状态分析调整模块，用以构建并训练优化神经网络，以所述优化神经网络针对所述玻璃堆料、所述玻璃泡界线以及所述玻璃液面状态，进行输入、卷积、池化以及全连接处理，以得到并分析输出处理结果，据以利用投料机控制单元调整投料机的投料状态，所述投料状态分析调整模块与所述三维模型构建模块连接；网络优化模块，用于以优化神经网络接收各组模拟数据，将所述各组模拟数据分为测试集以及训练集，利用所述测试集验证所述优化神经网络的精度，预测处理所述测试集，以得到适用期望预测值，以作为最优参数输出，据以学习训练所述训练集，以生成训练样本并利用所述优化神经网络，采用长期迭代法优化所述优化神经网络，以得到并评估适用优化神经网络的准确率、检出率及误报率，所述网络优化模块与所述投料状态分析调整模块及所述玻璃接线及液面数据模块连接；异常投料机定位模块，用以设备智能管理服务器接收各组投料机的振动、噪声以及温度数据，对各组投料机时域、频域以及时频域特征进行提取并分析投料机运行情况并进行分段检测，据以生成时域振动信号变化趋势图以及单调性图，以定位异常投料机，所述异常投料机定位模块与所述网络优化模块连接，其中，所述异常投料机定位模块还包括：时域频域分析模块，用以利用设备智能管理服务器接收所述投料机参数，根据预置的时域分析逻辑及频域分析逻辑，获取各组所述投料机的时域、频域以及时频域特征，据以分析所述投料机运行状态，以得到投料机分析结果；投料机状态计算模块，用以根据所述投料机分析结果，并通过预置投料机工业机理以及数据驱动对各所述组投料机的状态进行分段检测，利用深度玻尔兹曼机函数计算所述各
组投料机状态，以得到投料机状态计算结果，据以生成时域振动信号变化趋势图以及单调性图，其中，所述各组投料机状态包括：权值、状态向量概率分布、归一化因子、隐藏数据集，所述投料机状态计算模块与所述时域频域分析模块连接；维修模块，用以根据所述时域振动信号变化趋势图以及所述单调性图，定位并显示运行异常投料机供维修，所述维修模块与所述投料机状态计算模块连接。
技术总结
本发明提供一种基于图像化的投料机预测维护方法及系统，方法包括：采集玻璃制作信息并进行图像化处理；对投料机使用情况进行采集显示；实时对投料机控制方案进行调整优化；对投料机运行情况进行实时采集并分析判断；对投料机进行工艺调整或进行预测故障处理。本发明解决了巡检维护效率低下、控制维护方式单一、以及适用性较差的技术问题。以及适用性较差的技术问题。以及适用性较差的技术问题。
