CN119398640A 粉体输送系统中的智能物料路径规划方法及装置 （广东维杰物料自动化系统有限公司）

术产业开发区科技十路4号国际金融粉体输送系统中的智能物料路径规划方法本申请公开了一种粉体输送系统中的智能立的高斯边缘网络对多源传感数据进行特征提局部神经网络和生成干预模型训练物料路径规现了对复杂粉体输送环境的精确建模和智能路2获取传感器发送的多源传感数据，所述传感器用于监测粉体输基于预先建立的高斯边缘网络对所述多源传感数据进行特征提取空对齐特征矩阵，所述时空对齐特征矩阵用于指示在任一时间点和空间位置下的特征向根据所述时空对齐特征矩阵构建生成干预模型，所述生成干预模基于预先建立的等方差局部神经网络和所述生成干采用所述路径规划策略模型生成粉体输送路径，所述粉体输送对所述多源传感数据进行标准化处理，其中，标准化处理包括计算数基于预设的多层感知机对标准化后的多源传感数据进行特征提构建高斯边缘模型，所述高斯边缘模型用于指示通基于所述潜在特征表示，建立以所述粉体输送系统的采样周期为基于所述时空参考系，采用预设的动态时间规整算法对所述潜在特以所述粉体输送系统的输送管道的中心线作为空间坐标系的参考轴，建立三维坐标基于所述三维坐标系，采用预设的空间插值算法以及预设的表示所对应的传感器之间的距离调整所述传感器在插值过将时间同步后的潜在特征表示以及空间配准后的潜在特征表示3所述干扰识别模块用于指示基于预设的注意力机制获基于所述对抗损失函数和所述重建损失函数，对所述初始模型进行确定所述粉体输送系统中关于所述干扰因素基于所述因果关系，构建动态因果图模型，所述动态因果图模将所述动态因果图模型及所述干扰评估结果，引入到所述干扰初始模构建具有权重共享机制的神经网络结构，所述权重共享确定局部连接模式，所述局部连接模式用于指示将所述神经网络基于所述神经网络结构和所述局部连接模式，引入等方差基于所述等方差局部神经网络和所述环境模型，确定深度强化基于所述环境模型和所述深度强化学习框架，采用预设将所述速度调整量和所述方向调整量转换为作用于所述粉4当检测到所述运行状态处于异常状态时，基于预设的异常处理策略调整所述控制指数据采集模块，用于获取传感器发送的多源传感数据，所述传特征处理模块，用于基于预先建立的高斯边缘网络对所述多干预模型模块，用于根据所述时空对齐特征矩阵构建生成干预策略优化模块，用于基于预先建立的等方差局部神经网络和所述控制执行模块，用于采用所述路径规划策略模型生成粉体输送路5[0006]第一方面，本申请实施例提供了一种粉体输送系统中的基于预先建立的等方差局部神经网络和所述生成干预模型训练物料路径规划策6[0008]在一个可能的实现方式中，所述对所述潜在特征表示进特征表示所对应的传感器之间的距离调整所述传感器在插值过程[0009]在一个可能的实现方式中，所述根据所述时空对齐特征确定所述粉体输送系统中关于所述干扰因素7[0013]在一个可能的实现方式中，所述采用所述路径规划策略将所述速度调整量和所述方向调整量转换为作用于所述粉体输送系统的控制指第二方面，本申请实施例提供了一种粉体输送系统中的智能物料路径规划装置，8[0017]图1为本申请实施例提供的一种粉体输送系统中的智能物料路径规划方法的流程图2为本申请实施例提供的一种粉体输送系统中的智能物料路径规划装置的结构方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或9[0024]图1为本申请实施例提供的一种粉体输送系统中的智能物料路径规划方法的流程[0028]在本申请中，通过高斯边缘网络和不可知性学习提取了多源传感数据的潜在特断机制,实现了对干扰因素的精确建模，这样结合生成干预模型和因果推断的方法既保证了模型的表达能力,又提供了可解释的因果结构,为后续的路径规划提供了可靠的环境模结合步骤S103的生成干预模型进行策略优化，这样既保证了模型的表达能力和稳定性特征表示所对应的传感器之间的距离调整所述传感器在插值过程个空间位置的特征向量。这种矩阵结构使得系统能够方便地获取任意时空点的特征信息，得到通道维度的注意力权重。两个分支的注意力特征通过元素级乘法与原始特征进行融确定所述粉体输送系统中关于所述干扰因素先需要确定每个神经元的位置，然后根据预设的感受野半径确定其可以接收输入的范围。值网络负责评估不同状态的价值，它使用之前构建的等方差局部神经网络作为函数逼近样既保证了模型的表达能力和稳定性,又实现了对复杂环境的有效适应，使得优化得到的路径规划策略可直接应用于实际的粉体输送系统将所述速度调整量和所述方向调整量转换为作用于所述粉体输送系统的控制指[0082]随着系统运行，当时间达到0.1秒时，物料移动到了新的位置（0.23,0.12,正负10%的变化范围内都能保持稳定运行。这些性能指标充分证明了该智能路径规划方法[0088]因此，本申请实施例提供的方法能够有效处理粉体输送系统运行时，首先基于多源传感数据和高斯边缘网络进行特征提取和时空对齐。1.路径执行性能：平均偏差控制在±0.15m范围内，运行时间120s，能耗降至[0091]图2为本申请实施例提供的一种粉体输送系统中的智能物料路径规划装置的结构特征处理模块202，用于基于预先建立的高斯边缘网络对所述多源传感数据进行策略优化模块204，用于基于预先建立的等方差局部神经网络和所述生成干预模过预设的边缘概率密度函数对特征提取结果进行不可知性学习后得到潜待插值点与所述潜在特征表示所对应的传感器之间的距离调整所述传感器在插值过程中因果关系确定单元，用于确定所述粉体输送系统中关于所述干扰因素的因果关态因果图模型用于描述数据之间的时序依赖所述神经网络结构的输入空间划分为多个局部感受野并确等方差局部神经网络构建单元，用于基于所述神经网络结构和所述局部连接模深度强化学习框架构建单元，用于基于所述等方差局部神经网络和所述环境模申请各实施例的装置中的各模块所执行的动作是与本申请各实施例的方法中的步骤相对应的，对于装置的各模块的详细功能描述具