權(quán)利要求書： 1.一種基于物料監(jiān)測的皮帶輸送機智能調(diào)速方法，其特征在于，包括以下步驟：

步驟一：安裝物料監(jiān)測裝置，將若干套物料監(jiān)測裝置等距離均勻安裝在皮帶輸送機上方，所述物料監(jiān)測裝置包括安裝機架、若干個激光測距儀以及工業(yè)攝像頭，若干個激光測距儀等距離設(shè)置在安裝機架上，工業(yè)攝像頭安裝在物料正上方的安裝機架上；激光測距儀采集物料高度信號、皮帶輸送機控制系統(tǒng)采集驅(qū)動電機的轉(zhuǎn)速信號，并將上述數(shù)據(jù)輸送到數(shù)據(jù)存儲器中，工業(yè)攝像頭將拍攝的皮帶輸送帶上的物料信息輸送到數(shù)據(jù)存儲器中，數(shù)據(jù)存儲器與核心處理器相連，核心處理器與皮帶輸送機控制系統(tǒng)相連，皮帶輸送機控制系統(tǒng)對驅(qū)動電機進行變頻調(diào)速；

步驟二：采集樣本數(shù)據(jù)，包括人工示教調(diào)速的驅(qū)動電機轉(zhuǎn)速矩陣和物料負載矩陣，并將采集到的樣本數(shù)據(jù)存儲到數(shù)據(jù)存儲器中，采集完畢后的樣本數(shù)據(jù)輸送到核心處理器，由核心處理器中的神經(jīng)網(wǎng)絡(luò)系統(tǒng)對樣本數(shù)據(jù)進行訓練得到訓練完畢的神經(jīng)網(wǎng)絡(luò)系統(tǒng)；

步驟三：啟動智能調(diào)速系統(tǒng)，首先啟動皮帶輸送機開始下料，同時開啟物料監(jiān)測裝置采集皮帶輸送機不同位置的物料負載量得到物料負載矩陣，并將數(shù)據(jù)直接輸送到核心處理器中，由訓練完畢的神經(jīng)網(wǎng)絡(luò)系統(tǒng)對輸入信號進行處理，輸出結(jié)果為預(yù)測的驅(qū)動電機最佳轉(zhuǎn)速；

步驟四：將核心處理器輸出的驅(qū)動電機最佳轉(zhuǎn)速輸送到皮帶輸送機控制系統(tǒng)中，由皮帶輸送機控制系統(tǒng)對驅(qū)動電機進行變頻調(diào)速；

激光測距儀的布置方法為對稱均勻的布置在安裝機架上，并且兩端的激光測距儀長度等于皮帶輸送帶的寬度，每套物料監(jiān)測裝置設(shè)置8個激光測距儀；

步驟二中采集樣本數(shù)據(jù)的步驟如下：

A：開啟皮帶輸送機進行正常的物料運輸，同時開啟皮帶輸送機所有位置的物料監(jiān)測裝置以及數(shù)據(jù)存儲器、核心處理器；

B：人工觀察當前皮帶輸送機所運輸?shù)恼w物料量并進行人工示教調(diào)速；

C：在人工示教調(diào)速過程中，數(shù)據(jù)存儲器每秒對激光測距儀采集的數(shù)據(jù)以及驅(qū)動電機轉(zhuǎn)速數(shù)據(jù)采集一次，核心處理器經(jīng)過計算處理以后得到物料負載矩陣：



，

其中，Qij表示第i組物料監(jiān)測裝置第j秒計算的物料負載量，n表示樣本總數(shù)；與此同時存儲驅(qū)動電機轉(zhuǎn)速矩陣



其中，vj表示第j秒時驅(qū)動電機的轉(zhuǎn)速，由此得到樣本矩陣數(shù)據(jù)集；

采集樣本數(shù)據(jù)過程中步驟B的人工示教調(diào)速為：人工觀察皮帶輸送機不同位置的物料負載量，發(fā)現(xiàn)當前的整體物料量達到了額定負載，人工調(diào)節(jié)驅(qū)動電機以額定功率運行；當發(fā)現(xiàn)皮帶輸送機整體物料量較小時控制驅(qū)動電機轉(zhuǎn)速減??；當發(fā)現(xiàn)皮帶輸送機一直沒有物料并且時間持續(xù)了5min，則控制驅(qū)動電機停止運行，使皮帶輸送機整體的負載物料量和驅(qū)動電機轉(zhuǎn)速實現(xiàn)最佳匹配；

通過激光測距儀和工業(yè)攝像頭采集數(shù)據(jù)，并通過計算得到皮帶輸送機不同位置的瞬時物料負載量，計算皮帶輸送機不同位置瞬時物料負載量的步驟如下：

A：對于任意一套物料監(jiān)測裝置，首先以第一個激光測距儀為坐標原點，豎直向下為z坐標，水平方向為x坐標，垂直于物料截面的方向為y坐標建立三維直角坐標系，令輸送皮帶在xoz面的曲線方程為z1＝h1(x)；

B：啟動皮帶輸送機并進行下料運輸，同時開啟全部激光測距儀和工業(yè)攝像頭；

C：設(shè)置8個激光測距儀，將8個激光測距儀進行測距對應(yīng)得到8個坐標點(xα,0,zα)，數(shù)據(jù)存儲器存每秒儲存一次上述激光測距儀所測得的坐標數(shù)據(jù)，并將數(shù)據(jù)導入核心處理器中，核心處理器通過多項式曲線擬合的方法可以得到物料高度曲線方程，



其中：k為多項式的階數(shù)；

ak為多項式的系數(shù)；

D：根據(jù)物料高度曲線方程和輸送皮帶曲線方程可以得到物料的實際高度方程H(x)＝h2(x)-h1(x)；

E：工業(yè)攝像頭通過拍照可以得到皮帶輸送機上的物料圖片信息，工業(yè)攝像頭所得的矩形圖像按照實物實際尺寸投影到xoy平面上可以得到物料的分布面φ(x,y)，其中工業(yè)攝像頭拍得圖像矩形的長度為L，利用圖像處理可以得到物料在輸送皮帶上的分布圖，將得到的物料分布圖按照每個像素點進行分割，每個像素點為正方形，像素點面積Sp為1mm2，將每個物料像素點中心坐標記為(xu,yr)，當不同位置的物料坐標點的物料高度值近似為H(xu)，即H(xu)＝H(xu,yr)，將每個像素點對應(yīng)的體積近似為長方體，則該像素點對應(yīng)的物料高度為H(xu,yr)，則工業(yè)攝像頭拍得圖像矩形內(nèi)的物料的總質(zhì)量Q為



其中：m為x坐標方向物料像素點個數(shù)；

g為y坐標方向物料像素點個數(shù)；

ρ為物料的密度，kg/m3；

則單位長度的物料量q為

q＝Q/L

物料的瞬時流量

W＝K×q×2×π×vi×σ-1×R

其中：vi為物料監(jiān)測裝置中的激光測距儀測得高度坐標時皮帶運輸機驅(qū)動電機的轉(zhuǎn)速；

σ為驅(qū)動滾筒減速器的減速比；

K為校核系數(shù)；

R為傳動滾筒的半徑。

2.根據(jù)權(quán)利要求1所述的一種基于物料監(jiān)測的皮帶輸送機智能調(diào)速方法，其特征在于，核心處理器中所建設(shè)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)包括輸入層、隱含層和輸出層；輸入層節(jié)點數(shù)為物料監(jiān)測裝置的個數(shù)，輸出層為預(yù)測的驅(qū)動電機轉(zhuǎn)速，隱含層可以有一層或多層，

神經(jīng)網(wǎng)絡(luò)系統(tǒng)訓練的步驟如下：

A：建立神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)選用S型傳遞函數(shù)，



反傳誤差函數(shù)



其中：ti為期望輸出；

oi為網(wǎng)絡(luò)的計算輸出；

神經(jīng)網(wǎng)絡(luò)系統(tǒng)通過不斷調(diào)節(jié)網(wǎng)絡(luò)權(quán)值和偏置使誤差函數(shù)E達到極?。粸榱思涌焓諗克俣认扔眠z傳算法對“BP網(wǎng)絡(luò)”進行優(yōu)化并在解析空間找出較好的搜索空間，再用BP網(wǎng)絡(luò)在較小的搜索空間內(nèi)搜索最優(yōu)解；

B：神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型輸入層的節(jié)點數(shù)為10，輸出層的節(jié)點數(shù)為1；

C：采用含有一個隱含層的三層多輸入單輸出的BP網(wǎng)絡(luò)建立預(yù)測模型；

D：選取激勵函數(shù)，選擇S型正切函數(shù)tansig作為隱含層神經(jīng)元的激勵函數(shù)，而由于網(wǎng)絡(luò)的輸出歸一到[-1,1]范圍內(nèi)，因此預(yù)測模型選取S型對數(shù)函數(shù)tansig作為輸出層神經(jīng)元的激勵函數(shù)；

E：將訓練樣本數(shù)據(jù)歸一化后輸入網(wǎng)絡(luò)，設(shè)定網(wǎng)絡(luò)隱含層和輸出層激勵函數(shù)分別為tansig和logsig函數(shù)，并選擇合適的網(wǎng)絡(luò)訓練函數(shù)和網(wǎng)絡(luò)性能函數(shù)；

F：設(shè)定網(wǎng)絡(luò)參數(shù)，網(wǎng)絡(luò)迭代次數(shù)為10000次，設(shè)置合適的期望誤差和學習速率，設(shè)定完參數(shù)后，開始訓練網(wǎng)絡(luò)，最終得到訓練完畢的神經(jīng)網(wǎng)絡(luò)系統(tǒng)；

神經(jīng)網(wǎng)絡(luò)系統(tǒng)訓練完成后，只需要將各項指標輸入網(wǎng)絡(luò)即可得到預(yù)測數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的一種基于物料監(jiān)測的皮帶輸送機智能調(diào)速方法，其特征在于，選取隱含層神經(jīng)元個數(shù)公式如下：



其中：n為輸入層神經(jīng)元個數(shù)；

m為輸出層神經(jīng)元個數(shù)；

a為[1,10]之間的常數(shù)；

根據(jù)上式可以計算出神經(jīng)元個數(shù)為4-13個之間。

4.根據(jù)權(quán)利要求2所述的一種基于物料監(jiān)測的皮帶輸送機智能調(diào)速方法，其特征在于，通過圖像處理得到物料在皮帶上的分布信息采用的是邊緣檢測技術(shù)。

說明書： 一種基于物料監(jiān)測的皮帶輸送機智能調(diào)速方法技術(shù)領(lǐng)域

本發(fā)明涉及一種皮帶輸送機調(diào)速方法，具體是一種基于物料監(jiān)測的皮帶輸送機智能調(diào)速方法，屬于皮帶輸送機調(diào)速技術(shù)領(lǐng)域。

背景技術(shù)

隨著綜合機械化采煤工藝的不斷發(fā)展，國內(nèi)外學者相繼提出了“無人化”或“少人化”采煤工作面的設(shè)想。

由于帶式輸送機對散裝物料的運輸效果最好，所以廣泛應(yīng)用于煤礦、碼頭等場合，正是由于帶式輸送機使用的場合廣泛，所以對其也提出了更多要求；作為礦井主要運輸設(shè)備，帶式輸送機的能耗對煤礦和礦山等企業(yè)運輸成本作用明顯，采用工頻恒速運行方式會存在如下問題：機械和輸送帶間的摩擦系數(shù)較大，若輸送機空載或者輕載會造成電能浪費，并且保持恒速運動很容易出現(xiàn)堆煤事故。

帶式輸送機作為煤礦的關(guān)鍵設(shè)備，實現(xiàn)其“無人化”和“智能化”是目前發(fā)展的趨勢，而目前應(yīng)用最廣泛的帶式輸送機控制系統(tǒng)，主要是人為根據(jù)煤量手動調(diào)節(jié)帶式輸送機的帶速，而且在實際運行中很長時間采用恒速控制，當皮帶輸送機運送物料較小時，將會浪費大量的能源；為了提高輸送機的運輸效率，減少電能消耗，需采取措施對輸送機的帶速進行調(diào)節(jié)，當輸送機載荷發(fā)生變化時，根據(jù)載荷及時調(diào)整帶速，實現(xiàn)運送物料負載量和驅(qū)動電機轉(zhuǎn)速實現(xiàn)最佳匹配，以實現(xiàn)節(jié)能運行，延長壽命的目的。如果能使皮帶輸送機實現(xiàn)智能自動調(diào)速，將會為推動我國煤炭開采少人化、無人化，從根本上解決煤礦安全高效生產(chǎn)難題。

中國發(fā)明專利2018年2月16日公開的一種公開號為CN107702755A的“皮帶輸送機流量檢測裝置及檢測方法”，其是利用激光測距儀和攝像機對皮帶輸送機上物料進行實時監(jiān)測，但是在實際中皮帶輸送機輸送的物料在橫截面上以及在整條皮帶上的分布都是不均勻的，所以該方法測量物料的負載量誤差較大。

中國發(fā)明專利2013年3月6日公開的一種公開號為CN102951428B的“皮帶輸送機節(jié)能系統(tǒng)的節(jié)能控制方法”，其是利用物料監(jiān)測裝置測定皮帶斷面上的瞬時料重，經(jīng)過內(nèi)部程序計算對皮帶輸送機驅(qū)動電機進行調(diào)節(jié)，從而實現(xiàn)電機最佳運轉(zhuǎn)轉(zhuǎn)速和運轉(zhuǎn)頻率的匹配，然而這種方法并沒有設(shè)計出準確的物料檢測裝置，以及對于物料負載量和電機轉(zhuǎn)速的匹配較為粗糙，并不精確。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于物料監(jiān)測的皮帶輸送機智能調(diào)速方法，能夠有效減小皮帶輸送機電機的能源消耗，并能降低出現(xiàn)煤料堆積的事故，調(diào)速范圍和精度較高，應(yīng)用范圍較廣，達到節(jié)能降耗和安全生產(chǎn)的目的。

為了實現(xiàn)上述目的，本發(fā)明提供一種基于物料監(jiān)測的皮帶輸送機智能調(diào)速方法，包括以下步驟：

步驟一：安裝物料監(jiān)測裝置，將若干套物料監(jiān)測裝置等距離均勻安裝在皮帶輸送機上方，所述物料監(jiān)測裝置包括安裝機架、若干個激光測距儀以及工業(yè)攝像頭，若干個激光測距儀等距離設(shè)置在安裝機架上，工業(yè)攝像頭安裝在物料正上方的安裝機架上；激光測距儀采集物料高度信號、皮帶輸送機控制系統(tǒng)采集驅(qū)動電機的轉(zhuǎn)速信號，并將上述數(shù)據(jù)輸送到數(shù)據(jù)存儲器中，工業(yè)攝像頭將拍攝的皮帶輸送帶上的物料圖片信息輸送到數(shù)據(jù)存儲器中，數(shù)據(jù)存儲器與核心處理器相連，數(shù)據(jù)存儲器中存儲的數(shù)據(jù)通過核心處理器的運算可以得到皮帶輸送機不同運輸位置的物料負載量。數(shù)據(jù)存儲器存儲完足夠的樣本數(shù)據(jù)之后將全部數(shù)據(jù)輸入到核心處理器中進行處理，最后輸送到神經(jīng)網(wǎng)絡(luò)中進行訓練；核心處理器與皮帶輸送機控制系統(tǒng)相連，皮帶輸送機控制系統(tǒng)可以對驅(qū)動電機進行變頻調(diào)速；

步驟二：采集樣本數(shù)據(jù)，包括人工示教調(diào)速的驅(qū)動電機轉(zhuǎn)速矩陣和物料負載矩陣，并將采集到的樣本數(shù)據(jù)存儲到數(shù)據(jù)存儲器中，采集完畢后的樣本數(shù)據(jù)輸送到核心處理器，由核心處理器中的神經(jīng)網(wǎng)絡(luò)系統(tǒng)對樣本數(shù)據(jù)進行訓練得到訓練完畢的神經(jīng)網(wǎng)絡(luò)系統(tǒng)；

步驟三：啟動智能調(diào)速系統(tǒng)，首先啟動皮帶輸送機開始下料，同時開啟物料監(jiān)測裝置采集皮帶輸送機不同位置的物料負載量得到物料負載矩陣，并將數(shù)據(jù)直接輸送到核心處理器中，由訓練完畢的神經(jīng)網(wǎng)絡(luò)系統(tǒng)對輸入信號進行處理，輸出結(jié)果為預(yù)測的驅(qū)動電機最佳轉(zhuǎn)速；

步驟四：將核心處理器輸出的電機最佳轉(zhuǎn)速輸送到皮帶輸送機控制系統(tǒng)中，由皮帶輸送機控制系統(tǒng)對驅(qū)動電機進行變頻調(diào)速。

在本發(fā)明中，用激光測距儀來測量皮帶輸送機上物料的厚度，所設(shè)置的激光測距儀個數(shù)越多，測量和算法的精度越高，激光測距儀的布置方法為對稱均勻的布置在安裝機架上，并且兩端的激光測距儀長度要近似等于皮帶輸送帶的寬度，本發(fā)明中每套物料監(jiān)測裝置設(shè)置8個激光測距儀。

作為本發(fā)明的進一步改進，步驟二中采集樣本數(shù)據(jù)的步驟如下：

A：開啟皮帶輸送機進行正常的物料運輸，同時開啟皮帶輸送機所有位置的物料監(jiān)測裝置以及數(shù)據(jù)存儲器、核心處理器；

B：人工觀察當前皮帶輸送機所運輸?shù)恼w物料量并進行人工示教調(diào)速；

C：在人工示教調(diào)速過程中，數(shù)據(jù)存儲器每秒對激光測距儀采集的數(shù)據(jù)以及驅(qū)動電機轉(zhuǎn)速數(shù)據(jù)采集一次，核心處理器經(jīng)過計算處理以后得到物料負載矩陣：



，其中，Qij表示第i組物料監(jiān)測裝置第j秒計算的物料負載量，n表示樣本總數(shù)；與此同時存儲驅(qū)動電機轉(zhuǎn)速矩陣



其中，vj表示第j秒時驅(qū)動電機的轉(zhuǎn)速，由此得到樣本矩陣數(shù)據(jù)集。

作為本發(fā)明的進一步改進，采集樣本數(shù)據(jù)過程中步驟B的人工示教調(diào)速為：人工觀察皮帶輸送機不同位置的物料負載量，發(fā)現(xiàn)當前的整體物料量達到了額定負載，人工調(diào)節(jié)驅(qū)動電機以額定功率運行；當發(fā)現(xiàn)皮帶輸送機整體物料量較小時控制驅(qū)動電機轉(zhuǎn)速減?。划敯l(fā)現(xiàn)皮帶輸送機一直沒有物料并且時間持續(xù)了5min，則控制驅(qū)動電機停止運行，盡可能使皮帶輸送機整體的負載物料量和驅(qū)動電機轉(zhuǎn)速實現(xiàn)最佳匹配。

本發(fā)明通過激光測距儀和工業(yè)攝像頭采集數(shù)據(jù)，并通過計算得到皮帶輸送機不同位置的瞬時物料負載量，計算皮帶輸送機不同位置瞬時物料負載量的步驟如下：

A：對于任意一套物料監(jiān)測裝置，首先以第一個激光測距儀為坐標原點，豎直向下為z坐標，水平方向為x坐標，垂直于物料截面的方向為y坐標建立三維直角坐標系，令輸送皮帶在xoz面的曲線方程為z1＝h1(x)；

B：啟動皮帶輸送機并進行下料運輸，同時開啟全部激光測距儀和工業(yè)攝像頭；

C：設(shè)置8個激光測距儀，將8個激光測距儀進行測距對應(yīng)得到8個坐標點(xα,0,zα)，數(shù)據(jù)存儲器存每秒儲存一次上述激光測距儀所測得的坐標數(shù)據(jù)，并將數(shù)據(jù)導入核心處理器中，核心處理器通過多項式曲線擬合的方法可以得到物料高度曲線方程，



其中：k為多項式的階數(shù)；

ak為多項式的系數(shù)；

D：根據(jù)物料高度曲線方程和輸送皮帶曲線方程可以得到物料的實際高度方程H(x)＝h2(x)-h1(x)；

E：工業(yè)攝像頭通過拍照可以得到皮帶輸送機上的物料圖片信息，工業(yè)攝像頭所得的矩形圖像按照實物實際尺寸投影到xoy平面上可以得到物料的分布面φ(x,y)，其中工業(yè)攝像頭拍得圖像矩形的長度為L，利用圖像處理可以得到物料在輸送皮帶上的分布圖，將得到的物料分布圖按照每個像素點進行分割，每個像素點為正方形，像素點面積Sp為1mm2，將每個物料像素點中心坐標記為(xu,yr)，當不同位置的物料坐標點的物料高度值近似為H(xu)，即H(xu)＝H(xu,yr)，將每個像素點對應(yīng)的體積近似為長方體，則該像素點對應(yīng)的物料高度為H(xu,yr)，則工業(yè)攝像頭拍得圖像矩形內(nèi)的物料的總質(zhì)量Q為



其中：m為x坐標方向物料像素點個數(shù)；

g為y坐標方向物料像素點個數(shù)；

ρ為物料的密度，kg/m3；

則單位長度的物料量q為

q＝Q/L

物料的瞬時流量

W＝K×q×2×π×vi×σ-1×R

其中：vi為物料監(jiān)測裝置中的激光測距儀測得高度坐標時皮帶運輸機驅(qū)動電機的轉(zhuǎn)速；

σ為驅(qū)動滾筒減速器的減速比；

K為校核系數(shù)；

R為傳動滾筒的半徑。

本發(fā)明核心處理器中所建設(shè)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)包括輸入層、隱含層和輸出層；輸入層節(jié)點數(shù)為物料監(jiān)測裝置的個數(shù)，輸出層為預(yù)測的驅(qū)動電機轉(zhuǎn)速，即一個節(jié)點，隱含層可以有一層或多層，

神經(jīng)網(wǎng)絡(luò)系統(tǒng)訓練的步驟如下：

A：建立神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)選用S型傳遞函數(shù)，



反傳誤差函數(shù)



其中：ti為期望輸出；

oi為網(wǎng)絡(luò)的計算輸出；

神經(jīng)網(wǎng)絡(luò)系統(tǒng)通過不斷調(diào)節(jié)網(wǎng)絡(luò)權(quán)值和偏置使誤差函數(shù)E達到極??；為了加快收斂速度可以先用遺傳算法對“BP網(wǎng)絡(luò)”進行優(yōu)化并在解析空間找出較好的搜索空間，再用BP網(wǎng)絡(luò)在較小的搜索空間內(nèi)搜索最優(yōu)解；

B：該模型輸入層的節(jié)點數(shù)為10，輸出層的節(jié)點數(shù)為1；

C：本發(fā)明采用含有一個隱含層的三層多輸入單輸出的BP網(wǎng)絡(luò)建立預(yù)測模型，D：選取激勵函數(shù)，本發(fā)明選擇S型正切函數(shù)tansig作為隱含層神經(jīng)元的激勵函數(shù)，而由于網(wǎng)絡(luò)的輸出歸一到[-1,1]范圍內(nèi)，因此預(yù)測模型選取S型對數(shù)函數(shù)tansig作為輸出層神經(jīng)元的激勵函數(shù)；

E：將訓練樣本數(shù)據(jù)歸一化后輸入網(wǎng)絡(luò)，設(shè)定網(wǎng)絡(luò)隱含層和輸出層激勵函數(shù)分別為tansig和logsig函數(shù)，并選擇合適的網(wǎng)絡(luò)訓練函數(shù)和網(wǎng)絡(luò)性能函數(shù)，隱含層神經(jīng)元數(shù)初設(shè)為6；

F：設(shè)定網(wǎng)絡(luò)參數(shù)，網(wǎng)絡(luò)迭代次數(shù)為10000次，設(shè)置合適的期望誤差和學習速率，設(shè)定完參數(shù)后，開始訓練網(wǎng)絡(luò)，最終得到訓練完畢的神經(jīng)網(wǎng)絡(luò)系統(tǒng)；

本發(fā)明神經(jīng)網(wǎng)絡(luò)系統(tǒng)訓練完成后，只需要將各項指標輸入網(wǎng)絡(luò)即可得到預(yù)測數(shù)據(jù)。

本發(fā)明在選取隱含層神經(jīng)元個數(shù)公式如下：



其中：n為輸入層神經(jīng)元個數(shù)；

m為輸出層神經(jīng)元個數(shù)；

a為[1,10]之間的常數(shù)；

根據(jù)上式可以計算出神經(jīng)元個數(shù)為4-13個之間。在本發(fā)明中選擇隱含層神經(jīng)元個數(shù)為6。

作為本發(fā)明的進一步改進，通過圖像處理得到物料在皮帶上的分布信息采用的是邊緣檢測技術(shù)。

與現(xiàn)有技術(shù)相比，本發(fā)明通過人工觀察皮帶輸送機不同位置的物料負載量對驅(qū)動電機進行調(diào)速，盡可能在物料負載量與驅(qū)動電機轉(zhuǎn)速之間實現(xiàn)最佳匹配，并在人工示教調(diào)速的過程中采集樣本數(shù)據(jù)，包括人工示教調(diào)速的驅(qū)動電機轉(zhuǎn)速矩陣和物料負載矩陣，采集完畢后的樣本數(shù)據(jù)輸送到核心處理器，由核心處理器中的神經(jīng)網(wǎng)絡(luò)系統(tǒng)對樣本數(shù)據(jù)進行訓練得到訓練完畢的神經(jīng)網(wǎng)絡(luò)系統(tǒng)；通過安裝在皮帶輸送機上方的物料監(jiān)測裝置的激光測距儀對物料高度信號、驅(qū)動電機的轉(zhuǎn)速信號進行采集并輸送到數(shù)據(jù)存儲器中，工業(yè)攝像頭將采集的皮帶輸送帶上的物料圖片信息輸送到數(shù)據(jù)存儲器中，通過采集樣本數(shù)據(jù)，采集完畢后的樣本數(shù)據(jù)輸送到核心處理器，由核心處理器中的神經(jīng)網(wǎng)絡(luò)系統(tǒng)對樣本數(shù)據(jù)進行訓練得到訓練完畢的神經(jīng)網(wǎng)絡(luò)系統(tǒng)；將物料監(jiān)測裝置采集皮帶輸送機不同位置的物料負載量得到物料負載矩陣，并將數(shù)據(jù)直接輸送到核心處理器中，由訓練完畢的神經(jīng)網(wǎng)絡(luò)系統(tǒng)對輸入信號進行處理，輸出結(jié)果為預(yù)測的驅(qū)動電機最佳轉(zhuǎn)速；將核心處理器輸出的電機最佳轉(zhuǎn)速輸送到皮帶輸送機控制系統(tǒng)中，由皮帶輸送機控制系統(tǒng)對驅(qū)動電機進行變頻調(diào)速，本發(fā)明能夠有效減小皮帶輸送機電機的能源消耗，并能降低出現(xiàn)煤料堆積的事故，調(diào)速范圍和精度較高，應(yīng)用范圍較廣，達到節(jié)能降耗的目的。

附圖說明

圖1是本發(fā)明基于物料監(jiān)測的智能調(diào)速裝置示意圖；

圖2是本發(fā)明一套物料監(jiān)測裝置安裝的結(jié)構(gòu)示意圖；

圖3是本發(fā)明的神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型圖；

圖4是本發(fā)明的訓練神經(jīng)網(wǎng)絡(luò)流程圖；

圖5是本發(fā)明智能調(diào)速的流程圖。

圖中：1、托輥，2、輸送帶，3、物料，4、激光測距儀，5、工業(yè)攝像頭，6、安裝機架，7、托輥橫梁，8、皮帶輸送機支架。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進一步說明。

如圖1和圖2所示，一種基于物料監(jiān)測的皮帶輸送機智能調(diào)速方法，假設(shè)皮帶輸送機的運輸長度為Lz，并采取在一臺皮帶輸送機上方均勻布置10套物料監(jiān)測裝置，包括以下步驟：

步驟一：安裝物料監(jiān)測裝置，將10套物料監(jiān)測裝置等距離均勻安裝在皮帶輸送機上方，每套物料監(jiān)測裝置的安裝方式如圖2所示，包括托輥1、輸送帶2，所運送的物料3，安裝機架6安裝在皮帶輸送機支架8上，并且機架距離托輥橫梁7的距離為H，物料監(jiān)測裝置所述的激光測距儀4設(shè)置8個，激光測距儀4的布置方法為對稱均勻的布置在安裝機架6上，并且兩端的激光測距儀長度要近似等于皮帶輸送帶的寬度，在物料3正上方的安裝機架中間位置安裝有工業(yè)攝像頭5；激光測距儀4對物料高度信號、驅(qū)動電機的轉(zhuǎn)速信號進行采集并輸送到數(shù)據(jù)存儲器中，工業(yè)攝像頭5將采集的皮帶輸送帶2上的物料圖片信息輸送到數(shù)據(jù)存儲器中，數(shù)據(jù)存儲器與核心處理器相連，數(shù)據(jù)存儲器中存儲的數(shù)據(jù)通過核心處理器的運算可以得到皮帶輸送機不同運輸位置的物料負載量，數(shù)據(jù)存儲器存儲完足夠的樣本數(shù)據(jù)之后將全部數(shù)據(jù)輸入到核心處理器中進行處理，最后輸送到神經(jīng)網(wǎng)絡(luò)中進行訓練；核心處理器與皮帶輸送機控制系統(tǒng)相連，皮帶輸送機控制系統(tǒng)可以對驅(qū)動電機進行變頻調(diào)速；

如圖3-圖5所示，步驟二：采集樣本數(shù)據(jù)，包括人工示教調(diào)速的驅(qū)動電機轉(zhuǎn)速矩陣和物料負載矩陣，并將采集到的樣本數(shù)據(jù)存儲到數(shù)據(jù)存儲器中，采集完畢后的樣本數(shù)據(jù)輸送到核心處理器，由核心處理器中的神經(jīng)網(wǎng)絡(luò)系統(tǒng)對樣本數(shù)據(jù)進行訓練得到訓練完畢的神經(jīng)網(wǎng)絡(luò)系統(tǒng)；其中步驟二中采集樣本數(shù)據(jù)的步驟如下：

A：開啟皮帶輸送機進行正常的物料運輸，同時開啟皮帶輸送機所有位置的物料監(jiān)測裝置以及數(shù)據(jù)存儲器、核心處理器和皮帶輸送機電機控制系統(tǒng)；

B：人工觀察當前皮帶輸送機所運輸?shù)恼w物料量并進行人工示教調(diào)速；人工觀察皮帶輸送機不同位置的物料負載量，發(fā)現(xiàn)當前的整體物料量達到了額定負載，人工調(diào)節(jié)驅(qū)動電機以額定功率運行；當發(fā)現(xiàn)皮帶輸送機整體物料量較小時控制驅(qū)動電機轉(zhuǎn)速減??；當發(fā)現(xiàn)皮帶輸送機一直沒有物料并且時間持續(xù)了5min，則控制驅(qū)動電機停止運行，盡可能使皮帶輸送機整體的負載物料量和驅(qū)動電機轉(zhuǎn)速實現(xiàn)最佳匹配。

C：在人工示教調(diào)速過程中，數(shù)據(jù)存儲器每秒對激光測距儀的數(shù)據(jù)采集一次，第i套物料監(jiān)測裝置在第j秒測得的瞬時物料負載為Qij，樣本總數(shù)為n，核心處理器經(jīng)過計算處理以后得到物料負載矩陣：



相對應(yīng)的，從皮帶輸送機控制系統(tǒng)中輸出驅(qū)動電機的轉(zhuǎn)速vj，每秒存儲一次所測得的數(shù)據(jù)，與此同時存儲驅(qū)動電機的速度矩陣為



其中，vj表示第j秒時驅(qū)動電機的轉(zhuǎn)速，由此得到樣本矩陣數(shù)據(jù)集。

D：將樣本矩陣



和



輸入到神經(jīng)網(wǎng)絡(luò)系統(tǒng)中進行訓練，核心處理器采用神經(jīng)網(wǎng)絡(luò)算法對不同的物料負載矩陣數(shù)據(jù)進行訓練并存儲在數(shù)據(jù)存儲器中作為初始數(shù)據(jù)；

步驟三：啟動智能調(diào)速系統(tǒng)，首先啟動皮帶輸送機開始下料，同時開啟物料監(jiān)測裝置采集皮帶輸送機不同位置的物料負載量得到物料負載矩陣，并將數(shù)據(jù)直接輸送到核心處理器中，由訓練完畢的神經(jīng)網(wǎng)絡(luò)系統(tǒng)對輸入信號進行處理，輸出結(jié)果為預(yù)測的驅(qū)動電機最佳轉(zhuǎn)速；

步驟四：將核心處理器輸出的電機最佳轉(zhuǎn)速輸送到皮帶輸送機控制系統(tǒng)中，由皮帶輸送機控制系統(tǒng)對驅(qū)動電機進行變頻調(diào)速。

通過激光測距儀和工業(yè)攝像頭采集數(shù)據(jù)，并通過計算得到皮帶輸送機不同位置的瞬時物料負載量，計算皮帶輸送機不同位置瞬時物料負載量的步驟如下：

A：對于任意一套物料監(jiān)測裝置，首先以第一個激光測距儀為坐標原點，豎直向下為z坐標，水平方向為x坐標，垂直于物料截面的方向為y坐標建立三維直角坐標系，令輸送皮帶在xoz面的曲線方程為z1＝h1(x)；

B：啟動皮帶輸送機并進行下料運輸，同時開啟全部激光測距儀和工業(yè)攝像頭；

C：設(shè)置8個激光測距儀，將8個激光測距儀進行測距對應(yīng)得到8個坐標點(xα,0,zα)，數(shù)據(jù)存儲器存每秒儲存一次上述激光測距儀所測得的坐標數(shù)據(jù)，并將數(shù)據(jù)導入核心處理器中，核心處理器通過多項式曲線擬合的方法可以得到物料高度曲線方程，



其中：k為多項式的階數(shù)；

ak為多項式的系數(shù)；

D：根據(jù)物料高度曲線方程和輸送皮帶曲線方程可以得到物料的實際高度方程H(x)＝h2(x)-h1(x)；

E：工業(yè)攝像頭通過拍照可以得到皮帶輸送機上的物料圖片信息，工業(yè)攝像頭所得的矩形圖像按照實物實際尺寸投影到xoy平面上可以得到物料的分布面φ(x,y)，其中工業(yè)攝像頭拍得圖像矩形的長度為L，利用圖像處理可以得到物料在輸送皮帶上的分布圖，將得到的物料分布圖按照每個像素點進行分割，每個像素點為正方形，像素點面積Sp為1mm2，將每個物料像素點中心坐標記為(xu,yr)，當不同位置的物料坐標點的物料高度值近似為H(xu)，即H(xu)＝H(xu,yr)，將每個像素點對應(yīng)的體積近似為長方體，則該像素點對應(yīng)的物料高度為H(xu,yr)，則工業(yè)攝像頭拍得圖像矩形內(nèi)的物料的總質(zhì)量Q為



其中：m為x坐標方向物料像素點個數(shù)；

g為y坐標方向物料像素點個數(shù)；

ρ為物料的密度，kg/m3；

則單位長度的物料量q為

q＝Q/L

物料的瞬時流量

W＝K×q×2×π×vi×σ-1×R

其中：vi為物料監(jiān)測裝置中的激光測距儀測得高度坐標時皮帶運輸機驅(qū)動電機的轉(zhuǎn)速；

σ為驅(qū)動滾筒減速器的減速比；

K為校核系數(shù)，因為皮帶輸送機存在彈性滑動，故皮帶速度和主動輪線速度存在差值；

R為傳動滾筒的半徑。

本發(fā)明將n組物料負載矩陣數(shù)據(jù)作為輸入，將對應(yīng)的驅(qū)動電機轉(zhuǎn)速作為輸出通過樣本數(shù)據(jù)的訓練，神經(jīng)網(wǎng)絡(luò)系統(tǒng)通過不斷修正網(wǎng)絡(luò)權(quán)值和偏置使誤差函數(shù)沿負梯度方向下降，逼近期望輸出，本發(fā)明的神經(jīng)網(wǎng)絡(luò)系統(tǒng)訓練的步驟如下：

A：建立神經(jīng)網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)系統(tǒng)包括輸入層、隱含層和輸出層；輸入層節(jié)點數(shù)為物料監(jiān)測裝置的個數(shù)，輸出層為預(yù)測的驅(qū)動電機轉(zhuǎn)速，即一個節(jié)點，隱含層可以有一層或多層，圖3是m×k×n的三層BP網(wǎng)絡(luò)模型，網(wǎng)絡(luò)選用S型傳遞函數(shù)，



反傳誤差函數(shù)



其中：ti為期望輸出；

oi為網(wǎng)絡(luò)的計算輸出；

神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以通過不斷調(diào)節(jié)網(wǎng)絡(luò)權(quán)值和偏置使誤差函數(shù)E達到極??；BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有高度非線性和較強的泛化能力，但也存在收斂速度慢、迭代步數(shù)多、易于陷入局部極小和全局搜索能力差等缺點，本發(fā)明可以先用遺傳算法對“BP網(wǎng)絡(luò)”進行優(yōu)化并在解析空間找出較好的搜索空間，再用BP網(wǎng)絡(luò)在較小的搜索空間內(nèi)搜索最優(yōu)解；

B：該模型輸入層的節(jié)點數(shù)為10，輸出層的節(jié)點數(shù)為1；

C：本發(fā)明采用含有一個隱含層的三層多輸入單輸出的BP網(wǎng)絡(luò)建立預(yù)測模型，在網(wǎng)絡(luò)設(shè)計過程中，隱含層神經(jīng)元數(shù)的確定十分重要，隱含層神經(jīng)元個數(shù)過多，會加大網(wǎng)絡(luò)計算量并容易產(chǎn)生過度擬合問題；神經(jīng)元個數(shù)過少，則會影響網(wǎng)絡(luò)性能，達不到預(yù)期效果，網(wǎng)絡(luò)中隱含層神經(jīng)元的數(shù)目與實際問題的復雜程度、輸入和輸出層的神經(jīng)元數(shù)以及對期望誤差的設(shè)定有著直接的聯(lián)系，目前，對于隱含層中神經(jīng)元數(shù)目的確定并沒有明確的公式，只有一些經(jīng)驗公式，神經(jīng)元個數(shù)的最終確定還是需要根據(jù)經(jīng)驗和多次實驗來確定；

D：選取激勵函數(shù)，ReLU函數(shù)是一個通用的激活函數(shù)，目前在大多數(shù)情況下使用，本發(fā)明選擇S型正切函數(shù)tansig作為隱含層神經(jīng)元的激勵函數(shù)，而由于網(wǎng)絡(luò)的輸出歸一到[-1,1]范圍內(nèi)，因此預(yù)測模型選取S型對數(shù)函數(shù)tansig作為輸出層神經(jīng)元的激勵函數(shù)；

E：將訓練樣本數(shù)據(jù)歸一化后輸入網(wǎng)絡(luò)，設(shè)定網(wǎng)絡(luò)隱含層和輸出層激勵函數(shù)分別為tansig和logsig函數(shù)，并選擇合適的網(wǎng)絡(luò)訓練函數(shù)和網(wǎng)絡(luò)性能函數(shù)，隱含層神經(jīng)元數(shù)初設(shè)為6；

F：設(shè)定網(wǎng)絡(luò)參數(shù)，網(wǎng)絡(luò)迭代次數(shù)為10000次，設(shè)置合適的期望誤差和學習速率，設(shè)定完參數(shù)后，開始訓練網(wǎng)絡(luò)，最終得到訓練完畢的神經(jīng)網(wǎng)絡(luò)系統(tǒng)；

本發(fā)明在選取隱含層神經(jīng)元個數(shù)的問題上參照了以下的經(jīng)驗公式如下：



其中：

n為輸入層神經(jīng)元個數(shù)；

m為輸出層神經(jīng)元個數(shù)；

a為[1,10]之間的常數(shù)；

根據(jù)上式可以計算出神經(jīng)元個數(shù)為4-13個之間，在本發(fā)明中選擇隱含層神經(jīng)元個數(shù)為6。