【技术实现步骤摘要】
本申请涉及位置监控领域，且更为具体地，涉及一种辊轧机的位置监控方法及系统。
技术介绍
1、辊轧机是一种用于金属加工的重型机械设备，广泛应用于钢铁、有色金属等行业。辊轧机的主要作用是将金属坯料通过辊轧的方式进行塑性变形，以获得所需的形状和尺寸。
2、在金属材料(如钢板、铝板等)加工过程中，机械部件的故障或磨损可能导致辊棍位置的异常变化，如辊轴承损坏或辊棍支撑系统松动，同时，金属材料在加工过程中可能会发生变形，导致辊棍位置的改变，包括弹性变形和塑性变形。而温度的变化也会对辊棍位置产生影响，因为金属材料的热胀冷缩效应会导致尺寸的变化，此外，振动和冲击是辊轧机运行过程中常见的现象，它们可能会导致辊棍位置微小的变化。综合这些因素，辊棍位置的改变可能会对金属加工的质量和设备的稳定性产生影响，因此对辊棍位置进行监控和调整是至关重要的。
3、目前现有技术中，辊轧机辊棍的位置监控通常使用超声波传感器和人工经验判别进行监控。辊轧机工作环境通常存在噪声、振动和灰尘等干扰因素，这些因素可能会对辊棍位置检测造成干扰，这些干扰因素可能导致在使用超声波传感器检测辊棍位置时存在不准确性。人工经验判断具有主观性且效率低下，这会造成辊轧机辊棍的位置监控没有客观统一标准，存在不准确性。
4、因此，期望一种更为优化的辊轧机的位置监控方法及系统。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了辊轧机的位置监控方法及系统，其首先获取多个预定时间点的辊轧机辊棍位置
2、根据本申请的一个方面，提供了一种辊轧机的位置监控方法，其包括：
3、获取由摄像头采集的多个预定时间点的辊轧机辊棍位置图像和由压力传感器采集的多个预定时间点辊轧机辊棍的压力数据；
4、将所述由摄像头采集的多个预定时间点的辊轧机辊棍位置图像分别通过作为特征提取器的第一卷积神经网络以得到多个位置特征图；
5、计算所述多个位置特征图中每两个相邻时间点的位置特征图之间的差分以得到多个位置差分特征图；
6、将所述多个位置差分特征图按照时间维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络以得到位置关联特征图；
7、将所述由压力传感器采集的多个预定时间点辊轧机辊棍的压力数据按照时间维度和样本维度排列为二维输入矩阵；
8、将所述二维输入矩阵通过第三卷积网络以得到压力特征图；
9、对所述位置关联特征图和所述压力特征图进行基于秩序性的位移过渡以得到分类特征图；
10、将所述分类特征图通过分类器以得到分类结果，所述分类结果表示是否发出辊轧机位置异常警报1。
11、在上述辊轧机的位置监控方法中，将所述由摄像头采集的多个预定时间点的辊轧机辊棍位置图像分别通过作为特征提取器的第一卷积神经网络以得到多个位置特征图，包括：所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行第一卷积处理以得到第一卷积特征图；对所述第一卷积特征图进行均值池化处理以得到第一池化特征图；对所述第一池化特征图进行非线性激活以得到第一激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述多个位置特征图，所述第一卷积神经网络的第一层的输入为所述由摄像头采集的多个预定时间点的辊轧机辊棍位置图像中各个辊轧机辊棍位置图像。
12、在上述辊轧机的位置监控方法中，计算所述多个位置特征图中每两个相邻时间点的位置特征图之间的差分以得到多个位置差分特征图，包括：
13、以如下差分公式计算所述多个位置特征图中每两个相邻时间点的位置特征图之间的差分以得到所述多个位置差分特征图；
14、其中，所述差分公式为：
15、
16、其中f1和f2分别表示所述多个位置特征图中每两个相邻时间点的位置特征图，fd表示所述多个位置差分特征图，表示特征图的按位置减法。
17、在上述辊轧机的位置监控方法中，将所述多个位置差分特征图按照时间维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络以得到位置关联特征图，包括：所述使用三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到三维卷积特征图；对所述三维卷积特征图进行均值池化处理以得到三维池化特征图；对所述三维池化特征图进行非线性激活以得到三维激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述位置关联特征图，所述第二卷积神经网络的第一层的输入为所述三维特征张量。
18、在上述辊轧机的位置监控方法中，将所述二维输入矩阵通过第三卷积网络以得到压力特征图，包括：进一步用于使用所述第三卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述压力特征图，其中，所述第三卷积神经网络的第一层的输入为所述二维输入矩阵。
19、在上述辊轧机的位置监控方法中，对所述位置关联特征图和所述压力特征图进行基于秩序性的位移过渡以得到分类特征图，包括：基于所述位置关联特征图的沿通道维度的各个特征矩阵的全局均值，对所述位置关联特征图进行特征矩阵序列化重排以得到序列化位置关联特征图；基于所述压力特征图的沿通道维度的各个特征矩阵的全局均值，对所述压力特征图进行特征矩阵序列化重排以得到序列化压力特征图；计算所述序列化位置关联特征图和所述序列化压力特征图中任意两个通道维度的特征矩阵之间的欧式距离以得到位移过渡拓扑矩阵；计算所述序列化位置关联特征图和所述序列化压力特征图的每组对应通道维度的特征矩阵之间的按位置均值矩阵以得到融合特征矩阵的序列；将所述融合特征矩阵的序列和所述位移过渡拓扑矩阵通过图神经网络模型以得到所述分类特征图。
20、在上述辊轧机的位置监控方法中，将所述分类特征图通过分类器以得到分类结果，所述分类结果表示是否发出辊轧机位置异常警报，包括：使用所述分类器以如下分类公式对所述原分类特征图进行处理以获得所述分类结果；其中，所述分类公式为：o＝softmax{(wc,bc)|project(f)}，其中project(f)表示将所述分类特征图投影为向量，wc为权重矩阵，bc表示偏置向量，softmax表示归一化指数函数，o表示所述分类结果。
21、根据本申请的另一方面，提供了一种辊轧机的位置监控系统，其包括：
22、数据采集模块，用于获取由摄本文档来自技高网...
【技术保护点】
1.一种辊轧机的位置监控方法，其特征在于，包括：
2.根据权利要求1所述的辊轧机的位置监控方法，其特征在于，将所述由摄像头采集的多个预定时间点的辊轧机辊棍位置图像分别通过作为特征提取器的第一卷积神经网络以得到多个位置特征图，包括：
3.根据权利要求2所述的辊轧机的位置监控方法，其特征在于，计算所述多个位置特征图中每两个相邻时间点的位置特征图之间的差分以得到多个位置差分特征图，包括：
4.根据权利要求3所述的辊轧机的位置监控方法，其特征在于，将所述多个位置差分特征图按照时间维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络以得到位置关联特征图，包括：
5.根据权利要求4所述的辊轧机的位置监控方法，其特征在于，将所述二维输入矩阵通过第三卷积网络以得到压力特征图，包括：
6.根据权利要求5所述的辊轧机的位置监控方法，其特征在于，对所述位置关联特征图和所述压力特征图进行基于秩序性的位移过渡以得到分类特征图，包括：
7.根据权利要求6所述的辊轧机的位置监控方法，其特征在于，将所述分类特征图通过分类器以得到分类
8.一种辊轧机的位置监控系统，其特征在于，包括：
9.根据权利要求8所述的辊轧机的位置监控系统，其特征在于，所述图像特征提取模块，包括：
10.根据权利要求9所述的辊轧机的位置监控系统，其特征在于，所述图像差分模块，包括：
...【技术特征摘要】
1.一种辊轧机的位置监控方法，其特征在于，包括：
2.根据权利要求1所述的辊轧机的位置监控方法，其特征在于，将所述由摄像头采集的多个预定时间点的辊轧机辊棍位置图像分别通过作为特征提取器的第一卷积神经网络以得到多个位置特征图，包括：
3.根据权利要求2所述的辊轧机的位置监控方法，其特征在于，计算所述多个位置特征图中每两个相邻时间点的位置特征图之间的差分以得到多个位置差分特征图，包括：
4.根据权利要求3所述的辊轧机的位置监控方法，其特征在于，将所述多个位置差分特征图按照时间维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络以得到位置关联特征图，包括：
5.根据权利要求4所述的辊轧机的位置监控方...
【专利技术属性】
技术研发人员：奚立军，杨亚婷，夏松，
申请(专利权)人：滁州欧博特电子制造有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。