[发明专利]用于防凝固混凝土搅拌控制的神经网络的训练方法

说明书

本申请公开了一种用于防凝固混凝土搅拌控制的神经网络的训练方法，其包括：获取设置在混凝土搅拌装置的多层搅拌叶上的传感器采集的训练用力学参数和对应时间点的所述多层搅拌叶的训练用速度参数；将所述训练用力学参数构造为力学参数矩阵和将所述训练用速度参数构造为速度向量；将所述力学参数矩阵通过卷积神经网络以获得力学特征图；将所述速度向量与所述力学特征图进行矩阵相乘以获得关联特征图；将所述关联特征图通过多个全连接层以获得分类特征向量，所述多个全连接层中最后一个全连接层的输出位数与搅拌叶的层数相等；以及，基于所述分类特征向量和所述训练用速度参数之间的差值反向传播更新所述卷积神经网络和所述多个全连接层的参数。

技术领域

本申请涉及人工智能技术领域，且更为具体地，涉及一种用于防凝固混凝土搅拌控制的神经网络的训练方法、基于深度神经网络的防凝固混凝土搅拌控制方法、用于防凝固混凝土搅拌控制的神经网络的训练系统、基于深度神经网络的防凝固混凝土搅拌控制系统和电子设备。

背景技术

随着现在建筑行业的不断发展，混凝土的使用也越来越广泛，混凝土在进行制备时需要进行搅拌。传统的单搅拌叶的搅拌装置在搅拌混凝土时，只能对搅拌装置内一部分混凝土进行搅拌，另一部分混凝土没有被搅拌到容易在搅拌装置内壁或底部凝固，这样不仅影响了混凝土的质量，而且在长时间使用后搅拌装置内可能会堵塞，严重的可能会堵住搅拌叶，使搅拌叶不能转到，从而使搅拌装置损坏，同时凝固的混凝土在后期也不方便进行清除；并且，当混凝土搅拌完后混凝土为及时使用完时，混凝土就会在搅拌装置内凝固，这样会造成混凝土的浪费。

因此，提出了具有多层搅拌叶的搅拌装置，并且，为了提高搅拌的效率和节约能源，该多层搅拌叶可以分别控制其旋转速度。也就是，通常在下层的搅拌叶控制其速度大于在上层的搅拌叶，以使得在下层的混凝土搅拌更充分，防止凝固。但是，如何控制多层搅拌叶各自的旋转速度就成为需要解决的问题。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为如何控制多层搅拌叶各自的旋转速度提供了新的解决思路和方案。

发明内容

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一种用于防凝固混凝土搅拌控制的神经网络的训练方法、基于深度神经网络的防凝固混凝土搅拌控制方法、用于防凝固混凝土搅拌控制的神经网络的训练系统、基于深度神经网络的防凝固混凝土搅拌控制系统和电子设备，其中，在训练过程中，以设置在搅拌叶的径向方向和周向方向的传感器所采集的力学参数来表征所搅拌的混凝土的粘稠程度，并以深度神经网络提取所搅拌的混凝土的粘稠程度与控制参数之间的高维隐含关联，这样，所训练成的所述深度神经网络能够基于输入的力学参数以端对端的方式输出混凝土搅拌的控制参数。

根据本申请的一个方面，提供了一种用于防凝固混凝土搅拌控制的神经网络的训练方法，其包括：

获取设置在混凝土搅拌装置的多层搅拌叶上的传感器采集的训练用力学参数和对应时间点的所述多层搅拌叶的训练用速度参数，所述训练用力学参数为在混凝土无凝固情况下采集的力学参数；

将所述训练用力学参数构造为力学参数矩阵和将所述训练用速度参数构造为速度向量；

将所述力学参数矩阵通过卷积神经网络以获得力学特征图；

将所述速度向量与所述力学特征图进行矩阵相乘以获得关联特征图；

将所述关联特征图通过多个全连接层以获得分类特征向量，其中，所述多个全连接层中最后一个全连接层的输出位数与搅拌叶的层数相等；以及

基于所述分类特征向量和所述训练用速度参数之间的差值反向传播更新所述卷积神经网络和所述多个全连接层的参数。