一种粉罐车卸料过程中异常预警方法与流程

1.本发明涉及物料运输的容器技术领域，具体涉及一种粉罐车卸料过程中异常预警方法。


背景技术：

2.粉罐车在卸料作业过程中容易出现压力过大进而导致罐体爆炸的情况，极易造成人身安全问题和经济损失问题；因此，需要对粉罐车的卸料过程进行监测，以免发生意外；目前常用的对粉罐车进行监测的方法为：通过罐体内的压力大小判断粉罐车是否需要进行卸压调整操作，以免出现事故，这种方式需要操作人员时刻监控罐内压力；同时，当需要对粉罐车进行卸压调整操作时，这种情况下已经对罐体和空压机造成了部分损害，影响罐体和空压机的使用性能，因此，需要对卸料过程进行提前预警，保护罐体和空压机。


技术实现要素：

3.为了解决上述技术问题，本发明的目的在于提供一种粉罐车卸料过程中异常预警方法，所采用的技术方案具体如下：采集粉罐车在若干个时间段各检测时刻对应的压力、振动加速度以及气流量；得到各时间段对应的压力序列、振动加速度序列以及气流量序列；采集外界环境在若干个时间段各检测时刻对应的温度，得到各时间段对应的温度序列；在各振动加速度序列中，按照从前至后的顺序每z个振动加速度计算一个方差，根据方差得到各振动加速度序列对应的新振动序列；其中z大于2；基于所述压力序列、气流量序列以及新振动序列，计算各时间段对应的稳定性评价；将任意两个稳定性评价的欧氏距离记为该两个稳定性评价对应的差异距离，基于所述差异距离对所有时间段进行分组，得到多个组；获取各组对应的稳定性评价序列与温度变化序列；基于所述稳定性评价序列与温度变化序列，计算各组对应的相关性；根据各时间段对应的稳定性评价、平均温度以及各时间段所属组对应的相关性，计算各时间段对应的健康程度；将各时间段对应的压力序列、新振动序列、气流量序列、温度序列、相关性以及健康程度作为样本，利用所述样本对lstm网络进行训练，得到训练好的lstm网络；根据所述训练好的lstm网络，得到当前时间段之后的未来时间段对应的预测健康程度，根据预测健康程度判断粉罐车在未来时间段是否异常。
4.优选的，所述稳定性评价为：
其中，为稳定性评价；为压力序列；为新振动序列；为气流量序列；为求最大值的函数；为求平均值的函数；为求方差的函数；为以自然常数e为底的指数函数。
5.优选的，所述获取各组对应的稳定性评价序列与温度变化序列的方法具体为：组内各时间段对应的稳定性评价构成该组对应的稳定性评价序列；计算组内各时间段的温度序列对应的平均温度，组内各时间段对应的平均温度构成该组对应的温度变化序列。
6.优选的，所述相关性的获取方法为：其中，为相关性，为温度变化序列，为稳定性评价序列，为与的皮尔逊相关系数；为求最大值的函数；为求最小值的函数；为求方差的函数。
7.优选的，所述健康程度为：其中，为健康程度，为稳定性评价；为温度序列；为相关性；为双曲正切函数；为求平均值的函数；为调节参数，且，式中，为最适温度。
8.优选的，lstm网络在训练过程中对应的整体损失函数的获取方法为：在任意一个组内随机选取一个时间段，基于该时间段对应的稳定性评价与组内剩余其他时间段对应的稳定性评价之间的差异距离，计算该时间段对应的隶属度；进而得到该组内各个时间段对应的隶属度，并将最大隶属度对应的时间段作为该组的代表时间段；进而得到各个组的代表时间段；计算该组的代表时间段对应的稳定性评价与剩余其他组的代表时间段对应的稳定性评价之间的差异距离的累加和，得到该组对应的组间差异；进而得到各组对应的组间差异；将所有时间段按照提前标记好的内容进行排列，得到多个卸料序列；根据卸料序列中各时间段所属组对应的组间差异，计算该卸料序列中各时间段对应的权重以及该卸料序列对应的序列权重；根据所述权重与序列权重，得到整体损失函数；所述整体损失函数为：其中，为整体损失函数，为卸料序列的总数；为卸料序列中时间段的总数；为第n个卸料序列对应的序列权重；为第n个卸料序列中第i个时间段对应的权重；为第n个卸料序列中第i个时间段对应的损失。
9.优选的，所述隶属度的获取方法为：计算组内任意一个时间段对应的稳定性评价与组内剩余其他时间段对应的稳定性评价之间的差异距离的累加和，计算累加和与组内时间段总数减1的比值，将所述比值归一化后的值记为该时间段的隶属度。
10.优选的，所述权重的获取方法为：将各时间段所属组对应的组间差异归一化后的值记为各时间段对应的权重；所述序列权重的获取方法为：计算卸料序列中所有时间段所属组对应的组间差异的累加和；并将累加和归一化后的值记为该卸料序列对应的序列权重。
11.本发明实施例至少具有如下有益效果：本发明通过各时间段对应的压力序列、新振动序列、气流量序列计算各时间段的稳定性评价；稳定性评价通过振动、压力以及气流量三个方面进行获取，稳定性评价的获取融合了多角度的信息，使得到的稳定性评价能够更加准确的表征时间段对应的卸料过程的状态。本发明根据相关性计算各时间段的健康程度；即在计算健康程度时引入相关性的目的是，不同罐车与不同类型的故障对温度的敏感程度不同，引入相关性对综合结果进行修正；使得到的健康程度更准确。同时，本发明通过训练好的lstm网络得到当前时间段之后的未来时间段的预测健康程度，根据预测健康程度判断粉罐车在未来时间段是否异常。本发明能够准确预测粉罐车在未来时间段是否异常，最大程度的保护空压机。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
13.图1为本发明的一种粉罐车卸料过程中异常预警方法实施例的步骤流程图。
具体实施方式
14.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
15.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
16.请参阅图1，其示出了本发明一个实施例提供的一种粉罐车卸料过程中异常预警方法的步骤流程图，该方法包括以下步骤：步骤1，采集粉罐车在若干个时间段各检测时刻对应的压力、振动加速度以及气流量；得到各个时间段对应的压力序列、振动加速度序列以及气流量序列；采集外界环境在若干个时间段各检测时刻对应的温度，得到各个时间段对应的温度序列。
17.粉罐车在卸料过程中，一般通过空压机对粉罐车的罐体内加入压力，即由空压机产生的压缩空气（或外接的压缩空气）进入罐内，经过流化装置把粉粒物料流化，借助罐体内外的压力差，粉粒物料随空气一起沿卸料管路输送到罐外指定位置。若罐体内的压力出
现异常，则可能发生危险情况，同时会对空压机造成损坏。
18.因此，本实施例使用耐震压力表采集粉罐车对应的压力，即粉罐车的罐体内的压力，得到各个时间段对应的压力序列，，其中，为粉罐车在任意一时间段内第1个检测时刻对应的压力，为粉罐车在该时间段内第2个检测时刻对应的压力，为粉罐车在该时间段内第m个检测时刻对应的压力，m为该时间段内检测时刻的总数量。
19.粉罐车在卸料过程中，当空压机的输出功率不够时，空压机的振动情况与其正常工作时对应的振动情况有着明显的差异性，具体表现为空压机的振动加速度不稳定，具有较大波动；因此，通过空压机的振动加速度能够表征空压机是否处于正常状态，即本实施例通过在空压机上安置mems振动传感器获取对应的振动加速度，得到各个时间段对应的振动加速度序列，，其中，为粉罐车在任意一时间段内第1个检测时刻对应的振动加速度，为粉罐车在该时间段内第2个检测时刻对应的振动加速度，为粉罐车在该时间段内第k个检测时刻对应的振动加速度，k为该时间段内检测时刻的总数量。
20.粉罐车在卸料过程中，当球阀的开启角度大时，能够降低料气比（管道内物料质量与气体质量之比），加大卸料距离，增加输送高度，但是卸料效率会降低，卸料时间会增加；反之，会增加料气比，缩短输送距离，减少输送高度，卸料效率高，卸料时间会短些；但是当球阀的开启角度过小时，易造成卸料管道堵塞，发生爆炸，因此为了安全起见，需要测量球阀的开启角度，由于无法直接测量球阀的开启角度，但是球阀的开启角度与卸料管道内的气流量呈现正相关关系，所以本实施例通过测量卸料管道的气流量大小从侧面反应球阀的开启角度；具体的，在球阀的前端安置一个气流量计，通过气流量计采集气流量大小，进而得到气流量序列，，其中，为粉罐车在任意一时间段内第1个检测时刻对应的气流量，为粉罐车在该时间段内第2个检测时刻对应的气流量，为粉罐车该时间段内第m个检测时刻对应的气流量，m为该时间段内检测时刻的总数量。
21.由于粉罐车的罐体内存放的是颗粒直径不大于0.1mm的粉粒干燥物料；外界环境的温度大小会影响罐体内的压力，当外界环境的温度较高时，此时吸入罐体内的气体将会引起罐体内温度的升高，进一步导致罐体内的压力升高，进而对罐体的安全产生一定的影响；若罐体的隔热性能较好，则外界环境的温度在一定温度范围内不会对罐体造成过多的影响，但是一旦当外界环境的温度高于此温度范围，依然会对罐体的安全造成威胁，而且不同粉罐车对应的性能条件不同，外界环境的温度对罐体的影响程度也不同；因此，在同一外界环境的温度下，外界环境的温度对罐体的安全的影响因罐体自身差异会表现出不同的影响程度。
22.本实施例在罐体外部安装一个温度传感器，利用温度传感器采集外界环境对应的温度，得到各个时间段对应的温度序列，，其中，为外界环境在任意一时间段内第1个检测时刻对应的温度，为外界环境在该时间段内第2个检测时刻对应的温度；为外界环境在该时间段内第m个检测时刻对应的温度，m为该时间段内检测时刻的总数量。
23.需要说明的是，上述信息的采集均在不同粉罐车对应的多个历史卸料过程中；从卸料开始时采集信息；一个历史卸料过程中包括多个时间段，本实施例中时间段的时间长
度为10秒。
24.在采集压力、气流量以及温度时，时间段内相邻两检测时刻的时间间隔为0.5秒，在采集振动加速度时，时间段内相邻两检测时刻的时间间隔为0.1秒，实施者可根据实际情况调整时间段对应的时间长度以及相邻两检测的时间间隔。
25.步骤2，在各振动加速度序列中，按照从前至后的顺序每z个振动加速度计算一个方差，根据方差得到各振动加速度序列对应的新振动序列；其中z大于2。
26.具体地，z取10，实施者可对z的取值进行调整；即在振动加速度序列中按照从前至后的顺序每10个振动加速度计算一个方差，得到振动加速度序列对应的新振动序列，，其中，为由振动加速度序列中第1个振动加速度到第10个振动加速度计算的方差，为由振动加速度序列中第11个振动加速度到第20个振动加速度计算的方差，为由振动加速度序列中第k-10个振动加速度到第k个振动加速度计算的方差。新振动序列能够表征空压机的晃动情况。
27.需要说明的是，由于本实施例在采集振动加速度时，时间段内相邻两检测时刻的时间间隔为0.1秒，采集压力、气流量以及温度时，时间段内相邻两检测时刻的时间间隔为0.5秒；并且本实施例选取每10个振动加速度计算一个方差，所以得到的新振动序列中方差的个数与采集压力、气流量以及温度时，时间段内检测时刻的个数一致，即新振动序列中方差的个数为m。
28.步骤3，基于压力序列、气流量序列以及新振动序列，计算各时间段对应的稳定性评价；将任意两个稳定性评价的欧氏距离记为该两个稳定性评价对应的差异距离，基于差异距离对所有时间段进行分组，得到多个组。
29.当粉罐车到达指定位置时，首先需要启动空压机将罐体内的压力增加到0.18mpa左右，然后再进行卸料操作；在正常卸料过程中，空压机的指针维持在稳定状态，即罐体内的压力维持在0.18mpa左右；与此同时，气流量以及振动加速度同样维持在稳定状态，因此本实施例通过压力序列、气流量序列以及新振动序列，计算各时间段对应的稳定性评价。
30.具体地，稳定性评价为：其中，为稳定性评价；为压力序列；为新振动序列；为气流量序列；为求最大值的函数；为求平均值的函数；为求方差的函数；为以自然常数e为底的指数函数。
31.表征对应时间段内气流量的稳定程度，的取值越大，说明对应时间段内的气流量越不稳定，则对应时间段的稳定性评价的取值越小；表征对应时间段内振动加速度的稳定程度，的取值越大，说明对应时间段内的振动加速度越不稳定，则对应时间段的稳定性评价的取值越小；表征对应时间段内压力的稳定程度，的取值与的取值越接近时，说明对应时间段内的压力越稳定，则对
应时间段的稳定性评价的取值越大。
32.然后获取任意两个稳定性评价之间的差异距离，根据差异距离对所有时间段进行分组，得到多个组。
33.具体地，采用dbscan聚类算法对所有时间段进行分组，得到多个组；在进行分组时，本实施例将搜索半径eps设定为0.1，簇内最小值minpts设定为5，即一个组内至少包括5个时间段；在实际操作过程中，实施者可根据实际情况设定搜索半径与簇内最小值的取值。dbscan聚类算法为公知技术，不再赘述。
34.需要说明的是，在对所有的时间段进行分组之前，对所有时间段进行标记，标记的内容为各时间段对应的卸料过程以及卸料时间。
35.进一步地，为了在后续过程精准的对粉罐车做出相应处理，本实施例还包括得到各个组的类型。类型包括正常组、空压机故障组、温度异常组以及助吹管堵塞组。
36.具体地，对各组内的所有时间段对应的新振动序列、气流量序列、温度序列进行均值化处理，得到各组对应的组内平均振动、组内平均气流量以及组内平均温度；当组内平均振动大于振动阈值时，该组为空压机故障组；当组内平均气流量小于气流量阈值时，该组为助吹管堵塞组；当组内平均温度大于温度阈值时，该组为温度异常组；其中，振动阈值、气流量阈值以及温度阈值的取值均由实施者根据实际情况进行设定。
37.步骤4，获取各组对应的稳定性评价序列与温度变化序列；基于所述稳定性评价序列与温度变化序列，计算各组对应的相关性。
38.获取各组对应的稳定性评价序列与温度变化序列的方法具体为：组内各时间段对应的稳定性评价构成该组对应的稳定性评价序列；计算组内各时间段的温度序列对应的平均温度，组内各时间段对应的平均温度构成该组对应的温度变化序列。
39.上述中的相关性为：其中，为相关性，为温度变化序列，为稳定性评价序列，为与的皮尔逊相关系数；为求最大值的函数；为求最小值的函数；为求方差的函数。
40.相关性表征对应时间段内的温度变化对卸料过程中平稳性的影响程度；当相关性的取值接近于0，则说明当前的温度变化对卸料过程中平稳性的影响程度较小或不造成影响；当相关性的取值接近于1，则说明当前的温度变化对卸料过程中平稳性的影响程度较大。此处计算相关性的目的是：在一定程度范围内温度的变化，对当前的卸料过程不会造成明显的影响，而温度一旦超出此范围，则会出现比较强烈的相关性，即温度变化对卸料过程中平稳性的影响程度较大，从而影响后续步骤对卸料过程中健康程度的判断。
41.需要说明的是，皮尔逊相关系为公知技术，不在本发明的保护范围内，不再过多赘述。
42.步骤5，根据各时间段对应的稳定性评价、平均温度以及各时间段所属组对应的相关性，计算各时间段对应的健康程度。
43.健康程度为：
其中，为健康程度，为稳定性评价；为温度序列；为相关性；为双曲正切函数；为求平均值的函数；为调节参数，且，式中，为最适温度。本实施例中的最适温度为25℃，实施者可根据实际情况进行调节。
44.健康程度表征对时间段对应的卸料过程的综合评价，健康程度的取值越大，说明对时间段对应的卸料过程的综合评价越高，即卸料过程的各项指标均处于稳定健康状态；反之，对时间段对应的卸料过程的综合评价越低，即卸料过程的各项指标不够平稳；根据相关性大小，与温度变化情况进行综合判定，确定卸料过程中温度的适宜情况，以此得到卸料过程中的健康程度；完成对时间段对应的卸料过程的综合评价。在计算健康程度时引入相关性的作用是，不同罐车与不同类型的故障对温度的敏感程度不同，引入相关性对综合结果进行修正；使得到的健康程度更准确。
45.步骤6，将各时间段对应的压力序列、新振动序列、气流量序列、温度序列、相关性以及健康程度作为样本，利用样本对lstm网络进行训练，得到训练好的lstm网络；根据训练好的lstm网络，得到当前时间段之后的未来时间段对应的预测健康程度，根据预测健康程度判断粉罐车在未来时间段是否异常。
46.具体地，lstm网络在训练过程中对应的整体损失函数的获取方法为：首先在任意一个组内随机选取一个时间段，基于该时间段对应的稳定性评价与组内剩余其他时间段对应的稳定性评价之间的差异距离，计算该时间段对应的隶属度；进而得到该组内各个时间段对应的隶属度，并将最大隶属度对应的时间段作为该组的代表时间段；进而得到各个组的代表时间段。
47.所述隶属度的获取方法为：计算组内任意一个时间段对应的稳定性评价与组内剩余其他时间段对应的稳定性评价之间的差异距离的累加和，计算累加和与组内时间段总数减1的比值，将所述比值归一化后的值记为该时间段的隶属度。隶属度越大，说明该时间段越能代表组内的情况；隶属度越小，说明该时间段越不能代表组内的情况，代表性较弱。
48.隶属度的计算公式具体为：，其中，为时间段a的隶属度，为时间段a对应的稳定性评价与时间段x对应的稳定性评价之间的差异距离；n为组内时间段总数；为余弦函数；为圆周率。本实施例采用余弦函数进行归一化，为了将隶属度大小与差异距离呈现负相关关系，差异距离越小，隶属度越大；实施者也可选取其他的函数进行归一化。
49.然后计算该组的代表时间段对应的稳定性评价与剩余其他组的代表时间段对应的稳定性评价之间的差异距离的累加和，得到该组对应的组间差异；进而得到各组对应的组间差异。
50.最后将所有时间段按照提前标记好的内容进行排列，得到多个卸料序列；根据卸料序列中各时间段所属组对应的组间差异，计算该卸料序列中各时间段对应的权重以及该卸料序列对应的序列权重；根据所述权重与序列权重，得到整体损失函数。
51.权重的获取方法为：将各时间段所属组对应的组间差异归一化后的值记为各时间
段对应的权重；此处的归一化不仅使得同一卸料序列中各时间段对应的权重的取值在[0,1]之间，同时，一个卸料序列中所有时间段对应的权重之和为1。
[0052]
序列权重的获取方法为：计算卸料序列中所有时间段所属组对应的组间差异的累加和；并将累加和归一化后的值记为该卸料序列对应的序列权重；一个卸料序列具有一个序列权重，且序列权重的取值在[0,1]之间，同时，所有序列权重的和为1。
[0053]
所述整体损失函数为：其中，为整体损失函数，为卸料序列的总数；为卸料序列中时间段的总数；为第n个卸料序列对应的序列权重；为第n个卸料序列中第i个时间段对应的权重；为第n个卸料序列中第i个时间段对应的损失。
[0054]
lstm网络的输入为时间段对应的压力序列、新振动序列、气流量序列、温度序列、相关性以及健康程度；lstm网络的输出为未来时间段对应的预测健康程度与未来时间段对应的压力序列、气流量序列以及新振动序列。
[0055]
需要说明的是，根据均方差损失函数计算各个时间段对应的损失；lstm网络的训练为公知技术，不再赘述。
[0056]
根据训练好的lstm网络，得到当前时间段之后的未来时间段对应的预测健康程度的方法具体为：将当前时间段及其当前时间段之前的各时间段对应的压力序列、新振动序列、气流量序列、温度序列、相关性以及健康程度输入到训练好的lstm网络中，输出当前时间段之后的未来时间段对应的预测健康程度以及未来时间段对应的压力序列、气流量序列以及新振动序列。
[0057]
然后比较预测健康程度与健康阈值的大小，当预测健康程度小于健康阈值时，发出异常预警，实施者采取相应的措施对粉罐车的卸料过程进行处理，即提前进行卸压操作或者停机处理，避免对空压机造成损害，发生危险。当预测健康程度大于健康阈值时，则说明粉罐车在未来时间段不会发生异常。本实施例中健康阈值的取值为0.8，在实际操作过程中，实施者可对其进行调整。
[0058]
进一步地，为了更加精准的对粉罐车采取相应的措施，当预测健康程度小于健康阈值时，根据未来时间段对应的压力序列、气流量序列以及新振动序列，得到未来时间段对应的组，根据未来时间段所属组对应的类别，获取粉罐车在未来时间段将要发生的异常类型；能够提醒相关工作人员粉罐车在未来时间段将要发生的异常类型，为相关工作人员提供足够多准备时间，进而精准的对粉罐车采取相应的措施，能够最大程度的保护空压机和粉罐车。
[0059]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种粉罐车卸料过程中异常预警方法，其特征在于，该方法包括以下步骤：采集粉罐车在若干个时间段各检测时刻对应的压力、振动加速度以及气流量；得到各时间段对应的压力序列、振动加速度序列以及气流量序列；采集外界环境在若干个时间段各检测时刻对应的温度，得到各时间段对应的温度序列；在各振动加速度序列中，按照从前至后的顺序每z个振动加速度计算一个方差，根据方差得到各振动加速度序列对应的新振动序列；其中z大于2；基于所述压力序列、气流量序列以及新振动序列，计算各时间段对应的稳定性评价；将任意两个稳定性评价的欧氏距离记为该两个稳定性评价对应的差异距离，基于所述差异距离对所有时间段进行分组，得到多个组；获取各组对应的稳定性评价序列与温度变化序列；基于所述稳定性评价序列与温度变化序列，计算各组对应的相关性；根据各时间段对应的稳定性评价、平均温度以及各时间段所属组对应的相关性，计算各时间段对应的健康程度；将各时间段对应的压力序列、新振动序列、气流量序列、温度序列、相关性以及健康程度作为样本，利用所述样本对lstm网络进行训练，得到训练好的lstm网络；根据所述训练好的lstm网络，得到当前时间段之后的未来时间段对应的预测健康程度，根据预测健康程度判断粉罐车在未来时间段是否异常。2.根据权利要求1所述的一种粉罐车卸料过程中异常预警方法，其特征在于，所述稳定性评价为：其中，为稳定性评价；为压力序列；为新振动序列；为气流量序列；为求最大值的函数；为求平均值的函数；为求方差的函数；为以自然常数e为底的指数函数。3.根据权利要求1所述的一种粉罐车卸料过程中异常预警方法，其特征在于，所述获取各组对应的稳定性评价序列与温度变化序列的方法具体为：组内各时间段对应的稳定性评价构成该组对应的稳定性评价序列；计算组内各时间段的温度序列对应的平均温度，组内各时间段对应的平均温度构成该组对应的温度变化序列。4.根据权利要求1所述的一种粉罐车卸料过程中异常预警方法，其特征在于，所述相关性的获取方法为：其中，为相关性，为温度变化序列，为稳定性评价序列，为与的皮尔逊相关系数；为求最大值的函数；为求最小值的函数；为求方差的函数。5.根据权利要求1所述的一种粉罐车卸料过程中异常预警方法，其特征在于，所述健康程度为：
其中，为健康程度，为稳定性评价；为温度序列；为相关性；为双曲正切函数；为求平均值的函数；为调节参数，且，式中，为最适温度。6.根据权利要求1所述的一种粉罐车卸料过程中异常预警方法，其特征在于，lstm网络在训练过程中对应的整体损失函数的获取方法为：在任意一个组内随机选取一个时间段，基于该时间段对应的稳定性评价与组内剩余其他时间段对应的稳定性评价之间的差异距离，计算该时间段对应的隶属度；进而得到该组内各个时间段对应的隶属度，并将最大隶属度对应的时间段作为该组的代表时间段；进而得到各个组的代表时间段；计算该组的代表时间段对应的稳定性评价与剩余其他组的代表时间段对应的稳定性评价之间的差异距离的累加和，得到该组对应的组间差异；进而得到各组对应的组间差异；将所有时间段按照提前标记好的内容进行排列，得到多个卸料序列；根据卸料序列中各时间段所属组对应的组间差异，计算该卸料序列中各时间段对应的权重以及该卸料序列对应的序列权重；根据所述权重与序列权重，得到整体损失函数；所述整体损失函数为：其中，为整体损失函数，为卸料序列的总数；为卸料序列中时间段的总数；为第n个卸料序列对应的序列权重；为第n个卸料序列中第i个时间段对应的权重；为第n个卸料序列中第i个时间段对应的损失。7.根据权利要求6所述的一种粉罐车卸料过程中异常预警方法，其特征在于，所述隶属度的获取方法为：计算组内任意一个时间段对应的稳定性评价与组内剩余其他时间段对应的稳定性评价之间的差异距离的累加和，计算累加和与组内时间段总数减1的比值，将所述比值归一化后的值记为该时间段的隶属度。8.根据权利要求6所述的一种粉罐车卸料过程中异常预警方法，其特征在于，所述权重的获取方法为：将各时间段所属组对应的组间差异归一化后的值记为各时间段对应的权重；所述序列权重的获取方法为：计算卸料序列中所有时间段所属组对应的组间差异的累加和；并将累加和归一化后的值记为该卸料序列对应的序列权重。

技术总结
本发明涉及物料运输的容器技术领域，具体涉及一种粉罐车卸料过程中异常预警方法；获取各时间段对应的压力序列、新振动序列、气流量序列以及各时间段对应的温度序列并计算各时间段的稳定性评价；获取任意两个稳定性评价的差异距离，并根据差异距离对所有时间段进行分组，得到多个组；计算各组的相关性，根据相关性计算各时间段的健康程度；将各时间段的压力序列、新振动序列、气流量序列、温度序列、相关性以及健康程度作为样本对LSTM网络进行训练，得到训练好的LSTM网络，然后得到当前时间段之后的未来时间段的预测健康程度，根据预测健康程度判断粉罐车是否异常。本发明能够准确预测粉罐车在未来时间段是否异常，最大程度的保护空压机。压机。压机。


技术研发人员：刘霞云
受保护的技术使用者：江苏慧远智能科技有限公司
技术研发日：2023.07.05
技术公布日：2023/8/13