基于特征聚类的固体材料一致性分选系统和方法与流程

本发明涉及智能制造领域，尤其涉及一种基于特征聚类的固体材料一致性分选系统和方法。
背景技术：
：对原材料的一致性分选是工程及生产中的常见问题，比如对工程岩体的分类，汽车零部件厂商对生产出的零件磨损种类和等级情况检查，锂电池模组生产中对电芯的分选等。目前大部分的分类、分拣作业是靠有经验的工程师通过仔细辨别来判断，效率比较低，并且因为人的不同而产生判断的偏差。而对于工业上的许多分拣作业，采用人工分拣速度缓慢且成本高，而且还需要提供适宜的工作环境(例如夏天需要空调，冬天需要暖气等)，所以需要一种低成本、高效率的固体材料分选系统和方法。技术实现要素：本发明为了解决人工分拣成本高、效率低的问题，提供一种基于特征聚类的固体材料一致性分选系统和方法。为了解决上述问题，本发明采用的技术方案如下所述：一种基于特征聚类的固体材料一致性分选系统，包括：固体材料分选设备，用于对固体材料进行检测、分选；数据采集单元，用于获取固体材料的检测信息，并将所述检测信息发送给所述实时智能算法单元；实时智能算法单元，用于接收所述检测信息对所述检测信息进行学习，对待分选固体材料的分选方式进行确定，并将所述分选方式发送给所述固体材料分选设备。优选地，所述固体材料分选设备包括输入通道作为材料物理特性检测通道、输出通道作为分拣通道，所述输入通道设置物理特性检测装置，所述输出通道至少有两条。优选地，所述物理特性检测装置包括激光密度检测单元、电压检测单元、内阻检测单元。优选地，所述数据采集单元获取的检测信息为所述固体材料分选设备中固体材料物理特性的检测信息。优选地，所述对待分选固体材料的分选方式进行确定包括：每条输出通道的参数的确定；待分选固体材料的通道的确定以及每条输出通道参数的实时更新。本发明还包括一种采用如上所述的基于特征聚类的固体材料一致性分选系统进行分选的方法，包括以下步骤：s1：系统冷启动：将待分拣的固体材料输送至所述固体分选设备进行检测信息统计，统计时长至少为一个基础时间段；s2：根据所述检测信息确定每个通道的分选方式；s3：根据所述分选方式进行固体材料的一致性分选并实时更新所述分选方式。优选地，所述分选方式包括：确定每条输出通道的参数；确定待分选固体材料的通道以及实时更新每条输出通道的参数。优选地，所述确定和/或更新每条通道参数的方法包括如下步骤：s31：对每个所述基础时间段内的检测信息进行统计，得到每个基础时间段的统计结果；s32：增大迭代周期对所述统计结果进行比较，确定统计结果收敛最快的时间周期；s33：根据所述收敛最快的时间周期，得到最佳样本量；s34：对所述最佳样本量的采样值进行聚类学习，得到聚类结果；s35：根据所述聚类结果确定每一类的中心点的值；s36：根据所述每一类的中心点的值和输出通道的通道数，确定或更新每个通道的参数。优选地，步骤s32中增大迭代周期的方法为：将当前基础时间段的所述统计结果与上一个基础时间段的所述统计结果相比较；将当前基础时间段与上一个基础时间段组成当前时间周期，将所述当前时间周期与上一个时间周期的统计结果进行比较，所述两个时间周期的基础时间段重合或不重合。本发明的有益效果为：所提供的基于特征聚类的固体材料一致性分选系统和方法，通过对待分选的固体材料的物理特征进行检测，采集，实时在线学习，及时生成并更新一致性判断和分选标准，实现对来自不同批次的或不具备同一的一致性标准的材料进行统一的分选作业，提高分选速度，保证分选的质量，并减少了人员的参与，有效降低作业成本，也防止了人为判断的错误，提高了工程和生产中材料分选作业的自动化和智能化。附图说明图1是本发明实施例1中基于特征聚类的固体材料一致性分选系统示意图。图2是本发明实施例1中采用如上所述的基于特征聚类的固体材料一致性分选系统进行分选的方法示意图。图3是本发明实施例1中确定或更新每个通道的参数的方法示意图。图4是本发明实施例1中对基础时间段统计结果进行比较的一种情况示意图。图5是本发明实施例1中对基础时间段统计结果进行比较的又一种情况示意图。图6是本发明实施例1中对基础时间段统计结果进行比较的再一种情况示意图。图7是本发明实施例1中一致性分选算法的聚类结果示意图。其中，1-上一个基础时间段的统计结果，2-当前基础时间段的统计结果，3-当前时间周期的统计结果，4-上一个时间周期的统计结果，5-又一种上一个时间周期的统计结果。具体实施方式下面结合附图通过具体实施例对本发明进行详细的介绍，以使更好的理解本发明，但下述实施例并不限制本发明范围。另外，需要说明的是，下述实施例中所提供的图示仅以示意方式说明本发明的基本构思，附图中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的形状、数量及比例可为一种随意的改变，且其组件布局形态也可能更为复杂。实施例1如图1所示，基于特征聚类的固体材料一致性分选系统，包括：固体材料分选设备，用于对固体材料进行检测、分选；数据采集单元，用于获取固体材料的检测信息，并将所述检测信息发送给所述实时智能算法单元；实时智能算法单元，用于接收所述检测信息对所述检测信息进行学习，对待分选固体材料的分选方式进行确定，并将所述分选方式发送给所述固体材料分选设备。固体材料分选设备的具体设备类型属于本领域的现有技术中的能够实现对固体材料进行分选的设备，本发明对其结构和形状不做具体限定。固体材料分选设备包括输入通道作为材料物理特性检测通道、输出通道作为分拣通道，所述输入通道设置物理特性检测装置，所述输出通道至少有两条。物理特性检测装置包括但不限于激光密度检测单元、电压检测单元、内阻检测单元。根据待检测的固体材料不同以及实际需要，可以增加其他物理检测单元等。数据采集单元获取的检测信息为所述固体材料分选设备中固体材料物理特性的检测信息。数据采集单元为一个可以在设备上运行的程序，一般为一个嵌入式计算机程序，负责实时获取检测通道对固体材料物理特性的检测值和与当前材料对应的相关信息，如批次号、材料规格等，该采集模块通过以太网与实时智能算法系统连接。数据采集模块通过包括但不限于mqtt、tcp、websocket、http等协议将数据发送给实时智能算法系统。数据采集单元也可以为其他能够实现数据采集的形式，能够完成待检测的固体材料的物理特性检测信息的汇总收集并能够将数据传送给实时智能算法单元。实时智能算法单元确定待分选固体材料的分选方式包括：每条输出通道的参数的确定；待分选固体材料的通道的确定以及每条输出通道参数的实时更新。实时智能算法单元与数据采集单元可以在同一个局域网里，也可以通过公共互联网相连接。实时智能算法单元可以为一个运行本发明所涉及智能分选算法的计算机系统，是一个云端大脑，对从数据采集模块实时上传的物理特性检测信息进行学习分类，并生成每个分拣通道的通道参数，将通道参数实时传回固体材料分选设备，同时决定当前固体材料应该被分入的输出通道。然后不断学习检测信息，实时更新通道参数传输给固体材料分选设备。如图2所示，一种采用如上所述的基于特征聚类的固体材料一致性分选系统进行分选的方法，包括以下步骤：s1：系统冷启动：将待分拣的固体材料输送至所述固体材料分选设备进行检测信息统计，统计时长至少为一个基础时间段。系统先对一些待分选的固体材料的样本数据进行学习，即往分选机输入一定数量，比如2000个的固体材料，固体材料分选设备对固体材料的物理特性信息进行检测，采集单元对检测信息进行采集并将所述检测信息发送给所述实时智能算法单元；实时智能算法单元接收所述检测信息对所述检测信息进行学习，实时智能算法单元仅对这些材料的特性数据进行学习，并不做实际的分选，分拣通道对材料的输出带有随机性，确定待分选固体材料的分选方式。s2：根据所述检测信息确定每个通道的分选方式；当实时智能算法单元对足够的样本量进行学习后，即算法判断分类已经到达一个收敛标准时，智能算法系统会给分选设备发送一个指令，而设备根据该指令作相应的响应，比如将红灯变成绿灯，或发出声音提示等，标志着系统的冷启动完成，设备可以正式对材料进行分选了；s3：根据所述分选方式进行固体材料的一致性分选并实时更新所述分选方式。分选方式包括：确定每条输出通道的参数；确定待分选固体材料的通道以及实时更新每条输出通道的参数。根据所述通道参数进行固体材料的一致性分选并实时更新所述通道参数。当固体材料分选设备每输入一个新的固体材料，系统获取其物理特性检测值，智能算法单元一方面基于已经收敛的分类方式确定该固体材料应该被分入的通道，另一方面算法对新获取的数据进行统计，并调整原来的分类方式。如图3所示，确定每条通道的参数和/或更新所述每条通道参数的方法包括如下步骤：s31：对每个所述基础时间段内的检测信息进行统计，得到每个基础时间段的统计结果；系统首先确定一个采样值统计的基础时间段，比如10分钟、1个小时，根据分选设备对材料的检测速度而确定，基础时间段为最小迭代周期，即算法每次迭代最短的时间为基础时间段，而实际的迭代周期可以为基础时间段的整数倍s32：增大迭代周期对所述统计结果进行比较，确定统计结果收敛最快的时间周期；s33：根据所述收敛最快的时间周期，得到最佳样本量；s34：对所述最佳样本量的采样值进行聚类学习，得到聚类结果；s35：根据所述聚类结果确定每一类的中心点的值；s36：根据所述每一类的中心点的值和输出通道的通道数，确定或更新每个通道的参数，即以聚类中心点值为均值的正态分布的1倍方差或2倍方差的范围。确定好通道参数以后，判断当前固体材料的检测值所落入的某个通道的参数范围，将其分选入对应的通道；持续重复上述步骤，迭代统计样本量和聚类训练，更新各通道的取值参数范围，并实时地对当前输入的材料进行分选。如图4所示，步骤s32中增大迭代周期的方法为：将当前基础时间段的统计结果2与上一个基础时间段的统计结果1相比较。图中一个方框代表一个基础时间段内的统计结果，箭头指向代表时间方向。如图5所示，将当前基础时间段与上一个基础时间段组成一个时间周期3，将所述当前时间周期的统计结果3与上一个时间周期的统计结果4进行比较，时间周期的所述基础时间段不重合。图中一个方框代表一个基础时间段内的统计结果，箭头指向代表时间方向。如图6所示，将当前基础时间段与上一个基础时间段组成一个时间周期，将所述当前时间周期的统计结果3与又一种上一个时间周期的统计结果5进行比较，两个时间周期的基础时间段不重合。图中一个方框代表一个基础时间段内的统计结果，箭头指向代表时间方向。如表1所示，将待分拣的固体材料输送至所述固体材料分选设备进行检测信息统计，各样本量下的统计结果比较，根据稳定性参数和随机性参数的值和变化确定收敛条件，达到收敛条件后，确定对固体材料的分选方式。如图所示，当样本大小为3000时，稳定性参数为31.04，随机性参数为9.77，确定此时为收敛。表1各样本量下的统计结果样本大小稳定性参数随机性参数2001599.12279.16400840.67631.82800165.0930.611000114.5662.53200058.8240.65300031.049.77500013.7510.28如图7所示，是一种一致性分选算法的聚类结果示意图。图中横轴为电压、纵轴为电流，通过本发明的所述系统和方法对电子器件进行分类，本实施例中分成两类。在本实施例的变通实施例中，通道数量根据待分选的固体材料的性质可以不同，本发明所述的系统和方法基于确定了通道数量基础上对固体材料的物理特性进行学习实现一致性分选。以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属
技术领域：
的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。当前第1页12