固体垃圾处理泵及其方法与流程

本技术涉及垃圾处理领域，且更为具体地，涉及一种固体垃圾处理泵及其方法。

背景技术：

1、固体垃圾处理泵是一种用于输送固体垃圾的设备，其运行状态直接影响固体垃圾处理的效率和安全。

2、目前，对固体垃圾处理泵的运行状态监测和诊断主要依赖于人工观察和经验判断，这种方法存在误判、漏判和延迟的风险，且难以实现自动化和智能化。

3、因此，有必要开发一种优化的固体垃圾处理泵。

技术实现思路

1、有鉴于此，本公开提出了一种固体垃圾处理泵及其方法，可以基于深度学习和人工智能技术，并综合利用固废处理泵的电流值和输出压力值数据来实现对固体垃圾处理泵运行状态的准确监测和诊断，提高固体垃圾处理效率和安全性。

2、根据本公开的一方面，提供了一种固体垃圾处理泵，其包括：数据获取单元，用于获取被监测固废处理泵在预定时间段内多个预定时间点的电流值和输出压力值；数据结构化单元，用于将所述多个预定时间点的电流值和输出压力值分别按照时间维度排列为电流值时序输入向量和输出压力值时序输入向量；多尺度时序特征提取单元，用于将所述电流值时序输入向量和所述输出压力值时序输入向量分别输入包含第一卷积层和第二卷积层的时序特征提取器以得到电流值时序特征向量和输出压力值时序特征向量；关联编码单元，用于对所述电流值时序特征向量和所述输出压力值时序特征向量进行关联编码以得到电流-输出压力关联矩阵；局部信息增强单元，用于将所述电流-输出压力关联矩阵通过使用双向注意力机制的第三卷积层以得到电流-输出压力关联特征矩阵；以及

3、诊断单元，用于将所述电流-输出压力关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测固废处理泵的运行状态是否正常。

4、在一种可能的实现方式中，所述时序特征提取器中的所述第一卷积层使用大小为3的卷积核，步长为1，激活函数为relu，所述第二卷积层使用大小为5的卷积核，步长为1，激活函数为relu。

5、在一种可能的实现方式中，所述多尺度时序特征提取单元，包括：第一卷积子单元，用于将所述电流值时序输入向量和所述输出压力值时序输入向量分别通过所述时序特征提取器的第一卷积层以得到第一尺度电流值特征向量和第一尺度压力值特征向量；第二卷积子单元，用于将所述电流值时序输入向量和所述输出压力值时序输入向量分别通过所述时序特征提取器的第二卷积层以得到第二尺度电流值特征向量和第二尺度压力值特征向量；以及

6、级联子单元，用于将所述第一尺度电流值特征向量和所述第二尺度电流值特征向量级联以得到所述电流值时序特征向量，将所述第一尺度压力值特征向量和所述第二尺度压力值特征向量级联以得到所述输出压力值时序特征向量。

7、在一种可能的实现方式中，所述第一卷积子单元，用于：使用所述时序特征提取器的第一卷积层对所述电流值时序输入向量和所述输出压力值时序输入向量分别进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为所述第一尺度电流值特征向量和所述第一尺度压力值特征向量。

8、在一种可能的实现方式中，所述级联子单元，用于：以如下第一级联公式将所述第一尺度电流值特征向量和所述第二尺度电流值特征向量级联以得到所述电流值时序特征向量；其中，所述第一级联公式为：其中，，表示所述第一尺度电流值特征向量和所述第二尺度电流值特征向量，表示级联函数，表示所述电流值时序特征向量；以及以如下第二级联公式将所述第一尺度压力值特征向量和所述第二尺度压力值特征向量级联以得到所述输出压力值时序特征向量；其中，所述第二级联公式为：其中，，表示所述第一尺度压力值特征向量和所述第二尺度压力值特征向量，表示级联函数，表示所述输出压力值时序特征向量。

9、在一种可能的实现方式中，所述关联编码单元，用于：以如下关联编码公式对所述电流值时序特征向量和所述输出压力值时序特征向量进行关联编码以得到所述电流-输出压力关联矩阵；其中，所述关联编码公式为：其中，表示所述电流值时序特征向量，表示所述电流值时序特征向量的转置向量，表示所述输出压力值时序特征向量，表示所述电流-输出压力关联矩阵，表示向量相乘。

10、在一种可能的实现方式中，所述局部信息增强单元，用于：将所述电流-输出压力关联矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入sigmoid激活函数以得到注意力特征矩阵；将所述电流-输出压力关联矩阵和所述注意力特征矩阵分别展开为特征向量以得到电流-输出压力关联向量和注意力特征向量；融合所述电流-输出压力关联向量和所述注意力特征向量以得到融合关联特征向量；以及

11、将所述融合关联特征向量进行维度重构以得到所述电流-输出压力关联特征矩阵。

12、在一种可能的实现方式中，还包括用于对所述包含第一卷积层和第二卷积层的时序特征提取器、所述使用双向注意力机制的第三卷积层和所述分类器进行训练的训练单元；其中，所述训练单元，包括：训练数据获取子单元，用于获取训练数据，所述训练数据包括被监测固废处理泵在预定时间段内多个预定时间点的训练电流值和训练输出压力值，以及，被监测固废处理泵的运行状态是否正常的真实值；训练数据结构化子单元，用于将所述多个预定时间点的训练电流值和训练输出压力值分别按照时间维度排列为训练电流值时序输入向量和训练输出压力值时序输入向量；训练多尺度时序特征提取子单元，用于将所述训练电流值时序输入向量和所述训练输出压力值时序输入向量分别输入所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练电流值时序特征向量和训练输出压力值时序特征向量；训练关联编码子单元，用于对所述训练电流值时序特征向量和所述训练输出压力值时序特征向量进行关联编码以得到训练电流-输出压力关联矩阵；训练局部信息增强子单元，用于将所述训练电流-输出压力关联矩阵通过所述使用双向注意力机制的第三卷积层以得到训练电流-输出压力关联特征矩阵；分类损失子单元，用于将所述训练电流-输出压力关联特征矩阵通过分类器以得到分类损失函数值；伪循环差异惩罚因数运算子单元，用于计算所述训练电流值时序特征向量和所述训练输出压力值时序特征向量的伪循环差异惩罚因数；以及

13、训练子单元，用于以所述分类损失函数值和所述伪循环差异惩罚因数的加权和作为损失函数值，并基于梯度下降的方向传播对所述包含第一卷积层和第二卷积层的时序特征提取器、所述使用双向注意力机制的第三卷积层和所述分类器进行训练的训练。

14、在一种可能的实现方式中，所述伪循环差异惩罚因数运算单元，用于：以如下因数计算公式计算所述训练电流值时序特征向量和所述训练输出压力值时序特征向量的伪循环差异惩罚因数；其中，所述因数计算公式为：其中， 是所述训练电流值时序特征向量，是所述训练输出压力值时序特征向量，为所述训练电流值时序特征向量和所述训练输出压力值时序特征向量之间的距离矩阵， 表示矩阵的frobenius范数， 是特征向量的长度， 是所述训练电流值时序特征向量和所述训练输出压力值时序特征向量之间的欧式距离，是向量的二范数，表示向量减法，表示向量加法， 表示以2为底的对数函数，且 和为加权超参数，表示所述伪循环差异惩罚因数。

15、根据本公开的另一方面，提供了一种固体垃圾处理方法，其特征在于，包括：获取被监测固废处理泵在预定时间段内多个预定时间点的电流值和输出压力值；将所述多个预定时间点的电流值和输出压力值分别按照时间维度排列为电流值时序输入向量和输出压力值时序输入向量；将所述电流值时序输入向量和所述输出压力值时序输入向量分别输入包含第一卷积层和第二卷积层的时序特征提取器以得到电流值时序特征向量和输出压力值时序特征向量；对所述电流值时序特征向量和所述输出压力值时序特征向量进行关联编码以得到电流-输出压力关联矩阵；将所述电流-输出压力关联矩阵通过使用双向注意力机制的第三卷积层以得到电流-输出压力关联特征矩阵；以及

16、将所述电流-输出压力关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测固废处理泵的运行状态是否正常。

17、根据本公开的实施例，其首先将多个预定时间点的电流值和输出压力值分别按照时间维度排列为电流值时序输入向量和输出压力值时序输入向量并分别输入包含第一卷积层和第二卷积层的时序特征提取器以得到电流值时序特征向量和输出压力值时序特征向量，接着，将所述电流值时序特征向量和所述输出压力值时序特征向量进行关联编码后通过使用双向注意力机制的第三卷积层以得到电流-输出压力关联特征矩阵，最后，将所述电流-输出压力关联特征矩阵通过分类器以得到用于表示被监测固废处理泵的运行状态是否正常的分类结果。这样，可以提高固体垃圾处理效率和安全性。

18、根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。