传输装置控制方法及设备与流程
本申请属于自动控制技术领域，尤其涉及一种传输装置控制方法及设备。
背景技术：
在物料传输领域，通过传送带等装置将物料运送到指定位置是最基本也最迫切的需求。然而，一方面，传输系统运行时需要消耗大量的能源；另一方面，物料的传输往往是按需进行的，其需求具有很强的不规律性，时断时续的情况比较普遍；也就是说，传统的传输系统经常会因系统空转带来大量的能源消耗，效率极其低下。
为避免空转带来的一系列问题，现有技术中出现了一些智能控制皮带运行速度的方案，比如通过在料仓的进料口处安装红外光幕，根据红外光幕识别物料的信号控制主皮带的启动和停止；又或者根据摄像头采集的图像/视频来识别物料，进而控制主皮带的启动和停止；还有利用激光雷达测量上料瞬间的物料体积的方案，其基于精确的传送带的形状模型，在该模型下使用激光雷达进行测距，根据测量值与模型的差值计算物料体积，从而实现物料体积的瞬间测量。
但是，发明人在实现本发明的过程中发现，上述现有技术均存在着较为明显的缺陷。其中，红外光幕只能在接收端识别是否有物料切割光幕，无法精确控制传输装置的运行速度、功率等参数。而图像/视频分析技术对现场环境要求比较高，但煤矿井下环境比较复杂，比如在煤炭生产过程中会存在大量的粉尘和水雾，可能导致图像/视频模糊不清楚，而影响分析的准确性。基于传送带模型的激光雷达测距严重依赖于模型的精准度，其适用性及灵活性非常有限，无法大规模地推广和应用。
因此，现有技术中对物料传输装置仍无法做到合理且精确高效地控制，能源浪费的情况普遍且难以控制。
技术实现要素：
针对现有技术的上述缺陷，本申请实施例提供一种能够自适应的传输装置控制方案。
在一种可能的实施方式中，提供了一种传输装置控制方法，所述方法包括：
控制一个或多个光学雷达在不同时刻从多个方向向传输装置发送光学信号；
接收所述光学信号的回波信号；
根据所述回波信号获得与所述传输装置上物料相关的多个距离数据；
综合所述多个距离数据向所述传输装置输出控制信号。
可选地，所述根据所述回波信号获得与所述传输装置上物料相关的多个距离数据包括：
根据每个方向上的所述回波信号确定该方向上回波位置到所述光学雷达的第一距离信息；
将所述第一距离信息与基准距离信息比较，以得到该方向上所述回波位置到所述传输装置表面的第二距离信息。
可选地，所述基准距离信息为预设信息或通过所述光学雷达预先测得。
可选地，所述综合所述多个距离数据向所述传输装置输出控制信号包括：
将所述多个距离数据输入经由机器学习获得的训练模型；
所述训练模型根据历史训练项目获得与所述多个距离数据最匹配的控制信号；
向所述传输装置输出所述与所述多个距离数据最匹配的控制信号。
可选地，所述方法还包括：
接收所述传输装置执行所述控制信号后的反馈信息；
使用所述反馈信息进行进一步的机器学习，以修正所述训练模型。
可选地，所述机器学习采用人工神经网络、卷积神经网络和深度神经网络中的一种或多种进行。
可选地，所述传输装置为多级传输装置，所述方法中：
所述光学信号为向一个或多个上级传输装置发送的；
所述控制信号为向一个或多个下级传输装置输出的。
可选地，所述方法还包括：
所述一个或多个下级传输装置根据所述控制信号实现顺流启动。
可选地，所述方法还包括：
采集所述传输装置的图像数据；
根据所述图像数据辅助获得所述控制信号。
可选地，所述光学雷达根据所述光学信号及所述回波信号，通过飞行时间tof获得所述距离数据。
在另一种可能的实施方式中，还提供一种传输装置控制设备，包括：
雷达控制单元，用于控制一个或多个光学雷达在不同时刻从多个方向向传输装置发送光学信号；
回波接收单元，用于接收所述光学信号的回波信号；
距离获取单元，用于根据所述回波信号获得与所述传输装置上物料相关的多个距离数据；
控制输出单元，用于综合所述多个距离数据向所述传输装置输出控制信号。
可选地，所述距离获取单元包括：
回波距离确定模块，用于根据每个方向上的所述回波信号确定该方向上回波位置到所述光学雷达的第一距离信息；
表面距离确定模块，用于将所述第一距离信息与基准距离信息比较，以得到该方向上所述回波位置到所述传输装置表面的第二距离信息。
可选地，所述基准距离信息为预设信息或通过所述光学雷达预先测得。
可选地，所述控制输出单元包括：
数据输入模块，用于将所述多个距离数据输入经由机器学习获得的训练模型；
自动匹配模块，用于使所述训练模型根据历史训练项目获得与所述多个距离数据最匹配的控制信号；
信号输出模块，向所述传输装置输出所述与所述多个距离数据最匹配的控制信号。
可选地，所述设备还包括：
反馈接收单元，用于接收所述传输装置执行所述控制信号后的反馈信息；
学习修正单元，用于使用所述反馈信息进行进一步的机器学习，以修正所述训练模型。
可选地，所述机器学习采用人工神经网络、卷积神经网络和深度神经网络中的一种或多种进行。
可选地，所述传输装置为多级传输装置，所述设备中：
所述雷达控制单元还用于将所述光学信号向一个或多个上级传输装置发送；
所述控制输出单元还用于将所述控制信号向一个或多个下级传输装置输出。
可选地，所述设备还包括：
顺流启动单元，用于使所述一个或多个下级传输装置根据所述控制信号实现顺流启动。
可选地，所述设备还包括：
图像采集单元，用于采集所述传输装置的图像数据；
图像辅助控制单元，用于根据所述图像数据辅助获得所述控制信号。
可选地，所述光学雷达根据所述光学信号及所述回波信号，通过飞行时间tof获得所述距离数据。
本申请的实施例提供了一种传输装置控制方法及设备，该方案通过光学雷达获得多个方向上的距离数据，使用机器学习得到的训练模型来自动获取与距离数据相匹配的控制信号，从而可实现更精确高效的控制。此外，本申请实施例的方案可快速自动适应各种不同的设备和环境，其灵活性和适用性远高于现有技术。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例。
图1为本申请的一个实施例中带有光学雷达的控制系统的结构示意图；
图2为本申请的一个实施例中传输装置控制方法的流程示意图；
图3为本申请的一个实施例中卷积神经网络进行机器学习的示意图；
图4为本申请的一个实施例中传输装置控制设备的模块结构示意图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本领域技术人员可以理解，本申请中的“第一”、“第二”等术语仅用于区别不同设备、模块或参数等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
物料传输控制问题的核心在于如何准确控制传输装置的启停，使得传输装置的运转速度与进料量相匹配，避免空转带来的能源消耗。现有技术中通过红外光幕、摄像头或激光雷达等来实现对物料的检测，但现有方案普遍难以准确测量出物料的体积，尤其是无法针对复杂变化的环境自适应进行测量。在本申请的实施例中，通过光学雷达进行全面探测，利用机器学习获得的训练模型来产生控制信号，使得物料的测量和传输控制可以更精准更高效，且能自动适应各种不同的设备和环境。
如图1所示，在本申请的一个典型应用场景中，通过一个带有光学雷达的控制系统来进行物料的检测和传输装置的控制，从而实现了根据物料进料情况对传输装置运行的动态控制。在图1中，传输装置的控制系统包括：传输装置10、光学雷达20、雷达控制单元30和传输控制单元40；其中，所述传输装置10包括物料承载部11和驱动电机12，所述驱动电机12通过机械传动部件驱使所述物料承载部11向指定方向运动；所述光学雷达20包括光学信号发射部21和回波信号接收部22，所述光学雷达20耦接雷达控制单元30，所述光学雷达20根据所述雷达控制单元30提供的雷达控制信号周期性或随机调整所述光学信号发射部21和所述回波信号接收部22的信号发射和接收角度，所述光学雷达20同时将信号发射和接收数据反馈给所述雷达控制单元30；所述雷达控制单元30还耦接传输控制单元30，将所述信号发射和接收数据所表示的距离数据提供给所述传输控制单元；所述传输控制单元30耦接所述传输装置10的所述驱动电机12，根据所述距离数据向所述驱动电机12输出相匹配的电机控制信号。
在本申请的实施例中，通过光学雷达获得多个方向上的距离数据，使用机器学习得到的训练模型来自动获取与距离数据相匹配的控制信号，从而可实现更精确高效的控制，且本申请实施例的控制系统可快速自动适应各种不同的设备和环境，其灵活性和适用性远高于现有技术。
其中，在本申请的实施例中，光学雷达通过发送光学信号并接收该光学信号在反射表面所产生的回波信号，通过tof(timeofflight，飞行时间)来进行测距。本申请中的光学雷达包括使用不同波段光学信号(包括可见光和/或不可见光等)的光学雷达。进一步地，随着电子器件的进步，激光雷达技术的成本逐渐下降，使得其应用领域越来越广。由于激光雷达在成本、精度、可靠性和抗干扰能力方面具有一定优势，在本申请的优选实施例中，所述光学雷达包括单线和/或多线激光雷达。
在本申请的实施例中，传输装置并不局限于传送带，也包括其他形式的传输装置，例如刮板机、螺旋输送机等。并且，本发明中传输装置也不局限于单一的传输部件，也可包括多个传输部件组合而成的传输系统，比如多级传送带系统，或者传送带与其他传输装置的组合等。
参见图2，在本申请的实施例中，基于上述带有光学雷达的控制系统，还同时提供了一种传输装置控制方法，包括：
s1，控制一个或多个光学雷达在不同时刻从多个方向向传输装置发送光学信号。
其中，从多个方向发送光学信号是为了获得尽可能全面的距离数据，从而对某一时刻的物料体积有更精准的了解，以便实现精确的控制。而在不同时刻发送光学信号则是为了实时掌握物料进料情况，以便动态进行调整。可选地，所述在不同时刻发送包括周期性发送和/或随机时刻发送。
s2，接收所述光学信号的回波信号。
对于每一光学信号，当其投射到物料表面时会因为反射形成一个回波信号，通过接收该回波信号，可以了解对应光学信号在当前环境下的传播情况。
s3，根据所述回波信号获得与所述传输装置上物料相关的多个距离数据。
如前所述，光学雷达主要通过飞行时间tof来测距，更具体地，通过在某一方向上光学信号和回波信号的发送接收时间差，再利用光的传输速度，可以计算出光的传输距离，从而得出该方向上光学信号发射部(即光学雷达)到回波位置的距离(或者是回波位置到光学雷达回波信号接收部的距离)。
s4，综合所述多个距离数据向所述传输装置输出控制信号。
典型地，根据多个方向上回波位置到光学雷达的距离，可以进行物料体积的计算，从而根据物料体积的大小来控制传输装置的传输速度。当然，在本申请的可选实施例中，物料体积的计算和/或控制信号的产生并不单纯依赖公式和实时运算，还可通过诸如机器学习的方式来进行更为智能高效的匹配，在此，由距离数据得到控制信号的具体方式不应视作对本申请实施方式的限制。
在本申请的一个实施例中，通过将回波距离与基准距离比较获得该方向上物料的厚度。具体地，根据每个方向上的所述回波信号确定该方向上回波位置到所述光学雷达的第一距离信息；将所述第一距离信息与基准距离信息比较，以得到该方向上所述回波位置到所述传输装置表面的第二距离信息。可选地，所述基准距离信息为预设信息或通过所述光学雷达预先测得。
在本申请的一个具体实施方式中，以带有激光雷达的煤炭传输装置为例，一个激光雷达向一个传输装置，例如传送带发送光学信号，并接收回波信号，根据回波信号，能够获得一个方向上的距离信息。通过在不同时间、使用不同发射角度发射光学信号并接收相应的回波信号，激光雷达能够获得不同时间、不同方向上的多个距离信息。该距离信息以激光雷达作为一个参考点，可以间接表示某一方向上回波位置与传输装置表面之间的距离。注意，由于激光雷达发射信号带有一定的方向性，此距离信息并不等于传输装置表面煤炭的高度，而是一个与激光雷达位置相关的距离信息。令
将距离数据组d输入到一个控制器中，并得出传输装置的控制信号：
p＝(d)；
其中，p是一个传输装置的控制信号。在一种实施方式中，p是一个速度控制信号，其与一个变频器相连，进而控制传送装置的传送速度。除此之外，p也可以是一个间接控制信号，输入到下一级的控制装置，并由下一级控制装置最终控制传送装置的传送速度。在一种实施方式中，p是一个连续的变量，取值可以为在某一范围内的任意值。在一种实施方式中，p是一个离散变量，取值为多个既定数值中的一个。
有多种方法可以实现对控制函数f()的实施，例如通过一个预先设定的线性组合公式。将d中多个变量进行加权平均，进而得到p值，其中加权平均的权值需要精确的调教和测试，以增加得到的p能够与需要的传送带速度匹配。在另外一种实施方式中，使用非线性的处理方法，也可以得到对应的f()。由于f()的方法存在无穷多种，此处不一一列举。在另一种实施方式中，使用机器学习的方法对距离信息进行处理，进而获得具体的控制函数f()。所述机器学习的方法是一种通过训练数据，对第一个控制模型进行训练，进而得到一个可用的控制模型。机器学习的方法包括线性回归、非线性回归、k-means、决策树、随机森林、人工神经网络、卷积神经网络或深度神经网络等不同方法。在一种实施方式中，可以使用线性回归来得到连续的控制信号p。具体而言，使用线性的方法将不同时间、不同角度的距离信息进行加权平均，进而得到控制信号的输出值，例如：
其中，
在一种可选实施方式中，可以使用卷积神经网络对距离数据组进行处理，进而得到离散的控制信号。如图3所示，该方法将距离数据组作为一个输入，输入到一个具有多层的卷积神经网络之中，并最终得到单一、离散的控制信号。通过使用带有标注的训练数据，例如使用标注了最优控制信号的距离数据组信息，该神经网络能够在大量数据的训练下，得到一个最终的神经网络权值。随后，将运行中采集到的数据组输入至该神经网络中，就可以得到一个离散的控制信号。由于使用了卷积神经网络的方式，离散的控制信号可以被任意的制定，例如，可以将控制信号分为3个层级，分别代表3个不同的速度。此外，也可以把控制信号分为5个层级，分别代表5个不同的速度。控制信号的设定不受任何控制模型的限制，只需要修改相应的标注信息即可。
使用机器学习的方法只需要根据距离数据组，就总能得到一个控制信号的输出，这种方法避免了对传输装置的限制。只需要得到足够多的数据，机器学习的处理方法就能精确控制任意形态的传输装置的速度，而无需事前得知传输装置的具体信息，例如传输装置的表面几何形状。此外，使用机器学习的方法也无需考虑每个距离信息的具体角度，只需要训练数据和实际运行数据的格式以及采集方式保持统一即可。
从以上描述可知，使用机器学习的方法大大提升了该系统的适应性，使得该方法能够快速部署到任意的传输装置，任意的激光雷达设置方式，任意的控制信号层级系统之中。
在又一种可选实施方式中，机器学习的方法使用一组基准距离。基准距离信息对应与一个空载状态下的距离数据组。其采集方式可以通过预先存储的方式，或者在运行的传输装置上实际采集的方式获得。例如，在传输装置空载的情况下，记录激光雷达获得的多个距离数据组。通过处理，得到一个基准距离数据组。再例如，控制器通过对多组距离数据组的数据进行处理，判断出当前传输装置处于空载状态下，处理多组数据，得到一个基准距离数据组。基准距离数据组反映了空载状态下的距离信息，该信息可以作为输入，输入到训练数据中，对机器学习控制模型进行训练。并且，在实际运行中，该数据也同时作为输入，输入到控制模型中，得到具体的控制信号。
例如，一组基准距离可以为：
由此，训练的距离数据组合实际运行中使用的距离数据组均可以将基准距离组作为输入，也就是说新的距离数据组变为：
而使用的机器学习方法不变，只是最终的模型有所区别。
在一种可选实施方式中，在激光雷达之外还可以配合额外的图像传感器进一步提升控制系统的鲁棒性。例如，一个图像传感器获得了一组图像数据：
此时，图像传感器的数据与激光雷达的数据可以同时作为输入，输入到机器学习的算法中。也就是说，机器学习的数据为b和d的数据集合。在一种实施方式中，所述图像传感器是一种深度传感器，也就是说，该传感器可以通过对图像信号的处理，得到采集区域的不同方向上与传感器之间的距离信息。例如，
q＝l(b)；
l()是一个深度提取算法，通过对图像数据b的处理，得到深度信息q。此时，机器学习的数据变为b和q的数据集合。
在一种可选实施方式中，煤炭传输系统包含多个层级，多个上一级的传输装置将煤炭传输至一个下一级的传输装置。例如，多个传送带将煤炭从坑口，传输到一个主传送带上。此时，下一级传输装置由于承载了多个上一级传输装置传输的煤炭，因此需要消耗更多的能源。因此，对下一级传输装置，例如主传送带的智能化节能控制能够带来更多的能源节约。
在一种可选实施方式中，激光雷达向上一级传输装置发送光学信号，接收回波信号，并在多个时间点获得多个方向的距离信息。将多个数据信号输入至控制器中，控制器使用上述机器学习方法中的一种，进而获得下一级传输装置的控制信号。例如：
di为第i个上级传输装置的距离数据组，将多个距离数据组输入上述机器学习方法中，例如线性回归或卷积神经网络的方法，就可以得到下一级传输装置的控制信号：
pmain＝f(d1,d2,…,di)。
基于以上方法，下一级传输装置就可以通过多个上一级传输装置上所安装的激光雷达采集的数据实现智能化节能控制。
在一种可选实施方式中，在煤矿实际生产中，为了保证人员和设备的安全性，煤矿在胶带机启车方式中基本上采用逆煤流启车方式进行设备启动，所谓的逆煤流启车为从卸载点开始逐步向装载点进行启车，而在整个启车过程中会涉及到多条胶带运输机搭接，故在逆煤流完成时，整个胶带运输系统中间搭接的胶带运输机均处于空转状态，以往采用的皮带秤测量技术改变的顺煤流启车中，由于皮带秤属于接触性称重设备，当胶带机高速运行和胶带机胶带连接处连接口通过皮带秤后会造成胶带机胶带与皮带秤出现非接触情况，故会造成控制系统的误判断，导致控制系统的控制错误，在使用上述基于激光雷达测量技术是从胶带机表面对物料距离进行测量，解决了皮带秤误报的情况。进而能够达到顺煤流启车操作，顺煤流启车为从皮带装载点逐级向卸载点启车过程，在启车过程中可规避整个胶带机运输系统中上下级胶带运输机的空转。也就是说，通过控制上述控制信号pmain中的函数f()，就可以实现上述想要的顺煤流启动方式，使得每一级的胶带只在必要的时候运转。同样的，f()可以使用一个预定义的公式来得到，例如使用加权平均的方式将所有上级传送带的距离信息进行加权平均，得到pmain信号。加权平均的权值通过预先的调教和仿真，使得pmain信号的输出能够实现顺煤流启动的需求。也就是说在上级传送带没有物料时，pmain输出下级传送带静止控制信号。在另一种实施方式中，也可以使用机器学习的方法，通过对控制模型进行训练，得到自适应性更强的控制模型。整个模型通过神经网络和训练数据来实现，避免了对权值的计算和调教。该方法能够更精确的实现顺煤流启动的需求你，同时能够适用于各种不同的传送带场景以及不同的多级传送带配置。
进一步如图4所示，与上述实施例中的方法相对应的，本申请的实施例还提供一种传输装置控制设备400，包括：
雷达控制单元410，用于控制一个或多个光学雷达在不同时刻从多个方向向传输装置发送光学信号；
回波接收单元420，用于接收所述光学信号的回波信号；
距离获取单元430，用于根据所述回波信号获得与所述传输装置上物料相关的多个距离数据；
控制输出单元440，用于综合所述多个距离数据向所述传输装置输出控制信号。
可选地，所述距离获取单元包括：
回波距离确定模块，用于根据每个方向上的所述回波信号确定该方向上回波位置到所述光学雷达的第一距离信息；
表面距离确定模块，用于将所述第一距离信息与基准距离信息比较，以得到该方向上所述回波位置到所述传输装置表面的第二距离信息。
可选地，所述基准距离信息为预设信息或通过所述光学雷达预先测得。
可选地，所述控制输出单元包括：
数据输入模块，用于将所述多个距离数据输入经由机器学习获得的训练模型；
自动匹配模块，用于使所述训练模型根据历史训练项目获得与所述多个距离数据最匹配的控制信号；
信号输出模块，向所述传输装置输出所述与所述多个距离数据最匹配的控制信号。
可选地，所述设备还包括：
反馈接收单元，用于接收所述传输装置执行所述控制信号后的反馈信息；
学习修正单元，用于使用所述反馈信息进行进一步的机器学习，以修正所述训练模型。
可选地，所述机器学习采用人工神经网络、卷积神经网络和深度神经网络中的一种或多种进行。
可选地，所述传输装置为多级传输装置，所述设备中：
所述雷达控制单元还用于将所述光学信号向一个或多个上级传输装置发送；
所述控制输出单元还用于将所述控制信号向一个或多个下级传输装置输出。
可选地，所述设备还包括：
顺流启动单元，用于使所述一个或多个下级传输装置根据所述控制信号实现顺流启动。
可选地，所述设备还包括：
图像采集单元，用于采集所述传输装置的图像数据；
图像辅助控制单元，用于根据所述图像数据辅助获得所述控制信号。
可选地，所述光学雷达根据所述光学信号及所述回波信号，通过飞行时间tof获得所述距离数据。
本领域技术人员可以理解，在本申请具体实施方式的上述方法中，各步骤的序号大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本申请具体实施方式的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对原有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
- 还没有人留言评论。精彩留言会获得点赞！