买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东科技大学

摘要：本发明涉及传动张力控制技术领域，具体涉及刮板输送机链传动张力脉动实时监测与控制系统，包括以下模块：张力传感模块：使用力传感器连续监测链条张力脉动；数据处理中心：接收张力传感模块的数据，利用混合模型来区分引发张力脉动的来源，来源包括电机转矩或输送负载变化，并确定脉动特性；张力调节模块：当脉动源于电机转矩时，调节电机转矩的运行参数，以稳定张力；当脉动源于输送负载变化时，调整链条张紧程度，以适应负载变化；状态反馈模块，持续监控调节后的链条状态。本发明，通过融合时间序列分析和长短期记忆网络，能够高效且精准地预测刮板输送机链条的张力脉动，并识别其潜在来源。

主权项：1.刮板输送机链传动张力脉动实时监测与控制系统，其特征在于，包括以下模块：张力传感模块：使用力传感器连续监测链条张力脉动；数据处理中心：接收张力传感模块的数据，利用混合模型来区分引发张力脉动的来源，来源包括电机转矩或输送负载变化，并确定脉动特性，所述混合模型为时间序列分析-RNN模型，利用混合模型来区分引发张力脉动的来源具体包括：利用时间序列分析进行初步特征提取和数据预处理；应用RNN处理序列数据，捕捉长期依赖关系；结合时间序列分析和RNN的输出，训练模型以区分和识别张力脉动的具体来源，实时分析张力数据，准确识别脉动来源是电机转矩变化或输送负载变化；所述时间序列分析-RNN模型具体包括：获取张力传感模块的张力数据，并收集电机转矩和输送负载相关数据，应用移动平均模型对收集的数据进行初步处理，得到关于张力脉动的时间序列特征，基于时间序列特征，识别出数据趋势、周期性特征；构建长短期记忆网络LSTM模型，使用时间序列特征以及原始数据集作为输入数据，训练LSTM模型，LSTM模型学习基于过去的数据和当前的特征来预测张力脉动的发展趋势和来源；融合分析：结合时间序列分析结果和LSTM模型的输出进行融合分析，使用时间序列分析结果来校正或加权LSTM模型的输出，增强模型对张力脉动来源的识别能力；所述移动平均模型通过数据平滑处理，减少数据中的随机波动，使用移动平均来平滑数据，通过计算时间序列中每个点的平均值，对于给定的时间序列数据，其中，计算一个移动平均SMA作为平滑后的值，其中，是移动平均的窗口大小，表示在计算平均值时使用的连续时间点的数量，是在时间点的原始观测值，是时间点的移动平均值，它是最近个时间点的平均值，窗口大小决定平滑的程度；所述数据趋势特征通过观察移动平均线的方向，识别时间序列的长期趋势，若移动平均线呈上升趋势，则表明整体趋势是上升的；若呈下降趋势，则表明整体趋势是下降的；所述周期性特征包括通过分析平滑后的时间序列来识别，观察移动平均线上的规律性波动来确定周期性，若数据每隔固定时间即出现峰值或谷值，表明存在周期性；所述周期性特征还包括通过自相关函数ACF识别数据中的重复模式或周期长度，测量时间序列与其自身在不同时间滞后下的相关性，在ACF图中，周期性特征表现为每隔一定滞后期出现的峰值，计算为: ，其中，是滞后期，是时间序列中的观测值，是观测值的平均数；所述构建长短期记忆网络LSTM模型具体包括：将时间序列分析得到的特征与原始张力数据集结合，包括趋势数据、周期性模式和原始电机转矩和输送负载相关数据，将整合的数据划分为一系列时间窗口，即时间步，每个时间步包含过去的数据点，用于预测下一个时间点的值；LSTM模型网络结构包括多个LSTM层，LSTM层后连接有全连接层，每个LSTM层由多个LSTM单元组成，每个单元负责处理数据的部分时间依赖；在LSTM单元中，数据通过遗忘门、输入门和输出门进行处理，分别控制信息的存储、更新和输出；遗忘门决定应该从单元状态中丢弃的信息；输入门决定应该被添加到单元状态的新信息；输出门决定下一个隐藏状态，即LSTM单元的输出；在训练过程中，LSTM模型通过调整其权重和偏置来最小化预测输出和实际输出之间的误差，通过反向传播和优化算法完成，LSTM模型学习如何根据过去的数据和当前特征来预测下一个时间点的张力脉动值及其来源，来源包括电机转矩变化或输送负载变化；张力调节模块：当脉动源于电机转矩时，调节电机转矩的运行参数，以稳定张力；当脉动源于输送负载变化时，调整链条张紧程度，以适应负载变化；状态反馈模块，持续监控调节后的链条状态，将结果反馈给数据处理中心以优化调节策略。

全文数据：

权利要求：

百度查询： 山东科技大学 刮板输送机链传动张力脉动实时监测与控制系统