CN109857025A - 一种快件在途状态监测系统 - Google Patents
一种快件在途状态监测系统 Download PDFInfo
- Publication number
- CN109857025A CN109857025A CN201910110415.7A CN201910110415A CN109857025A CN 109857025 A CN109857025 A CN 109857025A CN 201910110415 A CN201910110415 A CN 201910110415A CN 109857025 A CN109857025 A CN 109857025A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- abnormal
- processing unit
- central processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明提供了一种快件在途状态监测系统,该系统包括数据采集模块、微处理器模块、数据存储模块、通讯模块、电源模块、显示和操作模块、中央处理器和应用程序端,微处理器模块对采集的信息进行数据处理,通过二分类算法进行初次异常信息的判断,将判断的结果反馈至中央处理器,中央处理器通过学习训练算法对初次的结果进行二次分类,最终确定快件在途状态异常程度。本系统采用的方法有助于规范物流作业操作,减少暴力分拣、不当运输等现象的发生。
Description
技术领域
本发明涉及移动物体状态监测领域,尤其涉及一种快件在途状态监测系统。
背景技术
随着电子商务的发展,快递行业近些年蓬勃发展,根据国家统计局最新公布的数据显示,2017年我国快递业务量已达到401亿件,快递业务收入4957亿人民币。然而,对于快递服务评价的方法与手段,目前还停留在主观判断的层面上,针对暴力分拣、不当运输、特殊快件保存环境不当等快递行业等突出问题,仍然没有一个有效的量化手段进行实时监控与分析。本发明提出一种快件运输检测系统,通过多种传感器结合收集快件的实时振动加速度、温湿度、光照强度等数据及地理位置信息,经通讯模块传送给中央处理器,利用配套智能算法对数据进行处理,将各种异常情况分类,最后反馈到应用程序端上供用户查询。本发明可以有效对快件的装卸搬运、分拣、包装、运输过程状态实时进行客观评价和分析。行业主管部门可以通过此系统对快递企业的服务进行监管,快递企业可以通过此系统进行内部自查并完善公司绩效考核体系,快件托运人可以通过此系统了解自己快件的物流过程状态。综上所述,本发明有助于规范物流作业操作,减少暴力分拣、不当运输等现象的发生。
发明内容
为了实现上述目的,本发明提出了一种快件在途状态监测系统,具体采用如下技术方案:
该系统包括数据采集模块、微处理器模块、数据存储模块、通讯模块、电源模块、显示和操作模块、中央处理器和应用程序端,
微处理器模块,具有储存空间的分配优化功能、快速校准功能、数据处理功能、以及设备休眠及唤醒的控制功能;
所述数据处理功能为,微处理器利用二分类算法,判断快件当前状态是否处于异常情况,如处于异常情况,则将数据保存至数据存储模块,并实时上传给中央处理器,如无异常情况,则将下一时段数据覆盖当前数据。
所述设备休眠及唤醒的控制为,微处理器判别当前状态处于正常状态时,数据存储模块和通讯模块处于休眠状态,数据仅在微处理器内存中短暂保存处理后便被新数据覆盖掉,通讯模块仅在整点时,每小时一次向中央处理器发送时间校准信息,并通知中央处理器该采集端工作正常;当微处理器判别当前状态异常时,微处理器可以协调这些硬件,将其唤醒工作,将异常信息存储在数据存储模块中,并通过通讯模块上传至中央处理器。
优选地,所述快速校准功能,通过三种方式进行校准:快速手动校准、算法自校准、在线校准。
优选地,所述中央处理器对微处理器模块上传的异常数据进行精密计算,利用学习训练算法训练出若干线性系统,利用线性系统的最小范数最小二乘解组成的超平面围出的空间,对异常情况进行二次分类。
优选地,所述中央处理器对异常情况进行二次分类的具体步骤为:
(1)训练出若干线性系统,记作Aix=yi,Ai为方程系数矩阵,yi为结果矩阵,其中x为系统输入量,该线性系统满足如下特征:其最小范数最小二乘解在以二分类算法中采样数据构成的多维度空间Ω中构成一个超平面,这个超平面近似拟合预先确定的某个分类判定临界点集合;
具体方法如下:
有N个样本的(Xi,ti),其中Xi=[xi1,xi2,...,xin]T∈Rn,ti=[ti1,ti2,...,tim]T∈Rm,
对于一个有L个单隐层的神经元网络公式如下:
g(x)是神经元网络的激活函数,Wi为输入权重,βi为输出权重,bj为输入偏置;
学习目标为存在βi,Wi,bi使得
上式用矩阵形式Hβ=T表示,H是隐层节点的输出,β为输出权重,T为期望输出;
得到最小化损失函数为
(2)根据新样本点是否落入某一范畴进行分类判断
其逻辑表达为:
if:xi∈A
then:xi为A类
else:xi∈B?
......
(3)求解超平面围成的加权空间质心位置o,其公式如下
其中,M为质心坐标,r是坐标转化矢量,ρ为密度函数,W为加权系数;
利用样本点到质心o的距离l与质心经过该样本点到超平面距离l*的比值rate确定异常程度的大小,其中
优选地,所述微处理器判断快件当前状态是否处于异常情况的具体方法为:
1)建立多维度空间坐标系;
2)将表1数据取绝对值,将数据压缩到所有坐标均为正的象限。
3)定义两个点标准正常情况和异常情况的坐标值;
标准正常情况的坐标值为:
标准异常情况的坐标值为:
其中,ax为x轴直线加速度,ay为y轴直线加速度,az为z轴直线加速度,αx为x轴角加速度,αy为y轴角加速度,αz为z轴角加速度,t为温度,RH为相对湿度,L为光照强度;
4)计算当前采样点与所述两个点基于椭圆和双曲线的马氏距离;
假设当前时间段采样点测得数据为:
i=1,2,3...n,n为单位时间采样点数;
构造样本矩阵如下:
定义向量m=(m1,m2...mn)T,表示样本集中各类数据的均值;
样本的协方差矩阵
采用非欧几何的椭圆—双曲线度量:
则初始椭圆—双曲线度量矩阵k为矫正系数;
其一般双曲线形式表示为:
其特殊形式的椭圆和双曲线表示形式如下:
由马氏距离的定义,向量xα,xβ之间的马氏距离为:
其中G为协方差矩阵的逆矩阵。
5)建立目标函数为样本,分别计算所述样本与标准正常情况和标准异常情况的坐标的马氏距离,若与标准正常情况的距离小则判定为正常,若与标准异常情况的距离小则判定为异常。
附图说明
图1是系统结构图。
图2是未处理其工作流程图。
图3是二分类算法流程图。
图4是显示模块界面图。
图5是PC端显示界面图。
图6是系统的整体工作流程图。
具体实施方式
一、系统组成
系统硬件组成由采集端(数据采集模块、微处理器模块、数据存储模块、通讯模块、电源模块、显示和操作模块及用于连接各模块的电路)、中央处理器和应用程序端组成,其关系如下图1。
(1)数据采集模块
数据采集模块用于对快件物流过程中相关状态的数据采集,包括三轴加速度传感器、三轴陀螺仪、温湿度传感器、光敏传感器、GPS传感器、三轴地磁传感器及配套电路。
三轴加速度传感器,用于采集以传感器为坐标原点,水平面互相垂直的x、y轴及铅直方向z轴三个方向的直线加速度数据。三轴直线加速度数据是运输状态检测中振动情况的基本支撑数据,是判别是否发生暴力分拣及其类型(跌落、平抛等)、不当运输及其类型(路况较差等)的基础依据。该传感器的基本参数如下:
采样频率:不低于250Hz
阀值:范围不小于±5g
z轴初值:1g
三轴陀螺仪,用于采集x、y、z轴方向上的角加速度数据。角加速度数据是快件物流过程状态检测中,判别暴力分拣、不当运输等具体分类情况的另一组重要基础数据。该传感器的基本参数如下:
采样频率:不低于250Hz
阀值:范围不少于±1g
温湿度传感器,用于采集环境温湿度数据。温湿度是反应一些对温湿度要求比较敏感的特殊快件在物流过程中是否存放得当的重要数据。该传感器本参数如下:
阈值:温度范围不小于-30℃——50℃
湿度范围不小于20%RH-80%RH
光敏传感器,用于采集环境光照强度情况的数据。可以根据其在物流过程中的突变值及突变导数是否超过设定的参数判别是否有包装破损的情况,另外还可以用于某些特殊化学品运输的光照强度实时监控。基本参数如下:
阈值:0-500Lux
GPS传感器,借助GPS系统采集地理位置信息数据。将地理信息与采集到的其他数据结合,可以准确向用户(包括政府监管部门、企业、消费者)提供运输状态异常发生的具体地点,方便相应的监管、监督、整顿,并给消费者相应的知情权。其主要参数如下:
定位误差:小于10米
地磁传感器,也叫电子罗盘,是利用地磁场来定北极的一种方法。用来弥补GPS信号在受地形、地物遮挡,被测物静止,而精度大大降低甚至不能使用的问题。在三轴方向安装各向磁阻异性原件,还可以实现对被测物位姿的确定。本发明采用地磁传感器与GPS结合定位,并利用地磁传感器测得的数据对三轴直线加速度和三轴角加速度数据进行方向矫正,防止因采集端摆放不标准带来的数据失真现象。
(2)微处理器模块
微处理器模块,用于采集端的简单控制(包括存储空间的分配、设备休眠及唤醒的控制、快速校准等)、数据的简单处理(通过二分类算法将数据分为有异常情况发生和正常两种情况,有异常情况发生时存储该时间节点数据并将数据上传至中央处理器执行进一步的分类算法)等。具体功能如下:
储存空间的分配优化功能,微处理器将传感器采集到的信号转化为相应格式的二进制数据经过处理,最后将需要的数据存储在存储模块的合适位置上。
设备休眠及唤醒的控制,为了节省存储空间、减少采集端与中央处理器之间的通讯数据量、减少耗电量,通过微处理器上写入的二分类算法初步判别当前状态是否异常。显然,大部分时间都处于正常状态,这时数据存储模块和通讯模块处于休眠状态,数据仅在微处理器内存中短暂保存处理后便被新数据覆盖掉。通讯模块仅在整点时,每小时一次向中央处理器发送时间校准信息,并通知中央处理器该采集端工作正常。当微处理判别当前状态异常时,微处理器可以协调这些硬件,将其唤醒工作,将异常信息存储在数据存储模块中,并通过通讯模块上传至中央处理器。
快速校准功能,通过三种方式进行校准。
快速手动校准:由微处理器配合人工进行即时校准,如三轴直线加速度的校准,可采用三个方向自由落体时加速度为1g作为校准标准,进行快速校准,使用时选择该校准选项,沿外壳标识方向自由落体进行校准;地磁传感器可以参照外壳所示的指示标识,将各轴方向与手机指南针方向平行进行校准。微处理器在这些过程中判别当前传感器精度并通过预先写好的校准算法进行校准。
算法自校准:如角加速度、温湿度、光照强度不容易通过人工手动校准,可以根据传感器生命周期的一般精度变化规律,结合均值、方差、峰度、偏度等数据编写矫正算法利用微处理器实现校准。
在线校准:GPS利用发件地点、收件地点的准确地理坐标位置和停留时间与中央处理器数据对比将结果反馈给微处理器模块进行校准。
数据处理功能,微处理器利用二分类算法,判断快件当前状态是否处于异常情况,如处于异常情况,则将数据保存至数据存储模块,并实时上传给中央处理器,如无异常情况,则将下一时段数据覆盖当前数据。其工作流程如图2。
数据处理功能中的二分类算法,该算法在采集端的微处理器上执行,用来初步判别传感器组采集到的数据是否有异常。如有异常,则通过通讯模块将异常数据上传至中央处理器进行具体异常类别判定,同时采集端数据存储模块将数据保存,而正常情况下,传感器采集到的数据在微处理器内存中短暂停留后,便会被新采集到的数据覆盖。这样设计的好处在于,降低采集端的耗电量,降低采集端储存模块的须用内存,减少通讯模块向中央处理器传递信息的数据量。
二分类算法的数学模型如下:传感器采集到的数据列表如下表1。
表1
数据名称 | 字母表示 | 单位 |
x轴直线加速度 | a<sub>x</sub> | 1g |
y轴直线加速度 | a<sub>y</sub> | 1g |
z轴直线加速度 | a<sub>z</sub> | 1g |
x轴角加速度 | α<sub>x</sub> | 1g |
y轴角加速度 | α<sub>y</sub> | 1g |
z轴角加速度 | α<sub>z</sub> | 1g |
温度 | t | ℃ |
相对湿度 | RH | % |
光照强度 | L | Lux |
此外传感器还能通过GPS传感模块采集到地理位置信息,微处理器通过每小时一次与中央处理器在线时间校准,将地理位置、时间与其他传感数据一一对应。地磁传感器采集到的三轴地磁数据,可以用来进行传感器的位姿矫正,相应的位姿矫正算子已经比较成熟,不是本发明的创新点,故不在此赘述。
算法具体步骤:
1)建立多维度空间坐标系(以现有的传感器组为9维坐标),该空间的基的选用参照上表1。
2)将表1数据取绝对值,将数据压缩到所有坐标均为正的象限。
3)定义两个点标准正常情况和异常情况的坐标值。
标准正常情况的坐标值为:
标准异常情况的坐标值为:
4)计算当前采样点与上述两点基于椭圆和双曲线的马氏距离。
假设当前时间段采样点测得数据为:
i=1,2,3...n,n为单位
时间采样点数。
构造样本矩阵如下:
其中考虑到之后计算过程中需要进行
求逆运算,故n≥9,该矩阵可以记作(X1,X2...Xn)。
定义向量m=(m1,m2...mn)T,表示样本集中各类数据的均值。
样本的协方差矩阵
采用非欧几何的椭圆—双曲线度量:
则初始椭圆—双曲线度量矩阵k为矫正系数,根据实际选用的传感器误差情况调整。
可知是可逆对称矩阵,那么其一般双曲线形式可表示为:
其特殊形式的椭圆和双曲线表示形式如下:
由马氏距离的定义,向量xα,xβ之间的马氏距离为:
其中G为协方差矩阵的逆矩阵。
5)在此基础上,我们可以建立目标函数为样本与两种标准情况的坐标的马氏距离哪个最小,若距离标准正常情况的小则判定为正常,若距离标准异常情况的小则判定为异常。这么做的好处在于避免了欧式距离机械地将各组独立的数据进行对比,将所有因素的影响及影响强弱都考虑进算法中。
算法流程图如下图3。
低电量提示功能,通过电池端电压,粗略判别电池剩余电量,当电量低于电池总电量10%而采集端还在继续工作没有触发终止条件时,微处理器将会唤醒通讯模块,向中央处理器发送电量不足报警,使中央处理器及管理员得知采集端即将断电的情况。
开始终止信息触发功能,在采集端起止键被触发时,唤醒通讯模块,向中央处理器发送起止信号。
(3)数据存储模块
数据存储模块,用于存储经过微处理器分类后被判别为异常情况的时间段数据。本发明采用拓展存储方式,如CF卡、SD卡等。可以根据实际使用情况选择不同的存储容量,一般情况下存储卡容量不小于2GB。
(4)通讯模块
通讯模块,用于实现采集端与中央处理器之间的信息传输功能。正常工作情况下,每小时发送一次时间校准信号并接收中央处理器的反馈信号进行时间校准,便于中央处理器确认采集端是否正常工作,避免自然损坏或人为损坏的情况发生,结合微处理器的低电量提示功能还可以帮助中央处理器判别是否采集端断电停机。而当微处理器模块判别出当前快件状态异常时,通讯模块实时将异常数据上传至中央处理器。具体实现方式可根据实际应用场景进行选择,一般情况使用有线通讯(USB)及无线通讯(4G)两种方式,在一些特殊应用环境中,比如快递分拣中心内部自查时,即快件移动范围不超过通讯许用距离范围极限时,也可采用Zigbee、Bluetooth等方式通讯。
(5)电源模块
电源模块,用于采集端的供电。本发明采用两种供电方式,锂离子电池或干电池。锂离子电池具有可反复充电、电容量大等优点,适合采集端单次长时间工作情况。干电池具有价格低廉等优点,适合采集端单次短时间工作情况,可以根据其具体使用场景进行切换和选择。
参数如下:
锂离子电池:电池容量不低于1500mAh
干电池:4.2V普通或碱性锌锰电池、可充电干电池均可。
(6)显示和操作模块
显示模块,用于直观显示当前采集端的工作情况,在校准时通过图文给操作者进行指导。其界面如下图4。
本机信息点击后有如下功能:本机编号、本机硬件信息、通讯协议版本号等,便于设备管理。
快速校准点击后有如下功能:三轴直线加速度传感器校准、三轴地磁传感器校准等。通过图文信息,帮助操作者快速校准。
状态简报点击后有如下功能:按照时间顺序列出当前快件运单状态异常列表,在列表中选定特定的某次异常再点击可以查看简报详情,包括何时何地发生何种异常以及异常情况的严重程度,这些数据是通过在线方式查询中央处理器得到的。
快件信息点击后有如下功能:查看当前设备检测的快件运单的运单号、收发地(为确保个人隐私安全,只精确到市,不显示更具体的地址信息,也不显示寄件人、收件人个人信息)和揽件时间。
操作模块,本发明设计两种操作方式,按键操作和触屏操作。图2-3给出了按键操作的外观。触屏操作则是在图2-3基础上,去掉实体按键,通过屏幕按键操作,操作形式不发生变化。
显示器可采用各类单色、全彩LED屏。操作模块没有特殊要求。
(7)中央处理器
中央处理器,是整个系统的大脑,是连接采集端和应用程序端的核心中枢。其功能包括如下几点:
(1)与业务订单系统相连,可以根据客户勾选和备注的订单要求,自动设定微处理器和中央处理器参数。实现不同快件的个性化区分。
(2)对微处理器模块上传的异常数据进行进一步的精密计算,利用更复杂的基于极限学习机的学习训练算法训练出若干线性系统,利用线性系统的最小范数最小二乘解组成的超平面围出的空间,对异常情况进行二次分类。如振动检测数据组将会被分类为垂直跌落、平抛等情况;温湿度数据组将会被分为温度过高、温度过低、湿度过高、湿度过低及其组合的若干情况;光照强度数据组将会被分为包装破损引起的光照强度变化和特殊快件包装不合格等情况。在分类的同时还可以根据其特征强度给出其严重程度的算法评价,五星为最严重,一星最轻微。因为使用的是智能学习算法,算法本身将会随着处理的数据量的增加,精度也会随之不断提升,并且随时引入新分类的操作难度较传统算法小。
该算法由本发明设计的系统中的中央处理器执行,用来将由采集端采集并判定为异常情况的数据进行细致分类并判定异常等级,是整个系统中最核心的部分。
其算法实现的方式如下:
1.训练出若干线性系统,记作Aix=yi,Ai为方程系数矩阵,yi为结果矩阵,其中x为系统输入量,该线性系统满足如下特征:其最小范数最小二乘解在以二分类算法中采样数据构成的多维度空间Ω中构成一个超平面,这个超平面近似拟合预先确定的某个分类判定临界点集合。
具体方法如下:
有N个样本的(Xi,ti),其中Xi=[xi1,xi2,...,xin]T∈Rn,ti=[ti1,ti2,...,tim]T∈Rm。对于一个有L个单隐层的神经元网络其一般公式如下:
g(x)是神经元网络的激活函数,Wi为输入权重,βi为输出权重,bj为输入偏置。我们的学习目标为即存在βi,Wi,bi使得该式可以用矩阵形式表示Hβ=T。H是隐层节点的输出,β为输出权重,T为期望输出。
我们的希望得到目标值使
由此推导出最小化损失函数
传统的BP神经网络采用梯度下降法对其进行求解,而本发明利用的是彭诺斯伪逆的方法求解线性系统Hβ=T。本发明方法收敛更快,更稳定,非常适合应用要求。
整个训练过程需要由带标签的大量临界样本点作为训练数据。
2.在利用线性系统的最小范数最小二乘解划定范畴后,可以根据新样本点是否落入某一范畴进行分类判断。
其逻辑表达为:
if:xi∈A
then:xi为A类
else:xi∈B?
......
3.求解超平面围成的加权空间质心位置o,其公式如下
其中,M为质心坐标,r是坐标转化矢量,ρ为密度函数,W为加权系数;
利用样本点到质心o的距离l与质心经过该样本点到超平面距离l*的比值rate确定异常程度的大小,其中
评级情况见下表2。
表2
rate数值范围 | 异常等级 | 说明 |
0.8~1 | * | 轻微 |
0.6~0.8 | ** | 一般 |
0.4~0.6 | *** | 较为严重 |
0.2~0.4 | **** | 严重 |
0~0.2 | ***** | 极端异常 |
(3)实现大数据整合的平台功能,将运单条码与采集端编号条码对应,实现数据与订单的对应。并将多采集端的数据汇总至数据库中,搭建数据服务平台,供应用程序端查询。数据库平台具有不同的权限等级,高级管理员可以更新、维护平台(如升级分类算法、修改通讯协议等)、查看全平台数据、特殊情况处置等,普通管理员仅可以查看全平台数据,一般用户则只能根据发件人或收件人预留手机号和短信验证码查询该手机号对应快件的数据情况。
中央处理器在系统规模较小时可使用工作站主机,当系统规模较大时须使用高性能服务器。
基本参数如下:
CPU:主频3.2GHz以上
内存:32GB以上
硬盘接口类型:SATA/SAS
硬盘容量:1TB以上
电源类型:热插拔电源
(8)应用程序端
应用程序端,用于系统用户直观了解运件当前情况,下载安装系统应用程序,利用手机号及短信验证码或运单扫码登入后,可查询该手机号或该条码对应快件的运输情况,界面包括用户名、用户头像、该手机号所对应的所有在运运单的基本情况(寄件人、收件人、发件地、收件地、运件种类等),点击一个运单号,可弹出该运单号目前的运单情况报告,以简单易懂的简报方式告知使用者该运单在何时何地发生了何种异常情况以及异常情况的严重程度。当有异常情况发生时,系统还可以根据业务订单中客户勾选的是否接受快件异常情况短信,自动向勾选接收的客户发送警报提示短信。PC端显示界面如图5所示。
二、系统的整体工作流程
(1)启动采集端,采集端向中央处理器发送开始信号,中央处理器为其新建数据文件。通过扫码方式,将运单号与采集端编号(见图2-3外壳示意图采集端编号条码/二维码)对应。如中央处理器新建数据文件时还未经过扫码将运单号与采集端编号对应,则中央处理器默认空运单编号,并且空运单从1号开始以此类推不重复,当中央处理器收到扫码对应运单号后,自动匹配。
(2)将采集端通过黏贴的方式,按照外壳标注的使用标识固定于快件包装内部。
(3)中央处理器在数据库中为新运单编号建立新数据文件,同时通过与运单业务系统相连获取运单详细信息,计算相应参数,并将参数通过中央处理器的通讯模块把参数信息传输给采集端。
(4)采集端开始实时采集各类数据,采集到的数据将会交由采集端微处理器执行二分类计算处理。当微处理器判别快件情况正常时,采集端只有数据采集模块和微处理器由电源模块供电实时工作,下一时段采集到的数据将会覆盖掉上一时段采集到的数据,暂时储存在微处理器内存中,通讯模块只在整点时,每小时一次与中央处理器进行时间校准通讯,通知中央处理器该采集端工作正常,数据储存模块则处于休眠状态。当微处理器判别快件情况异常时,微处理器唤醒通讯模块和数据储存模块。将该段时间全部异常数据存储到数据存储模块中,并通过通讯模块上传到中央处理器。当恢复正常情况后,按照判别正常的模式继续工作。
(5)在快件出现异常情况时,中央处理器接收到采集端通讯模块发来的异常数据,中央处理器执行多分类算法,判别异常种类,并计算异常程度,而后将其信息录入数据库平台。
(6)当客户选择接收警报提示短信时,自动向用户手机发送短信提醒异常情况。
(7)下载安装应用程序端的用户,可以通过手机号码及短信验证码的方式或扫描快件条码的方式,使用手机或电脑登陆系统,实时查询相应运单的情况。
(8)当采集端向中央处理器发送终止信号,此次检测流程全部结束。参数重置为默认状态。
(9)若在采集端向中央处理器发送低电量警报后,在未发送终止信号而不再发送整点时间校准信号时,中央处理器数据库默认采集端电量耗尽,须中央处理器管理员手动确认并结束本次检测活动。
(10)系统管理员拥有维护、升级中央处理器的权限,可以不断更新系统算法、界面、定期清除超过许诺保存期限的数据。
(注:星号部分为系统辅助支持条件或衍生功能。)
系统的整体工作流程如图6。
Claims (5)
1.一种快件在途状态监测系统,该系统包括数据采集模块、微处理器模块、数据存储模块、通讯模块、电源模块、显示和操作模块、中央处理器和应用程序端,其特征在于,
微处理器模块,具有储存空间的分配优化功能、快速校准功能、数据处理功能、以及设备休眠及唤醒的控制功能;
所述数据处理功能为,微处理器利用二分类算法,判断快件当前状态是否处于异常情况,如处于异常情况,则将数据保存至数据存储模块,并实时上传给中央处理器,如无异常情况,则将下一时段数据覆盖当前数据。
所述设备休眠及唤醒的控制为,微处理器判别当前状态处于正常状态时,数据存储模块和通讯模块处于休眠状态,数据仅在微处理器内存中短暂保存处理后便被新数据覆盖掉,通讯模块仅在整点时,每小时一次向中央处理器发送时间校准信息,并通知中央处理器该采集端工作正常;当微处理器判别当前状态异常时,微处理器可以协调这些硬件,将其唤醒工作,将异常信息存储在数据存储模块中,并通过通讯模块上传至中央处理器。
2.如权利要求1所述的一种快件在途状态监测系统,其特征在于,所述快速校准功能,通过三种方式进行校准:快速手动校准、算法自校准、在线校准。
3.如权利要求1所述的一种快件在途状态监测系统,其特征在于,
所述中央处理器对微处理器模块上传的异常数据进行精密计算,利用学习训练算法训练出若干线性系统,利用线性系统的最小范数最小二乘解组成的超平面围出的空间,对异常情况进行二次分类。
4.如权利要求3所述的一种快件在途状态监测系统,其特征在于,
所述中央处理器对异常情况进行二次分类的具体步骤为:
(1)训练出若干线性系统,记作Aix=yi,Ai为方程系数矩阵,yi为结果矩阵,其中x为系统输入量,该线性系统满足如下特征:其最小范数最小二乘解在以二分类算法中采样数据构成的多维度空间Ω中构成一个超平面,这个超平面近似拟合预先确定的某个分类判定临界点集合;
具体方法如下:
有N个样本的(Xi,ti),其中Xi=[xi1,xi2,...,xin]T∈Rn,ti=[ti1,ti2,...,tim]T∈Rm,
对于一个有L个单隐层的神经元网络公式如下:
g(x)是神经元网络的激活函数,Wi为输入权重,βi为输出权重,bj为输入偏置;
学习目标为存在βi,Wi,bi使得
上式用矩阵形式Hβ=T表示,H是隐层节点的输出,β为输出权重,T为期望输出;
得到最小化损失函数为
(2)根据新样本点是否落入某一范畴进行分类判断
其逻辑表达为:
if:xi∈A
then:xi为A类
else:xi∈B?
......
(3)求解超平面围成的加权空间质心位置o,其公式如下
其中,M为质心坐标,r是坐标转化矢量,ρ为密度函数,W为加权系数;
利用样本点到质心o的距离l与质心经过该样本点到超平面距离l*的比值rate确定异常程度的大小,其中
5.如权利要求1所述的一种快件在途状态监测系统,其特征在于,所述微处理器判断快件当前状态是否处于异常情况的具体方法为:
1)建立多维度空间坐标系;
2)将表1数据取绝对值,将数据压缩到所有坐标均为正的象限。
3)定义两个点标准正常情况和异常情况的坐标值;
标准正常情况的坐标值为:
标准异常情况的坐标值为:
其中,ax为x轴直线加速度,ay为y轴直线加速度,az为z轴直线加速度,αx为x轴角加速度,αy为y轴角加速度,αz为z轴角加速度,t为温度,RH为相对湿度,L为光照强度;
4)计算当前采样点与所述两个点基于椭圆和双曲线的马氏距离;
假设当前时间段采样点测得数据为:
n为单位时间采样点数;
构造样本矩阵如下:
定义向量m=(m1,m2...mn)T,表示样本集中各类数据的均值;
样本的协方差矩阵
采用非欧几何的椭圆—双曲线度量:
则初始椭圆—双曲线度量矩阵k为矫正系数;
其一般双曲线形式表示为:
其特殊形式的椭圆和双曲线表示形式如下:
由马氏距离的定义,向量xα,xβ之间的马氏距离为:
其中G为协方差矩阵的逆矩阵。
5)建立目标函数为样本,分别计算所述样本与标准正常情况和标准异常情况的坐标的马氏距离,若与标准正常情况的距离小则判定为正常,若与标准异常情况的距离小则判定为异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910110415.7A CN109857025B (zh) | 2019-02-11 | 2019-02-11 | 一种快件在途状态监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910110415.7A CN109857025B (zh) | 2019-02-11 | 2019-02-11 | 一种快件在途状态监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109857025A true CN109857025A (zh) | 2019-06-07 |
CN109857025B CN109857025B (zh) | 2021-01-26 |
Family
ID=66897692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910110415.7A Active CN109857025B (zh) | 2019-02-11 | 2019-02-11 | 一种快件在途状态监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109857025B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160314A (zh) * | 2020-01-03 | 2020-05-15 | 秒针信息技术有限公司 | 一种暴力分拣的识别方法及装置 |
CN111861336A (zh) * | 2020-07-23 | 2020-10-30 | 中国联合网络通信集团有限公司 | 物流监测方法、装置和系统 |
CN112325936A (zh) * | 2020-10-30 | 2021-02-05 | 北京印刷学院 | 一种物流环境检测识别方法及系统 |
CN114189531A (zh) * | 2020-08-25 | 2022-03-15 | 顺丰科技有限公司 | 一种收派件监控方法、装置、服务器及存储介质 |
CN111415124B (zh) * | 2020-04-09 | 2023-11-21 | 上海东普信息科技有限公司 | 自动预警方法及装置、电子设备、计算机存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012239227A (ja) * | 2012-08-27 | 2012-12-06 | Nec Infrontia Corp | 通報装置における通報方法、通報装置、および通報プログラム |
CN103049838A (zh) * | 2012-12-26 | 2013-04-17 | 华中科技大学 | 基于有限状态机的包裹运输状态监控方法 |
CN202994187U (zh) * | 2012-05-08 | 2013-06-12 | 上海交通大学 | 模块化货物运输状态监测追踪记录器 |
CN104406630A (zh) * | 2014-11-17 | 2015-03-11 | 中国电子科技集团公司第二十八研究所 | 一种物品运输实时状态监测跟踪装置 |
CN105608833A (zh) * | 2016-01-11 | 2016-05-25 | 吉林大学 | 一种快递车危险预警系统及方法 |
CN106618483A (zh) * | 2015-10-30 | 2017-05-10 | 西双版纳生物医学研究院 | 基于生理状态应激变异的检测方法及系统和应用 |
CN106897670A (zh) * | 2017-01-19 | 2017-06-27 | 南京邮电大学 | 一种基于计算机视觉的快递暴力分拣识别方法 |
CN106934567A (zh) * | 2015-12-30 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 一种物流状态信息推送的方法、装置及电子设备 |
JP2018120407A (ja) * | 2017-01-25 | 2018-08-02 | Ntn株式会社 | 状態監視方法および状態監視装置 |
CN207718571U (zh) * | 2017-12-25 | 2018-08-10 | 北京工业大学 | 一种物流状态实时监控装置 |
CN108460549A (zh) * | 2017-02-20 | 2018-08-28 | 菜鸟智能物流控股有限公司 | 物流包裹运送路线的处理方法及相关设备 |
CN108665206A (zh) * | 2018-04-18 | 2018-10-16 | 山西同城商务信息股份有限公司 | 一种智慧物流云平台系统 |
CN109040175A (zh) * | 2018-06-21 | 2018-12-18 | 贾若然 | 一种对物流过程中物品状态监控系统及其使用方法 |
-
2019
- 2019-02-11 CN CN201910110415.7A patent/CN109857025B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202994187U (zh) * | 2012-05-08 | 2013-06-12 | 上海交通大学 | 模块化货物运输状态监测追踪记录器 |
JP2012239227A (ja) * | 2012-08-27 | 2012-12-06 | Nec Infrontia Corp | 通報装置における通報方法、通報装置、および通報プログラム |
CN103049838A (zh) * | 2012-12-26 | 2013-04-17 | 华中科技大学 | 基于有限状态机的包裹运输状态监控方法 |
CN104406630A (zh) * | 2014-11-17 | 2015-03-11 | 中国电子科技集团公司第二十八研究所 | 一种物品运输实时状态监测跟踪装置 |
CN106618483A (zh) * | 2015-10-30 | 2017-05-10 | 西双版纳生物医学研究院 | 基于生理状态应激变异的检测方法及系统和应用 |
CN106934567A (zh) * | 2015-12-30 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 一种物流状态信息推送的方法、装置及电子设备 |
CN105608833A (zh) * | 2016-01-11 | 2016-05-25 | 吉林大学 | 一种快递车危险预警系统及方法 |
CN106897670A (zh) * | 2017-01-19 | 2017-06-27 | 南京邮电大学 | 一种基于计算机视觉的快递暴力分拣识别方法 |
JP2018120407A (ja) * | 2017-01-25 | 2018-08-02 | Ntn株式会社 | 状態監視方法および状態監視装置 |
CN108460549A (zh) * | 2017-02-20 | 2018-08-28 | 菜鸟智能物流控股有限公司 | 物流包裹运送路线的处理方法及相关设备 |
CN207718571U (zh) * | 2017-12-25 | 2018-08-10 | 北京工业大学 | 一种物流状态实时监控装置 |
CN108665206A (zh) * | 2018-04-18 | 2018-10-16 | 山西同城商务信息股份有限公司 | 一种智慧物流云平台系统 |
CN109040175A (zh) * | 2018-06-21 | 2018-12-18 | 贾若然 | 一种对物流过程中物品状态监控系统及其使用方法 |
Non-Patent Citations (2)
Title |
---|
李婉婉: ""基于卷积神经网络和集成学习的材质识别和分割方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
鲍文霞,等: ""基于椭圆-双曲线马氏度量的图像分类算法"", 《系统工程与电子技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160314A (zh) * | 2020-01-03 | 2020-05-15 | 秒针信息技术有限公司 | 一种暴力分拣的识别方法及装置 |
CN111160314B (zh) * | 2020-01-03 | 2023-08-29 | 秒针信息技术有限公司 | 一种暴力分拣的识别方法及装置 |
CN111415124B (zh) * | 2020-04-09 | 2023-11-21 | 上海东普信息科技有限公司 | 自动预警方法及装置、电子设备、计算机存储介质 |
CN111861336A (zh) * | 2020-07-23 | 2020-10-30 | 中国联合网络通信集团有限公司 | 物流监测方法、装置和系统 |
CN111861336B (zh) * | 2020-07-23 | 2023-10-17 | 中国联合网络通信集团有限公司 | 物流监测方法、装置和系统 |
CN114189531A (zh) * | 2020-08-25 | 2022-03-15 | 顺丰科技有限公司 | 一种收派件监控方法、装置、服务器及存储介质 |
CN112325936A (zh) * | 2020-10-30 | 2021-02-05 | 北京印刷学院 | 一种物流环境检测识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109857025B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109857025B (zh) | 一种快件在途状态监测系统 | |
JP5830780B2 (ja) | 業務分析装置、業務分析システム及び業務分析方法 | |
EP3082091A1 (en) | Apparatus, system and method for wirelessly collecting data corresponding to a security device | |
CN106067244A (zh) | 一种用于周界探测系统的传感器阈值自适应调节方法及系统 | |
US20220082625A1 (en) | Data processor, data processing method, and computer program | |
WO2020220629A1 (zh) | 楼层层数的获取方法、装置、电子设备及存储介质 | |
CN104137594A (zh) | 在移动设备或其它系统中使用传感器追踪活动、速度和前进方向 | |
CN115512520B (zh) | 基于智慧燃气的用气安全预警方法及物联网系统 | |
CN111027906A (zh) | 配送订单确定方法、装置、存储介质与终端设备 | |
CN114881711A (zh) | 基于请求行为进行异常分析的方法及电子设备 | |
CN109406117A (zh) | 一种基于改进rbfnn算法的多通道远程振动信号监示系统及监测方法 | |
CN108521296B (zh) | 货品信息识别系统及方法 | |
CN111766557A (zh) | 一种基于K-Means算法分析影响电能表检测精度的方法 | |
CN108922624A (zh) | 一种智能穿戴设备的配置方法、装置、终端和存储介质 | |
CN111214235A (zh) | 一种人体活动量监测方法及装置 | |
CN106293068A (zh) | 用于智能穿戴设备的计数方法、装置及系统 | |
CN110333171A (zh) | 输煤系统转载点粉尘浓度检测方法及系统 | |
US20200118576A1 (en) | Sensor device, background noise data transmission method, and background noise data transmission program | |
CN108516183A (zh) | 一种智能胶箱及其称重计数方法 | |
CN106292610B (zh) | 智能家居控制系统 | |
CN115150430A (zh) | 一种基于物联网的自动售卖机运营数据采集系统 | |
CN112686312A (zh) | 一种数据分类方法、装置及系统 | |
Siwan et al. | Machine Learning in AWS for IoT-based Oil Pipeline Monitoring System | |
WO2016167969A1 (en) | Apparatus, system and method for wirelessly collecting data corresponding to a security device | |
US20230280215A1 (en) | Systems and methods for determining a confidence level of a sensor measurement by a sensor of an electric aircraft |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |