CN110097123A - 一种快件物流过程状态检测多分类系统 - Google Patents

Abstract

本发明提供了一种快件物流过程状态检测多分类系统，系统先经过采集端的微处理器执行经过降维预处理的二分类算法初步判别当前时段快件是否处于异常状态，若正常，则数据被覆盖掉，若异常，则采集端将该段数据存储到采集端存储器上，并通过通讯模块将经过计算的该时段统计特征数据传递给中央处理器，在中央处理器上执行进一步的多分类分析和异常程度判定，中央处理器再将处理后的结果录入数据库，供客户应用端查询。本发明的可以得到准确详细的异常类型，从而实现对快件物流过程振动状态进行实时智能监控。同时将温湿度、光照强度等数据纳入检测范围，使整个检测体系更加科学完善。

Description

一种快件物流过程状态检测多分类系统

技术领域

本发明涉及物流运输监控领域，尤其涉及一种快件状态检测分类系统。

背景技术

目前针对快件物流过程状态判别的算法尚且比较简单，主要还是以简单的阈值方法进行判断，比如某个方向的瞬时加速度超过某个阈值，则认为快件出现了物流过程中的异常情况，这样的分类效果较差，无法识别某些意外情况，并且过分依赖传感器的可靠性，算法本身没有数据矫正能力。此外，通常情况下由于这些算法的数据来源，即传感器采集到的原始数据较少，从而使相关算法得到快件物流状态信息非常不全面。为此，本发明在基于多传感器组合采集各类快件物流过程状态信息的基础上，提出一套较为完善的快件物流过程状态检测分类算法，通过遗传算法进行择优降维预处理，利用支持向量机对快件物流过程状态特征进行前期二分类筛选出快件物流过程振动状态异常数据，然后将数据从采集端无限传输给中央处理器进行基于神经元网络的多分类数据处理，得到准确详细的异常类型，从而实现对快件物流过程振动状态进行实时智能监控。同时将温湿度、光照强度等数据纳入检测范围，使整个检测体系更加科学完善。

发明内容

为了解决上述技术问题，本发明基于包含各类加速度传感器、地磁传感器、温湿度传感器、光照强度传感器并具有数据处理功能、储存功能、通讯功能等于一体的数据采集端，中央处理器以及客户应用端组成的检测系统。由传感器采集到的数据，先经过采集端的微处理器执行经过降维预处理的二分类算法初步判别当前时段快件是否处于异常状态，若正常，则数据被覆盖掉，若异常，则采集端将该段数据存储到采集端存储器上，并通过通讯模块将经过计算的该时段统计特征数据传递给中央处理器，在中央处理器上执行进一步的多分类分析和异常程度判定，中央处理器再将处理后的结果录入数据库，供客户应用端查询。本发明具体采用如下技术方案：

一种快件物流过程状态检测多分类系统，该系统包括：采集端，包括采集模块、微处理器、存储模块、通讯模块；中央处理器；所述采集模块用于获取快件在物流过程中的振动状态数据；所述微处理器包括预处理模块和二分类器；所述预处理模块用于降维处理所述振动状态数据，并确定所述二分类器进行分类的特征；所述二分类器执行二分类算法，对经过降维处理后的所述振动状态数据进行二分类，将其划分为正常数据和异常数据；采集端将所述正常数据刷新覆盖，将所述异常数据存储到存储模块，并通过所述通讯模块将异常数据传递给所述中央处理器；所述中央处理器对异常数据执行多分类及程度判别算法，得到异常情况的类别及程度，录入中央处理器数据库。用户可通过应用端访问数据库，查询快件状态。

优选地，所述降维处理的过程为：输入数据、数据预处理、染色体编码、生成初始种群、计算适应度、设定终止条件、选择、交叉、进行100代遗传迭代，并不断重复，取最终收敛的最优解，根据最优解中染色体编码的位数确定是否保留该维度特征；

所述适应度为通过降维处理后保留的特征作为分类依据时的分类正确率，分类正确率计算公式为：

γ为函数输出为分类后的标签依次构成排列构成的一维数组，γ^*将数组γ每一位减去1得到的数组，λ为测试集数据点标签依次排列构成一个n维数组。

优选地，对快件的振动状态数据进行二分类的过程为：通过训练数据集进行降维处理得到一个超平面，所述超平面为距离正常情况点集和异常情况点集最小距离的平面，将一组带标签且经过降维处理后的测试集数据点利用该超曲面进行分类，判别点在超平面两侧。

优选地，对异常数据进行多分类及程度判别的过程为：采用多层感知器网络结构，第一阶段正向过程输入信息从输入层经隐层逐层计算各单元的输出值，第二阶段反向传播过程是将输出误差逐层向前算出隐层各单元的误差,并用此误差修正前层权值；

各层节点输出为：

Y₃＝1，2，3...(类别标签)

其中，W表示权重向量，θ表示偏置；

输出函数为：

误差函数：

其中t_pi和O_pi分别为网络的期望输出和实际计算输出；

输入的训练数据集为带标签的样本矩阵，矩阵行表示不同训练样本，列表示样本完整的特征数据，训练数据集利用十折交叉法进行训练测试，将整个数据集按照数量一致，随机分为10份，依次取其中7份作为训练集，3分作为验证测试集进行训练，训练出一个非线性系统，将异常数据作为输入，将分类结果作为输出；

在执行完多分类算法后，将无标签的样本点放入集合计算判别值，判别值落在不同阈值内代表不同的严重程度，计算判别值的程度系数

其中，K表示程度系数，a_max表示一个6维向量，由样本的6维加速度峰值构成，β为由最严重异常情况的6维加速度峰值构成的6维向量中每个元素分别取到数构成的新向量，W^T为一个权重系数矩阵，符号表示两个等维向量对应位置的元素进行相乘。

附图说明

图1是本发明系统逻辑流程图。

图2是预处理算法流程图。

图3是适应度的计算流程图。

图4是染色体交叉结果图。

图5是遗传算法流程图。

图6是变异原则流程图。

图7是多层感知器网络结构图。

图8是基于神经元网络的智能分类算法流程图。

具体实施方式

本发明系统包括：采集端，包括采集模块、微处理器、存储模块、通讯模块；中央处理器；所述采集模块用于获取快件在物流过程中的振动状态数据；所述微处理器包括预处理模块和二分类器；所述预处理模块用于降维处理所述振动状态数据，并确定所述二分类器进行分类的特征；所述二分类器执行二分类算法，对经过降维处理后的所述振动状态数据进行二分类，将其划分为正常数据和异常数据；采集端将所述正常数据刷新覆盖，将所述异常数据存储到存储模块，并通过所述通讯模块将异常数据传递给所述中央处理器；所述中央处理器对异常数据执行多分类及程度判别算法，得到异常情况的类别及程度，录入中央处理器数据库。用户可通过应用端访问数据库，查询快件状态。本发明系统逻辑流程如图1所示。

先利用预处理算法对振动数据进行降维处理确定采集端微处理器上二分类器进行分类的特征。

采集端微处理器上的二分类器执行二分类算法，对传感器采集到的数据进行二分类，将其物流状态划分为正常和异常两种情况。

采集端将正常的数据刷新覆盖，将异常的数据存储到存储模块，并通过通讯模块将异常数据传递给中央处理器。

中央处理器对异常数据执行多分类及程度判别算法，得到异常情况的类别及程度，录入中央处理器数据库。

用户可通过应用端访问数据库，查询快件状态。

振动检测方法步骤：

(1)预处理降维

输入数据：500个连续采样点三轴直线加速度，三轴角加速度数据组成的500×6矩阵。

数据预处理：分别计算500个采样点6维数据(三轴直线加速度、三轴角加速度)的6种统计学特征。

6种特征见下表1。

表1统计学特征

在衡量快件振动情况时，得到了一个6×6的三十六维空间模型，快件的振动状态可以在空间中找到一个对应的点。

预处理算法：算法流程图如图2所示。

染色体编码：方式为二进制编码，编码后的染色体是一个1×36的数组，数组由0和1构成，每个染色体有且只有5个1，表示36维特征将会被压缩到5维。0表示其对应列数的统计特征将被降维处理，1表示保留该统计特征。

生成初始种群：初始种群个体数为100，每个个体为一个染色体，初始种群生成方式为随机生成，随机1-36中的5个数，表示该位编码1，其余位数编码为0。

计算适应度：适应度为通过降维处理后保留的5维特征作为分类依据时的分类正确率。即降维后分类正确率越高，适应度越高。

在计算一个染色体适应度时，将染色体的二进制编码作为向量α。

通过预处理得到的36维数据依次排列作为向量β。

进行如下计算即可得到降维后的向量：

定义式中符号表示两个等维向量对应位置的元素进行相乘，得到一个同维向量。

在计算分类正确率之前，需要利用一组带标签的训练集进行训练，训练集经过降维处理，从而得到一个超平面，该超平面具有如下特征，即距离两类点集(正常情况点和异常情况点)中最小距离的点距离最大。

实现过程的为：

给定一组大小为N的训练集{x_i,y_i}^N，输入为x_i，输出为y_i，对于非线性回归，数据由非线性方程y(x)＝f(x_i)+e_i给出，以得到如下形式的估计模型：

其中w是权向量，是将输入空间映射到高位特征空间的非线性函数，b表示偏差量，e_i则为第i组训练数据的实际输出与估计输出的偏差量，称之为拟合误差。

那么w、b可以描述成优化问题：

对上式采用拉格朗日乘数：

其中α_i为拉格朗日乘数，γ为惩罚系数，分别对w,b,e_i,α_i微分构造：

消去w和e_i，最优问题将转换为线性方程组的形式：

其中，y＝[y₁；...；y_N]，α＝[α₁；...；α_N]，1_v＝[1；...；1]，Ω为方阵，第m行第n列元素为Ω_mn＝K(x_m,x_n),m,n＝1,...,N。

考虑到线性不可分的实际情况，核函数可以使用高斯函数，高斯函数的一般表达式如下。

x_i为自变量，x_j为高斯核中心，σ为宽度控制参数，控制径向范围。

最终得到中的解a和b。

得到超平面后，将一组带标签且经过降维处理后的test测试集数据点利用该超曲面进行分类，判别点在超平面两侧。实际上就是将待分类点的坐标值代入超平面方程，判别正负的一个过程。

函数输出为分类后的标签依次构成排列构成的一维数组，记作γ。

将数组γ每一位减去1，得到数组γ^*。

test测试集数据点标签依次排列构成一个n维数组λ。

正确率计算公式为：

适应度的计算流程如图3所示。

终止条件的设定：本发明的终止条件设定为固定的子代代数，进行交叉变异选择产生的第100代子代为预处理算法的最优解。

选择原则：构造轮盘，基于概率原则，父代经过交叉变异后，适应度越高的新染色体，经过选择在子代中存在的数量就越多。适应度低的将会被适应度高的取代。

交叉原则：将种群中编号1,3,...,99的染色体依次编号2,4,...,100的染色体两两一组配对。每对染色体生成一个0-1的随机数与之对应，该随机数与预先设定的交叉概率p_c进行比较，若小于p_c执行交叉操作。

p_c取0.5-0.8为宜。

交叉操作的实现方法为，随机一个分界点，将每对染色体分为两段，进行交叉。

由于交叉后，新生成的子代染色体可能出现染色体中编码1的数量不为5的情况。如图4所示。

该部分的算法流程如图5所示。

变异原则：该部分算法流程如图6。

其中，p_m为变异概率，是一个预设值，取0.003-0.01均可。n表示种群中染色体个数。

综上所述，进行100代遗传迭代，并不断重复。观察敛散性，取最终收敛的最优解，最优解中染色体编码1的位数表示保留该维度特征，为0的位数表示剔除掉该维度。

(2)降维后的二分类算法

将经过预处理择优后保留的5维加速度数据统计学特征作为实际传感信息采集端微处理器中写入的分类算法的分类依据。

从而构建出了一个五维空间，利用计算适应度时的所应用的分类方法。即通过降维后的带标签训练集training*(区别于training,为得到更精确平滑的超曲面，新训练集的数据量更多，并且不断更新)，利用最小二乘法求解，得到一个距离训练集中两类点中最近的点的距离最远的一个超平面Ω作为分类依据。以此实现对快件物流过程振动情况的实时检测。

(3)多分类算法

经过二分类算法判别为异常的时间段(连续500个采样点)的6维加速度的6种统计学特征以及该段时间的6种加速度峰值，将会通过通讯模块传递给中央处理器。这些数据将被执行更进一步的分类判别和程度判别。

本发明提出的快件物流状态多分类方法是一种基于神经元网络的智能分类算法。输入数据为经过二分类算法判别为异常的500个连续采样点的6维加速度的6中统计学特征值，即一个6维向量。输出为形如0(或1，2，3，4...)的类别标签。本发明采用经过大量带标签的样本训练的神经元网络结构的非线性系统。

1)多层感知器网络结构(如图7所示)

各层节点输出为：

Y₃＝1，2，3...(类别标签)

式中W表示权重向量，θ表示偏置。

算法分为两个阶段第一阶段正向过程输入信息从输入层经隐层逐层计算各单元的输出值第二阶段反向传播过程是将输出误差逐层向前算出隐层各单元的误差,并用此误差修正前层权值。通常使用梯度法修正权值，因此要求输出可导。

输出函数为：

误差函数：

其中t_pi和O_pi分别为网络的期望输出和实际计算输出。

net_j＝∑w_ijO_jO_j＝f(net_j)

得到样本误差

使用最速梯度法，定义局部梯度

如果考虑权值的影响

为使权值修正过程中误差减少速度最快，修正量为：

Δw_ij＝-ηδ_jO_iw_ij(t+1)＝w_ij(t)+Δw_ij(t)

如果节点j是输出单元，则有：

O_j＝y_j

如果节点j不是输出单元，则

对函数使用迭代法：

f(x)＝y(1-y)

为加速收敛，加入惯性量

Δw_ij(t)＝-ηδ_jO_j+Δw_ij(t-1)

其算法流程如图8所示。

2)多分类算法实现

输入的训练数据集为带标签的样本矩阵，矩阵行表示不同训练样本，列表示样本完整的特征数据，故具有n个样本的训练集是一个n×36的矩阵。期望输出是一个n×1的向量，为各个样本的人为标签(用0，1，2，3，4...表示)。数据集利用十折交叉法进行训练—测试行为，即将整个数据集按照数量一致，随机分为10份，依次取其中7份作为训练集，3分作为验证测试集进行训练。以此训练出一个非线性系统，可以较为精准地将异常数据作为输入，将分类结果作为输出。

通过上述方法训练得到的线性系统即可作为分类函数，对未来需要分类的无标签数据进行准确分类。

3)异常程度判别算法

在执行完多分类算法后，无标签的样本点被放入了某个类别集合Γ_n(n＝0,1,2,3...)。将该点与事先定义的该集合对应的最严重的情况所对应的特征数据进行对比，比如物流过程中最严重的垂直跌落情况可定义为从高层立体货架顶层掉落。计算样本500个连续采样点6维加速度的峰值分别除以最严重异常情况500个连续采样点6维加速度的峰值，得到6个数据，分别乘以权重相加，得到最终的判别值。判别值落在不同阈值内代表不同的严重程度。

公式为：

定义式中符号表示两个等维向量对应位置的元素进行相乘，得到一个同维向量。

其中K表示程度系数，a_max表示一个6维向量，由样本的6维加速度峰值构成，β为由最严重异常情况的6维加速度峰值构成的6维向量中每个元素分别取到数构成的新向量，W^T为一个权重系数矩阵，由经验得到。

4)辅助验证算法

同样利用神经元网络，将三轴地磁数据作为特征，将样本的三轴地磁数据6种统计学特征作为样本特征，构造n个样本的n×18输入矩阵，n×1的人工标签作为期望输出。训练非线性系统，通过非线性系统进行一致性评估，验证分类器的有效性。当出现验证无效的情况，通知管理员，并绘制各加速度波形图，供管理员查询判断。

5)关于温湿度、光照强度异常的判别

鉴于实际应用场景，只需要知道实际物流运输环境是否超出特殊快件对于温湿度的要求范围即可，所以这部分的实际算法就是设定阈值，看实际采样数据是否低于或高于该范围，并给出结果即可，由于该部分的判别较为简单，故不做赘述。

对于光照强度异常的判别，除设定阈值，判别实时光照强度是否超出要求外，还可根据相邻采样点光照强度导数是否大于某个值，来判别是否出现突发的快件包装破损情况，该部分亦较为简单，故不做赘述。

Claims (4)

1.一种快件物流过程状态检测多分类系统，其特征在于，该系统包括：

采集端，包括采集模块、微处理器、存储模块、通讯模块；

中央处理器；

所述采集模块用于获取快件在物流过程中的振动状态数据；

所述微处理器包括预处理模块和二分类器；

所述预处理模块用于降维处理所述振动状态数据，并确定所述二分类器进行分类的特征；

所述二分类器执行二分类算法，对经过降维处理后的所述振动状态数据进行二分类，将其划分为正常数据和异常数据；

采集端将所述正常数据刷新覆盖，将所述异常数据存储到存储模块，并通过所述通讯模块将异常数据传递给所述中央处理器；

所述中央处理器对异常数据执行多分类及程度判别算法，得到异常情况的类别及程度，录入中央处理器数据库。

用户可通过应用端访问数据库，查询快件状态。

2.如权利要求1所述的一种快件物流过程状态检测多分类系统，其特征在于，所述降维处理的过程为：输入数据、数据预处理、染色体编码、生成初始种群、计算适应度、设定终止条件、选择、交叉、进行100代遗传迭代，并不断重复，取最终收敛的最优解，根据最优解中染色体编码的位数确定是否保留该维度特征；

所述适应度为通过降维处理后保留的特征作为分类依据时的分类正确率，分类正确率计算公式为：

γ为函数输出为分类后的标签依次构成排列构成的一维数组，γ^*将数组γ每一位减去1得到的数组，λ为测试集数据点标签依次排列构成一个n维数组。

3.如权利要求1所述的一种快件物流过程状态检测多分类系统，其特征在于，对快件的振动状态数据进行二分类的过程为：

通过训练数据集进行降维处理得到一个超平面，所述超平面为距离正常情况点集和异常情况点集最小距离的平面，将一组带标签且经过降维处理后的测试集数据点利用该超曲面进行分类，判别点在超平面两侧。

4.如权利要求1所述的一种快件物流过程状态检测多分类系统，其特征在于，对异常数据进行多分类及程度判别的过程为：采用多层感知器网络结构，第一阶段正向过程输入信息从输入层经隐层逐层计算各单元的输出值，第二阶段反向传播过程是将输出误差逐层向前算出隐层各单元的误差,并用此误差修正前层权值；

各层节点输出为：

Y₃＝1，2，3...(类别标签)

其中，W表示权重向量，θ表示偏置；

输出函数为：

误差函数：

其中t_pi和O_pi分别为网络的期望输出和实际计算输出；

输入的训练数据集为带标签的样本矩阵，矩阵行表示不同训练样本，列表示样本完整的特征数据，训练数据集利用十折交叉法进行训练测试，将整个数据集按照数量一致，随机分为10份，依次取其中7份作为训练集，3分作为验证测试集进行训练，训练出一个非线性系统，将异常数据作为输入，将分类结果作为输出；

在执行完多分类算法后，将无标签的样本点放入集合计算判别值，判别值落在不同阈值内代表不同的严重程度，计算判别值的程度系数

其中，K表示程度系数，a_max表示一个6维向量，由样本的6维加速度峰值构成，β为由最严重异常情况的6维加速度峰值构成的6维向量中每个元素分别取到数构成的新向量，W^T为一个权重系数矩阵，符号表示两个等维向量对应位置的元素进行相乘。