CN111597395B - 一种矿用自卸车故障收集、存储和预测系统及方法 - Google Patents
一种矿用自卸车故障收集、存储和预测系统及方法 Download PDFInfo
- Publication number
- CN111597395B CN111597395B CN202010370100.9A CN202010370100A CN111597395B CN 111597395 B CN111597395 B CN 111597395B CN 202010370100 A CN202010370100 A CN 202010370100A CN 111597395 B CN111597395 B CN 111597395B
- Authority
- CN
- China
- Prior art keywords
- fault
- dump truck
- mining dump
- data
- mining
- 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.)
- Active
Links
- 238000005065 mining Methods 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 44
- 238000003066 decision tree Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 16
- 238000013480 data collection Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000005336 cracking Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
- G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种矿用自卸车故障收集、存储和预测系统及方法，其中的矿用自卸车故障数据收集模块将收集的故障数据传输到矿用自卸车故障数据存储库中，矿用自卸车故障数据存储库中的数据送入到矿用自卸车故障数据库编码模块中进行编码，矿用自卸车故障数据库编码模块将编码后的故障数据送入矿用自卸车故障预测模块，矿用自卸车故障预测模块用于预测故障的发生以及故障解决策略。本发明能够尽可能提前预测故障，对可能发生故障的位置进行检修和保养，避免不必要的经济损失。
Description
技术领域
本发明涉及一种矿用自卸车故障收集、存储和预测系统，属于工程机械领域。
背景技术
矿用自卸车是在露天矿山为完成岩石土方剥离与矿石运输任务而使用的一种重型自卸车，其工作特点为运程短、承载重，往返于露天矿山的采掘点。由于矿用自卸车价值量是百万级以上，停工维修经济损失相当大，由此可见矿用自卸车的可靠性尤为重要。目前矿用自卸车遇到故障，都是现场排查故障和寻求故障解决策略，不能对故障做到尽可能地预知，此种做法周期比较长，耗费比较大。对于矿用自卸的车况信息、保养记录和故障记录，主要是通过人工每日的记录和报告，人工每天去更新矿用自卸车的车况信息和故障库，劳动量巨大。虽然在收集大量故障数据上付出巨大的工作量，由于未对数据进行统一标准化的管理，数据利用率很低。
发明内容
本发明旨在克服上述缺陷，目的是提供一种半自动化数据收集，故障数据自动上传、故障数据存储，数据利用率较高，可对故障进行预测一种矿用自卸车故障收集、存储和预测系统。
为了实现上述目的，本发明采用的技术方案是：
一种矿用自卸车故障收集、存储和预测系统，包括矿用自卸车故障数据收集模块、矿用自卸车故障数据存储库、矿用自卸车故障数据库编码模块和矿用自卸车故障预测模块；所述矿用自卸车故障数据收集模块与矿用自卸车故障数据存储库的输入端相连，矿用自卸车故障数据收集模块将收集的故障数据传输到矿用自卸车故障数据存储库中；所述矿用自卸车故障数据存储库的输出端与矿用自卸车故障数据库编码模块的输入端相连，矿用自卸车故障数据存储库中的数据送入到矿用自卸车故障数据库编码模块中进行编码；所述矿用自卸车故障数据库编码模块的输出端与矿用自卸车故障预测模块相连，矿用自卸车故障数据库编码模块将编码后的故障数据送入矿用自卸车故障预测模块，矿用自卸车故障预测模块用于预测故障的发生以及故障解决策略。
进一步，所述矿用自卸车故障数据收集模块包括手机APP和GPS；人工收集的矿用自卸车故障数据通过手机APP上传；矿用自卸车本体的故障数据通过GPS上传。
进一步，所述矿用自卸车故障数据存储库包括车况信息、故障描述和故障解决策略；其中，所述车况信息是矿用自卸车日常工作的参数记录；所述故障描述是在特定的参数记录下出现的故障描述；所述故障解决策略是基于某个特定故障下的故障解决策略。
进一步，所述矿用自卸车故障数据库编码模块包括车况信息编码、故障编码和故障解决策略编码。
进一步，所述矿用自卸车故障预测模块包括决策树模型和故障训练模型；其中，所述决策树模型是采用树形数据结构处理故障数据；所述故障训练模型是具备边学习边预测功能的；所述矿用自卸车故障预测模块中具有输入和输出端口，对于相同型号的矿用自卸车投入使用，输入其车况信息，即可预测可能发生的故障以及故障解决策略。
一种矿用自卸车故障收集、存储和预测方法，方法如下：
通过矿用自卸车故障数据收集模块将矿用自卸车的车况信息和保养记录自动传输到矿用自卸车故障数据存储库中，然后矿用自卸车故障数据编码模块对故障数据库数据进行编码，将编码后的故障数据送入矿用自卸车故障预测模块中，进行机器学习，随着车况信息的不断增多，训练的故障模型预测能力会不断增强，矿用自卸车故障预测模块根据矿用自卸车的车况信息，即可预测该车的可能故障。
进一步，在矿用自卸车故障收集模块中：
当矿用自卸车发往矿山后，驻外人员通过对车辆的定期检查，发现故障后，会通过手机APP进行故障数据收集，并且还能够通过手机APP上传故障照片和故障描述和车况信息；技术人员会立即响应并给出解决方案，对应的故障解决方案也会更新在手机APP中，然后驻外人员按照手机APP更新的故障解决方案处理相应的故障；同时，矿用自卸车内在的传感器也会出现相应的故障，这些故障通过GPS传输，GPS也会传输故障描述和车况信息；手机APP和GPS收集的数据会统一地自动地传输到矿用自卸车故障数据存储库中。
进一步，在矿用自卸车故障数据存储库中：
从手机APP和GPS收集的故障数据，统一按照固定的数据格式，存储在矿用自卸车数据存储库中，在矿用自卸车故障数据存储库中，列名称包括车况信息、故障描述和故障解决策略；车况信息包括工况信息、试验时间、有效试验时间、公里数、有效试验公里数车况信息；故障描述是对单一故障的描述：风扇皮带移位故障、举升回油过滤器堵塞报警故障；故障解决策略是针对对应的故障描述提出的解决策略。
进一步，在矿用自卸车故障数据库编码模块：
由于矿用自卸车故障数据库中的数据机器学习模型识别不了，需要对矿用自卸车数据故障存储库的数据进行编码，基于python软件平台，编写特定的代码，其会自动将矿用自卸车故障数据库的数据按照特定的格式进行标签编码；
编码格式如下：矿用自卸车故障数据存储库中的车况信息、故障描述和故障解决策略全部采用标签编码，标签编码就是根据字符串形式，为其制定一个数字标签；标签编码方式如下：路况平坦编码为0，路况颠簸编码为1，路面泥泞编码为2；将故障描述进行标签编码：车架开裂开裂编码为数字301：3代表车架，01代表断裂故障；将故障解决方案编码：车架倒角过小，需增大倒角角度，3代表对于车架系列的故障解决策略，301代表针对于故障描述中301故障描述提出的故障解决策略。
进一步，在矿用自卸车故障预测模块中：
矿用自卸车故障数据库编码模块已经将矿用自卸车的数据存储库中的数据编码成机器学习所需的数据格式；构建决策树模型通常需要三个步骤：1特征选择；2决策树生成；3决策树减枝。本故障预测模块是基于DecisionTreeClassifier实现分类决策树；矿用自卸车故障预测模型建立好之后，新下线的量产的矿用自卸车发往矿山，可以输入：X_Predict＝[0,2,1.5,20,14]，其中0-道路平坦，2-试验时间，1.5-有效试验时间，20-公里数，14有效公里数；矿用自卸车故障预测模块会显示：y_Predict＝[301,3301]，其中301-车架开裂，302-车架倒角过小，需增大倒角角度，这样，该车可能在某个节点出现的故障，公司的驻外人员即可提前检查可能会发生故障的位置，从而降低公司的风险成本。
本发明有益效果：
由于采用上述方案，提供了一种半自动化数据收集，故障数据自动上传、故障数据存储，数据利用率较高，可对故障进行预测一种矿用自卸车故障收集、存储和预测系统，尽可能提前预测故障，对可能发生故障的位置进行检修和保养，避免不必要的经济损失。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。下面结合附图及实施例对本发明进行详细说明。
图1为一种矿用自卸车故障收集、存储和预测系统流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。
如图1所示，一种矿用自卸车故障收集、存储和预测系统包括：矿用自卸车故障数据收集模块、矿用自卸车故障数据存储库、矿用自卸车故障数据库编码模块和矿用自卸车故障预测模块。
矿用自卸车故障数据收集模块将收集的故障数据传输到矿用自卸车故障数据存储库中，矿用自卸车故障数据存储库中的数据送入到矿用自卸车故障数据库编码模块中进行编码，然后将编码后的故障数据送入矿用自卸车故障预测模块。
矿用自卸车故障数据收集模块包括手机APP和GPS；人工收集的矿用自卸车故障数据通过手机APP上传；矿用自卸车本体的故障数据通过GPS上传。
矿用自卸车故障数据存储库包括车况信息、故障描述和故障解决策略；矿用自卸车故障数据存储库的车况信息是矿用自卸车日常工作的参数记录；故障描述是在特定的参数记录下出现的故障描述；故障解决策略是基于某个特定故障下的故障解决策略。
矿用自卸车故障数据库编码模块包括车况信息编码、故障编码和故障解决策略编码。矿用自卸车故障预测模块包括决策树模型和故障训练模型。
矿用自卸车故障预测模块中，为了提高模型的预测效率，采用树形数据结构处理故障数据；建立的模型是具备边学习边预测功能的故障训练模型。矿用自卸车故障预测模块中具有输入和输出端口，对于相同型号的矿用自卸车投入使用，输入其车况信息，即可预测可能发生的故障以及故障解决策略。
一种矿用自卸车故障收集、存储和预测方法，通过矿用自卸车故障数据收集模块将矿用自卸车的车况信息和保养记录自动传输到矿用自卸车故障数据存储库中，然后矿用自卸车故障数据编码模块对故障数据库数据进行编码，将编码后的故障数据送入矿用自卸车故障预测模块中，进行机器学习，随着车况信息的不断增多，训练的故障模型预测能力会不断增强，矿用自卸车故障预测模块根据矿用自卸车的车况信息，即可预测该车的可能故障。
在矿用自卸车故障收集模块中：当矿用自卸车发往矿山后，驻外人员通过对车辆的定期检查，发现故障后，会通过手机APP进行故障数据收集，并且还能够通过手机APP上传故障照片和故障描述和车况信息；技术人员会立即响应并给出解决方案，对应的故障解决方案也会更新在手机APP中，然后驻外人员按照手机APP更新的故障解决方案处理相应的故障；同时，矿用自卸车内在的传感器也会出现相应的故障，这些故障通过GPS传输，GPS也会传输故障描述和车况信息；手机APP和GPS收集的数据会统一地自动地传输到矿用自卸车故障数据存储库中。
在矿用自卸车故障数据存储库中：从手机APP和GPS收集的故障数据，统一按照固定的数据格式，存储在矿用自卸车数据存储库中，在矿用自卸车故障数据存储库中，列名称包括车况信息、故障描述和故障解决策略；车况信息包括工况信息、试验时间、有效试验时间、公里数、有效试验公里数车况信息；故障描述是对单一故障的描述：风扇皮带移位故障、举升回油过滤器堵塞报警故障；故障解决策略是针对对应的故障描述提出的解决策略。具体的矿用自卸车数据存储库格式如下表：
表1矿用自卸车故障数据存储库
在矿用自卸车故障数据库编码模块：由于矿用自卸车故障数据库中的数据机器学习模型识别不了，需要对矿用自卸车数据故障存储库的数据进行编码，基于python软件平台，编写特定的代码，其会自动将矿用自卸车故障数据库的数据按照特定的格式进行标签编码。
编码格式如下：矿用自卸车故障数据存储库中的车况信息、故障描述和故障解决策略全部采用标签编码，标签编码就是根据字符串形式，为其制定一个数字标签；标签编码方式如下：路况平坦编码为0，路况颠簸编码为1，路面泥泞编码为2；将故障描述进行标签编码：车架开裂开裂编码为数字301：3代表车架，01代表断裂故障；将故障解决方案编码：车架倒角过小，需增大倒角角度，3代表对于车架系列的故障解决策略，301代表针对于故障描述中301故障描述提出的故障解决策略。
表2矿用自卸车数据编码格式
在矿用自卸车故障预测模块中：矿用自卸车故障数据库编码模块已经将矿用自卸车的数据存储库中的数据编码成机器学习所需的数据格式；构建决策树模型通常需要三个步骤：1特征选择；2决策树生成；3决策树减枝。本故障预测模块是基于DecisionTreeClassifier实现分类决策树；
矿用自卸车故障预测模型建立好之后，新下线的量产的矿用自卸车发往矿山，可以输入：X_Predict＝[0,2,1.5,20,14]，其中0-道路平坦，2-试验时间，1.5-有效试验时间，20-公里数，14有效公里数；
矿用自卸车故障预测模块会显示：y_Predict＝[301,3301]，其中301-车架开裂，302-车架倒角过小，需增大倒角角度，这样，该车可能在某个节点出现的故障，公司的驻外人员即可提前检查可能会发生故障的位置，从而降低公司的风险成本。
由于采用上述方案，在试验过程中，通过对数据的半自动化收集，自动化数据存储和故障预测，对投入市场使用的矿用自卸车尽可能进行故障点进行检查和保养，极大的降低劳动量，降低风险成本。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (1)
1.一种矿用自卸车故障收集、存储和预测方法，其特征在于：采用矿用自卸车故障收集、存储和预测系统实现，所述矿用自卸车故障收集、存储和预测系统包括矿用自卸车故障数据收集模块、矿用自卸车故障数据存储库、矿用自卸车故障数据库编码模块和矿用自卸车故障预测模块；
所述矿用自卸车故障数据收集模块与矿用自卸车故障数据存储库的输入端相连，矿用自卸车故障数据收集模块将收集的故障数据传输到矿用自卸车故障数据存储库中；
所述矿用自卸车故障数据存储库的输出端与矿用自卸车故障数据库编码模块的输入端相连，矿用自卸车故障数据存储库中的数据送入到矿用自卸车故障数据库编码模块中进行编码；
所述矿用自卸车故障数据库编码模块的输出端与矿用自卸车故障预测模块相连，矿用自卸车故障数据库编码模块将编码后的故障数据送入矿用自卸车故障预测模块，矿用自卸车故障预测模块用于预测故障的发生以及故障解决策略；
所述矿用自卸车故障数据收集模块包括手机APP和GPS；人工收集的矿用自卸车故障数据通过手机APP上传；矿用自卸车本体的故障数据通过GPS上传；
所述矿用自卸车故障数据存储库包括车况信息、故障描述和故障解决策略；
其中，所述车况信息是矿用自卸车日常工作的参数记录；
所述故障描述是对单一故障的描述：风扇皮带移位故障、举升回油过滤器堵塞报警故障；
故障解决策略是针对对应的故障描述提出的解决策略；
所述矿用自卸车故障数据库编码模块包括车况信息编码、故障编码和故障解决策略编码；
所述矿用自卸车故障预测模块包括决策树模型和故障训练模型；
其中，所述决策树模型是采用树形数据结构处理故障数据；
所述故障训练模型是具备边学习边预测功能的；
所述矿用自卸车故障预测模块中具有输入和输出端口，对于相同型号的矿用自卸车投入使用，输入其车况信息，即可预测可能发生的故障以及故障解决策略；
通过矿用自卸车故障数据收集模块将矿用自卸车的车况信息和保养记录自动传输到矿用自卸车故障数据存储库中，然后矿用自卸车故障数据编码模块对故障数据库数据进行编码，将编码后的故障数据送入矿用自卸车故障预测模块中，进行机器学习，随着车况信息的不断增多，训练的故障模型预测能力会不断增强，矿用自卸车故障预测模块根据矿用自卸车的车况信息，即可预测该车的可能故障；
在矿用自卸车故障收集模块中：
当矿用自卸车发往矿山后，驻外人员通过对车辆的定期检查，发现故障后，会通过手机APP进行故障数据收集，并且还能够通过手机APP上传故障照片和故障描述和车况信息；技术人员会立即响应并给出解决方案，对应的故障解决方案也会更新在手机APP中，然后驻外人员按照手机APP更新的故障解决方案处理相应的故障；
同时，矿用自卸车内在的传感器也会出现相应的故障，这些故障通过GPS传输，GPS也会传输故障描述和车况信息；
手机APP和GPS收集的数据会统一地自动地传输到矿用自卸车故障数据存储库中；
在矿用自卸车故障数据存储库中：
从手机APP和GPS收集的故障数据，统一按照固定的数据格式，存储在矿用自卸车数据存储库中，在矿用自卸车故障数据存储库中，列名称包括车况信息、故障描述和故障解决策略；
车况信息包括工况信息、试验时间、有效试验时间、公里数、有效试验公里数车况信息；
在矿用自卸车故障数据库编码模块：
由于矿用自卸车故障数据库中的数据机器学习模型识别不了，需要对矿用自卸车数据故障存储库的数据进行编码，基于python软件平台，编写代码，其会自动将矿用自卸车故障数据库的数据进行标签编码；
编码格式如下：矿用自卸车故障数据存储库中的车况信息、故障描述和故障解决策略全部采用标签编码，标签编码就是根据字符串形式，为其制定一个数字标签；
标签编码方式如下：路况平坦编码为0，路况颠簸编码为1，路面泥泞编码为2；
将故障描述进行标签编码：车架开裂开裂编码为数字301：3代表车架，01代表断裂故障；
将故障解决方案编码：车架倒角过小，需增大倒角角度，3代表对于车架系列的故障解决策略，301代表针对于故障描述中301故障描述提出的故障解决策略；
在矿用自卸车故障预测模块中：
矿用自卸车故障数据库编码模块已经将矿用自卸车的数据存储库中的数据编码成机器学习所需的数据格式；构建决策树模型通常需要三个步骤：1特征选择；2决策树生成；3决策树减枝；本故障预测模块是基于DecisionTreeClassifier实现分类决策树；
矿用自卸车故障预测模型建立好之后，新下线的量产的矿用自卸车发往矿山，可以输入：X_Predict = [0,2,1.5,20,14] ，其中0-道路平坦，2-试验时间，1.5-有效试验时间，20-公里数，14有效公里数；
矿用自卸车故障预测模块会显示：y_ Predict = [301,3301]，其中301-车架开裂，302-车架倒角过小，需增大倒角角度，这样，该车可能在某个节点出现的故障，公司的驻外人员即可提前检查可能会发生故障的位置，从而降低公司的风险成本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010370100.9A CN111597395B (zh) | 2020-04-30 | 2020-04-30 | 一种矿用自卸车故障收集、存储和预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010370100.9A CN111597395B (zh) | 2020-04-30 | 2020-04-30 | 一种矿用自卸车故障收集、存储和预测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111597395A CN111597395A (zh) | 2020-08-28 |
| CN111597395B true CN111597395B (zh) | 2024-05-03 |
Family
ID=72192081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010370100.9A Active CN111597395B (zh) | 2020-04-30 | 2020-04-30 | 一种矿用自卸车故障收集、存储和预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111597395B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080059120A1 (en) * | 2006-08-30 | 2008-03-06 | Fei Xiao | Using fault history to predict replacement parts |
| CN106203642A (zh) * | 2016-07-18 | 2016-12-07 | 王力 | 一种电力机车故障预测及健康管理的方法 |
| CN108763002A (zh) * | 2018-05-25 | 2018-11-06 | 郑州云海信息技术有限公司 | 基于机器学习预测cpu故障的方法及系统 |
-
2020
- 2020-04-30 CN CN202010370100.9A patent/CN111597395B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080059120A1 (en) * | 2006-08-30 | 2008-03-06 | Fei Xiao | Using fault history to predict replacement parts |
| CN106203642A (zh) * | 2016-07-18 | 2016-12-07 | 王力 | 一种电力机车故障预测及健康管理的方法 |
| CN108763002A (zh) * | 2018-05-25 | 2018-11-06 | 郑州云海信息技术有限公司 | 基于机器学习预测cpu故障的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111597395A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105761010A (zh) | 基于实时数据采集的集团企业稽核实时监控方法及系统 | |
| RU2008115472A (ru) | Беспроводная система для автоматического заказа деталей для технического обслуживания оборудования | |
| CN103116824A (zh) | 一种露天矿山车辆调度方法与系统 | |
| CN201943686U (zh) | 油井故障实时预警系统 | |
| CN104951857A (zh) | 基于电网gis的气象数据调用与预处理方法及系统 | |
| CN102201075A (zh) | 矿用物流综合管理系统 | |
| CN106444678A (zh) | 一种冶金企业能源管理系统及方法 | |
| CN111597395B (zh) | 一种矿用自卸车故障收集、存储和预测系统及方法 | |
| CN113313380A (zh) | 一种基于gis技术的交通安全设施摆放辅助系统 | |
| CN107564272B (zh) | 一种基于记录仪管理平台的终端上报报警的自动处警装置及处警方法 | |
| CN115099738A (zh) | 一种干散货码头安全智能监测平台的数字孪生体系统 | |
| CN201732278U (zh) | 一种港口能源实时管理考核智能解决系统 | |
| CN115129030A (zh) | 一种基于模型与神经网络组合的无人机故障诊断系统 | |
| CN214175270U (zh) | 一种基于物联网技术的页岩气环保监测与环境预警系统 | |
| CN102023600B (zh) | 土石坝施工坝料运输车的加水量监控系统及其监控方法 | |
| CN111435473A (zh) | 一种基于区块链的智能物流仓储系统及方法 | |
| CN209859006U (zh) | 一种基于物联网的危险固体废弃物储运及监控管理装置 | |
| CN112100263A (zh) | 一种铁路编组站运输分析智能决策支持系统及分析方法 | |
| CN109544964A (zh) | 一种无人驾驶车的航线传输系统 | |
| CN116185932A (zh) | 综采工作面智能服务系统 | |
| CN104715331A (zh) | 一种石材矿山叉装车远程维护计划动态调整系统及方法 | |
| CN108710360A (zh) | 冶金用特种车辆的远程信息采集方法及远程状态监控方法 | |
| CN103809579A (zh) | 由中心提取各车辆状态信息的方法 | |
| Yu et al. | A decision-support model for operational planning of surface coal mining considering equipment failure | |
| CN205015698U (zh) | 基于物联网技术的坝料运输车辆空满载状态监控系统 |
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 |