发明内容
针对上述问题,本发明提供一种矿车车辆安全评估预测方法、终端设备和可读存储介质。
根据本发明的一个方面,本发明的一种矿车车辆安全评估预测方法,包括:
对矿车车辆运行现场中影响车辆行驶安全的各种因素信息进行数据采集,并根据采集到的数据构建矿车车辆的安全运行指数计算模型;
根据现场车辆各自采集的实时数据,利用所述安全运行指数计算模型计算现场车辆当前各自的安全运行指数;
收集现场所有车辆的历史和当前的安全运行指数,根据收集到的指数计算衡量现场总体安全态势的交通安全指数,并通过拟合推算未来指定时间的交通安全指数,以对现场总体安全趋势进行预测。
根据本发明的一个实施例,上述影响车辆行驶安全的各种因素信息包括生产因素信息、环境因素信息、车辆因素信息和人为因素信息。
根据本发明的一个实施例,所述生产因素信息包括场内车辆类型、运输车辆数量、开采计划、运输计划;所述环境因素信息包括当前地区的天气实时数据及天气预测数据、车辆行驶路面环境的相关信息、车辆行驶的位置信息;所述车辆因素信息包括车辆行驶的速度信息、车辆行驶的胎压信息、车辆行驶的位置信息、车辆行驶的碰撞信息;所述人为因素信息包括车辆驾驶员安全带使用情况信息、车辆驾驶员疲劳驾驶的状态信息、车辆驾驶员接打电话使用手机的状态信息。
根据本发明的一个实施例,根据采集到的数据构建矿车车辆的安全运行指数计算模型,包括以下步骤:
根据不同种类因素对车辆安全运行的影响,对各种因素信息的权重进行初始化赋值;
基于各种因素信息的权重初始值,利用优化的AdaBoost算法,进行安全运行指数计算模型的模型训练,以确定安全运行指数计算模型;其中,模型训练结果为基于车辆碰撞次数生成的安全行驶结果。
根据本发明的一个实施例,基于各种因素信息的权重初始值,利用优化的AdaBoost算法,进行安全运行指数计算模型的模型训练,以确定安全运行指数计算模型,包括以下步骤:
针对不同种类的因素信息,利用优化的Adaboost算法进行多轮迭代计算的权重调整,直到误差值小于给定阈值,从而生成各种因素信息下的安全指数的组合分类器;
将各种因素信息下的安全指数的组合分类器合成矿车车辆的安全运行指数计算模型。
根据本发明的一个实施例,根据下式,将各种因素下的安全指数的组合分类器合成为针对现场运行环境的安全运行指数计算模型:
f(x)=sign(∑p(x))*|∏p(x)|,
其中,p(x)为各种因素下的安全指数的组合分类器。
根据本发明的一个实施例,以四边形雷达图的形式展示各种因素信息下的安全指数。
根据本发明的一个实施例,所述拟合为基于线性回归算法的线性拟合。
此外,本发明还提供一种存储介质,其上存储有计算机程序,其特征在于,所述存储介质存储有计算机程序,所述计算机程序可以被一个或多个处理器执行,以实现如上所述的智能硬件防误碰方法。。
此外,本发明还提供一种用于实施矿车车辆安全评估预测方法的终端设备,包括车辆定位模块、车速采集模块、图像采集模块、重力感应模块、音频采集模块和网络接收模块以及如上所述的存储介质。
与现有技术相比,本发明的上述方案中的一个或多个实施例可以具有如下优点或有益效果:
本发明的核心是提供一种露天矿车辆安全评估预测的方法、终端设备和可读存储介质,以实现对露天矿厂车辆交通安全情况的计算与预警,从而降低安全风险,避免生命、健康、财产损失。
本发明的其它特征和优点将在随后的说明书中阐述,并且部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所特别指出的结构来实现和获得。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将结合附图及实施例来详细说明本发明的实施方法,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
本实施例提供一种用于实现矿车车辆安全评估预测方法的终端设备。该设备主要包含GIS定位模块、蓝牙连接模块、图像采集模块、重力感应模块、音频采集模块和网络接收模块以及存储介质,并基于其包含的存储介质上的程序指令,通过运用大数据分析技术与数据挖掘、机器学习算法,实现对矿场运输车辆当前的安全状态评估,以及对矿场现场整体交通运行状态的评估与预测,从而为指导矿场管理者实现车辆的协调和优化调度提供决策依据。
在具体应用时,可将上述设备安装于各个车辆的前挡风玻璃之上,并通过设备所具备的功能模块对矿场现场的生产因素、环境因素、车辆因素及人为因素信息进行数据采集,然后利用预设的算法模型对采集到的数据进行计算处理,计算出矿车车辆当前的安全运行指数。然后,通过对场内所有车辆设备的数据进行汇总采集,利用预设的算法模型计算出评估矿场现场当前整体安全态势的交通安全指数,并由此进行趋势预测。
如图1所示是矿车车辆安全评估预测方法的步骤流程图。
具体应用时,利用终端设备对矿场现场的生产因素、环境因素、车辆因素及人为因素信息进行数据采集的过程可以如下所述。
对生产因素数据进行采集:
基于设备内置的嵌入式报表模块,通过网络传输功能,同步矿场生产管理系统内的生产日报、生产月报及生产年报数据,主要数据信息包括:场内车辆类型、运输车辆数量、开采计划、运输计划等。
对环境因素数据进行采集:
基于设备内置的嵌入式报表模块,通过网络传输功能,同步当前地区的天气实时数据及天气预测数据。
基于设备内置的重力感应模块,实时收集车辆在当前路面行驶状态下的颠簸状态及程度,从而通过计算获得路面环境相关的信息数据。
基于设备内置的GIS定位模块,实时获取车辆行驶的位置信息,并对场内全部设备的定位信息进行汇总,从而计算获取场内的交通网络地图数据。
对车辆因素数据进行采集:
基于设备内置的蓝牙模块,连接并读取车辆的OBD运行信息(车辆已安装OBD蓝牙发射装置),获取车辆行驶速度数据。
基于设备内置的蓝牙模块,连接并读取车辆的胎压信息(车辆轮胎已安装内置或外置胎压监测蓝牙发射装置),获取车辆行驶的胎压数据。
基于设备内置的GIS定位模块,实时获取车辆行驶的位置信息。
基于设备内置的重力感应模块,实时收集车辆的碰撞信息。
对人为因素数据进行采集:
基于设备内置的图像采集模块,对车内驾驶舱进行定时图像采集,并通过图像分析算法,判断驾驶员安全带使用情况数据、驾驶员疲劳驾驶状态数据、接打电话使用手机的状态数据。
基于设备内置的音频采集模块,对车内驾驶舱进行音频数据的触发采集,通过音频分析算法,辅助判断驾驶员在驾驶过程中的接打电话使用手机的状态数据。
在对生产因素、环境因素、车辆因素及人为因素信息进行数据采集后,根据不同因素对车辆的安全运行指数的影响,对各种因素信息的权重进行初始化。具体应用时,可以利用例如K邻近、线性回归、正态分布及人工权重赋值等方法对各个因素的权重数据进行量化,即对权重进行初始赋值。
然后,通过优化的聚类模型训练构建针对现场运行环境的安全运行指数计算模型。具体应用时,可以利用优化的Adaboost算法,对训练样例生成多个弱生成器,并通过合成为强生成器的算法方式,最终形成低误差率的针对矿场现场运行环境的安全指数计算模型。
根据现场车辆各自设备所采集的数据,基于安全指数计算模型函数计算车辆各自当前的安全运行指数,并利用内置报表工具(例如以四边行雷达图的形式)进行图形化直观展示。
最后,通过对现场车辆的历史数据的同步汇总,基于线性回归算法,对矿场现场的安全态势及趋势进行分析及预测,并基于内置报表工具(例如以折线图与柱状图结合的形式)对矿场安全态势及趋势进行直观展示。
实施例二
为了使本技术领域的人员更好地理解本发明方案,下面将通过更详细的矿车车辆安全评估预测方法的实施过程对本发明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发明一部分实施例,而不是全部的实施例。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。
在本实施例中,所述矿车车辆安全评估预测方法包括以下步骤。
S1:数据采集实施方式
S11:定时的利用设备网络传输协议,通过预置的与设备识别码绑定的身份认证Token,获取矿场生产调度指挥系统的身份识别与权限确认,基于系统返回的认证确认Token同步并下载矿场生产调度指挥系统内本年度的生产日报、生产月报及生产年报报表压缩加密数据;数据存储至设备内置的存储介质中,并基于内置预装的嵌入式报表模块,对采集获取的报表数据进行反向解压缩及解密。读取场内车辆类型、运输车辆数量、开采计划、运输计划数据,最终生成以下格式的序列化数据,存储在设备内置存储介质中:【日期,指标,指标值】(比如【20200801,开采计划(吨),600】,【20200801,200吨卡车,10】)。
S12:利用设备网络传输协议,通过预置的网络访问读取路径,以当前GIS坐标及设备当前日期时间作为访问调用参数,定时以固定的数据格式及数据服务调用方法(比如:getweather(“‘116°20',’39°56',20200801,‘℃’,‘mm’,’m/s’”)),获取指定气象数据服务源的气象数据,并对返回结果以下格式的序列化数据,存储在设备内置存储介质中:【日期,时间,地点,温度】(比如【20200801,10:30:00,“北京”,39】)。
S13:实时读取设备重力感应模块的重力反馈数据及水平反馈数据,并对读取结果以下格式的序列化数据,存储在设备内置存储介质中:【日期,时间,设备ID,感应方向,X轴,Y轴,Z轴】(比如【20200801,10:30:00.6,15,20,10】);
S14:实时读取设备GIS定位模块的GIS数据,并对读取结果以下格式的序列化数据,存储在设备内置存储介质中:【日期,时间,设备ID,经度,维度】(比如【20200801,10:30:00,SH100000229232X,‘116°20',’39°56'】)。
S15:通过设备蓝牙接收装置,连接并实时读取车辆OBD设备蓝牙发射器发出的车辆车速数据,并对读取数据以下格式的序列化数据,存储在设备内置存储介质中:【日期,时间,设备ID,车速(km/h)】(比如【20200801,10:30:00,SH100000229232X,55】)。
S16:通过设备蓝牙接收装置,连接并实时读取车辆行驶的胎压监测设备蓝牙发射器发出的车辆轮胎胎压数据,并对读取数据以下格式的序列化数据,存储在设备内置存储介质中:【日期,时间,设备ID,轮胎位置,胎压值】(比如【20200801,10:30:00,SH100000229232X,左前1,29】)。
S17:通过设备蓝牙接收装置,连接并实时读取车辆行驶的胎压监测设备蓝牙发射器发出的车辆轮胎胎压数据,并对读取数据以下格式的序列化数据,存储在设备内置存储介质中:【日期,时间,设备ID,轮胎位置,胎压值】(比如【20200801,10:30:00,SH100000229232X,左前1,29】)。
S18:定时读取通过图像采集模块采集并存储在设备存储介质内的图片数据,基于内置的图形识别算法,生成判断驾驶员安全带佩戴状态及驾驶员动作的识别结果数据,并对结果数据以下格式的序列化数据,存储在设备内置存储介质中:【日期,时间,设备ID,安全带佩戴(是/否/未知),驾驶员动作(吸烟/电话/饮水/正常/。。。)】(比如【20200801,10:30:00,SH100000229232X,是,吸烟】)。
S19:定时读取通过设备音频采集模块采集并存储在设备存储介质内的音频数据,基于音频转文字后的文字内容识别算法,生成判断车内人员语音交流的识别结果数据,并对结果数据以下格式的序列化数据,存储在设备内置存储介质中:【日期,时间,设备ID,语音内容,)】(比如【20200801,10:30:00,SH100000229232X,“我车目前即将进场请协助进行指挥”,“通话”】)。
S2:四类因素数据安全影响权重初始化
S21:生产环境因素权重值:
对场内一年内日运输车辆数量、日开采计划量及日运输计划量序列化数据分别计算均值μ及标准差σ。然后计算当前日期下的权重值:
对属于正态分布下68.2%以内的当日运输车辆数量、当日开采计划量或当日运输计划量序列化数据的算术平均值记作权重0,即各指标该指标值范围内(0,μ+1.96σ)的w(日运输车辆数量)=0,w(日开采计划量)=0,w(日运输计划量)=0。
数值V(当日运输车辆数量or当日开采计划量or日运输计划量)超过μ+1.96σ的,w=【V-(μ+1.96σ)】/μ
当日生产环境最终权重w(生产)=【w(日运输车辆数量)+w(日开采计划量)+w(日运输计划量)】/3
#注:可选的,车辆类型数据可通过w(日运输车辆载重)=∑(V(车辆载重)*V(该载重车辆数量))/μ(年平均车辆载重总量)的统计加权方式对w(日运输车辆数量)权重值进行调整,即w’(日运输车辆数量)=w(日运输车辆载重)*w(日运输车辆数量)。
S22:计算环境因素权重值:
针对气象数据信息设置符合矿场实际情况的人工阈值,即风力TH(风速)=a米/秒,TH(降水量)=b毫米,TH(降雪量)=c毫米,当实时天气数据高于人工阈值,则设置w为1,即w(风力)=1或w(降水量)=1或w(降雪量)=1。对于实时天气低于人工阈值的情况,则赋值为0。因此最终w(天气)=【w(风力)+w(降水量)+w(降雪量)】/3
针对路况情况计算信息,将根据采集的重力垂直反馈数据值信息进行计算,首先根据设备采集的相邻重力坐标(X1,Y1,Z1)与(X2,Y2,Z2)的差值,基于设备内置加速度计算函数,计算水平加速度数据及垂直加速度数据,基于设备内置的碰撞检测函数计算碰撞发生情况。
当出现碰撞,即V(碰撞次数)>=1,则直接设置本设备的安全行驶指数为-1。
对水平加速度数据以原点为初始值,基于k-means聚类算法进行聚类模型生成训练,形成K个不同的数据值聚类分组,针对不同的垂直位移加速度(颠簸程度)进行分类,越颠簸的路况对安全指数影响权重越高。最终的路况权重值计算方式为:w(路况)=D(当前簇中心距远点距离)/D(簇中心距远点距离最大值)
最终环境因素权重w(环境)=【w(天气)+w(路况)】/2
S24:计算车辆因素权重值:
因为矿场内行驶路线的可变性较大,因此通过对短时间(一周内)数据进行模拟训练,以确保算法的高可靠性。首先对一周内所有设备采集的GIS经纬度数据组合进行无属性化汇聚,形成【(X1,Y1),(X2,Y2)....(Xn,Yn)】,首先以矿场运输重要路口的经纬度坐标作为输入起始点,对采集的GIS数据组基于K-means算法进行聚类模型生成训练,最终形成N个分段分块的路径分组集合,可以理解为每一集合为矿场内的路段行驶单元;然后对每一个分组集合内的坐标集,通过线性回归算法的最小二乘法方式计算回归函数的w和b值。而该函数的图形化表示含义即为系统默认的该路段形式单元内正常合规行驶路径。通过计算实时车辆实际GIS坐标P与所属的统计计算的各坐标范围集合的分段回归函数生成的拟合路线l的垂直距离,计算车辆当前的偏移距离p,并统计当日该车辆的偏移均值a=∑p/N(GIS采集量)。
最后,对一周内所有设备的偏移均值进行正态分布模拟,计算总体偏移均值μ及标准差σ。然后计算当前日期下的行驶权重值:值范围内(0,μ+1.96σ)的w(车辆GIS偏移)=0;偏移均值a超过μ+1.96σ的,w(车辆GIS偏移)=【a-(μ+1.96σ)】/μ。
针对车辆超速信息,首先设置场内速度阈值V,然后对采集的车辆实际速度数据进行差值计算,对实际速度大于限速阈值V的数据信息进行提取,并根据车速连续特性,对数据增加超速起始点标记,超速结束点标记,即数据格式变为:【日期,时间,设备ID,车速(km/h),标记】(比如【20200801,10:30:00,SH100000229232X,51,“起始”】。基于标记信息,生成N个超速行驶数据集合,通过对集合内相邻的数据的时间差值T及速度均值v,计算每个集合内超速起始与超速结束两数据见的超速行驶距离s(超速),以及当日总超速行驶距离S(超速)=∑s(超速)。
计算速度权重,w(速度)=S(超速)/S(总行驶里程)。
针对车辆行驶的胎压信息,首先设置不同车辆的胎压阈值V,然后对采集的车辆轮胎实际胎压数据的进行差值计算,对实际胎压大于阈值V的数据信息进行提取,并根据时间范围查询对应时间段的车辆速度信息,以计算在非正常胎压下的行驶距离S(非正常胎压),最后计算胎压影响安全权重,w(胎压)=S(非正常胎压)/S(总行驶里程)。
最后计算车辆因素影响安全权重值w(车辆)=【w(车辆GIS偏移)+w(速度)+w(胎压)】/3
S25:计算人为因素权重值:
人为因素主要包括安全带使用识别、手机使用识别以及驾驶员语音识别信息,该部分影响安全权重将通过人工设置次数阈值方式进行计算,即通过系统默认赋值或后期人工调整,对当V(安全带使用)=0或V(手机使用)=1等条件进行判定。例如,人工设置的日违规次数阈值v=10,实际日违规次数记为V(违规),权重值即w(人为)=【V(违规)-v】/V(违规)。
S3:生成安全指数计算模型函数
基于四类影响安全因素的权重初始值,利用优化的AdaBoost算法,进行安全指数计算模型函数的模型训练工作。其中训练结果为基于碰撞次数生成的安全行驶结果,该设备所属车辆出现碰撞,则本日安全行驶指数为-1,否则为1。对已采集的学习样例及每个样例的四类安全影响权重值,基于每类安全影响权重值数据的均值,计算每个样例的四类安全影响权重值的标准差S(生产)、S(环境)、S(车辆)及S(人为)。
对以上四种标准差数据集合作为样例数据值分别进行基于AdaBoost算法的迭代计算:
首轮针对S(生产)的训练样例信息如下:
序号 |
1 |
2 |
... |
n |
数据 |
S1(生产) |
S2(生产) |
|
S3(生产) |
安全 |
1 |
-1 |
|
1 |
权重 |
1/n |
1/n |
|
1/n |
根据Adaboost算法进行M轮迭代计算的权重调整,直到误差值em<0.3后,生成基于生产因素下的安全指数的组合分类器G.生产m(x),x为安全影响权重值的标准差S,并计算并存储该组合分类器的带正负的各个系数与安全结果的乘积:p.生产(x)=α.环境(x)*G.环境m(x)。
同上分别利用AdaBoost算法结合标准差数据获取另外三种分类器的系数:
p.环境(x)=α.环境(x)*G.环境m(x)
p.车辆(x)=α.车辆(x)*G.车辆m(x)
p.人为(x)=α.人为(x)*G.人为m(x)
基于以上训练结果,生成安全指数计算模型函数:f(x)=sign(∑p(x))*|∏p|。
四类p结果的乘积绝对值,以及由四类p结果加和得到的正负值定性,f(x)值范围属于【-1,1】。数值越小代表危险指数越高(安全指数越低),数值越大代表安全指数越高。
S4:车辆当前安全指数的图形化展示
基于内置的报表展示工具,通过对当前设备存储的当日数据进行以上计算分析处理,最终以四边形雷达图的形式展示基于四类因素分析计算下的安全情况,其图表数值坐标从中心点到顶点的数值范围为【0,2】,数值表示的计算方式为:p.生产(x)+1,p.环境(x)+1,p.车辆(x)+1,p.人为(x)+1。效果如图2所示:
该图形颜色面积越大表示当前安全指数越高。
S5:矿场安全态势及趋势进行分析及预测
基于生成的安全指数计算模型函数计算指数值基于时间序列的汇聚集合,通过旋转门压缩算法对指定时间段内数据进行有损压缩及拟合;同时基于线性回归算法,对以上指定时间段的最近的5%数据进行回归方程计算,并基于方程函数预测并计算未来(当前指定时间段的5%延长时间)的安全指数。最终以折线图形式直观展示矿场安全态势,效果如图3所示。
实施例三
本实施例提供一种存储介质,其上存储有计算机程序,所述存储介质存储有计算机程序,所述计算机程序可以被一个或多个处理器执行,以实现如权利要求前实施例所述的智能硬件防误碰方法。
需要说明的是,本发明实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的保护范围,仍须以所附的权利要求书所界定的范围为准。