CN112966927A - 运输设备运行管理的方法和装置 - Google Patents

Abstract

本发明公开了运输设备运行管理的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取目标路段的运行信息，所述运行信息包括：各个运输设备按照所述目标路段的运行速度通过所述目标路段的异常数据和执行时间；将所述各个运输设备的异常数据和执行时间输入机器学习模型进行自学习，依据自学习结果调整所述目标路段的运行速度；将调整后的运行速度发送至所述各个运输设备，以使所述各个运输设备再次进入所述目标路段时按照调整后的运行速度通过所述目标路段。该实施方式能够根据地面状况动态调整运输设备在目标路段的运行速度，保障运输设备平稳通过目标路段。

Description

运输设备运行管理的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种运输设备运行管理的方法和装置。

背景技术

运输设备运行地面环境需要平整，有很多库房较大，有些在通道等区域上地面无法平整，即使后期修复找平也存在坡度。而且在运行过程中重载运输设备对地面会造成不通程度的磨损，久而久之造成对地面的损坏，如不及时修，会造成运输设备运行过程中异常增加。目前现有技术都是通过为固定路段设定固定速度来保持运行。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

不能根据地面状况调节运输设备的运行速度，载货运输设备在不平整地面还是按照设定的固定速度运行容易导致晃动和掉货情况等异常出现。

发明内容

有鉴于此，本发明实施例提供一种运输设备运行管理的方法和装置，通过根据各个运输设备在目标路段的异常数据和执行时间调整目标路段的运行速度，能够根据地面状况动态调整运输设备在目标路段的运行速度，保障运输设备平稳通过目标路段。

为实现上述目的，根据本发明实施例的一个方面，提供了一种运输设备运行管理的方法，包括：

获取目标路段的运行信息，所述运行信息包括：各个运输设备按照所述目标路段的运行速度通过所述目标路段的异常数据和执行时间；

将所述各个运输设备的异常数据和执行时间输入机器学习模型进行自学习，依据自学习结果调整所述目标路段的运行速度；

将调整后的运行速度发送至所述各个运输设备，以使所述各个运输设备再次进入所述目标路段时按照调整后的运行速度通过所述目标路段。

可选地，所述异常数据包括：异常类型和异常系数；获取目标路段的运行信息之前，还包括：

获取所述各个运输设备按照所述目标路段的运行速度通过所述目标路段的异常事件，确定所述异常事件所属的异常类型；根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数。

可选地，所述异常事件是指，由于所述目标路段的运行场地异常而导致的事件。

可选地，根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数之前，还包括：设置每个异常类型的异常系数初始值；

根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数包括：当所述异常类型的出现频率和/或影响力大于设定上限阈值，则调增所述异常类型的异常系数初始值；当所述异常类型的出现频率和/或影响力小于设定下限阈值，则调减所述异常类型的异常系数初始值。

可选地，周期性获取目标路段的运行信息；将所述各个运输设备的异常数据和执行时间输入预训练的机器学习模型之前，还包括：

将所述运行信息中通过所述目标路段的开始时间和结束时间不在所述周期内的运输设备所对应的异常数据和执行时间剔除。

可选地，所述机器学习模型采用卷积神经网络，损失函数为sigmo id函数。

可选地，所述运输设备为自动引导运输车。

根据本发明实施例的再一个方面，提供一种运输设备运行管理的装置，包括：

数据获取模块，获取目标路段的运行信息，所述运行信息包括：各个运输设备按照所述目标路段的运行速度通过所述目标路段的异常数据和执行时间；

机器学习模块，将所述各个运输设备的异常数据和执行时间输入机器学习模型进行自学习，依据自学习结果调整所述目标路段的运行速度；

运行控制模块，将调整后的运行速度发送至所述各个运输设备，以使所述各个运输设备再次进入所述目标路段时按照调整后的运行速度通过所述目标路段。

可选地，所述异常数据包括：异常类型和异常系数；所述数据获取模块还用于，在获取目标路段的运行信息之前，获取所述各个运输设备按照所述目标路段的运行速度通过所述目标路段的异常事件，确定所述异常事件所属的异常类型；根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数。

可选地，所述异常事件是指，由于所述目标路段的运行场地异常而导致的事件。

可选地，所述数据获取模块还用于：在根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数之前，设置每个异常类型的异常系数初始值；

所述数据获取模块根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数包括：当所述异常类型的出现频率和/或影响力大于设定上限阈值，则调增所述异常类型的异常系数初始值；当所述异常类型的出现频率和/或影响力小于设定下限阈值，则调减所述异常类型的异常系数初始值。

可选地，所述数据获取模块周期性获取目标路段的运行信息；所述数据获取模块还用于：在所述机器学习模块将所述各个运输设备的异常数据和执行时间输入预训练的机器学习模型之前，将所述运行信息中通过所述目标路段的开始时间和结束时间不在所述周期内的运输设备所对应的异常数据和执行时间剔除。

可选地，所述机器学习模型采用卷积神经网络，损失函数为sigmo id函数。

可选地，所述运输设备为自动引导运输车。

根据本发明实施例的另一个方面，提供一种运输设备运行管理的电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例第一方面提供的方法。

根据本发明实施例的还一个方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例第一方面提供的方法。

上述发明中的一个实施例具有如下优点或有益效果：通过根据各个运输设备在目标路段的异常数据和执行时间调整目标路段的运行速度，能够根据地面状况动态调整运输设备在目标路段的运行速度，保障运输设备平稳通过目标路段。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是本发明实施例的运输设备运行管理的方法的主要流程示意图；

图2是本发明可选实施例中运输设备运行管理的方法的主要流程示意图；

图3是本发明实施例的运输设备运行管理的装置的主要模块的示意图；

图4是本发明实施例可以应用于其中的示例性系统架构图；

图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

根据本发明实施例的一个方面，提供了一种运输设备运行管理的方法。

图1是本发明实施例的运输设备运行管理的方法的主要流程示意图，如图1所示，运输设备运行管理的方法，包括：步骤S101、步骤S102和步骤S103。

步骤S101、获取目标路段的运行信息，所述运行信息包括：各个运输设备按照所述目标路段的运行速度通过所述目标路段的异常数据和执行时间。

运输设备是指能够执行运输任务的设备，例如货车、无人驾驶物流配送车、自动引导运输车(AGV)等。实际应用过程中，运输设备可以主动上报运行信息，为了便于各条运行信息所对应的路段，还可以在运行信息中携带路段的唯一标识，例如路段名称、路段编码等。运输设备可以直接将运行信息上报至用于执行本发明方法的执行主体。运输设备也可以将运行信息上传到数据库等位置，在步骤S101中从数据库等位置中获取目标路段的运行信息。

执行时间是指运输设备从进入目标路段开始、至行走完目标路段为止的时长。由于场地地面的复杂性、执行任务的特殊性等会造成运输设备多种异常，例如，地面晃动、地面不平整等。这些异常会影响运输设备的运行，延长运输设备通过路段的执行时间。获取这些执行时间和异常数据能够理解目标路段的地面状况，将获取的这些数据作为机器学习的输入数据，能够根据地面状况动态调整运输设备在目标路段的运行速度，保障运输设备平稳通过目标路段。

运输设备在运行过程中经过某些区域或多或少会发生某些异常，有的异常是系统处理任务导致的异常，有的是运输设备自身程序不完善导致，还有是由于运行场地间接导致异常的，比如说晃动、振幅、等异常。可选地，所述异常事件是指，由于所述目标路段的运行场地异常而导致的事件，即，仅获取运行场地原因导致的异常。实际应用过程中，可以对获取的异常事件进行分类，赋予不同的异常系数C。可选地，所述异常数据包括：异常类型和异常系数；获取目标路段的运行信息之前，还包括：获取所述各个运输设备按照所述目标路段的运行速度通过所述目标路段的异常事件，确定所述异常事件所属的异常类型；根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数。通常情况下，影响越大异常系数越高，例如晃动异常系数为C1，摩擦底板异常系数为C2，货架脱离异常系数为C3，C3>C2>C1。该异常系数是可变的，该异常系数可以是来自于统计该异常类型发生并处理完成后继续执行目标路径的执行时间来实时更新的。

在确定异常系数时，可以根据经验认为设定，或者根据函数确定。例如，目标路段A中存在一次异常，根据自定义一次线性函数f(x)＝0.35x+0.19(x为执行时间)确定该异常类型的异常系数f(x)。可选地，根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数之前，还包括：设置每个异常类型的异常系数初始值；根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数包括：当所述异常类型的出现频率和/或影响力大于设定上限阈值，则调增所述异常类型的异常系数初始值；当所述异常类型的出现频率和/或影响力小于设定下限阈值，则调减所述异常类型的异常系数初始值。通过更新预先设置的异常系数初始值得到异常系数，使得更新得到的异常系数更符合实际，且算法简单便于实现。

实际应用过程中，可以在每次运输设备执行完目标路段之后更新一次目标路段的运行速度，也可以周期性地根据每个周期内各个运输设备对应的运行信息更新目标路段的运行速度。在可选的实施例中，周期性获取目标路段的运行信息；将所述各个运输设备的异常数据和执行时间输入预训练的机器学习模型之前，将所述运行信息中通过所述目标路段的开始时间和结束时间不在所述周期内的运输设备所对应的异常数据和执行时间剔除。例如，每10分钟获取一次目标路段的运行信息，如果10分钟之内运输设备没有执行完目标路段，例如11、12分钟才能执行完成，那么将该运输设备的该条运行记录抛弃。再例如，每5分钟获取一次目标路段的运行信息，如果在当前信息获取周期内(例如6:00-6:05)运输设备A在目标路段有三次运行记录，且当前信息获取周期开始之时运输设备A已经正在执行第一次通行任务(即第一次运行记录中运输设备A通过目标路段的开始时间在6:00之前)，那么将运输设备A的第一条运行记录抛弃。实际应用过程中，可以设置较长的周期以保证大部分异常事件能够被获取并输入机器学习模型。如此能够在提高机器学习模型的预测准确性的基础上降低对系统计算资源的消耗，提高预测速度。

步骤S102、将所述各个运输设备的异常数据和执行时间输入机器学习模型进行自学习，依据自学习结果调整所述目标路段的运行速度。

机器学习模型的网络结构可以根据实际情况进行选择性设定。可选地，所述机器学习模型采用卷积神经网络，损失函数为sigmoid函数。机器学习模型的主要作用是预测调整后目标路段的运行速度。机器学习模型可以在预测的过程中不断进行训练优化，以提高预测准确性。

步骤S103、将调整后的运行速度发送至所述各个运输设备，以使所述各个运输设备再次进入所述目标路段时按照调整后的运行速度通过所述目标路段。

确定调整后的目标路段的运行速度后，若有运输设备需要在目标路段运行，则按照调整后的运行速度运行。示例性地，在当前信息获取周期内，根据目标道路的运行信息调整目标道路的运行速度之后，在下一个信息获取周期内，进入目标道路的运输设备按照调整后的运行速度在该目标道路上运行。

图2是本发明可选实施例中运输设备运行管理的方法的主要流程示意图。以下以AGV为例，结合图2对本发明实施例进行示例性说明。本实施例中，AGV指在路网中能够沿规定的导引路径行驶，具有安全保护以及各种移载功能的运输车。二维码导航的AGV运行地面环境需要平整，有很多库房较大，有些在通道等区域上地面无法平整，即使后期修复找平也存在坡度。而且在运行过程中重载AGV对地面会造成不通程度的磨损，久而久之造成对地面的损坏，如不及时修复，会造成AGV运行过程中异常增加。目前现有技术都是通过设定固定路段固定速度来保持运行，不能根据地面状况调节速度，载货AGV在不平整地面还是按照“载货速度”运行会出现晃动和掉货情况等异常出现。

本发明实施例利用机器学习和数据统计分析来动态调整运行场地中的AGV运行速度，主要分为以下两步：

(1)获取运行场地中每个路段或者每个区域的AGV异常次数和异常类型：AGV在运行过程中，由于场地地面的复杂性、执行任务的特殊性等会造成AGV多种异常，获取这些异常，然后进行分类，并且分类数据分析计算，得到每种异常的异常系数，实时计算实时更新该异常系数，该异常系数也作为学习的输入数据。

(2)获取统计每个路段执行的时间

根据AGV设定的运行速度范围(0.5m/s-1.5m/s，即最低速为0.5m/s，最高速为1.5m/s)，在这范围内动态调整道路的运行速度。实时统计每个AGV行走路段上报的执行时间，获取到每个路段的执行时间数据作为机器学习的训练输入数据。对于每个路段，AGV按照该路段初始的运行速度运行完成之后，计算该路段的执行时间(即走完该路段的时间)，将执行时间、异常数据输入机器学习模型，模型输出预测速度值(即调整后的运行速度)，AGV按照预测速度值再次在该执行路段上运行，统计该执行路段的执行时间后再次输入机器学习模型，如此往复。本实施例采用深度学习模型，模型采用卷积神经网络，损失函数为sigmod。将获取的数据输入训练好的网络模型，模型输出即为调整后的运行速度。该模型一直持续训练更新。

以上两点下面具体展开说：

第一点：获取每个区域的异常，AGV在运行过程中经过某些区域或多或少会发生某些异常，有的异常是系统处理任务导致的异常，有的是小车自身程序不完善导致，还有是由于运行场地间接导致异常的，比如说晃动、振幅、等异常。在本实施例中，获取运行场地原因导致的异常，并且进行分类，赋予不同的系数C(影响越大系数越高)，例如晃动异常系数为C1，摩擦底板异常系数为C2，货架脱离异常系数为C3，C3>C2>C1。该异常系数是可变的，来自于统计该异常发生并处理完成后继续执行路段的完成时间来实时更新的。

第二点：统计每个路段执行的时间，本实施例中给定每个路段的运行速度为初始值例如1m/s(即每个路段执行时间初始固定)，根据这个初始值进行运行后，如出现异常，以异常系数和路段执行时间作为机器学习模型的输入源，自学习得到最新预测的运行速度，然后更新这个路段的运行速度值。例如：A路段和B路段两个路段，初始时，A和B路段都为初始值，但在运行后A路段发生异常次数多，B路段几乎不发生异常，把这两个路段发生的异常进行统计，分析计算得到异常系数，然后获取该路段过去五分钟内通过的时间(例如不同AGV可能五分钟之内通过三次，出现两次不同的异常，这三次的时间可能分别是T1,T2,T3，T1>T2>T3)，根据这五分钟的该路段运行信息(异常系数和路段执行时间)进行自学习预测出该路段最新的运行速度值，并进行实时更新。

本发明实施例中AGV动态调整速度以适应不同路段的实际场地情况，来减少运行过程中的异常进而提高搬运的效率。本发明能够解决重载AGV可以在运行过程中，动态调整速度，实现在不平整码点位置的速度控制，平稳通过有问题码点地面。

根据本发明实施例的再一个方面，提供一种实现上述方法的装置。

图3是本发明实施例的运输设备运行管理的装置的主要模块的示意图。如图3所示，运输设备运行管理的装置300包括：

数据获取模块301，获取目标路段的运行信息，所述运行信息包括：各个运输设备按照所述目标路段的运行速度通过所述目标路段的异常数据和执行时间；

机器学习模块302，将所述各个运输设备的异常数据和执行时间输入机器学习模型进行自学习，依据自学习结果调整所述目标路段的运行速度；

运行控制模块303，将调整后的运行速度发送至所述各个运输设备，以使所述各个运输设备再次进入所述目标路段时按照调整后的运行速度通过所述目标路段。

可选地，所述异常数据包括：异常类型和异常系数；所述数据获取模块还用于，在获取目标路段的运行信息之前，获取所述各个运输设备按照所述目标路段的运行速度通过所述目标路段的异常事件，确定所述异常事件所属的异常类型；根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数。

可选地，所述异常事件是指，由于所述目标路段的运行场地异常而导致的事件。

可选地，所述数据获取模块还用于：在根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数之前，设置每个异常类型的异常系数初始值；

所述数据获取模块根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数包括：当所述异常类型的出现频率和/或影响力大于设定上限阈值，则调增所述异常类型的异常系数初始值；当所述异常类型的出现频率和/或影响力小于设定下限阈值，则调减所述异常类型的异常系数初始值。

可选地，所述数据获取模块周期性获取目标路段的运行信息；所述数据获取模块还用于：在所述机器学习模块将所述各个运输设备的异常数据和执行时间输入预训练的机器学习模型之前，将所述运行信息中通过所述目标路段的开始时间和结束时间不在所述周期内的运输设备所对应的异常数据和执行时间剔除。

可选地，所述机器学习模型采用卷积神经网络，损失函数为sigmo id函数。

可选地，所述运输设备为自动引导运输车。

根据本发明实施例的另一个方面，提供一种运输设备运行管理的电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例第一方面提供的方法。

根据本发明实施例的还一个方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例第一方面提供的方法。

图4示出了可以应用本发明实施例的运输设备运行管理的方法或运输设备运行管理的装置的示例性系统架构400。

如图4所示，系统架构400可以包括运输设备401、402、403，网络404和服务器405。网络404用以在运输设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用运输设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。运输设备401、402、403上可以安装有各种通讯客户端应用，例如地图导航类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

运输设备401、402、403上可以包含具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器405可以是提供各种服务的服务器，例如对用户利用运输设备401、402、403所执行的运输任务提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的运行速度查询请求等数据进行分析等处理，并将处理结果(例如调整后的运行速度--仅为示例)反馈给运输设备。

需要说明的是，本发明实施例所提供的运输设备运行管理的方法一般由服务器405执行，相应地，运输设备运行管理的装置一般设置于服务器405中。

应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括：数据获取模块、机器学习模块和运行控制模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，机器学习模块还可以被描述为“获取目标路段的运行信息的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取目标路段的运行信息，所述运行信息包括：各个运输设备按照所述目标路段的运行速度通过所述目标路段的异常数据和执行时间；将所述各个运输设备的异常数据和执行时间输入机器学习模型进行自学习，依据自学习结果调整所述目标路段的运行速度；将调整后的运行速度发送至所述各个运输设备，以使所述各个运输设备再次进入所述目标路段时按照调整后的运行速度通过所述目标路段。

根据本发明实施例的技术方案，通过根据各个运输设备在目标路段的异常数据和执行时间调整目标路段的运行速度，能够根据地面状况动态调整运输设备在目标路段的运行速度，保障运输设备平稳通过目标路段。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种运输设备运行管理的方法，其特征在于，包括：

获取目标路段的运行信息，所述运行信息包括：各个运输设备按照所述目标路段的运行速度通过所述目标路段的异常数据和执行时间；

将所述各个运输设备的异常数据和执行时间输入机器学习模型进行自学习，依据自学习结果调整所述目标路段的运行速度；

将调整后的运行速度发送至所述各个运输设备，以使所述各个运输设备再次进入所述目标路段时按照调整后的运行速度通过所述目标路段。

2.如权利要求1所述的方法，其特征在于，所述异常数据包括：异常类型和异常系数；获取目标路段的运行信息之前，还包括：

获取所述各个运输设备按照所述目标路段的运行速度通过所述目标路段的异常事件，确定所述异常事件所属的异常类型；根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数。

3.如权利要求2所述的方法，其特征在于，所述异常事件是指，由于所述目标路段的运行场地异常而导致的事件。

4.如权利要求2所述的方法，其特征在于，根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数之前，还包括：设置每个异常类型的异常系数初始值；

根据每个所述异常类型的出现频率和/或影响力确定每个所述异常类型的异常系数包括：当所述异常类型的出现频率和/或影响力大于设定上限阈值，则调增所述异常类型的异常系数初始值；当所述异常类型的出现频率和/或影响力小于设定下限阈值，则调减所述异常类型的异常系数初始值。

5.如权利要求1所述的方法，其特征在于，周期性获取目标路段的运行信息；将所述各个运输设备的异常数据和执行时间输入预训练的机器学习模型之前，还包括：

将所述运行信息中通过所述目标路段的开始时间和结束时间不在所述周期内的运输设备所对应的异常数据和执行时间剔除。

6.如权利要求1所述的方法，其特征在于，所述机器学习模型采用卷积神经网络，损失函数为sigmoid函数。

7.如权利要求1所述的方法，其特征在于，所述运输设备为自动引导运输车。

8.一种运输设备运行管理的装置，其特征在于，包括：

数据获取模块，获取目标路段的运行信息，所述运行信息包括：各个运输设备按照所述目标路段的运行速度通过所述目标路段的异常数据和执行时间；

机器学习模块，将所述各个运输设备的异常数据和执行时间输入机器学习模型进行自学习，依据自学习结果调整所述目标路段的运行速度；

运行控制模块，将调整后的运行速度发送至所述各个运输设备，以使所述各个运输设备再次进入所述目标路段时按照调整后的运行速度通过所述目标路段。

9.一种运输设备运行管理的电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images