CN113240157A - 基于机器学习的汽车衡维修保养管理方法及系统 - Google Patents

基于机器学习的汽车衡维修保养管理方法及系统 Download PDF

Info

Publication number
CN113240157A
CN113240157A CN202110420109.0A CN202110420109A CN113240157A CN 113240157 A CN113240157 A CN 113240157A CN 202110420109 A CN202110420109 A CN 202110420109A CN 113240157 A CN113240157 A CN 113240157A
Authority
CN
China
Prior art keywords
truck scale
data
analysis
model
machine learning
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.)
Pending
Application number
CN202110420109.0A
Other languages
English (en)
Inventor
吴强
冯天宏
刘杰强
车江
张鹿
陈彦
彭晓光
马成彬
邓永宁
黄栋
戴刚
任智钺
熊路
陆晔
石磊
陈欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Port Container Terminal Co Ltd
Mettler Toledo Changzhou Measurement Technology Ltd
Original Assignee
Tianjin Port Container Terminal Co Ltd
Mettler Toledo Changzhou Measurement Technology Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Port Container Terminal Co Ltd, Mettler Toledo Changzhou Measurement Technology Ltd filed Critical Tianjin Port Container Terminal Co Ltd
Priority to CN202110420109.0A priority Critical patent/CN113240157A/zh
Publication of CN113240157A publication Critical patent/CN113240157A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于机器学习的汽车衡维修保养管理方法，对汽车衡仪表进行数据采集，建立样本基础；通过参数向量构建分析模型；采用经验风险和经验损失的函数作为分析模型策略；采集当前使用的汽车衡数据，通过分析模型的分析得到使用保养及寿命预测信息。本发明运用大数据采集和分析的方法，结合人工智能对该海量数据进行分析，来制定整个汽车衡产品生命周期的维护计划，能够得出最佳的汽车衡维修保养解决方案，形成完整的汽车衡产品生命周期管理。

Description

基于机器学习的汽车衡维修保养管理方法及系统
技术领域
本发明属于汽车衡应用领域，特别是涉及到一种基于机器学习的汽车衡维修保养管理方法及系统。
背景技术
由于贸易结算、安全防护和海关监管的需求，目前的港口行业使用大量的汽车衡用于计量称重，并要求将称重数据实时传送给码头和海关。特别是大型集装箱码头，所用的汽车衡数量往往多达几十台，这些汽车衡分别安装在码头的进、出闸口或几个分散的堆场闸口中，如何管理好这些汽车衡，制定科学合理的维修保养计划，确保汽车衡长期稳定运行，已经成为广大技术人员时下急需解决的重要问题，具体包括如下这些方面的内容：
(1)根据国家计量要求，港口等使用方需技术监督局每半年对汽车衡进行检定，几十台、上百台汽车衡需要在满足生产运行的前提下，合理的制定检定计划；
(2)面对各类型的衡器，需要制定科学合理的维修保养计划，根据汽车衡使用情况的不同(比如集装箱闸口和散货码头的汽车衡，吨位和使用频次差异很大且不一样)，制定定期保养和大修理的计划；
(3)相关衡器设备进行维修维护时候，也需要对备件进行相应的管理，包括制定合理的备件采集计划，备件的库存等等。
发明内容
有鉴于此，本发明提出一种基于机器学习的汽车衡维修保养管理方法及系统，对汽车衡运行状态数据进行分析，并基于分析结果得到汽车衡维修保养解决方案。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于机器学习的汽车衡维修保养管理方法，包括：
S1、对汽车衡仪表进行数据采集，建立样本基础；
S2、通过参数向量构建分析模型；
S3、采用经验风险和经验损失的函数作为分析模型策略；
S4、采集当前使用的汽车衡数据，通过分析模型的分析得到使用保养及寿命预测信息。
进一步的，步骤S1中，数据采集包括采集汽车衡的使用频次，零点参数，各个检定参数，实时重量，传感器内码，温度，电压，故障状态等数值，并实时保持到网络数据库，达到3-9次/秒的采集数据标准。
进一步的，步骤S2中，参数向量包括所有影响汽车衡变化的因素。
进一步的，步骤S3中，经验风险和经验损失最小的模型为最优模型。
本发明另一方面，还提出了一种基于机器学习的汽车衡维修保养管理系统，包括：
采集模块，对汽车衡仪表进行数据采集，建立样本基础；
构建模块，通过参数向量构建分析模型；
策略模块；采用经验风险和经验损失的函数作为分析模型策略；
分析模块；采集当前使用的汽车衡数据，通过分析模型的分析得到使用保养及寿命预测信息。
进一步的，采集模块中的数据采集包括采集汽车衡的使用频次，零点参数，各个检定参数，实时重量，传感器内码，温度，电压，故障状态等数值，并实时保持到网络数据库，达到3-9次/秒的采集数据标准。
进一步的，构建模块中的参数向量包括所有影响汽车衡变化的因素。
进一步的，策略模块中，经验风险和经验损失最小的模型为最优模型。
与现有技术相比，本发明的优势在于：
本发明运用大数据采集和分析的方法，采集几十台或上百台的汽车衡运行的相关数据，保存至网络数据库后，横向比较相关型号汽车衡使用参数的对比(使用频次、吨位等)，结合同一汽车衡运行参数的变化(传感器受力情况等)，结合人工智能对该海量数据进行分析，来制定整个汽车衡产品生命周期的维护计划(包括检定、维修保养、备件等计划)朝着智能化维护的解决方案方向发展，得出最佳的汽车衡维修保养解决方案(检定周期提醒、健康检查、备件管理、大修时段等)，形成完整的汽车衡产品生命周期管理。
附图说明
图1是本发明实施例的通过局域网采集汽车衡数据的主视图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图以及具体实施例对本发明做进一步说明。
本发明的系统包括：
应用硬件设备：计算机(包括软件)、数据库服务器和其他信息查询计算机(为第三方，提供查询接口)；
汽车衡仪表设备：汽车衡通过称重仪表的网络口接入局域网；
计算机(软件)通过网络，对汽车衡运行状态数据进行采集，可以通过短信或邮件，提醒维护人员进行相关的维护计划工作。
如图1所示，为本发明计算机通过局域网采集汽车衡数据的主视图；最上角为菜单栏，提供登陆、权限、设备维护等必要的菜单按钮区域；左边部分为：汽车衡设备的列表，将所连接全部显示出来，并且用灯来提示，绿灯：汽车衡正常工作且实时采集数据中；红灯：汽车衡有故障且采集部分数据；灰灯：无法连接仪表，不采集数据；右上部分为：衡器提示的相关信息，包括连接、断开、故障等；右下部分为：单个汽车衡的详细信息，包括仪表型号、序列号、秤台类型、量程及分度值等，每个传感器的内码值，温度，电源，包括其秤台各个点的受力情况。
由上述可知，本发明首先需要对汽车衡仪表进行数据采集，建立样本基础。计算机通过局域网与汽车衡的仪表进行连接(连接数量可以多达几十台或上百台)，计算机软件使用缓存技术，采集汽车衡的使用频次，零点参数，各个检定参数，实时重量，传感器内码，温度，电压，故障状态等数值，并实时保持到网络数据库，达到3～9次/秒的采集数据标准。数据库分为多张存储表个，对各个数据分别进行存储，由于数据的庞大，对数据库的优化也是技术重点，主要是按数值类型来存储，数据在某个时候数据量会达到100w左右，那么就可以考虑用这段时间的数据来做为一个表或者库来存储，例如，表名为app，那么这段数据数据就是app_001；如果数据量在短时间就达到了100w左右，那么我们就顺序往下分app_002，app_003等，以便后续来分析该数据。
以传感器内码值来举例，传感器内码值每时每刻都在反映衡器的受力情况，软件需要记录这些数据为后续的模型建立和分析提供依据，每台衡器有8～10个传感器都需要记录，软件通过share data方式(仪表内部存储的K-Value的内存地址)按3～8个值/秒读取，并存储到数据库，每个传感器不同的表格，再按100万左右记录条进行分割。
有了样本数据，则要建立模型。模型在未进行训练前，其可能的参数是多个甚至无穷的，故可能的模型也是多个甚至无穷的，这些模型构成的集合就是假设空间。目前该项目采用的是统计机器学习，他是计算机基于数据构建概率统计模型，并运用概率统计模型对数据进行预测与分析，整个过程是数据驱动的，把输入的数据X和输出的预测值Y都看作是随机变量，他们遵循一定的概率分布(比如正态分布，二项分布)。而模型又是带有未知参数的，未知参数可能不止一个，所以用参数向量表示：
Figure BDA0003027495360000041
仍以传感器内码值为例，内码值采集并存储后，需要分析影响其变化的因素来设计合理的模型，其主要影响有：
a.传感器本身的性能变化，如故障等；
b.传感器安装和使用过程中的角度变化；
c.外界温度；
d.传感器受力点的基础下层：
e.衡器称重过程中，车辆停的位置；
f.零漂等等；
综合判断下来，影响因数很多，基本采用参数向量表示方式，向量参数θ决定条件概率分布范围R，比如：车辆过衡过程中，由于车辆行驶的位置不一样，根据传感器内码值判断，受力情况不一致，对于传感器使用次数和强度有差异，然后对于衡器的保养和使用寿命就有不同的变化。
模型的策略即从假设空间中挑选出参数最优的模型的准则。模型的分类或预测结果与实际情况的误差(损失函数)越小，模型就越好。那么策略就是误差最小。
采用经验风险(empirical risk)或经验损失(empirical loss)函数作为策略:
Figure BDA0003027495360000051
期望损失Rexp(f)是模型关于联合分布的期望损失，经验风险Remp(f)是模型关于训练样本集的平均损失。根据大数定律，当样本容量N趋于无穷时，Remp(f)趋于期望风险Rexp(f)。自然而然的，我们可以用Remp估计Rexp。Remp是我们可以根据训练数据来确定的，经验风险最小化策略(empirical risk minimization，ERM)认为，经验风险最小的模型是最优的模型。
继续用传感器内码值来举例，由于影响因素较多，只能采用经验风险和经验损失的模型来设计传感器的使用状态，然后得出衡器使用保养及寿命预测：
Figure BDA0003027495360000052
N代表某一个传感器的受力次数数值范围1～9999999；
f(xi)为外界影响，衡器的型号；
yi为某一个传感器，某个时刻受力情况的数值1～999999；
L(yi,f(xi))是计算获取某个时刻传感器的状态1～10,1为使用最佳，10为最差；
根据公式，最后计算获取某个受力次数(时间段)的传感器状态值的分布情况(其中考虑超载情况)。
涉及的算法即从假设空间中挑选模型的方法(等同于求解最佳的模型参数)。机器学习的参数求解通常都会转化为最优化问题，故学习算法通常是最优化算法等。
用传感器内码来制定衡器科学的保养计划(检定周期提醒、健康检查、备件管理、大修时段等)是参考因素之一，还有其他的情况，所以需要有很多套算法分别进行计算后，获取综合结果。
例如：根据8或10个传感器Remp(f)的值进行平均，获取某个时间段衡器使用的状态，结合该衡器的称重次数(根据称重记录结果，例如：500～1000次/车)，来判断衡器根据称重次数的增加，使用状态有没有变差，根据以下经验(可动态调整)：
50,000次，衡器状态为：1
100,000次，衡器状态为：3
200,000次，衡器状态为：5
…….
同时与其他衡器进行横向比较：
衡器状态小于5，按目前的称重频率使用正常；
衡器状态高于5，则需要保养；
衡器状态高于7，则需要大修理。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于机器学习的汽车衡维修保养管理方法，其特征在于，包括：
S1、对汽车衡仪表进行数据采集，建立样本基础；
S2、通过参数向量构建分析模型；
S3、采用经验风险和经验损失的函数作为分析模型策略；
S4、采集当前使用的汽车衡数据，通过分析模型的分析得到使用保养及寿命预测信息。
2.根据权利要求1所述的一种基于机器学习的汽车衡维修保养管理方法，其特征在于，步骤S1中，数据采集包括采集汽车衡的使用频次，零点参数，各个检定参数，实时重量，传感器内码，温度，电压，故障状态等数值，并实时保持到网络数据库，达到3-9次/秒的采集数据标准。
3.根据权利要求1所述的一种基于机器学习的汽车衡维修保养管理方法，其特征在于，步骤S2中，参数向量包括所有影响汽车衡变化的因素。
4.根据权利要求1所述的一种基于机器学习的汽车衡维修保养管理方法，其特征在于，步骤S3中，经验风险和经验损失最小的模型为最优模型。
5.一种基于机器学习的汽车衡维修保养管理系统，其特征在于，包括：
采集模块，对汽车衡仪表进行数据采集，建立样本基础；
构建模块，通过参数向量构建分析模型；
策略模块；采用经验风险和经验损失的函数作为分析模型策略；
分析模块；采集当前使用的汽车衡数据，通过分析模型的分析得到使用保养及寿命预测信息。
6.根据权利要求5所述的一种基于机器学习的汽车衡维修保养管理系统，其特征在于，采集模块中的数据采集包括采集汽车衡的使用频次，零点参数，各个检定参数，实时重量，传感器内码，温度，电压，故障状态等数值，并实时保持到网络数据库，达到3-9次/秒的采集数据标准。
7.根据权利要求5所述的一种基于机器学习的汽车衡维修保养管理系统，其特征在于，构建模块中的参数向量包括所有影响汽车衡变化的因素。
8.根据权利要求5所述的一种基于机器学习的汽车衡维修保养管理系统，其特征在于，策略模块中，经验风险和经验损失最小的模型为最优模型。
CN202110420109.0A 2021-04-19 2021-04-19 基于机器学习的汽车衡维修保养管理方法及系统 Pending CN113240157A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110420109.0A CN113240157A (zh) 2021-04-19 2021-04-19 基于机器学习的汽车衡维修保养管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110420109.0A CN113240157A (zh) 2021-04-19 2021-04-19 基于机器学习的汽车衡维修保养管理方法及系统

Publications (1)

Publication Number Publication Date
CN113240157A true CN113240157A (zh) 2021-08-10

Family

ID=77128571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110420109.0A Pending CN113240157A (zh) 2021-04-19 2021-04-19 基于机器学习的汽车衡维修保养管理方法及系统

Country Status (1)

Country Link
CN (1) CN113240157A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117217698A (zh) * 2023-09-18 2023-12-12 上海鲸创电子科技有限公司 一码通汽车衡无人值守自动称重系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103163864A (zh) * 2013-03-07 2013-06-19 电子科技大学 机械设备状态评估的优化方法
CN108846489A (zh) * 2018-07-02 2018-11-20 天泽信息产业股份有限公司 一种基于svm的大型设备健康状况评估方法
CN109978229A (zh) * 2019-02-12 2019-07-05 常伟 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法
CN110084404A (zh) * 2019-03-31 2019-08-02 唐山百川智能机器股份有限公司 基于大数据的轨道车辆经济性运营及维修规划方法
CN110937489A (zh) * 2019-11-15 2020-03-31 广东寰球智能科技有限公司 自动扶梯的在线故障监控预警方法及系统
CN111798069A (zh) * 2020-07-22 2020-10-20 安徽三禾一信息科技有限公司 基于机器学习的复杂装备备品备件管理方法及系统
CN112629841A (zh) * 2020-11-23 2021-04-09 江苏科技大学 一种继电器寿命预测的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103163864A (zh) * 2013-03-07 2013-06-19 电子科技大学 机械设备状态评估的优化方法
CN108846489A (zh) * 2018-07-02 2018-11-20 天泽信息产业股份有限公司 一种基于svm的大型设备健康状况评估方法
CN109978229A (zh) * 2019-02-12 2019-07-05 常伟 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法
CN110084404A (zh) * 2019-03-31 2019-08-02 唐山百川智能机器股份有限公司 基于大数据的轨道车辆经济性运营及维修规划方法
CN110937489A (zh) * 2019-11-15 2020-03-31 广东寰球智能科技有限公司 自动扶梯的在线故障监控预警方法及系统
CN111798069A (zh) * 2020-07-22 2020-10-20 安徽三禾一信息科技有限公司 基于机器学习的复杂装备备品备件管理方法及系统
CN112629841A (zh) * 2020-11-23 2021-04-09 江苏科技大学 一种继电器寿命预测的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢能付 等: "《智能农业-智能时代的农业生产方式变革》", 30 June 2020, 中国铁道出版社有限公司 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117217698A (zh) * 2023-09-18 2023-12-12 上海鲸创电子科技有限公司 一码通汽车衡无人值守自动称重系统
CN117217698B (zh) * 2023-09-18 2024-04-16 上海鲸创电子科技有限公司 一码通汽车衡无人值守自动称重系统

Similar Documents

Publication Publication Date Title
CN111461555B (zh) 一种生产线质量监测方法、装置及系统
CN103617110B (zh) 服务器设备状态检修系统
CN110320892A (zh) 基于Lasso回归的污水处理设备故障诊断系统及方法
CN113614758A (zh) 设备指标优良性等级预测模型训练方法、监控系统和方法
CN104573845A (zh) 信息系统设备状态检修辅助决策方法
US20220341996A1 (en) Method for predicting faults in power pack of complex equipment based on a hybrid prediction model
CN107329088A (zh) 电池的健康状态诊断装置和方法
CN108445410A (zh) 一种监测蓄电池组运行状态的方法及装置
CN108805359A (zh) 一种故障预判方法及装置
CN108776855A (zh) 一种智能设备健康状态评价方法及系统
CN106874483A (zh) 一种基于大数据技术的图形化的数据质量评测的装置及方法
CN110864795A (zh) 一种称重异常报警系统
CN116610747A (zh) 一种基于三维数字的可视化智慧管理系统
CN109636243A (zh) 模型故障检测方法、装置、计算机设备以及存储介质
KR20080070543A (ko) 자동화 생산라인의 불량예측 조기 경보 방법
CN115115303A (zh) 一种基于智慧港口的散货管控一体化系统及方法
CN111178725A (zh) 一种基于层次分析法的保护设备状态预警方法
CN106570567A (zh) 一种主网检修多约束多目标评估专家系统及优化方法
CN103942251A (zh) 基于多种质控方法的高空气象资料入库方法和入库系统
CN116955434A (zh) 一种工业装备全生命周期管理及多维度能效分析系统
CN113240157A (zh) 基于机器学习的汽车衡维修保养管理方法及系统
CN114048925A (zh) 一种电网综合运营预警方法、装置及终端设备
CN116993215A (zh) 一种电力装备制造质量智能化评价预警方法及系统
CN116901707A (zh) 一种动力电池组故障预警方法、系统及车辆
Sun et al. Coal mine gas safety evaluation based on adaptive weighted least squares support vector machine and improved dempster–shafer evidence theory

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210810