CN113344150B - 识别污损码点的方法、装置、介质及电子设备 - Google Patents
识别污损码点的方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN113344150B CN113344150B CN202010098543.7A CN202010098543A CN113344150B CN 113344150 B CN113344150 B CN 113344150B CN 202010098543 A CN202010098543 A CN 202010098543A CN 113344150 B CN113344150 B CN 113344150B
- Authority
- CN
- China
- Prior art keywords
- code point
- fault
- code
- current
- trend
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 18
- 206010012411 Derailment Diseases 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 230000006735 deficit Effects 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000011109 contamination Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种识别污损码点的方法,包括:获取码点当前数据,根据所述码点当前数据确定码点状态特征,所述码点状态特征包括以下任意一项或多项:自动导引运输车特征、码点特征、时间特征;根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定当前码点是否为污损码点,以此方式实现了从多维度来确定污损码点,以使得确定出的污损码点更加准确,进而使得更有针对性地开展码点检修工作。本发明还提供了一种识别污损码点装置、介质以及电子设备。
Description
技术领域
本发明涉及数据处理的技术领域,具体而言,涉及一种识别污损码点的方法、装置、介质及电子设备。
背景技术
目前,自动导引运输车的运行方式可以采用码点的方式来导航。但是,在实际操作中码点可能被损坏。在码点被损坏的情况下,可能会使得在行进中的自动导引运输车读码失败,从而影响自动导引运输车的行驶路径。例如,在码点被损坏的情况下,往往导致自动导引运输车脱轨等行驶故障。另外,目前的数据记录仅包含能进行信息交互的实体(如自动导引运输车)的数据,而对码点的记录仅存在于自动导引运输车的故障数据中。为了节约成本,及时发现污损码点,当前往往采用故障数据进行污损码点的识别,具体方法一般是简单统计一段时间内各码点处发生脱轨的自动导引运输车数量,选取TOP N个频繁发生脱轨故障或者累计脱轨次数超过M次的码点推荐给运维人员,有针对性地进行巡检。
但是发明人在实现本发明的发明构思时发现相关技术中存在以下技术问题:无法排除自动导引运输车经过的频次和自动导引运输车自身的质量因素对污损码点识别的影响。一般来说,自动导引运输车经过频繁的码点,更容易累计较高的故障次数;同时故障数据本身是由自动导引运输车上报的,无法区分码点问题和车辆问题,即相关技术中自动导引运输车上报的信息量大,对有效信息的识别存在干扰,导致在识别污损码点时得到的结果准确度较低。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施例的目的在于提供一种识别污损码点的方法、装置、介质及电子设备,进而至少可以在一定程度上提升了在识别污损码点时的准确度。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明实施例的第一方面,提供了一种识别污损码点的方法,包括:获取码点当前数据;根据所述码点当前数据确定码点状态特征,所述码点状态特征包括以下任意一项或多项:自动导引运输车特征、码点特征、时间特征;根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定当前码点是否为污损码点。
在本发明的一些实施例中,所述自动导引运输车特征包括故障自动导引运输车的数量和/或所述故障自动导引运输车的状态,所述码点特征包括第一平均故障间隔和/或第一故障间隔趋势,所述时间特征包括第二平均故障间隔、第二故障间隔趋势、和/或异常时间占比。
在本发明的一些实施例中,根据所述码点当前数据确定所述码点状态特征包括:根据所述码点当前数据确定所述故障自动导引运输车的数量、所述故障自动导引运输车的状态、所述第一平均故障间隔、所述第一故障间隔趋势、所述第二平均故障间隔、所述第二故障间隔趋势、和/或所述异常时间占比。
在本发明的一些实施例中,所述第一平均故障间隔为相邻两次故障间自动导引运输车经过所述当前码点的次数的平均值,所述第一故障间隔趋势为相邻两次故障间自动导引运输车经过所述当前码点的次数的趋势,所述第二故障间隔为相邻两次故障发送时间间隔的平均值,所述第二故障间隔趋势为相邻两次故障发送时间间隔的趋势。
在本发明的一些实施例中,所述故障自动导引运输车的状态包括根据所述故障自动导引运输车在预设空间中所有码点发生脱轨故障的总次数的均值确定的故障自动导引运输车的状态。
在本发明的一些实施例中,根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定所述当前码点是否为所述污损码点包括:通过预设模型根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定所述当前码点的概率;根据所述当前码点的概率确定所述当前码点是否为所述污损码点。
在本发明的一些实施例中,根据所述当前码点的概率确定所述当前码点是否为所述污损码点包括:在所述当前码点的概率大于等于预设阈值时,确定所述当前码点为所述污损码点;或者在所述当前码点的概率小于所述预设阈值时,确定所述当前码点不为所述污损码点。
在本发明的一些实施例中,在获取所述码点当前数据之前,该方法还包括:获取码点历史数据,所述码点历史数据包括污损码点的历史数据和正常码点的历史数据;利用所述污损码点的历史数据和所述正常码点的历史数据对支持向量机进行训练,得到所述预设模型。
根据本发明实施例的第二方面,提供了一种识别污损码点的装置,包括:第一获取模块,用于获取码点当前数据;特征确定模块,用于根据所述码点当前数据确定码点状态特征,所述码点状态特征包括以下任意一项或多项:自动导引运输车特征、码点特征、时间特征;污损码点确定模块,用于根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定当前码点是否为污损码点。
在本发明的一些实施例中,所述自动导引运输车特征包括故障自动导引运输车的数量和/或所述故障自动导引运输车的状态,所述码点特征包括第一平均故障间隔和/或第一故障间隔趋势,所述时间特征包括第二平均故障间隔、第二故障间隔趋势、和/或异常时间占比。
在本发明的一些实施例中,上述特征确定模块被配置为:根据所述码点当前数据确定所述故障自动导引运输车的数量、所述故障自动导引运输车的状态、所述第一平均故障间隔、所述第一故障间隔趋势、所述第二平均故障间隔、所述第二故障间隔趋势、和/或所述异常时间占比。
在本发明的一些实施例中,所述第一平均故障间隔为相邻两次故障间自动导引运输车经过所述当前码点的次数的平均值,所述第一故障间隔趋势为相邻两次故障间自动导引运输车经过所述当前码点的次数的趋势,所述第二故障间隔为相邻两次故障发送时间间隔的平均值,所述第二故障间隔趋势为相邻两次故障发送时间间隔的趋势。
在本发明的一些实施例中,所述故障自动导引运输车的状态包括根据所述故障自动导引运输车在预设空间中所有码点发生脱轨故障的总次数的均值确定的故障自动导引运输车的状态。
在本发明的一些实施例中,上述污损码点确定模块包括:概率确定模块,用于通过预设模型根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定所述当前码点的概率;污损码点确定子模块,用于根据所述当前码点的概率确定所述当前码点是否为所述污损码点。
在本发明的一些实施例中,上述污损码点确定子模块包括:第一确定模块,在所述当前码点的概率大于等于预设阈值时,确定所述当前码点为所述污损码点;或者第二确定模块,在所述当前码点的概率小于所述预设阈值时,确定所述当前码点不为所述污损码点。
在本发明的一些实施例中,该装置还包括:第二获取模块,用于获取码点历史数据,所述码点历史数据包括污损码点的历史数据和正常码点的历史数据;训练模块,利用所述污损码点的历史数据和所述正常码点的历史数据对支持向量机进行训练,得到所述预设模型。
根据本发明实施例的第三方面,提供了一种电子设备,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时,使得所述一个或多个处理器实现如上述实施例中第一方面所述的识别污损码点的方法。
根据本发明实施例的第四方面,提供了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如上述实施例中第一方面所述的识别污损码点的方法。
本发明实施例提供的技术方案可以包括以下有益效果:
在本发明的一些实施例所提供的技术方案中,获取码点当前数据,根据码点当前数据确定码点状态特征,所述码点状态特征包括以下任意一项或多项:自动导引运输车特征、码点特征、时间特征,然后根据自动导引运输车特征、码点特征、和/或时间特征确定当前码点是否为污损码点,以此方式实现了从多维度来确定污损码点,以使得确定出的污损码点更加准确,进而使得更有针对性地开展码点检修工作。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了可以应用本发明实施例的识别污损码点的方法或识别污损码点的装置的示例性系统架构的示意图;
图2示意性示出了根据本发明的实施例的识别污损码点的方法的流程图;
图3示意性示出了根据本发明的另一个实施例的识别污损码点的方法的流程图;
图4示意性示出了根据本发明的另一个实施例的识别污损码点的方法的流程图;
图5示意性示出了根据本发明的实施例的识别污损码点的装置方框图;
图6示意性示出了根据本发明的另一个实施例的识别污损码点的装置的方框图;
图7示意性示出了根据本发明的另一个实施例的识别污损码点的装置的方框图;
图8示意性示出了根据本发明的另一个实施例的识别污损码点的装置的方框图;
图9示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本发明实施例的识别污损码点的方法或识别污损码点的装置的示例性系统架构的示意图。
如图1所示,系统架构100可以包括终端设备101、102、103中的一种或多种,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。
应该理解,图1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。比如服务器105可以是多个服务器组成的服务器集群等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103可以是具有获取数据功能的各种自动导引运输车。
服务器105可以是提供各种服务的服务器。例如用户利用终端设备103(也可以是终端设备101或102)向服务器105上传了码点当前数据,服务器105可以根据该码点当前数据确定码点状态特征,所述码点状态特征包括以下任意一项或多项:自动导引运输车特征、码点特征、时间特征,然后根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定当前码点是否为污损码点,以此方式实现了从多维度来确定污损码点,以使得确定出的污损码点更加准确,进而使得更有针对性地开展码点检修工作。
在一些实施例中,本发明实施例所提供的识别污损码点的方法一般由服务器105执行,相应地,识别污损码点的装置一般设置于服务器105中。在另一些实施例中,某些终端可以具有与服务器相似的功能从而执行本方法。因此,本发明实施例所提供的识别污损码点的方法不限定在服务器端执行。
图2示意性示出了根据本发明的实施例的识别污损码点的方法的流程图。
如图2所示,识别污损码点的方法可以包括步骤S210~步骤S230。
在步骤S210中,获取码点当前数据。
在步骤S220中,根据所述码点当前数据确定码点状态特征,所述码点状态特征包括以下任意一项或多项:自动导引运输车特征、码点特征、时间特征。
在步骤S230中,根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定当前码点是否为污损码点。
该方法可以获取码点当前数据,根据码点当前数据确定码点状态特征,所述码点状态特征包括以下任意一项或多项:自动导引运输车特征、码点特征、时间特征,然后根据自动导引运输车特征、码点特征、和/或时间特征确定当前码点是否为污损码点,以此方式实现了从多维度来确定污损码点,以使得确定出的污损码点更加准确,进而使得更有针对性地开展码点检修工作。
在本发明的一个实施例中,上述码点可以是部署在预设空间中的码点,自动导引运输车可以利用该码点可以进行导航。例如,上述码点可以是部署在仓库地面的二维码,用于自动导引运输车在仓库运行时导航。例如,自动导引运输车可以根据仓库地面固定的二维码来获取指定货架的货物。
在本发明的一个实施例中,上述码点当前数据可以指仓库中的一个二维码在一个周期内的数据。例如,该周期可以设为一天,在该周期内自动导引运输车经过该二维码时产生的数据,自动导引运输车经过该二维码时产生的数据可以包含但不限于故障数据和非故障数据,例如,故障数据可以是自动导引运输车经过该二维码时发生脱轨故障的时间、自动导引运输车的标识、二维码的标识等等。非故障数据可以是自动导引运输车经过该二维码的时间、自动导引运输车的标识、二维码的标识等等。
在本发明的一个实施例中,上述自动导引运输车的标识可以指自动导引运输车在系统登记的编号,例如自动导引运输车1、2、3等等。二维码的标识可以指仓库地面的二维码在系统登记的编号,例如,二维码1、2、3。
在本发明的一个实施例中,在根据码点当前数据确定码点状态特征之前,该方法还可以包括从码点当前数据中提取故障数据,例如,该故障数据可以是一个周期内自动导引运输车经过该二维码时发生脱轨故障的时间、自动导引运输车的标识、自动导引运输车的状态、二维码的标识等等。然后根据该故障数据确定码点状态特征,即根据一个周期内自动导引运输车经过该二维码时发生脱轨故障的时间、自动导引运输车的标识、二维码的标识来确定码点状态特征。
在本发明的一个实施例中,上述码点状态特征可以包括以下任意一项或多项:自动导引运输车特征、码点特征、时间特征。其中,自动导引运输车特征包括故障自动导引运输车的数量和/或故障自动导引运输车的状态,码点特征包括第一平均故障间隔和/或第一故障间隔趋势,时间特征包括第二平均故障间隔、第二故障间隔趋势、和/或异常时间占比。
在本发明的一个实施例中,根据一个周期内自动导引运输车经过该二维码时发生脱轨故障的时间来确定故障自动导引运输车的数量。例如,统计一个周期内经过该码点发送脱轨故障的自动导引运输车的数量。
在本发明的一个实施例中,上述故障自动导引运输车的状态可以包括根据该故障自动导引运输车在预设空间中所有码点发生脱轨故障的总次数的均值确定的故障自动导引运输车的状态。例如,根据在该码点发生脱轨故障的自动导引运输车的标识可以搜索出该类自动导引运输车在仓库中其他二维码产生的数据。然后根据该搜索结果来确定该类自动导引运输车在经过其他二维码时是否发生脱轨故障,并统计该类自动导引运输车在经过其他二维码时发生脱轨故障的次数,最后计算该类自动导引运输车中每辆自动导引运输车在整个仓库中二维码发生脱轨故障的总次数的均值。在本实施例中,该均值可以用于表示上述自动导引运输车的状态。例如,该均值可以指在该点发生故障的自动导引运输车的健康程度。一般地,码点本身的污损可能导致健康程度较高的自动导引运输车在码点发生故障。其中,健康程度较高的自动导引运输车可以指均值较低的自动导引运输车。
在本发明的一个实施例中,上述码点特征可以包含第一平均故障间隔和/或第一故障间隔趋势,需要注意的是,这两个指标中的故障间隔不是按照时间来衡量的,而是按照自动导引运输车经过的次数来衡量的。其中,上述第一平均故障间隔为相邻两次故障间自动导引运输车经过所述当前码点的次数的平均值。上述第一故障间隔趋势为相邻两次故障间自动导引运输车经过所述当前码点的次数的趋势。
在本发明的一个实施例中,根据上述码点当前数据计算当前码点的相邻两次故障间自动导引运输车经过该码点的次数的平均值。在本实施例中,该平均值可以客观地衡量了该码点发生故障的频繁程度。一般地,频繁发生故障的码点更可能存在污损问题。例如,码点当前数据中包含在一个周期内经过该码点的自动导引运输车中出现了五次脱轨故障,即五次脱轨故障中包含四个相邻故障间隔,四个相邻故障间隔中每个故障间隔中自动导引运输车经过该码点的次数为5、10、15、20,上述当前码点的相邻两次故障间自动导引运输车经过该码点的次数的平均值可以为(5+10+15+20)/4=12.5。
在本发明的一个实施例中,上述第一故障间隔趋势为相邻两次故障间自动导引运输车经过所述当前码点的次数的趋势。例如,根据上述码点当前数据将每次故障间隔(例如,故障间隔采用相邻两次故障之间,该故障间隔用自动导引运输车来经过该码点的次数来衡量)按照故障发生的时间顺序进行排列,形成一个时间序列,通过拉普拉斯趋势检验计算检验统计量。该检验统计量可以作为故障发生趋势的指示变量,即相邻两次故障间自动导引运输车经过当前码点的次数的趋势。一般来说,污损码点往往呈现故障发生上升趋势。
在本发明的一个实施例中,上述时间特征包含第二平均故障间隔、第二故障间隔趋势、和/或异常时间占比。在本实施例中的故障间隔不同于码点特征的故障间隔,此处的故障间隔按照时间来衡量,用于反映异常码点的时间特征,是对自动导引运输车特征和码点特征的补充。其中,第二故障间隔为相邻两次故障发送时间间隔的平均值,上述第二故障间隔趋势为相邻两次故障发送时间间隔的趋势。
在本发明的一个实施例中,上述第二故障间隔为相邻两次故障发送时间间隔的平均值。例如,根据上述码点当前数据计算该码点的相邻两次故障发生时间间隔的平均值。该平均值从时间上衡量了该码点发生故障的频繁程度。一般地,该平均值越小的码点更可能存在污损问题。例如,码点当前数据中包含在一个周期内经过该码点的自动导引运输车中出现了五次脱轨故障,即五次脱轨故障中自动导引运输车经过该码点发生脱轨故障的时间为10:00、12:00、15:00、18:00、22:00,即相邻两次故障发送时间间隔为2小时、3小时、3小时、4小时,上述相邻两次故障发送时间间隔的平均值可以为(2+3+3+4)/4=3。
在本发明的一个实施例中,上述第二故障间隔趋势为相邻两次故障发送时间间隔的趋势。例如,根据上述码点当前数据将每次故障间隔(例如,故障间隔可以用时间来衡量)按照故障发生的时间顺序进行排列,形成一个时间序列,通过拉普拉斯趋势检验计算检验统计量。检验统计量可以作为故障发生趋势的指示变量,即相邻两次故障发送时间间隔的趋势。一般来说,污损码点往往呈现故障发生上升趋势。
在本发明的一个实施例中,根据上述码点当前数据确定上述异常时间占比。例如,根据码点当前数据计算一段时间内码点异常的天数比例。一般地,故障在时间上频繁连续发生的码点更可能存在污损。
基于前述方案,根据上述码点当前数据确定码点状态特征具体可以为根据码点当前数据确定故障自动导引运输车的数量、故障自动导引运输车的状态、第一平均故障间隔、第一故障间隔趋势、第二平均故障间隔、第二故障间隔趋势、和/或异常时间占比,从而实现了根据码点当前数据来确定出该码点的多维度特征。
图3示意性示出了根据本发明的另一个实施例的识别污损码点的方法的流程图。
如图3所示,上述步骤S230具体可以包括步骤S310和步骤S320。
在步骤S310中,通过预设模型根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定所述当前码点的概率。
在步骤S320中,根据所述当前码点的概率确定所述当前码点是否为所述污损码点。
该方法可以通过预设模型根据自动导引运输车特征、码点特征、和/或时间特征确定当前码点的概率,根据当前码点的概率确定该当前码点是否为污损码点,以此方式实现了从多维度来确定污损码点,以使得确定出的污损码点更加准确,进而使得更有针对性地开展码点检修工作。
在本发明的一个实施例中,上述预设模型可以是利用码点历史数据对分类器模型(例如,支持向量机)进行训练得到。
在本发明的一个实施例中,通过上述预设模型根据自动导引运输车特征、码点特征、和/或时间特征确定当前码点的概率。例如,通过该预设模型中的公式来根据自动导引运输车特征、码点特征、和/或时间特征确定当前码点的概率。在本实例中,该公式可以为:
其中,Xi为码点状态特征,i可以为码点的编号,yi为类别标签,例如,1,-1,1可以指码点被污损,-1可以指码点没有被污损,N为仓库中码点的个数,αi *、b*为上述预设模型的参数,这些参数可以在训练模型的过程中得到。
在本发明的一个实施例中,根据当前码点的概率确定当前码点是否为污损码点可以包括:在当前码点的概率大于等于预设阈值时,确定当前码点为污损码点;或者在当前码点的概率小于预设阈值时,确定当前码点不为污损码点。例如,预设阈值为90%,通过上述预设模型可以得出当前码点的概率,在当前码点的概率大于等于90%时,确定当前码点为污损码点,相反,在当前码点的概率小于90%时,确定当前码点为污损码点。在本实施例中,该预设阈值可以根据实际情况来进行设定,在此不对其进行限定。
图4示意性示出了根据本发明的另一个实施例的识别污损码点的方法的流程图。
在上述步骤S210之前,该方法还包括步骤S410~步骤S420,如图4所示。
在步骤S410中,获取码点历史数据,所述码点历史数据包括污损码点的历史数据和正常码点的历史数据。
在步骤S420中,利用所述污损码点的历史数据和所述正常码点的历史数据对支持向量机进行训练,得到所述预设模型。
该方法可以利用污损码点的历史数据和正常码点的历史数据对支持向量机进行训练,以此方式得到的预设模型在后续识别污损码点时得到的结果更加准确,进而提升识别污损码点的能力。
在本发明的一个实施例中,上述污损码点的历史数据可以是仓库历史码点饿更换记录,根据该更换记录可以获取该污损码点更换前的数据记录,这些数据记录包含但不限于故障数据,如脱轨故障发生的时间、自动导引运输车、码点等,以及车辆行驶的路径数据,如任务,自动导引运输车,途径的码点等。在本实施例中,上述正常码点的历史数据可以是选取同时刻非污损码点的上述数据记录。进一步,利用上述数据记录,从自动导引运输车、码点和时间三个维度构建描述码点状态特征。例如,该码点状态特征可以如下述表中记录的数据:
其中,上述表中的ID为仓库中二维码的编号,特征①、特征②、特征③、……为根据码点历史数据确定出的码点状态特征,即故障自动导引运输车的数量、故障自动导引运输车的状态、第一平均故障间隔、第一故障间隔趋势、第二平均故障间隔、第二故障间隔趋势、和/或异常时间占比。“是否为污损码点”为类别标签,例如,是或否,在训练过程中可以将“是”定义为1,将“否”定义为-1。在本实施例中,利用上述表中的特征对支持向量机进行训练,以获取上述预设模型,即获取上述预设模型中的参数αi *、b*。
下面通过一个具体的实施例来描述训练支持向量机的过程。
将上述表中的特征作为训练数据集,即作为支持向量机的输入数据,进行模型训练,训练步骤如下,并采用十折交叉验证的方法进行模型选择,选取预测误差最小的模型作为上述预设模型。
对于训练数据集D={(x1,y1),(x2,y2),…,(xN,yN)},其中xi∈X=Rn,yi∈Y={-1,1},i=1,2,3,…,N。其中,(x1,y1)可以是表中ID为1时的数据记录,i为ID的编号,Rn为n维实数向量空间。训练支持向量机的基本思想为求解能够正确划分训练数据集,并且几何间隔最大的分离超平面。例如,分离超平面对应方程ω·x+b=0,它由法向量ω和截距b决定。通常情况下,训练数据中有一些特异点,导致数据集不是线性可分的,为了解决问题,可以对每个样本点(xi,yi)引进一个松弛变量εi,使函数间隔加上松弛变量大于等于1。C>0称为惩罚参数,C值大的时候对误分类的惩罚增大,C值小的时候对误分类的惩罚减小。具体如下:
(1)构造原始最优化问题,最小化目标函数,使正负类之间的间隔尽量大,同时使误分类点的个数尽量小,C是调和二者的系数,具体采用下面公式:
s.t.yi(ω·xi+b)+εi≥1,i=1,2,...,N
εi≥0,i=1,2,...,N
其中,原始优化问题是一个凸二次规划问题,同时具有N+1个约束条件,不易求解,因此将其转化为对偶问题,即拉格朗日函数的极小极大问题,更容易求解。
(2)依据拉格朗日对偶理论,构建原始优化问题的对偶问题如下,其中,α=(α1,α2,...,αN)T为拉格朗日乘子向量,一个变量αi对应一个样本点(xi,yi),变量的总数等于训练样本的容量。K(xi,xj)表示径向基核函数,具体采用下面公式:
0≤αi≤C,i=1,2,...,N
其中,求得最优解进而求得最优分离超平面的法向量/>
(3)选择α*的一个正分量计算最优分离超平面的截距b*,具体采用下面公式:
其中,为样本点(xj,yj)对应的最优拉格朗日乘子,/>
(4)构造决策函数,具体公式如下:
其中,sign(x)代表sigmoid函数,f(x)为类别标签为1时的概率值。
基于前述方案,根据上述表中的数据记录通过上述步骤(1)~(4)可以对支持向量机进行训练,以获取上述预设模型,即获取上述预设模型中的参数di *、b*。例如,将最终的模型(即上述预设模型)输出至线上,用于实时监测仓库中码点状态,动态精确地识别污损码点,及时推送仓库运维,进行污损码点的更换和修补,以减少仓库的脱轨类行驶故障,保障仓库高效稳定地运行。
图5示意性示出了根据本发明的实施例的识别污损码点的装置的方框图。
如图5所示,识别污损码点的装置500包括第一获取模块510、特征确定模块520和污损码点确定模块530。
具体地,第一获取模块510,用于获取码点当前数据。
特征确定模块520,用于根据所述码点当前数据确定码点状态特征,所述码点状态特征包括以下任意一项或多项:自动导引运输车特征、码点特征、时间特征。
污损码点确定模块530,用于根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定当前码点是否为污损码点。
该识别污损码点的装置500可以获取码点当前数据,根据码点当前数据确定码点状态特征,所述码点状态特征包括以下任意一项或多项:自动导引运输车特征、码点特征、时间特征,然后根据自动导引运输车特征、码点特征、和/或时间特征确定当前码点是否为污损码点,以此方式实现了从多维度来确定污损码点,以使得确定出的污损码点更加准确,进而使得更有针对性地开展码点检修工作。
根据本发明的实施例,该识别污损码点的装置500可以用于实现图2实施例描述的识别污损码点的方法。
在本发明的一些实施例中,上述特征确定模块520被配置为:根据所述码点当前数据确定所述故障自动导引运输车的数量、所述故障自动导引运输车的状态、所述第一平均故障间隔、所述第一故障间隔趋势、所述第二平均故障间隔、所述第二故障间隔趋势、和/或所述异常时间占比。
图6示意性示出了根据本发明的另一个实施例的识别污损码点的装置的方框图。
如图6所示,上述污损码点确定模块530包括概率确定模块531和污损码点确定子模块532。
具体地,概率确定模块531,用于通过预设模型根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定所述当前码点的概率。
污损码点确定子模块532,用于根据所述当前码点的概率确定所述当前码点是否为所述污损码点。
该污损码点确定模块530可以通过预设模型根据自动导引运输车特征、码点特征、和/或时间特征确定当前码点的概率,根据当前码点的概率确定该当前码点是否为污损码点,以此方式实现了从多维度来确定污损码点,以使得确定出的污损码点更加准确,进而使得更有针对性地开展码点检修工作。
根据本发明的实施例,该污损码点确定模块530可以用于实现图3实施例描述的识别污损码点的方法。
图7示意性示出了根据本发明的另一个实施例的识别污损码点的装置的方框图。
如图7所示,上述污损码点确定子模块532包括第一确定模块532-1或第二确定模块532-2。
具体地,第一确定模块532-1,在所述当前码点的概率大于等于预设阈值时,确定所述当前码点为所述污损码点。或者
第二确定模块532-2,在所述当前码点的概率小于所述预设阈值时,确定所述当前码点不为所述污损码点。
图8示意性示出了根据本发明的另一个实施例的识别污损码点的装置的方框图。
如图8所示,上述识别污损码点的装置500还包括第二获取模块540和训练模块550。
具体地,第二获取模块540,用于获取码点历史数据,所述码点历史数据包括污损码点的历史数据和正常码点的历史数据。
训练模块550,利用所述污损码点的历史数据和所述正常码点的历史数据对支持向量机进行训练,得到所述预设模型
该识别污损码点的装置500可以利用污损码点的历史数据和正常码点的历史数据对支持向量机进行训练,以此方式得到的预设模型在后续识别污损码点时得到的结果更加准确,进而提升识别污损码点的能力。
根据本发明的实施例,该识别污损码点的装置500可以用于实现图4实施例描述的识别污损码点的方法。
由于本发明的示例实施例的识别污损码点的装置500的各个模块可以用于实现上述2~图4描述的识别污损码点的方法的示例实施例的步骤,因此对于本发明装置实施例中未披露的细节,请参照本发明上述的识别污损码点的方法的实施例。
可以理解的是,第一获取模块510、特征确定模块520、污损码点确定模块530、概率确定模块531、污损码点确定子模块532、第一确定模块532-1、第二确定模块532-2、第二获取模块540、以及训练模块550可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,第一获取模块510、特征确定模块520、污损码点确定模块530、概率确定模块531、污损码点确定子模块532、第一确定模块532-1、第二确定模块532-2、第二获取模块540、以及训练模块550中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式的适当组合来实现。或者,第一获取模块510、特征确定模块520、污损码点确定模块530、概率确定模块531、污损码点确定子模块532、第一确定模块532-1、第二确定模块532-2、第二获取模块540、以及训练模块550的至少一个可以至少被部分地实现为计算机程序模块,当该程序被计算机运行时,可以执行相应模块的功能。
下面参考图9,其示出了适于用来实现本发明实施例的电子设备的计算机系统600的结构示意图。图9示出的电子设备的计算机系统600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9所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
特别地,根据本发明的实施例,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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请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单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请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电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备实现如上述实施例中所述的识别污损码点的方法。
例如,所述的电子设备可以实现如图2中所示的:在步骤S210中,获取码点当前数据。在步骤S220中,根据所述码点当前数据确定码点状态特征,所述码点状态特征包括以下任意一项或多项:自动导引运输车特征、码点特征、时间特征。在步骤S230中,根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定当前码点是否为污损码点。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (7)
1.一种识别污损码点的方法,其特征在于,包括:
获取码点当前数据;
根据所述码点当前数据确定码点状态特征,所述码点状态特征包括以下任意一项或多项:自动导引运输车特征、码点特征、时间特征;
根据所述自动导引运输车车特征、所述码点特征、和/或所述时间特征确定当前码点是否为污损码点;
其中,所述自动导引运输车特征包括故障自动导引运输车的数量和/或所述故障自动导引运输车的状态,所述码点特征包括第一平均故障间隔和/或第一故障间隔趋势,所述时间特征包括第二平均故障间隔、第二故障间隔趋势、和/或异常时间占比,所述第一平均故障间隔为相邻两次故障间自动导引运输车经过所述当前码点的次数的平均值,所述第一故障间隔趋势为相邻两次故障间自动导引运输车经过所述当前码点的次数的趋势,所述第二故障间隔为相邻两次故障发送时间间隔的平均值,所述第二故障间隔趋势为相邻两次故障发送时间间隔的趋势,所述故障自动导引运输车的状态包括根据所述故障自动导引运输车在预设空间中所有码点发生脱轨故障的总次数的均值确定的故障自动导引运输车的状态;
根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定所述当前码点是否为所述污损码点包括:
通过预设模型根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定所述当前码点的概率;根据所述当前码点的概率确定所述当前码点是否为所述污损码点。
2.根据权利要求1所述的方法,其特征在于,根据所述码点当前数据确定所述码点状态特征包括:
根据所述码点当前数据确定所述故障自动导引运输车的数量、所述故障自动导引运输车的状态、所述第一平均故障间隔、所述第一故障间隔趋势、所述第二平均故障间隔、所述第二故障间隔趋势、和/或所述异常时间占比。
3.根据权利要求1所述的方法,其特征在于,根据所述当前码点的概率确定所述当前码点是否为所述污损码点包括:
在所述当前码点的概率大于等于预设阈值时,确定所述当前码点为所述污损码点;或者,
在所述当前码点的概率小于所述预设阈值时,确定所述当前码点不为所述污损码点。
4.根据权利要求1所述的方法,其特征在于,在获取所述码点当前数据之前,该方法还包括:
获取码点历史数据,所述码点历史数据包括污损码点的历史数据和正常码点的历史数据;
利用所述污损码点的历史数据和所述正常码点的历史数据对支持向量机进行训练,得到所述预设模型。
5.一种识别污损码点的装置,其特征在于,包括:
第一获取模块,用于获取码点当前数据;
特征确定模块,用于根据所述码点当前数据确定码点状态特征,所述码点状态特征包括以下任意一项或多项:自动导引运输车特征、码点特征、时间特征;
污损码点确定模块,用于根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定当前码点是否为污损码点;
其中,所述自动导引运输车特征包括故障自动导引运输车的数量和/或所述故障自动导引运输车的状态,所述码点特征包括第一平均故障间隔和/或第一故障间隔趋势,所述时间特征包括第二平均故障间隔、第二故障间隔趋势、和/或异常时间占比,所述第一平均故障间隔为相邻两次故障间自动导引运输车经过所述当前码点的次数的平均值,所述第一故障间隔趋势为相邻两次故障间自动导引运输车经过所述当前码点的次数的趋势,所述第二故障间隔为相邻两次故障发送时间间隔的平均值,所述第二故障间隔趋势为相邻两次故障发送时间间隔的趋势,所述故障自动导引运输车的状态包括根据所述故障自动导引运输车在预设空间中所有码点发生脱轨故障的总次数的均值确定的故障自动导引运输车的状态;
所述污损码点确定模块设置为:通过预设模型根据所述自动导引运输车特征、所述码点特征、和/或所述时间特征确定所述当前码点的概率;根据所述当前码点的概率确定所述当前码点是否为所述污损码点。
6.一种电子设备,包括:
一个或多个处理器;以及
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时,使得所述一个或多个处理器实现根据权利要求1~4中任意一项所述的方法。
7.一种计算机可读介质,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根据权利要求1~4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098543.7A CN113344150B (zh) | 2020-02-18 | 2020-02-18 | 识别污损码点的方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098543.7A CN113344150B (zh) | 2020-02-18 | 2020-02-18 | 识别污损码点的方法、装置、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344150A CN113344150A (zh) | 2021-09-03 |
CN113344150B true CN113344150B (zh) | 2024-03-01 |
Family
ID=77466917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010098543.7A Active CN113344150B (zh) | 2020-02-18 | 2020-02-18 | 识别污损码点的方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344150B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115090610A (zh) * | 2022-06-22 | 2022-09-23 | 合肥工业大学 | 一种用于义齿加工的去静电式除尘装置及其加工系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6792004B1 (en) * | 1999-10-29 | 2004-09-14 | International Business Machines Corporation | Systems, methods and computer program products for averaging learned levels in the presence of robbed-bit signaling based on proximity |
CN101379368A (zh) * | 2006-02-01 | 2009-03-04 | 杰维斯·B·韦布国际公司 | 可变路径自动导引车辆 |
CN107463863A (zh) * | 2017-09-04 | 2017-12-12 | 广州杰赛科技股份有限公司 | 二维码异常识别方法、装置和系统,共享单车 |
CN108490806A (zh) * | 2018-04-23 | 2018-09-04 | 北京航空航天大学 | 基于改进故障模式与影响分析的系统弹性仿真评估方法 |
CN110633880A (zh) * | 2018-06-22 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种确定自动导引运输车配置数量的方法和装置 |
CN110702092A (zh) * | 2019-09-10 | 2020-01-17 | 上海快仓智能科技有限公司 | 自动引导车的导航 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8464102B2 (en) * | 2010-12-23 | 2013-06-11 | GM Global Technology Operations LLC | Methods and systems for diagnosing hardware and software faults using time-stamped events |
US11361237B2 (en) * | 2018-07-27 | 2022-06-14 | Conduent Business Services, Llc | Methods and systems for performing predictive maintenance on vehicle components to prevent cascading failure in a transportation system |
-
2020
- 2020-02-18 CN CN202010098543.7A patent/CN113344150B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6792004B1 (en) * | 1999-10-29 | 2004-09-14 | International Business Machines Corporation | Systems, methods and computer program products for averaging learned levels in the presence of robbed-bit signaling based on proximity |
CN101379368A (zh) * | 2006-02-01 | 2009-03-04 | 杰维斯·B·韦布国际公司 | 可变路径自动导引车辆 |
CN107463863A (zh) * | 2017-09-04 | 2017-12-12 | 广州杰赛科技股份有限公司 | 二维码异常识别方法、装置和系统,共享单车 |
CN108490806A (zh) * | 2018-04-23 | 2018-09-04 | 北京航空航天大学 | 基于改进故障模式与影响分析的系统弹性仿真评估方法 |
CN110633880A (zh) * | 2018-06-22 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种确定自动导引运输车配置数量的方法和装置 |
CN110702092A (zh) * | 2019-09-10 | 2020-01-17 | 上海快仓智能科技有限公司 | 自动引导车的导航 |
Non-Patent Citations (3)
Title |
---|
Adaptive Performance Optimization for Large-Scale Traffic Control Systems;Anastasios Kouvelas等;《IEEE Transactions on Intelligent Transportation Systems》;第12卷(第4期);全文 * |
基于QR二维码技术的AGV系统在仓储中的应用设计;于娟;;天津职业技术师范大学学报(03);全文 * |
基于SLAM导航的多目视觉AGV系统设计;李俊;;包装工程(19);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113344150A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978379B (zh) | 时序数据异常检测方法、装置、计算机设备和存储介质 | |
RU2540830C2 (ru) | Адаптивное дистанционное обслуживание подвижных составов | |
US11921169B2 (en) | Transformer fault diagnosis method and system using induced ordered weighted evidence reasoning | |
US10901401B2 (en) | Plan generation apparatus, method and computer readable medium for multi-process production of intermediate product | |
CN103917987A (zh) | 通过光栅图像的边缘检测的带磨损的测量 | |
AU2019275633B2 (en) | System and method of automated fault correction in a network environment | |
CN108876213B (zh) | 基于区块链的产品管理方法、装置、介质及电子设备 | |
CN111353983A (zh) | 缺陷检测识别方法、装置、计算机可读介质及电子设备 | |
CN102375452A (zh) | 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法 | |
CN112581719B (zh) | 基于时序生成对抗网络的半导体封装过程预警方法和装置 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN113344150B (zh) | 识别污损码点的方法、装置、介质及电子设备 | |
CN111124732A (zh) | 一种磁盘故障的预测方法、系统、设备及存储介质 | |
CN103646114A (zh) | 硬盘smart数据中特征数据提取方法和装置 | |
CN111274821B (zh) | 一种命名实体识别数据标注质量评估方法及装置 | |
CN111933244A (zh) | 药品数据编码方法、装置、计算机可读介质及电子设备 | |
CN113722239B (zh) | 机载嵌入式软件质量检测方法、装置、介质及电子设备 | |
CN116415851A (zh) | 一种基于深度学习的设施运维性态指标智能识别评价方法 | |
CN112990329B (zh) | 一种系统异常诊断方法和装置 | |
CN115510998A (zh) | 交易异常值检测方法及装置 | |
CN114416686A (zh) | 一种车辆设备指纹carid识别系统及识别方法 | |
CN112434624A (zh) | 结构健康监测数据失真检测方法、系统、装置及存储介质 | |
CN111367781A (zh) | 一种实例处理方法及其装置 | |
CN111045849A (zh) | 核对异常原因的识别方法、装置、服务器和存储介质 | |
CN113642618B (zh) | 一种用于螺杆装置状态预测模型训练的方法及设备 |
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 |