CN113793097B - 一种货物运输风险的分析方法及系统 - Google Patents

一种货物运输风险的分析方法及系统 Download PDF

Info

Publication number
CN113793097B
CN113793097B CN202111042938.6A CN202111042938A CN113793097B CN 113793097 B CN113793097 B CN 113793097B CN 202111042938 A CN202111042938 A CN 202111042938A CN 113793097 B CN113793097 B CN 113793097B
Authority
CN
China
Prior art keywords
impact
acceleration
event
vector
cargo
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
Application number
CN202111042938.6A
Other languages
English (en)
Other versions
CN113793097A (zh
Inventor
李燕华
罗良辰
肖彪
王晓妮
牛美亮
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.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
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 Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202111042938.6A priority Critical patent/CN113793097B/zh
Publication of CN113793097A publication Critical patent/CN113793097A/zh
Application granted granted Critical
Publication of CN113793097B publication Critical patent/CN113793097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Educational Administration (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种货物运输风险的分析方法即系统，货物运输风险的分析方法包括：获取货物运输过程中受力时的三轴加速度数据，对所述三轴加速度数据进行矢量合成获得矢量加速度；根据所述矢量加速度的变化情况确定货物受力后的运动事件，并根据矢量加速度获得对应运动事件的状态参数；输出货物受力后的运动事件及对应状态参数。本发明的分析方法及系统能够对实际运输环境中产品受到的振动、碰撞等数据信息进行采集和解析计算，同时输出相应的数据分析报告，能够帮助技术人员识别产品在运输过程中的受力情况，帮助技术人员在包装设计时提供数据支持。

Description

一种货物运输风险的分析方法及系统
技术领域
本发明属于货物运输领域，尤其涉及一种货物运输风险的分析方法及系统。
背景技术
目前公司产品存在大量过度包装、欠缺包装和过度设计等问题，成本压力巨大，急需有针对性的进行包装和产品结构优化设计，但是产品包装运输试验标准建立缺乏有效的运输环境数据支撑，不能很好地考核包装防护可靠性和产品强度，所以急需找到货物破损原因对物流进行有针对性地改善与监控，减少运输损失。
有鉴于此特提出本发明。
发明内容
为解决上述技术问题，本发明提出了一种货物运输风险的分析方法，其特征在于，包括
获取货物运输过程中受力时的三轴加速度数据，对所述三轴加速度数据进行矢量合成获得矢量加速度；
根据所述矢量加速度的变化情况确定货物受力后的运动事件，并根据矢量加速度获得对应运动事件的状态参数；
输出货物受力后的运动事件及对应状态参数。
进一步可选地，所述根据所述矢量加速度的变化情况确定货物受力后的运动事件，并根据矢量加速度获得对应运动事件的状态参数，包括：
计算矢量加速度的均值，将所述均值与第一判断阈值进行比较，根据比较结果来确定货物受力后的运动事件是冲击事件还是振动事件；
当所述均值小于第一判断阈值时，判断货物受力后的运动事件为振动事件，根据矢量加速度获得振动状态参数；当所述均值大于等于第一判断阈值时，判断货物受力后的运动事件为冲击事件。
进一步可选地，当判断货物受力后的运动事件为冲击事件后，所述分析方法还包括：
判断矢量加速度是否存在失重区间段，当矢量加速度存在失重区间段时，判断货物受力后的运动事件为跌落事件，当矢量加速度不存在失重区间段时，判断货物受力后的运动事件为普通冲击事件，根据矢量加速度获得普通冲击状态参数。
进一步可选地，当判断货物受力后的运动事件为跌落事件后，所述分析方法还包括：
判断矢量加速度在失重区间段之前是否存在超重区间段，当失重区间段之前存在超重区间段时，判断货物受力后的运动事件为抛掷事件，根据矢量加速度获得抛掷状态参数；
当失重区间段之前不存在超重区间段时，判断货物受力后的运动事件为自由跌落事件，根据矢量加速度获得自由跌落状态参数。
进一步可选地，所述的振动状态参数包括初始放置姿态、振动峰值和试验用PSD值；
所述的普通冲击状态参数包括初始放置姿态、冲击姿态、冲击峰值和等效跌落高度；
所述的抛掷状态参数包括抛掷状态、初始放置姿态、冲击姿态和抛掷高度；
所述的自由跌落状态参数包括初始放置姿态、冲击姿态和跌落高度。
进一步可选地，所述的初始放置姿态的获得，包括
采集货物初始放置时的三轴加速度数据，根据所述三轴加速度数据确定货物放置稳定时的区间段；
获取所述物放置稳定时的区间段中货物放置的三轴加速度的平均值，并对该平均值进行非线性变换；
将所述三轴加速度的平均值与货物的初始放置姿态进行比较，根据比较结果对货物放置姿态进行标注以获取标注数据；
将非线性变换后的三轴加速度的平均值和所述标注数据送入神经网络进行训练，根据预设的货物初始放置姿态识别准确性要求来确定货物初始放置姿态神经网络模型，通过所述神经网络模型获得货物的初始放置姿态。
进一步可选地，所述的振动峰值包括：三轴加速度各自的最大值、以及矢量加速度的最大值。
进一步可选地，所述的试验用PSD值的获得包括：
将获得的三轴加速度数据进行FFT计算，获得实际运输PSD谱；
将所述实际运输PSD谱通过统计平均正态容差计算出正态PSD谱；
对所述正态PSD谱进行光滑包络，获得包络PSD谱；
对所述包络PSD谱的测试时间进行加速寿命计算得到实验用PSD谱。
进一步可选地，所述的冲击姿态的获得，包括
根据货物冲击姿态事件确定货物的冲击区段；
获取所述冲击区段中货物冲击的三轴加速度的平均值，并对该平均值进行非线性变换；
将所述三轴加速度的平均值与货物的冲击姿态进行比较，根据比较结果对冲击姿态进行标注以获取标注数据；
将非线性变换后的三轴加速度的平均值和所述标注数据送入神经网络进行训练，根据预设的货物冲击姿态识别准确性要求来确定冲击姿态的神经网络模型，通过所述神经网络模型获得货物的冲击姿态。
进一步可选地，所述的冲击姿态的获得，包括
基于所述矢量加速度来确定冲击事件中的冲击区段；
获取冲击区段的三轴加速度，基于所述冲击区段的三轴加速度计算冲击区段中每个轴的加速度平均值与三轴加速度平均值的平方和根的比值；
根据所述每个轴的加速度平均值与三轴加速度平均值的平方和根的比值的大小来确定货物的冲击姿态。
进一步可选地，所述的冲击峰值包括：矢量加速度的最大值。
进一步可选地，所述的等效跌落高度的获得包括：
基于所述矢量加速度来确定普通冲击事件中的冲击区段；
对所述冲击区段进行时域积分获得冲击速度变化量Δv；
计算等效跌落高度h0，其中e为恢复系数,Δv为冲击速度变化量，g为重力常数。
进一步可选地，所述的抛掷状态的获得包括：抛掷状态
获取货物抛掷过程中的三轴加速度信息，对所述三轴加速度进行矢量合成获得矢量加速度波形；
基于所述矢量加速度波形来确定失重区间段，并根据所述失重区间段来确定上抛时间和下落时间；
根据所述上抛时间、所述下落时间分别计算上抛高度和下落高度，根据所述上抛高度、所述下落高度的大小来确定货物的抛掷状态。
本发明还提出了一种货物运输风险分析系统，包括
数据采集模块，用于采集货物受力时的三轴加速度数据；
数据处理模块，用于对所述三轴加速度数据进行矢量合成获得矢量加速度；
计算分析模块，用于计算所述矢量加速度的均值，根据所述矢量加速度的均值与第一判断阈值比较来判断货物受力后的运动事件是振动事件还是冲击事件；当判断为振动事件后，根据矢量加速度获得振动状态参数；当判断为冲击事件后，根据矢量加速度是否存在失重区间来判断是普通冲击事件还是跌落事件，当为普通冲击事件后，根据矢量加速度获得普通冲击状态参数；当判断为跌落事件后，根据矢量加速度是否存在超重区间来判断是自由跌落事件还是抛掷事件，当判断为自由跌落事件后根据矢量加速度获取自由跌落参数，当判断为抛掷事件后根据矢量加速度获得跌抛掷参数；
数据输出模块，用于输出货物受力后的运动事件及对应状态参数。
进一步可选地，其采用上述任意一项所述的分析方法。
采用上述技术方案后，本发明与现有技术相比具有以下有益效果：
通过本发明的分析方法能够对实际运输环境中产品受到的振动、碰撞等数据信息进行采集和解析计算，同时输出相应的数据分析报告，能够帮助技术人员识别产品在运输过程中的受力情况，帮助技术人员在包装设计时提供数据支持。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，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附图。在附图中：
图1：为本发明实施例的分析方法的流程图。
图2：为本发明分析方法中一个具体实施例的运动事件分析流程图。
图3：为本发明分析方法中一个具体实施例的初始放置姿态的分析流程图。
图4：为本发明分析方法中一个具体实施例的试验用PSD值的分析流程图。
图5：为本发明分析方法中一个具体实施例的冲击姿态的分析流程图。
图6：为本发明分析方法中另一个具体实施例的冲击姿态的分析流程图。
图7：为本发明分析方法中一个具体实施例的等效跌落高度的分析流程图。
图8：为本发明分析方法中一个具体实施例的抛掷状态的分析流程图。
图9：为本发明分析方法的系统运行图。
需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
在本发明的描述中，需要说明的是，术语“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“接触”、“连通”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
目前公司产品存在大量过度包装、欠缺包装和过度设计等问题，成本压力巨大，急需有针对性的进行包装和产品结构优化设计，但是产品包装运输试验标准建立缺乏有效的运输环境数据支撑，不能很好地考核包装防护可靠性和产品强度，所以急需找到货物破损原因对物流进行有针对性地改善与监控，减少运输损失。针对以上问题，本实施例提供一种货物运输环境分析方法，通过本分析方法能够对实际运输环境中产品受到的振动、碰撞等数据信息进行采集和解析计算，同时输出相应的数据分析报告，能够帮助技术人员识别产品在运输过程中的受力情况，帮助技术人员在包装设计时提供数据支持。本实施例提出的一种货物运输风险的分析方法，如图1所示的流程图，包括如下步骤：
S1、获取货物运输过程中受力时的三轴加速度数据，对所述三轴加速度数据进行矢量合成获得矢量加速度；
S2、根据所述矢量加速度的变化情况确定货物受力后的运动事件，并根据矢量加速度获得对应运动事件的状态参数；
S3、输出货物受力后的运动事件及对应状态参数。
具体的，将内置三轴加速度传感器和数据采集、存储和发送组件的运输环境监测仪粘贴于需要测试的产品上，放置于产品包装内，启动运输环境监测仪；然后，运输监测仪随产品一起运输测试或者实际运输，采集该运输过程中货物受力引起的三轴加速度数据；然后将采集到的三轴加速度数据上传至物流环境运输平台，物流环境运输平台主要由服务器、数据库和客户端(网页端、PC端和移动端)等组成，集成了数据处理、货物运输状态分析与风险识别算法，能够实现在线检测、在线存储、数据处理、自动识别、特征再现、统计分析、信息发布、管理优化、多用户共享等功能。利用公式对收集到的三轴加速度的数据进行矢量合成，获得矢量加速度，矢量加速度为以时间为横坐标，加速度为纵坐标的波形。其中a指合成矢量加速度，ax、ay和az分别指加速度传感器采集到的X、Y和Z三个方向上加速度。为了减少噪声，将矢量加速度放入低通滤波器进行滤波处理。接着平台运行分析算法根据矢量加速度对实际运输过程中的货物受力后的运动事件进行识别与分析，以及获得对应运动事件的状态参数，最后将分析结果生成分析报告，待整个运输测试或实际运输过程结束后，整个运行过程结束，通过本实施例的分析方法有利于设计人员在设计产品结构和包装结构有实际物体受力强度依据做设计支撑。
进一步可选地，如图2所示的流程图，步骤S2中包括：
S21、计算矢量加速度的均值，将所述均值与第一判断阈值进行比较，根据比较结果来确定货物受力后的运动事件是冲击事件还是振动事件；
S22、当所述均值小于第一判断阈值时，判断货物受力后的运动事件为振动事件，根据矢量加速度获得振动状态参数；当所述均值大于等于第一判断阈值时，判断货物受力后的运动事件为冲击事件。
具体的，在一些具体的实施方式中，矢量加速度的均值的计算方法包括：计算矢量加速度的绝对值，并基于各矢量加速度的绝对值计算矢量加速度的均值。本实施例中采用传感器采集数据合成得到矢量加速度，并用归一法获得矢量加速度的波形，在计算各矢量加速度的绝对值并求得均值后需减去重力常量后再与第一判断阈值比较；第一判断阈值a1的范围一般取0.1g～0.3g，g为重力常量。由于振动是围绕平衡位置的往复运动，加速度变化较小，冲击为瞬间加速度变化，加速度变化较大，因此当所述均值小于第一判断阈值a1时判断货物的运动事件为振动时间，当所述均值大于等于第一判断阈值a1时判断货物的运动事件为冲击事件。进一步可选地，步骤S22中，当判断货物受力后的运动事件为冲击事件后，所述分析方法还包括：
S221、判断矢量加速度是否存在失重区间段，当矢量加速度存在失重区间段时，判断货物受力后的运动事件为跌落事件，当矢量加速度不存在失重区间段时，判断货物受力后的运动事件为普通冲击事件，根据矢量加速度获得普通冲击状态参数。
具体的，由于货物跌落的时候存在从高处向下落的过程，在这个过程中货物处于失重状态，因此当矢量加速度中存在失重区间说明货物受力后的运动事件为跌落事件，否则为普通冲击事件。在一些可选的方式中，失重区间段的判断方法为：确定矢量加速度的矢量波峰，以所述矢量波峰为起点，向时间坐标减小的方向沿所述矢量加速度波形的轨迹截取小于重力常数g的第一连续波段，所述第一连续波段为失重区间段。为了避免由于信号扰动导致错误判断，加速度失重存在一定时间才能判断为跌落，为此对存在失重的加速数据进行进一步判断，计算具体失重持续时间，第一连续波段事件坐标最大的点为撞击时刻，时间坐标最小的点为开始失重时刻，失重持续时间为撞击时刻的时间减去开始失重时刻的时间T2,，当失重区间段的持续时间大于设定时间时为跌落事件。设定时间可选的为大于等于0.1s。进一步可选地，当判断货物受力后的运动事件为跌落事件后，步骤S221还包括：
S2211、判断矢量加速度在失重区间段之前是否存在超重区间段，当失重区间段之前存在超重区间段时，判断货物受力后的运动事件为抛掷事件，根据矢量加速度获得抛掷状态参数；
S2212、当失重区间段之前不存在超重区间段时，判断货物受力后的运动事件为自由跌落事件，根据矢量加速度获得自由跌落状态参数。
具体的，抛掷和自由落体最大的区别是，抛掷在自由落体之前获得一个加速度，这是由于货物遭受抛掷力后获得的，表现为货物矢量加速度大于重力常量。因此，当矢量加速度在失重区间段之前存在超重区间段说明货物受力后的运动事件为抛掷事件，否则为自由跌落事件。在一些可选的方式中，超重区间段的判断方法为：以所述脱手时刻为起点，继续向时间坐标减小的方向沿所述矢量加速度波形的轨迹截取大于重力常数g的第二连续波段，所述第二连续波段为失重区间段。
进一步可选地，所述的振动状态参数包括初始放置姿态、振动峰值和试验用PSD值；所述的普通冲击状态参数包括初始放置姿态、冲击姿态、冲击峰值和等效跌落高度；所述的抛掷状态参数包括抛掷状态、初始放置姿态、冲击姿态和抛掷高度；所述的自由跌落状态参数包括初始放置姿态、冲击姿态和跌落高度。初始放置姿态是货物稳定状态下的姿态，包括面、棱、角。冲击姿态的是货物撞击时的受力姿态，包括面、棱、角。抛掷状态包括颠簸、上抛、下抛和平抛。
以下针对不同运动事件状态参数的获得方法来对本发明进行详细解释。
【振动事件】
1、初始放置姿态的获得方法
本实施例通过机器学习的方法，反复训练模型提升识别准确性，相对普通阈值法，本实施例的方案更能提升识别准确性。
如图3所示的流程图，包括如下步骤：
A1、采集货物初始放置时的三轴加速度数据，根据所述三轴加速度数据确定货物放置稳定时的区间段；
A2、获取所述物放置稳定时的区间段中货物放置的三轴加速度的平均值，并对该平均值进行非线性变换；
A3、将所述三轴加速度的平均值与货物的初始放置姿态进行比较，根据比较结果对货物放置姿态进行标注以获取标注数据；
A4、将非线性变换后的三轴加速度的平均值和所述标注数据送入神经网络进行训练，根据预设的货物初始放置姿态识别准确性要求来确定货物初始放置姿态神经网络模型。
首先，通过三轴加速度传感器采集一系列已知放置姿态的振动或冲击事件，将其三轴加速度的数据导入平台；然后，利用公式(其中a指合成矢量加速度，ax、ay和az分别指加速度传感器采集到的X、Y和Z三个方向上加速度)对三轴加速度数据进行矢量合成；最后将矢量合成的加速度波形放入巴特沃斯低通滤波器进行滤波处理滤除高频噪声。
其次进行寻找稳定区间段的过程，首先,寻找矢量加速度波峰，记录其时间坐标为tmax；然后，从加速度起始位置t0(对应数据点序号为0)以步长N向右(波峰侧)遍历，其中，N表示采样点数，可根据加速度数据采样频率来选取，采样频率越高，N可以取得越大，例如采样频率800Hz时，N可以取2。每次遍历计算区间[0,n*N]区间段内矢量加速度平均值n为第n次遍历。通常，货物静止放置时，加速度传感器仅收到重力作用，矢量加速度应接近重力加速度1g。若/>其中b为定义阈值，一般取0.1～0.2g，则记录该区间段为候选区间段，否则不记录为候选区域，遍历至矢量加速度波峰tmax处结束，tmax是波峰时刻；最后，若有候选区间段，则选取时间长度最长的候选区间段作为初始放置稳定区间段，若无候选区间段则选取固定的区间段作为初始放置区间段。在实际操作工程中固定的区间段可以选取[0,150]。其中，150表示该数据点，其与数据采样率以及冲击预触发时间设置相关，冲击预触发时间为设置加速度冲击触发前应记录数据采样时长。150个采样点的量纲为采样点数，即从加速度算起的第150个采样点可以选择经验值，与数据采样率、采样时长和预触发时长有关；例如当检测设备采样率800Hz，一条加速度数据总采样点数为2880，即采样时长3.6s，冲击预触发时间设置为了1.6s，考虑到跌落失重时间不会超过1s，则一条加速度数据中放置段时长可能为0.6s，对应480点，固定区间的上限取前150点较为合适。
根据本发明的一个或多个实施例，当初始放置稳定区间段确定后，根据初始放置稳定区间段截取相对应的三轴加速度波形，并计算三轴加速度在稳定放置段内各自平均值，和/>然后，为了后续机器学习的方便，对三轴加速度的各自平均值并进行非线性变换，变换后值分别为/> 和/>形成神经网络输入向量/>接着，并将三轴平均值/>和/>与该数据对应的振动或冲击试验的初始放置姿态进行对比分析，清除错误数据，该过程称为清洗，并根据该数据对应振动或冲击事件的初始放置姿态进行标注，面设为0，棱设为1，角为2，，将计算/>和标注数据一起存入数据库。
根据本发明的一个或多个实施例，将一系列已知初始放置姿态的三轴加速度各自平均值的非线性变换值和和标注数据送入构建的DNN神经网络中，并依据损失率和准确率调整网络参数(如网络层数，每层节点数以及随机失活概率等值)设置，判断是否满足识别准确性要求，如果满足准确性要求则模型构建成功，输出符合客户需要的模型，如果不满足要求，则增加已知初始放置姿态事件以及调整网络参数进行重新训练模型，直到满足要求，输出符合客户需要的模型。
根据本发明的一个或多个实施例，预设的货物初始放置姿态识别准确性为准确识别货物初始放置姿态在90％以上
根据本发明的一个或多个实施例，上述数据库存储原始三轴加速度数据以及稳定的区间段的三轴加速度各自平均值的非线性变换值以及标注等数据。
根据本发明的一个或多个实施例，清洗和标注用于模型训练阶段，其中清洗：对用于训练模型的数据进行筛查，排除错误数据：例如传感器没贴稳导致记录数据错误等情况。其中标注：对模型的输入数据进行标注，即该数据对应什么初始放置姿态，如面设为0，棱设为1，角为2。
根据本发明的一个或多个实施例，所述神经网络模型在训练时的输入为：非线性变换后的三轴加速度的平均值和所述标注数据；所述神经网络模型在训练时的输出为：训练完成后的初始放置姿态识别神经网络模型，所述神经网络模型至少包括神经网络模型的网络层数、每层的节点数以及神经网络的相关参数；所述神经网络模型在预测时的输入为：货物初始放置姿态在放置稳定时的区间段中的非线性变换后的三轴加速度的平均值；所述神经网络模型在预测时的输出为：货物的初始放置姿态。
2、振动峰值的获取：获取振动事件中的三轴加速度各自的最大值、以及矢量加速度的最大值。
3、试验用PSD值的获取如图4所示的流程图，包括如下步骤：
B1、将获得的三轴加速度数据进行FFT计算，获得实际运输PSD谱；
B2、将所述实际运输PSD谱通过统计平均正态容差计算出正态PSD谱；
B3、对所述正态PSD谱进行光滑包络，获得包络PSD谱；
B4、对所述包络PSD谱的测试时间进行加速寿命计算得到实验用PSD谱。
具体算法过程如下：
首先，利用FFT(快速傅里叶)方法，计算一系列振动事件的三轴加速度对应的三个方向的PSD谱；然后，基于一系列PSD数据，正态容差极限法(参考NASA-HDBK-7005《动力学环境手册》)计算不同概率下综合PSD，具体算法为：正态容差谱的估计需计算每个频率分辨带宽内加速度功率谱密度的容差极限，设Xi,j是第i个测量点在第j个频率分辨带宽内的加速度功率谱密度值，测量点个数为n。令第j个频率分辨带宽内加速度功率谱密度的单边正态容差极限为Gj，占总体比例β％(β为分位点百分比)的估计值低于Gj的置信度系数为γ，则Gj可利用公式(1)～公式(3)计算得出。
Gj＝Xj+kn,β,γSj (1)
其中，Xj为第j个频率分辨率带宽内的样本均值；Sj为对应的样本标准偏差；kn,β,γ为正态单边容差因子(当分位点百分比和置信度度系数给定后，该值有表可查)，与样本数n，分位点百分比β和置信度度系数γ有关。
分位点百分比β表示区域内达到β％的响应频谱将低于容差极限。在冲击和振动试验量级的推导过程中一般选择β＝0.95。如果β太小，试验量级可能太低，以至于不能检测出潜在缺陷；如果β太大，试验量级可能过高，会导致产品提前失效。β值一定时，γ对容差极限的影响很大。一般情况下，建议计算正态容差极限的置信度系数为γ＝0.50。
光滑包络处理：为便于试验实施，有时需要通过一系列直线段对容差极限谱进行光滑和包络处理。公路运输振动环境具有“低频量值高，高频逐渐衰减”的特点，用直线段进行光滑和包络处理时可以采用以下方法:
1)计算平均功率谱密度其中：Grms是总方均根加速度，B是总频带宽度；
2)容差极限谱超出平均功率谱密度的部分为谱峰，用平直谱对其峰值进行包络；
3)当有多个邻近谱峰，且峰值接近，则包络处理时可以合并为一段平直谱；
4)高频衰减的部分一般用-3dB/OCT或其整倍数的降谱进行包络，若高频衰减部分有局部的显著凸起，可酌情增加一段平直谱对其峰值进行包络。
加速获得实验室用PSD：
为了缩短试验室振动测试时间，需对实测PSD进行放大处理，计算试验用PSD谱。
首先根据下式子计算真正的振动时间：Tm＝T-Tl-Tsl-Tst-T0，其中，T整个运输持续时间，Tm为监测目标持续时间，Tl为车辆停滞时间，Tsl为夜晚休眠时间，Tst仓储堆放时间，T0为其它可能闲置时间。
如果计算获得Tm依然非常长，实验振动实验不可接受，则需要利用以下公式进行加速实验：推荐Tm/Tt小于5,其中，Gf为实际运输过程的PSD，Gt为实验室测试用PSD。
【普通冲击事件】
1、初始姿态：初始姿态的获得方式与振动事件的获得方式相同，在此不再赘述。
2、冲击姿态
获得冲击姿态的一种可选的实施方式为：通过机器学习的方法，反复训练模型提升识别准确性。
如图5所示的流程图，包括如下步骤
C1、根据货物冲击姿态事件确定货物的冲击区段；
C2、获取所述冲击区段中货物冲击的三轴加速度的平均值，并对该平均值进行非线性变换；
C3、将所述三轴加速度的平均值与货物的冲击姿态进行比较，根据比较结果对冲击姿态进行标注以获取标注数据；
C4、将非线性变换后的三轴加速度的平均值和所述标注数据送入神经网络进行训练，根据预设的货物冲击姿态识别准确性要求来确定冲击姿态的神经网络模型，通过所述神经网络模型获得货物的冲击姿态。
首先，通过运输环境检测装置来对货物冲击姿态事件进行采集，其中所述运输环境检测装置内包括三轴加速度传感器吗，通过三轴加速度传感器采集一系列已知冲击姿态的冲击事件，将其三轴加速度的数据导入平台；然后，利用公式(其中a指合成矢量加速度，ax、ay和az分别指加速度传感器采集到的X、Y和Z三个方向上加速度)对三轴加速度数据进行矢量合成；接着，将矢量合成的加速度波形a放入巴特沃斯低通滤波器进行滤波处理滤除高频噪声；最后计算获取矢量冲击波峰的位置。
其次，获取到矢量冲击波峰后，首先，从波峰向左遍历(时间坐标小的方向)寻找于预设的阈值T(T取小于重力的值，一般取1.2～1.4g)的坐标作为冲击波的左端点(即冲击开始时刻)，若未能找到冲击波左端点，则开始自动调整阈值，调整后继续寻找冲击波左端点；然后从波峰向右遍历(时间坐标大的方向)寻找小于阈值T(T取小于重力的值，一般取1.2～1.4g)的坐标作为冲击波的右端点(即冲击回弹离地时间)，同寻找冲击波右端点一样，若未能找到冲击波右端点，则开始自动调整阈值，自动调整阈值后继续寻找冲击波右端点，左右端点确定后，完成冲击区段的识别。
在冲击开始时间和回弹离地时间之间存在合成矢量加速度a波形的波峰，其在根据本发明上述方案确定冲击波形的左端点和有端点之间。
根据本发明的一个或多个实施例，冲击波区段确定后，依据冲击波形左右端点截取相对应的三轴加速度波形，并计算三轴加速度在冲击区段内各自平均值和/>然后，为了后续机器学习的方便，对三轴加速度的各自平均值并进行非线性变换，变换后值分别为/>和/>形成神经网络输入向量接着，并将三轴平均值/> 和/>与该数据对应的冲击试验的冲击姿态进行对比分析，清除错误数据，该过程称为清洗，并根据该数据对应冲击事件的冲击姿态进行标注，面设为0，棱设为1，角为2，，将计算/>和标注数据一起存入数据库。
根据本发明的一个或多个实施例，将已系列已知冲击姿态的三轴加速度各自平均值的非线性变换值和标注数据送入构建的DNN神经网络中进行训练，并依据损失率和准确率调整网络参数(如网络层数，每层节点数以及随机失活概率等值)设置，并且判断是否满足识别准确性要求，如果满足准确性要求则模型构建成功，输出符合客户需要的模型，如果不满足要求，则增加已知冲击姿态事件数据以及调整网络参数进行重新训练，直到满足要求，输出符合客户需要的模型。
根据本发明的一个或多个实施例，预设的货物冲击姿态识别准确性为准确识别货物冲击姿态在90％以上
根据本发明的一个或多个实施例，上述数据库存储原始三轴加速度数据以及对应的冲击波时刻、冲击波左端点、冲击波右端点、三轴加速度各自平均值的非线性变换值以及标注等数据。
根据本发明的一个或多个实施例，清洗和标注用于模型训练阶段，其中清洗：对用于训练模型的数据进行筛查，排除错误数据：例如传感器没贴稳导致记录数据错误等情况。其中标注：对模型的输入数据进行标注，即该数据对应什么冲击姿态，如面设为0，棱设为1，角为2。
根据本发明的一个或多个实施例，所述神经网络模型在训练时的输入为：非线性变换后的三轴加速度的平均值和所述标注数据；所述神经网络模型在训练时的输出为：训练完成后的冲击姿态识别模型，所述模型至少包括所述神经网络模型的网络层数、每层的节点数以及神经网络的相关参数；所述神经网络模型在预测时的输入为：货物冲击姿态在冲击区段的非线性变换后的三轴加速度的平均值；所述神经网络模型在预测时的输出为：货物的冲击姿态。
获得冲击姿态的另一种可选的实施方式为：通过阈值判断法来获得冲击姿态。如图6所示的流程图，包括如下步骤：
D1、获取货物跌落时的三轴加速度信息，对所述三轴加速度进行矢量合成获得矢量加速度波形；
D2、基于所述矢量加速度波形来确定货物的冲击区段；
D3、获取冲击区段的三轴加速度，基于所述冲击区段的三轴加速度计算冲击区段中每个轴的加速度平均值与三轴加速度平均值的平方和根的比值；
D4、根据所述每个轴的加速度平均值与三轴加速度平均值的平方和根的比值的大小来确定货物的冲击姿态。
进一步可选地，步骤D2中还包括：
D21、确定所述矢量加速度波形的矢量波峰，以所述矢量波峰为起点，沿所述矢量加速度波形的轨迹分别向所述矢量波峰的两侧移动，直至在所述矢量波峰的两侧分别找到小于所述第二判断阈值的点值，位于所述矢量波峰两侧的所述小于所述第二判断阈值的点值之间的波段为所述冲击区段。
具体的，矢量加速度波形上的波峰即为矢量波峰，矢量波峰代表对最大冲击力的时刻，当货物因抛掷而跌落时，矢量加速度波形上至少有两个波峰，则矢量波峰为矢量加速度波形的最大波峰处。当矢量波峰确定后，由于矢量波峰处的加速度值最大，所而货物对跌落平台的冲击力是逐渐增大，达到最大冲击力(即矢量波峰处)又逐渐减小的过程，因此，冲击区段是位于矢量波峰两侧的区域。根据货物掉落至跌落平台后的加速度变化情况和第二判断阈值即可确认冲击区段。第二判断阈值为接近重力的值，一般取1.2～1.4g，g为重力常数。第二判断阈值根据实验确定，第二判断阈值太小，可能无法找到冲击区段，第二判断阈值太大，会导致计算获得冲击区间变小，导致冲击姿态识别计算不准确。
确认冲击区段的一种具体实施方式为：从矢量波峰向左(即时间坐标减小的方向)移动，当移动到小于第二判断阈值的点值时，此点值作为冲击区间的左端点，接着，从矢量波峰向右(即时间坐标增大的方向)移动，当移动到小于第二判断阈值的点值时，此点值作为冲击区间的右端点；左右端点确定后，完成冲击区段的识别，左右端点之间波段为冲击区段。左右端点为冲击开始时刻和冲击回复离地时刻，寻找左右端点是为了确定冲击区间，识别出冲击区间后是为了计算冲击区间内的三轴加速度特值，该特征值为三轴加速度在冲击区间内的各自平均值，用于后续输入神经网络中训练出识别冲击姿态模型。
进一步可选地，当沿所述矢量加速度波形的轨迹分别向所述矢量波峰的两侧移动过程中未找到小于所述第二判断阈值的点值时，将所述第二判断阈值增大设定值后重新以所述矢量波峰为起点，沿所述矢量加速度波形的轨迹分别向所述矢量波峰的两侧移动来寻找小于新的第二判断阈值的点值。
具体的，若未能找到冲区间左端点，则开始自动调整阈值a，调整后继续寻找波峰左端点；若未能找到波峰右端点，则开始自动调整阈值a，自动调整阈值后继续寻找波峰右端点。一般来说，冲击区段两端相当于货物放置在地面上，传感器仅受到重力加速度作用，矢量加速度应该为接近1g的值，但有时由于噪声、干扰等因素导致加速度存在偏移，冲击波两侧的加速度并不接近1g，会比1g大较多，此时则需增大第二判断阈值a，否则可能寻找不到左右端点；但调整此值需非常慎重，调得过大会导致识别的冲击波区间变窄，影响后续冲击姿态判断，第二判断阈值a增大的设定阈值可选的为0.05-0.1g。
进一步可选地，所述第二判断阈值的范围为1.2g～1.4g，g为重力常数。
一般来说，冲击波两端相当于货物放置在地面上，传感器仅受到重力加速度左右，矢量加速度应该为接近1g的值，但有时由于噪声、干扰等因素导致加速度存在偏移，冲击波两侧的加速度并不接近1g，会比1g大较多，此时则需增大第二判断阈值a，否则可能寻找不到左右端点；但调整此值需非常慎重，调得过大会导致识别的冲击波区间变债，影响后续冲击姿态判断。
进一步可选地，步骤D3中包括：
D31、在所述冲击区段中分别获取货物在X轴、Y轴、Z轴三个方向的加速度；
D32、基于所述冲击区段中货物在X轴、Y轴、Z轴三个方向的加速度，分别计算所述冲击区段中货物在X轴、Y轴、Z轴的加速度平均值x、y、z，以及三轴加速度平均值的平方和根
D33、分别计算所述冲击区段中货物在X轴的加速度平均值与三轴加速度平均值的平方和根的比值x1，Y轴的加速度平均值与三轴加速度平均值的平方和根的比值y1，Z轴的加速度平均值与三轴加速度平均值的平方和根的比值z1，满足：
进一步可选地，步骤S4，包括：
D41、确定x1、y1、z1中的最大值amax，最小值amid和中间值amin；
D42、通过比较所述最小值amid、所述最小值amid和所述中间值amin与设定阈值的大小来判定货物的冲击姿态。
当判断amax＞第一设定阈值，amid＜第二设定阈值、amin＜第二设定阈值时，即某一个方向冲击占主导，判定货物的冲击状态为面冲击；当判断amax-amid＜第三设定阈值，且amin＜第二设定阈值时，即某两个方向冲击占主导且差异小，判定货物的冲击姿态为棱冲击；当以上条件均不满足时，判定货物的冲击姿态为角冲击；其中第一设定阈值＞第二设定阈值＞第三设定阈值。第一设定阈值、第二设定阈值和第三设定阈值根据多次试验确定。第一设定阈值可选的为0.8，第二设定阈值可选的为0.2，第三设定阈值可选的为0.1。
3、冲击峰值的获得为获取矢量加速度的最大值。
4、等效跌落高度的获得如图7所示的流程图，包括如下步骤：
E1、基于所述矢量加速度来确定普通冲击事件中的冲击区段；
E2、对所述冲击区段进行时域积分获得冲击速度变化量Δv；
E3、计算等效跌落高度h0，其中e为恢复系数,Δv为冲击速度变化量，g为重力常数。
具体的，对于普通冲击事件，为了后续实验室模拟实验方便，通过恢复系数计算出普通冲击事件的等效跌落高度，算法如下：恢复系数e被定义为包装件离地瞬时速度v2与触地瞬时速度v1比值的绝对值，它表征了缓冲材料在经历冲击后的恢复能力。该理论假设忽略一切阻力，假设包装件由跌落高度h处落下，在跌落冲击发生瞬间包装件具有触地瞬时速度v1，由机械能守恒可知，v1可由式计算。
在经过缓冲材料压缩变形后包装件将再次离地，由恢复系数定义可知，此时离地瞬时速度v2＝ev1。根据包装动力学知冲击加速度-时间曲线为近似半正弦波，该波形与横坐标所围面积为速度变化量Δv，且有Δv＝v2+v1Δv＝v1+v2，则Δv可由式表示，将式变形可得式/>基于式/>及材料恢复系数e与速度变化量Δv，则可计算等效跌落高度。
在实验室进行一系列已知高度的跌落试验，采集跌落冲击过程中的加速度，并计算冲击过程中的速度变化量Δv，则可以获得缓冲材料的恢复系数e，然后即可利用计算实际运输过程中普通冲击事件的等效跌落高度。
【自由跌落事件】
1、初始姿态：初始姿态的获得方式与振动事件的获得方式相同，在此不再赘述。
2、冲击姿态：冲击姿态的获得方式与普通冲击事件的获得方式相同，在此不再赘述。
3、跌落高度的获得方式，一种可实施的方式为：通过识别矢量加速度中的失重区间来获得跌落开始时刻和撞击时刻，根据自由落体公式即可获得跌落高度h＝1/2gt2。
另一种可实施的方式为：同计算普通冲击等效跌落高度的方法，具体为：首先，识别出跌落的冲击区段，然后，计算冲击区段内速度变化量，最后，利用公式计算跌落高度。
【抛掷事件】
1、抛掷状态：所述抛掷状态的获取如图8所示的流程图，包括如下步骤：
F1、获取货物抛掷过程中的三轴加速度信息，对所述三轴加速度进行矢量合成获得矢量加速度波形；
F2、基于所述矢量加速度波形来确定失重区间段，并根据所述失重区间段来确定上抛时间和下落时间；
F3、根据所述上抛时间、所述下落时间分别计算上抛高度和下落高度，根据所述上抛高度、所述下落高度的大小来确定货物的抛掷状态。
由于货物抛掷后，货物处于失重状态，根据货物抛掷时脱手时刻离地高度与落地点高度相对情况，将抛掷状态分四种类型：(1)颠簸，其特点为：两者高度相等，这种情况较为特殊，一般是由于道路颠簸引起车厢内货物在车厢地板上上下跳跃；(2)下抛，其特点为：脱手时货物离地高度高于落地点高度；(3)上抛，其特点为：脱手时货物离地高度低于于落地点高度；(4)平抛，其特点为：脱手时货物离地高度高于落地点高度，且上抛高度为零。当货物失重区间段确定后，可以通过对比分析上抛高度h1和下落高度h2来确定抛掷状态，当h1＝h2时，为颠簸；h2>h1时，为下抛，h1>h2时，为上抛，h1＝0时，为平抛。
进一步可选地，步骤F2中包括
F21、确定所述矢量加速度的矢量波峰，以所述矢量波峰为起点，向时间坐标减小的方向沿所述矢量加速度波形的轨迹截取小于重力常数g的第一连续波段，所述第一连续波段为失重区间段，根据所述失重区间段确定撞击时刻和脱手时刻；
F22、以所述脱手时刻为起点，继续向时间坐标减小的方向沿所述矢量加速度波形的轨迹截取大于重力常数g的第二连续波段，所述第二连续波段为抛掷区间段，根据所述抛掷区间段确定抛掷开始时刻。
矢量加速度波形上的波峰即为矢量波峰，矢量波峰代表对跌落平台最大冲击力的时刻，当货物因抛掷而跌落时，矢量加速度波形上至少有两个波峰，则矢量波峰为矢量加速度波形的最大波峰处。当矢量波峰确定后，由于矢量波峰处的加速度值最大，矢量波峰处为货物跌落至跌落平面时对跌落平台冲击最大的时刻。由于货物处于失重状态时，其矢量加速度是小于重力常数g的，而矢量波峰为货物跌落时对跌落平台的最大冲击时刻，因此，从矢量波峰向时间坐标减小的方向寻找矢量加速度小于重量常数g的连续波段，这部分波段即为失重区间段，根据失重区间段即可确定获取撞击跌落平台的时刻和货物脱手时刻。
而货物受外力离开至完全离开原放置平台的过程中，货物的矢量加速度是大于重力常数g的，货物是处于超重状态的，因此，在货物失重状态之前向时间坐标减小的方向在矢量加速度波形上寻找矢量加速度大于重力常数g的连续波段，这部分波段即为抛掷区间段，根据抛掷区间段即可确定货物抛掷开始时刻。
进一步可选地，所述第一连续波段中时间坐标最大的点值为撞击时刻，时间坐标最小的点值为脱手时刻，所述第二连续波段中时间坐标最小的点值为抛掷开始时刻，分别获取撞击时刻的时间T3、脱手时刻的时间T2以及抛掷开始时刻的时间T1。
由于货物跌落时对跌落平台造成较大的冲击力，从而造成货物与跌落平台接触的过程中其矢量加速度值在一定时间范围内迅速增大，并大于重力常数，因此第一连续波段中时间坐标最大的时刻为与跌落平台的撞击时刻，即可获得撞击时刻对应的时间T3。货物在原放置平台时矢量加速度为重力常数g，当货物刚离开原放置平台就处于失重状态，因此时间坐标最小的时刻为开始失重的时刻，即为脱手时刻，即可获得脱手时刻对应的时间T2。而货物开始抛掷时刻货物就呈现超重状态，因此第二连续波段中时间最小的点值为抛掷开始时刻，即可获得抛掷开始时刻对应的时间T1。
进一步可选地，步骤F2中，还包括
F23、根据所述撞击时刻的时间T3、所述脱手时刻的时间T2以及所述抛掷开始时刻的时间T1分别计算所述失重区间段的持续时间t、所述抛掷区间段的持续时间t0，满足：t0＝T2-T1，t＝T3-T2；
F24、获取所述抛掷区间段的矢量加速度，对所述抛掷时间段的矢量加速度进行时域积分，得到抛掷脱手时刻的矢量速度V；
F25、根据抛掷脱手时刻的矢量速度V，以及抛掷脱手时刻的三轴加速度来计算抛掷脱手时刻重力反方向速度V0；
F26、根据所述抛掷脱手时刻重力反方向速度V0，计算上抛时间t1，满足：t1＝V0/g；
F27、根据所述失重时间t，所述上抛时间t1,计算下落时间t2，t2满足：t2＝T3-T2-V0/g。
当撞击时刻、脱手时刻、抛掷开始时刻确定后，失重区间的时间即为撞击时刻的时间减去脱手时刻的时间，即t＝T3-T2，抛掷区间持续时间即为脱手时刻的时间减去抛掷开始时刻的是时间，即为t0＝T2-T1。接着，对抛掷区间段的矢量加速度进行时域积分计算出抛掷脱手矢量速度V，根据抛掷脱手矢量速度V以及抛掷脱手时刻的三轴加速度即可计算出抛掷脱手时刻重力反方向的速度V0,具体为先根据抛掷脱手时刻的三轴加速度获得矢量加速度与V与重力反方向的夹角γ，根据公式V0＝V*cosγ即可获得抛掷脱手时刻重力反方向的速度V0；紧接着，考虑到货物上升高最高时重力反方向速度为0，故可以计算出上抛时间t1＝V0/g，则上抛段为脱手时刻T2到T2+t1这个时间段，T2+t1时刻为抛掷最高点，继而可以计算抛掷最高点下落到地面时间t2＝t-t1＝T3-T2-V0/g，则下落段为抛掷最高点时刻至落地撞击时刻。
步骤F25中包括：
F251、根据抛掷脱手时刻的三轴加速度计算所述矢量速度V与重力反方向的夹角γ，满足：γ＝arcos(az/a)；其中az和a分别指抛掷脱手时刻Z方向的加速度和矢量加速度值。γ为货物垂直方向与矢量加速度方向夹角，默认Z方向为货物垂直方向，与重力反方向；
F252、计算抛掷脱手时刻重力反方向速度V0，满足：
V0＝V*cosγ＝V*cos(arcos(az/a))。
进一步可选地，步骤F3包括：
S31、根据所述上抛时间t1和所述下落时间t2分别计算上抛高度h1，根据上抛高度公式h1＝V0*t1-1/2*g*t1 2，可得：h1＝(V*cos(arcos(az/a)))2/2g，根据下落高度公式h2＝1/2*g*(t-t1)2，可得到
h2＝(T3-T2-(V*cos(arcos(az/a))/g))2g/2；
F32、判断上抛高度h1是否满足：h1≤设定高度，若满足，判定为平抛状态；
F33、若不满足，继续判断上抛高度h1和下落高度h2是否满足：|h1-h2|-设定高度<0，若满足，判定为颠簸状态；
F34、若不满足，继续判断上抛高度h1和下落高度h2是否满足：h1＞h2，若满足，判定为上抛状态，若不满足，判定为下抛状态。
获得上抛高度h1和下落高度h2，首先，判断h1是否小于设定高度，设定高度的范围可选的为0～0.001m，即接近0,若是，则识别为平抛状态，结束算法，否则，继续下一步判断；然后，判断h1和h2是否接近(|h1-h2|-设定高度<0？)，若是，则识别为颠簸，结束算法，否则，继续下一步判断；接着，判断h1是否大于h2,若是，则识别为上抛，结束算法，否则，识别为下抛，结束算法。
2、初始姿态：初始姿态的获得方式与振动事件的获得方式相同，在此不再赘述。
3、冲击姿态：冲击姿态的获得方式与普通冲击事件的获得方式相同，在此不再赘述。
4、抛掷高度：抛掷高度的获得为：在跌落状态的获得过程中已经得到上抛时间t1，以及上抛初速度V0，根据上抛时间t1和上抛初速度V0计算上抛高度h1，根据上抛高度公式h1＝V0*t1-1/2*g*t1 2，即可获得上抛高度。
本实施例还提出了一种货物运输风险分析系统，包括
数据采集模块，用于采集货物受力时的三轴加速度数据；
数据处理模块，用于对所述三轴加速度数据进行矢量合成获得矢量加速度；
计算分析模块，用于计算所述矢量加速度的均值，根据所述矢量加速度的均值与第一判断阈值比较来判断货物受力后的运动事件是振动事件还是冲击事件；当判断为振动事件后，根据矢量加速度获得振动状态参数；当判断为冲击事件后，根据矢量加速度是否存在失重区间来判断是普通冲击事件还是跌落事件，当为普通冲击事件后，根据矢量加速度获得普通冲击状态参数；当判断为跌落事件后，根据矢量加速度是否存在超重区间来判断是自由跌落事件还是抛掷事件，当判断为自由跌落事件后根据矢量加速度获取自由跌落参数，当判断为抛掷事件后根据矢量加速度获得跌抛掷参数。
具体的，先将内置三轴加速度传感器和数据采集、存储和发送等组件的黑匣子放置至于产品包装内，启动黑匣子；如图9所示的运行流程图，黑匣子随产品一起运输，采集运输过程中的跌落数据；然后，通过无线远程传输或者本地连接将采集到的数据上传到物流环境分析平台，物流环境分析平台主要由服务器、数据库和客户端(网页端、PC端和移动端)等组成，集成了数据处理、货物运输状态分析与风险识别算法，能够实现在线检测、在线存储、数据处理、自动识别、特征再现、统计分析、信息发布、管理优化、多用户共享等功能。在物流环境分析平台运行数据处理及跌落姿态识别与分析算法，识别出跌落的姿态信息，然后将相应信息归纳生成分析报告，黑匣子关闭，整个运行过程结束。
本实施例的货物运输风险分析系统采用本实施例的货物运输风险分析来分析获取运输过程中的运动事件，并根据分析获得的运动事件来得到对应运动事件的状态参数，利于设计人员在设计产品结构和包装结构有实际物体受力强度依据做数据支撑。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。

Claims (12)

1.一种货物运输风险的分析方法，其特征在于，在运输的货物包装内内置三轴加速度传感器，用于采集运输过程中货物受力引起的三轴加速度数据；所述分析方法包括
获取货物运输过程中受力时的三轴加速度数据，对所述三轴加速度数据进行矢量合成获得矢量加速度；
根据所述矢量加速度的变化情况确定货物受力后的运动事件，并根据矢量加速度获得对应运动事件的状态参数；
输出货物受力后的运动事件及对应状态参数；
所述根据所述矢量加速度的变化情况确定货物受力后的运动事件，并根据矢量加速度获得对应运动事件的状态参数，包括：
计算矢量加速度的均值，将所述均值与第一判断阈值进行比较，根据比较结果来确定货物受力后的运动事件是冲击事件还是振动事件；
当所述均值小于第一判断阈值时，判断货物受力后的运动事件为振动事件，根据矢量加速度获得振动状态参数；当所述均值大于等于第一判断阈值时，判断货物受力后的运动事件为冲击事件；
当判断为振动事件后，根据矢量加速度获得振动状态参数；当判断为冲击事件后，根据矢量加速度是否存在失重区间来判断是普通冲击事件还是跌落事件，当为普通冲击事件后，根据矢量加速度获得普通冲击状态参数；当判断为跌落事件后，根据矢量加速度是否存在超重区间来判断是自由跌落事件还是抛掷事件，当判断为自由跌落事件后根据矢量加速度获取自由跌落状态参数，当判断为抛掷事件后根据矢量加速度获得抛掷状态参数；
所述的振动状态参数包括初始放置姿态、振动峰值和试验用PSD值；
所述的普通冲击状态参数包括初始放置姿态、冲击姿态、冲击峰值和等效跌落高度；
所述的抛掷状态参数包括抛掷状态、初始放置姿态、冲击姿态和抛掷高度；
所述的自由跌落状态参数包括初始放置姿态、冲击姿态和跌落高度；
所述的初始放置姿态的获得，包括
采集货物初始放置时的三轴加速度数据，根据所述三轴加速度数据确定货物放置稳定时的区间段；
获取所述货物放置稳定时的区间段中货物放置的三轴加速度的平均值，并对该平均值进行非线性变换；
将所述三轴加速度的平均值与货物的初始放置姿态进行比较，根据比较结果对货物放置姿态进行标注以获取标注数据；
将非线性变换后的三轴加速度的平均值和所述标注数据送入神经网络进行训练，根据预设的货物初始放置姿态识别准确性要求来确定货物初始放置姿态神经网络模型，通过所述神经网络模型获得货物的初始放置姿态。
2.根据权利要求1所述的一种货物运输风险的分析方法，其特征在于，当判断货物受力后的运动事件为冲击事件后，所述分析方法还包括：
判断矢量加速度是否存在失重区间段，当矢量加速度存在失重区间段时，判断货物受力后的运动事件为跌落事件，当矢量加速度不存在失重区间段时，判断货物受力后的运动事件为普通冲击事件，根据矢量加速度获得普通冲击状态参数。
3.根据权利要求2所述的一种货物运输风险的分析方法，其特征在于，当判断货物受力后的运动事件为跌落事件后，所述分析方法还包括：
判断矢量加速度在失重区间段之前是否存在超重区间段，当失重区间段之前存在超重区间段时，判断货物受力后的运动事件为抛掷事件，根据矢量加速度获得抛掷状态参数；
当失重区间段之前不存在超重区间段时，判断货物受力后的运动事件为自由跌落事件，根据矢量加速度获得自由跌落状态参数。
4.根据权利要求1所述的一种货物运输风险的分析方法，其特征在于，所述的振动峰值包括：三轴加速度各自的最大值、以及矢量加速度的最大值。
5.根据权利要求1所述的一种货物运输风险的分析方法，其特征在于，所述的试验用PSD值的获得包括：
将获得的三轴加速度数据进行FFT计算，获得实际运输PSD谱；
将所述实际运输PSD谱通过统计平均正态容差计算出正态PSD谱；
对所述正态PSD谱进行光滑包络，获得包络PSD谱；
对所述包络PSD谱的测试时间进行加速寿命计算得到实验用PSD谱。
6.根据权利要求1所述的一种货物运输风险的分析方法，其特征在于，所述的冲击姿态的获得，包括
根据货物冲击姿态事件确定货物的冲击区段；
获取所述冲击区段中货物冲击的三轴加速度的平均值，并对该平均值进行非线性变换；
将所述三轴加速度的平均值与货物的冲击姿态进行比较，根据比较结果对冲击姿态进行标注以获取标注数据；
将非线性变换后的三轴加速度的平均值和所述标注数据送入神经网络进行训练，根据预设的货物冲击姿态识别准确性要求来确定冲击姿态的神经网络模型，通过所述神经网络模型获得货物的冲击姿态。
7.根据权利要求1所述的一种货物运输风险的分析方法，其特征在于，所述的冲击姿态的获得，包括
基于所述矢量加速度来确定冲击事件中的冲击区段；
获取冲击区段的三轴加速度，基于所述冲击区段的三轴加速度计算冲击区段中每个轴的加速度平均值与三轴加速度平均值的平方和根的比值；
根据所述每个轴的加速度平均值与三轴加速度平均值的平方和根的比值的大小来确定货物的冲击姿态。
8.根据权利要求1所述的一种货物运输风险的分析方法，其特征在于，所述的冲击峰值包括：矢量加速度的最大值。
9.根据权利要求1所述的一种货物运输风险的分析方法，其特征在于，所述的等效跌落高度的获得包括：
基于所述矢量加速度来确定普通冲击事件中的冲击区段；
对所述冲击区段进行时域积分获得冲击速度变化量；
计算等效跌落高度h 0，，其中e为恢复系数,/>为冲击速度变化量，g为重力常数。
10.根据权利要求1所述的一种货物运输风险的分析方法，其特征在于，所述的抛掷状态的获得包括：
获取货物抛掷过程中的三轴加速度信息，对所述三轴加速度进行矢量合成获得矢量加速度波形；
基于所述矢量加速度波形来确定失重区间段，并根据所述失重区间段来确定上抛时间和下落时间；
根据所述上抛时间、所述下落时间分别计算上抛高度和下落高度，根据所述上抛高度、所述下落高度的大小来确定货物的抛掷状态。
11.一种货物运输风险分析系统，其特征在于，包括
数据采集模块，用于采集货物受力时的三轴加速度数据；
数据处理模块，用于对所述三轴加速度数据进行矢量合成获得矢量加速度；
计算分析模块，用于计算所述矢量加速度的均值，根据所述矢量加速度的均值与第一判断阈值比较来判断货物受力后的运动事件是振动事件还是冲击事件；当判断为振动事件后，根据矢量加速度获得振动状态参数；当判断为冲击事件后，根据矢量加速度是否存在失重区间来判断是普通冲击事件还是跌落事件，当为普通冲击事件后，根据矢量加速度获得普通冲击状态参数；当判断为跌落事件后，根据矢量加速度是否存在超重区间来判断是自由跌落事件还是抛掷事件，当判断为自由跌落事件后根据矢量加速度获取自由跌落状态参数，当判断为抛掷事件后根据矢量加速度获得抛掷状态参数；
数据输出模块，用于输出货物受力后的运动事件及对应状态参数；
所述的振动状态参数包括初始放置姿态、振动峰值和试验用PSD值；
所述的普通冲击状态参数包括初始放置姿态、冲击姿态、冲击峰值和等效跌落高度；
所述的抛掷状态参数包括抛掷状态、初始放置姿态、冲击姿态和抛掷高度；
所述的自由跌落状态参数包括初始放置姿态、冲击姿态和跌落高度；
所述的初始放置姿态的获得，包括
采集货物初始放置时的三轴加速度数据，根据所述三轴加速度数据确定货物放置稳定时的区间段；
获取所述货物放置稳定时的区间段中货物放置的三轴加速度的平均值，并对该平均值进行非线性变换；
将所述三轴加速度的平均值与货物的初始放置姿态进行比较，根据比较结果对货物放置姿态进行标注以获取标注数据；
将非线性变换后的三轴加速度的平均值和所述标注数据送入神经网络进行训练，根据预设的货物初始放置姿态识别准确性要求来确定货物初始放置姿态神经网络模型，通过所述神经网络模型获得货物的初始放置姿态。
12.根据权利要求11所述的一种货物运输风险分析系统，其特征在于，其采用权利要求1-10任意一项所述的分析方法。
CN202111042938.6A 2021-09-07 2021-09-07 一种货物运输风险的分析方法及系统 Active CN113793097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111042938.6A CN113793097B (zh) 2021-09-07 2021-09-07 一种货物运输风险的分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111042938.6A CN113793097B (zh) 2021-09-07 2021-09-07 一种货物运输风险的分析方法及系统

Publications (2)

Publication Number Publication Date
CN113793097A CN113793097A (zh) 2021-12-14
CN113793097B true CN113793097B (zh) 2024-04-26

Family

ID=78879684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111042938.6A Active CN113793097B (zh) 2021-09-07 2021-09-07 一种货物运输风险的分析方法及系统

Country Status (1)

Country Link
CN (1) CN113793097B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115685932B (zh) * 2022-10-31 2023-05-02 青岛家哇云网络科技有限公司 基于大数据的物流信息智能管理系统及方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102890750A (zh) * 2012-09-11 2013-01-23 中国包装科研测试中心 运输安全记录仪数据分析方法
CN103631183A (zh) * 2013-12-06 2014-03-12 中国包装科研测试中心 一种跌落状态记录仪及其记录方法
KR20140031435A (ko) * 2012-08-28 2014-03-13 (주)나노포인트 운전 습관 분석 진단 시스템 및 방법
EP3327690A1 (fr) * 2016-11-29 2018-05-30 Telecom Design Dispositif de détection de chute perfectionné
CN108256797A (zh) * 2017-12-22 2018-07-06 座头鲸（上海）信息技术有限公司 一种货物运输状态检测方法
CN109308593A (zh) * 2018-09-13 2019-02-05 吉林化工学院 一种基于物联网的机械制造产品存放运输系统及方法
CN109947007A (zh) * 2018-11-16 2019-06-28 浙江大学 一种基于多传感器融合的物流状态监控方法及系统
CN110231137A (zh) * 2019-07-24 2019-09-13 哈尔滨工业大学 一种适用于继电器抗跌落性能测试的试验系统及方法
CN111743545A (zh) * 2020-07-07 2020-10-09 天津城建大学 基于深度学习的老人摔倒检测方法、检测手环及存储介质
CN111812356A (zh) * 2020-06-05 2020-10-23 厦门亿联网络技术股份有限公司 一种基于三轴加速度计的跌落检测方法及装置
CN112262415A (zh) * 2018-05-04 2021-01-22 洛卡解决方案有限责任公司 用于监测货物运输期间的振动的系统和方法
CN112325936A (zh) * 2020-10-30 2021-02-05 北京印刷学院 一种物流环境检测识别方法及系统
CN112438721A (zh) * 2019-08-30 2021-03-05 奇酷互联网络科技（深圳）有限公司 状态判断方法、电子设备以及计算机存储介质
CN113256224A (zh) * 2021-06-22 2021-08-13 天津知途物联科技有限公司 用于货物运输监测的冲击倾斜电子标签及其监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102357196B1 (ko) * 2019-09-20 2022-01-28 한국전자통신연구원 보행 분석 장치 및 방법

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140031435A (ko) * 2012-08-28 2014-03-13 (주)나노포인트 운전 습관 분석 진단 시스템 및 방법
CN102890750A (zh) * 2012-09-11 2013-01-23 中国包装科研测试中心 运输安全记录仪数据分析方法
CN103631183A (zh) * 2013-12-06 2014-03-12 中国包装科研测试中心 一种跌落状态记录仪及其记录方法
EP3327690A1 (fr) * 2016-11-29 2018-05-30 Telecom Design Dispositif de détection de chute perfectionné
CN108256797A (zh) * 2017-12-22 2018-07-06 座头鲸（上海）信息技术有限公司 一种货物运输状态检测方法
CN112262415A (zh) * 2018-05-04 2021-01-22 洛卡解决方案有限责任公司 用于监测货物运输期间的振动的系统和方法
CN109308593A (zh) * 2018-09-13 2019-02-05 吉林化工学院 一种基于物联网的机械制造产品存放运输系统及方法
CN109947007A (zh) * 2018-11-16 2019-06-28 浙江大学 一种基于多传感器融合的物流状态监控方法及系统
CN110231137A (zh) * 2019-07-24 2019-09-13 哈尔滨工业大学 一种适用于继电器抗跌落性能测试的试验系统及方法
CN112438721A (zh) * 2019-08-30 2021-03-05 奇酷互联网络科技（深圳）有限公司 状态判断方法、电子设备以及计算机存储介质
CN111812356A (zh) * 2020-06-05 2020-10-23 厦门亿联网络技术股份有限公司 一种基于三轴加速度计的跌落检测方法及装置
CN111743545A (zh) * 2020-07-07 2020-10-09 天津城建大学 基于深度学习的老人摔倒检测方法、检测手环及存储介质
CN112325936A (zh) * 2020-10-30 2021-02-05 北京印刷学院 一种物流环境检测识别方法及系统
CN113256224A (zh) * 2021-06-22 2021-08-13 天津知途物联科技有限公司 用于货物运输监测的冲击倾斜电子标签及其监测方法

Also Published As

Publication number Publication date
CN113793097A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
Eftekhar Azam et al. Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition
US20200250905A1 (en) System and method for aircraft fault detection
CN111486893A (zh) 一种桥梁结构健康监测与预警系统及预警方法
US6289289B1 (en) Aircraft structural fatigue monitor
US20190285517A1 (en) Method for evaluating health status of mechanical equipment
CN112418649B (zh) 基于多维mems惯性传感器的建筑楼梯人流量估计系统
US20170092021A1 (en) Method and system for monitoring equipment
CN113793097B (zh) 一种货物运输风险的分析方法及系统
CN103559508B (zh) 一种基于连续型Adaboost视频车辆检测方法
Chellaswamy et al. Optimized railway track health monitoring system based on dynamic differential evolution algorithm
CN113091866B (zh) 一种实时测量汽车载重质量的方法与装置
CN114563150B (zh) 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置
CN110167344A (zh) 用于检测飞行动物的系统和方法
CN116579692A (zh) 一种基于人工智能的物流信息动态监管系统及方法
Hu et al. Wind turbine event detection by support vector machine
CN113624996B (zh) 一种货物抛掷状态识别方法及系统
KR101901352B1 (ko) 지진 관측에 대한 예측 시스템
Kim et al. Automated damping identification of long-span bridge using long-term wireless monitoring data with multiple sensor faults
CN113655240B (zh) 一种货物跌落姿态识别方法及系统
CN115034276A (zh) 大流量喷头的雾滴分布检测方法、装置及系统
Lourenço et al. Online adaptive learning for out-of-round railway wheels detection
CN113850156A (zh) 一种货物抛掷高度识别方法及系统
CN111814787B (zh) 一种面向可见光图像的锁孔检测方法
CN113792484B (zh) 货物冲击姿态模型构建方法和平台
CN113836795B (zh) 货物初始放置姿态模型构建方法和平台

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