CN113884170A - 货车偏载识别方法、装置及计算机可读存储介质 - Google Patents
货车偏载识别方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113884170A CN113884170A CN202111155026.XA CN202111155026A CN113884170A CN 113884170 A CN113884170 A CN 113884170A CN 202111155026 A CN202111155026 A CN 202111155026A CN 113884170 A CN113884170 A CN 113884170A
- Authority
- CN
- China
- Prior art keywords
- unbalance loading
- state
- sensor data
- load state
- unbalance
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 144
- 238000007477 logistic regression Methods 0.000 claims abstract description 76
- 230000008859 change Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G3/00—Weighing apparatus characterised by the use of elastically-deformable members, e.g. spring balances
- G01G3/12—Weighing apparatus characterised by the use of elastically-deformable members, e.g. spring balances wherein the weighing element is in the form of a solid body stressed by pressure or tension during weighing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种货车偏载识别方法、装置及计算机可读存储介质,包括:获取预设数量的应变计的传感器数据;将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型,得到货车的偏载状态,训练好的逻辑回归偏载状态识别模型通过第一训练样本集合训练得;第一训练样本集合中的第一训练样本通过以下方式获取:多次改变货车车厢的载重状态;在每次改变载重状态后,获取各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态,将各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载状态作为对应的偏载状态标注,得到对应的第一训练样本,能够提高偏载识别效率,同时更好的保证货车的安全行驶。
Description
技术领域
本申请涉及自动控制技术领域,具体而言,本申请涉及一种货车偏载识别方法、装置及计算机可读存储介质。
背景技术
当前货运市场,公路运输是最主要的方式。在整个货运行业占比70%以上,公路货运行业处在成熟稳定期。现有中大型货车增长规模趋于稳定,但该类型货车安全隐患大,交通意外多。其中货车侧翻是一种常见的交通事故,而引起货车侧翻的一个很重要的原因是货车偏载,及时识别货车偏载可以是避免发生交通事故的重要手段。
目前,现有的货车偏载识别方案只能识别偏左、偏右这两种方向偏载状态,无法保证货车的安全行驶。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,本申请实施例所提供的技术方案如下:
第一方面,本申请实施例提供了一种货车偏载识别方法,包括:
获取预设数量的应变计的传感器数据,各应变计安装在货车的车桥上;
将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型,得到货车的偏载状态,偏载状态为正常、偏左、偏右、偏前、偏后、偏左前、偏左后、偏右前和偏右后中的一种,训练好的逻辑回归偏载状态识别模型通过第一训练样本集合训练得到,第一训练样本集合中的各第一训练样本包括各应变计的传感器数据样本和对应的偏载状态标注;
第一训练样本集合中的第一训练样本通过以下方式获取:
多次改变货车车厢的载重状态;
在每次改变载重状态后,获取各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态;
在每次改变载重状态后,将各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载状态作为对应的偏载状态标注,得到对应的第一训练样本。
在本申请的一种可选实施例中,若货车的偏载状态不为正常,方法还包括:
将各应变计的传感器数据输入训练好的逻辑回归偏载等级识别模型,得到货车的偏载等级,偏载等级为正常、一般偏载和严重偏载中的一种,训练好的逻辑回归偏载等级识别模型通过第二训练样本集合训练得到,第二训练样本集合中的各第二训练样本包括各应变计的传感器数据样本和对应的偏载等级标注;
第二训练样本集合中的第二训练样本通过以下方式获取:
多次改变货车车厢的载重状态;
在每次改变载重状态后,获取各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态;
在每次改变载重状态后,若基于当前载重状态确定对应的偏载状态不为正常,则基于当前载重状态确定对应的偏载等级,并将各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载等级作为对应的偏载等级标注,得到对应的第二训练样本。
在本申请的一种可选实施例中,多次改变货车车厢的载重状态,包括:
将车厢划分为多个子区域,按预设规则在一个或多个子区域放置砝码,以多次改变载重状态。
在本申请的一种可选实施例中,按预设规则在一个或多个子区域放置砝码,以多次改变载重状态,包括:
对于车厢中的每一子区域,在该子区域多次放置第一重量的砝码直至放置的砝码的总重量到达货车核载的一半,且每次放置第一重量的砝码对应一次载重状态的改变;
或者,按照预设顺序依次在车厢中的各子区域放置第二重量的砝码,且每次放置第二重量的砝码对应一次载重状态的改变;
或者,对于车厢中的每一偏载指示区域,在该偏载指示区域中的每个子区域放置第三重量的砝码,且每次放置第三重量的砝码对应一次载重状态的改变;
其中,偏载指示区域是由多个子区域构成的用于表征所述货车的偏载状态的区域,不同偏载状态对应于不同偏载指示区域。
在本申请的一种可选实施例中,基于当前载重状态确定对应的偏载状态,包括:
在每次改变所述载重状态后,获取所述车厢的偏载指示区域中各子区域砝码的总重量、以及所述货车当前的总载重量;
若所述当前的总载重量大于所述货车核载的一半,则将各偏载指示区域中总重量最大的偏载指示区域所指示的偏载状态,确定为对应的偏载状态。
在本申请的一种可选实施例中,基于当前载重状态确定对应的偏载等级,包括:
在每次改变载重状态后,获取偏载状态对应的偏载指示区域中各子区域砝码的总重量;
获取总重量与货车核载的比值,并基于比值获取对应的偏载等级。
在本申请的一种可选实施例中,方法还包括:
在将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型之前、以及在将各应变计的传感器数据输入训练好的逻辑回归偏载等级识别模型之前,对各应变计的传感器数据进行归一化处理。
第二方面,本申请实施例提供了一种货车偏载识别装置,包括:
传感器数据获取模块,用于获取预设数量的应变计的传感器数据,各应变计安装在货车的车桥上;
偏载状态获取模块,用于将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型,得到货车的偏载状态,偏载状态为正常、偏左、偏右、偏前、偏后、偏左前、偏左后、偏右前和偏右后中的一种,训练好的逻辑回归偏载状态识别模型通过第一训练样本集合训练得到,第一训练样本集合中的各第一训练样本包括各应变计的传感器数据样本和对应的偏载状态标注;
第一训练样本集合中的第一训练样本通过以下方式获取:
多次改变货车车厢的载重状态;
在每次改变载重状态后,获取各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态;
在每次改变载重状态后,将各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载状态作为对应的偏载状态标注,得到对应的第一训练样本。
在本申请的一种可选实施例中,该装置还包括偏载等级获取模块,用于:
若货车的偏载状态不为正常,将各应变计的传感器数据输入训练好的逻辑回归偏载等级识别模型,得到货车的偏载等级,偏载等级为正常、一般偏载和严重偏载中的一种,训练好的逻辑回归偏载等级识别模型通过第二训练样本集合训练得到,第二训练样本集合中的各第二训练样本包括各应变计的传感器数据样本和对应的偏载等级标注;
第二训练样本集合中的第二训练样本通过以下方式获取:
多次改变货车车厢的载重状态;
在每次改变载重状态后,获取各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态;
在每次改变载重状态后,若基于当前载重状态确定对应的偏载状态不为正常,则基于当前载重状态确定对应的偏载等级,并将各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载等级作为对应的偏载等级标注,得到对应的第二训练样本。
在本申请的一种可选实施例中,偏载状态获取模块具体用于:
将车厢划分为多个子区域,按预设规则在一个或多个子区域放置砝码,以多次改变载重状态。
在本申请的一种可选实施例中,偏载状态获取模块进一步用于:
对于车厢中的每一子区域,在该子区域多次放置第一重量的砝码直至放置的砝码的总重量到达货车核载的一半,且每次放置第一重量的砝码对应一次载重状态的改变;
或者,按照预设顺序依次在车厢中的各子区域放置第二重量的砝码,且每次放置第二重量的砝码对应一次载重状态的改变;
或者,对于车厢中的每一偏载指示区域,在该偏载指示区域中的每个子区域放置第三重量的砝码,且每次放置第三重量的砝码对应一次载重状态的改变;
其中,偏载指示区域是由多个子区域构成的用于表征所述货车的偏载状态的区域,不同偏载状态对应于不同偏载指示区域。
在本申请的一种可选实施例中,偏载状态获取模块进一步用于:
在每次改变载重状态后,获取车厢的偏载指示区中各子区域砝码的总重量、以及货车当前的总载重量;
若当前的总载重量大于货车核载的一半,则将各偏载指示区域中总重量最大的偏载指示区所指示的偏载状态,确定为对应的偏载状态。
在本申请的一种可选实施例中,偏载等级获取模块进一步用于:
在每次改变载重状态后,获取偏载状态对应的偏载指示区域中各子区域砝码的总重量;
获取总重量与货车核载的比值,并基于比值获取对应的偏载等级。
在本申请的一种可选实施例中,该装置还包括归一化处理模块,用于:
在将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型之前、以及在将各应变计的传感器数据输入训练好的逻辑回归偏载等级识别模型之前,对各应变计的传感器数据进行归一化处理。
第三方面,本申请实施例提供了一种电子设备,包括存储器和处理器;
存储器中存储有计算机程序;
处理器,用于执行计算机程序以实现第一方面实施例或第一方面任一可选实施例中所提供的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其特征在于,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现第一方面实施例或第一方面任一可选实施例中所提供的方法。
第五方面,本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行时实现第一方面实施例或第一方面任一可选实施例中所提供的方法。
本申请提供的技术方案带来的有益效果是:
通过在货车的车桥上设置多个应变计,并将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型,输出对应的偏载状态,能够实现偏载状态的自动识别,提高偏载状态识别效率,同时,由于在训练逻辑回归偏载状态识别模型过程中,对应的偏载状态标注除包含偏左和偏右外,还包含偏前、偏后、偏左前、偏左后、偏右前和偏右后等多种偏载状态,使得训练好的逻辑回归偏载状态识别模型也能识别出除偏前和偏后外的其他多种偏载状态,该方案较现有技术能识别出更多的偏载状态,使得相关人员能够基于所述偏载状态针对性调整货车的载重状态,能够保证货车载重状态的精细化调节,从而更好的保证货车的安全行驶。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种货车偏载识别方法的流程示意图;
图2为本申请实施例的一个示例中应变计的位置示意图;
图3为本申请实施例的一个示例中车厢子区域划分示意图;
图4为本申请实施例的一个示例中货车偏载识别方法的整体流程图;
图5为本申请实施例提供的一种货车偏载识别装置的结构框图;
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
针对上述问题,本申请实施例提供了一种货车偏载识别方法、装置及计算机可读存储介质。下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1为本申请实施例提供的一种货车偏载识别方法的流程示意图,如图1所示,该方法可以包括:
步骤S101,获取预设数量的应变计的传感器数据,各应变计安装在货车的车桥上。
其中,当被测结构物内部的应力发生变化时,应变计同步感受变形,变形通过前、后端座传递给振弦转变成振弦应力的变化,从而改变振弦的振动频率。电磁线圈激振振弦并测量其振动频率,频率信号经电缆传输至读数装置,即可测出被测结构物内部的应变量。该应变量即为应变计的传感器数据。
具体地,根据货车车桥的数量来确定所采用的应变计的数量,即确定预设数量。如图2所示,可以在货车的每个车桥安装一对应变计,同一车桥上的两个应变计安装位置尽量靠近车的侧面且对称,这样可以更大程度地获取由货物带给车桥的各种受力情况,避免受力不均衡带来的形变捕捉丢失的情况。通过传感器将车桥形变大小转化为应变计的模拟信号值,作为传感器数据。
步骤S102,将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型,得到货车的偏载状态,偏载状态为正常、偏左、偏右、偏前、偏后、偏左前、偏左后、偏右前和偏右后中的一种,训练好的逻辑回归偏载状态识别模型通过第一训练样本集合训练得到,第一训练样本集合中的各第一训练样本包括各应变计的传感器数据样本和对应的偏载状态标注。
其中,逻辑回归(Logistic Regression,LR)模型是机器学习领域最为常见的分类模型之一。其对分类的可能性进行建模,无需事先假设数据满足某种分布类型。不仅可以预测出样本类别,还可以得到预测为某类别的近似概率。其他各类任务在使用其它模型(如:支持向量机、随机森林、神经网络等),模型结构的复杂度和训练时间也往往超过逻辑回归模型。逻辑回归模型内存资源占用小,因为只需要存储各个维度的特征值。对于有线性关系的样本,逻辑回归方法具有高精度、高泛化能力的分类优势。因此,本申请实施例中采用基于逻辑回归的偏载状态识别模型,可称为逻辑回归偏载状态识别模型。
具体地,逻辑回归偏载状态识别模型的输入为各应变计的传感器数据,输出为对应的偏载状态。举例来说,若货车的车桥上安装了6个应变计,那么逻辑回归偏载状态识别模型的输入则是由这6个应变计的传感器数据构成的6维数据。输出的偏载状态可以包括正常、偏左、偏右、偏前、偏后、偏左前、偏左后、偏右前和偏右后这9种。
进一步地,为了使得逻辑回归偏载状态识别模型能够根据输入的多个应变计的传感器数据,输出准确的偏载状态,需要利用带有偏载状态标注的传感器数据样本对模型进行训练。具体来说,逻辑回归偏载状态识别模型可以基于如下逻辑回归假设函数构建:
其中,x为特征向量,即各个传感器数据;θ为模型参数。
在得到初始模型后,利用第一训练样本集合中的第一训练样本,对初始模型进行训练。具体来说,可以将各样本数据代入以下代价函数,使用梯度下降法求解出最优的模型参数θ,即得到训练好的逻辑回归偏载状态识别模型。
其中,m为第一训练样本集合中的第一训练样本的数量,x(i)为第i个第一训练样本,y(i)为第i个第一训练样本对应的偏载状态标注,λ为正则化参数,n为第一训练样本中传感器数据样本的维数。
具体来说,用于训练逻辑回归偏载状态识别模型的第一训练样本集合中的第一训练样本,由传感器数据样本和对应的偏载状态标注构成。构造第一训练样本集合的思路为:可以使货车处于不同的偏载状态,在每种载重状态下获取各应变计的传感器数据作为传感器数据样本,再获取对应的偏载状态作为传感器数据样本的标注,进而得到第一训练样本集合。
具体来说,第一样本数据集合可以通过以下方式获取:
多次改变货车车厢的载重状态。
在每次改变载重状态后,获取各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态。
在每次改变载重状态后,将各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载状态作为对应的偏载状态标注,得到对应的第一训练样本。
其中,货车车厢的载重状态用于指示货车车厢各区域的载重量,根据各区域的载重重量可以分析出货车的重心位置,进而确定出货车的偏载状态。那么,本申请实施例中采用多次改变货车车厢的载重状态来使货车处于多种不同的偏载状态,并在每种载重状态下获取各应变计的传感器数据和对应的偏载状态,进而得到多个第一训练样本,构成第一训练样本集合。
本申请提供的方案,通过在货车的车桥上设置多个应变计,并将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型,输出对应的偏载状态,能够实现偏载状态的自动识别,提高偏载状态识别效率,同时,由于在训练逻辑回归偏载状态识别模型过程中,对应的偏载状态标注除包含偏左和偏右外,还包含偏前、偏后、偏左前、偏左后、偏右前和偏右后等多种偏载状态,使得训练好的逻辑回归偏载状态识别模型也能识别出除偏前和偏后外的其他多种偏载状态,该方案较现有技术能识别出更多的偏载状态,使得相关人员能够基于所述偏载状态针对性调整货车的载重状态,能够保证货车载重状态的精细化调节,从而更好的保证货车的安全行驶。
在本申请的一种可选实施例中,若货车的偏载状态不为正常,该方法还可以包括:
将各应变计的传感器数据输入训练好的逻辑回归偏载等级识别模型,得到货车的偏载等级,偏载等级为正常、一般偏载和严重偏载中的一种,训练好的逻辑回归偏载等级识别模型通过第二训练样本集合训练得到,第二训练样本集合中的各第二训练样本包括各应变计的传感器数据样本和对应的偏载等级标注。
具体地,若通过逻辑回归偏载状态识别模型识别出货车处于偏载状态为偏左、偏右、偏前、偏后、偏左前、偏左后、偏右前和偏右后中的一种,则可以进一步的通过逻辑回归偏载等级识别模型确定偏载等级,以确定偏载的程度。具体来说,将各应变计的传感器数据输入训练好的逻辑回归偏载等级识别模型,输出对应的偏载等级,偏载等级包括正常、一般偏载和严重偏载。举例来说,将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型,得到偏载状态为偏前,则再将各应变计的传感器数据输入训练好的逻辑回归偏载等级识别模型,得到偏载等级为一般偏载,即最终获知货车偏载状态为偏前,且对应的偏载等级为一般偏载,根据这一结果综合考虑采取相应的处理措施,以保证货车的安全。可以理解的是,该方案可以进一步识别出偏载状态的偏载等级,进一步对偏载情况进行了细分,更有利于为保障货车安全提供参考。
进一步地,为了使得逻辑回归偏载等级识别模型能够根据输入的多个应变计的传感器数据,输出的准确的偏载等级,需要利用带有偏载等级标注的传感器数据样本对模型进行训练。其训练过程与逻辑回归偏载状态识别模型的训练过程类似,此处不再赘述。
具体来说,用于训练逻辑回归偏载状态识别模型的第二训练样本集合中的第二训练样本,由传感器数据样本和对应的偏载等级标注构成。可以在构造第一训练样本集合的过程中同步构建。
第二训练样本集合中的第二训练样本可以通过以下方式获取:
多次改变货车车厢的载重状态;
在每次改变载重状态后,获取各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态;
在每次改变载重状态后,若基于当前载重状态确定对应的偏载状态不为正常,则基于当前载重状态确定对应的偏载等级,并将各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载等级作为对应的偏载等级标注,得到对应的第二训练样本。
具体地,在构建第一训练样本集合过程中,若根据载重状态确定货车的偏载状态不为正常,则进一步根据载重状态确定对应的偏载等级。然后,将各应变计的传感器数据作为传感器数据样本,将对应的偏载等级作为偏载等级标注,得到对应的第二训练样本,进而构造第二训练样本集合。
综上所述,通过改变货车车厢的载重状态,可以使车辆处于不同的偏载状态和偏载等级,即可以获取不同的第一训练样本和第二训练样本,用于训练逻辑回归偏载状态识别模型和逻辑回归偏载等级识别模型。下面将详细描述如何改变车厢的载重状态、以及如何根据载重状态确定偏载状态和偏载等级。
在本申请的一种可选实施例中,多次改变货车车厢的载重状态,包括:
将车厢划分为多个子区域,按预设规则在一个或多个子区域放置砝码,以多次改变载重状态。
具体地,按照货车车厢的形状对车厢用于载重的区域进行划分,得到多个子区域。举例来说,对于用于载重的区域为长方形的车厢,如图3所示,可以将其划分为9个子区域①②③④⑤⑥⑦⑧⑨。分别在这9个子区域中的一个或多个子区域中多次放置砝码,可以改变车厢的载重状态,其中,每次放置砝码对应一次载重状态的改变。可以理解的是,划分为9个子区域为本申请实施例的优选实施方式,其可以兼顾训练样本获取效率和样本数据的有效性。当然,在实际应用中也可以划分为更多子区域,本申请实施例对此不作具体限定。
在本申请的一种可选实施例中,基于当前载重状态确定对应的偏载状态,包括:
在每次改变载重状态后,获取车厢的偏载指示区域中各子区域砝码的总重量、以及货车当前的总载重量;
若当前的总载重量大于货车核载的一半,则将各偏载指示区域中总重量最大的偏载指示区域所指示的偏载状态,确定为对应的偏载状态。
具体地,所述偏载指示区域是由多个子区域构成的用于表征所述货车的偏载状态的区域,不同偏载状态对应于不同偏载指示区域,通过多个子区域进行组合可以得到偏载指示区域,如图3所示,偏载指示区域包括偏左指示区域①④⑦、偏右指示区域③⑥⑨、偏前指示区域①②③、偏后指示区域⑦⑧⑨、偏左前指示区域①②④、偏左后指示区域④⑦⑧、偏右前指示区域②③⑥和偏右后指示区域⑥⑧⑨。通过偏载指示区域的载重可以指示出车厢的偏载状态,具体来说,所有偏载指示区域中载重最大的偏载指示区域所指示的偏载状态为货车的偏载状态,例如,各偏载指示区域中偏左前指示区域的载重最大,且货车总载重超过货车核载(即货车的最大载重)的一半,那么货车的偏载状态为偏左前。
在本申请的一种可选实施例中,所述基于当前载重状态确定对应的偏载等级,包括:
在每次改变载重状态后,获取偏载状态对应的偏载指示区域中各子区域砝码的总重量;
获取总重量与货车核载的比值,并基于比值获取对应的偏载等级。
具体地,在根据载重状态确定出偏载状态后,确定偏载状态对应的偏载指示区域中各子区域的载重量。举例来说,按如图3所示的子区域划分方式,若确定偏载状态为偏右后,那么对应的偏载指示区域为⑥⑧⑨,那么获取子区域⑥⑧⑨中的砝码的总重量,然后将该砝码总重量与货车的核载的比值作为对应的偏载等级。其中,偏载等级与比值的对应关系可以根据实际需求进行划分。例如,当比值不大于0.6时,对应的偏载等级为正常,当比值大于0.6且不小于0.8时,对应的偏载等级为一般偏载,当比值大于0.8时,对应的偏载等级为严重偏载。
综上所述,对于如图3所示的示例,每次改变偏载状态后,确定偏载状态和偏载等级的过程可以包括:
(1)确定各子区域中砝码的总重量是否超过T/2,T为货车的核载,如果不超过T/2,则偏载状态和偏载等级均为正常,跳过后续步骤。
(2)根据以下公式确定偏载状态:
pl=max(wi+wj+wk)(i,j,k)∈
{(1,2,3),(1,4,7),(3,6,9),(7,8,9),(1,2,4),(2,3,6),(4,7,8),(6,8,9)};
其中,wi为i号子区域的砝码重量,pl表示货车的偏载状态。
(3)根据以下公式计算偏载指示区域各子区域的砝码的总重量与货车核载的比值:
{(1,2,3),(1,4,7),(3,6,9),(7,8,9),(1,2,4),(2,3,6),(4,7,8),(6,8,9)}
其中,L为比例值,T为车辆核载,wi为i号子区域的砝码重量,上式可简化为:
{(1,2,3),(1,4,7),(3,6,9),(7,8,9),(1,2,4),(2,3,6),(4,7,8),(6,8,9)}。
(4)根据获得的比值,确定偏载状态对应的偏载等级,具体来说,如果比值小于等于60%则当前偏载程度在正常范围之内;如果偏载值在60%~80%之间则当前货车为一般偏载;如果偏载值大于80%则为严重偏载。可以理解的是,上述偏载等级对应的比值区间可以是基于历史运输数据总结得到的经验值。因此,比值区间并不局限于上述范围。
在本申请的一种可选实施例中,按预设规则在一个或多个子区域放置砝码,以多次改变载重状态,包括:
对于车厢中的每一子区域,在该子区域多次放置第一重量的砝码直至放置的砝码的总重量到达货车核载的一半,且每次放置第一重量的砝码对应一次载重状态的改变。
具体地,在图3所示的示例中,按预设规则在一个或多个子区域放置砝码,以多次改变载重状态,可以包括:
(1)在子区域①放置重量为T/5的砝码,记录此时各应变计的传感器数据,同时根据当前的载重状态确定此时偏载状态和偏载等级;
(2)在子区域①继续放置砝码,每次放置重量为T/5的砝码,直至子区域①的砝码总重量为T/2。同样,每次放置T/5砝码记录一次各应变计的传感器数据,同时根据当前的载重状态确定此时偏载状态和偏载等级;
(3)按照子区域①的操作,对区域②~⑨进行同样的操作。
通过上述改变载重状态方式构造的是偏载状态为正常的训练样本。可以理解的是,所述第一重量并不限于T/5,只要保证子区域中砝码总重量不超过T/2即可。
或者,按照预设顺序依次在车厢中的各子区域放置第二重量的砝码,且每次放置第二重量的砝码对应一次载重状态的改变。
具体地,在图3所示的示例中,按预设规则在一个或多个子区域放置砝码,以多次改变载重状态,可以包括:
(1)按照子区域①~⑨的顺序依次放置砝码,每个子区域放置重量为T/9的砝码,每在一个子区域放置砝码后,记录一次各应变计的传感器数据,同时根据当前的载重状态确定此时偏载状态和偏载等级;
(2)按照③,②,①,④,⑤,⑥,⑨,⑧,⑦的顺序依次放置砝码,每个子区域放置重量为T/9的砝码,每在一个子区域放置砝码后,记录一次各应变计的传感器数据,同时根据当前的载重状态确定此时偏载状态和偏载等级。
通过上述改变载重状态方式构造的是偏载状态为正常以及偏载状态为非正常但偏载等级为正常的训练样本。可以理解的是,所述预设顺序还可以为其它顺序,只需要所述预设顺序与实际货物的摆放顺序相同即可,这样可以保证训练样本与实际场景相对应,进而保证训练样本的准确性。同时,所述第二重量也并不限于T/9,只要保证各子区域中砝码总重量为T/9即可。
或者,对于车厢中的每一偏载指示区域,在该偏载指示区域中的每个子区域放置第三重量的砝码,且每次放置第三重量的砝码对应一次载重状态的改变。
具体地,在图3所示的示例中,按预设规则在一个或多个子区域放置砝码,以多次改变载重状态,可以包括:
(1)在偏前指示区域①②③中的每个子区域同时放置重量为T/4的砝码,每次放置砝码后,记录一次各应变计的传感器数据,同时根据当前的载重状态确定此时偏载状态和偏载等级;
(2)在偏左指示区域①④⑦中的每个子区域同时放置重量为T/4的砝码,每次放置砝码后,记录一次各应变计的传感器数据,同时根据当前的载重状态确定此时偏载状态和偏载等级;
(3)在偏右指示区域③⑥⑨中的每个子区域同时放置重量为T/4的砝码,每次放置砝码后,记录一次各应变计的传感器数据,同时根据当前的载重状态确定此时偏载状态和偏载等级;
(4)在偏后指示区域⑦⑧⑨中的每个子区域同时放置重量为T/4的砝码,每次放置砝码后,记录一次各应变计的传感器数据,同时根据当前的载重状态确定此时偏载状态和偏载等级;
(5)在偏左前指示区域①②④中的每个子区域同时放置重量为T/4的砝码,每次放置砝码后,记录一次各应变计的传感器数据,同时根据当前的载重状态确定此时偏载状态和偏载等级;
(6)在偏左后指示区域④⑦⑧中的每个子区域同时放置重量为T/4的砝码,每次放置砝码后,记录一次各应变计的传感器数据,同时根据当前的载重状态确定此时偏载状态和偏载等级;
(7)在偏右前指示区域②③⑥中的每个子区域同时放置重量为T/4的砝码,每次放置砝码后,记录一次各应变计的传感器数据,同时根据当前的载重状态确定此时偏载状态和偏载等级;
(8)在偏右后指示区域⑥⑧⑨中的每个子区域同时放置重量为T/4的砝码,每次放置砝码后,记录一次各应变计的传感器数据,同时根据当前的载重状态确定此时偏载状态和偏载等级。
通过上述改变载重状态方式构造的是偏载状态为非正常同时偏载等级为非正常的训练样本。可以理解的是,所述第三重量并不限于T/4,第三重量的设置仅需保证偏载指示区域中各子区域砝码的总重量对应于一般偏载或严重偏载即可。
通过采用以上几种方式改变货车的载重状态,可以获取不同的偏载状态和偏载等级下的样本数据,进而利用这些数据对两种模型进行训练。
在本申请的一种可选实施例中,该方法还可以包括:
在将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型之前、以及在将各应变计的传感器数据输入训练好的逻辑回归偏载等级识别模型之前,对各应变计的传感器数据进行归一化处理。
具体地,由于各个传感器在数值上存在着很大的差异,在训练LR模型使用梯度下降法求解最优参数时,可能很难收敛甚至不能收敛,所以对模型训练数据归一化往往非常有必要。
具体来说,可以采用如下方式对各样本的传感器数据进行归一化处理:
其中,X为各应变计在同一载重状态下的传感器数据,X*为归一化后的特征值。Xmax、Xmin为对应传感器数据的最大值和最小值。
如图4所示,为本申请提供的货车偏载识别方法的整体流程图,其中,逻辑回归偏载状态识别模型和逻辑回归偏载等级识别模型可以运行在车载处理设备上,该车载处理设备与安装在车桥上的应变计连接,可以获取应变计的传感器数据,并在基于传感器数据识别出当前的偏载状态和偏载等级后,通过其显示设备显示,或者推送给移动终端、或者接受移动终端的查询,该过程可以包含以下几个步骤:
(1)在货车的车辆上安装应变计,并将应变计与车载处理设备连接;
(2)采集训练数据,包括第一训练样本集合和第二训练样本集合;
其中,所述第一训练样本集合可以表示为:
所述第二训练样本集合可以表示为:
y2(i)表示第i个样本的偏载等级。值得注意的是,训练偏载等级识别模型时使用的特征数据和训练偏载状态识别模型的特征数据是一样的,此处不再赘述。
(3)对第一训练样本集合和第二训练样本集合中的各训练样本进行预处理,具体来说可以是对各训练样本进行归一化处理;
(4)利用经预处理后的训练样本,分别对逻辑回归偏载状态识别模型和逻辑回归偏载等级识别模型进行训练;
(5)利用训练好的逻辑回归偏载状态识别模型和逻辑回归偏载等级识别模型进行训练进行偏载状态和偏载等级的预测;
(6)操作人员通过手机上安装的APP(应用程序)查询当前的偏载状态和偏载等级,并根据查询结果对货车进行辅助纠偏,具体的,上货人员可以根据当前偏载状态和偏载等级来改变后续货物的摆放位置,在不降低装车效率的同时提高了运输安全性。
图5为本申请实施例提供的一种货车偏载识别装置的结构框图,如图5所示,该装置500可以包括:传感器数据获取模块501和偏载状态获取模块502,其中:
传感器数据获取模块501用于获取预设数量的应变计的传感器数据,各应变计安装在货车的车桥上;
偏载状态获取模块502用于将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型,得到货车的偏载状态,偏载状态为正常、偏左、偏右、偏前、偏后、偏左前、偏左后、偏右前和偏右后中的一种,训练好的逻辑回归偏载状态识别模型通过第一训练样本集合训练得到,第一训练样本集合中的各第一训练样本包括各应变计的传感器数据样本和对应的偏载状态标注;
第一训练样本集合中的第一训练样本通过以下方式获取:
多次改变货车车厢的载重状态;
在每次改变载重状态后,获取各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态;
在每次改变载重状态后,将各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载状态作为对应的偏载状态标注,得到对应的第一训练样本。
本申请提供的方案,通过在货车的车桥上设置多个应变计,并将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型,输出对应的偏载状态,由于在训练逻辑回归偏载状态识别模型过程中,对应的偏载状态标注除包含偏左和偏右外,还包含偏前、偏后、偏左前、偏左后、偏右前和偏右后等多种偏载状态,使得训练好的逻辑回归偏载状态识别模型也能识别出除偏前和偏后外的其他多种偏载状态,该方案较现有技术能识别出更多的偏载状态,可以更好的保证货车的安全行驶。
在本申请的一种可选实施例中,该装置还包括偏载等级获取模块,用于:
若货车的偏载状态不为正常,将各应变计的传感器数据输入训练好的逻辑回归偏载等级识别模型,得到货车的偏载等级,偏载等级为正常、一般偏载和严重偏载中的一种,训练好的逻辑回归偏载等级识别模型通过第二训练样本集合训练得到,第二训练样本集合中的各第二训练样本包括各应变计的传感器数据样本和对应的偏载等级标注;
第二训练样本集合中的第二训练样本通过以下方式获取:
多次改变货车车厢的载重状态;
在每次改变载重状态后,获取各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态;
在每次改变载重状态后,若基于当前载重状态确定对应的偏载状态不为正常,则基于当前载重状态确定对应的偏载等级,并将各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载等级作为对应的偏载等级标注,得到对应的第二训练样本。
在本申请的一种可选实施例中,偏载状态获取模块具体用于:
将车厢划分为多个子区域,按预设规则在一个或多个子区域放置砝码,以多次改变载重状态。
在本申请的一种可选实施例中,偏载状态获取模块进一步用于:
对于车厢中的每一子区域,在该子区域多次放置第一重量的砝码直至放置的砝码的总重量到达货车核载的一半,且每次放置第一重量的砝码对应一次载重状态的改变;
或者,按照预设顺序依次在车厢中的各子区域放置第二重量的砝码,且每次放置第二重量的砝码对应一次载重状态的改变;
或者,对于车厢中的每一偏载指示区域,在该偏载指示区域中的每个子区域放置第三重量的砝码,且每次放置第三重量的砝码对应一次载重状态的改变;
其中,偏载指示区域是由多个子区域构成的用于表征所述货车的偏载状态的区域,不同偏载状态对应于不同偏载指示区域。
在本申请的一种可选实施例中,偏载状态获取模块进一步用于:
在每次改变载重状态后,获取车厢的偏载指示区域中各子区域砝码的总重量、以及货车当前的总载重量;
若当前的总载重量大于货车核载的一半,则将各偏载指示区域中总重量最大的偏载指示区域所指示的偏载状态,确定为对应的偏载状态。
在本申请的一种可选实施例中,偏载等级获取模块进一步用于:
在每次改变载重状态后,获取偏载状态对应的偏载指示区域中各子区域砝码的总重量;
获取总重量与货车核载的比值,并基于比值获取对应的偏载等级。
在本申请的一种可选实施例中,该装置还包括归一化处理模块,用于:
在将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型之前、以及在将各应变计的传感器数据输入训练好的逻辑回归偏载等级识别模型之前,对各应变计的传感器数据进行归一化处理。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备(例如执行图1所示方法的终端设备或服务器)600的结构示意图。本申请实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴设备等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
电子设备包括:存储器以及处理器,存储器用于存储执行上述各个方法实施例所述方法的程序;处理器被配置为执行存储器中存储的程序。其中,这里的处理器可以称为下文所述的处理装置601,存储器可以包括下文中的只读存储器(ROM)602、随机访问存储器(RAM)603以及存储装置608中的至少一项,具体如下所示:
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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RAM603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本申请的实施例,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,本申请的实施例包括一种计算机程序产品,其包括承载在非暂态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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本申请实施例的方法中限定的上述功能。
需要说明的是,本申请上述的计算机可读存储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。在本申请中,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。而在本申请中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述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该电子设备执行时,使得该电子设备:
获取预设数量的应变计的传感器数据,各应变计安装在货车的车桥上;
将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型,得到货车的偏载状态,偏载状态为正常、偏左、偏右、偏前、偏后、偏左前、偏左后、偏右前和偏右后中的一种,训练好的逻辑回归偏载状态识别模型通过第一训练样本集合训练得到,第一训练样本集合中的各第一训练样本包括各应变计的传感器数据样本和对应的偏载状态标注;第一训练样本集合中的第一训练样本通过以下方式获取:多次改变货车车厢的载重状态;在每次改变载重状态后,获取各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态;在每次改变载重状态后,将各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载状态作为对应的偏载状态标注,得到对应的第一训练样本。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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。
描述于本申请实施例中所涉及到的模块或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。其中,模块或单元的名称在某种情况下并不构成对该单元本身的限定,例如,偏载状态获取模块还可以被描述为“获取偏载状态的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的计算机可读介质被电子设备执行时实现的具体方法,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行时实现如下情况:
将各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型,得到货车的偏载状态,偏载状态为正常、偏左、偏右、偏前、偏后、偏左前、偏左后、偏右前和偏右后中的一种,训练好的逻辑回归偏载状态识别模型通过第一训练样本集合训练得到,第一训练样本集合中的各第一训练样本包括各应变计的传感器数据样本和对应的偏载状态标注;第一训练样本集合中的第一训练样本通过以下方式获取:多次改变货车车厢的载重状态;在每次改变载重状态后,获取各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态;在每次改变载重状态后,将各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载状态作为对应的偏载状态标注,得到对应的第一训练样本。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种货车偏载识别方法,其特征在于,包括:
获取预设数量的应变计的传感器数据,各应变计安装在货车的车桥上;
将所述各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型,得到所述货车的偏载状态,所述偏载状态为正常、偏左、偏右、偏前、偏后、偏左前、偏左后、偏右前和偏右后中的一种,所述训练好的逻辑回归偏载状态识别模型通过第一训练样本集合训练得到,所述第一训练样本集合中的各第一训练样本包括所述各应变计的传感器数据样本和对应的偏载状态标注;
所述第一训练样本集合中的第一训练样本通过以下方式获取:
多次改变所述货车车厢的载重状态;
在每次改变所述载重状态后,获取所述各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态;
在每次改变所述载重状态后,将所述各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载状态作为对应的偏载状态标注,得到对应的第一训练样本。
2.根据权利要求1所述的方法,其特征在于,若所述货车的偏载状态不为正常,所述方法还包括:
将所述各应变计的传感器数据输入训练好的逻辑回归偏载等级识别模型,得到所述货车的偏载等级,所述偏载等级为正常、一般偏载和严重偏载中的一种,所述训练好的逻辑回归偏载等级识别模型通过第二训练样本集合训练得到,所述第二训练样本集合中的各第二训练样本包括所述各应变计的传感器数据样本和对应的偏载等级标注;
所述第二训练样本集合中的第二训练样本通过以下方式获取:
多次改变所述货车车厢的载重状态;
在每次改变所述载重状态后,获取所述各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态;
在每次改变所述载重状态后,若基于当前载重状态确定对应的偏载状态不为正常,则基于当前载重状态确定对应的偏载等级,并将所述各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载等级作为对应的偏载等级标注,得到对应的第二训练样本。
3.根据权利要求2所述的方法,其特征在于,所述多次改变货车车厢的载重状态,包括:
将所述车厢划分为多个子区域,按预设规则在一个或多个子区域放置砝码,以多次改变所述载重状态。
4.根据权利要求3所述的方法,其特征在于,按预设规则在一个或多个子区域放置砝码,以多次改变所述载重状态,包括:
对于所述车厢中的每一子区域,在该子区域多次放置第一重量的砝码直至放置的砝码的总重量到达所述货车核载的一半,且每次放置第一重量的砝码对应一次所述载重状态的改变;
或者,按照预设顺序依次在所述车厢中的各子区域放置第二重量的砝码,且每次放置第二重量的砝码对应一次所述载重状态的改变;
或者,对于所述车厢中的每一偏载指示区域,在该偏载指示区域中的每个子区域放置第三重量的砝码,且每次放置第三重量的砝码对应一次所述载重状态的改变;
其中,所述偏载指示区域是由多个子区域构成的用于表征所述货车的偏载状态的区域,不同偏载状态对应于不同偏载指示区域。
5.根据权利要求4所述的方法,其特征在于,所述基于当前载重状态确定对应的偏载状态,包括:
在每次改变所述载重状态后,获取所述车厢的偏载指示区域中各子区域砝码的总重量、以及所述货车当前的总载重量;
若所述当前的总载重量大于所述货车核载的一半,则将各偏载指示区域中总重量最大的偏载指示区域所指示的偏载状态,确定为对应的偏载状态。
6.根据权利要求4所述的方法,其特征在于,所述基于当前载重状态确定对应的偏载等级,包括:
在每次改变所述载重状态后,获取所述偏载状态对应的偏载指示区域中各子区域砝码的总重量;
获取所述总重量与所述货车核载的比值,并基于所述比值获取对应的偏载等级。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在将所述各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型之前、以及在将所述各应变计的传感器数据输入训练好的逻辑回归偏载等级识别模型之前,对所述各应变计的传感器数据进行归一化处理。
8.一种货车偏载识别装置,其特征在于,包括:
传感器数据获取模块,用于获取预设数量的应变计的传感器数据,各应变计安装在货车的车桥上;
偏载状态获取模块,用于将所述各应变计的传感器数据输入训练好的逻辑回归偏载状态识别模型,得到所述货车的偏载状态,所述偏载状态为正常、偏左、偏右、偏前、偏后、偏左前、偏左后、偏右前和偏右后中的一种,所述训练好的逻辑回归偏载状态识别模型通过第一训练样本集合训练得到,所述第一训练样本集合中的各第一训练样本包括所述各应变计的传感器数据样本和对应的偏载状态标注;
所述第一训练样本集合中的第一训练样本通过以下方式获取:
多次改变所述货车车厢的载重状态;
在每次改变所述载重状态后,获取所述各应变计的传感器数据,并基于当前载重状态确定对应的偏载状态;
在每次改变所述载重状态后,将所述各应变计的传感器数据作为传感器数据样本,将基于当前载重状态确定的偏载状态作为对应的偏载状态标注,得到对应的第一训练样本。
9.一种电子设备,其特征在于,包括存储器和处理器;
所述存储器中存储有计算机程序;
所述处理器,用于执行所述计算机程序以实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111155026.XA CN113884170B (zh) | 2021-09-29 | 2021-09-29 | 货车偏载识别方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111155026.XA CN113884170B (zh) | 2021-09-29 | 2021-09-29 | 货车偏载识别方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113884170A true CN113884170A (zh) | 2022-01-04 |
CN113884170B CN113884170B (zh) | 2024-04-12 |
Family
ID=79008458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111155026.XA Active CN113884170B (zh) | 2021-09-29 | 2021-09-29 | 货车偏载识别方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113884170B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116242537A (zh) * | 2023-05-11 | 2023-06-09 | 西南交通大学 | 平板车的超偏载监测方法、装置、系统及可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09329483A (ja) * | 1995-10-12 | 1997-12-22 | Yazaki Corp | 車両の荷重偏度算出装置及び積載重量算出装置 |
CN101350136A (zh) * | 2008-09-04 | 2009-01-21 | 清华大学 | 货车偏载动态检测方法及报警系统 |
CN101403633A (zh) * | 2008-10-22 | 2009-04-08 | 成都成运科技有限责任公司 | 一种超偏载检测系统 |
CN201304933Y (zh) * | 2008-09-04 | 2009-09-09 | 清华大学 | 货车偏载动态检测报警系统 |
CN102288364A (zh) * | 2011-05-13 | 2011-12-21 | 杨中权 | 铁路货车超偏载实时监测方法 |
CN202171499U (zh) * | 2011-06-22 | 2012-03-21 | 中南大学 | 铁路货车车载式超偏载智能监测系统 |
CN104742936A (zh) * | 2015-04-16 | 2015-07-01 | 济南轨道交通装备有限责任公司 | 一种智能化铁路货车 |
CN209764017U (zh) * | 2019-02-25 | 2019-12-10 | 深圳职业技术学院 | 一种用于检测车辆偏载的系统 |
CN111089643A (zh) * | 2020-01-02 | 2020-05-01 | 深圳市汉德网络科技有限公司 | 一种动态车载称重的方法及系统 |
CN111121939A (zh) * | 2020-01-02 | 2020-05-08 | 深圳市汉德网络科技有限公司 | 一种高精度车载区域称重方法 |
US20210201083A1 (en) * | 2019-12-26 | 2021-07-01 | Mobile Drive Technology Co.,Ltd. | Vehicle-mounted device and method for training object recognition model |
-
2021
- 2021-09-29 CN CN202111155026.XA patent/CN113884170B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09329483A (ja) * | 1995-10-12 | 1997-12-22 | Yazaki Corp | 車両の荷重偏度算出装置及び積載重量算出装置 |
CN101350136A (zh) * | 2008-09-04 | 2009-01-21 | 清华大学 | 货车偏载动态检测方法及报警系统 |
CN201304933Y (zh) * | 2008-09-04 | 2009-09-09 | 清华大学 | 货车偏载动态检测报警系统 |
CN101403633A (zh) * | 2008-10-22 | 2009-04-08 | 成都成运科技有限责任公司 | 一种超偏载检测系统 |
CN102288364A (zh) * | 2011-05-13 | 2011-12-21 | 杨中权 | 铁路货车超偏载实时监测方法 |
CN202171499U (zh) * | 2011-06-22 | 2012-03-21 | 中南大学 | 铁路货车车载式超偏载智能监测系统 |
CN104742936A (zh) * | 2015-04-16 | 2015-07-01 | 济南轨道交通装备有限责任公司 | 一种智能化铁路货车 |
CN209764017U (zh) * | 2019-02-25 | 2019-12-10 | 深圳职业技术学院 | 一种用于检测车辆偏载的系统 |
US20210201083A1 (en) * | 2019-12-26 | 2021-07-01 | Mobile Drive Technology Co.,Ltd. | Vehicle-mounted device and method for training object recognition model |
CN111089643A (zh) * | 2020-01-02 | 2020-05-01 | 深圳市汉德网络科技有限公司 | 一种动态车载称重的方法及系统 |
CN111121939A (zh) * | 2020-01-02 | 2020-05-08 | 深圳市汉德网络科技有限公司 | 一种高精度车载区域称重方法 |
Non-Patent Citations (5)
Title |
---|
刘宇熙: "《Python机器学习案例教程 原书第2版》", 机械工业出版社, pages: 145 - 147 * |
杨凤;王俭宝;侯龙请;: "基于转向架载荷的货车超偏载检测装置的设计", 铁路计算机应用, no. 05 * |
段小军;安爱民;吴俊;: "铁道货车超偏载检测装置与检衡车偏载标准检定装置计量性能对比", 铁道技术监督, no. 11 * |
田晶晶;李世武;苏建;杨志发;陈璐;汪海正;: "基于经验模态分解的载货汽车载荷动态检测策略研究", 振动与冲击, no. 04, 28 February 2013 (2013-02-28), pages 145 - 147 * |
程曦;刘华;张剑;田嘉伟;: "预应力混凝土梁桥在偏载作用下结构响应分析", 新技术新工艺, no. 05, 25 May 2019 (2019-05-25) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116242537A (zh) * | 2023-05-11 | 2023-06-09 | 西南交通大学 | 平板车的超偏载监测方法、装置、系统及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113884170B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9919715B2 (en) | Vehicle mode scheduling with learned user preferences | |
CN114944059B (zh) | 确定预估到达时间的方法与系统 | |
CN110163153B (zh) | 用于识别交通标志牌边界的方法及装置 | |
CN112590813B (zh) | 自动驾驶车辆信息生成方法、装置、电子设备和介质 | |
CN113808112B (zh) | 轨道扣件检测方法、电子设备和计算机可读介质 | |
CN111325986B (zh) | 异常停车监测方法、装置、电子设备以及存储介质 | |
WO2022241705A1 (zh) | 车辆监测方法、装置、设备及计算机可读存储介质 | |
CN113884170A (zh) | 货车偏载识别方法、装置及计算机可读存储介质 | |
CN112612958A (zh) | 订单处理方法、装置、电子设备和计算机可读介质 | |
CN111340880B (zh) | 用于生成预测模型的方法和装置 | |
Sik et al. | Comparing OBD and CAN Sampling on the go with the SensorHUB Framework | |
KR20200002230A (ko) | 실시간 업데이트된 도로정보 제공방법 및 시스템 | |
CN110502601B (zh) | 查找仓库的方法和装置 | |
CN112232326A (zh) | 行驶信息生成方法、装置、电子设备和计算机可读介质 | |
CN110807591A (zh) | 公路廊道货物运输指标估计方法、装置及终端 | |
CN111950238B (zh) | 自动驾驶故障评分表生成方法、装置、电子设备 | |
CN110588666B (zh) | 用于控制车辆行驶的方法及装置 | |
CN115209374B (zh) | 一种基于第三方呼叫中心的机动车报警系统 | |
CN113781765B (zh) | 信息处理方法及装置 | |
CN117635403B (zh) | 异常订单告警方法、装置、电子设备和计算机可读介质 | |
CN111523409B (zh) | 用于生成位置信息的方法和装置 | |
CN111814081B (zh) | 高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质 | |
CN117236646B (zh) | 车辆调度方法、装置、电子设备和计算机可读介质 | |
US11704385B2 (en) | Traffic light detection auto-labeling and federated learning based on vehicle-to-infrastructure communications | |
EP4099292A2 (en) | Method and apparatus of determining state of target object, electronic device, storage medium, and program product |
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 |