CN114054736B - 一种钢包车停车系统及方法 - Google Patents
一种钢包车停车系统及方法 Download PDFInfo
- Publication number
- CN114054736B CN114054736B CN202111185256.0A CN202111185256A CN114054736B CN 114054736 B CN114054736 B CN 114054736B CN 202111185256 A CN202111185256 A CN 202111185256A CN 114054736 B CN114054736 B CN 114054736B
- Authority
- CN
- China
- Prior art keywords
- buggy ladle
- parking
- data
- historical
- model
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D41/00—Casting melt-holding vessels, e.g. ladles, tundishes, cups or the like
- B22D41/12—Travelling ladles or similar containers; Cars for ladles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D46/00—Controlling, supervising, not restricted to casting covered by a single main group, e.g. for safety reasons
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Regulating Braking Force (AREA)
Abstract
本发明属于工业技术领域，具体提供了一种钢包车停车系统及方法，该方法包括如下步骤：获取多辆历史钢包车的历史车辆数据；根据历史车辆数据，通过机器学习算法进行模型训练，形成基础自学习模型，通过更改基础自学习模型的参数，获得准确性达到要求的基础自学习模型；将当前钢包车的输入数据输入符合要求的基础自学习模型进行训练，获得当前钢包车的输出目标数据，根据当前钢包车的输出目标数据，完成当前钢包车的停车；解决了现有技术中钢包车停车不准，需要在到达处理位后通过人工进行位置调整，影响生产效率和生产节奏的问题，本发明的方法能够控制钢包车精准停车，避免人工调整、降低运维成本、提高设备的稳定性和生产效率。
Description
技术领域
本发明属于工业技术领域，具体涉及一种钢包车停车系统及方法。
背景技术
钢铁冶炼过程中，钢包从吊包位被置于钢包车上，随钢包车一起行驶到多个工位完成冶炼作业。由于钢包车钢水重量的差异，惯性也不同；同时随着使用的时间，钢包车抱闸老化导致停车距离变长；行车轨道磨损或不平整等多种问题；以上多种原因使得钢包车停车位置不够精准。如果钢包车停车不准，需要在到达处理位后通过人工进行位置调整，因此钢包车精准停车直接影响生产效率和生产节奏。
公布号为CN105527963A，公布日为2016年4月27日的中国文献公开了一种侧方位停车方法及系统,属于车辆主动安全领域。该方法用于侧方位停车系统，包括：获取本车的车辆状态信息,车辆状态信息包括：本车在停车环境中的位置信息和目标车位在停车环境中的位置信息；根据车辆状态信息,采用机器学习算法确定离散停车行驶路径；对离散停车行驶路径进行曲线拟合，得到目标停车行驶路径；根据目标停车行驶路径控制本车完成侧方位停车。上述专利用于侧方位停车，解决了侧方位停车系统的稳定性较低，灵活性较差的问题，达到了提高侧方位停车系统的稳定性、灵活性的效果。并没有解决上述多种原因使得钢包车停车位置不够精准，需要在到达处理位后通过人工进行位置调整，影响生产效率和生产节奏的问题。
发明内容
本发明提供的一种钢包车停车系统及方法目的是克服现有技术中钢包车停车不准，需要在到达处理位后通过人工进行位置调整，影响生产效率和生产节奏的问题。
为此，本发明提供了一种钢包车停车方法，包括如下步骤：
1)获取多辆历史钢包车的历史车辆数据；
2)根据历史车辆数据，通过机器学习算法进行模型训练，形成基础自学习模型，通过更改基础自学习模型的参数，获得准确性达到要求的基础自学习模型；
3)将当前钢包车的输入数据输入符合要求的基础自学习模型进行训练，获得当前钢包车的输出目标数据，根据当前钢包车的输出目标数据，完成当前钢包车的停车。
优选的，所述机器学习算法采用基于Xgboost算法的机器学习算法。
优选的，所述历史车辆数据包括历史钢包车起始位置数据、历史钢包车重量数据、历史钢包车行驶过程中的实时位置数据、历史停车误差补偿值和历史钢包车位置设定数据；
所述模型训练时的训练数据包括模型训练的历史输出目标数据和模型训练的历史输入数据；
所述历史停车误差补偿值和历史钢包车位置设定数据为模型训练的历史输出目标数据；
所述历史钢包车起始位置数据、历史钢包车重量数据、历史钢包车行驶过程中的实时位置数据为模型训练的历史输入数据。
优选的，所述通过机器学习算法进行模型训练，形成基础自学习模型的步骤为：将训练数据分为模型训练组和模型测试组，针对模型训练组运用最小化目标函数的方法找到最佳的参数组，形成基础自学习模型。
优选的，所述模型训练组数据和模型测试组数据的比例为10-5:1-4。
优选的，所述获得准确性达到要求的基础自学习模型的步骤为：将模型测试组输入基础自学习模型中，通过机器学习算法计算输出目标数据与真实输出目标数据的误差，根据误差更改基础自学习模型的参数，使其达到准确性要求。
一种钢包车停车系统，包括：
获取模块，用于获取钢包车的车辆数据；
学习模块，用于根据获取的钢包车的车辆数据，确定钢包车的停车数据；
停车模块，用于根据钢包车的停车数据完成钢包车停车。
优选的，所述获取模块包括钢包车位置检测仪和钢包车重量检测仪，停车模块包括行车控制器、驱动器、执行机构和抱闸，学习模块第一路电连接钢包车位置检测仪，学习模块第二路电连接钢包车重量检测仪，学习模块第三路依次电连接行车控制器、驱动器、执行机构和抱闸，抱闸安装在钢包车上。
优选的，所述获取模块还包括数字滤波器，钢包车位置检测仪通过数字滤波器电连接学习模块。
优选的，所述停车模块的停车方法包括如下步骤：行车控制器接收学习模块的停车信号，将接收的信号发送至驱动器，驱动器向执行机构发送控制信号，执行机构接收控制信号并执行相应动作；抱闸用于钢包车的制动。
本发明的有益效果：本发明提供的这种钢包车停车系统及方法，通过获取多辆历史钢包车的历史车辆数据，建立对应的基于Xgboost算法的机器学习算法进行模型训练，形成基础自学习模型，通过更改基础自学习模型的参数，获得准确性达到要求的基础自学习模型；将当前钢包车的输入数据输入符合要求的基础自学习模型进行训练，获得当前钢包车的输出目标数据，根据当前钢包车的输出目标数据，完成当前钢包车的精准停车。避免人工调整、降低运维成本、提高设备的稳定性和生产效率。
附图说明
以下将结合附图对本发明做进一步详细说明。
图1是钢包车停车方法的流程图；
图2是钢包车停车系统的原理图。
具体实施方式
实施例1：
如图1所示，一种钢包车停车方法，包括如下步骤：
1)获取多辆历史钢包车的历史车辆数据；
2)根据历史车辆数据，通过机器学习算法进行模型训练，形成基础自学习模型，通过更改基础自学习模型的参数，获得准确性达到要求的基础自学习模型；
3)将当前钢包车的输入数据输入符合要求的基础自学习模型进行训练，获得当前钢包车的输出目标数据，根据当前钢包车的输出目标数据，完成当前钢包车的停车。
该方法通过自学习修正钢包车停车误差，保证钢包车停车精确度。
本发明提供的这种钢包车停车方法，避免人工调整、降低运维成本、提高设备的稳定性和生产效率。
优选的，所述基础自学习模型的参数的包括常规参数、提升器参数和任务参数。
机器学习算法和模型训练是基于python编程语言。在训练机器学习算法之前,需设置常规参数、提升器参数和任务参数三类参数；其中提升器参数可防止过拟合，在每次提升计算之后，算法会直接获得新特征的权重，通过缩减特征的权重使提升计算过程更加保守，更新更加平缓；任务参数定义学习任务及相应的学习目标，可选的目标函数包括线性回归、逻辑回归、二分类的逻辑回归、计数问题的poisson回归，softmax目标函数。
优选的，所述步骤3)的具体步骤为：将当前钢包车起始位置数据、当前钢包车重量数据、当前钢包车行驶过程中的实时位置数据输入符合要求的基础自学习模型进行训练，确定本次停车误差补偿值，根据停车误差补偿值获得当前钢包车补偿后的设定值，根据当前钢包车补偿后的设定值控制钢包车完成停车。
实施例2:
在实施例1的基础上，所述机器学习算法采用基于Xgboost算法的机器学习算法。
基于Xgboost算法的机器学习模型使用的正则化及最小化目标函数防止过度拟合并减少计算。通过使用该算法，使基础自学习模型的模型训练准确度：模型均方差(MSE)＝20.08，模型均方根差(RMSE)＝4.4；同时，通过采集200次停车数据，使当前钢包车停车系统的停车精准率(停车误差±1cm)为95.27％。
优选的，所述钢包车重量数据8为加入钢液后的钢包车重量数据。提高测量和停车的精确度。
优选的，所述历史车辆数据包括历史钢包车起始位置数据、历史钢包车重量数据、历史钢包车行驶过程中的实时位置数据、历史停车误差补偿值和历史钢包车位置设定数据；
所述模型训练时的训练数据包括模型训练的历史输出目标数据和模型训练的历史输入数据；
所述历史停车误差补偿值和历史钢包车位置设定数据为模型训练的历史输出目标数据；
所述历史钢包车起始位置数据、历史钢包车重量数据、历史钢包车行驶过程中的实时位置数据为模型训练的历史输入数据。
历史车辆数据保证基础自学习模型的模型训练准确度，获得准确性达到要求的基础自学习模型，进而提高当前钢包车停车系统的停车精准率。历史车辆指当前钢包车之前的多辆钢包车，优选的，钢包车的数量大于100次。
优选的，所述通过机器学习算法进行模型训练，形成基础自学习模型的步骤为：将训练数据分为模型训练组和模型测试组，针对模型训练组运用最小化目标函数的方法找到最佳的参数组，形成基础自学习模型。
形成的基础自学习模型的模型训练准确度：模型均方差(MSE)＝20.08，模型均方根差(RMSE)＝4.4。
优选的，所述模型训练组数据和模型测试组数据的比例为10-5:1-4。
表明模型训练组样本大于模型测试组样本，因为模型训练组样本比例大，包含的数据信息就越多，结果更可靠，参考价值更高。
优选的，所述模型训练组数据和模型测试组数据的比例为7：3；结果最好，参考价值最高。
优选的，所述获得准确性达到要求的基础自学习模型的步骤为：将模型测试组输入基础自学习模型中，通过机器学习算法计算输出目标数据与真实输出目标数据的误差，根据误差更改基础自学习模型的参数，使其达到准确性要求。检验模型准确性。
实施例3:
如图2所示，一种钢包车停车系统，包括：
获取模块，用于获取钢包车的车辆数据；
学习模块，用于根据获取的钢包车的车辆数据，确定钢包车的停车数据；
停车模块，用于根据钢包车的停车数据完成钢包车停车。
获取模块使钢包车的车辆数据被完整记录并以此建立更加准确的基础自学习模型；学习模块实现对钢包车停车误差补偿值7的准确预报。
优选的，所述获取模块包括钢包车位置检测仪和钢包车重量检测仪，停车模块包括行车控制器、驱动器、执行机构和抱闸，学习模块第一路电连接钢包车位置检测仪，学习模块第二路电连接钢包车重量检测仪，学习模块第三路依次电连接行车控制器、驱动器、执行机构和抱闸，抱闸安装在钢包车上。
钢包车位置检测仪用于获取钢包车的车辆数据，钢包车重量检测仪获取钢包车的重量数据，检测精度高，检测方便，结构简单，实用性好；学习模块根据历史车辆数据，通过机器学习算法进行模型训练，形成基础自学习模型，通过更改基础自学习模型的参数，获得准确性达到要求的基础自学习模型；在行车控制器的控制下实现钢包车精准停车，尽可能减小停车偏差，提高设备的稳定性和生产效率。
优选的，所述获取模块还包括数字滤波器，钢包车位置检测仪通过数字滤波器电连接学习模块。
钢包车位置检测仪的信号经数字滤波器过滤后发送至学习模块，可使有用的信号与噪声分离，从复杂频率成分中分离出单一的频率分量，滤掉不感兴趣的频率成分，提高分析精度和信号的抗干扰性及信噪比。
优选的，所述停车模块的停车方法包括如下步骤：行车控制器接收学习模块的停车信号，将接收的信号发送至驱动器，驱动器向执行机构发送控制信号，执行机构接收控制信号并执行相应动作；抱闸用于钢包车的制动。
驱动器指驱执行机构工作的驱动硬件，驱动器位于行车控制器和执行机构的中间环节，负责接收来自行车控制器的信号，将信号处理并转移至执行机构，并将执行机构的工作情况反馈至行车控制器；执行机构指使钢包车运动的驱动装置，执行机构通过接收来自驱动器发送的控制信号并执行动作；抱闸安装在钢包车上，作为现有部件，是使行驶中的钢包车准确制动的装置；行车控制器、驱动器、执行机构和抱闸均为现有部件，无特殊结构要求。
优选的，所述行车控制器为PLC控制器。PLC控制器为可编程逻辑控制器，可以将控制指令随时载入内存进行储存与执行。
本发明的描述中，需要理解的是，若有术语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，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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制。
以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (10)
1.一种钢包车停车方法，其特征在于：包括如下步骤：
1)获取多辆历史钢包车的历史车辆数据；
2)根据历史车辆数据，通过机器学习算法进行模型训练，形成基础自学习模型，通过更改基础自学习模型的参数，获得准确性达到要求的基础自学习模型；
3)将当前钢包车的输入数据输入符合要求的基础自学习模型进行训练，获得当前钢包车的输出目标数据，根据当前钢包车的输出目标数据，完成当前钢包车的停车。
2.如权利要求1所述的钢包车停车方法，其特征在于：所述机器学习算法采用基于Xgboost算法的机器学习。
3.如权利要求1所述的钢包车停车方法，其特征在于：所述历史车辆数据包括历史钢包车起始位置数据、历史钢包车重量数据、历史钢包车行驶过程中的实时位置数据、历史停车误差补偿值和历史钢包车位置设定数据；
所述模型训练时的训练数据包括模型训练的历史输出目标数据和模型训练的历史输入数据；
所述历史停车误差补偿值和历史钢包车位置设定数据为模型训练的历史输出目标数据；
所述历史钢包车起始位置数据、历史钢包车重量数据、历史钢包车行驶过程中的实时位置数据为模型训练的历史输入数据。
4.如权利要求1所述的钢包车停车方法，其特征在于：所述通过机器学习算法进行模型训练，形成基础自学习模型的步骤为：将训练数据分为模型训练组和模型测试组，针对模型训练组运用最小化目标函数的方法找到最佳的参数组，形成基础自学习模型。
5.如权利要求4所述的钢包车停车方法，其特征在于：所述模型训练组数据和模型测试组数据的比例为10-5:1-4。
6.如权利要求4所述的钢包车停车方法，其特征在于：所述获得准确性达到要求的基础自学习模型的步骤为：将模型测试组输入基础自学习模型中，通过机器学习算法计算输出目标数据与真实输出目标数据的误差，根据误差更改基础自学习模型的参数，使其达到准确性要求。
7.一种钢包车停车系统，其特征在于，包括：
获取模块，用于获取多辆历史钢包车的历史车辆数据；
学习模块，用于根据历史车辆数据，通过机器学习算法进行模型训练，形成基础自学习模型，通过更改基础自学习模型的参数，获得准确性达到要求的基础自学习模型，再将当前钢包车的输入数据输入准确性达到要求的基础自学习模型进行训练，获得当前钢包车的输出目标数据；
停车模块，用于根据当前钢包车的输出目标数据，完成当前钢包车的停车。
8.如权利要求7所述的钢包车停车系统，其特征在于：
所述获取模块包括钢包车位置检测仪和钢包车重量检测仪，停车模块包括行车控制器、驱动器、执行机构和抱闸，学习模块第一路电连接钢包车位置检测仪，学习模块第二路电连接钢包车重量检测仪，学习模块第三路依次电连接行车控制器、驱动器、执行机构和抱闸，抱闸安装在钢包车上。
9.如权利要求8所述的钢包车停车系统，其特征在于：所述获取模块还包括数字滤波器，钢包车位置检测仪通过数字滤波器电连接学习模块。
10.如权利要求8所述的钢包车停车系统，其特征在于：所述停车模块的停车方法包括如下步骤：行车控制器接收学习模块的停车信号，将接收的信号发送至驱动器，驱动器向执行机构发送控制信号，执行机构接收控制信号并执行相应动作；抱闸用于钢包车的制动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111185256.0A CN114054736B (zh) | 2021-10-12 | 2021-10-12 | 一种钢包车停车系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111185256.0A CN114054736B (zh) | 2021-10-12 | 2021-10-12 | 一种钢包车停车系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114054736A CN114054736A (zh) | 2022-02-18 |
| CN114054736B true CN114054736B (zh) | 2022-10-18 |
Family
ID=80234453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111185256.0A Active CN114054736B (zh) | 2021-10-12 | 2021-10-12 | 一种钢包车停车系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114054736B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109396375A (zh) * | 2018-12-11 | 2019-03-01 | 大连理工大学 | 一种基于特征向量和层次聚类的结晶器漏钢预报方法 |
| CN110619442A (zh) * | 2019-09-26 | 2019-12-27 | 浙江科技学院 | 一种基于强化学习的车辆泊位预测方法 |
| CN111415048A (zh) * | 2020-04-10 | 2020-07-14 | 大连海事大学 | 一种基于强化学习的车辆路径规划方法 |
| CN112749210A (zh) * | 2021-01-18 | 2021-05-04 | 优必爱信息技术（北京）有限公司 | 基于深度学习的车辆碰撞识别方法和系统 |
| CN112974789A (zh) * | 2021-02-08 | 2021-06-18 | 广东韶钢松山股份有限公司 | 一种精炼炉钢包车定位方法 |
-
2021
- 2021-10-12 CN CN202111185256.0A patent/CN114054736B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109396375A (zh) * | 2018-12-11 | 2019-03-01 | 大连理工大学 | 一种基于特征向量和层次聚类的结晶器漏钢预报方法 |
| CN110619442A (zh) * | 2019-09-26 | 2019-12-27 | 浙江科技学院 | 一种基于强化学习的车辆泊位预测方法 |
| CN111415048A (zh) * | 2020-04-10 | 2020-07-14 | 大连海事大学 | 一种基于强化学习的车辆路径规划方法 |
| CN112749210A (zh) * | 2021-01-18 | 2021-05-04 | 优必爱信息技术（北京）有限公司 | 基于深度学习的车辆碰撞识别方法和系统 |
| CN112974789A (zh) * | 2021-02-08 | 2021-06-18 | 广东韶钢松山股份有限公司 | 一种精炼炉钢包车定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114054736A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101559513B (zh) | 基于激光测距的集装箱波纹板焊接轨迹检测与控制方法 | |
| CN108107883B (zh) | 一种基于磁带导引agv的多传感器信息融合定位方法 | |
| CN109828577A (zh) | 无人驾驶集装箱卡车相对自动化场桥高精度定位停车方法 | |
| CN112230655B (zh) | 一种四向穿梭车的行走控制系统及方法 | |
| CN112590738B (zh) | 兼容不同代际车辆的ato停车控制方法 | |
| CN109238743B (zh) | 一种车轮转向随动控制系统 | |
| CN105974924A (zh) | Agv小车自适应导航方法及系统 | |
| CN114054736B (zh) | 一种钢包车停车系统及方法 | |
| CN110187690A (zh) | 铁路货运精准自动装车控制系统 | |
| WO2015161995A1 (de) | Bestimmung der masse einer metallischen schmelze | |
| CN114559988A (zh) | 列车速度、里程、站点和运动状态测量方法、装置及系统 | |
| CN112299254A (zh) | 工作装置自动运动的方法和工作装置 | |
| CN109652102A (zh) | 焦炉电机车自动驾驶定位控制的方法 | |
| CN110244705A (zh) | 一种自动导引小车的行走校准装置及校准方法 | |
| CN113147768B (zh) | 基于多算法融合预测的汽车路面状态在线估计系统及方法 | |
| CN112978272A (zh) | 一种钢铁冶金轨道布料小车定位及自动布料控制系统 | |
| CN112678636A (zh) | 电梯实现自动精准平层的方法及系统 | |
| CN115783814B (zh) | 一种基于ros的移动装车系统和方法 | |
| CN113610336B (zh) | 一种铁水过跨车调度系统 | |
| CN209605785U (zh) | 轨道滑行物实时位置校准装置 | |
| CN113959337B (zh) | 基于单线激光雷达的散料装车实时堆积量计算方法 | |
| CN210109126U (zh) | 一种耗材监控装置 | |
| CN111444658B (zh) | 一种槽型轨几何参数趋势预测方法及系统 | |
| CN109261745B (zh) | 一种镀锌产线入口运卷小车运动和定位控制方法 | |
| CN209668307U (zh) | 卸垛机定位系统 |
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 |