CN114889654A - 一种基于索道轮胎状态的索道控制方法及其相关设备 - Google Patents
一种基于索道轮胎状态的索道控制方法及其相关设备 Download PDFInfo
- Publication number
- CN114889654A CN114889654A CN202210594892.7A CN202210594892A CN114889654A CN 114889654 A CN114889654 A CN 114889654A CN 202210594892 A CN202210594892 A CN 202210594892A CN 114889654 A CN114889654 A CN 114889654A
- Authority
- CN
- China
- Prior art keywords
- tire
- cableway
- data
- control system
- prediction result
- 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 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000001133 acceleration Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 208000012661 Dyskinesia Diseases 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000009417 prefabrication Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61B—RAILWAY SYSTEMS; EQUIPMENT THEREFOR NOT OTHERWISE PROVIDED FOR
- B61B12/00—Component parts, details or accessories not provided for in groups B61B7/00 - B61B11/00
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61C—LOCOMOTIVES; MOTOR RAILCARS
- B61C17/00—Arrangement or disposition of parts; Details or accessories not otherwise provided for; Use of control gear and control systems
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种基于索道轮胎状态的索道控制方法及其相关设备，该方法包括：获取不同时间周期、不同季节、不同场景下的多维度数据；对所述多维度数据进行预处理，将所述预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型；获取实时采集的所述多维度数据，将实时采集的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统；所述索道控制系统根据所述预测结果确定控制方案。
Description
技术领域
本申请涉及索道技术领域，尤其涉及一种基于索道轮胎状态的索道控制方法及其相关设备。
背景技术
在脱挂式索道中，轮胎主要受到进站侧减速机构或者出站侧加速机构的控制，对进站的吊箱进行加速和减速。所以，轮胎是否可以健康的运行，直接关系到脱挂式索道可否正常运行，也直接影响了吊箱运行的稳定性。
目前，对于轮胎的健康监测，例如压力不足、漏气和轮胎表面磨损程度的检测，大部分采用人工巡检的方式，早上或晚上巡检工人采用目测法逐一排查轮胎的状态。巡检过程效率低，往往需要专人负责，增加了运营成本。另外，且由于轮胎的安装方式，巡检工人需要攀爬到轮胎的支撑梁，才能完整观察到轮胎全部的内外表面，存在很大的安全隐患。
目前市场上有一些脱挂式索道的胎压监测设备，可以代替人工巡检。但是此类设备只做到了监测轮胎的胎压和温度，通过设置固定的胎压预制，判断轮胎是否正常。此类设备只是做到了最简单的压力检测和最初级的预警判断，通过PAD等显示屏展示给客户。这种设备无法做到监测轮胎的寿命、磨损程度、宝泰御景，以及运行中无法综合考虑温度、胎压、以及吊厢划过时联动轮胎的状态是否正常。所以，此类设备功能过于简单，无法为索道控制系统提供准确合理的预警信息。
发明内容
本申请提供了一种基于索道轮胎状态的索道控制方法及其相关设备，解决了如何通过预测拖挂式索道轮胎状态对索道进行调整的技术问题。
一种基于索道轮胎状态的索道控制方法，包括：
获取不同时间周期、不同季节、不同场景下的多维度数据；
对所述多维度数据进行预处理，将所述预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型；
获取实时采集的所述多维度数据，将实时采集的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统；
所述索道控制系统根据所述预测结果确定控制方案。
在本申请的一种实施例中，所述实时采集所述多维度数据，将实时的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统，所述索道控制系统根据所述预测结果获得控制方案，具体包括：所述多维度数据包括轮胎胎压值、轮胎工作温度、轮胎加速度和轮胎工作时间；将实时采集到的所述多维度数据输入至第一算法模型中，得到轮胎寿命数据；将所述轮胎寿命数据发送至索道控制系统，所述索道控制系统根据所述轮胎寿命数据确定控制方案，所述控制方案包括是否减速运行或停车、是否更换轮胎、何时更换轮胎。
在本申请的一种实施例中，所述实时采集所述多维度数据，将实时的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统，所述索道控制系统根据所述预测结果获得控制方案，具体包括：所述多维度数据包括轮胎胎压值、环境温度；将实时采集到的所述多维度数据输入至第二算法模型中，得到轮胎最佳胎压值；将所述轮胎最佳胎压值发送至索道控制系统，所述索道控制系统根据所述轮胎最佳胎压值确定控制方案，所述控制方案包括是否需要指导工人调整胎压值、是否减速运行或停车。
在本申请的一种实施例中，所述实时采集所述多维度数据，将实时的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统，所述索道控制系统根据所述预测结果获得控制方案，具体包括：所述多维度数据包括轮胎胎压值、轮胎工作温度、轮胎加速度；将实时采集到的所述多维度数据输入至第三算法模型中，得到每个轮胎运行异常的等级和通过的吊厢运动异常等级；将所述每个轮胎运行异常的等级和通过的吊厢运动异常等级发送至索道控制系统，所述索道控制系统根据所述每个轮胎运行异常的等级和通过的吊厢运动异常等级确定控制方案，所述控制方案包括减速运行或停车、是否更换轮胎、是否需要对吊厢进行检修或更换。
在本申请的一种实施例中，所述实时采集所述多维度数据，将实时的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统，所述索道控制系统根据所述预测结果获得控制方案，具体包括：所述多维度数据包括轮胎胎压值、轮胎工作温度、轮胎加速度和轮胎工作时间；将实时采集到的所述多维度数据输入至第四算法模型中，得到轮胎爆胎风险等级；将所述轮胎爆胎风险等级发送至索道控制系统，所述索道控制系统根据所述轮胎爆胎风险等级确定控制方案，所述控制方案包括减速运行或停车、是否更换轮胎、何时更换轮胎。
在本申请的一种实施例中，所述对所述多维度数据进行预处理，具体包括：根据设定的阈值范围，对不在所述阈值范围内的多维度数据进行过滤；根据现有字段与自然逻辑对过滤出的在所述阈值范围内的数据中的缺失值进行补全；根据预先定义的数据长度与类型对补全缺失值后的数据进行过滤；将根据预先定义的数据长度与类型过滤的数据匹配正则表达式，对字段中的噪音数据、乱码数据进行过滤。
一种基于索道轮胎状态的索道控制装置，包括：
数据获取模块，用于获取不同时间周期、不同季节、不同场景下的多维度数据；
模型训练模块，用于对所述多维度数据进行预处理，将所述预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型；
数据预测模块，用于获取实时采集的所述多维度数据，将实时采集的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统；
索道控制系统，所述索道控制系统根据所述预测结果确定控制方案。
一种基于索道轮胎状态的索道控制设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行：
获取不同时间周期、不同季节、不同场景下的多维度数据；
对所述多维度数据进行预处理，将所述预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型；
获取实时采集的所述多维度数据，将实时采集的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统；
所述索道控制系统根据所述预测结果确定控制方案。
一种非易失性存储介质，存储有计算机可执行指令，所述计算机可执行指令由处理器执行，以实现下述步骤：
获取不同时间周期、不同季节、不同场景下的多维度数据；
对所述多维度数据进行预处理，将所述预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型；
获取实时采集的所述多维度数据，将实时采集的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统；
所述索道控制系统根据所述预测结果确定控制方案。
一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种基于索道轮胎状态的索道控制方法的步骤。
本申请提供了一种基于索道轮胎状态的索道控制方法及其相关设备，至少包括以下有益效果：1.能够帮助轮胎寿命预测。通过采集脱挂式索道轮胎的胎压、温度和加速度数据，通过大数据建模分析和人工智能算法模型，预测轮胎寿命，为控制系统预测轮胎更换时间提供数据支撑。2.轮胎最佳胎压值预测。通过轮胎的温度、表面是都和胎压的大数据筛选，并通过人工智能算法建模，估算出不同温度状态下，轮胎最佳的胎压值，为控制系统对轮胎胎压的管理提供数据支撑。3.吊厢经过时相邻轮胎运动状态预测。通过采集吊厢经过时，相邻两个或多个轮胎的胎压、温度和加速度的大数据，对数据进行清洗，并通过人工智能算法进行建模，从而评估吊厢经过时，这相邻的两个或者多个轮胎是否工作正常，为索道控制系统预测轮胎状态和是否需要检修轮胎，索道是否需要降速运行等控制类操作提供数据支撑。4.爆胎风险预测。通过采集轮胎的压力、温度和加速度的大数据，综合轮胎寿命预测，最佳胎压值预测模型和吊厢经过时相邻两个或者多个轮胎的运动状态模型，综合以上多维度的数据，进行大数据清洗，并通过人工智能算法进行建模，预测轮胎是否有爆胎风险，并将预测结果提供给索道控制系统，对索道是否降速运行或者提前更换轮胎作为数据支撑。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种基于索道轮胎状态的索道控制方法及其相关设备步骤示意图；
图2为本申请实施例提供的一种基于索道轮胎状态的索道控制装置示意图；
图3为本申请实施例提供的一种基于索道轮胎状态的索道控制设备示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例对本申请进行清楚、完整的描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提出了一种基于索道轮胎状态的索道控制方法及其相关设备。下面进行具体说明。
图1为本申请实施例提供的一种基于索道轮胎状态的索道控制方法及其相关设备的步骤示意图，可以包括以下步骤：
S100：获取不同时间周期、不同季节、不同场景下的多维度数据。
具体地，为了向算法模型提供数据基础，本申请通过胎压传感器采集数据，然后通过无线传输将多维度数据传送给数据采集终端，数据采集终端获取多维度数据，以进行大数据和人工智能的处理。轮胎的状态收到多种因素的影响，其中主要的影响因素是轮胎的胎压值，工作温度、加速度和工作时间。本方法综合考虑了不同维度的数据组合，包括在不同时间周期、不同季节、不同场景下的轮胎胎压值、工作温度、加速度和工作时间等数据。
S110：对多维度数据进行预处理，将预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型。
在本申请的一种实施例中，数据采集终端对多维度数据进行预处理时，根据设定的阈值范围，对不在阈值范围内的多维度数据进行过滤。
具体地，环境中温度数据的阈值范围一般在零下几十摄氏度和零上几十摄氏度之间，如果采集到的数据中出现零下几百摄氏度或零上几百摄氏度的温度数据时，那么这种数据便是错误的，不在阈值范围内，可以对此条数据做过滤或删除处理。
根据现有字段与自然逻辑对过滤出的在阈值范围内的数据中的缺失值进行补全。
具体地，在采集到的数据中，不同季节不同时间段内的环境温度不同，冬季夜晚和夏季的正午的环境温度有各自的阈值范围，若在冬季夜晚采集到的环境温度数据有缺失，那么选择冬季夜晚的环境温度阈值范围内的温度值补全到数据表中，则完成缺失值的补全。
根据预先定义的数据长度与类型对补全缺失值后的数据进行过滤；将根据预先定义的数据长度与类型过滤的数据匹配正则表达式，对字段中的噪音数据、乱码数据进行过滤。
具体地，可以过滤出数据长度不超过规定字节，数据类型为数字类型的数据。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。可以通过正则表达式，从字符串中获取我们想要的特定部分。比如在数据分析中，用户想过滤掉温度数据，那么可以通过选择摄氏度的单位过滤掉温度数据。
S120：获取实时采集的多维度数据，将实时采集的多维度数据输入至算法模型中，得到预测结果，将预测结果发送至索道控制系统。
具体地，数据采集终端获取通过胎压传感器实时采集的多维度数据，在数据采集终端进行算法预测，将预测结果发送至索道控制系统。
S130：索道控制系统根据预测结果确定控制方案。
在本申请的一种实施例中，多维度数据包括轮胎胎压值、轮胎工作温度、轮胎加速度和轮胎工作时间；将实时采集到的多维度数据输入至第一算法模型中，得到轮胎寿命数据；将轮胎寿命数据发送至索道控制系统，索道控制系统根据轮胎寿命数据确定控制方案，控制方案包括是否减速运行或停车、是否更换轮胎、何时更换轮胎。
具体地，预测轮胎的寿命，首选需要大量采集不同维度的数据组合，包括轮胎胎压值、工作温度、加速度和工作时间。采集方式采用不同时间周期、不同季节、不同场景等多维度的采集方式。对采集的数据进行预处理，例如数据筛选和清洗。使用预处理后的数据，进行人工智能算法建模，其数学方法包括线性回归、广义线性回归、决策树、随机森林、支持向量机、人工神经网络、卷积神经网络等算法模型。最优的大数据和人工智能算法确定后，在索道运行中，实时大量采集轮胎胎压值、工作温度、加速度和工作时间、将其带入该得到的算法中，计算轮胎寿命。将计算的轮胎寿命输入到索道的控制系统中，索道控制系统判断是否需要减速运行或者停车，是否需要更换轮胎，何时更换轮胎等操作。
在本申请的一种实施例中，多维度数据包括轮胎胎压值、环境温度；将实时采集到的多维度数据输入至第二算法模型中，得到轮胎最佳胎压值；将轮胎最佳胎压值发送至索道控制系统，索道控制系统根据轮胎最佳胎压值确定控制方案，控制方案包括是否需要指导工人调整胎压值、是否减速运行或停车。
具体地，轮胎最佳胎压值与环境温度、湿度直接相关。比如，温度高的环境，胎压值需要有所降低，防止温度过高导致爆胎；湿度过大，需要降低胎压值，增大轮胎与吊厢滑轮的摩擦力，保证索道运行稳定。
首先需要大量采集不同维度的数据组合，包括轮胎胎压值、环境温度的数据。采集方式采用不同时间周期、不同季节、不同场景等多维度的采集方式。对采集的数据进行预处理，例如数据筛选和清洗。预处理后的数据，进行人工智能算法建模，其数学包括线性回归、广义线性回归、决策树、随机森林、支持向量机、人工神经网络、卷积神经网络等算法模型。最优的大数据和人工智能算法确定后，在索道运行中，实时大量采集轮胎胎压值，环境温度、将其带入该得到的算法中，计算论题最佳胎压值。计算的轮胎胎压值输入到索道的控制系统中，索道控制系统计算最佳的胎压值与实际的胎压值的差值，判断是否需要指导工人调整胎压值，或者降速运行、停车等控制类相关操作。
在本申请的一种实施例中，多维度数据包括轮胎胎压值、轮胎工作温度、轮胎加速度；将实时采集到的多维度数据输入至第三算法模型中，得到每个轮胎运行异常的等级和通过的吊厢运动异常等级；将每个轮胎运行异常的等级和通过的吊厢运动异常等级发送至索道控制系统，索道控制系统根据每个轮胎运行异常的等级和通过的吊厢运动异常等级确定控制方案，控制方案包括减速运行或停车、是否更换轮胎、是否需要对吊厢进行检修或更换。
具体地，吊厢经过轮胎时，轮胎与吊厢顶部的滑轮摩擦产生相对运动，从而轮胎对吊厢起到加速或者降速的作用。当吊厢经过轮胎时，相邻的两个或者多个轮胎体现出不同的状态，例如胎压值变化、轮胎温度变化、加速度变化。这些相邻的轮胎的状态变化，存在着一定的数学关系，并且可以通过这些状态变化，判断轮胎是否正常，吊厢通过是否顺畅。
当吊厢通过时，采集不同维度的数据组合，包括轮胎胎压值、工作温度、加速度。采集方式采用不同时间周期、不同季节、不同场景等多维度的采集方式。对采集的数据进行预处理，例如数据筛选和清洗。最优的大数据和人工智能算法确定后，在索道运行中，实时大量采集轮胎胎压值，工作温度、将其带入该得到的算法中，得出每个轮胎运行异常的等级和通过的吊厢运动异常等级。计算的每个轮胎运行异常的等级和通过的吊厢运动异常等级输入到索道的控制系统中，索道系统判断是否需要减速运行或者停车，是否需要更换轮胎，是否需要对吊厢进行检修、更换等相关操作。
在本申请的一种实施例中，多维度数据包括轮胎胎压值、轮胎工作温度、轮胎加速度和轮胎工作时间；将实时采集到的多维度数据输入至第四算法模型中，得到轮胎爆胎风险等级；将轮胎爆胎风险等级发送至索道控制系统，索道控制系统根据轮胎爆胎风险等级确定控制方案，控制方案包括减速运行或停车、是否更换轮胎、何时更换轮胎。
具体地，轮胎的剩余寿命，轮胎胎压值与最佳胎压值的背离，以及吊厢通过时轮胎的运动状态、工作温度、湿度、胎压值的变化速度等因素，这些因素的一个或者多个组合，都可能引起爆胎。所以，这些因素与轮胎爆胎存在着一定的数学关系，从而通过这些因素，分析爆胎的风险等级。
首先大量采集不同维度的数据组合，包括轮胎胎压值、工作温度、加速度和工作时间。采集方式采用不同时间周期、不同季节、不同场景等多维度的采集方式。对采集的数据进行预处理，例如数据筛选和清洗。预处理后的数据，进行人工智能算法建模，其数学包括线性回归、广义线性回归、决策树、随机森林、支持向量机、人工神经网络、卷积神经网络等算法模型。最优的大数据和人工智能算法确定后，在索道运行中，实时大量采集轮胎胎压值，工作温度、加速度和工作时间，吊厢经过时，轮胎的胎压，温度和加速度的变化，将其带入该得到的算法中，计算轮胎爆胎风险等级。计算轮胎爆胎风险等级输入到索道的控制系统中，索道控制系统判断是否需要减速运行或者停车，是否需要更换轮胎，何时更换轮胎等操作。
通过采用不同时间周期，不同季节、不同场景等多维度的采集方式。预测轮胎的寿命，为是否需要更换轮胎、轮胎是否可以健康工作，为索道的安全运行提供了数据支撑。
以上为本申请实施例提供的一种基于索道轮胎状态的索道控制方法及其相关设备，基于同样的发明思路，本申请实施例还提供了相应的一种基于索道轮胎状态的索道控制装置，如图2所示。
数据获取模块210，用于获取不同时间周期、不同季节、不同场景下的多维度数据；
模型训练模块220，用于对多维度数据进行预处理，将预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型；
数据预测模块230，用于获取实时采集的多维度数据，将实时采集的多维度数据输入至算法模型中，得到预测结果，将预测结果发送至索道控制系统；
索道控制系统240，索道控制系统根据预测结果确定控制方案。
本申请实施例还提供了相应的一种基于索道轮胎状态的索道控制设备，如图3所示。
本实施例提供了一种基于索道轮胎状态的索道控制设备，包括：
至少一个处理器301；以及，
与至少一个处理器301通过总线303通信连接的存储器302；其中，
存储器302存储有可被至少一个处理器执行的指令，指令被至少一个处理器301执行，以使至少一个处理器301能够执行：
获取不同时间周期、不同季节、不同场景下的多维度数据；
对多维度数据进行预处理，将预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型；
获取实时采集的多维度数据，将实时采集的多维度数据输入至算法模型中，得到预测结果，将预测结果发送至索道控制系统；
索道控制系统根据预测结果确定控制方案。
基于同样的思路，本申请的一些实施例还提供了上述方法对应的介质。
本申请的一些实施例提供的一种存储介质，存储有计算机可执行指令，计算机可执行指令由处理器执行，以实现下述步骤：
获取不同时间周期、不同季节、不同场景下的多维度数据；
对多维度数据进行预处理，将预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型；
获取实时采集的多维度数据，将实时采集的多维度数据输入至算法模型中，得到预测结果，将预测结果发送至索道控制系统；
索道控制系统根据预测结果确定控制方案。
基于同样的思路，本申请的一些实施例还提供了上述方法对应的计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法所提供的一种基于索道轮胎状态的索道控制方法，该方法包括：
获取不同时间周期、不同季节、不同场景下的多维度数据；
对多维度数据进行预处理，将预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型；
获取实时采集的多维度数据，将实时采集的多维度数据输入至算法模型中，得到预测结果，将预测结果发送至索道控制系统；
索道控制系统根据预测结果确定控制方案。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于方法和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的方法和介质与方法是一一对应的，因此，方法和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述方法和介质的有益技术效果。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程方法商品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程方法商品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程方法商品或者方法中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。虽然，上文中已经用一般性说明及具体实施方案对本申请作了详尽的描述，但在本申请基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本申请精神的基础上所做的这些修改或改进，均属于本申请要求保护的范围。
Claims (10)
1.一种基于索道轮胎状态的索道控制方法，其特征在于，包括：
获取不同时间周期、不同季节、不同场景下的多维度数据；
对所述多维度数据进行预处理，将所述预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型；
获取实时采集的所述多维度数据，将实时采集的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统；
所述索道控制系统根据所述预测结果确定控制方案。
2.根据权利要求1所述的方法，其特征在于，所述实时采集所述多维度数据，将实时的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统，所述索道控制系统根据所述预测结果获得控制方案，具体包括：
所述多维度数据包括轮胎胎压值、轮胎工作温度、轮胎加速度和轮胎工作时间；
将实时采集到的所述多维度数据输入至第一算法模型中，得到轮胎寿命数据；
将所述轮胎寿命数据发送至索道控制系统，所述索道控制系统根据所述轮胎寿命数据确定控制方案，所述控制方案包括是否减速运行或停车、是否更换轮胎、何时更换轮胎。
3.根据权利要求1所述的方法，其特征在于，所述实时采集所述多维度数据，将实时的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统，所述索道控制系统根据所述预测结果获得控制方案，具体包括：
所述多维度数据包括轮胎胎压值、环境温度；
将实时采集到的所述多维度数据输入至第二算法模型中，得到轮胎最佳胎压值；
将所述轮胎最佳胎压值发送至索道控制系统，所述索道控制系统根据所述轮胎最佳胎压值确定控制方案，所述控制方案包括是否需要指导工人调整胎压值、是否减速运行或停车。
4.根据权利要求1所述的方法，其特征在于，所述实时采集所述多维度数据，将实时的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统，所述索道控制系统根据所述预测结果获得控制方案，具体包括：
所述多维度数据包括轮胎胎压值、轮胎工作温度、轮胎加速度；
将实时采集到的所述多维度数据输入至第三算法模型中，得到每个轮胎运行异常的等级和通过的吊厢运动异常等级；
将所述每个轮胎运行异常的等级和通过的吊厢运动异常等级发送至索道控制系统，所述索道控制系统根据所述每个轮胎运行异常的等级和通过的吊厢运动异常等级确定控制方案，所述控制方案包括减速运行或停车、是否更换轮胎、是否需要对吊厢进行检修或更换。
5.根据权利要求1所述的方法，其特征在于，所述实时采集所述多维度数据，将实时的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统，所述索道控制系统根据所述预测结果获得控制方案，具体包括：
所述多维度数据包括轮胎胎压值、轮胎工作温度、轮胎加速度和轮胎工作时间；
将实时采集到的所述多维度数据输入至第四算法模型中，得到轮胎爆胎风险等级；
将所述轮胎爆胎风险等级发送至索道控制系统，所述索道控制系统根据所述轮胎爆胎风险等级确定控制方案，所述控制方案包括减速运行或停车、是否更换轮胎、何时更换轮胎。
6.根据权利要求1所述的方法，其特征在于，所述对所述多维度数据进行预处理，具体包括：
根据设定的阈值范围，对不在所述阈值范围内的多维度数据进行过滤；
根据现有字段与自然逻辑对过滤出的在所述阈值范围内的数据中的缺失值进行补全；
根据预先定义的数据长度与类型对补全缺失值后的数据进行过滤；
将根据预先定义的数据长度与类型过滤的数据匹配正则表达式，对字段中的噪音数据、乱码数据进行过滤。
7.一种基于索道轮胎状态的索道控制装置，其特征在于，包括：
数据获取模块，用于获取不同时间周期、不同季节、不同场景下的多维度数据；
模型训练模块，用于对所述多维度数据进行预处理，将所述预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型；
数据预测模块，用于获取实时采集的所述多维度数据，将实时采集的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统；
索道控制系统，所述索道控制系统根据所述预测结果确定控制方案。
8.一种基于索道轮胎状态的索道控制设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行：
获取不同时间周期、不同季节、不同场景下的多维度数据；
对所述多维度数据进行预处理，将所述预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型；
获取实时采集的所述多维度数据，将实时采集的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统；
所述索道控制系统根据所述预测结果确定控制方案。
9.一种非易失性存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令由处理器执行，以实现下述步骤：
获取不同时间周期、不同季节、不同场景下的多维度数据；
对所述多维度数据进行预处理，将所述预处理后的数据输入预设的训练模型进行训练，得到训练完成的算法模型；
获取实时采集的所述多维度数据，将实时采集的所述多维度数据输入至所述算法模型中，得到预测结果，将所述预测结果发送至索道控制系统；
所述索道控制系统根据所述预测结果确定控制方案。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述一种基于索道轮胎状态的索道控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210594892.7A CN114889654B (zh) | 2022-05-27 | 2022-05-27 | 一种基于索道轮胎状态的索道控制方法及其相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210594892.7A CN114889654B (zh) | 2022-05-27 | 2022-05-27 | 一种基于索道轮胎状态的索道控制方法及其相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114889654A true CN114889654A (zh) | 2022-08-12 |
| CN114889654B CN114889654B (zh) | 2024-05-28 |
Family
ID=82726489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210594892.7A Active CN114889654B (zh) | 2022-05-27 | 2022-05-27 | 一种基于索道轮胎状态的索道控制方法及其相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114889654B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09207765A (ja) * | 1996-02-02 | 1997-08-12 | Nippon Cable Co Ltd | 索道の加減速移送装置の移送タイヤ |
| CN205417611U (zh) * | 2016-02-23 | 2016-08-03 | 高明 | 胎压监测系统和索道设备 |
| CN107225920A (zh) * | 2017-06-02 | 2017-10-03 | 国动物联网技术（上海）有限公司 | 一种LoRa无线胎压监测系统及监测方法 |
| CN112298215A (zh) * | 2020-11-30 | 2021-02-02 | 陕西骏景索道运营管理有限公司 | 一种脱挂索道胎压监测装置及其控制系统 |
| CN112319147A (zh) * | 2020-11-17 | 2021-02-05 | 山东泺川电气技术有限公司 | 一种脱挂式索道胎压监测系统及方法 |
| CN113761649A (zh) * | 2021-08-05 | 2021-12-07 | 江苏大学 | 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法 |
| CN114379482A (zh) * | 2022-01-21 | 2022-04-22 | 浙江吉利控股集团有限公司 | 轮胎保养预测方法及设备、计算机可读存储介质 |
| CN114454671A (zh) * | 2022-03-04 | 2022-05-10 | 南通大学 | 一种基于轮胎压力监测触发的轮胎自密封应急系统 |
-
2022
- 2022-05-27 CN CN202210594892.7A patent/CN114889654B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09207765A (ja) * | 1996-02-02 | 1997-08-12 | Nippon Cable Co Ltd | 索道の加減速移送装置の移送タイヤ |
| CN205417611U (zh) * | 2016-02-23 | 2016-08-03 | 高明 | 胎压监测系统和索道设备 |
| CN107225920A (zh) * | 2017-06-02 | 2017-10-03 | 国动物联网技术（上海）有限公司 | 一种LoRa无线胎压监测系统及监测方法 |
| CN112319147A (zh) * | 2020-11-17 | 2021-02-05 | 山东泺川电气技术有限公司 | 一种脱挂式索道胎压监测系统及方法 |
| CN112298215A (zh) * | 2020-11-30 | 2021-02-02 | 陕西骏景索道运营管理有限公司 | 一种脱挂索道胎压监测装置及其控制系统 |
| CN113761649A (zh) * | 2021-08-05 | 2021-12-07 | 江苏大学 | 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法 |
| CN114379482A (zh) * | 2022-01-21 | 2022-04-22 | 浙江吉利控股集团有限公司 | 轮胎保养预测方法及设备、计算机可读存储介质 |
| CN114454671A (zh) * | 2022-03-04 | 2022-05-10 | 南通大学 | 一种基于轮胎压力监测触发的轮胎自密封应急系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114889654B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111650917B (zh) | 一种设备的多维度状态在线监测方法及系统 | |
| JP6889059B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
| CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
| CN111401583A (zh) | 基于预测性维护的自动扶梯全生命周期健康管理系统 | |
| US8095279B2 (en) | Systems and methods for improving haul route management | |
| US20090099886A1 (en) | System and method for performance-based payload management | |
| JP6430596B2 (ja) | 故障判定に基づいた設備制御 | |
| CN101821600A (zh) | 用于改善运输道路条件的系统和方法 | |
| CN116651971B (zh) | 一种汽车冲压模具在线检测方法及系统 | |
| CN101868596A (zh) | 用于设计运输道路的系统和方法 | |
| CN112948457A (zh) | 客运索道检测监测与健康诊断系统、方法、介质、设备 | |
| CN112668873A (zh) | 矿山安全态势分析及预测预警方法 | |
| CN115744521A (zh) | 一种电梯物联网维保远程监督管理方法及系统 | |
| CN111348535B (zh) | 轨道交通车站中使用的扶梯的健康状态监测系统及方法 | |
| CN116561514A (zh) | 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 | |
| CN112850387B (zh) | 一种电梯状态采集与诊断系统及方法 | |
| CN114889654A (zh) | 一种基于索道轮胎状态的索道控制方法及其相关设备 | |
| CN117592975A (zh) | 基于云计算的高速公路机电设备运维决策处理方法及系统 | |
| CN113467334B (zh) | 一种索道安全运行的控制系统、结构及方法 | |
| CN115520741A (zh) | 基于神经网络的电梯运行监控预警方法、系统及存储介质 | |
| DE112018008081T5 (de) | Aufzugbremsvorrichtung-Verschlechterungsvorhersagesystem | |
| CN112607555B (zh) | 用于电梯导轨状态检测的模型的训练方法、检测方法 | |
| CN112418604A (zh) | 一种大型行车车轮智能监测方法 | |
| CN116873690B (zh) | 电梯安全监控数据处理系统 | |
| CN113233278B (zh) | 非侵入式电梯监测的方法、装置及系统 |
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 |