CN115049345A - 用于物流运输的多维化数据汇总、综合测控方法及系统 - Google Patents

Abstract

本申请涉及物流运输技术领域，尤其涉及一种用于物流运输的多维化数据汇总、综合测控方法及系统，数据汇总方法包括：获取物流运输监测数据；将所述物流运输监测数据关联至统一的观测目标；将所述观测目标以及物流运输监测数据载入多维数据空间，得到多维度数据变化规律；监测所述多维度数据变化规律与观测目标之间的关系，生成数据跳变、观测目标变化与物流运输监测数据之间的关联关系，并建立数据关联模型。基于数据关联模型中所有物流运输监测数据的关联关系，有助于解决因单一设备的错误识别往往就会造成整个系统的功能异常的问题，有效增强运输系统整体的智能化程度。

Description

用于物流运输的多维化数据汇总、综合测控方法及系统

技术领域

本申请涉及物流运输的技术领域，尤其是涉及一种用于物流运输的多维化数据汇总、综合测控方法及系统。

背景技术

物流业是支撑国民经济发展的基础性、战略性、先导性产业。政府高度重视物流行业的智能化改造，发布多项政策以促进“智慧物流”的快速发展。

在物流运输过程中，为了满足运输需求往往需要观测几组不同的数据来共同调整车辆和物料装载的状态。比如，在车辆驶入的过程中，需要测得车辆的长度、车厢挡板的高度、车厢底的高度，以及车辆的停车位置等，以此来计算车辆的型号和需要装载的物料类型与吨位等信息。在开始装料后，还需要使用雷达料位计等设备来实时获取料位的信息，根据料位和车厢挡板的高度差来计算何时需要提车，根据提车的距离来提示何时需要停车。除此之外，还需要通过地磅数据来最终测量装车是否成功等等。

在传统行业中，这些采集的数据彼此之间都是相互分隔，互不关联的，单一设备的错误识别往往就会造成整个系统的功能异常，从而使得在智能运输的过程中存在很多问题。

发明内容

为了提高物流系统整体的智能化程度，有助于解决背景技术中提出的问题，本申请提供一种用于物流运输的多维化数据汇总、综合测控方法及系统。

第一方面，本申请提供的一种用于物流运输的多维化数据汇总方法，采用如下的技术方案：

一种用于物流运输的多维化数据汇总方法，包括：

获取物流运输监测数据；

将所述物流运输监测数据关联至统一的观测目标；

将所述观测目标以及物流运输监测数据载入多维数据空间，得到多维度数据变化规律；

监测所述多维度数据变化规律与观测目标之间的关系，生成数据跳变、观测目标变化与物流运输监测数据之间的关联关系，并建立数据关联模型。

通过采用上述技术方案，有效减少了单一采集设备的诸多缺陷与制约，通过不同采集设备之间的相互弥补和印证，找到物流运输监测数据之间隐藏的关联关系，以多维度的形式将不同类型的采集数据统一于一个单一的数据关联模型中；基于数据关联模型中所有物流运输监测数据的关联关系，有助于解决因单一设备的错误识别往往就会造成整个系统的功能异常的问题，有效增强运输系统整体的智能化程度。

可选的，所述将所述物流运输监测数据关联至统一的观测目标步骤，具体包括：

根据所述观测目标的不同，将对应的物流运输监测数据按照时间刻度进行同步处理。

可选的，所述将所述观测目标以及物流运输监测数据载入多维数据空间，得到多维度数据变化规律步骤，具体包括：

将所述观测目标以及物流运输监测数据载入多维数据空间；

获取同一时间段内产生同样变化关系的物流运输监测数据，并将产生同样变化关系的物流运输监测数据创建形成关联数据对，并获取所述关联数据对的多维度数据变化规律。

可选的，所述将所述观测目标以及物流运输监测数据载入多维数据空间，得到多维度数据变化规律步骤之后，还包括：

判断所述关联数据对的多维度数据变化规律是否触发有效预警规则，如果否，则将所述关联数据对标识为无效数据对，并进行过滤。

第二方面，本申请提供的一种用于物流运输的多维化综合测控方法，采用如下的技术方案：

一种用于物流运输的多维化综合测控方法，基于第一方面所述的多维化数据汇总方法，包括：

判断所述物流运输监测数据是否存在异常，如果是，则通过关联关系替代初始监控手段，直至物流运输监测数据恢复正常。

通过采用上述技术方案，基于数据关联模型中所有物流运输监测数据的关联关系，能够推演出某些无法使用单一观测设备直接获取有效数据，保证运输系统的稳定运行，进而增强系统整体的智能化程度。

可选的，所述判断所述物流运输监测数据是否存在异常，如果是，则通过关联关系替代初始监控手段，直至物流运输监测数据恢复正常步骤，具体包括：

在任意一个物流运输监测数据存在异常的情况下，获取所述物流运输监测数据对应的关联数据对的关联关系；

根据所述关联关系以及关联数据对中另一个物流运输监测数据推算实际物流运输监测数据。

第三方面，本申请提供的一种用于物流运输的多维化综合测控系统，采用如下的技术方案：

一种用于物流运输的多维化综合测控系统，包括：

获取模块，被配置于获取物流运输监测数据；

关联模块，被配置于将所述物流运输监测数据关联至统一的观测目标；

分析模块，被配置于将所述观测目标以及物流运输监测数据载入多维数据空间，得到多维度数据变化规律；

生成模块，被配置于监测所述多维度数据变化规律与观测目标之间的关系，生成数据跳变、观测目标变化与各维度数据之间的关联关系，并建立数据关联模型；

测控模块，被配置于判断所述各维度数据是否存在异常，如果是，则通过关联关系创建替代监控手段，直至各维度数据恢复正常。

第四方面，本申请提供的一种计算机可读存储介质，采用如下的技术方案：

一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面与第二方面所述的任一种方法中的计算机程序。

综上所述，本申请包括以下至少一种有益技术效果：

1.有效减少了单一采集设备的诸多缺陷与制约，通过不同采集设备之间的相互弥补和印证，找到物流运输监测数据之间隐藏的关联关系，以多维度的形式将不同类型的采集数据统一于一个单一的数据关联模型中；基于数据关联模型中所有物流运输监测数据的关联关系，有助于解决因单一设备的错误识别往往就会造成整个系统的功能异常的问题，有效增强运输系统整体的智能化程度；

2.基于数据关联模型中所有物流运输监测数据的关联关系，能够推演出某些无法使用单一观测设备直接获取有效数据，保证运输系统的稳定运行，进而增强系统整体的智能化程度。

附图说明

图1是本申请其中一实施例示出的多维化数据汇总方法的流程图。

图2是本申请其中一实施例示出的多维化综合测控方法的流程图。

具体实施方式

以下结合图1-图2对本申请作进一步详细说明。

在传统行业中，运输过程中采集的数据彼此之间都是互不关联的，自动化程序很难完全发掘出这些数据的潜力，从而造成在智能运输的过程中存在很多问题，比如因为异物遮挡或者烟尘、煤流紊乱等原因造成料位计识别障碍，妨碍装车流程；又或者因为料位计测算不准确、车辆位移问题等造成欠装、过载等问题。

为了解决上述问题，本申请实施例公开一种用于物流运输的多维化数据汇总方法。该方法有效避免了单一采集设备的诸多缺陷与制约，通过不同设备之间的相互弥补和印证，以多维度的形式将不同类型的采集数据统一于一个单一的观测模型中，再通过该模型的变化推演出某些无法使用单一采集设备直接获取的有效数据，进而增强运输系统整体的智能化程度。

作为多维化数据汇总方法的一种实施方式，如图1所示，包括以下步骤：

100，获取物流运输监测数据。

具体的，在物流生产环境中获取现场可以被监测的所有类型的数据，其生产环境不同对应获取的物流运输监测数据不同。

以装车系统为例，物流运输监测数据可能包括雷达料位计数据（记录料位高度）、激光雷达数据（对目标进行测算，包括几何特征、长宽高、深度以及位移距离等）以及地磅数据（记录称重重量）。

200，将物流运输监测数据关联至统一的观测目标。

其中，步骤200包括：

根据所述观测目标的不同，将对应的物流运输监测数据按照时间刻度进行同步处理。

具体的，可以将检测到的所有物流运输监测数据全部关联到统一的观测目标上，且生产环境不同对应的观测目标不同。以装车系统为例，观测目标一般指车辆整体或车厢局部。

其物流运输监测数据是采用不同的采集设备对观测目标进行检测而得，不同的采集设备采集到的物流运输监测数据需要进行统一的同步处理，这个同步的过程就需要时间刻度作为参考，即将同一时间段内采集的观测目标的物流运输监测数据一一对应。

300，将观测目标以及物流运输监测数据载入多维数据空间，得到多维度数据变化规律。

其中，步骤300包括：

将观测目标以及物流运输监测数据载入多维数据空间；

获取同一时间段内产生同样变化关系的物流运输监测数据，并将产生同样变化关系的物流运输监测数据创建形成关联数据对，并获取关联数据对的多维度数据变化规律。

需要说明的是，多维数据空间就相当于一个或多个三维空间坐标系，将观测目标以及物流运输监测数据载入同一个三维空间坐标系，这些物流运输监测数据都可以在统一的三维空间坐标系中根据时间片段的跳动进行自动化调整。通过数据分析方法或者人为进行数据分析找到同一时间段内产生同样变化关系的物流运输监测数据之间潜在的关联关系，即多维度数据变化规律。比如：其中一个或多个物流运输监测数据同时发生改变时，同一时段内其他物流运输监测数据会产生什么影响，会触发什么操作指令。

以装车系统为例，这些关系包括但不限于：雷达料位计数据与车辆位移之间的关系、料位高度与地磅数据之间的关系以及地磅数据域车辆位移之间的关系。

相同时间段内，地磅数据发生变化时，雷达料位计数据也会同样发生变化，这就说明两者之间存在潜在的关联关系，两者可以形成关联数据对。比如地磅数据突变的情况下观察雷达料位计数据，无论雷达料位计数据是否达到预警阈值，这样的关联组合通过标记的方式自动创建形成关联数据对。

这样当其中一个或多个物流运输监测数据达到预警阈值时，即使其他物流运输监测数据未达到对应的预警阈值也可以产生关联预警。举例来说，天气潮湿的情况下，煤的密度变大，此时通过雷达料位计监测的雷达料位计数据可能就无法触发预警（煤的密度增大，同质量的体积减少）；然而实际的地磅数据（装车吨位）可能已经超限，这时候就可以根据地磅数据与雷达料位计数据的关联关系生成新的料位预警范围，从而触发有效预警规则。

400，判断关联数据对的多维度数据变化规律是否触发有效预警规则，如果否，则将所述关联数据对标识为无效数据对，并进行过滤；其中，有效预警规则为根据运输需求划分的预警等级以及对应的预警措施。

需要说明的是，同一时间段内，只要产生同样变化关系的两个物流运输监测数据均会形成关联数据对，但部分关联数据对的关联关系是基于时间的常规变化无法触发有效预警规则，就会被识别为无效数据对，予以标识。

以装车系统为例，地磅数据的变化可能也与车辆位移产生关系（地磅系统因为车辆上磅的多少产生比例关系），使得两者形成关联数据对，但是这样的关联关系无法触发有效预警规则（如上述地磅数据与雷达料位计数据的关联关系）的情况下，就会被识别为无效数据对，予以标识，并将该无效数据对进行删除。但是如果在以后的某个时刻找到了两者新的关联关系，比如当车辆的三分之一上磅的地磅数据超过预设阈值，最终触发超载预警时，这就会生成新的预警规则，从而被标识为有效预警规则。

500，监测多维度数据变化规律与观测目标之间的关系，并生成数据跳变、观测目标变化与物流运输监测数据之间的关联关系，并建立数据关联模型。

具体的，把上述各种物流运输监测数据之间的多维度数据变化规律以多维度的形式载入多维数据空间之中，关联到同一个观测目标上，并建立统一的数据关联模型，即将该关联关系应用至同一物流生产环境中的多个运输系统上。

以装车系统为例，其可视化的关系如下所述：（1）当雷达料位计测量到的料位高度达到阈值时，触发提车指令，车辆移动；（2）车辆开始移动，雷达料位计数据保持匀速下降，地磅数据保持匀速上升；（3）当车辆位移距离达到预期（料位高度下降达到阈值时），触发车辆停止提示，车辆停止移动；（4）当车辆完全静止时，雷达料位计数据保持匀速上升，地磅数据突然上升（车辆重量反应到了地磅数据上）。

需要说明的是，因为物料装车的时候用的一种从上往下浇灌的方式，物料落在车厢中的形态类似于一种锥形；当车辆移动的时候，呈锥形状的物料前移，雷达料位计数据检测到的料位高度就会越来越低；而当车辆静止的时候，装料口继续下料，又堆积形成一个锥形，就会造成锥形高度持续堆积，这时雷达料位计就会测量到料位高度持续上升。

另外，车辆移动过程中装料口也有可能是下料的，但是下料造成的上升速度没有车辆移动造成的下降速度快，因此雷达料位计数据检测到的料位高度也越来越低。

当雷达料位计数据达到某一临界值时会触发提车指令，产生车辆位移数据，而当车辆位移到某一位置时便会触发地磅数据跳变。

可以看到，上述几种完全没有关系的、不同维度上的物流运输监测数据之间其实在作用到同一观测目标（车辆）时，就可以建立一种超越数据种类和维度的映射关系，这种映射关系就可以被称作关联关系。

基于上述多维化数据汇总方法，本申请实施例还公开了一种用于物流运输的多维化综合测控方法。

作为多维化综合测控方法的一种实施方式，还包括：

600，判断所述各维度数据是否存在异常，如果是，则通过关联关系创建替代监控手段，直至各维度数据恢复正常。

其中，步骤600包括：

在任意一个物流运输监测数据存在异常的情况下，获取所述物流运输监测数据对应的关联数据对的关联关系；

根据所述关联关系以及关联数据对中另一个物流运输监测数据推算实际物流运输监测数据。

具体来说，当其中一种物流运输监测数据因为受意外因素干扰而无法正常工作时，比如雷达料位计数据被遮挡或者干扰而无法实时监测准确料位的时候，这时候控制车辆位移的手段就可以自动从雷达料位计数据转到地磅数据，即通过地磅数据（装载量）的跳变来计算车辆在不同阶段的车重以及匀速装填的物料吨位，当物料吨位达到一定阈值时便可以提醒提车。

当车辆开始移动时，往往便可以避开受干扰因素，让雷达料位计的计数功能恢复正常。这时候如果停车后仍然会存在干扰因素，便又可以自动切换到通过地磅数据进行料位监控。

需要说明的是，当雷达料位计数据达到某一临界值时会触发提车指令，产生车辆位移数据，而当车辆位移到某一位置时便会触发地磅数据跳变。通过对地磅系统重量系数的计算，又可以反推出装料的实际吨位。其中，地磅系统重量系数由人为设置。举例来说，假设车辆的最大承载重量为70吨，当车辆的第一个车轮移动至地磅系统后，则对应的地磅系统重量系数可以为25%，地磅系统对应的预警阈值为17.5吨，若超过该预警阈值，则触发有效预警规则；以此类推，直至车辆全部上到地磅系统上，则对应的地磅系统重量系数可以为100%，其地磅系统对应的预警阈值为70吨。

因此当雷达料位计数据读取异常的时候，便可以通过地磅的持续性变化数据和跳变系数来推算装料的实际吨位，再通过车辆的具体位置和位移距离来计算是否满足提车指令的发送条件，这样就可以避免装料不足或者过载的情况。

基于上述多维化数据汇总方法以及多维化综合测控方法，本申请实施例还公开了一种用于物流运输的多维化综合测控系统。

作为多维化综合测控系统的一种实施方式，包括：

获取模块，被配置于获取物流运输监测数据；

关联模块，被配置于将所述物流运输监测数据关联至统一的观测目标；

分析模块，被配置于将所述观测目标以及物流运输监测数据载入多维数据空间，得到多维度数据变化规律；

生成模块，被配置于监测所述多维度数据变化规律与观测目标之间的关系，生成数据跳变、观测目标变化与各维度数据之间的关联关系，并建立数据关联模型；

测控模块，被配置于判断所述各维度数据是否存在异常，如果是，则通过关联关系创建替代监控手段，直至各维度数据恢复正常。

本申请实施例还公开了一种计算机可读存储介质，存储有能够被处理器加载并执行如上述中央摆渡车运行控制方法的计算机程序，该计算机可读存储介质例如包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (8)

1.一种用于物流运输的多维化数据汇总方法，其特征在于，包括：

获取物流运输监测数据；

将所述物流运输监测数据关联至统一的观测目标；

将所述观测目标以及物流运输监测数据载入多维数据空间，得到多维度数据变化规律；

监测所述多维度数据变化规律与观测目标之间的关系，生成数据跳变、观测目标变化与物流运输监测数据之间的关联关系，并建立数据关联模型。

2.根据权利要求1所述的一种用于物流运输的多维化数据汇总方法，其特征在于，所述将所述物流运输监测数据关联至统一的观测目标步骤，具体包括：

根据所述观测目标的不同，将对应的物流运输监测数据按照时间刻度进行同步处理。

3.根据权利要求1所述的一种用于物流运输的多维化数据汇总方法，其特征在于，所述将所述观测目标以及物流运输监测数据载入多维数据空间，得到多维度数据变化规律步骤，具体包括：

将所述观测目标以及物流运输监测数据载入多维数据空间；

获取同一时间段内产生同样变化关系的物流运输监测数据，并将产生同样变化关系的物流运输监测数据创建形成关联数据对，并获取所述关联数据对的多维度数据变化规律。

4.根据权利要求3所述的一种用于物流运输的多维化数据汇总方法，其特征在于，所述将所述观测目标以及物流运输监测数据载入多维数据空间，得到多维度数据变化规律步骤之后，还包括：

判断所述关联数据对的多维度数据变化规律是否触发有效预警规则，如果否，则将所述关联数据对标识为无效数据对，并进行过滤。

5.一种用于物流运输的多维化综合测控方法，其特征在于，基于权利要求1-4任一所述的用于物流运输的多维化数据汇总方法，包括：

判断所述物流运输监测数据是否存在异常，如果是，则通过关联关系替代初始监控手段，直至物流运输监测数据恢复正常。

6.根据权利要求5所述的一种用于物流运输的多维化综合测控方法，其特征在于，所述判断所述物流运输监测数据是否存在异常，如果是，则通过关联关系替代初始监控手段步骤，具体包括：

在任意一个物流运输监测数据存在异常的情况下，获取所述物流运输监测数据对应的关联数据对的关联关系；

根据所述关联关系以及关联数据对中另一个物流运输监测数据推算实际物流运输监测数据。

7.一种用于物流运输的多维化综合测控系统，其特征在于，包括：

获取模块，被配置于获取物流运输监测数据；

关联模块，被配置于将所述物流运输监测数据关联至统一的观测目标；

分析模块，被配置于将所述观测目标以及物流运输监测数据载入多维数据空间，得到多维度数据变化规律；

生成模块，被配置于监测所述多维度数据变化规律与观测目标之间的关系，生成数据跳变、观测目标变化与各维度数据之间的关联关系，并建立数据关联模型；

测控模块，被配置于判断所述各维度数据是否存在异常，如果是，则通过关联关系创建替代监控手段，直至各维度数据恢复正常。

8.一种计算机存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1-6中任一种方法中的计算机程序。

Images