CN115057365A - 一种抓斗卸船机自动作业在线监测系统及方法 - Google Patents
一种抓斗卸船机自动作业在线监测系统及方法 Download PDFInfo
- Publication number
- CN115057365A CN115057365A CN202210816316.2A CN202210816316A CN115057365A CN 115057365 A CN115057365 A CN 115057365A CN 202210816316 A CN202210816316 A CN 202210816316A CN 115057365 A CN115057365 A CN 115057365A
- Authority
- CN
- China
- Prior art keywords
- model
- risk
- sub
- acquiring
- submodel
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012423 maintenance Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 238000009434 installation Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 5
- 230000015654 memory Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000000429 assembly Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000013590 bulk material Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C15/00—Safety gear
- B66C15/06—Arrangements or use of warning devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/18—Control systems or devices
- B66C13/48—Automatic control of crane drives for producing a single or repeated working cycle; Programme control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C15/00—Safety gear
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C15/00—Safety gear
- B66C15/04—Safety gear for preventing collisions, e.g. between cranes or trolleys operating on the same track
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Mechanical Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Game Theory and Decision Science (AREA)
- Ship Loading And Unloading (AREA)
Abstract
本发明涉及卸船机监管技术领域，具体公开了一种抓斗卸船机自动作业在线监测系统及方法，所述方法包括获取抓斗卸船机的装配模型和维护记录，对装配模型进行切分，得到含有风险阈值的子模型；实时获取各子模型对应的实际设备中各控制端的输入数据和输出数据，计算风险概率；当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型，确定该子模型的影响范围；获取含有热源信息的监视图像，确定警示信息。本发明获取抓斗卸船机的设计模型，根据设计模型确定抓斗卸船机作业过程中的风险区域，通过传统的具有热源监测能力的监控设备获取工作人员的状态，实时生成警示信息，减少了管理者的工作量，极大地降低了工作人员的风险率。
Description
技术领域
本发明涉及卸船机监管技术领域，具体是一种抓斗卸船机自动作业在线监测系统及方法。
背景技术
抓斗卸船机，是一种利用移动小车带动抓斗从船舱中抓取物料并将物料卸至机上漏斗的桥架类起重机，属于散料间歇式（或称周期性）卸船机械。主要由金属结构、机构、电气控制系统组成，其中金属结构主要有主梁、门架、拉杆等；机构主要包括起升机构/开闭机构、小车运行机构、大车行走机构和臂架俯仰机构；电气控制系统主要有供配电系统、驱动与控制系统、保护系统等。
抓斗卸船机的体积较大，一旦发生问题，往往会使工作人员受伤，因此，需要对抓斗卸般机进行实时的监控，其目的是保护工作人员；实际上，保护工作人员更加容易的方式是对工作人员进行提醒，虽然在操作过程中有明确的规章制度，但是工作人员在工作过程中，还是会由于各种各样的原因处于危险境地，比如，长时间停留在起吊设备下方等等。如何设计一种更加全面的，对抓斗卸船机的作业过程进行监控，提高工作人员的安全性是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种抓斗卸船机自动作业在线监测系统及方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种抓斗卸船机自动作业在线监测方法，所述方法包括：
获取抓斗卸船机的装配模型和维护记录，根据所述维护记录对装配模型进行切分，得到含有风险阈值的子模型；
实时获取各子模型对应的实际设备中各控制端的输入数据和输出数据，根据所述输入数据和输出数据计算风险概率；
当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型，根据风险类型确定该子模型的影响范围；
获取含有热源信息的监视图像，根据所述影响范围和所述监视图像确定警示信息。
作为本发明进一步的方案：所述获取抓斗卸船机的装配模型和维护记录，根据所述维护记录对装配模型进行切分，得到含有风险阈值的子模型的步骤包括：
获取抓斗卸船机的装配模型，依次读取装配模型中各子部件的额定参数；
获取各子部件的维护记录，根据所述维护记录对所述额定参数进行修正；其中，所述额定参数用于表征各子部件正常工作的参数范围；
将所述修正后的额定参数输入训练好的易达性分析模型，得到该子部件的易达值；所述易达值用于表征该子部件的额定参数的易满足程度；
将所述易达值与预设的易达阈值进行比对，当所述易达值达到预设的易达阈值时，将修正后的额定参数作为风险阈值，生成子模型。
作为本发明进一步的方案：所述实时获取各子模型对应的实际设备中各控制端的输入数据和输出数据，根据所述输入数据和输出数据计算风险概率的步骤包括：
实时获取各子模型对应的实际设备中各控制端的连接关系；
基于连接关系依次获取各控制端的输入数据和输出数据；
将所述输入数据输入预设的理论模型，得到预测数据；所述输入数据、所述输出数据和所述预测数据均为时间的函数；
比对所述预测数据和所述输出数据，根据比对结果计算风险概率。
作为本发明进一步的方案：所述比对所述预测数据和所述输出数据，根据比对结果计算风险概率的步骤包括：
读取所述预测数据和所述输出数据，根据所述预测数据和所述输出数据计算差值数据；
根据所述预测数据、输出数据和差值数据在同一坐标系中生成预测曲线、输出曲线和差值曲线；
计算所述差值曲线的导函数曲线，根据预设的变化率阈值线截取所述导函数，确定特征段；
获取所述特征段对应的输出数据，根据所述输出数据标记所述特征段；
统计标记的特征段，计算风险概率。
作为本发明进一步的方案：所述当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型，根据风险类型确定该子模型的影响范围的步骤包括：
当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型；所述风险类型至少包括坠落风险类型；
当所述风险类型为坠落风险类型时，获取该子模型相对于整个装配模型的安装高度及工作区间；
获取该子模型的重力和聚集度，根据所述重力和所述安装高度计算坠落冲量，根据所述坠落冲量和所述聚集度计算单点影响范围；其中，所述聚集度用于表征该子模型中各零件的连接紧密度；所述连接紧密度用冲量阈值表示；
根据所述单点影响范围和所述工作区间确定该子模型的影响范围。
作为本发明进一步的方案：所述当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型，根据风险类型确定该子模型的影响范围的步骤还包括：
根据所述安装高度标记所述装配模型中相对于该子模型的碰撞模型；其中，所述碰撞模型在子模型的坠落过程中，装配模型中与它发生碰撞关系的其他子模型；
根据碰撞模型和该子模型修正单点影响范围。
作为本发明进一步的方案：所述获取含有热源信息的监视图像，根据所述影响范围和所述监视图像确定警示信息的步骤包括：
获取含有热源信息的监视图像，根据监视图像的时间信息对监视图像进行排序；
读取排序后的监视图像中的热源信息，根据热源信息确定工作人员的运动路径；
获取监视图像与实际环境之间的映射关系，根据所述映射关系将影响范围转换为监视图像中的理论影响范围；
计算运动路径与所述理论影响范围的交叉参数，根据所述交叉参数确定警示信息；其中，所述交叉参数包括交叉次数和单次交叉时长。
本发明技术方案还提供了一种抓斗卸船机自动作业在线监测系统，所述系统包括：
模型切分模块，用于获取抓斗卸船机的装配模型和维护记录，根据所述维护记录对装配模型进行切分，得到含有风险阈值的子模型；
风险概率计算模块，用于实时获取各子模型对应的实际设备中各控制端的输入数据和输出数据，根据所述输入数据和输出数据计算风险概率；
影响范围确定模块，用于当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型，根据风险类型确定该子模型的影响范围；
警示信息生成模块，用于获取含有热源信息的监视图像，根据所述影响范围和所述监视图像确定警示信息。
作为本发明进一步的方案：所述模型切分模块包括：
额定参数读取单元，用于获取抓斗卸船机的装配模型，依次读取装配模型中各子部件的额定参数；
额定参数修正单元，用于获取各子部件的维护记录，根据所述维护记录对所述额定参数进行修正；其中，所述额定参数用于表征各子部件正常工作的参数范围；
易达值计算单元，用于将所述修正后的额定参数输入训练好的易达性分析模型，得到该子部件的易达值；所述易达值用于表征该子部件的额定参数的易满足程度；
易达值比对单元，用于将所述易达值与预设的易达阈值进行比对，当所述易达值达到预设的易达阈值时，将修正后的额定参数作为风险阈值，生成子模型。
作为本发明进一步的方案：所述风险概率计算模块包括：
连接关系查询单元，用于实时获取各子模型对应的实际设备中各控制端的连接关系；
数据获取单元，用于基于连接关系依次获取各控制端的输入数据和输出数据；
数据预测单元，用于将所述输入数据输入预设的理论模型，得到预测数据；所述输入数据、所述输出数据和所述预测数据均为时间的函数；
比对计算单元，用于比对所述预测数据和所述输出数据，根据比对结果计算风险概率。
与现有技术相比，本发明的有益效果是：本发明获取抓斗卸船机的设计模型，根据设计模型确定抓斗卸船机作业过程中的风险区域，通过传统的具有热源监测能力的监控设备获取工作人员的状态，根据工作人员的状态和风险区域实时生成警示信息，减少了管理者的工作量，极大地降低了工作人员的风险率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
图1为抓斗卸船机自动作业在线监测方法的流程框图。
图2为抓斗卸船机自动作业在线监测方法的第一子流程框图。
图3为抓斗卸船机自动作业在线监测方法的第二子流程框图。
图4为抓斗卸船机自动作业在线监测方法的第三子流程框图。
图5为抓斗卸船机自动作业在线监测方法的第四子流程框图。
图6为抓斗卸船机自动作业在线监测系统的组成结构框图。
图7为抓斗卸船机自动作业在线监测系统中模型切分模块的组成结构框图。
图8为抓斗卸船机自动作业在线监测系统中风险概率计算模块的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
图1为抓斗卸船机自动作业在线监测方法的流程框图，本发明实施例中，一种抓斗卸船机自动作业在线监测方法，所述方法包括步骤S100至步骤S400：
步骤S100：获取抓斗卸船机的装配模型和维护记录，根据所述维护记录对装配模型进行切分，得到含有风险阈值的子模型；
抓斗卸船机中的零件非常多，这些零件大都组成各个部件，然后各个部件装配在一起，可以得到一个整的抓斗卸船机；这些部件就是各个子模型，子模型的风险阈值由部件本身的材料使用寿命和外界条件确定，值得一提的是，本发明技术方案中的风险阈值引入了维护记录这一调节参数，维护记录可以对风险阈值进行更新；
具体的，对于一个部件，如果它一直没有维护，风险阈值就会越来越低，更容易触发风险警报，如果它经过维护，就会将风险阈值回调至正常值。
步骤S200：实时获取各子模型对应的实际设备中各控制端的输入数据和输出数据，根据所述输入数据和输出数据计算风险概率；
各子模型对应的实际设备中有很多控制端，这些控制端大都是电子设备，这些电子设备中有输入数据和输出数据，所述输入数据和输出数据可以是控制信号，也可以是电压或电流等数据，这些数据都是可以监测到的数据；根据输入数据和输出数据可以计算得到一个风险概率。
步骤S300：当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型，根据风险类型确定该子模型的影响范围；
风险概率与相应的风险阈值进行比对，当风险概率足够大时，根据子模型的实际情况确定一个影响范围，当有工作人员频繁进入这一影响范围时，就会生成警示信息。
步骤S400：获取含有热源信息的监视图像，根据所述影响范围和所述监视图像确定警示信息；
上述内容对工作人员的行为进行了简单的分析，通过热源信息定位工作人员，然后获取工作人员的位置，计算位置与影响范围是否存在重叠，即可确定一个警示信息；
可以想到，获取监视图像的设备还需要具备温度识别能力。
图2为抓斗卸船机自动作业在线监测方法的第一子流程框图，所述获取抓斗卸船机的装配模型和维护记录，根据所述维护记录对装配模型进行切分，得到含有风险阈值的子模型的步骤包括步骤S101至步骤S104：
步骤S101：获取抓斗卸船机的装配模型，依次读取装配模型中各子部件的额定参数；
装配模型中含有许多子装配体，这些子装配体就对应着各个子部件；它们存在着一些额定参数，最常见的就是额定载荷；所述额定参数是时间的减函数；
步骤S102：获取各子部件的维护记录，根据所述维护记录对所述额定参数进行修正；其中，所述额定参数用于表征各子部件正常工作的参数范围；
额定参数是会变化的，比如，随着材料的老化，额定载荷一定会下降，如果经过保养，可以使得额定载荷的老化速度变缓；
步骤S103：将所述修正后的额定参数输入训练好的易达性分析模型，得到该子部件的易达值；所述易达值用于表征该子部件的额定参数的易满足程度；
上述内容中增设了易达值这一概念，易达值反应的是该额定参数是否容易达到，举例来说，如果某一个轴承寿命是几万年，那么它的易达值就会很低，如果某个转动杆的端部受力载荷是3吨，并且货物是以吨计数的，那么它的易达值就会高一些；具体的，需要由工作人员确定一个易达性分析模型，建立额定参数与易达值的关系。
步骤S104：将所述易达值与预设的易达阈值进行比对，当所述易达值达到预设的易达阈值时，将修正后的额定参数作为风险阈值，生成子模型；
当易达值足够时，就将额定参数作为风险阈值，由子部件得到子模型。
进一步的，所述实时获取各子模型对应的实际设备中各控制端的输入数据和输出数据，根据所述输入数据和输出数据计算风险概率的步骤包括：
实时获取各子模型对应的实际设备中各控制端的连接关系；
基于连接关系依次获取各控制端的输入数据和输出数据；
将所述输入数据输入预设的理论模型，得到预测数据；所述输入数据、所述输出数据和所述预测数据均为时间的函数；
比对所述预测数据和所述输出数据，根据比对结果计算风险概率；
所述风险概率的计算原理为，对实际设备中的各控制端进行分析，根据输入数据计算预测数据，将所述预测数据与所述输出数据进行比对，即可得到一个风险概率。
图3为抓斗卸船机自动作业在线监测方法的第二子流程框图，所述比对所述预测数据和所述输出数据，根据比对结果计算风险概率的步骤包括：
步骤S201：读取所述预测数据和所述输出数据，根据所述预测数据和所述输出数据计算差值数据；
步骤S202：根据所述预测数据、输出数据和差值数据在同一坐标系中生成预测曲线、输出曲线和差值曲线；
步骤S203：计算所述差值曲线的导函数曲线，根据预设的变化率阈值线截取所述导函数，确定特征段；
步骤S204：获取所述特征段对应的输出数据，根据所述输出数据标记所述特征段；
步骤S205：统计标记的特征段，计算风险概率。
上述内容对预测数据和输出数据的比对过程进行了具体的描述，首先，计算预测数据和输出数据之间的差值，预测数据、输出数据以及它们之间的差值，都是时间的函数，可以用曲线进行表示；然后，对差值曲线进行求导，可以轻松的确定差值突变的曲线段；最后，根据差值突变的曲线段定位输出数据曲线，根据输出数据曲线的对应部分，即可确定风险概率；具体的，输出数据中对应部分如果存在一些极端数据，并且极端数据的出现频率不低，就认为风险概率很高，如果偶尔出现一个或两个极端数据，就可以认为是检测端出现了问题。
图4为抓斗卸船机自动作业在线监测方法的第三子流程框图，所述当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型，根据风险类型确定该子模型的影响范围的步骤包括步骤S301至步骤S304：
步骤S301：当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型；所述风险类型至少包括坠落风险类型；
步骤S302：当所述风险类型为坠落风险类型时，获取该子模型相对于整个装配模型的安装高度及工作区间；
步骤S303：获取该子模型的重力和聚集度，根据所述重力和所述安装高度计算坠落冲量，根据所述坠落冲量和所述聚集度计算单点影响范围；其中，所述聚集度用于表征该子模型中各零件的连接紧密度；所述连接紧密度用冲量阈值表示；
步骤S304：根据所述单点影响范围和所述工作区间确定该子模型的影响范围。
步骤S301至步骤S304对影响范围的确定过程进行了具体的描述，其重点在于对坠落风险类型的识别；当所述风险类型为坠落风险类型时，根据自由落体运动规律，可以计算出某一子部件的坠落冲量；所述子部件中有很多零件，这些零件之间相互粘连的程度就是聚集度，根据坠落冲量和聚集度可以判断子部件在坠落时，是否会“炸开”，从而确定一个单点影响范围；
根据单点影响范围和该子部件的工作路径，即可确定一个影响范围。
作为本发明技术方案的一个优选实施例，所述当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型，根据风险类型确定该子模型的影响范围的步骤还包括：
根据所述安装高度标记所述装配模型中相对于该子模型的碰撞模型；其中，所述碰撞模型在子模型的坠落过程中，装配模型中与它发生碰撞关系的其他子模型；
根据碰撞模型和该子模型修正单点影响范围。
上述内容是对自由落体运动规律的进一步限定，其面对的情况是，坠落子部件下方会有其它子部件阻挡，此时，在自由落体运动中，将会发生碰撞，从而改变坠落曲线，进而影响单点影响范围。
图5为抓斗卸船机自动作业在线监测方法的第四子流程框图，所述获取含有热源信息的监视图像，根据所述影响范围和所述监视图像确定警示信息的步骤包括步骤S401至步骤S404：
步骤S401：获取含有热源信息的监视图像，根据监视图像的时间信息对监视图像进行排序；
步骤S402：读取排序后的监视图像中的热源信息，根据热源信息确定工作人员的运动路径；
步骤S403：获取监视图像与实际环境之间的映射关系，根据所述映射关系将影响范围转换为监视图像中的理论影响范围；
步骤S404：计算运动路径与所述理论影响范围的交叉参数，根据所述交叉参数确定警示信息；其中，所述交叉参数包括交叉次数和单次交叉时长；
上述内容对警示信息的生成过程进行了具体的限定，首先，计算工作人员与影响范围之间的交叉次数和单次交叉时长，可以想到，这两个参数以及由两个参数共同确定的总交叉时长足以反映工作人员是否处于危险境地；
值得一提的是，上述三个条件是相互独立的，任一个参数较大，都足以生成警示信息。
实施例2
图6为抓斗卸船机自动作业在线监测系统的组成结构框图，本发明实施例中，一种抓斗卸船机自动作业在线监测系统，所述系统10包括：
模型切分模块11，用于获取抓斗卸船机的装配模型和维护记录，根据所述维护记录对装配模型进行切分，得到含有风险阈值的子模型；
风险概率计算模块12，用于实时获取各子模型对应的实际设备中各控制端的输入数据和输出数据，根据所述输入数据和输出数据计算风险概率；
影响范围确定模块13，用于当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型，根据风险类型确定该子模型的影响范围；
警示信息生成模块14，用于获取含有热源信息的监视图像，根据所述影响范围和所述监视图像确定警示信息。
图7为抓斗卸船机自动作业在线监测系统中模型切分模块11的组成结构框图，所述模型切分模块11包括：
额定参数读取单元111，用于获取抓斗卸船机的装配模型，依次读取装配模型中各子部件的额定参数；
额定参数修正单元112，用于获取各子部件的维护记录，根据所述维护记录对所述额定参数进行修正；其中，所述额定参数用于表征各子部件正常工作的参数范围；
易达值计算单元113，用于将所述修正后的额定参数输入训练好的易达性分析模型，得到该子部件的易达值；所述易达值用于表征该子部件的额定参数的易满足程度；
易达值比对单元114，用于将所述易达值与预设的易达阈值进行比对，当所述易达值达到预设的易达阈值时，将修正后的额定参数作为风险阈值，生成子模型。
图8为抓斗卸船机自动作业在线监测系统中风险概率计算模块12的组成结构框图，所述风险概率计算模块12包括：
连接关系查询单元121，用于实时获取各子模型对应的实际设备中各控制端的连接关系；
数据获取单元122，用于基于连接关系依次获取各控制端的输入数据和输出数据；
数据预测单元123，用于将所述输入数据输入预设的理论模型，得到预测数据；所述输入数据、所述输出数据和所述预测数据均为时间的函数；
比对计算单元124，用于比对所述预测数据和所述输出数据，根据比对结果计算风险概率。
所述抓斗卸船机自动作业在线监测方法所能实现的功能均由计算机设备完成，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述抓斗卸船机自动作业在线监测方法的功能。
处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器（Read-Only Memory，ROM），所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如信息采集模板展示功能、产品信息发布功能等）等；存储数据区可存储根据泊位状态显示系统的使用所创建的数据（比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card， SMC），安全数字（Secure Digital， SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例系统中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个系统实施例的功能。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random AccessMemory）、电载波信号、电信信号以及软件分发介质等。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种抓斗卸船机自动作业在线监测方法，其特征在于，所述方法包括：
获取抓斗卸船机的装配模型和维护记录，根据所述维护记录对装配模型进行切分，得到含有风险阈值的子模型；
实时获取各子模型对应的实际设备中各控制端的输入数据和输出数据，根据所述输入数据和输出数据计算风险概率；
当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型，根据风险类型确定该子模型的影响范围；
获取含有热源信息的监视图像，根据所述影响范围和所述监视图像确定警示信息。
2.根据权利要求1所述的抓斗卸船机自动作业在线监测方法，其特征在于，所述获取抓斗卸船机的装配模型和维护记录，根据所述维护记录对装配模型进行切分，得到含有风险阈值的子模型的步骤包括：
获取抓斗卸船机的装配模型，依次读取装配模型中各子部件的额定参数；
获取各子部件的维护记录，根据所述维护记录对所述额定参数进行修正；其中，所述额定参数用于表征各子部件正常工作的参数范围；
将所述修正后的额定参数输入训练好的易达性分析模型，得到该子部件的易达值；所述易达值用于表征该子部件的额定参数的易满足程度；
将所述易达值与预设的易达阈值进行比对，当所述易达值达到预设的易达阈值时，将修正后的额定参数作为风险阈值，生成子模型。
3.根据权利要求2所述的抓斗卸船机自动作业在线监测方法，其特征在于，所述实时获取各子模型对应的实际设备中各控制端的输入数据和输出数据，根据所述输入数据和输出数据计算风险概率的步骤包括：
实时获取各子模型对应的实际设备中各控制端的连接关系；
基于连接关系依次获取各控制端的输入数据和输出数据；
将所述输入数据输入预设的理论模型，得到预测数据；所述输入数据、所述输出数据和所述预测数据均为时间的函数；
比对所述预测数据和所述输出数据，根据比对结果计算风险概率。
4.根据权利要求3所述的抓斗卸船机自动作业在线监测方法，其特征在于，所述比对所述预测数据和所述输出数据，根据比对结果计算风险概率的步骤包括：
读取所述预测数据和所述输出数据，根据所述预测数据和所述输出数据计算差值数据；
根据所述预测数据、输出数据和差值数据在同一坐标系中生成预测曲线、输出曲线和差值曲线；
计算所述差值曲线的导函数曲线，根据预设的变化率阈值线截取所述导函数，确定特征段；
获取所述特征段对应的输出数据，根据所述输出数据标记所述特征段；
统计标记的特征段，计算风险概率。
5.根据权利要求1所述的抓斗卸船机自动作业在线监测方法，其特征在于，所述当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型，根据风险类型确定该子模型的影响范围的步骤包括：
当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型；所述风险类型至少包括坠落风险类型；
当所述风险类型为坠落风险类型时，获取该子模型相对于整个装配模型的安装高度及工作区间；
获取该子模型的重力和聚集度，根据所述重力和所述安装高度计算坠落冲量，根据所述坠落冲量和所述聚集度计算单点影响范围；其中，所述聚集度用于表征该子模型中各零件的连接紧密度；所述连接紧密度用冲量阈值表示；
根据所述单点影响范围和所述工作区间确定该子模型的影响范围。
6.根据权利要求5所述的抓斗卸船机自动作业在线监测方法，其特征在于，所述当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型，根据风险类型确定该子模型的影响范围的步骤还包括：
根据所述安装高度标记所述装配模型中相对于该子模型的碰撞模型；其中，所述碰撞模型在子模型的坠落过程中，装配模型中与它发生碰撞关系的其他子模型；
根据碰撞模型和该子模型修正单点影响范围。
7.根据权利要求1所述的抓斗卸船机自动作业在线监测方法，其特征在于，所述获取含有热源信息的监视图像，根据所述影响范围和所述监视图像确定警示信息的步骤包括：
获取含有热源信息的监视图像，根据监视图像的时间信息对监视图像进行排序；
读取排序后的监视图像中的热源信息，根据热源信息确定工作人员的运动路径；
获取监视图像与实际环境之间的映射关系，根据所述映射关系将影响范围转换为监视图像中的理论影响范围；
计算运动路径与所述理论影响范围的交叉参数，根据所述交叉参数确定警示信息；其中，所述交叉参数包括交叉次数和单次交叉时长。
8.一种抓斗卸船机自动作业在线监测系统，其特征在于，所述系统包括：
模型切分模块，用于获取抓斗卸船机的装配模型和维护记录，根据所述维护记录对装配模型进行切分，得到含有风险阈值的子模型；
风险概率计算模块，用于实时获取各子模型对应的实际设备中各控制端的输入数据和输出数据，根据所述输入数据和输出数据计算风险概率；
影响范围确定模块，用于当任一子模型对应的风险概率达到所述风险阈值时，获取该子模型的风险类型，根据风险类型确定该子模型的影响范围；
警示信息生成模块，用于获取含有热源信息的监视图像，根据所述影响范围和所述监视图像确定警示信息。
9.根据权利要求8所述的抓斗卸船机自动作业在线监测系统，其特征在于，所述模型切分模块包括：
额定参数读取单元，用于获取抓斗卸船机的装配模型，依次读取装配模型中各子部件的额定参数；
额定参数修正单元，用于获取各子部件的维护记录，根据所述维护记录对所述额定参数进行修正；其中，所述额定参数用于表征各子部件正常工作的参数范围；
易达值计算单元，用于将所述修正后的额定参数输入训练好的易达性分析模型，得到该子部件的易达值；所述易达值用于表征该子部件的额定参数的易满足程度；
易达值比对单元，用于将所述易达值与预设的易达阈值进行比对，当所述易达值达到预设的易达阈值时，将修正后的额定参数作为风险阈值，生成子模型。
10.根据权利要求8所述的抓斗卸船机自动作业在线监测系统，其特征在于，所述风险概率计算模块包括：
连接关系查询单元，用于实时获取各子模型对应的实际设备中各控制端的连接关系；
数据获取单元，用于基于连接关系依次获取各控制端的输入数据和输出数据；
数据预测单元，用于将所述输入数据输入预设的理论模型，得到预测数据；所述输入数据、所述输出数据和所述预测数据均为时间的函数；
比对计算单元，用于比对所述预测数据和所述输出数据，根据比对结果计算风险概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210816316.2A CN115057365A (zh) | 2022-07-12 | 2022-07-12 | 一种抓斗卸船机自动作业在线监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210816316.2A CN115057365A (zh) | 2022-07-12 | 2022-07-12 | 一种抓斗卸船机自动作业在线监测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115057365A true CN115057365A (zh) | 2022-09-16 |
Family
ID=83205799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210816316.2A Pending CN115057365A (zh) | 2022-07-12 | 2022-07-12 | 一种抓斗卸船机自动作业在线监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115057365A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117105098A (zh) * | 2023-10-24 | 2023-11-24 | 山东朝辉自动化科技有限责任公司 | 基于多传感器融合的门机抓斗控制系统和方法 |
-
2022
- 2022-07-12 CN CN202210816316.2A patent/CN115057365A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117105098A (zh) * | 2023-10-24 | 2023-11-24 | 山东朝辉自动化科技有限责任公司 | 基于多传感器融合的门机抓斗控制系统和方法 |
| CN117105098B (zh) * | 2023-10-24 | 2024-02-09 | 山东朝辉自动化科技有限责任公司 | 基于多传感器融合的门机抓斗控制系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10969774B2 (en) | Computer system and method for monitoring the technical state of industrial process systems | |
| CN114548832B (zh) | 一种基于大数据的风电设备状态评估方法及系统 | |
| US10282968B2 (en) | Intelligent monitoring method and apparatus | |
| US11669771B2 (en) | Learning system, analysis system, learning method, and storage medium | |
| CN115057365A (zh) | 一种抓斗卸船机自动作业在线监测系统及方法 | |
| CN114862288A (zh) | 智慧水务二次加压管理系统 | |
| US11480948B2 (en) | Monitoring target selecting device, monitoring target selecting method, and program | |
| US20210191375A1 (en) | Method for carrying out measurements on a virtual basis, device, and computer readable medium | |
| CN111222710A (zh) | 数据异常告警方法、装置、设备及存储介质 | |
| CN114076873A (zh) | 电缆故障分析预测方法和装置 | |
| CN115047360A (zh) | 一种储能电池的储能监测方法、装置、设备以及介质 | |
| CN113778776A (zh) | 对任务异常进行预警的方法和装置以及存储介质 | |
| US11992953B2 (en) | Abnormality determination device and abnormality determination method | |
| CN117227177A (zh) | 基于设备间监督的多任务打印控制方法及系统 | |
| CN104598361A (zh) | 一种性能监控方法和装置 | |
| CN111555899B (zh) | 告警规则配置方法、设备状态监测方法、装置和存储介质 | |
| CN115829337A (zh) | 一种存储区风险预警方法及系统 | |
| US10862812B2 (en) | Information processing apparatus, data management system, data management method, and non-transitory computer readable medium storing program | |
| CN111289036A (zh) | 设备故障预警方法、装置、设备及系统 | |
| CN113494428B (zh) | 风力发电机组的故障检测方法和装置 | |
| CN113641720A (zh) | 一种数据处理方法、装置、计算机设备及可读存储介质 | |
| CN117392471B (zh) | 基于多参数协同的3d打印监测方法及系统 | |
| CN116939159B (zh) | 一种农田灾害预警方法及系统 | |
| CN117110976B (zh) | 电表异常检测方法、装置、电子设备和存储介质 | |
| US20230281536A1 (en) | Work management device, work management method, and non-transitory computer-readable medium |
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 |