CN115611029B - 一种智能的煤炭装车方法及系统 - Google Patents
一种智能的煤炭装车方法及系统 Download PDFInfo
- Publication number
- CN115611029B CN115611029B CN202211635945.1A CN202211635945A CN115611029B CN 115611029 B CN115611029 B CN 115611029B CN 202211635945 A CN202211635945 A CN 202211635945A CN 115611029 B CN115611029 B CN 115611029B
- Authority
- CN
- China
- Prior art keywords
- carriage
- coal
- value
- filling
- dust concentration
- 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
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G67/00—Loading or unloading vehicles
- B65G67/02—Loading or unloading land vehicles
- B65G67/04—Loading land vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G65/00—Loading or unloading
- B65G65/005—Control arrangements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G69/00—Auxiliary measures taken, or devices used, in connection with loading or unloading
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Aviation & Aerospace Engineering (AREA)
- Auxiliary Methods And Devices For Loading And Unloading (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种智能的煤炭装车方法及系统,该方法在煤炭灌装系统对一节车厢进行煤炭装车的过程中,获取车厢的灌装特征向量和卸料口状态向量;将设定数量节车厢分为预设数量个类别;获取每个类别下的最小高度阈值、高度峰值阈值以及卸料口状态向量阈值;获取每节车厢的灌装特征向量的随机因子;利用随机因子将车厢的灌装特征向量划分为正常样本和异常样本;利用正常样本和异常样本训练二分类模型;利用训练好的二分类模型、每个类别下的最小高度阈值、高度峰值阈值和卸料口状态向量阈值控制煤炭灌装系统的运行参数进行煤炭装车。本发明通过控制煤炭灌装系统的运行参数而提高了煤炭装载效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种智能的煤炭装车方法及系统。
背景技术
在煤炭灌装系统对煤炭装载的过程中,需现场岗位人员看着装车厚度,待装载厚度合适后提示司机移动车辆继续装载,直到装至上限后,煤炭灌装系统自动停止,最后现场岗位人员提示司机装载完成,但该煤炭装载过程会存在与现场岗位人员的沟通不协调或反应不及时的问题,影响煤炭装载效率。
目前,为了提高煤炭装载效率,通过设置车辆位置的检测区域,当检测区域中检测到煤炭装载车时,煤炭灌装系统自动开始进行装灌,但是该方法中的煤炭灌装系统的运行参数是设定好的,而在筒仓下料速度过快或卸料口过小等情况下,如果不及时调整煤炭灌装系统的运行参数,容易在煤炭装载过程中出现过载或偏载(前后两次装载相差大)现象,从而需要进行二次装载,会降低煤炭装载效率。
发明内容
本发明的目的在于提供一种智能的煤炭装车方法及系统,以提高现在智能煤炭装车过程中,煤炭灌装系统的运行参数的调整不及时而导致的煤炭装载效率低的问题。
第一方面,本发明一个实施例提供了一种智能的煤炭装车方法,该方法包括:
在煤炭灌装系统对一节车厢进行煤炭装车的过程中,通过采集筒仓的环境信息和放料流量、煤炭灌装系统的关闭时间和煤炭灌装高度,获取车厢的灌装特征向量;采集卸料口处的煤粉尘浓度和卸料口大小获取车厢对应的卸料口状态向量;
基于车厢顺序分别获取设定数量节车厢的灌装特征向量和对应的卸料口状态向量,基于灌装特征向量将设定数量节车厢分为预设数量个类别;根据每节车厢对应的煤炭灌装高度获取每个类别下的最小高度阈值和高度峰值阈值,根据每节车厢对应的卸料口状态向量获取每个类别下的卸料口状态向量阈值;
根据车厢顺序获取每节车厢的灌装特征向量的随机因子;利用随机因子将车厢的灌装特征向量划分为正常样本和异常样本;利用正常样本和异常样本训练二分类模型;
利用训练好的二分类模型、每个类别下的最小高度阈值、高度峰值阈值和卸料口状态向量阈值控制煤炭灌装系统的运行参数进行煤炭装车。
进一步的,所述灌装特征向量的获取方法,包括:
环境参数包括温度和湿度,根据每个采样时刻下的温度和湿度分别计算温度均值和湿度均值,计算温度均值与设定适宜温度的第一差值以及湿度均值与设定适宜湿度的第二差值,将第一差值与设定适宜温度的第一比值乘以第二差值与设定适宜湿度的第二比值,得到乘积的绝对值,将乘积的绝对值的相反数作为自然常数的指数,得到的结果作为环境参数;
基于采样频率得到放料流量构成的放料流量序列,将放料流量序列中的最大放料流量、最小放料流量和放料流量均值构成参考特征向量,获取参考特征向量与标准参考特征向量的余弦相似度作为放料流量变化值;
对于任意一节车厢,计算该车厢与该车厢之前相邻的第一预设数量节车厢对应的煤炭灌装系统的关闭时间的平均值,分别获取每节车厢的关闭时间与平均值的第一差值绝对值,将第一差值绝对值的均值作为自然常数的指数,得到的结果作为该车厢对应的系统损失值;
以系统损失值与预设值的相加结果为分母、环境参数为分子得到对应的比值,将比值与放料流量变化值的乘积作为对应车厢的煤炭灌装系统的工作稳定程度;
分别获取每个采样时刻下最大煤炭灌装高度与最小煤炭灌装高度之间的高度比值,取高度比值的中值作为最小高度峰值系数,计算车厢与车厢之前相邻的第一预设数量节车厢的最小高度峰值系数的均值作为车厢的高度峰值系数;
将环境参数、放料流量变化值、系统损失值、工作稳定程度、最小高度峰值系数和高度峰值系数构成车厢的灌装特征向量。
进一步的,所述采集卸料口处的煤粉尘浓度和卸料口大小获取车厢对应的卸料口状态向量的方法,包括:
基于采样频率获取每节车厢的煤粉尘浓度序列,将车厢的上一节车厢的煤粉尘浓度序列的煤粉尘浓度均值作为车厢的煤粉尘浓度阈值;在车厢的煤粉尘浓度大于煤粉尘浓度阈值时,减小卸料口大小,在车厢的煤粉尘浓度小于煤粉尘浓度阈值时,增大卸料口大小,在车厢的煤粉尘浓度等于煤粉尘浓度阈值时,保持卸料口大小不变;
计算车厢在设定时段内的煤粉尘浓度均值作为新煤粉尘浓度阈值,当新煤粉尘浓度阈值与煤粉尘浓度阈值之间的差值绝对值大于差值阈值时,保持煤粉尘浓度阈值不变,当新煤粉尘浓度阈值与煤粉尘浓度阈值之间的差值绝对值小于或等于差值阈值时,将煤粉尘浓度阈值更新为新煤粉尘浓度阈值;
基于煤粉尘浓度阈值的更新得到车厢在煤炭装车的过程中的最小卸料口大小和最终煤粉尘浓度阈值,将最终煤粉尘浓度阈值和最小卸料口大小组成车厢对应的卸料口状态向量。
进一步的,所述基于灌装特征向量将设定数量节车厢分为预设数量个类别的方法,包括:
计算任意两个灌装特征向量之间的余弦距离作为样本距离,基于样本距离,利用K-medoids聚类算法将设定数量节车厢分为预设数量个类别。
进一步的,所述根据每节车厢对应的煤炭灌装高度获取每个类别下的最小高度阈值和高度峰值阈值的方法,包括:
取任意一节车厢为目标车厢,分别获取目标车厢与目标车厢之前相邻的第一预设数量节车厢达到标准载重时的最大煤炭灌装高度和最小煤炭灌装高度,取所有的最大煤炭灌装高度的最小值、所有的最小煤炭灌装高度的最大值,将最大值和最小值之间的较大值作为目标车厢的高度阈值;
取类别中车厢的高度阈值的最大值作为对应类别的最小高度阈值;
计算类别中所有车厢对应的高度峰值系数的平均值作为对应类别的高度峰值阈值。
进一步的,所述根据每节车厢对应的卸料口状态向量获取每个类别下的卸料口状态向量阈值的方法,包括:
将类别下每个车厢对应的卸料口状态向量组成卸料口状态向量集合作为对应类别的卸料口状态向量阈值。
进一步的,所述根据车厢顺序获取每节车厢的灌装特征向量的随机因子的方法,包括:
根据每节车厢对应车厢顺序的数值,取任意一节车厢作为目标车厢,分别计算目标车厢与目标车厢所属类别中每个其他车厢之间对应车厢顺序的数值的第一差值绝对值,将最小的第一差值绝对值作为目标车厢的灌装特征向量的随机因子。
进一步的,所述利用随机因子将车厢的灌装特征向量划分为正常样本和异常样本的方法,包括:
对每节车厢的随机因子进行归一化,得到归一化随机因子;
将灌装特征向量中的环境参数、放料流量变化值、系统损失值和工作稳定程度组成第一特征向量,基于每节车厢的第一特征向量,利用LOF算法分别计算每节车厢对应的局部离群因子;
将归一化随机因子与局部离群因子的乘积作为分子、常数1与工作稳定程度的相加结果作为分母得到的比值作为对应车厢的灌装随机性指数;
设置灌装随机性阈值,将灌装随机性指数大于灌装随机性阈值对应车厢的灌装特征向量作为异常样本、灌装随机性指数小于或等于灌装随机性阈值对应车厢的灌装特征向量作为正常样本。
进一步的,所述利用训练好的二分类模型、每个类别下的最小高度阈值、高度峰值阈值和卸料口状态向量阈值控制煤炭灌装系统的运行参数进行煤炭装车的方法,包括:
将实时灌装特征向量输入训练好的二分类模型中,得到二分类模型的响应值;
当响应值大于响应值阈值时,控制煤炭灌装系统的运行参数不变;
当响应值小于或等于响应值阈值时,
基于实时灌装特征向量和历史样本之间的余弦距离,得到最小余弦距离对应的历史样本作为目标历史样本,所述历史样本为训练二分类模型时的正常样本和异常样本;将目标历史样本所属类别的卸料口状态向量阈值作为第一卸料口状态向量阈值,分别计算第一卸料口状态向量阈值中小于实时煤粉尘浓度的最终煤粉尘浓度阈值与实时煤粉尘浓度的差值绝对值,获取最小差值绝对值对应的最终煤粉尘浓度阈值所在的卸料口状态向量作为目标卸料口状态向量,控制煤炭灌装系统将卸料口大小调整为目标卸料口状态向量对应的最小卸料口大小;当实时煤粉尘浓度小于或等于第一卸料口状态向量阈值中的每个最终煤粉尘浓度阈值时,保持卸料口大小不变;
基于目标历史样本所属类别的最小高度阈值和高度峰值阈值,当实时最小煤炭灌装高度等于最小高度阈值时,控制煤炭灌装系统关闭卸料口;当实时高度峰值系数小于高度峰值阈值时,控制煤炭灌装系统继续进行煤炭装车,当实时高度峰值系数大于高度峰值阈值时,控制煤炭灌装系统停止煤炭装车。
第二方面,本发明实施例提供了一种智能的煤炭装车系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时实现上述任意一项方法实施例中的步骤。
本发明具有如下有益效果:
本发明在煤炭灌装系统对一节车厢进行煤炭装车的过程中,通过采集筒仓的环境信息和放料流量、煤炭灌装系统的关闭时间和煤炭灌装高度,获取车厢的灌装特征向量,以直观体现车厢对应的煤炭灌装系统的工作状态,同理,也通过采集卸料口处的煤粉尘浓度和卸料口大小获取车厢对应的卸料口状态向量;将灌装特征向量和卸料口状态向量分别作为连续的设定数量节车厢对应的灌装过程的两个特征,通过灌装特征向量将车厢划分多个类别,一个类别表征一种煤炭灌装系统的工作状态,以将煤炭灌装系统的工况环境都涵盖;然后为了衡量每个类别下对应煤炭灌装系统的工作状态,得到更加准确的每种煤炭灌装系统的执行基准,根据每节车厢对应的煤炭灌装高度获取每个类别下的最小高度阈值和高度峰值阈值,根据每节车厢对应的卸料口状态向量获取每个类别下的卸料口状态向量阈值;由于灌装过程存在一定的随机性,因此基于车厢顺序获取每节车厢的灌装特征向量的随机因子,以间接体现每节车厢对应的煤炭灌装系统的稳定性;利用随机因子将车厢的灌装特征向量划分为正常样本和异常样本,用于训练二分类模型,以通过随机性判别实现基于灌装随机情况判断异常情况的判别模型;为了能够及时调整煤炭灌装系统的运行参数,利用训练好的二分类模型、每个类别下的最小高度阈值、高度峰值阈值和卸料口状态向量阈值控制煤炭灌装系统的运行参数进行煤炭装车,以在后续实际应用中,能够快速反应,自适应控制车厢的灌装状态,减少损耗,进而提高煤炭装载效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种智能的煤炭装车方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种智能的煤炭装车方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明所针对的具体场景为:由于影响灌装结果的因素过多,在本发明中,设定拖挂车的每节车厢的最大载重量相同、车厢长度和宽度相同。
下面结合附图具体的说明本发明所提供的一种智能的煤炭装车方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种智能的煤炭装车方法的步骤流程图,该方法包括:
步骤S001,在煤炭灌装系统对一节车厢进行煤炭装车的过程中,通过采集筒仓的环境信息和放料流量、煤炭灌装系统的关闭时间和煤炭灌装高度,获取车厢的灌装特征向量;采集卸料口处的煤粉尘浓度和卸料口大小获取车厢对应的卸料口状态向量。
具体的,在煤炭灌装系统对一节车厢进行煤炭装车的过程中,获取车厢的灌装特征向量,具体如下:
(1)采集筒仓的环境信息,本方案中环境参数包括温度和湿度,根据每个采样时刻下的温度和湿度分别计算温度均值和湿度均值,计算温度均值与设定适宜温度的第一差值以及湿度均值与设定适宜湿度的第二差值,将第一差值与设定适宜温度的第一比值乘以第二差值与设定适宜湿度的第二比值,得到乘积的绝对值,将乘积的绝对值的相反数作为自然常数的指数,得到的结果作为环境参数。
作为一个示例,由于筒仓内的湿度和筒仓外的温度能够直接体现煤炭灌装系统在煤炭装车时的周围环境,因此利用湿度传感器采集筒仓内部的湿度、温度传感器采集筒仓外部的温度,同时设定采样频率为1秒,也即是1秒采集一次温度和湿度,在完成车厢的灌装过程后能够得到温度序列和湿度序列,计算温度序列对应的温度均值、湿度序列对应的湿度均值;为确保装载安全,环境温度达35°以上或含水量过大应拒绝装载,根据经验认为适宜湿度可以维持在40%到60%之间,故取适宜湿度,适宜温度/>,进而利用温度均值、湿度均值、适宜湿度和适宜温度之间的差异获取车厢的环境参数,则环境参数的计算公式为:
需要说明的是,环境参数表征车厢灌装环境的安全性,环境参数越大,车厢灌装环境越安全;温度均值与适宜温度之间的差值/>越大、湿度均值与适宜湿度之间的差值/>越大,/>越大,越说明车厢灌装环境与安全灌装环境的差异越大,在对应环境下进行车厢灌装越不安全,对应环境参数越小;而以自然常数e为底数的指数函数用于归一化,使得环境参数的阈值在[0,1]范围内,环境参数/>越接近于1,灌装环境越适宜。
(2)基于采样频率得到放料流量构成的放料流量序列,将放料流量序列中的最大放料流量、最小放料流量和放料流量均值构成参考特征向量,获取参考特征向量与标准参考特征向量的余弦相似度作为放料流量变化值。
作为一个示例,考虑到放料流量的变化能够反映煤炭灌装系统对车厢灌装煤炭的效率,在每日开始灌装时,视为使用一个全新的煤炭灌装系统对一节车厢进行煤炭灌装,设定采样频率为1秒,1秒采集一次煤炭灌装系统的放料流量,在完成车厢的灌装过程后能够得到放料流量序列,并将放料流量序列中的最大放料流量、最小放料流量和放料流量均值构成参考特征向量。
需要说明的是,放料流量的计算公式为:/>,其中,/>为物料容量比,物料容量比是通过测距方法得到一处煤炭的积累高度而换算得到的参数,是公知常识,本方案不再赘述;/>为卸料口面积;/>为放料流速;/>为煤炭的放料系数,且,在本方案中取/>=0.6;g为重力加速度;R为卸料口面积与周长比值。
对于放料流量的计算公式,煤炭的放料系数越大,重力加速度越大,卸料口面积与周长比值越大,放料速度越快,对应放料流速越大,放料流速越大,煤炭灌装系统通过卸料口放料的量越大,对应放料流量越大;物料容量比越大,说明煤炭累积高度越高,累积高度越大,说明煤炭灌装系统通过卸料口放料的量越大,对应放料流量/>越大;卸料口面积越大,卸料越快,通过卸料口放料的量越大,对应放料流量/>越大。
将参考特征向量与标准参考特征向量相比较,以分析相对差异,其中标准参考特征向量是在煤炭灌装系统对车厢进行煤炭灌装时,无任何异常情况下获取的,则计算参考特征向量与标准参考特征向量的余弦相似度作为车厢对应的放料流量变化值,用于衡量实际样本与参考样本之间差异的大小,放料流量变化值/>越接近于1,表明参考特征向量与标准参考特征向量越相似,相差越小,放料流量变化值/>越接近于0,表明参考特征向量与标准参考特征向量越不相似,相差越大。
(3)对于任意一节车厢,计算该车厢与该车厢之前相邻的第一预设数量节车厢对应的煤炭灌装系统的关闭时间的平均值,分别获取每节车厢的关闭时间与平均值的第一差值绝对值,将第一差值绝对值的均值作为自然常数的指数,得到的结果作为该车厢对应的系统损失值。
作为一个示例,煤炭灌装系统的卸料口损失情况可以通过煤炭灌装系统的关闭时间来间接反映。在一个煤炭灌装系统灌装多节车厢的情况下,每灌装一节车厢的煤炭灌装系统的关闭时间在理想状态下是一致的,但现实应用中,总是有阻碍因素来增长煤炭灌装系统的关闭时间,也就是有阻碍因素会对煤炭灌装系统造成一定程度的损失,因此根据车厢间的煤炭灌装系统的关闭时间来分析每节车厢的系统损失情况。
本发明中具体的煤炭灌装系统的关闭时间是通过发出关闭信号开始,到车厢的载重变化量在1秒内不超过500g为计时结束,其中地磅测量车厢的载重的重量信号刷新频率一般在5Hz以上,因此在1秒内不超过500g为计时结束对应的计时精度较高。
本发明根据车厢与车厢之前相邻的4节车厢对应的煤炭灌装系统的关闭时间计算车厢的系统损失值,则系统损失值的计算公式为:
需要说明的是,计算连续多节车厢对应的煤炭灌装系统的关闭时间的平均值,用于体现煤炭灌装系统的关闭时间的稳定性,当每个车厢对应的煤炭灌装系统的关闭时间与平均值的差异越大时,说明煤炭灌装系统在灌装对应车厢时受到的影响越大,损失越大,差异均值/>越大,车厢对应的煤炭灌装系统的损失越大,对应系统损失值L越大,系统损失值L代表煤炭灌装系统在灌装对应车厢时受到的负面影响越大。
(4)以系统损失值与预设值的相加结果为分母、环境参数为分子得到对应的比值,将比值与放料流量变化值的乘积作为对应车厢的煤炭灌装系统的工作稳定程度。
作为一个示例,工作稳定程度的计算公式为:
环境参数越大,车厢装载环境越安全,越适宜灌装,对应煤炭灌装系统的工作稳定程度/>越大;放料流量变化值/>越大,说明煤炭灌装系统在对应车厢灌装时的状态与标准灌装状态越接近,越能体现煤炭灌装系统的稳定,对应煤炭灌装系统的工作稳定程度/>越大;而系统损失值/>越小,说明煤炭灌装系统在灌装对应车厢时受到的负面影响越大,煤炭灌装系统越不稳定,对应煤炭灌装系统的工作稳定程度/>越小。
(5)分别获取每个采样时刻下最大煤炭灌装高度与最小煤炭灌装高度之间的高度比值,取高度比值的中值作为最小高度峰值系数,计算车厢与车厢之前相邻的第一预设数量节车厢的最小高度峰值系数的均值作为车厢的高度峰值系数。
作为一个示例,在灌装过程中,煤炭灌装系统的卸煤速度在理想条件下是相同的,根据激光雷达得到的车厢灌装煤炭时的煤炭灌装高度的变化记录,以得到灌装一个车厢的高度变化系数:设置采样频率为1秒,由于灌装煤炭时形成的煤炭堆存在不平整现象,因此每秒采集一次最大煤炭灌装高度与最小煤炭灌装高度,并计算最大煤炭灌装高度与最小煤炭灌装高度之间的比值作为高度比值,在完成车厢的灌装过程后,根据得到的高度比值,取高度比值的中值作为最小高度峰值系数,用于表征整个灌装过程中的典型煤炭灌装高度。
在正常情况下,煤炭灌装过程中车厢的煤炭灌装高度应为逐渐增长,不均衡的高度比值所对应的最小高度峰值系数不会很大,因此根据车厢与车厢之前相邻的4节车厢对应的最小高度峰值系数计算最小高度峰值系数的均值作为车厢的高度峰值系数,/>为第i节车厢对应的最小高度峰值系数。
同时,在煤炭灌装系统对一节车厢进行煤炭装车的过程中,采集卸料口处的煤粉尘浓度和卸料口大小获取车厢对应的卸料口状态向量,具体如下:
煤碳颗粒过小以及所含煤粉尘在卸料开口过大的情况下,灌装过程产生的损耗更大。由于煤碳颗粒粒径不均匀,通过检测卸料口煤粉尘的实时浓度来控制卸料开口大小,进而达到减少损耗的目的,因此将粉尘浓度检测传感器放置于卸料口同样高度附近,用于检测卸料口处的煤粉尘浓度,并在记录卸料口处的煤粉尘浓度的同时,也要记录对应卸料口大小,其中卸料口大小为卸料口的打开口径占卸料口总截面积的比例,比例越大,卸料口的开口就越大,本方案设置采样频率为1秒。
基于卸料口处的煤粉尘浓度设定动态机制:基于采样频率获取每节车厢的煤粉尘浓度序列,将车厢的上一节车厢的煤粉尘浓度序列的煤粉尘浓度均值作为车厢的煤粉尘浓度阈值;在车厢的煤粉尘浓度大于煤粉尘浓度阈值时,减小卸料口大小,在车厢的煤粉尘浓度小于煤粉尘浓度阈值时,增大卸料口大小,在车厢的煤粉尘浓度等于煤粉尘浓度阈值时,保持卸料口大小不变。
作为一个示例,本方案中以前5个车厢作为预热后,在连续的煤炭灌装过程中,以当前车厢为例,计算当前车厢的上一节车厢的煤粉尘浓度序列的煤粉尘浓度均值作为当前车厢的煤粉尘浓度阈值,在当前车厢采集的煤粉尘浓度超过煤粉尘浓度阈值,通过设定的减小步长控制卸料口的大小缓慢减小,直至车厢的煤粉尘浓度等于煤粉尘浓度阈值时,停止减小操作,保持卸料口大小不变;同理,在当前车厢采集的煤粉尘浓度低于煤粉尘浓度阈值,通过设定的增大步长控制卸料口的大小缓慢增大,直至车厢的煤粉尘浓度等于煤粉尘浓度阈值时,停止增大操作,保持卸料口大小不变。
优选的,本方案中设置卸料口大小的范围为[50%,100%],因此减小步长和增大步长都取经验值5%。
计算车厢在设定时段内的煤粉尘浓度均值作为新煤粉尘浓度阈值,当新煤粉尘浓度阈值与煤粉尘浓度阈值之间的差值绝对值大于差值阈值时,保持煤粉尘浓度阈值不变,当新煤粉尘浓度阈值与煤粉尘浓度阈值之间的差值绝对值小于或等于差值阈值时,将煤粉尘浓度阈值更新为新煤粉尘浓度阈值。
作为一个示例,根据顺序性灌装的规律,由于煤粉尘浓度阈值随着环境变化而变化,所以要对煤粉尘浓度阈值范围进行约束:记录一节车厢在灌装过程中对应的煤粉尘浓度是1秒一次,设置煤粉尘浓度阈值的更新间隔为5分钟,也即是记录300次煤粉尘浓度后更新一次煤粉尘浓度阈值,计算300次煤粉尘浓度的煤粉尘浓度均值作为更新后的煤粉尘浓度阈值,当更新后的煤粉尘浓度阈值与更新前的煤粉尘浓度阈值的差值绝对值大于差值阈值时,更新前的煤粉尘浓度阈值保持不变,这样不会因为较为极端的情况导致煤粉尘浓度阈值快速偏移;反之,当更新后的煤粉尘浓度阈值与更新前的煤粉尘浓度阈值的差值绝对值小于或等于差值阈值时,将更新后的煤粉尘浓度阈值作为新煤粉尘浓度阈值,通过上述步骤新煤粉尘浓度阈值的更新,使得新煤粉尘浓度阈值稳定在合理的数值范围,保持煤粉尘浓度处于较低的状态。
其中差值阈值的获取方法为:将更新前的煤粉尘浓度阈值的预设比例的结果作为差值阈值,本发明实施例中预设比例为5%。
步骤S002,基于车厢顺序分别获取设定数量节车厢的灌装特征向量和对应的卸料口状态向量,基于灌装特征向量将设定数量节车厢分为预设数量个类别;根据每节车厢对应的煤炭灌装高度获取每个类别下的最小高度阈值和高度峰值阈值,根据每节车厢对应的卸料口状态向量获取每个类别下的卸料口状态向量阈值。
本方案使用K-medoids聚类算法对煤炭灌装系统的工作情况进行分类:基于余弦距离的计算公式,计算任意两个灌装特征向量之间的余弦距离作为样本距离,基于样本距离,利用K-medoids聚类算法将设定数量节车厢分为预设数量个类别,其中K=4,本发明认定4个类别涵盖了煤炭灌装系统的绝大部分工况和使用场景,也即是一个类别代表一种煤炭灌装系统的工作状态。
需要说明的是,K-medoids聚类算法为公知技术,本方案中不再赘述。
经过聚类算法,将煤炭灌装系统根据工况环境分为四类,基于煤炭灌装系统的类别,组成4类信息库集合作为最终的执行指标,具体如下:
(1)根据每节车厢对应的煤炭灌装高度获取每个类别下的最小高度阈值和高度峰值阈值:取任意一节车厢为目标车厢,分别获取目标车厢与目标车厢之前相邻的第一预设数量节车厢达到标准载重时的最大煤炭灌装高度和最小煤炭灌装高度,取所有的最大煤炭灌装高度的最小值、所有的最小煤炭灌装高度的最大值,将最大值和最小值之间的较大值作为目标车厢的高度阈值;取类别中车厢的高度阈值的最大值作为对应类别的最小高度阈值;计算类别中所有车厢对应的高度峰值系数的平均值作为对应类别的高度峰值阈值。
作为一个示例,本方案中第一预设数量为4,也即是为了确保车厢装煤达标,获取包括当前车厢在内一共5节车厢分别在达到标准载重时煤炭灌装高度的最大值和最小值,也即是一节车厢对应一个最大值和一个最小值/>,进而根据公式:,/>,其中,/>为第/>节车厢在达到标准载重时煤炭灌装高度的最大值,/>为第/>节车厢在达到标准载重时煤炭灌装高度的最小值,/>为最小值函数,/>为最大值函数,/>为第/>节车厢对应的高度阈值,当实时最小煤炭灌装高度达到高度阈值时,卸料口关闭,停止放煤;同时根据每个类别中每节车厢对应的高度阈值和高度峰值系数分别获取对应类别的高度峰值阈值/>,/>为第/>节车厢对应的高度峰值系数,/>为均值函数,以及对应类别的最小高度阈值/>,为最大值函数。
(2)根据每节车厢对应的卸料口状态向量获取每个类别下的卸料口状态向量阈值:将类别下每个车厢对应的卸料口状态向量组成卸料口状态向量集合作为对应类别的卸料口状态向量阈值。
步骤S003,根据车厢顺序获取每节车厢的灌装特征向量的随机因子;利用随机因子将车厢的灌装特征向量划分为正常样本和异常样本;利用正常样本和异常样本训练二分类模型。
具体的,由于灌装过程存在一定的随机性,因此基于步骤S002的聚类结果,分析每节车厢的灌装过程的随机性:根据每节车厢对应车厢顺序的数值,取任意一节车厢作为目标车厢,分别计算目标车厢与目标车厢所属类别中每个其他车厢之间对应车厢顺序的数值的第一差值绝对值,将最小的第一差值绝对值作为目标车厢的灌装特征向量的随机因子。
作为一个示例,所有车厢都是按照顺序进行灌装的,基于车厢顺序对应的数值,即车厢1、车厢2,在本发明实施例中,定义双向搜索区间为10,一般为域的2倍,即向前和向后搜索共10个,以车厢20为例,搜索车厢20之前的车厢19、车厢18、车厢17、车厢16、车厢15,以及车厢20之后的车厢21、车厢22、车厢23、车厢24、车厢25,当车厢20所属类别中存在车厢25和车厢19时,20与19的差值为1,20与25的差值为5,则将差值1作为车厢20的随机因子,若前后都没有搜索到或者车厢20所属类别中不存在搜索到的车厢,则认为车厢20的随机因子为10。
对每节车厢的随机因子进行归一化,得到归一化随机因子;将灌装特征向量中的环境参数、放料流量变化值、系统损失值和工作稳定程度组成第一特征向量,基于每节车厢的第一特征向量,利用LOF算法分别计算每节车厢对应的局部离群因子;将归一化随机因子与局部离群因子的乘积作为分子、常数1与工作稳定程度的相加结果作为分母得到的比值作为对应车厢的灌装随机性指数。
作为一个示例,对每节车厢的随机因子进行归一化,使得随机因子的值域为[0,1]。对于每节车厢的灌装特征向量,还应考虑离群情况,此时需要忽略最小高度峰值系数和高度峰值系数/>,目的是排除煤炭灌装系统的车厢灌装顺序性的影响,仅关心车厢的罐装情况,那么得到第一特征向量/>;基于第一特征向量/>之间的余弦距离,利用LOF算法分别计算每节车厢对应的局部离群因子,记为LOF,如果LOF越接近1,说明该第一特征向量的密度和邻域的第一特征向量的密度越相似,可能和邻域的第一特征向量同属一簇;如果LOF越小于1,说明该第一特征向量的密度高于邻域的第一特征向量的密度,则该第一特征向量为密集点;如果LOF大于1,说明该第一特征向量的密度小于邻域的第一特征向量的密度,更可能是异常点,因此对于LOF小于1的情况,将LOF设置为1。
需要说明的是,利用LOF算法获取局部离群因子为公知技术,本方案中不再赘述。
灌装随机性指数的计算公式为:
需要说明的是,局部离群因子用于体现每节车厢的灌装特征向量的离群情况,也即是与相邻车厢的灌装特征向量的差异情况,/>的值越大,说明对应车厢与其相邻车厢的煤炭灌装系统的工作状态越不相同,其随机性越高,对应灌装随机性指数/>越大;归一化随机因子/>越大,说明对应车厢在前后相邻的部分车厢中的煤炭灌装系统的工作状态越不一样,且很难出现对应车厢的煤炭灌装系统的工作状态,因此其随机性越高对应灌装随机性指数/>越大;工作稳定程度/>越大,说明煤炭灌装系统的工作状态越稳定,对车厢进行灌装的状态越不会出现典型,对应灌装随机性指数/>越小。
设置灌装随机性阈值,将灌装随机性指数大于灌装随机性阈值对应车厢的灌装特征向量作为异常样本、灌装随机性指数小于或等于灌装随机性阈值对应车厢的灌装特征向量作为正常样本。
优先的。本发明实施例中灌装随机性阈值为1.5。
根据划分的正常样本和异常样本训练二分类模型,具体如下:
本发明实施例中二分类模型为Adaboost模型,该Adaboost模型对正常样本存在较高的响应值,且响应值接近1,而对异常样本的响应值接近于0。
Adaboost模型是一种集成模型,通过学习出多个弱分类器,然后将多个弱分类器相加得到一个强分类器,损失函数为指数函数的算法,因此利用正常样本和异常样本对Adaboost模型进行训练,以通过随机性判别实现基于灌装随机情况判断异常情况的判别模型;其中Adaboost模型的输入为灌装特征向量,输出为响应值,响应值范围为[0,1]。
需要说明的是,Adaboost模型的训练过程为公知技术,本方案不再赘述。
步骤S004,利用训练好的二分类模型、每个类别下的最小高度阈值、高度峰值阈值和卸料口状态向量阈值控制煤炭灌装系统的运行参数进行煤炭装车。
具体的,设定响应值阈值为0.5,以起到自动化抑制扬尘和异常识别的作用。
将实时灌装特征向量输入训练好的二分类模型中,得到二分类模型的响应值,当响应值大于响应值阈值时,控制煤炭灌装系统的运行参数不变,按照原始的煤炭灌装系统的运行参数进行灌装。
当响应值小于或等于响应值阈值时,基于实时灌装特征向量和历史样本之间的余弦距离,得到最小余弦距离对应的历史样本作为目标历史样本,所述历史样本为训练二分类模型时的正常样本和异常样本;
将目标历史样本所属类别的卸料口状态向量阈值作为第一卸料口状态向量阈值,分别计算第一卸料口状态向量阈值中小于实时煤粉尘浓度的最终煤粉尘浓度阈值与实时煤粉尘浓度的差值绝对值,获取最小差值绝对值对应的最终煤粉尘浓度阈值所在的卸料口状态向量作为目标卸料口状态向量,控制煤炭灌装系统将卸料口大小调整为目标卸料口状态向量对应的最小卸料口大小;当实时煤粉尘浓度小于或等于第一卸料口状态向量阈值中的每个最终煤粉尘浓度阈值时,保持卸料口大小不变;其中调整卸料口大小的目的是,在有必要的情况下,保守控制卸料口大小,减少煤炭损耗量和扬尘;
基于目标历史样本所属类别的最小高度阈值和高度峰值阈值,当实时最小煤炭灌装高度等于最小高度阈值时,控制煤炭灌装系统关闭卸料口,停止放煤;反之,当实时最小煤炭灌装高度不等于最小高度阈值时,继续放煤;
当实时高度峰值系数小于高度峰值阈值时,说明煤炭灌装系统的工作状态比较稳定,可以继续进行后续车厢灌装,进而控制煤炭灌装系统继续进行煤炭装车;当实时高度峰值系数大于高度峰值阈值时,控制煤炭灌装系统停止煤炭装车,并发出预警让后续车辆切换煤炭灌装系统,且通知工作人员对煤炭灌装系统进行检修。
综上所述,本发明实施例在煤炭灌装系统对一节车厢进行煤炭装车的过程中,获取车厢的灌装特征向量和卸料口状态向量;将设定数量节车厢分为预设数量个类别;获取每个类别下的最小高度阈值、高度峰值阈值以及卸料口状态向量阈值;获取每节车厢的灌装特征向量的随机因子;利用随机因子将车厢的灌装特征向量划分为正常样本和异常样本;利用正常样本和异常样本训练二分类模型;利用训练好的二分类模型、每个类别下的最小高度阈值、高度峰值阈值和卸料口状态向量阈值控制煤炭灌装系统的运行参数进行煤炭装车。本发明通过控制煤炭灌装系统的运行参数而提高了煤炭装载效率。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种智能的煤炭装车系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种智能的煤炭装车方法实施例中的步骤,例如图1所示的步骤。该一种智能的煤炭装车方法在上述实施例中已经详细说明,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种智能的煤炭装车方法,其特征在于,该方法包括以下步骤:
在煤炭灌装系统对一节车厢进行煤炭装车的过程中,通过采集筒仓的环境信息和放料流量、煤炭灌装系统的关闭时间和煤炭灌装高度,获取车厢的灌装特征向量;采集卸料口处的煤粉尘浓度和卸料口大小获取车厢对应的卸料口状态向量;
基于车厢顺序分别获取设定数量节车厢的灌装特征向量和对应的卸料口状态向量,基于灌装特征向量将设定数量节车厢分为预设数量个类别;根据每节车厢对应的煤炭灌装高度获取每个类别下的最小高度阈值和高度峰值阈值,根据每节车厢对应的卸料口状态向量获取每个类别下的卸料口状态向量阈值;
根据车厢顺序获取每节车厢的灌装特征向量的随机因子;利用随机因子将车厢的灌装特征向量划分为正常样本和异常样本;利用正常样本和异常样本训练二分类模型;
利用训练好的二分类模型、每个类别下的最小高度阈值、高度峰值阈值和卸料口状态向量阈值控制煤炭灌装系统的运行参数进行煤炭装车;
所述灌装特征向量的获取方法,包括:
环境参数包括温度和湿度,根据每个采样时刻下的温度和湿度分别计算温度均值和湿度均值,计算温度均值与设定适宜温度的第一差值以及湿度均值与设定适宜湿度的第二差值,将第一差值与设定适宜温度的第一比值乘以第二差值与设定适宜湿度的第二比值,得到乘积的绝对值,将乘积的绝对值的相反数作为自然常数的指数,得到的结果作为环境参数;
基于采样频率得到放料流量构成的放料流量序列,将放料流量序列中的最大放料流量、最小放料流量和放料流量均值构成参考特征向量,获取参考特征向量与标准参考特征向量的余弦相似度作为放料流量变化值;
对于任意一节车厢,计算该车厢与该车厢之前相邻的第一预设数量节车厢对应的煤炭灌装系统的关闭时间的平均值,分别获取每节车厢的关闭时间与平均值的第一差值绝对值,将第一差值绝对值的均值作为自然常数的指数,得到的结果作为该车厢对应的系统损失值;
以系统损失值与预设值的相加结果为分母、环境参数为分子得到对应的比值,将比值与放料流量变化值的乘积作为对应车厢的煤炭灌装系统的工作稳定程度;
分别获取每个采样时刻下最大煤炭灌装高度与最小煤炭灌装高度之间的高度比值,取高度比值的中值作为最小高度峰值系数,计算车厢与车厢之前相邻的第一预设数量节车厢的最小高度峰值系数的均值作为车厢的高度峰值系数;
将环境参数、放料流量变化值、系统损失值、工作稳定程度、最小高度峰值系数和高度峰值系数构成车厢的灌装特征向量;
所述采集卸料口处的煤粉尘浓度和卸料口大小获取车厢对应的卸料口状态向量的方法,包括:
基于采样频率获取每节车厢的煤粉尘浓度序列,将车厢的上一节车厢的煤粉尘浓度序列的煤粉尘浓度均值作为车厢的煤粉尘浓度阈值;在车厢的煤粉尘浓度大于煤粉尘浓度阈值时,减小卸料口大小,在车厢的煤粉尘浓度小于煤粉尘浓度阈值时,增大卸料口大小,在车厢的煤粉尘浓度等于煤粉尘浓度阈值时,保持卸料口大小不变;
计算车厢在设定时段内的煤粉尘浓度均值作为新煤粉尘浓度阈值,当新煤粉尘浓度阈值与煤粉尘浓度阈值之间的差值绝对值大于差值阈值时,保持煤粉尘浓度阈值不变,当新煤粉尘浓度阈值与煤粉尘浓度阈值之间的差值绝对值小于或等于差值阈值时,将煤粉尘浓度阈值更新为新煤粉尘浓度阈值;
基于煤粉尘浓度阈值的更新得到车厢在煤炭装车的过程中的最小卸料口大小和最终煤粉尘浓度阈值,将最终煤粉尘浓度阈值和最小卸料口大小组成车厢对应的卸料口状态向量。
2.如权利要求1所述的一种智能的煤炭装车方法,其特征在于,所述基于灌装特征向量将设定数量节车厢分为预设数量个类别的方法,包括:
计算任意两个灌装特征向量之间的余弦距离作为样本距离,基于样本距离,利用K-medoids聚类算法将设定数量节车厢分为预设数量个类别。
3.如权利要求1所述的一种智能的煤炭装车方法,其特征在于,所述根据每节车厢对应的煤炭灌装高度获取每个类别下的最小高度阈值和高度峰值阈值的方法,包括:
取任意一节车厢为目标车厢,分别获取目标车厢与目标车厢之前相邻的第一预设数量节车厢达到标准载重时的最大煤炭灌装高度和最小煤炭灌装高度,取所有的最大煤炭灌装高度的最小值、所有的最小煤炭灌装高度的最大值,将最大值和最小值之间的较大值作为目标车厢的高度阈值;
取类别中车厢的高度阈值的最大值作为对应类别的最小高度阈值;
计算类别中所有车厢对应的高度峰值系数的平均值作为对应类别的高度峰值阈值。
4.如权利要求1所述的一种智能的煤炭装车方法,其特征在于,所述根据每节车厢对应的卸料口状态向量获取每个类别下的卸料口状态向量阈值的方法,包括:
将类别下每个车厢对应的卸料口状态向量组成卸料口状态向量集合作为对应类别的卸料口状态向量阈值。
5.如权利要求1所述的一种智能的煤炭装车方法,其特征在于,所述根据车厢顺序获取每节车厢的灌装特征向量的随机因子的方法,包括:
根据每节车厢对应车厢顺序的数值,取任意一节车厢作为目标车厢,分别计算目标车厢与目标车厢所属类别中每个其他车厢之间对应车厢顺序的数值的第一差值绝对值,将最小的第一差值绝对值作为目标车厢的灌装特征向量的随机因子。
6.如权利要求1所述的一种智能的煤炭装车方法,其特征在于,所述利用随机因子将车厢的灌装特征向量划分为正常样本和异常样本的方法,包括:
对每节车厢的随机因子进行归一化,得到归一化随机因子;
将灌装特征向量中的环境参数、放料流量变化值、系统损失值和工作稳定程度组成第一特征向量,基于每节车厢的第一特征向量,利用LOF算法分别计算每节车厢对应的局部离群因子;
将归一化随机因子与局部离群因子的乘积作为分子、常数1与工作稳定程度的相加结果作为分母得到的比值作为对应车厢的灌装随机性指数;
设置灌装随机性阈值,将灌装随机性指数大于灌装随机性阈值对应车厢的灌装特征向量作为异常样本、灌装随机性指数小于或等于灌装随机性阈值对应车厢的灌装特征向量作为正常样本。
7.如权利要求1所述的一种智能的煤炭装车方法,其特征在于,所述利用训练好的二分类模型、每个类别下的最小高度阈值、高度峰值阈值和卸料口状态向量阈值控制煤炭灌装系统的运行参数进行煤炭装车的方法,包括:
将实时灌装特征向量输入训练好的二分类模型中,得到二分类模型的响应值;
当响应值大于响应值阈值时,控制煤炭灌装系统的运行参数不变;
当响应值小于或等于响应值阈值时,
基于实时灌装特征向量和历史样本之间的余弦距离,得到最小余弦距离对应的历史样本作为目标历史样本,所述历史样本为训练二分类模型时的正常样本和异常样本;将目标历史样本所属类别的卸料口状态向量阈值作为第一卸料口状态向量阈值,分别计算第一卸料口状态向量阈值中小于实时煤粉尘浓度的最终煤粉尘浓度阈值与实时煤粉尘浓度的差值绝对值,获取最小差值绝对值对应的最终煤粉尘浓度阈值所在的卸料口状态向量作为目标卸料口状态向量,控制煤炭灌装系统将卸料口大小调整为目标卸料口状态向量对应的最小卸料口大小;当实时煤粉尘浓度小于或等于第一卸料口状态向量阈值中的每个最终煤粉尘浓度阈值时,保持卸料口大小不变;
基于目标历史样本所属类别的最小高度阈值和高度峰值阈值,当实时最小煤炭灌装高度等于最小高度阈值时,控制煤炭灌装系统关闭卸料口;当实时高度峰值系数小于高度峰值阈值时,控制煤炭灌装系统继续进行煤炭装车,当实时高度峰值系数大于高度峰值阈值时,控制煤炭灌装系统停止煤炭装车。
8.一种智能的煤炭装车系统,其特征在于,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时实现权利要求1-7的任意一项所述一种智能的煤炭装车方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211635945.1A CN115611029B (zh) | 2022-12-20 | 2022-12-20 | 一种智能的煤炭装车方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211635945.1A CN115611029B (zh) | 2022-12-20 | 2022-12-20 | 一种智能的煤炭装车方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115611029A CN115611029A (zh) | 2023-01-17 |
CN115611029B true CN115611029B (zh) | 2023-03-31 |
Family
ID=84880571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211635945.1A Active CN115611029B (zh) | 2022-12-20 | 2022-12-20 | 一种智能的煤炭装车方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115611029B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116674961A (zh) * | 2023-07-04 | 2023-09-01 | 太原易思软件技术有限公司 | 一种基于车厢料位高度的放料控制方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007009666A1 (de) * | 2007-02-22 | 2008-08-28 | Carl Zeiss Microimaging Gmbh | Anordnung zum Befüllen eines Behälters mit Schüttgut |
CN105398839A (zh) * | 2015-12-17 | 2016-03-16 | 洛阳瑞临煤炭物资有限公司 | 一种煤炭灌装卸料伸缩装置 |
CN109319525A (zh) * | 2018-11-16 | 2019-02-12 | 西安中科光电精密工程有限公司 | 一种整垛装车的智能重载装车系统及方法 |
CN113291862A (zh) * | 2021-05-28 | 2021-08-24 | 山东锦德荣工业装备有限公司 | 一种智能快速装车系统 |
CN215710236U (zh) * | 2021-08-04 | 2022-02-01 | 湖北恒子工程技术有限公司 | 一种罐装车用的智能装车系统 |
-
2022
- 2022-12-20 CN CN202211635945.1A patent/CN115611029B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115611029A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109733390B (zh) | 一种基于驾驶人特性的自适应换道预警方法 | |
CN115611029B (zh) | 一种智能的煤炭装车方法及系统 | |
CN109542081B (zh) | 一种基于线下车辆减速度曲线的线上行车危险估计方法 | |
US9254824B2 (en) | Adaptive anti-collision method for vehicle | |
CN108162955B (zh) | 一种具有时滞辨识和补偿功能的车辆主动防侧翻控制系统 | |
CN110435647B (zh) | 一种基于滚动优化参数的ttc的车辆安全防撞控制方法 | |
RU2427480C1 (ru) | Способ и устройство для поддерживания стратегии регулирования для вождения транспортного средства | |
CN102186693A (zh) | 车辆以及提醒车辆的驾驶员的方法 | |
Marzbanrad et al. | Space control law design in adaptive cruise control vehicles using model predictive control | |
WO2019011268A1 (zh) | 基于博弈论的驾驶员辅助系统决策方法、系统及其他 | |
US20200307577A1 (en) | Interpreting data of reinforcement learning agent controller | |
CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
Wasserburger et al. | A probability-based short-term velocity prediction method for energy-efficient cruise control | |
CN114222987A (zh) | 用于量化车辆路径跟随性能的方法 | |
US11679759B2 (en) | System and method for adaptive control of vehicle dynamics | |
CN112550290B (zh) | 一种考虑电机能耗的能量最优自适应巡航控制方法及系统 | |
CN116008820B (zh) | 针对车辆电池单体不一致性的检测方法、设备和介质 | |
CN111859815B (zh) | 一种电池报警特征数据的模式聚类方法与事故特征识别技术 | |
CN112767698B (zh) | 一种基于小步长调整的自适应交通事件检测方法 | |
Li et al. | Modeling and verification of heavy-duty truck drivers’ car-following characteristics | |
CN113954844A (zh) | 一种智能汽车人机驾驶模式切换系统 | |
CN117932234B (zh) | 一种用于制作刹车标定表的数据处理方法及系统 | |
CN118070154B (zh) | 一种基于lstm神经网络驾驶疲劳判别方法和装置 | |
Shen et al. | Data-driven predictive connected cruise control | |
CN117719524B (zh) | 一种驾驶安全风险识别预警方法、装置、终端及存储介质 |
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 |