CN115857336A - 悬臂式斗轮机防碰撞的方法、装置和设备 - Google Patents
悬臂式斗轮机防碰撞的方法、装置和设备 Download PDFInfo
- Publication number
- CN115857336A CN115857336A CN202211465901.9A CN202211465901A CN115857336A CN 115857336 A CN115857336 A CN 115857336A CN 202211465901 A CN202211465901 A CN 202211465901A CN 115857336 A CN115857336 A CN 115857336A
- Authority
- CN
- China
- Prior art keywords
- principal component
- bucket wheel
- cantilever
- wheel machine
- sample data
- 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 46
- 239000013598 vector Substances 0.000 claims abstract description 103
- 239000000463 material Substances 0.000 claims abstract description 60
- 238000000513 principal component analysis Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000005094 computer simulation Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Abstract
本公开提出了一种悬臂式斗轮机防碰撞的方法、装置和设备，具体包括：获取悬臂式斗轮机的当前运行参数；对当前运行参数进行主成分分析，得到主成分向量；基于主成分向量，预测悬臂式斗轮机的悬臂在下一时间点与物料的碰撞结果，并基于碰撞结果控制悬臂式斗轮机的运行轨迹，从而实现防止悬臂式斗轮机的悬臂与物料发生碰撞。
Description
技术领域
本公开涉及自动控制技术领域，尤其涉及一种悬臂式斗轮机防碰撞的方法、装置和设备。
背景技术
目前，利用悬臂式斗轮机进行散货的堆取料作业是散货港口、燃煤电厂、钢铁厂等主要作业方式。在通过悬臂式斗轮进行堆取料作业的过程中，由于悬臂的回旋和俯仰等机械运动，导致悬臂可能与的物料发生碰撞，从而影响悬臂运行的安全性。因此，如何避免悬臂与物料的碰撞，从而提高悬臂运行的安全性是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本公开提出了一种悬臂式斗轮机防碰撞的方法、装置和设备，可以有效防止悬臂回旋过程中与物料发生碰撞，从而提高悬臂运行的安全性。
根据本公开的第一方面，提供了一种悬臂式斗轮机防碰撞的方法，包括：
获取悬臂式斗轮机的当前运行参数；
对所述当前运行参数进行主成分分析，得到主成分向量；
基于所述主成分向量，预测所述悬臂式斗轮机的悬臂在下一时间点与物料的碰撞结果，并基于所述碰撞结果控制所述悬臂式斗轮机的运行轨迹，以防止所述悬臂式斗轮机的悬臂与所述物料发生碰撞。
在一种可能的实现方式中，在对所述当前运行参数进行主成分分析，得到主成分向量时，基于预先构建的主成分计算模型实现。
在一种可能的实现方式中，还包括构建所述主成分计算模型的步骤；
在构建所述主成分计算模型时，包括：
获取历史运行参数的样本数据，构建样本数据矩阵；
基于所述样本数据矩阵，计算各所述运行参数对应的特征值和特征向量；
基于各所述运行参数对应的特征值和特征向量，构建所述主成分计算模型。
在一种可能的实现方式中，在基于各所述运行参数对应的特征值和特征向量，构建所述主成分计算模型时，包括：
基于各所述运行参数对应的特征值，计算各所述运行参数对应的所述碰撞结果的累加贡献率；
基于各所述运行参数对应的所述累加贡献率，由各所述特征向量中确定出用于构建所述主成分的特征向量；
基于构建所述主成分的特征向量，构建所述主成分计算模型。
在一种可能的实现方式中，在基于所述主成分向量，预测所述悬臂式斗轮机的悬臂在下一时间点与物料的碰撞结果时，基于预先构建的二分类机器学习模型实现。
在一种可能的实现方式中，还包括构建所述二分类机器学习模型的步骤；
在构建所述二分类机器学习模型时，包括：
获取运行参数的样本数据；
对所述运行参数的样本数据进行主成分分析，得到样本数据对应的主成分向量，并对所述样本数据对应的主成分向量添加表征所述悬臂在下一时间点是否会与所述物料发生碰撞的标签；
基于所述样本数据对应的主成分向量和所述标签，对二分类机器模型的模型参数进行训练，得到所述二分类机器学习模型。
在一种可能的实现方式中，所述二分类机器学习模型可以是逻辑回归模型或者支持向量机模型中的至少一种。
在一种可能的实现方式中，所述当前运行参数包括当前物料位置，其中，所述当前物料位置基于安装在悬臂前端的激光扫描仪获取。
根据本公开的第二方面，提供了一种悬臂式斗轮机防碰撞的装置，包括：
数据采集模块，获取悬臂式斗轮机的当前运行参数；
主成分计算模块，用于对所述当前运行参数进行主成分分析，得到主成分向量；
碰撞结果预测模块，用于基于所述主成分向量，预测所述悬臂式斗轮机的悬臂在下一时间点与物料的碰撞结果，并基于所述碰撞结果控制所述悬臂式斗轮机的运行轨迹，以防止所述悬臂式斗轮机的悬臂与所述物料发生碰撞。
根据本公开的第三方面，提供了一种悬臂式斗轮机防碰撞的设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行本公开第一方面所述的方法。
本公开中的悬臂式斗轮机防碰撞的方法包括：获取悬臂式斗轮机的当前运行参数；对当前运行参数进行主成分分析，得到主成分向量；基于主成分向量，预测悬臂式斗轮机的悬臂在下一时间点与物料的碰撞结果，并基于碰撞结果控制悬臂式斗轮机的运行轨迹，从而实现防止悬臂式斗轮机的悬臂与物料发生碰撞。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的悬臂式斗轮机防碰撞的方法流程图；
图2示出根据本公开一实施例的悬臂式斗轮机的机械结构示意图；
图3示出根据本公开一实施例的另一悬臂式斗轮机的机械结构示意图；
图4示出根据本公开一实施例的左侧激光扫描仪安装支架的机械结构示意图；
图5示出根据本公开一实施例的另一左侧激光扫描仪安装支架的机械结构示意图；
图6示出根据本公开一实施例的悬臂式斗轮机防碰撞装置的示意性框图；
图7示出根据本公开一实施例的悬臂式斗轮机防碰撞设备的示意性框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
<方法实施例>
图1示出根据本公开一实施例的悬臂式斗轮机防碰撞的方法流程图。如图1所示，该方法包括步骤S1100-S1300。
S1100，获取悬臂式斗轮机的当前运行参数。
在悬臂式斗轮机的运行过程中，将实时获取对悬臂与物料的碰撞结果有影响的运行参数，其中，在当前时刻获取的运行参数即为当前运行参数。
在一种可能的实现方式中，运行参数可以包括斗轮机姿态数据、悬臂回旋动作速度、悬臂俯仰动作速度和物料位置中的至少两种。其中，斗轮机姿态数据可以包括斗轮机回转(俯仰)中心的位置坐标、斗轮机的回转角度(即图2中的角α)、斗轮机的俯仰角度(即图3中的角β)以及斗轮中心的位置坐标中的至少一种。其中，斗轮机回转(俯仰)中心的位置坐标、斗轮机的回转角度和俯仰角度、悬臂回旋动作速度、悬臂俯仰动作速度可以通过预先配置的信息采集装置实时获取。
此处需要说明的是，在获取斗轮中心的位置坐标时，需要先获取斗轮机回转(俯仰)中心的位置坐标、斗轮机的回转角度和俯仰角度以及斗轮机的机械结构参数，然后再基于斗轮机回转(俯仰)中心的位置坐标、斗轮机的回转角度和俯仰角度以及斗轮机的机械结构参数计算出斗轮中心的位置坐标。其中，斗轮机机械结构参数可以包括斗轮机回转(俯仰)中心到斗轮中心的水平距离(即图2中的R)、斗轮中心到悬臂中线所在的垂直面的水平距离(即图2中的d)、斗轮机回转(俯仰)中心到斗轮中心与悬臂中线所在的垂直面的垂直交点O的距离(即图2中的L)以及斗轮中心到俯仰水平面的竖直高度(即图3中的h)中的至少一种。其中，在悬臂位于水平状态时，该俯仰水平面即为悬臂中线所在的水平面。
在该可实现方式中，在基于斗轮机回转(俯仰)中心的位置坐标、斗轮机的回转角度和俯仰角度以及斗轮机的机械结构参数计算出斗轮中心的位置坐标时，基于公式(1)-公式(4)实现。
R2＝L2+d2(1)
Z＝z+L*sin(β)+h*cos(β)(4)
式中，(X，Y，Z)为斗轮中心的位置坐标，(x，y，z)为斗轮机回转(俯仰)中心的位置坐标，R为斗轮机回转(俯仰)中心到斗轮中心的水平距离，L为斗轮机回转(俯仰)中心到斗轮中心与悬臂中心线在水平面上的垂直交点O的水平距离，d为斗轮中心到悬臂中线所在的垂直面的水平距离，α为斗轮机的回转角度，β为斗轮机的俯仰角度，h为斗轮中心到俯仰水平面的竖直高度。
在一种可能的实现方式中，物料位置是基于安装在悬臂前端的激光扫描仪获取的。具体地，参见图2，在斗轮机靠近回转(俯仰)中心的一侧的悬臂左右两侧分别设置一个激光扫描仪。在悬臂向右侧回转的过程中，通过设置在右侧的激光扫描仪获取物料相对于右侧激光扫描仪的位置信息。在悬臂向左侧回旋的过程中，通过设置在左侧的激光扫描仪获取物料相对于左侧激光扫描仪的位置信息。在获取到物料相对于激光扫描仪的位置后，便可以结合激光扫描仪的位置坐标计算出物料位置。其中，激光扫描仪的位置坐标可以是激光扫描仪中心的位置坐标。
下面以左侧激光扫描仪为例，对通过设置在左侧的激光扫描仪获取物料相对于左侧激光扫描仪的位置信息的过程进行说明。
首先，确定左侧激光扫描仪的位置坐标。
在一种可能的实现方式中，左侧激光扫描仪的位置坐标的是基于斗轮机回转(俯仰)中心的位置坐标、斗轮机的回转角度和俯仰角度以及左侧激光扫描仪安装支架的机械结构参数计算出来的。其中，左侧激光扫描仪安装支架的机械结构参数可以包括斗轮机回转(俯仰)中心到左侧激光扫描仪中心的水平距离(即图4中的R1)、斗轮机回转(俯仰)中心到左侧激光扫描仪中心与悬臂中心线在水平面上的垂直交点O1的水平距离(即图4中的L1)、左侧激光扫描仪中心到悬臂中线所在的垂直面的水平距离(即图4中的d1)以及左侧激光扫描仪中心到俯仰水平面的竖直高度(即图5中的h1)。
在该可实现方式中，在基于斗轮机回转(俯仰)中心的位置坐标、斗轮机的回转角度和俯仰角度以及左侧激光扫描仪安装支架的机械结构参数计算左侧激光扫描仪中心的位置坐标时，可以基于公式(5)-公式(8)实现。
R12＝L12+d12(5)
Z1＝z+L1*sin(β)+h1*cos(β) (8)
式中，(X1，Y1，Z1)为左侧扫描仪中心的位置坐标，(x，y，z)为斗轮机回转(俯仰)中心的位置坐标，R1为斗轮机回转(俯仰)中心到左侧激光扫描仪中心的水平距离，L1为斗轮机回转(俯仰)中心到左侧激光扫描仪中心与悬臂中心线在水平面上的垂直交点O1的水平距离，d1为左侧激光扫描仪中心到悬臂中线所在的垂直面的水平距离，α为斗轮机的回转角度，β为斗轮机的俯仰角度，h1为左侧激光扫描仪中心到俯仰水平面的竖直高度。
其次，根据左侧激光扫描仪中心的位置坐标，结合左侧激光扫描仪获取到的物料相对与左侧激光扫描仪的位置信息确定出位于悬臂左侧的物料位置。具体地，可以将左侧激光扫描仪中心的位置坐标与物料相对与左侧激光扫描仪的位置信息进行求和，以得到位于悬臂左侧的物料位置。
通过设置在右侧的激光扫描仪获取物料相对于右侧激光扫描仪的位置信息的过程与左侧相同，在此不再赘述。
此处需要说明的是，激光扫描仪因为通过支架安装在悬臂两侧探出去的位置，因此在悬臂回转的过程中可以比悬臂先行运动到物料的上方位置，故而根据激光扫描仪获取的当前物料位置可以对悬臂是否会与物料发生碰撞做出预判。
S1200，对当前运行参数进行主成分分析，得到主成分向量。
此处需要说明的是，在悬臂式斗轮机的作业过程中，斗轮机姿态数据、悬臂回旋动作速度、悬臂俯仰动作速度和物料位置等多种运行参数均会对碰撞结果产生影响，如果基于所有对碰撞结果有影响的运行参数进行碰撞结果预测，将会增加碰撞结果预测的计算量和复杂性。为了降低碰撞结果预测的计算量和复杂性，在本公开中，先通过主成分分析法将对碰撞结果有影响的多个运行参数浓缩为几个互不相关的主成分，以排除各运行参数之间的相互影响。接着，基于互不相关的主成分组成主成分向量。最后在基于主成分向量，预测悬臂的碰撞结果。
在一种可能的实现方式中，在执行步骤S1200之前，需要先构建主成分计算模型，然后基于主成分模型对获取的当前运行参数进行主成分分析，以得到对悬臂碰撞结果有影响的主成分向量。
下面以运行参数的n条样本数据为例，对主成分计算模型的构建步骤进行说明。其中，主成分计算模型的构建步骤包括S1210-S1230。
S1210，获取历史运行参数的样本数据，构建样本数据矩阵。
假设在悬臂式斗轮机的运行过程中，采集n条历史运行参数的样本数据，每条样本数据中均包括p个按序排列的对碰撞结果有影响的运行参数，则可以根据采集到的n条样本数据，构建如公式(9)所示的n*p的样本数据矩阵Xn*。
式中，Xn*为样本数据矩阵，xij表示第i个样本中第j个运行参数的参数值，xp表示由第p个运行参数对应的n个样本值所构成的列向量。
此处需要说明的是，在运行参数通过多个数值表征时，该运行参数中的每一个数值都将作为样本数据矩阵Xn*中的元素值。
S1220，基于样本数据矩阵，计算各运行参数对应的特征值和特征向量。
在一种可能的实现方式中，基于样本数据矩阵，计算各运行参数对应的特征值和特征向量时，包括步骤S1221-S1220。
S1221，对样本数据矩阵进行标准化处理，得到标准化样本数据矩阵。
首先，采用公式(10)对样本数据矩阵按列计算均值。
式中，
表示第j个运行参数的均值，n为样本数据的个数。
其次，采用公式(11)对样本数据矩阵按列计算标准差。
式中，sj表示第j个运行参数的标准差。
最后，采用公式(12)将样本数据矩阵中的元素xij转换为标准化数据Xij，以得到如公式(13)所示的标准化样本数据矩阵。
式中，Xij表示样本数据矩阵中元素xij的标准化数据，X表征标准化样本数据矩阵，Xp表示由第p个运行参数对应的n个样本值的标准化数据所构成的列向量。
S1222，计算标准化样本数据矩阵的协方差矩阵，并基于协方差矩阵计算各运行参数对应的特征值和特征向量。
具体地，采用公式(14)计算出标准化样本数据矩阵的协方差矩阵，其中，协方差矩阵可以如公式(15)所示。
式中，R表示标准化样本数据矩阵的协方差矩阵，rij表示协方差矩阵中的元素。
在得到标准化样本数据矩阵的协方差矩阵R后，便可以计算出协方差矩阵R对应的：
特征值：λ1,λ2,…,λp
特征向量：
此处需要说明的是，得到的p个特征值和p个特征向量分别与p个运行参数相对应。例如，样本数据矩阵中第一列对应的元素值为各样本数据中的悬臂回旋动作速度，则悬臂回旋动作速度对应的特征值即为λ1，对应的特征向量即为a1。又如，样本数据矩阵中第二列对应的元素值为各样本数据中的悬臂俯仰动作速度，则悬臂俯仰动作速度对应的特征值即为λ2，对应的特征向量即为a2。再如，样本数据矩阵中第三列对应的元素值为各样本数据中的斗轮中心x坐标，则斗轮中心x坐标对应的特征值即为λ3，对应的特征向量即为a3。再如，样本数据矩阵中第四列对应的元素值为各样本数据中的斗轮中心y坐标，则斗轮中心y坐标对应的特征值即为λ4，对应的特征向量即为a4。再如，样本数据矩阵中第五列对应的元素值为各样本数据中的斗轮中心z坐标，则斗轮中心z坐标对应的特征值即为λ5，对应的特征向量即为a5。依此类推，即可得到各运行参数对应的特征值和特征向量，在此不再赘述。
S1230，基于各运行参数对应的特征值和特征向量，构建主成分计算模型。
在一种可能的实现方式中，在基于各运行参数对应的特征值和特征向量，构建主成分计算模型时，可以包括步骤S1231-S1233。
S1231，基于各运行参数对应的特征值，计算各运行参数对应的悬臂碰撞结果的累加贡献率。
首先，采用公式(16)计算各运行参数对应的主成分贡献率。
式中，
表示按序排列的第i个运行参数对应的主成分贡献率。
其次，采用公式(17)按序计算各运行参数对应的累加贡献率。
式中，
表示按序排列的第i个运行参数对应的累加贡献率。
举例来说，在计算出各运行参数对应的主成分贡献率后，先将排序第一的运行参数对应的主成分贡献率作为其对应的累加贡献率。接着将排序第一的运行参数对应的累加贡献率与排序第二的运行参数对应的主成分贡献率之和作为排序第二的运行参数对应的累加贡献率。接着将排序第二的运行参数对应的累加贡献率与排序第三的运行参数对应的主成分贡献率之和作为排序第三的运行参数对应的累加贡献率，依次类推，便可以计算出各运行参数对应的累加贡献率。
S1232，基于各运行参数对应的累加贡献率，由各特征向量中确定出用于构建主成分的特征向量。
在一种可能的实现方式中，在基于各运行参数对应的累加贡献率，由各特征向量中确定出用于构建主成分的特征向量时，基于预设的累加贡献率阈值实现。其中，该累加贡献率阈值的取值范围可以是90％-95％。
具体地，在按序计算各运行参数对应的累加贡献率时，在当前运行参数对应的累加贡献率大于累加贡献率阈值的情况下，将当前运行参数以及排在当前运行参数之前的各运行参数作为对悬臂碰撞有主要影响的运行参数，进而将对悬臂碰撞有主要影响的各运行参数对应的特征向量筛选出来作为用于构建主成分的特征向量。
举例来说，在按序排列的运行参数分别为悬臂回旋动作速度、悬臂俯仰动作速度、斗轮中心x坐标、斗轮中心y坐标和斗轮中心z坐标的可实现方式中：
先参照公式(9)-公式(15)计算出的悬臂回旋动作速度对应的特征值为λ1，特征向量为a1；悬臂俯仰动作速度对应的特征值为λ2，特征向量为a2；斗轮中心x坐标对应的特征值为λ3，特征向量为a3；斗轮中心y坐标对应的特征值为λ4，特征向量为a4；斗轮中心z坐标对应的特征值为λ5，特征向量为a5。
再参照公式(16)-公式(17)依次计算悬臂回旋动作速度、悬臂俯仰动作速度、斗轮中心x坐标、斗轮中心y坐标和斗轮中心z坐标对应的累加贡献率。在依次计算各运行参数对应的累加贡献率时，若当前运行参数斗轮中心x坐标对应的累加贡献率大于90％的累加贡献率阈值，则将当前运行参数斗轮中心x坐标以及排在斗轮中心x坐标之前的悬臂回旋动作速度以及悬臂俯仰动作速度作为对悬臂碰撞有主要影响的运行参数，进而将悬臂回旋动作速度对应的特征向量a1，悬臂俯仰动作速度对应的特征向量a2以及斗轮中心x坐标对应的特征向量a3筛选出来作为用于构建主成分的特征向量。
S1233，基于构建主成分的特征向量，构建主成分计算模型。
此处需要说明的是，主成分计算模型的数量与构建主成分的特征向量的数量相同。也就是说，步骤S1232中筛选出几个特征向量便对应可以对应构建出几个主成分计算模型。
在一种可能的实现方式中，基于构建主成分的特征向量构建出的主成分计算模型可以如公式(18)所示。
Fi＝a1iX1+a2iX2+…+apiXp (18)
式中，Fi表示基于筛选出的特征向量ai计算出的主成分，a1i-api表示特征向量ai中的p个元素，X1-Xp表示p个对碰撞结果有影响的运行参数。
举例来说，在步骤S1232中筛选出的3个特征向量分别为：a1、a2和a3的情况下，可以分别基于a1、a2和a33个特征向量构建出3个主成分计算模型。
其中，根据特征向量a1构建出的主成分计算模型可以如公式(19)所示。
F1＝a11X1+a21X2+…+ap1Xp (19)
根据特征向量a2构建出的主成分计算模型可以如公式(20)所示。
F2＝a12X1+a22X2+…+ap2Xp (20)
根据特征向量a3构建出的主成分计算模型可以如公式(21)所示。
F3＝a13X1+a23X2+…+ap3Xp (21)
在完成主成分计算模型的构建后便可以将当前运行参数X1-Xp带入构建好的主成分计算模型，以得到影响悬臂碰撞结果的主成分，进而基于得到的各主成分便构建出主成分向量。
举例来说，在预先构建的主成分计算模型包括公式(19)-公式(21)所示的主成分计算模型的可实现方式中，可以将当前运行参数X1-Xp分别带入公式(19)-公式(21)，计算出当前运行参数X1-Xp对应的3个主成分F1-F3。并将由主成分F1-F3组成的向量作为主成分向量。
S1300，基于步骤S1200计算出的主成分向量，预测悬臂式斗轮机的悬臂在下一时间点与物料的碰撞结果，并基于悬臂碰撞结果控制悬臂式斗轮机的运行轨迹，以防止悬臂式斗轮机的悬臂与物料发生碰撞。其中，下一时间点基于悬臂式斗轮机运行参数的采样间隔和当前时间点确定。例如，当前时间点为A，悬臂式斗轮机运行参数的采样间隔为B，则下一时间点为A+B。该采样时间间隔可以是100ms。
在一种可能的实现方式中，在基于主成分向量，预测悬臂式斗轮机的悬臂在下一时间点与物料的碰撞结果时，基于预先构建的二分类机器学习模型实现。其中，该二分类机器学习模型可以是逻辑回归模型或者支持向量机模型中的至少一种。
此处需要说明的是，在执行步骤S1300之前，还需要构建二分类机器学习模型，以通过构建的二分类机器学习模型预测碰撞结果。
在一种可能的实现方式中，在构建二分类机器学习模型时，可以包括步骤S1310-S1330。
S1310，获取运行参数的样本数据。获取该样本数据的步骤可以参照步骤S1210，在此不再赘述。
S1320，对运行参数的样本数据进行主成分分析，得到样本数据对应的主成分向量，并对样本数据对应的主成分向量添加表征悬臂在下一时间点是否会与物料发生碰撞的标签。
针对每条样本数据，将p个运行参数分别输入预先构建各主成分计算模型，得到对应的各主成分Fi，并基于得到的各主成分Fi构建主成分向量。举例来说，主成分计算模型包括公式(19)-公式(21)时，将当前样本数据中的p个运行参数分别输入至公式(19)-公式(21)，将得到F1-F3三个主成分，将F1-F3三个主成分作为主成分向量的元素值，即可得到当前样本数据对应的主成分向量。
进一步地，对于每条样本数据，还同时记录了在此样本数据下，悬臂在下一时刻是否会与物料发生了碰撞，因此，在得到当前样本数据对应的主成分向量后，如果当前样本数据下，悬臂在下一时刻未与物料发生碰撞，则将当前样本数据对应的主成分向量对应的标签设置为0；如果当前样本数据下，悬臂在下一时刻会与物料发生了碰撞，则将当前样本数据对应的主成分向量对应的标签设置为1。
参见上述步骤可以得到各样本数据对应的主成分向量和标签。
S1330，基于样本数据对应的主成分向量和标签，对二分类机器模型的模型参数进行训练，得到二分类机器学习模型。
在一种可能的实现方式中，选取的二分类机器模型为如公式(22)所示的逻辑回归模型。
式中，x为步骤S1200中计算出的主成分向量，y为预测的碰撞结果，ω为待训练参数，该待训练参数可以通过机器学习训练求得。
在一种可能的实现方式中，训练ω时，包括以下步骤：
首先，构建如公式(23)所示的代价函数。
式中，m表示样本数据对应的主成分向量的个数，xi表示第i个主成分向量，y(i)表示第i个主成分向量对应的标签，L(w)表示待训练参数w的代价函数。
在构建公式(23)所示的代价函数时，包括以下步骤：
根据公式(22)，可以定义公式(24)和公式(25)所示的条件概率。
由公式(24)和公式(25)可以得到公式(26)。
由公式公式(26)结合公式(22)即可构建出如公式(23)所示的代价函数。
其次，对公式(23)进行取对数，并根据最大似然估计法计算出二分类机器模型中的待训练参数ω。
在训练得到二分类机器模型之后，在基于步骤S1200计算出的当前运行参数对应的主成分向量，预测悬臂碰撞结果时，便可以将当前运行参数对应的主成分向量输入至训练好的二分类机器学习模型中，这样，二分类机器学习模型便可以预测出悬臂在下一时间点与物料的碰撞结果，并碰撞结果发送至控制悬臂回旋的控制系统。在悬臂在下一时间点会与物料发生碰撞时，控制系统将调整悬臂的俯仰角度，以抬高悬臂，防止下一时间点悬臂与物料发生碰撞。在悬臂下一时间点不会与物料发生碰撞时，控制系统将按照原来的运行轨迹控制悬臂进行回旋。
本公开中的悬臂式斗轮机防碰撞的方法包括：获取悬臂式斗轮机的当前运行参数；对当前运行参数进行主成分分析，得到主成分向量；基于主成分向量，预测悬臂式斗轮机的悬臂在下一时间点与物料的碰撞结果，并基于碰撞结果控制悬臂式斗轮机的运行轨迹，从而实现防止悬臂式斗轮机的悬臂与物料发生碰撞。
<装置实施例>
图6示出根据本公开一实施例的悬臂式斗轮机防碰撞装置的示意性框图。如图6所示，该悬臂式斗轮机防碰撞装置100包括：
数据采集模块110，获取悬臂式斗轮机的当前运行参数；
主成分计算模块120，用于对当前运行参数进行主成分分析，得到主成分向量；
碰撞结果预测模块130，用于基于主成分向量，预测悬臂式斗轮机的悬臂在下一时间点与物料的碰撞结果，并基于碰撞结果控制悬臂式斗轮机的运行轨迹，以防止悬臂式斗轮机的悬臂与物料发生碰撞。
在一种可能的实现方式中，主成分计算模块120，在对当前运行参数进行主成分分析，得到主成分向量时，基于预先构建的主成分计算模型实现。
在一种可能的实现方式中，悬臂式斗轮机防碰撞装置100还包主成分计算模型构建模块，该主成分计算模型构建模块，具体用于：
获取运行参数的样本数据，构建样本数据矩阵；
基于样本数据矩阵，计算各运行参数对应的特征值和特征向量；
基于各运行参数对应的特征值和特征向量，构建主成分计算模型。
在一种可能的实现方式中，主成分计算模型构建模块，在基于各运行参数对应的特征值和特征向量，构建主成分计算模型时，具体用于：
基于各运行参数对应的特征值，计算各运行参数对应的碰撞结果的累加贡献率；
基于各运行参数对应的累加贡献率，由各特征向量中确定出用于构建主成分的特征向量；
基于构建主成分的特征向量，构建主成分计算模型。
在一种可能的实现方式中，碰撞结果预测模块130，在基于主成分向量，预测悬臂式斗轮机的悬臂在下一时间点与物料的碰撞结果时，基于预先构建的二分类机器学习模型实现。
在一种可能的实现方式中，悬臂式斗轮机防碰撞装置100还包二分类机器学习模型构建模块，该二分类机器学习模型构建模块，具体用于：
获取运行参数的样本数据；
对运行参数的样本数据进行主成分分析，得到样本数据对应的主成分向量，并对样本数据对应的主成分向量添加表征悬臂在下一时间点是否会与物料发生碰撞的标签；
基于样本数据对应的主成分向量和标签，对二分类机器模型的模型参数进行训练，得到二分类机器学习模型。
在一种可能的实现方式中，二分类机器学习模型可以是逻辑回归模型或者支持向量机模型中的至少一种。
在一种可能的实现方式中，数据采集模块110获取的当前运行参数中包括当前物料位置，其中，当前物料位置基于安装在悬臂前端的激光扫描仪获取。
<设备实施例>
图7示出根据本公开一实施例的悬臂式斗轮机防碰撞设备的示意性框图。如图7所示，该悬臂式斗轮机防碰撞设备200包括处理器210以及用于存储处理器210可执行指令的存储器220。其中，处理器210被配置为执行可执行指令时实现前面任一所述的悬臂式斗轮机防碰撞方法。
此处，应当指出的是，处理器210的个数可以为一个或多个。同时，在本公开实施例的悬臂式斗轮机防碰撞设备200中，还可以包括输入装置230和输出装置240。其中，处理器210、存储器220、输入装置230和输出装置240之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
存储器220作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的悬臂式斗轮机防碰撞方法所对应的程序或模块。处理器210通过运行存储在存储器220中的软件程序或模块，从而执行悬臂式斗轮机防碰撞设备200的各种功能应用及数据处理。
输入装置230可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置240可以包括显示屏等显示设备。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种悬臂式斗轮机防碰撞的方法，其特征在于，包括：
获取悬臂式斗轮机的当前运行参数；
对所述当前运行参数进行主成分分析，得到主成分向量；
基于所述主成分向量，预测所述悬臂式斗轮机的悬臂在下一时间点与物料的碰撞结果，并基于所述碰撞结果控制所述悬臂式斗轮机的运行轨迹，以防止所述悬臂式斗轮机的悬臂与所述物料发生碰撞。
2.根据权利要求1所述的方法，其特征在于，在对所述当前运行参数进行主成分分析，得到主成分向量时，基于预先构建的主成分计算模型实现。
3.根据权利要求2所述的方法，其特征在于，还包括构建所述主成分计算模型的步骤；
在构建所述主成分计算模型时，包括：
获取历史运行参数的样本数据，构建样本数据矩阵；
基于所述样本数据矩阵，计算各所述运行参数对应的特征值和特征向量；
基于各所述运行参数对应的特征值和特征向量，构建所述主成分计算模型。
4.根据权利要求3所述的方法，其特征在于，在基于各所述运行参数对应的特征值和特征向量，构建所述主成分计算模型时，包括：
基于各所述运行参数对应的特征值，计算各所述运行参数对应的所述碰撞结果的累加贡献率；
基于各所述运行参数对应的所述累加贡献率，由各所述特征向量中确定出用于构建所述主成分的特征向量；
基于构建所述主成分的特征向量，构建所述主成分计算模型。
5.根据权利要求1-4中任一项所述的方法，其特征在于，在基于所述主成分向量，预测所述悬臂式斗轮机的悬臂在下一时间点与物料的碰撞结果时，基于预先构建的二分类机器学习模型实现。
6.根据权利要求5所述的方法，其特征在于，还包括构建所述二分类机器学习模型的步骤；
在构建所述二分类机器学习模型时，包括：
获取运行参数的样本数据；
对所述运行参数的样本数据进行主成分分析，得到样本数据对应的主成分向量，并对所述样本数据对应的主成分向量添加表征所述悬臂在下一时间点是否会与所述物料发生碰撞的标签；
基于所述样本数据对应的主成分向量和所述标签，对二分类机器模型的模型参数进行训练，得到所述二分类机器学习模型。
7.根据权利要求6所述的方法，其特征在于，所述二分类机器学习模型可以是逻辑回归模型或者支持向量机模型中的至少一种。
8.根据权利要求1-4中任一项所述的方法，其特征在于，所述当前运行参数包括当前物料位置，其中，所述当前物料位置是基于安装在悬臂前端的激光扫描仪获取。
9.一种悬臂式斗轮机防碰撞装置，其特征在于，包括：
数据采集模块，获取悬臂式斗轮机的当前运行参数；
主成分计算模块，用于对所述当前运行参数进行主成分分析，得到主成分向量；
碰撞结果预测模块，用于基于所述主成分向量，预测所述悬臂式斗轮机的悬臂在下一时间点与物料的碰撞结果，并基于所述碰撞结果控制所述悬臂式斗轮机的运行轨迹，以防止所述悬臂式斗轮机的悬臂与所述物料发生碰撞。
10.一种悬臂式斗轮机防碰撞设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求1至8中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211465901.9A CN115857336B (zh) | 2022-11-22 | 2022-11-22 | 悬臂式斗轮机防碰撞的方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211465901.9A CN115857336B (zh) | 2022-11-22 | 2022-11-22 | 悬臂式斗轮机防碰撞的方法、装置和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115857336A true CN115857336A (zh) | 2023-03-28 |
| CN115857336B CN115857336B (zh) | 2024-02-02 |
Family
ID=85664829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211465901.9A Active CN115857336B (zh) | 2022-11-22 | 2022-11-22 | 悬臂式斗轮机防碰撞的方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115857336B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002265065A (ja) * | 2001-03-09 | 2002-09-18 | Ishikawajima Harima Heavy Ind Co Ltd | 穀物用アンローダ用ジブクレーンハッチ衝突防止方法 |
| KR101096228B1 (ko) * | 2010-07-26 | 2011-12-22 | 주식회사 지오시스템 | 지엔에스에스를 이용한 크레인 충돌방지 모니터링 시스템 및 방법 |
| CN103253263A (zh) * | 2012-02-17 | 2013-08-21 | 现代摩比斯株式会社 | 障碍物检测及碰撞报警装置及其方法 |
| CN103879741A (zh) * | 2014-04-04 | 2014-06-25 | 上海东源计算机自动化工程有限公司 | 一种用于散货料场的激光防碰撞预警系统 |
| CN105844379A (zh) * | 2015-12-09 | 2016-08-10 | 东软集团股份有限公司 | 基于主成分分析的车辆风险评估方法和装置 |
| CN106844663A (zh) * | 2017-01-23 | 2017-06-13 | 中国石油大学(华东) | 一种基于数据挖掘的船舶碰撞风险评估方法及系统 |
| CN112110220A (zh) * | 2020-10-13 | 2020-12-22 | 中国大唐集团科技工程有限公司 | 一种斗轮机堆取料无人化作业系统 |
| WO2021203972A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技（深圳）有限公司 | 基于碰撞模型的风险预防方法、装置、设备及存储介质 |
-
2022
- 2022-11-22 CN CN202211465901.9A patent/CN115857336B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002265065A (ja) * | 2001-03-09 | 2002-09-18 | Ishikawajima Harima Heavy Ind Co Ltd | 穀物用アンローダ用ジブクレーンハッチ衝突防止方法 |
| KR101096228B1 (ko) * | 2010-07-26 | 2011-12-22 | 주식회사 지오시스템 | 지엔에스에스를 이용한 크레인 충돌방지 모니터링 시스템 및 방법 |
| CN103253263A (zh) * | 2012-02-17 | 2013-08-21 | 现代摩比斯株式会社 | 障碍物检测及碰撞报警装置及其方法 |
| CN103879741A (zh) * | 2014-04-04 | 2014-06-25 | 上海东源计算机自动化工程有限公司 | 一种用于散货料场的激光防碰撞预警系统 |
| CN105844379A (zh) * | 2015-12-09 | 2016-08-10 | 东软集团股份有限公司 | 基于主成分分析的车辆风险评估方法和装置 |
| CN106844663A (zh) * | 2017-01-23 | 2017-06-13 | 中国石油大学(华东) | 一种基于数据挖掘的船舶碰撞风险评估方法及系统 |
| CN112110220A (zh) * | 2020-10-13 | 2020-12-22 | 中国大唐集团科技工程有限公司 | 一种斗轮机堆取料无人化作业系统 |
| WO2021203972A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技（深圳）有限公司 | 基于碰撞模型的风险预防方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115857336B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102292277B1 (ko) | 자율 주행 차량에서 3d cnn 네트워크를 사용하여 솔루션을 추론하는 lidar 위치 추정 | |
| KR102335389B1 (ko) | 자율 주행 차량의 lidar 위치 추정을 위한 심층 학습 기반 특징 추출 | |
| KR102350181B1 (ko) | 자율 주행 차량에서 rnn 및 lstm을 사용하여 시간적 평활화를 수행하는 lidar 위치 추정 | |
| US20170168485A1 (en) | System and Method for Controlling Autonomous Vehicles | |
| US8554370B2 (en) | Machine learning approach for predicting humanoid robot fall | |
| Mohamed et al. | Motion prediction methods for surrogate safety analysis | |
| CN113934205A (zh) | 用于控制引导机器人的方法、装置、设备以及存储介质 | |
| Dutta et al. | A new adaptive explicit nonlinear model predictive control design for a nonlinear mimo system: An application to twin rotor mimo system | |
| CN116416277A (zh) | 一种基于运动方程轨迹预测的多目标跟踪方法及装置 | |
| CN109766569A (zh) | 潜艇运动模型简化方法及装置 | |
| CN115857336A (zh) | 悬臂式斗轮机防碰撞的方法、装置和设备 | |
| CN114603599A (zh) | 一种机器人碰撞检测方法、装置、计算机设备及存储介质 | |
| CN111324135A (zh) | 无人机控制方法、装置、电子设备及计算机可读介质 | |
| Liu et al. | Multiple maneuvering target tracking by improved particle filter based on multiscan JPDA | |
| CN117590756B (zh) | 水下机器人的运动控制方法、装置、设备和存储介质 | |
| US11886196B2 (en) | Controlling machine operating in uncertain environment discoverable by sensing | |
| CN113961020B (zh) | 一种无人机三维空间运动控制方法及系统 | |
| CN117348577B (zh) | 一种生产工艺仿真检测方法、装置、设备以及介质 | |
| Neven et al. | Dynamics for vision-based autonomous mobile robots | |
| Zhu | Motion Planning Framework for Unmanned Aerial Vehicles in Dynamic Environments | |
| Dadkhah et al. | Experimental demonstration of an online trajectory optimization scheme using approximate spatial value functions | |
| CN115900724A (zh) | 路径规划方法和装置 | |
| CN115984812A (zh) | 多任务预测模型训练方法、移动设备的控制方法及装置 | |
| CN116952508A (zh) | 接触碰撞测试方法、接触碰撞测试系统 | |
| CN117901118A (zh) | 机器人机械臂的路径规划方法、装置、设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230426 Address after: No. 168 Yanhe East Road, Lingang Industrial Zone, Sheyang County, Yancheng City, Jiangsu Province, 224300 Applicant after: JIANGSU SHEYANGGANG POWER GENERATION CO.,LTD. Applicant after: SAMSINO (BEIJING) AUTOMATION ENGINEERING TECHNOLOGY Co.,Ltd. Address before: Room 902, unit 1, building 1, yard 1, Longyu middle street, Huilongguan town, Changping District, Beijing 100096 Applicant before: SAMSINO (BEIJING) AUTOMATION ENGINEERING TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |