CN117350609A - 基于agv的检测实验室智能运输控制系统的构建方法 - Google Patents
基于agv的检测实验室智能运输控制系统的构建方法 Download PDFInfo
- Publication number
- CN117350609A CN117350609A CN202311227185.5A CN202311227185A CN117350609A CN 117350609 A CN117350609 A CN 117350609A CN 202311227185 A CN202311227185 A CN 202311227185A CN 117350609 A CN117350609 A CN 117350609A
- Authority
- CN
- China
- Prior art keywords
- virtual
- agv
- data
- control system
- equipment
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 114
- 238000010276 construction Methods 0.000 title claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 230000033001 locomotion Effects 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000007774 longterm Effects 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims description 49
- 238000013523 data management Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 238000007726 management method Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000002779 inactivation Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000386 athletic effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 3
- 230000008569 process Effects 0.000 abstract description 10
- 239000000463 material Substances 0.000 description 7
- 230000008713 feedback mechanism Effects 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于AGV的检测实验室智能运输控制系统的构建方法，包括以下步骤：S1：系统开发人员接收用户运输需求，对现有检测实验室运输体系进行要素分析，构建检测实验室物理运输控制系统，控制AGV按设定路线行驶；S2：对物理运输系统进行要素分析，搭建虚拟设备几何模型，编辑运动逻辑，定义关联规则、触发机制与事件表，虚拟重构检测实验室虚拟运输系统，实现物理和虚拟的映射；S3：通过智能算法和虚拟重构，构建自动反馈闭环和人工反馈闭环，形成长期反馈优化机制，获得基于AGV的检测实验室智能运输控制系统。能够实现实验室检测样品运输的智能化，减少运输过程对检测样品的影响，减少检测实验室人流物流体系的拥挤，提高检测样品运输效率。
Description
技术领域
本发明涉及控制系统领域与检测实验室物流运输领域，具体地说，尤其涉及一种基于AGV的检测实验室智能运输控制系统的构建方法。
背景技术
检测实验室检测样品管理和运输是检测工作的重要组成环节，也是检测实验室管理与计量认证的重要内容，更是检测结果公正性、科学性和准确性的重要保障。检测机构检测参数通常较为繁杂，检测样品数量庞大、种类繁多。目前大多检测实验室在接收检测样品后，采用检测样品料车-人工运输的方式流转至各检测室，待检测完成后以相同方式将检测样品运送至暂存、流转、留样或弃样区域。目前大多检测实验室采用的是运输效率低、人工介入因素较多的人工作业运输体系。
随着检测设备的自动化、数字化与智能化发展日益成熟，以及检测工艺日趋严格规范，传统检测样品运输方式难以匹配随之水涨船高的检测样品检测量与运输管理要求。相比于目前新兴的AGV仓储物流运输方式，传统的人工运输方式运输效率低、运输成本高，运输过程对检测样品可能产生较大影响，可能造成运输路径的人流、物流拥挤与运输资源浪费，运输体系难以进行运输管理与系统优化。而少数检测实验室采用的机械运输系统，仅能实现简单的运输任务，未能形成智能运输体系或难以匹配长期动态变化的检测样品运输需求。
发明内容
本发明的目的在于解决检测实验室检测样品运输方式暴露的问题，提供一种基于AGV的检测实验室智能运输控制系统的构建方法，提高检测实验室检测样品运输的工作效率，减少运输过程对检测样品的影响。
为了实现上述目的，本发明所采用的技术方案如下：
一种基于AGV的检测实验室智能运输控制系统的构建方法，包括以下步骤：
S1：系统开发人员接收用户运输需求，对现有检测实验室运输体系进行要素分析，构建检测实验室物理运输控制系统，控制AGV按设定路线行驶；
S2：对物理运输系统进行要素分析，搭建虚拟设备几何模型，编辑运动逻辑，定义关联规则、触发机制与事件表，虚拟重构检测实验室虚拟运输系统，实现物理和虚拟的映射；
S3：通过智能算法和虚拟重构，构建自动反馈闭环和人工反馈闭环，形成长期反馈优化机制，获得基于AGV的检测实验室智能运输控制系统。
优选地，物理运输控制系统要素分析，具体为：人员、设备、检测样品、运输方案和环境的要素信息分析；
人员要素信息包括人员位置、人员身份和运输指令，设备要素信息包括AGV和配套辅助设备的几何信息、物理信息、运动逻辑、关联规则与触发机制，检测样品要素信息包括被运送检测样品的几何信息与物理信息，运输方案要素信息包括运输起点、运输终点和运输路径，环境要素信息包括地面、墙壁、固定障碍物和/或活动障碍物。
优选地，搭建虚拟设备几何模型，具体为：通过结合设备设计图、实验室设计图与实际测量数据重建设备的虚拟模型与虚拟场景；
编辑运动逻辑，具体为：通过建立父子关系与定义运动关节，形成设备在虚拟空间中运动的映射；
设备关联规则，具体为：虚拟场景中AGV位置，和/或，运动与配套设备信息流，和/或，运动的逻辑关联规则；
触发机制，具体为：虚拟场景中满足特定逻辑条件，触发设备关联规则；
事件表，具体为：控制系统中AGV任务在虚拟空间的映射，包括一系列运动逻辑、设备关联规则和触发机制。
优选地，实现物理和虚拟的映射，具体为：通过运输控制系统的实时数据预处理与逻辑关联，形成物理实体在虚拟空间的准确实时映射；
实时数据预处理包括数据解析、数据进制转换、数据清洗和多元异构数据标准化，并储存至历史数据库；
逻辑关联包括预处理数据与虚拟设备的运动行为、触发机制、设备关联规则和事件表的逻辑关联。
优选地，自动反馈闭环，具体为：通过控制运行、数据传输、在线学习和控制运行优化形成的反馈闭环；
人工反馈闭环，具体为：通过用户配置、控制运行、数据传输、人机交互机制、用户配置优化形成的反馈闭环。
长期反馈优化机制，具体为：通过自动反馈闭环与人工反馈闭环对设备配置的长期更新，检测实验室检测样品运输体系趋于运输效率最优解的优化机制。
优选地，在线学习，具体为：通过在线学习神经网络模型对AGV调度策略进行更新；
人机交互机制包括监控面板、场景漫游和虚拟决策；
监控面板包括AGV任务配置监控、AGV运行监控、AGV任务管理监控和/或故障告警，监控对象为监控类型的关键数据和/或指标；
场景漫游包括通过键盘与鼠标对视角、视点的控制，查看虚拟空间的设备状态与场景的手动漫游，以及跟随AGV或检测样品运动的固定路径，查看虚拟空间的设备状态与场景的自动漫游；
虚拟决策，具体为：运输方案的新增、修改、复制和/或删除形成的可视化虚拟决策结果。
优选地，基于AGV的检测实验室智能运输控制系统按层级维度划分为用户层、服务层、控制层、数据层和实体层，按虚实维度划分为物理空间和虚拟空间，其涉及的关系机制包括控制、数据传递、信息传递、反馈和映射，关系机制用于建立各层级和各模块之间的联系。
优选地，用户层包括检测管理人员、系统开发人员、设备维护人员、检测人员和收样人员五类人员的多个用户，每类人员至少包括一个用户；
服务层包括物理空间的设备配置模块和虚拟空间的监控决策模块，设备配置模块用于接收用户层控制指令并向控制层发布控制指令，监控决策模块用于向用户层反馈信息；
控制层包括物理空间的设备控制模块和虚拟空间的智能算法模块，设备控制模块用于向数据层发布控制指令，智能算法模块用于向设备配置模块反馈设备配置参数，向监控决策模块传输虚拟决策结果；
数据层包括物理空间的运行数据模块和虚拟空间的数据管理模块，数据管理模块用于向智能算法模块与监控决策模块传递数据，数据管理模块包括实时数据管理和历史数据管理；
实体层包括多个物理实体以及与其对应的虚拟实体，物理实体包括至少一个AGV，用于接收数据层的控制指令；虚拟实体为多个物理实体在虚拟空间的映射，用于向监控决策模块与数据管理模块传递信息和数据。
优选地，智能算法模块包括调度优化算法和故障告警算法，调度优化算法的构建包括以下步骤：
根据样品运输任务的紧急性、空载距离、负载距离、人工上料时间和人工下料时间，定义AGV任务与当前AGV分布，按照分配偏好定义特征状态指标；
对特征状态指标进行归一化处理，形成调度任务状态的多维向量；
定义偏好函数、评价调度性能的目标函数与模拟仿真的评价函数，从数据管理模块提取与计算所需数据，形成评价矩阵作为样本数据训练BP神经网络模型；
构建基于BP神经网络模型的调度更新在线学习，包括超前模拟仿真、根据偏好函数寻找最佳调度样本、形成训练样本集、基于神经网络的训练和更新调度策略；
首次任务调度采用最短路程进行样本获取，后续任务调度根据在线学习的BP神经网络模型输出进行AGV任务调度。
优选地，故障告警算法的构建包括以下步骤：
提取、分类和标签历史数据中的正常运行数据与故障数据；
利用随机森林选择与故障相关的特征，各特征的重要性指标通过袋外数据准确率的降低计算；
选择重要性指标最靠前的多个特征，采用具有残差连接结构的时间卷积网络模型进行训练，对设备故障进行识别、分类与预测；
其中，残差连接通过扩展因果卷积、权重归一、线性整流函数与随机失活的两次循环实现。
与现有技术相比，本发明具有以下优点和有益效果：
1.本发明通过对现有实验室人员、设备、材料、工艺和环境要素与用户的运输需求进行全方位多层次分析，使运输控制系统实现的功能更贴合所处运行环境与业务运输需求。通过全要素多层次的虚拟重构实验室运输控制系统，实现实验室运输系统物理实体在虚拟空间的离线映射。
2.本发明通过完善虚拟实体的几何模型、物理模型、逻辑关系、关联规则、触发机制与事件表，对运输控制系统实时数据进行数据解析、数据进制转换、数据清洗、数据标准化处理以及属性关联，在虚拟空间中高度还原物理运输控制系统的应用场景、设备实体、运输工艺、运动逻辑、任务调度与配置，实现运输系统控制系统在虚拟空间的精准实时映射。
3.本发明通过在线学习神经网络模型对AGV调度策略的更新，反馈到服务层形成自动反馈闭环，便于发现与修正系统问题，实现运输控制系统的自我优化机制。
4.本发明通过监控面板、场景漫游和虚拟决策，构建运输控制系统的人机交互界面，丰富用户对运输控制系统的认识、更新、优化与拓展，形成人工反馈闭环，实现以检测样品动态运输需求为导向的长期反馈优化机制。
5.本发明从实验室运输控制系统的构建及其虚拟空间的准确映射，到双反馈闭环的完整构建，实现实验室检测样品运输的自动化、可视化、信息化、数字化和智能化，减少运输过程对检测样品的影响，减少检测实验室人流物流体系的拥挤，提高检测样品运输效率。
附图说明
图1为基于AGV的检测实验室智能运输控制系统的构建方法流程图。
图2为检测实验室智能运输控制系统的结构示意图。
图3为基于AGV的检测实验室智能运输控制系统的构建方法示意图。
图4为检测实验室智能运输控制系统的双反馈优化机制示意图。
具体实施方式
下面结合附图和具体实施例对本发明基于AGV的检测实验室智能运输控制系统的构建方法作进一步说明。
请参阅图1，本发明公开了一种基于AGV的检测实验室智能运输控制系统的构建方法，包括构建检测实验室物理运输控制系统、虚拟重构检测实验室虚拟运输系统，以及构建长期双反馈优化机制。首先，接收来自用户的需求，对现有实验室人员、设备、材料、工艺和环境进行要素分析，构建基于AGV的检测实验室物理运输控制系统，控制AGV按设定的路线搭载检测样品自动行驶至目的地。其次，通过对实验室物理运输控制系统进行要素分析、搭建虚拟设备几何模型，编辑运动逻辑，定义关联规则、触发机制与事件表，虚拟重构实验室虚拟运输系统，并实现准确实时映射。最后，通过人工智能算法与虚拟重构技术构建自动反馈闭环和人工反馈闭环，形成长期反馈优化机制，实现运输控制系统的智能化。
请参阅图2，本发明基于AGV的检测实验室智能运输控制系统的构建方法，包括物理空间构建、虚拟空间构建、映射机制构建以及反馈机制构建。智能运输控制系统按层级维度划分为实体层、数据层、控制层、服务层和用户层。智能运输控制系统按虚实维度划分为物理空间和虚拟空间。智能运输控制系统涉及的关系机制主要有五种，分别是控制、数据传递、信息传递、反馈和映射，用于建立各层级和各模块之间的联系。
用户层包括检测管理人员、系统开发人员、设备维护人员、检测人员和收样人员五类人员的多个用户，每类人员至少包括一个用户。
服务层包括物理空间的设备配置模块和虚拟空间的监控决策模块。设备配置模块用于接收用户层控制指令与向控制层发布控制指令，包括系统配置、设备任务配置、设备控制调度和/或设备任务管理，其中设备包括AGV、呼叫器、电梯、辊筒和/或自动门。监控决策模块用于向用户层反馈信息，包括监控面板、场景漫游和/或虚拟决策功能。
系统配置包括设备基本配置、服务配置、用户配置和/或空间配置。设备任务配置包括任务模板、任务组和/或运行线路。监控面板包括AGV任务配置监控、AGV运行监控和/或AGV任务管理监控，监控对象为监控类型的关键数据和/或指标。场景漫游功能包括手动漫游功能和自动漫游功能。虚拟决策指运输方案的新增、修改、复制和/或删除形成的可视化虚拟决策结果。
控制层包括物理空间的设备控制模块和虚拟空间的智能算法模块。设备控制模块用于向数据层发布控制指令。智能算法模块用于向设备配置模块反馈设备配置参数，向监控决策模块传输虚拟决策结果，包括在线学习模型、决策验证优化和/或设备故障预测。设备故障预测指通过时间卷积网络模型对设备故障进行识别、分类与预测。
数据层包括物理空间的运行数据模块和虚拟空间的数据管理模块，数据管理模块用于向智能算法模块与监控决策模块传递数据，数据管理模块包括实时数据预处理和历史数据管理。
实体层包括多个物理实体及与其对应的虚拟实体。多个物理实体包括AGV、呼叫器、电梯、辊筒和/或自动门，用于接收数据层的控制及数据传递。虚拟实体是指多个物理实体在虚拟空间的映射，用于向监控决策模块与数据管理模块传递数据和信息。
实施例
请参阅图3和图4，下面对基于AGV的检测实验室智能运输控制系统的构建方法做进一步详细说明。
S1.构建检测实验室物理运输控制系统
S11.系统开发人员接收来自用户层中检测管理人员、检测人员和收样人员的运输需求，分析现有实验室运输系统各要素信息，包括人员信息、设备信息、材料信息、工艺信息和环境信息。
运输需求包括运输对象、运输起点、运输终点和运输路线的信息。人员信息指检测人员与收样人员及其工作范围信息。设备信息包括料车、立体仓和室内门的几何信息和物理性质。材料信息是指各类检测样品的几何信息、物理性质和化学性质。工艺信息指现有检测样品运输方式。环境信息指运输路线的空间几何信息、充电条件、障碍物分布和无线网络环境，其中障碍物包括固定障碍物和移动障碍物。
S12.根据运输需求与要素分析结果，设计检测实验室物理运输控制系统的系统架构，至少包括设备配置、设备控制、运行数据和物理实体。
S13.根据分析结果和系统架构，集成实验室运输控制信息系统，比选、安装、调试与运行设备。
S2.虚拟重构检测实验室虚拟运输系统
S21.根据实验室运输控制系统进行要素分析，从空间几何和物理材质多维度构建虚拟实体。
首先通过三维绘图软件构建设备、检测样品、障碍物等物理实体的虚拟几何模型，其次通过模型材质、物理属性、刚体属性等方式实现几何模型的物理模型构建，然后根据建筑图纸、设计资料和实际测量数据搭建实验室运输控制系统的虚拟场景，最后进行渲染与优化，即对虚拟几何模型和虚拟场景添加材质与贴图、添加灯光和阴影效果等，使虚拟场景更真实。
S22.根据系统架构与比选、安装、调试与运行的结果在虚拟场景中编辑虚拟设备的运动逻辑。
通过父子关系建立虚拟设备各组件的主从运动约束关系，例如AGV台面组件的抬升和旋转、AGV轮胎组件的转动和检测室自动门组建的旋转中各个关节。通过设备和各部件运动学分析对各个关节的位置坐标、转轴方向、速度、加速度等矢量定义建立虚拟设备的运动逻辑。通过对运行结果进行运动学分析，实现运动逻辑模型的构建。
S23.分析控制系统中设备运行规则，定义虚拟实体中虚拟设备关联规则、触发机制与事件表。
设备关联规则指在虚拟场景中AGV位置和/或运动与配套设备信息流和/或运动的逻辑关联规则。触发机制指在虚拟场景中满足某一逻辑条件，触发设备关联规则。事件表指控制系统中AGV任务在虚拟空间的映射，包括一系列运动逻辑、设备关联规则和触发机制。
S24.通过运输控制系统的实时数据预处理，构建物理实体和虚拟实体的准确实时映射。
准确实时映射指通过运输控制系统的实时数据预处理与逻辑关联形成物理实体在虚拟空间的准确实时映射。实时数据预处理包括数据解析、数据进制转换、数据清洗和多元异构数据标准化，并储存至历史数据库。逻辑关联指虚拟设备的运动行为、触发机制、设备关联规则和事件表的逻辑关联。
S25.构建运输控制系统的数据管理模块
数据管理模块包括实时数据管理和历史数据管理。本实施例中，实时数据管理采用Redis内存数据库形成Key＝Object_id,Value＝{TimeStamp:Value_0,Entity_1:{Attr_1:Value_1,Attr_2:Value_2,...},Entity_2:{...},...}统一格式的字符串数据，历史数据管理采用MySQL关系数据库读取、解析与写入Redis实例对象数据。
S3.构建长期双反馈优化机制
S31.通过智能算法构建实验室运输控制系统智能算法模块
本实施例中，智能算法模块包括调度优化算法和故障告警算法。
调度优化算法的构建包括以下步骤：
根据样品运输任务的紧急性、空载距离、负载距离、人工上料时间、人工下料时间、定义AGV任务与当前AGV分布等参数，按照分配偏好定义特征状态指标I1、I2、I3、...、Id，即Ii越小，分配偏好越高；
根据指标上下限对Ii进行归一化处理，形成调度任务状态的d维向量X；
定义偏好函数F(Xi，Xj)→[0,1]、从候选任务集J中选取最佳作业J*的调度策略π、第n次任务调度时基于平均用时指标(Wi)及其权重(Ti)评价调度性能的目标函数f(n)与超前k步模拟仿真的评价函数f(n+k)，从数据管理模块提取与计算所需数据，形成评价矩阵V作为样本数据训练BP神经网络模型；
构建基于BP神经网络模型的调度更新在线学习算法，包括超前模拟仿真、根据偏好函数寻找最佳调度样本、形成训练样本集、基于神经网络的训练和更新调度策略；
首次任务调度采用最短路程进行样本获取，后续任务调度根据在线学习类型的BP神经网络模型输出进行AGV任务调度。具体表示为：
故障告警算法的构建包括以下步骤：
提取、分类和标签历史数据中的正常运行数据与故障数据；
利用随机森林算法选择与故障相关的特征，各特征的重要性指标可通过袋外数据准确率的降低计算，具体为：其中ntree为训练样本数量，Aj 0-Aj i为决策树扰动前后数据分类准确率之差；
选择重要性指标最靠前的若干特征，采用具有残差连接算法结构的时间卷积网络模型进行训练，对设备故障进行识别、分类与预测；
其中，残差连接通过扩展因果卷积、权重归一、线性整流函数与随机失活的两次循环实现，一维输入向量X的第s个单元处使用规模为k的过滤器f、扩展系数为d的扩张卷积计算如下：
S32.通过监控面板、场景漫游和虚拟决策构建监控决策模块
监控决策模块表现为人机交互界面，包括监控面板、场景漫游和虚拟决策。监控面板包括设备任务配置监控、设备运行监控、设备任务管理监控和/或故障告警。场景漫游功能包括自动漫游与手动漫游中，其中手动漫游是指用户可通过键盘与鼠标对视角、视点的控制查看虚拟空间的设备状态与场景，自动漫游是指用户视角跟随AGV或检测样品运动的固定路径查看虚拟空间的设备状态与场景，形成第一人称沉浸式视角的图像和/或动画。虚拟决策指，模拟运输方案的新增、修改、复制和/或删除，可视化虚拟决策结果。
S33.形成长期反馈优化机制
智能算法模块与监控决策模块构建完成后运行检测实验室智能运输控制系统，通过自动反馈闭环与人工反馈闭环的长期优化，检测实验室检测样品运输体系趋于运输效率最优解。其中，自动反馈闭环指设备配置通过智能算法模块的配置参数反馈机制自我优化，优化的主要对象为设备配置的设备控制调度参数。人工反馈闭环指检测管理人员与设备维护人员通过人机交互界面的监控面板关键数据和/或指标、场景漫游图像和/或动画与虚拟决策可视化结果，对设备配置进行手动优化，优化的主要对象为设备配置的设备任务配置参数和/或设备任务管理参数。
如图3所示，本实施例中，自动反馈闭环具体路径包括：
①初始化设备配置和智能算法超参数；
②设备控制模块根据设备配置驱动设备执行检测样品运输任务；
③采集物理实体设备运行数据，在虚拟空间形成准确实时映射，并形成历史数据库；
④进行一轮基于神经网络的在线学习调度优化，包括超前模拟仿真、寻找最佳调度样本、形成训练样本集、基于神经网络的训练和更新调度策略，更新设备控制模块参数，从步骤②进入下一个自动反馈循环。
如图3所示，本实施例中，人工反馈闭环具体路径包括：
①初始化设备配置和智能算法超参数；
②检测管理人员、检测人员和/或收样人员根据检测样品运输需要，向系统开发人员和/或设备维护人员提出业务需求，系统开发人员和/或设备维护人员更新设备配置参数；其中，业务需求包括新增、修改、复制和/或删除单个或多个检测样品运输方案；
③设备控制模块根据设备配置参数驱动设备执行检测样品运输任务；
④采集物理实体设备运行数据，在虚拟空间形成准确实时映射，并形成历史数据库；
⑤导出监控面板数据，包括实时采集数据与故障告警算法对故障的识别、分类与预测，反馈至检测管理人员、检测人员和/或收样人员，形成新的业务需求；
⑥检测管理人员、检测人员和/或收样人员在虚拟运输系统进行场景漫游，基于第一人称沉浸式视角的图像和/或动画发现系统中的问题与完善点，形成新的业务需求；
⑦检测管理人员、检测人员和/或收样人员在虚拟空间新增、修改、复制和/或删除单个或多个检测样品运输方案形成虚拟决策群，通过模拟预测结果展示各虚拟决策的关键数据和/或指标，并基于运输安全、运行效率、经济性等因素比选虚拟决策，形成新的业务需求；
⑧检测管理人员、检测人员和/或收样人员基于监控面板、场景漫游和虚拟决策形成的新的业务需求向系统开发人员和/或设备维护人员反馈更新设备配置的设备任务配置参数和/或设备任务管理参数，从步骤②进入下一个人工反馈循环。
检测实验室智能运输控制系统的长期反馈优化机制，包括以设备控制调度参数优化为主的自动反馈与以设备任务配置参数和/或设备任务管理参数优化为主的人工反馈机制。该双反馈优化机制基于人工智能算法与虚拟重构技术实现了运输控制系统的智能优化，使实验室检测样品运输体系的运输效率进一步提升。
综上所述，本发明基于AGV的检测实验室智能运输控制系统的构建方法，通过构建实验室运输控制系统，实现实验室试验检测样品的自动运输。通过全要素多层次的虚拟重构实验室运输控制系统，实现实验室运输系统物理实体在虚拟空间的离线映射。通过实时数据预处理与数据管理，实现实验室运输控制系统物理实体在虚拟空间的实时映射。通过机器学习模型，通过在线学习神经网络模型对AGV调度策略的更新，实现自动反馈闭环，便于发现与修正系统问题。通过丰富的人机交互界面反馈用户高价值数据与信息，便于运输方案的新增、优化、复制和/或删除，实现人工反馈闭环。
上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所揭示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。
Claims (10)
1.一种基于AGV的检测实验室智能运输控制系统的构建方法，其特征在于，包括以下步骤：
S1：系统开发人员接收用户运输需求，对现有检测实验室运输体系进行要素分析，构建检测实验室物理运输控制系统，控制AGV按设定路线行驶；
S2：对物理运输系统进行要素分析，搭建虚拟设备几何模型，编辑运动逻辑，定义关联规则、触发机制与事件表，虚拟重构检测实验室虚拟运输系统，实现物理和虚拟的映射；
S3：通过智能算法和虚拟重构，构建自动反馈闭环和人工反馈闭环，形成长期反馈优化机制，获得基于AGV的检测实验室智能运输控制系统。
2.根据权利要求1所述的基于AGV的检测实验室智能运输控制系统的构建方法，其特征在于，物理运输控制系统要素分析，具体为：人员、设备、检测样品、运输方案和环境的要素信息分析；
人员要素信息包括人员位置、人员身份和运输指令，设备要素信息包括AGV和配套辅助设备的几何信息、物理信息、运动逻辑、关联规则与触发机制，检测样品要素信息包括被运送检测样品的几何信息与物理信息，运输方案要素信息包括运输起点、运输终点和运输路径，环境要素信息包括地面、墙壁、固定障碍物和/或活动障碍物。
3.根据权利要求1所述的基于AGV的检测实验室智能运输控制系统的构建方法，其特征在于，搭建虚拟设备几何模型，具体为：通过结合设备设计图、实验室设计图与实际测量数据重建设备的虚拟模型与虚拟场景；
编辑运动逻辑，具体为：通过建立父子关系与定义运动关节，形成设备在虚拟空间中运动的映射；
设备关联规则，具体为：虚拟场景中AGV位置，和/或，运动与配套设备信息流，和/或，运动的逻辑关联规则；
触发机制，具体为：虚拟场景中满足特定逻辑条件，触发设备关联规则；
事件表，具体为：控制系统中AGV任务在虚拟空间的映射，包括一系列运动逻辑、设备关联规则和触发机制。
4.根据权利要求1所述的基于AGV的检测实验室智能运输控制系统的构建方法，其特征在于，实现物理和虚拟的映射，具体为：通过运输控制系统的实时数据预处理与逻辑关联，形成物理实体在虚拟空间的准确实时映射；
实时数据预处理包括数据解析、数据进制转换、数据清洗和多元异构数据标准化，并储存至历史数据库；
逻辑关联包括预处理数据与虚拟设备的运动行为、触发机制、设备关联规则和事件表的逻辑关联。
5.根据权利要求1所述的基于AGV的检测实验室智能运输控制系统的构建方法，其特征在于，自动反馈闭环，具体为：通过控制运行、数据传输、在线学习和控制运行优化形成的反馈闭环；
人工反馈闭环，具体为：通过用户配置、控制运行、数据传输、人机交互机制、用户配置优化形成的反馈闭环。
长期反馈优化机制，具体为：通过自动反馈闭环与人工反馈闭环对设备配置的长期更新，检测实验室检测样品运输体系趋于运输效率最优解的优化机制。
6.根据权利要求5所述的基于AGV的检测实验室智能运输控制系统的构建方法，其特征在于，在线学习，具体为：通过在线学习神经网络模型对AGV调度策略进行更新；
人机交互机制包括监控面板、场景漫游和虚拟决策；
监控面板包括AGV任务配置监控、AGV运行监控、AGV任务管理监控和/或故障告警，监控对象为监控类型的关键数据和/或指标；
场景漫游包括通过键盘与鼠标对视角、视点的控制，查看虚拟空间的设备状态与场景的手动漫游，以及跟随AGV或检测样品运动的固定路径，查看虚拟空间的设备状态与场景的自动漫游；
虚拟决策，具体为：运输方案的新增、修改、复制和/或删除形成的可视化虚拟决策结果。
7.根据权利要求1所述的基于AGV的检测实验室智能运输控制系统的构建方法，其特征在于，基于AGV的检测实验室智能运输控制系统按层级维度划分为用户层、服务层、控制层、数据层和实体层，按虚实维度划分为物理空间和虚拟空间，其涉及的关系机制包括控制、数据传递、信息传递、反馈和映射，关系机制用于建立各层级和各模块之间的联系。
8.根据权利要求7所述的基于AGV的检测实验室智能运输控制系统的构建方法，其特征在于，用户层包括检测管理人员、系统开发人员、设备维护人员、检测人员和收样人员五类人员的多个用户，每类人员至少包括一个用户；
服务层包括物理空间的设备配置模块和虚拟空间的监控决策模块，设备配置模块用于接收用户层控制指令并向控制层发布控制指令，监控决策模块用于向用户层反馈信息；
控制层包括物理空间的设备控制模块和虚拟空间的智能算法模块，设备控制模块用于向数据层发布控制指令，智能算法模块用于向设备配置模块反馈设备配置参数，向监控决策模块传输虚拟决策结果；
数据层包括物理空间的运行数据模块和虚拟空间的数据管理模块，数据管理模块用于向智能算法模块与监控决策模块传递数据，数据管理模块包括实时数据管理和历史数据管理；
实体层包括多个物理实体以及与其对应的虚拟实体，物理实体包括至少一个AGV，用于接收数据层的控制指令；虚拟实体为多个物理实体在虚拟空间的映射，用于向监控决策模块与数据管理模块传递信息和数据。
9.根据权利要求8所述的基于AGV的检测实验室智能运输控制系统的构建方法，其特征在于，智能算法模块包括调度优化算法和故障告警算法，调度优化算法的构建包括以下步骤：
根据样品运输任务的紧急性、空载距离、负载距离、人工上料时间和人工下料时间，定义AGV任务与当前AGV分布，按照分配偏好定义特征状态指标；
对特征状态指标进行归一化处理，形成调度任务状态的多维向量；
定义偏好函数、评价调度性能的目标函数与模拟仿真的评价函数，从数据管理模块提取与计算所需数据，形成评价矩阵作为样本数据训练BP神经网络模型；
构建基于BP神经网络模型的调度更新在线学习，包括超前模拟仿真、根据偏好函数寻找最佳调度样本、形成训练样本集、基于神经网络的训练和更新调度策略；
首次任务调度采用最短路程进行样本获取，后续任务调度根据在线学习的BP神经网络模型输出进行AGV任务调度。
10.根据权利要求9所述的基于AGV的检测实验室智能运输控制系统的构建方法，其特征在于，故障告警算法的构建包括以下步骤：
提取、分类和标签历史数据中的正常运行数据与故障数据；
利用随机森林选择与故障相关的特征，各特征的重要性指标通过袋外数据准确率的降低计算；
选择重要性指标最靠前的多个特征，采用具有残差连接结构的时间卷积网络模型进行训练，对设备故障进行识别、分类与预测；
其中，残差连接通过扩展因果卷积、权重归一、线性整流函数与随机失活的两次循环实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311227185.5A CN117350609A (zh) | 2023-09-21 | 2023-09-21 | 基于agv的检测实验室智能运输控制系统的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311227185.5A CN117350609A (zh) | 2023-09-21 | 2023-09-21 | 基于agv的检测实验室智能运输控制系统的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117350609A true CN117350609A (zh) | 2024-01-05 |
Family
ID=89358482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311227185.5A Pending CN117350609A (zh) | 2023-09-21 | 2023-09-21 | 基于agv的检测实验室智能运输控制系统的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117350609A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
| CN113642754A (zh) * | 2021-04-23 | 2021-11-12 | 北京工业大学 | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 |
| CN114815654A (zh) * | 2022-03-01 | 2022-07-29 | 北京理工大学 | 一种面向无人车控制的数字孪生系统及其搭建方法 |
| CN115310936A (zh) * | 2022-08-09 | 2022-11-08 | 盟立自动化科技(上海)有限公司 | 基于数字孪生的智慧物流工厂可视化与数据服务技术系统 |
| CN115511412A (zh) * | 2022-09-28 | 2022-12-23 | 河南科技大学 | 一种基于数字孪生的智能无人车配送系统及配送方法 |
| US20230016946A1 (en) * | 2021-09-24 | 2023-01-19 | Intel Corporation | Systems, apparatus, articles of manufacture, and methods for proactive data routing |
| CN115922736A (zh) * | 2023-02-22 | 2023-04-07 | 山东德晟机器人股份有限公司 | 一种基于5g网络实现机器人远程控制和远程运维系统 |
| CN115933684A (zh) * | 2022-12-27 | 2023-04-07 | 江苏上马信息科技有限公司 | 基于agv的数字孪生车间智能动态调度物流系统 |
| CN116720073A (zh) * | 2023-08-10 | 2023-09-08 | 江苏金恒信息科技股份有限公司 | 一种基于分类器的异常检测提取方法与系统 |
-
2023
- 2023-09-21 CN CN202311227185.5A patent/CN117350609A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
| CN113642754A (zh) * | 2021-04-23 | 2021-11-12 | 北京工业大学 | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 |
| US20230016946A1 (en) * | 2021-09-24 | 2023-01-19 | Intel Corporation | Systems, apparatus, articles of manufacture, and methods for proactive data routing |
| CN114815654A (zh) * | 2022-03-01 | 2022-07-29 | 北京理工大学 | 一种面向无人车控制的数字孪生系统及其搭建方法 |
| CN115310936A (zh) * | 2022-08-09 | 2022-11-08 | 盟立自动化科技(上海)有限公司 | 基于数字孪生的智慧物流工厂可视化与数据服务技术系统 |
| CN115511412A (zh) * | 2022-09-28 | 2022-12-23 | 河南科技大学 | 一种基于数字孪生的智能无人车配送系统及配送方法 |
| CN115933684A (zh) * | 2022-12-27 | 2023-04-07 | 江苏上马信息科技有限公司 | 基于agv的数字孪生车间智能动态调度物流系统 |
| CN115922736A (zh) * | 2023-02-22 | 2023-04-07 | 山东德晟机器人股份有限公司 | 一种基于5g网络实现机器人远程控制和远程运维系统 |
| CN116720073A (zh) * | 2023-08-10 | 2023-09-08 | 江苏金恒信息科技股份有限公司 | 一种基于分类器的异常检测提取方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | An overall review of research on prefabricated construction supply chain management | |
| Zhang et al. | Integrated applications of building information modeling and artificial intelligence techniques in the AEC/FM industry | |
| Yu et al. | A digital twin-based decision analysis framework for operation and maintenance of tunnels | |
| US7711670B2 (en) | Agent engine | |
| KR20200015642A (ko) | Super Tree 기반의 Project/Task 지능 목표관리 방법 및 플랫폼 | |
| CN109358582A (zh) | 基于大数据的大采高综采工作面多设备协同作业控制方法 | |
| CN106383916B (zh) | 基于工业设备预测性维护的数据处理方法 | |
| CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 | |
| CN104252652A (zh) | 电力系统中空间负荷预测方法 | |
| CN111651530A (zh) | 一种智能化港口监测系统 | |
| CN108920609A (zh) | 基于多维度分析的电力实验数据挖掘方法 | |
| CN111598288A (zh) | 一种基于物资全过程数据的物资需求预测管理方法 | |
| Yu et al. | Digital Twin-enabled and Knowledge-driven decision support for tunnel electromechanical equipment maintenance | |
| Farghaly et al. | The evolution of ontology in AEC: a two-decade synthesis, application domains, and future directions | |
| CN116205636B (zh) | 一种基于物联网技术的地铁设施维护管理方法及系统 | |
| CN117350609A (zh) | 基于agv的检测实验室智能运输控制系统的构建方法 | |
| CN110008571A (zh) | 一种城市轨道交通工程投资计算方法及系统 | |
| CN115081529A (zh) | 基于dqn算法的非用电企业生产行为辨识方法 | |
| CN114818849A (zh) | 基于大数据信息的卷积神经网络和遗传算法的反窃电方法 | |
| Jia et al. | Graph neural networks in building life cycle: a review | |
| Chen | Integration of building information modeling and internet of things for facility maintenance management | |
| Xie et al. | Data asset management and visualization based on intelligent algorithm: taking power equipment data as an example | |
| Ślusarczyk et al. | Machine learning methods for BIM data | |
| Li et al. | Measurement method of civil engineering complexity structure based on logical equivalent model | |
| CN117436444B (zh) | 基于标签的数据处理方法、设备及计算机可读存储介质 |
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 |