CN117436678A - 露天矿装载区的入场点生成方法、装置、设备和存储介质 - Google Patents
露天矿装载区的入场点生成方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117436678A CN117436678A CN202311764738.0A CN202311764738A CN117436678A CN 117436678 A CN117436678 A CN 117436678A CN 202311764738 A CN202311764738 A CN 202311764738A CN 117436678 A CN117436678 A CN 117436678A
- Authority
- CN
- China
- Prior art keywords
- loading area
- representing
- loading
- entry point
- gate
- 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 67
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 29
- 230000004913 activation Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 31
- 239000010410 layer Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000005065 mining Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及矿卡卸载技术领域,公开了露天矿装载区的入场点生成方法、装置、设备和存储介质,应用于露天矿装载区的入场点生成系统,所述系统包括车辆和后台,所述车辆包括具有摄像头和传感器的电铲;所述方法包括:利用车辆上的摄像头和传感器实时获取装载区的实时图像,发送给后台;实时通过实时图像,实时更新装载区的地图;基于LSTM预测模型来训练装载区入场点生成模块;利用装载区入场点生成模块来调整装载区入场点。本发明基于LSTM生成的装载区入场点生成模块来实时调整装载区入场点,能够避免因没有及时调整入场点而带来的装载区拥堵的情况。
Description
技术领域
本申请属于矿卡卸载技术领域,涉及一种露天矿装载区的入场点生成方法、装置、设备和存储介质。
背景技术
在全球经济快速发展的背景下,露天矿作为重要的原材料供应基地,其生产效率和成本控制成为企业关注的焦点。自动驾驶在这一领域的应用不仅可以提升作业效率,降低成本,还能显著提高工作环境的安全性。特别是在露天矿这种复杂和变化多端的工作环境中,自动驾驶技术的引入可以确保作业的连续性和稳定性。装载区作为露天矿作业的核心环节,其效率直接影响到整个矿区的生产效能。装载区不仅是矿石装载的主要场所,也是矿区物流系统的关键节点。一个高效的装载区可以确保矿石快速、顺利地从开采点转移到运输车辆上,从而降低整个矿区的运输成本和时间耗费。然而,传统的装载区管理方式过多依赖于人工操作和经验判断,难以应对矿区环境的快速变化和复杂性。在自动化和智能化日益成为产业发展趋势的今天,露天矿的自动化转型显得尤为重要。装载区的智能化管理不仅能提高矿石装载的效率,还能通过优化物流路线,减少能源消耗,从而在环保和经济效益上双赢。
在现有技术中,传统的装载区中,装载点往往是只有一个且固定的。一方面,在特殊情况下无法及时调整,例如装载需求增加或道路变更的情况;另一发面,在随着电铲,挖机在装载区不断作业,整个装载区的作业面不断变化,装载区的入场点也需要及时变动更新。传统依赖人工手动更新往往得不到最优的入场点,需要反复调整多次,才能最终确定入场点一段时间。
因此,目前缺少一种能够在实时生成矿装载区的入场点的方法。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
为了解决相关技术中存在的问题,本公开实施例提供了露天矿装载区的入场点生成方法、装置、设备和存储介质,用以解决现有技术中无法根据实际露天矿的实时情况来调整卸载区入场点的问题。
在一些实施例中,提供了一种露天矿装载区的入场点生成方法,应用于露天矿装载区的入场点生成系统,包括车辆和驾驶后台,所述车辆包括具有摄像头和传感器的电铲;
所述方法包括:
利用车辆上的摄像头和传感器实时获取装载区的实时图像,发送给驾驶后台;
实时通过实时图像,实时更新装载区的地图;
生成训练模型模块;
利用装载区入场点生成模块来调整装载区入场点。
优选的,所述方法,还包括:
生成临时装载区入场点。
优选的,生成训练模型模块,包括:
收集装卸区信息;
对装卸区信息进行预处理;
设计装载区入场点生成模块网络结构;
对装载区入场点生成模块进行训练。
优选的,所述装卸区信息,包括:
入场点位置:
电铲位置:
矿卡入场时间:
装载区地理信息:。
优选的,所述装卸区信息,还包括:天气:。
优选的,设计装载区入场点生成模块网络结构,包括:
定义输入层:
输入层维度:[samples,time_steps, features]
LSTM层:
第一层:输出维度100,返回序列;
第二层:输出维度100,不返回序列return_sequences=0;
输出层:
使用一个全连接层,激活函数为线性,输出维度为2,对应预测的下一个时间步的坐标。
优选的,对装载区入场点生成模块进行训练,包括:
设置编译模型包括:损失函数MSE,优化器Adam,评估指标MAE;
设置训练模型包括:批次大小和迭代次数;
训练循环Epochs:
对于每个epoch:
前向传播计算:
输入门:;
遗忘门:;
细胞状态候选:;
细胞状态更新:;
输出门:;
最终输出:;
其中,表示当前时间步的输入门,/>表示当前时间步的遗忘门,
表示当前时间步的输出门,/>表示当前时间步的细胞状态,/>表示当前时间步的隐藏状态,/>表示当前时间步的细胞状态候选,/>表示Sigmoid擞活函数,/>表示双曲正切激活函数,/>分别表示输入门、遗忘门、细胞状态和输出门的输入权重,分别表示输入门、遗忘门、细胞状态和输出门的隐藏状态权重,表示输入门、遗忘门、细胞状态和输出门的输入偏置,/>表示输入门、遗忘门、细胞状态和输出门的隐藏状态偏置,/>表示前一时间步的隐藏状态,表示前一时间步的细胞状态;
损失计算:
均方误差MSE:,
其中,表示损失函数,/>表示均方误差,/>表示批次中的样本数,/>表示真实值,/>表示预测值;
反向传播计算梯度:
损失函数对权重的梯度:,
损失函数对偏置的梯度:,
参数更新:
权重更新:,
偏置更新:,
其中,表示学习率,/>表示损失对权重的梯度,/>表示损失对偏置的梯度。
在一些实施例中,公开了一种露天矿装载区的入场点生成系统,包括:
现场数据生成模块,用于利用车辆上的摄像头和传感器实时获取装载区的实时图像,发送给驾驶后台;
更新地图模块,用于实时通过实时图像,实时更新装载区的地图;
生成训练模型模块,用于生成训练模型模块;
入场点生成模块,用于利用装载区入场点生成模块来调整装载区入场点。
在一些实施例中,公开了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,执行如上述的露天矿装载区的入场点生成方法。
在一些实施例中,公开了一种计算机可读存储介质,其上存储有计算机程序,对应的程序被处理器执行如上述的露天矿装载区的入场点生成方法。
本公开实施例提供的一种露天矿装载区的入场点生成方法、装置、设备和存储介质,可以实现以下技术效果:
1,高度智能化和自动化:
本系统通过采用先进的基于LSTM的预测模型和实时数据处理能力,能够自动调整装载区的出入点,灵活应对装载区的变化。这种智能化程度远超传统方法,减少了对人工操作的依赖,同时提高了决策的准确性和响应速度。通过引入实时地图更新和装载点的智能生成,系统能够根据实时情况调整作业计划,避免了传统方法中的时间滞后和信息不准确问题。
2、提高作业效率。
动态出入点和临时装载点的设置大幅缩短了运输车辆的往返时间,有效降低了装载等待时间,从而提升了整个装载区域的作业效率。优化作业路径和减少不必要的移动时间,降低了资源浪费,提升了整体作业的流畅性和效率。
3、安全性提升。
自动化和智能化的操作减少了人为错误的可能性,增加了作业的安全性。尤其是在复杂和危险的露天矿环境中,减少人工直接介入可以显著降低安全事故的风险。实时监控和数据分析能力能够及时发现潜在的安全隐患,如异常装载行为或设备故障,从而采取预防措施,保障作业人员和设备的安全。
4、资源优化与成本控制。
通过智能化的调度和管理,系统可以更有效地利用资源,如电铲、运输车辆等,减少闲置和低效运转,从而降低运营成本。优化的作业流程和路径规划还能减少能源消耗,例如减少燃油使用,从而降低整体的能源成本,同时也有助于环境保护。
综上所述,本申请提案的技术优势在智能化、效率提升、安全性增强和资源及成本优化等方面均表现突出,为露天矿装载区的管理和运营提供了全面的技术升级。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1是本公开实施例提供的一种露天矿装载区的入场点生成系统示意图;
图2是本公开实施例提供的一种露天矿装载区的入场点生成方法流程示意图;
图3是本公开实施例提供的一种训练装载区入场点生成模块的方法流程示意图;
图4是本公开实施例提供的一种基于RNN结构说明的示意图;
图5是本公开实施例提供的一种基于LSTM结构说明的示意图;
图6是本公开实施例提供的一种露天矿装载区的入场点生成装置;
图7是本公开实施例提供的一种露天矿装载区的入场点生成的电子设备。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和系统可以简化展示。
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。在本文中,各实施方案可以被单独地或总地用术语“发明”来表示,这仅仅是为了方便,并且如果事实上公开了超过一个的发明,不是要自动地限制对应的应用的范围为任何单个发明或发明构思。本文中,诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来,而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且,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、方法或者汽车不仅包括那些要素,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、方法或者汽车所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法或者汽车中还存在另外的相同要素。本文中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法、产品等而言,由于其与实施例公开的方法部分相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
在现有技术中,传统的装载区中,装载点往往是只有一个且固定的。一方面,在特殊情况下无法及时调整,例如装载需求增加或道路变更的情况;另一发面,在随着电铲,挖机在装载区不断作业,整个装载区的作业面不断变化,装载区的入场点也需要及时变动更新。传统依赖人工手动更新往往得不到最优的入场点,需要反复调整多次,才能最终确定入场点一段时间。
为了解决相关技术中存在的问题,本公开实施例提供了露天矿装载区的入场点生成方法、装置、设备和存储介质,用以解决现有技术中无法根据实际露天矿的实时情况来调整卸载区入场点的问题。
参见图1,本公开实施例提供了一种露天矿装载区的入场点生成系统,包括车辆和驾驶后台,所述车辆包括具有摄像头和传感器的电铲。
需要说明的是,矿区的车辆至少包括矿卡和电铲。一般情况下,矿卡在入场点等待入场装载,一次入场1到2辆矿卡,按照车队运行,一般为10到20辆,往返于装载区和卸载区。而电铲在固定位置挖掘作业,高度十几米到几十米不等高。本装置中电铲的铲臂上加装了摄像头和传感器,在每天在装载工作进行之前可以旋转铲臂,利用高度优势扫描装载区,及时同步装载区变更到驾驶后台。
对应的,参见图2,为本公开实施例中的一种露天矿装载区的入场点生成方法。所述方法包括:
S10,利用车辆上的摄像头和传感器实时获取装载区的实时图像,发送给驾驶后台。
S20,实时通过实时图像,实时更新装载区的地图。
应理解,通过在电铲等关键设备上安装的摄像头和传感器,实时监控装载区的状态。这些设备捕捉装载区的实时图像和数据,然后将这些信息传送回云端平台。云平台利用这些数据更新装载区的地图。这个更新不仅包括地理位置的变化,还包括可能影响装载作业的其他因素,如设备位置、道路状况等。
S30,基于LSTM预测模型来训练装载区入场点生成模块。
基于实时地图数据和装载区入场点生成模块,系统动态地调整装载区的入场点位置。这种调整考虑了最近的挖掘活动、运输车辆的流动和其他关键参数,以优化入场路径和减少车辆等待时间。
一种优化的实施例中,所述方法,还包括:生成临时装载区入场点。
现有技术中,入场点是单一且不变的。当装载需求增加或特殊情况出现时,例如矿卡数量过多、主要道路拥堵时,驾驶后台会智能地生成额外的装载点。临时装载点的生成基于实时数据分析和预测模型的结果,以避免单一装载点过于拥挤,保持作业的连续性。通过装载区入场点生成模块,在将原固定的入场点进行调整的同时来增加新的装载区入场点。
在实际应用中,先进行对目前装载区入场点的判断。判断目前装载区入场点是否会造成拥堵,若是,则判断是否有空间生成临时装载区入场点。
在临时装载区入场点具有空间的条件下,生成临时装载区入场点。
需要说明的是,新增的装载区入场点并不限定数量。新增的装载区入场点数量可根据实际情况来设定。一般情况下,新增的装载区入场点生成后,不会作为固定的装载区入场点,也就是,不会作为下一次调整的固定装载区入场点来出现。
参见图3,生成训练模型模块,包括:
S31,收集装卸区信息。
所述装卸区信息具体包括:入场点位置:;电铲位置:;矿卡入场时间:、装载区地理信息:/>;天气:/>。
S32,对装卸区信息进行预处理。
对装卸区信息进行归一化处理。对所有数值型输入进行归一化处理以消除量纲影响。
对装卸区信息进行序列化处理。将数据组织成LSTM需要的序列格式([samples,time_steps, features]),每个输入样本是过去n=10个时间步的数据集合。
构造监督学习数据集:
以时间窗口n=10创建特征和标签对,使用过去n时间步的,/>,,/>,/>来预测下一个时间步的/>。按照70%测试集,15%验证集,15%测试集进行划分。
S33,设计装载区入场点生成模块网络结构。
长短期记忆网络LSTM是一种特殊类型的循环神经网络RNN,旨在解决传统RNN在处理长时间序列时遇到的梯度消失和梯度爆炸问题。LSTM的核心创新在于其内部结构,特别是“门控机制”,LSTM单元还包括一个细胞状态,它在网络中贯穿运行,负责存储和传递相关信息。
如图4所示,传统的RNN结构中,每个单元有一个简单的结构,通常包括一个tanh激活函数,用于处理输入数据和前一个隐藏状态h/>的信息。这个单一的层需要处理所有的信息存储、更新和输出生成,这导致了当处理长序列时信息难以保留,从而产生梯度消失或梯度爆炸的问题。图4中,x (t-1),x t ,x (t+1)为t递增的输入数据,h (t-1),h t ,h (t+1)为对应t递增的状态信息。
如图5所示,LSTM结构中,每个单元更为复杂,包含了四个主要部分:输入门、遗忘门、输出门和细胞状态。图5中,x (t-1),x t ,x (t+1)为t递增的输入数据,h (t-1),h t ,h (t+1)为对应t递增的状态信息。LSTM通过这些门控结构来维护和更新长期和短期的记忆。输入门控制着新信息加入细胞状态的程度,遗忘门决定了细胞状态中旧信息应该被丢弃,而输出门控制了细胞状态的信息应该被用来计算当前的隐藏状态ht和最终输出。上述结构使LSTM能够在长序列中有效地保留信息,避免了传统RNN的问题。这就是LSTM区别于RNN的关键——特殊的门控机制,这允许它在长时间序列的处理中保持更稳定的梯度,从而有效地学习和记忆长期的依赖关系。
定义输入层:
输入层维度:[samples, time_steps, features]
LSTM层:
第一层:输出维度100,返回序列;
第二层:输出维度100,不返回序列return_sequences=False;
输出层:
使用一个全连接层,激活函数为线性,输出维度为2,对应预测的下一个时间步的坐标。
S34,对装载区入场点生成模块进行训练。
设置编译模型包括:损失函数MSE,优化器Adam,评估指标MAE。
设置训练模型包括:批次大小64次和迭代次数150次。
训练循环Epochs:
对于每个epoch:
前向传播计算:
遗忘门用于判断控制是否遗忘的。在LSTM中,即以一定的概率控制是否遗忘上一层的隐藏细胞状态,输入有上一序列的隐藏状态h (t-1)和本序列数据x t ,通过sigmoid激活函数得到得到遗忘门的输出。
遗忘门:。
输入门负责处理当前序列位置的输入,输入有上一序列的隐藏状态h (t-1)和本序列数据x t ,通过sigmoid激活函数得到得到输入。
输入门:。
细胞状态候选用于和输入门的结果一起更新细胞状态。
细胞状态候选:。
细胞状态更新由两部分组成,第一部分是上一个细胞状态和遗忘门输出的乘积,第二部分是输入门和细胞状态候选的更新。
细胞状态更新:。
输出门o t 由上一序列的隐藏状态h (t-1)和本序列数据x t ,以及sigmoid激活函数得到。
输出门:;
最终隐藏状态h t 的更新由输出门o t 和tanh激活函数组成。
最终输出:;
其中,表示当前时间步的输入门,/>表示当前时间步的遗忘门,
表示当前时间步的输出门,/>表示当前时间步的细胞状态,/>表示当前时间步的隐藏状态,/>表示当前时间步的细胞状态候选,/>表示Sigmoid擞活函数,/>表示双曲正切激活函数,/>分别表示输入门、遗忘门、细胞状态和输出门的输入权重,分别表示输入门、遗忘门、细胞状态和输出门的隐藏状态权重,表示输入门、遗忘门、细胞状态和输出门的输入偏置,/>表示输入门、遗忘门、细胞状态和输出门的隐藏状态偏置,/>表示前一时间步的隐藏状态,表示前一时间步的细胞状态;
损失计算:
均方误差MSE:,
其中,表示损失函数,/>表示均方误差,/>表示批次中的样本数,/>表示真实值,/>表示预测值;
反向传播计算梯度:
损失函数对权重的梯度:,
损失函数对偏置的梯度:,
参数更新:
权重更新:,
偏置更新:,
其中,表示学习率,/>表示损失对权重的梯度,/>表示损失对偏置的梯度。
S35,对装载区入场点生成模块进行优化。
具体地,优化包括性能评估和调优。在测试集上使用MSE和MAE来评估模型。根据需要调整LSTM网络的层数、神经元数量、学习率或批次大小。
S40,利用装载区入场点生成模块来调整装载区入场点。
在实际应用中,装载完成后,驾驶后台根据实时地图和当前的运输车辆分布情况,指导车辆通过最优路径离开装载区。该过程中,系统持续监控装载区的状况,确保出场路径的畅通无阻。通过智能化的出场管理,不仅提高了车辆的离场效率,还减少了装载区的总体拥堵状况,确保了整个装载流程的高效和顺畅。整个智能装载流程通过这些高度自动化和智能化的步骤,实现了装载作业的最大化效率和最小化延误,显著提升了露天矿装载区的作业效能。
图6示出了根据本发明实施例提供的露天矿装载区的入场点生成装置,该装置包括:
现场数据生成模块,用于利用车辆上的摄像头和传感器实时获取装载区的实时图像,发送给后台;
更新地图模块,用于实时通过实时图像,实时更新装载区的地图;
生成训练模型模块,用于生成训练模型模块;
入场点生成模块,用于利用装载区入场点生成模块来调整装载区入场点。
结合图7所示,本公开实施例提供矿卡卸载点可用状态检测设备,包括处理器(processor)和存储器(memory)。可选地,对应的设备还可以包括通信接口(CommunicationInterface)和总线。其中,处理器、通信接口、存储器可以通过总线完成相互间的通信。通信接口可以用于信息传输。处理器可以调用存储器中的逻辑指令,以执行上述实施例的露天矿装载区的入场点生成方法。
本公开实施例提供了一种存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为执行上述露天矿装载区的入场点生成方法。
上述的存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。非暂态存储介质,包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。如在实施例的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法或者汽车中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (10)
1.一种露天矿装载区的入场点生成方法,其特征在于,应用于露天矿装载区的入场点生成系统,包括车辆和驾驶后台,所述车辆包括具有摄像头和传感器的电铲;
所述方法包括:
利用车辆上的摄像头和传感器实时获取装载区的实时图像,发送给驾驶后台;
实时通过实时图像,实时更新装载区的地图;
基于LSTM预测模型来训练装载区入场点生成模块;
利用装载区入场点生成模块来调整装载区入场点。
2.根据权利要求1所述的方法,其特征在于,所述方法,还包括:
生成临时装载区入场点。
3.根据权利要求1所述的方法,其特征在于,基于LSTM预测模型来训练装载区入场点生成模块,包括:
收集装卸区信息;
对装卸区信息进行预处理;
设计装载区入场点生成模块网络结构;
对装载区入场点生成模块进行训练。
4.根据权利要求3所述的方法,其特征在于,所述装卸区信息,包括:
入场点位置:;
电铲位置:;
矿卡入场时间:;
装载区地理信息:。
5.根据权利要求4所述的方法,其特征在于,所述装卸区信息,还包括:天气:。
6.根据权利要求4所述的方法,其特征在于,设计装载区入场点生成模块网络结构,包括:
定义输入层:
输入层维度:[samples, time_steps, features]
LSTM层:
第一层:输出维度100,返回序列;
第二层:输出维度100,不返回序列return_sequences=0;
输出层:
使用一个全连接层,激活函数为线性,输出维度为2,对应预测的下一个时间步的坐标。
7.根据权利要求6所述的方法,其特征在于,对装载区入场点生成模块进行训练,包括:
设置编译模型包括:损失函数MSE,优化器Adam,评估指标MAE;
设置训练模型包括:批次大小和迭代次数;
训练循环Epochs:
对于每个epoch:
前向传播计算:
输入门:;
遗忘门:;
细胞状态候选:;
细胞状态更新:;
输出门:;
最终输出:;
其中,表示当前时间步的输入门,/>表示当前时间步的遗忘门,
表示当前时间步的输出门,/>表示当前时间步的细胞状态,/>表示当前时间步的隐藏状态,/>表示当前时间步的细胞状态候选,/>表示Sigmoid擞活函数,/>表示双曲正切激活函数,/>分别表示输入门、遗忘门、细胞状态和输出门的输入权重,分别表示输入门、遗忘门、细胞状态和输出门的隐藏状态权重,表示输入门、遗忘门、细胞状态和输出门的输入偏置,/>表示输入门、遗忘门、细胞状态和输出门的隐藏状态偏置,/>表示前一时间步的隐藏状态,表示前一时间步的细胞状态;
损失计算:
均方误差MSE:,
其中,表示损失函数,/>表示均方误差,/>表示批次中的样本数,/>表示真实值,表示预测值;
反向传播计算梯度:
损失函数对权重的梯度:,
损失函数对偏置的梯度:,
参数更新:
权重更新:,
偏置更新:,
其中,表示学习率,/>表示损失对权重的梯度,/>表示损失对偏置的梯度。
8.一种露天矿装载区的入场点生成系统,其特征在于,包括:
现场数据生成模块,用于利用车辆上的摄像头和传感器实时获取装载区的实时图像,发送给驾驶后台;
更新地图模块,用于实时通过实时图像,实时更新装载区的地图;
生成训练模型模块,用于基于LSTM预测模型来训练装载区入场点生成模块;
入场点生成模块,用于利用装载区入场点生成模块来调整装载区入场点。
9.一种设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,对应的程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311764738.0A CN117436678B (zh) | 2023-12-21 | 2023-12-21 | 露天矿装载区的入场点生成方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311764738.0A CN117436678B (zh) | 2023-12-21 | 2023-12-21 | 露天矿装载区的入场点生成方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117436678A true CN117436678A (zh) | 2024-01-23 |
CN117436678B CN117436678B (zh) | 2024-04-12 |
Family
ID=89546486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311764738.0A Active CN117436678B (zh) | 2023-12-21 | 2023-12-21 | 露天矿装载区的入场点生成方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436678B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017062742A (ja) * | 2015-09-25 | 2017-03-30 | 日立建機株式会社 | 駐機場管理システム |
US20200050941A1 (en) * | 2018-08-07 | 2020-02-13 | Amadeus S.A.S. | Machine learning systems and methods for attributed sequences |
FR3084946A1 (fr) * | 2018-08-07 | 2020-02-14 | Amadeus S.A.S. | Procedes et systemes d'apprentissage automatique pour des sequences attribuees |
CN112149255A (zh) * | 2020-09-30 | 2020-12-29 | 中煤能源研究院有限责任公司 | 基于lstm神经网络的采煤工作面液压支架工作阻力预测方法 |
KR102206658B1 (ko) * | 2020-08-14 | 2021-01-22 | 아이티플래닛 주식회사 | 항만 컨테이너 터미널에서 미들웨어를 통해 터미널 운영 시스템과 연동되는 비전 카메라 시스템 및 그 방법 |
JP2021026681A (ja) * | 2019-08-08 | 2021-02-22 | Ihi運搬機械株式会社 | 駐車場管理システム、駐車場管理装置、および駐車場管理方法 |
CN113901951A (zh) * | 2021-11-06 | 2022-01-07 | 重庆数智三万智能装备有限公司 | 一种无人船自识别及避障方法及装置 |
CN113936193A (zh) * | 2021-10-26 | 2022-01-14 | 东北大学秦皇岛分校 | 货车载重量图像识别模型生成方法及货车载重量识别方法 |
CN114322993A (zh) * | 2022-03-08 | 2022-04-12 | 江苏徐工工程机械研究院有限公司 | 露天矿山无人运输系统装载区地图生成方法及系统 |
CN114971073A (zh) * | 2022-06-24 | 2022-08-30 | 北京交通大学 | 一种跨线列车多站到达晚点预测的方法及装置 |
KR102516846B1 (ko) * | 2022-12-23 | 2023-04-03 | 포유티엘에스 주식회사 | 뉴럴 네트워크를 이용하여 물품 창고에 대한 정보를 기초로 물품의 재고 상태를 사용자 단말에게 전송하는 방법 및 장치 |
CN115961996A (zh) * | 2022-12-26 | 2023-04-14 | 焦作煤业集团赵固(新乡)能源有限责任公司 | 一种基于随机风速场预测的煤矿主通风机变频器调速方法 |
CN117055554A (zh) * | 2023-08-10 | 2023-11-14 | 华能伊敏煤电有限责任公司 | 一种露天矿山卸载区分配卸载点的方法及系统 |
-
2023
- 2023-12-21 CN CN202311764738.0A patent/CN117436678B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017062742A (ja) * | 2015-09-25 | 2017-03-30 | 日立建機株式会社 | 駐機場管理システム |
US20200050941A1 (en) * | 2018-08-07 | 2020-02-13 | Amadeus S.A.S. | Machine learning systems and methods for attributed sequences |
FR3084946A1 (fr) * | 2018-08-07 | 2020-02-14 | Amadeus S.A.S. | Procedes et systemes d'apprentissage automatique pour des sequences attribuees |
JP2021026681A (ja) * | 2019-08-08 | 2021-02-22 | Ihi運搬機械株式会社 | 駐車場管理システム、駐車場管理装置、および駐車場管理方法 |
KR102206658B1 (ko) * | 2020-08-14 | 2021-01-22 | 아이티플래닛 주식회사 | 항만 컨테이너 터미널에서 미들웨어를 통해 터미널 운영 시스템과 연동되는 비전 카메라 시스템 및 그 방법 |
CN112149255A (zh) * | 2020-09-30 | 2020-12-29 | 中煤能源研究院有限责任公司 | 基于lstm神经网络的采煤工作面液压支架工作阻力预测方法 |
CN113936193A (zh) * | 2021-10-26 | 2022-01-14 | 东北大学秦皇岛分校 | 货车载重量图像识别模型生成方法及货车载重量识别方法 |
CN113901951A (zh) * | 2021-11-06 | 2022-01-07 | 重庆数智三万智能装备有限公司 | 一种无人船自识别及避障方法及装置 |
CN114322993A (zh) * | 2022-03-08 | 2022-04-12 | 江苏徐工工程机械研究院有限公司 | 露天矿山无人运输系统装载区地图生成方法及系统 |
CN114971073A (zh) * | 2022-06-24 | 2022-08-30 | 北京交通大学 | 一种跨线列车多站到达晚点预测的方法及装置 |
KR102516846B1 (ko) * | 2022-12-23 | 2023-04-03 | 포유티엘에스 주식회사 | 뉴럴 네트워크를 이용하여 물품 창고에 대한 정보를 기초로 물품의 재고 상태를 사용자 단말에게 전송하는 방법 및 장치 |
CN115961996A (zh) * | 2022-12-26 | 2023-04-14 | 焦作煤业集团赵固(新乡)能源有限责任公司 | 一种基于随机风速场预测的煤矿主通风机变频器调速方法 |
CN117055554A (zh) * | 2023-08-10 | 2023-11-14 | 华能伊敏煤电有限责任公司 | 一种露天矿山卸载区分配卸载点的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117436678B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Akhavian et al. | Knowledge-based simulation modeling of construction fleet operations using multimodal-process data mining | |
He et al. | Joint decision-making of parallel machine scheduling restricted in job-machine release time and preventive maintenance with remaining useful life constraints | |
CN104504460A (zh) | 预测叫车平台的用户流失的方法和装置 | |
Fu et al. | A hybrid deep learning approach for dynamic attitude and position prediction in tunnel construction considering spatio-temporal patterns | |
CN112990587B (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN110658905B (zh) | 设备运行状态的预警方法、预警系统及预警装置 | |
WO2020252666A1 (zh) | 工业物联网的边缘计算设备、方法和计算机可读存储介质 | |
CN117541197B (zh) | 一种基于bim和aiot数据驱动的智能建造方法及系统 | |
Lee et al. | Clustered multi-task sequence-to-sequence learning for autonomous vehicle repositioning | |
Zhao et al. | Unifying Uber and taxi data via deep models for taxi passenger demand prediction | |
Brahimi et al. | Modelling on car-sharing serial prediction based on machine learning and deep learning | |
Abolghasemian et al. | Simulation-based multiobjective optimization of open-pit mine haulage system: a modified-NBI method and meta modeling approach | |
CN112116158A (zh) | 数据处理方法、数据处理装置、存储介质和电子设备 | |
CN111523218A (zh) | 一种基于动态多目标进化的多目标参数优化方法 | |
Kubota et al. | Autopilot model for shield tunneling machines using support vector regression and its application to previously constructed tunnels | |
CN117436678B (zh) | 露天矿装载区的入场点生成方法、装置、设备和存储介质 | |
CN116862079B (zh) | 一种企业污染物排放预测方法及预测系统 | |
Sharp et al. | Hierarchical modeling of a manufacturing work cell to promote contextualized PHM information across multiple levels | |
CN113435055B (zh) | 盾构刀盘扭矩领域自适应迁移预测方法和系统 | |
Fan | Data mining model for predicting the quality level and classification of construction projects | |
Zhang et al. | Multistep prediction for earthworks unloading duration: a fuzzy Att-Seq2Seq network with optimal partitioning and multi-time granularity modeling | |
CN117751373A (zh) | 工厂运营的预测方法、装置及计算机可读存储介质 | |
CN113689694A (zh) | 一种车流量预测方法、装置、设备及可读存储介质 | |
El-Adaway et al. | State-of-the-art research in the area of artificial intelligence with specific consideration to civil infrastructure, construction engineering and management, and safety | |
Wu et al. | Optimization of unmanned aerial vehicle inspection strategy for infrastructure based on model-enabled diagnostics and prognostics |
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 |