CN113554247A - 自动导引运输车运行状况评估方法、装置和*** - Google Patents
自动导引运输车运行状况评估方法、装置和*** Download PDFInfo
- Publication number
- CN113554247A CN113554247A CN202010327022.4A CN202010327022A CN113554247A CN 113554247 A CN113554247 A CN 113554247A CN 202010327022 A CN202010327022 A CN 202010327022A CN 113554247 A CN113554247 A CN 113554247A
- Authority
- CN
- China
- Prior art keywords
- data
- guided vehicle
- model
- feature
- automated guided
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000013499 data model Methods 0.000 claims abstract description 53
- 230000001133 acceleration Effects 0.000 claims description 76
- 238000011156 evaluation Methods 0.000 claims description 59
- 230000036541 health Effects 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- AXTGDCSMTYGJND-UHFFFAOYSA-N 1-dodecylazepan-2-one Chemical compound CCCCCCCCCCCCN1CCCCCC1=O AXTGDCSMTYGJND-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了自动导引运输车运行状况评估方法、装置和***,涉及计算机技术领域。该方法的一具体实施方式包括:获取自动导引运输车的当前运行数据;利用当前运行数据训练数据模型,得到使用模型;利用使用模型以及存储的基线模型,评估自动导引运输车的当前运行状况,其中,基线模型由历史运行数据训练数据模型得到。该实施方式能够及时发现自动导引运输车可能存在运行问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种自动导引运输车运行状况评估方法、装置和***。
背景技术
随着自动化技术的发展,自动导引运输车已经应用于物流仓储等行业。由于自动导引运输车的各种零部件会产生磨损,往往需要定期对这些设备进行检修和维护。
目前,主要通过人为评估自动导引运输车的运行状况,根据人为评估出的运行状况,来对设备进行检修和维护。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
现有的这种人为评估方法往往不能够及时发现自动导引运输车存在的运行问题。
发明内容
有鉴于此,本发明实施例提供一种自动导引运输车运行状况评估方法、装置和***,能够及时发现自动导引运输车可能存在运行问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种自动导引运输车运行状况评估方法,包括:
获取自动导引运输车的当前运行数据;
利用所述当前运行数据训练数据模型,得到使用模型;
利用所述使用模型以及存储的基线模型,评估所述自动导引运输车的当前运行状况,其中,所述基线模型由历史运行数据训练所述数据模型得到。
优选地,所述自动导引运输车运行状况评估方法,进一步包括:
获取多个自动导引运输车的历史运行数据;
将所述历史运行数据划分为至少一个数据阶段;
针对每一个所述数据阶段的历史运行数据执行:从所述历史运行数据提取出多个第一特征集合,其中,每一个所述第一特征集合对应一种时域特征或者频域特征;
针对每一个所述第一特征集合执行:利用所述第一特征集合中的数据训练所述数据模型,得到对应的基线模型;
存储多个所述基线模型。
优选地,
在所述获取自动导引运输车的当前运行数据之后,进一步包括:
将所述当前运行数据划分为至少一个数据阶段;
针对每一个所述数据阶段的当前运行数据执行:从所述当前数据提取多个第二特征集合,其中,多个所述第二特征集合对应的特征类别与多个所述第一特征集合对应的特征类别一一对应;
利用所述当前运行数据训练数据模型的步骤包括:
针对每一所述第二特征集合执行:利用所述第二特征集合中的数据训练数据模型。
优选地,划分为至少一个数据阶段的步骤包括:
确定所述历史运行数据和/或所述当前运行数据中每一个数据点指示的运动状态,其中,所述运动状态包括减速状态、匀速状态以及加速状态中的任意一种;
根据所述每一个数据点指示的运动状态,为所述历史运行数据和/或所述当前运行数据划分出至少一个数据阶段,其中,每一个所述数据阶段所包括的数据指示同一种运动状态。
优选地,针对每一个所述数据阶段执行的提取出多个第一特征集合和/或多个第二特征集合的步骤包括:
针对每一个所述数据阶段,执行:
利用所述数据阶段中的数据,提取多个时域特征以及多个频域特征;
从所述多个时域特征以及所述多个频域特征中,选取多个目标特征;
利用每一个所述目标特征对应的数据组成对应的特征集合,其中,当所述数据阶段中的数据为所述历史运行数据时,所述特征集合为所述第一特征集合,当所述数据阶段中的数据为所述当前运行数据时,所述特征集合为所述第二特征集合。
优选地,评估所述自动导引运输车的当前运行状况步骤包括:
利用所述使用模型以及存储的基线模型,计算所述自动导引运输车的健康评估值;
当所述健康评估值不满足预设的健康条件时,确定所述自动导引运输车的当前运行存在问题。
优选地,
所述使用模型的个数为多个;
所述基线模型的个数为多个;
其中,多个所述特征使用模型的特征类别与多个所述基线模型的特征类别一一对应;
计算所述自动导引运输车的健康评估值步骤包括:
针对每一个所述使用模型,执行:
根据所述使用模型对应的特征类别,为所述使用模型匹配对应的目标基线模型;
利用所述使用模型以及所述目标基线模型,计算特征健康评估值;
利用多个所述特征健康评估值,计算健康评估值。
优选地,所述自动导引运输车运行状况评估方法,进一步包括:
当所述当前运行状况指示所述自动导引运输车的运行存在问题时,生成警告信息;
将所述警告信息提供给维护人员,以维护所述自动导引运输车和/或替换所述自动导引运输车。
第二方面,本发明实施例提供一种自动导引运输车运行状况评估装置,其特征在于,包括:获取单元、训练单元以及评估单元,其中,
所述获取单元,用于获取自动导引运输车的当前运行数据;
所述训练单元,用于利用所述获取单元获取到的所述当前运行数据训练数据模型,得到使用模型;
所述评估单元,用于利用所述训练单元得到的使用模型以及存储的基线模型,评估所述自动导引运输车的当前运行状况,其中,所述基线模型由历史运行数据训练所述数据模型得到。
优选地,所述自动导引运输车运行状况评估装置,进一步包括:存储单元,其中,
所述训练单元,进一步用于获取多个自动导引运输车的历史运行数据;将所述历史运行数据划分为至少一个数据阶段,针对每一个所述数据阶段的历史运行数据执行:从所述历史运行数据提取出多个第一特征集合,其中,每一个所述第一特征集合对应一种时域特征或者频域特征;针对每一个所述第一特征集合执行:利用所述第一特征集合中的数据训练所述数据模型,得到对应的基线模型;
所述存储单元,用于存储所述训练单元得到的多个所述基线模型。
第三方面,本发明实施例提供一种自动导引运输车运行状况评估***,其特征在于,包括:自动导引运输车以及上述自动导引运输车运行状况评估装置,其中,
所述自动导引运输车,用于实时采集自身的当前运行数据,并提供所述当前运行数据给所述自动导引运输车运行状况评估装置。
上述发明中的一个实施例具有如下优点或有益效果:采用自动导引运输车在正常运行过程产生的运行数据使用模型与采用自动导引运输车在异常运行过程产生的运行数据使用模型之间存在明显的差异,因此,通过利用当前运行数据训练数据模型,利用使用模型以及由历史运行数据训练数据模型得到的基线模型,可实现评估自动导引运输车的当前运行状况,从而能够及时发现自动导引运输车可能存在运行问题。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的自动导引运输车运行状况评估方法的主要流程的示意图;
图2是根据本发明实施例的训练出基线模型的主要流程的示意图;
图3是根据本发明实施例的当前运行数据训练数据模型的主要流程的示意图;
图4是根据本发明实施例的预处理步骤的主要流程的示意图;
图5是根据本发明实施例的确定数据点的运行状态的主要流程的示意图;
图6是根据本发明另一实施例的确定数据点的运行状态的主要流程的示意图;
图7是根据本发明实施例的一段时间的运行数据划分出的不同数据阶段的示意图;
图8是根据本发明实施例的提取多个特征集合的主要流程的示意图;
图9是根据本发明实施例的计算自动导引运输车的健康评估值的主要流程的示意图;
图10是根据本发明实施例的特征基线模型和特征基线模型实例的示意图;
图11是根据本发明实施例的自动导引运输车运行状况评估装置的主要单元的示意图;
图12是本发明实施例可以应用于其中的示例性***架构图;
图13是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
自动导引运输车一般是指能按照预设的路线行驶,以将物品从一个地方搬运到另一个地方的设备。
比如,在自动化仓库中,自动导引运输车(AGV)已经广泛用于货物搬运场景。该类设备构造复杂,造价较昂贵,维护成本高。维护或检修时一般需要停机,把设备移除工作场地,会对现场的运营造成较大影响。若能评估设备健康状态,提前发现设备的衰退或故障征兆,对状态较差的设备进行提前维护和保养,能够有效的减小对现场运营的影响,并且能够显著延长设备的使用寿命。
自动导引运输车在正常运行过程产生的运行数据与自动导引运输车在异常运行过程产生的运行数据之间存在差异性,但是,由于运行数据维度太多,而且运行数据间差异的规律很难被发现或者捕捉到,而通过数据模型可以达到规范运行数据的多个维度的数据的目的,因此,通过数据模型能够使结果更明确。
基于此,本发明下述各个实施例,利用获取到的自动导引运输车的当前运行数据使用模型与由历史运行数据训练得到的基线模型,评估自动导引运输车的当前运行状况。
图1是根据本发明实施例的一种自动导引运输车运行状况评估方法,如图1所示,该自动导引运输车运行状况评估方法可包括如下步骤:
S101:获取自动导引运输车的当前运行数据;
S102:利用当前运行数据训练数据模型,得到使用模型;
S103:利用使用模型以及存储的基线模型,评估自动导引运输车的当前运行状况,其中,基线模型由历史运行数据训练数据模型得到。
其中,当前运行数据可以为运行一个设定时间段内的运行数据。
基线模型对应的历史运行数据可以为多个自动导引运输车正常运行产生的运行数据或者异常运行产生的运行数据。
其中,数据模型可选用现有的一些可被训练的模型比如高斯混合模型等。
在图1所示的实施例中,采用自动导引运输车在正常运行过程产生的运行数据使用模型与采用自动导引运输车在异常运行过程产生的运行数据使用模型之间存在明显的差异,因此,通过利用当前运行数据训练数据模型得到使用模型以及由历史运行数据训练数据模型得到的基线模型,可实现评估自动导引运输车的当前运行状况,从而能够及时发现自动导引运输车可能存在运行问题。
一般来说,自动导引运输车在运行过程中的振动是进行运行状况(比如自动导引运输车正常或健康、自动导引运输车异常)评估重要内容之一,其中,振动的位移和速度都反映了自动导引运输车的运行状态。而自动导引运输车的运行数据的采集可通过现有技术实现。比如,自动导引运输车一般都会安装惯性测量单元(Inertial measurement unit,IMU),该IMU为可测量其所在设备(自动导引运输车)的三轴姿态角(或角速率)以及加速度的装置,可用于自动导引运输车的导航控制算法等。那么,通过采集IMU的数据,能够得到自动导引运输车的加速度、角加速度等设备振动数据,该设备振动数据即可作为自动导引运输车的运行数据。自动导引运输车的运行数据的采集频率较高,一般为100次/秒。
因此,上述S101的具体实现方式可以为,建立与自动导引运输车或IMU的通信,直接接收自动导引运输车中的IMU发送的实时的运行数据或者采集一段时间(如30min、60min等)的运行数据;也可以为先收集自动导引运输车中的IMU检测到的一段时间的运行数据,然后将收集的运行数据通过终端发送给实现自动导引运输车运行状况评估方法的装置或设备。
比如,对于AGV来说,其当前运行数据或历史运行数据可包括:采集数据的时间(精确到毫秒)、AGV运行时长、左右两个轮子的实际速度、AGV位置与车头方向、陀螺仪XYZ三个轴的加速度以及三个轴的角加速度。尤其地,历史数据可包括多辆性能表现较好的AGV的运行数据,以及表现较差或使用时间长的AGV的运行数据。不管是表现较好的AGV,还是表现较差或使用时间长的AGV,其提供的历史运行数据可为正常运行状态对应的运行数据或者异常运行状态对应的运行数据。
另外,值得说明的是,自动导引运输车在执行作业过程中会经历直行、拐弯等阶段,在本发明各个实施例所使用的当前运行数据或者历史运行数据均选用自动导引运输车在直行阶段的运行数据。由于自动导引运输车在直行阶段收到的干扰因素最少,通过选择直行阶段的运行数据可有效地提高评估的准确性。
对于上述S103来说,可以通过对比使用模型与存储的基线模型之间的差异,评估自动导引运输车的当前运行状况。当历史运行数据来源于多个自动导引运输车的异常运行状态对应的运行数据时,使用模型与存储的基线模型之间的差异越小,评估结果则为自动导引运输车的当前运行状况为异常的可能性越大;当历史运行数据来源于多个自动导引运输车的正常运行状态对应的运行数据时,使用模型与存储的基线模型之间的差异越小,评估结果则为自动导引运输车的当前运行状况为正常的可能性越大。
而对当前运行数据的处理、对历史运行数据的处理、采用历史运行数据训练数据模型得到基线模型的过程以及采用当前运行数据训练数据模型得到使用模型的过程,均可直接或间接影响评估结果的准确性。下面详细论述了本发明各个实施例给出的具体实施方案,以有效地提高评估结果的准确性。
在本发明一个实施例中,如图2所示,自动导引运输车运行状况评估方法可进一步包括如下步骤:
S201:获取多个自动导引运输车的历史运行数据;
S202:将历史运行数据划分为至少一个数据阶段;
S203:针对每一个数据阶段的历史运行数据执行:从历史运行数据提取出多个第一特征集合,其中,每一个第一特征集合对应一种时域特征或者频域特征;
S204:针对每一个第一特征集合执行:利用第一特征集合中的数据训练所述数据模型,得到对应的基线模型;
S205:存储多个基线模型。
值得说明的是,上述图2给出的步骤可以在获取自动导引运输车的当前运行数据步骤之前即执行完成,后续评估过程即可直接调用该存储的多个基线模型;另外,上述图2给出的步骤还可以在上述步骤S103之前执行或者与上述步骤S101或步骤S102同步执行等。
其中,步骤201的具体实施方式可以为直接接收多个自动导引运输车发送的运行数据作为历史运行数据;也可以为接收终端发送的多个自动导引运输车的历史运行数据。
另外,针对上述实施例还可以进一步包括筛去错误的运行数据(该错误的数据是指与其他运行数据存在明显差异的数据),也可以包括对历史运行数据进一步划分,以保证基线模型的准确性。另外,由于不同特征(时域特征或者频域特征中的任意一种特征)之间的关联性很难确定出,而且通过包含多个时域特征或者频域特征的历史运行数据训练出的基准模型准确性较低,也很难准确的反映真实状况,本发明实施例通过将历史运行数据按照时域特征或者频域特征划分到多个第一特征集合,利用每一个第一特征集合中的数据,训练预设的数据模型,从而得到每一个第一特征集合对应的基线模型。
其中,步骤S202中划分出的至少一个数据阶段可以根据历史运行数据对应的运行状态(减速状态、匀速状态、加速状态)进行划分,该至少一个数据阶段可包括:减速状态对应的数据阶段、匀速状态对应的数据阶段以及加速状态对应的数据阶段中的任意一个或多个。
其中,时域特征是利用运行数据(历史运行数据或当前运行数据)得到的均值、取绝对值之后的均值、峰峰值、标准差、均方根值、峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标以及峭度指标中的任意一种或多种特征。
频域特征是指通过计算每一个数据阶段经过傅里叶变换之后的幅度值,并为这些幅度值确定出来的特征,可包括均值、标准差、方差、偏斜度、裕度中的任意一种或多种特征。
与上述训练出多个基线模型(每一个基线模型对应一种特征)相对应地,如图3所示,针对步骤S101得到的当前运行数据可执行如下步骤:
S301:将当前运行数据划分为至少一个数据阶段;
S302:针对每一个数据阶段的当前运行数据执行:从当前数据提取多个第二特征集合,其中,多个第二特征集合对应的特征类别与多个第一特征集合对应的特征类别一一对应;
S303:针对每一第二特征集合执行:利用第二特征集合中的数据训练数据模型。
其中,特征类别是指时域特征所包括的每一个特征对应的特征类别以及频域特征所包括的每一个特征对应的特征类别,比如,频域特征中的均值特征对应的特征类别可为频域均值类别,时域特征中的均值特征对应的特征类别可为时域均值类别等。
值得说明的是,上述步骤S303训练得到的是每一个第二特征集合所对应的使用模型,由于第二特征集合对应一个特征类别,则特征或特征类别与使用模型之间一一对应。比如,频域特征中的均值特征或者频域均值类别对应一个使用模型,时域特征中的均值特征或时域均值类别对应另一个使用模型等。
通过图3给出的步骤实现了对当前运行数据划分出第二特征集合(其中,第一特征集合为包括历史运行数据的一个特征数据集合;第二特征集合为包括当前运行数据的一个特征数据集合),并为每一种时域特征或频域特征训练数据模型,得到使用模型。以方便与各个时域特征或频域特征对应的基线模型进行比对,从而进一步保证评估的准确性。
在本发明一个实施例中,如图4所示,上述步骤S202和/或步骤S302的划分为至少一个数据阶段的步骤可包括如下步骤:
S401:确定历史运行数据和/或当前运行数据中每一个数据点指示的运动状态,其中,运动状态包括减速状态、匀速状态以及加速状态中的任意一种;
S402:根据每一个数据点指示的运动状态,为历史运行数据和/或当前运行数据划分出至少一个数据阶段,其中,每一个数据阶段所包括的数据指示同一种运动状态。
其中,上述步骤S401可有两种具体实施方式。
第一种实施方式:如图5所示,基于每一个数据点包括的速度,确定每一个数据点的运行状态可包括如下步骤:
针对历史运行数据和/或当前运行数据中的每一个数据点执行步骤S501至S503,在一段时间内的所有历史运行数据和/或当前运行数据中的每一个数据点的运行状态都确定出来后则可执行步骤S504从而确定出每一个数据点的运行状态。
S501:计算数据点的统一的速度,并按照数据点的采集的时间顺序,为数据点选择前后预设第一数量的数据点;
比如,对采集到的AGV的历史运行数据或当前运行数据中的某一个数据点di,选择该数据点前后各n个数据点,分别记为wb,wa(其中,wb由位于数据点di之前的n个数据点组成;wa由位于数据点di之后的n个数据点组成);即wb,wa均包含n个按照采集的时间严格排序的数据点,该数据点可仅包含速度数据,还可以包含其他数据,在本发明实施例中仅考虑数据点的速度数据。由于采集的历史运行数据和/或当前运行数据中有左右轮两个速度vl,vr,每一个数据点的统一的速度v,可通过计算公式(1)计算得到:
计算公式(1):
其中,v表征一个数据点的统一的速度;vl表征一个数据点的左轮速度;vr表征一个数据点的右轮速度。
其中,预设第一数量用户可以根据自己需求进行灵活设置。
S502:分别计算前后预设第一数量的数据点中的最大值和最小值;
比如,计算wb的最大值和最小值分别为wbmax,wbmin;wa的最大值和最小值分别为wamax,wamin。
S503:对比前后预设第一数量的数据点中的最大值和最小值,根据对比结果,初步确定数据点的初始运行状态;
比如,若wbmax≤wamin且wbmin≠wamax,则认为数据点di处于加速阶段;若wbmin≥wamax且wbmax≠wamin,则认为数据点di处于减速阶段;若wbmin=wamax=wbmax=wamin,则认为数据点di处于匀速阶段。
S504:使用数据点之后预设第二数量的数据点的初始运行状态的众数,调整数据点的最终运行状态。
该步骤是对各个数据点进行平滑处理。比如,针对数据点di,使用该数据点之后m个数据点[di+1....di+m]的初始状态标识的众数作为数据点di最终的运动状态。
第二种实施方式:如图6所示,基于每一个数据点包括的加速度(XYZ三个轴的加速度),确定每一个数据点的运行状态的步骤可包括:
S601:按照数据点的采集的时间顺序,为数据点选择前后预设第三数量的数据点;
比如,对采集到的AGV的历史运行数据或当前运行数据中的某一个数据点dj,选择该数据点前后各N个数据点,分别记为Wb,Wa(其中,Wb由位于数据点dj之前的N个数据点组成;Wa由位于数据点dj之后的N个数据点组成);即Wb,Wa均包含N个按照采集的时间严格排序的数据点,该数据点可仅包含速度数据,还可以包含其他数据,在本发明实施例中仅考虑数据点的XYZ三个轴的加速度数据。
其中,预设第三数量用户可以根据自己需求进行灵活设置。
S602:根据数据点的加速度,初步确定数据点的初始运行状态;
比如,若ax<0且ay<0且az<0,则认为数据点dj处于减速阶段;若ax>0且ay>0且az>0,则认为数据点dj处于加速阶段;若ax=0且ay=0且az=0,则认为数据点dj处于匀速阶段。若ax、ay以及az中有一个或两个小于0,其他大于等于0,则选择绝对值较大的加速度所对应的加速度真实值,确定数据点dj处于的阶段。比如绝对值较大的加速度对应的加速度真实值小于0,则数据点dj处于减速阶段;比如绝对值较大的加速度对应的加速度真实值大于0,则数据点dj处于加速阶段。其中,ax表征X轴对应的加速度;ay表征Y轴对应的加速度;az表征Z轴对应的加速度。
S603:使用数据点之后预设第四数量的数据点的初始运行状态的众数,调整数据点的最终运行状态。
该步骤是对各个数据点进行平滑处理。比如,针对数据点dj,使用该数据点之后M个数据点[dj+1....dj+m]的初始状态标识的众数作为数据点dj最终的运动状态。
基于上述图5或图6给出的技术方案,得到每个数据点的最终运动状态。基于运动状态能够把一个直行运行,划分为不同数据阶段(减速阶段、加速阶段以及匀速阶段,其中,处于减速阶段的各个数据点的运行状态为减速状态;处于加速阶段的各个数据点的运行状态为加速状态;处于匀速阶段的各个数据点的运行状态为匀速状态)。
通过上述图5给出的实施例对一段时间的运行数据进行处理后,得到的结果可通过图的方式给出,例如图7所示对一段时间的运行数据划分不同数据阶段的结果。其中,图7-1为加速阶段,图7-2为匀速阶段,图7-3为减速阶段,图7-4为图7-1对应的加速阶段的加速度;图7-5为图7-2对应的加速阶段的加速度;图7-6为图7-3对应的加速阶段的加速度。
由于不同阶段(减速、匀速以及加速)的数据训练数据模型存在一定的差异,通过上述将历史运行数据和/或当前运行数据划分出不同阶段,一般来说,数据越集中、数据特征一致,得到的使用模型准确性越高,因此,在本发明实施例中,按照阶段以及频域特征和/或时域特征所包括的各个特征,训练数据模型,能够进一步保证基于历史运行数据得到的基线模型以及基于当前运行数据得到的使用模型的准确性。
在本发明一个实施例中,如图8所示,上述涉及提取多个特征集合的步骤(步骤S203从历史运行数据中提取出多个第一特征集合,步骤S302从当前运行数据中提取出多个第二特征集合)可包括如下步骤:
针对每一个数据阶段,执行:
S801:利用数据阶段中的数据,提取多个时域特征以及多个频域特征;
其中,针对历史运行数据来说,数据阶段中的数据是指属于该数据阶段(加速阶段、匀速阶段、减速阶段)的历史运行数据;针对当前运行数据来说,数据阶段中的数据是指属于该数据阶段(加速阶段、匀速阶段、减速阶段)的当前运行数据。
分别对数据阶段中数据点包括的左右两个轮子的实际速度、陀螺仪XYZ三个轴的加速度以及三个轴的角加速度共计8个维度,提取时域特征和频域特征:
时域特征可包括:均值、取绝对值之后的均值、峰值、标准差、均方根值、峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标、峭度指标等。比如,z轴加速度均值、z轴加速度取绝对值后的均值、y轴加速度时域均值、x轴加速度取绝对值后的均值、x轴加速度均值、y轴加速度均值、y轴加速度取绝对值后的均值等。
频域特征是指数据阶段中的数据经过傅里叶变换之后的幅度值,通过这些幅度值得到的特征。该频域特征可包括:均值、标准差、方差、偏斜度、裕度等。比如,y轴角加速度频谱均值、x轴加速度均方根值,y轴加速度均方根、z轴角加速度频谱均值、z轴角加速度偏度、x轴角加速度方差、x轴角加速度频谱均值等。
其中,时域特征和频域特征可通过现有的计算方式计算得到。
S802:从多个时域特征以及多个频域特征中,选取多个目标特征;
该多个目标特征一般需包括有时域特征和频域特征。
该步骤的实现可以选用通过XGBoost对多个时域特征和多个频域特征的按照特征重要程度进行排序。XGBoost是目前评估特征重要程度最常用的方法之一。其中,在该步骤中,按照重要程度从高到底排列的多个时域特征以及多个频域特征,选用排序在前20%的特征作为目标特征。
在该步骤中选出的多个目标特征包括:z轴加速度均值、z轴角加速度频谱均值、z轴加速度取绝对值后的均值、y轴加速度时域均值、x轴加速度取绝对值后的均值、x轴加速度均值、y轴加速度均值、y轴加速度取绝对值后的均值、速度峰值、y轴角加速度频谱均值、x轴加速度均方根值,y轴加速度均方根、y轴角加速度最大值减最小值、y轴角加速度峰值、z轴角加速度频谱均值、z轴角加速度偏度、x轴角加速度方差、x轴角加速度频谱均值、x轴加速度最大值减最小值、x轴加速度直流分量。
S803:利用每一个目标特征对应的数据组成对应的特征集合,其中,当数据阶段中的数据为历史运行数据时,特征集合为第一特征集合,当数据阶段中的数据为当前运行数据时,特征集合为第二特征集合。
通过上述选择用于训练数据模型的时域特征和/或频域特征,一方面能够避免过多的特征带来的计算资源不足的问题,另一方面,通过上述选择能够保证得到的使用模型以及基线模型的准确性。
在本发明一个实施例中,评估自动导引运输车的当前运行状况步骤可包括:利用使用模型以及存储的基线模型,计算自动导引运输车的健康评估值;当健康评估值不满足预设的健康条件时,确定自动导引运输车的当前运行存在问题。
其中,健康条件可包括:当历史运行数据来源于状况良好的自动导引运输车时,健康评估值不低于预设的第一健康阈值;当历史运行数据来源于状况差(如零部件存在问题)的自动导引运输车时,健康评估值不高于预设的第二健康阈值;其中,第一健康阈值和第二健康阈值可根据用户实际需求设置。
基于此,健康评估值不满足预设的健康条件是指,当历史运行数据来源于状况良好的自动导引运输车时,健康评估值低于第一健康阈值;当历史运行数据来源于状况差(如零部件存在问题)的自动导引运输车时,健康评估值高于预设的第二健康阈值。
其中,训练数据模型的过程是采用每一个第二特征集合中的数据,训练数据模型,那么,每一个第一特征集合的特征对应得到一个使用模型,即:
使用模型集合Snew={pdfc1,pdfc2...pdfcu};其中,Snew表征采用多个第二特征集合分别训练数据模型,得到的使用模型集合;pdfct表征使用模型集合中第t种目标特征对应的使用模型(第t种目标特征对应的使用模型是由第t种特征对应的第二特征集合训练数据模型得到的),t取值为1,2,...u;u表征上述步骤S802选择出的目标特征总个数。
得到基线模型的过程是采用每一个第一特征集合中的数据,训练数据模型,那么,每一个第一特征集合的特征对应一个基线模型,即:
基线模型集合Sbase={pdf1,pdf2...pdfu};其中,Sbase表征采用多个第一特征集合中的数据分别训练数据模型,得到的基线模型集合;pdft表征基线模型集合中第t种目标特征对应的基线模型(第t种目标特征对应的基线模型是由第t种特征对应的第一特征集合训练数据模型得到的),t取值为1,2,...u;u表征上述步骤S802选择出的目标特征总个数。
在本发明实施例中,预设的数据模型为高斯混合模型的概率密度函数。
其中,高斯混合模型的概率密度函数的基本计算公式如下述计算公式(2)所示。
其中,pdfd第d种目标特征对应的概率密度函数;μd表征第d种目标特征对应的特征集合的均值,σd表征第d种目标特征对应的特征集合的标准差;xdk表征第d种目标特征对应的特征集合中第k个值;p表征第d种目标特征对应的特征集合所包含的数据总个数。当特征集合来源于历史运行数据,则pdf1,pdf2...pdfu由上述计算公式(2)得到;当特征集合来源于当前运行数据,则pdfc1,pdfc2...pdfcu由上述计算公式(2)得到。
即:使用模型可为多个(如Snew中所包括的多个使用模型为
pdfc1,pdfc2...pdfcu),其中每一个使用模型对应一种目标特征;存储的基线模型也可为多个(如Sbase所包括的多个基线模型
pdf1,pdf2...pdfu),每一个基线模型对应一种目标特征,多个基线模型与多个使用模型所对应的目标特征一一匹配;相应地,如图9所示,上述计算自动导引运输车的健康评估值步骤可包括:
针对每一个使用模型,执行:
S901:根据使用模型对应的特征类别,为使用模型匹配对应的目标基线模型;
比如,为使用模型pdfc1匹配对应的基线模型pdf1,为使用模型pdfcu匹配对应的基线模型pdfu等。
S902:利用使用模型以及目标基线模型,计算特征健康评估值;
S903:利用多个特征健康评估值,计算健康评估值。
图10示出了基于高斯混合模型的概率密度函数得到的某一个基线模型以及相匹配的使用模型之间的关系。图10中深颜色区域(I)为基线模型,浅颜色区域(II)为使用模型,从图中可以看出基线模型与使用模型之间的走势基本一致,只是所覆盖的面积或者边缘存在间距。
基于图10给出的基线模型和使用模型实例,上述步骤S902可以有两种具体实施方案实现。
第一种具体实施方案:
利用基线模型和使用模型之间的交叉面积,计算特征健康评估值。
比如,第t个目标特征对应的基线模型得到的最大值和最小值分别记为:btmax,btmin,概率密度函数为pdft。第t个目标特征对应的使用模型的概率密度函数为pdfct,使用模型中的最大值和最小值分别记为:ctmax,ctmin。
若btmin≥ctmax或btmax≤ctmin,说明两个模型
(第t个目标特征对应的基线模型与第t个目标特征对应的使用模型)在数据表现上没有交叉,第t个目标特征对应的特征健康评估值HIt=0。
若两个模型(第t个目标特征对应的基线模型与第t个目标特征对应的使用模型)在数据表现上存在交叉(btmin<ctmax且btmax>ctmin),利用下述计算公式(3)计算特征健康评估值。
计算公式(3):
第二种具体实施方案:
基于两个概率密度函数之间的距离,计算特征健康评估值。
比如,第t个目标特征对应的基线模型对应的概率密度函数为pdft。第t个目标特征对应的使用模型的概率密度函数为pdfct,利用下述计算公式(4)计算特征健康评估值。
计算公式(4):
其中,x表征第t个目标特征对应的第一特征集合中的数据点的特征值或者第t个目标特征对应的第二特征集合中的数据点的特征值;X表征第t个目标特征对应的第一特征集合和第t个目标特征对应的第二特征集合的组合;pdft(x)表征第t个目标特征对应的基线模型对应的概率密度函数;pdfct(x)表征第t个目标特征对应的使用数据模型对应的概率密度函数;HIt表征第t个目标特征对应的特征健康评估值;值得说明的是,针对pdft(x)来说,x为第t个目标特征对应的第一特征集合中的数据点的特征值;针对pdfct(x)来说,x为第t个目标特征对应的第二特征集合中的数据点的特征值。
上述步骤S903可通过下述计算公式(5)实现。
计算公式(5):
H表征健康评估值;u表征上述步骤S802选择出的目标特征总个数。
一般来说,当历史运行数据来源于运行状况良好的自动导引运输车时,健康评估值越大,说明自动导引运输车的各个组件或零部件的健康状态越好,整体性能也越好;当历史运行数据来源于运行状况存在问题的自动导引运输车时,健康评估值越小,说明自动导引运输车的各个组件或零部件的健康状态越好,整体性能也越好。
在本发明一个实施例中,自动导引运输车运行状况评估方法可进一步包括:当当前运行状况指示自动导引运输车的运行存在问题时,生成警告信息;将警告信息提供给维护人员,以维护自动导引运输车和/或替换自动导引运输车。
上述各个实施例除针对自动导引运输车之外,还可应用于搬运机器人、送餐机器人等。
值得说明的是,上述历史运行数据可以来源于运行状况良好的自动导引运输车,也可以来源于运行状况存在问题的自动导引运输车。优选地,历史运行数据来源于运行状况良好的自动导引运输车。通过测试数据对不同基线模型进行测试,发现来源于运行状况良好的自动导引运输车的历史运行数据训练出来的基线模型更准确一些。
如图11所示,本发明实施例提供一种自动导引运输车运行状况评估装置1100,该自动导引运输车运行状况评估装置1100可包括:获取单元1101、训练单元1102以及评估单元1103,其中,
获取单元1101,用于获取自动导引运输车的当前运行数据;
训练单元1102,用于利用获取单元1101获取到的当前运行数据,训练训练数据模型,得到使用模型;
评估单元1103,用于利用训练单元1102得到的使用模型以及存储的基线模型,评估自动导引运输车的当前运行状况,其中,基线模型由历史运行数据训练数据模型得到。
在本发明一个实施例中,自动导引运输车运行状况评估装置可进一步包括:存储单元(图中未示出),其中,
训练单元1102,进一步用于获取多个自动导引运输车的历史运行数据;将所述历史运行数据划分为至少一个数据阶段,针对每一个所述数据阶段的历史运行数据执行:从所述历史运行数据提取出多个第一特征集合,其中,每一个所述第一特征集合对应一种时域特征或者频域特征;针对每一个所述第一特征集合执行:利用所述第一特征集合中的数据训练所述数据模型,得到对应的基线模型;
存储单元(图中未示出),用于存储训练单元1102得到的多个基线模型。
在本发明一个实施例中,训练单元1102,进一步用于将当前运行数据划分为至少一个数据阶段;针对每一个数据阶段的当前运行数据执行:从当前数据提取多个第二特征集合,其中,多个第二特征集合对应的特征类别与多个第一特征集合对应的特征类别一一对应;针对每一个第二特征集合执行:利用第二特征集合中的数据训练数据模型。
在本发明一个实施例中,训练单元1102,用于确定历史运行数据和/或当前运行数据中每一个数据点指示的运动状态,其中,运动状态包括减速状态、匀速状态以及加速状态中的任意一种;根据每一个数据点指示的运动状态,为历史运行数据和/或当前运行数据划分出至少一个数据阶段,其中,每一个数据阶段所包括的数据指示同一种运动状态。
在本发明一个实施例中,训练单元1102,用于针对每一个数据阶段,执行:利用数据阶段中的数据,提取多个时域特征以及多个频域特征;从多个时域特征以及多个频域特征中,选取多个目标特征;利用每一个目标特征对应的数据组成对应的特征集合,其中,当数据阶段中的数据为历史运行数据时,特征集合为第一特征集合,当数据阶段中的数据为当前运行数据时,特征集合为第二特征集合。
在本发明一个实施例中,评估单元1103,用于利用使用模型以及存储的基线模型,计算自动导引运输车的健康评估值;当健康评估值不满足预设的健康条件时,确定自动导引运输车的当前运行存在问题。
在本发明一个实施例中使用模型的个数为多个;基线模型的个数为多个;其中,多个特征使用模型的特征类别与多个基线模型的特征类别一一对应;评估单元1103,用于针对每一个使用模型,执行:根据使用模型对应的特征类别,为使用模型匹配对应的目标基线模型;利用使用模型以及目标基线模型,计算特征健康评估值;利用多个特征健康评估值,计算健康评估值。
在本发明一个实施例中,自动导引运输车运行状况评估装置1100,进一步包括:
告警单元(图中未示出),用于当当前运行状况指示所述自动导引运输车的运行存在问题时,生成警告信息;将警告信息提供给维护人员,以维护自动导引运输车和/或替换自动导引运输车。
本发明一个实施例提供一种自动导引运输车运行状况评估***(图中未示出),该自动导引运输车运行状况评估***(图中未示出)包括:多个自动导引运输车以及上述任一实施例提供的自动导引运输车运行状况评估装置,其中,
自动导引运输车,用于实时采集自身的当前运行数据,并提供当前运行数据给自动导引运输车运行状况评估装置。
图12示出了可以应用本发明实施例的自动导引运输车运行状况评估方法或自动导引运输车运行状况评估装置的示例性***架构1200。
如图12所示,***架构1200可以包括终端设备1201、1202、1203,网络1204、服务器1205以及自动导引运输车1206、1207。网络1204用以在终端设备1201、1202、1203和服务器X05之间、自动导引运输车1206、1207和服务器1205之间、自动导引运输车1206、1207和终端设备1201、1202、1203提供通信链路的介质。网络1204可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备1201、1202、1203通过网络1204与服务器1205交互,以接收或发送消息等。终端设备1201、1202、1203上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备1201、1202、1203可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器1205可以是提供自动导引运输车运行状况评估服务的服务器,例如对自动导引运输车1206、1207产生的当前运行数据提供分析支持的后台管理服务器,还可以为用户利用终端设备1201、1202、1203所发送的历史运行数据提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的历史运行数据、当前运行数据等数据进行分析等处理,并将处理结果(例如预警信息、评估结果--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的自动导引运输车运行状况评估方法一般由服务器1205执行,相应地,自动导引运输车运行状况评估装置一般设置于服务器1205中。
应该理解,图12中的终端设备、网络、服务器和自动导引运输车的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络、服务器和自动导引运输车。
下面参考图13,其示出了适于用来实现本发明实施例的终端设备的计算机***1300的结构示意图。图13示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图13所示,计算机***1300包括中央处理单元(CPU)1301,其可以根据存储在只读存储器(ROM)1302中的程序或者从存储部分1308加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。在RAM 1303中,还存储有***1300操作所需的各种程序和数据。CPU 1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
以下部件连接至I/O接口1305:包括键盘、鼠标等的输入部分1306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1307;包括硬盘等的存储部分1308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1310上,以便于从其上读出的计算机程序根据需要被安装入存储部分1308。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1309从网络上被下载和安装,和/或从可拆卸介质1311被安装。在该计算机程序被中央处理单元(CPU)1301执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、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,上述模块、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。也应当注意,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,两个接连地表示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,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、训练单元以及评估单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取自动导引运输车的当前运行数据的单元”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取自动导引运输车的当前运行数据;利用当前运行数据训练数据模型,得到使用模型;利用使用模型以及存储的基线模型,评估自动导引运输车的当前运行状况,其中,基线模型由历史运行数据训练数据模型得到。
根据本发明实施例的技术方案,采用自动导引运输车在正常运行过程产生的运行数据使用模型与采用自动导引运输车在异常运行过程产生的运行数据使用模型之间存在明显的差异,因此,通过利用当前运行数据训练数据模型,利用使用模型以及由历史运行数据训练数据模型得到的基线模型,可实现评估自动导引运输车的当前运行状况,从而能够及时发现自动导引运输车可能存在运行问题。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (13)
1.一种自动导引运输车运行状况评估方法,其特征在于,包括:
获取自动导引运输车的当前运行数据;
利用所述当前运行数据训练数据模型,得到使用模型;
利用所述使用模型以及存储的基线模型,评估所述自动导引运输车的当前运行状况,其中,所述基线模型由历史运行数据训练所述数据模型得到。
2.根据权利要求1所述自动导引运输车运行状况评估方法,其特征在于,进一步包括:
获取多个自动导引运输车的历史运行数据;
将所述历史运行数据划分为至少一个数据阶段;
针对每一个所述数据阶段的历史运行数据执行:从所述历史运行数据提取出多个第一特征集合,其中,每一个所述第一特征集合对应一种时域特征或者频域特征;
针对每一个所述第一特征集合执行:利用所述第一特征集合中的数据训练所述数据模型,得到对应的基线模型;
存储多个所述基线模型。
3.根据权利要求2所述自动导引运输车运行状况评估方法,其特征在于,
在所述获取自动导引运输车的当前运行数据之后,进一步包括:
将所述当前运行数据划分为至少一个数据阶段;
针对每一个所述数据阶段的当前运行数据执行:从所述当前数据提取多个第二特征集合,其中,多个所述第二特征集合对应的特征类别与多个所述第一特征集合对应的特征类别一一对应;
利用所述当前运行数据训练数据模型的步骤包括:
针对每一个所述第二特征集合执行:利用所述第二特征集合中的数据训练数据模型。
4.根据权利要求3所述自动导引运输车运行状况评估方法,其特征在于,划分为至少一个数据阶段的步骤包括:
确定所述历史运行数据和/或所述当前运行数据中每一个数据点指示的运动状态,其中,所述运动状态包括减速状态、匀速状态以及加速状态中的任意一种;
根据所述每一个数据点指示的运动状态,为所述历史运行数据和/或所述当前运行数据划分出至少一个数据阶段,其中,每一个所述数据阶段所包括的数据指示同一种运动状态。
5.根据权利要求4所述自动导引运输车运行状况评估方法,其特征在于,针对每一个所述数据阶段执行的提取出多个第一特征集合和/或多个第二特征集合的步骤包括:
针对每一个所述数据阶段,执行:
利用所述数据阶段中的数据,提取多个时域特征以及多个频域特征;
从所述多个时域特征以及所述多个频域特征中,选取多个目标特征;
利用每一个所述目标特征对应的数据组成对应的特征集合,其中,当所述数据阶段中的数据为所述历史运行数据时,所述特征集合为所述第一特征集合,当所述数据阶段中的数据为所述当前运行数据时,所述特征集合为所述第二特征集合。
6.根据权利要求1所述自动导引运输车运行状况评估方法,其特征在于,评估所述自动导引运输车的当前运行状况步骤包括:
利用所述使用模型以及存储的基线模型,计算所述自动导引运输车的健康评估值;
当所述健康评估值不满足预设的健康条件时,确定所述自动导引运输车的当前运行存在问题。
7.根据权利要求6所述自动导引运输车运行状况评估方法,其特征在于,
所述使用模型的个数为多个;
所述基线模型的个数为多个;
其中,多个所述特征使用模型的特征类别与多个所述基线模型的特征类别一一对应;
计算所述自动导引运输车的健康评估值步骤包括:
针对每一个所述使用模型,执行:
根据所述使用模型对应的特征类别,为所述使用模型匹配对应的目标基线模型;
利用所述使用模型以及所述目标基线模型,计算特征健康评估值;
利用多个所述特征健康评估值,计算健康评估值。
8.根据权利要求1至7任一所述自动导引运输车运行状况评估方法,其特征在于,进一步包括:
当所述当前运行状况指示所述自动导引运输车的运行存在问题时,生成警告信息;
将所述警告信息提供给维护人员,以维护所述自动导引运输车和/或替换所述自动导引运输车。
9.一种自动导引运输车运行状况评估装置,其特征在于,包括:获取单元、训练单元以及评估单元,其中,
所述获取单元,用于获取自动导引运输车的当前运行数据;
所述训练单元,用于利用所述获取单元获取到的所述当前运行数据训练数据模型,得到使用模型;
所述评估单元,用于利用所述训练单元得到的使用模型以及存储的基线模型,评估所述自动导引运输车的当前运行状况,其中,所述基线模型由历史运行数据训练所述数据模型得到。
10.根据权利要求9所述自动导引运输车运行状况评估装置,其特征在于,进一步包括:存储单元,其中,
所述训练单元,进一步用于获取多个自动导引运输车的历史运行数据;将所述历史运行数据划分为至少一个数据阶段,针对每一个所述数据阶段的历史运行数据执行:从所述历史运行数据提取出多个第一特征集合,其中,每一个所述第一特征集合对应一种时域特征或者频域特征;针对每一个所述第一特征集合执行:利用所述第一特征集合中的数据训练所述数据模型,得到对应的基线模型;
所述存储单元,用于存储所述训练单元得到的多个所述基线模型。
11.一种自动导引运输车运行状况评估***,其特征在于,包括:自动导引运输车以及权9或10所述自动导引运输车运行状况评估装置,其中,
所述自动导引运输车,用于实时采集自身的当前运行数据,并提供所述当前运行数据给所述自动导引运输车运行状况评估装置。
12.一种自动导引运输车运行状况评估电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
13.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327022.4A CN113554247A (zh) | 2020-04-23 | 2020-04-23 | 自动导引运输车运行状况评估方法、装置和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327022.4A CN113554247A (zh) | 2020-04-23 | 2020-04-23 | 自动导引运输车运行状况评估方法、装置和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113554247A true CN113554247A (zh) | 2021-10-26 |
Family
ID=78129391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010327022.4A Pending CN113554247A (zh) | 2020-04-23 | 2020-04-23 | 自动导引运输车运行状况评估方法、装置和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554247A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070255613A1 (en) * | 2006-05-01 | 2007-11-01 | International Business Machines Corporation | Method and apparatus for execution of a process |
US20130013255A1 (en) * | 2011-07-06 | 2013-01-10 | Honeywell International Inc. | Automatic identification of operating parameters for power plants |
CN107341349A (zh) * | 2017-06-30 | 2017-11-10 | 上海交通大学 | 风机健康评估的方法、***、存储器及控制器 |
CN109035477A (zh) * | 2018-07-04 | 2018-12-18 | 浙江中控技术股份有限公司 | 一种叉车设备状态综合评估方法、装置及*** |
CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、***、设备和存储介质 |
CN110222980A (zh) * | 2019-06-05 | 2019-09-10 | 上海电气集团股份有限公司 | 轨道交通轴承的健康评估方法及*** |
CN110339567A (zh) * | 2019-07-17 | 2019-10-18 | 三星电子(中国)研发中心 | ***资源配置、场景预测模型训练方法和装置 |
CN110498314A (zh) * | 2019-08-28 | 2019-11-26 | 上海电气集团股份有限公司 | 电梯门***的健康评估方法、***、电子设备及存储介质 |
-
2020
- 2020-04-23 CN CN202010327022.4A patent/CN113554247A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070255613A1 (en) * | 2006-05-01 | 2007-11-01 | International Business Machines Corporation | Method and apparatus for execution of a process |
US20130013255A1 (en) * | 2011-07-06 | 2013-01-10 | Honeywell International Inc. | Automatic identification of operating parameters for power plants |
CN107341349A (zh) * | 2017-06-30 | 2017-11-10 | 上海交通大学 | 风机健康评估的方法、***、存储器及控制器 |
CN109035477A (zh) * | 2018-07-04 | 2018-12-18 | 浙江中控技术股份有限公司 | 一种叉车设备状态综合评估方法、装置及*** |
CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、***、设备和存储介质 |
CN110222980A (zh) * | 2019-06-05 | 2019-09-10 | 上海电气集团股份有限公司 | 轨道交通轴承的健康评估方法及*** |
CN110339567A (zh) * | 2019-07-17 | 2019-10-18 | 三星电子(中国)研发中心 | ***资源配置、场景预测模型训练方法和装置 |
CN110498314A (zh) * | 2019-08-28 | 2019-11-26 | 上海电气集团股份有限公司 | 电梯门***的健康评估方法、***、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10585774B2 (en) | Detection of misbehaving components for large scale distributed systems | |
CN109191553B (zh) | 点云渲染方法、装置、终端及存储介质 | |
US9772896B2 (en) | Identifying intervals of unusual activity in information technology systems | |
EP3503473B1 (en) | Server classification in networked environments | |
JP2014153721A (ja) | ログ可視化装置及び方法及びプログラム | |
US10705940B2 (en) | System operational analytics using normalized likelihood scores | |
CN114003613A (zh) | 高精地图车道线更新方法、装置、电子设备以及存储介质 | |
US20210374647A1 (en) | Production management support system and production management support method | |
CN114385869A (zh) | 检测数据异常的方法、装置、存储介质及计算机设备 | |
CN111666187A (zh) | 用于检测异常响应时间的方法和装置 | |
CN115033463A (zh) | 一种***异常类型确定方法、装置、设备和存储介质 | |
CN111337898B (zh) | 激光点云的处理方法、装置、设备及存储介质 | |
CN115686910A (zh) | 一种故障分析方法、装置、电子设备及介质 | |
CN114238790A (zh) | 用于确定最大感知范围的方法、装置、设备以及存储介质 | |
CN113554247A (zh) | 自动导引运输车运行状况评估方法、装置和*** | |
CN110727278A (zh) | 巡检机器人路线控制方法、装置、存储介质及巡检机器人 | |
CN114141236B (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
CN115879907A (zh) | 一种具备故障检测的运维监控装置及工作方法 | |
CN113554062A (zh) | 多分类模型的训练方法、设备和存储介质 | |
CN113052397A (zh) | 上车信息的确定方法、装置、电子设备和存储介质 | |
CN113177077B (zh) | 用于自动驾驶的异常事件确定方法、装置及电子设备 | |
CN115412346B (zh) | 一种报文检测方法、装置、电子设备及存储介质 | |
CN113963322B (zh) | 一种检测模型训练方法、装置及电子设备 | |
CN115809404B (zh) | 一种检测阈值计算方法、装置、存储介质及电子设备 | |
CN111026571B (zh) | 处理器降频处理方法、装置及电子设备 |
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 |