CN117566657A - 基于人工智能和物联网的叉车智能监测预警***及方法 - Google Patents
基于人工智能和物联网的叉车智能监测预警***及方法 Download PDFInfo
- Publication number
- CN117566657A CN117566657A CN202311604234.2A CN202311604234A CN117566657A CN 117566657 A CN117566657 A CN 117566657A CN 202311604234 A CN202311604234 A CN 202311604234A CN 117566657 A CN117566657 A CN 117566657A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- monitoring
- forklift
- warehouse
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 375
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 238000004891 communication Methods 0.000 claims abstract description 9
- 239000003638 chemical reducing agent Substances 0.000 claims abstract description 7
- 238000012806 monitoring device Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 60
- 230000003068 static effect Effects 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 40
- 238000000547 structure data Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims 1
- 230000008859 change Effects 0.000 description 16
- 230000005856 abnormality Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66F—HOISTING, LIFTING, HAULING OR PUSHING, NOT OTHERWISE PROVIDED FOR, e.g. DEVICES WHICH APPLY A LIFTING OR PUSHING FORCE DIRECTLY TO THE SURFACE OF A LOAD
- B66F17/00—Safety devices, e.g. for limiting or indicating lifting force
- B66F17/003—Safety devices, e.g. for limiting or indicating lifting force for fork-lift trucks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66F—HOISTING, LIFTING, HAULING OR PUSHING, NOT OTHERWISE PROVIDED FOR, e.g. DEVICES WHICH APPLY A LIFTING OR PUSHING FORCE DIRECTLY TO THE SURFACE OF A LOAD
- B66F9/00—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes
- B66F9/06—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes movable, with their loads, on wheels or the like, e.g. fork-lift trucks
- B66F9/063—Automatically guided
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66F—HOISTING, LIFTING, HAULING OR PUSHING, NOT OTHERWISE PROVIDED FOR, e.g. DEVICES WHICH APPLY A LIFTING OR PUSHING FORCE DIRECTLY TO THE SURFACE OF A LOAD
- B66F9/00—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes
- B66F9/06—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes movable, with their loads, on wheels or the like, e.g. fork-lift trucks
- B66F9/075—Constructional features or details
- B66F9/07581—Remote controls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/40—Transportation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
- G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/60—Positioning; Navigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Structural Engineering (AREA)
- Transportation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Geology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- Civil Engineering (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Emergency Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Forklifts And Lifting Vehicles (AREA)
Abstract
本发明提出一种基于人工智能和物联网的叉车智能监测预警***及方法,***包括:云服务器、物联网服务器、智能感知终端、智能控制终端和智能叉车;所述智能叉车包括车体、蓄电装置、充电装置、驱动装置、用于定位与导航的导向装置、通信装置、包括多个智能感知传感器的监测装置、包括叉臂组件和货叉的移载装置以及中央控制器;所述驱动装置由车轮、减速器、制动器、驱动电机及速度控制器构成。通过本发明方案,不仅能提供全方面的智能监测,而且能保证监测的高效和准确。
Description
技术领域
本发明涉及监测技术领域,具体涉及一种基于人工智能和物联网的叉车智能监测预警***及方法。
背景技术
叉车是一种工业搬运车辆,是指对成件托盘货物进行装卸、堆垛和短距离运输作业的轮式搬运车辆,叉车在工作中存在一定的安全风险,特别是对于无人驾驶叉车来说,风险更大。
亟需一种基于人工智能和物联网的叉车智能监测预警方案。
发明内容
本发明正是基于上述问题,提出了一种基于人工智能和物联网的叉车智能监测预警***及方法,通过本发明方案,不仅能提供全方面的智能监测,而且能保证监测的高效和准确。
有鉴于此,本发明的一方面提出了一种基于人工智能和物联网的叉车智能监测预警***,包括:云服务器、物联网服务器、智能感知终端、智能控制终端和智能叉车;所述智能叉车包括车体、蓄电装置、充电装置、驱动装置、用于定位与导航的导向装置、通信装置、包括多个智能感知传感器的监测装置、包括叉臂组件和货叉的移载装置以及中央控制器;所述驱动装置由车轮、减速器、制动器、驱动电机及速度控制器构成;其中,
所述云服务器被配置为:
获取样本叉车的样本叉车数据、历史搬运货物数据、所工作的历史仓库数据;
根据所述样本叉车数据构建第一监测模型和第一预警模型;
根据所述历史搬运货物数据构建第二监测模型和第二预警模型;
根据所述历史仓库数据构建第三监测模型和第三预警模型;
获取所述智能叉车的第一叉车数据和所要执行的第一工作任务的第一工作任务数据;
根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型;
根据所述第一叉车数据和所述第一工作任务数据从所述第一预警模型、所述第二预警模型和所述第三预警模型中确定第一当前预警模型、第一辅助预警模型和第二辅助预警模型;
在所述智能叉车执行所述第一工作任务过程中,根据所述第一当前监测模型、所述第一辅助监测模型和所述第二辅助监测模型获取第一监测数据,并根据所述第一监测数据、所述第一当前预警模型、所述第一辅助预警模型和第二辅助预警模型进行预警。
可选地,所述根据所述样本叉车数据构建第一监测模型和第一预警模型的步骤,所述云服务器被配置为:
对所述样本叉车数据进行清洗、去噪、归一化预处理,得到第一样本叉车数据;
从所述第一样本叉车数据中提取描述叉车状态的特征数据并进行标注,得到第一特征集,并将所述第一特征集划分为第一训练集与第一测试集;
根据所述第一特征集构建第一监测目标,并根据所述第一监测目标确定第一神经网络;
使用所述第一训练集对所述第一神经网络进行训练,使其学习表示叉车状态的特征模式,得到第一模型;
使用所述第一测试集评估所述第一模型的性能,调整算法和特征以提高监测精度,得到所述第一监测模型;
确定需要预警的第一预警场景;
根据所述第一预警场景和所述第一样本叉车数据确定影响所述第一预警场景的第一关键变量集;
根据所述第一预警场景、所述第一样本叉车数据、所述第一关键变量集和预设的第二神经网络得到所述第一关键变量集中各个第一关键变量的第一阈值模型;
结合所述第一关键变量的阈值判定规则和所述第一阈值模型,确定多个具有不同预警级别的所述第一预警模型。
可选地,所述根据所述历史搬运货物数据构建第二监测模型和第二预警模型的步骤,所述云服务器被配置为:
从所述历史搬运货物数据中提取包括货物类型、重量、体积、存储位置的货物静态数据,以及包括运输批次、装卸时间、运输路线的货物动态数据;
分别对所述货物静态数据和所述货物动态数据进行规范化、处理缺失值、转换为统一格式后,得到第一货物静态数据和第一货物动态数据;
根据所述第一货物静态数据生成第一货物静态特征;
根据所述第一货物动态数据,生成第一货物动态特征;
根据所述第一货物静态特征和所述第一货物动态特征构建第二监测目标,并根据所述第二监测目标确定第三神经网络;
根据所述第一货物静态特征、所述第一货物动态特征和所述第三神经网络训练模型,学习各类特征对应的正常和异常模式,得到所述第二监测模型;
从所述第一货物静态数据和所述第一货物动态数据中提取影响货物安全的第二关键变量集;
从不同的货物危险预警场景数据中提取对应的第一危险特征;
根据所述第一危险特征、所述第一货物静态数据、所述第一货物动态数据、所述第二关键变量集和预设的第四神经网络得到所述第二关键变量集中各个第二关键变量的第二阈值模型;
结合所述第二关键变量的阈值判定规则和所述第二阈值模型,确定多个具有不同预警级别的所述第二预警模型。
可选地,所述根据所述历史仓库数据构建第三监测模型和第三预警模型的步骤,所述云服务器被配置为:
从所述历史仓库数据中提取仓库结构数据、仓库动态数据;
根据所述仓库结构数据,确定多条可选叉车行驶路线;
根据所述仓库动态数据,评估各条所述可选叉车行驶路线的拥堵状态,确定拥堵状态最小的路线为最优行驶路线;
分别对所述仓库结构数据和所述仓库动态数据进行规范化、处理缺失值、转换为统一格式后,得到第一仓库结构数据和第一仓库动态数据;
根据所述第一仓库结构数据生成第一仓库结构特征;
根据所述第一仓库动态数据,生成第一仓库动态特征;
根据所述第一仓库结构特征和所述第一仓库动态特征构建第三监测目标,并根据所述第三监测目标确定第五神经网络;
根据所述第一仓库结构特征、所述第一仓库动态特征、所述最优行驶路线和所述第五神经网络训练模型,学习各类特征对应的正常和异常模式,得到所述第三监测模型;
从所述第一仓库结构数据和所述第一仓库动态数据提取影响仓库安全的第三关键变量集;
从不同的仓库危险预警场景数据中提取对应的第二危险特征;
根据所述第二危险特征、所述第一仓库结构数据、所述第一仓库动态数据、所述第三关键变量集和预设的第六神经网络得到所述第三关键变量集中各个第三关键变量的第三阈值模型;
结合所述第三关键变量的阈值判定规则和所述第三阈值模型,确定多个具有不同预警级别的所述第三预警模型。
可选地,所述根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型的步骤,所述云服务器被配置为:
从所述第一工作任务数据中提取待搬运货物的第一货物数据、工作场所涉及的第一仓库的第一仓库数据;
根据所述第一叉车数据、所述第一货物数据、所述第一仓库数据分别确定所述智能叉车、所述待搬运货物、所述第一仓库的监测重要级排序;
根据所述监测重要级排序从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型。
本发明的另一方面提供一种基于人工智能和物联网的叉车智能监测预警方法,应用于一种基于人工智能和物联网的叉车智能监测预警***,所述叉车智能监测预警***包括云服务器、物联网服务器、智能感知终端、智能控制终端和智能叉车;所述智能叉车包括车体、蓄电装置、充电装置、驱动装置、用于定位与导航的导向装置、通信装置、包括多个智能感知传感器的监测装置、包括叉臂组件和货叉的移载装置以及中央控制器;所述驱动装置由车轮、减速器、制动器、驱动电机及速度控制器构成;所述叉车智能监测预警方法包括:
获取样本叉车的样本叉车数据、历史搬运货物数据、所工作的历史仓库数据;
根据所述样本叉车数据构建第一监测模型和第一预警模型;
根据所述历史搬运货物数据构建第二监测模型和第二预警模型;
根据所述历史仓库数据构建第三监测模型和第三预警模型;
获取所述智能叉车的第一叉车数据和所要执行的第一工作任务的第一工作任务数据;
根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型;
根据所述第一叉车数据和所述第一工作任务数据从所述第一预警模型、所述第二预警模型和所述第三预警模型中确定第一当前预警模型、第一辅助预警模型和第二辅助预警模型;
在所述智能叉车执行所述第一工作任务过程中,根据所述第一当前监测模型、所述第一辅助监测模型和所述第二辅助监测模型获取第一监测数据,并根据所述第一监测数据、所述第一当前预警模型、所述第一辅助预警模型和第二辅助预警模型进行预警。
可选地,所述根据所述样本叉车数据构建第一监测模型和第一预警模型的步骤,包括:
对所述样本叉车数据进行清洗、去噪、归一化预处理,得到第一样本叉车数据;
从所述第一样本叉车数据中提取描述叉车状态的特征数据并进行标注,得到第一特征集,并将所述第一特征集划分为第一训练集与第一测试集;
根据所述第一特征集构建第一监测目标,并根据所述第一监测目标确定第一神经网络;
使用所述第一训练集对所述第一神经网络进行训练,使其学习表示叉车状态的特征模式,得到第一模型;
使用所述第一测试集评估所述第一模型的性能,调整算法和特征以提高监测精度,得到所述第一监测模型;
确定需要预警的第一预警场景;
根据所述第一预警场景和所述第一样本叉车数据确定影响所述第一预警场景的第一关键变量集;
根据所述第一预警场景、所述第一样本叉车数据、所述第一关键变量集和预设的第二神经网络得到所述第一关键变量集中各个第一关键变量的第一阈值模型;
结合所述第一关键变量的阈值判定规则和所述第一阈值模型,确定多个具有不同预警级别的所述第一预警模型。
可选地,所述根据所述历史搬运货物数据构建第二监测模型和第二预警模型的步骤,包括:
从所述历史搬运货物数据中提取包括货物类型、重量、体积、存储位置的货物静态数据,以及包括运输批次、装卸时间、运输路线的货物动态数据;
分别对所述货物静态数据和所述货物动态数据进行规范化、处理缺失值、转换为统一格式后,得到第一货物静态数据和第一货物动态数据;
根据所述第一货物静态数据生成第一货物静态特征;
根据所述第一货物动态数据,生成第一货物动态特征;
根据所述第一货物静态特征和所述第一货物动态特征构建第二监测目标,并根据所述第二监测目标确定第三神经网络;
根据所述第一货物静态特征、所述第一货物动态特征和所述第三神经网络训练模型,学习各类特征对应的正常和异常模式,得到所述第二监测模型;
从所述第一货物静态数据和所述第一货物动态数据中提取影响货物安全的第二关键变量集;
从不同的货物危险预警场景数据中提取对应的第一危险特征;
根据所述第一危险特征、所述第一货物静态数据、所述第一货物动态数据、所述第二关键变量集和预设的第四神经网络得到所述第二关键变量集中各个第二关键变量的第二阈值模型;
结合所述第二关键变量的阈值判定规则和所述第二阈值模型,确定多个具有不同预警级别的所述第二预警模型。
可选地,所述根据所述历史仓库数据构建第三监测模型和第三预警模型的步骤,包括:
从所述历史仓库数据中提取仓库结构数据、仓库动态数据;
根据所述仓库结构数据,确定多条可选叉车行驶路线;
根据所述仓库动态数据,评估各条所述可选叉车行驶路线的拥堵状态,确定拥堵状态最小的路线为最优行驶路线;
分别对所述仓库结构数据和所述仓库动态数据进行规范化、处理缺失值、转换为统一格式后,得到第一仓库结构数据和第一仓库动态数据;
根据所述第一仓库结构数据生成第一仓库结构特征;
根据所述第一仓库动态数据,生成第一仓库动态特征;
根据所述第一仓库结构特征和所述第一仓库动态特征构建第三监测目标,并根据所述第三监测目标确定第五神经网络;
根据所述第一仓库结构特征、所述第一仓库动态特征、所述最优行驶路线和所述第五神经网络训练模型,学习各类特征对应的正常和异常模式,得到所述第三监测模型;
从所述第一仓库结构数据和所述第一仓库动态数据提取影响仓库安全的第三关键变量集;
从不同的仓库危险预警场景数据中提取对应的第二危险特征;
根据所述第二危险特征、所述第一仓库结构数据、所述第一仓库动态数据、所述第三关键变量集和预设的第六神经网络得到所述第三关键变量集中各个第三关键变量的第三阈值模型;
结合所述第三关键变量的阈值判定规则和所述第三阈值模型,确定多个具有不同预警级别的所述第三预警模型。
可选地,所述根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型的步骤,包括:
从所述第一工作任务数据中提取待搬运货物的第一货物数据、工作场所涉及的第一仓库的第一仓库数据;
根据所述第一叉车数据、所述第一货物数据、所述第一仓库数据分别确定所述智能叉车、所述待搬运货物、所述第一仓库的监测重要级排序;
根据所述监测重要级排序从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型。
采用本发明的技术方案,基于人工智能和物联网的叉车智能监测预警方法包括获取样本叉车的样本叉车数据、历史搬运货物数据、所工作的历史仓库数据;根据所述样本叉车数据构建第一监测模型和第一预警模型;根据所述历史搬运货物数据构建第二监测模型和第二预警模型;根据所述历史仓库数据构建第三监测模型和第三预警模型;获取所述智能叉车的第一叉车数据和所要执行的第一工作任务的第一工作任务数据;根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型;根据所述第一叉车数据和所述第一工作任务数据从所述第一预警模型、所述第二预警模型和所述第三预警模型中确定第一当前预警模型、第一辅助预警模型和第二辅助预警模型;在所述智能叉车执行所述第一工作任务过程中,根据所述第一当前监测模型、所述第一辅助监测模型和所述第二辅助监测模型获取第一监测数据,并根据所述第一监测数据、所述第一当前预警模型、所述第一辅助预警模型和第二辅助预警模型进行预警。通过本发明方案,不仅能提供全方面的智能监测,而且能保证监测的高效和准确。
附图说明
图1是本发明一个实施例提供的基于人工智能和物联网的叉车智能监测预警***的示意框图;
图2是本发明一个实施例提供的基于人工智能和物联网的叉车智能监测预警方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面参照图1至图2来描述根据本发明一些实施方式提供的一种基于人工智能和物联网的叉车智能监测预警***及方法。
如图1所示,本发明一个实施例提供一种基于人工智能和物联网的叉车智能监测预警***,包括:云服务器、物联网服务器、智能感知终端、智能控制终端和智能叉车;所述智能叉车包括车体、蓄电装置、充电装置、驱动装置、用于定位与导航的导向装置、通信装置、包括多个智能感知传感器的监测装置、包括叉臂组件和货叉的移载装置以及中央控制器;所述驱动装置由车轮、减速器、制动器、驱动电机及速度控制器构成;其中,
所述云服务器被配置为:
获取样本叉车的样本叉车数据、历史搬运货物数据、所工作的历史仓库数据;
根据所述样本叉车数据(包括但不限于叉车基本属性数据、叉车历史工作数据、叉车历史故障数据、叉车历史维保数据等)构建第一监测模型和第一预警模型;
根据所述历史搬运货物数据(包括但不限于货物种类、体积、重量等基本属性数据和对振动的敏感程度、易碎性、重心可变性等相关信息)构建第二监测模型和第二预警模型;
根据所述历史仓库数据(包括但不限于仓库位置数据、仓库面积数据、仓库基础设施数据(如货架和货位数据、环境调节设备数据等)、仓库环境数据、仓库路径设置数据等)构建第三监测模型和第三预警模型;
获取所述智能叉车的第一叉车数据和所要执行的第一工作任务的第一工作任务数据(第一工作任务数据包括但不限于待搬运货物的第一货物数据、工作场所涉及的第一仓库数据);
根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型;
根据所述第一叉车数据和所述第一工作任务数据从所述第一预警模型、所述第二预警模型和所述第三预警模型中确定第一当前预警模型、第一辅助预警模型和第二辅助预警模型;
在所述智能叉车执行所述第一工作任务过程中,根据所述第一当前监测模型、所述第一辅助监测模型和所述第二辅助监测模型获取第一监测数据,并根据所述第一监测数据、所述第一当前预警模型、所述第一辅助预警模型和第二辅助预警模型进行预警。
采用该实施例的技术方案,通过获取样本叉车的样本叉车数据、历史搬运货物数据、所工作的历史仓库数据;根据所述样本叉车数据构建第一监测模型和第一预警模型;根据所述历史搬运货物数据构建第二监测模型和第二预警模型;根据所述历史仓库数据构建第三监测模型和第三预警模型;获取所述智能叉车的第一叉车数据和所要执行的第一工作任务的第一工作任务数据;根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型;根据所述第一叉车数据和所述第一工作任务数据从所述第一预警模型、所述第二预警模型和所述第三预警模型中确定第一当前预警模型、第一辅助预警模型和第二辅助预警模型;在所述智能叉车执行所述第一工作任务过程中,根据所述第一当前监测模型、所述第一辅助监测模型和所述第二辅助监测模型获取第一监测数据,并根据所述第一监测数据、所述第一当前预警模型、所述第一辅助预警模型和第二辅助预警模型进行预警。通过本发明方案,不仅能提供全方面的智能监测,而且能保证监测的高效和准确。
在本发明实施例中,云服务器可以借助物联网服务器、智能感知终端等进行叉车、货物、仓库环境等方面的数据的采集与处理,并借助智能控制终端对智能叉车进行控制与管理。
应当知道的是,图1所示的基于人工智能和物联网的叉车智能监测预警***的框图仅作示意,其所示出的各模块的数量并不对本发明的保护范围进行限定。
在本发明一些可能的实施方式中,所述根据所述样本叉车数据构建第一监测模型和第一预警模型的步骤,所述云服务器被配置为:
对所述样本叉车数据进行清洗、去噪、归一化预处理,得到第一样本叉车数据;
从所述第一样本叉车数据中提取描述叉车状态的特征数据并进行标注,得到第一特征集(如速度、油耗、载重、自重、结构、传感器数据等),并将所述第一特征集划分为第一训练集与第一测试集;
根据所述第一特征集构建第一监测目标,并根据所述第一监测目标确定第一神经网络;
使用所述第一训练集对所述第一神经网络进行训练,使其学习表示叉车状态的特征模式,得到第一模型;
使用所述第一测试集评估所述第一模型的性能,调整算法和特征以提高监测精度,得到所述第一监测模型;
在本实施例中,还包括:通过增量训练、模型融合等方法进一步优化模型,提高鲁棒性;将优化后的模型部署到实际***中,实时对新采集的数据进行监测预测;分析模型预测的解释性,避免盲目依赖;定期使用新数据对模型进行更新,维持其监测性能。
确定需要预警的第一预警场景(如碰撞、倾覆、火灾、漏电、漏油、晃动等);
根据所述第一预警场景和所述第一样本叉车数据确定影响所述第一预警场景的第一关键变量集(如速度、倾角、温度、烟雾浓度等);
根据所述第一预警场景、所述第一样本叉车数据、所述第一关键变量集和预设的第二神经网络得到所述第一关键变量集中各个第一关键变量的第一阈值模型(如最大速度、倾角红线等);
结合所述第一关键变量的阈值判定规则和所述第一阈值模型,确定多个具有不同预警级别的所述第一预警模型(如黄色预警、红色预警)。
在本实施例中,还包括:使用各种模拟场景测试预警模型,评估漏报率、误报率等指标以优化模型;收集实际发生预警场景的数据,进行人工标注,补充模型训练;调整预警逻辑、变量权重、算法超参数等,重复训练和测试,进一步提升准确率;在数字孪生环境中模拟验证优化后的预警***,确保其鲁棒性。。
在本发明一些可能的实施方式中,所述根据所述历史搬运货物数据构建第二监测模型和第二预警模型的步骤,所述云服务器被配置为:
从所述历史搬运货物数据中提取包括货物类型、重量、体积、存储位置的货物静态数据,以及包括运输批次、装卸时间、运输路线的货物动态数据;
分别对所述货物静态数据和所述货物动态数据进行规范化、处理缺失值、转换为统一格式后,得到第一货物静态数据和第一货物动态数据;
根据所述第一货物静态数据生成第一货物静态特征(如载重、储位匹配、易碎性等);
根据所述第一货物动态数据(如运输批次、装卸位置等动态信息),生成第一货物动态特征(如行驶路线、时间控制等);
根据所述第一货物静态特征和所述第一货物动态特征构建第二监测目标(如监测货物是否倾覆、碰撞、遗落,是否严重超载,是否按最优路线和时间运输等),并根据所述第二监测目标确定第三神经网络;
根据所述第一货物静态特征、所述第一货物动态特征和所述第三神经网络训练模型,学习各类特征对应的正常和异常模式,得到所述第二监测模型;
从所述第一货物静态数据和所述第一货物动态数据中提取影响货物安全的第二关键变量集(比如货物重量、高度、运输路线、叉车当前载重、叉车当前速度等);
从不同的货物危险预警场景数据中提取对应的第一危险特征(例如超载预警需要货物重量和叉车当前载重等);
根据所述第一危险特征、所述第一货物静态数据、所述第一货物动态数据、所述第二关键变量集和预设的第四神经网络得到所述第二关键变量集中各个第二关键变量的第二阈值模型(如最大载重、最大载货速度等);
结合所述第二关键变量的阈值判定规则和所述第二阈值模型,确定多个具有不同预警级别的所述第二预警模型(如黄色预警、红色预警)。
在本实施例中,对所述第二关键变量设置科学合理的预警阈值,比如超载预警的重量阈值,这需要结合货物和叉车的规格参数;利用规则引擎或决策树等技术搭建预警逻辑规则,当变量超过阈值时触发对应的预警;对难以硬性设置阈值的场景,可以使用机器学习模型输出预警可能性,结合概率阈值判定预警;收集真实的预警场景数据,标注数据特征,使用数据训练和优化预警模型;在模拟环境中测试预警模型,评估其敏感度、特异度和准确率等指标;部署预警模型到实际***中,实时监测货物运输参数,做出预警判断;收集线上反馈,持续优化预警模型,提升准确率;还可以与仓库管理***集成,发出预警时可自动采取应对措施。
在本发明一些可能的实施方式中,所述根据所述历史仓库数据构建第三监测模型和第三预警模型的步骤,所述云服务器被配置为:
从所述历史仓库数据中提取仓库结构数据(包括货架位置、过道宽度、处置区域等)、仓库动态数据(如储位使用情况、过道拥堵状态、环境变化状态、人员/设备变化状态等);
根据所述仓库结构数据,确定多条可选叉车行驶路线;
根据所述仓库动态数据,评估各条所述可选叉车行驶路线的拥堵状态,确定拥堵状态最小的路线为最优行驶路线;
分别对所述仓库结构数据和所述仓库动态数据进行规范化、处理缺失值、转换为统一格式后,得到第一仓库结构数据和第一仓库动态数据;
根据所述第一仓库结构数据生成第一仓库结构特征(如货架负载特征、过道形状/宽度/长度特征等);
根据所述第一仓库动态数据,生成第一仓库动态特征(如货架使用变化特征、过道拥堵特征、环境变化特征、人员/设备变化特征等);
根据所述第一仓库结构特征和所述第一仓库动态特征构建第三监测目标(如监测仓库货架负载变化、环境变化、人员/设备运动变化等),并根据所述第三监测目标确定第五神经网络;
根据所述第一仓库结构特征、所述第一仓库动态特征、所述最优行驶路线和所述第五神经网络训练模型,学习各类特征对应的正常和异常模式,得到所述第三监测模型;
在本实施例中,在叉车上安装摄像头和传感器,收集其自身状态数据;开发路线规划算法,确定最优路线,并推送给叉车;训练摄像头和传感器的数据,建立正常状态的模型;在实时监测中,将当前叉车状态数据与正常模型进行对比,判断是否存在异常;如果检测到异常,则反馈给仓库管理***,并对叉车进行警告或制动;持续优化路线规划算法,并通过新数据增强监测模型,实现闭环式改进。
从所述第一仓库结构数据和所述第一仓库动态数据提取影响仓库安全的第三关键变量集(比如货架负载状态、仓库温度、地面湿滑状态、人员/设备运动情况等);
从不同的仓库危险预警场景数据中提取对应的第二危险特征(例如仓库温度超过温度警报值、过道拥堵超过拥堵警报值等);
根据所述第二危险特征、所述第一仓库结构数据、所述第一仓库动态数据、所述第三关键变量集和预设的第六神经网络得到所述第三关键变量集中各个第三关键变量的第三阈值模型(如货架最大负载、温度警报值、拥堵警报值等);
结合所述第三关键变量的阈值判定规则和所述第三阈值模型,确定多个具有不同预警级别的所述第三预警模型(如黄色预警、红色预警)。
在本实施例中,所述第三预警模型包括有:仓库动态障碍物预警模型(用于收集实时的仓库动态数据(如其他叉车、人员的位置信息),并设置安全距离阈值,当叉车靠近障碍物时,触发预警);仓库过道拥堵预警模型(用于收集仓库过道的实时交通流量和速度数据,当过道拥堵指数超过预设阈值时,提前预警可能的堵点);仓库储位异常预警模型(用于收集实时仓库储位的载重、温湿度等数据;当监测数据异常时,提示有故障或风险);仓库火灾预警模型(用于设置仓库关键区域的烟雾、温度传感器,当传感器的数据超过火灾阈值时,立即触发火灾预警);仓库结构损坏预警模型(用于使用摄像头等设备监测仓库构造的实时状态,通过深度学习等算法检测构造是否存在破损、损坏的预警)。
在本发明一些可能的实施方式中,所述根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型的步骤,所述云服务器被配置为:
从所述第一工作任务数据中提取待搬运货物的第一货物数据、工作场所涉及的第一仓库的第一仓库数据;
根据所述第一叉车数据、所述第一货物数据、所述第一仓库数据分别确定所述智能叉车、所述待搬运货物、所述第一仓库的监测重要级排序;
根据所述监测重要级排序从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型。
在本发明实施例中,还包括:根据所述监测重要级排序从所述第一预警模型、所述第二预警模型和所述第三预警模型中确定第一当前预警模型、第一辅助预警模型和第二辅助预警模型。
在本发明实施例中,根据叉车、货物、仓库的数据进行分析,确定各自的危险性/重要性,从而确定监测重要级,再根据监测重要级在对应的第一监测模型(对应叉车监测)、第二监测模型(对应货物监测)和第三监测模型(对应仓库监测)中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型;同时,在对应的第一预警模型(对应叉车状态预警)、第二预警模型(对应货物状态预警)和第三预警模型(对应仓库状态预警)中确定第一当前预警模型、第一辅助预警模型和第二辅助预警模型。通过本实施例的方案,能够更加智能高效且准确地进行叉车(及叉车工作环境)监测和预警。
请参见图2,本发明的另一实施例提供一种基于人工智能和物联网的叉车智能监测预警方法,应用于一种基于人工智能和物联网的叉车智能监测预警***,所述叉车智能监测预警***包括云服务器、物联网服务器、智能感知终端、智能控制终端和智能叉车;所述智能叉车包括车体、蓄电装置、充电装置、驱动装置、用于定位与导航的导向装置、通信装置、包括多个智能感知传感器的监测装置、包括叉臂组件和货叉的移载装置以及中央控制器;所述驱动装置由车轮、减速器、制动器、驱动电机及速度控制器构成;所述叉车智能监测预警方法包括:
获取样本叉车的样本叉车数据、历史搬运货物数据、所工作的历史仓库数据;
根据所述样本叉车数据(包括但不限于叉车基本属性数据、叉车历史工作数据、叉车历史故障数据、叉车历史维保数据等)构建第一监测模型和第一预警模型;
根据所述历史搬运货物数据(包括但不限于货物种类、体积、重量等基本属性数据和对振动的敏感程度、易碎性、重心可变性等相关信息)构建第二监测模型和第二预警模型;
根据所述历史仓库数据(包括但不限于仓库位置数据、仓库面积数据、仓库基础设施数据(如货架和货位数据、环境调节设备数据等)、仓库环境数据、仓库路径设置数据等)构建第三监测模型和第三预警模型;
获取所述智能叉车的第一叉车数据和所要执行的第一工作任务的第一工作任务数据(第一工作任务数据包括但不限于待搬运货物的第一货物数据、工作场所涉及的第一仓库数据);
根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型;
根据所述第一叉车数据和所述第一工作任务数据从所述第一预警模型、所述第二预警模型和所述第三预警模型中确定第一当前预警模型、第一辅助预警模型和第二辅助预警模型;
在所述智能叉车执行所述第一工作任务过程中,根据所述第一当前监测模型、所述第一辅助监测模型和所述第二辅助监测模型获取第一监测数据,并根据所述第一监测数据、所述第一当前预警模型、所述第一辅助预警模型和第二辅助预警模型进行预警。
采用该实施例的技术方案,通过获取样本叉车的样本叉车数据、历史搬运货物数据、所工作的历史仓库数据;根据所述样本叉车数据构建第一监测模型和第一预警模型;根据所述历史搬运货物数据构建第二监测模型和第二预警模型;根据所述历史仓库数据构建第三监测模型和第三预警模型;获取所述智能叉车的第一叉车数据和所要执行的第一工作任务的第一工作任务数据;根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型;根据所述第一叉车数据和所述第一工作任务数据从所述第一预警模型、所述第二预警模型和所述第三预警模型中确定第一当前预警模型、第一辅助预警模型和第二辅助预警模型;在所述智能叉车执行所述第一工作任务过程中,根据所述第一当前监测模型、所述第一辅助监测模型和所述第二辅助监测模型获取第一监测数据,并根据所述第一监测数据、所述第一当前预警模型、所述第一辅助预警模型和第二辅助预警模型进行预警。通过本发明方案,不仅能提供全方面的智能监测,而且能保证监测的高效和准确。
在本发明实施例中,云服务器可以借助物联网服务器、智能感知终端等进行叉车、货物、仓库环境等方面的数据的采集与处理,并借助智能控制终端对智能叉车进行控制与管理。
在本发明一些可能的实施方式中,所述根据所述样本叉车数据构建第一监测模型和第一预警模型的步骤,包括:
对所述样本叉车数据进行清洗、去噪、归一化预处理,得到第一样本叉车数据;
从所述第一样本叉车数据中提取描述叉车状态的特征数据并进行标注,得到第一特征集(如速度、油耗、载重、自重、结构、传感器数据等),并将所述第一特征集划分为第一训练集与第一测试集;
根据所述第一特征集构建第一监测目标,并根据所述第一监测目标确定第一神经网络;
使用所述第一训练集对所述第一神经网络进行训练,使其学习表示叉车状态的特征模式,得到第一模型;
使用所述第一测试集评估所述第一模型的性能,调整算法和特征以提高监测精度,得到所述第一监测模型;
在本实施例中,还包括:通过增量训练、模型融合等方法进一步优化模型,提高鲁棒性;将优化后的模型部署到实际***中,实时对新采集的数据进行监测预测;分析模型预测的解释性,避免盲目依赖;定期使用新数据对模型进行更新,维持其监测性能。
确定需要预警的第一预警场景(如碰撞、倾覆、火灾、漏电、漏油、晃动等);
根据所述第一预警场景和所述第一样本叉车数据确定影响所述第一预警场景的第一关键变量集(如速度、倾角、温度、烟雾浓度等);
根据所述第一预警场景、所述第一样本叉车数据、所述第一关键变量集和预设的第二神经网络得到所述第一关键变量集中各个第一关键变量的第一阈值模型(如最大速度、倾角红线等);
结合所述第一关键变量的阈值判定规则和所述第一阈值模型,确定多个具有不同预警级别的所述第一预警模型(如黄色预警、红色预警)。
在本实施例中,还包括:使用各种模拟场景测试预警模型,评估漏报率、误报率等指标以优化模型;收集实际发生预警场景的数据,进行人工标注,补充模型训练;调整预警逻辑、变量权重、算法超参数等,重复训练和测试,进一步提升准确率;在数字孪生环境中模拟验证优化后的预警***,确保其鲁棒性。
在本发明一些可能的实施方式中,所述根据所述历史搬运货物数据构建第二监测模型和第二预警模型的步骤,包括:
从所述历史搬运货物数据中提取包括货物类型、重量、体积、存储位置的货物静态数据,以及包括运输批次、装卸时间、运输路线的货物动态数据;
分别对所述货物静态数据和所述货物动态数据进行规范化、处理缺失值、转换为统一格式后,得到第一货物静态数据和第一货物动态数据;
根据所述第一货物静态数据生成第一货物静态特征(如载重、储位匹配、易碎性等);
根据所述第一货物动态数据(如运输批次、装卸位置等动态信息),生成第一货物动态特征(如行驶路线、时间控制等);
根据所述第一货物静态特征和所述第一货物动态特征构建第二监测目标(如监测货物是否倾覆、碰撞、遗落,是否严重超载,是否按最优路线和时间运输等),并根据所述第二监测目标确定第三神经网络;
根据所述第一货物静态特征、所述第一货物动态特征和所述第三神经网络训练模型,学习各类特征对应的正常和异常模式,得到所述第二监测模型;
从所述第一货物静态数据和所述第一货物动态数据中提取影响货物安全的第二关键变量集(比如货物重量、高度、运输路线、叉车当前载重、叉车当前速度等);
从不同的货物危险预警场景数据中提取对应的第一危险特征(例如超载预警需要货物重量和叉车当前载重等);
根据所述第一危险特征、所述第一货物静态数据、所述第一货物动态数据、所述第二关键变量集和预设的第四神经网络得到所述第二关键变量集中各个第二关键变量的第二阈值模型(如最大载重、最大载货速度等);
结合所述第二关键变量的阈值判定规则和所述第二阈值模型,确定多个具有不同预警级别的所述第二预警模型(如黄色预警、红色预警)。
在本实施例中,对所述第二关键变量设置科学合理的预警阈值,比如超载预警的重量阈值,这需要结合货物和叉车的规格参数;利用规则引擎或决策树等技术搭建预警逻辑规则,当变量超过阈值时触发对应的预警;对难以硬性设置阈值的场景,可以使用机器学习模型输出预警可能性,结合概率阈值判定预警;收集真实的预警场景数据,标注数据特征,使用数据训练和优化预警模型;在模拟环境中测试预警模型,评估其敏感度、特异度和准确率等指标;部署预警模型到实际***中,实时监测货物运输参数,做出预警判断;收集线上反馈,持续优化预警模型,提升准确率;还可以与仓库管理***集成,发出预警时可自动采取应对措施。
在本发明一些可能的实施方式中,所述根据所述历史仓库数据构建第三监测模型和第三预警模型的步骤,包括:
从所述历史仓库数据中提取仓库结构数据(包括货架位置、过道宽度、处置区域等)、仓库动态数据(如储位使用情况、过道拥堵状态、环境变化状态、人员/设备变化状态等);
根据所述仓库结构数据,确定多条可选叉车行驶路线;
根据所述仓库动态数据,评估各条所述可选叉车行驶路线的拥堵状态,确定拥堵状态最小的路线为最优行驶路线;
分别对所述仓库结构数据和所述仓库动态数据进行规范化、处理缺失值、转换为统一格式后,得到第一仓库结构数据和第一仓库动态数据;
根据所述第一仓库结构数据生成第一仓库结构特征(如货架负载特征、过道形状/宽度/长度特征等);
根据所述第一仓库动态数据,生成第一仓库动态特征(如货架使用变化特征、过道拥堵特征、环境变化特征、人员/设备变化特征等);
根据所述第一仓库结构特征和所述第一仓库动态特征构建第三监测目标(如监测仓库货架负载变化、环境变化、人员/设备运动变化等),并根据所述第三监测目标确定第五神经网络;
根据所述第一仓库结构特征、所述第一仓库动态特征、所述最优行驶路线和所述第五神经网络训练模型,学习各类特征对应的正常和异常模式,得到所述第三监测模型;
在本实施例中,在叉车上安装摄像头和传感器,收集其自身状态数据;开发路线规划算法,确定最优路线,并推送给叉车;训练摄像头和传感器的数据,建立正常状态的模型;在实时监测中,将当前叉车状态数据与正常模型进行对比,判断是否存在异常;如果检测到异常,则反馈给仓库管理***,并对叉车进行警告或制动;持续优化路线规划算法,并通过新数据增强监测模型,实现闭环式改进。
从所述第一仓库结构数据和所述第一仓库动态数据提取影响仓库安全的第三关键变量集(比如货架负载状态、仓库温度、地面湿滑状态、人员/设备运动情况等);
从不同的仓库危险预警场景数据中提取对应的第二危险特征(例如仓库温度超过温度警报值、过道拥堵超过拥堵警报值等);
根据所述第二危险特征、所述第一仓库结构数据、所述第一仓库动态数据、所述第三关键变量集和预设的第六神经网络得到所述第三关键变量集中各个第三关键变量的第三阈值模型(如货架最大负载、温度警报值、拥堵警报值等);
结合所述第三关键变量的阈值判定规则和所述第三阈值模型,确定多个具有不同预警级别的所述第三预警模型(如黄色预警、红色预警)。
在本实施例中,所述第三预警模型包括有:仓库动态障碍物预警模型(用于收集实时的仓库动态数据(如其他叉车、人员的位置信息),并设置安全距离阈值,当叉车靠近障碍物时,触发预警);仓库过道拥堵预警模型(用于收集仓库过道的实时交通流量和速度数据,当过道拥堵指数超过预设阈值时,提前预警可能的堵点);仓库储位异常预警模型(用于收集实时仓库储位的载重、温湿度等数据;当监测数据异常时,提示有故障或风险);仓库火灾预警模型(用于设置仓库关键区域的烟雾、温度传感器,当传感器的数据超过火灾阈值时,立即触发火灾预警);仓库结构损坏预警模型(用于使用摄像头等设备监测仓库构造的实时状态,通过深度学习等算法检测构造是否存在破损、损坏的预警)。
在本发明一些可能的实施方式中,所述根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型的步骤,包括:
从所述第一工作任务数据中提取待搬运货物的第一货物数据、工作场所涉及的第一仓库的第一仓库数据;
根据所述第一叉车数据、所述第一货物数据、所述第一仓库数据分别确定所述智能叉车、所述待搬运货物、所述第一仓库的监测重要级排序;
根据所述监测重要级排序从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型。
在本发明实施例中,还包括:根据所述监测重要级排序从所述第一预警模型、所述第二预警模型和所述第三预警模型中确定第一当前预警模型、第一辅助预警模型和第二辅助预警模型。
在本发明实施例中,根据叉车、货物、仓库的数据进行分析,确定各自的危险性/重要性,从而确定监测重要级,再根据监测重要级在对应的第一监测模型(对应叉车监测)、第二监测模型(对应货物监测)和第三监测模型(对应仓库监测)中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型;同时,在对应的第一预警模型(对应叉车状态预警)、第二预警模型(对应货物状态预警)和第三预警模型(对应仓库状态预警)中确定第一当前预警模型、第一辅助预警模型和第二辅助预警模型。通过本实施例的方案,能够更加智能高效且准确地进行叉车(及叉车工作环境)监测和预警。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,可轻易想到变化或替换,均可作各种更动与修改,包含上述不同功能、实施步骤的组合,包含软件和硬件的实施方式,均在本发明的保护范围。
Claims (10)
1.一种基于人工智能和物联网的叉车智能监测预警***,其特征在于,包括:云服务器、物联网服务器、智能感知终端、智能控制终端和智能叉车;所述智能叉车包括车体、蓄电装置、充电装置、驱动装置、用于定位与导航的导向装置、通信装置、包括多个智能感知传感器的监测装置、包括叉臂组件和货叉的移载装置以及中央控制器;所述驱动装置由车轮、减速器、制动器、驱动电机及速度控制器构成;其中,
所述云服务器被配置为:
获取样本叉车的样本叉车数据、历史搬运货物数据、所工作的历史仓库数据;
根据所述样本叉车数据构建第一监测模型和第一预警模型;
根据所述历史搬运货物数据构建第二监测模型和第二预警模型;
根据所述历史仓库数据构建第三监测模型和第三预警模型;
获取所述智能叉车的第一叉车数据和所要执行的第一工作任务的第一工作任务数据;
根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型;
根据所述第一叉车数据和所述第一工作任务数据从所述第一预警模型、所述第二预警模型和所述第三预警模型中确定第一当前预警模型、第一辅助预警模型和第二辅助预警模型;
在所述智能叉车执行所述第一工作任务过程中,根据所述第一当前监测模型、所述第一辅助监测模型和所述第二辅助监测模型获取第一监测数据,并根据所述第一监测数据、所述第一当前预警模型、所述第一辅助预警模型和第二辅助预警模型进行预警。
2.根据权利要求1所述的基于人工智能和物联网的叉车智能监测预警***,其特征在于,所述根据所述样本叉车数据构建第一监测模型和第一预警模型的步骤,所述云服务器被配置为:
对所述样本叉车数据进行清洗、去噪、归一化预处理,得到第一样本叉车数据;
从所述第一样本叉车数据中提取描述叉车状态的特征数据并进行标注,得到第一特征集,并将所述第一特征集划分为第一训练集与第一测试集;
根据所述第一特征集构建第一监测目标,并根据所述第一监测目标确定第一神经网络;
使用所述第一训练集对所述第一神经网络进行训练,使其学习表示叉车状态的特征模式,得到第一模型;
使用所述第一测试集评估所述第一模型的性能,调整算法和特征以提高监测精度,得到所述第一监测模型;
确定需要预警的第一预警场景;
根据所述第一预警场景和所述第一样本叉车数据确定影响所述第一预警场景的第一关键变量集;
根据所述第一预警场景、所述第一样本叉车数据、所述第一关键变量集和预设的第二神经网络得到所述第一关键变量集中各个第一关键变量的第一阈值模型;
结合所述第一关键变量的阈值判定规则和所述第一阈值模型,确定多个具有不同预警级别的所述第一预警模型。
3.根据权利要求2所述的基于人工智能和物联网的叉车智能监测预警***,其特征在于,所述根据所述历史搬运货物数据构建第二监测模型和第二预警模型的步骤,所述云服务器被配置为:
从所述历史搬运货物数据中提取包括货物类型、重量、体积、存储位置的货物静态数据,以及包括运输批次、装卸时间、运输路线的货物动态数据;
分别对所述货物静态数据和所述货物动态数据进行规范化、处理缺失值、转换为统一格式后,得到第一货物静态数据和第一货物动态数据;
根据所述第一货物静态数据生成第一货物静态特征;
根据所述第一货物动态数据,生成第一货物动态特征;
根据所述第一货物静态特征和所述第一货物动态特征构建第二监测目标,并根据所述第二监测目标确定第三神经网络;
根据所述第一货物静态特征、所述第一货物动态特征和所述第三神经网络训练模型,学习各类特征对应的正常和异常模式,得到所述第二监测模型;
从所述第一货物静态数据和所述第一货物动态数据中提取影响货物安全的第二关键变量集;
从不同的货物危险预警场景数据中提取对应的第一危险特征;
根据所述第一危险特征、所述第一货物静态数据、所述第一货物动态数据、所述第二关键变量集和预设的第四神经网络得到所述第二关键变量集中各个第二关键变量的第二阈值模型;
结合所述第二关键变量的阈值判定规则和所述第二阈值模型,确定多个具有不同预警级别的所述第二预警模型。
4.根据权利要求3所述的基于人工智能和物联网的叉车智能监测预警***,其特征在于,所述根据所述历史仓库数据构建第三监测模型和第三预警模型的步骤,所述云服务器被配置为:
从所述历史仓库数据中提取仓库结构数据、仓库动态数据;
根据所述仓库结构数据,确定多条可选叉车行驶路线;
根据所述仓库动态数据,评估各条所述可选叉车行驶路线的拥堵状态,确定拥堵状态最小的路线为最优行驶路线;
分别对所述仓库结构数据和所述仓库动态数据进行规范化、处理缺失值、转换为统一格式后,得到第一仓库结构数据和第一仓库动态数据;
根据所述第一仓库结构数据生成第一仓库结构特征;
根据所述第一仓库动态数据,生成第一仓库动态特征;
根据所述第一仓库结构特征和所述第一仓库动态特征构建第三监测目标,并根据所述第三监测目标确定第五神经网络;
根据所述第一仓库结构特征、所述第一仓库动态特征、所述最优行驶路线和所述第五神经网络训练模型,学习各类特征对应的正常和异常模式,得到所述第三监测模型;
从所述第一仓库结构数据和所述第一仓库动态数据提取影响仓库安全的第三关键变量集;
从不同的仓库危险预警场景数据中提取对应的第二危险特征;
根据所述第二危险特征、所述第一仓库结构数据、所述第一仓库动态数据、所述第三关键变量集和预设的第六神经网络得到所述第三关键变量集中各个第三关键变量的第三阈值模型;
结合所述第三关键变量的阈值判定规则和所述第三阈值模型,确定多个具有不同预警级别的所述第三预警模型。
5.根据权利要求1-4所述的基于人工智能和物联网的叉车智能监测预警***,其特征在于,所述根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型的步骤,所述云服务器被配置为:
从所述第一工作任务数据中提取待搬运货物的第一货物数据、工作场所涉及的第一仓库的第一仓库数据;
根据所述第一叉车数据、所述第一货物数据、所述第一仓库数据分别确定所述智能叉车、所述待搬运货物、所述第一仓库的监测重要级排序;
根据所述监测重要级排序从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型。
6.一种基于人工智能和物联网的叉车智能监测预警方法,其特征在于,应用于一种基于人工智能和物联网的叉车智能监测预警***,所述叉车智能监测预警***包括云服务器、物联网服务器、智能感知终端、智能控制终端和智能叉车;所述智能叉车包括车体、蓄电装置、充电装置、驱动装置、用于定位与导航的导向装置、通信装置、包括多个智能感知传感器的监测装置、包括叉臂组件和货叉的移载装置以及中央控制器;所述驱动装置由车轮、减速器、制动器、驱动电机及速度控制器构成;所述叉车智能监测预警方法包括:
获取样本叉车的样本叉车数据、历史搬运货物数据、所工作的历史仓库数据;
根据所述样本叉车数据构建第一监测模型和第一预警模型;
根据所述历史搬运货物数据构建第二监测模型和第二预警模型;
根据所述历史仓库数据构建第三监测模型和第三预警模型;
获取所述智能叉车的第一叉车数据和所要执行的第一工作任务的第一工作任务数据;
根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型;
根据所述第一叉车数据和所述第一工作任务数据从所述第一预警模型、所述第二预警模型和所述第三预警模型中确定第一当前预警模型、第一辅助预警模型和第二辅助预警模型;
在所述智能叉车执行所述第一工作任务过程中,根据所述第一当前监测模型、所述第一辅助监测模型和所述第二辅助监测模型获取第一监测数据,并根据所述第一监测数据、所述第一当前预警模型、所述第一辅助预警模型和第二辅助预警模型进行预警。
7.根据权利要求6所述的基于人工智能和物联网的叉车智能监测预警方法,其特征在于,所述根据所述样本叉车数据构建第一监测模型和第一预警模型的步骤,包括:
对所述样本叉车数据进行清洗、去噪、归一化预处理,得到第一样本叉车数据;
从所述第一样本叉车数据中提取描述叉车状态的特征数据并进行标注,得到第一特征集,并将所述第一特征集划分为第一训练集与第一测试集;
根据所述第一特征集构建第一监测目标,并根据所述第一监测目标确定第一神经网络;
使用所述第一训练集对所述第一神经网络进行训练,使其学习表示叉车状态的特征模式,得到第一模型;
使用所述第一测试集评估所述第一模型的性能,调整算法和特征以提高监测精度,得到所述第一监测模型;
确定需要预警的第一预警场景;
根据所述第一预警场景和所述第一样本叉车数据确定影响所述第一预警场景的第一关键变量集;
根据所述第一预警场景、所述第一样本叉车数据、所述第一关键变量集和预设的第二神经网络得到所述第一关键变量集中各个第一关键变量的第一阈值模型;
结合所述第一关键变量的阈值判定规则和所述第一阈值模型,确定多个具有不同预警级别的所述第一预警模型。
8.根据权利要求7所述的基于人工智能和物联网的叉车智能监测预警方法,其特征在于,所述根据所述历史搬运货物数据构建第二监测模型和第二预警模型的步骤,包括:
从所述历史搬运货物数据中提取包括货物类型、重量、体积、存储位置的货物静态数据,以及包括运输批次、装卸时间、运输路线的货物动态数据;
分别对所述货物静态数据和所述货物动态数据进行规范化、处理缺失值、转换为统一格式后,得到第一货物静态数据和第一货物动态数据;
根据所述第一货物静态数据生成第一货物静态特征;
根据所述第一货物动态数据,生成第一货物动态特征;
根据所述第一货物静态特征和所述第一货物动态特征构建第二监测目标,并根据所述第二监测目标确定第三神经网络;
根据所述第一货物静态特征、所述第一货物动态特征和所述第三神经网络训练模型,学习各类特征对应的正常和异常模式,得到所述第二监测模型;
从所述第一货物静态数据和所述第一货物动态数据中提取影响货物安全的第二关键变量集;
从不同的货物危险预警场景数据中提取对应的第一危险特征;
根据所述第一危险特征、所述第一货物静态数据、所述第一货物动态数据、所述第二关键变量集和预设的第四神经网络得到所述第二关键变量集中各个第二关键变量的第二阈值模型;
结合所述第二关键变量的阈值判定规则和所述第二阈值模型,确定多个具有不同预警级别的所述第二预警模型。
9.根据权利要求8所述的基于人工智能和物联网的叉车智能监测预警方法,其特征在于,所述根据所述历史仓库数据构建第三监测模型和第三预警模型的步骤,包括:
从所述历史仓库数据中提取仓库结构数据、仓库动态数据;
根据所述仓库结构数据,确定多条可选叉车行驶路线;
根据所述仓库动态数据,评估各条所述可选叉车行驶路线的拥堵状态,确定拥堵状态最小的路线为最优行驶路线;
分别对所述仓库结构数据和所述仓库动态数据进行规范化、处理缺失值、转换为统一格式后,得到第一仓库结构数据和第一仓库动态数据;
根据所述第一仓库结构数据生成第一仓库结构特征;
根据所述第一仓库动态数据,生成第一仓库动态特征;
根据所述第一仓库结构特征和所述第一仓库动态特征构建第三监测目标,并根据所述第三监测目标确定第五神经网络;
根据所述第一仓库结构特征、所述第一仓库动态特征、所述最优行驶路线和所述第五神经网络训练模型,学习各类特征对应的正常和异常模式,得到所述第三监测模型;
从所述第一仓库结构数据和所述第一仓库动态数据提取影响仓库安全的第三关键变量集;
从不同的仓库危险预警场景数据中提取对应的第二危险特征;
根据所述第二危险特征、所述第一仓库结构数据、所述第一仓库动态数据、所述第三关键变量集和预设的第六神经网络得到所述第三关键变量集中各个第三关键变量的第三阈值模型;
结合所述第三关键变量的阈值判定规则和所述第三阈值模型,确定多个具有不同预警级别的所述第三预警模型。
10.根据权利要求9所述的基于人工智能和物联网的叉车智能监测预警方法,其特征在于,所述根据所述第一叉车数据和所述第一工作任务数据从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型的步骤,包括:
从所述第一工作任务数据中提取待搬运货物的第一货物数据、工作场所涉及的第一仓库的第一仓库数据;
根据所述第一叉车数据、所述第一货物数据、所述第一仓库数据分别确定所述智能叉车、所述待搬运货物、所述第一仓库的监测重要级排序;
根据所述监测重要级排序从所述第一监测模型、所述第二监测模型和所述第三监测模型中确定第一当前监测模型、第一辅助监测模型和第二辅助监测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311604234.2A CN117566657A (zh) | 2023-11-27 | 2023-11-27 | 基于人工智能和物联网的叉车智能监测预警***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311604234.2A CN117566657A (zh) | 2023-11-27 | 2023-11-27 | 基于人工智能和物联网的叉车智能监测预警***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117566657A true CN117566657A (zh) | 2024-02-20 |
Family
ID=89887930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311604234.2A Pending CN117566657A (zh) | 2023-11-27 | 2023-11-27 | 基于人工智能和物联网的叉车智能监测预警***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117566657A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112875577A (zh) * | 2020-12-28 | 2021-06-01 | 深圳市易艾得尔智慧科技有限公司 | 一种基于amr及agv叉车的智慧仓储管理控制*** |
CN112875576A (zh) * | 2020-12-28 | 2021-06-01 | 深圳市易艾得尔智慧科技有限公司 | 一种自动驾驶叉车*** |
CN216052662U (zh) * | 2021-08-09 | 2022-03-15 | 张家港智能电力研究院有限公司 | 一种具有多次认证功能的叉车监控管理装置 |
CN115861963A (zh) * | 2022-11-28 | 2023-03-28 | 江苏省特种设备安全监督检验研究院 | 一种基于深度学习与数字孪生的叉车作业安全预警*** |
CN116501002A (zh) * | 2023-06-27 | 2023-07-28 | 交通运输部水运科学研究所 | 智慧码头载运危险货物集装箱agv安全诱导配置方法 |
-
2023
- 2023-11-27 CN CN202311604234.2A patent/CN117566657A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112875577A (zh) * | 2020-12-28 | 2021-06-01 | 深圳市易艾得尔智慧科技有限公司 | 一种基于amr及agv叉车的智慧仓储管理控制*** |
CN112875576A (zh) * | 2020-12-28 | 2021-06-01 | 深圳市易艾得尔智慧科技有限公司 | 一种自动驾驶叉车*** |
CN216052662U (zh) * | 2021-08-09 | 2022-03-15 | 张家港智能电力研究院有限公司 | 一种具有多次认证功能的叉车监控管理装置 |
CN115861963A (zh) * | 2022-11-28 | 2023-03-28 | 江苏省特种设备安全监督检验研究院 | 一种基于深度学习与数字孪生的叉车作业安全预警*** |
CN116501002A (zh) * | 2023-06-27 | 2023-07-28 | 交通运输部水运科学研究所 | 智慧码头载运危险货物集装箱agv安全诱导配置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11472337B2 (en) | Industrial vehicle geo-feature system | |
US9650233B2 (en) | Method for operating an industrial vehicle to manage energy costs | |
US10846953B2 (en) | Dynamic industrial vehicle measure | |
CN107203804A (zh) | 一种数据处理方法、装置及*** | |
CN108860211A (zh) | 一种基于轴温传感器的误报识别方法及装置 | |
CN116501002B (zh) | 智慧码头载运危险货物集装箱agv安全诱导配置方法 | |
CN115049346B (zh) | 基于物料运输障碍识别的工业物联网***及控制方法 | |
CN117566657A (zh) | 基于人工智能和物联网的叉车智能监测预警***及方法 | |
CN114239897A (zh) | 自动配车***以及自动配车方法 | |
CN114912872A (zh) | 一种基于大数据的供应链运输安全监控方法 | |
CN114237209A (zh) | 移动时间预测装置和移动时间预测方法 | |
CN118396510A (zh) | 一种物流方案智能设计***及方法 | |
CN116882734B (zh) | 一种基于大数据的供应链数据监管***及方法 | |
CN118074943A (zh) | 一种agv物流场景下的网络安全态势感知*** | |
CN116639091A (zh) | 一种化工生产用紧急停车*** |
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 |