The invention provides an anti-lifting method of a lump card based on neural network, which includes: presupposing a one-dimensional vector M10 of one row and L column according to the L state combination of four locks, collecting the gravity value of the quadrangular sensor in real time, generating a four-row and one-column eigenvector Xt at each time, and collecting from the current time t to the first preset threshold if the sum of the four elements in the current eigenvector Xt is greater than the first preset threshold value. The eigenvector Xt between time T2 establishes a two-dimensional matrix Ft of four rows of T-column. The two-dimensional matrix Ft is input into the trained classification model. The real-time classification of lock combinations is predicted by model calculation, and the one-dimensional vector M10 is obtained. When the largest element of one-dimensional vector M10 is larger than the third preset threshold, the lock state combination corresponding to the largest element of M10 is regarded as the current lifting state. Prediction category. The invention can effectively prevent the occurrence of container truck hoisting accident in the yard, and greatly improve the safety of the yard operation.
【技术实现步骤摘要】
基于神经网络的集卡防吊起方法
本专利技术涉及集装箱装卸领域，尤其是基于时间序列分析的基于神经网络的集卡防吊起方法。
技术介绍
随着全球集装箱运输的飞速发展，现代集装箱码头及堆场的作业越来越繁忙，工作环境越来越复杂。目前集装箱的起吊通常利用龙门吊或者轮胎吊，由于集装箱装卸作业的特殊性，在装卸过程中时常发生由于集卡车锁头未完全打开而将集卡车被集装箱一并带起的事件。图1为现有技术中集卡车被误吊起的示意图。如图1所示，在堆场上利用轮胎吊进行集装箱吊装作业，集卡车A运输集装箱B时使用到4个锁头，以下以锁头1、2、3、4分别代表集卡车身四角上的4个锁头。集卡A通过轮胎吊的吊具C卸下集装箱B时，根据排列组合，共有1种正常情况和15种异常情况下锁头未解开组合，在此列举出所有锁头未解锁情况：正常情况下，4个锁头1、2、3、4完全打开，集装箱和集卡车正常分离，集装箱被正常吊起；异常情况下，存在“单边分离状态”和“完全不分离状态”两种情况：(1)“单边分离状态”是指表2未解锁头组合中的1、2、3、4、12、23(参考图1)、34、14组合下，集装箱一端与集卡车分离，而另一端未分离，造成...
【技术保护点】
1.一种基于神经网络的集卡防吊起方法，集装箱四角各设一锁头，每个所述锁头具有解锁和未解锁两种状态，其特征在于，防吊起方法包括以下步骤：S100、根据四个锁头的L种状态组合，预设一个1行L列的一维向量M10，M10＝[c1,…,ci,…,cL]，1≤i≤L，每个元素各自代表一种状态组合，ci表示当前吊起状态属于第i类状态组合的概率值，ci的取值范围是[0，1]之间的浮点数；S110、实时采集当前时刻t的集装箱四角传感器的重力值，生成每个时刻的一个4行1列的特征向量Xt，起始采集时刻的特征向量标记为X0；S120、实时监测当前特征向量Xt中四个元素的总和是否大于第一预设阈值Th...
【技术特征摘要】
1.一种基于神经网络的集卡防吊起方法，集装箱四角各设一锁头，每个所述锁头具有解锁和未解锁两种状态，其特征在于，防吊起方法包括以下步骤：S100、根据四个锁头的L种状态组合，预设一个1行L列的一维向量M10，M10＝[c1,…,ci,…,cL]，1≤i≤L，每个元素各自代表一种状态组合，ci表示当前吊起状态属于第i类状态组合的概率值，ci的取值范围是[0，1]之间的浮点数；S110、实时采集当前时刻t的集装箱四角传感器的重力值，生成每个时刻的一个4行1列的特征向量Xt，起始采集时刻的特征向量标记为X0；S120、实时监测当前特征向量Xt中四个元素的总和是否大于第一预设阈值Th1，若是，则将当前时刻设置为起始预测时刻点t1，并执行步骤S130，若否，则返回步骤S110；S130、设起始预测时刻点t1之前R秒的时刻为历史时刻t2，R为预设值，采集自当前时刻t到历史时刻t2之间的特征向量Xt建立一4行T列的二维矩阵Ft＝[Xt-T+1,…,Xt-1,Xt]，T＝(t-t2)×f，f表示每秒采集重力变化的次数；S140、将二维矩阵Ft输入训练好的分类模型中，通过模型计算对锁头组合情况进行实时类别预测，获得S100所述1行L列的一维向量M10；S150、判断所述一维向量M10之中最大元素是否大于第三预设阈值Th3，当前时刻t若否，则返回步骤S110，继续采集下一时刻吊起状态的预测，若是，则执行步骤S160；以及S160、选择M10中最大元素对应的锁头状态组合作为当前吊起状态的预测类别，判断吊起状态是否异常。2.如权利要求1所述的基于神经网络的集卡防吊起方法，其特征在于，所述四个锁头的状态组合的种类数L＝16；所述预设值R＝10。3.如权利要求1所述的基于神经网络的集卡防吊起方法，其特征在于，所述步骤S120中，所述特征向量Xt中四个元素的总和自当前时刻t到历史时刻t2之间的时间增长而增大。4.如权利要求1所述的基于神经网络的集卡防吊起方法，其特征在于，所述步骤S130还包括检测每个时刻特征向量Xt中四个元素中的任一元素是否超过第二预设阈值Th2范围，若是，则删除当该时刻特征向量Xt，用前一时刻的特征向量Xt-1替换该时刻特征向量Xt，若否，则保留当前时刻t特征向量Xt。5.如权利要求1所述的基于神经网络的集卡防吊起方法，其特征在于，所述步骤S140包括：S141、将二维矩阵Ft＝[Xt-T+1,…,Xt-1,Xt]作为表征当前吊起状态的特征数据经过第一卷积模块获得n1行T列的第二矩阵M2，n1为第一卷积模块中滤波器的个数，所述第一卷积模块包括一维时间卷积操作和压缩激励操作；S142、将第二矩阵M2经过第二卷积模块获得n2行T列的第四矩阵M4，n2为第二卷积模块中滤波器的个数，所述第二卷积模块包括一维时间卷积操作和压缩激励操作；S143、将第四矩阵M4经过第三卷积模块获得n3行1列的第六矩阵M6，n3为第三卷积模块中滤波器的个数，所述第三卷积模块包括一维时间卷积操作和平均池化操作；S144、将特征数据Ft经过长短期记忆模型获得1行dh列的第七矩阵M7，dh为长短期记忆模型中使用的隐藏神经元个数；S145、将第六矩阵M6转置后，再与第七矩阵M7在第一维度拼接，获得1行(n3+dh)列的第八矩阵M8；S146、将第八矩阵M8经过带有激活函数的全连接层网络，所述全连接层网络的输入神经元个数为(n3+dh)，输出神经元个数为L个，得到1行L列的第十矩阵M10，M10＝[c1,…,ci,…,cL]1×L,∑M10＝1，ci表示当前吊起状态属于第i种锁头组合的概率值。6.如权利要求5所述的基于神经网络的集卡防吊起方法，其特征在于，所述一维时间卷积操作包括以下步骤：设X表示一维时间卷积操作的卷积层的输入，X是一个C行T列的二维矩阵，C属于常数，C表示每个时刻点特征向量的维度，T表示时间步长；W、b分别表示时间卷积使用的权重矩阵参数、偏差矩阵参数，W是一个d行C列n页三维矩阵，d为一维滤波器的维数，n为滤波器的个数，b是一个1行n列的二维矩阵；E表示卷积层的输出序列，则输出序列中第t时刻特征向量中第i个元素：其中，Wt',.,i为W中第i个d行C列的二维矩阵中第t’行的向量v1，v1是1xC的矩阵，X.,t+d-t'为X中第t+d-t’列向量v2，v2是Cx1的矩阵，<>表示矩阵叉乘，运算输出为一个常量；表示d次计算的累加和，再加上偏差bi，得到Ei,t；t沿着时间轴以步长1进行滑动，得到整个输出序列E，E是一个n行T列的二维矩阵；对于边缘时刻点t＝0、t＝T，X.,t+d-t'超出X的维度，计算前对X使用边缘数值进行边缘填充，对X的第二维度两端的列分别往外复制(d-1)/2列；批量归一化是E自身归一化的过程...
【专利技术属性】
技术研发人员：谭黎敏，钟宏亮，胡会会，
申请(专利权)人：上海西井信息科技有限公司，
类型：发明
国别省市：上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。