一种AGV运行状态预测方法技术

本发明专利技术公开了一种AGV运行状态预测方法，涉及控制方法技术领域。提出了一种AGV运行状态预测方法，为了保证AGV在复杂环境下的安全性，该方法根据现实环境下AGV运行状态的多维性且与时间关联性强的特点，提出一种使用长短期记忆神经网络(LSTM)的AGV运行状态预测方法。并将其部署在AGV系统中。该方法可以更准确地对AGV运行状态进行实时预测和风险评估，具有状态识别率高、智能性和鲁棒性强的特点。按以下方法进行预测：1)生成数据集；2)搭建模型；3)实时运行状态预测。不仅包括对风险类型的预测，还包括对当前类型的风险值进行评估，增强了评估结果的多元性；预测结果准确性大大提高，准确率可达88.51％；提高了AGV本身的的鲁棒性和智能性。

【技术实现步骤摘要】
一种AGV运行状态预测方法
本专利技术涉及一种AGV运行状态预测方法，其属于控制方法

技术介绍
在自动化物流装备中，自动导引车AGV(AutomatedGuidedVehicle)作为搬运物料的自动化设备，已经应用于工业与社会生产的多种行业，成为物流自动化不可或缺的一环。AGV的实际运行环境一般是比较复杂的，尤其是在车间内人机混杂或多AGV混合运行的情况下，运行的安全性意义重大。由于外界环境的复杂性，会有运行处于临界状态的情况发生，例如临界导引摆动，临界脱轨，导引信息残缺、错误或丢失等，如果在AGV处于运行临界状态中没有及时发现，将导致情况的的继续恶化，直至完全失稳的出现，严重时会造成灾难性的后果。因此，AGV需要在运行状态失稳发生前进行及时评估和预测。目前针对AGV运行状态预测技术的研究较少，一般的运行状态预测的研究都是集中在周转设备或电网故障诊和预测领域内，具有代表性的如下所示。国知局于2017年6月20日公开了一份名为“一种用于滚动轴承的故障诊断方法”、申请号为“201710138864.3”的专利技术专利，其提供了一种用于滚动轴承的故障诊断方法,通过对比时间长度t开始时的初次准故障标识和结束时的准故障标识来判断轴承是否出现故障。国知局于2020年11月10日公开了一份名为“基于改进神经网络的故障状态预测的方法及装置”、申请号为“202010666567.8”的中国专利技术专利，其提供了一种基于改进神经网络的故障状态预测的方法及装置,以快速且准确的对液压系统的故障状态进行预测。国知局于2020年11月3日公开了一份名为“基于大数据分析的电网故障预测系统”、申请号为“202010690602.X”的中国专利技术专利，其提供了一种包括基础数据模块、数据处理模块和故障预测模块的对电网故障进行预测的方法。国知局于2020年11月10日公开了一份名为“一种基于故障数据的电能表寿命预测方法”、申请号为“202010578024.0”的中国专利技术专利，其提供了一种对各故障类型所属器件模块的失效概率密度函数进行回归,根据电能表总体失效概率密度函数计算电能表平均寿命的方法。而在AGV运行状态预测领域内，具有代表性的如下所示。国知局于2020年10月2日公开了一份名为“一种地铁巡检AGV故障检测方法”、申请号为“202010452531.X”的中国专利技术专利，其提供了一种地铁巡检AGV故障检测方法,对采集的地铁故障类型以及严重程度进行自适应学习,不断提高在地铁巡检过程中的故障识别率,并对故障严重程度进行智能化分析。国知局于2020年11月6日公开了一份名为“一种AGV车轮打滑故障诊断方法、装置及存储介质”、申请号为“202010735395.5”的中国专利技术专利，其提供了一种AGV车轮打滑故障诊断方法、装置及存储介质,根据预设的诊断规则以及所述诊断概率,获得AGV车轮打滑的故障诊断结果。国知局于2019年3月19日公告了一份名为“一种多轮分布式混合动力系统集成故障诊断方法”、申请号为“201811416995.4”的中国专利技术专利，其提供了一种多轮分布式混合动力系统集成故障诊断方法,旨在准确判定系统故障等级并进行容错处理。然而，AGV运行状态预测具有时间周期短(秒级)，样本数量小的特点，对预测模型的实时性要求也很高；并且很多场合下AGV的运行方式为独立运行，并无云端服务器进行存储和和计算，这就要求AGV要靠自身做出对自身的预测。以上研究中提出的状态预测方法实时性很低(分级甚至时级)，拥有大数据级的数据来源而无须考虑小样本的问题，并且一般是将数据上传至云端进行模型的优化与计算。因此，确实有必要对现有技术进行改进以解决现有技术之不足。
技术实现思路
本专利技术针对以上问题，提出了一种AGV运行状态预测方法，为了保证AGV在复杂环境下的安全性，该方法根据现实环境下AGV运行状态的多维性且与时间关联性强的特点，提出一种使用长短期记忆神经网络(LSTM)的AGV运行状态预测方法。并将其部署在AGV系统中，该方法可以更准确地对AGV运行状态进行实时预测和风险评估，具有状态识别率高、智能性和鲁棒性强的特点。本专利技术的技术方案为：按以下方法进行预测：1)生成数据集：根据车载传感器搭建运行状态网络，包括AGV自身参数，环境参数以及状态表征参数，在AGV运行中对运行状态进行数据采集和存储，并进行数据预处理、数据增强和数据集划分，生成数据集；2)搭建模型：基于LSTM算法搭建运行状态预测模型，确定网络各环节的输入输出维度，LSTM的时间长度参数，学习率，初始值等，并在Keras框架中进行模型实现，使用步骤1)中的数据集进行模型的训练，得到最优模型；3)实时运行状态预测：将模型导入AGV中，用于实时运行状态预测，设置每种运行状态类型的风险阈值，若当前预测值超过本类型的阈值时，提示系统即将失稳，AGV及时进行状态调整，以保证AGV的正常运行。本专利技术的有益效果：一、本专利技术专注于对AGV的引导运行状态及时的评估和预测，不仅包括对风险类型的预测，还包括对当前类型的风险值进行评估，有效增强了评估结果的多元性；二、本专利技术根据AGV运行状态的多维性和与时间关联性强的特点，提出使用LSTM神经网络的AGV运行状态预测方法，更好的利用了运行数据的时间连贯性特点；针对AGV运行状态的小样本特点，对数据集进行扩充，使预测结果准确性大大提高，准确率可达88.51％；三、本专利技术解决了AGV对自身的运行状态进行预测的问题，无须云端服务器，即可实现实时状态预测功能，提高了AGV本身的的鲁棒性和智能性。附图说明图1是本案应用于实施例的模型搭建流程图。图2是本案应用于实施例的实时状态预测示意图。具体实施方式为能清楚说明本专利的技术特点，下面通过具体实施方式，并结合其附图，对本专利进行详细阐述。本专利技术的一种AGV运行状态预测方法，按以下方法进行预测：1)生成数据集：根据车载传感器搭建运行状态网络，包括AGV自身参数，环境参数以及状态表征参数，在AGV运行中对运行状态进行数据采集和存储，并进行数据预处理、数据增强和数据集划分，生成数据集；具体来说，首先在AGV运行过程中对AGV的运行状态进行采集，为了保证协议的一致性，各状态传感器都采用ModbusRTU协议进行数据传输，从中选出与AGV运行状态相关性较高的数据作为模型的输入数据来源；2)搭建模型：基于LSTM算法搭建运行状态预测模型，确定网络各环节的输入输出维度，LSTM的时间长度参数，学习率，初始值等，并在Keras框架中进行模型实现，使用步骤1)中的数据集进行模型的训练，得到最优模型；3)实时运行状态预测：将模型导入AGV中，用于实时运行状态预测，设置每种运行状态类型的风险阈值，若当前预测值超过本类型的阈值时，提示系统即将失稳，AGV及时进行状态调整，主要是针对AGV的运动控制参数和视觉算法参数进行调整，以保证AGV的正常运行。由于本文档来自技高网...

【技术保护点】
1.一种AGV运行状态预测方法，其特征在于，按以下方法进行预测：/n1)生成数据集：根据车载传感器搭建运行状态网络，包括AGV自身参数，环境参数以及状态表征参数，在AGV运行中对运行状态进行数据采集和存储，并进行数据预处理、数据增强和数据集划分，生成数据集；/n2)搭建模型：基于LSTM算法搭建运行状态预测模型，确定网络各环节的输入输出维度，LSTM的时间长度参数，学习率，初始值等，并在Keras框架中进行模型实现，使用步骤1)中的数据集进行模型的训练，得到最优模型；/n3)实时运行状态预测：将模型导入AGV中，用于实时运行状态预测，设置每种运行状态类型的风险阈值，若当前预测值超过本类型的阈值时，提示系统即将失稳，AGV及时进行状态调整，以保证AGV的正常运行。/n

【技术特征摘要】
1.一种AGV运行状态预测方法，其特征在于，按以下方法进行预测：
1)生成数据集：根据车载传感器搭建运行状态网络，包括AGV自身参数，环境参数以及状态表征参数，在AGV运行中对运行状态进行数据采集和存储，并进行数据预处理、数据增强和数据集划分，生成数据集；
2)搭建模型：基于LSTM算法搭建运行状态预测模型，确定网络各环节的输入输出维度，LSTM的时间长度参数，学习率，初始值等，并在Keras框架中进行模型实现，使用步骤1)中的数据集进行模型的训练，得到最优模型；
3)实时运行状态预测：将模型导入AGV中，用于实时运行状态预测，设置每种运行状态类型的风险阈值，若当前预测值超过本类型的阈值时，提示系统即将失稳，AGV及时进行状态调整，以保证AGV的正常运行。


2.根据权利要求1所述的一种AGV运行状态预测方法，其特征在于，步骤1)需要采集的运行状态为视觉引导参数K,B,S(引导线斜率，截距，评分)，车辆位姿参数θ,ω(角度，角速度)，环境参数M,D(平均灰度，障碍物距离)，运行状态特征参数T,P(类型，风险值)。


3.根据权利要求1所述的一种AGV运行状态预测方法，其特征在于，步骤2)搭建模型具体为：
2.1)确定模型的输入和输出：
关于输入参数，本方法中LSTM模型的训练集共包含若干样本，每个样本包含每种运行状态类型的若干组连续离散数据，并选取合适的采样间隔及样本时间尺度；模型的输入参数包括视觉识别的车道线斜率K、截距B和评分S，车体质心的转角θ和转速ω，以及外部环境的平均灰度M和障碍物距离D；
关于输出参数，模型的输出参数为AGV运行状态类型T和风险值P，设运行状态类型有n种，则运行状态T取值的可能性为n个离散值，每个值代表一种运行状态类型；输出参数P表示当前运行状态下的的风险值，取值介于0和1之间，越接近于1代表风险越大，故LSTM模型的输出维度为2；
2.2)数据预处理：包括数据归一化处理和数据增强技术，采用数据增强手段对训练集的数据进行扩充，在不实质性增加数据的情况下，让有限的数据产生等价于更多数据的价值；本方法使用重叠采样进行数据增强，采集训练样本时，选定样本长度为l，步长为s偏移，若数据集共有m个数据，则可以得到[m-(l-s)]个训练样本，用这种方法扩充数据量；
2.3)基于Keras的模型对网络进行搭建：网络共六层，网络包括LSTM长短时记忆网...

【专利技术属性】
技术研发人员：楼佩煌，钱晓明，孙天，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32