System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及有轨矿车调度领域,具体涉及一种基于深度学习的有轨矿车调度方法及系统。
技术介绍
1、传统是以运输资源的最大利用为目的来规划矿车调度,然而随着使用次数的累加,轨道会出现磨损。而在较大磨损的轨道上,一些重量较轻的矿车以较大速度驶过时,很容易出现侧翻。因而一些矿车并不适合在一些磨损较大的轨道行驶。所以在对矿车进行调度规划时,应该考虑矿车在各段轨道上的行驶安全问题。
技术实现思路
1、本专利技术提供一种基于深度学习的有轨矿车调度方法及系统,以解决现有的问题:如何根据矿车在各路段的行驶安全,来规划矿车调度。
2、本专利技术的一种基于深度学习的有轨矿车调度方法及系统采用如下技术方案:
3、本专利技术一个实施例提供了一种基于深度学习的有轨矿车调度方法,该方法包括以下步骤:
4、获取每个矿车的每个车厢在每个时刻的振动幅值数据、行驶速度以及位置数据,每个矿车的每个车厢的综合重量,将所述振动幅值数据按照时序构成每个矿车的每个车厢的振动幅值数据序列;获取每个待调度矿车的每个车厢在每个时刻的行驶速度和每个待调度矿车的每个车厢的综合重量;
5、根据振动幅值数据序列中数据的分布特征得到异常振动幅值数据;根据异常振动幅值数据对应时刻的位置数据得到轨道磨损位置;
6、获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域,根据每个矿车的每个车厢通过每个轨道磨损位置时的相邻两帧待分析图像中的车厢区域的中心像素的距离得到每个矿车的
7、根据每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度对每个待调度矿车在每个轨道磨损位置处的侧翻情况进行判定得到每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果;根据每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果对每个待调度矿车进行规划调度。
8、优选的,所述根据振动幅值数据序列中数据的分布特征得到异常振动幅值数据,包括的具体方法为:
9、将振动幅值数据序列均匀分割成个子序列,表示预设分割数量;
10、对于任意一个子序列,将子序列中所有振动幅值数据拟合高斯模型,获取高斯模型的均值以及标准差,将分布在高斯模型的区间之外的振动幅值数据作为每个异常振动幅值数据;
11、获取每个子序列中异常振动幅值数据。
12、优选的,所述根据异常振动幅值数据对应时刻的位置数据得到轨道磨损位置,包括的具体方法为:
13、获取与每个异常振动幅值数据采集时刻相同的位置数据,记为每个异常振动幅值数据的位置数据,利用每个异常振动幅值数据的位置数据定位出轨道磨损位置。
14、优选的,所述获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域,包括的具体方法为:
15、利用每段轨道上方安装的摄像头,采集每个矿车的每个车厢从头部开始通过轨道磨损位置到尾部结束通过轨道磨损位置的整个行驶阶段的视频,在视频的所有帧图像中筛选出清晰的图像,记为每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像;
16、构建分割网络,利用分割网络对待分析图像进行分割处理得到每个待分析图像中的每个车厢区域。
17、优选的,所述根据每个矿车的每个车厢通过每个轨道磨损位置时的相邻两帧待分析图像中的车厢区域的中心像素的距离得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度,包括的具体方法为:
18、将任意一个矿车的任意一个车厢记为目标车厢,将任意一个轨道磨损位置记为目标轨道磨损位置,在目标车厢通过目标轨道磨损位置时的每个待分析图像中获取目标车厢区域的中心像素;获取目标车厢通过目标轨道磨损位置时的每个待分析图像中目标车厢区域的中心像素的坐标;
19、根据目标车厢通过每个轨道磨损位置时的每个待分析图像中的目标车厢区域的中心像素的坐标得到目标车厢在目标轨道磨损位置处的倾斜程度;
20、获取每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度。
21、优选的,所述根据目标车厢通过每个轨道磨损位置时的每个待分析图像中的目标车厢区域的中心像素的坐标得到目标车厢在目标轨道磨损位置处的倾斜程度,包括的计算公式为:
22、
23、其中,表示目标车厢通过目标轨道磨损位置时的第帧待分析图像中的目标车厢区域的中心像素的横坐标,表示目标车厢通过目标轨道磨损位置时的第个待分析图像的前一帧待分析图像中的目标车厢区域的中心像素的横坐标,表示目标车厢通过目标轨道磨损位置时的第个待分析图像中的目标车厢区域的中心像素的纵坐标,表示目标车厢通过目标轨道磨损位置时的第个待分析图像的前一帧待分析图像中的目标车厢区域的中心像素的纵坐标,表示目标车厢通过目标轨道磨损位置时的待分析图像的数量,表示双曲正切函数,表示目标车厢在目标轨道磨损位置处的倾斜程度。
24、优选的,所述根据每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度,每个矿车的每个车厢在轨道磨损位置处的行驶速度和每个矿车的每个车厢的综合重量得到每个轨道磨损位置的训练完成的预测网络,包括的具体方法为:
25、构建预测网络,将每个矿车的每个车厢在目标轨道磨损位置处的行驶速度和每个矿车的每个车厢的综合重量输入预测网络中得到输出数据,基于每个矿车的每个车厢通过目标轨道磨损位置处的倾斜程度和输出数据,利用预测网络的损失函数计算损失值,使损失值尽可能小,利用所有矿车的所有车厢在目标轨道磨损位置处的行驶速度和倾斜程度,所有矿车的所有车厢的综合重量对预测网络进行迭代训练得到目标轨道磨损位置的训练完成的预测网络;
26、获取每个轨道磨损位置的训练完成的预测网络。
27、优选的,所述根据每个轨道磨损位置的训练完成的预测网络,每个待调度矿车的每个车厢的在每个轨道磨损位置的行驶速度和每个待调度矿车的每个车厢的综合重量预测每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度,包括的具体方法为:
28、将每个待调度矿车的每个车厢的综合重量以及每个待调度矿车的每个车厢在目标轨道磨损位置处的行驶速度输入到目标轨道磨损位置的训练完成的预测网络中得到每个待调度矿车的每个车厢在目标轨道磨损位置处的预测倾斜程度;
29、获取每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度。
30、优选的,所述根据每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度对每个待调度矿车在每个轨道磨损位置处的侧翻情况进行判定得到每个本文档来自技高网...
【技术保护点】
1.一种基于深度学习的有轨矿车调度方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述一种基于深度学习的有轨矿车调度方法,其特征在于,所述根据振动幅值数据序列中数据的分布特征得到异常振动幅值数据,包括的具体方法为:
3.根据权利要求1所述一种基于深度学习的有轨矿车调度方法,其特征在于,所述根据异常振动幅值数据对应时刻的位置数据得到轨道磨损位置,包括的具体方法为:
4.根据权利要求1所述一种基于深度学习的有轨矿车调度方法,其特征在于,所述获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域,包括的具体方法为:
5.根据权利要求1所述一种基于深度学习的有轨矿车调度方法,其特征在于,所述根据每个矿车的每个车厢通过每个轨道磨损位置时的相邻两帧待分析图像中的车厢区域的中心像素的距离得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度,包括的具体方法为:
6.根据权利要求5所述一种基于深度学习的有轨矿车调度方法,其特征在于,所述根据目标车厢通过每个轨道磨损位置时的每个待分析图像中的目标车厢区域的中心像素的坐
7.根据权利要求5所述一种基于深度学习的有轨矿车调度方法,其特征在于,所述根据每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度,每个矿车的每个车厢在轨道磨损位置处的行驶速度和每个矿车的每个车厢的综合重量得到每个轨道磨损位置的训练完成的预测网络,包括的具体方法为:
8.根据权利要求5所述一种基于深度学习的有轨矿车调度方法,其特征在于,所述根据每个轨道磨损位置的训练完成的预测网络,每个待调度矿车的每个车厢的在每个轨道磨损位置的行驶速度和每个待调度矿车的每个车厢的综合重量预测每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度,包括的具体方法为:
9.根据权利要求5所述一种基于深度学习的有轨矿车调度方法,其特征在于,所述根据每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度对每个待调度矿车在每个轨道磨损位置处的侧翻情况进行判定得到每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果;根据每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果对每个待调度矿车进行规划调度,包括的具体方法为:
10.一种基于深度学习的有轨矿车调度系统,其特征在于,该系统包括以下模块:
...【技术特征摘要】
1.一种基于深度学习的有轨矿车调度方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述一种基于深度学习的有轨矿车调度方法,其特征在于,所述根据振动幅值数据序列中数据的分布特征得到异常振动幅值数据,包括的具体方法为:
3.根据权利要求1所述一种基于深度学习的有轨矿车调度方法,其特征在于,所述根据异常振动幅值数据对应时刻的位置数据得到轨道磨损位置,包括的具体方法为:
4.根据权利要求1所述一种基于深度学习的有轨矿车调度方法,其特征在于,所述获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域,包括的具体方法为:
5.根据权利要求1所述一种基于深度学习的有轨矿车调度方法,其特征在于,所述根据每个矿车的每个车厢通过每个轨道磨损位置时的相邻两帧待分析图像中的车厢区域的中心像素的距离得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度,包括的具体方法为:
6.根据权利要求5所述一种基于深度学习的有轨矿车调度方法,其特征在于,所述根据目标车厢通过每个轨道磨损位置时的每个待分析图像中的目标车厢区域的中心像素的坐标得到目标车厢在目标轨道磨损位置处的倾斜程度,包括的...
【专利技术属性】
技术研发人员:李文忠,赵翔,万顺,刘磊,孙培成,
申请(专利权)人:泰安万川电器设备有限公司,
类型:发明
国别省市:
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。