换热器内部预装体的车间行车控制智能化监测方法及系统

技术领域

本发明涉及车间行车控制监测技术领域，尤其涉及换热器内部预装体的车间行车控制智能化监测方法及系统。

背景技术

换热器预装体是预先组装好的换热器元件，这些组件在车间内事先组装好，由于换热器预装体本身的尺寸往往比较大，它包括多个金属板片、管子和密封件等组件的组装，以及连接管道系统所需的附件，因此需要足够的空间进行组装，车间行车便成了安装运输的必要设备。

然后，由于换热器预装体的各个组件之间的结构差异，会造成行车之间在运输上的相互影响甚至碰撞产生安全事故，所以有必要为换热器预装体安装车间的行车设计独立的控制监测方法以及对应系统。

公开于该背景技术部分的信息仅仅旨在加深对本公开总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。

发明内容

本发明提供了专利名称，可有效解决背景技术中的问题。

为了达到上述目的，本发明所采用的技术方案是：

换热器内部预装体的车间行车控制智能化监测方法，所述方法包括：

对行车轨道进行测距，获取任务行进向量；

建立行车任务队列，并将所述行车任务队列按所述任务行进向量进行分组；

获取行车执行任务，将所述行车执行任务按时间顺序进入对应分组后的所述行车任务队列；

将同组内的所述行车执行任务按任务执行时间长度进行聚合，获得行车执行任务集合；

获取所述行车执行任务集合中各个所述行车执行任务的运动参数信息；

构建预警监测模型，将所述运动参数信息输入所述预警监测模型，获得预警监测结果；

根据所述预警监测结果，对车间行车的任务调度进行调整。

进一步地，对所述任务执行时间长度进行预测，包括：

获取车间行车历史执行任务中各类任务执行时间，得到历史任务时间长度信息；

对所述历史执行任务的任务属性进行特征提取，获得任务特征集合；

根据所述历史任务时间长度信息和所述任务特征集合，构建时间长度预测模型；

通过所述时间长度预测模型对所述任务执行时间长度进行预测。

进一步地，对所述历史执行任务的任务属性进行特征提取，包括：

将所述历史执行任务的任务属性划分为连续型信息和离散型信息；

对所述连续型信息进行分箱处理，将连续数据划分为离散区间，将其转换为离散型数据，获得连续型特征信息；

使用独热编码对所述离散型信息集合进行特征处理，将离散型特征转化为二进制特征，获得离散型特征信息；

将所述连续型特征信息和所述离散型特征信息合并成任务特征集合。

进一步地，在获得所述离散型特征信息之后，对所述离散型特征信息进行降维处理。

进一步地，将同组内的所述行车执行任务按任务执行时间长度进行聚合，获得行车执行任务集合，包括：

根据所述行车执行任务的建立任务时间次序、紧急程度和重要性，分别为所述行车执行任务分配执行任务权重；

将所述任务执行时间长度进行划分，按划分好的所述任务执行时间长度分派所述行车执行任务，获得若干行车执行任务组；

计算各组内每个所述行车执行任务的加权和，所述加权和为所述建立任务时间次序、紧急程度和重要性的权重之和；

将各组内每个所述行车执行任务的加权和进行排序，得到加权和排序结果；

对所述若干行车执行任务组按照最短作业调度算法进行排序，获得行车执行任务组排序结果；

根据所述加权和排序结果和所述行车执行任务组排序结果确定所述行车执行任务的优先顺序，获得行车执行任务集合。

进一步地，构建预警监测模型，包括：

获取所述车间行车的历史运动参数信息集合，其中，所述历史运动参数信息集合包括传感器数据和对应的时间戳信息；

对所述历史运动参数信息集合进行特征提取，获得历史运动参数信息特征集合；

基于神经网络模型，选择合适的损失函数和优化算法构建预警监测模型。

进一步地，对所述历史运动参数信息集合进行预处理，通过传感器数据计算所述车间行车的相关运动参数。

进一步地，对所述构建预警监测模型进行训练和评估，包括：

将所述历史运动参数信息集合划分为训练集和测试集；

使用所述训练集对所述预警监测模型进行训练，并使用优化算法来最小化损失函数，获得预警监测模型参数；

使用所述测试集对所述预警监测模型进行评估，使用性能评估指标包括：均方误差、准确率、召回率，获得所述预警监测模型的性能评估结果；

根据所述性能评估结果，对所述预警监测模型进行参数调整和算法优化。

换热器内部预装体的车间行车控制智能化监测系统，所述系统包括：

测距模块：用于对行车轨道进行测距，获取任务行进向量；

任务队列建立模块：用于建立行车任务队列，并将所述行车任务队列按所述任务行进向量进行分组；

任务获取模块：用于获取行车执行任务，将所述行车执行任务按时间顺序进入对应分组后的所述行车任务队列；

任务聚合模块：用于将同组内的所述行车执行任务按任务执行时间长度进行聚合，获得行车执行任务集合；

运动参数采集模块：用于获取所述行车执行任务集合中各个所述行车执行任务的运动参数信息；

预警监测模块：用于构建预警监测模型，将所述运动参数信息输入所述预警监测模型，获得预警监测结果；

任务调度模块：根据所述预警监测结果，对车间行车的任务调度进行调整。

进一步地，所述任务聚合模块包括：

任务权重分配单元：根据所述行车执行任务的建立任务时间次序、紧急程度和重要性，分别为所述行车执行任务分配执行任务权重；

任务分派单元：将所述任务执行时间长度进行划分，按划分好的所述任务执行时间长度分派所述行车执行任务，获得若干行车执行任务组；

任务权重计算单元：计算各组内每个所述行车执行任务的加权和，所述加权和为所述建立任务时间次序、紧急程度和重要性的权重之和；

任务排序单元：将各组内每个所述行车执行任务的加权和进行排序，得到加权和排序结果；对所述若干行车执行任务组按照最短作业调度算法进行排序，获得行车执行任务组排序结果；

优先顺序确定单元：根据所述加权和排序结果和所述行车执行任务组排序结果确定所述行车执行任务的优先顺序，获得行车执行任务集合。

通过本发明的技术方案，可实现以下技术效果：

本发明，通过独立的控制监测方法以及对应系统，对安装车间的行车进行实时监测和调控，优化了行车操作流程，也有效地提高了换热器预装体安装运输的效率和安全性，降低了事故风险。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为换热器内部预装体的车间行车控制智能化监测方法的流程示意图；

图2为对任务执行时间长度进行预测的流程示意图；

图3为对历史执行任务的任务属性进行特征提取的流程示意图；

图4为获得行车执行任务集合的流程示意图；

图5为构建预警监测模型的流程示意图；

图6为对构建预警监测模型进行训练和评估的流程示意图；

图7为换热器内部预装体的车间行车控制智能化监测系统的结构示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

实施例一

如图1所示，换热器内部预装体的车间行车控制智能化监测方法，方法包括：

S100：对行车轨道进行测距，获取任务行进向量；

S200：建立行车任务队列，并将行车任务队列按任务行进向量进行分组；

具体来说，测距是通过使用不同的传感器或技术来测量两个物体之间的距离的过程，在本步骤中进行测距的主要目的是确定行车相对于行车轨道的位置，以及行车的轨道轨迹路长和行车工作的运动方向，具体可以通过激光测距仪、超声波传感器等方法对行车轨道进行测距，并根据测量结果得到任务行进向量，任务行进向量包括行车的工作任务行进方向和工作任务所走的轨道距离；由于一个车间内对换热器内部预装体需要有多辆行车同时执行不同的任务，或轨道方向不同，或运载换热器预装体的行车之间出现来往的碰撞，导致任务执行的效率低下，因此需要将行车任务队列分成不同的组，例如，将行车任务队列分成东、西两个方向，那么行车可以按照同一方向先执行同批任务，不需要频繁地改变方向，既可以提高效率，又可以降低事故风险。

S300：获取行车执行任务，将行车执行任务按时间顺序进入对应分组后的行车任务队列；

S400：将同组内的行车执行任务按任务执行时间长度进行聚合，获得行车执行任务集合；

具体而言，在步骤S200中建立的行车任务队列对行车队列进行初始化分组之后，获取行车将要执行的任务运载信息，并将行车执行任务按照任务建立的时间进入对应方向的行车任务队列，这样可以将多个任务的行车进行有序分组排列，确保了任务执行队列的稳定性和可预测性；而将同组内的行车执行任务按任务执行时间长度进行聚合是因为行车执行任务的时间有长有短，同时执行聚合时间长度内的行车任务可有效提高行车轨道的利用率，避免浪费时间和资源，进而行车轨道可以在相似的时间里执行多个任务，有效地降低时间和资源的浪费，提高行车工作的效率和效果。

S500：获取行车执行任务集合中各个行车执行任务的运动参数信息；

具体来说，首先在车间行车上安装合适的传感器，并确定采集频率，确保车间行车正常运行后，通过传感器采集行车执行任务集合中各个行车执行任务的运动参数信息，包括行车的速度、加速度、位置等信息，并记录与之相对应的时间戳信息，了解车间行车的实时状态，有助于实现对行车运动过程的监测、安全保障和任务调度的需要。

S600：构建预警监测模型，将运动参数信息输入预警监测模型，获得预警监测结果；

S700：根据预警监测结果，对车间行车的任务调度进行调整。

首先，选择适当的机器学习算法或深度学习模型构建预警监测模型，常见的方法包括决策树、支持向量机、神经网络、随机森林等，通过预警监测模型可以准确地预测车间行车在运行过程中是否存在异常情况，并根据监测结果对车间行车的任务调度进行调整，可以实现对车间行车过程中的异常情况进行自动化监测和处理，通过及时的调整，在保证车间运行安全和效率的前提下，有效地处理异常情况，避免潜在的危险或损失。

通过本发明的技术方案，通过独立的控制监测方法以及对应系统，对安装车间的行车进行实时监测和调控，优化了行车操作流程，也有效的提高了换热器预装体安装运输的效率和安全性，降低了事故风险。

进一步地，如图2所示，对任务执行时间长度进行预测，包括：

S410：获取车间行车历史执行任务中各类任务执行时间，得到历史任务时间长度信息；

S420：对历史执行任务的任务属性进行特征提取，获得任务特征集合；

在本实施过程中，首先对于历史任务时间长度信息的获取，可以从车间行车系统或相关记录中获取历史执行任务的执行时间数据，然后获取历史执行任务的任务属性数据，包括任务类型、货物重量、起止位置等参数信息，并选择合适的特征提取方法对历史执行任务的任务属性数据进行特征提取，包括分类特征、相关系数分析、卡方检验等方法，而且这些特征可以帮助理解任务属性对执行时间长度的影响，例如，将相同种类的换热器内部预装体作为一种特征提取，或相同工作时间、相同轨道方向和路径、使得后续的时间长度预测模型对历史时间长度的学习更为精确，提升模型的后续预测和模拟能力，得到的任务特征集合可以用于后续的任务预测和决策。

S430：根据历史任务时间长度信息和任务特征集合，构建时间长度预测模型；

S440：通过时间长度预测模型对任务执行时间长度进行预测。

具体来说，首先可以从回归模型、卷积神经网络、支持向量机等模型中选择一个模型作为任务执行时间长度预测模型，然后使用历史任务时间长度信息和任务特征集合为模型提供深入学习，建立时间长度预测模型后可对模型进行训练和评估，使模型能够对历史任务时间长度进行准确预测，模型达到了预期的性能和泛化能力之后，就可以将其应用于任务执行时间长度的预测。

进一步地，如图3所示，对历史执行任务的任务属性进行特征提取，包括：

S421：将历史执行任务的任务属性划分为连续型信息和离散型信息；

S422：对连续型信息进行分箱处理，将连续数据划分为离散区间，将其转换为离散型数据，获得连续型特征信息；

S423：使用独热编码对离散型信息集合进行特征处理，将离散型特征转化为二进制特征，获得离散型特征信息；

S424：将连续型特征信息和离散型特征信息合并成任务特征集合。

本实施例中，划分任务属性可以将任务信息从原始数据中提取出来，形成合适的特征集合，因此可以将历史执行任务的任务属性划分为连续型信息和离散型信息，然而连续型信息和离散型信息具有不同的特点和数值类型，需要采用不同的特征处理方法，进行任务属性划分也方便针对不同类型的任务属性采取相应的处理方式，对于连续型信息可以采取等距分箱或等频分箱的方法进行分箱处理，将连续数据划分为若干个离散区间，使得数据更易于处理，分箱处理后，连续型特征会被转换为离散型特征；对于离散型信息则可以采用独热编码的方式进行特征处理，对每个离散值进行编码，并构建独热编码的二进制特征向量，其中只有对应取值的位置为1，其他位置都为0，再将原始数据中的离散型特征替换为独热编码的二进制特征，获得离散型特征信息，最后将连续型特征信息和离散型特征信息合并，可以得到最终的任务特征集合，有助于构建准确预测任务时间长度的模型。

进一步地，在获得离散型特征信息之后，对离散型特征信息进行降维处理。

作为上述实施例的优选，使用独热编码对离散型信息进行特征处理可能会导致高维度数据集，需要使用主成分分析、线性判别分析等特征降维技术来降低数据的维度，减少特征的数量，简化模型的复杂度，并有助于更好地理解和解释数据，需要注意的是，在进行降维处理时，也要避免过度降维导致信息损失和模型性能下降。

进一步地，如图4所示，将同组内的行车执行任务按任务执行时间长度进行聚合，获得行车执行任务集合，包括：

S401：根据行车执行任务的建立任务时间次序、紧急程度和重要性，分别为行车执行任务分配执行任务权重；

本步骤中的建立任务时间次序反映了任务的先后顺序，任务的紧急程度表示任务需要尽快处理的程度，而任务的重要性表示任务对系统或业务的关键性，为这三个因素分配权重，可以综合考虑任务的不同方面，以便更好地进行任务调度和处理，但是在分配权重系数之前，需要使用线性缩放和标准化等方法对它们进行归一化处理，将不同属性的取值范围映射到相同的区间，使它们具有可比性。

S402：将任务执行时间长度进行划分，按划分好的任务执行时间长度分派行车执行任务，获得若干行车执行任务组；

具体来说，首先将任务执行时间长度按照固定的时间段进行划分，然后将任务执行时间在不同时间段内的任务分配到对应的行车执行任务组中，为后续确定任务的执行顺序和优先级提供基础。

S403：计算各组内每个行车执行任务的加权和，加权和为建立任务时间次序、紧急程度和重要性的权重之和；

S404：将各组内每个行车执行任务的加权和进行排序，得到加权和排序结果；

S405：对若干行车执行任务组按照最短作业调度算法进行排序，获得行车执行任务组排序结果；

S406：根据加权和排序结果和行车执行任务组排序结果确定行车执行任务的优先顺序，获得行车执行任务集合。

在上述实施例的基础之上，通过分配权重和排序的方法，可以确定行车执行任务的优先顺序，在上述步骤中已经为每个任务分配了权重系数并建立了行车执行任务组，可以通过将建立任务时间次序、紧急程度和重要性的权重系数相加，可以计算出每个行车执行任务的加权和，然后将各组内的每个行车执行任务的加权和按照降序的顺序降序排序，得到各组内的行车执行任务的优先顺序；再选择最短作业调度算法对若干行车执行任务组进行排序，可以减少行车执行任务组的等待的时间，由于最短作业调度算法是选择执行时间最短的任务先进行处理的方法，因此时间较短的行车执行任务组会被优先执行，时间较长的行车执行任务组会后执行，从而得到若干行车执行任务组执行的优先顺序，最后结合各组内的行车执行任务的优先顺序，就可以得到行车执行任务的优先顺序，并获得行车执行任务集合。

进一步地，如图5所示，构建预警监测模型，包括：

S610：获取车间行车的历史运动参数信息集合，其中，历史运动参数信息集合包括传感器数据和对应的时间戳信息；

S620：对历史运动参数信息集合进行特征提取，获得历史运动参数信息特征集合；

S630：基于神经网络模型，选择合适的损失函数和优化算法构建预警监测模型。

具体而言，可以通过查阅车间行车记录系统和传感器日志文件，并从中获取存储传感器数据和对应的时间戳信息，包括速度、加速度、位移等，需要确保每个数据点都有准确的时间戳信息，以便进行后续的分析和处理，然后通过基本统计特征、频域特征、时域特征等特征提取方法对历史运动参数信息集合进行特征提取，获得能够代表运动参数信息的历史运动参数信息特征集合，之后需要选择合适的神经网络架构作为预警监测模型，例如深度神经网络、卷积神经网络、循环神经网络等，并给模型选择合适的损失函数和优化算法，利用历史运动参数信息特征集合对模型进行训练和评估，以使模型能够准确地预测行车过程中的异常情况。

进一步地，对历史运动参数信息集合进行预处理，然后通过传感器数据计算车间行车的相关运动参数。

在进行特征提取之前，通常需要对数据进行一定的预处理，包括数据清洗、数据归一化、数据平滑等步骤，以确保数据的质量和可用性，在完成数据预处理后，可以根据需求和选择的特征提取方法计算出相应的特征，包括各种数学和统计技术，如计算统计指标、进行变换等，为后续的模型训练和分析提供准备。

进一步地，如图6所示，对构建预警监测模型进行训练和评估，包括：

S631：将历史运动参数信息集合划分为训练集和测试集；

S632：使用训练集对预警监测模型进行训练，并使用优化算法来最小化损失函数，获得预警监测模型参数；

S633：使用测试集对预警监测模型进行评估，使用性能评估指标包括：均方误差、准确率、召回率，获得预警监测模型的性能评估结果；

S634：根据性能评估结果，对预警监测模型进行参数调整和算法优化。

本实施例采用深度学习算法建立预警监测模型，将历史数据划分为训练集和测试集，使用训练集对预警监测模型进行训练，以提高模型的准确性和泛化能力，其中将训练集的特征输入模型，得到训练集预测结果，并将训练集预测结果与训练集的真实标签进行比较，通过交叉熵损失函数、均方误差损失函数等函数计算损失函数，然后选择适当的优化算法，如梯度下降法、Adam等，来调整其参数以最小化定义的损失函数；使用测试集对已经训练好的模型进行评估和验证，其中将测试集的特征输入到已经训练好的预警监测模型中，获得测试集预测结果，根据测试集的真实标签和测试集预测的结果，计算模型的性能指标，进而得到模型的评估结果，根据性能评估结果，可以对模型进行进一步参数的调整和算法优化，直到达到预期的性能指标。

实施例二：

如图7所示，换热器内部预装体的车间行车控制智能化监测系统，系统包括：

测距模块：用于对行车轨道进行测距，获取任务行进向量；

任务队列建立模块：用于建立行车任务队列，并将行车任务队列按任务行进向量进行分组；

任务获取模块：用于获取行车执行任务，将行车执行任务按时间顺序进入对应分组后的行车任务队列；

任务聚合模块：用于将同组内的行车执行任务按任务执行时间长度进行聚合，获得行车执行任务集合；

运动参数采集模块：用于获取行车执行任务集合中各个行车执行任务的运动参数信息；

预警监测模块：用于构建预警监测模型，将运动参数信息输入预警监测模型，获得预警监测结果；

任务调度模块：根据预警监测结果，对车间行车的任务调度进行调整。

本发明中的上述调整系统可有效的实现换热器内部预装体的车间行车控制智能化监测方法，能够起到的技术效果如上述实施例所描述的，此处不再赘述。

进一步地，任务聚合模块包括：

任务权重分配单元：根据行车执行任务的建立任务时间次序、紧急程度和重要性，分别为行车执行任务分配执行任务权重；

任务分派单元：将任务执行时间长度进行划分，按划分好的任务执行时间长度分派行车执行任务，获得若干行车执行任务组；

任务权重计算单元：计算各组内每个行车执行任务的加权和，加权和为建立任务时间次序、紧急程度和重要性的权重之和；

任务排序单元：将各组内每个行车执行任务的加权和进行排序，得到加权和排序结果；对若干行车执行任务组按照最短作业调度算法进行排序，获得行车执行任务组排序结果；

优先顺序确定单元：根据加权和排序结果和行车执行任务组排序结果确定行车执行任务的优先顺序，获得行车执行任务集合。

同样地，对系统的上述优化方案，也分别地可对应实现实施例一中方法对应的优化效果，此处同样不再赘述。

尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。