矿车运行工况的获取方法及装置

技术领域

本发明涉及一种通信技术领域，特别是涉及一种矿车运行工况的获取方法及装置。

背景技术

随着采矿运输的逐步智能化，矿车运输矿物已经逐步实现全自动、无人化流程。其中，为了满足矿场用户对不同矿车的运行情况的获取，通常会对矿车的运行情况进行实时监控统计。

目前，现有矿车的运行数据通常基于卫星定位系统对各个矿车进行定位，并基于位置信息的统计得到，从而实现对不同矿车路径的定位规划，但是，矿车路径作为单一的运行数据进行统计，导致矿车工况获取准确性较差，无法满足精准的矿车运行分析需求，因此，急需一种矿车运行工况的获取方法来解决上述问题。

发明内容

有鉴于此，本发明提供一种矿车运行工况的获取方法及装置，主要目的在于解决现有矿车统计数据获取准确性较差，无法满足精准的矿车运行分析需求的问题。

依据本发明一个方面，提供了一种矿车运行工况的获取方法，包括：

接收矿车运行数据；

根据矿车工况识别模型对所述矿车运行数据进行处理，得到矿车工况状态数据，所述矿车工况识别模型为基于至少两种机器学习算法结合进行模型训练得到的；

对所述矿车工况状态数据进行统计并输出。

进一步地，所述根据矿车工况识别模型对所述矿车运行数据进行处理之前，所述方法还包括：

获取模型训练数据集，所述模型训练数据集包括历史矿车运行数据以及历史矿车运载状态；

根据所述历史矿车运行数据对第一深度学习模型进行分类训练，得到完成训练的第一深度学习模型，所述第一深度学习模型的分类结果为不同矿车运载状态；

根据所述历史矿车运行数据、所述历史矿车运载状态对所述第二深度学习模型进行预测训练，得到完成训练的第二深度学习模型，所述第二深度学习模型的预测结果为不同矿车工况状态数据。

进一步地，所述对所述矿车工况状态数据进行统计，包括：

将所述矿车工况状态数据发送至终端平台，并指示所述终端平台对所述矿车工况状态数据进行统计。

进一步地，所述对所述矿车工况状态数据进行统计包括：

按照各矿车的运载特征对所述矿车工作状态数据进行不同时序的累加计算，得到各矿车的运行工况统计工作量，所述矿车工况状态数据包括运载次数、运载承重、运载距离、运载负荷、运载路径和运载能耗中至少之一。

进一步地，所述接收矿车运行数据，包括：

通过MQTT服务向车载设备发送数据获取请求；

接收所述车载设备反馈的矿车运行数据，并存储至中央存储库中。

进一步地，所述方法还包括：

指示所述车载设备通过传感设备采集所述矿车运行数据，并通过预设通信接口将所述矿车运行数据发送至终端平台。

进一步地，所述矿车运行数据包括矿车定位信息、矿车状态信息、动力参数和诊断报警信息至少之一。

依据本发明另一个方面，提供了一种矿车运行工况的获取装置，包括：

接收模块，用于接收矿车运行数据；

处理模块，用于根据矿车工况识别模型对所述矿车运行数据进行处理，得到矿车工况状态数据，所述矿车工况识别模型为基于至少两种机器学习算法结合进行模型训练得到的；

统计模块，用于对所述矿车工况状态数据进行统计并输出。

进一步地，所述装置还包括：

获取模块，用于获取模型训练数据集，所述模型训练数据集包括历史矿车运行数据以及历史矿车运载状态；

第一训练模块，用于根据所述历史矿车运行数据对第一深度学习模型进行分类训练，得到完成训练的第一深度学习模型，所述第一深度学习模型的分类结果为不同矿车运载状态；

第二训练模块，用于根据所述历史矿车运行数据、所述历史矿车运载状态对所述第二深度学习模型进行预测训练，得到完成训练的第二深度学习模型，所述第二深度学习模型的预测结果为不同矿车工况状态数据。

进一步地，所述统计模块，具体用于将所述矿车工况状态数据发送至终端平台，并指示所述终端平台对所述矿车工况状态数据进行统计。

进一步地，所述统计模块，具体还用于按照各矿车的运载特征对所述矿车工作状态数据进行不同时序的累加计算，得到各矿车的运行工况统计工作量，所述矿车工况状态数据包括运载次数、运载承重、运载距离、运载负荷、运载路径和运载能耗中至少之一。

进一步地，所述接收模块，包括：

发送单元，用于通过MQTT服务向车载设备发送数据获取请求；

接收单元，用于接收所述车载设备反馈的矿车运行数据，并存储至中央存储库中。

进一步地，所述装置还包括：

指示模块，用于指示所述车载设备通过传感设备采集所述矿车运行数据，并通过预设通信接口将所述矿车运行数据发送至终端平台。

进一步地，所述矿车运行数据包括矿车定位信息、矿车状态信息、动力参数和诊断报警信息至少之一。

根据本发明的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述矿车运行工况的获取方法对应的操作。

根据本发明的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述矿车运行工况的获取方法对应的操作。

借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：

本发明提供了一种矿车运行工况的获取方法及装置，与现有技术相比，本发明实施例通过接收矿车运行数据；根据矿车工况识别模型对所述矿车运行数据进行处理，得到矿车工况状态数据，所述矿车工况识别模型为基于至少两种机器学习算法结合进行模型训练得到的；对所述矿车工况状态数据进行统计并输出，满足不同矿场用户对矿场环境中矿车运行状况的智能获取需求以及精准的矿车运行分析需求，结合机器学习识别方式高效地提供了矿车运行状态，从而提高了矿车运行工况的获取效率。

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

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种矿车运行工况的获取方法流程图；

图2示出了本发明实施例提供的一种模型训练过程示意图；

图3示出了本发明实施例提供的一种矿车运行数据传输架构示意图；

图4示出了本发明实施例提供的一种矿车运行工况的获取装置组成框图；

图5示出了本发明实施例提供的一种计算机设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供了一种矿车运行工况的获取方法，如图1所示，该方法包括：

101、接收矿车运行数据。

本发明实施例中，为了实时获取到矿车的运行情况，矿场中每台矿车上均安装有车载设备，通过车载设备获取定位信息、矿车运行数据。其中，车载设备为具有通信功能的车载系统，如TBOX，可以通过包含的GPS功能与卫星定位系统进行定位，并且进而通过自身具有的各项传感器、处理器等采集矿车运行过程中的矿车运行数据，所述矿车运行数据至少包括矿车定位信息、矿车状态信息、动力参数、诊断报警信息之一。车载设备在获取到矿车运行数据后，通过2G、GMS/3G、GPRS/4G、LTE/5G、V2X等移动通信蜂窝网络，上传至作为当前执行执行端的云端服务器，云端服务器接收矿车运行数据后进行处理。

需要说明的是，本发明实施例中，当矿车在矿车中进行装载或运输矿物时，车载设备实时记录矿车定位信息、矿车状态信息、动力参数和诊断报警信息，以便对矿车运行的监控。其中，矿车定位信息为通过GPS系统实时定位得到的，可以包括经度、纬度、高度或时间等，矿车状态信息为车辆操作的具体状态，可以包括车速、油门开度、档位和制动踏板开度等，动力参数为车辆发动机的运行参数，可以包括发动机输出扭矩、发动机转速、变速箱转速和油耗等，诊断报警信息为基于预设的安全系数对制动、转向、发动机或变速箱等状态进行判断报警的信息，本发明实施例不做具体限定。

102、根据矿车工况识别模型对所述矿车运行数据进行处理，得到矿车工况状态数据。

本发明实施例中，为了准确根据车载设备上传的矿车运行数据进行数据处理、统计，当前云端服务器中预先构建有矿车工况识别模型，作为机器学习模型对矿车运行数据进行处理，从而预测矿车工况状态数据。其中，所述矿车工况识别模型为基于两种机器学习算法结合进行模型训练得到的，即在对构建矿车工况识别模型时，首先基于一个机器学习算法作为一个分类模型进行训练，然后再基于另一个机器学习算法作为第一预测模型进行训练，从而通过结合两个机器学习算法实现对矿车的工况进行分类预测的目的。

本发明实施例中，云端服务器作为一个云处理平台，利用HTTP协议，根据实际的矿场应用场景，为用户提供数据存储、数据处理、业务资源交互等服务，从而使得用户进行查询，提高了矿车状态的确认，便于用户对矿车零部件维修、更换。并且，云端服务器中配置有MQTT服务，从而建立面向车载总线的可靠的消息服务，快速、准确的向终端平台反馈矿车工况状态数据。其中，矿车工况状态数据用于表征矿车运行的具体工作情况，例如，可以为重载下坡的路径和能耗，空载路径和能耗等，本发明实施例不做具体限定。

103、对所述矿车工况状态数据进行统计并输出。

本发明实施例中，为了满足不同的统计需求，对于矿车工况状态数据的统计，可以在当前执行端中进行，如在当前云端服务器中进行，也可以在与当前云端服务器进行数据交互的控制端中进行，即可以为对全部矿车进行监控的控制端，如控制平台、监控平台或操作平台等，本发明实施例不做具体限定。为了精准的向用户提供矿车的工况数据，对矿车工况状态数据后进行统计，将统计后的各矿车的运行工况统计工作量向用户进行输出展示，例如，统计出的矿车工况状态数据为矿车满载上坡的能耗以及路径等，以便用户根据统计的矿车工况状态数据对矿车进行维护等处理。

在本发明的一个实施例中，所述根据矿车工况识别模型对所述矿车运行数据进行处理之前，所述方法还包括：从中央存储库中获取模型训练数据集，所述模型训练数据集包括历史矿车运行数据、历史矿车运载状态；根据所述历史矿车运行数据对第一深度学习模型进行分类训练，得到完成训练的第一深度学习模型，所述第一深度学习模型的分类结果为不同矿车运载状态；根据所述历史矿车运行数据及所述历史矿车运载状态对所述第二深度学习模型进行预测训练，得到完成训练的第二深度学习模型，所述第二深度学习模型的预测结果为不同矿车工况状态数据。

为了准确通过矿车工况识别模型进行处理，在云端服务器中预先建矿车工况识别模型，并进行训练。具体的，云端服务器中具有中央存储库，可以以数据仓库的形式存储，用于存储全部的历史矿车运行数据和历史矿车装载状态，作为模型训练数据集，以便对第一深度学习模型和第二深度学习模型进行训练。本发明实施例中，第一深度学习模型可以为长短时记忆神经网络模型(Long Short-term Memory Networks，LSTM)，根据作为输入参数的历史矿车运行数据，作为输出结果的矿车装载状态对长短时记忆LSTM模型进行模型训练，直至达到模型的预设精度，确认完成模型训练。矿车运载状态包括但不限于矿车的装载或者空载，以及装载下坡或者空载上坡等，然后通过历史矿车运行数据及历史矿车装载状态对第二深度学习模型进行预测训练，第二深度学习模型可以为卷积神经网络模型(Convolutional Neural Networks，CNN)，根据作为输入参数的历史矿车运行数据和历史矿车装载状态，作为输出结果的矿车工况状态数据对卷积神经网络CNN模型进行模型训练，直至达到模型的预设精度，确认完成模型训练。

需要说明的是，对完成训练的第一深度学习模型、第二深度学习模型进行组合得到矿车工况识别模型，当根据矿车工况识别模型对矿车运行数据进行处理是，如图2所示，具体首先通过第一深度学习模型对矿车运行数据进行分类处理，确定出装载或空载的矿车运载状态，然后根据确定的装载或空载的矿车运载状态结合矿车运行数据通过第二深度学习模型进行预测，从而得到准确的矿车工况状态数据。

本发明实施例中，对于LSTM的模型训练，主要有如下步骤：(1)前向计算每个神经元的输出值，对于LSTM模型，分别计算出四个权重参数矩阵f

本发明实施例中，对于CNN模型训练，主要有如下步骤：(1)网络进行权值的初始化；(2)输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值；(3)求出网络的输出值与目标值之间的误差；(4)当误差大于期望值时，将误差传回网络中，依次求得全连接层、下采样层和卷积层的误差，各层的误差可以理解为相对于网络的总误差，各层网络应承担的误差大小；当误差等于或小于期望值时，结束训练；(5)根据求得误差进行权值更新，然后在进入到第二步，直至完成模型训练。

在本发明的一个实施例中，为了进一步说明书及限定，所述对所述矿车工况状态数据进行统计，包括：将所述矿车工况状态数据发送至终端平台，并指示所述终端平台对所述矿车工况状态数据进行统计。

为了提高对于矿车工况状态数据进行统计的效率，终端平台通过HTTP协议接收到当前云端服务器处理得到的的矿车工况状态数据后会按照不同层级对矿车工况状态数据进行统计，并采取并行机制，对每辆矿车分配单独的状态空间，实现并行计算，从而满足对各个矿车的矿车工况状态的单独统计，提高统计效率。

在本发明的一个实施例中，为了进一步限定及说明，所述对所述矿车工况状态数据进行统计包括：按照各矿车的运载特征对所述矿车工作状态数据进行不同时序的累加计算，得到各矿车的运行工况统计工作量。

需要说明的是，所述矿车工况状态数据包括运载次数、运载承重、运载距离、运载负荷、运载路径和运载能耗中至少之一，运载特征为空载和满载的矿车状态，因此，按照空载和满载的状态对每辆矿车的运载次数、运载承重、运载距离、运载负荷、运载路径或运载能耗按照工作时序进行累加计算，可以计算出每个矿车的运行工况统计工作量，工作时序可以为1天或1周等，本发明实施例不做具体限定。具体的，可以按照各矿车空载状态累加计算1天或一周内的运载次数、运载承重、运载距离、运载负荷、运载路径或运载能耗，以及按照满载状态累加计算1天或一周的运载次数、运载承重、运载距离、运载负荷、运载路径或运载能耗，本发明实施例不做具体限定。

另外，累计统计后的矿车工作状态数据可以直接以时序单位进行存储并输出给用户查看，以便用户根据矿车的矿车工作状态数据确定是否进行车辆维护等操作，从而提高矿车运行的效率。

在本发明的一个实施例中，为了高效、可行的通信方式，如图3所示，所述接收矿车运行数据，包括：通过MQTT服务向车载设备发送数据获取请求；接收所述车载设备反馈的矿车运行数据，并存储至中央存储库中。

本发明实施例中，每台矿车中的车载设备通过车载以太网与其他矿车的车载设备进行联网，并通过预设通信接口，如USB接口，结合CAN总线与终端平台进行数据交互，以实现终端平台对车载设备的OTA升级、远程诊断或状态监控，从而覆盖全部矿车车辆端功能，实现搭建实时性和灵活性的总线架构的基础架构。并且，车载设备在采集矿车运行数据时，是基于安装在矿车不同位置的传感器采集的，不同的数据基于不同的传感器采集，因此，在接收矿车运行数据时，通过MQTT服务向车载设备发送数据获取请求，本发明实施例不做具体限定。另外，由于云端服务器配置有MQTT服务，因此，可以在移动通信网络连通的情况下，云端服务器与车载设备进行数据交互，从而使的矿车运行数据传输至云端平台中，存储至中央存储库中。

需要说明的是，本发明实施例中，车载设备中的矿车运行数据在产生到云端服务器中时，主要是通过云端服务器中的云主机网关进行协议转换，从而完成数据传输。

在本发明的一个实施例中，为了满足用户对矿车运行数据的实时获取需求，所述方法还包括：指示所述车载设备通过传感设备采集所述矿车运行数据，并通过预设通信接口将所述矿车运行数据发送至终端平台。

具体的，作为当前执行端的云服务器通过指示的方式向车载设备发送指令，以使车载设备控制按照在车载设备上的传感设备采集矿车运行数据，然后按照预设通信接口将矿车运行数据发送至终端平台中，预设通信接口可以为USB接口，从而使得终端平台向用户展示矿车运行数据。并且，当终端平台中进行对矿车工况状态数据的统计时，同时可以实现展示统计后的矿车工况状态数据，从而提高了矿车运行工况的获取效率。

本发明实施例提供了一种矿车运行工况的获取方法，与现有技术相比，本发明实施例通过接收矿车运行数据；根据矿车工况识别模型对所述矿车运行数据进行处理，得到矿车工况状态数据，所述矿车工况识别模型为基于至少两种机器学习算法结合进行模型训练得到的；对所述矿车工况状态数据进行统计并输出，满足不同矿场用户对矿场环境中矿车运行状况的智能获取需求以及精准的矿车运行分析需求，结合机器学习识别方式高效地提供了矿车运行状态，从而提高了矿车运行工况的获取效率。

进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种矿车运行工况的获取装置，如图4所示，该装置包括：接收模块21、处理模块22、统计模块23，

接收模块21，用于接收矿车运行数据；

处理模块22，用于根据矿车工况识别模型对所述矿车运行数据进行处理，得到矿车工况状态数据，所述矿车工况识别模型为基于至少两种机器学习算法结合进行模型训练得到的；

统计模块23，用于对所述矿车工况状态数据进行统计并输出。

进一步地，所述装置还包括：

获取模块，用于获取模型训练数据集，所述模型训练数据集包括历史矿车运行数据以及历史矿车运载状态；

第一训练模块，用于根据所述历史矿车运行数据对第一深度学习模型进行分类训练，得到完成训练的第一深度学习模型，所述第一深度学习模型的分类结果为不同矿车运载状态；

第二训练模块，用于根据所述历史矿车运行数据、所述历史矿车运载状态对所述第二深度学习模型进行预测训练，得到完成训练的第二深度学习模型，所述第二深度学习模型的预测结果为不同矿车工况状态数据。

进一步地，所述统计模块，具体用于将所述矿车工况状态数据发送至终端平台，并指示所述终端平台对所述矿车工况状态数据进行统计。

进一步地，所述统计模块，具体还用于按照各矿车的运载特征对所述矿车工作状态数据进行不同时序的累加计算，所述矿车工况状态数据包括运载次数、运载承重、运载距离、运载负荷、运载路径和运载能耗中至少之一。

进一步地，所述接收模块，包括：

发送单元，用于通过MQTT服务向车载设备发送数据获取请求；

接收单元，用于接收所述车载设备反馈的矿车运行数据，并存储至中央存储库中。

进一步地，所述装置还包括：

指示模块，用于指示所述车载设备通过传感设备采集所述矿车运行数据，并通过预设通信接口将所述矿车运行数据发送至终端平台。

进一步地，所述矿车运行数据包括矿车定位信息、矿车状态信息、动力参数和诊断报警信息至少之一。

本发明实施例提供了一种矿车运行工况的获取装置，与现有技术相比，本发明实施例通过接收矿车运行数据；根据矿车工况识别模型对所述矿车运行数据进行处理，得到矿车工况状态数据，所述矿车工况识别模型为基于至少两种机器学习算法结合进行模型训练得到的；对所述矿车工况状态数据进行统计并输出，满足不同矿场用户对矿场环境中矿车运行状况的智能获取需求以及精准的矿车运行分析需求，结合机器学习识别方式高效地提供了矿车运行状态，从而提高了矿车运行工况的获取效率。

根据本发明一个实施例提供了一种计算机存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的矿车运行工况的获取方法。

图5示出了根据本发明一个实施例提供的一种计算机设备的结构示意图，本发明具体实施例并不对计算机设备的具体实现做限定。

如图5所示，该计算机设备可以包括：处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。

其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。

通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器302，用于执行程序310，具体可以执行上述矿车运行工况的获取方法实施例中的相关步骤。

具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。

处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序310具体可以用于使得处理器302执行以下操作：

接收矿车运行数据；

根据矿车工况识别模型对所述矿车运行数据进行处理，得到矿车工况状态数据，所述矿车工况识别模型为基于至少两种机器学习算法结合进行模型训练得到的；

对所述矿车工况状态数据进行统计并输出。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。