基于三轴加速计的运动分析对液化气瓶定位的装置及方法

技术领域

本发明属于设备定位技术领域，尤其涉及基于三轴加速计的运动分析对液化气瓶定位的装置及方法。

背景技术

三轴加速度传感器是基于加速度的基本原理去实现工作，具有体积小和重量轻特点，可以测量空间加速度，能够全面准确反映物体的运动性质，在航空航天、机器人、汽车和医学等领域得到广泛的应用。

液化石油气是在炼油厂内，由天然气或者石油进行加压降温液化所得到的一种无色挥发性液体，它极易自燃，当其在空气中的含量达到了一定的浓度范围后，它遇到明火就能爆炸，通常采用液化气瓶装载液化石油气。

在液化气瓶的使用过程中，液化气瓶存在丢失和挪用的风险，因此难以对液化气瓶进行监管。

发明内容

本发明实施例的目的在于提供一种基于三轴加速计的运动分析对液化气瓶定位的方法，旨在解决在液化气瓶的使用过程中，液化气瓶存在丢失和挪用的风险，难以对液化气瓶进行监管的问题。

本发明实施例是这样实现的，一种基于三轴加速计的运动分析对液化气瓶定位的方法，所述方法包括：

获取液化气瓶中的三轴加速计的实时加速数据以及主动定位数据；

通过机器学习模型对实时加速数据进行分析，生成辅助动作数据；

根据主动定位数据生成液化气瓶移动轨迹，基于辅助动作数据对液化气瓶移动轨迹进行校核；

根据实时加速数据和液化气瓶移动轨迹判定是否存在风险，若存在风险，则对本液化气瓶进行标记。

优选的，所述通过机器学习模型对实时加速数据进行分析，生成辅助动作数据的步骤，具体包括：

获取历史加速数据，根据历史加速数据构建训练集和测试集；

构建机器学习模型，通过训练集对机器学习模型进行训练，并通过测试集进行测试，对机器学习模型进行调整，直至机器学习模型的识别率高于预设值；

通过训练后的机器学习模型对实时加速数据进行分析，生成辅助动作数据，所述辅助动作数据包含时间信息。

优选的，所述根据主动定位数据生成液化气瓶移动轨迹，基于辅助动作数据对液化气瓶移动轨迹进行校核的步骤，具体包括：

根据主动定位数据调取区域地图，在区域地图中进行位置标定；

按照时间顺序对标定的位置进行连接，生成液化气瓶移动轨迹；

根据液化气瓶移动轨迹确定拐点，根据拐点对应的时间查询辅助动作数据，判定是否存在对应加速动作，完成校核。

优选的，所述根据实时加速数据和液化气瓶移动轨迹判定是否存在风险，若存在风险，则对本液化气瓶进行标记的步骤，具体包括：

查询实时加速数据，判定实时加速速度是否超过速度阈值，得到第一判定结果，所述速度阈值针对不同的移动动作具有不同的取值；

根据液化气瓶移动轨迹确定液化气瓶的设置位置，判定是否存在异常使用的情况，得到第二判定结果；

根据第一判定结果和第二判定结果判定是否存在风险，若是，则对本液化气瓶进行标记。

优选的，所述判定存在风险时，对液化气瓶进行标记，并通知管理人员。

优选的，所述液化气瓶上设置有标签，在添加液化气时，需扫描标签，若该标签对应的液化气瓶被标记，则拒绝为其进行加气。

本发明实施例的另一目的在于提供一种基于三轴加速计的运动分析对液化气瓶定位的装置，所述装置包括：

数据获取模块，用于获取液化气瓶中的三轴加速计的实时加速数据以及主动定位数据；

动作判定模块，用于通过机器学习模型对实时加速数据进行分析，生成辅助动作数据；

轨迹校核模块，用于根据主动定位数据生成液化气瓶移动轨迹，基于辅助动作数据对液化气瓶移动轨迹进行校核；

风险判定模块，用于根据实时加速数据和液化气瓶移动轨迹判定是否存在风险，若存在风险，则对本液化气瓶进行标记。

优选的，所述动作判定模块包括：

数据集构建单元，用于获取历史加速数据，根据历史加速数据构建训练集和测试集；

模型训练单元，用于构建机器学习模型，通过训练集对机器学习模型进行训练，并通过测试集进行测试，对机器学习模型进行调整，直至机器学习模型的识别率高于预设值；

数据分析单元，用于通过训练后的机器学习模型对实时加速数据进行分析，生成辅助动作数据，所述辅助动作数据包含时间信息。

优选的，所述轨迹校核模块包括：

位置标定单元，用于根据主动定位数据调取区域地图，在区域地图中进行位置标定；

轨迹生成单元，用于按照时间顺序对标定的位置进行连接，生成液化气瓶移动轨迹；

拐点校核单元，用于根据液化气瓶移动轨迹确定拐点，根据拐点对应的时间查询辅助动作数据，判定是否存在对应加速动作，完成校核。

优选的，所述风险判定模块包括：

加速度判定单元，用于查询实时加速数据，判定实时加速速度是否超过速度阈值，得到第一判定结果，所述速度阈值针对不同的移动动作具有不同的取值；

位置判定单元，用于根据液化气瓶移动轨迹确定液化气瓶的设置位置，判定是否存在异常使用的情况，得到第二判定结果；

综合判定单元，用于根据第一判定结果和第二判定结果判定是否存在风险，若是，则对本液化气瓶进行标记。

本发明实施例提供的一种基于三轴加速计的运动分析对液化气瓶定位的方法，通过对实时加速数据进行分析，判定液化气瓶的实时动作，生成辅助动作数据，根据辅助动作数据对移动轨迹进行校核，从而能够准确获取液化气瓶的实际运动轨迹，能够实现对液化气瓶是否存在挪用和丢失的判定，提高用气安全性。

附图说明

图1为本发明实施例提供的一种基于三轴加速计的运动分析对液化气瓶定位的方法的流程图；

图2为本发明实施例提供的通过机器学习模型对实时加速数据进行分析，生成辅助动作数据的步骤的流程图；

图3为本发明实施例提供的根据主动定位数据生成液化气瓶移动轨迹，基于辅助动作数据对液化气瓶移动轨迹进行校核的步骤的流程图；

图4为本发明实施例提供的根据实时加速数据和液化气瓶移动轨迹判定是否存在风险，若存在风险，则对本液化气瓶进行标记的步骤的流程图；

图5为本发明实施例提供的一种基于三轴加速计的运动分析对液化气瓶定位的装置的架构图；

图6为本发明实施例提供的一种动作判定模块的架构图；

图7为本发明实施例提供的一种轨迹校核模块的架构图；

图8为本发明实施例提供的一种风险判定模块的架构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。

如图1所示，为本发明实施例提供的一种基于三轴加速计的运动分析对液化气瓶定位的方法的流程图，所述方法包括：

S100，获取液化气瓶中的三轴加速计的实时加速数据以及主动定位数据。

在本步骤中，获取液化气瓶中的三轴加速计的实时加速数据，在液化气瓶上设置定位装置、三轴加速器和移动通信模块，定位装置可以为GPS定位装置，利用GPS定位装置可以直接对液化气瓶进行定位，而三轴加速器则可以测量液化气瓶在各向上的加速度，得到实施加速数据，主动定位数据则由GPS定位装置生成，利用移动通信模块可以直接与外界进行数据传输。

S200，通过机器学习模型对实时加速数据进行分析，生成辅助动作数据。

在本步骤中，通过机器学习模型对实时加速数据进行分析，利用历史数据对机器学习模型进行训练和测试，使得机器学习模型可以根据实时加速数据中各项加速度数值确定当前液化气瓶的动作，具体的，机器学习模型可以为神经网络模型，也可以是决策树分类器，通过训练之后，需要机器学习模型的识别成功率达到预设值，此时方可投入使用，使用时，将实施加速数据作为输入，通过机器学习模型进行识别，从而判定当前液化气瓶的动作，以生成辅助动作数据。

S300，根据主动定位数据生成液化气瓶移动轨迹，基于辅助动作数据对液化气瓶移动轨迹进行校核。

在本步骤中，根据主动定位数据生成液化气瓶移动轨迹，利用GPS定位装置能够实时获取液化气瓶的实时位置，具体的，为了减少能耗，可以按照时间间隔进行定位，如每间隔10秒获取一次定位，具体的，还可以根据定位得到的数据来判断是否需要持续进行定位，如两次定位时对应的位置距离大于预设值，则缩小定位时间间隔，继而在存在相邻两次定位的位置距离小于预设值时，则增加定位时间间隔，以得到多个定位点，根据该定位点即可生成液化气瓶移动轨迹，识别其中的拐点，然后根据拐点的时间查询辅助动作数据，判定相同时刻的加速度是否与拐点相匹配，以完成对液化气瓶移动轨迹的校核。

S400，根据实时加速数据和液化气瓶移动轨迹判定是否存在风险，若存在风险，则对本液化气瓶进行标记。

在本步骤中，根据实时加速数据和液化气瓶移动轨迹判定是否存在风险，利用实时加速数据判断液化气瓶的状态，是否存在异常，如存在倒置、撞击等情况，而根据液化气瓶移动轨迹则判定液化气瓶是否存在挪用的情况，如A时间段内在A用户住处，B时间段内，在B用户住处，据此进行判定，若判定存在风险，则对本液化气瓶进行标记。

如图2所示，作为本发明的一个优选实施例，所述通过机器学习模型对实时加速数据进行分析，生成辅助动作数据的步骤，具体包括：

S201，获取历史加速数据，根据历史加速数据构建训练集和测试集。

在本步骤中，获取历史加速数据，在历史加速数据中，记录了液化气瓶在各种状态下的加速度数据，如在倒置情况下，三个方向上的加速度分别为a

S202，构建机器学习模型，通过训练集对机器学习模型进行训练，并通过测试集进行测试，对机器学习模型进行调整，直至机器学习模型的识别率高于预设值。

在本步骤中，构建机器学习模型，具体的，可以构建神经网络模型，利用训练集对神经网络模型进行训练，使得神经网络模型能够根据各向加速度来判定当前液化气瓶的状态，进而利用测试集对神经网络模型进行测试，判断其识别准确度，根据测试结果对神经网络模型进行调整，以得到识别率高于预设值的神经网络模型。

S203，通过训练后的机器学习模型对实时加速数据进行分析，生成辅助动作数据，所述辅助动作数据包含时间信息。

在本步骤中，通过训练后的机器学习模型对实时加速数据进行分析，通过对实施加速数据进行解析，确定三个方向上的加速度，从而判定液化气瓶的姿态，得到辅助动作数据。

如图3所示，作为本发明的一个优选实施例，所述根据主动定位数据生成液化气瓶移动轨迹，基于辅助动作数据对液化气瓶移动轨迹进行校核的步骤，具体包括：

S301，根据主动定位数据调取区域地图，在区域地图中进行位置标定。

在本步骤中，根据主动定位数据调取区域地图，而主动定位数据是间隔获取的，因此，其记录的位置是不断变化的，按照时间顺序将主动定位数据中包含的点位逐个标记在区域地图当中。

S302，按照时间顺序对标定的位置进行连接，生成液化气瓶移动轨迹。

在本步骤中，按照时间顺序对标定的位置进行连接，在区域地图中的各个点位都是按照时间顺序进行标记的，每一个点位都代表了一个液化气瓶的位置，按照时间顺序进行连接，即得到液化气瓶移动轨迹。

S303，根据液化气瓶移动轨迹确定拐点，根据拐点对应的时间查询辅助动作数据，判定是否存在对应加速动作，完成校核。

在本步骤中，根据液化气瓶移动轨迹确定拐点，计算液化气瓶移动轨迹中各点的曲率，当其曲率超过预设值时，将该点定义为拐点，此时，确定该拐点对应的时刻，根据该时刻查询对应的辅助动作数据，判定是否存在对应加速动作，若存在对应的加速动作，则说明两者相匹配，校核通过，反之则校核失败，在失败次数超过预设值时，则判定校核失败，此时视为当前液化气瓶的三轴加速计或者GPS定位装置存在异常，进行异常标记。

如图4所示，作为本发明的一个优选实施例，所述根据实时加速数据和液化气瓶移动轨迹判定是否存在风险，若存在风险，则对本液化气瓶进行标记的步骤，具体包括：

S401，查询实时加速数据，判定实时加速速度是否超过速度阈值，得到第一判定结果，所述速度阈值针对不同的移动动作具有不同的取值。

在本步骤中，查询实时加速数据，判定其中的各向上的加速度是否超过速度阈值，具体的，根据实施加速数据判定其液化气瓶的动作，根据该动作查询对应的速度阈值，然后进行判定，以生成第一判定结果。

S402，根据液化气瓶移动轨迹确定液化气瓶的设置位置，判定是否存在异常使用的情况，得到第二判定结果。

在本步骤中，根据液化气瓶移动轨迹确定液化气瓶的设置位置，当液化气瓶移动轨迹中液化气瓶处于同一个位置达到预设时长时，视为液化气瓶在该点定点使用，若定点使用的位置为不同的用户住所，则判定存在异常使用的情况。

S403，根据第一判定结果和第二判定结果判定是否存在风险，若是，则对本液化气瓶进行标记。

在本步骤中，液化气瓶上设置有标签，在添加液化气时，需扫描标签，若该标签对应的液化气瓶被标记，则拒绝为其进行加气。

如图5所示，为本发明实施例提供的一种基于三轴加速计的运动分析对液化气瓶定位的装置，所述装置包括：

数据获取模块100，用于获取液化气瓶中的三轴加速计的实时加速数据以及主动定位数据。

在本装置中，数据获取模块100获取液化气瓶中的三轴加速计的实时加速数据，在液化气瓶上设置定位装置、三轴加速器和移动通信模块，定位装置可以为GPS定位装置，利用GPS定位装置可以直接对液化气瓶进行定位，而三轴加速器则可以测量液化气瓶在各向上的加速度，得到实施加速数据，主动定位数据则由GPS定位装置生成，利用移动通信模块可以直接与外界进行数据传输。

动作判定模块200，用于通过机器学习模型对实时加速数据进行分析，生成辅助动作数据。

在本装置中，动作判定模块200通过机器学习模型对实时加速数据进行分析，利用历史数据对机器学习模型进行训练和测试，使得机器学习模型可以根据实时加速数据中各项加速度数值确定当前液化气瓶的动作，具体的，机器学习模型可以为神经网络模型，也可以是决策树分类器，通过训练之后，需要机器学习模型的识别成功率达到预设值，此时方可投入使用，使用时，将实施加速数据作为输入，通过机器学习模型进行识别，从而判定当前液化气瓶的动作，以生成辅助动作数据。

轨迹校核模块300，用于根据主动定位数据生成液化气瓶移动轨迹，基于辅助动作数据对液化气瓶移动轨迹进行校核。

在本装置中，轨迹校核模块300根据主动定位数据生成液化气瓶移动轨迹，利用GPS定位装置能够实时获取液化气瓶的实时位置，具体的，为了减少能耗，可以按照时间间隔进行定位，如每间隔10秒获取一次定位，具体的，还可以根据定位得到的数据来判断是否需要持续进行定位，如两次定位时对应的位置距离大于预设值，则缩小定位时间间隔，继而在存在相邻两次定位的位置距离小于预设值时，则增加定位时间间隔，以得到多个定位点，根据该定位点即可生成液化气瓶移动轨迹，识别其中的拐点，然后根据拐点的时间查询辅助动作数据，判定相同时刻的加速度是否与拐点相匹配，以完成对液化气瓶移动轨迹的校核。

风险判定模块400，用于根据实时加速数据和液化气瓶移动轨迹判定是否存在风险，若存在风险，则对本液化气瓶进行标记。

在本装置中，风险判定模块400根据实时加速数据和液化气瓶移动轨迹判定是否存在风险，利用实时加速数据判断液化气瓶的状态，是否存在异常，如存在倒置、撞击等情况，而根据液化气瓶移动轨迹则判定液化气瓶是否存在挪用的情况，如A时间段内在A用户住处，B时间段内，在B用户住处，据此进行判定，若判定存在风险，则对本液化气瓶进行标记。

如图6所示，作为本发明的一个优选实施例，所述动作判定模块200包括：

数据集构建单元201，用于获取历史加速数据，根据历史加速数据构建训练集和测试集。

在本模块中，数据集构建单元201获取历史加速数据，在历史加速数据中，记录了液化气瓶在各种状态下的加速度数据，如在倒置情况下，三个方向上的加速度分别为a

模型训练单元202，用于构建机器学习模型，通过训练集对机器学习模型进行训练，并通过测试集进行测试，对机器学习模型进行调整，直至机器学习模型的识别率高于预设值。

在本模块中，模型训练单元202构建机器学习模型，具体的，可以构建神经网络模型，利用训练集对神经网络模型进行训练，使得神经网络模型能够根据各向加速度来判定当前液化气瓶的状态，进而利用测试集对神经网络模型进行测试，判断其识别准确度，根据测试结果对神经网络模型进行调整，以得到识别率高于预设值的神经网络模型。

数据分析单元203，用于通过训练后的机器学习模型对实时加速数据进行分析，生成辅助动作数据，所述辅助动作数据包含时间信息。

在本模块中，数据分析单元203通过训练后的机器学习模型对实时加速数据进行分析，通过对实施加速数据进行解析，确定三个方向上的加速度，从而判定液化气瓶的姿态，得到辅助动作数据。

如图7所示，作为本发明的一个优选实施例，所述轨迹校核模块300包括：

位置标定单元301，用于根据主动定位数据调取区域地图，在区域地图中进行位置标定。

在本模块中，位置标定单元301根据主动定位数据调取区域地图，而主动定位数据是间隔获取的，因此，其记录的位置是不断变化的，按照时间顺序将主动定位数据中包含的点位逐个标记在区域地图当中。

轨迹生成单元302，用于按照时间顺序对标定的位置进行连接，生成液化气瓶移动轨迹。

在本模块中，轨迹生成单元302按照时间顺序对标定的位置进行连接，在区域地图中的各个点位都是按照时间顺序进行标记的，每一个点位都代表了一个液化气瓶的位置，按照时间顺序进行连接，即得到液化气瓶移动轨迹。

拐点校核单元303，用于根据液化气瓶移动轨迹确定拐点，根据拐点对应的时间查询辅助动作数据，判定是否存在对应加速动作，完成校核。

在本模块中，拐点校核单元303根据液化气瓶移动轨迹确定拐点，计算液化气瓶移动轨迹中各点的曲率，当其曲率超过预设值时，将该点定义为拐点，此时，确定该拐点对应的时刻，根据该时刻查询对应的辅助动作数据，判定是否存在对应加速动作，若存在对应的加速动作，则说明两者相匹配，校核通过，反之则校核失败，在失败次数超过预设值时，则判定校核失败，此时视为当前液化气瓶的三轴加速计或者GPS定位装置存在异常，进行异常标记。

如图8所示，作为本发明的一个优选实施例，所述风险判定模块400包括：

加速度判定单元401，用于查询实时加速数据，判定实时加速速度是否超过速度阈值，得到第一判定结果，所述速度阈值针对不同的移动动作具有不同的取值。

在本模块中，加速度判定单元401查询实时加速数据，判定其中的各向上的加速度是否超过速度阈值，具体的，根据实施加速数据判定其液化气瓶的动作，根据该动作查询对应的速度阈值，然后进行判定，以生成第一判定结果。

位置判定单元402，用于根据液化气瓶移动轨迹确定液化气瓶的设置位置，判定是否存在异常使用的情况，得到第二判定结果。

在本模块中，位置判定单元402根据液化气瓶移动轨迹确定液化气瓶的设置位置，当液化气瓶移动轨迹中液化气瓶处于同一个位置达到预设时长时，视为液化气瓶在该点定点使用，若定点使用的位置为不同的用户住所，则判定存在异常使用的情况。

综合判定单元403，用于根据第一判定结果和第二判定结果判定是否存在风险，若是，则对本液化气瓶进行标记。

在本模块中，综合判定单元403液化气瓶上设置有标签，在添加液化气时，需扫描标签，若该标签对应的液化气瓶被标记，则拒绝为其进行加气。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。