无信号场景下的井下矿车故障诊断方法及系统

技术领域

本发明属于自动驾驶技术领域，尤其涉及一种针对井下井下矿车的故障诊断方法，具体为一种无信号场景下的井下矿车故障诊断方法及系统。

背景技术

矿业是我国经济发展坚实的物质保障和重要支撑：矿业经济贡献占全国GDP的比重超30％。由于招人难、运输成本占比高、运输环节安全事故风险等痛点，无人运输逐渐成为矿企刚需。智能矿车的使用，提升了矿区的生产效率，但同时也存在着安全隐患，为了保障智能矿车的安全运行，故障诊断是十分重要的一个环节。

目前随着智能车的逐渐普及，为了保障智能车的安全运行，针对智能车的故障诊断得到了飞速发展，基于人工智能方法与车辆历史故障数据相结合方式的故障诊断，时刻监测着车辆的运行状态，判断车辆是否正常运行，从而快速正确进行故障诊断以及给出合理建议。智能车的故障诊断方法早已从传统的单纯凭借经验发展为通过人工智能方法与人工经验相结合的方式，使故障诊断更加信息化、智能化。

现有研究中，针对车辆的局部系统以及非自动驾驶车辆进行故障诊断的研究成果颇丰。但针对井下矿区这种特殊工况，则存在以下缺陷：第一，现在大部分井下矿区场景存在无网络信号或者网络信号铺设困难的情况，通过传统网络传输信息不可行，导致该场景下井上人员与井下信息不能及时交互；第二，运行的智能矿车采用自动驾驶方式进行工作，缺乏人员监控车辆的运行状态，且井下工作环境恶劣导致车辆容易发生故障，一旦智能矿车出现故障，会造成重大安全事故。目前为止，有关针对井下矿区无信号场景的智能车实时故障诊断的文献与研究较少。

发明内容

为克服上述现有技术的不足，本发明提供一种无信号场景下的井下矿车故障诊断方法及系统，用以解决上述至少一个技术问题。

根据本发明说明书的一方面，无信号场景下的井下矿车故障诊断方法，包括：

获取井下矿车的监测数据；

将所述监测数据输入优化的随机森林模型进行故障诊断，输出故障等级及故障定位信息；

根据所述故障等级及故障定位信息，在预先设置的故障查询表中查询到对应的二维码，并通过井下矿车显示所述二维码；

捕获井下矿车上显示的二维码图像，并将所述二维码图像光纤传输至井上监控平台；

解析所述二维码图像，获取井下矿车的运行状态。

作为进一步的技术方案，所述方法还包括：

建立井下矿车的故障库，所述故障库包括故障名称、监测变量、变量数值、故障等级、故障定位；

将所述故障库中的故障等级、故障定位信息与二维码格式建立对应关系，形成故障查询表。

上述技术方案针对大部分井下矿区场景由于地理位置偏僻与信号基站距离远，井下环境不适合铺设网络的情况，通过车载传感器等获取车辆状态数据，通过数据处理操作获得数据集，训练模型对获得的数据进行预测分类，判断车辆是否故障以及故障定位信息，从而达到智能矿车的实时故障诊断，智能矿车根据诊断结果采取相应故障对应措施。

进一步地，通过故障诊断结果、故障定位信息等信息通过查表形式找到对应的二维码，矿区两壁的光纤摄像头捕捉智能矿车电子显示器上的二维码传输至矿上监控平台，平台对二维码进行解析获取诊断数据，实现井上远程监控智能矿车运行状态。

作为进一步的技术方案，所述故障库的建立，进一步包括：

获取井下矿车的历史监测数据；

根据监测变量对存储的监测数据进行筛选；

将筛选后的监测数据按照监测变量名称进行对应存储，形成多个特征类；

针对每一所述特征类引入特定故障，将故障数据与正常数据统一存储，并对存储的数据添加上“正常”、“一级故障”、“二级故障”、“三级故障”或“四级故障”标签，形成故障库。

具体地，故障库包括故障名称、监测变量、变量数值、故障等级划分、故障定位等内容。针对井下矿车运行的恶劣环境，选择一些较容易出错的信号(例如定位感知、规划控制、车身系统等)作为监测变量进行数据采集。

根据故障对矿车的影响，对故障进行等级划分，主要分为以下四个等级：一级故障，涉及车辆行驶安全，需要紧急停车，不能启动；二级故障，必须马上进行维修，但矿车能够跛行；三级故障，故障不影响本次任务，可在下次例行维修中进行检修；四级故障，该级故障只针对部分用户才有影响。为了更好的提示监控人员故障信息，在井上监控平台安装相应显示灯进行报警。

进一步地，为了采集到特定故障数据，在特定时间引入该故障并标注故障等级，形成故障数据。

作为进一步的技术方案，所述随机森林模型的优化，进一步包括：

选择待优化的模型参数，根据所述待优化的模型参数构建目标函数及约束条件；

在给定约束条件下求解所述目标函数，得到最优参数解；

根据所述最优参数解构建优化的随机森林模型；

利用故障库中的数据集对所述优化的随机森林模型进行训练，得到训练好的优化的随机森林模型。

作为进一步的技术方案，所述待优化的模型参数包括：特征数、树的数量、树中的节点数和树的深度。

作为进一步的技术方案，所述目标函数为min S(f，k，d，p)，所述约束条件为

其中，S(f，k，d，p)＝a*n*log(n)*f*k+b*d*k+c*p*k，a、b、c表示模型训练时间复杂度、预测时间复杂度和运行时空间复杂度三者之间的系数，n表示训练样本数，f表示特征数，k表示树的数量，d表示树的深度，p表示树中的节点，Te1表示预测准确率的下限取值，Te2表示预测精度的下限取值。

作为进一步的技术方案，所述方法还包括：利用井下矿壁摄像头捕获井下矿车上显示的二维码图像。

作为进一步的技术方案，所述方法还包括：将井下矿车的监测数据通过CAN线或ROS话题订阅发布方式传输至车载控制器，所述车载控制器对监测数据进行处理，输出诊断结果并显示在车载显示器上。

根据本发明说明书的一方面，提供一种无信号场景下的井下矿车故障诊断系统，包括：

获取模块，获取井下矿车的监测数据；

故障诊断模块，用于将所述监测数据输入优化的随机森林模型进行故障诊断，输出故障等级及故障定位信息；

故障查询显示模块，用于根据所述故障等级及故障定位信息，在预先设置的故障查询表中查询到对应的二维码，并通过井下矿车显示所述二维码；

图像捕获传输模块，用于捕获井下矿车上显示的二维码图像，并将所述二维码图像光纤传输至井上监控平台；

解析模块，用于解析所述二维码图像，获取井下矿车的运行状态。

与现有技术相比，本发明的有益效果在于：

(1)本发明针对井下无信号场景的智能矿车故障诊断问题，采用多分类模型-随机森林模型的方法。由于需要达到实时诊断的效果，通过以下方式对实时性进行优化:第一，模型的参数选择，通过构建约束条件，求解约束下的模型最优参数，在保证预测效果的前提下，减少模型预测诊断的时间；第二，建立故障查询表，将模型故障诊断结果等与二维码建立一一对应的关系，查表操作是较简单的方式，耗费时间少；第三，采用光纤传输信息，光纤的运行速率达到了每秒2.5GB，在保证传输信息下，能极大减少传输至井上监控平台的传输时间。

(2)本发明针对井下矿区无网络信号，常规的网络远程监控手段行使不通，导致井上监控人员不能及时监控井下智能矿车的运行状态的问题，提出将模型诊断结果、故障定位信息等与二维码格式建立一一对应的关系，建立故障查询表(模型故障诊断结果，二维码)，通过矿壁摄像头读取车上电子显示器上的二维码读取智能矿车的故障诊断结果，再通过光纤形式传输至井上监控平台，实现无信号场景下实时监控井下智能矿车运行状态。

附图说明

图1为本发明具体实例的模型训练优化及应用流程示意图。

图2为本发明具体实例的部分故障查询表示意图。

图3为本发明具体实例的QR Code二维码格式示意图。

具体实施方式

以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

一种针对井下无信号场景的井下矿车故障诊断方法，其主要包括以下步骤：获取感知定位模块、规划控制模块、车身系统等信息，通过CAN线或ROS话题订阅发布方式传输至安装在智能矿车上的车载控制器上，通过数据进行清洗、降维操作，存储数据形成故障库；采用多分类的随机森林模型对数据训练预测，构建模型的约束条件，在约束条件下对模型的参数选择进行优化，调用优化模型进行实时故障诊断，通过根据模型故障诊断结果等查找故障查询表，获取相应的二维码，利用矿壁上的摄像头捕捉二维码格式图像，并通过光纤传输至井上监控平台，平台对二维码进行解析获取诊断数据，实现对井下矿车运行状态的可靠监控。

具体地，无信号场景下的井下矿车故障诊断方法，包括：

获取井下矿车的监测数据；

将所述监测数据输入优化的随机森林模型进行故障诊断，输出故障等级及故障定位信息；

根据所述故障等级及故障定位信息，在预先设置的故障查询表中查询到对应的二维码，并通过井下矿车显示所述二维码；

捕获井下矿车上显示的二维码图像，并将所述二维码图像光纤传输至井上监控平台；

解析所述二维码图像，获取井下矿车的运行状态。

可选地，在数据获取以及传输至车载控制器步骤中，感知定位模块主要获取分别布置于车辆前后两端的四个雷达、安装在井下矿车上的IMU以及安装在矿车前面的摄像头等数据；规划控制模块主要获取车辆的航向角、车辆速度、加速度、路径生成等数据，其采集的数据通过ROS话题订阅发布的方式传输至智能矿车上的车载控制器(本实例采用华为MDC600F)中；车身系统主要获取驱动系统、制动系统、转向系统等中的ECU数据信息，其采集的信息通过CAN线传输至控制器。

可选地，在数据处理步骤中，首先对收集的数据进行常规数据清洗。在进行处理之前，需要获取到监测量的正常阈值，根据阈值来进行数据异常的判断，然后调用python中的sklearn库对故障库中的数据进行处理，先对数据进行清洗，保证故障库数据的质量。其次为了更好存储在车载控制器中生成故障库，对清洗后的数据进行PCA降维操作，在尽可能保留特征信息的前提下，减少存储空间，并且对数据进行标准化、规范化，然后利用train_test_split将数据按照一定比列划分为训练集和测试集，可以将数据集中的90％用作训练集，剩余的10％用作测试集。(针对监测量，首先由供应商或产品说明书得到监测值的正常值，然后在台架上进行监测值正常阈值的确定(在正常值上下波动、或存在合理偏差)，根据数据标签对数据进行清洗，剔除错误分类数据)

可选地，在故障库生成步骤中，故障库的建立需要依据前面处理后的数据，按照监测变量名称进行对应存储形成特征类，由于需要对整车运行状态中的变量进行监测，将故障数据与正常运行时数据统一存储，并对存储的数据添加上“正常”、“一级故障”、“二级故障”、“三级故障”、“四级故障”故障等级标签与故障定位(主要分为定位感知、规划、通信、特定的执行机构(方向盘、刹车、油门等))标签形成故障库。故障定位信息可以帮助维修人员快速定位到故障模块，找到故障原因，以便尽快排查问题。

可选地，在模型选择步骤中，由于本发明是一个多分类问题，因此选择了机器学习中随机森林模型。随机森林(RF)是一种集成算法，通过将决策树进行集成提高分类准确率的算法，具有较好的鲁棒性、较高的预测精度，且不容易出现过度拟合的现象。随机森林模型的随机性主要体现在两方面，第一是数据的随机选取，随机森林模型一般采用的是bootstrap(重采样)方法从原始数据有放回地重复随机抽取样本(样本数量与原始数据集数量一致)生成子数据集，导致同一子数据集中的元素可以重复，不同数据集中的元素也可以重复；第二是随机选取特征，随机森林通过构建子决策树组成随机森林模型，子决策树的每一分裂过程(即每一枝节点处)并未用到所有特征，而是从所有特征中随机选取一定数量特征，之后再在随机选取特征中选取最优特征。随机森林模型分为基于分类树和基于回归树两种，本发明主要采用基于分类决策树的随机森林模型，输入监测数据，输出的是分类标签，根据标签判断车辆是否故障，从而达到故障诊断的目的。

可选地，在模型参数优化步骤中，针对预测效果与时效性构建模型的约束条件，在训练模型过程中，模型参数对模型预测精度与诊断实时性有着很大影响。随机森林模型的实时性主要体现在以下：

训练时间复杂度：O(n*log(n)*f*k)

预测时间复杂度：O(d*k)

运行时空间复杂度：O(p*k)

模型整体的实时性设为：S(f,k,d,p)＝a*n*log(n)*f*k+b*d*k+c*p*k

其中n＝训练样本数，为三者之间系数，通过多次实验标定得到，而f＝特征数，k＝树的数量，p＝树中的节点数，d＝树的深度为模型参数，属于本发明需要进行参数优化的范围。

随机森林模型的预测效果主要体现在以下：

预测准确率：

预测精度：

其中真正例(TP)：模型将测试样本中True类型的样本预测为True的样本数量

假负例(FN)：模型将测试样本中True类型的样本预测为False的样本数量

假正例(FP)：模型将测试样本中False类型的样本预测为True的样本数量

真负例(TN)：模型将测试样本中False类型的样本预测为False的样本数量

通过对模型构建约束条件，求得约束条件下的最优参数。

其中Te1，Te2为取值下界(如精度要求0.95，则可将下界取值为0.95)，即在保证预测效果前提下，实时性最小，求解模型最优参数。

可选地，在保存模型与应用模型步骤中，通过前述求解约束条件下的最优参数，构建该参数下的故障诊断模型，对采集到的最新实时数据进行数据处理后，输入到构建的故障诊断模型中，模型快速输出本次诊断结果，根据结果从而判断本次数据是否正常，达到实时在线故障诊断的目的。

可选地，在查找故障查询表步骤中，通过建立故障查询表(故障等级、故障定位信息，二维码)，如图2所示，通过前述的实时故障诊断结果查找故障查询表，找到该诊断结果下的QR Code二维码格式，通过车载电子显示器显示二维码，采用红色可以有利于井下摄像头捕捉二维码，如图3所示。

可选地，在数据上传步骤中，矿壁上的摄像头通过捕捉车上显示器上的二维码，并通过光纤传输至井上监控平台，平台对二维码进行解析获取诊断数据，获取智能矿车此时的运行状态，实现实时监控的目的。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。