一种基于深度学习的有轨矿车调度方法及系统

专利主权项内容

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：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；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；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每个车厢在每个轨道磨损位置处的倾斜程度；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：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；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；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；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，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；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。