计量检定流水线的启停控制方法、系统、终端和存储介质与流程

本发明涉及计量检定流水线控制技术领域，特别是涉及一种计量检定流水线的控制方法、系统、终端和存储介质。

背景技术：

目前，现有的计量检定流水线的开启和关停都是由现场工人进行操作的，人工启停的步骤繁琐，速度慢效率低。而且上电和断电等操作要在控制柜进行，需要直接对带有高压电的电闸进行操作，此过程有安全隐患。人工进行巡逻检查和开关设备除了效率较低，还有检查质量不稳定的缺点。同时，在自动化水平很高的计量检定流水线中，需要有人进行开启和关停的操作，是一种人力成本的浪费。

技术实现要素：

本发明的目的是：提供一种计量检定流水线的启停控制方法、系统、终端和存储介质，能够高效、快速、准确地完成设备的检查和开启、关闭流程，还可以减少人工的参与，提升计量检定流水线的智能化水平。

为了实现上述目的，本发明提供了一种计量检定流水线的启停控制方法，包括：

获取激光传感器的历史数据，并将激光传感器的历史数据分成n组数据，并将所述n组数据分别输入到预设的决策树模型，获得n个训练后的决策树模型，其中，n≥1；

将所述n个训练后的决策树模型采用随机森林算法，构建成第二决策树模型；

获取激光传感器的实时数据，将所述实时数据输入第二决策树模型，并根据第二决策数模型的输出结果，判断检测区域是否存在人员，若是，则停止启动检定流水线，若否，则启动计量检定流水线。

进一步地，所述激光传感器的历史数据和实时数据，包括：激光传感器在预设的时间内，检测到人员的次数和时长。

进一步地，所述预设的决策树模型，具体为：

通过基尼指数最小化准则，递归进行特征选择生成二叉决策树模型，公式如下：

gini＝2p(1-p)

其中，p为概率，gini为基尼系数。

进一步地，所述基尼系数，具体公式如下：

其中，d为待分类数据集，a为分类特征，d1和d2为分类结果，gini为基尼系数。

进一步地，所述获取激光传感器的历史数据，并将激光传感器的历史数据分成n组数据，并将所述n组数据分别输入到预设的决策树模型，获得n个训练后的决策树模型，其中，n≥1，具体为：

根据所述历史数据，计算现有特征对所述历史数据的基尼指数，对每一个特征a，对其可能取的每一个值a，根据a＞a的结果为“是”或“否”，将所述历史数据分为d1和d2两个部分；

在所有可能的特征a以及所有可能的切分点a中，选择基尼指数最小的为特征和对应的切分点为最优特征，以该特征为结点，分为两个子结点，将训练数据按照特征分到两个子结点中取；

对两个子结点依次进行递归进行，直到将训练数据区分开。

进一步地，所述随机森林算法，具体采用如下公式：

其中，x为待分类点，f(x)为随机森林分类结果，fi(x)为各个决策树的输出结果。

本发明还提供一种计量检定流水线的启停控制系统，包括：训练模块、构建模块和判断模块，其中，所述训练模块，用于获取激光传感器的历史数据，并将激光传感器的历史数据分成n组数据，并将所述n组数据分别输入到预设的决策树模型，获得n个训练后的决策树模型，其中，n≥1；

所述构建模块，用于将所述n个训练后的决策树模型采用随机森林算法，构建成第二决策树模型；

所述判断模块，用于获取激光传感器的实时数据，将所述数据输入训练后的决策树模型，并根据第二决策数模型的输出结果，判断检测区域是否存在人员，若是，则停止启动检定流水线，若否，则启动计量检定流水线。

进一步地，所述激光传感器的历史数据和实时数据，包括：激光传感器在预设的时间内，检测到人员的次数和时长。

本发明还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的计量检定流水线的启停控制方法。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的计量检定流水线的启停控制方法。

本发明的一种计量检定流水线的启停控制方法、系统、终端和存储介质与现有技术相比，其有益效果在于：

1、能够自动化开启或者关停流程，比人工进行开启或者关停更安全、快速，还可以降低成本。

2、基于激光对射传感器进行人员或异物监测比起人工巡视更加快速和可靠，避免人为因素的影响，高效便捷。

3、采用随机森林算法进行基于激光传感器数据的启停预警，预警结果的准确度和预警算法的适用性都有保障。

4、降低人力成本，提高计量检定流水线的自动化智能化水平。

附图说明

图1是本发明提供的一种计量检定流水线的启停控制方法的流程示意图；

图2是本发明提供的分类决策树模型示意图；

图3是本发明提供的一种计量检定流水线的启停控制系统的结构示意图。

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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如图1所示，本发明实施例的一种计量检定流水线的启停控制方法，包括：

s101、获取激光传感器的历史数据，并将激光传感器的历史数据分成n组数据，并将所述n组数据分别输入到预设的决策树模型，获得n个训练后的决策树模型，其中，n≥1；

具体地，在计量检定流水线的开启或者关停阶段，有一些工作空间中不能存在异物或者是人，有可能会导致安全事故的发生，或是导致设备的损坏。因此在开启和关停工作进行之前，都会有工人在现场进行巡回检查，激光对射传感器则可以替代人工完成此操作。

需要说明的是，激光对射传感器由一个激光发射器和一个激光接收器构成，发射器向接收器发射出激光，接收器在收到激光信号时电信号为正常状态，反之，发射器射出了激光但激光接收器没有收到信号时，会产生特定的电信号，传感器的信号可以由中控电脑随时访问到。

由激光是沿直线传播的原理，在激光对射传感器的电信号为正常时，说明在激光发射器和接收器的设备之间是没有物体或者工作人员的，而当激光对射传感器的电信号为特定信号时，说明在所安装的激光发射器与接收器之间是有障碍物的，根据该传感器这一工作原理，在计量检定流水线现场的需要检查的空间装上激光对射传感器，就可以根据传感器的信号判断是否有异物或者人员存在。

需要说明的是，训练过程如下：

由收集到的训练数据和提取的一系列特征生成分类决策树，决策树的结构如图2所示，图示根结点和各个结点特征仅为示例，实际决策树中特征的排列情况由决策树生成算法确定。

将训练数据集进行自助采样，即有放回的均匀抽样，总数据集s均匀抽样得到5组训练数据s1、s2、s3、s4和s5。采用不同数据集分别进行决策树的训练，得到5个不同的决策树。决策树的训练方式如下。

采用分类与回归(cart)生成算法，该方法就是通过基尼指数最小化准则，递归进行特征选择生成二叉决策树。对于二分类问题，基尼指数定义为：

gini＝2p(1-p)(1)

式(1)中，某结果包含两类，p为属于某一类的概率，gini为基尼系数。

数据集d在某一特征a的条件下，被分为d1和d2两部分，则在特征a的条件下，数据集d的基尼指数定义为：

式(2)中，d为待分类数据集，a为分类特征，d1和d2为分类结果，gini为基尼系数。

根据训练数据，从根结点开始，递归对每个结点进行以下操作，构建决策树：

(1)训练数据集为d，计算现有特征对数据集的基尼指数，对每一个特征a，对其可能取的每一个值a，根据a＞a的结果为“是”或“否”将训练数据集分为d1和d2，依据公式(2)计算基尼指数。根据例如5秒内监测到人员次数0，可分为5秒内监测到人员次数为0和大于0两类，计算其基尼指数。

(2)在所有可能的特征a以及所有可能的切分点a中，选择基尼指数最小的为特征和对应的切分点为最优特征，以该特征为结点，分为两个子结点，将训练数据按照特征分到两个子结点中。

(3)对两个子结点依次递归进行(1)(2)，直至将数据区分开。

s102、将所述n个训练后的决策树模型采用随机森林算法，构建成第二决策树模型；

具体地，步骤s101得到5个决策树，由于每个决策树的训练样本不同，则进行分类的特征和特征点都有差异，这样一组树构成随机森林，最终随机森林的输出为各个树的结果综合：

上式中，x为待分类点，f(x)为随机森林分类结果，fi(x)为各个决策树的输出结果，其中有风险决策树输出为－1，无风险输出为1，随机森林的输出正值为无风险，负值为有风险。

需要说明的是，基于激光对射传感器和可编程控制器可以初步实现自动化启停预警，由于激光对射传感器的探测范围有限，即使可以进行多个传感器组合安装，也只能对某一较小范围进行监测。工作人员在生产现场会移动，激光对射传感器只能监测到人员经过其监测范围时产生的信号。因此利用有限监测点对某区域是否有人员存在进行判断，可以弥补激光对射传感器监测范围窄小的缺点，从而进一步提升系统的智能预警性能。

应用分类算法实现对某区域的人员情况判断，集成分类算法随机森林是在决策树分类的基础上，采用自助采样方式，如图2所示，本发明采用生成5个分类决策树，最终将5个分类决策树构建成一个大的决策树，所述大的分类决策树集合5个分类结果做出最终判断。分类树的结点特征由激光对射传感器的数据信号得到。下文从数据收集、特征提取和决策树生成三个步骤对决策树的应用进行阐述。

数据收集前提要将激光对射传感器在监测点位安装完毕，在工作人员正常的生产活动进行的同时，电脑对激光对射传感器的信号数据进行记录，同时通过摄像头记录工作人员各个时刻的位置。采集到足够的时长后，将激光对射传感器信号数据与某时刻的人员位置相对应，构成决策树的数据集。

决策树的结点特征从激光传感器的数据中得到，是与人员动向有关联的特征，如5秒内激光传感器是否监测到人员、30秒内监测到人员次数、30秒内监测到人员总时长、1分钟内监测到人员次数，一分钟内监测到人员总时长。以上特征都可以在激光传感器的信号数据中获取，用于决策树的生成。

s103、获取激光传感器的实时数据，将所述数据输入训练后的决策树模型，并根据第二决策数模型的输出结果，判断检测区域是否存在人员，若是，则停止启动检定流水线，若否，则启动计量检定流水线。

具体地，通过激光传感器，获取实时数据，将实时传感器数据，通过第二决策树模型，并根据第二决策数模型的输出结果，判断检测区域是否存在人员，若是，则停止启动检定流水线，若否，则启动计量检定流水线。

在本发明的某一个实施例中，所述激光传感器的历史数据和实时数据，包括：激光传感器在预设的时间内，检测到人员的次数和时长。

在本发明的某一个实施例中，所述预设的决策树模型，具体为：

通过基尼指数最小化准则，递归进行特征选择生成二叉决策树模型，公式如下：

gini＝2p(1-p)

其中，p为属于某一类的概率，gini为基尼系数。

在本发明的某一个实施例中，所述基尼系数，具体公式如下：

其中，d为待分类数据集，a为分类特征，d1和d2为分类结果，gini为基尼系数。

在本发明的某一个实施例中，所述获取激光传感器的历史数据，并将激光传感器的历史数据分成n组数据，并将所述n组数据分别输入到预设的决策树模型，获得n个训练后的决策树模型，其中，n≥1，具体为：

根据所述历史数据，计算现有特征对所述数据的基尼指数，对每一个特征a，对其可能取的每一个值a，根据a＞a的结果为“是”或“否”，将所述历史数据分为d1和d2两个部分；

在所有可能的特征a以及所有可能的切分点a中，选择基尼指数最小的为特征和对应的切分点为最优特征，以该特征为结点，分为两个子结点，将训练数据按照特征分到两个子结点中取；

对两个子结点依次进行递归进行，直到将训练数据区分开。

在本发明的某一个实施例中，所述随机森林算法，具体采用如下公式：

其中，x为待分类点，f(x)为随机森林分类结果，fi(x)为各个决策树的输出结果。

本发明的一种计量检定流水线的启停控制方法与现有技术相比，其有益效果在于：

1、能够自动化开启或者关停流程，比人工进行开启或者关停更安全、快速，还可以降低成本。

2、基于激光对射传感器进行人员或异物监测比起人工巡视更加快速和可靠，避免人为因素的影响，高效便捷。

3、采用随机森林算法进行基于激光传感器数据的启停预警，预警结果的准确度和预警算法的适用性都有保障。

4、降低人力成本，提高计量检定流水线的自动化智能化水平。

如图3所示，本发明还提供一种计量检定流水线的启停控制系统200，包括：训练模块201、构建模块202和判断模块203，其中，

所述训练模块201，用于获取激光传感器的历史数据，并将激光传感器的历史数据分成n组数据，并将所述n组数据分别输入到预设的决策树模型，获得n个训练后的决策树模型，其中，n≥1；

所述构建模块202，用于将所述n个训练后的决策树模型采用随机森林算法，构建成第二决策树模型；

所述判断模块203，用于获取激光传感器的实时数据，将所述数据输入训练后的决策树模型，并根据第二决策数模型的输出结果，判断检测区域是否存在人员，若是，则停止启动检定流水线，若否，则启动计量检定流水线。

在本发明的某一个实施例中，所述激光传感器的历史数据和实时数据，包括：激光传感器在预设的时间内，检测到人员的次数和时长。

本发明的一种计量检定流水线的启停控制系统与现有技术相比，其有益效果在于：

1、能够自动化开启或者关停流程，比人工进行开启或者关停更安全、快速，还可以降低成本。

2、基于激光对射传感器进行人员或异物监测比起人工巡视更加快速和可靠，避免人为因素的影响，高效便捷。

3、采用随机森林算法进行基于激光传感器数据的启停预警，预警结果的准确度和预警算法的适用性都有保障。

4、降低人力成本，提高计量检定流水线的自动化智能化水平。

本发明还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的计量检定流水线的启停控制方法。

需要说明的是，所述处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field－programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。

所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡和闪存卡(flashcard)等，或所述存储器也可以是其他易失性固态存储器件。

需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的计量检定流水线的启停控制方法。

需要说明的是，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。