一种基于矿用卡车油耗大数据分析的实时油耗管理方法与流程

本发明涉及矿山用卡车油耗管理技术领域，特别是一种基于矿用卡车油耗大数据分析的实时油耗管理方法。

背景技术：

近年来，由于油价上涨迅速，卡车运输成本中燃油费用所占比例不断增大，为了获取最大化的经济效益，以降低卡车营运成本的方式来增加经济效益又是各矿历来都使用的一种有效手段，鉴于目前卡车燃油价格高居不下、卡车油耗费用占运营费用比重较大的实际情况，为最大限度减轻市场所带来的压力，煤矿企业始终将卡车油耗控制管理作为日常管理的重中之重；卡车的经济运距随着载重的加大而加大，不同的矿山工作环境和工作条件其经济合理运距是变化的，如果超过其经济合理运距，其运输效率会急剧恶化，燃油消耗量急剧上升，导致运输成本急剧增大，矿山经济效益恶化。

现有技术中的油耗管理主要采用人工记录卡车每班次加油、输油、耗油值来进行简单的统计分析的工作方式；不但浪费人力资源，而且记录的数据相对较少，同时由人工的过多干预带来的弊端也无法避免，从而无法进行科学的统计分析。

技术实现要素：

为了克服上述不足，本发明的目的是要提供一种基于矿用卡车油耗大数据分析的实时油耗管理方法。

为达到上述目的，本发明是按照以下技术方案实施的：

一种基于矿用卡车油耗大数据分析的实时油耗管理方法，包括以下步骤：s1，通过卡车终端采集卡车的运行数据；s2，所述卡车终端通过地面调控室将运行数据发送至后台服务器；s3，后台服务器根据运行数据，建立油耗数学模型，分析卡车油耗的异常状况；s4，根据多组运行数据建立大数据分析模块，通过大数据分析油耗异常状况，进行油耗异常处理；

具体的，所述卡车终端包括：第一采集模块，包括gps传感器，用于采集卡车行驶速度；第二采集模块，包括霍尔传感器、冷却液温度传感器和负荷传感器，用于采集卡车发动机的转速、温度及负荷；第三采集模块，包括油耗传感器，用于收集发动机耗油数据；第四采集模块，用于采集卡车加油数据；发送模块，用于通过北斗导航卫星的短报文数据向地面调控端发送运行数据，所述短报文数据包括起始标识、结束标识及校验码，所述校验码用于校验短报文数据的正确性；

具体的，所述后台服务器包括：告警模块，用于当卡车油耗出现异常升高并持续时，发送预警信息，以便用户可以查看发生预警时，卡车的实际油耗情况；指示模块，用于通知用户调用卡车设备动态监控单元，以便查看对应时段的设备动态，分析判断油耗异常的原因；估算模块，用于根据设备运转状态及对应设备的计算模型，估算相关设备的油耗；合并计算模块，用于将所有相关卡车的估算油耗进行相加，以获得单个卡车单位时间油耗的估算值；监测模块，用于卡车油耗监控时，利用单车单位时间油耗的估算值估算卡车油耗，并与实际的卡车单位时间油耗相比较，用以监测油耗异常；大数据分析模块，用于卡车选择合适的路线、连接卡车实时油量、选择卡车车型和避开拥堵路线；

进一步的，s1具体包括以下步骤：s1-1，通过安装在卡车上的gps传感器采集卡车的速度数据；s1-2，通过各类传感器采集卡车发动机的转速、温度及负荷；其中霍尔传感器用来测发动机转速，冷却液温度传感器测发动机温度，负荷传感器测发动机负荷；s1-3，通过安装在油管上的油耗传感器采集发动机的启动之后的耗油；s1-4，记录卡车的加油数据；s1-5，通过卡车终端对不同工况的卡车油耗数据进行分类整理，所述不同工况包括运输距离、提升高度、路面状况、坡度、转弯半径、折返道路、直进式坡道；

进一步的，s2具体为：将卡车终端监测的运行数据实时传输到地面监控中心，所述运行数据包括发动机的油耗变化、油箱的油量变化、车辆的位置变化、百公里油耗变化、加油时间与加油量；

进一步的，s3中具体包括以下步骤：s3-1，根据所有相关卡车运转状态及对应卡车的计算模型，估算相关设备的油耗；s3-2，后台服务器通过构建bp神经网络的方法进行卡车油耗仿真分析；s3-3，将所有相关卡车的估算油耗进行相加，以获得单车单位时间油耗的估算值，根据采集到的数据，分析其与卡车油耗之间的关系，为估算卡车油耗、经济油耗提供重要的参考依据；s3-4，当进行卡车油耗监控时，利用单车单位时间油耗的估算值估算卡车油耗，并与实际的卡车单位时间油耗相比较，用以监测油耗异常；

进一步的，s4具体为：当卡车油耗出现异常升高并持续时，告警模块生成预警，用户可以查看发生预警时卡车的实际油耗情况，同时可以调用后台服务器的信息，以便分析判断油耗异常的原因；

具体的，步骤s3-2中，选用3层bp神经网络建立生产因素与单位燃油消耗之间的关系模型，所述关系模型设置四个输入节点和一个输出节点，四个输入节点分别为x1-运输距离、x2-提升高度、x3-坡道、x4-运输道路类型，一个输出节点y-单位油耗，用相对误差-δ和相对拟合率-r来描述bp神经网络模型的预测精度，相对拟合率为1时模型精度最高，相对误差和相对拟合率的计算公式见下式：

其中，为y*为模型预测值，y为真实值；

其中n为样本数量，y*为模型预测值，为模型预测值的平均值，y为真实值，为真实值的平均值。

与现有技术相比，本发明的基于卡车油耗大数据分析的实时油耗管理方法具备以下有益效果：

1、通过本发明实时监控卡车位置、发动机油耗和转速信息，实现卡车燃油消耗状况实时远程监测。

2、通过对实时的测量数据进行统计分析，根据发动机油耗量、卡车速度之间的关系式对卡车油耗进行优选，得到一个位移油耗指标，根据该指标，指导该车在最佳路线上行驶，实现卡车油耗经济的目标。

3、本发明为企业提供实时监控和数据管理平台，实时高效的数据采集与传输，卡车定位，结合生产调度系统，实现卡车运输产业流程的整合，使管理更轻松，运输更高效。同时大数据分析模块能够更好的对不同道路情况的卡车油耗进行有效地分析；其次bp神经网络系统能够对卡车油耗进行有效分析，有助于节能减排矿山的构建；最后大数据分析处理模块能够对卡车的载油状态实时监控，能够合理安排加油次序，能够提高卡车运输效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的方法流程图；

图2为本发明的功能模块示意图；

图3为本发明的大数据分析模块示意图；

图4为本发明的bp神经网络建立生产因素与单位燃油消耗之间的关系图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

如图1所示的一种基于矿用卡车油耗大数据分析的实时油耗管理方法，包括以下步骤：s1，通过卡车终端210采集卡车的运行数据；s2，所述卡车终端210通过地面调控室220将运行数据发送至后台服务器230；s3，后台服务器230根据运行数据，建立油耗数学模型，分析卡车油耗的异常状况；s4，根据多组运行数据建立大数据分析模块，通过大数据分析油耗异常状况，进行油耗异常处理。

如图2所示，所述卡车终端210包括：第一采集模块211，包括gps传感器，用于采集卡车行驶速度；第二采集模块212，包括霍尔传感器、冷却液温度传感器和负荷传感器，用于采集卡车发动机的转速、温度及负荷；第三采集模块213，包括油耗传感器，用于收集发动机耗油数据；第四采集模块214，用于采集卡车加油数据；发送模块215，用于通过北斗导航卫星的短报文数据向地面调控端发送运行数据，所述短报文数据包括起始标识、结束标识及校验码，所述校验码用于校验短报文数据的正确性。

所述后台服务器230包括：告警模块231，用于当卡车油耗出现异常升高并持续时，发送预警信息，以便用户可以查看发生预警时，卡车的实际油耗情况；指示模块232，用于通知用户调用卡车设备动态监控单元，以便查看对应时段的设备动态，分析判断油耗异常的原因；估算模块233，用于根据设备运转状态及对应设备的计算模型，估算相关设备的油耗；合并计算模块234，用于将所有相关卡车的估算油耗进行相加，以获得单个卡车单位时间油耗的估算值；监测模块235，用于卡车油耗监控时，利用单车单位时间油耗的估算值估算卡车油耗，并与实际的卡车单位时间油耗相比较，用以监测油耗异常；如图3所示，大数据分析模块236：①对不同道路情况(运输距离、提升高度、坡道、运输道路类型直进、折返等)卡车油耗情况制成不同颜色对比的柱状分析图能够清楚地知道各个路段卡车的燃油消耗情况并选择合适的路线；②大数据分析模块236能够实时的了解卡车的油量情况，当一个卡车油量低于警示值时，系统会迅速提醒并安排司机去合适路线去邻近加油点加油，避免产生加油点发生堵塞的情况，同时探索规律制定出卡车交替计划大大提高了运输效率；③大数据分析模块236能够对不同型号的卡车油耗情况制成图表形式，用不同颜色进行标注可以对比出在相同时间内同一工况不同型号卡车油耗情况，最后选择耗油较少的卡车代替其他型号卡车用于运输；④大数据分析模块236能够检测卡车的实时速度，当三辆以上卡车速度在一段时间内出现怠停情况可以说明该区段出现拥堵，系统可以迅速安排后面车辆其他合适路线运输解决拥堵情况。

s1具体包括以下步骤：s1-1，通过安装在卡车上的gps传感器采集卡车的速度数据；s1-2，通过各类传感器采集卡车发动机的转速、温度及负荷；其中霍尔传感器用来测发动机转速，冷却液温度传感器测发动机温度，负荷传感器测发动机负荷；s1-3，通过安装在油管上的油耗传感器采集发动机的启动之后的耗油；s1-4，记录卡车的加油数据；s1-5，通过卡车终端对不同工况的卡车油耗数据进行分类整理，所述不同工况包括运输距离、提升高度、路面状况、坡度、转弯半径、折返道路、直进式坡道。

s2具体为：将卡车终端监测的运行数据实时传输到地面监控中心，所述运行数据包括发动机的油耗变化、油箱的油量变化、车辆的位置变化、百公里油耗变化、加油时间与加油量。

s3中具体包括以下步骤：s3-1，根据所有相关卡车运转状态及对应卡车的计算模型，估算相关设备的油耗；s3-2，后台服务器通过构建bp神经网络的方法进行卡车油耗仿真分析；

原理为：bp神经网络由输入层、隐藏层和输出层组成：输入层含m个输入节点，隐含层含l个隐藏节点，输出层含n个输出节点；节点用下标j表示；wj(j+1)为节点j与j+1的连接权值；θj为节点j的阈值；f是激活函数；网络训练精度为ε；学习率为λ；最大训练次数为num。

输入数据x＝(x1，x2，…，xm)^t，其实际输出为y，模型输出为y*。对训练样本集d＝{(xⁱ，yⁱ)}(i为样本序号)中的每个样本进行bp神经网络算法学习。

如图4所示，选用3层bp神经网络建立生产因素与单位燃油消耗之间的关系模型。网络模型结构如图。模型具有4个输入节点x1(运输距离)、x2(提升高度)、x3(坡道)、x4(运输道路类型)，1个输出节点y(单位油耗)。标准bp神经网络存在隐藏层节点数目难以确定和收敛速度慢的问题。为此，在正确拟合输入和输出之间关系的前提下，尽量减少隐藏层节点以简化网络结构。隐藏层节点选取公式为：

其中，lnum为隐藏层节点数量，m为输入结点数量，n为输出结点数量，c为修正系数。

用相对误差(relationtolerance，简称δ值)和相对拟合率(corre－lationcoefficient，简称r值)能够描述神经网络模型的预测精度，相对拟合率为1时模型精度最高，相对误差和相对拟合率的计算公式见下式：

其中，y*为模型预测值，y为真实值；

其中n为样本数量，y*为模型预测值，为模型预测值的平均值，y为真实值，为真实值的平均值。

选用bp神经网络模型具有结构简单、快速收敛和预测精度较高的特点，该模型可用于研究卡车作业环境参数(运输距离、提升高度、坡道、运输道路类型直进、折返)与卡车单位燃油消耗之间的关系，为卡车油耗考核和油库进油提供依据，有助于节能减排型矿山的构建。

s3-3，将所有相关卡车的估算油耗进行相加，以获得单车单位时间油耗的估算值，根据采集到的数据，分析其与卡车油耗之间的关系，为估算卡车油耗、经济油耗提供重要的参考依据；s3-4，当进行卡车油耗监控时，利用单车单位时间油耗的估算值估算卡车油耗，并与实际的卡车单位时间油耗相比较，用以监测油耗异常；

s4具体为：当卡车油耗出现异常升高并持续时，告警模块231生成预警，用户可以查看发生预警时卡车的实际油耗情况，同时可以调用后台服务器的信息，以便分析判断油耗异常的原因。

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。