本发明涉及物流运输技术领域,具体为一种基于传感器形变计算车辆载重及装卸货事件的方法。
背景技术:
目前大宗货物运输行业(比如水泥),没有一种实时识别运输货物重量的方法,保证货物准确运输到指定地点,准确的识别装卸货事件,都是基于人工在运输线路上进行称重,监控困难,耗费大量的人力物力。本专利将利用G7的大数据计算平台,设计一套实时,准确识别出车辆载重和装卸货事件的方法。
技术实现要素:
本发明的目的在于提供一种基于传感器形变计算车辆载重及装卸货事件的方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于传感器形变计算车辆载重及装卸货事件的方法,包括以下步骤:
A、收集数据:通过安装在车辆弹簧钢板上的传感器进行数据收集。收集的数据主要包括:弹簧钢板形变值,车辆速度,GPS位置等。数据每30秒上报一次;
B、数据清洗:数据清洗主要进行数据准备,在整个过程中,系统使用了storm流式处理框架,接收设备上报的数据;
C、载重计算:载重的计算通过如下公式进行计算:
load=(ad-emptyAd)×factor
其中,load表示载重值;ad表示钝化后的传感器形变值;emptyAd表示空载时传感器的形变值;factor表示载重系数,载重系数通过对不同类型车辆的满载,1/4装载,1/2装载,满载的大数据进行统计分析得出;
D、事件识别。
优选的,所述步骤D中事件识别具体方法如下:
a、根据设备上报AD值,计算平滑点,每6个点一个窗口,每个平滑点的时间取窗口内的第一个点的时间;
b、根据平滑后的AD再做一阶平滑,每6个平滑点一个窗口,并计算该窗口内6个点的趋势线斜率,每一个斜率点的时间为对于窗口内第一个平滑点的时间,斜率的计算通过简单线性回归计算;
c、对斜率做平滑,每6个点一个窗口,计算出平均斜率;
d、平均斜率>装货斜率阈值,装货事件开始;
e、平均斜率<卸货斜率阈值,卸货事件开始;
f、平均斜率绝对值<0.01且有事件开始,则事件结束;
g、数据不连续,时间间隔超过10分钟且有事件开始,结束已有事件。
与现有技术相比,本发明的有益效果是:本发明通过安装在卡车承重梁的弹簧钢板上的传感器,收集车辆速度,弹簧钢板形变,GPS位置数据,通过G7大数据平台进行处理识别出车辆的载重,然后通过对车辆载重的变化分析识别出装卸货事件;本发明能够快速准确识别车辆载重以及通过载重的变化准确识别出装卸货事件,减少人工干预,降低运输成本;本发明能够帮助大宗货物运输提供货物监控,货物是否准确的运输到制定地点。
附图说明
图1为本发明传感器形变示意图。
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做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。
本发明提供如下技术方案:一种基于传感器形变计算车辆载重及装卸货事件的方法,包括以下步骤:
A、收集数据:通过安装在车辆弹簧钢板上的传感器进行数据收集。收集的数据主要包括:弹簧钢板形变值,车辆速度,GPS位置等。数据每30秒上报一次,数据格式如下:
{"x00F5":"503","x00F4":"JT","speed":0,"imei":"107015090097672","lng":118.978847,"x00F9":["0","255"],"x00F8":["0","0","0"],"acc":0,"x00F7":"0.0","x00F6":"1.2.3.4","time":1514193373000,"x00FB":[37450],"x00FC":"17","x00FA":"0","lat":30.78468};
B、数据清洗:数据清洗主要进行数据准备,在整个过程中,系统使用了storm流式处理框架,接收设备上报的数据;在清洗数据的过程中主要考虑如下几个方面:
a、由于网络抖动可能出现数据上报乱序情况,为了解决这种异常情况,系统中设计了缓冲区,当设备上报数据达到20条时,才开始处理,这样可有有效的避免数据上报乱序。如果在缓冲情况下还有乱序数据上报,直接将这些数据丢弃,以防止后续计算异常,在有缓冲的情况下,这种数据几乎不存在。
b、为了达到载重计算准确,系统会取多路传感器的均值进行计算。
c、为了简化计算,系统将会对原始传感器形变值(AD)进行钝化处理,经过多次实验和大数据分析,将钝化系数设置为64会得到一个相对稳定的数据,钝化过后可以有效的避免一些传感器微弱抖动,比如传感器原始形变值为36789和36791,在进行钝化后就都变成574。
d、传感器采集数据时会有一定的误差,加上车辆在运动时的抖动,钝化后的传感器形变值(AD)还是会有一定的波动误差,经过大数据分析,车辆静止的时候钝化后的传感器形变值(AD)的变化范围一般为1左右,运动时变化范围一般为2,通过对AD变化范围的限制,可以有效过滤掉AD值的异常波动,平滑效果如图1所示;
C、载重计算:载重的计算通过如下公式进行计算:
load=(ad-emptyAd)×factor
其中,load表示载重值;ad表示钝化后的传感器形变值;emptyAd表示空载时传感器的形变值;factor表示载重系数,载重系数通过对不同类型车辆的满载,1/4装载,1/2装载,满载的大数据进行统计分析得出;
D、事件识别。
本发明中,步骤D中事件识别具体方法如下:
a、根据设备上报AD值,计算平滑点,每6个点一个窗口,每个平滑点的时间取窗口内的第一个点的时间;
b、根据平滑后的AD再做一阶平滑,每6个平滑点一个窗口,并计算该窗口内6个点的趋势线斜率,每一个斜率点的时间为对于窗口内第一个平滑点的时间,斜率的计算通过简单线性回归计算;
c、对斜率做平滑,每6个点一个窗口,计算出平均斜率;
d、平均斜率>装货斜率阈值,装货事件开始;
e、平均斜率<卸货斜率阈值,卸货事件开始;
f、平均斜率绝对值<0.01且有事件开始,则事件结束;
g、数据不连续,时间间隔超过10分钟且有事件开始,结束已有事件。
综上所述,本发明通过安装在卡车承重梁的弹簧钢板上的传感器,收集车辆速度,弹簧钢板形变,GPS位置数据,通过G7大数据平台进行处理识别出车辆的载重,然后通过对车辆载重的变化分析识别出装卸货事件;本发明能够快速准确识别车辆载重以及通过载重的变化准确识别出装卸货事件,减少人工干预,降低运输成本;本发明能够帮助大宗货物运输提供货物监控,货物是否准确的运输到制定地点。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。