[發明專利]一種水平運輸任務AGV動態時間預估方法

在審

• 申請號: 202110027744.2
• 申請日: 2021-01-11
• 公開（公告）號: CN112734111A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 王涵晟;張崢煒;趙云;王小進;陳波
• 申請（專利權）人: 上海振華重工（集團）股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海集信知識產權代理有限公司 31254
• 代理人: 洪玲

1.一種水平運輸任務AGV動態時間預估方法，其特征在于，包括以下步驟：

步驟1：特征選擇：使用計算機算法選取篩選水平運輸任務AGV作業指令特征，并整合特征數據；

步驟2：數據處理：使用計算機算法對上述步驟1中的特征數據進行篩選和處理，形成標準化數據；

步驟3：機器學習：采用各種機器學習模型對上述步驟2中的標準化數據參與預測，尋找最優參數；

步驟4：神經網絡：搭建全連接層神經網絡，對步驟2中的標準化數據使用神經網絡模型預測；

步驟5：驗證動態時間預估模型：將機器學習模型預測值、神經網絡模型預測值與靜態時間矩陣進行對比，評價動態時間預估模型的性能。

2.如權利要求1所述的一種水平運輸任務AGV動態時間預估方法，其特征在于，所述步驟1中特征選擇包括以下步驟：

S11:處理order表中提取數據；從AGV_ORDERS表中選取關于AGV作業指令的記錄；

S12:處理track表中提取數據；找到一個或者多個指標，按照一個Order，篩選出車輛行駛過程中的關鍵點，對每個Order數據對應的Track根據關鍵點進行劃分；

S13:整合數據：統計AGV路徑沖突個數，生成總特征。

3.如權利要求2所述的一種水平運輸任務AGV動態時間預估方法，其特征在于，所述步驟S12包括以下步驟：

S121：根據特征提取后數據表MoveFrequency字段，統計計算AGV小車直行、轉彎和斜行的次數；

S122：根據上述步驟S121中的數據計算軌跡的路徑長度；

S123：處理上述步驟S121中的數據開始和結束的時間；

S124：根據起始時間和終止時間以及軌跡的距離，計算小車運行的速度。

4.如權利要求2所述的一種水平運輸任務AGV動態時間預估方法，其特征在于，所述步驟S13中的總特征包括車輛行駛距離、直行次數、轉彎次數、斜行次數、沖突車輛數目、卸船、裝船、轉堆、交箱、取箱、從PB段到PB段、從PB段到WSTP段、從WSTP段到PB段和從WSTP段到WSTP段。

5.如權利要求1所述的一種水平運輸任務AGV動態時間預估方法，其特征在于，所述步驟2包括以下步驟：

S21：對特征數據進行分析，對明顯存在大量的錯誤數據和無效數據，剔除異常值；

S22：進一步篩選異常值，對花費時間與總距離這兩個直接因素做聚類處理；

S23：聚類處理完成后，選取符合條件的數據，作為最終訓練數據；

S24：對數據進行歸一化、標準化和獨熱編碼。

6.如權利要求1所述的一種水平運輸任務AGV動態時間預估方法，其特征在于，所述步驟3中各種機器學習模型包括XGB、GBDT、RandomForest、DecisionTree、Ridg和LinearRegression。

7.如權利要求6所述的一種水平運輸任務AGV動態時間預估方法，其特征在于，所述步驟3中機器學習各種模型中尋找最優參數的方法采用grid search方法。

8.如權利要求1所述的一種水平運輸任務AGV動態時間預估方法，其特征在于，所述步驟4中的全連接層神經網絡的第一層是輸入，最后一層是輸出，共有128*128結構的隱藏層。

9.如權利要求8所述的一種水平運輸任務AGV動態時間預估方法，其特征在于，所述全連接層神經網絡的每一層輸出的值域利用激活函數壓縮到(0，1)，每一級輸出的值都將作為下一級的輸入值。

10.如權利要求1所述的一種水平運輸任務AGV動態時間預估方法，其特征在于，所述步驟5中驗證機器學習模型對時間的預測的評價標準是均方根誤差，分別計算機器學習模型預測值、靜態時間矩陣值、平均值與真實值之間的均方根誤差，通過計算結果對比，評價機器學習模型的性能。