本申請涉及安全，尤其涉及一種基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)。

背景技術：

1、隨著物流行業(yè)的快速發(fā)展，叉車作為重要的物料搬運工具，在倉庫、工廠等場所得到了廣泛應用。然而，叉車作業(yè)過程中存在的安全隱患，尤其是碰撞事故，一直是行業(yè)亟待解決的問題。傳統(tǒng)的叉車碰撞檢測系統(tǒng)多依賴于簡單的閾值判斷方式，這種方法在復雜多變的工作環(huán)境中往往效果不佳，容易受到環(huán)境噪聲和工況變化的影響，導致誤判和漏判現象頻發(fā)。

2、具體地，比如，傳統(tǒng)系統(tǒng)通常僅依賴單一類型的傳感器數據（如加速度傳感器）進行碰撞檢測，忽視了其他運動狀態(tài)（如速度、角速度）和振動狀態(tài)信息的綜合利用，導致檢測的魯棒性不足。在復雜多變的作業(yè)環(huán)境中，單一數據源難以全面反映叉車的實際運動情況，增加了誤判和漏判的風險。或者，現有的碰撞檢測系統(tǒng)多采用預設的固定閾值來判斷是否發(fā)生碰撞。這種方法在環(huán)境噪聲較大或工況變化時，容易將正常的振動誤判為碰撞，或將實際的碰撞事件忽略，從而降低了檢測的準確性。

技術實現思路

1、本申請的目的在于提出一種基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)，用于解決或者緩解現有技術中存在的技術問題。

2、本申請實施例提供一種基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)，其包括：

3、運動狀態(tài)傳感器，用于對叉車進行運動狀態(tài)檢測，得到運動狀態(tài)數據，所述運動狀態(tài)數據包括行駛速度數據、加速度數據和角速度數據；

4、振動狀態(tài)傳感器，用于對所述叉車進行振動狀態(tài)檢測，得到振動狀態(tài)數據；

5、車載數據采集終端，用于對所述運動狀態(tài)數據和所述振動狀態(tài)數據進行采集，以得到運動狀態(tài)采樣數據和振動狀態(tài)采樣數據，所述運動狀態(tài)采樣數據包括行駛速度采樣數據、加速度采樣數據和角速度采樣數據；

6、數據分析服務器，其上部署有上部署有時頻分析模型、動態(tài)參數分析模型、數據融合模型、信息熵分析模型、碰撞檢測模型，，以根據所述運動狀態(tài)采樣數據和所述振動狀態(tài)采樣數據，判斷所述叉車是否出現碰撞。

7、本申請的基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)中，系統(tǒng)集成了多種傳感器，包括運動狀態(tài)傳感器（用于檢測行駛速度、加速度、角速度等）和振動狀態(tài)傳感器。這種多源數據的采集方式使得系統(tǒng)能夠獲取更全面、更豐富的叉車運動信息。通過多傳感器數據的融合處理，系統(tǒng)能夠綜合考慮叉車的不同運動狀態(tài)和振動特征，提高碰撞檢測的準確性和魯棒性。相較于單一傳感器數據，多源數據的融合能夠更好地應對復雜多變的作業(yè)環(huán)境，減少因單一數據源不足而導致的誤判和漏判。在數據分析階段，不僅分析振動數據，還結合運動狀態(tài)數據（如速度、加速度、角速度等）進行綜合判斷。這種綜合分析方法能夠更準確地反映叉車的實際運動狀態(tài)，提高碰撞檢測的準確性。

8、再者，本發(fā)明系統(tǒng)采用基于機器學習的智能碰撞檢測模型，替代了傳統(tǒng)的簡單閾值判斷方法。該模型通過深度學習算法對大量歷史數據進行訓練，能夠自動學習并提取出叉車碰撞事件的復雜特征。相較于簡單的閾值判斷，智能碰撞檢測模型具備更強的環(huán)境適應能力和魯棒性。它能夠在復雜多變的環(huán)境中準確識別碰撞事件，減少因環(huán)境噪聲或工況變化導致的誤判和漏判。最后，系統(tǒng)中的卷積神經網絡（cnn）模型負責提取振動信號的空間特征，而遞歸神經網絡（rnn）模型則用于提取時序特征。這兩種模型的結合使得系統(tǒng)能夠從復雜的傳感器數據中提取出更豐富的特征信息，為碰撞檢測提供更準確的依據。

技術特征：

1.一種基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)，其特征在于，包括：

2.根據權利要求1所述的一種基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)，其特征在于，所述車載數據采集終端上配置有數據接口，所述數據接口與所述運動狀態(tài)傳感器和所述振動狀態(tài)傳感器連接，以對所述運動狀態(tài)數據和所述振動狀態(tài)數據進行采集。

3.根據權利要求2所述的一種基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)，其特征在于，所述數據接口為模擬量接口，所述運動狀態(tài)數據和所述振動狀態(tài)數據為模擬量，所述數據接口為數字量接口時，所述運動狀態(tài)數據和所述振動狀態(tài)數據為數字量。

4.根據權利要求3所述的一種基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)，其特征在于，所述數據融合模型用于執(zhí)行如下步驟，以對所述振動特征值序列、所述行駛速度梯度序列、加速度變化率序列、角速度變化率序列進行融合，得到融合數據序列：

5.根據權利要求4所述的一種基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)，其特征在于，分別將同步的振動特征值序列、行駛速度梯度序列、加速度變化率序列、角速度變化率序列按照時間步映射為狀態(tài)估計，以基于如下公式對所述狀態(tài)估計進行遞歸濾波處理以得到更新狀態(tài)估計，以分別得到校準的振動特征值序列、行駛速度梯度序列、加速度變化率序列、角速度變化率序列：

6.根據權利要求5所述的一種基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)，其特征在于，所述對所述校準的振動特征值序列、行駛速度梯度序列、加速度變化率序列、角速度變化率序列進行融合，得到融合數據序列，包括：

7.根據權利要求6所述的一種基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)，其特征在于，所述碰撞檢測模型根據所述融合數據序列，判斷所述叉車是否出現碰撞，包括：所述碰撞檢測模型對所述融合數據序列進行特征提取，得到空間特征和時序特征，并對其進行融合得到融合特征，以通過將所述融合特征映射到構建的類別標簽上，以判斷所述叉車是否出現碰撞。

8.根據權利要求7所述的一種基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)，其特征在于，所述碰撞檢測模型包括卷積神經網絡模型、遞歸神經網絡模型、融合模塊、分類器；

9.根據權利要求8所述的一種基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)，其特征在于，所述運動狀態(tài)傳感器包括速度傳感器和陀螺儀，所述速度傳感器裝配在所述叉車的第一預定位置上，用于對叉車進行行駛速度檢測，以得到行駛速度數據；所述陀螺儀裝配在所述叉車的第二預定位置上，用于對叉車進行轉動狀態(tài)檢測，以得到加速度數據和角速度數據。

10.根據權利要求9所述的一種基于多源狀態(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)，其特征在于，所述第一預定位置為叉車上控制器附近位置，所述第二預定位置為叉車上的座椅下方水平位置。

技術總結
本申請?zhí)峁┗诙嘣礌顟B(tài)數據和神經網絡模型進行叉車碰撞的智能檢測系統(tǒng)，其包括：運動狀態(tài)傳感器對叉車進行運動狀態(tài)檢測，得到運動狀態(tài)數據；振動狀態(tài)傳感器對叉車進行振動狀態(tài)檢測，得到振動狀態(tài)數據；車載數據采集終端對運動狀態(tài)數據和振動狀態(tài)數據進行采集，以得到運動狀態(tài)采樣數據和振動狀態(tài)采樣數據；數據分析服務器，其上部署有時頻分析模型、動態(tài)參數分析模型、數據融合模型、信息熵分析模型、碰撞檢測模型，以根據運動狀態(tài)采樣數據和振動狀態(tài)采樣數據，判斷叉車是否出現碰撞，從而提高了檢測的準確性等。

技術研發(fā)人員：鄧海勤,高志勇,陳志鵬,王業(yè)光
受保護的技術使用者：愛動超越人工智能科技（北京）有限責任公司
技術研發(fā)日：
技術公布日：2024/10/21