无人矿卡调度系统的健康监测方法、装置和健康系统与流程

1.本发明涉及无人矿卡故障预测技术领域，具体而言，涉及一种无人矿卡调度系统的健康监测方法、装置、计算机可读存储介质和无人矿卡健康系统。


背景技术：

2.随着无人矿卡的发展，无人矿卡上的系统也变得更复杂、庞大，因此产生故障的概率也更大，排查检测故障的难度更高。在这个数据爆炸的时代，一辆矿卡时时刻刻都会产生海量的数据，单纯依靠人力从中筛选出合适的数据加以判断故障的发生及原因已经变得很困难，不但会耗时耗力，而且准确性也不高，可能会遗漏一些微小的故障。而且，人工检测矿卡故障时，往往在故障发生时才去排查矿卡的故障，有的故障发生的频率非常低，靠人力去复现需要花费大量的时间，而且很难记录故障发生时的详细数据与情况。
3.随着人工智能时代的到来，科技水平的快速提升，越来越多的先进计算机技术应用于车辆领域，其中包括神经网络等。神经网络技术发展日新月异，已被广泛应用于车辆无人驾驶图像识别等高新科技领域，也为无人矿卡关键设备的预测提供新的技术途径。
4.通过神经网络对无人矿卡调度系统的预测，即可节省大量的人力物力，经过大量的验证与积累，能够提高程序识别故障的速度与准确性，能够避免人为造成的误差。而且，计算机可以实时的对故障进行采集和检测，也能够同时对多个车辆的故障进行检测。因此，如何借助神经网络来智能识别无人矿卡行驶过程中的数据，发现无人矿卡调度系统故障并分析矿卡健康度，提前预测无人矿卡调度系统故障，是亟待解决的问题。


技术实现要素：

5.本技术的主要目的在于提供一种无人矿卡调度系统的健康监测方法、装置、计算机可读存储介质和无人矿卡健康系统，以至少解决现有技术中难以及时发现无人矿卡调度系统的故障的问题。
6.为了实现上述目的，根据本技术的一个方面，提供了一种无人矿卡调度系统的健康监测方法，包括：获取无人矿卡调度系统的多个无人矿卡的当前监测数据，所述当前监测数据为所述无人矿卡当前的状态参数；将各所述监测数据输入分类模型，得到各所述无人矿卡的实时工作状态，所述实时工作状态有多种，所述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组所述训练数据中的每组所述训练数据均包括：历史监测数据和所述历史监测数据对应的所述实时工作状态，所述历史监测数据为任意历史时刻的监测数据；根据各所述实时工作状态确定各所述无人矿卡的第一健康度，所述第一健康度为所述无人矿卡在所述实时工作状态无故障的概率；采用遗传算法计算各所述无人矿卡的权重值；根据各所述无人矿卡的权重值对各所述无人矿卡的健康度进行加权平均，得到所述无人矿卡调度系统的第二健康度，所述第二健康度为所述无人矿卡调度系统无故障的概率。
7.可选地，在将所述监测数据输入分类模型之前，所述方法还包括：获取训练数据
集，所述训练数据集包括多组所述训练数据；采用所述训练数据集分别对多个机器学习模型进行训练，得到多个状态分类模型，所述机器学习模型为支持向量机、决策树、逻辑回归、神经网络以及贝叶斯分类器中的任意一种或者多种的组合；将多个所述状态分类模型和分类投票器组成所述分类模型，所述分类投票器用于对多个所述实时工作状态进行投票。
8.可选地，将所述监测数据输入分类模型，得到各所述无人矿卡的实时工作状态，包括：第一输入步骤，将所述无人矿卡的所述监测数据分别输入多个所述状态分类模型，得到多个工作状态分类结果，所述工作状态分类结果包括正常状态和故障状态，所述工作状态分类结果与所述状态分类模型一一对应；第二输入步骤，将多个所述工作状态分类结果输入所述分类投票器，得到所述实时工作状态，所述实时工作状态为投票票数大于票数阈值的所述工作状态分类结果；依次重复所述第一输入步骤和所述第二输入步骤至少一次，直至得到所有的所述无人矿卡的所述实时工作状态。
9.可选地，获取训练数据集，包括：将所述历史监测数据划分为故障模式特征数据和正常模式特征数据，所述故障模式特征数据为在所述实时工作状态下出现故障的所述历史监测数据，所述正常模式特征数据为在所述实时工作状态下无故障的所述历史监测数据；将所述故障模式特征数据、所述故障模式特征数据对应的所述实时工作状态、所述正常模式特征数据以及所述正常模式特征数据对应的所述实时工作状态组成所述训练数据集。
10.可选地，根据各所述实时工作状态确定各所述无人矿卡的第一健康度，包括：获取所述无人矿卡的全监测数据，所述全监测数据为所述无人矿卡的全寿命周期监测数据；将所述全监测数据进行分类，得到多个输入向量，所述输入向量为所述实时工作状态对应的多个监测数据组成的向量，所述输入向量与所述实时工作状态一一对应；将各所述输入向量输入sigmoid函数，得到各所述实时工作状态的所述第一健康度；分别将各所述实时工作状态的所述第一健康度确定为对应的各所述无人矿卡的第一健康度。
11.可选地，将各所述输入向量输入sigmoid函数，得到各所述实时工作状态的所述第一健康度，包括：将各所述输入向量x＝(x
(1)
，x
(2)
，
…
，x
(n)
，1)
t
输入所述sigmoid函数得到多个所述第一健康度，所述第一健康度与所述实时工作状态一一对应。
12.可选地，采用遗传算法计算各所述无人矿卡的权重值，包括：设置各所述无人矿卡的初始权重范围矩阵和边界矩阵，所述初始权重范围矩阵包括多个各所述无人矿卡的设置权重；根据所述权重范围矩阵和所述边界矩阵设置初始化参数，所述初始化参数包括编码格式、编码方式、编码精度、种群个体数目、最大遗传代数、选择方式、交叉方式、变异方式、交叉概率、整条染色体变异概率以及计算染色体长度；采用所述初始化参数进行遗传算法的进化过程，得到优化权重范围矩阵，所述优化权重范围矩阵包括各所述无人矿卡的权重值。
13.根据本技术的另一方面，提供了一种无人矿卡调度系统的健康监测装置，包括：获取单元，用于获取无人矿卡调度系统的多个无人矿卡的当前监测数据，所述当前监测数据为所述无人矿卡当前的状态参数；输入单元，用于将各所述监测数据输入分类模型，得到各所述无人矿卡的实时工作状态，所述实时工作状态有多种，所述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组所述训练数据中的每组所述训练数据均包括：历
史监测数据和所述历史监测数据对应的所述实时工作状态，所述历史监测数据为任意历史时刻的监测数据；确定单元，用于根据各所述实时工作状态确定各所述无人矿卡的第一健康度，所述第一健康度为所述无人矿卡在所述实时工作状态无故障的概率；第一计算单元，用于采用遗传算法计算各所述无人矿卡的权重值；第二计算单元，用于根据各所述无人矿卡的权重值对各所述无人矿卡的健康度进行加权平均，得到所述无人矿卡调度系统的第二健康度，所述第二健康度为所述无人矿卡调度系统无故障的概率。
14.根据本技术的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
15.根据本技术的又一方面，提供了一种无人矿卡健康系统，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。
16.应用本技术的技术方案，上述无人矿卡调度系统的健康监测方法中，首先，获取无人矿卡调度系统的多个无人矿卡的当前监测数据，上述当前监测数据为上述无人矿卡当前的状态参数；然后，将各上述监测数据输入分类模型，得到各上述无人矿卡的实时工作状态，上述实时工作状态有多种，上述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史监测数据和上述历史监测数据对应的上述实时工作状态，上述历史监测数据为任意历史时刻的监测数据；之后，根据各上述实时工作状态确定各上述无人矿卡的第一健康度，上述第一健康度为上述无人矿卡在上述实时工作状态无故障的概率；之后，采用遗传算法计算各上述无人矿卡的权重值；最后，根据各无人矿卡的权重值对各上述无人矿卡的健康度进行加权平均，得到上述无人矿卡调度系统的第二健康度，上述第二健康度为上述无人矿卡调度系统无故障的概率。该方法通过当前监测数据确定各无人矿卡的实时工作状态，从而确定各无人矿卡在实时工作状态下无故障的概率，得到各无人矿卡的健康度，进而对各无人矿卡的健康度进行加权平均，得到无人矿卡调度系统的健康度，从而确定调度系统是否需要维修检测，及时排除安全隐患，解决了现有技术中难以及时发现无人矿卡调度系统的故障的问题。
附图说明
17.图1示出了根据本技术的实施例中提供的一种执行无人矿卡调度系统的健康监测方法的移动终端的硬件结构框图；
18.图2示出了根据本技术的实施例提供的一种无人矿卡调度系统的健康监测方法的流程示意图；
19.图3示出了根据本技术的实施例提供的一种无人矿卡调度系统的健康监测装置的结构框图。
具体实施方式
20.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
21.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
22.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
23.正如背景技术中所介绍的，现有技术中难以及时发现无人矿卡调度系统的故障，为解决该问题，本技术的实施例提供了一种无人矿卡调度系统的健康监测方法、装置、计算机可读存储介质和无人矿卡健康系统。
24.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。
25.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种无人矿卡调度系统的健康监测方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
26.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的设备信息的显示方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
27.在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的无人矿卡调度系统的健康监测方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是
在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
28.图2是根据本技术实施例的无人矿卡调度系统的健康监测方法的流程图。如图2所示，该方法包括以下步骤：
29.步骤s201，获取无人矿卡调度系统的多个无人矿卡的当前监测数据，上述当前监测数据为上述无人矿卡当前的状态参数；
30.具体地，每个无人矿卡单台车辆上布置有各种传感器，利用这些传感器监测无人矿卡单台车辆的监测数据，监测数据包括但不限于运行过程中的状态数据、控制数据及逻辑数据，从大类型上还包含模拟量监测参数与布尔型监测参数。无人矿卡调度系统通过每个无人矿卡单台车辆上的传感器接收无人矿卡单台车辆监测数据。
31.步骤s202，将各上述监测数据输入分类模型，得到各上述无人矿卡的实时工作状态，上述实时工作状态有多种，上述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史监测数据和上述历史监测数据对应的上述实时工作状态，上述历史监测数据为任意历史时刻的监测数据；
32.具体地，将每个无人矿卡单台车辆的无人矿卡单台车辆监测数据输入无人矿卡单台车辆状态的分类模型，输出每个无人矿卡单台车辆的实时工作状态，其中，无人矿卡单台车辆状态分类模型是利用带标签的海量无人矿卡单台车辆监测数据对机器学习模型进行训练得到的。
33.步骤s203，根据各上述实时工作状态确定各上述无人矿卡的第一健康度，上述第一健康度为上述无人矿卡在上述实时工作状态无故障的概率；
34.具体地，将每个无人矿卡单台车辆的上述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出上述无人矿卡单台车辆在上述实时工作状态下的第一健康度，第一健康度量化分析模型是基于对数线性内核的逻辑斯蒂回归分析模型构建的。
35.步骤s204，采用遗传算法计算各上述无人矿卡的权重值；
36.具体地，根据上述无人矿卡关键设备中各个无人矿卡单台车辆权重的权重范围信息和边界信息，采用遗传算法得到上述各个无人矿卡单台车辆的权重值。
37.步骤s205，根据各无人矿卡的权重值对各上述无人矿卡的健康度进行加权平均，得到上述无人矿卡调度系统的第二健康度，上述第二健康度为上述无人矿卡调度系统无故障的概率。
38.具体地，基于每个上述无人矿卡单台车辆在上述实时工作状态下的健康度和对应的上述无人矿卡单台车辆的权重系数进行加权计算，输出上述无人矿卡关键设备健康度评估结果。
39.上述无人矿卡调度系统的健康监测方法中，首先，获取无人矿卡调度系统的多个无人矿卡的当前监测数据，上述当前监测数据为上述无人矿卡当前的状态参数；然后，将各上述监测数据输入分类模型，得到各上述无人矿卡的实时工作状态，上述实时工作状态有多种，上述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史监测数据和上述历史监测数据对应的上述实时工作状态，上述历史监测数据为任意历史时刻的监测数据；之后，根据各上述实时工作状态确定各上述无人矿卡的第一健康度，上述第一健康度为上述无人矿卡在上述实时工作状态无故障的概率；之后，采用遗传算法计算各上述无人矿卡的权重值；最后，根据各无人矿卡的权
重值对各上述无人矿卡的健康度进行加权平均，得到上述无人矿卡调度系统的第二健康度，上述第二健康度为上述无人矿卡调度系统无故障的概率。该方法通过当前监测数据确定各无人矿卡的实时工作状态，从而确定各无人矿卡在实时工作状态下无故障的概率，得到各无人矿卡的健康度，进而对各无人矿卡的健康度进行加权平均，得到无人矿卡调度系统的健康度，从而确定调度系统是否需要维修检测，及时排除安全隐患，解决了现有技术中难以及时发现无人矿卡调度系统的故障的问题。
40.为了提高分类的准确性，一种可选的实施方式中，在步骤s202之前，上述方法还包括：
41.步骤s301，获取训练数据集，上述训练数据集包括多组上述训练数据；
42.步骤s302，采用上述训练数据集分别对多个机器学习模型进行训练，得到多个状态分类模型，上述机器学习模型为支持向量机、决策树、逻辑回归、神经网络以及贝叶斯分类器中的任意一种或者多种的组合；
43.步骤s303，将多个上述状态分类模型和分类投票器组成上述分类模型，上述分类投票器用于对多个上述实时工作状态进行投票。
44.具体地，将每个无人矿卡单台车辆的无人矿卡单台车辆监测数据输入上述无人矿卡单台车辆状态的分类模型中包含的多个状态分类模型，输出多个工作状态分类结果；将上述多个工作状态分类结果输入分类投票器，输出满足预设投票条件的上述实时工作状态；其中，上述多个状态分类模型是分别利用上述海量无人矿卡单台车辆监测数据训练得到的。其中，机器学习模型具体可以包含支持向量机、决策树、逻辑回归、神经网络以及贝叶斯分类器中的一种或多种的组合。
45.为了提高分类的准确性，一种可选的实施方式中，上述步骤s202包括：
46.步骤s2021，执行第一输入步骤，将上述无人矿卡的上述监测数据分别输入多个上述状态分类模型，得到多个工作状态分类结果，上述工作状态分类结果包括正常状态和故障状态，上述工作状态分类结果与上述状态分类模型一一对应；
47.步骤s2022，执行第二输入步骤，将多个上述工作状态分类结果输入上述分类投票器，得到上述实时工作状态，上述实时工作状态为投票票数大于票数阈值的上述工作状态分类结果；
48.步骤s2023，依次重复上述第一输入步骤和上述第二输入步骤至少一次，直至得到所有的上述无人矿卡的上述实时工作状态。
49.具体地，状态分类模型可以利用相同的海量无人矿卡单台车辆监测数据进行训练，分类投票器用于根据各个工作状态分类结果对无人矿卡工作状态的类别进行投票，最多票的类别获胜，因此实时工作状态可以是正常状态或故障状态。
50.为了进一步提高分类的准确性，一种可选的实施方式中，上述步骤s301包括：
51.步骤s3011，将上述历史监测数据划分为故障模式特征数据和正常模式特征数据，上述故障模式特征数据为在上述实时工作状态下出现故障的上述历史监测数据，上述正常模式特征数据为在上述实时工作状态下无故障的上述历史监测数据；
52.步骤s3012，将上述故障模式特征数据、上述故障模式特征数据对应的上述实时工作状态、上述正常模式特征数据以及上述正常模式特征数据对应的上述实时工作状态组成上述训练数据集。
53.具体地，根据无人矿卡系统整体性结构树为蓝本，分析统计系统的常见故障模式，进行相应的故障模式、影响及危害性分析，确立系统的关键部件，建立故障模式、影响和危害性分析(英文：failure mode,effects and criticality analysis，缩写fmeca)数据库，为故障诊断、预测的专家知识获取提供数据支撑。基于所选定故障模式，以特定的故障注入为手段，进行关键/重要故障模式以及正常状态的特征性探究，得到丰富的关于无人矿卡单台车辆的关键/重要故障模式特征数据与正常模式特征数据，这些数据组成海量无人矿卡单台车辆监测数据。基于无人矿卡单台车辆若干类关键/重要故障模式监测数据，进行数据的标签化处理，为其后的有监督学习打下基础。选择若干类经典机器学习算法，包含支持向量机、决策树、逻辑回归、神经网络以及贝叶斯分类器，利用得到的训练数据集，即有监督学习样本数据，进行各个状态分类模型的训练；其后，保存各个状态分类模型，并利用集成学习的相关方法构建分类投票器；最后，利用有监督学习样本数据做集成学习模型的k折交叉验证，最终得到具备较高精度的无人矿卡单台车辆故障分类与诊断模型，即对应上文的无人矿卡单台车辆状态分类模型。将实时/准实时的无人矿卡单台车辆监测数据注入训练好的无人矿卡单台车辆状态分类模型中，输出无人矿卡单台车辆工作状态，为其后的该工作状态模式下的无人矿卡单台车辆系统健康度评分打下基础。
54.为了保证健康度计算的准确性，一种可选的实施方式中，上述步骤s203包括：
55.步骤s2031，获取上述无人矿卡的全监测数据，上述全监测数据为上述无人矿卡的全寿命周期监测数据；
56.步骤s2032，将上述全监测数据进行分类，得到多个输入向量，上述输入向量为上述实时工作状态对应的多个监测数据组成的向量，上述输入向量与上述实时工作状态一一对应；
57.步骤s2033，将各上述输入向量输入sigmoid函数，得到各上述实时工作状态的上述第一健康度；
58.步骤s2034，分别将各上述实时工作状态的上述第一健康度确定为对应的各上述无人矿卡的第一健康度。
59.具体地，健康度量化分析模型能够对无人矿卡单台车辆的健康度进行量化，健康度是衡量无人矿卡单台车辆运行健康状况的量化指标。以无人矿卡单台车辆的实时工作状态为基础，结合无人矿卡单台车辆的全寿命周期健康监测数据，以无人矿卡单台车辆的fmeca结果为依托，以对数线性模型为内核，以二类标签数据为依托构建无人矿卡单台车辆的健康度量化分析模型，得到以百分制表征的无人矿卡单台车辆的健康度，实现无人矿卡单台车辆的健康度量化评估。将包含各个多源传感器数据的全寿命周期健康监测数据输入如下二阶逻辑斯蒂回归模型，输出基于各个多源传感器数据的权重与偏移量数据；对上述各个多源传感器数据的输入向量及权重与偏移量数据做线性函数叠加分析，将得到的计算结果作为自变量输入sigmoid函数中，进而输出各个工作状态的概率值；在各个工作状态的概率值中提取实时工作状态的概率值；对上述实时工作状态的概率值做区间化处理，将区间化处理的百分比结果作为上述无人矿卡单台车辆在上述实时工作状态下的健康度。
60.为了进一步保证健康度计算的准确性，一种可选的实施方式中，上述步骤s2033包括：
61.步骤s20331，将各上述输入向量x＝(x
(1)
，x
(2)
，
…
，x
(n)
，1)
t
输入上述sigmoid函数
得到多个上述第一健康度，上述第一健康度与上述实时工作状态一一对应。
62.具体地，将包含各个多源传感器数据的全寿命周期健康监测数据输入如下二阶逻辑斯蒂回归模型，输出基于各个多源传感器数据的权重与偏移量数据：辑斯蒂回归模型，输出基于各个多源传感器数据的权重与偏移量数据：其中，ω＝(ω
(1)
，ω
(2)
，
…
，ω
(n)
，b)
t
为权重与偏置向量，ω
(n)
为权重值，b为偏置向量，x＝(x
(1)
，x
(2)
，
…
，x
(n)
，1)
t
为将上述全寿命周期健康监测数据中的多源传感器数据的输入向量，上述ω和b组成上述各个多源传感器数据的权重与偏移量数据，无人矿卡单台车辆全寿命周期服役过程中的健康状态由其正常工作状态与各型故障状态共同决定，可通过特定故障模式下的基于健康度评分的分数制健康度进行量化评价，从而能够直观地给出单台车辆装备的健康状态。其中，某型特定故障模式下的健康度分数为值域为[0，100]的连续性变量。利用基于对数线性内核的逻辑斯蒂回归分析模型建立健康度分数量化分析模型，上述健康度分数本质上可以表述为无人矿卡单台车辆装备的健康度为正常状态的概率，上述概率经过区间化处理即可变换为值域为[0,100]的健康度分数值。
[0063]
进一步地，本实施例采用二项逻辑斯蒂回归模型，本质上该模型描述了一种状态值为0(故障状态)或1(正常状态)的二值标签状态，整个模型以条件概率分布的形式，即以式p(y|x)来进行表示，上式中x表示多源传感器数据输入向量，输出y的取值为0或1。参考上述公式，逻辑斯蒂回归模型中输出y＝1的对数几率是输入向量x的线性函数；当线性函数的计算值愈接近于正无穷时，条件概率分布p(y＝1|x)的计算值越接近于1；而当线性函数的计算值愈接近于负无穷时，条件概率分布p(y＝1|x)的计算值越接近于0。逻辑斯蒂回归模型的学习过程，主要为依据多源传感器数据输入向量x＝(x
(1)
，x
(2)
，
…
，x
(n)
，1)
t
确定参数向量ω＝(ω
(1)
，ω
(2)
，
…
，ω
(n)
，b)
t
的过程。具体地，利用极大似然估计法实现模型参数向量的参数估计，进而得到完备的逻辑斯蒂回归模型，具体过程为：对于二值型逻辑斯蒂回归模型而言，有p(y＝1|x)＝f(x)与p(y＝0|x)＝1-f(x)，此时的似然函数可以表示为：
[0064][0065]
以似然函数取负对数构建逻辑斯蒂回归模型的目标函数，可得：
[0066][0067][0068]
对以对数似然函数为目标函数的最优化问题，利用梯度下降法求解其最小值，即可得到参数向量ω的估计值此时的逻辑斯蒂回归模型满足如下关系式：
[0069][0070][0071]
基于无人矿卡单台车辆的全寿命周期健康监测属中的多源传感器数据的输入向量x、各个多源传感器数据的权重向量ω以及总偏移量b，将上述数据做线性函数叠加分析(即x
·
ω+b)，将上述计算结果作为自变量带入sigmoid函数之中，即可输出值域在[0,1]范围的单台车辆装备健康状态概率值(即p(y＝1
│
x))。
[0072]
另外，利用python语言实施上述计算过程后，即可输出基于各个多源传感器数据的权重与偏移量数据。
[0073]
为了进一步提高健康度计算的准确性，一种可选的实施方式中，上述步骤s204包括：
[0074]
步骤s2041，设置各上述无人矿卡的初始权重范围矩阵和边界矩阵，上述初始权重范围矩阵包括多个各上述无人矿卡的设置权重；
[0075]
步骤s2042，根据上述权重范围矩阵和上述边界矩阵设置初始化参数，上述初始化参数包括编码格式、编码方式、编码精度、种群个体数目、最大遗传代数、选择方式、交叉方式、变异方式、交叉概率、整条染色体变异概率以及计算染色体长度；
[0076]
步骤s2043，采用上述初始化参数进行遗传算法的进化过程，得到优化权重范围矩阵，上述优化权重范围矩阵包括各上述无人矿卡的权重值。
[0077]
具体地，利用上述无人矿卡单台车辆的决策变量范围与决策变量边界，基于遗传算法的模糊评判综合评价模型计算上述无人矿卡单台车辆的权重系数。遗传算法是模拟生物进化论的自然选择和遗传学机理的生物进化过程的计算方法，是一种通过模拟自然进化过程扩大种群并搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过编码(或基因编码)的一定数目的个体(即基础指标)组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，它决定了个体的形状的外部表现。初始种群(即基础指标)产生之后，可以按照适者生存和优胜劣汰的原理，逐代演化，在每一代，根据问题域中个体的适应度选择个体，并借助于自然遗传学的遗传算子进行组合交叉和/或变异，产生出代表新的解集的种群(即衍生指标)，该过程可以导致种群如自然进化一样的后生代种群(即衍生指标)比前代种群更加适应于环境，而末代种群(即衍生指标)经过解码，可以作为最终的衍生指标。在本发明实施例中，可以基于专家评价过程，由模糊评判相关原理，给出无人矿卡关键设备中各个无人矿卡单台车辆的决策变量范围与决策变量边界，由上述两类信息得到包含各个无人矿卡单台车辆权重的权重范围矩阵和边界矩阵。基于上条上述的初始权重范围矩阵和边界矩阵，进行遗传算法初始染色体设置与遗传算法参数设置，确定的相关参数如下：编码格式、编码方式、编码精度、种群个体数目、最大遗传代数、选择方式、交叉方式、变异方式、交叉概率、整条染色体变异概率以及计算染色体长度等。基于上条上述的遗传算法初始化参数开始进入遗传算法的进化过程，初始化过程由生成种群染色体矩阵、解码、计算种群目标函数、分配适应度、最优个体选型五步构成，其后进入遗传算法进化步骤，依次经历选择、重组、变异步骤后，将父代精英个体与子代的染色体进行合并，得到新一代种群；其后进行种群解码，进
而得到种群个体的目标函数值与根据目标函数值所分配的适应度值；最后完成最优结果的相关记录，包含最优个体的序号、当代种群的目标函数均值、当代种群中最优个体的函数值以及当代种群中最优个体的染色体，更进一步地，完成全部进化。进而，依据遗传算法的相关计算，输出权重最优解的目标函数值及决策变量值，更进一步地，得到各个无人矿卡单台车辆的权重最优值，该权重最优值即为所要求解的权重系数。
[0078]
为了使得本领域技术人员能够更加清楚地了解本技术的技术方案，以下将结合具体的实施例对本技术的无人矿卡调度系统的健康监测方法的实现过程进行详细说明。
[0079]
本实施例涉及一种具体的无人矿卡调度系统的健康监测方法，包括如下步骤：
[0080]
步骤s1：获取无人矿卡调度系统的多个无人矿卡的当前监测数据，上述当前监测数据为上述无人矿卡当前的状态参数；获取训练数据集，上述训练数据集包括多组上述训练数据；采用上述训练数据集分别对多个机器学习模型进行训练，得到多个状态分类模型，上述机器学习模型为支持向量机、决策树、逻辑回归、神经网络以及贝叶斯分类器中的任意一种或者多种的组合；将多个上述状态分类模型和分类投票器组成上述分类模型，上述分类投票器用于对多个上述实时工作状态进行投票；
[0081]
步骤s2：第一输入步骤，将上述无人矿卡的上述监测数据分别输入多个上述状态分类模型，得到多个工作状态分类结果，上述工作状态分类结果包括正常状态和故障状态，上述工作状态分类结果与上述状态分类模型一一对应；第二输入步骤，将多个上述工作状态分类结果输入上述分类投票器，得到上述实时工作状态，上述实时工作状态为投票票数大于票数阈值的上述工作状态分类结果；依次重复上述第一输入步骤和上述第二输入步骤至少一次，直至得到所有的上述无人矿卡的上述实时工作状态，上述实时工作状态有多种，上述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史监测数据和上述历史监测数据对应的上述实时工作状态，上述历史监测数据为任意历史时刻的监测数据；
[0082]
步骤s3：获取上述无人矿卡的全监测数据，上述全监测数据为上述无人矿卡的全寿命周期监测数据；将上述全监测数据进行分类，得到多个输入向量，上述输入向量为上述实时工作状态对应的多个监测数据组成的向量，上述输入向量与上述实时工作状态一一对应；将各上述输入向量输入sigmoid函数，得到各上述实时工作状态的上述第一健康度，包括：将各上述输入向量x＝(x
(1)
，x
(2)
，
…
，x
(n)
，1)
t
输入上述sigmoid函数得到多个上述第一健康度，上述第一健康度与上述实时工作状态一一对应；分别将各上述实时工作状态的上述第一健康度确定为对应的各上述无人矿卡的第一健康度，上述第一健康度为上述无人矿卡在上述实时工作状态无故障的概率；
[0083]
步骤s4：采用遗传算法计算各上述无人矿卡的权重值，包括：设置各上述无人矿卡的初始权重范围矩阵和边界矩阵，上述初始权重范围矩阵包括多个各上述无人矿卡的设置权重；根据上述权重范围矩阵和上述边界矩阵设置初始化参数，上述初始化参数包括编码格式、编码方式、编码精度、种群个体数目、最大遗传代数、选择方式、交叉方式、变异方式、交叉概率、整条染色体变异概率以及计算染色体长度；采用上述初始化参数进行遗传算法的进化过程，得到优化权重范围矩阵，上述优化权重范围矩阵包括各上述无人矿卡的权重值；
[0084]
步骤s5：根据各上述无人矿卡的权重值对各上述无人矿卡的健康度进行加权平均，得到上述无人矿卡调度系统的第二健康度，上述第二健康度为上述无人矿卡调度系统无故障的概率。
[0085]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0086]
本技术实施例还提供了一种无人矿卡调度系统的健康监测装置，需要说明的是，本技术实施例的无人矿卡调度系统的健康监测装置可以用于执行本技术实施例所提供的用于无人矿卡调度系统的健康监测方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0087]
以下对本技术实施例提供的无人矿卡调度系统的健康监测装置进行介绍。
[0088]
图3是根据本技术实施例的无人矿卡调度系统的健康监测装置的结构框图。如图3所示，该装置包括：
[0089]
第一获取单元10，用于获取无人矿卡调度系统的多个无人矿卡的当前监测数据，上述当前监测数据为上述无人矿卡当前的状态参数；
[0090]
具体地，每个无人矿卡单台车辆上布置有各种传感器，利用这些传感器监测无人矿卡单台车辆的监测数据，监测数据包括但不限于运行过程中的状态数据、控制数据及逻辑数据，从大类型上还包含模拟量监测参数与布尔型监测参数。无人矿卡调度系统通过每个无人矿卡单台车辆上的传感器接收无人矿卡单台车辆监测数据。
[0091]
输入单元20，用于将各上述监测数据输入分类模型，得到各上述无人矿卡的实时工作状态，上述实时工作状态有多种，上述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史监测数据和上述历史监测数据对应的上述实时工作状态，上述历史监测数据为任意历史时刻的监测数据；
[0092]
具体地，将每个无人矿卡单台车辆的无人矿卡单台车辆监测数据输入无人矿卡单台车辆状态的分类模型，输出每个无人矿卡单台车辆的实时工作状态，其中，无人矿卡单台车辆状态分类模型是利用带标签的海量无人矿卡单台车辆监测数据对机器学习模型进行训练得到的。
[0093]
确定单元30，用于根据各上述实时工作状态确定各上述无人矿卡的第一健康度，上述第一健康度为上述无人矿卡在上述实时工作状态无故障的概率；
[0094]
具体地，将每个无人矿卡单台车辆的上述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出上述无人矿卡单台车辆在上述实时工作状态下的第一健康度，第一健康度量化分析模型是基于对数线性内核的逻辑斯蒂回归分析模型构建的。
[0095]
第一计算单元40，用于采用遗传算法计算各上述无人矿卡的权重值；
[0096]
具体地，根据上述无人矿卡关键设备中各个无人矿卡单台车辆权重的权重范围信息和边界信息，采用遗传算法得到上述各个无人矿卡单台车辆的权重值。
[0097]
第二计算单元50，用于根据各上述无人矿卡的权重值对各上述无人矿卡的健康度进行加权平均，得到上述无人矿卡调度系统的第二健康度，上述第二健康度为上述无人矿
卡调度系统无故障的概率。
[0098]
具体地，基于每个上述无人矿卡单台车辆在上述实时工作状态下的健康度和对应的上述无人矿卡单台车辆的权重系数进行加权计算，输出上述无人矿卡关键设备健康度评估结果。
[0099]
上述无人矿卡调度系统的健康监测装置中，第一获取单元获取无人矿卡调度系统的多个无人矿卡的当前监测数据，上述当前监测数据为上述无人矿卡当前的状态参数；输入单元将各上述监测数据输入分类模型，得到各上述无人矿卡的实时工作状态，上述实时工作状态有多种，上述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史监测数据和上述历史监测数据对应的上述实时工作状态，上述历史监测数据为任意历史时刻的监测数据；确定单元根据各上述实时工作状态确定各上述无人矿卡的第一健康度，上述第一健康度为上述无人矿卡在上述实时工作状态无故障的概率；第一计算单元采用遗传算法计算各上述无人矿卡的权重值；第二计算单元根据各无人矿卡的权重值对各上述无人矿卡的健康度进行加权平均，得到上述无人矿卡调度系统的第二健康度，上述第二健康度为上述无人矿卡调度系统无故障的概率。该装置通过当前监测数据确定各无人矿卡的实时工作状态，从而确定各无人矿卡在实时工作状态下无故障的概率，得到各无人矿卡的健康度，进而对各无人矿卡的健康度进行加权平均，得到无人矿卡调度系统的健康度，从而确定调度系统是否需要维修检测，及时排除安全隐患，解决了现有技术中难以及时发现无人矿卡调度系统的故障的问题。
[0100]
为了提高分类的准确性，一种可选的实施方式中，上述装置还包括：
[0101]
第二获取单元，用于在将上述监测数据输入分类模型之前，获取训练数据集，上述训练数据集包括多组上述训练数据；
[0102]
训练单元，用于采用上述训练数据集分别对多个机器学习模型进行训练，得到多个状态分类模型，上述机器学习模型为支持向量机、决策树、逻辑回归、神经网络以及贝叶斯分类器中的任意一种或者多种的组合；
[0103]
合成单元，用于将多个上述状态分类模型和分类投票器组成上述分类模型，上述分类投票器用于对多个上述实时工作状态进行投票。
[0104]
具体地，将每个无人矿卡单台车辆的无人矿卡单台车辆监测数据输入上述无人矿卡单台车辆状态的分类模型中包含的多个状态分类模型，输出多个工作状态分类结果；将上述多个工作状态分类结果输入分类投票器，输出满足预设投票条件的上述实时工作状态；其中，上述多个状态分类模型是分别利用上述海量无人矿卡单台车辆监测数据训练得到的。其中，机器学习模型具体可以包含支持向量机、决策树、逻辑回归、神经网络以及贝叶斯分类器中的一种或多种的组合。
[0105]
为了提高分类的准确性，一种可选的实施方式中，上述输入单元包括：
[0106]
第一输入模块，用于执行第一输入步骤，将上述无人矿卡的上述监测数据分别输入多个上述状态分类模型，得到多个工作状态分类结果，上述工作状态分类结果包括正常状态和故障状态，上述工作状态分类结果与上述状态分类模型一一对应；
[0107]
第二输入模块，用于执行第二输入步骤，将多个上述工作状态分类结果输入上述分类投票器，得到上述实时工作状态，上述实时工作状态为投票票数大于票数阈值的上述工作状态分类结果；
[0108]
重复模块，用于依次重复上述第一输入步骤和上述第二输入步骤至少一次，直至得到所有的上述无人矿卡的上述实时工作状态。
[0109]
具体地，状态分类模型可以利用相同的海量无人矿卡单台车辆监测数据进行训练，分类投票器用于根据各个工作状态分类结果对无人矿卡工作状态的类别进行投票，最多票的类别获胜，因此实时工作状态可以是正常状态或故障状态。
[0110]
为了进一步提高分类的准确性，一种可选的实施方式中，上述第二获取单元包括：
[0111]
第一分类模块，用于将上述历史监测数据划分为故障模式特征数据和正常模式特征数据，上述故障模式特征数据为在上述实时工作状态下出现故障的上述历史监测数据，上述正常模式特征数据为在上述实时工作状态下无故障的上述历史监测数据；
[0112]
合成模块，用于将上述故障模式特征数据、上述故障模式特征数据对应的上述实时工作状态、上述正常模式特征数据以及上述正常模式特征数据对应的上述实时工作状态组成上述训练数据集。
[0113]
具体地，根据无人矿卡系统整体性结构树为蓝本，分析统计系统的常见故障模式，进行相应的故障模式、影响及危害性分析，确立系统的关键部件，建立故障模式、影响和危害性分析(英文：failure mode,effects and criticality analysis，缩写fmeca)数据库，为故障诊断、预测的专家知识获取提供数据支撑。基于所选定故障模式，以特定的故障注入为手段，进行关键/重要故障模式以及正常状态的特征性探究，得到丰富的关于无人矿卡单台车辆的关键/重要故障模式特征数据与正常模式特征数据，这些数据组成海量无人矿卡单台车辆监测数据。基于无人矿卡单台车辆若干类关键/重要故障模式监测数据，进行数据的标签化处理，为其后的有监督学习打下基础。选择若干类经典机器学习算法，包含支持向量机、决策树、逻辑回归、神经网络以及贝叶斯分类器，利用得到的训练数据集，即有监督学习样本数据，进行各个状态分类模型的训练；其后，保存各个状态分类模型，并利用集成学习的相关方法构建分类投票器；最后，利用有监督学习样本数据做集成学习模型的k折交叉验证，最终得到具备较高精度的无人矿卡单台车辆故障分类与诊断模型，即对应上文的无人矿卡单台车辆状态分类模型。将实时/准实时的无人矿卡单台车辆监测数据注入训练好的无人矿卡单台车辆状态分类模型中，输出无人矿卡单台车辆工作状态，为其后的该工作状态模式下的无人矿卡单台车辆系统健康度评分打下基础。
[0114]
为了保证健康度计算的准确性，一种可选的实施方式中，上述确定单元包括：
[0115]
获取模块，用于获取上述无人矿卡的全监测数据，上述全监测数据为上述无人矿卡的全寿命周期监测数据；
[0116]
第二分类模块，用于将上述全监测数据进行分类，得到多个输入向量，上述输入向量为上述实时工作状态对应的多个监测数据组成的向量，上述输入向量与上述实时工作状态一一对应；
[0117]
第三输入模块，用于将各上述输入向量输入sigmoid函数，得到各上述实时工作状态的上述第一健康度；
[0118]
确定模块，用于分别将各上述实时工作状态的上述第一健康度确定为对应的各上述无人矿卡的第一健康度。
[0119]
具体地，健康度量化分析模型能够对无人矿卡单台车辆的健康度进行量化，健康度是衡量无人矿卡单台车辆运行健康状况的量化指标。以无人矿卡单台车辆的实时工作状
态为基础，结合无人矿卡单台车辆的全寿命周期健康监测数据，以无人矿卡单台车辆的fmeca结果为依托，以对数线性模型为内核，以二类标签数据为依托构建无人矿卡单台车辆的健康度量化分析模型，得到以百分制表征的无人矿卡单台车辆的健康度，实现无人矿卡单台车辆的健康度量化评估。将包含各个多源传感器数据的全寿命周期健康监测数据输入如下二阶逻辑斯蒂回归模型，输出基于各个多源传感器数据的权重与偏移量数据；对上述各个多源传感器数据的输入向量及权重与偏移量数据做线性函数叠加分析，将得到的计算结果作为自变量输入sigmoid函数中，进而输出各个工作状态的概率值；在各个工作状态的概率值中提取实时工作状态的概率值；对上述实时工作状态的概率值做区间化处理，将区间化处理的百分比结果作为上述无人矿卡单台车辆在上述实时工作状态下的健康度。
[0120]
为了进一步保证健康度计算的准确性，一种可选的实施方式中，上述第三输入模块包括：
[0121]
输入子模块，用于将各上述输入向量x＝(x
(1)
，x
(2)
，
…
，x
(n)
，1)
t
输入上述sigmoid函数得到多个上述第一健康度，上述第一健康度与上述实时工作状态一一对应。
[0122]
具体地，将包含各个多源传感器数据的全寿命周期健康监测数据输入如下二阶逻辑斯蒂回归模型，输出基于各个多源传感器数据的权重与偏移量数据：辑斯蒂回归模型，输出基于各个多源传感器数据的权重与偏移量数据：其中，ω＝(ω
(1)
，ω
(2)
，
…
，ω
(n)
，b)
t
为权重与偏置向量，ω
(n)
为权重值，b为偏置向量，x＝(x
(1)
，x
(2)
，
…
，x
(n)
，1)
t
为将上述全寿命周期健康监测数据中的多源传感器数据的输入向量，上述ω和b组成上述各个多源传感器数据的权重与偏移量数据，无人矿卡单台车辆全寿命周期服役过程中的健康状态由其正常工作状态与各型故障状态共同决定，可通过特定故障模式下的基于健康度评分的分数制健康度进行量化评价，从而能够直观地给出单台车辆装备的健康状态。其中，某型特定故障模式下的健康度分数为值域为[0，100]的连续性变量。利用基于对数线性内核的逻辑斯蒂回归分析模型建立健康度分数量化分析模型，上述健康度分数本质上可以表述为无人矿卡单台车辆装备的健康度为正常状态的概率，上述概率经过区间化处理即可变换为值域为[0,100]的健康度分数值。
[0123]
进一步地，本实施例采用二项逻辑斯蒂回归模型，本质上该模型描述了一种状态值为0(故障状态)或1(正常状态)的二值标签状态，整个模型以条件概率分布的形式，即以式p(y|x)来进行表示，上式中x表示多源传感器数据输入向量，输出y的取值为0或1。参考上述公式，逻辑斯蒂回归模型中输出y＝1的对数几率是输入向量x的线性函数；当线性函数的计算值愈接近于正无穷时，条件概率分布p(y＝1|x)的计算值越接近于1；而当线性函数的计算值愈接近于负无穷时，条件概率分布p(y＝1|x)的计算值越接近于0。逻辑斯蒂回归模型的学习过程，主要为依据多源传感器数据输入向量x＝(x
(1)
，x
(2)
，
…
，x
(n)
，1)
t
确定参数向量ω＝(ω
(1)
，ω
(2)
，
…
，ω
(n)
，b)
t
的过程。具体地，利用极大似然估计法实现模型参数向量的参数估计，进而得到完备的逻辑斯蒂回归模型，具体过程为：对于二值型逻辑斯蒂回归模型而言，有p(y＝1|x)＝f(x)与p(y＝0|x)＝1-f(x)，此时的似然函数可以表示为：
[0124][0125]
以似然函数取负对数构建逻辑斯蒂回归模型的目标函数，可得：
[0126][0127]
对以对数似然函数为目标函数的最优化问题，利用梯度下降法求解其最小值，即可得到参数向量ω的估计值此时的逻辑斯蒂回归模型满足如下关系式：
[0128][0129][0130]
基于无人矿卡单台车辆的全寿命周期健康监测属中的多源传感器数据的输入向量x、各个多源传感器数据的权重向量ω以及总偏移量b，将上述数据做线性函数叠加分析(即x
·
ω+b)，将上述计算结果作为自变量带入sigmoid函数之中，即可输出值域在[0,1]范围的单台车辆装备健康状态概率值(即p(y＝1
│
x))。
[0131]
另外，利用python语言实施上述计算过程后，即可输出基于各个多源传感器数据的权重与偏移量数据。
[0132]
为了进一步提高健康度计算的准确性，一种可选的实施方式中，上述第一计算单元包括：
[0133]
第一设置模块，用于设置各上述无人矿卡的初始权重范围矩阵和边界矩阵，上述初始权重范围矩阵包括多个各上述无人矿卡的设置权重；
[0134]
第二设置模块，用于根据上述权重范围矩阵和上述边界矩阵设置初始化参数，上述初始化参数包括编码格式、编码方式、编码精度、种群个体数目、最大遗传代数、选择方式、交叉方式、变异方式、交叉概率、整条染色体变异概率以及计算染色体长度；
[0135]
计算模块，用于采用上述初始化参数进行遗传算法的进化过程，得到优化权重范围矩阵，上述优化权重范围矩阵包括各上述无人矿卡的权重值。
[0136]
具体地，利用上述无人矿卡单台车辆的决策变量范围与决策变量边界，基于遗传算法的模糊评判综合评价模型计算上述无人矿卡单台车辆的权重系数。遗传算法是模拟生物进化论的自然选择和遗传学机理的生物进化过程的计算方法，是一种通过模拟自然进化过程扩大种群并搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过编码(或基因编码)的一定数目的个体(即基础指标)组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，它决定了个体的形状的外部表现。初始种群(即基础指标)产生之后，可以按照适者生存
和优胜劣汰的原理，逐代演化，在每一代，根据问题域中个体的适应度选择个体，并借助于自然遗传学的遗传算子进行组合交叉和/或变异，产生出代表新的解集的种群(即衍生指标)，该过程可以导致种群如自然进化一样的后生代种群(即衍生指标)比前代种群更加适应于环境，而末代种群(即衍生指标)经过解码，可以作为最终的衍生指标。在本发明实施例中，可以基于专家评价过程，由模糊评判相关原理，给出无人矿卡关键设备中各个无人矿卡单台车辆的决策变量范围与决策变量边界，由上述两类信息得到包含各个无人矿卡单台车辆权重的权重范围矩阵和边界矩阵。基于上条上述的初始权重范围矩阵和边界矩阵，进行遗传算法初始染色体设置与遗传算法参数设置，确定的相关参数如下：编码格式、编码方式、编码精度、种群个体数目、最大遗传代数、选择方式、交叉方式、变异方式、交叉概率、整条染色体变异概率以及计算染色体长度等。基于上条上述的遗传算法初始化参数开始进入遗传算法的进化过程，初始化过程由生成种群染色体矩阵、解码、计算种群目标函数、分配适应度、最优个体选型五步构成，其后进入遗传算法进化步骤，依次经历选择、重组、变异步骤后，将父代精英个体与子代的染色体进行合并，得到新一代种群；其后进行种群解码，进而得到种群个体的目标函数值与根据目标函数值所分配的适应度值；最后完成最优结果的相关记录，包含最优个体的序号、当代种群的目标函数均值、当代种群中最优个体的函数值以及当代种群中最优个体的染色体，更进一步地，完成全部进化。进而，依据遗传算法的相关计算，输出权重最优解的目标函数值及决策变量值，更进一步地，得到各个无人矿卡单台车辆的权重最优值，该权重最优值即为所要求解的权重系数。
[0137]
上述无人矿卡调度系统的健康监测装置包括处理器和存储器，上述第一获取单元、输入单元、确定单元、第一计算单元和第二计算单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0138]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中难以及时发现无人矿卡调度系统的故障的问题。
[0139]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0140]
本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述无人矿卡调度系统的健康监测方法。
[0141]
具体地，无人矿卡调度系统的健康监测方法包括：
[0142]
步骤s201，获取无人矿卡调度系统的多个无人矿卡的当前监测数据，上述当前监测数据为上述无人矿卡当前的状态参数；
[0143]
具体地，每个无人矿卡单台车辆上布置有各种传感器，利用这些传感器监测无人矿卡单台车辆的监测数据，监测数据包括但不限于运行过程中的状态数据、控制数据及逻辑数据，从大类型上还包含模拟量监测参数与布尔型监测参数。无人矿卡调度系统通过每个无人矿卡单台车辆上的传感器接收无人矿卡单台车辆监测数据。
[0144]
步骤s202，将各上述监测数据输入分类模型，得到各上述无人矿卡的实时工作状
态，上述实时工作状态有多种，上述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史监测数据和上述历史监测数据对应的上述实时工作状态，上述历史监测数据为任意历史时刻的监测数据；
[0145]
具体地，将每个无人矿卡单台车辆的无人矿卡单台车辆监测数据输入无人矿卡单台车辆状态的分类模型，输出每个无人矿卡单台车辆的实时工作状态，其中，无人矿卡单台车辆状态分类模型是利用带标签的海量无人矿卡单台车辆监测数据对机器学习模型进行训练得到的。
[0146]
步骤s203，根据各上述实时工作状态确定各上述无人矿卡的第一健康度，上述第一健康度为上述无人矿卡在上述实时工作状态无故障的概率；
[0147]
具体地，将每个无人矿卡单台车辆的上述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出上述无人矿卡单台车辆在上述实时工作状态下的第一健康度，第一健康度量化分析模型是基于对数线性内核的逻辑斯蒂回归分析模型构建的。
[0148]
步骤s204，采用遗传算法计算各上述无人矿卡的权重值；
[0149]
具体地，根据上述无人矿卡关键设备中各个无人矿卡单台车辆权重的权重范围信息和边界信息，采用遗传算法得到上述各个无人矿卡单台车辆的权重值。
[0150]
步骤s205，根据各无人矿卡的权重值对各上述无人矿卡的健康度进行加权平均，得到上述无人矿卡调度系统的第二健康度，上述第二健康度为上述无人矿卡调度系统无故障的概率。
[0151]
具体地，基于每个上述无人矿卡单台车辆在上述实时工作状态下的健康度和对应的上述无人矿卡单台车辆的权重系数进行加权计算，输出上述无人矿卡关键设备健康度评估结果。
[0152]
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述无人矿卡调度系统的健康监测方法。
[0153]
具体地，无人矿卡调度系统的健康监测方法包括：
[0154]
步骤s201，获取无人矿卡调度系统的多个无人矿卡的当前监测数据，上述当前监测数据为上述无人矿卡当前的状态参数；
[0155]
具体地，每个无人矿卡单台车辆上布置有各种传感器，利用这些传感器监测无人矿卡单台车辆的监测数据，监测数据包括但不限于运行过程中的状态数据、控制数据及逻辑数据，从大类型上还包含模拟量监测参数与布尔型监测参数。无人矿卡调度系统通过每个无人矿卡单台车辆上的传感器接收无人矿卡单台车辆监测数据。
[0156]
步骤s202，将各上述监测数据输入分类模型，得到各上述无人矿卡的实时工作状态，上述实时工作状态有多种，上述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史监测数据和上述历史监测数据对应的上述实时工作状态，上述历史监测数据为任意历史时刻的监测数据；
[0157]
具体地，将每个无人矿卡单台车辆的无人矿卡单台车辆监测数据输入无人矿卡单台车辆状态的分类模型，输出每个无人矿卡单台车辆的实时工作状态，其中，无人矿卡单台车辆状态分类模型是利用带标签的海量无人矿卡单台车辆监测数据对机器学习模型进行训练得到的。
[0158]
步骤s203，根据各上述实时工作状态确定各上述无人矿卡的第一健康度，上述第
一健康度为上述无人矿卡在上述实时工作状态无故障的概率；
[0159]
具体地，将每个无人矿卡单台车辆的上述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出上述无人矿卡单台车辆在上述实时工作状态下的第一健康度，第一健康度量化分析模型是基于对数线性内核的逻辑斯蒂回归分析模型构建的。
[0160]
步骤s204，采用遗传算法计算各上述无人矿卡的权重值；
[0161]
具体地，根据上述无人矿卡关键设备中各个无人矿卡单台车辆权重的权重范围信息和边界信息，采用遗传算法得到上述各个无人矿卡单台车辆的权重值。
[0162]
步骤s205，根据各无人矿卡的权重值对各上述无人矿卡的健康度进行加权平均，得到上述无人矿卡调度系统的第二健康度，上述第二健康度为上述无人矿卡调度系统无故障的概率。
[0163]
具体地，基于每个上述无人矿卡单台车辆在上述实时工作状态下的健康度和对应的上述无人矿卡单台车辆的权重系数进行加权计算，输出上述无人矿卡关键设备健康度评估结果。
[0164]
随着无人矿卡的发展，无人矿卡上的系统也变得更复杂、庞大，因此产生故障的概率也更大，排查检测故障的难度更高。在这个数据爆炸的时代，一辆矿卡时时刻刻都会产生海量的数据，单纯依靠人力从中筛选出合适的数据加以判断故障的发生及原因已经变得很困难，不但会耗时耗力，而且准确性也不高，可能会遗漏一些微小的故障。而且，人工检测矿卡故障时，往往在故障发生时才去排查矿卡的故障，有的故障发生的频率非常低，靠人力去复现需要花费大量的时间，而且很难记录故障发生时的详细数据与情况。
[0165]
随着人工智能时代的到来，科技水平的快速提升，越来越多的先进计算机技术应用于车辆领域，其中包括神经网络等。神经网络技术发展日新月异，已被广泛应用于车辆无人驾驶图像识别等高新科技领域，也为无人矿卡关键设备的预测提供新的技术途径。
[0166]
健康管理系统旨在解决无人驾驶矿卡的故障和安全事件感知，在“无人驾驶”替代“有人驾驶”后，以“安全员”的角色实现对车辆自身系统和无人驾驶系统的关键故障和安全事件的监测和故障诊断，解决持续利用监测和检测数据对车辆及各子系统“由静到动”、“由动到修”等3种状态的变化进行健康评估问题，能够通过长期积累的历史数据不断训练优化模型，迭代改进。
[0167]
健康管理系统作为无人驾驶系统故障和安全事件的感知前端，是无人驾驶系统不可或缺的组成部分，对车辆和无人驾驶系统的安全、稳定、可靠的运行起着至关重要的保障作用，为无人驾驶系统的协同作业管理和智能调度提供辅助决策支持。
[0168]
健康管理系统实现无人驾驶矿卡的车辆设备系统自检、故障诊断、检修结果上报、健康状态评估、数据存储与历史数据查询等功能，能够查询存储在大数据平台的车辆及无人驾驶系统的状态数据和检修数据，能够为接入第三方车辆的健康数据和健康管理子系统提供服务。
[0169]
健康管理系统包括：部署在车辆上的车载健康管理系统、部署在数据中台的健康管理应用系统和部署在手持终端的app等3个部分。健康管理车载系统通过在线采集总线数据和加装监测传感器数据，能够实现车辆和子系统的系统自检和故障诊断。
[0170]
本发明实施例提供了一种无人矿卡健康系统，无人矿卡健康系统包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步
骤：
[0171]
步骤s201，获取无人矿卡调度系统的多个无人矿卡的当前监测数据，上述当前监测数据为上述无人矿卡当前的状态参数；
[0172]
具体地，每个无人矿卡单台车辆上布置有各种传感器，利用这些传感器监测无人矿卡单台车辆的监测数据，监测数据包括但不限于运行过程中的状态数据、控制数据及逻辑数据，从大类型上还包含模拟量监测参数与布尔型监测参数。无人矿卡调度系统通过每个无人矿卡单台车辆上的传感器接收无人矿卡单台车辆监测数据。
[0173]
步骤s202，将各上述监测数据输入分类模型，得到各上述无人矿卡的实时工作状态，上述实时工作状态有多种，上述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史监测数据和上述历史监测数据对应的上述实时工作状态，上述历史监测数据为任意历史时刻的监测数据；
[0174]
具体地，将每个无人矿卡单台车辆的无人矿卡单台车辆监测数据输入无人矿卡单台车辆状态的分类模型，输出每个无人矿卡单台车辆的实时工作状态，其中，无人矿卡单台车辆状态分类模型是利用带标签的海量无人矿卡单台车辆监测数据对机器学习模型进行训练得到的。
[0175]
步骤s203，根据各上述实时工作状态确定各上述无人矿卡的第一健康度，上述第一健康度为上述无人矿卡在上述实时工作状态无故障的概率；
[0176]
具体地，将每个无人矿卡单台车辆的上述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出上述无人矿卡单台车辆在上述实时工作状态下的第一健康度，第一健康度量化分析模型是基于对数线性内核的逻辑斯蒂回归分析模型构建的。
[0177]
步骤s204，采用遗传算法计算各上述无人矿卡的权重值；
[0178]
具体地，根据上述无人矿卡关键设备中各个无人矿卡单台车辆权重的权重范围信息和边界信息，采用遗传算法得到上述各个无人矿卡单台车辆的权重值。
[0179]
步骤s205，根据各无人矿卡的权重值对各上述无人矿卡的健康度进行加权平均，得到上述无人矿卡调度系统的第二健康度，上述第二健康度为上述无人矿卡调度系统无故障的概率。
[0180]
具体地，基于每个上述无人矿卡单台车辆在上述实时工作状态下的健康度和对应的上述无人矿卡单台车辆的权重系数进行加权计算，输出上述无人矿卡关键设备健康度评估结果。
[0181]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
[0182]
步骤s201，获取无人矿卡调度系统的多个无人矿卡的当前监测数据，上述当前监测数据为上述无人矿卡当前的状态参数；
[0183]
具体地，每个无人矿卡单台车辆上布置有各种传感器，利用这些传感器监测无人矿卡单台车辆的监测数据，监测数据包括但不限于运行过程中的状态数据、控制数据及逻辑数据，从大类型上还包含模拟量监测参数与布尔型监测参数。无人矿卡调度系统通过每个无人矿卡单台车辆上的传感器接收无人矿卡单台车辆监测数据。
[0184]
步骤s202，将各上述监测数据输入分类模型，得到各上述无人矿卡的实时工作状态，上述实时工作状态有多种，上述分类模型用于为使用多组训练数据通过机器学习训练
出来的，多组上述训练数据中的每组上述训练数据均包括：历史监测数据和上述历史监测数据对应的上述实时工作状态，上述历史监测数据为任意历史时刻的监测数据；
[0185]
具体地，将每个无人矿卡单台车辆的无人矿卡单台车辆监测数据输入无人矿卡单台车辆状态的分类模型，输出每个无人矿卡单台车辆的实时工作状态，其中，无人矿卡单台车辆状态分类模型是利用带标签的海量无人矿卡单台车辆监测数据对机器学习模型进行训练得到的。
[0186]
步骤s203，根据各上述实时工作状态确定各上述无人矿卡的第一健康度，上述第一健康度为上述无人矿卡在上述实时工作状态无故障的概率；
[0187]
具体地，将每个无人矿卡单台车辆的上述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出上述无人矿卡单台车辆在上述实时工作状态下的第一健康度，第一健康度量化分析模型是基于对数线性内核的逻辑斯蒂回归分析模型构建的。
[0188]
步骤s204，采用遗传算法计算各上述无人矿卡的权重值；
[0189]
具体地，根据上述无人矿卡关键设备中各个无人矿卡单台车辆权重的权重范围信息和边界信息，采用遗传算法得到上述各个无人矿卡单台车辆的权重值。
[0190]
步骤s205，根据各无人矿卡的权重值对各上述无人矿卡的健康度进行加权平均，得到上述无人矿卡调度系统的第二健康度，上述第二健康度为上述无人矿卡调度系统无故障的概率。
[0191]
具体地，基于每个上述无人矿卡单台车辆在上述实时工作状态下的健康度和对应的上述无人矿卡单台车辆的权重系数进行加权计算，输出上述无人矿卡关键设备健康度评估结果。
[0192]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0193]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0194]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个或多个流程和/或方框图一个或多个方框
中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0195]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0196]
从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
[0197]
1)、本技术的无人矿卡调度系统的健康监测方法中，首先，获取无人矿卡调度系统的多个无人矿卡的当前监测数据，上述当前监测数据为上述无人矿卡当前的状态参数；然后，将各上述监测数据输入分类模型，得到各上述无人矿卡的实时工作状态，上述实时工作状态有多种，上述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史监测数据和上述历史监测数据对应的上述实时工作状态，上述历史监测数据为任意历史时刻的监测数据；之后，根据各上述实时工作状态确定各上述无人矿卡的第一健康度，上述第一健康度为上述无人矿卡在上述实时工作状态无故障的概率；之后，采用遗传算法计算各上述无人矿卡的权重值；最后，根据各无人矿卡的权重值对各上述无人矿卡的健康度进行加权平均，得到上述无人矿卡调度系统的第二健康度，上述第二健康度为上述无人矿卡调度系统无故障的概率。该方法通过当前监测数据确定各无人矿卡的实时工作状态，从而确定各无人矿卡在实时工作状态下无故障的概率，得到各无人矿卡的健康度，进而对各无人矿卡的健康度进行加权平均，得到无人矿卡调度系统的健康度，从而确定调度系统是否需要维修检测，及时排除安全隐患，解决了现有技术中难以及时发现无人矿卡调度系统的故障的问题。
[0198]
2)、本技术的无人矿卡调度系统的健康监测装置中，第一获取单元获取无人矿卡调度系统的多个无人矿卡的当前监测数据，上述当前监测数据为上述无人矿卡当前的状态参数；输入单元将各上述监测数据输入分类模型，得到各上述无人矿卡的实时工作状态，上述实时工作状态有多种，上述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史监测数据和上述历史监测数据对应的上述实时工作状态，上述历史监测数据为任意历史时刻的监测数据；确定单元根据各上述实时工作状态确定各上述无人矿卡的第一健康度，上述第一健康度为上述无人矿卡在上述实时工作状态无故障的概率；第一计算单元采用遗传算法计算各上述无人矿卡的权重值；第二计算单元根据各无人矿卡的权重值对各上述无人矿卡的健康度进行加权平均，
得到上述无人矿卡调度系统的第二健康度，上述第二健康度为上述无人矿卡调度系统无故障的概率。该装置通过当前监测数据确定各无人矿卡的实时工作状态，从而确定各无人矿卡在实时工作状态下无故障的概率，得到各无人矿卡的健康度，进而对各无人矿卡的健康度进行加权平均，得到无人矿卡调度系统的健康度，从而确定调度系统是否需要维修检测，及时排除安全隐患，解决了现有技术中难以及时发现无人矿卡调度系统的故障的问题。
[0199]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种无人矿卡调度系统的健康监测方法，其特征在于，包括：获取无人矿卡调度系统的多个无人矿卡的当前监测数据，所述当前监测数据为所述无人矿卡当前的状态参数；将各所述监测数据输入分类模型，得到各所述无人矿卡的实时工作状态，所述实时工作状态有多种，所述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组所述训练数据中的每组所述训练数据均包括：历史监测数据和所述历史监测数据对应的所述实时工作状态，所述历史监测数据为任意历史时刻的监测数据；根据各所述实时工作状态确定各所述无人矿卡的第一健康度，所述第一健康度为所述无人矿卡在所述实时工作状态无故障的概率；采用遗传算法计算各所述无人矿卡的权重值；根据各所述无人矿卡的权重值对各所述无人矿卡的健康度进行加权平均，得到所述无人矿卡调度系统的第二健康度，所述第二健康度为所述无人矿卡调度系统无故障的概率。2.根据权利要求1所述的方法，其特征在于，在将所述监测数据输入分类模型之前，所述方法还包括：获取训练数据集，所述训练数据集包括多组所述训练数据；采用所述训练数据集分别对多个机器学习模型进行训练，得到多个状态分类模型，所述机器学习模型为支持向量机、决策树、逻辑回归、神经网络以及贝叶斯分类器中的任意一种或者多种的组合；将多个所述状态分类模型和分类投票器组成所述分类模型，所述分类投票器用于对多个所述实时工作状态进行投票。3.根据权利要求2所述的方法，其特征在于，将所述监测数据输入分类模型，得到各所述无人矿卡的实时工作状态，包括：第一输入步骤，将所述无人矿卡的所述监测数据分别输入多个所述状态分类模型，得到多个工作状态分类结果，所述工作状态分类结果包括正常状态和故障状态，所述工作状态分类结果与所述状态分类模型一一对应；第二输入步骤，将多个所述工作状态分类结果输入所述分类投票器，得到所述实时工作状态，所述实时工作状态为投票票数大于票数阈值的所述工作状态分类结果；依次重复所述第一输入步骤和所述第二输入步骤至少一次，直至得到所有的所述无人矿卡的所述实时工作状态。4.根据权利要求2所述的方法，其特征在于，获取训练数据集，包括：将所述历史监测数据划分为故障模式特征数据和正常模式特征数据，所述故障模式特征数据为在所述实时工作状态下出现故障的所述历史监测数据，所述正常模式特征数据为在所述实时工作状态下无故障的所述历史监测数据；将所述故障模式特征数据、所述故障模式特征数据对应的所述实时工作状态、所述正常模式特征数据以及所述正常模式特征数据对应的所述实时工作状态组成所述训练数据集。5.根据权利要求1至4任一项所述的方法，其特征在于，根据各所述实时工作状态确定各所述无人矿卡的第一健康度，包括：获取所述无人矿卡的全监测数据，所述全监测数据为所述无人矿卡的全寿命周期监测
数据；将所述全监测数据进行分类，得到多个输入向量，所述输入向量为所述实时工作状态对应的多个监测数据组成的向量，所述输入向量与所述实时工作状态一一对应；将各所述输入向量输入sigmoid函数，得到各所述实时工作状态的所述第一健康度；分别将各所述实时工作状态的所述第一健康度确定为对应的各所述无人矿卡的第一健康度。6.根据权利要求5所述的方法，其特征在于，将各所述输入向量输入sigmoid函数，得到各所述实时工作状态的所述第一健康度，包括：将各所述输入向量x＝(x
(1)
，x
(2)
，
…
，x
(n)
，1)
t
输入所述sigmoid函数得到多个所述第一健康度，所述第一健康度与所述实时工作状态一一对应。7.根据权利要求1至4任一项所述的方法，其特征在于，采用遗传算法计算各所述无人矿卡的权重值，包括：设置各所述无人矿卡的初始权重范围矩阵和边界矩阵，所述初始权重范围矩阵包括多个各所述无人矿卡的设置权重；根据所述权重范围矩阵和所述边界矩阵设置初始化参数，所述初始化参数包括编码格式、编码方式、编码精度、种群个体数目、最大遗传代数、选择方式、交叉方式、变异方式、交叉概率、整条染色体变异概率以及计算染色体长度；采用所述初始化参数进行遗传算法的进化过程，得到优化权重范围矩阵，所述优化权重范围矩阵包括各所述无人矿卡的权重值。8.一种无人矿卡调度系统的健康监测装置，其特征在于，包括：第一获取单元，用于获取无人矿卡调度系统的多个无人矿卡的当前监测数据，所述当前监测数据为所述无人矿卡当前的状态参数；输入单元，用于将各所述监测数据输入分类模型，得到各所述无人矿卡的实时工作状态，所述实时工作状态有多种，所述分类模型用于为使用多组训练数据通过机器学习训练出来的，多组所述训练数据中的每组所述训练数据均包括：历史监测数据和所述历史监测数据对应的所述实时工作状态，所述历史监测数据为任意历史时刻的监测数据；确定单元，用于根据各所述实时工作状态确定各所述无人矿卡的第一健康度，所述第一健康度为所述无人矿卡在所述实时工作状态无故障的概率；第一计算单元，用于采用遗传算法计算各所述无人矿卡的权重值；第二计算单元，用于根据各所述无人矿卡的权重值对各所述无人矿卡的健康度进行加权平均，得到所述无人矿卡调度系统的第二健康度，所述第二健康度为所述无人矿卡调度系统无故障的概率。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的方法。10.一种无人矿卡健康系统，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个
或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至7中任意一项所述的方法。

技术总结
本申请提供了一种无人矿卡调度系统的健康监测方法、装置和健康系统，该方法包括：获取无人矿卡调度系统的多个无人矿卡的当前监测数据，当前监测数据为无人矿卡当前的状态参数；将各监测数据输入分类模型，得到各无人矿卡的实时工作状态，实时工作状态有多种；根据各实时工作状态确定各无人矿卡的第一健康度，第一健康度为无人矿卡在实时工作状态无故障的概率；采用遗传算法计算各无人矿卡的权重值；根据各无人矿卡的权重值对各无人矿卡的健康度进行加权平均，得到无人矿卡调度系统的第二健康度，第二健康度为无人矿卡调度系统无故障的概率，解决了现有技术中难以及时发现无人矿卡调度系统的故障的问题。矿卡调度系统的故障的问题。矿卡调度系统的故障的问题。


技术研发人员：王吉明 苏二换 张建华 戚振明 张利军 郭俊义 额尔德木吐 梁栋 呼木吉力吐 田丰 李海军 张国营 于德君 王鑫 王丽 郝目举 王渊 白建 周浩伟 闫凌 闫文斌 刘立松 田培忠
受保护的技术使用者：神华准格尔能源有限责任公司
技术研发日：2023.06.30
技术公布日：2023/8/24