基于边缘计算的无人驾驶塔机自主决策系统技术方案

本发明专利技术涉及塔机控制技术领域，涉及基于边缘计算的无人驾驶塔机自主决策系统；所述系统包括：历史数据分析单元，配置用于采集塔机的历史故障数据；故障空间构建单元，配置用于将历史故障数据元组视为一个三维空间中的一个坐标点，映射到三维空间中，组成故障空间；塔机自主决策单元，配置用于在塔机运行时，获取实时姿态数据和实时环境数据，在状态空间中确定对应的实时坐标点，基于和值最小的实时坐标点对应的实时操作指令数据，控制塔机的运行；本发明专利技术通过实时姿态数据和实时环境数据的感知和分析，采用Q

【技术实现步骤摘要】
基于边缘计算的无人驾驶塔机自主决策系统


[0001]本专利技术属于塔机控制
，具体涉及基于边缘计算的无人驾驶塔机自主决策系统。

技术介绍

[0002]近年来，无人驾驶技术的发展和应用已经引起了广泛的关注和研究。无人驾驶技术在许多领域具有巨大的潜力，其中之一是无人驾驶塔机的应用。无人驾驶塔机可以用于建筑工地、港口码头等需要大型起重设备的场所，它可以提高工作效率、减少人为操作的风险，并为建设和运输领域带来巨大的变化。
[0003]然而，目前的无人驾驶塔机系统仍然存在一些问题和挑战。首先，传统的无人驾驶塔机系统通常是基于集中式控制的，所有决策和控制都由中央服务器或控制中心处理。这种集中式控制方式存在着延迟和单点故障的风险，当服务器或中心出现问题时，整个系统的运行将受到影响。此外，传统系统的决策和控制模型通常基于静态和预设的规则，缺乏对实时姿态数据和实时环境数据的准确感知和响应能力。
[0004]另一个问题是，现有的无人驾驶塔机系统缺乏自主决策和智能化的能力。它们通常依赖于预先编程的轨迹或指令集，无法根据实时姿态数据和实时环境数据做出灵活和智能的决策。这限制了系统对复杂环境和突发情况的适应能力，降低了系统的运行效率和安全性。
[0005]此外，现有的无人驾驶塔机系统在故障检测和故障预测方面仍有一定的局限性。它们通常只能通过简单的故障代码或传感器信号来检测故障，缺乏对历史故障数据的综合分析和利用。这导致了对故障的判断和诊断的不准确性和有限性，难以实现对故障的预测和主动修复。

技术实现思路
<br/>[0006]本专利技术的主要目的在于提供基于边缘计算的无人驾驶塔机自主决策系统，通过实时姿态数据和实时环境数据的感知和分析，采用Q
‑
Learning边缘决策模型和故障预测技术，实现智能化的决策和控制，提高塔机运行效率、安全性和维护成本效益。
[0007]为了解决上述问题，本专利技术的技术方案是这样实现的：基于边缘计算的无人驾驶塔机自主决策系统，所述系统包括：历史数据分析单元，配置用于采集塔机的历史故障数据，所述历史故障数据为历史故障数据元组组成的数据集合；每个历史故障数据元组包括：塔机在历史每次发生故障时的操作指令数据、姿态数据和环境数据；故障空间构建单元，配置用于将历史故障数据元组视为一个三维空间中的一个坐标点，映射到三维空间中，将三维空间中所有的坐标点点连接起来，组成故障空间；塔机自主决策单元，配置用于在塔机运行时，获取实时姿态数据和实时环境数据，作为输入，利用预设的Q
‑
Learning边缘决策模型，找到函数的值最低时，
对应的可能的实时操作指令数据，针对每个实时操作指令数据，在状态空间中确定对应的实时坐标点，计算每个实时坐标点距离故障空间中其他坐标点的距离的和值，基于和值最小的实时坐标点对应的实时操作指令数据，控制塔机的运行。
[0008]进一步的，所述操作指令数据和实时操作指令数据均为数值，该数值对应一个操作指令；所述操作指令的种类包括启动、停止、上升、上升停止、下降、下降停止、旋转、旋转停止、移动、移动停止、大臂伸展、大臂折叠、小臂伸展、小臂折叠、勾绳延展和勾绳折叠；不同种类的操作指令对应一个不同的操作指令数据。
[0009]进一步的，所述姿态数据和实时姿态数据均为一个三元复合数值，该三元复合数值表征了塔机的姿态，所述三元复合数值的表现形式为：；其中，为塔机与竖直方向的夹角；为塔机与水平面X轴方向的夹角；为塔机与水平面Y轴方向的夹角。
[0010]进一步的，所述环境数据和实时环境数据均为一个四元复合数值，该四元符合数值表征了塔机所处环境的环境状况，所述四元复合数值的表现形式为：；其中，为风强、为风速，为温度、为湿度。
[0011]进一步的，所述塔机自主决策单元包括：传感器组、数据预处理单元、数据实时分析单元和控制单元；所述传感器用于获取实时姿态数据和实时环境数据；所述数据预处理单元用于对实时姿态数据和实时环境数据进行数据预处理，以去除实时姿态数据和实时环境数据的噪声，得到预处理姿态数据和预处理环境数据；所述数据实时分析单元，配置用于将预处理姿态数据和预处理环境数据，作为输入，利用预设的Q
‑
Learning边缘决策模型，找到Q函数的值最低时，对应的可能的实时操作指令数据，针对每个实时操作指令数据，在状态空间中确定对应的实时坐标点，计算每个实时坐标点距离故障空间中其他坐标点的距离的和值，将和值最小的实时坐标点对应的实时操作指令数据筛选出来；所述控制单元用于基于和值最小的实时坐标点对应的实时操作指令数据，控制塔机的运行。
[0012]进一步的，所述数据实时分析单将预处理姿态数据和预处理环境数据，作为输入，利用预设的Q
‑
Learning边缘决策模型，找到Q函数的值最低时，对应的可能的实时操作指令数据的方法包括：使用Q
‑
Learning的更新公式来训练预设的Q
‑
Learning边缘决策模型；使用训练后的预设的Q
‑
Learning边缘决策模型来在实时姿态数据和实时环境数据下选择最优的实时操作指令数据。
[0013]进一步的，所述使用Q
‑
Learning的更新公式来训练预设的Q
‑
Learning边缘决策模型的方法包括：在每一步，使用以下更新公式更新状态动作值函数：；所述更新公式表示实时姿态数据、实时环境数据和实时操作指令数据的价值函数将基于当前的奖励以及末来可能获得的最大奖励进行更新；表示在实时姿态数据和实时环境数据下选择实时操作指令数据的预期奖励；是在实时姿态数据和实时环境数据下选择实时操作指令数
据立即获得的奖励；是在下一个姿态数据和下一个环境数据下选择任意实时操作指令数据可获得的最大预期奖励；是学习率，控制在每一步对值进行更新的程度；是折扣因子，控制对末来奖励的重视程度。
[0014]进一步的，所述奖励使用如下公式计算得到：；其中，是执行实时操作指令数据所需要的时间；是执行动作时可能发生的事故数量；和均为设定的不同的权重值。
[0015]进一步的，所述使用训练后的预设的Q
‑
Learning边缘决策模型来在实时姿态数据和实时环境数据下选择最优的实时操作指令数据使用价值计算模型来计算实时姿态数据的最优价值和实时环境数据的价值；所述价值计算模型使用如下公式进行表示：；其中，是实时姿态数据和实时环境数据下的最优价值，即在该实时姿态数据和实时环境数据下执行最优策略可以获得的最大期望奖励；是在实时姿态数据和实时环境数据下执行实时操作指令数据后转移到实时姿态数据和实时环境数据的概率。
[0016]进一步的，所述控制单元选择将能使实时姿态数据和实时环境数据下的最优价值最大化对应的实时操作指令数据来控制塔机的运行。
[0017]本专利技术的基于边缘计算的无人驾驶塔机自主决策系统，具有以下有益效果：提高塔机运行效率：本专利技术采用基于边缘计算的无人驾驶塔机自主决策系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于边缘计算的无人驾驶塔机自主决策系统，其特征在于，所述系统包括：历史数据分析单元，配置用于采集塔机的历史故障数据，所述历史故障数据为历史故障数据元组组成的数据集合；每个历史故障数据元组 包括：塔机在历史每次发生故障时的操作指令数据、姿态数据和环境数据；故障空间构建单元，配置用于将历史故障数据元组视为一个三维空间中的一个坐标点，映射到三维空间中，将三维空间中所有的坐标点点连接起来，组成故障空间；塔机自主决策单元，配置用于在塔机运行时，获取实时姿态数据和实时环境数据，作为输入，利用预设的Q
‑
Learning边缘决策模型，找到函数的值最低时，对应的可能的实时操作指令数据，针对每个实时操作指令数据，在状态空间中确定对应的实时坐标点，计算每个实时坐标点距离故障空间中其他坐标点的距离的和值，基于和值最小的实时坐标点对应的实时操作指令数据，控制塔机的运行。2.如权利要求1所述的基于边缘计算的无人驾驶塔机自主决策系统，其特征在于，所述操作指令数据和实时操作指令数据均为数值，该数值对应一个操作指令；所述操作指令的种类包括启动、停止、上升、上升停止、下降、下降停止、旋转、旋转停止、移动、移动停止、大臂伸展、大臂折叠、小臂伸展、小臂折叠、勾绳延展和勾绳折叠；不同种类的操作指令对应一个不同的操作指令数据。3.如权利要求2所述的基于边缘计算的无人驾驶塔机自主决策系统，其特征在于，所述姿态数据和实时姿态数据均为一个三元复合数值，该三元复合数值表征了塔机的姿态，所述三元复合数值的表现形式为：；其中，为塔机与竖直方向的夹角；为塔机与水平面X轴方向的夹角；为塔机与水平面Y轴方向的夹角。4.如权利要求3所述的基于边缘计算的无人驾驶塔机自主决策系统，其特征在于，所述环境数据和实时环境数据均为一个四元复合数值，该四元复合数值表征了塔机所处环境的环境状况，所述四元复合数值的表现形式为：；其中，为风强、为风速，为温度、为湿度。5.如权利要求4所述的基于边缘计算的无人驾驶塔机自主决策系统，其特征在于，所述塔机自主决策单元包括：传感器组、数据预处理单元、数据实时分析单元和控制单元；所述传感器用于获取实时姿态数据和实时环境数据；所述数据预处理单元用于对实时姿态数据和实时环境数据进行数据预处理，以去除实时姿态数据和实时环境数据的噪声，得到预处理姿态数据和预处理环境数据；所述数据实时分析单元，配置用于将预处理姿态数据和预处理环境数据，作为输入，利用预设的Q
‑
Learning边缘决策模型，找到Q函数的值最低时，对应的可能的实时操作指令数据，针对每个实时操作指令数据，在状态空间中确定对应的实时坐标点，计算每个实时坐标点距离故障空间中其他坐标点的距离的和值，将和值最...

【专利技术属性】
技术研发人员：明长伟，李洪鹏，张正嵩，孙兆帅，张凯凯，赵龙辉，吴元章，孟宪念，武鹏，王琰，
申请(专利权)人：山东中建众力设备租赁有限公司，
类型：发明
国别省市：