CN114955876A - 一种自动堆叠方法、装置及系统 - Google Patents

Abstract

本发明涉及集装箱堆叠领域，应用于轨道式集装箱起重机，提供一种自动堆叠方法、装置及系统，包括大车、小车架、吊具、控制器。通过3D激光扫描器得到目标检测信息，所述控制器对目标检测信息进行处理得到小车架目标检测位移量和吊具目标检测位移量。通过倾角传感器得到补偿检测信息，所述补偿检测信息包括补偿小车架倾角和补偿吊具倾角，所述控制器对目标检测信息和补偿检测信息进行处理得到小车架补偿位移量和吊具补偿位移量。根据小车架目标检测位移量和小车架补偿位移量求和得到小车架实际位移量，根据吊具目标检测位移量和吊具补偿位移量求和得到吊具实际位移量，自动执行小车架实际位移量和吊具实际位移量。

Description

一种自动堆叠方法、装置及系统

技术领域

本发明涉及集装箱堆叠领域，更具体地，应用于轨道式集装箱起重机，涉及一种自动堆叠方法、装置及系统。

背景技术

随着起重机作业时间的增加和堆场使用时间的增加，设备作业环境急剧变化，堆场的集装箱自动堆叠系统精准性将会逐渐降低，实际运用效果与期待值出现巨大的差异性，会频繁出现自动码箱不齐的情况。主要原因是小车轨道倾角的变化、大车两侧轨道高度差变化，使得起重机小车架产生倾斜，小车架激光在进行扫描时产生误差；堆场沉降后，堆场内集装箱倾角变化，使得堆场集装箱自动堆叠时产生误差；吊具倾角变化，引起吊具抓着的集装箱倾角变化，使得堆场集装箱自动堆叠时产生误差。

发明内容

本发明旨在克服上述现有技术的至少一种缺陷，提供一种自动堆叠方法、装置及系统，用于解决集装箱自动堆叠不整齐的问题。

本发明采用如下技术方案：

第一方面，提供了一种自动堆叠方法，应用于集装箱起重机，包括大车、小车架、吊具、控制器，其特征在于，方法包括：

通过3D激光扫描器得到目标检测信息，所述目标检测信息包括目标集装箱高度、吊具上集装箱高度、目标检测吊具倾角；所述控制器对目标检测信息进行处理得到小车架目标检测位移量和吊具目标检测位移量；

通过倾角传感器得到补偿检测信息，所述补偿检测信息包括补偿小车架倾角和补偿吊具倾角，所述控制器对目标检测信息和补偿检测信息进行处理得到小车架补偿位移量和吊具补偿位移量；

根据小车架目标检测位移量和小车架补偿位移量求和得到小车架实际位移量，根据吊具目标检测位移量和吊具补偿位移量求和得到吊具实际位移量；

自动执行小车架实际位移量和吊具实际位移量。

进一步，所述小车架补偿位移量基于所述目标集装箱高度、吊具上集装箱高度、补偿小车架倾角，通过所述控制器运算得到，所述补偿小车架倾角包括前倾角和后倾角；

所述吊具补偿位移量通过校验所述补偿吊具倾角和目标检测吊具倾角，所述校验得到的差异值为吊具补偿位移量，所述补偿吊具倾角和目标检测吊具倾角包括前倾角、后倾角、左倾角、右倾角。

进一步，所述方法还包括稳定采集时间确定，所述稳定采集时间通过至少二次不同时间的采集，根据连续两次采集信息的波动比例得到稳定采集时间，所述稳定采集时间的对象包括目标集装箱高度、吊具上集装箱高度、目标检测吊具倾角、补偿小车架倾角和补偿吊具倾角中至少一种，所述小车架实际位移量和吊具实际位移量均基于同一个稳定采集时间。在堆叠集装箱过程中，集装箱起重机抓起集装箱后，将集装箱移动至准确位置，产生的惯性会造成集装箱出现一定的晃动，对自动堆叠测量产生误差，通过对稳定采集时间的对象在连续测量的波动比例来判断集装箱静态程度。

进一步，所述波动比例为小于-5％到5％。

进一步，所述方法还包括监测告警方法，所述方法包括：

设置小车架正常倾角范围，设置吊具正常倾角范围；

获取稳定采集时间补偿小车架倾角和补偿吊具倾角；

判断所述稳定采集时间补偿小车架倾角是否满足小车架正常倾角范围，判断所述稳定采集时间补偿吊具倾角是否满足吊具正常倾角范围；

提示及记录不满足正常倾角范围的补偿小车架倾角和补偿吊具倾角，并切断机器自动运行命令。

进一步，所述小车架正常倾角范围为-0.8至0.8度；

所述吊具正常倾角范围为-0.8至0.8度。

进一步，所述方法中小车架补偿位移量通过补偿位移机器学习模型得到，包括：

输入小车架特征，所述小车架特征包括目标集装箱高度、吊具上集装箱高度、补偿小车架倾角；

补偿位移机器学习模型处理小车架特征，所述补偿位移机器学习模型通过提取自动堆叠历史数据而建立，历史数据包括堆叠效果标签、小车架倾角、大车位置、小车架位置、起升高度、吊具推杆电机编码器数值、及目标检测信息中目标集装箱高度、吊具上集装箱高度、目标检测吊具倾角；

输出小车架补偿位移量预测值。

进一步，所述补偿位移机器学习模型决策函数为Y，Y＝sin(x3)*(x2-x1)；

其中x1为目标集装箱高度，x2为吊具上集装箱高度，x3为补偿小车架倾角，Y的范围为-25cm至25cm。

第二方面，本发明提供一种自动堆叠装置，所述装置包括大车、小车架、吊具、3D激光扫描器、倾角传感器、执行机构、控制器；

所述3D激光扫描器安装在小车架所在平台下方，所述3D激光扫描器与控制器连接，所述控制器对3D激光扫描器进行处理；

所述倾角传感器分别安装在小车架上及吊具上，所述倾角传感器与控制器采用高品质屏蔽线缆连接，所述控制器对倾角传感器进行处理；

所述执行机构包括小车架机构单元和吊具上架微动单元，用于执行小车架实际位移量和吊具实际位移量，所述执行机构与控制器连接，接收控制器指令；

所述控制器为可编程逻辑控制器，用于对所述3D激光扫描器和倾角传感器采集的数据进行分析和处理。

第三方面，本发明提供一种自动堆叠系统，所述系统包括数据感知层、数据处理层、核心控制层、机构执行层；

所述数据感知层包括3D激光扫描器、倾角传感器，所述3D激光扫描器实时采集小车架和吊具的目标检测信息，所述倾角传感器实时采集小车架和吊具的倾角信息；

所述数据处理层包括目标检测单元和自动堆叠机器学习模型单元，所述目标检测单元用于处理3D激光扫描器采集的信息；所述自动堆叠机器学习模型单元包括数据库、特征提取、机器学习模型，用于建立自动堆叠机器学习模型；

所述核心控制层包括可编程逻辑控制器，用于处理所述数据处理层信息；

所述机构执行层包括小车架机构单元和吊具上架微动单元，所述执行包括小车架机构单元通过前后移动小车架、所述吊具上架微动单元通过左右旋转吊具。

与现有技术相比，本发明的有益效果为：

1、针对轨道式集装箱门式起重机小车轨道倾角的变化、大车两侧轨道高度差变化、吊具倾角的变化造成的堆场集装箱自动堆叠时频繁码箱不齐的问题，构建了一套完整的误差补偿装置和方法。利用倾角传感器采集小车架和吊具倾角信息，在可编程逻辑控制器的算法程序中运算出补偿参数，再由电控系统控制吊具旋转和小车移动，完成控制补偿，实现港口轨道式集装箱门式全自动起重机的稳定运行和安全生产。

2、通过倾角传感器实时检测起重机小车架倾角和吊具倾角，获取小车架和吊具姿态信息，可编程逻辑控制器的算法程序中逻辑判断，在吊具或小车架过于倾斜时异常工况报警，停止设备运行，提高设备运行安全性。

3、通过数据库来组织、存储和管理起重机运行状态数据，统一管理更多、更大的数据，拥有更为高效的数据查询功能。在轨道式集装箱门式起重机自动堆叠过程中，会产生大量的数据，需要更精准的提取数据、更好的组织数据、更方便的维护数据、更严密的控制数据和更有效的利用数据。利用数据库管理系统，大批量的存储和管理起重机运行数据，可以更好的存储和管理起重机自动堆叠时的运行状态数据。

附图说明

图1为本发明中一种自动堆叠方法示意图；

图2为本发明中监测告警方法示意图；

图3为本发明中样本数据示意图；

图4为本发明中一种自动堆叠装置结构图；

图5为本发明中一种自动堆叠系统示意图；

本发明附图标记为：1：大车，2：小车架，3：吊具，4：3D激光扫描器，5：倾角传感器，6：小车架机构单元，7：吊具上架微动单元，8：控制器，9：集装箱。

具体实施方式

本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

在一些实施例中，如图1提供了一种自动堆叠方法，应用于轨道式集装箱起重机，包括大车1、小车架2、吊具3、控制器8，方法包括大车1进入工作箱区，吊具3抓起集装箱9；

通过3D激光扫描器4得到目标检测信息，所述目标检测信息包括目标集装箱高度、吊具上集装箱高度、目标检测吊具倾角；所述控制器8对目标检测信息进行处理得到小车架2目标检测位移量和吊具3目标检测位移量，其中控制器8为可编程逻辑控制器(简称PLC)。

目标检测系统(Target Detection System，简称TDS)在堆场中进行自动放箱任务时，利用3D激光技术，配合转动马达，对吊具3抓着的集装箱9和吊具3两侧下方的堆场环境进行精确扫描，达到目标定位的目的，从而协同控制起重机机构动作，实现堆场的集装箱9自动对箱。3D激光扫描器4安装在起重机小车架2平台下方，安装环境并不是一成不变的，随着起重机作业时间的增加和堆场使用时间的增加，设备作业环境将会急剧变化，小车轨道倾角的变化、堆场沉降、大车1两侧轨道高度差变化都会引起目标检测系统建立的坐标失真，目标检测定位不准确，使得堆场集装箱9自动堆叠精准性降低，频繁出现自动码箱不齐的情况。

因此，需要消除、降低设备作业环境急剧变化对堆场集装箱9自动堆叠系统的影响，在目标检测系统的基础上进行作业环境导致的自动堆叠误差补偿，辅助目标检测系统自动对箱，提高轨道式集装箱9门式起重机自动堆叠精准性，提供了本发明中一种自动堆叠方法，在目标检测系统的基础上增加了补偿位移量，再者相互校验和互补。安装在小车架2的倾角传感器5和吊具3上的倾角传感器5，实时采集小车架2的倾角和吊具3的倾角，通过现场总线通讯技术，传输到控制器8利用算法程序对数据进行处理。

控制器8根据倾角传感器5的角度数据运算出小车需要补偿位移量、吊具3需要补偿位移量，而目标检测系统运算出小车需要位移量、吊具3需要位移量，结合补偿后，得出小车实际需要位移量和吊具3实际需要位移量，再通过控制器8，控制小车移动的距离和吊具3移动的距离，实现更精准的自动对箱功能。

根据小车架2目标检测位移量和小车架补偿位移量求和得到小车架2实际位移量，根据吊具3目标检测位移量和吊具补偿位移量求和得到吊具3实际位移量。在自动堆叠时，目标检测系统会将小车需要位移量A与吊具3需要位移量B输出到控制器8。而控制器8会根据倾角传感器5的测算角度数据，运算出小车架机构单元6需要补偿位移量C与吊具上架微动单元7需要补偿位移量D。最后得出小车实际需要位移量(A+C)与吊具3实际需要位移量(B+D)，再经过电控系统，控制吊具3旋转和小车移动。

通过倾角传感器5得到补偿检测信息，所述补偿检测信息包括补偿小车架倾角和补偿吊具倾角，所述控制器8对目标检测信息和补偿检测信息进行处理得到小车架补偿位移量和吊具补偿位移量。自动执行小车架2实际位移量和吊具3实际位移量。

小车架机构单元6和吊具上架微动单元7根据位移补偿数据结果，通过过程控制、协同驱动小车架机构单元6和吊具上架微动单元7到达目标位置。

利用两个倾角传感器5，实时检测小车架2倾角和吊具3倾角，再将数据通过现场总线通讯技术传输到控制器8，在控制器8程序内运算得出补偿参数，控制吊具3左右旋转，小车前后移动，来达到自动堆叠误差补偿，提高轨道式集装箱门式起重机自动堆叠精准性的目的，有效提高了全自动装卸箱的安全性、高效性、可靠性。

所述小车架补偿位移量基于所述目标集装箱高度、吊具上集装箱高度、补偿小车架倾角，通过所述控制器8运算得到，所述补偿小车架倾角包括前倾角和后倾角；所述吊具补偿位移量通过校验所述补偿吊具倾角和目标检测吊具倾角，所述校验得到的差异值为吊具补偿位移量，所述补偿吊具倾角和目标检测吊具倾角包括前倾角、后倾角、左倾角、右倾角。

控制器8根据小车架2倾角传感器5的角度数据运算出小车需要补偿位移量过程：通过目标检测系统扫描的目标集装箱高度、吊具上集装箱高度、小车架2倾角传感器5的前后倾数据，运算出小车目标位的补偿值。

控制器8根据吊具3倾角传感器5的角度数据运算出补偿值过程：通过吊具3倾角传感器5的前后倾数据，数学运算出吊具3倾角的补偿值，再通过以太网传输到目标检测系统，参与目标检测的数据校验和定位计算。在目标检测系统中，倾角传感器5检测的吊具3的前后倾、左右倾角度与目标检测扫描的吊具3的前后倾、左右倾角度进行双重校验，提高吊具3倾角数据的准确性。

所述方法还包括稳定采集时间确定，所述稳定采集时间通过至少二次不同时间的采集，根据连续两次采集信息的波动比例得到稳定采集时间，所述稳定采集时间的对象包括目标集装箱高度、吊具上集装箱高度、目标检测吊具倾角、补偿小车架倾角和补偿吊具倾角中至少一种，所述小车架2实际位移量和吊具3实际位移量均基于同一个稳定采集时间。

在堆叠集装箱9过程中，集装箱9起重机抓起集装箱9后，将集装箱9移动至准确位置，产生的惯性会造成集装箱9出现一定的晃动，如果在集装箱9非静态时进行采样，对自动堆叠测量会产生误差，从而影响整体堆叠的效果，通过对稳定采集时间的对象在连续测量的波动比例来判断集装箱9静态程度。波动比例设置为-5％到5％，表明对稳定采集时间的对象连续2次的波动比例较小，可视为静态。其中波动比例为后一次测量与前一次测量的差值，同前一次测量的比值。稳定采集时间的对象可以是一种，也可以是多种组合。

在一些实施例中，如图2中提供了一种监测告警方法，所述方法包括：

设置小车架2正常倾角范围，设置吊具3正常倾角范围；

获取稳定采集时间补偿小车架倾角和补偿吊具倾角；

判断所述稳定采集时间补偿小车架倾角是否满足小车架2正常倾角范围，判断所述稳定采集时间补偿吊具倾角是否满足吊具3正常倾角范围；

提示及记录不满足正常倾角范围的补偿小车架倾角和补偿吊具倾角，并切断机器自动运行命令。

首先记录正常状态下小车架2和吊具3的倾角，然后在作业过程中，实时监测小车架2和吊具3的姿态数据，与正常数据比较。在数据与正常值偏离过大时，异常状态安全报警，停止设备动作，保证自动设备作业安全。

控制器8根据小车架2倾角传感器5和吊具3倾角传感器5的角度数据运算出吊具3相对于小车架2的倾角，实现吊具3倾角过大的报警的过程。

本发明在吊具3或小车架2过于倾斜时异常工况时会报警，提高设备运行安全性。实时检测起重机小车架2倾角和吊具3倾角，获取小车架2和吊具3姿态信息，在自动控制的过程中异常状态报警。提升了轨道式集装箱门式起重机全自动装卸箱的安全性。

在一些实施例中，小车架2正常倾角范围为-0.8至0.8度，吊具3正常倾角范围为-0.8至0.8度。

在一些实施例中，提供了一种通过补偿位移机器学习模型得到小车架补偿位移量的方法，包括：

输入小车架2特征，所述小车架2特征包括目标集装箱高度、吊具上集装箱高度、补偿小车架倾角；

补偿位移机器学习模型处理小车架2特征，所述补偿位移机器学习模型通过提取自动堆叠历史数据而建立，历史数据包括堆叠效果标签、小车架2倾角、大车1位置、小车架2位置、起升高度、吊具推杆电机编码器数值、及目标检测信息中目标集装箱高度、吊具上集装箱高度、目标检测吊具倾角；

输出小车架补偿位移量预测值。

通过大量的现场试验数据发现，起重机通过目标检测系统在堆场集装箱9自动码箱的整齐程度和小车架2倾角和吊具3倾角存在相关关系。通过不断采集自动控制过程设备的状态信息，确定设备的当前实际工作状态，优化自动控制流程，产生自适应控制规律，从而实时地调整自动控制参数，使堆场集装箱9自动堆叠系统始终保持最优的运行状态，修正自动控制过程吊具3的旋转量与小车的移动量，以适应安装环境的变化。

自动堆叠历史数据库在每次成功自动堆叠码箱后，从控制器8获取倾角传感器5角度、大车1位置、小车位置、起升高度、吊具推杆电机编码器数值、目标检测系统数据等设备状态信息，并存储下来。同时将数据发送到数据平台，进行特征提取，并建立成功自动堆叠机器学习模型。根据数据库内大量成功自动码箱时的设备状态信息，确定起重机自动码箱的整齐程度与小车架2倾角、吊具3倾角的相关关系，再进行控制器8的算法程序，通过倾角传感器5角度数值运算出补偿数据，方便后续的数据分析和算法优化。

在每次成功自动堆叠集装箱9后，自动堆叠历史数据库从控制器8获取倾角传感器5角度、大车1位置、小车位置、起升高度、吊具推杆电机编码器数值、目标检测系统数据等设备状态信息，并存储下来。同时将数据发送到数据平台，进行特征提取，并建立成功自动堆叠机器学习模型。理论上来说，同一个集装箱9在同一个位置重复自动码箱时，自动控制过程吊具3的旋转量与小车的移动量是相近的。所以，数据平台把自动码箱成功时，起升位置、小车位置、倾角传感器5数据、吊具3重量等设备状态数据相近的模型，作为相同特征模型。在执行新的自动码箱任务时，数据库再次从控制器8采集设备状态信息，发送到数据平台，与相同特征的成功自动码箱模型进行比对，数据分析，剖析自动堆叠的参数特征差异。

根据数据库内大量成功自动码箱时的设备状态信息，确定起重机自动码箱的整齐程度与小车架2倾角、吊具3倾角的相关关系，再通过控制器8的算法程序设计，对倾角传感器5数值推算出位移补偿量。

机器学习模型，其作用是实现从样本x到样本Y的映射,即f(x)→Y。在该自动堆叠机器学习模型中，自变量包含目标检测扫描的目标集装箱高度x1、吊具上集装箱高度x2、小车架2倾角传感器5的前后倾数据x3，因变量是小车目标位的补偿值Y,即Y＝f(x1,x2,x3)。

自动堆叠机器学习模型在得知多个成功自动堆叠的样本里的x1、x2、x3，以及其对应小车目标位的补偿值Y的情况下，用假设已知的函数形式Y＝f(x1,x2,x3),尽可能拟合客观存在的映射函数，并且保证在未知样本上具有尽可能相近的拟合能力。自动堆叠机器学习模型的建立过程实际上就是通过已知的成功自动堆叠样本通过学习策略，优化算法去学习由输入到输出的映射。推算出已知数据(目标检测扫描的目标集装箱高度、吊具上集装箱高度、小车架2倾角传感器5的前后倾数据)与未知数据(小车目标位的补偿值)的对应关系。

通过学习对“成功自动堆叠”特征的经验，在得知未知样板的x1、x2、x3后，推算出对应小车目标位的补偿值Y。

成功自动堆叠数据是自动堆叠机器学习系统的基础原料，各次成功自动堆叠样本的数据集，如图3中样本数据示意图为数据库记录的部分成功自动堆叠样本数据集，包括特征和结果，其中特征有TDS扫描的目标集装箱高度x1，吊具上集装箱高度x2，小车架2角传感器的前后倾数据x3，得到结果是小车目标位的补偿值Y。

学习到“好”的模型是机器学习的直接目的，自动堆叠机器学习模型就是学习数据特征内部规律的一个函数，机器学习模型首先选择某个的模型方法，再从数据样本(x1、x2、x3)中学习，优化模型参数w以调整各特征的有效表达，最终获得对应的决策函数f(x1,x2,x3；w)。该函数将输入变量x1、x2、x3在参数w作用下映射到输出预测Y，即Y＝

f(x1,x2,x3；w)，该装置目前获得对应的决策函数为Y＝sin(x3)*(x2-x1),Y∈[-25,25]。

自动堆叠机器学习模型的学习目标是预测值与实际值之间的误差尽可能的低，即小车目标位的预测补偿值能使自动堆叠效果更加良好，能使自动堆叠后的集装箱9更加整齐叠放。

在一些实施例中，如图4提供了一种自动堆叠装置，装置包括大车1、小车架2、吊具3、3D激光扫描器4、倾角传感器5、小车架机构单元6、吊具上架微动单元7、控制器8；所述3D激光扫描器4安装在小车架2所在平台下方，所述3D激光扫描器4与控制器8连接，所述控制器8对3D激光扫描器4进行处理；

所述倾角传感器5分别安装在小车架2上及吊具3上，所述倾角传感器5与控制器8采用高品质屏蔽线缆连接，所述控制器8对倾角传感器5进行处理；

本装置共有两个倾角传感器5，安装处钢板表面平整，震动小，牢固可靠，且采用高品质屏蔽线缆将传感器连接到控制器8，对倾角传感器5进行实时采集、分析、处理以及计算等。

采用坚固设计的倾角传感器5，在苛刻的应用环境中可靠进行倾角监控，精确完成倾角测量。采用高品质Profibus-DP电缆，铝箔、裸金属丝编织双层屏蔽，尤其适用于安装在易受电磁干扰的工业环境中，通过总线终端的接地触点的外包层，可实现接地的连续性，具有更可靠的抗干扰功能。

所述执行机构包括小车架2上的小车架机构单元6和吊具3上的吊具上架微动单元7，用于执行小车架2实际位移量和吊具3实际位移量，所述执行机构与控制器8连接，接收控制器8指令；

所述控制器8用于对所述3D激光扫描器4和倾角传感器5采集的数据进行分析和处理。

在一些实施例中，如图5提供了一种自动堆叠系统，系统包括数据感知层、数据处理层、核心控制层、机构执行层；

所述数据感知层包括3D激光扫描器4、倾角传感器5，所述3D激光扫描器4实时采集小车架2和吊具3的目标检测信息，所述倾角传感器5实时采集小车架2和吊具3的倾角信息；所述数据处理层包括目标检测单元和自动堆叠机器学习模型单元，所述目标检测单元用于处理3D激光扫描器4采集的信息；所述自动堆叠机器学习模型单元包括数据库、特征提取、机器学习模型，用于建立自动堆叠机器学习模型；

利用数据库管理系统，大批量的存储和管理起重机运行状态数据，可以更好的存储和管理起重机自动堆叠时的运行状态数据，拥有更为高效的数据查询功能。有利于设备运行状态的数据分析、数据追踪、历史故障排查、历史故障记录、建立自动堆叠模型以及数据的统一管理。

使用数据库管理系统，高效、有组织地存储、分析和管理自动堆叠的关键状态数据，数据中心对实时采样数据进行预处理，提取有效的特征数据，把成功自动堆叠的特征数据存储到自动堆叠历史数据库，建立自动堆叠机器学习模型，再用自动堆叠历史数据库训练自动堆叠机器学习模型，推算出准确的补偿数据差异规律。

所述核心控制层包括控制器8，用于处理所述数据处理层信息。

利用两个倾角传感器5，实时检测小车架2倾角和吊具3倾角，再将数据通过现场总线通讯技术传输到核心控制层控制器8，在控制器8程序算法对角度数据进行实时分析、处理和计算，在自动对箱时，修正自动控制过程中吊具3的旋转量和小车的位移，来达到自动堆叠误差补偿，适应安装环境的变化，提高轨道式集装箱门式起重机自动堆叠精准性。

所述机构执行层包括小车架2上的小车架机构单元6和吊具上架微动单元7，所述执行包括执行小车架机构单元6使小车架2前后移动，执行吊具3上吊具上架微动单元7使吊具3左右旋转。

显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种自动堆叠方法，应用于轨道式集装箱起重机，包括大车、小车架、吊具、控制器，其特征在于，方法包括：

通过3D激光扫描器得到目标检测信息，所述目标检测信息包括目标集装箱高度、吊具上集装箱高度、目标检测吊具倾角；所述控制器对目标检测信息进行处理得到小车架目标检测位移量和吊具目标检测位移量；

通过倾角传感器得到补偿检测信息，所述补偿检测信息包括补偿小车架倾角和补偿吊具倾角，所述控制器对目标检测信息和补偿检测信息进行处理得到小车架补偿位移量和吊具补偿位移量；

根据小车架目标检测位移量和小车架补偿位移量求和得到小车架实际位移量，根据吊具目标检测位移量和吊具补偿位移量求和得到吊具实际位移量；

自动执行小车架实际位移量和吊具实际位移量。

2.根据权利要求1所述的一种自动堆叠方法，其特征在于，所述补偿位移量具体包括：

所述小车架补偿位移量基于所述目标集装箱高度、吊具上集装箱高度、补偿小车架倾角，通过所述控制器运算得到，所述补偿小车架倾角包括前倾角和后倾角；

所述吊具补偿位移量通过校验所述补偿吊具倾角和目标检测吊具倾角，所述校验得到的差异值为吊具补偿位移量，所述补偿吊具倾角和目标检测吊具倾角包括前倾角、后倾角、左倾角、右倾角。

3.根据权利要求1所述的一种自动堆叠方法，其特征在于，所述方法还包括稳定采集时间确定，所述稳定采集时间通过至少二次不同时间的采集，根据连续两次采集信息的波动比例得到稳定采集时间，所述稳定采集时间的对象包括目标集装箱高度、吊具上集装箱高度、目标检测吊具倾角、补偿小车架倾角和补偿吊具倾角中至少一种，所述小车架实际位移量和吊具实际位移量均基于同一个稳定采集时间。

4.根据权利要求3所述的一种自动堆叠方法，其特征在于，所述波动比例为小于-5％到5％。

5.根据权利要求3所述的一种自动堆叠方法，其特征在于，所述方法还包括监测告警方法，所述方法包括：

设置小车架正常倾角范围，设置吊具正常倾角范围；

获取稳定采集时间补偿小车架倾角和补偿吊具倾角；

判断所述稳定采集时间补偿小车架倾角是否满足小车架正常倾角范围，判断所述稳定采集时间补偿吊具倾角是否满足吊具正常倾角范围；

提示及记录不满足正常倾角范围的补偿小车架倾角和补偿吊具倾角，并切断机器自动运行命令。

6.根据权利要求5所述的一种自动堆叠方法，其特征在于，所述小车架正常倾角范围为-0.8至0.8度；

所述吊具正常倾角范围为-0.8至0.8度。

7.根据权利要求2所述的一种自动堆叠方法，其特征在于，所述方法中小车架补偿位移量通过补偿位移机器学习模型得到，包括：

输入小车架特征，所述小车架特征包括目标集装箱高度、吊具上集装箱高度、补偿小车架倾角；

补偿位移机器学习模型处理小车架特征，所述补偿位移机器学习模型通过提取自动堆叠历史数据而建立，历史数据包括堆叠效果标签、小车架倾角、大车位置、小车架位置、起升高度、吊具推杆电机编码器数值、及目标检测信息中目标集装箱高度、吊具上集装箱高度、目标检测吊具倾角；

输出小车架补偿位移量预测值。

8.根据权利要求7所述的一种自动堆叠方法，其特征在于，所述补偿位移机器学习模型决策函数为Y，Y＝sin(x3)*(x2-x1)；

其中x1为目标集装箱高度，x2为吊具上集装箱高度，x3为补偿小车架倾角，Y的范围为-25cm至25cm。

9.一种自动堆叠装置，其特征在于，所述装置包括大车、小车架、吊具、3D激光扫描器、倾角传感器、执行机构、控制器；

所述3D激光扫描器安装在小车架所在平台下方，所述3D激光扫描器与控制器连接，所述控制器对3D激光扫描器进行处理；

所述倾角传感器分别安装在小车架上及吊具上，所述倾角传感器与控制器采用高品质屏蔽线缆连接，所述控制器对倾角传感器进行处理；

所述执行机构包括小车架机构单元和吊具上架微动单元，用于执行小车架实际位移量和吊具实际位移量，所述执行机构与控制器连接，接收控制器指令；

所述控制器为可编程逻辑控制器，用于对所述3D激光扫描器和倾角传感器采集的数据进行分析和处理。

10.一种自动堆叠系统，其特征在于，所述系统包括数据感知层、数据处理层、核心控制层、机构执行层；

所述数据感知层包括3D激光扫描器、倾角传感器，所述3D激光扫描器实时采集小车架和吊具的目标检测信息，所述倾角传感器实时采集小车架和吊具的倾角信息；

所述数据处理层包括目标检测单元和自动堆叠机器学习模型单元，所述目标检测单元用于处理3D激光扫描器采集的信息；所述自动堆叠机器学习模型单元包括数据库、特征提取、机器学习模型，用于建立自动堆叠机器学习模型；

所述核心控制层包括可编程逻辑控制器，用于处理所述数据处理层信息；

所述机构执行层包括小车架机构单元和吊具上架微动单元，所述执行包括小车架机构单元通过前后移动小车架、所述吊具上架微动单元通过左右旋转吊具。

Images