Классификация транспортных устройств: ᐉ Классификация транспортных средств |

Содержание

14.2. Классификация транспортных средств и систем транспортирования грузов

Для рационального
проектирования систем транспортировки
и эффективного использования транспортных
средств транспортные средства
классифицируют по разным признакам:

По
сферам обслуживания заводской
транспорт подразделяют на внешний,
межцеховой и внутрицеховой.

Внешний
осуществляет связь предприятия с
железнодорожной станцией, с поставщиками,
потребителями и т.д.

Межцеховой
выполняет перевозки грузов между цехами
и службами.

Внутрицеховой
обеспечивает транспортирование грузов
внутри цеха. Он в свою очередь подразделяется
на общецеховой и межоперационный.
Общецеховой перемещает грузы между
производственными участками и кладовыми
цеха, межоперационный – между рабочими
местами по ходу технологического
процесса.

По
принципу действия подразделяют
на прерывный
(автомобили,
мостовые краны, подъемники и т. д.) и
непрерывный
(конвейеры, транспортеры всех видов).

По
видам: рельсовый,
безрельсовый, механический, водный,
воздушный, трубопроводный.

Рельсовый
в свою очередь подразделяют на напольный
(железнодорожный) и подвесной.

Безрельсовый
включает автомобили, тягачи, автокары,
электрокары, тележки и т.д.

Механический
– это
грузоподъемные механизмы (краны,
подъемники), конвейерные устройства
(ленточные, пластинчатые, скребковые и
т.д.)

Водный
– это толкачи,
баржи.

Воздушный
– вертолеты.

Основными видами
внешнего транспорта являются
железнодорожный, безрельсовый (автомобили,
тракторы), водный, трубопроводный.

В межцеховом
транспорте широко используют безрельсовый
и рельсовый подвесной, на металлургических
и других предприятиях также железнодорожный.

Общецеховым
транспортом является безрельсовый
(электрокары, автокары, тележки), рельсовый
подвесной, механический (мостовые,
настенные, консольные краны, подъемники,
лифты, конвейеры).

Межоперационная
транспортировка организуется с помощью
гравитационных устройств – желобов,
склизов, скатов, рольгангов, транспортеров
и т.д.

Главными требованиями
к использованию транспортных средств
являются: кратчайшие транспортные
маршруты; минимум перевалок грузов;
использование транспортных средств
строго в соответствие с их назначением
и техническими данными; строгое соблюдение
технических правил их эксплуатации.

Основными системами
транспортирования грузов
являются маятниковая, веерная, кольцевая.

Маятниковая
система
маршрутов устанавливает связь между
двумя пунктами. При этом возможны 2
варианта: возвращение транспортного
средства без груза (вариант одностороннего
маятника) и возвращение транспорта с
грузом (вариант двустороннего маятника).

Пример односторонней
маятниковой системы: литейный цех 
механический цех.

Пример двухсторонней
маятниковой системы: механический цех

термический цех.

Веерная
система
используется тогда, когда один какой-либо
пункт связан односторонними перевозками
с несколькими другими пунктами:

Кольцевая
система
применяется
при последовательной транспортировке
грузов от пункта к пункту по замкнутому
маршруту, это обеспечивает более высокий
экономический эффект в сравнении с
маятниковой и веерной системой.

Транспортные устройства | Машиностроение

Автоматизация транспортно-загрузочных операций штучных заготовок является важной задачей автоматизированного производства.
В современных условиях механического, механосборочного цеха машиностроительного завода кроме загрузки и выгрузки решается комплексная задача автоматизации транспортных операций при загрузки:

материалов;
заготовок;
режущего инструмента;
приспособлений.

Кроме того, транспортные устройства используются при межоперационных перемещениях заготовок между станками.
Такое многообразие транспортных операций создало предпосылки к созданию комплексной транспортной системы, управляемой от единой ЭВМ.
В качестве транспортных средств применяют:

автоматизированные тележки;
штабелеры;
конвейеры;
кантователи;
поворотные столы;
роботы;
конвейеры для удаления стружки и т.д.

Автоматическая транспортная система (АТС)— совокупность взаимосвязанных самодействующих устройств межоперационного транспортирования заготовок и готовых изделий в автоматически действующей системе станков. Структура АТС представлена на (рис. 2.62).

рис. 2.62. Классификация транспортных систем

Загрузочно-разгрузочные устройства АЛ и ГПС должны обладать гибкостью, т.е. быстрой перекладкой на работу с другим видом заготовок.
В связи с многообразием форм заготовок для установки заготовок все большее применение находят приспособления-спутники (ПС) (рис. 2.63) с устройством для автоматической их смены (рис. 2.64).
Приспособление-спутник (ПС) 11 (см. рис. 2.64) устанавливают на платформу 7 (вместимостью 2 ПС), на которой смонтированы гидроцилиндры 10 и 13, штоки которых имеют Т-образные захваты 14 и 6. При установке на платформу (перемещение по стрелке Б) ПС своим фигурным вырезом 12 входит в зацепление с захватом 14 штока. На платформе ПС базируется на роликах 9 и центрируется (по боковым сторонам) роликами 8 (исходное положение ПС в позиции ожидания). Перемещение штока гидроцилиндра 10 обусловливает качение (по роликам) ПС.

рис. 2.63. Приспособление-спутник

рис. 2.64. Устройство для автоматической смены ПС

При выдвижении штока гидроцилиндра 13 захват б перемещается (по направляющей штанге) и катит ПС по роликам 9 и 10 (в направлении стрелки Л) на поворотный стол станка, где ПС автоматически опускается на фиксаторы. В результате захват 6 выйдет из зацепления с ПС и стол станка (с закрепленным на нем ПС) на быстром ходу переместится в зону обработки.
Заготовку закрепляют на ПС во время обработки предыдущей заготовки (когда ПС находится в позиции ожидания) или заранее вне станка.
После того, как заготовка будет обработана, стол станка автоматически (на быстром ходу) передвигается вправо к устройству для смены ПС и останавливается в положении, когда фигурный паз ПС окажется под захватом 6. Гидроцилиндр поворотного стола расфиксирует ПС, после чего ПС войдет в зацепление с захватом 6. Затем масло поступает в штоковую полость гидроцилиндра 13, шток смещается в крайнее правое положение и перемещает ПС с заготовкой на платформу 7, где уже находится ПС с новой заготовкой. Чтобы поменять ПС местами, платформа поворачивается на 180° (на стойке 15) зубчатым колесом 3, сопряженным с рейкой 4, приводимой в движение гидроцилиндрами 5 и 16.
Платформу 7 точно выверяют относительно поворотного стола станка с помощью регулировочных болтов 2 и 17, ввернутых в выступы базовой плиты 7, неподвижно закрепленной на фундаменте.
На рис. 2.65 показаны наиболее широко применяемые схемы загрузочных устройств. В поворотном загрузочном устройстве (рис. 2.65, а) для смены столов-спутников 3 стол 2 станка 1 перемещается по одной или двум координатам в позицию смены заготовок, в которой он стыкуется с загрузчиком 4, после чего на свободную платформу загрузчика со станка перемещается спутник с обработанной деталью. Затем загрузчик 4 поворачивается на 180° и с другой его платформы на станок перемещается спутник с новой заготовкой.
Загрузочные устройства с раздельными платформами 4, расположенными с двух противоположных сторон от стола станка (рис. 2.65, б) обычно применяются в достаточно крупных ГПМ с шириной столов-спутников не менее 1000 мм.
Широко распространено загрузочное устройство с платформами 4 расположенными с одной стороны стола и установленными на подвижном или неподвижном основании (рис. 2.65, в). Загрузочные устройства оснащаются механизмами перемещения (гидроцилиндрами, винтовыми или цепными передачами) столов-спутников.
На ГПМ для обработки деталей типа тел вращения в качестве загрузочного устройства используются промышленные роботы, которые одним захватом могут переносить заготовки различного диаметра.
Система автоматической смены столов-спутников ГПМ состоит из двух частей: загрузочного устройства и накопителя столов-спутников.

рис. 2.65. Схемы компановок загрузочных устройств

Транспортные устройства (ТУ) — бывают стационарные и подвижные.
Стационарные — конвейеры, подъемники, которые установлены неподвижно на полу.
Подвижные — тележки (электрокары, самоходные тележки, работающие по автоматическому циклу, робокары и т.д.). По способу транспортирования ТУ делятся на непрерывного и прерывистого действия.
Непрерывные ТУ выполняются ленточными, цепными и роликовыми, вибрационные, лотковые самотечные. Такие ТУ применяют для легких заготовок.
Прерывистые ТУ (шаговые) бывают 2-х типов: с убирающимися упорами (собачками) и с поворачивающимися захватными устройствами.
В ГПС при большой серийности используют конвейерные ТУ, а при малой серийности — автоматические тележки (рис. 2.66): рельсовые — для деталей больших размеров и безрельсовые, управляемые от ЭВМ перемещающиеся по заданному маршруту (по магнито — электропроводу и т. д.).

рис. 2.66. Автоматическая сменная тележка

Тележка состоит из основания 1 с ромбовидным размещением колес 6, 9, что повышает маневренность тележки и упрощает устройство разворота. С торцов основания смонтированы подвижные бамперы 5 для автоматического торможения и остановки в случае возникновения препятствия. В основании расположены приводы на колеса 9, состоящие из редукторов 8, электродвигателей 7 с питанием от аккумуляторных батарей. На основании монтируется грузовая платформа 2 для транспортирования и загрузки-выгрузки столов-спутников 3 с заготовками 4.
Трассу следования автоматических тележек выбирают, исходя из условий производства. Одни тележки способны обслуживать оборудование только в пределах заранее проложенной трассы, а другие могут съезжать с пути, чтобы объехать препятствие или изменить технологический маршрут.
Системы маршрутослежения транспортных тележек, используемых в промышленности, представлены на рис. 2.67.

рис. 2.67. Классификация маршрутослежения транспортных тележек

рис. 2.68. Классификация транспортных автоматических тележек

рис. 2.69. Классификация транспортных роботов

рис. 2.70. Типовые конструкции промышленных роботов

Каждая система имеет свои преимущества и недостатки. Механическая система надежна и имеет простое устройство (рельсы, швеллер), но при этом трудно изменить конфигурацию трассы. Индуктивная система имеет достаточную надежность для работы как внутри, так и вне помещения. Траектория тележки задается кабелями, проложенными в полу цеха в канавке глубиной 20 мм и шириной 8 мм, которая затем заливается эпоксидной смолой. Кабель образует замкнутый контур, по которому пропускается ток частотой 5…32 кГц. При этом создаваемое магнитное поле взаимодействует с двумя приемными катушками индуктивности, смонтированных на тележке.
По рассогласованию напряженности поля в катушках вырабатывается сигнал, определяющий траекторию движения тележки. Основным недостатком индуктивной системы является чувствительность к электромагнитным помехам.
Радиоуправляемая тележка обладает более высокой оперативностью, но возможны помехи и ограничения на использование разных частотных диапазонов.
Фотоэлектрическая и оптоэлектронная система маршрутослежения позволяет обеспечить большую точность позиционирования, но надежность во многом зависит от качества трассы: границы белой полосы и черного фона должны быть четкими, а поверхность матовой. Оптические излучатели (лампы, лазерные маяки), а также приемники (фотодатчики и фотосопротивления), используемые в оптических датчиках, предъявляют высокие требования к чистоте оптики и среды, через которую передаются световые лучи. Все эти требования трудно соблюсти в условиях производства.
Наибольшее распространение получила индуктивная система маршрутослежения по электромагнитному кабелю.
Тележки могут быть использованы с различным исполнением грузовых платформ.
На рис. 2.68. приведена классификация тележек с различным использованием грузовых платформ, которые совершают различные движения для обеспечения грузозахвата.
Трассу следования автоматических тележек выбирают, исходя из условий производства. Одни тележки способны обслуживать оборудование только в пределах заранее проложенной трассы, а другие могут съезжать с пути, чтобы объехать препятствие или изменить технологический маршрут.
Всем требованиям ГПМ отвечает промышленный робот (ПР), выполняющий функции ТУ.
Промышленный робот — автоматическая, состоящая из исполнительного устройства в виде манипулятора, имеющего несколько степеней свободы (подвижности), и перепрограммируемого устройства управления для выполнения технологических и вспомогательных операций. В зависимости от выполняемых функций транспортные ПР подразделяются (рис. 2.69) и имеют типовые конструкции (рис. 2.70).

Номера грузовых классов для предметов медицинского назначения

Что такое грузовые классы?

Когда вы отправляете свою продукцию как LTL (меньше, чем грузовик), вам нужно будет присвоить вашей отправке номер класса перевозки. Номер класса груза — это стандартный код, опубликованный Национальной ассоциацией автомобильных грузовых перевозок и перевозок, который позволяет перевозчикам быстро определять качество груза и помогать в транспортной логистике.

Медицинские принадлежности бывают различных форм, размеров и веса. Из-за этого класс фрахта поставок может колебаться в пределах 70-400. Здесь мы перечисляем некоторые распространенные предметы медицинского назначения и связанные с ними коды грузовых классов. Как правило, чем ниже код класса фрахта, тем дешевле будет доставка.

Как определить класс перевозки

ПЛОТНОСТЬ

Плотность определяется размерами и весом вашего груза. Медицинские принадлежности, такие как бинты, одеяла, компрессы, шины и губки, могут иметь различные коды класса перевозки в зависимости от плотности отдельных частей.

ХРАНИМОСТЬ

Требует ли ваш груз особого обращения? Оборудование, такое как экзаменационные столы, должно быть упаковано в ящик или промышленную коробку, что может повлиять на код класса перевозки.

ОТВЕТСТВЕННОСТЬ

Ответственность определяется стоимостью вашего груза и вероятностью его кражи или повреждения. Дорогостоящее оборудование, такое как стоматологические или медицинские инструменты и машины, может увеличить номер класса фрахта вашего груза.

ПЕРЕМЕЩЕНИЕ

Ваше оборудование трудно хранить или транспортировать? Более тяжелые или опасные грузы, такие как некоторые стоматологические или медицинские машины, могут повысить класс фрахта вашего груза, что повысит стоимость доставки.

NMFC ПОДКЛАССЫ

Для многих кодов NMFC применяется не один единственный класс. Часто номера NMFC имеют несколько «подклассов», которые почти всегда основаны на плотности отгрузки. Если ваш номер NMFC имеет несколько подклассов, лучше всего обратиться к эксперту, например к Кохо, чтобы определить, какой подкласс использовать.

Разбивка товаров и классов

Товарная позиция

NMFC

Класс

Наконечники

Таблицы для осмотра

82030

100, 150

Стол должен использоваться в медицинских целях, плотность определяет подкласс.

Медицинское оборудование

56680

150

Сюда входят любые стоматологические или медицинские инструменты или машины. Страхование любого дорогостоящего оборудования всегда рекомендуется.

Предметы медицинского назначения – бинты/повязки, одеяла, бандажи, воротники, компрессы, прокладки, шины, губки

56828

70, 85, 92,5, 100, 125, 175, 250, 300, 400

Плотность этого товара в значительной степени зависит от 9 подклассов плотности, в конечном итоге определяющих, какую классификацию использовать. Чем плотнее товар, который вы отправляете, тем ниже класс.

Часто задаваемые вопросы

Рекомендуется ли страхование при отправке предметов медицинского назначения?

‍Настоятельно рекомендуется застраховать предметы медицинского назначения, так как любое повреждение груза в пути может снизить стоимость всего груза из-за возможного загрязнения. Не забудьте хорошо упаковать свой продукт и приобрести страховку для более дорогих продуктов.

‍Насколько важна правильная классификация предметов медицинского назначения?

‍Медицинские товары имеют широкий спектр классов, и важно убедиться, что вы используете правильный NMFC для вашего продукта, чтобы предотвратить повторную классификацию. Медицинские принадлежности могут быть сложными, потому что они не всегда коррелируют с расчетом класса плотности, что делает NMFC еще более важным.

Классификация транспортных режимов — на устройстве и в режиме, близком к реальному времени

От облака к режиму, близкому к реальному времени На устройстве

В Sentiance мы превращаем движение в идеи, поэтому обнаружение режима транспорта является одной из наших основных технологий. Мы использовали и были довольны нашим решением на основе глубокого обучения, развернутым в облаке, в течение длительного времени (см. — Классификация крупномасштабных транспортных режимов на основе данных мобильных датчиков). Тем не менее, наконец, технология позволяет нам перейти к более безопасному для конфиденциальности и ресурсоэффективному решению, которое может работать на устройстве.

И Android, и iOS предлагают базовое обнаружение активности на устройстве в режиме реального времени для транспортных режимов (также известное как движение). Однако это не то, что мы на самом деле подразумеваем, говоря «Транспортный классификатор». Вместо того, чтобы всегда переворачивать мгновенные прогнозы, мы стремимся сегментировать поездку на мультимодальные блоки, чтобы понять, когда вы идете, бегаете, ведете машину, едете на велосипеде и т. д.

Рисунок 1. Вместо мгновенного режима транспортировки (вверху, где разные цвета обозначают разные режимы)
мы хотим разделить поездку на стабильные виды транспорта (внизу).

Такая классификация видов транспорта более ценна, если мы хотим понять, являетесь ли вы зеленым пассажиром пригородной зоны, пользователем общественного транспорта или несгибаемым водителем. В дополнение к этому, прогнозы почти в реальном времени позволили бы нам проводить гипер-персонализированные кампании и знать — когда нацеливаться на человека?

В этом сообщении блога мы поделимся методологией, которую мы использовали для создания транспортной классификации почти в реальном времени, которая работает на устройстве и обеспечивает стабильную сегментацию транспортных режимов. По сравнению с нашим текущим транспортным классификатором в облаке, нам удалось создать комплексное решение, которое подходит для TensorFlow Lite (tflite) и полностью заменяет сложный блок бизнес-логики нейронной сетью.

Строительные блоки классификатора транспортных режимов

В качестве входных данных мы хотим передать необработанные данные датчиков (акселерометр, GPS-фиксации, функции ГИС и т. д.), а в качестве выходных данных получить текущий вид транспорта. Мы хотим, чтобы вся обработка сигналов, прогнозирование и сегментация выполнялись на устройстве с максимально коротким временем отклика. Конечно, есть некоторые сложности:

могут быть пробелы в данных датчиков, и частота дискретизации может меняться со временем
каждая мультимодальная поездка имеет различный размер и диапазон огромен (от минут до часов)
Транспортному классификатору необходимо игнорировать некоторые события, такие как обработка телефона и бездействие
решение должно оставаться небольшим и оказывать минимальное влияние на срок службы батареи телефона и ЦП
мы стремимся к классификации в реальном времени, но в то же время невозможно быть уверенным, когда начнется новый вид транспорта, не дожидаясь хотя бы немного (как вы скоро увидите, этот бит будет около 3 минут)

Для решения этих проблем мы будем использовать двухэтапный подход, сочетающий Исходная архитектура с U-net (см. Рисунок 2 ):

Предварительно обработать необработанный сигнал акселерометра с помощью приблизительной интерполяции , чтобы учесть различные частоты дискретизации и интервалы (перейти к разделу).
Встраивание сигнала акселерометра конструкции, оптимизированное для транспортной классификации (перейти к разделу). На этом этапе данные датчика за 18 секунд преобразуются в вектор размера 8.
Разделить поездку на разные виды транспорта с помощью полученных вложений (перейти к разделу). Эти вложения (охватывающие более 9минут), обогащенные функциями GPS и ГИС, передаются в модель сегментации U-time , вдохновленную моделью сегментации, чтобы получить прогноз, который отстает на 3 минуты.
Объедините все блоки в одну модель tflite , которая ожидает вызов каждые 18 секунд (перейти к разделу).

В последующих разделах мы объясним наш выбор дизайна и обсудим некоторые детали реализации.

Рис. 2. Архитектура транспортного классификатора, сочетающая модели времени начала и времени U-времени.

Шаг 1. Приблизительная интерполяция

Для начала мы знаем, что частота дискретизации датчика может меняться, и мы хотим применить некоторую обработку сигнала (по крайней мере, фильтр нижних частот). После некоторых исследований мы наткнулись на изящную идею Б. Льянаса ( Конструктивная приблизительная интерполяция с помощью нейронных сетей, 2006, дои ), которая, по сути, говорит о том, что есть способ сделать приблизительную интерполяцию и сглаживание с использованием различий (и сумм) значений в моменты времени t.

Позвольте быть любым разделением интервала . Давайте определим нейронную сеть как:

(1)

.
Для проблемы интерполяции эта сеть дает приблизительную интерполяцию, а параметры контролируют гладкость (более низкое значение приведет к более плавной подгонке).

Это можно интерпретировать довольно интуитивно, если подумать о том, что произойдет, если A огромно, и в этом случае оно приближает точку с помощью ступенчатой функции. Мало того, управление значением A позволяет добиться эффекта, аналогичного использованию фильтра нижних частот.

Рисунок 3. Приблизительная интерполяция с использованием ai-net, отображающая влияние параметра гладкости.

В нашем случае данные акселерометра при любой частоте дискретизации будут поступать в модель tflite , где они будут преобразованы в равномерно дискретизированные (до 10 Гц) и слегка сглаженные значения. Получается, что для задачи транспортной классификации наличие более высокой частоты дискретизации, чем 10 Гц, не приводит к выигрышу в точности. Мы эмпирически показали, что он может заменить нормализатор, который обычно состоит из интерполятора, фильтра нижних частот и передискретизатора. Это действительно аккуратное использование простого diff, активация relu и умножение матриц.

Шаг 2. Внедрение

Теперь, когда мы очистили и передискретизировали сигнал акселерометра, мы хотим построить вложение, которое захватывает важные функции для классификации транспорта и не чувствительно к поворотам телефона.

Для этого мы будем использовать обучающие данные, полученные путем внутренней маркировки тысяч поездок. При реализации инициативы по маркировке мы сосредоточились на двух уровнях детализации, которые мы назвали уровнем датчика и уровнем отключения. Например, на уровне датчиков имеет смысл иметь простои и телефонные обработки, но их следует игнорировать на следующем этапе, когда мы перейдем к окончательной классификации транспортных режимов.

Рис. 4. Разница в определениях меток «низкий уровень/датчик» (вверху) и «высокий уровень/отключение» (внизу).

Для модели на уровне датчика мы передаем 18-секундные окна датчика, передискретизированные до 10 Гц с использованием приблизительной интерполяции. Мы обучили классификатор на основе архитектуры InceptionTime ( InceptionTime: Finding AlexNet для классификации временных рядов , 2019, Hassan Ismail Fawaz, Benjamin Lucas, et. al., arxiv), чтобы различать различные транспортные режимы, простои и события обработки телефона.

Архитектура Inception представляет собой разумное усовершенствование стандартной сверточной нейронной сети. В то время как последняя использует фиксированную последовательность обучаемых фильтров предопределенных размеров для извлечения информации в увеличивающемся пространственном или временном масштабе, исходная сеть обладает гибкостью для изучения оптимальной комбинации и последовательности применимых размеров фильтров, тем самым увеличивая репрезентативную мощность сеть.

Сеть по существу состоит из четырех идентичных блоков и одного остаточного пропускного соединения непосредственно со входа. На самом деле, эти блоки называются в литературе «начальными блоками». Потому что в каком-то смысле их можно рассматривать как вложенные сети внутри полной сети.

Рисунок 5. Один начальный блок, используемый в архитектуре InceptionTime (источник: arxiv ).

В каждом начальном блоке входные данные отображаются через слой узкого места (ядро размера 1 без смещения) на три отдельных одномерных сверточных слоя с размерами по временному измерению 10, 20 и 40 (для захвата разных временных масштабов). Тот же вход передается через максимальный пул на дополнительный сверточный слой, который должен захватывать функции из сигнала с пониженной частотой дискретизации. Выходные данные нормализуются в пакетном режиме и проходят через функцию активации. В конце концов, сумма выходных данных последнего начального блока и остаточного соединения проходит через пул глобальных средних значений, чтобы удалить измерение времени для классификации.

При реализации архитектуры InceptionTime был внесен ряд изменений в исходную архитектуру, представленную в статье:

Сверточный слой после MaxPool внутри начального блока имеет размер ядра 10 вместо 1 (точность ~3%).
Все сверточные слои имеют активацию ReLU вместо линейной (с точностью ~1%)
К сверточным слоям, не являющимся узкими местами, применены смещения (с точностью ~2%)

Мы пропускаем окна, которые не имеют энергии, и применяем методы увеличения, чтобы уменьшить чувствительность к вращению и возможному снятию отпечатков пальцев устройства, тем самым предотвращая переоснащение модели шумом конкретного устройства. Для процедуры обучения мы использовали спотовые инстансы MLflow и AWS. На обучение модели на приличном экземпляре графического процессора ушло примерно сутки.

Используя эту архитектуру, мы можем достичь точности ~87% в классификации окон датчиков, тем самым превзойдя наш текущий классификатор транспорта только для датчиков на устройстве, точность которого составляет 84%. На следующем шаге мы отбрасываем окончательные слои модели и используем фиксированные веса, чтобы получить вложение размера 8 для каждого окна.

Чтобы использовать возможности больших объемов немаркированных данных и избежать двухэтапной процедуры маркировки, мы в настоящее время изучаем варианты использования неконтролируемых и полуконтролируемых подходов к обучению для обучения модели внедрения.

Шаг 3. Классификатор поездок

Если мы предположим, что мы загружаем всю поездку и стремимся сразу получить сегментацию, мы могли бы использовать двунаправленную LSTM или аналогичную модель, но на самом деле мы хотим добиться классификации почти в реальном времени. Цель состоит в том, чтобы найти золотую середину между точностью и удобством использования, чего мы можем достичь, улучшив время отклика. Проведя несколько экспериментов, мы выяснили, что вводя задержку в 3 минуты, мы жертвуем погрешностью всего 1-2%.

Рисунок 6. Точность по отношению к задержке сигнала указывает на то, что при 180 с мы достигаем убывающей отдачи , Mathias Persev, et. al., arxiv) на встраиваниях, полученных из 31 окна (каждое представляет 18-е) и возвращающих классификации на 21-й позиции (соответствующей 3-минутному отставанию). Есть и другие статьи, использующие U-Net в аналогичной области, например, 9.0083 Распознавание активности человека на основе датчика движения с использованием U-Net (2019, Yong Zhang, et.al., ieee). Основное изменение по сравнению с оригиналом заключается в том, что мы отказались от использования расширений и в итоге использовали только два слоя с активациями elu .

Архитектура U-net по своей сути также является сверточной, однако она позволяет сегментировать входные данные, а не просто назначать один класс набору в целом. Это достигается за счет того, что сначала выполняется классификация на уровне пикселей (или в нашем случае на уровне временного окна), которая разбивает входные данные на набор классифицированных блоков. Таким образом, смена класса в соседних блоках означает границу, которая в нашем случае является сменой вида транспорта.

Рис. 7. Архитектура U-Time, представленная в документе об этапах сна (источник: arxiv ).

На самом деле, мы обогащаем входные эмбеддинги, добавляя данные из GPS-фиксаций (скорость, точность) и различные функции ГИС, такие как расстояния до ближайшего автобусного маршрута, автобусной остановки или железной дороги, рассчитанные для заданных координат.

Рис. 8. Прогноз по скользящему 9-минутному окну (слева) и сообщаемому транспортному режиму с индексом 21 (справа).

Знаете ли вы, что Keras позволяет загружать модели в слой TimeDistributed?? В идеале мы могли бы обучить встраивание и классификатор за один раз, но требуемое время выполнения увеличилось, поэтому в итоге мы использовали двухэтапный процесс обучения.

Рисунок 9. Конструкция модели Keras, включающая InceptionTime в качестве слоя TimeDistributed.

Шаг 4. Развертывание на Edge

Для запуска модели на устройстве мы решили использовать tflite . Поскольку мы будем использовать одну и ту же среду выполнения для различных компонентов машинного обучения, наша конструкция достаточно гибкая и напоминает определение компьютера фон Неймана — приходят новые входные данные и память (состояние), а tflite выводит предсказание и новое состояние.

Рисунок 10. Конечный автомат с использованием tflite, который позволяет сохранять вложения на уровне датчиков, необходимые для будущих выводов.

В случае нашего транспортного классификатора мы храним вложение последних 30 окон в состоянии, чтобы, учитывая новые данные датчиков, мы могли построить вложение, используя InceptionTime, и передать конкатенированные вложения в U-Time.

Итак, в начале поездки наш SDK собирает 18-секундное окно акселерометра и последнее исправление GPS и передает их вместе с фиктивным состоянием (заполненным -1) модели tflite . Он получает классификацию -1 (в течение первых 3 минут) и обновленное состояние. На следующем этапе SDK отвечает за передачу нового окна датчика и предыдущего состояния модели. Обратите внимание, что, поскольку наша модель отстает на 3 минуты, мы использовали метод обучения с подкладкой. Мы продолжаем вызывать модель в течение 3 минут (задавая значения заполнения) после завершения поездки, чтобы получить все классификации.

Возможно, вас интересует влияние батареи по сравнению с моделями, работающими в облаке. Интересно, что запуск модели на устройстве потребляет такое же (а в некоторых случаях даже меньше) количество энергии. Основная причина в том, что нам не нужно отправлять большие объемы данных на серверную часть, что позволяет сэкономить много трафика.

Производительность

При использовании только данных акселерометра со скоростью и точностью из GPS-фиксаций и оценке на проверочном наборе (состоящем из пользователей, которых модель никогда не видела во время обучения) мы достигаем 9Общая точность 1% (для холостого хода, ХОДЬБЫ, БЕГА, ЕЗДЫ НА ВЕЛОСИПЕДЕ, ЖЕЛЕЗНОДОРОЖНОМ СРЕДСТВЕ, ТРАНСПОРТНОМ СРЕДСТВЕ). Мы можем идентифицировать БЕГ, ВЕЛОСИПЕД и ТРАНСПОРТНОЕ СРЕДСТВО с точностью> 95%. Обратите внимание, что используя только сигнал датчика, почти невозможно отличить АВТОМОБИЛЬ и АВТОБУС, поэтому эти классы объединены в один класс — ТРАНСПОРТНОЕ СРЕДСТВО.

Включая функции ГИС (расстояние до ближайшего автобусного маршрута, автобусной остановки, железной дороги и т. д.), которые можно вычислить на устройстве, сохраняя конфиденциальность и запрашивая только фрагменты карты, мы можем разделить АВТОМОБИЛЬ и АВТОБУС, а также отличить ПОЕЗД от ТРАМВАЙ / МЕТРО, сохраняя общую точность на уровне ~ 90%.

Чтобы понять, насколько хорошо он работает в отдельных поездках, давайте рассмотрим некоторые случаи. На рисунке 11 вы можете увидеть три отдельных отключения и прогнозируемую вероятность. Он отображается сверху, показывая, что наши прогнозы стабильны в течение поездки.

Рисунок 11. Три индивидуальных мультимодальных рейса. В каждом случае прогнозируемая вероятность вида транспорта
отображается вверху, а фактический вид транспорта внизу (фиолетовый — железнодорожный, оранжевый — пешеходный, синий — автомобильный, коричневый — беговой).