权利要求
1.一种用于矿山辅助运输智能调度平台的创建方法，其特征在于，包括以下步骤：
步骤S1：获取副斜井矿车UWB标签数据，并根据副斜井矿车UWB标签数据进行信号时间差分析，从而获得信号时间差数据;根据信号时间差数据进行矿车三维坐标构建，从而获得矿车三维坐标数据;
步骤S2：获取副斜井矿车阻车器数据，并根据副斜井矿车阻车器数据进行矿车制动结构特征提取，从而获得矿车制动结构数据;根据矿车制动结构数据以及矿车三维坐标数据进行矿井跑车模拟，从而获得矿井跑车模拟数据;根据矿井跑车模拟数据进行高风险矿车编号设定，从而获得高风险矿车编号数据;
步骤S3：获取矿山生产计划数据以及矿车运行状态数据;根据矿山生产计划数据以及矿车运行状态数据进行物料运输任务分配，从而获得矿车物料运输任务数据;根据高风险矿车编号数据以及矿车物料运输任务数据进行运输智能调度，从而获得矿车物料运输智能调度数据;
步骤S4：根据矿车物料运输智能调度数据进行智能调度平台架构设计，从而获得智能调度平台架构数据;根据智能调度平台架构数据以及矿车物料运输智能调度数据进行智能调度平台创建，从而获得智能调度平台数据。
2.根据权利要求1所述的用于矿山辅助运输智能调度平台的创建方法，其特征在于，步骤S1具体为：
步骤S11：获取副斜井矿车UWB标签数据，并根据副斜井矿车UWB标签数据进行短脉冲信号特征提取，从而获得短脉冲信号数据;
步骤S12：根据短脉冲信号数据进行脉冲信号接收节点基准时间设定，从而获得脉冲信号接收节点基准时间数据;
步骤S13：根据脉冲信号接收节点基准时间数据以及短脉冲信号数据进行时间差计算，从而获得脉冲信号时间差数据;
步骤S14：获取短脉冲信号传播速度数据;
步骤S15：根据脉冲信号时间差数据以及短脉冲信号传播速度数据进行三维坐标计算，从而获得矿车三维坐标数据。
3.根据权利要求1所述的用于矿山辅助运输智能调度平台的创建方法，其特征在于，步骤S2具体为：
步骤S21：获取副斜井矿车阻车器数据，并根据副斜井矿车阻车器数据进行矿车制动结构特征提取，从而获得矿车制动结构数据;
步骤S22：对矿车制动结构数据进行制动异常分析，从而获得制动异常数据;
步骤S23：对矿车三维坐标数据进行行驶轨迹异常分析，从而获得行驶轨迹异常数据;
步骤S24：根据制动异常数据以及行驶轨迹异常数据进行矿井跑车模拟，从而获得矿井跑车模拟数据;
步骤S25：根据矿井跑车模拟数据进行高风险矿车编号设定，从而获得高风险矿车编号数据。
4.根据权利要求3所述的用于矿山辅助运输智能调度平台的创建方法，其特征在于，步骤S22具体为：
步骤S221：根据矿车制动结构数据进行制动片特征提取，从而获得制动片数据;
步骤S222：对制动片数据进行磨损厚度统计，从而获得磨损厚度数据;
步骤S223：获取制动片初始厚度数据以及最高制动片磨损率数据;
步骤S224：根据磨损厚度数据以及制动片初始厚度数据进行磨损率计算，从而获得制动片磨损率数据;
步骤S225：根据最高制动片磨损率数据对制动片磨损率数据进行磨损异常划分，若制动片磨损率数据大于最高制动片磨损率数据，则获得磨损率异常数据;
步骤S226：对磨损厚度数据进行裂纹检测，从而获得磨损裂纹数据;
步骤S227：根据磨损裂纹数据以及磨损率异常数据进行制动异常数据整合，从而获得制动异常数据。
5.根据权利要求4所述的用于矿山辅助运输智能调度平台的创建方法，其特征在于，步骤S226具体为：
对磨损厚度数据进行磨损均匀度计算，从而获得磨损均匀度数据;
根据磨损均匀度数据进行均匀度划分，从而获得不均匀磨损厚度数据;
根据不均匀磨损厚度数据进行磨损区域磁化处理，从而获得磨损区域磁化数据;
对磨损区域磁化数据进行磁粉喷洒模拟，从而获得磁粉喷洒模拟数据;
对磁粉喷洒模拟数据进行磁粉堆积检测，从而获得磁粉堆积数据;
根据磁粉堆积数据进行磨损裂纹区域定位，从而获得磨损裂纹数据。
6.根据权利要求3所述的用于矿山辅助运输智能调度平台的创建方法，其特征在于，步骤S23具体为：
步骤S231：根据矿车三维坐标数据进行三维轨迹图绘制，从而构获得三维轨迹图数据;
步骤S232：根据三维轨迹图数据进行矿车弯道轨迹特征提取，从而获得矿车弯道轨迹数据;
步骤S233：根据矿车弯道轨迹数据进行矿车过弯模拟，从而获得矿车过弯模拟数据;
步骤S234：对矿车过弯模拟数据进行离心力计算，从而获得矿车弯道行驶离心力数据;
步骤S235：对矿车过弯模拟数据进行侧向力计算，从而获得矿车弯道行驶侧向力数据;
步骤S236：根据矿车弯道行驶离心力数据以及矿车弯道行驶侧向力数据进行倾覆风险评估，从而获得矿车弯道行驶倾覆风险数据;
步骤S237：根据矿车过弯模拟数据进行倾覆角度分析，从而获得矿车过弯倾覆角度数据;
步骤S238：根据矿车弯道行驶倾覆风险数据以及矿车过弯倾覆角度数据进行矿车过弯时间统计，从而获得矿车过弯时间数据;
步骤S239：获取矿车正常过弯时间数据，并根据矿车正常过弯时间数据对矿车过弯时间数据进行行驶轨迹异常时间对比，从而获得行驶轨迹异常数据。
7.根据权利要求5所述的用于矿山辅助运输智能调度平台的创建方法，其特征在于，步骤S237具体为：
根据矿车过弯模拟数据进行矿车重心高度特征提取以及矿车宽度特征提取，从而获得矿车重心高度数据以及矿车宽度数据;
根据矿车重心高度数据以及矿车弯道行驶离心力数据进行倾覆力矩计算，从而获得倾覆力矩数据;
获取矿车载重数据;
根据矿车宽度数据以及矿车载重数据进行抗倾覆力矩计算，从而获得抗倾覆力矩数据;
根据倾覆力矩数据以及抗倾覆力矩数据进行倾覆角度判定，若倾覆力矩大于抗倾覆力矩，则获得倾覆角度判定标准数据;
根据倾覆角度判定标准数据对矿车过弯模拟数据进行倾覆角度判定，从而获得矿车过弯倾覆角度数据。
8.根据权利要求1所述的用于矿山辅助运输智能调度平台的创建方法，其特征在于，步骤S3具体为：
步骤S31：获取矿山生产计划数据以及矿车运行状态数据;
步骤S32：根据矿车运行状态数据进行矿车待调度状态特征提取，从而获得矿车待调度状态数据;
步骤S33：根据矿山生产计划数据对矿车待调度状态数据进行物料运输任务分配，从而获得矿车物料运输任务数据;
步骤S34：根据矿车物料运输任务数据进行完成度统计，从而获得矿车物料运输任务完成数据，并根据矿车物料运输任务完成数据进行闲置矿车识别，从而获得闲置矿车数据;
步骤S35：获取副斜井道岔分布数据;
步骤S36：根据副斜井道岔分布数据以及闲置矿车数据对矿井跑车数据进行矿车调度路径规划，从而获得矿车调度路径数据;
步骤S37：根据高风险矿车编号数据进行矿井跑车运输任务特征提取，从而获得矿井跑车运输任务数据;
步骤S38：根据闲置矿车数据以及矿车调度路径数据对矿井跑车运输任务数据进行物料运输智能调度，从而获得矿车物料运输智能调度数据。
9.根据权利要求8所述的用于矿山辅助运输智能调度平台的创建方法，其特征在于，步骤S36具体为：
步骤S361：根据副斜井道岔分布数据进行道岔特征提取以及矿道特征提取，从而获得道岔数据以及矿道数据;
步骤S362：根据道岔数据以及矿道数据进行矿井道路网络模型构建，从而获得矿井道路网络模型;
步骤S363：根据闲置矿车数据对矿井道路网络模型进行矿车调度最短路径规划，从而获得矿车调度最短路径数据;
步骤S364：根据闲置矿车数据对矿车调度最短路径数据进行智能道岔路径管理，从而获得智能道岔路径数据;
步骤S365：根据智能道岔路径数据以及矿车调度最短路径数据进行矿车调度路径融合，从而获得矿车调度路径数据。
10.根据权利要求1所述的用于矿山辅助运输智能调度平台的创建方法，其特征在于，步骤S4具体为：
步骤S41：根据矿车物料运输智能调度数据进行数据库架构设计，从而获得数据库架构数据;
步骤S42：根据矿车物料运输智能调度数据进行系统模块划分，从而获得系统模块数据;
步骤S43：根据系统模块数据以及数据库架构数据进行智能调度平台架构设计，从而获得智能调度平台架构数据;
步骤S44：根据矿车物料运输智能调度数据进行用户界面设计，从而获得用户界面数据;
步骤S45：根据智能调度平台架构数据以及用户界面数据进行智能调度平台创建，从而获得智能调度平台数据。
说明书
技术领域
[0001]本发明涉及物联网技术领域，特别涉及一种用于矿山辅助运输智能调度平台的创建方法。
背景技术
[0002]传统的矿山辅助运输智能调度平台创建方法通常依赖于静态的数据模型和预设的规则，未能充分考虑矿山环境中动态变化的因素，如实时矿车位置、载重变化和道岔状态等。这种方法常常基于以往的经验和固定的参数设置，缺乏针对特定矿山条件和任务需求的灵活调整能力。这种不全面的调度策略导致在突发情况下，矿车的运行效率降低，造成运输延误和资源浪费。对于调度算法的应用也往往局限于简单的线性规划，无法处理多目标优化和实时动态调整的问题。这使得调度系统在应对突发事件时反应迟缓，无法实现快速决策和高效调度，进而影响矿山整体生产效率。
发明内容
[0003]基于此，本发明有必要提供一种用于矿山辅助运输智能调度平台的创建方法，以解决至少一个上述技术问题。
[0004]为实现上述目的，一种用于矿山辅助运输智能调度平台的创建方法，包括以下步骤：
[0005]步骤S1：获取副斜井矿车UWB标签数据，并根据副斜井矿车UWB标签数据进行信号时间差分析，从而获得信号时间差数据;根据信号时间差数据进行矿车三维坐标构建，从而获得矿车三维坐标数据;
[0006]步骤S2：获取副斜井矿车阻车器数据，并根据副斜井矿车阻车器数据进行矿车制动结构特征提取，从而获得矿车制动结构数据;根据矿车制动结构数据以及矿车三维坐标数据进行矿井跑车模拟，从而获得矿井跑车模拟数据;根据矿井跑车模拟数据进行高风险矿车编号设定，从而获得高风险矿车编号数据;
[0007]步骤S3：获取矿山生产计划数据以及矿车运行状态数据;根据矿山生产计划数据以及矿车运行状态数据进行物料运输任务分配，从而获得矿车物料运输任务数据;根据高风险矿车编号数据以及矿车物料运输任务数据进行运输智能调度，从而获得矿车物料运输智能调度数据;
[0008]步骤S4：根据矿车物料运输智能调度数据进行智能调度平台架构设计，从而获得智能调度平台架构数据;根据智能调度平台架构数据以及矿车物料运输智能调度数据进行智能调度平台创建，从而获得智能调度平台数据。
[0009]本发明通过获取副斜井矿车的UWB标签数据，并进行信号时间差分析，可以精准定位矿车在三维空间中的位置，这种实时的定位信息为后续的调度和监控提供了基础数据，能够有效避免矿车之间的碰撞和误操作，提升安全性。分析矿车的阻车器数据，提取制动结构特征，有助于评估矿车的制动性能和可靠性，可以识别出潜在的制动故障或不正常磨损，及时采取维护措施，减少因制动失效引发的跑车事故，确保运输过程的安全。整合矿山生产计划和矿车运行状态数据，进行物料运输任务的智能分配，能够提高运输效率，在了解矿山实际需求的基础上，合理分配运输任务，确保每辆矿车在合适的时间和位置执行任务，减少资源浪费和运输延误。依据矿车的运输智能调度数据进行平台架构设计，能够确保调度平台具备灵活性和可扩展性，设计出一个适应不同矿山条件的架构，使得系统在未来可以根据需要进行功能扩展和优化，从而应对不断变化的矿山环境和运营需求。
[0010]可选地，步骤S1具体为：
[0011]步骤S11：获取副斜井矿车UWB标签数据，并根据副斜井矿车UWB标签数据进行短脉冲信号特征提取，从而获得短脉冲信号数据;
[0012]步骤S12：根据短脉冲信号数据进行脉冲信号接收节点基准时间设定，从而获得脉冲信号接收节点基准时间数据;
[0013]步骤S13：根据脉冲信号接收节点基准时间数据以及短脉冲信号数据进行时间差计算，从而获得脉冲信号时间差数据;
[0014]步骤S14：获取短脉冲信号传播速度数据;
[0015]步骤S15：根据脉冲信号时间差数据以及短脉冲信号传播速度数据进行三维坐标计算，从而获得矿车三维坐标数据。
[0016]本发明通过获取矿车的UWB标签数据并提取短脉冲信号特征，为后续定位提供高精度的基础数据，短脉冲信号具有较强的抗干扰能力，能够在复杂的矿山环境中提供稳定的定位信息，确保矿车实时位置的准确性，从而为智能调度提供可靠的依据。通过设定接收节点的基准时间，可以有效同步各节点间的时钟，后续的时间差计算将更加精确，避免因时间不同步引发的定位误差，直接影响到后续计算的可靠性，确保系统能够在动态环境中保持高效运作。通过计算脉冲信号的时间差数据，能够准确估算矿车与各接收节点之间的距离，对于三维定位至关重要，为矿车在空间中的准确定位提供了必要条件，进而支持调度系统实时跟踪矿车位置，提升调度效率。准确获取短脉冲信号的传播速度是进行三维坐标计算的基础，通过这一数据，可以在后续的坐标计算中消除因环境变化导致的误差，从而确保定位结果的精度，增强矿山运输调度的可靠性。结合脉冲信号时间差数据和信号传播速度数据进行三维坐标计算，能够实现矿车在副斜井内的精确定位，这一定位信息使得调度平台能够实时掌握矿车的位置，并据此进行智能化调度，优化运输路线，减少运输时间，提高整体运输效率。
[0017]可选地，步骤S2具体为：
[0018]步骤S21：获取副斜井矿车阻车器数据，并根据副斜井矿车阻车器数据进行矿车制动结构特征提取，从而获得矿车制动结构数据;
[0019]步骤S22：对矿车制动结构数据进行制动异常分析，从而获得制动异常数据;
[0020]步骤S23：对矿车三维坐标数据进行行驶轨迹异常分析，从而获得行驶轨迹异常数据;
[0021]步骤S24：根据制动异常数据以及行驶轨迹异常数据进行矿井跑车模拟，从而获得矿井跑车模拟数据;
[0022]步骤S25：根据矿井跑车模拟数据进行高风险矿车编号设定，从而获得高风险矿车编号数据。
[0023]本发明通过获取矿车阻车器的数据，并提取制动结构特征，可以全面了解矿车的制动系统状况，能够识别制动系统的关键性能指标，包括制动片的磨损状态和制动力的传递效率，从而为后续的异常分析提供坚实基础，这有助于及时发现制动系统的潜在问题，确保矿车在运输过程中的安全性和可靠性。对制动结构数据进行异常分析，可以揭示制动系统在实际运行中的性能偏差，可以检测到如制动延迟、制动失效等潜在风险，从而帮助维护人员及时进行检修和调整，避免因制动故障造成的事故，大大提升了矿车在复杂环境中的安全性，为矿山的生产安全提供了保障。利用矿车的三维坐标数据进行行驶轨迹异常分析，可以识别出矿车在行驶过程中的异常行为，如超速、偏离路线等，能够帮助管理者实时监控矿车的运行状态，及时调整矿车的行驶策略，确保矿车在斜井内安全行驶，避免因轨迹异常引发的安全事故。将制动异常数据与行驶轨迹异常数据结合，用于矿井跑车模拟，可以模拟可能的失控情境并评估风险，为制定相应的预防和应急措施提供可靠的数据支持。矿井跑车模拟的结果有助于提前了解矿车在不同情况下的行为反应，进而优化矿车的运行安全策略。根据模拟结果确定高风险矿车编号，有助于实施精准监控和维护，确保在风险较高的情况下及时进行检查和修复。这种编号的设定能集中资源关注高风险车辆，提高预防和响应措施的效率，减少矿车失控或事故发生的几率，提升整个矿井的运行安全性。
[0024]可选地，步骤S22具体为：
[0025]步骤S221：根据矿车制动结构数据进行制动片特征提取，从而获得制动片数据;
[0026]步骤S222：对制动片数据进行磨损厚度统计，从而获得磨损厚度数据;
[0027]步骤S223：获取制动片初始厚度数据以及最高制动片磨损率数据;
[0028]步骤S224：根据磨损厚度数据以及制动片初始厚度数据进行磨损率计算，从而获得制动片磨损率数据;
[0029]步骤S225：根据最高制动片磨损率数据对制动片磨损率数据进行磨损异常划分，若制动片磨损率数据大于最高制动片磨损率数据，则获得磨损率异常数据;
[0030]步骤S226：对磨损厚度数据进行裂纹检测，从而获得磨损裂纹数据;
[0031]步骤S227：根据磨损裂纹数据以及磨损率异常数据进行制动异常数据整合，从而获得制动异常数据。
[0032]本发明通过对矿车制动结构数据进行制动片特征提取，可以获得有关制动片性能和状态的详细信息，有助于识别制动片的材料特性、设计参数及使用条件，从而为后续的磨损分析奠定基础，准确的制动片数据可以帮助运营团队理解制动系统的有效性和安全性。对制动片数据进行磨损厚度统计，能够清晰地评估每个制动片的当前状态，可以揭示不同矿车在不同工作条件下的磨损模式，提供重要的维护数据，这种统计分析有助于制定合适的维护计划，减少突发的制动失效风险。通过获取制动片的初始厚度和最高磨损率数据，建立了一个比较基准，为后续的磨损计算提供了参考，有助于准确评估制动片的磨损情况，了解初始状态和磨损限制有助于维护团队进行有效的监控和预测，避免过早或过晚更换制动片。根据磨损厚度数据和初始厚度数据进行磨损率计算，可以量化制动片的磨损程度，为制动系统的维护决策提供了关键数据，帮助运营人员判断制动片是否需要更换，磨损率的透明化提高了系统的可预见性，减少了意外故障的风险。通过对磨损率数据与最高磨损率数据的比较，可以识别出磨损异常的制动片，及时发现磨损过度的制动片，能够有效预防导致的制动失效，为维护人员提供了明确的指导，帮助他们在合适的时间进行更换，确保矿车的安全运行。对磨损厚度数据进行裂纹检测，能够识别出制动片表面的潜在裂纹问题，确保制动系统安全的关键，及早发现裂纹可以防止严重的安全隐患，通过采用先进的检测方法，确保制动片的完整性，进一步提升了矿山运输的安全性。根据磨损裂纹数据和磨损率异常数据进行整合，形成综合的制动异常数据，能够全面评估制动系统的状态，为后续的调度决策提供依据，通过实时监控和分析，管理人员可以迅速采取措施，以应对潜在的安全风险，确保矿车在运行过程中的稳定性和可靠性。
[0033]可选地，步骤S226具体为：
[0034]对磨损厚度数据进行磨损均匀度计算，从而获得磨损均匀度数据;
[0035]根据磨损均匀度数据进行均匀度划分，从而获得不均匀磨损厚度数据;
[0036]根据不均匀磨损厚度数据进行磨损区域磁化处理，从而获得磨损区域磁化数据;
[0037]对磨损区域磁化数据进行磁粉喷洒模拟，从而获得磁粉喷洒模拟数据;
[0038]对磁粉喷洒模拟数据进行磁粉堆积检测，从而获得磁粉堆积数据;
[0039]根据磁粉堆积数据进行磨损裂纹区域定位，从而获得磨损裂纹数据。
[0040]本发明通过对磨损厚度数据进行磨损均匀度计算，可以揭示制动片或其他磨损部件的磨损情况，通过确定均匀度数据，运营团队能够识别出异常磨损模式，为后续的维护和更换决策提供科学依据，有助于提前发现潜在的故障风险，确保设备在最佳状态下运行。根据磨损均匀度数据进行均匀度划分，从而获得不均匀磨损厚度数据，能够更细致地分析磨损情况，通过识别不均匀磨损区域，团队可以针对性地进行检查和维护，确保磨损不影响矿车的运行性能，还可以为优化调度和运行提供重要参考，帮助调度系统更好地适应磨损状况。对不均匀磨损厚度数据进行磨损区域磁化处理，可以使得后续的检测过程更加有效，通过将特定磨损区域磁化，能够增强对裂纹和缺陷的检测能力，为后续的故障诊断提供可靠依据。这一过程提高了检测的准确性，有助于延长设备的使用寿命。进行磁粉喷洒模拟，可以为实际检测提供重要的参考数据，通过模拟，团队能够评估喷洒的效果和准确性，优化磁粉使用和检测流程。这一模拟过程为后续的实际操作奠定了基础，确保检测的有效性和可靠性。对磁粉喷洒模拟数据进行磁粉堆积检测，可以识别出磨损裂纹及其特征，通过检测堆积情况，运营团队可以直观地了解裂纹的形状、位置和严重程度，这一信息对于及时的维护和安全决策至关重要，能够有效防止因设备故障导致的安全隐患。根据磁粉堆积数据进行磨损裂纹区域定位，可以为后续的修复和更换提供精确的指导，通过准确定位裂纹，团队可以快速制定出相应的维修计划，减少停机时间，提升矿车的运行效率，这一定位过程不仅提高了维护的针对性，还降低了资源浪费，确保了矿山运输的安全性和效率。
[0041]可选地，步骤S23具体为：
[0042]步骤S231：根据矿车三维坐标数据进行三维轨迹图绘制，从而构获得三维轨迹图数据;
[0043]步骤S232：根据三维轨迹图数据进行矿车弯道轨迹特征提取，从而获得矿车弯道轨迹数据;
[0044]步骤S233：根据矿车弯道轨迹数据进行矿车过弯模拟，从而获得矿车过弯模拟数据;
[0045]步骤S234：对矿车过弯模拟数据进行离心力计算，从而获得矿车弯道行驶离心力数据;
[0046]步骤S235：对矿车过弯模拟数据进行侧向力计算，从而获得矿车弯道行驶侧向力数据;
[0047]步骤S236：根据矿车弯道行驶离心力数据以及矿车弯道行驶侧向力数据进行倾覆风险评估，从而获得矿车弯道行驶倾覆风险数据;
[0048]步骤S237：根据矿车过弯模拟数据进行倾覆角度分析，从而获得矿车过弯倾覆角度数据;
[0049]步骤S238：根据矿车弯道行驶倾覆风险数据以及矿车过弯倾覆角度数据进行矿车过弯时间统计，从而获得矿车过弯时间数据;
[0050]步骤S239：获取矿车正常过弯时间数据，并根据矿车正常过弯时间数据对矿车过弯时间数据进行行驶轨迹异常时间对比，从而获得行驶轨迹异常数据。
[0051]本发明通过根据矿车三维坐标数据绘制三维轨迹图，可以直观展示矿车在矿井中的行驶路径，这一图形化数据帮助运营团队快速理解矿车的移动模式，识别出潜在的行驶障碍和安全隐患，为后续的分析提供清晰的视觉基础。通过对三维轨迹图数据进行矿车弯道轨迹特征提取，能够识别和分析矿车在弯道中的特定行为，有助于了解矿车在不同弯道条件下的动态响应，识别弯道半径、倾角等关键参数，为安全评估提供必要的信息。进行矿车过弯模拟，可以在虚拟环境中预测矿车的表现，这一模拟不仅可以节省实地测试的时间和成本，还可以帮助工程师在设计阶段优化矿车的过弯能力，提高运行安全性和稳定性。对矿车过弯模拟数据进行离心力计算，能够量化矿车在过弯时所受的离心力，有助于判断矿车是否存在失控的风险，支持制定更为严谨的安全标准，确保矿车在特定条件下能够安全运行。通过侧向力计算，能够评估矿车在过弯过程中受到的侧向力，能够揭示矿车在特定转弯条件下的稳定性，为后续的风险评估提供必要的数据支撑，确保矿车的安全性。结合矿车弯道行驶离心力和侧向力数据进行倾覆风险评估，能够综合判断矿车在行驶过程中的倾覆可能性，为运营团队提供了关于矿车安全性的重要信息，帮助他们制定相应的安全措施和预防策略。对矿车过弯模拟数据进行倾覆角度分析，能够量化矿车在过弯过程中的倾斜程度，为判断矿车是否存在倾覆风险提供了直观的数据支持，使得团队能够及时采取干预措施，降低安全隐患。根据矿车弯道行驶倾覆风险数据和倾覆角度数据进行过弯时间统计，有助于评估矿车在不同条件下的过弯效率，不仅可以用于优化调度，还可以作为制定安全驾驶标准的依据。通过与矿车正常过弯时间数据进行对比，能够识别出行驶轨迹异常的时间段，为运营团队提供了监测和预警机制，帮助快速发现潜在的安全问题，从而及时调整调度策略，确保矿车的高效与安全。
[0052]可选地，步骤S237具体为：
[0053]根据矿车过弯模拟数据进行矿车重心高度特征提取以及矿车宽度特征提取，从而获得矿车重心高度数据以及矿车宽度数据;
[0054]根据矿车重心高度数据以及矿车弯道行驶离心力数据进行倾覆力矩计算，从而获得倾覆力矩数据;
[0055]获取矿车载重数据;
[0056]根据矿车宽度数据以及矿车载重数据进行抗倾覆力矩计算，从而获得抗倾覆力矩数据;
[0057]根据倾覆力矩数据以及抗倾覆力矩数据进行倾覆角度判定，若倾覆力矩大于抗倾覆力矩，则获得倾覆角度判定标准数据;
[0058]根据倾覆角度判定标准数据对矿车过弯模拟数据进行倾覆角度判定，从而获得矿车过弯倾覆角度数据。
[0059]本发明通过提取矿车的重心高度和宽度特征，可以有效评估矿车在弯道行驶时的稳定性，这些数据为后续的倾覆力矩计算提供了必要的基础，确保分析的准确性。倾覆力矩的计算结合弯道行驶的离心力数据，能够定量分析矿车在转弯过程中的安全性，为判断潜在的翻覆风险提供科学依据。获取的载重数据进一步增强了对矿车行为的理解，使得在不同载重情况下的抗倾覆能力得以精确评估。通过抗倾覆力矩的计算，可以识别矿车在行驶过程中的安全边界，确保在实际操作中对风险的有效控制。当倾覆力矩大于抗倾覆力矩时，判定的倾覆角度标准数据能够及时预警，减少意外事故的发生概率，提升矿车的行驶安全性。最终，通过倾覆角度判定，可以获得矿车在过弯时的倾覆角度数据，这为智能调度系统提供了实时反馈，增强了其动态调整能力，确保矿车在各种复杂环境中的安全运营，从而提升整个矿山运输系统的效率和安全性。
[0060]可选地，步骤S3具体为：
[0061]步骤S31：获取矿山生产计划数据以及矿车运行状态数据;
[0062]步骤S32：根据矿车运行状态数据进行矿车待调度状态特征提取，从而获得矿车待调度状态数据;
[0063]步骤S33：根据矿山生产计划数据对矿车待调度状态数据进行物料运输任务分配，从而获得矿车物料运输任务数据;
[0064]步骤S34：根据矿车物料运输任务数据进行完成度统计，从而获得矿车物料运输任务完成数据，并根据矿车物料运输任务完成数据进行闲置矿车识别，从而获得闲置矿车数据;
[0065]步骤S35：获取副斜井道岔分布数据;
[0066]步骤S36：根据副斜井道岔分布数据以及闲置矿车数据对矿井跑车数据进行矿车调度路径规划，从而获得矿车调度路径数据;
[0067]步骤S37：根据高风险矿车编号数据进行矿井跑车运输任务特征提取，从而获得矿井跑车运输任务数据;
[0068]步骤S38：根据闲置矿车数据以及矿车调度路径数据对矿井跑车运输任务数据进行物料运输智能调度，从而获得矿车物料运输智能调度数据。
[0069]本发明通过提取矿车运行状态数据的特征，识别处于待调度状态的矿车，这样可以实时了解可供使用的运输资源。结合生产计划进行任务分配，确保矿车资源根据优先级和需求合理分布，提高调度效率。通过统计运输任务的完成情况，可识别并标记闲置的矿车，有助于优化矿车的使用率，避免资源浪费。获取副斜井道岔分布数据后，能够在调度中规划最佳路径，减少运输时间和路径冲突。结合这些信息，可以制定高效的运输路径，保障物料的及时和安全运输。根据高风险矿车编号数据提取相关任务特征，有助于在调度时特别关注这些高风险车辆，以降低事故风险。通过将闲置矿车和调度路径结合，可以制定物料运输的智能调度策略，实现灵活调配和任务分配，提高整体矿车调度系统的响应速度和安全性。
[0070]可选地，步骤S36具体为：
[0071]步骤S361：根据副斜井道岔分布数据进行道岔特征提取以及矿道特征提取，从而获得道岔数据以及矿道数据;
[0072]步骤S362：根据道岔数据以及矿道数据进行矿井道路网络模型构建，从而获得矿井道路网络模型;
[0073]步骤S363：根据闲置矿车数据对矿井道路网络模型进行矿车调度最短路径规划，从而获得矿车调度最短路径数据;
[0074]步骤S364：根据闲置矿车数据对矿车调度最短路径数据进行智能道岔路径管理，从而获得智能道岔路径数据;
[0075]步骤S365：根据智能道岔路径数据以及矿车调度最短路径数据进行矿车调度路径融合，从而获得矿车调度路径数据。
[0076]本发明通过道岔和矿道特征提取，可以全面了解矿井的基础设施状况，为后续的道路网络模型构建提供关键数据支持。这一过程能够揭示矿道的通行能力和道岔的运作特性，有助于优化矿井的交通布局。构建矿井道路网络模型能够直观地呈现矿井的交通系统，为分析和优化矿车调度提供了强有力的工具。这种模型不仅提升了对矿井交通流动性的理解，还为后续的路径规划提供了科学依据。对闲置矿车进行调度最短路径规划可以确保资源的有效利用，通过合理的路径选择减少空载情况，提高运输效率，降低运营成本。同时，智能道岔路径管理结合了实际运行数据，能够动态调整调度路径，提升道岔的使用效率，保证矿车的快速通行，进一步增强了调度的灵活性。最终，通过路径融合，将智能道岔路径与最短路径相结合，可以实现更为高效的调度策略，确保矿车在复杂的矿井环境中以最优的方式完成运输任务，提升整体运营效率，降低潜在风险。这样的系统设计不仅提高了调度的科学性和精准性，也为矿山的智能化管理奠定了基础。
[0077]可选地，步骤S4具体为：
[0078]步骤S41：根据矿车物料运输智能调度数据进行数据库架构设计，从而获得数据库架构数据;
[0079]步骤S42：根据矿车物料运输智能调度数据进行系统模块划分，从而获得系统模块数据;
[0080]步骤S43：根据系统模块数据以及数据库架构数据进行智能调度平台架构设计，从而获得智能调度平台架构数据;
[0081]步骤S44：根据矿车物料运输智能调度数据进行用户界面设计，从而获得用户界面数据;
[0082]步骤S45：根据智能调度平台架构数据以及用户界面数据进行智能调度平台创建，从而获得智能调度平台数据。
[0083]本发明通过对矿车物料运输智能调度数据进行数据库架构设计，可以建立一个高效、可靠的数据存储和管理系统，确保数据的结构性和一致性，为后续的数据分析和应用提供基础。系统模块的划分能够使整体系统更加模块化和灵活，便于各个功能模块的独立开发和维护，同时促进系统的可扩展性和可重用性，提高开发效率。智能调度平台架构设计结合了数据库架构和系统模块数据，能够实现更为高效的信息流动和资源配置，确保调度过程的快速响应和高效运作。用户界面的设计则重点关注用户体验，通过直观的界面和易用的操作流程，提升用户的操作效率和满意度，从而促进平台的广泛应用。最后，将智能调度平台架构与用户界面数据整合创建智能调度平台，可以形成一个功能全面、操作便捷的系统，使得矿车物料运输调度过程更加智能化和高效化，最终优化矿山生产作业的整体效率与安全性。这一系列步骤共同为矿山辅助运输提供了一个集成化的解决方案，推动了矿山智能化管理的进程。
附图说明
[0084]通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0085]图1为本发明用于矿山辅助运输智能调度平台的创建方法的步骤流程示意图;
[0086]图2为本发明中步骤S1的详细步骤流程示意图;
[0087]图3为本发明中步骤S2的详细步骤流程示意图;
[0088]本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0089]下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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，都属于本发明保护的范围。
[0090]此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
[0091]应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
[0092]为实现上述目的，请参阅图1至图3，本发明提供了一种用于矿山辅助运输智能调度平台的创建方法，所述方法包括以下步骤：
[0093]步骤S1：获取副斜井矿车UWB标签数据，并根据副斜井矿车UWB标签数据进行信号时间差分析，从而获得信号时间差数据;根据信号时间差数据进行矿车三维坐标构建，从而获得矿车三维坐标数据;
[0094]本实施例中，收集副斜井矿车的UWB(超宽带)标签数据，通过安装在矿车上的UWB标签，利用接收器捕获信号并记录接收信号的时间戳;接下来，通过对不同接收器接收到的信号进行时间差分析，计算出信号传播时间差。具体而言，计算方法为：对于每对接收器，利用公式Δt=t1-t2计算时间差，其中t1和t2为接收到信号的时间，将时间差数据应用于三维定位算法，使用三角测量法得到矿车的三维坐标数据，这一过程涉及已知接收器的空间位置和信号传播速度，通过对三维坐标数据的进一步处理，生成精确的矿车位置数据。
[0095]步骤S2：获取副斜井矿车阻车器数据，并根据副斜井矿车阻车器数据进行矿车制动结构特征提取，从而获得矿车制动结构数据;根据矿车制动结构数据以及矿车三维坐标数据进行矿井跑车模拟，从而获得矿井跑车模拟数据;根据矿井跑车模拟数据进行高风险矿车编号设定，从而获得高风险矿车编号数据;
[0096]本实施例中，副斜井矿车的阻车器数据通过安装在轨道上的力学传感器和加速度传感器进行获取，这些传感器收集矿车接近、接触和离开阻车器时的动态数据，包括制动力大小、矿车速度、阻车器的触发位移等信息;制动结构特征提取过程使用基于信号处理的算法，将采集的原始数据通过小波变换进行分解，提取出制动力的瞬时变化值和稳定状态下的平均制动力等关键特征;结合矿车的三维坐标数据，在矿井环境仿真平台上模拟矿车在实际操作中的行为，利用有限元分析方法对矿车制动过程中应力和位移的分布进行动态仿真。生成的矿井跑车模拟数据将显示矿车的制动性能及运行状态，根据仿真数据，利用专家系统算法筛选出制动性能达不到安全标准的矿车，将其编号设定为高风险矿车，记录在系统的风险数据库中。
[0097]步骤S3：获取矿山生产计划数据以及矿车运行状态数据;根据矿山生产计划数据以及矿车运行状态数据进行物料运输任务分配，从而获得矿车物料运输任务数据;根据高风险矿车编号数据以及矿车物料运输任务数据进行运输智能调度，从而获得矿车物料运输智能调度数据;
[0098]本实施例中，矿山生产计划数据通过矿山信息管理系统(如ERP系统)获取，包括每日物料输送需求、矿车调度时间表等。矿车运行状态数据由安装在矿车上的传感器实时传输至中央控制系统，涵盖矿车的速度、载重量、当前作业状态等详细信息。基于生产计划与运行状态数据，使用线性规划方法进行物料运输任务分配，将任务与矿车的空闲时间、运载能力进行匹配，输出矿车物料运输任务数据。将高风险矿车编号数据纳入运输任务分配逻辑中，使用决策树算法优先将任务分配给低风险矿车，确保调度计划的安全性。
[0099]步骤S4：根据矿车物料运输智能调度数据进行智能调度平台架构设计，从而获得智能调度平台架构数据;根据智能调度平台架构数据以及矿车物料运输智能调度数据进行智能调度平台创建，从而获得智能调度平台数据。
[0100]本实施例中，基于矿车物料运输智能调度数据，进行智能调度平台的架构设计，架构设计过程中，明确系统功能需求，包括实时监控、任务分配和故障预警等;使用系统建模工具，创建平台架构图，标示出各功能模块之间的关系及数据流向;接着，根据架构设计数据，进行智能调度平台的具体实现，应用数据库技术建立数据存储系统，并利用数据分析工具进行调度算法的编写，保证矿车物料运输的实时调度能力。通过对调度平台进行测试和优化，确保系统的稳定性和可靠性，从而获得完整的智能调度平台数据。
[0101]可选地，步骤S1具体为：
[0102]步骤S11：获取副斜井矿车UWB标签数据，并根据副斜井矿车UWB标签数据进行短脉冲信号特征提取，从而获得短脉冲信号数据;
[0103]本实施例中，收集副斜井矿车上UWB(超宽带)标签发出的短脉冲信号数据，通过在矿车上安装UWB标签，系统定期发送短脉冲信号，这些信号由布置在矿井周围的多个接收节点接收，数据采集使用信号处理设备，捕获短脉冲信号的幅度、持续时间及波形等特征，通过快速傅里叶变换(FFT)方法，对捕获的信号进行频谱分析，提取短脉冲信号的关键特征，如信号强度、上升沿和下降沿时间，以及脉冲宽度，经过这些处理后，形成完整的短脉冲信号数据集，为后续分析提供基础。
[0104]步骤S12：根据短脉冲信号数据进行脉冲信号接收节点基准时间设定，从而获得脉冲信号接收节点基准时间数据;
[0105]本实施例中，设定脉冲信号接收节点的基准时间，每个接收节点在接收信号时，记录下该信号到达的时间戳，为了确保时间基准的一致性，采用全局定位系统(GPS)或高精度时钟模块，为每个接收节点同步时间;此时，收集到的时间数据将作为脉冲信号接收节点的基准时间数据，数据中应包括时间戳及其对应的接收节点编号，以便后续计算和数据分析时准确使用。
[0106]步骤S13：根据脉冲信号接收节点基准时间数据以及短脉冲信号数据进行时间差计算，从而获得脉冲信号时间差数据;
[0107]本实施例中，使用脉冲信号接收节点的基准时间数据和短脉冲信号数据进行时间差计算。通过比较同一脉冲信号在不同接收节点接收到的时间戳，计算信号传播的时间差。具体而言，设定一个参考接收节点，其他节点相对于该节点的时间戳进行减法运算，得到时间差数据。所使用的公式为：
[0108]Δt=t_receiving-t_reference,
[0109]其中Δt为时间差，t_receiving为当前接收节点接收到信号的时间，t_reference为参考节点的时间。这样，通过整理所有节点的时间差数据，形成脉冲信号时间差数据集，为后续坐标计算奠定基础。
[0110]步骤S14：获取短脉冲信号传播速度数据;
[0111]本实施例中，获取短脉冲信号的传播速度数据。这一数据通常基于已有的信号传播模型，利用已知的环境参数如温度和湿度进行调整。短脉冲信号在空气中的传播速度约为光速的99%(约299,792,458 m/s)，而在矿井中的实际传播速度受环境因素影响，可以通过实验测量得到。通过在控制环境中发送短脉冲信号，并记录信号在已知距离上的传播时间，利用公式v=d/t计算得到短脉冲信号的传播速度数据，其中v为传播速度，d为已知距离，t为传播时间。
[0112]步骤S15：根据脉冲信号时间差数据以及短脉冲信号传播速度数据进行三维坐标计算，从而获得矿车三维坐标数据。
[0113]本实施例中，利用脉冲信号时间差数据和短脉冲信号传播速度数据进行三维坐标计算。首先，设定一个三维坐标系，并将接收节点的坐标信息作为已知参数。根据不同接收节点的时间差，结合传播速度，应用三角定位算法计算矿车的三维坐标。通过公式计算每个接收节点与矿车之间的距离：
[0114]d=vΔt，
[0115]其中v为传播速度，d为已知距离，Δt为时间差。得出矿车与各接收节点的相对距离。接着，利用这些距离与接收节点的已知坐标，通过几何方法进行定位，最终确定矿车的三坐标数据。这样，得到的三维坐标数据将用于后续的矿车定位和调度管理。
[0116]可选地，步骤S2具体为：
[0117]步骤S21：获取副斜井矿车阻车器数据，并根据副斜井矿车阻车器数据进行矿车制动结构特征提取，从而获得矿车制动结构数据;
[0118]本实施例中，获取副斜井矿车的阻车器数据。通过安装在阻车器上的传感器，实时监测矿车制动时施加的力、制动时间及位置等关键参数。收集的数据包括阻车器施加的最大制动力、施加时间的持续性以及制动反应时间。为确保数据准确，采用高频采样技术，以每秒钟采集数百次数据，从而形成连续的制动力时间序列。对收集到的原始数据进行特征提取，使用信号处理技术分析制动力的变化趋势，并计算出制动结构的关键特征值，如平均制动力、最大制动力及其变化速率。经过分析后，形成矿车制动结构数据，为后续的制动异常分析提供基础。
[0119]步骤S22：对矿车制动结构数据进行制动异常分析，从而获得制动异常数据;
[0120]本实施例中，基于矿车制动结构数据进行制动异常分析。设定正常制动特征的阈值范围，以确保与正常运行状态相对比。利用统计分析方法，如均值和标准差，建立制动特征的正常分布模型。将实际测得的制动特征与该模型进行比较，判断是否存在超出设定阈值的异常情况。通过计算异常指数(例如，Z-score)，确定制动的异常程度。若某个参数超出正常范围，则记录为制动异常数据。制动异常数据包括异常类型、持续时间及发生频率等信息，这些数据为后续的安全分析和风险评估提供支持。
[0121]步骤S23：对矿车三维坐标数据进行行驶轨迹异常分析，从而获得行驶轨迹异常数据;
[0122]本实施例中，利用矿车的三维坐标数据进行行驶轨迹异常分析。确定正常行驶轨迹的标准，包括轨迹的合理范围和预定行驶速度。使用移动平均滤波器处理三维坐标数据，平滑轨迹，以减少噪声影响。然后，通过设定阈值，如最大偏离距离和最大速度变化率，分析实际行驶轨迹与正常轨迹的差异。若实际轨迹的某个点偏离正常轨迹超过设定的最大偏离距离或速度变化超过最大速率，则记录该点为异常点，并生成行驶轨迹异常数据。行驶轨迹异常数据包括异常位置、偏离程度及偏离持续时间，为后续的数据整合提供基础。
[0123]步骤S24：根据制动异常数据以及行驶轨迹异常数据进行矿井跑车模拟，从而获得矿井跑车模拟数据;
[0124]本实施例中，将制动异常数据与行驶轨迹异常数据整合输入至矿井跑车仿真模块。该模块基于物理仿真软件如ANSYS或ADAMS进行建模和动态模拟，考虑矿车的质量、速度、制动力、轨迹等参数。仿真过程中，将这些输入数据与矿井运行环境相结合，通过应力分析和动力学计算，模拟矿车在多种工况下的行为，预测可能的失稳或跑车情形。输出数据为矿井跑车模拟数据，包括风险时间点和风险路径。
[0125]步骤S25：根据矿井跑车模拟数据进行高风险矿车编号设定，从而获得高风险矿车编号数据。
[0126]本实施例中，根据矿井跑车模拟数据中的高风险区域和潜在失控点，利用统计分析软件(如R语言或Matlab)对所有矿车进行编号比对，筛选出高风险矿车。高风险矿车的编号基于其在仿真中多次出现的异常情况、制动异常次数和轨迹偏离的累计风险值来设定，例如，当一个矿车在仿真中被标记的高风险次数超过5次时，其编号被设定为高风险矿车。此信息存储在矿井中央数据库中，用于后续的风险管控与调度策略制定。
[0127]可选地，步骤S22具体为：
[0128]步骤S221：根据矿车制动结构数据进行制动片特征提取，从而获得制动片数据;
[0129]本实施例中，通过矿车制动结构数据进行制动片特征提取。对制动结构中的制动片进行详细分析，收集制动片在工作状态下的动态特征数据，包括温度、制动频率和施加压力等。利用传感器阵列实时监测制动片的物理特性，特别关注摩擦系数、热变形及其在不同工况下的表现。采用信号处理算法，对采集的原始数据进行傅里叶变换，从而提取出制动片的频域特征和时域特征。最终生成包含制动片性能参数和特征的制动片数据，为后续磨损厚度统计提供基础。
[0130]步骤S222：对制动片数据进行磨损厚度统计，从而获得磨损厚度数据;
[0131]本实施例中，利用制动片数据进行磨损厚度统计。通过精密测量仪器对制动片的厚度进行定期测量，确保数据的准确性。收集的数据包括多个时间点的厚度值，通过统计分析方法计算出制动片的平均厚度、最小厚度和最大厚度。采用标准差分析法，判断厚度分布的稳定性，并通过设定的阈值对磨损程度进行分类。例如，设定磨损阈值为新厚度的80%，以便监测磨损情况。最终形成磨损厚度数据，为磨损率计算和异常分析奠定基础。
[0132]步骤S223：获取制动片初始厚度数据以及最高制动片磨损率数据;
[0133]本实施例中，获取制动片的初始厚度数据和最高制动片磨损率数据。初始厚度数据通过新制动片的技术规格获得，记录每片制动片的制造厚度，以便后续比较。最高制动片磨损率数据可以通过历史数据分析和现场测试获得，通常包括不同工况下的磨损速率统计结果。这些数据的获取采用长期监测与记录结合的方法，通过对多次运行测试数据进行回归分析，确定一个合理的磨损率上限。这些数据在后续的磨损率计算中将作为重要的参考值。
[0134]步骤S224：根据磨损厚度数据以及制动片初始厚度数据进行磨损率计算，从而获得制动片磨损率数据;
[0135]本实施例中，根据磨损厚度数据和制动片初始厚度数据进行磨损率计算。采用公式计算磨损率，具体公式为：磨损率 = (初始厚度 - 当前厚度) / 初始厚度 × 100%。提取磨损厚度数据和初始厚度数据，确保数据的准确性和一致性。在计算过程中，使用编程语言如Python或MATLAB进行数据处理，确保高效性与准确性。计算完成后，将所有制动片的磨损率数据整合形成一个数据集，为后续的异常划分提供依据。
[0136]步骤S225：根据最高制动片磨损率数据对制动片磨损率数据进行磨损异常划分，若制动片磨损率数据大于最高制动片磨损率数据，则获得磨损率异常数据;
[0137]本实施例中，依据最高制动片磨损率数据对制动片磨损率数据进行磨损异常划分。设定一个标准阈值，通常为在最高磨损率的95%位置。利用数据分析工具对磨损率数据进行对比，识别出所有磨损率高于设定阈值的情况。通过计算每个磨损率值与最高磨损率的差异，将超出该差异范围的数据标记为磨损率异常数据。生成的磨损率异常数据包括异常值、出现时间及持续时间，为进一步分析制动性能提供数据支持。
[0138]步骤S226：对磨损厚度数据进行裂纹检测，从而获得磨损裂纹数据;
[0139]本实施例中，对磨损厚度数据进行磨损均匀度计算，以评估制动片的磨损状态。收集各个制动片在不同位置的磨损厚度数据，形成一组完整的磨损数据集。通过计算每个磨损厚度值与该制动片平均厚度之间的差异，采用方差分析法得到磨损均匀度数据。具体操作中，利用公式计算磨损均匀度：均匀度 =1-(标准差/平均厚度)，其中标准差反映磨损的离散程度。均匀度值接近1表示磨损均匀，而接近0则表示磨损不均匀。最终形成的磨损均匀度数据为后续的均匀度划分提供依据。在均匀度划分过程中，设定合理的均匀度阈值，例如0.8，作为判断磨损状态的标准。根据计算得出的均匀度数据，识别出所有不符合均匀度标准的制动片，记录其磨损厚度信息并分类为不均匀磨损厚度数据。这些不均匀磨损厚度数据为后续的磁化处理提供了目标区域。针对不均匀磨损厚度数据进行磨损区域磁化处理。通过使用电磁设备，在不均匀磨损区域施加适当的磁场，以便突出显示该区域的特征。磁化处理后，利用磁粉喷洒模拟，模拟过程中将细小的磁粉均匀喷洒在磨损区域，以观察其反应。在磁粉喷洒后，进行视觉检测与数据记录，以获得磁粉喷洒模拟数据，形成对磨损区域状态的初步评估。
[0140]对磁粉喷洒模拟数据进行磁粉堆积检测，利用图像处理算法分析磁粉在不同磨损区域的堆积情况。通过设定阈值和检测参数，识别出堆积较多的区域，并记录相关数据。最终，结合磁粉堆积数据进行磨损裂纹区域定位，形成磨损裂纹数据集。该数据集包括裂纹位置、深度及严重程度等信息，为后续的维护和安全决策提供依据。
[0141]步骤S227：根据磨损裂纹数据以及磨损率异常数据进行制动异常数据整合，从而获得制动异常数据。
[0142]本实施例中，基于磨损裂纹数据和磨损率异常数据进行制动异常数据整合。将两种数据进行交叉分析，查找裂纹出现与磨损率异常之间的关联。通过设定关联分析模型，识别出因磨损率异常引发的裂纹风险。若裂纹与磨损率异常同时存在，则记录为严重的制动异常数据。最终形成的制动异常数据集包括异常类型、发生时间、影响程度及建议处理措施，为矿车的安全运营提供重要的决策依据。
[0143]可选地，步骤S226具体为：
[0144]对磨损厚度数据进行磨损均匀度计算，从而获得磨损均匀度数据;
[0145]本实施例中，收集各个制动片在多个测量点的磨损厚度数据，形成一个包含每个测量点磨损值的数组。计算该数组的平均值和标准差，通过公式：磨损均匀度 = 1 - (标准差 / 平均厚度)，得出均匀度值。均匀度值接近1表示磨损均匀，接近0则表示磨损不均匀。通过设定阈值(例如0.2)，判断磨损是否符合均匀标准，并形成磨损均匀度数据集，为后续分析提供依据。
[0146]根据磨损均匀度数据进行均匀度划分，从而获得不均匀磨损厚度数据;
[0147]本实施例中，根据得到的磨损均匀度数据进行均匀度划分，目标是识别出不均匀磨损的制动片。通过设定具体的均匀度阈值(如0.8)，对每个制动片的均匀度进行分类。将均匀度低于此阈值的制动片标记为不均匀磨损，记录其对应的磨损厚度数据。形成的不均匀磨损厚度数据集将包括具体位置及其磨损程度。这一数据为后续的磁化处理提供目标区域，确保处理的针对性和有效性。
[0148]根据不均匀磨损厚度数据进行磨损区域磁化处理，从而获得磨损区域磁化数据;
[0149]本实施例中，利用电磁设备，针对识别出不均匀磨损的区域施加特定的磁场，通常选择直流电源以产生稳定的磁场。磁化过程中，设定合适的磁场强度(如200-400 mT)，并确保处理时间足够长，以使磁场均匀覆盖目标区域。通过测量和调整施加的电流与磁场强度，生成的磨损区域磁化数据将为后续的磁粉检测打下基础。
[0150]对磨损区域磁化数据进行磁粉喷洒模拟，从而获得磁粉喷洒模拟数据;
[0151]本实施例中，选用细小的铁磁粉末，采用气压喷洒装置，将磁粉均匀喷洒在已磁化的磨损区域。通过调整喷洒压力和距离，确保磁粉能够充分覆盖目标区域并有效粘附。喷洒后，通过观察磁粉在不同磨损区域的分布情况，生成的磁粉喷洒模拟数据将记录每个区域的喷洒效果，确保磁粉能够在潜在裂纹区域形成集聚。
[0152]对磁粉喷洒模拟数据进行磁粉堆积检测，从而获得磁粉堆积数据;
[0153]本实施例中，通过图像处理技术，利用高清摄像设备拍摄喷洒后的区域图像，运用计算机视觉算法分析图像中的磁粉分布。设定阈值(如堆积比例大于一定值)以区分正常和异常区域，进行二值化处理，识别出磁粉的堆积情况。最终，形成的磁粉堆积数据包括堆积区域的位置及其堆积密度，为后续裂纹区域定位提供支持。
[0154]根据磁粉堆积数据进行磨损裂纹区域定位，从而获得磨损裂纹数据。
[0155]本实施例中，基于堆积检测结果，采用图像分析算法(如边缘检测和区域生长)定位堆积严重的区域，并与已知的磨损区域数据结合，确认潜在的裂纹位置。设定有效的定位标准，如堆积面积和堆积密度，形成磨损裂纹数据。最终得到的数据包括裂纹的具体位置、形状及其大小，为进一步的维护和安全管理提供重要信息。
[0156]可选地，步骤S23具体为：
[0157]步骤S231：根据矿车三维坐标数据进行三维轨迹图绘制，从而构获得三维轨迹图数据;
[0158]本实施例中，根据矿车三维坐标数据进行三维轨迹图绘制。收集矿车在不同时间点的三维坐标数据，包括X、Y、Z轴的位置信息。采用计算机图形学技术，使用三维可视化软件(如MATLAB、Python中的Matplotlib或Plotly等)绘制矿车的运动轨迹。通过绘制路径线，将连续的坐标点连接形成三维轨迹图，直观展示矿车的运动路径。此过程中，需要设定坐标轴的范围，以确保轨迹图的完整性与清晰度，最终生成的三维轨迹图数据为后续分析提供基础。
[0159]步骤S232：根据三维轨迹图数据进行矿车弯道轨迹特征提取，从而获得矿车弯道轨迹数据;
[0160]本实施例中，根据三维轨迹图数据进行矿车弯道轨迹特征提取。对生成的三维轨迹图进行分析，识别出轨迹中的弯道部分，通常通过计算轨迹的曲率实现。设定曲率阈值，确定什么样的曲率值可被视为弯道。通过计算每个点的曲率值，将符合条件的轨迹段提取为矿车弯道轨迹数据。这些数据包括弯道的起始点、终止点、曲率半径和弯道的角度等，记录弯道特征为后续过弯模拟提供数据支持。
[0161]步骤S233：根据矿车弯道轨迹数据进行矿车过弯模拟，从而获得矿车过弯模拟数据;
[0162]本实施例中，根据矿车弯道轨迹数据进行矿车过弯模拟，基于弯道的特征数据，设定矿车的运动参数，包括速度、转向角度和质心位置。采用物理仿真软件(如MATLABSimulink或自定义仿真模型)，构建矿车在弯道上运动的数学模型。通过模拟计算矿车在不同速度和转向条件下的运动轨迹，得到矿车过弯模拟数据。模拟结果包含矿车在过弯过程中的位置变化、速度变化及加速度等信息，为后续的离心力和侧向力计算提供必要的数据基础。
[0163]步骤S234：对矿车过弯模拟数据进行离心力计算，从而获得矿车弯道行驶离心力数据;
[0164]本实施例中，对矿车过弯模拟数据进行离心力计算。离心力的计算公式为：
[0165]F_c=mv²/r，
[0166]其中F_c为离心力，m为矿车的质量，v为矿车的速度，r为弯道的半径。根据过弯模拟数据提取每一时刻的速度及其对应的弯道半径，利用上述公式逐点计算离心力数据。通过编程工具如Python，创建循环计算过程，最终生成矿车弯道行驶离心力数据。这些数据有助于分析矿车在过弯时的稳定性，为后续的风险评估提供基础。
[0167]步骤S235：对矿车过弯模拟数据进行侧向力计算，从而获得矿车弯道行驶侧向力数据;
[0168]本实施例中，对矿车过弯模拟数据进行侧向力计算。侧向力是影响矿车过弯稳定性的重要因素，其计算公式为：
[0169]F_s=ma_s ，
[0170]其中F_s为侧向力，m为矿车的质量，a_s为侧向加速度。通过过弯模拟数据获得矿车在弯道中的加速度信息，尤其是侧向加速度。在此基础上，使用上述公式逐点计算侧向力，记录每个时刻的侧向力值。最终形成的矿车弯道行驶侧向力数据将用于进一步的倾覆风险评估分析。
[0171]步骤S236：根据矿车弯道行驶离心力数据以及矿车弯道行驶侧向力数据进行倾覆风险评估，从而获得矿车弯道行驶倾覆风险数据;
[0172]本实施例中，根据矿车弯道行驶离心力数据和矿车弯道行驶侧向力数据进行倾覆风险评估。设定倾覆风险的评估标准，包括离心力和侧向力的安全阈值。通过对比实际计算得到的离心力和侧向力与设定的阈值，判断矿车在过弯时的稳定性。若计算结果显示离心力或侧向力超过设定的安全阈值，则记录为倾覆风险数据。综合这些数据，评估矿车在特定弯道和速度条件下的倾覆风险程度，为安全管理提供依据。
[0173]步骤S237：根据矿车过弯模拟数据进行倾覆角度分析，从而获得矿车过弯倾覆角度数据;
[0174]本实施例中，根据矿车过弯模拟数据进行倾覆角度分析。倾覆角度的计算基于矿车的重心高度与侧向力、离心力的关系，具体采用公式：
[0175]tan(θ)=F_s/(mg) ，
[0176]其中θ为倾覆角度，F_s为侧向力，g为重力加速度。通过分析过弯模拟数据，提取出每个时刻的侧向力值，结合矿车的质量和重心高度，逐点计算倾覆角度。最终生成的矿车过弯倾覆角度数据将有助于进一步理解在特定情况下的行驶稳定性。
[0177]步骤S238：根据矿车弯道行驶倾覆风险数据以及矿车过弯倾覆角度数据进行矿车过弯时间统计，从而获得矿车过弯时间数据;
[0178]本实施例中，根据矿车弯道行驶倾覆风险数据和矿车过弯倾覆角度数据进行矿车过弯时间统计。提取过弯模拟数据中的时间信息，记录矿车在通过每个弯道时的总时间。通过综合考虑倾覆风险数据和倾覆角度，确定在特定条件下矿车的安全过弯时间。计算过程包括对比不同条件下的过弯时间，并记录所有超过安全时间的情况，以形成矿车过弯时间数据，确保安全性与可靠性。
[0179]步骤S239：获取矿车正常过弯时间数据，并根据矿车正常过弯时间数据对矿车过弯时间数据进行行驶轨迹异常时间对比，从而获得行驶轨迹异常数据。
[0180]本实施例中，获取矿车正常过弯时间数据，并根据矿车正常过弯时间数据对矿车过弯时间数据进行行驶轨迹异常时间对比。正常过弯时间数据可以通过历次测试获得，包括在不同环境与速度条件下的标准时间。将正常过弯时间与矿车实际过弯时间进行对比，利用统计分析方法确定超出正常时间的异常情况。通过计算超出阈值的时间差，形成行驶轨迹异常数据。最终，这些数据为进一步的安全评估和改进提供了依据。
[0181]可选地，步骤S237具体为：
[0182]根据矿车过弯模拟数据进行矿车重心高度特征提取以及矿车宽度特征提取，从而获得矿车重心高度数据以及矿车宽度数据;
[0183]本实施例中，对矿车过弯模拟数据进行分析，提取矿车的重心高度和宽度特征。重心高度的提取依赖于矿车的几何模型，通过对模型各部件的质量分布进行计算，运用公式：
[0184] ，
[0185]计算出重心高度，其中表示各部件质量，表示对应高度。矿车宽度特征则通过测量车体宽度及车轮位置的最外侧边缘获得。经过测量和计算，最终得出矿车重心高度数据和宽度数据，为后续的倾覆分析提供基础数据。
[0186]根据矿车重心高度数据以及矿车弯道行驶离心力数据进行倾覆力矩计算，从而获得倾覆力矩数据;
[0187]本实施例中，利用矿车重心高度数据以及矿车弯道行驶离心力数据，进行倾覆力矩的计算。倾覆力矩的计算公式为：
[0188] ，
[0189]其中m为矿车质量，g为重力加速度，为重心高度。通过结合矿车的行驶状态与离心力的测量数据，可以获得在特定过弯条件下的倾覆力矩数据。确保在计算过程中，考虑到动态因素对倾覆力矩的影响，确保数据准确可靠。
[0190]获取矿车载重数据;
[0191]本实施例中，载重数据通常通过称重传感器获取，传感器安装在矿车底部，实时监测矿车承载的物料重量。通过与矿车运行监控系统相结合，实时记录和更新载重数据，以确保数据的准确性和时效性。该数据将为后续的抗倾覆力矩计算提供必要的输入。
[0192]根据矿车宽度数据以及矿车载重数据进行抗倾覆力矩计算，从而获得抗倾覆力矩数据;
[0193]本实施例中，根据矿车宽度数据以及矿车载重数据进行抗倾覆力矩的计算。抗倾覆力矩可以通过公式：
[0194]Ma=WL ，
[0195]其中W为矿车载重，L为从支撑点到重心的水平距离。宽度数据提供了矿车在过弯时的稳定性基础，通过结合载重数据，能够更精确地计算出抗倾覆力矩。确保在计算时，宽度与载重的参数充分结合，以确保抗倾覆力矩数据的可靠性。
[0196]根据倾覆力矩数据以及抗倾覆力矩数据进行倾覆角度判定，若倾覆力矩大于抗倾覆力矩，则获得倾覆角度判定标准数据;
[0197]本实施例中，根据倾覆力矩数据和抗倾覆力矩数据进行倾覆角度的判定。设定标准条件下的倾覆角度阈值，以确定是否发生倾覆。在计算过程中，通过公式
[0198] ，
[0199]进行倾覆角度计算。当倾覆力矩大于抗倾覆力矩时，判定发生倾覆风险，并记录相关数据。该标准为矿车在行驶过程中的安全监控提供了重要依据，确保及时采取防范措施。
[0200]根据倾覆角度判定标准数据对矿车过弯模拟数据进行倾覆角度判定，从而获得矿车过弯倾覆角度数据。
[0201]本实施例中，通过将实际测得的倾覆角度与设定的判定标准进行对比，分析矿车在不同过弯条件下的表现。若实际倾覆角度超过设定的阈值，则记录为倾覆风险状态，形成矿车过弯倾覆角度数据。该数据将用于后续的矿车设计改进和安全评估，确保矿车在行驶过程中的稳定性与安全性。
[0202]可选地，步骤S3具体为：
[0203]步骤S31：获取矿山生产计划数据以及矿车运行状态数据;
[0204]本实施例中，从矿山管理系统中提取矿山生产计划数据。生产计划数据包括各矿区的物料需求、运输时间表以及矿车分配情况等信息。这些数据通过数据库查询工具进行访问，并确保数据的实时性与准确性。同时，从矿车监控系统中获取运行状态数据，该数据包括矿车的当前位置、速度、负载状态和故障信息。运行状态数据通过实时传感器和监测系统收集，确保监控信息的及时更新。综合这两部分数据，形成一个用于后续调度和任务分配的基础数据集。
[0205]步骤S32：根据矿车运行状态数据进行矿车待调度状态特征提取，从而获得矿车待调度状态数据;
[0206]本实施例中，使用数据分析技术，对矿车的运行状态进行分类，以识别哪些矿车处于待调度状态。待调度状态的判定标准包括矿车是否处于空载、未被分配任务且位置相对静止。通过设定静止时间阈值(如10分钟)来识别待调度矿车。数据分析工具对获取的运行状态数据进行处理，从而提取出待调度状态数据，形成矿车调度的基础信息。
[0207]步骤S33：根据矿山生产计划数据对矿车待调度状态数据进行物料运输任务分配，从而获得矿车物料运输任务数据;
[0208]本实施例中，分析矿山生产计划中对物料运输的具体需求，包括每种物料的需求量和运输优先级。通过比对待调度矿车的可用状态，确定最合适的矿车进行任务分配。运用优先级算法，将任务分配给负载能力符合需求的矿车，生成矿车物料运输任务数据。这一过程确保了运输任务的高效执行，并最大限度地利用现有资源。
[0209]步骤S34：根据矿车物料运输任务数据进行完成度统计，从而获得矿车物料运输任务完成数据，并根据矿车物料运输任务完成数据进行闲置矿车识别，从而获得闲置矿车数据;
[0210]本实施例中，根据矿车物料运输任务数据进行完成度统计。统计的指标包括每辆矿车的任务完成情况、运输时间及其与预定计划的偏差。通过设定完成度阈值(例如90%)来判定任务是否完成。完成度统计完成后，基于此数据进行闲置矿车识别。闲置矿车定义为在预定时间内未完成运输任务或长时间未参与运输的矿车。系统将自动标识这些闲置矿车，并生成闲置矿车数据，为后续调度提供信息支持。
[0211]步骤S35：获取副斜井道岔分布数据;
[0212]本实施例中，获取副斜井道岔分布数据，包含矿井内部各道岔的具体位置和连接关系。这些数据通过地理信息系统(GIS)技术进行整理与展示，确保矿井内部通行路径的准确性。道岔数据将涵盖道岔的编号、地理坐标、道岔状态(如开放或封闭)等信息，为矿车调度路径规划提供参考依据。
[0213]步骤S36：根据副斜井道岔分布数据以及闲置矿车数据对矿井跑车数据进行矿车调度路径规划，从而获得矿车调度路径数据;
[0214]本实施例中，根据副斜井道岔分布数据以及闲置矿车数据，对矿井跑车数据进行矿车调度路径规划。采用路径规划算法(如A*算法或Dijkstra算法)，考虑矿井的实际情况，实时计算出最佳调度路径。规划过程中，需考虑矿车的当前状态、道岔分布、行驶效率等因素，以确保规划出的路径既高效又安全。生成矿车调度路径数据，供后续执行使用。
[0215]步骤S37：根据高风险矿车编号数据进行矿井跑车运输任务特征提取，从而获得矿井跑车运输任务数据;
[0216]本实施例中，根据高风险矿车编号数据，通过数据查询和筛选功能提取对应矿车的跑车运输任务特征。该操作使用历史跑车数据和实时数据进行比对，提取高风险矿车的任务频次、运行时间、任务负载等关键特征。此操作涉及SQL数据库的多表关联查询，以便输出包含任务详情和运行统计的高风险矿车运输任务数据文件。
[0217]步骤S38：根据闲置矿车数据以及矿车调度路径数据对矿井跑车运输任务数据进行物料运输智能调度，从而获得矿车物料运输智能调度数据。
[0218]本实施例中，根据闲置矿车数据及矿车调度路径数据，对矿井跑车运输任务数据进行物料运输智能调度。运用智能调度系统，通过设定的算法(如遗传算法或蚁群算法)，自动优化调度方案。调度系统综合考虑当前闲置矿车的状态、运输任务的紧急程度及路径规划数据，以实现最佳的运输效率。生成矿车物料运输智能调度数据，以指导实际运输操作，确保物料运输过程高效且有序。
[0219]可选地，步骤S36具体为：
[0220]步骤S361：根据副斜井道岔分布数据进行道岔特征提取以及矿道特征提取，从而获得道岔数据以及矿道数据;
[0221]本实施例中，根据副斜井道岔分布数据，进行道岔特征提取。道岔特征提取包括道岔类型、位置、尺寸及状态等信息，利用地理信息系统(GIS)对道岔进行空间分析，形成完整的道岔数据集。矿道特征提取则关注矿道的形状、长度、宽度及其与道岔的连接关系，通过对矿道的三维扫描和测量，确保数据的准确性与完整性。提取的道岔数据和矿道数据将构成矿井交通网络的基础信息，为后续步骤提供数据支撑。
[0222]步骤S362：根据道岔数据以及矿道数据进行矿井道路网络模型构建，从而获得矿井道路网络模型;
[0223]本实施例中，利用提取的道岔数据及矿道数据，构建矿井道路网络模型。采用图论方法，将道岔和矿道视为图的节点和边，通过建立节点之间的连接关系，形成完整的矿井道路网络。具体操作中，需定义节点的权重(如交通流量、通行能力)和边的长度(如运输时间、距离)，确保模型能够真实反映矿井的交通状况。最终，构建出的矿井道路网络模型将用于路径规划及调度分析。
[0224]步骤S363：根据闲置矿车数据对矿井道路网络模型进行矿车调度最短路径规划，从而获得矿车调度最短路径数据;
[0225]本实施例中，根据闲置矿车数据，进行矿车调度的最短路径规划。运用Dijkstra算法或A*算法，结合矿井道路网络模型，计算从闲置矿车当前位置到目标地点的最短路径。在计算过程中，考虑节点的权重(如当前交通状况、道岔状态)及边的长度，以确保规划出的路径既安全又高效。最终生成的矿车调度最短路径数据将为实际调度提供精确的路线指引。
[0226]步骤S364：根据闲置矿车数据对矿车调度最短路径数据进行智能道岔路径管理，从而获得智能道岔路径数据;
[0227]本实施例中，根据闲置矿车数据，对矿车调度最短路径数据进行智能道岔路径管理。分析道岔的状态信息，识别可用的道岔以便优化调度路径。运用动态规划技术，对路径中的道岔进行实时管理，以适应矿车的调度需求。例如，当某条路径的道岔出现故障时，系统自动调整路径，选择备用道岔。通过此过程，生成的智能道岔路径数据确保矿车调度的灵活性和可靠性。
[0228]步骤S365：根据智能道岔路径数据以及矿车调度最短路径数据进行矿车调度路径融合，从而获得矿车调度路径数据。
[0229]本实施例中，通过算法将两条路径进行合并，形成一条综合的调度路径。在路径融合过程中，需考虑道岔的切换点及矿车的转向半径，确保最终路径的可行性与安全性。同时，设定融合后的路径的优先级，例如优先选择运输时间短的路径或运输安全系数高的路径。最终，输出的矿车调度路径数据将用于实际运输调度，确保矿车高效运行。
[0230]可选地，步骤S4具体为：
[0231]步骤S41：根据矿车物料运输智能调度数据进行数据库架构设计，从而获得数据库架构数据;
[0232]本实施例中，确定需要存储的数据类型，包括矿车状态、调度任务、路径信息和用户信息。采用关系型数据库设计原则，构建数据表，定义每个数据表的字段及其数据类型。例如，矿车状态表可包括矿车ID、当前位置、载重状态和运行状态等字段。接着，设计数据表之间的关系，确保数据的完整性与一致性，利用ER图(实体-关系图)来可视化数据库架构。最终，生成的数据库架构数据将作为后续系统开发的基础。
[0233]步骤S42：根据矿车物料运输智能调度数据进行系统模块划分，从而获得系统模块数据;
[0234]本实施例中，分析智能调度系统的功能需求，确定核心模块，例如数据采集模块、调度决策模块、用户管理模块和监控模块。每个模块需具备清晰的功能和接口，例如数据采集模块负责从传感器和数据库获取实时数据，调度决策模块依据智能调度算法生成调度方案。通过模块划分，确保系统的可维护性和扩展性，从而获得系统模块数据，为后续架构设计提供基础。
[0235]步骤S43：根据系统模块数据以及数据库架构数据进行智能调度平台架构设计，从而获得智能调度平台架构数据;
[0236]本实施例中，采用分层架构思想，将系统划分为数据层、业务逻辑层和表示层。数据层负责与数据库交互，业务逻辑层处理调度算法和决策逻辑，表示层则负责用户界面的展示。结合已有的模块划分，定义每层的具体功能与交互方式，确保各层之间的接口清晰、数据流畅。最终，形成的智能调度平台架构数据将为系统的实现和集成提供清晰的框架。
[0237]步骤S44：根据矿车物料运输智能调度数据进行用户界面设计，从而获得用户界面数据;
[0238]本实施例中，确定用户的需求和操作流程，定义界面的功能模块，包括实时监控、任务管理、数据分析和系统设置。采用原型设计工具(如Axure或Sketch)绘制界面原型，设计直观、易操作的界面布局，并确保信息展示的清晰性。每个界面元素需定义其功能及交互方式，例如按钮、图表、数据输入框等，确保用户能够方便地获取所需信息。最终，生成的用户界面数据将作为系统开发的重要参考。
[0239]步骤S45：根据智能调度平台架构数据以及用户界面数据进行智能调度平台创建，从而获得智能调度平台数据。
[0240]本实施例中，采用现代开发框架(如Spring Boot、Django等)，依据设计的架构和用户界面，进行系统的实际编码实现。在此过程中，需将模块化设计转化为具体的功能模块，实现各模块之间的接口和数据交互。数据库架构需与系统进行有效连接，确保数据的实时更新和查询。经过测试与调试，确保系统运行稳定，最终形成的智能调度平台数据将支持矿车的高效调度与管理。
[0241]因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
[0242]以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
说明书附图(3)
声明：
“用于矿山辅助运输智能调度平台的创建方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
270
编辑：中冶有色技术网
来源：唐山昌宏科技有限公司
分享 0
举报 0
收藏 0
反对 0
点赞 0
中冶有色技术平台
2025年03月28日 ~ 30日 
