CN102877500B - 一种挖掘机工作循环阶段自动识别方法 - Google Patents
一种挖掘机工作循环阶段自动识别方法 Download PDFInfo
- Publication number
- CN102877500B CN102877500B CN201210378919.5A CN201210378919A CN102877500B CN 102877500 B CN102877500 B CN 102877500B CN 201210378919 A CN201210378919 A CN 201210378919A CN 102877500 B CN102877500 B CN 102877500B
- Authority
- CN
- China
- Prior art keywords
- output
- pressure
- stage
- excavation
- current output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000009412 basement excavation Methods 0.000 claims description 53
- 238000002360 preparation method Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000005065 mining Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009435 building construction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Operation Control Of Excavators (AREA)
Abstract
本发明公开了一种挖掘机工作循环阶段自动识别方法，其实现过程为：压力传感器采集挖掘机工作过程中主泵压力，传输至控制单元，经过滤波等预处理；读取预处理后的压力数据，提取其特征向量，输入事先建立好的神经网络模型中；神经网络模型的输出结果经过优化后输入显示单元，最终在显示单元上显示挖掘机所处工作阶段。该方法通过一小段数据即可识别出挖掘机工作于循环哪一阶段，满足在线识别的实时性要求，同时为挖掘机分阶段控制奠定基础。
Description
技术领域
本发明涉及工程机械技术领域，尤其涉及一种液压挖掘机工作循环的自动识别方法。
背景技术
挖掘机是一种广泛应用于建筑施工的工程机械，具有功率大、施工效率高等优点。
现有挖掘机往往采用分档功率控制，由司机根据不同的工作情况选择重载、经济或轻载工作模式，设定之后一般不再调整。对挖掘机而言，挖掘作业是其主要工作方式，一个完整的挖掘循环包括挖掘、提升回转、卸载、空斗、挖掘准备等5个阶段。每一个阶段的负载都不相同，若使用同一发动机功率，必然会造成能量损失。因此，有必要对不同的阶段采取针对性的控制方式，以提高挖掘机操作性能，减少燃油消耗。
要实现挖掘机的分阶段控制，首先要识别出挖掘机工作循环的各个阶段。目前的识别方法有两种：一是在挖掘机上安装摄像机，拍摄挖掘机工作过程，将照片与数据库中的标准照片进行匹配，得到挖掘机当前工作阶段；二是通过安装在挖掘机执行机构各关节角处的倾角传感器，获得执行机构的位移及速度，再经过推导得出挖掘机所处阶段。这些方法都需要额外安装摄像头或传感器，增加了整机成本，而且无法获得有效的负载信息，不利于后续的分阶段控制。
挖液压掘机采用双泵双回路液压系统：斗杆油缸、回转马达、左行走马达由前泵（靠近发动机的泵）供油，铲斗油缸、动臂油缸、右行走马达由后泵（远离发动机的泵）供油。有些动作前后泵会合流，以提高工作速度，如动臂提升、斗杆伸出收回等。不考虑阀口压力损失及溢流，各油缸（马达）单独动作情况下，主泵压力等于该油缸（马达）进口压力；复合动作情况下，主泵压力由对应回路油缸（马达）中压力较大的那个决定。因此，主泵压力可以在一定程度上反映油缸（马达）的压力，进而反映出执行机构的运动情况。另外，主泵压力信号采集简单，已经被越来越多的控制系统所使用。
发明内容
本发明的目的在于针对现有技术的不足，提供一种挖掘机工作循环阶段自动识别方法。
本发明的目的是通过以下技术方案来实现的：一种挖掘机工作循环阶段自动识别方法，该方法包括以下步骤：
（1）建立神经网络模型：以作业循环挖掘阶段开始后0.4秒内两个主泵压力波形、作业循环提升回转阶段开始后0.4秒内两个主泵压力波形、作业循环卸载阶段开始后0.4秒内两个主泵压力波形、作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形及作业循环空斗返回结束前0.4秒内两个主泵压力波形作为分段标志，对作业循环进行分段；在PC机上建立一个ＢＰ神经网络模型，实现分段标志与循环阶段之间映射；映射关系为：作业循环挖掘阶段开始后0.4秒内两个主泵压力波形对应挖掘阶段；作业循环提升回转阶段开始后0.4秒内两个主泵压力波形对应提升回转阶段；作业循环卸载阶段开始后0.4秒内两个主泵压力波形对应卸载阶段；作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形对应空斗返回阶段；作业循环空斗返回结束前0.4秒内两个主泵压力波形对应挖掘准备阶段；
（2）采集主泵压力信号，传输至控制单元中：挖掘机工作过程中，两个压力传感器分别采集挖掘机的两个主泵上的压力信号，并将压力信号传送至控制单元中；
（3）对压力数据进行预处理：控制单元首先对压力信号作预处理，去除压力信号中的噪声干扰；
（4）读取预处理后的压力传感器头0.4秒采集的压力数据；
（5）提取读取的压力数据的特征向量，输入神经网络模型，根据输出结果判断挖掘机对应的工作阶段；
（6）优化神经网络输出结果，构建产生式系统，对神经网络输出结果进行优化；（7）显示输出结果：两个主泵压力及优化后的输出结果通过CAN总线传输至显示单元，绘成曲线后显示在显示屏上；
（8）顺序读取数据并在显示屏上实时显示挖掘机的工作循环：从前一次读取结束的位置继续读入预处理后的压力传感器0.02秒采集的压力数据，并将最早读入的预处理后的压力传感器0.02秒采集的压力数据剔除，保持总数据量不变；重复步骤5、6、7，直至没有数据读入，优化后的输出结果顺序输出至显示单元，从而在显示屏上实时显示挖掘机的工作循环。
与现有技术相比，本发明具有如下技术效果：
1、直接利用已有的压力传感器，不需要额外增加成本。
2、实时性高，仅需一小段压力数据即可判断挖掘机工作在循环哪一阶段。
3、使用产生式系统对识别结果进行优化，提高了识别准确率。
附图说明
图1是本发明所述的挖掘机工作循环各阶段自动识别的流程图；
图2是本发明所述的挖掘机一个工作循环的主泵压力波形及其分段；
图3是本发明所述的数据读取示意图；
图4是本发明所述的神经网络识别结果；
图5是本发明所述的使用产生式系统优化后的识别结果。
具体实施方式
本发明涉及挖掘机工作循环阶段自动识别方法，在挖掘机工作循环阶段自动识别系统上实现，所述挖掘机工作循环阶段自动识别系统包括两个压力传感器、一个控制单元和一个显示单元，压力传感器和显示单元均与控制单元相连，两个压力传感器分别安装在挖掘机的两个主泵上，控制单元由ARM单片机来实现，例如可以采用恩智浦半导体公司（NXP）的LPC2378芯片来实现，显示单元为一块液晶屏。
该方法包括以下步骤：
1、建立神经网络模型
以作业循环挖掘阶段开始后0.4秒内两个主泵压力波形、作业循环提升回转阶段开始后0.4秒内两个主泵压力波形、作业循环卸载阶段开始后0.4秒内两个主泵压力波形、作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形及作业循环空斗返回结束前0.4秒内两个主泵压力波形作为分段标志，对作业循环进行分段。在PC机上建立一个ＢＰ神经网络模型，实现分段标志与循环阶段之间映射。映射关系为：作业循环挖掘阶段开始后0.4秒内两个主泵压力波形对应挖掘阶段；作业循环提升回转阶段开始后0.4秒内两个主泵压力波形对应提升回转阶段；作业循环卸载阶段开始后0.4秒内两个主泵压力波形对应卸载阶段；作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形对应空斗返回阶段；作业循环空斗返回结束前0.4秒内两个主泵压力波形对应挖掘准备阶段。该步骤包括以下子步骤：
1.1、设计输入和输出向量
提取分段标志的特征向量，作为神经网络的输入。分段标志包括前后泵两个压力波形，其特征向量由以下8个特征值构成：1、前泵压力的平均值；2、前泵压力的均方差；3、后泵压力的平均值；4、后泵压力的均方差；5、前泵与后泵压力之差的平均值；6、前泵与后泵压力之差的均方差；7、前泵压力最后三个数据与最初三个数据之差的平均值；8、后泵压力最后三个数据与最初三个数据之差的平均值。神经网络的输出为挖掘循环的5个段，分别用向量表示如下：挖掘：[1 0 0 0 0]；提升回转：[0 1 0 0 0]；卸载：[0 0 1 0 0]；空斗返回：[0 0 0 1 0]；挖掘准备：[0 0 0 0 1]。
1.2、创建神经网络模型
采用3层神经网络，输入层神经元个数为8，输出层神经元个数为5，隐含层神经元个数为10。隐含层和输出层传递函数均选用tansig函数。
1.3、训练神经网络
采集挖掘机实际挖掘过程中主泵压力，从中挑选200个挖掘循环的的压力波形，每个循环对应波形上截取5个分段标志。提取分段标志的特征值，得到1000个特征向量，与对应输出一起构成训练样本空间。在PC机上对神经网络进行训练。将训练好后的网络模型输入控制单元。
2、采集主泵压力信号，传输至控制单元中。
挖掘机工作过程中，两个压力传感器分别采集挖掘机的两个主泵上的压力信号，并将压力信号传送至控制单元中。
3、对压力数据进行预处理。
控制单元首先对压力信号作预处理，去除压力信号中的噪声干扰。采用加权递推均值滤波算法，具体算法为：
其中为滤波后的压力，（i=0,1,2,3）为原始压力数据。
4、读取预处理后的压力传感器头0.4秒采集的压力数据。
5、提取读取的压力数据的特征向量，输入神经网络模型，根据输出结果判断挖掘机对应的工作阶段。该步骤包括以下子步骤：
5.1、提取压力数据的特征向量
计算压力数据以下特征值：1、前泵压力的平均值；2、前泵压力的均方差；3、后泵压力的平均值；4、后泵压力的均方差；5、前泵与后泵压力之差的平均值；6、前泵与后泵压力之差的均方差；7、前泵压力最后三个数据与最初三个数据之差的平均值；8、后泵压力最后三个数据与最初三个数据之差的平均值。这8个特征值构成压力数据的特征向量。
5.2、识别压力数据对应阶段
将5.1中得到的特征向量输入步骤1建立好的神经网络模型中，得到一个输出向量。根据输出向量判别挖掘机所处工作阶段，判别方法如下：
a、输出向量中只有一项大于0.95：若第一项大于0.95，输出为挖掘阶段；若第二项大于0.95，输出为提升回转阶段；若第三项大于0.95，输出为卸载阶段；若第四项大于0.95，输出为空斗返回阶段；若第五项大于0.95，输出为挖掘准备阶段。
b、输出向量没有一项大于0.95或超过一项大于0.95，按照前一个输出结果输出。若之前没有输出结果，则输出为挖掘准备阶段。
6、优化神经网络输出结果
由于挖掘机作业情况负载多变，不可避免会出现误识别。本发明建立一个产生式系统，对识别的结果进行优化。该步骤包括以下子步骤：
6.1构建产生式规则库
产生式规则库包含一系列与优化有关的规则，用IF-THEN表示。IF部分说明应用这条规则必须满足的条件，THEN部分为执行的操作。对于本发明，规则的来源包括三个方面：一是挖掘机作业过程中必须遵守的操作规范；二是挖掘循环的作业顺序；三是作业过程中主泵压力特征。将所有规则列出，构成规则库：
规则一：IF当前输出为挖掘，AND前一个输出为提升回转，THEN当前输出为提升回转；
规则二：IF当前输出为挖掘，AND前一个输出为卸载，AND此挖掘与上一次挖掘之间存在提升回转或空斗返回阶段，THEN当前输出为卸载；
规则三：IF当前输出为挖掘，AND前一个输出为空斗返回，AND此挖掘与上一次挖掘之间没有挖掘准备，THEN当前输出挖掘为卸载；
规则四：IF当前输出为挖掘，AND前一个输出为挖掘准备，AND主泵压力均小于100bar，THEN当前输出为挖掘准备；
规则五：IF当前输出为提升回转，AND两泵压力之差大于10bar，THEN当前输出与前一个输出相同；
规则六：IF当前输出为提升回转，AND前一个输出为挖掘，AND挖掘时间小于2秒，THEN当前输出为挖掘；
规则七：IF当前输出为提升回转，AND前一个输出为卸载，AND卸载时间大于1秒，THEN当前输出为卸载；
规则八：IF当前输出为提升回转，AND前一个输出为挖掘准备，THEN当前输出为挖掘准备；
规则九：IF当前输出为卸载，AND前一个输出为挖掘，THEN当前输出为挖掘；
规则十：IF当前输出为卸载，AND前一个输出为挖掘准备，THEN当前输出为挖掘准备；
规则十一：IF当前输出为空斗返回，AND前一个输出为提升回转，THEN当前输出为提升回转；
规则十二：IF当前输出为空斗返回，AND前一个输出为挖掘准备，THEN当前输出为挖掘准备；
规则十三：IF当前输出为挖掘准备，AND前一个输出为挖掘，THEN当前输出为挖掘；
规则十四：IF当前输出为挖掘准备，AND前一个输出为提升回转，THEN当前输出为提升回转；
规则十五：IF当前输出为挖掘准备，AND前一个输出为卸载，THEN当前输出为卸载。
6.2优化神经网络输出结果
产生式系统的数据库中存储了当前神经网络输出结果、当前主泵的压力大小及所有优化后的输出结果。推理机按照一定的策略将数据库中的数据与产生式规则库中规则的IF部分相匹配，以决定优化后系统的输出结果。下面举例说明具体优化过程：读取到数据库中当前输出结果为提升回转，推理机首先搜索出规则库中所有IF部分包含“当前输出结果为提升回转”的规则，此处有五条规则满足，分别为规则五、规则六、规则七、规则八和规则九；再读取数据库中其他数据，若发现前一个输出为挖掘，则规则六的IF部分全部得到满足，执行规则六，系统输出结果为挖掘。若有几条规则的IF部分同时满足，则优先执行排在前面的规则。
7、显示输出结果
两个主泵压力及优化后的输出结果通过CAN总线传输至显示单元，绘成曲线后显示在显示屏上。用点来表示输出结果，点的横坐标为当前时刻，点的纵坐标与输出结果对应如下：纵坐标等于0时，为挖掘阶段；纵坐标等于100时，为提升回转阶段；纵坐标等于200时，为卸载阶段；纵坐标等于300时，为空斗回转阶段；纵坐标等于400时，为挖掘准备阶段。将所有表示输出结果的点连接起来，构成一条曲线。
8、顺序读取数据并在显示屏上实时显示挖掘机的工作循环
从前一次读取结束的位置继续读入预处理后的压力传感器0.02秒采集的压力数据，并将最早读入的预处理后的压力传感器0.02秒采集的压力数据剔除，保持总数据量不变。重复步骤5、6、7，直至没有数据读入，优化后的输出结果顺序输出至显示单元，从而在显示屏上实时显示挖掘机的工作循环。
下面参考附图详细描述本发明。
如图1所示，一种液压挖掘机工作循环各阶段自动识别方法，其实现过程为：压力传感器采集挖掘机工作过程中主泵压力，传输至控制单元，经过滤波等预处理；读取预处理后的压力数据，提取其特征向量，输入事先建立好的神经网络模型中；神经网络模型的输出结果经过优化后输入显示单元，最终在显示单元上显示挖掘机所处工作阶段。
如图2所示，挖掘机工作循环分为五个阶段：挖掘、提升回转、卸载、空斗返回、挖掘准备。以作业循环挖掘阶段开始后0.4秒内两个主泵压力波形、作业循环提升回转阶段开始后0.4秒内两个主泵压力波形、作业循环卸载阶段开始后0.4秒内两个主泵压力波形、作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形及作业循环空斗返回结束前0.4秒内两个主泵压力波形作为分段标志，对作业循环进行分段。
如图3所示，步骤4中读取一定长度的数据，相当于用一个大小固定的矩形框301在连续波形上截取一段波形。步骤7中数据的读入与剔除，相当于矩形框不动，而波形不断向左移动，原来在矩形框右边的数据进入矩形框，原来在矩形框内最左边的数据被移出矩形框。波形每次移动的距离在横坐标上的跨度是0.02秒。
神经网络初步识别的结果如图4所示。图中，分段标志等于0时，为挖掘阶段；等于100时，为提升回转阶段；等于200时，为卸载阶段；等于300时，为空斗回转阶段；等于400时，为挖掘准备阶段。可以看出，挖掘循环已经被分成了几个阶段。与图2对比，发现其中有几段波形识别错误，如401应该为挖掘，却被识别为卸载；402应该为卸载，却被识别为提升回转。为了提高识别准确率，需要对识别结果作进一步的优化处理。
图5为使用产生式系统优化之后的识别结果。图中，分段标志等于0时，为挖掘阶段；等于100时，为提升回转阶段；等于200时，为卸载阶段；等于300时，为空斗回转阶段；等于400时，为挖掘准备阶段。优化之后基本没有误识别。
Claims (1)
1.一种挖掘机工作循环阶段自动识别方法，其特征在于，该方法包括以下步骤：
步骤1：建立神经网络模型：以作业循环挖掘阶段开始后0.4秒内两个主泵压力波形、作业循环提升回转阶段开始后0.4秒内两个主泵压力波形、作业循环卸载阶段开始后0.4秒内两个主泵压力波形、作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形及作业循环空斗返回结束前0.4秒内两个主泵压力波形作为分段标志，对作业循环进行分段；在PC机上建立一个ＢＰ神经网络模型，实现分段标志与循环阶段之间映射；映射关系为：作业循环挖掘阶段开始后0.4秒内两个主泵压力波形对应挖掘阶段；作业循环提升回转阶段开始后0.4秒内两个主泵压力波形对应提升回转阶段；作业循环卸载阶段开始后0.4秒内两个主泵压力波形对应卸载阶段；作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形对应空斗返回阶段；作业循环空斗返回结束前0.4秒内两个主泵压力波形对应挖掘准备阶段；该步骤包括以下子步骤：
子步骤1.1：设计输入和输出向量：提取分段标志的特征向量，作为神经网络的输入；分段标志包括前后泵两个压力波形，其特征向量由以下8个特征值构成：1、前泵压力的平均值；2、前泵压力的均方差；3、后泵压力的平均值；4、后泵压力的均方差；5、前泵与后泵压力之差的平均值；6、前泵与后泵压力之差的均方差；7、前泵压力最后三个数据与最初三个数据之差的平均值；8、后泵压力最后三个数据与最初三个数据之差的平均值；神经网络的输出为挖掘循环的5个段，分别用向量表示如下：挖掘：[1 0 0 0 0]；提升回转：[0 1 0 0 0]；卸载：[0 0 1 0 0]；空斗返回：[0 0 0 1 0]；挖掘准备：[0 0 0 0 1]；
子步骤1.2：创建神经网络模型：采用3层神经网络，输入层神经元个数为8，输出层神经元个数为5，隐含层神经元个数为10；隐含层和输出层传递函数均选用tansig函数；
子步骤1.3：训练神经网络：采集挖掘机实际挖掘过程中主泵压力，从中挑选200个挖掘循环的的压力波形，每个循环对应波形上截取5个分段标志；提取分段标志的特征值，得到1000个特征向量，与对应输出一起构成训练样本空间；在PC机上对神经网络进行训练；将训练好后的网络模型输入控制单元；
步骤2：采集主泵压力信号，传输至控制单元中：挖掘机工作过程中，两个压力传感器分别采集挖掘机的两个主泵上的压力信号，并将压力信号传送至控制单元中；
步骤3：对压力数据进行预处理：控制单元首先对压力信号作预处理，通过加权递推均值滤波算法去除压力信号中的噪声干扰；具体算法为：
其中，为滤波后的压力，（i=0,1,2,3）为原始压力数据；
步骤4：读取预处理后的压力传感器头0.4秒采集的压力数据；
步骤5：提取读取的压力数据的特征向量，输入神经网络模型，根据输出结果判断挖掘机对应的工作阶段；该步骤包括以下子步骤：
子步骤5.1：提取压力数据的特征向量：计算压力数据以下特征值：1、前泵压力的平均值；2、前泵压力的均方差；3、后泵压力的平均值；4、后泵压力的均方差；5、前泵与后泵压力之差的平均值；6、前泵与后泵压力之差的均方差；7、前泵压力最后三个数据与最初三个数据之差的平均值；8、后泵压力最后三个数据与最初三个数据之差的平均值；这8个特征值构成压力数据的特征向量；
子步骤5.2：识别压力数据对应阶段：将子步骤5.1中得到的特征向量输入步骤1建立好的神经网络模型中，得到一个输出向量；根据输出向量判别挖掘机所处工作阶段，判别方法如下：
a、输出向量中只有一项大于0.95：若第一项大于0.95，输出为挖掘阶段；若第二项大于0.95，输出为提升回转阶段；若第三项大于0.95，输出为卸载阶段；若第四项大于0.95，输出为空斗返回阶段；若第五项大于0.95，输出为挖掘准备阶段；
b、输出向量没有一项大于0.95或超过一项大于0.95，按照前一个输出结果输出；若之前没有输出结果，则输出为挖掘准备阶段；
步骤6：优化神经网络输出结果，构建产生式系统，对神经网络输出结果进行优化，该步骤包括以下子步骤：
子步骤6.1：构建产生式规则库：产生式规则库包含一系列与优化有关的规则，用IF-THEN表示；IF部分说明应用这条规则必须满足的条件，THEN部分为执行的操作；对于本发明，规则的来源包括三个方面：一是挖掘机作业过程中必须遵守的操作规范；二是挖掘循环的作业顺序；三是作业过程中主泵压力特征；将所有规则列出，构成规则库：
规则一：IF当前输出为挖掘，AND前一个输出为提升回转，THEN当前输出为提升回转；
规则二：IF当前输出为挖掘，AND前一个输出为卸载，AND此挖掘与上一次挖掘之间存在提升回转或空斗返回阶段，THEN当前输出为卸载；
规则三：IF当前输出为挖掘，AND前一个输出为空斗返回，AND此挖掘与上一次挖掘之间没有挖掘准备，THEN当前输出挖掘为卸载；
规则四：IF当前输出为挖掘，AND前一个输出为挖掘准备，AND主泵压力均小于100bar，THEN当前输出为挖掘准备；
规则五：IF当前输出为提升回转，AND两泵压力之差大于10bar，THEN当前输出与前一个输出相同；
规则六：IF当前输出为提升回转，AND前一个输出为挖掘，AND挖掘时间小于2秒，THEN当前输出为挖掘；
规则七：IF当前输出为提升回转，AND前一个输出为卸载，AND卸载时间大于1秒，THEN当前输出为卸载；
规则八：IF当前输出为提升回转，AND前一个输出为挖掘准备，THEN当前输出为挖掘准备；
规则九：IF当前输出为卸载，AND前一个输出为挖掘，THEN当前输出为挖掘；
规则十：IF当前输出为卸载，AND前一个输出为挖掘准备，THEN当前输出为挖掘准备；
规则十一：IF当前输出为空斗返回，AND前一个输出为提升回转，THEN当前输出为提升回转；
规则十二：IF当前输出为空斗返回，AND前一个输出为挖掘准备，THEN当前输出为挖掘准备；
规则十三：IF当前输出为挖掘准备，AND前一个输出为挖掘，THEN当前输出为挖掘；
规则十四：IF当前输出为挖掘准备，AND前一个输出为提升回转，THEN当前输出为提升回转；
规则十五：IF当前输出为挖掘准备，AND前一个输出为卸载，THEN当前输出为卸载；
子步骤6. 2：优化神经网络输出结果：产生式系统的数据库中存储了当前神经网络输出结果、当前主泵的压力大小及所有优化后的输出结果；推理机将数据库中的数据与产生式规则库中规则的IF部分相匹配，以决定优化后系统的输出结果；
步骤7：显示输出结果：两个主泵压力及优化后的输出结果通过CAN总线传输至显示单元，绘成曲线后显示在显示屏上；用点来表示输出结果，点的横坐标为当前时刻，点的纵坐标与输出结果对应如下：纵坐标等于0时，为挖掘阶段；纵坐标等于100时，为提升回转阶段；纵坐标等于200时，为卸载阶段；纵坐标等于300时，为空斗回转阶段；纵坐标等于400时，为挖掘准备阶段；将所有表示输出结果的点连接起来，构成一条曲线；
步骤8：顺序读取数据并在显示屏上实时显示挖掘机的工作循环：从前一次读取结束的位置继续读入预处理后的压力传感器0.02秒采集的压力数据，并将最早读入的预处理后的压力传感器0.02秒采集的压力数据剔除，保持总数据量不变；重复步骤5、步骤6、步骤7，直至没有数据读入，优化后的输出结果顺序输出至显示单元，从而在显示屏上实时显示挖掘机的工作循环。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210378919.5A CN102877500B (zh) | 2012-09-29 | 2012-09-29 | 一种挖掘机工作循环阶段自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210378919.5A CN102877500B (zh) | 2012-09-29 | 2012-09-29 | 一种挖掘机工作循环阶段自动识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102877500A CN102877500A (zh) | 2013-01-16 |
| CN102877500B true CN102877500B (zh) | 2014-10-29 |
Family
ID=47479001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210378919.5A Expired - Fee Related CN102877500B (zh) | 2012-09-29 | 2012-09-29 | 一种挖掘机工作循环阶段自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102877500B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3093400A1 (en) * | 2015-05-12 | 2016-11-16 | Doosan Infracore Co., Ltd. | Method of controlling a wheel loader |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9580883B2 (en) * | 2014-08-25 | 2017-02-28 | Cnh Industrial America Llc | System and method for automatically controlling a lift assembly of a work vehicle |
| CN105544627B (zh) * | 2016-02-01 | 2018-10-16 | 潍柴动力股份有限公司 | 一种基于循迹模式的挖掘机及其自动控制方法 |
| CN106125612B (zh) | 2016-07-22 | 2019-03-12 | 厦门大学 | 一种装载机铲装过程的作业斗数识别方法与识别装置 |
| CN106096593B (zh) * | 2016-07-22 | 2019-06-04 | 厦门大学 | 一种装载机铲装过程的有效作业段的识别方法 |
| WO2018014718A1 (zh) | 2016-07-22 | 2018-01-25 | 厦门大学 | 一种装载机作业工况难易程度识别方法 |
| JP6714534B2 (ja) * | 2017-03-29 | 2020-06-24 | 日立建機株式会社 | 建設機械 |
| CN109636951B (zh) * | 2018-11-21 | 2021-03-05 | 中南大学 | 一种基于工作阶段识别的挖掘机能耗分析方法 |
| WO2021064777A1 (ja) * | 2019-09-30 | 2021-04-08 | 日立建機株式会社 | 動作識別装置 |
| CN110886338A (zh) * | 2019-12-19 | 2020-03-17 | 天津工程机械研究院有限公司 | 装载机半自动铲装控制系统及方法 |
| CN112734246B (zh) * | 2021-01-14 | 2024-07-02 | 上海华兴数字科技有限公司 | 挖掘机工况识别方法及其装置、存储介质及电子设备 |
| CN114164878B (zh) * | 2021-11-10 | 2023-07-04 | 中联重科土方机械有限公司 | 用于工况识别的方法、处理器、系统及挖掘机 |
| CN114792067B (zh) * | 2022-04-08 | 2024-08-16 | 大连理工大学 | 一种基于ResNet神经网络的挖掘机工作阶段分类识别方法 |
| CN116451809A (zh) * | 2023-06-16 | 2023-07-18 | 北谷电子股份有限公司 | 基于dagsvm算法的挖掘机工况识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5999872A (en) * | 1996-02-15 | 1999-12-07 | Kabushiki Kaisha Kobe Seiko Sho | Control apparatus for hydraulic excavator |
| JP2008144378A (ja) * | 2006-12-06 | 2008-06-26 | Shin Caterpillar Mitsubishi Ltd | 遠隔操縦作業機の制御装置 |
| CN102041824A (zh) * | 2010-12-09 | 2011-05-04 | 三一重机有限公司 | 一种挖掘机工作装置的自动控制系统及控制方法 |
| CN102071717A (zh) * | 2010-12-16 | 2011-05-25 | 重庆航天工业公司 | 挖掘机自适应控制方法 |
| CN102561445A (zh) * | 2012-01-09 | 2012-07-11 | 三一重工股份有限公司 | 用于判断挖掘机的工作姿态的系统和方法、挖掘机 |
-
2012
- 2012-09-29 CN CN201210378919.5A patent/CN102877500B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5999872A (en) * | 1996-02-15 | 1999-12-07 | Kabushiki Kaisha Kobe Seiko Sho | Control apparatus for hydraulic excavator |
| JP2008144378A (ja) * | 2006-12-06 | 2008-06-26 | Shin Caterpillar Mitsubishi Ltd | 遠隔操縦作業機の制御装置 |
| CN102041824A (zh) * | 2010-12-09 | 2011-05-04 | 三一重机有限公司 | 一种挖掘机工作装置的自动控制系统及控制方法 |
| CN102071717A (zh) * | 2010-12-16 | 2011-05-25 | 重庆航天工业公司 | 挖掘机自适应控制方法 |
| CN102561445A (zh) * | 2012-01-09 | 2012-07-11 | 三一重工股份有限公司 | 用于判断挖掘机的工作姿态的系统和方法、挖掘机 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3093400A1 (en) * | 2015-05-12 | 2016-11-16 | Doosan Infracore Co., Ltd. | Method of controlling a wheel loader |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102877500A (zh) | 2013-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102877500B (zh) | 一种挖掘机工作循环阶段自动识别方法 | |
| CN109636951B (zh) | 一种基于工作阶段识别的挖掘机能耗分析方法 | |
| CN113006188B (zh) | 一种基于lstm神经网络的挖掘机分阶段功率匹配方法 | |
| EP3342942B1 (en) | Control system for wheel loader, control method for said control system, and control method for wheel loader | |
| CN111911483A (zh) | 基于数字孪生的液压系统融合型故障诊断预测方法 | |
| CN105793565A (zh) | 液压传动装置 | |
| CN106837301A (zh) | 一种电功图与示功图整合的抽油机井工况诊断方法 | |
| CN112861912A (zh) | 一种基于深度学习的抽油机井复杂工况示功图识别方法及系统 | |
| CN104234695A (zh) | 一种基于神经网络的油井故障诊断方法 | |
| CN111365232A (zh) | 一种齿轮泵实验平台及齿轮损伤检测方法 | |
| CN111340834A (zh) | 基于激光雷达和双目相机数据融合的衬板装配系统及方法 | |
| CN109297546A (zh) | 一种电静液系统位移、速度软测量方法 | |
| CN113758662B (zh) | 一种液压启闭机管道连接密封性检测系统 | |
| CN114792067B (zh) | 一种基于ResNet神经网络的挖掘机工作阶段分类识别方法 | |
| CN113947616B (zh) | 一种基于层级化感知机的智能目标跟踪及丢失重检方法 | |
| CN107063700A (zh) | 一种发动机智能在线检测装置及检测方法 | |
| CN112580262B (zh) | 一种液压机能耗智能监测方法、系统、装置及存储介质 | |
| CN112509014B (zh) | 金字塔遮挡检测块匹配的鲁棒插值光流计算方法 | |
| CN111985436B (zh) | 一种基于lsd的车间地标线识别拟合方法 | |
| CN111739163B (zh) | 用于露天采场智能验收的无人机影像数据建模方法 | |
| CN116805309A (zh) | 一种基于zynq的危险气体目标检测方法 | |
| CN114809174B (zh) | 液压系统控制方法、装置及挖掘机 | |
| US20220098829A1 (en) | Mobile work machine and method for operating a machine of this type | |
| CN109606467A (zh) | 一种车辆转向方法和车辆 | |
| CN114818899A (zh) | 作业机械的作业对象确定方法、装置、设备及作业机械 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141029 Termination date: 20190929 |