CN107908874B - 工况识别方法和装置及工程机械设备 - Google Patents
工况识别方法和装置及工程机械设备 Download PDFInfo
- Publication number
- CN107908874B CN107908874B CN201711132561.7A CN201711132561A CN107908874B CN 107908874 B CN107908874 B CN 107908874B CN 201711132561 A CN201711132561 A CN 201711132561A CN 107908874 B CN107908874 B CN 107908874B
- Authority
- CN
- China
- Prior art keywords
- real
- data
- time
- working condition
- excavator
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种工况识别方法和装置及工程机械设备,涉及工程机械智能服务技术领域。该工况识别方法包括:接收工程机械设备实时运行时的实时数据,其中,所述实时数据包括用于表征所述工程机械设备实时运行状态的实时运行数据和用于表征操作者操作所述工程机械设备的动作的实时动作数据。对所述实时数据进行实时特征工程处理,得到预测数据。将所述预测数据送入预先建立的工况识别模型进行工况识别,以得到预测工况结果。本发明实施例提供的工况识别方法考虑了操作者操作工程机械设备的动作,并结合工程机械设备的实时运行数据,能够识别工程机械设备所进行的具体工况,使预测的工况结果更准确。
Description
技术领域
本发明涉及工程机械智能服务技术领域,具体而言,涉及一种工况识别方法和装置及工程机械设备。
背景技术
挖掘机的工况识别目前都是基于统计方式进行,例如根据模式和档位识别工况和根据主压分级识别工况。但是,上述方法无论是依靠档位模式还是主压,只可以判断挖掘机在哪一个负载区域下工作,而无法识别具体进行的什么工况。
发明内容
本发明的目的之一在于提供一种工况识别方法,其能够识别工程机械设备所进行的具体工况,使预测的工况结果更准确。
本发明的另一目的在于提供一种工况识别装置,其能够识别工程机械设备所进行的具体工况,使预测的工况结果更准确。
本发明的又一目的在于提供一种工程机械设备,其能够识别其所进行的具体工况,使预测的工况结果更准确。
本发明的实施例是这样实现的:
一种工况识别方法,包括以下步骤:接收工程机械设备实时运行时的实时数据,其中,所述实时数据包括用于表征所述工程机械设备实时运行状态的实时运行数据和用于表征操作者操作所述工程机械设备的动作的实时动作数据。对所述实时数据进行实时特征工程处理,得到预测数据。将所述预测数据送入预先建立的工况识别模型进行工况识别,以得到预测工况结果。
进一步地,所述对所述实时数据进行实时特征工程处理得到预测数据的步骤包括:对所述实时动作数据进行二值化处理,得到二值化实时动作数据。对所述实时运行数据进行归一化处理,得到归一化实时运行数据。按照预设时间段对得到的所述二值化实时动作数据和所述归一化实时运行数据进行特征计算,以得到所述预测数据。
进一步地,所述对所述实时数据进行实时特征工程处理得到预测数据的步骤包括:对所述实时运行数据和/或所述实时动作数据进行组合,得到实时运行组合特征数据和实时动作组合特征数据。对所述实时动作数据和所述实时动作组合特征数据进行二值化处理,得到二值化实时动作数据。对所述实时运行数据和所述实时运行组合特征数据进行归一化处理,得到归一化实时运行数据。按照预设时间段对得到的所述二值化实时动作数据和所述归一化实时运行数据进行特征计算,以得到所述预测数据。
进一步地,在所述对所述实时数据进行实时特征工程处理得到预测数据的步骤之前,所述方法还包括:对所述实时数据进行数据清洗,以提取其中满足预设条件的有效数据。
进一步地,所述方法还包括:将所述预测工况结果与用户的反馈数据进行对比,得到对比结果。将所述对比结果进行反馈,以更新所述工况识别模型。
一种工况识别装置,包括:接收模块、实时特征工程处理模块和工况识别模块。其中,接收模块用于接收工程机械设备实时运行时的实时数据,其中,所述实时数据包括用于表征所述工程机械设备实时运行状态的实时运行数据和用于表征操作者操作所述工程机械设备的动作的实时动作数据。实时特征工程处理模块用于对所述实时数据进行实时特征工程处理,得到预测数据。工况识别模块用于将所述预测数据送入预先建立的工况识别模型进行工况识别,以得到预测工况结果。
进一步地,所述实时特征工程处理模块包括:二值化处理模块,用于对所述实时动作数据进行二值化处理,得到二值化实时动作数据。归一化处理模块,用于对所述实时运行数据进行归一化处理,得到归一化实时运行数据。特征计算模块,用于按照预设时间段对得到的所述二值化实时动作数据和所述归一化实时运行数据进行特征计算,以得到所述预测数据。
进一步地,所述装置还包括:对比模块,用于将所述预测工况结果与用户的反馈数据进行对比,得到对比结果。反馈模块,用于将所述对比结果进行反馈,以更新所述工况识别模型。
一种工程机械设备,包括:存储器、处理器以及工况识别装置,其中,所述工况识别装置安装于所述存储器中并包括一个或多个由所述处理器执行的软件功能模块。所述工况识别装置包括:接收模块,用于接收工程机械设备实时运行时的实时数据,其中,所述实时数据包括用于表征所述工程机械设备实时运行状态的实时运行数据和用于表征操作者操作所述工程机械设备的动作的实时动作数据。实时特征工程处理模块,用于对所述实时数据进行实时特征工程处理,得到预测数据。工况识别模块,用于将所述预测数据送入预先建立的工况识别模型进行工况识别,以得到预测工况结果。
一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行上述工况识别方法的步骤。
本发明实施例提供的工况识别方法和装置及工程机械设备的有益效果是:本发明实施例提供的工况识别方法能够依据工程机械设备实时运行时的实时运行数据和实时动作数据进行工况识别,该方法考虑了操作者操作工程机械设备的动作,并结合工程机械设备的实时运行数据,能够识别工程机械设备所进行的具体工况,使预测的工况结果更准确。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的工况识别方法及工况识别装置所应用的工程机械设备的结构示意框图;
图2为本发明第一实施例提供的工况识别方法的流程示意框图;
图3为本发明第一实施例提供的工况识别方法的步骤S103的子步骤流程示意框图;
图4为本发明另一实施例提供的工况识别方法的步骤S103的子步骤流程示意框图;
图5为本发明第一实施例提供的工况识别方法的线下训练模型的步骤的流程示意框图;
图6为图5中步骤S203的子步骤流程示意框图;
图7为本发明第二实施例提供的工况识别装置的结构示意框图;
图8为图7中的实时特征工程处理模块的一种结构示意框图;
图9为图7中的实时特征工程处理模块的另一种结构示意框图;
图10为本发明第二实施例提供的工况识别装置中用于构建工况识别模型的装置的结构示意框图;
图11为图10中的试验特征工程处理模块的一种结构示意框图。
图标:10-工程机械设备;11-存储器;12-处理器;100-工况识别装置;110-接收模块;120-数据清洗模块;130-实时特征工程处理模块;140-工况识别模块;150-对比模块;160-反馈模块;131-二值化处理模块;132-归一化处理模块;133-特征计算模块;134-特征计算模块;210-试验数据接收模块;220-试验数据清洗模块;230-试验特征工程处理模块;240-模型训练模块;250-参数调优模块;231-试验数据二值化处理模块;232-试验数据归一化处理模块;233-试验数据特征计算模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
图1为本发明实施例提供的工况识别方法及工况识别装置所应用的工程机械设备的结构示意框图,请参阅图1,本实施例提供的工况识别方法及工况识别装置100,应用于工程机械设备10。该工程机械设备10可以是挖掘机、起重机、铲土机、压实机等。该工程机械设备10包括机体(图未示)、存储器11、处理器12以及工况识别装置100,存储器11和处理器12均安装于机体上。该工况识别方法及工况识别装置100基于数据挖掘方法,能够通过数据挖掘方法学习预测出工程机械设备10的当前工况。
存储器11和处理器12相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述工况识别装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器11中或固化在服务器的操作系统(operating system,OS)中的软件功能模块。所述处理器12用于执行所述存储器11中存储的可执行模块,例如所述工况识别装置100所包括的软件功能模块及计算机程序等。
其中,所述存储器11可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器11用于存储程序,所述处理器12在接收到执行指令后,执行所述程序。
以下实施例以工程机械设备10为挖掘机为例对工况识别方法及装置作具体说明。
第一实施例
图2为本发明第一实施例提供的工况识别方法的流程示意框图;请参阅图2,该工况识别方法包括以下步骤:
步骤S101,接收工程机械设备10实时运行时的实时数据。其中,实时数据包括用于表征工程机械设备10实时运行状态的实时运行数据和用于表征操作者操作工程机械设备10的动作的实时动作数据。
本实施例中,实时运行数据可以表征挖掘机的实时运行状态,实时运行数据可以包括挖掘机的发动机的转速、挖掘机的主泵的主压及挖掘机上控制液压泵的电磁阀的电流等数据。实时动作数据可以表征操作者操作挖掘机的动作,例如,操作手操作手柄的实际动作。实时动作数据可以包括挖掘机的先导泵的先导压力。当然,也可以根据实际情况选择采集其他变量作为模型输入。
另外,需要说明的是,挖掘机实时运行时的实时数据由设置于挖掘机上的多个传感器进行实时采集。例如,传感器可以包括转速传感器、主压传感器、电流传感器和先导压力传感器等,分别用于采集发动机的转速、主泵的主压、电磁阀的电流及先导泵的先导压力等数据。
进一步地,该工况识别方法还可以包括:
步骤102,对实时数据进行数据清洗,以提取其中满足预设条件的有效数据。
本实施例中,对实时数据进行数据清洗采用的方式为去掉发动机的转速小于预设值时对应的实时运行数据和实时动作数据,保留发动机的转速大于或等于预设值时,对应的实时运行数据和实时动作数据,其中预设值根据挖掘机的不同类型或型号相应选取,本实施例中,该预设值为800r/min。并且,去掉空值的实时数据。这样,能够保证数据的准确性和有效性。
需要说明的是,发动机在预设时间内的转速与该预设时间内的其他实时运行数据和实时动作数据对应,可以认为该预设时间内采集的实时数据为成组的数据,当去掉发动机的转速小于预设值时,其对应的其他实时运行数据和实时动作数据也去掉。从而得到有效的实时数据。应当理解的是,在本发明的其他实施例中,也可以取消步骤S102,而直接执行步骤S103,例如,在保证采集到的发动机的转速大于或等于预设值的情况下,则不必进行步骤S102。
步骤S103,对实时数据进行实时特征工程处理,得到预测数据。
本实施例中,经过步骤S102进行数据清理,得到有效的实时数据。该步骤S103中,对有效的实时数据进行实时特征工程处理,以得到预测数据。
进一步地,请参阅图3,步骤S103可以包括以下子步骤:
子步骤S1031,对实时动作数据进行二值化处理,得到二值化实时动作数据。
本实施例中,对先导压力等实时动作数据进行二值化处理,得到二值化实时动作数据。二值化实时动作数据可以表征预设时间内操作者操作动作的有或者无。例如,二值化实时动作数据可以为“0”和“1”,其中,针对具有的一种操作动作,当二值化实时动作数据“0”表征操作者在预设时间内未进行该种操作动作;当二值化实时动作数据“1”表征操作者在预设时间内进行了该种操作动作。
子步骤S1032,对实时运行数据进行归一化处理,得到归一化实时运行数据。
本实施例中,对发动机的转速、主压及电流等运行数据进行归一化处理,得到归一化实时运行数据。应当理解的是,对运行数据进行归一化处理,使得各运行数据化为无量纲的表达式,统一为相对数据。
需要说明的是,子步骤S1031和子步骤S1032没有先后顺序的限定,可以先进行子步骤S1031,也可以先进行子步骤S1032,或者子步骤S1031和子步骤S1032同时进行。
子步骤S1033,按照预设时间段对得到的二值化实时动作数据和归一化实时运行数据进行特征计算,以得到预测数据。
需要说明的是,按照预设时间段对得到的二值化实时动作数据和归一化实时运行数据为预设时间段内的实时动作数据和实时运行数据分别经过二值化和归一化处理得到。
本实施例中,按照预设时间段对得到的二值化实时动作数据和归一化实时运行数据进行特征计算包括对二值化实时动作数据计算占比,以及对归一化实时运行数据计算均值和波动系数。并将所得到的结果作为预测数据。应当理解的是,一条预测数据为上述计算结果的一个组合,也就是说,一条预测数据包括对二值化实时动作数据的计算结果和对归一化实时运行数据的计算结果,例如,一条预测数据可以包括动作数据的占比结果、运行数据的均值结果和波动系数结果。
请参阅图4,另外,需要说明的是,在本发明的其他实施例中,步骤S103还可以包括以下子步骤:
子步骤S1034,对实时运行数据和/或实时动作数据进行组合,得到实时运行组合特征数据和实时动作组合特征数据。
本实施例中,可以由实时运行数据和实时动作数据进行组合得到组合特征数据,也可以由实时运行数据或实时动作数据组合得到组合特征数据。其中,组合特征数据包括实时运行组合特征数据和实时动作组合特征数据,例如,实时运行组合特征数据可以为功率数据和扭矩数据,实时动作组合特征数据可以为单一实时动作数据组合形成的复合动作数据。通过创建组合特征数据,能够使工况预测更加准确。
子步骤S1035,对实时动作数据和实时动作组合特征数据进行二值化处理,得到二值化实时动作数据。子步骤S1035与子步骤S1031的二值化处理方法相同,在此不再赘述。
子步骤S1036,对实时运行数据和实时运行组合特征数据进行归一化处理,得到归一化实时运行数据。子步骤S1036与子步骤S1032的归一化处理方法相同,在此不再赘述。
子步骤S1037,按照预设时间段对得到的二值化实时动作数据和归一化实时运行数据进行特征计算,以得到预测数据。子步骤S1037与子步骤S1033的特征计算方法相同,在此不再赘述。
请继续参阅图2,步骤S104,将预测数据送入预先建立的工况识别模型进行工况识别,以得到预测工况结果。
本实施例中,调用预先建立的工况识别模型,将预测数据送入建立的工况识别模型,得到预测工况结果。输出预测工况结果可以供后续的应用场景使用。
另外,本实施例中,该工况识别方法还可以包括:
步骤S105,将预测工况结果与用户的反馈数据进行对比,得到对比结果。
本实施例中,预测工况结果表征预设时间段内的工况,将用户反馈的实际工况与预测工况结果进行对比,得到对比结果。
步骤S106,将对比结果进行反馈,以更新工况识别模型。
本实施例中,将经过确认的对比结果反馈至工况识别模型的训练过程中,以继续进行训练,从而更新工况识别模型,使工况识别模型更准确。
本实施例提供的工况识别方法通过上述步骤实现线上对工程机械设备10进行单机的工况识别。该方法考虑操作手的实际动作,将实时动作数据和实时运行数据作为识别工况的依据,通过数据挖掘方法学习预测出挖掘机的当前工况。
请参阅图5,进一步地,该工况识别方法还可以包括线下训练模型的步骤,用于建立工况识别模型。该线下训练模型的步骤可以包括:
步骤S201,接收工程机械设备10试验运行时的试验数据。其中,试验数据包括用于表征工程机械设备10在不同试验运行状态下的试验运行数据和用于表征工程机械设备10试验运行时操作者操作工程机械设备10的动作的试验动作数据。
本实施例中,试验运行数据可以表征挖掘机的试验运行状态,试验运行数据可以包括试验运行状态下的挖掘机的发动机的转速、挖掘机的主泵的主压及挖掘机上控制液压泵的电磁阀的电流等数据。试验动作数据可以表征试验运行状态下的操作者操作挖掘机的动作,例如,操作手操作手柄的实际动作。试验动作数据可以包括挖掘机的先导泵的先导压力。试验数据由设置于挖掘机上的多个传感器进行采集得到。
步骤202,对试验数据进行数据清洗,以提取其中满足预设条件的有效数据。
本实施例中,对试验数据的数据清洗方式与步骤102类似,未提及之处可以参考步骤102。
步骤S203,对试验数据进行试验特征工程处理,得到样本。
本实施例中,经过步骤S202进行数据清理,得到有效的试验数据。该步骤S203中,对有效的试验数据进行试验特征工程处理,以得到样本。
请参阅图6,进一步地,步骤S203可以包括以下子步骤:
子步骤S2031,对试验动作数据进行二值化处理,得到二值化试验动作数据。该子步骤S2031与子步骤S1031类似,在此不再赘述。
子步骤S2032,对试验运行数据进行归一化处理,得到归一化试验运行数据。该子步骤S2032与子步骤S1032类似,在此不再赘述。
子步骤S2033,按照预设时间段对得到的二值化试验动作数据和归一化试验运行数据进行特征计算,以得到样本。该子步骤S2033与子步骤S1033类似,在此不再赘述。
需要说明的是,本实施例中,一条样本包括对二值化试验动作数据的计算结果和对归一化试验运行数据的计算结果,例如,一条样本可以包括动作数据的占比结果、运行数据的均值结果和波动系数结果。
另外,在试验特征工程处理中,也可以对试验运行数据和/或试验动作数据进行组合,得到试验运行组合特征数据和试验动作组合特征数据。并且,对试验动作数据和试验动作组合特征数据进行二值化处理,得到二值化试验动作数据。对试验运行数据和试验运行组合特征数据进行归一化处理,得到归一化试验运行数据。按照预设时间段对得到的二值化试验动作数据和归一化试验运行数据进行特征计算,以得到预测数据。上述步骤与子步骤S1034、S1035、S1036及S1037类似,在此不再赘述。
本实施例中,将试验动作数据进行二值化处理并计算一段时间的动作占比,将试验运行数据进行了均值处理并考虑了波动系数,并且创建了试验组合特征数据,用于保证模型的准确性。
请继续参阅图5,步骤S204,将输入的样本和预先建立的标签划分为训练集和测试集,对训练集进行训练得到基础模型,对基础模型进行测试,以得到工况识别模型。
本实施例中,标签表征一条样本所对应的工况。多条样本与其各自对应的工况形成多个组合,通过算法进行划分,得到训练集和测试集。其中,采用的算法优选为分类算法,其包括逻辑回归、决策树、SVM、随机森林等。训练集用于进行训练,并得到基础模型。测试集用于对基础模型进行测试。
需要说明的是,步骤S106反馈的对比结果可以用于更新样本,步骤S204中,将更新的样本和预先建立的标签重新划分训练集和测试集,从而更新工况识别模型,使得工况识别模型更准确。
步骤S205,选取基础模型中较好的模型进行参数调优,以使测试集达到预设的准确率,以得到工况识别模型。
本实施例中,针对基础模型的分类结果,选出其中较好的模型进行参数调优,使得测试集达到95%以上的准确率,即可认为完成调优。得到的工况识别模型进行部署后,即可用于线上预测。
需要说明的是,在线下训练模型的步骤中,如果样本足够多,可以训练深度神经网络来使模型更加准确。
第二实施例
请参阅图7,本实施例提供了一种工况识别装置100,该工况识别装置100包括接收模块110、数据清洗模块120、实时特征工程处理模块130、工况识别模块140、对比模块150和反馈模块160。
接收模块110,用于接收工程机械设备10实时运行时的实时数据。其中,实时数据包括用于表征工程机械设备10实时运行状态的实时运行数据和用于表征操作者操作工程机械设备10的动作的实时动作数据。
在本发明实施例中,步骤S101可以由接收模块110执行。
数据清洗模块120,用于对实时数据进行数据清洗,以提取其中满足预设条件的有效数据。
在本发明实施例中,步骤S102可以由数据清洗模块120执行。
实时特征工程处理模块130,用于对实时数据进行实时特征工程处理,得到预测数据。
在本发明实施例中,步骤S103可以由实时特征工程处理模块130执行。
请参阅图8,进一步地,实时特征工程处理模块130可以包括二值化处理模块131、归一化处理模块132和特征计算模块133。
二值化处理模块131,用于对实时动作数据进行二值化处理,得到二值化实时动作数据。
在本发明实施例中,子步骤S1031可以由二值化处理模块131执行。
归一化处理模块132,用于对实时运行数据进行归一化处理,得到归一化实时运行数据。
在本发明实施例中,子步骤S1032可以由归一化处理模块132执行。
特征计算模块133,用于按照预设时间段对得到的二值化实时动作数据和归一化实时运行数据进行特征计算,以得到预测数据。
在本发明实施例中,子步骤S1033可以由特征计算模块133执行。
请参阅图9,另外,在本发明的一些实施例中,该实时特征工程处理模块130还可以包括特征组合模块134。
特征组合模块134,用于对实时运行数据和/或实时动作数据进行组合,得到实时运行组合特征数据和实时动作组合特征数据。
在本发明实施例中,子步骤S1034可以由特征组合模块134执行。
二值化处理模块131,还用于对实时动作数据和实时动作组合特征数据进行二值化处理,得到二值化实时动作数据。
在本发明实施例中,子步骤S1035可以由二值化处理模块131执行。
归一化处理模块132,还用于对实时运行数据和实时运行组合特征数据进行归一化处理,得到归一化实时运行数据。
在本发明实施例中,子步骤S1036可以由归一化处理模块132执行。
特征计算模块133,还用于按照预设时间段对得到的二值化实时动作数据和归一化实时运行数据进行特征计算,以得到预测数据。
在本发明实施例中,子步骤S1037可以由特征计算模块133执行。
请继续参阅图7,工况识别模块140,用于将预测数据送入预先建立的工况识别模型进行工况识别,以得到预测工况结果。
在本发明实施例中,步骤S104可以由工况识别模块140执行。
对比模块150,用于将预测工况结果与用户的反馈数据进行对比,得到对比结果。
在本发明实施例中,步骤S105可以由对比模块150执行。
反馈模块160,用于将对比结果进行反馈,以更新工况识别模型。
在本发明实施例中,步骤S106可以由反馈模块160执行。
请参阅图10,另外,在本发明的一些实施例中,工况识别装置100还可以包括试验数据接收模块210、试验数据清洗模块220、试验特征工程处理模块230、模型训练模块240和参数调优模块250。
试验数据接收模块210,用于接收工程机械设备10试验运行时的试验数据。其中,试验数据包括用于表征工程机械设备10在不同试验运行状态下的试验运行数据和用于表征工程机械设备10试验运行时操作者操作工程机械设备10的动作的试验动作数据。
在本发明实施例中,步骤S201可以由试验数据接收模块210执行。
试验数据清洗模块220,用于对试验数据进行数据清洗,以提取其中满足预设条件的有效数据。
在本发明实施例中,步骤S202可以由试验数据清洗模块220执行。
试验特征工程处理模块230,用于对试验数据进行试验特征工程处理,得到样本。
在本发明实施例中,步骤S203可以由试验特征工程处理模块230执行。
请参阅图11,试验特征工程处理模块230可以包括试验数据二值化处理模块231、试验数据归一化处理模块232和试验数据特征计算模块233。
试验数据二值化处理模块231,用于对试验动作数据进行二值化处理,得到二值化试验动作数据。
在本发明实施例中,子步骤S2031可以由试验数据二值化处理模块231执行。
试验数据归一化处理模块232,用于对试验运行数据进行归一化处理,得到归一化试验运行数据。
在本发明实施例中,子步骤S2032可以由试验数据归一化处理模块232执行。
试验数据特征计算模块233,用于按照预设时间段对得到的二值化试验动作数据和归一化试验运行数据进行特征计算,以得到样本。
在本发明实施例中,子步骤S2033可以由试验数据特征计算模块233执行。
模型训练模块240,用于将输入的样本和预先建立的标签划分为训练集和测试集,对训练集进行训练得到基础模型,对基础模型进行测试,以得到工况识别模型;以及接收反馈的对比结果,并更新样本,将更新的样本和预先建立的标签重新划分训练集和测试集,以更新工况识别模型。
在本发明实施例中,步骤S204可以由模型训练模块240执行。
参数调优模块250,用于选取基础模型中较好的模型进行参数调优,以使测试集达到预设的准确率,从而得到工况识别模型。
在本发明实施例中,步骤S205可以由参数调优模块250执行。
综上所述,本发明实施例提供的工况识别方法、工况识别装置100及工程机械设备10通过数据挖掘方法学习预测出工程机械设备10的当前工况。能够依据工程机械设备10实时运行时的实时运行数据和实时动作数据进行工况识别,考虑了操作者操作工程机械设备10的动作,并结合工程机械设备10的实时运行数据,能够识别工程机械设备10所进行的具体工况,使预测的工况结果更准确。其采用线下训练模型和线上预测工况的方法,同时利用线上数据定期更新样本使模型更准确。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种工况识别方法,应用于挖掘机,其特征在于,包括:
接收挖掘机实时运行时的实时数据,其中,所述实时数据包括用于表征所述挖掘机实时运行状态的实时运行数据和用于表征操作者操作所述挖掘机的动作的实时动作数据;
所述实时运行数据包括挖掘机的发动机的转速、挖掘机的主泵的主压及挖掘机上控制液压泵的电磁阀的电流;
所述实时动作数据包括操作手操作手柄的实际动作和挖掘机的先导泵的先导压力;
对所述实时数据进行实时特征工程处理,得到预测数据;
将所述预测数据送入预先建立的工况识别模型进行工况识别,以得到预测工况结果。
2.根据权利要求1所述的工况识别方法,其特征在于,所述对所述实时数据进行实时特征工程处理得到预测数据的步骤包括:
对所述实时动作数据进行二值化处理,得到二值化实时动作数据;
对所述实时运行数据进行归一化处理,得到归一化实时运行数据;
按照预设时间段对得到的所述二值化实时动作数据和所述归一化实时运行数据进行特征计算,以得到所述预测数据。
3.根据权利要求1所述的工况识别方法,其特征在于,所述对所述实时数据进行实时特征工程处理得到预测数据的步骤包括:
对所述实时运行数据和/或所述实时动作数据进行组合,得到实时运行组合特征数据和实时动作组合特征数据;
对所述实时动作数据和所述实时动作组合特征数据进行二值化处理,得到二值化实时动作数据;
对所述实时运行数据和所述实时运行组合特征数据进行归一化处理,得到归一化实时运行数据;
按照预设时间段对得到的所述二值化实时动作数据和所述归一化实时运行数据进行特征计算,以得到所述预测数据。
4.根据权利要求1所述的工况识别方法,其特征在于,在所述对所述实时数据进行实时特征工程处理得到预测数据的步骤之前,所述方法还包括:
对所述实时数据进行数据清洗,以提取其中满足预设条件的有效数据。
5.根据权利要求1所述的工况识别方法,其特征在于,所述方法还包括:
将所述预测工况结果与用户的反馈数据进行对比,得到对比结果;
将所述对比结果进行反馈,以更新所述工况识别模型。
6.一种工况识别装置,用于挖掘机,其特征在于,所述装置包括:
接收模块,用于接收挖掘机实时运行时的实时数据,其中,所述实时数据包括用于表征所述挖掘机实时运行状态的实时运行数据和用于表征操作者操作所述挖掘机的动作的实时动作数据,所述实时运行数据包括挖掘机的发动机的转速、挖掘机的主泵的主压及挖掘机上控制液压泵的电磁阀的电流,所述实时动作数据包括操作手操作手柄的实际动作和挖掘机的先导泵的先导压力;
实时特征工程处理模块,用于对所述实时数据进行实时特征工程处理,得到预测数据;
工况识别模块,用于将所述预测数据送入预先建立的工况识别模型进行工况识别,以得到预测工况结果。
7.根据权利要求6所述的工况识别装置,其特征在于,所述实时特征工程处理模块包括:
二值化处理模块,用于对所述实时动作数据进行二值化处理,得到二值化实时动作数据;
归一化处理模块,用于对所述实时运行数据进行归一化处理,得到归一化实时运行数据;
特征计算模块,用于按照预设时间段对得到的所述二值化实时动作数据和所述归一化实时运行数据进行特征计算,以得到所述预测数据。
8.根据权利要求7所述的工况识别装置,其特征在于,所述装置还包括:
对比模块,用于将所述预测工况结果与用户的反馈数据进行对比,得到对比结果;
反馈模块,用于将所述对比结果进行反馈,以更新所述工况识别模型。
9.一种工程机械设备,其特征在于,所述工程机械设备为挖掘机,所述挖掘机包括:
存储器;
处理器;以及
工况识别装置,所述工况识别装置安装于所述存储器中并包括一个或多个由所述处理器执行的软件功能模块,所述工况识别装置包括:
接收模块,用于接收挖掘机实时运行时的实时数据,其中,所述实时数据包括用于表征所述挖掘机实时运行状态的实时运行数据和用于表征操作者操作所述挖掘机的动作的实时动作数据,所述实时运行数据包括挖掘机的发动机的转速、挖掘机的主泵的主压及挖掘机上控制液压泵的电磁阀的电流,所述实时动作数据包括操作手操作手柄的实际动作和挖掘机的先导泵的先导压力;
实时特征工程处理模块,用于对所述实时数据进行实时特征工程处理,得到预测数据;
工况识别模块,用于将所述预测数据送入预先建立的工况识别模型进行工况识别,以得到预测工况结果。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1-5任一项所述的工况识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711132561.7A CN107908874B (zh) | 2017-11-15 | 2017-11-15 | 工况识别方法和装置及工程机械设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711132561.7A CN107908874B (zh) | 2017-11-15 | 2017-11-15 | 工况识别方法和装置及工程机械设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107908874A CN107908874A (zh) | 2018-04-13 |
CN107908874B true CN107908874B (zh) | 2021-10-29 |
Family
ID=61844236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711132561.7A Active CN107908874B (zh) | 2017-11-15 | 2017-11-15 | 工况识别方法和装置及工程机械设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107908874B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359524B (zh) * | 2018-09-07 | 2021-06-22 | 长安大学 | 一种装载机工况识别模型构建及识别方法 |
CN109237007B (zh) * | 2018-09-07 | 2020-04-03 | 长安大学 | 一种装载机传动系统效能优化控制方法 |
CN112572470B (zh) * | 2020-12-07 | 2022-01-28 | 清华大学 | 施工机械设备自动驾驶方法及装置 |
CN113374021B (zh) * | 2021-06-24 | 2022-09-09 | 中南大学 | 基于操作手柄先导控制信号的挖掘机工况识别方法 |
CN113502870B (zh) * | 2021-07-15 | 2023-02-07 | 上海三一重机股份有限公司 | 挖掘机工况判定方法及装置 |
CN113882457B (zh) * | 2021-09-27 | 2023-02-14 | 徐州徐工挖掘机械有限公司 | 一种液压挖掘机工况识别与统计方法、系统及液压挖掘机 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1168942A (zh) * | 1996-02-15 | 1997-12-31 | 株式会社神户制钢所 | 液压挖掘机的控制装置 |
CN103969069A (zh) * | 2014-04-26 | 2014-08-06 | 常州大学 | 机械设备工况监测与故障诊断方法 |
CN104238506A (zh) * | 2014-08-29 | 2014-12-24 | 三一汽车起重机械有限公司 | 工况信息采集处理系统及方法 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN106017955A (zh) * | 2016-05-13 | 2016-10-12 | 上海数道信息科技有限公司 | 机械设备状态类别识别方法和系统 |
CN106444694A (zh) * | 2016-05-30 | 2017-02-22 | 重庆大学 | 一种大数据下系统异常工况预警技术 |
CN106650622A (zh) * | 2016-11-18 | 2017-05-10 | 华南农业大学 | 基于混合lbf形状回归模型的挖掘机工作状态识别方法 |
CN106951695A (zh) * | 2017-03-09 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 多工况下的机械设备剩余使用寿命计算方法及系统 |
CN107169223A (zh) * | 2017-06-02 | 2017-09-15 | 吉林大学 | 基于汽车操纵稳定性试验评价系统的车辆参数调教方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794492B (zh) * | 2015-04-27 | 2017-11-14 | 重庆大学 | 基于功率特征模型的机床设备加工运行状态在线识别方法 |
CN105160406B (zh) * | 2015-09-02 | 2020-03-17 | 中联重科股份有限公司 | 工程机械设备的检测数据的处理方法、装置和系统 |
-
2017
- 2017-11-15 CN CN201711132561.7A patent/CN107908874B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1168942A (zh) * | 1996-02-15 | 1997-12-31 | 株式会社神户制钢所 | 液压挖掘机的控制装置 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN103969069A (zh) * | 2014-04-26 | 2014-08-06 | 常州大学 | 机械设备工况监测与故障诊断方法 |
CN104238506A (zh) * | 2014-08-29 | 2014-12-24 | 三一汽车起重机械有限公司 | 工况信息采集处理系统及方法 |
CN106017955A (zh) * | 2016-05-13 | 2016-10-12 | 上海数道信息科技有限公司 | 机械设备状态类别识别方法和系统 |
CN106444694A (zh) * | 2016-05-30 | 2017-02-22 | 重庆大学 | 一种大数据下系统异常工况预警技术 |
CN106650622A (zh) * | 2016-11-18 | 2017-05-10 | 华南农业大学 | 基于混合lbf形状回归模型的挖掘机工作状态识别方法 |
CN106951695A (zh) * | 2017-03-09 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 多工况下的机械设备剩余使用寿命计算方法及系统 |
CN107169223A (zh) * | 2017-06-02 | 2017-09-15 | 吉林大学 | 基于汽车操纵稳定性试验评价系统的车辆参数调教方法 |
Non-Patent Citations (3)
Title |
---|
Condition Residual Life Evaluation by Support Vector Machine;Chen Li et.al;《IEEE》;20071022;441-445 * |
基于负载识别的挖掘机功率匹配控制系统研究;李延伟;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊)》;20071215(第 06 期);C038-291 * |
基于驾驶行为的绿色驾驶算法模型的研究;鲍宇;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊)》;20160715(第07期);C034-132 * |
Also Published As
Publication number | Publication date |
---|---|
CN107908874A (zh) | 2018-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908874B (zh) | 工况识别方法和装置及工程机械设备 | |
Diez-Olivan et al. | Data fusion and machine learning for industrial prognosis: Trends and perspectives towards Industry 4.0 | |
CN107077114B (zh) | 在可编程逻辑控制器中使用软传感器 | |
EP3462268B1 (en) | Classification modeling for monitoring, diagnostics optimization and control | |
WO2019071384A1 (en) | INTELLIGENT SYSTEMS AND METHODS FOR THE TREATMENT AND EVALUATION OF SANITATION DIAGNOSIS, DETECTION AND CONTROL OF ANOMALY IN WASTEWATER TREATMENT FACILITIES OR IN DRINKING WATER FACILITIES | |
Pacella et al. | Using recurrent neural networks to detect changes in autocorrelated processes for quality monitoring | |
Safiyullah et al. | Prediction on performance degradation and maintenance of centrifugal gas compressors using genetic programming | |
US11663292B2 (en) | Base analytics engine modeling for monitoring, diagnostics optimization and control | |
JP2007249997A (ja) | 工業プロセスの監視方法及び監視システム | |
CN113805548B (zh) | 一种机械加工智能控制系统、方法及计算机可读介质 | |
US11644823B2 (en) | Automatic modeling for monitoring, diagnostics, optimization and control | |
US20180018588A1 (en) | Automated functional understanding and optimization of human/machine systems | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
US10984283B2 (en) | Recognition of biases in data and models | |
WO2019038283A1 (en) | METHOD FOR MONITORING AN INDUSTRIAL INSTALLATION AND INDUSTRIAL CONTROL SYSTEM | |
CN113574480A (zh) | 用于预测设备损坏的装置 | |
CN105425739B (zh) | 使用plc日志数据来预测异常发生的系统 | |
EP3706047A1 (en) | Cluster based classification for time series data | |
Jang et al. | Anomaly detection of 2.4 l diesel engine using one-class svm with variational autoencoder | |
CN109300025B (zh) | 基于大数据和深度学习的审计方法和机器人系统 | |
Milis et al. | A cognitive fault-detection design architecture | |
EP4305565A1 (en) | Computer-implemented methods referring to an industrial process for manufacturing a product and system for performing said methods | |
Vodenčarević et al. | Evaluating learning algorithms for stochastic finite automata-comparative empirical analyses on learning models for technical systems | |
CN114341873A (zh) | 用于电气设备用户社区的人工智能/机器学习驱动型评估系统 | |
Dumler et al. | Automatic time series segmentation and clustering for process monitoring in series production |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |