CN109636951A - 一种基于工作阶段识别的挖掘机能耗分析方法 - Google Patents
一种基于工作阶段识别的挖掘机能耗分析方法 Download PDFInfo
- Publication number
- CN109636951A CN109636951A CN201811387210.5A CN201811387210A CN109636951A CN 109636951 A CN109636951 A CN 109636951A CN 201811387210 A CN201811387210 A CN 201811387210A CN 109636951 A CN109636951 A CN 109636951A
- Authority
- CN
- China
- Prior art keywords
- excavator
- stage
- pump pressure
- energy consumption
- excavate
- 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.)
- Granted
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 89
- 238000004458 analytical method Methods 0.000 title claims abstract description 84
- 239000000446 fuel Substances 0.000 claims abstract description 54
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000009471 action Effects 0.000 claims description 69
- 238000009412 basement excavation Methods 0.000 claims description 38
- 238000002360 preparation method Methods 0.000 claims description 30
- 230000001052 transient effect Effects 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 17
- 239000003550 marker Substances 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 7
- 230000009897 systematic effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004064 recycling Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000012795 verification Methods 0.000 abstract description 3
- 238000004134 energy conservation Methods 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- FVIGODVHAVLZOO-UHFFFAOYSA-N Dixanthogen Chemical compound CCOC(=S)SSC(=S)OCC FVIGODVHAVLZOO-UHFFFAOYSA-N 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本发明公开了一种基于工作阶段识别的挖掘机能耗分析方法,其实现步骤为:从挖掘机行车控制器CAN总线中读取双泵压力数据,经过滤波和降频后,截取待识别压力数据;提取特征向量并归一化,输入至与行车控制器采样频率相匹配的libSVM模型中识别挖掘机所处工作阶段,智能校验环节修正识别结果;结合瞬时燃油消耗率数据进行挖掘机能耗分析,将该挖掘机工作及油耗状态输出在显示单元,并通过外连控制器将结果上传至挖掘机物联网平台。该方法充分利用CAN总线数据,基于多种频率训练样本信号建立的libSVM模型和采用系统抽样降低压力信号数据量的方式提高了该方法的适用性、实时性,通过物联网平台实现挖掘机的远程监控,为挖掘机节能降耗提供参考和依据。
Description
技术领域
本发明涉及工程机械技术领域,特别是涉及一种基于工作阶段识别的挖掘机能耗分析方法。
背景技术
挖掘机作为一种典型的工程机械,广泛应于我国城镇化建设以及大型水利、铁路项目施工中。由于挖掘机工况复杂多变,整机作业效率低下,对挖掘机工作循环各阶段的能耗进行分析是挖掘机节能降耗的重要依据。
识别挖掘机所处的工作阶段是工作循环各阶段能耗分析的基础。目前主要有三类方法:一是以执行机构动作作为识别依据,将挖掘机各关节动作与标准数据库中的照片相匹配;二是在挖掘机各执行机构回路中设置压力传感器,以负载信号波形作为识别依据;三是以回转动作作为分隔,间接推测出挖掘机工作阶段。由于现场施工中,执行机构动作信号和负载信号采集成本高、可靠性低,以回转动作为标志的识别方法易受操作者误动作影响,因此,现阶段识别方法不适合挖掘机工作状态的实时监控与能耗分析。而主泵出口压力与执行机构最大负载有关,包含了大量的负载信息,并且采集成本低、实时性高,可以作为挖掘机工作循环阶段识别和能耗分析的对象。
同时,不同型号挖掘机行车控制器采样频率和信号处理速率不同,提高挖掘机工作阶段识别模型的适用性、能耗分析速率以及利用物联网平台实现挖掘机工作及油耗状态的远程监控问题也亟待解决。
发明内容
本发明的目的在于针对现有阶段不能够实现对不同型号挖掘机工作阶段的准确识别、缺乏各工作阶段能耗统计分析方法的问题,提出了一种基于工作阶段识别的挖掘机能耗分析方法,解决对挖掘机工作及油耗状态的远程实时监控问题。
为了达到这一目的,本发明提供一种基于工作阶段识别的挖掘机能耗分析方法,其特征在于,该方法包括以下步骤:(1)从挖掘机行车控制器CAN总线中读取双泵压力和瞬时燃油消耗率信号数据,输入至能耗分析系统;(2)系统对双泵压力信号进行smooth滤波后,采用系统抽样的方式降低双泵压力信号频率;(3)截取压力信号前0.4-0.6秒内的数据,提取特征向量并归一化,将特征向量输入至与行车控制器采样频率相匹配的libSVM模型中识别挖掘机所处工作阶段;(4)智能校验环节修正libSVM模型输出结果;(5)平移时间窗口,识别下一时刻挖掘机工作阶段;(6)根据工作阶段识别结果和瞬时燃油消耗率信号,对挖掘机进行能耗分析;(7)将挖掘机工作阶段识别结果和能耗分析结果输入至能耗分析系统显示界面,并通过外连控制器将结果上传至挖掘机物联网平台。
进一步的,所述的一种基于工作阶段识别的挖掘机能耗分析方法以挖掘机作业循环挖掘准备阶段双泵压力稳定时0.4-0.6秒内的波形、作业循环挖掘阶段双泵压力稳定时0.4-0.6秒内的波形、作业循环提升回转阶段双泵压力稳定时0.4-0.6秒内的波形、作业循环卸荷阶段双泵压力稳定时0.4-0.6秒内的波形、作业循环空斗返回阶段双泵压力稳定时0.4-0.6秒内的波形作为分段标志,对作业循环进行分段,建立所述的 libSVM挖掘机工作阶段识别模型;将分段标志与挖掘机作业循环阶段相对应,对应关系为:作业循环挖掘准备阶段双泵压力稳定时0.4-0.6秒内的波形对应挖掘准备阶段;作业循环挖掘阶段双泵压力稳定时 0.4-0.6秒内的波形对应挖掘阶段;作业循环提升回转阶段双泵压力稳定时0.4-0.6秒内的波形对应提升回转阶段;作业循环卸荷阶段双泵压力稳定时0.4-0.6秒内的波形对应卸荷阶段;作业循环空斗返回阶段双泵压力稳定时0.4-0.6秒内的波形对应空斗返回阶段。
进一步的,所述的libSVM挖掘机工作阶段识别模型输入向量为分段标志的特征向量,包含6个特征值,分别为:前泵压力均值、前泵压力均方差、后泵压力均值、后泵压力均方差、前泵与后泵压力之差的均值、前泵与后泵压力之差的均方差;所述的libSVM模型输出向量为挖掘机作业循环的5个阶段,分别用数值表示:挖掘准备:1;挖掘:2;提升回转:3;卸荷:4;空斗返回:5;挖掘准备阶段与提升回转阶段的双泵压力波形均存在两个明显的子阶段,一个完整的双泵压力波形共有7个分段标志,分别为挖掘机作业循环中的挖掘准备1阶段和挖掘准备2阶段(对应模型输出均为挖掘准备:1)、挖掘阶段(对应模型输出为挖掘:2)、提升回转1阶段和提升回转2阶段(对应模型输出均为提升回转:3)、卸荷阶段(对应模型输出为卸荷:4)、空斗返回阶段(对应模型输出为空斗返回:5)。
进一步的,所述的libSVM挖掘机工作阶段识别模型从100个完整压力波形中提取特征向量,共700 个,与对应输出一起构成样本空间;用于提取特征向量的压力信号具有100Hz、50Hz、25Hz、20Hz、10Hz 共5种频率,可以选择与挖掘机行车控制器采样频率相匹配的压力信号建立libSVM模型,提高模型适用性。选择整体分类结果准确率更高的径向基函数作为libSVM的核函数;为了避免取值范围大的特征值比取值范围小的特征值更占优势,将样本空间中的特征向量归一化处理;根据libSVM自带的交互检验功能,将样本空间按照4:1的比例随机分成训练样本和测试样本两组数据;选择最优的核函数参数和惩罚系数组合,使得建立的libSVM模型识别准确率最高。
进一步的,所述的挖掘机能耗分析系统不需要安装额外的压力传感器,直接从挖掘机行车控制器 CAN总线中读取双泵压力和瞬时燃油消耗率数据,采用smooth滤波预处理双泵压力信号,去除压力信号中的噪声干扰;可根据行车控制器处理数据的能力选择采用系统抽样的方式降低双泵压力信号频率至 100Hz、50Hz、25Hz、20Hz或10Hz,以此保证识别工作阶段的实时性。
进一步的,所述的挖掘机能耗分析系统提取待识别工作阶段双泵压力数据的特征向量包括6个特征值,分别为:前泵压力均值、前泵压力均方差、后泵压力均值、后泵压力均方差、前泵与后泵压力之差的均值、前泵与后泵压力之差的均方差;将特征向量归一化处理后输入至与行车控制器采样频率相匹配的 libSVM模型中,根据模型输出结果,判断挖掘机当前时刻所处的工作阶段:若输出结果值为1,则为挖掘准备阶段;若输出结果值为2,则为挖掘阶段;若输出结果值为3,则为提升回转阶段;若输出结果值为4,则为卸荷阶段;若输出结果值为5,则为空斗返回阶段。
进一步的,所述的智能校验环节包括一系列与修正libSVM模型输出结果相关的条件,条件采用 IF-AND-THEN的形式,IF部分为使用该条件的前提,THEN部分为满足前提后的执行内容;智能校验环节根据当前时刻libSVM模型的输出结果和双泵压力数据,与条件的IF部分一一匹配,如果满足某一条件 IF部分,则执行THEN部分,改变当前libSVM模型的输出结果,如果不满足所有条件的IF部分,则维持原输出结果;条件主要来源于挖掘机操作规范和动作顺序;所有条件如下:
条件一: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;
条件二:IF当前输出为卸荷,AND前一个输出为挖掘准备,THEN当前输出为挖掘准备;
条件三: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;
条件四: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;
条件五: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;
条件六:IF当前输出为空斗返回,AND前一个输出为挖掘,THEN当前输出为挖掘;
条件七: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;
条件八: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;
条件九:IF当前输出为挖掘准备,AND前一个输出为卸荷,THEN当前输出为卸荷;
条件十:IF当前输出为挖掘,AND双泵压力最大值不大于18MPa,THEN当前输出为提升回转。
进一步的,所述的挖掘机能耗分析系统识别出当前时刻挖掘机所处工作阶段后,平移时间窗口,将当前双泵压力信号段中最早读入的一组压力数据剔除,并在最晚读入的压力数据后添加下一组压力数据,保持数据总量不变,识别下一时刻挖掘机所处工作阶段,直至没有数据读入。
进一步的,所述的挖掘机能耗分析系统从CAN总线读取与挖掘机工作阶段识别结果对应的时间、瞬时燃油消耗率数据,构建能耗分析矩阵,对挖掘机能耗进行分析;能耗分析包括统计挖掘机完成每个工作阶段的循环次数、一次工作循环的平均耗时、一次工作循环中各阶段平均耗时及占比、一次工作循环的平均燃油消耗量、一次工作循环中各阶段平均燃油消耗量及占比、一次工作循环中各阶段平均瞬时燃油消耗率。
进一步的,所述的挖掘机能耗分析系统采用IF-AND-THEN的条件形式统计完整工作循环的次数和完成每个工作阶段的次数;能耗分析系统根据当前时刻和前一时刻挖掘机所处的工作阶段,与条件的IF 部分一一匹配,如果满足某一条件IF部分,则执行THEN部分,改变统计结果,如果不满足所有条件的 IF部分,则维持原统计结果;继续读取下一时刻挖掘机工作阶段识别结果,直至最后一个时刻,得到整个时间段内挖掘机完成完整工作循环的次数和完成每个工作阶段的次数;所有条件如下:
条件一:IF当前阶段为挖掘准备,AND前一时刻阶段为空斗返回,THEN完整工作循环的次数N 增加1次;
条件二:IF最后一个时刻挖掘机所处工作阶段为k(k=1,2,3,4,5,分别代表挖掘准备、挖掘、提升回转、卸荷、空斗返回),THEN每个工作阶段的次数Ni(i=1,2,3,4,5,分别代表挖掘准备、挖掘、提升回转、卸荷、空斗返回)如下式:
系统采用以下公式计算完成一次工作循环的平均耗时、一次工作循环中各阶段平均耗时及占比、一次工作循环的平均燃油消耗量、一次工作循环中各阶段平均燃油消耗量及占比、一次工作循环中各阶段平均瞬时燃油消耗率:
式中,t为完成一次工作循环平均耗时;T为挖掘机完成所有完整工作循环总耗时;ti为一次工作循环中每一工作阶段平均耗时;Mi为挖掘机工作阶段识别结果序列中,代表每一工作阶段的值出现的总次数;Δt为采样时间间隔;Wi为一次工作循环中每一工作阶段平均耗时占比;Pi为一次工作循环中各阶段平均燃油消耗量;pi为挖掘机工作阶段识别结果序列中每一阶段对应的所有瞬时燃油消耗率值;Q为一次工作循环的平均燃油消耗量;Wi'为一个工作循环中每一阶段油耗占比;Qi为一次工作循环各阶段的平均瞬时燃油消耗率;所有参数中,i=1,2,3,4,5,分别代表挖掘准备、挖掘、提升回转、卸荷、空斗返回。
进一步的,所述的挖掘机能耗分析系统以曲线和表格的形式将优化后的挖掘机工作阶段识别结果和能耗分析结果实时显示在挖掘机能耗分析系统显示界面;用点表示工作阶段识别结果,点的横坐标为当前时刻,点的纵坐标值与挖掘机当前工作阶段相对应,纵坐标值为1时,为挖掘准备阶段,纵坐标值为2时,为挖掘阶段,纵坐标值为3时,为提升回转阶段,纵坐标值为4时,为卸荷阶段,纵坐标值为5时,为空斗返回阶段,连接所有输出点,形成挖掘机工作阶段变化曲线;以表格的形式显示能耗分析结果,内容为挖掘准备、挖掘、提升回转、卸荷、空斗返回五个工作阶段的循环次数、一次工作循环平均耗时、一次工作循环中各阶段平均耗时及占比、一次工作循环的平均燃油消耗量、一次工作循环中各阶段平均燃油消耗量及占比、一次工作循环中各阶段平均瞬时燃油消耗率。挖掘机能耗分析系统将工作阶段识别结果和能耗分析结果通过外连控制器上传至挖掘机物联网平台,实现挖掘机工作及油耗状态的远程监控。
本发明的优点在于:
(1)不需要安装额外的压力传感器,挖掘机能耗分析系统直接使用行车控制器CAN总线中现有的双泵压力信号数据,识别挖掘机所处的工作阶段,成本低、实时性高;
(2)与以各阶段开始或结束时的一段波形作为分段标志来识别挖掘机工作阶段的方法相比,以挖掘机各工作阶段双泵压力稳定时的波形作为分段标志建立libSVM识别模型,既不存在漏识现象,而且由于双泵压力稳定时间占比大,误识现象也大大降低,提高了工作阶段识别速率和准确率。
(3)与BP神经网络相比,采用libSVM建立挖掘机工作阶段识别模型,训练样本要求数量少,更加适用于挖掘机工作分段标志样本无法大量获得的情况;libSVM模型自带交互检验功能,基础识别准确率更高。
(4)基于基础识别准确率较高的libSVM模型,引入更加简洁的智能校验环节,进一步提高了工作阶段识别结果准确率;
(5)采用0.4-0.6秒的双泵压力数据兼具实时性和准确性要求,libSVM模型识别准确率最高。
(6)提供了100Hz、50Hz、25Hz、20Hz、10Hz共5种频率的训练样本信号,用于建立与不同型号挖掘机行车控制器采样频率相匹配的libSVM模型,模型适用性更强;
(7)可选择采用系统抽样的方式降低采集的双泵压力信号频率,减少处理的数据容量,缩短工作阶段识别时间,提高挖掘机能耗分析速率;
(8)将能耗分析系统结果通过外连控制器实时上传至挖掘机物联网平台,可以实现对挖掘机工作及油耗状态的远程监控。
附图说明
图1是本发明所述的挖掘机能耗分析的流程图;
图2是本发明所述的挖掘机一个工作循环过程中双泵压力波形及其分段;
图3是本发明所述的libSVM模型识别结果;
图4是本发明所述的智能校验环节优化后的libSVM模型识别结果;
图5是本发明所述的挖掘机能耗分析某一具体实施例结果。
具体实施方式
下面结合附图和具体实施例来进一步阐述本发明。
本发明涉及基于工作阶段识别的挖掘机能耗分析方法,在基于ASP.net搭建的挖掘机能耗分析系统中实现,该系统可嵌入到挖掘机行车控制器(ECU)中;能耗分析系统从挖掘机行车控制器CAN总线读取挖掘机双泵压力信号,并对挖掘机所处工作循环阶段和燃油消耗量进行分析,将结果输出到显示单元,显示单元为一个液晶显示屏。
参见图1,一种基于工作阶段识别的挖掘机能耗分析方法,其实现步骤为:(1)从挖掘机行车控制器CAN总线中读取双泵压力和瞬时燃油消耗率信号数据,输入至能耗分析系统;(2)系统对双泵压力信号进行smooth滤波后,采用系统抽样的方式降低双泵压力信号频率;(3)截取压力信号前0.4-0.6秒内的数据,提取特征向量并归一化,将特征向量输入至与行车控制器采样频率相匹配的libSVM模型中识别挖掘机所处工作阶段;(4)智能校验环节修正libSVM模型输出结果;(5)平移时间窗口,识别下一时刻挖掘机工作阶段;(6)根据工作阶段识别结果和瞬时燃油消耗率信号,对挖掘机进行能耗分析;(7)将挖掘机工作阶段识别结果和能耗分析结果输入至能耗分析系统显示界面,并通过外连控制器将结果上传至挖掘机物联网平台。
进一步的,如图2所示,挖掘机工作循环阶段分为:挖掘准备、挖掘、提升回转、卸荷、空斗返回五个阶段。所述的一种基于工作阶段识别的挖掘机能耗分析方法以挖掘机作业循环挖掘准备阶段双泵压力稳定时0.4-0.6秒内的波形、作业循环挖掘阶段双泵压力稳定时0.4-0.6秒内的波形、作业循环提升回转阶段双泵压力稳定时0.4-0.6秒内的波形、作业循环卸荷阶段双泵压力稳定时0.4-0.6秒内的波形、作业循环空斗返回阶段双泵压力稳定时0.4-0.6秒内的波形作为分段标志,对作业循环进行分段,建立所述的libSVM 挖掘机工作阶段识别模型;将分段标志与挖掘机作业循环阶段相对应,对应关系为:作业循环挖掘准备阶段双泵压力稳定时0.4-0.6秒内的波形对应挖掘准备阶段;作业循环挖掘阶段双泵压力稳定时0.4-0.6秒内的波形对应挖掘阶段;作业循环提升回转阶段双泵压力稳定时0.4-0.6秒内的波形对应提升回转阶段;作业循环卸荷阶段双泵压力稳定时0.4-0.6秒内的波形对应卸荷阶段;作业循环空斗返回阶段双泵压力稳定时 0.4-0.6秒内的波形对应空斗返回阶段;图2中矩形框201-207截取的波形是一组宽度为0.5秒的各工作循环分段标志。
进一步的,所述的libSVM挖掘机工作阶段识别模型输入向量为分段标志的特征向量,包含6个特征值,分别为:前泵压力均值、前泵压力均方差、后泵压力均值、后泵压力均方差、前泵与后泵压力之差的均值、前泵与后泵压力之差的均方差;计算公式为:
式中,x1为前泵压力均值;x2为前泵压力均方差;x3为后泵压力均值;x4为后泵压力均方差;x5为双泵压力之差的均值;x6为双泵压力之差的均方差;n为离散压力信号数据量;p1n为前泵压力值;p2n为后泵压力值;最终选取的特征向量为:
X=[x1,x2,x3,x4,x5,x6] (7)
所述的libSVM模型输出向量为挖掘机作业循环的5个阶段,分别用数值表示:挖掘准备:1;挖掘: 2;提升回转:3;卸荷:4;空斗返回:5;挖掘准备阶段与提升回转阶段的双泵压力波形均存在两个明显的子阶段,一个完整的双泵压力波形共有7个分段标志,分别为挖掘机作业循环中的挖掘准备1阶段和挖掘准备2阶段(对应模型输出均为挖掘准备:1)、挖掘阶段(对应模型输出为挖掘:2)、提升回转1阶段和提升回转2阶段(对应模型输出均为提升回转:3)、卸荷阶段(对应模型输出为卸荷:4)、空斗返回阶段(对应模型输出为空斗返回:5)。
进一步的,所述的libSVM挖掘机工作阶段识别模型从100个完整压力波形中提取特征向量,共700 个,与对应输出一起构成样本空间;用于提取特征向量的压力信号具有100Hz、50Hz、25Hz、20Hz、10Hz 共5种频率,可以选择与挖掘机行车控制器采样频率相匹配的压力信号建立libSVM模型,提高模型适用性。选择整体分类结果准确率更高的径向基函数作为libSVM的核函数;为了避免取值范围大的特征值比取值范围小的特征值更占优势,将样本空间中的特征向量归一化处理;具体算法为:
式中,x'为归一化后的特征值,x为归一化前的特征值,xmax为特征向量中某特征值的最大值,xmin为特征向量中某特征值的最小值。
根据libSVM自带的交互检验功能,将样本空间按照4:1的比例随机分成训练样本和测试样本两组数据;选择最优的核函数参数和惩罚系数组合,使得建立的libSVM模型识别准确率最高。
进一步的,所述的挖掘机能耗分析系统不需要安装额外的压力传感器,直接从挖掘机行车控制器 CAN总线中读取双泵压力和瞬时燃油消耗率数据,系统采用smooth滤波预处理双泵压力信号,去除压力信号中的噪声干扰;具体算法为:
式中,为滤波后的压力值,y(n-2)、y(n-1)、y(n)、y(n+1)、y(n+2)为原始压力值。
可根据行车控制器处理数据的能力选择采用系统抽样的方式降低双泵压力信号频率至100Hz、 50Hz、25Hz、20Hz或10Hz,以此保证识别工作阶段的实时性。
进一步的,所述的挖掘机能耗分析系统提取待识别工作阶段双泵压力数据的特征向量包括6个特征值,分别为:前泵压力均值、前泵压力均方差、后泵压力均值、后泵压力均方差、前泵与后泵压力之差的均值、前泵与后泵压力之差的均方差;将特征向量归一化处理后输入至与行车控制器采样频率相匹配的 libSVM模型中,根据模型输出结果,判断挖掘机当前时刻所处的工作阶段:若输出结果值为1,则为挖掘准备阶段;若输出结果值为2,则为挖掘阶段;若输出结果值为3,则为提升回转阶段;若输出结果值为4,则为卸荷阶段;若输出结果值为5,则为空斗返回阶段。
图3为libSVM模型的初步识别结果,与图2相比,存在2处比较明显的错误;图中301应为挖掘准备阶段,误识为卸荷阶段;302应为提升回转阶段,误识为挖掘准备阶段;两处误识的出现主要是由于阶段转换的过渡过程中双泵压力信号变化较大,容易出现与其他工作阶段稳定时相似的波形,需要智能校验环节对识别结果进一步修正。
进一步的,所述的智能校验环节包括一系列与修正libSVM模型输出结果相关的条件,条件采用 IF-AND-THEN的形式,IF部分为使用该条件的前提,THEN部分为满足前提后的执行内容;智能校验环节根据当前时刻libSVM模型的输出结果和双泵压力数据,与条件的IF部分一一匹配,如果满足某一条件 IF部分,则执行THEN部分,改变当前libSVM模型的输出结果,如果不满足所有条件的IF部分,则维持原输出结果;条件主要来源于挖掘机操作规范和动作顺序;所有条件如下:
条件一: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;
条件二:IF当前输出为卸荷,AND前一个输出为挖掘准备,THEN当前输出为挖掘准备;
条件三: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;
条件四: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;
条件五: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;
条件六:IF当前输出为空斗返回,AND前一个输出为挖掘,THEN当前输出为挖掘;
条件七: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;
条件八: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;
条件九:IF当前输出为挖掘准备,AND前一个输出为卸荷,THEN当前输出为卸荷;
条件十:IF当前输出为挖掘,AND双泵压力最大值不大于18MPa,THEN当前输出为提升回转。
进一步的,所述的挖掘机能耗分析系统识别出当前时刻挖掘机所处工作阶段后,平移时间窗口,将当前双泵压力信号段中最早读入的一组压力数据剔除,并在最晚读入的压力数据后添加下一组压力数据,保持数据总量不变,识别下一时刻挖掘机所处工作阶段,直至没有数据读入。
图4为加入智能校验环节后libSVM模型识别结果;与图3相比,误识情况得到较大改善,基本能够正确反映挖掘机工作阶段的转化。
进一步的,所述的挖掘机能耗分析系统从CAN总线读取与挖掘机工作阶段识别结果对应的时间、瞬时燃油消耗率数据,构建能耗分析矩阵,对挖掘机能耗进行分析;能耗分析包括统计挖掘机完成每个工作阶段的循环次数、一次工作循环的平均耗时、一次工作循环中各阶段平均耗时及占比、一次工作循环的平均燃油消耗量、一次工作循环中各阶段平均燃油消耗量及占比、一次工作循环中各阶段平均瞬时燃油消耗率。
进一步的,所述的挖掘机能耗分析系统采用IF-AND-THEN的条件形式统计完整工作循环的次数和完成每个工作阶段的次数;能耗分析系统根据当前时刻和前一时刻挖掘机所处的工作阶段,与条件的IF 部分一一匹配,如果满足某一条件IF部分,则执行THEN部分,改变统计结果,如果不满足所有条件的 IF部分,则维持原统计结果;继续读取下一时刻挖掘机工作阶段识别结果,直至最后一个时刻,得到整个时间段内挖掘机完成完整工作循环的次数和完成每个工作阶段的次数;所有条件如下:
条件一:IF当前阶段为挖掘准备,AND前一时刻阶段为空斗返回,THEN完整工作循环的次数N 增加1次;
条件二:IF最后一个时刻挖掘机所处工作阶段为k(k=1,2,3,4,5,分别代表挖掘准备、挖掘、提升回转、卸荷、空斗返回),THEN每个工作阶段的次数Ni(i=1,2,3,4,5,分别代表挖掘准备、挖掘、提升回转、卸荷、空斗返回)如下式:
系统采用以下公式计算完成一次工作循环的平均耗时、一次工作循环中各阶段平均耗时及占比、一次工作循环的平均燃油消耗量、一次工作循环中各阶段平均燃油消耗量及占比、一次工作循环中各阶段平均瞬时燃油消耗率:
式中,t为完成一次工作循环平均耗时;T为挖掘机完成所有完整工作循环总耗时;ti为一次工作循环中每一工作阶段平均耗时;Mi为挖掘机工作阶段识别结果序列中,代表每一工作阶段的值出现的总次数;Δt为采样时间间隔;Wi为一次工作循环中每一工作阶段平均耗时占比;Pi为一次工作循环中各阶段平均燃油消耗量;pi为挖掘机工作阶段识别结果序列中每一阶段对应的所有瞬时燃油消耗率值;Q为一次工作循环的平均燃油消耗量;Wi'为一个工作循环中每一阶段油耗占比;Qi为一次工作循环各阶段的平均瞬时燃油消耗率;所有参数中,i=1,2,3,4,5,分别代表挖掘准备、挖掘、提升回转、卸荷、空斗返回。
进一步的,所述的挖掘机能耗分析系统以曲线和表格的形式将优化后的挖掘机工作阶段识别结果和能耗分析结果实时显示在挖掘机能耗分析系统显示界面;用点表示工作阶段识别结果,点的横坐标为当前时刻,点的纵坐标值与挖掘机当前工作阶段相对应,纵坐标值为1时,为挖掘准备阶段,纵坐标值为2时,为挖掘阶段,纵坐标值为3时,为提升回转阶段,纵坐标值为4时,为卸荷阶段,纵坐标值为5时,为空斗返回阶段,连接所有输出点,形成挖掘机工作阶段变化曲线;以表格的形式显示能耗分析结果,内容为挖掘准备、挖掘、提升回转、卸荷、空斗返回五个工作阶段的循环次数、一次工作循环平均耗时、一次工作循环中各阶段平均耗时及占比、一次工作循环的平均燃油消耗量、一次工作循环中各阶段平均燃油消耗量及占比、一次工作循环中各阶段平均瞬时燃油消耗率。挖掘机能耗分析系统将工作阶段识别结果和能耗分析结果通过外连控制器上传至挖掘机物联网平台,实现挖掘机工作及油耗状态的远程监控。
图5为某一具体实施例挖掘机能耗分析结果;包括工作循环次数、一次工作循环平均耗时、一次工作循环中各阶段平均耗时、一次工作循环中各阶段耗时占比、一次工作循环的平均燃油消耗量、一次工作循环中各阶段平均燃油消耗量、一次工作循环中各阶段燃油消耗量占比和和一次工作循环中各阶段平均瞬时燃油消耗率;其中,提升回转、挖掘准备和挖掘阶段耗时占比较大;提升回转、挖掘和挖掘准备阶段油耗占比较大。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (11)
1.一种基于工作阶段识别的挖掘机能耗分析方法,其特征在于,该方法包括以下步骤:(1)从挖掘机行车控制器CAN总线中读取双泵压力和瞬时燃油消耗率信号数据,输入至能耗分析系统;(2)系统对双泵压力信号进行smooth滤波后,采用系统抽样的方式降低双泵压力信号频率;(3)截取压力信号前0.4-0.6秒内的数据,提取特征向量并归一化,将特征向量输入至与行车控制器采样频率相匹配的libSVM模型中识别挖掘机所处工作阶段;(4)智能校验环节修正libSVM模型输出结果;(5)平移时间窗口,识别下一时刻挖掘机工作阶段;(6)根据工作阶段识别结果和瞬时燃油消耗率信号,对挖掘机进行能耗分析;(7)将挖掘机工作阶段识别结果和能耗分析结果输入至能耗分析系统显示界面,并通过外连控制器将结果上传至挖掘机物联网平台。
2.如权利要求1所述的一种基于工作阶段识别的挖掘机能耗分析方法,其特征在于,以挖掘机作业循环挖掘准备阶段双泵压力稳定时0.4-0.6秒内的波形、作业循环挖掘阶段双泵压力稳定时0.4-0.6秒内的波形、作业循环提升回转阶段双泵压力稳定时0.4-0.6秒内的波形、作业循环卸荷阶段双泵压力稳定时0.4-0.6秒内的波形、作业循环空斗返回阶段双泵压力稳定时0.4-0.6秒内的波形作为分段标志,对作业循环进行分段,建立所述的libSVM挖掘机工作阶段识别模型;将分段标志与挖掘机作业循环阶段相对应,对应关系为:作业循环挖掘准备阶段双泵压力稳定时0.4-0.6秒内的波形对应挖掘准备阶段;作业循环挖掘阶段双泵压力稳定时0.4-0.6秒内的波形对应挖掘阶段;作业循环提升回转阶段双泵压力稳定时0.4-0.6秒内的波形对应提升回转阶段;作业循环卸荷阶段双泵压力稳定时0.4-0.6秒内的波形对应卸荷阶段;作业循环空斗返回阶段双泵压力稳定时0.4-0.6秒内的波形对应空斗返回阶段。
3.如权利要求2所述的libSVM挖掘机工作阶段识别模型,其特征在于,所述的libSVM模型输入向量为分段标志的特征向量,包含6个特征值,分别为:前泵压力均值、前泵压力均方差、后泵压力均值、后泵压力均方差、前泵与后泵压力之差的均值、前泵与后泵压力之差的均方差;所述的libSVM模型输出向量为挖掘机作业循环的5个阶段,分别用数值表示:挖掘准备:1;挖掘:2;提升回转:3;卸荷:4;空斗返回:5;挖掘准备阶段与提升回转阶段的双泵压力波形均存在两个明显的子阶段,一个完整的双泵压力波形共有7个分段标志,分别为挖掘机作业循环中的挖掘准备1阶段和挖掘准备2阶段(对应模型输出均为挖掘准备:1)、挖掘阶段(对应模型输出为挖掘:2)、提升回转1阶段和提升回转2阶段(对应模型输出均为提升回转:3)、卸荷阶段(对应模型输出为卸荷:4)、空斗返回阶段(对应模型输出为空斗返回:5)。
4.如权利要求2所述的libSVM挖掘机工作阶段识别模型,其特征在于,所述的libSVM模型从100个完整压力波形中提取特征向量,共700个,与对应输出一起构成样本空间;用于提取特征向量的压力信号具有多种频率,可以选择与挖掘机行车控制器采样频率相匹配的压力信号提取特征向量,提高模型的适用性;选择径向基函数作为libSVM的核函数;归一化处理样本空间中的特征向量后,按照4:1的比例随机分为训练样本和测试样本;选择最优的核函数参数和惩罚系数组合,使得建立的libSVM模型识别准确率最高。
5.如权利要求1所述的一种基于工作阶段识别的挖掘机能耗分析方法,其特征在于,双泵压力信号和瞬时燃油消耗率数据可直接从挖掘机行车控制器CAN总线中读取,采用smooth滤波预处理双泵压力信号,去除压力信号中的噪声干扰;可根据行车控制器处理数据的能力选择采用系统抽样的方式降低双泵压力信号频率,以保证识别工作阶段的实时性。
6.如权利要求1所述的一种基于工作阶段识别的挖掘机能耗分析方法,其特征在于,所述的能耗分析系统提取待识别工作阶段双泵压力数据的特征向量包括6个特征值,分别为:前泵压力均值、前泵压力均方差、后泵压力均值、后泵压力均方差、前泵与后泵压力之差的均值、前泵与后泵压力之差的均方差;将特征向量归一化处理后输入至与行车控制器采样频率相匹配的libSVM模型中,根据模型输出结果,判断挖掘机当前时刻所处的工作阶段:若输出结果值为1,则为挖掘准备阶段;若输出结果值为2,则为挖掘阶段;若输出结果值为3,则为提升回转阶段;若输出结果值为4,则为卸荷阶段;若输出结果值为5,则为空斗返回阶段。
7.如权利要求1所述的一种基于工作阶段识别的挖掘机能耗分析方法,其特征在于,所述的智能校验环节包括一系列与修正libSVM模型输出结果相关的条件,条件采用IF-AND-THEN的形式,IF部分为使用该条件的前提,THEN部分为满足前提后的执行内容;智能校验环节根据当前时刻libSVM模型的输出结果和双泵压力数据,与条件的IF部分一一匹配,如果满足某一条件IF部分,则执行THEN部分,改变当前libSVM模型的输出结果,如果不满足所有条件的IF部分,则维持原输出结果;条件主要来源于挖掘机操作规范和动作顺序;所有条件如下:
条件一: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;
条件二:IF当前输出为卸荷,AND前一个输出为挖掘准备,THEN当前输出为挖掘准备;
条件三: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;
条件四: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;
条件五: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;
条件六:IF当前输出为空斗返回,AND前一个输出为挖掘,THEN当前输出为挖掘;
条件七: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;
条件八: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;
条件九:IF当前输出为挖掘准备,AND前一个输出为卸荷,THEN当前输出为卸荷;
条件十:IF当前输出为挖掘,AND双泵压力最大值不大于18MPa,THEN当前输出为提升回转。
8.如权利要求1所述的一种基于工作阶段识别的挖掘机能耗分析方法,其特征在于,所述的能耗分析系统识别出当前时刻挖掘机所处工作阶段后,平移时间窗口,将当前双泵压力信号段中最早读入的一组压力数据剔除,并在最晚读入的压力数据后添加下一组压力数据,保持数据总量不变,识别下一时刻挖掘机所处工作阶段,直至没有数据读入。
9.如权利要求1所述的一种基于工作阶段识别的挖掘机能耗分析方法,其特征在于,所述的能耗分析系统从CAN总线读取与挖掘机工作阶段识别结果对应的时间、瞬时燃油消耗率数据,构建能耗分析矩阵,对挖掘机能耗进行分析;能耗分析包括统计挖掘机完成每个工作阶段的循环次数、一次工作循环的平均耗时、一次工作循环中各阶段平均耗时及占比、一次工作循环的平均燃油消耗量、一次工作循环中各阶段平均燃油消耗量及占比、一次工作循环中各阶段平均瞬时燃油消耗率。
10.如权利要求9所述的挖掘机能耗分析系统,其特征在于,系统采用IF-AND-THEN的条件形式统计完整工作循环的次数和完成每个工作阶段的次数;能耗分析系统根据当前时刻和前一时刻挖掘机所处的工作阶段,与条件的IF部分一一匹配,如果满足某一条件IF部分,则执行THEN部分,改变统计结果,如果不满足所有条件的IF部分,则维持原统计结果;继续读取下一时刻挖掘机工作阶段识别结果,直至最后一个时刻,得到整个时间段内挖掘机完成完整工作循环的次数和完成每个工作阶段的次数;所有条件如下:
条件一:IF当前阶段为挖掘准备,AND前一时刻阶段为空斗返回,THEN完整工作循环的次数N增加1次;
条件二:IF最后一个时刻挖掘机所处工作阶段为k(k=1,2,3,4,5,分别代表挖掘准备、挖掘、提升回转、卸荷、空斗返回),THEN每个工作阶段的循环次数Ni(i=1,2,3,4,5,分别代表挖掘准备、挖掘、提升回转、卸荷、空斗返回)如下式:
系统采用以下公式计算完成一次工作循环的平均耗时、一次工作循环中各阶段平均耗时及占比、一次工作循环的平均燃油消耗量、一次工作循环中各阶段平均燃油消耗量及占比、一次工作循环中各阶段平均瞬时燃油消耗率:
式中,t为完成一次工作循环平均耗时;T为挖掘机完成所有完整工作循环总耗时;ti为一次工作循环中每一工作阶段平均耗时;Mi为挖掘机工作阶段识别结果序列中,代表每一工作阶段的值出现的总次数;Δt为采样时间间隔;Wi为一次工作循环中每一工作阶段平均耗时占比;Pi为一次工作循环中各阶段平均燃油消耗量;pi为挖掘机工作阶段识别结果序列中每一阶段对应的所有瞬时燃油消耗率值;Q为一次工作循环的平均燃油消耗量;Wi'为一个工作循环中每一阶段油耗占比;Qi为一次工作循环各阶段的平均瞬时燃油消耗率;所有参数中,i=1,2,3,4,5,分别代表挖掘准备、挖掘、提升回转、卸荷、空斗返回。
11.如权利要求1所述的一种基于工作阶段识别的挖掘机能耗分析方法,其特征在于,所述的能耗分析系统以曲线和表格的形式将优化后的挖掘机工作阶段识别结果和能耗分析结果实时显示在挖掘机能耗分析系统显示界面;用点表示工作阶段识别结果,点的横坐标为当前时刻,点的纵坐标值与挖掘机当前工作阶段相对应,纵坐标值为1时,为挖掘准备阶段,纵坐标值为2时,为挖掘阶段,纵坐标值为3时,为提升回转阶段,纵坐标值为4时,为卸荷阶段,纵坐标值为5时,为空斗返回阶段,连接所有输出点,形成挖掘机工作阶段变化曲线;以表格的形式显示能耗分析结果,内容为挖掘准备、挖掘、提升回转、卸荷、空斗返回五个工作阶段的循环次数、一次工作循环平均耗时、一次工作循环中各阶段平均耗时及占比、一次工作循环的平均燃油消耗量、一次工作循环中各阶段平均燃油消耗量及占比、一次工作循环中各阶段平均瞬时燃油消耗率;挖掘机能耗分析系统将工作阶段识别结果和能耗分析结果通过外连控制器上传至挖掘机物联网平台,实现挖掘机工作及油耗状态的远程监控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811387210.5A CN109636951B (zh) | 2018-11-21 | 2018-11-21 | 一种基于工作阶段识别的挖掘机能耗分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811387210.5A CN109636951B (zh) | 2018-11-21 | 2018-11-21 | 一种基于工作阶段识别的挖掘机能耗分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109636951A true CN109636951A (zh) | 2019-04-16 |
CN109636951B CN109636951B (zh) | 2021-03-05 |
Family
ID=66068602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811387210.5A Active CN109636951B (zh) | 2018-11-21 | 2018-11-21 | 一种基于工作阶段识别的挖掘机能耗分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636951B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429026A (zh) * | 2020-04-14 | 2020-07-17 | 西安热工研究院有限公司 | 一种露天矿电铲性能评价方法 |
CN111582135A (zh) * | 2020-04-30 | 2020-08-25 | 中南大学 | 基于工作阶段识别的挖掘机手操作熟练度评价方法及装置 |
CN112163299A (zh) * | 2020-09-30 | 2021-01-01 | 三一重机有限公司 | 挖掘机油耗的预测方法、系统及电子设备 |
CN113006188A (zh) * | 2021-03-22 | 2021-06-22 | 大连理工大学 | 一种基于lstm神经网络的挖掘机分阶段功率匹配方法 |
CN113502870A (zh) * | 2021-07-15 | 2021-10-15 | 上海三一重机股份有限公司 | 挖掘机工况判定方法及装置 |
CN113640577A (zh) * | 2021-08-30 | 2021-11-12 | 徐州徐工挖掘机械有限公司 | 电动工程机械能耗测试方法 |
CN113706739A (zh) * | 2021-07-09 | 2021-11-26 | 中联重科土方机械有限公司 | 远程故障诊断处理方法、平台及系统 |
CN113882457A (zh) * | 2021-09-27 | 2022-01-04 | 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 |
CN116155964A (zh) * | 2023-04-18 | 2023-05-23 | 北京徐工汉云技术有限公司 | 挖掘机工作装置的异常监控系统、方法与装置 |
CN116522758A (zh) * | 2023-03-29 | 2023-08-01 | 三一重工股份有限公司 | 工程机械耗电优化方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120158279A1 (en) * | 2010-12-14 | 2012-06-21 | Caterpillar, Inc. | Equipment Performance Monitoring System and Method |
CN102877500A (zh) * | 2012-09-29 | 2013-01-16 | 浙江大学 | 一种挖掘机工作循环阶段自动识别方法 |
WO2014047564A1 (en) * | 2012-09-21 | 2014-03-27 | Harnischfeger Technologies, Inc. | Energy management system for machinery performing a predictable work cycle |
CN105868787A (zh) * | 2016-03-31 | 2016-08-17 | 江苏大学 | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 |
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 |
CN106989788A (zh) * | 2017-04-17 | 2017-07-28 | 徐州徐工挖掘机械有限公司 | 一种电喷发动机液压挖掘机燃油消耗测试系统及其方法 |
-
2018
- 2018-11-21 CN CN201811387210.5A patent/CN109636951B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120158279A1 (en) * | 2010-12-14 | 2012-06-21 | Caterpillar, Inc. | Equipment Performance Monitoring System and Method |
WO2014047564A1 (en) * | 2012-09-21 | 2014-03-27 | Harnischfeger Technologies, Inc. | Energy management system for machinery performing a predictable work cycle |
CN102877500A (zh) * | 2012-09-29 | 2013-01-16 | 浙江大学 | 一种挖掘机工作循环阶段自动识别方法 |
CN105868787A (zh) * | 2016-03-31 | 2016-08-17 | 江苏大学 | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 |
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 |
CN106989788A (zh) * | 2017-04-17 | 2017-07-28 | 徐州徐工挖掘机械有限公司 | 一种电喷发动机液压挖掘机燃油消耗测试系统及其方法 |
Non-Patent Citations (2)
Title |
---|
冯培恩等: ""液压挖掘机作业循环阶段的智能识别"", 《浙江大学学报(工学版)》 * |
杜妮丝: ""大型液压挖掘机循环工况机械系统功耗研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429026A (zh) * | 2020-04-14 | 2020-07-17 | 西安热工研究院有限公司 | 一种露天矿电铲性能评价方法 |
CN111429026B (zh) * | 2020-04-14 | 2023-02-07 | 西安热工研究院有限公司 | 一种露天矿电铲性能评价方法 |
CN111582135A (zh) * | 2020-04-30 | 2020-08-25 | 中南大学 | 基于工作阶段识别的挖掘机手操作熟练度评价方法及装置 |
CN111582135B (zh) * | 2020-04-30 | 2023-05-16 | 中南大学 | 基于工作阶段识别的挖掘机手操作熟练度评价方法及装置 |
CN112163299A (zh) * | 2020-09-30 | 2021-01-01 | 三一重机有限公司 | 挖掘机油耗的预测方法、系统及电子设备 |
CN112163299B (zh) * | 2020-09-30 | 2023-05-02 | 三一重机有限公司 | 挖掘机油耗的预测方法、系统及电子设备 |
CN113006188B (zh) * | 2021-03-22 | 2022-02-18 | 大连理工大学 | 一种基于lstm神经网络的挖掘机分阶段功率匹配方法 |
CN113006188A (zh) * | 2021-03-22 | 2021-06-22 | 大连理工大学 | 一种基于lstm神经网络的挖掘机分阶段功率匹配方法 |
CN113706739A (zh) * | 2021-07-09 | 2021-11-26 | 中联重科土方机械有限公司 | 远程故障诊断处理方法、平台及系统 |
WO2023284443A1 (zh) * | 2021-07-15 | 2023-01-19 | 上海三一重机股份有限公司 | 挖掘机工况判定方法及装置 |
CN113502870A (zh) * | 2021-07-15 | 2021-10-15 | 上海三一重机股份有限公司 | 挖掘机工况判定方法及装置 |
CN113640577A (zh) * | 2021-08-30 | 2021-11-12 | 徐州徐工挖掘机械有限公司 | 电动工程机械能耗测试方法 |
CN113882457A (zh) * | 2021-09-27 | 2022-01-04 | 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 |
CN116522758A (zh) * | 2023-03-29 | 2023-08-01 | 三一重工股份有限公司 | 工程机械耗电优化方法及装置 |
CN116155964A (zh) * | 2023-04-18 | 2023-05-23 | 北京徐工汉云技术有限公司 | 挖掘机工作装置的异常监控系统、方法与装置 |
CN116155964B (zh) * | 2023-04-18 | 2023-06-13 | 北京徐工汉云技术有限公司 | 挖掘机工作装置的异常监控系统、方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109636951B (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636951A (zh) | 一种基于工作阶段识别的挖掘机能耗分析方法 | |
CN102877500A (zh) | 一种挖掘机工作循环阶段自动识别方法 | |
CN102289585B (zh) | 基于数据挖掘的公共建筑能耗实时监测方法 | |
CN102169326B (zh) | 基于数据挖掘的最优炉温设定值优化系统 | |
CN113006188B (zh) | 一种基于lstm神经网络的挖掘机分阶段功率匹配方法 | |
CN100557149C (zh) | 耙吸挖泥船疏浚施工自动寻优方法 | |
CN106199494A (zh) | 一种基于计量装置故障的智能诊断系统 | |
CN106125612B (zh) | 一种装载机铲装过程的作业斗数识别方法与识别装置 | |
CN113157732B (zh) | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 | |
CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
Shaojie et al. | Evaluating wheel loader operating conditions based on radar chart | |
CN104697107A (zh) | 智能学习节能调控系统与方法 | |
CN108011367A (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 | |
CN112412426A (zh) | 压裂车控制方法、装置及压裂车 | |
CN108427753A (zh) | 一种新的数据挖掘方法 | |
CN117093947A (zh) | 一种发电柴油机运行异常监测方法及系统 | |
CN112699549A (zh) | 一种含cdfs结构的航空发动机非线性模型建模系统及建模方法 | |
CN107093018A (zh) | 基于健康模型的电信工程项目信息可视化方法及装置 | |
CN106447207A (zh) | 一种基于大数据分析的绿色建筑预评价系统 | |
CN101701935A (zh) | 耐火砖内部质量在线检测装置 | |
CN111651726A (zh) | 一种用于矿山安全评价和风险预测的数学模型建立方法 | |
CN116861237A (zh) | 用于挖掘机作业状态的识别方法、装置、挖掘机及处理器 | |
CN115630571A (zh) | 一种基于集成学习的油井示功图自动诊断方法 | |
CN108694293A (zh) | 一种往复式混输泵流率的主动建模与预测方法 | |
CN108493933A (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
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 |