CN110033528B - 一种基于gps和发动机数据的农机作业状态判断方法 - Google Patents

一种基于gps和发动机数据的农机作业状态判断方法 Download PDF

Info

Publication number
CN110033528B
CN110033528B CN201910306805.1A CN201910306805A CN110033528B CN 110033528 B CN110033528 B CN 110033528B CN 201910306805 A CN201910306805 A CN 201910306805A CN 110033528 B CN110033528 B CN 110033528B
Authority
CN
China
Prior art keywords
data
gps
ecu
training
state
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
Application number
CN201910306805.1A
Other languages
English (en)
Other versions
CN110033528A (zh
Inventor
李盈盈
冯云鹤
王志端
李松松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Luoyang Intelligent Agricultural Equipment Research Institute Co Ltd
Original Assignee
Luoyang Intelligent Agricultural Equipment Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Luoyang Intelligent Agricultural Equipment Research Institute Co Ltd filed Critical Luoyang Intelligent Agricultural Equipment Research Institute Co Ltd
Priority to CN201910306805.1A priority Critical patent/CN110033528B/zh
Publication of CN110033528A publication Critical patent/CN110033528A/zh
Application granted granted Critical
Publication of CN110033528B publication Critical patent/CN110033528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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
    • G07C5/0841—Registering performance data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于GPS和发动机数据的农机作业状态判断方法，其特征在于：包括训练判别模型的方法S1、调用模型进行预测的方法S2和细化作业状态开始和结束时刻的方法S3；S1)训练判别模型的方法包括以下步骤：S11)获取车辆工作数据：采集农机处于作业状态、田间转移状态和怠速状态不同状态的GPS数据和发动机ECU数据，所述GPS数据包含农机瞬时速度、转向角度，本发明通过搜集农机不同作业状态的ECU和GPS数据，为每种数据进行标注，利用标注数据训练判别模型，进而用模型判别农机的作业状态；不依赖农机的GPS密度，避免GPS密度变化带来的判别误差；针对数据缺失的情况训练判断模型，避免数据缺失造成判断结果准确率下降。

Description

一种基于GPS和发动机数据的农机作业状态判断方法
技术领域
本发明涉及智能农机设备技术领域，具体为一种基于GPS和发动机数据的农机作业状态判断方法。
背景技术
现代农业体系从人力和畜力为主转变为机械动力为主，最大的区别在于动力形式是否机械化。然而进一步提高农业机械化生产效率，则需要精耕细作，对机械动力实施精确控制、精准运用。农机作业状态与农机故障、传动系统效率、作业质量密切相关。准确识别农机的作业状态，对农机故障识别、农机传动系统、收割系统的改进设计有重要意义，对于实现精准农业、提升农机利用水平有重大价值。
现有技术中，基于农机GPS数据密度的判别方法是：把GPS坐标通过UTM(UniversalTransverse MercatorProjection，通用横轴墨卡托投影)投影转换为平面坐标，用一定间隔将平面坐标切分为单元格，对单元格进行聚类，根据聚类的类别判断农机是否处于作业状态。这种方法需要根据农机作业速度等条件设置网格大小，网格大小直接影响到判断的准确度。当作业轨迹有重叠或GPS坐标密度差别较大时，此方法准确率较低。
发明内容
本发明要解决的技术问题是克服现有的缺陷，本发明通过搜集农机不同作业状态的ECU和GPS数据，为每种数据进行标注，利用标注数据训练判别模型，进而用模型判别农机的作业状态；不依赖农机的GPS密度，避免GPS密度变化带来的判别误差；针对数据缺失的情况训练判断模型，避免数据缺失造成判断结果准确率下降。
为实现上述目的，本发明提供如下技术方案：一种基于GPS和发动机数据的农机作业状态判断方法，包括训练判别模型的方法S1、调用模型进行预测的方法S2和细化作业状态开始和结束时刻的方法S3；
S1)训练判别模型的方法包括以下步骤：
S11)获取车辆工作数据：采集农机处于作业状态、田间转移状态和怠速状态不同状态的GPS数据和发动机ECU数据，所述GPS数据包含农机瞬时速度、转向角度，ECU数据包含油耗、转速和油门开度；
S12)对数据进行分段：对采集到的GPS数据和ECU数据按时间排序，把GPS数据和ECU数据分成每5分钟一段，对GPS和ECU数据的时间段索引进行合并；
S13)计算数据的统计值：计算每小段的瞬时速度、转向角度、油耗、转速和油门开度数据的均值、方差和标准差；
S14)给数据打上标签：对每一小段数据以及计算得到的统计数值，按照已知的作业状态，打上数值标签，作业状态对应数字1，田间转移状态对应数字2；
S15)用ECU和GPS数据训练模型：把数据分为训练集、测试集、验证集三部分；
S16)把打好标签的数据进行归一化，使用线性核函数的支持向量机用训练数据进行训练并保存训练模型；按时间索引加5分钟的时间段获取GPS和ECU数据，对于同一时间段同时具有GPS和ECU数据的，使用GPS和ECU数据对支持向量机进行训练；
S17)用单独数据训练模型：单独使用所有的GPS训练数据进行农机作业状态判断的支持向量机的训练并保存；
S18)单独使用所有的ECU训练数据进行农机作业状态判断的支持向量机训练并保存；
S19)用测试集进行测试，在准确率达到90％以上后停止训练；
S110)调整支持向量机参数，提高结果准确度；
S2)调用模型进行预测的方法包括以下步骤：
S21)对新的需要判断农机作业状态的数据，从数据库获取GPS和ECU数据，把GPS数据和ECU数据进行5分钟的分段，合并GPS数据和ECU数据的索引；
S22)计算每段GPS数据和ECU数据的方差、均值、标准差；
S23)按照索引查询GPS数据和ECU数据,如时间段内只有GPS数据而无ECU数据，并且时间段内GPS速度均值大于0.5m/s，则用GPS支持向量机进行判断，如只有ECU数据而无GPS数据，则用ECU支持向量机进行判断，如有GPS数据和ECU数据，则用GPS和ECU支持向量机进行判断，结果得到每一段5分钟的数据一个工作状态的标签，作业状态对应1，田间转移状态对应状态2；
S24)把时间索引和判断得到的分类标签合并，相同标签的连续时间索引合并，组成一个作业或转移的时间段；
S3)细化作业状态开始和结束时刻的方法包括以下步骤：
S31)细化原因：开始和结束作业的判断单位为5分钟，开始作业或结束作业的5分钟内可能同时存在作业和转移状态，因此进行细化；
S32)细化步骤：S321)对于一段作业的时间，取其开始作业的时刻为T,将T后移5分钟，作为T1,然后T1以30秒为粒度向前递进，并向前、后各获取5分钟作为用于判断的时间段,分别为P1,P2,按照调用模型进行预测的方法步骤S21-S23进行预测，获取作业类别标签；S322)重复步骤1，直到P1和P2的作业类别标签出现不同，则此时所取的T1即为开始作业的时刻；S323)对结束作业的时刻进行步骤S321-S322的操作，把“后移5分钟”改为“向前移5分钟”，把“以30秒为粒度向前递进”改为“以30秒为粒度向后递进”，得到细化后结束作业的时刻T2。
与现有技术相比，本发明通过搜集农机不同作业状态的ECU和GPS数据，为每种数据进行标注，利用标注数据训练判别模型，进而用模型判别农机的作业状态；不依赖农机的GPS密度，避免GPS密度变化带来的判别误差；针对数据缺失的情况训练判断模型，避免数据缺失造成判断结果准确率下降。
附图说明
图1为农机状态判别模型的训练方法的流程图；
图2为调用模型进行作业状态判断的流程图；
图3为细化作业开始时刻的流程图；
图4为支持向量机根据数据特征判断农机作业状态示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
请参阅图1-4，本发明提供一种技术方案：一种基于GPS和发动机数据的农机作业状态判断方法，包括训练判别模型的方法S1、调用模型进行预测的方法S2和细化作业状态开始和结束时刻的方法S3；
S1)训练判别模型的方法包括以下步骤：
S11)获取车辆工作数据：采集农机处于作业状态、田间转移状态和怠速状态不同状态的GPS数据和发动机ECU数据，所述GPS数据包含农机瞬时速度、转向角度，ECU数据包含油耗、转速和油门开度；
S12)对数据进行分段：对采集到的GPS数据和ECU数据按时间排序，把GPS数据和ECU数据分成每5分钟一段，对GPS和ECU数据的时间段索引进行合并；
S13)计算数据的统计值：计算每小段的瞬时速度、转向角度、油耗、转速和油门开度数据的均值、方差和标准差；
S14)给数据打上标签：对每一小段数据以及计算得到的统计数值，按照已知的作业状态，打上数值标签，作业状态对应数字1，田间转移状态对应数字2；
S15)用ECU和GPS数据训练模型：把数据分为训练集、测试集、验证集三部分；
S16)把打好标签的数据进行归一化，使用线性核函数的支持向量机用训练数据进行训练并保存训练模型；按时间索引加5分钟的时间段获取GPS和ECU数据，对于同一时间段同时具有GPS和ECU数据的，使用GPS和ECU数据对支持向量机进行训练；
S17)用单独数据训练模型：单独使用所有的GPS训练数据进行农机作业状态判断的支持向量机的训练并保存；
S18)单独使用所有的ECU训练数据进行农机作业状态判断的支持向量机训练并保存；
S19)用测试集进行测试，在准确率达到90％以上后停止训练；
S110)调整支持向量机参数，提高结果准确度；
S2)调用模型进行预测的方法包括以下步骤：
S21)对新的需要判断农机作业状态的数据，从数据库获取GPS和ECU数据，把GPS数据和ECU数据进行5分钟的分段，合并GPS数据和ECU数据的索引；
S22)计算每段GPS数据和ECU数据的方差、均值、标准差；
S23)按照索引查询GPS数据和ECU数据,如时间段内只有GPS数据而无ECU数据，并且时间段内GPS速度均值大于0.5m/s，则用GPS支持向量机进行判断，如只有ECU数据而无GPS数据，则用ECU支持向量机进行判断，如有GPS数据和ECU数据，则用GPS和ECU支持向量机进行判断，结果得到每一段5分钟的数据一个工作状态的标签，作业状态对应1，田间转移状态对应状态2；
支持向量机分类的原理：假定有一组参数和标签
Figure GDA0002830936150000061
其中标签y1～yn有两种取值1或2，分别对应农机作业和转移状态，x1～xn对应农机的速度、油耗、发动机转速这些参数，支持向量机训练的目的是找到一组参数θ1，θ2，...，θn，使得对一组农机特征数据,有误差
Figure GDA0002830936150000062
的值最小。当误差L的值最小时，分类的准确率最大，当确定参数θ1，θ2，...，θn之后，对于新输入的参数x1，x2，...，xn，计算x1θ1+x2θ2+…+xnθn与两标签1或2的差值d1和d2，若d1<d2则对应于此数据特征的农机作业状态为标签为1，否则为转移状态为标签为2；
S24)把时间索引和判断得到的分类标签合并，相同标签的连续时间索引合并，组成一个作业或转移的时间段；
S3)细化作业状态开始和结束时刻的方法包括以下步骤：
S31)细化原因：开始和结束作业的判断单位为5分钟，开始作业或结束作业的5分钟内可能同时存在作业和转移状态，因此进行细化；
S32)细化步骤：S321)对于一段作业的时间，取其开始作业的时刻为T,将T后移5分钟，作为T1,然后T1以30秒为粒度向前递进，并向前、后各获取5分钟作为用于判断的时间段,分别为P1,P2,按照调用模型进行预测的方法步骤S21-S23进行预测，获取作业类别标签；S322)重复步骤1，直到P1和P2的作业类别标签出现不同，则此时所取的T1即为开始作业的时刻；S323)对结束作业的时刻进行步骤S321-S322的操作，把“后移5分钟”改为“向前移5分钟”，把“以30秒为粒度向前递进”改为“以30秒为粒度向后递进”，得到细化后结束作业的时刻T2。
在使用时：首先搜集特定机型的GPS和ECU数据，根据作业状态打上标签，训练支持向量机作为分类模型，然后使用支持向量作为分类模型，原理是：农机在不同工作状态下的ECU和GPS数据是不同的，每5分钟内GPS数据比如速度、方位角和ECU数据比如瞬时油耗、脚踏板位置的均值、方差表示农机工作状态空间WS中的一个点，相同的工作状态在WS中聚集在一起，不同工作状态的点在WS中相互分离，然后训练支持向量机的过程就是找到一种映射,将不同工作状态的状态点映射到相应的工作状态标签，训练完成后将模型保存，调用模型并输入要预测的工作状态数据，即可得到输入数据对应的工作状态标签。
本发明通过搜集农机不同作业状态的ECU和GPS数据，为每种数据进行标注，利用标注数据训练判别模型，进而用模型判别农机的作业状态；不依赖农机的GPS密度，避免GPS密度变化带来的判别误差；针对数据缺失的情况训练判断模型，避免数据缺失造成判断结果准确率下降。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (1)

1.一种基于GPS和发动机数据的农机作业状态判断方法，其特征在于：包括训练判别模型的方法S1、调用模型进行预测的方法S2和细化作业状态开始和结束时刻的方法S3；
S1)训练判别模型的方法包括以下步骤：
S11)获取车辆工作数据：采集农机处于作业状态、田间转移状态和怠速状态不同状态的GPS数据和发动机ECU数据，所述GPS数据包含农机瞬时速度、转向角度，ECU数据包含油耗、转速和油门开度；
S12)对数据进行分段：对采集到的GPS数据和ECU数据按时间排序，把GPS数据和ECU数据分成每5分钟一段，对GPS和ECU数据的时间段索引进行合并；
S13)计算数据的统计值：计算每小段的瞬时速度、转向角度、油耗、转速和油门开度数据的均值、方差和标准差；
S14)给数据打上标签：对每一小段数据以及计算得到的统计数值，按照已知的作业状态，打上数值标签，作业状态对应数字1，田间转移状态对应数字2；
S15)用ECU和GPS数据训练模型：把数据分为训练集、测试集、验证集三部分；
S16)把打好标签的数据进行归一化，使用线性核函数的支持向量机用训练数据进行训练并保存训练模型；按时间索引加5分钟的时间段获取GPS和ECU数据，对于同一时间段同时具有GPS和ECU数据的，使用GPS和ECU数据对支持向量机进行训练；
S17)用单独数据训练模型：单独使用所有的GPS训练数据进行农机作业状态判断的支持向量机的训练并保存；
S18)单独使用所有的ECU训练数据进行农机作业状态判断的支持向量机训练并保存；
S19)用测试集进行测试，在准确率达到90％以上后停止训练；
S110)调整支持向量机参数，提高结果准确度；
S2)调用模型进行预测的方法包括以下步骤：
S21)对新的需要判断农机作业状态的数据，从数据库获取GPS和ECU数据，把GPS数据和ECU数据进行5分钟的分段，合并GPS数据和ECU数据的索引；
S22)计算每段GPS数据和ECU数据的方差、均值、标准差；
S23)按照索引查询GPS数据和ECU数据,如时间段内只有GPS数据而无ECU数据，并且时间段内GPS速度均值大于0.5m/s，则用GPS支持向量机进行判断，如只有ECU数据而无GPS数据，则用ECU支持向量机进行判断，如有GPS数据和ECU数据，则用GPS和ECU支持向量机进行判断，结果得到每一段5分钟的数据一个工作状态的标签，作业状态对应1，田间转移状态对应状态2；
S24)把时间索引和判断得到的分类标签合并，相同标签的连续时间索引合并，组成一个作业或转移的时间段；
S3)细化作业状态开始和结束时刻的方法包括以下步骤：
S31)细化原因：开始和结束作业的判断单位为5分钟，开始作业或结束作业的5分钟内可能同时存在作业和转移状态，因此进行细化；
S32)细化步骤：S321)对于一段作业的时间，取其开始作业的时刻为T,将T后移5分钟，作为T1,然后T1以30秒为粒度向前递进，并向前、后各获取5分钟作为用于判断的时间段,分别为P1,P2,按照调用模型进行预测的方法步骤S21-S23进行预测，获取作业类别标签；S322)重复步骤1，直到P1和P2的作业类别标签出现不同，则此时所取的T1即为开始作业的时刻；S323)对结束作业的时刻进行步骤S321-S322的操作，把“后移5分钟”改为“向前移5分钟”，把“以30秒为粒度向前递进”改为“以30秒为粒度向后递进”，得到细化后结束作业的时刻T2。
CN201910306805.1A 2019-04-17 2019-04-17 一种基于gps和发动机数据的农机作业状态判断方法 Active CN110033528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910306805.1A CN110033528B (zh) 2019-04-17 2019-04-17 一种基于gps和发动机数据的农机作业状态判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910306805.1A CN110033528B (zh) 2019-04-17 2019-04-17 一种基于gps和发动机数据的农机作业状态判断方法

Publications (2)

Publication Number Publication Date
CN110033528A CN110033528A (zh) 2019-07-19
CN110033528B true CN110033528B (zh) 2021-02-26

Family

ID=67238658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910306805.1A Active CN110033528B (zh) 2019-04-17 2019-04-17 一种基于gps和发动机数据的农机作业状态判断方法

Country Status (1)

Country Link
CN (1) CN110033528B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648429B (zh) * 2019-08-30 2021-07-20 安徽中科智能感知产业技术研究院有限责任公司 一种多重判断条件的农业机械作业行驶状态远程检测方法
CN110930541B (zh) * 2019-11-04 2021-10-22 洛阳中科晶上智能装备科技有限公司 一种利用gps信息实现对农机工况状态分析的方法
CN110930007B (zh) * 2019-11-14 2023-03-14 北京农业智能装备技术研究中心 一种农机田间作业状态确定方法和装置
CN112947180B (zh) * 2021-02-04 2022-06-24 中国地质大学（武汉） 重型机械作业状态识别预测方法、装置、设备及存储介质
CN115424367A (zh) * 2022-08-03 2022-12-02 洛阳智能农业装备研究院有限公司 基于gps的作业状态判断方法、装置、设备及可读存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5904226B2 (ja) * 2014-02-26 2016-04-13 株式会社豊田中央研究所 車両挙動予測装置及びプログラム
CN104071161B (zh) * 2014-04-29 2016-06-01 福州大学 一种插电式混合动力汽车工况识别及能量管控的方法
CN108269325A (zh) * 2016-12-30 2018-07-10 中国移动通信有限公司研究院 一种驾驶行为油耗经济性的分析方法及装置
CN106909075A (zh) * 2017-02-06 2017-06-30 浙江漫思网络科技有限公司 一种利用gps数据分析驾驶行为的方法
CN106740829B (zh) * 2017-03-23 2018-04-10 吉林大学 基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统
CN107226025B (zh) * 2017-05-15 2020-08-18 长安大学 一种实时监控驾驶行为的系统的实时监控方法
CN107284452B (zh) * 2017-07-18 2018-04-10 吉林大学 融合智能通讯信息的混合动力汽车未来工况预测系统
CN107680204B (zh) * 2017-10-09 2020-07-03 航天科技控股集团股份有限公司 一种用于分析行驶行为的车辆数据处理系统
CN108694756A (zh) * 2018-05-09 2018-10-23 北京九五智驾信息技术股份有限公司 对驾驶行为进行分析的方法
CN108647836B (zh) * 2018-06-06 2021-11-12 哈尔滨思派科技有限公司 一种驾驶员节能评价方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于UDS的行车状态评估系统的研究;孙责;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20181216;全文 *
基于工况识别的起停系统多模式控制策略研究;钟庆云;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170116;全文 *

Also Published As

Publication number Publication date
CN110033528A (zh) 2019-07-19

Similar Documents

Publication Publication Date Title
CN110033528B (zh) 一种基于gps和发动机数据的农机作业状态判断方法
CN108513676B (zh) 一种路况识别方法、装置及设备
CN104021671B (zh) 一种svm与模糊判断相结合的道路实时路况的判断方法
WO2021238455A1 (zh) 数据处理方法、设备及计算机可读存储介质
CN110189317A (zh) 一种基于深度学习的道路影像智能采集和识别方法
CN104091070A (zh) 一种基于时间序列分析的轨道交通故障诊断方法和系统
CN111582380B (zh) 一种基于时空特征的船舶轨迹密度聚类方法及装置
CN110750524A (zh) 一种有源配电网故障特征的确定方法及系统
CN113570200B (zh) 一种基于多维信息的电网运行状态监测方法及系统
CN110705774A (zh) 一种车辆能耗分析的预测方法和系统
CN110386144B (zh) 一种对驾驶人制动意图进行辨识的ghmm/ggap-rbf混合模型及辨识方法
CN101738998B (zh) 一种基于局部判别分析的工业过程监测系统及方法
CN113516105B (zh) 一种车道检测方法、装置及计算机可读存储介质
CN113269042B (zh) 基于行驶车辆违章识别的智能交通管理方法及系统
CN111539845A (zh) 一种基于用电模式隶属评分的企业环保管控响应研判方法
CN107391365A (zh) 一种面向软件缺陷预测的混合特征选择方法
CN117173913A (zh) 基于不同时段车流量分析的交通控制方法及系统
CN115187932A (zh) 一种基于人工智能的道路拥堵分析系统
CN108327718B (zh) 一种车辆自适应巡航控制系统及其控制方法
CN106203526B (zh) 基于多维特征的目标行为模式在线分类方法
CN111985526B (zh) 一种基于相似场景聚类的尾随间隔管理策略生成方法及其系统
CN114064673A (zh) 一种盾构云平台多线路中心刀损坏预警系统
CN111382688A (zh) 一种基于云端通讯和支持向量机的交警手势识别方法
CN116557521B (zh) 一种用于高速变速器的数据处理及相关装置
CN116193085B (zh) 一种基于边缘计算技术的汽车追踪定位方法及系统

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