CN112214854A - 挖掘机油耗预测方法、系统及电子设备 - Google Patents
挖掘机油耗预测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN112214854A CN112214854A CN202011155326.3A CN202011155326A CN112214854A CN 112214854 A CN112214854 A CN 112214854A CN 202011155326 A CN202011155326 A CN 202011155326A CN 112214854 A CN112214854 A CN 112214854A
- Authority
- CN
- China
- Prior art keywords
- excavator
- oil consumption
- operation data
- correlation
- data
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本发明提供了一种挖掘机油耗预测方法、系统及电子设备,涉及挖掘机油耗预测技术领域,该方法首先获取挖掘机的运行参数,然后从云端数据库中获取与挖掘机同型号的所有运行数据;再根据相关系数方程确定运行数据之间的相关性,筛选出与油耗相关的运行数据;并对筛选出的与油耗相关的运行数据进行多项式参数组合,利用最小二乘法确定的多项式参数组合中满足预设油耗预测精度的多项式参数组合作为挖掘机油耗预测算式,最后利用挖掘机油耗预测算式对挖掘机的油耗进行实时预测。该方法在对挖掘机油耗进行预测过程中,可尽可能的利用发动机数据与油耗数据进行耦合,并利用非线性参数处理方法提升了油耗在非线性变化时的预测精度。
Description
技术领域
本发明涉及挖掘机油耗预测技术领域,尤其是涉及一种挖掘机油耗预测方法、系统及电子设备。
背景技术
油耗控制管理对于油耗较大的挖掘机而言至关重要,主要采用的技术是立足于单台设备的控制系统的反馈调节匹配等方法,依赖于短时间内收集的多种工况的数据集而建立起油耗模型,并基于该油耗模型实现油耗数据的管控。
但现有的油耗预测过程中使用的油耗模型在构建过程中使用的参数有限,参数之间缺乏耦合,油耗在非线性变化时的预测精度较低。
发明内容
有鉴于此,本发明的目的在于提供一种挖掘机油耗预测方法、系统及电子设备,在对挖掘机油耗进行预测过程中,可尽可能的利用发动机数据与油耗数据进行耦合,挖掘机油耗预测算式的获取过程中引入物理关系处理自变量,不以时间作为依赖变量,提升了物理可靠性,并利用非线性参数处理方法提升了油耗在非线性变化时的预测精度。
第一方面,本发明实施例提供了一种挖掘机油耗预测方法,该方法包括:
通过挖掘机内置的传感器以及控制器获取挖掘机的运行参数;
从预设的挖掘机参数云端数据库中获取与挖掘机同型号的所有运行数据;其中,运行数据的种类与运行参数的种类相同;
根据相关系数方程确定运行数据之间的相关性,通过运行数据之间的相关性筛选出与油耗相关的运行数据;
对筛选出的与油耗相关的运行数据进行多项式参数组合,利用最小二乘法确定的多项式参数组合中满足预设油耗预测精度的多项式参数组合作为挖掘机油耗预测算式;
利用挖掘机油耗预测算式对挖掘机的油耗进行实时预测。
在一些实施方式中,上述从预设的挖掘机参数云端数据库中获取与挖掘机同型号的所有运行数据的步骤,包括:
根据运行参数的名称、地址和种类,得到挖掘机参数云端数据库中与运行参数的种类相同的运行数据;
判断运行数据中是否包含缺省值和无效数据;如果是,删除运行数据;
遍历所有运行参数的名称、地址和种类对应的运行数据,将运行数据进行清洗处理确定挖掘机同型号的所有运行数据。
在一些实施方式中,上述从预设的挖掘机参数云端数据库中获取与挖掘机同型号的所有运行数据之后,方法还包括:
将经过处理后的挖掘机的运行参数保存至挖掘机参数云端数据库中。
在一些实施方式中,上述通过运行数据之间的相关性筛选出与油耗相关的运行数据,包括:
根据运行数据之间的相关性,对所有运行数据的油耗相关性进行检验;其中,油耗相关性表征运行数据与油耗的关联程度;
若运行参数的油耗相关性不满足预设相关性阈值时,将运行参数进行删除;若运行参数的油耗相关性满足预设阈值时,将运行参数作为与油耗有关的参数用于模型的创建。
在一些实施方式中,上述对所有运行数据的油耗相关性进行检验后,得到的与油耗有关的运行数据包括:挖掘机的发动机转速以及输出功率。
在一些实施方式中,上述挖掘机的运行参数,包括:挖掘机的发动机、主泵、主阀、液压油缸以及运动机构的运行参数。
在一些实施方式中,上述挖掘机油耗预测算式中,挖掘机的运行参数以及预测时间为自变量;挖掘机的油耗为因变量。
第二方面,本发明实施例提供了一种挖掘机油耗预测系统,该系统包括:
运行参数获取模块,用于通过挖掘机内置的传感器以及控制器获取挖掘机的运行参数;
运行数据获取模块,用于从预设的挖掘机参数云端数据库中获取与挖掘机同型号的所有运行数据;其中,运行数据的种类与运行参数的种类相同;
相关性计算模块,用于根据相关系数方程确定运行数据之间的相关性,通过运行数据之间的相关性筛选出与油耗相关的运行数据;
预测算式获取模块,用于对筛选出的与油耗相关的运行数据进行多项式参数组合,利用最小二乘法确定的多项式参数组合中满足预设油耗预测精度的多项式参数组合作为挖掘机油耗预测算式;
油耗预测模块,用于利用挖掘机油耗预测算式对挖掘机的油耗进行实时预测。
第三方面,本发明实施例还提供一种电子设备,包括:处理器和存储器;存储器上存储有计算机程序,计算机程序在被处理器运行时实现上述第一方面任意可能的实施方式中提到的挖掘机油耗预测方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其中,计算机程序被处理器运行时实现上述第一方面任意可能的实施方式中提到的挖掘机油耗预测方法的步骤。
本发明实施例带来了以下有益效果:
本发明提供了一种挖掘机油耗预测方法、系统及电子设备,该方法首先通过挖掘机内置的传感器以及控制器获取挖掘机的运行参数。然后从预设的挖掘机参数云端数据库中获取与挖掘机同型号的所有运行数据;其中,运行数据的种类与运行参数的种类相同。再根据相关系数方程确定运行数据之间的相关性,通过运行数据之间的相关性筛选出与油耗相关的运行数据;并对筛选出的与油耗相关的运行数据进行多项式参数组合,利用最小二乘法确定的多项式参数组合中满足预设油耗预测精度的多项式参数组合作为挖掘机油耗预测算式,最后利用挖掘机油耗预测算式对挖掘机的油耗进行实时预测。该方法在对挖掘机油耗进行预测过程中,可尽可能的利用发动机数据与油耗数据进行耦合,挖掘机油耗预测算式的获取过程中引入物理关系处理自变量,不以时间作为依赖变量,提升了物理可靠性,并利用非线性参数处理方法提升了油耗在非线性变化时的预测精度。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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的附图。
图1为本发明实施例提供的一种挖掘机油耗预测方法的流程图;
图2为本发明实施例提供的一种挖掘机油耗预测方法中步骤S102的流程图;
图3为本发明实施例提供的一种挖掘机油耗预测方法中,通过运行数据之间的相关性筛选出与油耗相关的运行数据的流程图;
图4为本发明实施例提供的一种挖掘机油耗预测算式的获取过程示意图;
图5为本发明实施例提供的一种挖掘机油耗预测系统的结构示意图;
图6为本发明实施例提供的一种电子设备的结构示意图。
图标:
510-运行参数获取模块;520-运行数据获取模块;530-相关性计算模块;540-预测算式获取模块;550-油耗预测模块;101-处理器;102-存储器;103-总线;104-通信接口。
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,下面将结合附图对本发明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。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。
油耗控制管理对于油耗较大的挖掘机而言至关重要,主要采用的技术是立足于单台设备的控制系统的反馈调节匹配等方法,依赖于短时间内收集的多种工况的数据集而建立起油耗模型,并基于该油耗模型实现油耗数据的管控。
传统油耗检测预测时,利用燃油中的油位传感器和控制器,在预定时间间隔内检验到油箱内液位的变化值,然后结合燃油箱横截面与燃油的油位高度之间的对应关系,确定在该时间间隔内的即时油耗量,并建立起即时耗油量与时间的映射关系,用于后续的油耗预测。
但上述油耗预测过程中存在如下问题:
(1)所用的参数的数量有限,并且参数之间未能与其它相关参数相耦合;
(2)由于油耗数据仅仅是挖掘机的自身产生的,数据量有限,预测精度提升有限;
(3)即时耗油量与时间的映射是基于时间建模,精度低于基于挖掘机油耗参数的建模,物理可靠性有待提高;
(4)难以预测非线性变化下的油耗数据。
由此可见,现有的油耗预测过程中使用的油耗模型在构建过程中使用的参数有限,参数之间缺乏耦合,油耗在非线性变化时的预测精度较低。
基于此,本发明实施例提供了一种挖掘机油耗预测方法、系统及电子设备,在对挖掘机油耗进行预测过程中,可尽可能的利用发动机数据与油耗数据进行耦合,挖掘机油耗预测算式的获取过程中引入物理关系处理自变量,不以时间作为依赖变量,提升了物理可靠性,并利用非线性参数处理方法提升了油耗在非线性变化时的预测精度。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种挖掘机油耗预测方法进行详细介绍。
参见图1所示的一种挖掘机油耗预测方法的流程图,包括以下步骤:
步骤S101,通过挖掘机内置的传感器以及控制器获取挖掘机的运行参数。
运行参数是衡量挖掘机工作状态的指标数据,可通过挖掘机内置的各种传感器和控制器来获取关键部件的核心物理参数,如发动机相关的转速、功率数据以及喷油量;主泵以及主阀的压力数据;液压油缸的压力数据;运动机构中各类机械臂的角度、位置等。
运行参数获取的种类越多,就更能体现挖掘机的运行状态,原则上对挖掘机油耗预测的精度越有利。
步骤S102,从预设的挖掘机参数云端数据库中获取与挖掘机同型号的所有运行数据;其中,运行数据的种类与运行参数的种类相同。
挖掘机的运行参数获取之后,将这些运行参数发送至预设的挖掘机参数云端数据库中进行比对。挖掘机参数云端数据库事先部署在云端服务器中,数据库中包含了各类挖掘机的参数,这些参数通过与云端服务器实时连接的挖掘机上传得到的,也可通过维护人员通过输入的方式输入至云端数据库中。
具体在实现过程中,挖掘机通过内置的联网模块将该挖掘机的运行参数上传至挖掘机参数云端数据库中,根据运行参数的种类获取该种类下所有同类挖掘机的运行数据,这些数据作为后续数据源来实现挖掘机油耗的预测过程,增加了数据来源,有利于提升油耗预测的精度。
步骤S103,根据相关系数方程确定运行数据之间的相关性,通过运行数据之间的相关性筛选出与油耗相关的运行数据。
在获取挖掘机的运行数据后,根据相关系数方程确定各类运行数据之间的相关性,具体实现过程中是根据相关系数方程求解出各类运行数据参数变量之间的相关性,然后根据相关性的大小筛选出与油耗相关性较大的变量。
获取运行数据中与油耗相关性较大的变量后,可利用专家经验法进行再次筛选,进一步提升变量的有效性。
步骤S104,对筛选出的与油耗相关的运行数据进行多项式参数组合,利用最小二乘法确定的多项式参数组合中满足预设油耗预测精度的多项式参数组合作为挖掘机油耗预测算式。
获得运行数据中与油耗相关性较大的变量后,对这些变量进行多项式参数组合,并利用最小二乘法筛选出所有多项式组合中对计算油耗具有指导意义的变量,并求出此时各个变量的系数。
具体的说,利用最小二乘法对多项式参数组合中预设油耗预测精度的组合作为挖掘机油耗预测算式,预设的油耗预测精度是使用最小二乘法时的阈值,用来确定对计算油耗具有指导意义的变量。
步骤S105,利用挖掘机油耗预测算式对挖掘机的油耗进行实时预测。
获得的挖掘机油耗预测算式中,自变量为挖掘机的运行参数,因变量就是油耗数据,通过将自变量输入至挖掘机油耗预测算式中即可获得一段时间内的油耗数据。
通过上述实施例中提供的可知,该方法在对挖掘机油耗进行预测过程中,可尽可能的利用发动机数据与油耗数据进行耦合,挖掘机油耗预测算式的获取过程中引入物理关系处理自变量,不以时间作为依赖变量,提升了物理可靠性,并利用非线性参数处理方法提升了油耗在非线性变化时的预测精度。
由于挖掘机参数云端数据库中的数据是通过内置有联网模块的挖掘机上传得到的,在上传的过程中会遇到各种问题导致数据不全,因此需要对这些异常数据进行处理。因此在一些实施方式中,上述从预设的挖掘机参数云端数据库中获取与挖掘机同型号的所有运行数据的步骤S102,如图2所示,包括:
步骤S201,根据运行参数的名称、地址和种类,得到挖掘机参数云端数据库中与运行参数的种类相同的运行数据。
例如运行参数仅仅包含发动机转速以及输出功率两类,因此从挖掘机参数云端数据库中查询得到同类挖掘机所有的发动机转速数据以及输出功率数据,共计两类,包含发动机的名称以及地址。
步骤S202,判断运行数据中是否包含缺省值和无效数据;如果是,删除运行数据。
在获取到运行数据后对其中的数据合法性进行判断,如上述提到的发动机转速数据以及输出功率数据,通过遍历这些数据,判断是否有空的数据或者无效数据。空数据主要是由于上传失误所致;无效数据可为错误代码或者其它非油耗的数据,如字母组合等显然不是油耗数字的数据。
步骤S203,遍历所有运行参数的名称、地址和种类对应的运行数据,将运行数据进行清洗处理确定挖掘机同型号的所有运行数据。
再对所有运行参数的名称、地址和种类进行遍历后,去除了运行参数中的缺省值和无效数据,减少了运算压力。将运行数据进行清洗处理,进一步减少运行数据的无效数据,减少运算量。
在一些实施方式中,上述从预设的挖掘机参数云端数据库中获取与挖掘机同型号的所有运行数据之后,方法还包括:将经过处理后的挖掘机的运行参数保存至挖掘机参数云端数据库中。
虽然此时的挖掘机参数云端数据库是提供数据源的功能,但再获取运行数据之后,可将挖掘机此时的运行参数保持在挖掘机参数云端数据库中,可增加挖掘机参数云端数据库的数据量,为其它设备提供更多的数据来源。
在一些实施方式中,上述通过运行数据之间的相关性筛选出与油耗相关的运行数据,如图3所示,包括:
步骤S301,根据运行数据之间的相关性,对所有运行数据的油耗相关性进行检验;其中,油耗相关性表征运行数据与油耗的关联程度。
油耗相关性可由专家经验法所确定,利用专家经验机理对运行数据的每一类数据进行相关性检验,通过专家经验法可得到该类数据与油耗相关性的结果。
步骤S302,若运行参数的油耗相关性不满足预设相关性阈值时,将运行参数进行删除;若运行参数的油耗相关性满足预设阈值时,将运行参数作为与油耗有关的参数用于模型的创建。
该步骤可理解为参数筛选步骤,通过与预设相关性阈值进行判断来减少与油耗无关的变量。
在一些实施方式中,上述挖掘机的运行参数,包括:挖掘机的发动机、主泵、主阀、液压油缸以及运动机构的运行参数。
而通过对所有运行数据的油耗相关性进行检验后,得到的与油耗有关的运行数据包括:挖掘机的发动机转速以及输出功率。由于发动机转速和输出功率直接与油耗有关,因此挖掘机的运行参数中选取发动机转速以及输出功率作为油耗有关的运行数据,能够在满足油耗预测的条件下尽可能的减少其它运行数据。
在一些实施方式中,上述挖掘机油耗预测算式中,挖掘机的运行参数以及预测时间为自变量;挖掘机的油耗为因变量。
挖掘机油耗预测算式可理解为是一种模型的表现形式,在进行油耗预测时需要将输入数据输入至挖掘机油耗预测算式后,得到挖掘机的油耗。
由于油耗数据是需要结合时间段才能进行表征的,因此也可将预测时间作为自变量,并与挖掘机的运行参数一起作为自变量输入至油耗预测算式中,通过油耗预测算式的计算输出挖掘机在预测时间段内的油耗数据。
下面结合图4对挖掘机油耗预测算式的获取过程进行描述,首先挖掘机本体通过内置的传感器以及控制器获取挖掘机的运行参数,这些运行参数通过图4中的数据采集模块进行采集。采集后的运行参数通过图3中的数据存储模块保存在云端服务器中的挖掘机参数云端数据库。云端服务器通过图4中的数据读取和预处理模块,从挖掘机参数云端数据库中读取关键参数,去除包含缺失值的数据记录和无效的数据记录后,获取这些关键参数与油耗的相关性检验结果。
如果存在低相关性的参数,则进行参数筛选步骤;直至所有关键参数中不存在低相关性的参数,将这些参数利用多项式参数组合的方式进行参数组合。具体的说,根据相关系数方程求解出各个参数之间的相关性,并筛选出与油耗相关性最大的变量,由专家经验机制判断后对筛选出的变量实施多项式组合。
然后利用最小二乘法,筛选出所有组合中对计算油耗最有指导意义的变量,求出各个变量的系数,以组合出的新参数作为自变量、油耗作为因变量得到挖掘机油耗预测算式。获得油耗预测算式需要对当前的精度进行判断,如果不满足预设精度要求,则重新执行数据读取和预处理过程。
通过上述实施例中提供的可知,该方法可利用云数据库获取挖掘机的运行数据并实施存储,增加了数据交互性,提升了挖掘机的数据来源。在对挖掘机油耗进行预测过程中,可尽可能的利用发动机数据与油耗数据进行耦合,挖掘机油耗预测算式的获取过程中引入物理关系处理自变量,不以时间作为依赖变量,提升了物理可靠性,并利用非线性组合式参数处理方法提升了油耗在非线性变化时的预测精度。
对应于上述方法实施例,本发明实施例还提供了一种挖掘机油耗预测系统,其结构示意图如图5所示,该系统包括:
运行参数获取模块510,用于通过挖掘机内置的传感器以及控制器获取挖掘机的运行参数;
运行数据获取模块520,用于从预设的挖掘机参数云端数据库中获取与挖掘机同型号的所有运行数据;其中,运行数据的种类与运行参数的种类相同;
相关性计算模块530,用于根据相关系数方程确定运行数据之间的相关性,通过运行数据之间的相关性筛选出与油耗相关的运行数据;
预测算式获取模块540,用于对筛选出的与油耗相关的运行数据进行多项式参数组合,利用最小二乘法确定的多项式参数组合中满足预设油耗预测精度的多项式参数组合作为挖掘机油耗预测算式;
油耗预测模块550,用于利用挖掘机油耗预测算式对挖掘机的油耗进行实时预测。
本发明实施例提供挖掘机油耗预测系统,与上述实施例提供的挖掘机油耗预测方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。为简要描述,实施例部分未提及之处,可参考前述方法实施例中相应内容。
本实施例还提供一种电子设备,为该电子设备的结构示意图如图6所示,该设备包括处理器101和存储器102;其中,存储器102用于存储一条或多条计算机指令,一条或多条计算机指令被处理器执行,以实现上述挖掘机油耗预测方法。
图6所示的电子设备还包括总线103和通信接口104,处理器101、通信接口104和存储器102通过总线103连接。
其中,存储器102可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。总线103可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
通信接口104用于通过网络接口与至少一个用户终端及其它网络单元连接,将封装好的IPv4报文或IPv4报文通过网络接口发送至用户终端。
处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102,处理器101读取存储器102中的信息,结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行前述实施例的方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、设备和方法,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,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,设备或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的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用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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种挖掘机油耗预测方法,其特征在于,所述方法包括:
通过挖掘机内置的传感器以及控制器获取所述挖掘机的运行参数;
从预设的挖掘机参数云端数据库中获取与所述挖掘机同型号的所有运行数据;其中,所述运行数据的种类与所述运行参数的种类相同;
根据相关系数方程确定所述运行数据之间的相关性,通过所述运行数据之间的相关性筛选出与油耗相关的所述运行数据;
对筛选出的与油耗相关的所述运行数据进行多项式参数组合,利用最小二乘法确定的所述多项式参数组合中满足预设油耗预测精度的多项式参数组合作为所述挖掘机油耗预测算式;
利用所述挖掘机油耗预测算式对所述挖掘机的油耗进行实时预测。
2.根据权利要求1所述的挖掘机油耗预测方法,其特征在于,从预设的挖掘机参数云端数据库中获取与所述挖掘机同型号的所有运行数据的步骤,包括:
根据所述运行参数的名称、地址和种类,得到所述挖掘机参数云端数据库中与所述运行参数的种类相同的所述运行数据;
判断所述运行数据中是否包含缺省值和无效数据;如果是,删除所述运行数据;
遍历所有所述运行参数的名称、地址和种类对应的运行数据,将所述运行数据进行清洗处理确定所述挖掘机同型号的所有运行数据。
3.根据权利要求1所述的挖掘机油耗预测方法,其特征在于,从预设的挖掘机参数云端数据库中获取与所述挖掘机同型号的所有运行数据之后,所述方法还包括:
将经过处理后的所述挖掘机的运行参数保存至所述挖掘机参数云端数据库中。
4.根据权利要求1所述的挖掘机油耗预测方法,其特征在于,通过所述运行数据之间的相关性筛选出与油耗相关的所述运行数据,包括:
根据所述运行数据之间的相关性,对所有所述运行数据的油耗相关性进行检验;其中,所述油耗相关性表征所述运行数据与油耗的关联程度;
若所述运行参数的油耗相关性不满足预设相关性阈值时,将所述运行参数进行删除;若所述运行参数的油耗相关性满足预设阈值时,将所述运行参数作为与油耗有关的参数用于模型的创建。
5.根据权利要求4所述的挖掘机油耗预测方法,其特征在于,对所有所述运行数据的油耗相关性进行检验后,得到的与油耗有关的所述运行数据包括:所述挖掘机的发动机转速以及输出功率。
6.根据权利要求1所述的挖掘机油耗预测方法,所述挖掘机的运行参数,包括:所述挖掘机的发动机、主泵、主阀、液压油缸以及运动机构的运行参数。
7.根据权利要求1所述的挖掘机油耗预测方法,所述挖掘机油耗预测算式中,所述挖掘机的运行参数以及预测时间为自变量;所述挖掘机的油耗为因变量。
8.一种挖掘机油耗预测系统,其特征在于,所述系统包括:
运行参数获取模块,用于通过挖掘机内置的传感器以及控制器获取所述挖掘机的运行参数;
运行数据获取模块,用于从预设的挖掘机参数云端数据库中获取与所述挖掘机同型号的所有运行数据;其中,所述运行数据的种类与所述运行参数的种类相同;
相关性计算模块,用于根据相关系数方程确定所述运行数据之间的相关性,通过所述运行数据之间的相关性筛选出与油耗相关的所述运行数据;
预测算式获取模块,用于对筛选出的与油耗相关的所述运行数据进行多项式参数组合,利用最小二乘法确定的所述多项式参数组合中满足预设油耗预测精度的多项式参数组合作为所述挖掘机油耗预测算式;
油耗预测模块,用于利用所述挖掘机油耗预测算式对所述挖掘机的油耗进行实时预测。
9.一种电子设备,其特征在于,包括:处理器和存储装置;所述存储装置上存储有计算机程序,所述计算机程序在被所述处理器运行时执行权利要求1至7任一项所述的挖掘机油耗预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至7任一项所述的挖掘机油耗预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011155326.3A CN112214854A (zh) | 2020-10-26 | 2020-10-26 | 挖掘机油耗预测方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011155326.3A CN112214854A (zh) | 2020-10-26 | 2020-10-26 | 挖掘机油耗预测方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112214854A true CN112214854A (zh) | 2021-01-12 |
Family
ID=74056508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011155326.3A Pending CN112214854A (zh) | 2020-10-26 | 2020-10-26 | 挖掘机油耗预测方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112214854A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343411A (zh) * | 2021-04-20 | 2021-09-03 | 北京新联铁集团股份有限公司 | 齿轮箱润滑油更换时间确定方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013077051A (ja) * | 2011-09-29 | 2013-04-25 | Clarion Co Ltd | 燃料消費量予測装置、ナビゲーション装置、燃料消費量予測方法 |
CN107180288A (zh) * | 2017-07-21 | 2017-09-19 | 东软集团股份有限公司 | 驾驶行为能耗测算方法、装置、存储介质及电子设备 |
CN110486017A (zh) * | 2019-08-30 | 2019-11-22 | 西安建筑科技大学 | 一种基于露天矿区路径的无人驾驶车辆能耗节能方法 |
-
2020
- 2020-10-26 CN CN202011155326.3A patent/CN112214854A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013077051A (ja) * | 2011-09-29 | 2013-04-25 | Clarion Co Ltd | 燃料消費量予測装置、ナビゲーション装置、燃料消費量予測方法 |
CN107180288A (zh) * | 2017-07-21 | 2017-09-19 | 东软集团股份有限公司 | 驾驶行为能耗测算方法、装置、存储介质及电子设备 |
CN110486017A (zh) * | 2019-08-30 | 2019-11-22 | 西安建筑科技大学 | 一种基于露天矿区路径的无人驾驶车辆能耗节能方法 |
Non-Patent Citations (2)
Title |
---|
田乾乾: "基于数据挖掘的民航节能减排决策支持系统的研究" * |
田乾乾: "基于数据挖掘的民航节能减排决策支持系统的研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343411A (zh) * | 2021-04-20 | 2021-09-03 | 北京新联铁集团股份有限公司 | 齿轮箱润滑油更换时间确定方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347582B (zh) | 埋点测试方法和装置 | |
CN113449703B (zh) | 环境在线监测数据的质控方法、装置、存储介质及设备 | |
CN112163299A (zh) | 挖掘机油耗的预测方法、系统及电子设备 | |
CN113934720A (zh) | 一种数据清洗方法、设备及计算机存储介质 | |
CN111639073A (zh) | 边缘计算接入方法及边缘计算节点装置 | |
CN112214854A (zh) | 挖掘机油耗预测方法、系统及电子设备 | |
CN111709124A (zh) | 产品fmeca分析方法、装置、计算机设备和存储介质 | |
CN114722091A (zh) | 数据处理方法、装置、存储介质以及处理器 | |
CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
CN107330031B (zh) | 一种数据存储的方法、装置及电子设备 | |
CN116136950B (zh) | 芯片验证方法、装置、系统、电子设备及存储介质 | |
CN111623993A (zh) | 挖掘机的发动机健康度评估方法、装置及电子设备 | |
CN115129706B (zh) | 一种考虑周期性特征的土壤水分观测数据质量评估方法 | |
CN113529845B (zh) | 挖掘机故障诊断方法、挖掘机、电子设备及可读存储介质 | |
CN115828244A (zh) | 一种内存泄露检测方法、装置及相关设备 | |
CN114019946B (zh) | 工控终端的监控数据处理方法及装置 | |
WO2021237459A1 (zh) | 基于工业对象模型的数据处理方法、装置及设备 | |
CN111104963B (zh) | 目标用户确定方法、装置、存储介质及电子设备 | |
CN113626483A (zh) | 一种填写表单的前端缓存方法、系统、设备及存储介质 | |
CN113836539A (zh) | 基于精准测试的电力工控系统漏洞全流程处置系统及方法 | |
CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析系统及方法 | |
CN117932972B (zh) | 基于web应用于设备状态算法模型的可视化建模平台及方法 | |
CN118035688A (zh) | 一种基于水利数据的多维运算分析方法及装置 | |
CN114518847A (zh) | 存储空间使用率预测方法及装置 | |
CN117112380A (zh) | 接口稳定性预测方法、装置、设备及存储介质 |
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 |