CN113591216A - 挖掘机工作模式确定方法、系统及挖掘机 - Google Patents
挖掘机工作模式确定方法、系统及挖掘机 Download PDFInfo
- Publication number
- CN113591216A CN113591216A CN202110838513.XA CN202110838513A CN113591216A CN 113591216 A CN113591216 A CN 113591216A CN 202110838513 A CN202110838513 A CN 202110838513A CN 113591216 A CN113591216 A CN 113591216A
- Authority
- CN
- China
- Prior art keywords
- working
- mode
- information
- excavator
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 claims description 75
- 238000012545 processing Methods 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000005406 washing Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F3/00—Dredgers; Soil-shifting machines
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
- E02F9/20—Drives; Control devices
- E02F9/2025—Particular purposes of control systems not otherwise provided for
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Mining & Mineral Resources (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本发明提供一种挖掘机工作模式确定方法、系统及挖掘机,方法通过获取挖掘机当前工况信息,所述当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息;输入所述当前工况信息至目标模式工作模型,输出目标工作模式;在确定挖掘机的当前工作模式与所述目标工作模式不一致的情况下,调节所述当前工作模式为所述目标工作模式,使得通过地理位置信息、工作环境信息和挖掘机工作参数信息确定工作模式的方式更加的符合实际场景,同时由于通过机器学习模型的方式输出的目标工作模式,与人工经验相比,更具备科学性与合理性,使得无论哪种复杂工况,都能够保证挖掘机较高的工作效率。
Description
技术领域
本发明涉及机器学习及大数据技术领域,尤其涉及一种挖掘机工作模式确定方法、系统及挖掘机。
背景技术
挖掘机作为工程建设中最主要的工程机械之一,承担着多种作业任务,常见的有挖方、松土、平地和破碎等,应用范围广,工作效率高。挖掘机为适应不同工况,设置了多种工作模式供操作手选择,但操作手实际工作时可能不会及时进行工作模式切换,设备在运行在不合理状态,进而导致出现故障。
目前,主要通过挖掘机自身传感器采集工作参数信息,然后操作手根据工作参数信息凭借经验确定合适的工作模式,然后将挖掘机的工作模式切换到合适的工作模式。
但是,仅依靠工作参数信息人工直接输出的工作模式,并不是适合挖掘机工作的最佳模式,导致在复杂工况下的影响挖掘机的工作效率。
发明内容
本发明提供一种挖掘机工作模式确定方法、系统及挖掘机,用以解决现有技术中因工作模式不合理,导致工作效率较低的缺陷,实现有效地提高挖掘机的工作效率。
本发明提供一种挖掘机工作模式确定方法,包括:
获取挖掘机当前工况信息,所述当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息;
输入所述当前工况信息至目标模式工作模型,输出目标工作模式,其中,所述目标模式工作模型是基于样本工况信息、与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息训练得到的;
在确定挖掘机的当前工作模式与所述目标工作模式不一致的情况下,调节所述当前工作模式为所述目标工作模式。
根据本发明提供的一种工作模式确定方法,所述获取挖掘机当前工况信息之前,还包括:
采集预设数量挖掘机的数据标签信息,所述数据标签信息包括样本工况信息与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息;
对所述数据标签信息进行数据清洗和特征工程处理,得到训练数据;
基于所述训练数据,对预构建的机器学习模型进行训练,得到目标模式工作模型。
根据本发明提供的一种工作模式确定方法,所述预构建的机器学习模型包括SVM模型、逻辑回归模型、LightGBM模型、随机森林模型、神经网络模型或XGBoost模型中的至少一种;
对应的,所述基于所述训练数据,对预构建的机器学习模型进行训练,得到目标模式工作模型,包括:
基于所述训练数据,对所述预构建的机器学习模型包括的各模型进行训练,得到中间工作模型集合;
基于评价指标对所述中建模型集合中的每一个中间工作模型进行性能分析;
根据所述性能分析的结果,在所述中间工作模型集合中确定目标模式工作模型。
根据本发明提供的一种工作模式确定方法,所述采集预设数量挖掘机的数据标签信息之前,还包括:
通过挖掘机车载传感器和全球定位系统获取预设数量挖掘机的工作数据,所述工作数据包括历史工况信息、历史工作模式信息和历史工作效率信息;
基于现场调研和设备历史工单记录对所述工作数据添加对应的数据标签信息。
根据本发明提供的一种工作模式确定方法,所述对所述数据标签信息进行数据清洗和特征工程处理,得到训练数据,包括:
基于预设方式,对所述数据标签信息进行数据清洗和特征工程处理,得到中间数据,所述预设方式包括相关性分析、缺失值处理、重复值处理、异常值处理、采样周期统一、特征衍生和降维中的至少一种;
对所述中间数据进行归一化处理,得到训练数据。
根据本发明提供的一种工作模式确定方法,所述得到预先构建的目标模式工作模型以后,还包括:
基于所述目标模式工作模型,按照预设规则对所述训练数据进行重要性分析,得到每个训练数据的重要性数值;
根据所述重要性数值的大小,对所述训练数据进行重要性排序。
根据本发明提供的一种工作模式确定方法,所述得到预先构建的目标模式工作模型之后,还包括:
基于机器学习迭代效率、网络传输效率和部署平台的可扩展性,部署所述目标模式工作模型至挖掘机控制系统。
根据本发明提供的一种工作模式确定方法,所述调节所述当前工作模式为所述目标工作模式之后,还包括:
发送所述当前工况信息和所述目标工作模式至挖掘机生产商端,以使挖掘机生产商根据所述当前工况信息和所述目标工作模式对挖掘机进行数据分析,所述数据分析包括故障预测、故障诊断和机手画像中的至少一种。
本发明还提供一种挖掘机工作模式确定系统,包括:
获取模块,用于获取挖掘机当前工况信息,所述当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息;
模式确定模块,用于输入所述当前工况信息至目标模式工作模型,输出目标工作模式,其中,所述目标模式工作模型是基于样本工况信息、与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息训练得到的;
调节模块,用于在确定挖掘机的当前工作模式与所述目标工作模式不一致的情况下,调节所述当前工作模式为所述目标工作模式。
本发明还提供一种挖掘机,包括挖掘机本体和控制系统;
所述控制系统用于执行如上述任一项所述的挖掘机工作模式确定方法,并控制所述挖掘机本体的工作模式。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述挖掘机工作模式确定方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述挖掘机工作模式确定方法的步骤。
本发明提供的一种挖掘机工作模式确定方法、系统及挖掘机,方法通过获取挖掘机当前工况信息,所述当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息;输入所述当前工况信息至目标模式工作模型,输出目标工作模式,其中,所述目标模式工作模型是基于样本工况信息、与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息训练得到的;在确定挖掘机的当前工作模式与所述目标工作模式不一致的情况下,调节所述当前工作模式为所述目标工作模式,使得通过地理位置信息、工作环境信息和挖掘机工作参数信息确定工作模式的方式更加的符合实际场景,同时由于通过机器学习模型的方式输出的目标工作模式,与人工经验相比,更具备科学性与合理性,使得无论哪种复杂工况,都能够保证挖掘机较高的工作效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明实施例提供的挖掘机工作模式确定方法的流程示意图之一;
图2是本发明实施例提供的挖掘机工作模式确定方法的流程示意图之二;
图3是本发明实施例提供的挖掘机工作模式确定系统的结构示意图;
图4是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。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。
下面结合图1-图4描述本发明的挖掘机工作模式确定方法、系统及挖掘机。
图1是本发明实施例提供的挖掘机工作模式确定方法的流程示意图之一。
如图1所示,本发明实施例提供的一种挖掘机工作模式确定方法,包括以下步骤:
101、获取挖掘机当前工况信息,当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息。
具体的,实时获取挖掘机当前工况信息,而当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息。其中,地理位置信息可以是通过全球定位系统进行获取的,获取到挖掘机的当前工作位置的经度信息和纬度信息,通过地理位置信息可以了解到挖掘机当前所处的省市等具体位置;工作环境信息分为大的工作环境的小的工作环境,大的工作环境包括了市政、矿山和森林等等,小的工作环境则包括环境温度、环境湿度、风速和降雨降雪情况等等;挖掘机工作参数信息则主要包括发动机转速、发动机扭矩、主泵压力、主泵流量等设备工作参数信息。获取工作环境信息则可以是根据地理位置信息获取,根据天气情况和传感器进行数据获取。获取挖掘机工作参数信息则主要是通过挖掘机自身的各种车载传感器进行数据获取。
102、输入当前工况信息至目标模式工作模型,输出目标工作模式,其中,目标模式工作模型是基于样本工况信息、与样本工况信息对应的样本工作模式信息和与样本工作模式信息对应的样本工作效率信息训练得到的。
在得到当前挖掘机的工况信息以后,将当前工况信息输入目标模式工作模型,便可以通过大数据计算的方式,结合位置信息、环境信息和工作参数信息,得到当前挖掘机最适合工作模式,即目标工作模式,使得挖掘机在目标工作模式下进行作业,不仅能够保证挖掘机的工作效率,同时还能够减少挖掘机在工作过程中的故障。而目标模式工作模型则是根据大量的训练样本工况信息、样本工作模式信息和样本工作效率信息训练所得到的,使得将当前工况信息输入至目标模式工作模型,目标模式工作模型便进行自动计算,得到当前工况信息条件下的最佳工作模式,即目标工作模式,以保证最佳的工作效率。
103、在确定挖掘机的当前工作模式与目标工作模式不一致的情况下,调节当前工作模式为目标工作模式。
通过目标模式工作模型输出目标工作模式以后,检测挖掘机当前工作模式是否与目标工作模式一致,若一致,则保持当前工作模式,当前工作模式也就是目标工作模式,使得能够更好地保证挖掘机的工作模式。若检测到当前工作模式与目标工作模式不一致时,则表明当前工作模式不是挖掘机的最佳工作模式,于是便需要对当前工作模式进行切换,调节至根据目标模式工作模型得到的目标工作模式,以保证挖掘机高效、安全地工作。
本发明实施例提供的一种挖掘机工作模式确定方法,通过获取挖掘机当前工况信息,所述当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息;输入所述当前工况信息至目标模式工作模型,输出目标工作模式,其中,所述目标模式工作模型是基于样本工况信息、与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息训练得到的;在确定挖掘机的当前工作模式与所述目标工作模式不一致的情况下,调节所述当前工作模式为所述目标工作模式,使得通过地理位置信息、工作环境信息和挖掘机工作参数信息确定工作模式的方式更加的符合实际场景,同时由于通过机器学习模型的方式输出的目标工作模式,与人工经验相比,更具备科学性与合理性,使得无论哪种复杂工况,都能够保证挖掘机较高的工作效率。
图2是本发明实施例提供的挖掘机工作模式确定方法的流程示意图之二。
如图2所示,本发明实施例提供的一种工作模式确定方法,包括以下步骤:
201、采集预设数量挖掘机的数据标签信息,数据标签信息包括样本工况信息与样本工况信息对应的样本工作模式信息和与样本工作模式信息对应的样本工作效率信息。
而在采集预设数量挖掘机的数据标签信息之前,还包括:通过挖掘机车载传感器和全球定位系统获取预设数量挖掘机的工作数据,工作数据包括历史工况信息、历史工作模式信息和历史工作效率信息;由于数据传输的过程受到网络条件的限制,因此获取数据的时间间隔并不完全相同,因此对传感器传回的数据进行重排后进行重新采样处理,采样频率可以设置为每10秒一次,然后基于现场调研和设备历史工单记录对工作数据添加对应的数据标签信息。工作数据包括了车载传感器获取的工作环境信息、挖掘机工作参数信息、地理位置信息工作模式信息和工作效率信息等等,然后基于现场调研和设备历史工单记录对每一组的工作数据添加对应的数据标签,也就是为每一组数据添加对应的标识,能够构成训练样本,使得在模型训练过程中更加便捷,一组数据则包括着地理位置信息、工作环境信息、挖掘机工作参数信息和对应的工作模式下的工作效率信息。
采集预设数量挖掘机的数据标签信息,预设数量是根据模型训练的要求所确定的,可以根据实际需求进行确定具体的数量多少。数据标签信息包括样本工况信息与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息,其中,三者之间是一一对应关系,即分别确定在某一个历史工况信息条件下,所有的工作模式对应的工作效率是多少,也就是将每一种历史工况信息均分别计算对应的工作模式时所产生的工作效率。例如,样本工况信息有2000种,样本工作模式有10种,则分别采集出每一种样本工况信息条件下的,每种样本工作模式对应的样本工作效率信息,也就是会产生20000种工作效率信息。
202、对数据标签信息进行数据清洗和特征工程处理,得到训练数据。
具体的,对数据标签信息进行数据清洗和特征工程处理,得到训练数据,包括:基于预设方式,对数据标签信息进行数据清洗和特征工程处理,得到中间数据,预设方式包括相关性分析、缺失值处理、重复值处理、异常值处理、采样周期统一、特征衍生和降维中的至少一种;对中间数据进行归一化处理,得到训练数据。
通过剔除两两数据之间高度相关性的冗余指标,从而控制特征维度,保留有效特征,减少模型训练过程中的数据干扰,提高模型的准确度,同时还通过业务专家经验等,在原始数据上进行特征衍生,从而扩大模型训练的训练数据量。剔除非有效工作时间数据,构建剩余数据的统计特征,再次进行归一化处理,使得可以更好地保证模型的准确度。
203、基于训练数据,对预构建的机器学习模型进行训练,得到目标模式工作模型。
其中,预构建的机器学习模型包括SVM模型、逻辑回归模型、LightGBM模型、随机森林模型、神经网络模型或XGBoost模型中的至少一种。
而具体的,基于所述训练数据,对预构建的机器学习模型进行训练,得到目标模式工作模型,包括:基于训练数据,对预构建的机器学习模型包括的各模型进行训练,得到中间工作模型集合;其中中间工作模型集合包括了至少一种模型,也就是通过训练数据分别对SVM模型、逻辑回归模型、LightGBM模型、随机森林模型、神经网络模型或XGBoost模型进行训练,而每一种模型均对应着一个中间工作模型,于是所有的中间工作模型便构成了中间工作模型集合。基于评价指标对中间工作模型集合中的每一个中间工作模型进行性能分析;根据性能分析的结果,在中间工作模型集合中,确定目标模式工作模型。也就是基于多种不同的算法,分别不同的中间工作模型,然后对中间工作模型进行分析比较,从而确定出最好的模型,而分析比较的方法则可以是横向比较不同算法训练得到的中间工作模型的性能,评价指标可以是F1指标,也可以是AUC、AUPR、KS等评价指标对不同的中间工作模型进行性能分析,得到精准度最高的中间工作模型,作为目标模式工作模型。
204、获取挖掘机当前工况信息,当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息。
205、输入当前工况信息至目标模式工作模型,输出目标工作模式,其中,目标模式工作模型是基于样本工况信息、与样本工况信息对应的样本工作模式信息和与样本工作模式信息对应的样本工作效率信息训练得到的。
206、在确定挖掘机的当前工作模式与目标工作模式不一致的情况下,调节当前工作模式为目标工作模式。
其中,关于步骤204-206,在对应的步骤101-103中已经做了详细的说明,因此在本实施例中不再进行具体阐述。
进一步的,本实施例中,在得到预先构建的目标模式工作模型以后,还包括:基于目标模式工作模型,按照预设规则对训练数据进行重要性分析,得到每个训练数据的重要性数值;根据重要性数值的大小,对训练数据进行重要性排序。其中,预设规则包括树类算法直接给出特征重要性、permutation importance、partial dependence plots等,从而在目标模式工作模型中对每个训练数据进行重要性排序,也就是确定不同的数据对最终输出结果的影响,以供算法工程师和研发工程师参考。同时由于确定出了训练数据重要性的大小顺序,便也就可以根据重要性顺序确定训练数据的多少,例如重要性最高的训练数据,则可以在模型训练的过程中,大大增加训练数据的数据量,从而便可以更好地保证目标模式工作模型的精准度。
进一步的,本实施例中,在得到预先构建的目标模式工作模型之后,还包括:基于机器学习迭代效率、网络传输效率和部署平台的可扩展性,部署目标模式工作模型至挖掘机控制系统。
具体的,系统总体框架采用浏览器-服务器架构(BS架构),通过对多种运行方案的调研和论证,确定python模型边缘部署的方式实现算法与控制器的对接方案为最优选择,从而实现将目标模式工作模型部署于挖掘机控制系统上。该方案充分考虑了基于机器学习迭代效率、网络传输效率和部署平台的可扩展性。
考虑算法迭代效率,则由于当前大多数机器学习算法工程师采用的建模语言及依赖库都是基于python语言的,该语言被目前主流机器学习算法所支持,拥有庞大而丰富的生态圈,有利于算法模型迅速跟随学界最新研究成果,相比于模型成熟后更改为C语言模型的方案,考虑算法迭代效率即机器学习迭代效率,将省去将模型转化的人工代码编写过程,具有更加高效灵活的特点。考虑网络传输效率,则由于挖掘机工作模式识别算法的结果将对控制的工作模式切换指令产生决定性影响,最终总体而言是一个对实时性要求较高的系统,相比于算法部署在云端的方案,在边缘端部署python模型,可以避开因网络延迟、网络断开、网络不稳定等因素对桩机控制系统产生的不利影响,具有低延迟、服务可控的优点。考虑部署平台的可扩展性,则考虑到网络技术的不断发展,随着5G通信技术及全球通信基础建设的不断完善,未来依然不能排除需要在云端提供实时算法服务的可能性,因此,尽管采用了在边缘端部署算法模型的方案,但依然提供对restful接口规范的支持,在显示器操作系统内部通过套接字接口实现QT控制软件与算法服务软件之间的数据交互,具有实时通信、高可扩展性等优点。如果是在云端进行数据处理和模型建立,则云端根据新数据不断对模型进行迭代更新,在模型进行升级时,可以直接从云端进行模型发布,通过边缘端通信模块,将最新的模型在挖掘机控制系统进行部署,该方式无需工程师到现场服务,效率高。
进一步的,本实施例中,在调节当前工作模式为目标工作模式之后,还包括:发送当前工况信息和目标工作模式至挖掘机生产商端,以使挖掘机生产商根据当前工况信息和目标工作模式对挖掘机进行进一步的数据分析,数据分析包括故障预测、故障诊断和机手画像中的至少一种。在将数据传输至挖掘机生产商端之后,挖掘机生产商对数据进行分析处理,得到不同工况、不同工作模式下的挖掘机的工作效率,以及对故障数据进行有效地分析,对挖掘机的产品改善和生产研发以更好的适应不同的工况信息做出有效地数据支撑,同时也有助于挖掘机工作效率的提高。
基于同一总的发明构思,本申请还保护一种挖掘机工作模式确定系统。下面对本发明提供的挖掘机工作模式确定系统进行描述,下文描述的挖掘机工作模式确定系统与上文描述的挖掘机工作模式确定方法可相互对应参照。
图3是本发明实施例提供的挖掘机工作模式确定系统的结构示意图。
如图3所示,本发明实施例提供的一种挖掘机工作模式确定系统,包括:
获取模块10,用于获取挖掘机当前工况信息,所述当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息;
模式确定模块20,用于输入所述当前工况信息至目标模式工作模型,输出目标工作模式,其中,所述目标模式工作模型是基于样本工况信息、与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息训练得到的;
调节模块30,用于在确定挖掘机的当前工作模式与所述目标工作模式不一致的情况下,调节所述当前工作模式为所述目标工作模式。
本发明实施例提供的一种挖掘机工作模式确定系统,通过获取挖掘机当前工况信息,所述当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息;输入所述当前工况信息至目标模式工作模型,输出目标工作模式,其中,所述目标模式工作模型是基于样本工况信息、与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息训练得到的;在确定挖掘机的当前工作模式与所述目标工作模式不一致的情况下,调节所述当前工作模式为所述目标工作模式,使得通过地理位置信息、工作环境信息和挖掘机工作参数信息确定工作模式的方式更加的符合实际场景,同时由于通过机器学习模型的方式输出的目标工作模式,与人工经验相比,更具备科学性与合理性,使得无论哪种复杂工况,都能够保证挖掘机较高的工作效率。
进一步的,本实施例中,还包括模型建立模块,用于:
采集预设数量挖掘机的数据标签信息,所述数据标签信息包括样本工况信息与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息;
对所述数据标签信息进行数据清洗和特征工程处理,得到训练数据;
基于所述训练数据,对预构建的机器学习模型进行训练,得到目标模式工作模型,其中,所述预构建的机器学习模型包括SVM模型、逻辑回归模型、LightGBM模型、随机森林模型、神经网络模型或XGBoost模型中的至少一种。
进一步的,本实施例中的模型建立模块,具体用于:
基于所述训练数据,对所述预构建的机器学习模型包括的各模型进行训练,得到中间工作模型集合;
基于评价指标对所述中间工作模型集合中的每一个中间工作模型进行性能分析;
根据所述性能分析的结果,在所述中间工作模型集合中,确定目标模式工作模型。
进一步的,本实施例中的模型建立模块,具体还用于:
通过挖掘机车载传感器和全球定位系统获取预设数量挖掘机的工作数据,所述工作数据包括历史工况信息、历史工作模式信息和历史工作效率信息;
基于现场调研和设备历史工单记录对所述工作数据添加对应的数据标签信息。
进一步的,本实施例中的模型建立模块,具体还用于:
基于预设方式,对所述数据标签信息进行数据清洗和特征工程处理,得到中间数据,所述预设方式包括相关性分析、缺失值处理、重复值处理、异常值处理、采样周期统一、特征衍生和降维中的至少一种;
对所述中间数据进行归一化处理,得到训练数据。
进一步的,本实施例中还包括特征分析模块,用于:
基于所述目标模式工作模型,按照预设规则对所述训练数据进行重要性分析,得到每个训练数据的重要性数值;
根据所述重要性数值的大小,对所述训练数据进行重要性排序。
进一步的,本实施例中还包括部署模块,用于:
基于机器学习迭代效率、网络传输效率和部署平台的可扩展性,部署所述目标模式工作模型至挖掘机控制系统。
进一步的,本实施例中还包括反馈模块,用于:
发送所述当前工况信息和所述目标工作模式至挖掘机生产商端,以使挖掘机生产商根据所述当前工况信息和所述目标工作模式对挖掘机进行数据分析,所述数据分析包括故障预测、故障诊断和机手画像中的至少一种。
本发明还保护一种挖掘机,包括挖掘机本体和控制系统;
所述控制系统用于执行如上述任一实施例所述的挖掘机工作模式确定方法,并控制所述挖掘机本体的工作模式。
图4是本发明实施例提供的电子设备的结构示意图。
如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行挖掘机工作模式确定方法,该方法包括:获取挖掘机当前工况信息,所述当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息;输入所述当前工况信息至目标模式工作模型,输出目标工作模式,其中,所述目标模式工作模型是基于样本工况信息、与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息训练得到的;在确定挖掘机的当前工作模式与所述目标工作模式不一致的情况下,调节所述当前工作模式为所述目标工作模式。
此外,上述的存储器430中的逻辑指令可以通过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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的挖掘机工作模式确定方法,该方法包括:获取挖掘机当前工况信息,所述当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息;输入所述当前工况信息至目标模式工作模型,输出目标工作模式,其中,所述目标模式工作模型是基于样本工况信息、与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息训练得到的;在确定挖掘机的当前工作模式与所述目标工作模式不一致的情况下,调节所述当前工作模式为所述目标工作模式。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的挖掘机工作模式确定方法,该方法包括:获取挖掘机当前工况信息,所述当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息;输入所述当前工况信息至目标模式工作模型,输出目标工作模式,其中,所述目标模式工作模型是基于样本工况信息、与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息训练得到的;在确定挖掘机的当前工作模式与所述目标工作模式不一致的情况下,调节所述当前工作模式为所述目标工作模式。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种挖掘机工作模式确定方法,其特征在于,包括:
获取挖掘机当前工况信息,所述当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息;
输入所述当前工况信息至目标模式工作模型,输出目标工作模式,其中,所述目标模式工作模型是基于样本工况信息、与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息训练得到的;
在确定挖掘机的当前工作模式与所述目标工作模式不一致的情况下,调节所述当前工作模式为所述目标工作模式。
2.根据权利要求1所述的工作模式确定方法,其特征在于,所述获取挖掘机当前工况信息之前,还包括:
采集预设数量挖掘机的数据标签信息,所述数据标签信息包括样本工况信息与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息;
对所述数据标签信息进行数据清洗和特征工程处理,得到训练数据;
基于所述训练数据,对预构建的机器学习模型进行训练,得到目标模式工作模型。
3.根据权利要求2所述的工作模式确定方法,其特征在于,所述预构建的机器学习模型包括SVM模型、逻辑回归模型、LightGBM模型、随机森林模型、神经网络模型或XGBoost模型中的至少一种;
对应的,所述基于所述训练数据,对预构建的机器学习模型进行训练,得到目标模式工作模型,包括:
基于所述训练数据,对所述预构建的机器学习模型包括的各模型进行训练,得到中间工作模型集合;
基于评价指标对所述中建模型集合中的每一个中间工作模型进行性能分析;
根据所述性能分析的结果,在所述中间工作模型集合中确定目标模式工作模型。
4.根据权利要求2所述的工作模式确定方法,其特征在于,所述采集预设数量挖掘机的数据标签信息之前,还包括:
通过挖掘机车载传感器和全球定位系统获取预设数量挖掘机的工作数据,所述工作数据包括历史工况信息、历史工作模式信息和历史工作效率信息;
基于现场调研和设备历史工单记录对所述工作数据添加对应的数据标签信息。
5.根据权利要求2所述的工作模式确定方法,其特征在于,所述对所述数据标签信息进行数据清洗和特征工程处理,得到训练数据,包括:
基于预设方式,对所述数据标签信息进行数据清洗和特征工程处理,得到中间数据,所述预设方式包括相关性分析、缺失值处理、重复值处理、异常值处理、采样周期统一、特征衍生和降维中的至少一种;
对所述中间数据进行归一化处理,得到训练数据。
6.根据权利要求2所述的工作模式确定方法,其特征在于,所述得到预先构建的目标模式工作模型以后,还包括:
基于所述目标模式工作模型,按照预设规则对所述训练数据进行重要性分析,得到每个训练数据的重要性数值;
根据所述重要性数值的大小,对所述训练数据进行重要性排序。
7.根据权利要求2所述的工作模式确定方法,其特征在于,所述得到预先构建的目标模式工作模型之后,还包括:
基于机器学习迭代效率、网络传输效率和部署平台的可扩展性,部署所述目标模式工作模型至挖掘机控制系统。
8.根据权利要求1所述的工作模式确定方法,其特征在于,所述调节所述当前工作模式为所述目标工作模式之后,还包括:
发送所述当前工况信息和所述目标工作模式至挖掘机生产商端,以使挖掘机生产商根据所述当前工况信息和所述目标工作模式对挖掘机进行数据分析,所述数据分析包括故障预测、故障诊断和机手画像中的至少一种。
9.一种挖掘机工作模式确定系统,其特征在于,包括:
获取模块,用于获取挖掘机当前工况信息,所述当前工况信息包括地理位置信息、工作环境信息和挖掘机工作参数信息;
模式确定模块,用于输入所述当前工况信息至目标模式工作模型,输出目标工作模式,其中,所述目标模式工作模型是基于样本工况信息、与所述样本工况信息对应的样本工作模式信息和与所述样本工作模式信息对应的样本工作效率信息训练得到的;
调节模块,用于在确定挖掘机的当前工作模式与所述目标工作模式不一致的情况下,调节所述当前工作模式为所述目标工作模式。
10.一种挖掘机,其特征在于,包括挖掘机本体和控制系统;
所述控制系统用于执行如权利要求1-8任一项所述的挖掘机工作模式确定方法,并控制所述挖掘机本体的工作模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110838513.XA CN113591216B (zh) | 2021-07-23 | 2021-07-23 | 挖掘机工作模式确定方法、系统及挖掘机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110838513.XA CN113591216B (zh) | 2021-07-23 | 2021-07-23 | 挖掘机工作模式确定方法、系统及挖掘机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591216A true CN113591216A (zh) | 2021-11-02 |
CN113591216B CN113591216B (zh) | 2023-11-17 |
Family
ID=78249273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110838513.XA Active CN113591216B (zh) | 2021-07-23 | 2021-07-23 | 挖掘机工作模式确定方法、系统及挖掘机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591216B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023103660A1 (zh) * | 2021-12-08 | 2023-06-15 | 上海中联重科桩工机械有限公司 | 施工设备的参数寻优方法、系统、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109631997A (zh) * | 2018-12-20 | 2019-04-16 | 树根互联技术有限公司 | 工程设备健康检测方法、装置以及电子设备 |
CN109740213A (zh) * | 2018-12-24 | 2019-05-10 | 斑马网络技术有限公司 | 车辆能耗评估方法、设备及存储介质 |
CN110059112A (zh) * | 2018-09-12 | 2019-07-26 | 中国平安人寿保险股份有限公司 | 基于机器学习的用户挖掘方法及装置、电子设备、介质 |
CN110397108A (zh) * | 2019-06-28 | 2019-11-01 | 三一重机有限公司 | 挖掘机控制方法、装置、服务器、车载设备及存储介质 |
CN110688690A (zh) * | 2019-08-02 | 2020-01-14 | 天地科技股份有限公司 | 巷道支护参数确定方法及装置 |
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 |
-
2021
- 2021-07-23 CN CN202110838513.XA patent/CN113591216B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059112A (zh) * | 2018-09-12 | 2019-07-26 | 中国平安人寿保险股份有限公司 | 基于机器学习的用户挖掘方法及装置、电子设备、介质 |
CN109631997A (zh) * | 2018-12-20 | 2019-04-16 | 树根互联技术有限公司 | 工程设备健康检测方法、装置以及电子设备 |
CN109740213A (zh) * | 2018-12-24 | 2019-05-10 | 斑马网络技术有限公司 | 车辆能耗评估方法、设备及存储介质 |
CN110397108A (zh) * | 2019-06-28 | 2019-11-01 | 三一重机有限公司 | 挖掘机控制方法、装置、服务器、车载设备及存储介质 |
CN110688690A (zh) * | 2019-08-02 | 2020-01-14 | 天地科技股份有限公司 | 巷道支护参数确定方法及装置 |
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 |
Non-Patent Citations (4)
Title |
---|
冯培恩;彭贝;高宇;邱清盈;: "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), no. 02, pages 22 - 30 * |
夏领林: "基于模型预测的挖掘机节能控制技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 038 - 482 * |
资新运;王琛;姚广涛;李新;李幸丹;: "柴油机微粒捕集器再生系统工作模式判别研究", 车用发动机, no. 02, pages 89 - 92 * |
邱维蓉;吴帮玉;潘学树;唐亚明;: "几种聚类优化的机器学习方法在灵台县滑坡易发性评价中的应用", 西北地质, no. 01, pages 226 - 237 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023103660A1 (zh) * | 2021-12-08 | 2023-06-15 | 上海中联重科桩工机械有限公司 | 施工设备的参数寻优方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113591216B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11959653B2 (en) | Cloud and edge integrated energy optimizer | |
CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
CN110188910A (zh) | 利用机器学习模型提供在线预测服务的方法及系统 | |
CN102257448B (zh) | 使用切换模型对信号进行滤波的方法和设备 | |
CN113516244B (zh) | 一种智能运维方法、装置、电子设备及存储介质 | |
CN110991871A (zh) | 风险监测方法、装置、设备与计算机可读存储介质 | |
CN113625620A (zh) | 旋挖钻机的作业控制方法及系统 | |
CN114640581A (zh) | 一种基于数字孪生的算力网络处理方法及装置 | |
CN113591216A (zh) | 挖掘机工作模式确定方法、系统及挖掘机 | |
CN112949711B (zh) | 面向软件定义卫星的神经网络模型可复用训练方法、装置 | |
CN112668650A (zh) | 工业数据模型的生成方法、系统、设备和介质 | |
KR20210075358A (ko) | 스마트공장의 운영 분석 시스템 및 방법 | |
CN116069436A (zh) | 遥感图像的处理方法、电子设备以及存储介质 | |
CN116167935A (zh) | 二维码的修复方法、装置、设备及介质 | |
US20210350282A1 (en) | Managing an installed base of artificial intelligence modules | |
JP7466479B2 (ja) | 業務改善支援装置、プログラムおよびプログラムを格納した記憶媒体 | |
CN114818303A (zh) | 低碳园区的仿真规划方法、系统、电子设备及存储介质 | |
Majstorović et al. | Industry 4.0 in Serbia-state of development | |
WO2021188160A1 (en) | Technologies for decentralized fleet analytics | |
CN115086000B (zh) | 网络入侵检测方法及系统 | |
US20230206111A1 (en) | Compound model for event-based prognostics | |
CN116627053B (zh) | 一种无人平台集群通信网络的半实物仿真系统 | |
CN112904807B (zh) | 工业分析系统、方法和非暂态计算机可读介质 | |
CN112348209B (zh) | 列车组运维系统及方法、电子设备及可读存储介质 | |
CN116578880A (zh) | 设备故障识别模型的建立方法、系统、设备和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |