CN113625620A - 旋挖钻机的作业控制方法及系统 - Google Patents

Abstract

本发明提供一种旋挖钻机的作业控制方法及系统，方法通过确定旋挖钻机的当前工作状态，在确定当前工作状态为钻进状态的情况下，获取旋挖钻机的当前反馈信息，当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度；输入当前反馈信息至岩土层分类模型，输出旋挖钻机当前作业的岩土层类型，其中，岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的；根据岩土层类型，调节旋挖钻机的工作参数，通过机器学习模型的方式确定岩土层类型，能更好地保证岩土层类型识别的准确性，且基于旋挖钻机当前的作业岩土层类型对工作参数进行合理控制，能够更好地保证旋挖钻机的工作效率。

Description

旋挖钻机的作业控制方法及系统

技术领域

本发明涉及机器学习及大数据技术领域，尤其涉及一种旋挖钻机的作业控制方法及系统。

背景技术

旋挖钻机是一种适合桩基础工程中成孔作业的工程施工机械，具备有适用性强、自动化程度高、成孔效率高、环境污染小等优点的基础施工设备，在灌注桩、连续墙、基础加固等多种地基基础施工中有着广泛应用。目前，对于旋挖钻机施工效率的获取只是依赖于车载传感器获取的工时、油耗等统计，导致对旋挖钻机施工效率的获取并不准确。

因此，如何更合理的提高旋挖钻机的工作效率成为了本领域技术人员亟需解决的技术问题。

发明内容

本发明提供一种旋挖钻机的作业控制方法及系统，用以解决现有技术中旋挖钻机工作效率低的缺陷，实现通过确定岩土层类型，有效地提高旋挖钻机的工作效率。

本发明提供一种旋挖钻机的作业控制方法，包括：

确定旋挖钻机的当前工作状态；

在确定所述当前工作状态为钻进状态的情况下，获取所述旋挖钻机的当前反馈信息，所述当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度；

输入所述当前反馈信息至岩土层分类模型，输出所述旋挖钻机当前作业的岩土层类型，其中，所述岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的；

根据所述岩土层类型，调节所述旋挖钻机的工作参数。

根据本发明提供的一种旋挖钻机的作业控制方法，所述确定旋挖钻机的当前工作状态，包括：

确定旋挖钻机的发动机转速、下放深度、动力头扭矩、回转角度一阶差分和下放深度一阶差分；

根据所述发动机转速、所述下放深度、所述动力头扭矩、所述回转角度一阶差分和所述下放深度一阶差分，确定所述旋挖钻机的当前工作状态。

根据本发明提供的一种旋挖钻机的作业控制方法，所述当前工作状态包括：未施工状态和施工状态，所述施工状态包括钻进状态；

对应的，所述根据所述发动机转速、所述下放深度、所述动力头扭矩、所述回转角度一阶差分和所述下放深度一阶差分，确定所述旋挖钻机的当前工作状态，包括：

当所述发动机转速大于预设转速阈值时，确定所述旋挖钻机的工作状态为施工状态；

当所述下放深度大于预设深度阈值，且所述回转角度一阶差分小于预设角度偏差阈值，且所述下放深度一阶差分小于预设深度偏差阈值，且所述动力头扭矩大于预设扭矩阈值时，确定所述施工状态为钻进状态。

根据本发明提供的一种旋挖钻机的作业控制方法，所述确定旋挖钻进的当前工作状态之前，还包括：

通过车载传感器获取预设数量的旋挖钻机工作数据，所述工作数据包括历史反馈信息和历史岩土层类型信息；

基于现场调研、现场勘探和地质报告对所述工作数据添加数据标签信息；

采集预设数量的数据标签信息，所述数据标签信息包括样本反馈信息和岩土层类型标签；

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，得到岩土层分类模型。

根据本发明提供的一种旋挖钻机的作业控制方法，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，得到岩土层分类模型，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，得到中间分类模型集合；

基于评价指标对所述中间分类模型集合中的每一个中间分类模型行性能分析；

根据所述性能分析的结果，在所述中间分类模型集合中确定岩土层分类模型。

根据本发明提供的一种旋挖钻机的作业控制方法，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、特征构造、特征降维和特征筛选中的至少一种；

对所述中间数据进行标准化和归一化处理，得到训练数据。

根据本发明提供的一种旋挖钻机的作业控制方法，所述根据所述岩土层类型，调节所述旋挖钻机的工作参数，包括：

输入所述岩土层类型至施工效率模型，输出所述旋挖钻机的工作参数，其中，所述施工效率模型是基于岩土层类型、与所述岩土层类型对应的样本工作参数信息和与所述样本工作参数信息对应的样本工作效率信息训练得到的。

根据本发明提供的一种旋挖钻机的作业控制方法，所述根据所述岩土层类型，调节所述旋挖钻机的工作参数之后，还包括：

基于人机料法环，确定所述旋挖钻机的经济指标数据；

根据所述经济指标数据，生成施工成本分析图谱，所述施工成本分析图谱包括各个经济指标影响占比和/或成本变化曲线。

根据本发明提供的一种旋挖钻机的作业控制方法，所述输入所述岩土层类型至施工效率模型，输出所述旋挖钻机的工作参数之后，还包括：

发送所述当前反馈信息、所述工作参数信息、工作效率信息和成本分析图谱至生产商端，以使生产商对旋挖钻机进行参数分析。

本发明还提供一种旋挖钻机的作业控制系统，包括：

确定模块，用于确定旋挖钻机的当前工作状态；

获取模块，用于在确定所述当前工作状态为钻进状态的情况下，获取所述旋挖钻机的当前反馈信息，所述当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度；

大数据模块，用于输入所述当前反馈信息至岩土层分类模型，输出所述旋挖钻机当前作业的岩土层类型，其中，所述岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的；

调节模块，用于根据所述岩土层类型，调节所述旋挖钻机的工作参数。

本发明还提供一种旋挖钻机，包括旋挖钻机本体和控制系统；

控制系统采用如上述任一项所述的旋挖钻机的作业控制方法，控制所述旋挖钻机的工作参数。

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旋挖钻机的作业控制方法的步骤。

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旋挖钻机的作业控制方法的步骤。

本发明提供的一种旋挖钻机的作业控制方法及系统，方法通过确定旋挖钻机的当前工作状态，在确定所述当前工作状态为钻进状态的情况下，获取所述旋挖钻机的当前反馈信息，所述当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度；输入所述当前反馈信息至岩土层分类模型，输出所述旋挖钻机当前作业的岩土层类型，其中，所述岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的；根据所述岩土层类型，调节所述旋挖钻机的工作参数，通过机器学习模型的方式确定岩土层类型，能更好地保证岩土层类型识别的准确度，且基于旋挖钻机当前的作业岩土层类型对工作参数进行合理控制，能够更好地保证旋挖钻机的工作效率。

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旋挖钻机的作业控制方法的流程示意图之一；

图2是图1中确定旋挖钻机的当前工作状态的流程示意图；

图3是本发明实施例提供的旋挖钻机的作业控制方法的流程示意图之二；

图4是本发明实施例提供的旋挖钻机的作业控制系统的结构示意图；

图5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5描述本发明的旋挖钻机的作业控制方法及系统。

图1是本发明实施例提供的旋挖钻机的作业控制方法的流程示意图之一；图2是图1中确定旋挖钻机的当前工作状态的流程示意图。

如图1所示，本发明实施例提供的一种旋挖钻机的作业控制方法，包括以下步骤：

101、确定旋挖钻机的当前工作状态。

具体的，旋挖钻机的当前工作状态包括未施工状态和施工状态，而施工状态包括钻进状态、回转卸土状态、下放状态、上提状态和其他状态等。则确定旋挖钻机的当前工作状态，包括：确定旋挖钻机的发动机转速、下放深度、动力头扭矩、动力头转速、回转角度偏差、回转角度一阶差分和下放深度一阶差分；然后根据发动机转速、下放深度、动力头扭矩、回转角度一阶差分和下放深度一阶差分，确定旋挖钻机的当前工作状态。具体的，根据发动机转速、下放深度、动力头扭矩、回转角度一阶差分和下放深度一阶差分，确定旋挖钻机的当前工作状态，包括：当发动机转速大于预设转速阈值时，确定旋挖钻机的工作状态为施工状态；当下放深度大于预设深度阈值，且回转角度一阶差分小于预设角度偏差阈值，且下放深度一阶差分小于预设深度偏差阈值，且动力头扭矩大于预设扭矩阈值时，确定施工状态为钻进状态，其中各个阈值为人为设定值。

如图2所示，例如，对各个阈值进行详细定义之后，具体的根据旋挖钻机的相关参数信息确定工作状态为，首先判断发动机转速是否大于700，若没有大于700，则表明旋挖钻机处于未施工状态，当发动机转速大于700时，则表明此时处于施工状态。然后再判断施工状态为具体的哪一种状态，判断下方深度是否大于等于0，当小于0时，则判断此时的回转角度偏差是否在-3到3之间，若没在-3到3之间，则确定当前的施工状态为回转卸土状态，若回转角度偏差在-3到3之间，则判断动力头扭矩是否在0到5之间，同时判断动力头转速是否在0到3之间，若两者同时满足则此时处于其他状态，否则处于回转卸土状态。而当下放深度大于等于0时，判断回转角度一阶差分是否在-3到3之间，若没有，则处于其他状态；若在-3到3之间，则判断下方深度一阶差分是否大于等于0，若小于0，则此时的施工状态为上提状态；若大于等于0，则判断动力头扭矩是否在0到5之间，若是则此时的施工状态为下方状态，若不是，则此时的施工状态为钻进状态。于是便完成了旋挖钻机所有工作状态的确定，在状态确定完成以后，便可以进行后续的操作。

102、在确定当前工作状态为钻进状态的情况下，获取旋挖钻机的当前反馈信息，当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度。

具体的，当确定当前工作状态不是钻进状态时，则不进行数据分析处理。而当确定当前工作状态为钻进状态时，获取旋挖钻机的当前反馈信息，当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度等，可以是通过车载传感器实时获取旋挖钻机当前的钻进压力、动力头扭矩和进尺速度等等参数。

103、输入当前反馈信息至岩土层分类模型，输出旋挖钻机当前作业的岩土层类型，其中，岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的。

具体的，当获取到当前反馈信息以后，将当前反馈信息输入至岩土层分类模型，便可以准确的得到当前旋挖钻机作业环境中的岩土层类型，而岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的。机器学习模型的方式读取岩土层类型，能够保证岩土层类型识别的精准度。岩土层类型则可以包括粉土、黏土、回填土、花岗岩、灰岩、砂岩等等类型。

104、根据岩土层类型，调节旋挖钻机的工作参数。

在确定了岩土层类型以后，便需要对旋挖钻机进行控制，使得旋挖钻机能够保持安全、高效的工作，此时便需要根据岩土层类型，调节旋挖钻机的工作参数，使得旋挖钻机以最高的工作效率进行工作。而根据岩土层类型，调节旋挖钻机的工作参数，也可以是：输入岩土层类型至施工效率模型，输出旋挖钻机的工作参数，其中，施工效率模型是基于岩土层类型、与岩土层类型对应的样本工作参数信息和与样本工作参数信息对应的样本工作效率信息训练得到的。同样，将岩土层类型、工作参数和工作效率三者之间的关系进行大数据建模，以更好的保证旋挖钻机的工作效率。

本实施例提供的一种旋挖钻机的作业控制方法，通过确定旋挖钻机的当前工作状态，在确定所述当前工作状态为钻进状态的情况下，获取所述旋挖钻机的当前反馈信息，所述当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度；输入所述当前反馈信息至岩土层分类模型，输出所述旋挖钻机当前作业的岩土层类型，其中，所述岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的；根据所述岩土层类型，调节所述旋挖钻机的工作参数，通过机器学习模型的方式确定岩土层类型，能更好地保证岩土层类型识别的准确度，且基于旋挖钻机当前的作业岩土层类型对工作参数进行合理控制，能够更好地保证旋挖钻机的工作效率。

图3是本发明实施例提供的旋挖钻机的作业控制方法的流程示意图之二。

如图3所示，本发明实施例提供的一种旋挖钻机的作业控制方法，包括以下步骤：

301、通过车载传感器获取预设数量的旋挖钻机工作数据，工作数据包括历史反馈信息和历史岩土层类型信息。

具体的，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，从而获得更佳的预设数量的旋挖钻机工作数据，也就是获取各种针对历史反馈信息和历史岩土层类型信息的对应关系。

例如，可以首先可以进行业务背景调研：深入了解旋挖钻机相关信息，包括工作原理、施工工法选择、地质层分类等。然后，确定数据来源：根据业务调研结果，明确所需要的数据都有哪些，进行数据收集。再进行数据概览：初步了解数据集信息，包括：字段名、字段类型等。再进行数据画像：对数据进行进一步探索，观察数据分布、特征相关性等。最后进行数据初筛：根据数据画像结果，对数据特征进行筛选，剔除空值严重、方差为零等特征。从而可以更好地获取到旋挖钻机工作数据。

302、基于现场调研、现场勘探和地质报告对工作数据添加数据标签信息。

具体的，工作数据包括了钻进压力、动力头扭矩、动力头转速和进尺速度等等，然后基于现场调研、现场勘探和地质报告对工作数据添加数据标签信息，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，一组数据则对应着钻进压力、动力头扭矩、动力头转速和进尺速度与对应的岩土层类型。

303、采集预设数量的数据标签信息，数据标签信息包括样本反馈信息和岩土层类型标签。

预设数量的大小是人为设定的，预设数量的大小可以根据模型训练过程中的实际需求所设定，数据量的多少一定程度上影响了模型的准确度。其中的反馈信息与岩土层类型是一一的对应关系，即每一种的反馈信息均对应着一种岩土层类型。

304、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、特征构造、特征降维和特征筛选中的至少一种；对中间数据进行标准化和归一化处理，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，再次进行标准化和归一化处理，使得可以更好地保证模型的准确度。

305、基于训练数据，对预构建的机器学习模型进行训练，得到岩土层分类模型。

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。具体的，基于训练数据，对预构建的机器学习模型进行训练，得到岩土层分类模型，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，得到中间分类模型集合；其中中间分类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分类模型，于是所有的中间分类模型便构成了中间分类模型集合。基于评价指标对中间分类模型集合中的每一个中间分类模型行性能分析；根据性能分析的结果，在中间分类模型集合中确定岩土层分类模型。也就是基于多种不同的算法，区分不同的中间分类模型的优劣，然后对中间分类模型进行分析比较，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分类模型进行性能分析，得到精准度最高的中间分类模型，作为岩土层分类模型。而且为了保证岩土层分类模型的准确，在训练的过程中还可以加入地理位置信息，根据地理位置信息也能够适当的了解到当前位置的岩土层信息等相关数据。

而在得到岩土层分类模型以后，还包括：基于岩土层分类模型，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、permutationimportance、partial dependence plots等，从而在岩土层分类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岩土层分类模型的精准度。

306、确定旋挖钻机的当前工作状态。

307、在确定当前工作状态为钻进状态的情况下，获取旋挖钻机的当前反馈信息，当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度。

308、输入当前反馈信息至岩土层分类模型，输出旋挖钻机当前作业的岩土层类型，其中，岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的。

309、根据岩土层类型，调节旋挖钻机的工作参数。

关于步骤306-309，在上述实施例对应的步骤101-104中已经做了详细的介绍，因此在本实施例中不再进行具体的阐述。

进一步的，本实施例中，在根据岩土层类型，调节旋挖钻机的工作参数之后，还包括：基于人机料法环，确定旋挖钻机的经济指标数据；根据经济指标数据，生成施工成本分析图谱，施工成本分析图谱包括各个经济指标影响占比和/或成本变化曲线。其中，人机料法环中人包括人力成本等，机包括机器型号、机器工作效率、保养情况和折旧情况等，料则包括油耗等，法则施工工法等，环则包括地质层等施工环境因素。实现能够更好地对成本进行分析，有助于对旋挖钻机的生产或改善提供有力的数据支撑。

进一步的，在输入岩土层类型至施工效率模型，输出旋挖钻机的工作参数之后，还包括：发送当前反馈信息、工作参数信息、工作效率信息和成本分析图谱至生产商端，以使生产商对旋挖钻机进行参数深度分析，包括故障分析、故障预测、故障诊断、机手画像等等，实现综合考虑各种因素，对旋挖钻机的生产和研发提供有效地数据支持。

进一步的，本实施例中，在得到岩土层分类模型之后，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，部署岩土层分类模型至旋挖钻机控制系统。

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，从而实现将岩土层分类模型部署于旋挖钻机控制系统上。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，则由于岩土层分类模型识别算法的结果将对控制的工作参数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，将最新的模型在旋挖钻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。

同时，还可以横向比较不同的旋挖钻机，查找效率低下的旋挖钻机设备，从而通过细分层级分析出哪些施工阶段或者哪些岩土层施工耗时，进而提供相关建议。纵向比较对单台旋挖钻机设备进行历史数据分析，从而判别该旋挖钻机设备是否有效率低下趋势，从而通过细分层级分析出哪些施工阶段或者哪些岩土层施工有明显异常，从而给出建议。

同时，为了更加便于掌握实时数据信息，各层级施工效率包括：不同岩土层钻进效率、主卷扬上提效率、主卷扬下放效率、回转效率、卸土效率、实际工时效率、综合评分等，还可以按照不同时间维度(日、月、年)进行数据展示。单机或机群各层级施工效率展示，根据实时数据和历史数据比较从而得到相关数据分析结果，给出施工建议并推送到智能终端App，例如电脑或手机上，使得能够更加便捷的完成数据的获取掌握。

基于同一总的发明构思，本申请还保护一种旋挖钻机的作业控制系统，下面对本发明提供的旋挖钻机的作业控制系统进行描述，下文描述的旋挖钻机的作业控制系统与上文描述的旋挖钻机的作业控制方法可相互对应参照。

图4是本发明实施例提供的旋挖钻机的作业控制系统的结构示意图。

如图4所示，本实施例提供的一种旋挖钻机的作业控制系统，包括：

确定模块410，用于确定旋挖钻机的当前工作状态；

获取模块420，用于在确定所述当前工作状态为钻进状态的情况下，获取所述旋挖钻机的当前反馈信息，所述当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度；

大数据模块430，用于输入所述当前反馈信息至岩土层分类模型，输出所述旋挖钻机当前作业的岩土层类型，其中，所述岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的；

调节模块440，用于根据所述岩土层类型，调节所述旋挖钻机的工作参数。

本实施例提供的一种旋挖钻机的作业控制系统，通过确定旋挖钻机的当前工作状态，在确定所述当前工作状态为钻进状态的情况下，获取所述旋挖钻机的当前反馈信息，所述当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度；输入所述当前反馈信息至岩土层分类模型，输出所述旋挖钻机当前作业的岩土层类型，其中，所述岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的；根据所述岩土层类型，调节所述旋挖钻机的工作参数，通过机器学习模型的方式确定岩土层类型，能更好地保证岩土层类型识别的准确度，且基于旋挖钻机当前的作业岩土层类型对工作参数进行合理控制，能够更好地保证旋挖钻机的工作效率。

进一步的，本实施例中的确定模块410，具体用于：

确定旋挖钻机的发动机转速、下放深度、动力头扭矩、回转角度一阶差分和下放深度一阶差分；

根据发动机转速、下放深度、动力头扭矩、回转角度一阶差分和下放深度一阶差分，确定旋挖钻机的当前工作状态。

进一步的，本实施例中的当前工作状态包括：未施工状态和施工状态，施工状态包括钻进状态；本实施例中的确定模块，具体还用于：当发动机转速大于预设转速阈值时，确定旋挖钻机的工作状态为施工状态；

当下放深度大于预设深度阈值，且回转角度一阶差分小于预设角度偏差阈值，且下放深度一阶差分小于预设深度偏差阈值，且动力头扭矩大于预设扭矩阈值时，确定施工状态为钻进状态。

进一步的，本实施例中还包括模型建立模块，用于：

通过车载传感器获取预设数量的旋挖钻机工作数据，工作数据包括历史反馈信息和历史岩土层类型信息；

基于现场调研、现场勘探和地质报告对工作数据添加数据标签信息；

采集预设数量的数据标签信息，数据标签信息包括样本反馈信息和岩土层类型标签；

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；

基于训练数据，对预构建的机器学习模型进行训练，得到岩土层分类模型。

进一步的，本实施例中的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，模型建立模块具体还用于：

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，得到中间分类模型集合；

基于评价指标对中间分类模型集合中的每一个中间分类模型行性能分析；

根据性能分析的结果，在中间分类模型集合中确定岩土层分类模型。

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、特征构造、特征降维和特征筛选中的至少一种；

对中间数据进行标准化和归一化处理，得到训练数据。

进一步的，本实施例中的调节模块440，具体用于：

输入岩土层类型至施工效率模型，输出旋挖钻机的工作参数，其中，施工效率模型是基于岩土层类型、与岩土层类型对应的样本工作参数信息和与样本工作参数信息对应的样本工作效率信息训练得到的。

进一步的，本实施例中还包括经济分析模块，用于；

基于人机料法环，确定旋挖钻机的经济指标数据；

根据经济指标数据，生成施工成本分析图谱，施工成本分析图谱包括各个经济指标影响占比和/或成本变化曲线。

进一步的，本实施例中还包括反馈模块，用于：

发送当前反馈信息、工作参数信息、工作效率信息和成本分析图谱至生产商端，以使生产商对旋挖钻机进行参数分析。

本发明还保护一种旋挖钻机，包括旋挖钻机本体和控制系统；

控制系统采用如上述任一实施例中的旋挖钻机的作业控制方法，控制所述旋挖钻机的工作参数。

图5是本发明实施例提供的电子设备的结构示意图。

如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行旋挖钻机的作业控制方法，该方法包括：确定旋挖钻机的当前工作状态；在确定所述当前工作状态为钻进状态的情况下，获取所述旋挖钻机的当前反馈信息，所述当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度；输入所述当前反馈信息至岩土层分类模型，输出所述旋挖钻机当前作业的岩土层类型，其中，所述岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的；根据所述岩土层类型，调节所述旋挖钻机的工作参数。

此外，上述的存储器530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旋挖钻机的作业控制方法，该方法包括：确定旋挖钻机的当前工作状态；在确定所述当前工作状态为钻进状态的情况下，获取所述旋挖钻机的当前反馈信息，所述当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度；输入所述当前反馈信息至岩土层分类模型，输出所述旋挖钻机当前作业的岩土层类型，其中，所述岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的；根据所述岩土层类型，调节所述旋挖钻机的工作参数。

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旋挖钻机的作业控制方法，该方法包括：确定旋挖钻机的当前工作状态；在确定所述当前工作状态为钻进状态的情况下，获取所述旋挖钻机的当前反馈信息，所述当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度；输入所述当前反馈信息至岩土层分类模型，输出所述旋挖钻机当前作业的岩土层类型，其中，所述岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的；根据所述岩土层类型，调节所述旋挖钻机的工作参数。

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)

1.一种旋挖钻机的作业控制方法，其特征在于，包括：

确定旋挖钻机的当前工作状态；

在确定所述当前工作状态为钻进状态的情况下，获取所述旋挖钻机的当前反馈信息，所述当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度；

输入所述当前反馈信息至岩土层分类模型，输出所述旋挖钻机当前作业的岩土层类型，其中，所述岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的；

根据所述岩土层类型，调节所述旋挖钻机的工作参数。

2.根据权利要求1所述的旋挖钻机的作业控制方法，其特征在于，所述确定旋挖钻机的当前工作状态，包括：

确定旋挖钻机的发动机转速、下放深度、动力头扭矩、回转角度一阶差分和下放深度一阶差分；

根据所述发动机转速、所述下放深度、所述动力头扭矩、所述回转角度一阶差分和所述下放深度一阶差分，确定所述旋挖钻机的当前工作状态。

3.根据权利要求2所述的旋挖钻机的作业控制方法，其特征在于，所述当前工作状态包括：未施工状态和施工状态，所述施工状态包括钻进状态；

对应的，所述根据所述发动机转速、所述下放深度、所述动力头扭矩、所述回转角度一阶差分和所述下放深度一阶差分，确定所述旋挖钻机的当前工作状态，包括：

当所述发动机转速大于预设转速阈值时，确定所述旋挖钻机的工作状态为施工状态；

当所述下放深度大于预设深度阈值，且所述回转角度一阶差分小于预设角度偏差阈值，且所述下放深度一阶差分小于预设深度偏差阈值，且所述动力头扭矩大于预设扭矩阈值时，确定所述施工状态为钻进状态。

4.根据权利要求1所述的旋挖钻机的作业控制方法，其特征在于，所述确定旋挖钻进的当前工作状态之前，还包括：

通过车载传感器获取预设数量的旋挖钻机工作数据，所述工作数据包括历史反馈信息和历史岩土层类型信息；

基于现场调研、现场勘探和地质报告对所述工作数据添加数据标签信息；

采集预设数量的数据标签信息，所述数据标签信息包括样本反馈信息和岩土层类型标签；

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，得到岩土层分类模型。

5.根据权利要求4所述的旋挖钻机的作业控制方法，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，得到岩土层分类模型，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，得到中间分类模型集合；

基于评价指标对所述中间分类模型集合中的每一个中间分类模型行性能分析；

根据所述性能分析的结果，在所述中间分类模型集合中确定岩土层分类模型。

6.根据权利要求4所述的旋挖钻机的作业控制方法，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、特征构造、特征降维和特征筛选中的至少一种；

对所述中间数据进行标准化和归一化处理，得到训练数据。

7.根据权利要求1所述的旋挖钻机的作业控制方法，其特征在于，所述根据所述岩土层类型，调节所述旋挖钻机的工作参数，包括：

输入所述岩土层类型至施工效率模型，输出所述旋挖钻机的工作参数，其中，所述施工效率模型是基于岩土层类型、与所述岩土层类型对应的样本工作参数信息和与所述样本工作参数信息对应的样本工作效率信息训练得到的。

8.根据权利要求7所述的旋挖钻机的作业控制方法，其特征在于，所述根据所述岩土层类型，调节所述旋挖钻机的工作参数之后，还包括：

基于人机料法环，确定所述旋挖钻机的经济指标数据；

根据所述经济指标数据，生成施工成本分析图谱，所述施工成本分析图谱包括各个经济指标影响占比和/或成本变化曲线。

9.根据权利要求8所述的旋挖钻机的作业控制方法，其特征在于，所述输入所述岩土层类型至施工效率模型，输出所述旋挖钻机的工作参数之后，还包括：

发送所述当前反馈信息、所述工作参数信息、工作效率信息和成本分析图谱至生产商端，以使生产商对旋挖钻机进行参数分析。

10.一种旋挖钻机的作业控制系统，其特征在于，包括：

确定模块，用于确定旋挖钻机的当前工作状态；

获取模块，用于在确定所述当前工作状态为钻进状态的情况下，获取所述旋挖钻机的当前反馈信息，所述当前反馈信息包括钻进压力、动力头扭矩、动力头转速、发动机转速和进尺速度；

大数据模块，用于输入所述当前反馈信息至岩土层分类模型，输出所述旋挖钻机当前作业的岩土层类型，其中，所述岩土层分类模型是基于样本反馈信息和预先确定的岩土层类型标签进行训练后得到的；

调节模块，用于根据所述岩土层类型，调节所述旋挖钻机的工作参数。

Images