CN113774985B - 作业机械的控制方法、装置、介质及作业机械 - Google Patents
作业机械的控制方法、装置、介质及作业机械 Download PDFInfo
- Publication number
- CN113774985B CN113774985B CN202111262455.7A CN202111262455A CN113774985B CN 113774985 B CN113774985 B CN 113774985B CN 202111262455 A CN202111262455 A CN 202111262455A CN 113774985 B CN113774985 B CN 113774985B
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- model
- control signal
- control
- 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
Links
Images
Classifications
-
- 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
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F3/00—Dredgers; Soil-shifting machines
- E02F3/04—Dredgers; Soil-shifting machines mechanically-driven
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Civil Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Mechanical Engineering (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本发明提供一种作业机械的控制方法、装置、介质及作业机械,方法包括:获取当前的工况数据和控制信号;将所述工况数据和所述控制信号输入匹配模型,得到所述匹配模型输出的控制数据,所述匹配模型通过样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量训练得到;通过控制数据,控制所述作业机械进行作业。本发明用以解决现有技术中挖掘机配合不同的操作手,导致的作业效率降低、耗时增长、成本增加的缺陷。
Description
技术领域
本发明涉及作业机械控制技术领域,尤其涉及一种作业机械的控制方法、装置、介质及作业机械。
背景技术
目前在挖掘机实际施工中,作业效率高低多依赖于操作手的个人操作情况和与工作环境相关的工况参数,导致同样的挖掘机配合不同的操作手和工况在输出结果上都有比较大的差异。最终导致挖掘机的整个作业效率降低,耗时增长,作业成本增加。
发明内容
本发明提供一种作业机械的控制方法、装置、介质及作业机械,用以解决现有技术中挖掘机配合不同的操作手,导致的作业效率降低、耗时增长、成本增加的缺陷,实现提高挖掘机的工作效率,降低工作时长。
本发明提供一种作业机械的控制方法,包括:
获取当前的工况数据和控制信号;
将所述工况数据和所述控制信号输入匹配模型,得到所述匹配模型输出的控制数据,所述匹配模型通过样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量训练得到;
通过所述控制数据,控制所述作业机械进行作业。
根据本发明提供的一种作业机械的控制方法,所述将所述工况数据和所述控制信号输入匹配模型,得到所述匹配模型输出的控制数据,包括:
将所述工况数据和所述控制信号输入匹配模型,通过所述匹配模型确定所述控制信号对应的用户分类类别,和所述工况数据对应的初始控制数据;基于所述用户分类类别,修正所述初始控制数据,得到所述控制数据。
根据本发明提供的一种作业机械的控制方法,所述确定所述控制信号对应的用户分类类别,包括:
将所述控制信号输入用户画像子模型,得到所述用户画像子模型输出的所述控制信号对应的用户标识的用户画像,所述用户画像子模型通过所述样本控制信号和样本用户画像训练得到;
将所述用户画像输入类别判定子模型,通过所述类别判定子模型识别所述用户画像,确定所述用户画像对应的用户分类类别,输出所述用户画像对应的用户分类类别,所述类别判定子模型通过所述样本用户画像和样本用户分类类别训练得到。
根据本发明提供的一种作业机械的控制方法,所述将所述控制信号输入用户画像子模型,得到所述用户画像子模型输出的所述控制信号对应的用户标识的用户画像,包括:
将所述控制信号输入所述用户画像子模型,通过所述用户画像子模型识别所述控制信号的变化速率和所述控制信号的信号强度变化信息,将所述变化速率和所述信号强度变化信息作为所述用户画像,输出所述用户画像。
根据本发明提供的一种作业机械的控制方法,所述获取当前的工况数据,包括:
获取所述作业机械的姿态数据、所述作业机械的泵阀系统的流量数据、所述泵阀系统的压力数据;
将所述姿态数据、所述流量数据和所述压力数据输入工况识别子模型,得到所述工况识别子模型输出的所述工况数据,所述工况识别子模型通过样本姿态数据、样本流量数据、样本压力数据和所述样本工况数据训练得到。
根据本发明提供的一种作业机械的控制方法,所述匹配模型的训练过程包括:
获取所述样本工况数据、所述样本控制信号、所述样本控制数据、所述样本作业量和所述样本燃料消耗量;
将所述样本工况数据、所述样本控制信号、所述样本作业量、所述样本燃料消耗量和所述样本控制数据输入所述匹配模型,得到所述匹配模型的中间层输出的预测作业量和预测燃料消耗量;比较所述预测作业量和所述样本作业量,以及所述预测燃料消耗量和所述样本燃料消耗量,得到第一比较结果,基于所述第一比较结果,反向传播,得到所述匹配模型的输出层输出的预测控制数据;
比较所述预测控制数据和所述样本控制数据,得到第二比较结果;
当所述第一比较结果处于第一预设范围,且所述第二比较结果处于第二预设范围时,确定所述匹配模型训练成功。
根据本发明提供的一种作业机械的控制方法,所述比较所述预测作业量和所述样本作业量,以及所述预测燃料消耗量和所述样本燃料消耗量,得到第一比较结果之前,还包括:
判断所述中间层输出的所述预测作业量和所述预测燃料消耗量是否符合预设模型训练条件;
若是,执行所述比较所述预测作业量和所述样本作业量,以及所述预测燃料消耗量和所述样本燃料消耗量,得到第一比较结果的步骤;
否则,执行所述将所述样本工况数据、所述样本控制信号、所述样本作业量、所述样本燃料消耗量和所述样本控制数据输入所述匹配模型的步骤。
本发明还提供一种作业机械的控制装置,包括:
获取模块,用于获取当前的工况数据和控制信号;
输出模块,用于将所述工况数据和所述控制信号输入匹配模型,得到所述匹配模型输出的控制数据,所述匹配模型通过样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量训练得到;
控制模块,用于通过所述控制数据,控制所述作业机械进行作业。
本发明还提供一种作业机械,作业机械包括作业机械本体和控制器,所述控制器用于实现如上述任一种所述作业机械的控制方法的步骤。
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作业机械的控制方法的步骤。
本发明提供的作业机械的控制方法、装置、介质及作业机械,通过获取当前的工况数据和控制信号;将工况数据和控制信号输入匹配模型,得到匹配模型输出的控制数据,匹配模型通过样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量训练得到;通过控制数据,控制作业机械进行作业,可见,本发明对应任意的工况数据和控制信号,均可以生成对应的控制数据,以更好的控制作业机械进行作业,避免了由于操作手的差异,导致作业机械作业情况参差不齐、效率降低、耗时变长的问题,有效的提高了作业效率,减低了工作时长,节省了作业成本,提高了用户体验。
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是本发明提供的作业机械的控制方法的流程示意图之一;
图2是本发明提供的作业机械的控制方法的流程示意图之二;
图3是本发明提供的作业机械的控制方法的流程示意图之三;
图4是本发明提供的作业机械的控制方法的流程示意图之四;
图5是本发明提供的作业机械的控制装置的结构示意图;
图6是本发明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。
由于操作手的个人情况的差异,使得好的操作手往往供不应求,进而增加了机械作业的人力成本,而本发明基于匹配模型,消除了操作手操作能力的差异性,使得任意操作手都能够快速、准确的操作作业机械,从而降低了人力成本。
下面结合图1-图4描述本发明的作业机械的控制方法。
本发明实施例提供了一种作业机械的控制方法,该方法可以应用在智能终端,例如,手机、电脑、平板等,也可以应用在服务器中,也可以应用在作业机械的控制器中,其中,作业机械包括挖掘机、压路机、搅拌机、起重机和推土机等。下面,以该方法应用在挖掘机的控制器中为例进行说明,但需要说明的是仅为举例说明,并不用于对本发明的保护范围进行限定。本发明实施例中的一些其他说明,也是举例说明,并不用于对本发明的保护范围进行限定,之后便不再一一说明。
本发明的作业机械的控制方法的具体实现如图1所示:
步骤101,获取当前的工况数据和控制信号。
其中,控制信号是基于用户标识操作作业机械的控制元件得到的。
具体的,任一用户标识对应一个操作手,即,不同的操作手对应不同的用户标识。其中,控制元件包括:挖掘机的手柄元件和挖掘机的脚踏元件,控制信号包括:手柄信号和/或脚踏信号。控制信号即为:操作手操作作业机械的手柄元件时产生的手柄信号,和/或,操作手操作作业机械的脚踏元件时产生的脚踏信号。
例如,控制器包括第一采集单元,通过第一采集单元采集控制信号。其中,第一采集单元包括至少一个第一传感器。
一个具体实施例中,工况数据的具体获取方式,如图2所示:
步骤201,获取作业机械的姿态数据、作业机械的泵阀系统的流量数据、泵阀系统的压力数据。
例如,控制器还包括第二采集单元,通过第二采集单元采集姿态数据、流量数据和压力数据。其中,第二采集单元包括至少一个第二传感器。
例如,通过安装在挖掘机侧身第二传感器采集挖掘机在作业过程中的姿态数据,其中,姿态数据包括:铲斗的工作数据、斗杆的工作数据和动臂的工作数据等;通过安装在挖掘机的液压系统的第二传感器采集泵阀系统的流量数据和泵阀系统的压力数据;等。
步骤202,将姿态数据、流量数据和压力数据输入工况识别子模型,得到工况识别子模型输出的工况数据。
其中,公开数据包括挖掘机作业时的环境数据和挖掘机的动作数据等。
其中,工况识别子模型通过样本姿态数据、样本流量数据、样本压力数据和样本工况数据训练得到。其中,工况识别子模型可以为匹配模型的一部分,也可以为能够和匹配模型进行数据交互的独立模型。
具体的,工况识别子模型的训练过程如下所示:
步骤一:获取大量的样本姿态数据、样本流量数据、样本压力数据和样本工况数据。
步骤二:将大量的样本姿态数据、样本流量数据、样本压力数据输入工况识别子模型,通过工况识别子模型输出预测工况数据。
步骤三:计算预测工况数据和样本工况数据的第一一致率。
步骤四:当第一一致率大于第一预设阈值时,工况识别子模型训练完成。
另外,工况识别子模型可以为循环神经网络模型,如上所示,还可以为支持向量机模型。
例如,以多类支持向量机为例,为样本姿态数据、样本流量数据、样本压力数据添加分类标签,例如,(X,L),其中,X表示样本姿态数据、样本流量数据、样本压力数据,L表示分类标签。由于实际数据X中含有毛刺、振动等异常信号,因此,支持向量机应用软分类,即允许分类界限为一个区间的方式进行训练。在工况识别子模型中支持向量机的训练损失函数如公式(1):
其中,w,b为模型参数,λ为正则化惩罚函数。
其中,通过上述的支持向量机模型可以反推断出挖掘机对应的姿态数据。
一个具体实施例中,本发明预先基于样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量训练匹配模型,该匹配模型的训练过程如图3所示:
步骤301,获取样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量。
具体的,在挖掘机作业时,将对应的工况数据、控制信号、控制数据、作业量和燃料消耗量发送到服务器中进行存储,因此,可以从服务器中获取大量的预存储数据作为样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量。
例如,控制器还包括第一称重单元,通过第一称重单元确定挖掘机作业时操作手对应的作业量;控制器还包括第二称重单元,通过第二称重单元确定挖掘机作业时的油耗。
步骤302,将样本工况数据、样本控制信号、样本作业量、样本燃料消耗量和样本控制数据输入匹配模型,得到匹配模型的中间层输出的预测作业量和预测燃料消耗量;比较预测作业量和样本作业量,以及预测燃料消耗量和样本燃料消耗量,得到第一比较结果,基于第一比较结果,反向传播,得到匹配模型的输出层输出的预测控制数据。
其中,匹配模型包括中间层和输出层。
其中,匹配模型可以为循环神经网络模型,还可以为支持向量机模型。
具体的,比较预测作业量和样本作业量,具体可以为计算预测作业量和样本作业量的第一差值;比较预测燃料消耗量和样本燃料消耗量,具体可以计算预测燃料消耗量和样本燃料消耗量的第二差值,将第一差值和第二差值作为第一比较结果。
具体的,通过样本作业量和样本燃料消耗量作为匹配模型优劣的指示参数来计算匹配模型的训练损失。
一个具体实施例中,在比较预测作业量和样本作业量,以及预测燃料消耗量和样本燃料消耗量,得到第一比较结果之前,判断中间层输出的预测作业量和预测燃料消耗量是否符合预设模型训练条件;若是,执行比较预测作业量和样本作业量,以及预测燃料消耗量和样本燃料消耗量,得到第一比较结果的步骤;否则,执行将样本工况数据、样本控制信号、样本作业量、样本燃料消耗量和样本控制数据输入匹配模型的步骤。
其中,预设模型训练条件为预测作业量和预测燃料消耗量为当前样本工况数据、当前样本控制信号和当前样本控制数据对应的最大作业量和最优燃料消耗量,其中,最优燃料消耗量小于预设燃料消耗量。
可见,本发明当预测作业量和预测燃料消耗量符合预设模型训练条件时,基于预测作业量和预测燃料消耗量进行匹配模型的训练,否则,利用新的样本工况数据、样本控制信号、样本作业量、样本燃料消耗量和样本控制数据重新输入以进行匹配模型的训练。
可见,本发明利用样本作业量和样本燃料消耗量来计算匹配模型的训练损失,以能够使匹配模型最终输出最优的控制数据,即,匹配模型基于当前工况数据,来确定最大的挖掘机量和最优的油耗(较低油耗)对应的控制数据。
步骤303,比较预测控制数据和样本控制数据,得到第二比较结果。
具体的,比较预测控制数据和样本控制数据,具体可以为计算预测控制数据和样本控制数据的第三差值,将第三差值作为第二比较结果。
步骤304,当第一比较结果处于第一预设范围,且第二比较结果处于第二预设范围时,确定匹配模型训练成功。
具体的,当第一差值处于第一预设差值范围,第二差值处于第二预设差值范围时,确定第一比较结果处于第一预设范围;当第三差值处于第三预设差值范围时,确定第二比较结果处于第二预设范围。
其中,最优的样本燃料消耗量包括较低的样本油耗量,即,样本油耗量低于预设油耗量阈值即可。
具体的,可以通过样本工况数据、样本控制信号、样本作业量、样本燃料消耗量和样本控制数据为类别进行聚类分析,进而利用基于欧式距离的聚类算法(K-means)确定聚类中心。其中,该聚类中心为根据样本作业量和样本燃料消耗量对应的各分类的标准操作和最优油耗的信息,并基于该聚类中心,确定最优的控制数据。
步骤102,将工况数据和控制信号输入匹配模型,得到匹配模型输出的控制数据。
其中,控制数据包括:泵阀开口的大小、泵阀开口的速度、控制信号的滤波设置参数等。
其中,匹配模型通过样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量训练得到。
一个具体实施例中,在获取工况数据和控制信号之后,将工况数据和控制信号输入匹配模型,通过匹配模型确定控制信号对应的用户标识的用户分类类别,和工况数据对应的初始控制数据;基于用户分类类别,修正初始控制数据,得到控制数据;输出控制数据。
一个具体实施例中,用户标识的用户分类类别的具体实现方式如图4所示:
步骤401,将控制信号输入用户画像子模型,得到用户画像子模型输出的控制信号对应的用户标识的用户画像。
其中,用户画像子模型通过样本控制信号和样本用户画像训练得到。
其中,用户画像子模型可以为匹配模型的一部分,也可以为能够和匹配模型进行数据交互的独立模型。
具体的,用户画像子模型的训练过程如下所示:
步骤一:获取大量的样本控制信号和样本用户画像。
步骤二:将大量的样本控制信号输入用户画像子模型,通过用户画像子模型输出预测用户画像。
步骤三:计算预测用户画像和样本用户画像的第二一致率。
步骤四:当第二一致率大于第二预设阈值时,用户画像子模型训练完成。
其中,用户画像子模型可以为循环神经网络模型,如上所示,还可以为支持向量机模型,具体可参见工况识别子模型处的描述。
一个具体实施例中,将控制信号输入用户画像子模型,通过用户画像子模型识别控制信号的变化速率和控制信号的信号强度变化信息,将变化速率和信号强度变化信息作为用户画像,输出用户画像。
具体的,用户画像子模型对控制信号进行量化分析,例如,分析控制信号的加速度、分析控制信号的连续性等,进而生成操作手的用户画像。
步骤402,将用户画像输入类别判定子模型,通过类别判定子模型识别用户画像,确定用户画像对应的用户分类类别,输出用户画像对应的用户分类类别。
其中,类别判定子模型通过样本用户画像和样本用户分类类别训练得到。
其中,类别判定子模型可以为匹配模型的一部分,也可以为能够和匹配模型进行数据交互的独立模型。
具体的,类别判定子模型的训练过程如下所示:
步骤一:获取大量的样本用户画像和样本用户分类类别。
步骤二:将大量的样本用户画像输入类别判定子模型,通过类别判定子模型输出预测用户分类类别。
步骤三:计算预测用户分类类别和样本用户分类类别的第三一致率。
步骤四:当第三一致率大于第三预设阈值时,类别判定子模型训练完成。
其中,类别判定子模型可以为循环神经网络模型,如上所示,还可以为支持向量机模型,具体可参见工况识别子模型处的描述。
步骤103,通过控制数据,控制作业机械进行作业。
具体的,当该方法应用在挖掘机的控制器中时,通过控制数据,控制作业机械进行作业。当该方法应用在服务器中时,需要服务器将控制数据发送给作业机械的控制器,以控制作业机械进行作业。当该方法应用在智能终端中时,需要智能终端通过网络将控制数据发送给作业机械的控制器,以控制作业机械进行作业。
另外,在本发明可以在离线状态下使用,将其存储在作业机械的控制器中,用以在矿山等网络无法覆盖的地区进行使用。
本发明提供的作业机械的控制方法、装置、介质及作业机械,通过获取当前的工况数据和控制信号;将工况数据和控制信号输入匹配模型,得到匹配模型输出的控制数据,匹配模型通过样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量训练得到;通过控制数据,控制作业机械进行作业,可见,本发明对应任意的工况数据和控制信号,均可以生成对应的控制数据,以更好的控制作业机械进行作业,避免了由于操作手的差异,导致作业机械作业情况参差不齐、效率降低、耗时变长的问题,有效的提高了作业效率,减低了工作时长,节省了作业成本,提高了用户体验。
本发明实施例还提供了一种作业机械的控制装置,作业机械的控制装置与上文描述的作业机械的控制方法可相互对应参照,重复之处不再赘述,该装置的结构示意图如图5所示:
获取模块501,用于获取当前的工况数据和控制信号;
输出模块502,用于将工况数据和控制信号输入匹配模型,得到匹配模型输出的控制数据,匹配模型通过样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量训练得到;
控制模块503,用于通过控制数据,控制作业机械进行作业。
一个具体实施例中,输出模块502,具体用于将工况数据和控制信号输入匹配模型,通过匹配模型确定控制信号对应的用户分类类别,和工况数据对应的初始控制数据;基于用户分类类别,修正初始控制数据,得到控制数据。
一个具体实施例中,输出模块502,具体用于将控制信号输入用户画像子模型,得到用户画像子模型输出的控制信号对应的用户标识的用户画像,用户画像子模型通过样本控制信号和样本用户画像训练得到;将用户画像输入类别判定子模型,通过类别判定子模型识别用户画像,确定用户画像对应的用户分类类别,输出用户画像对应的用户分类类别,类别判定子模型通过样本用户画像和样本用户分类类别训练得到。
一个具体实施例中,输出模块502,具体用于将控制信号输入用户画像子模型,通过用户画像子模型识别控制信号的变化速率和控制信号的信号强度变化信息,将变化速率和信号强度变化信息作为用户画像,输出用户画像。
一个具体实施例中,获取模块501,具体用于获取作业机械的姿态数据、作业机械的泵阀系统的流量数据、泵阀系统的压力数据;将姿态数据、流量数据和压力数据输入工况识别子模型,得到工况识别子模型输出的工况数据,工况识别子模型通过样本姿态数据、样本流量数据、样本压力数据和样本工况数据训练得到。
一个具体实施例里中,该装置还包括训练模块,训练模块,用于获取样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量;将样本工况数据、样本控制信号、样本作业量、样本燃料消耗量和样本控制数据输入匹配模型,得到匹配模型的中间层输出的预测作业量和预测燃料消耗量;比较预测作业量和样本作业量,以及预测燃料消耗量和样本燃料消耗量,得到第一比较结果,基于第一比较结果,反向传播,得到匹配模型的输出层输出的预测控制数据;比较预测控制数据和样本控制数据,得到第二比较结果;当第一比较结果处于第一预设范围,且第二比较结果处于第二预设范围时,确定匹配模型训练成功。
一个具体实施例中,训练模块,还用于判断中间层输出的预测作业量和预测燃料消耗量是否符合预设模型训练条件;若是,执行比较预测作业量和样本作业量,以及预测燃料消耗量和样本燃料消耗量,得到第一比较结果的步骤;否则,执行将样本工况数据、样本控制信号、样本作业量、样本燃料消耗量和样本控制数据输入匹配模型的步骤。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令,以执行作业机械的控制方法,该方法包括:获取当前的工况数据和控制信号;将工况数据和控制信号输入匹配模型,得到匹配模型输出的控制数据,匹配模型通过样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量训练得到;通过控制数据,控制作业机械进行作业。
此外,上述的存储器603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。
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作业机械的控制方法,该方法包括:获取当前的工况数据和控制信号;将工况数据和控制信号输入匹配模型,得到匹配模型输出的控制数据,匹配模型通过样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量训练得到;通过控制数据,控制作业机械进行作业。
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作业机械的控制方法,该方法包括:获取当前的工况数据和控制信号;将工况数据和控制信号输入匹配模型,得到匹配模型输出的控制数据,匹配模型通过样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量训练得到;通过控制数据,控制作业机械进行作业。
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 (9)
1.一种作业机械的控制方法,其特征在于,包括:
获取当前的工况数据和控制信号,其中,所述控制信号包括:手柄信号和/或脚踏信号;
将所述工况数据和所述控制信号输入匹配模型,通过所述匹配模型确定所述控制信号对应的用户分类类别,和所述工况数据对应的初始控制数据;基于所述用户分类类别,修正所述初始控制数据,得到所述匹配模型输出的控制数据,所述匹配模型通过样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量训练得到;
通过所述控制数据,控制所述作业机械进行作业。
2.根据权利要求1所述的作业机械的控制方法,其特征在于,所述确定所述控制信号对应的用户分类类别,包括:
将所述控制信号输入用户画像子模型,得到所述用户画像子模型输出的所述控制信号对应的用户标识的用户画像,所述用户画像子模型通过所述样本控制信号和样本用户画像训练得到;
将所述用户画像输入类别判定子模型,通过所述类别判定子模型识别所述用户画像,确定所述用户画像对应的用户分类类别,输出所述用户画像对应的用户分类类别,所述类别判定子模型通过所述样本用户画像和样本用户分类类别训练得到。
3.根据权利要求2所述的作业机械的控制方法,其特征在于,所述将所述控制信号输入用户画像子模型,得到所述用户画像子模型输出的所述控制信号对应的用户标识的用户画像,包括:
将所述控制信号输入所述用户画像子模型,通过所述用户画像子模型识别所述控制信号的变化速率和所述控制信号的信号强度变化信息,将所述变化速率和所述信号强度变化信息作为所述用户画像,输出所述用户画像。
4.根据权利要求1-3任一项所述的作业机械的控制方法,其特征在于,所述获取当前的工况数据,包括:
获取所述作业机械的姿态数据、所述作业机械的泵阀系统的流量数据、所述泵阀系统的压力数据;
将所述姿态数据、所述流量数据和所述压力数据输入工况识别子模型,得到所述工况识别子模型输出的所述工况数据,所述工况识别子模型通过样本姿态数据、样本流量数据、样本压力数据和所述样本工况数据训练得到。
5.根据权利要求1-3任一项所述的作业机械的控制方法,其特征在于,所述匹配模型的训练过程包括:
获取所述样本工况数据、所述样本控制信号、所述样本控制数据、所述样本作业量和所述样本燃料消耗量;
将所述样本工况数据、所述样本控制信号、所述样本作业量、所述样本燃料消耗量和所述样本控制数据输入所述匹配模型,得到所述匹配模型的中间层输出的预测作业量和预测燃料消耗量;比较所述预测作业量和所述样本作业量,以及所述预测燃料消耗量和所述样本燃料消耗量,得到第一比较结果,基于所述第一比较结果,反向传播,得到所述匹配模型的输出层输出的预测控制数据;
比较所述预测控制数据和所述样本控制数据,得到第二比较结果;
当所述第一比较结果处于第一预设范围,且所述第二比较结果处于第二预设范围时,确定所述匹配模型训练成功。
6.根据权利要求5所述的作业机械的控制方法,其特征在于,所述比较所述预测作业量和所述样本作业量,以及所述预测燃料消耗量和所述样本燃料消耗量,得到第一比较结果之前,还包括:
判断所述中间层输出的所述预测作业量和所述预测燃料消耗量是否符合预设模型训练条件;
若是,执行所述比较所述预测作业量和所述样本作业量,以及所述预测燃料消耗量和所述样本燃料消耗量,得到第一比较结果的步骤;
否则,执行所述将所述样本工况数据、所述样本控制信号、所述样本作业量、所述样本燃料消耗量和所述样本控制数据输入所述匹配模型的步骤。
7.一种作业机械的控制装置,其特征在于,包括:
获取模块,用于获取当前的工况数据和控制信号,其中,所述控制信号包括:手柄信号和/或脚踏信号;
输出模块,用于将所述工况数据和所述控制信号输入匹配模型,通过所述匹配模型确定所述控制信号对应的用户分类类别,和所述工况数据对应的初始控制数据;基于所述用户分类类别,修正所述初始控制数据,得到所述匹配模型输出的控制数据,所述匹配模型通过样本工况数据、样本控制信号、样本控制数据、样本作业量和样本燃料消耗量训练得到;
控制模块,用于通过所述控制数据,控制所述作业机械进行作业。
8.一种作业机械,其特征在于,所述作业机械包括作业机械本体和控制器,所述控制器用于实现如权利要求1至6任一项所述作业机械的控制方法的步骤。
9.一种非暂态计算机可读存储介质,其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执行时实现如权利要求1至6任一项所述作业机械的控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111262455.7A CN113774985B (zh) | 2021-10-28 | 2021-10-28 | 作业机械的控制方法、装置、介质及作业机械 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111262455.7A CN113774985B (zh) | 2021-10-28 | 2021-10-28 | 作业机械的控制方法、装置、介质及作业机械 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113774985A CN113774985A (zh) | 2021-12-10 |
CN113774985B true CN113774985B (zh) | 2023-03-24 |
Family
ID=78873527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111262455.7A Active CN113774985B (zh) | 2021-10-28 | 2021-10-28 | 作业机械的控制方法、装置、介质及作业机械 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113774985B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100587172C (zh) * | 2004-04-08 | 2010-02-03 | 株式会社小松制作所 | 作业机械的液压驱动装置 |
AU2014202349A1 (en) * | 2012-08-02 | 2014-05-22 | Harnischfeger Technologies, Inc. | Depth-related help functions for a wheel loader training simulator |
CN112801402A (zh) * | 2021-02-07 | 2021-05-14 | 三一重工股份有限公司 | 操作行为分析方法、装置、电子设备及存储介质 |
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 |
CN113502870B (zh) * | 2021-07-15 | 2023-02-07 | 上海三一重机股份有限公司 | 挖掘机工况判定方法及装置 |
-
2021
- 2021-10-28 CN CN202111262455.7A patent/CN113774985B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113774985A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260665B (zh) | 图像分割模型训练方法和装置 | |
CN112712498B (zh) | 移动终端执行的车辆定损方法、装置、移动终端、介质 | |
CN113688957A (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
CN112487898A (zh) | 搅拌站搅拌车进、卸口对齐自动判定方法、设备及系统 | |
CN113298263B (zh) | 计算图处理、模型运行方法及装置、设备、服务器及终端 | |
CN111899150A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN111310155B (zh) | 一种用于滑块验证码自动识别的系统架构及实现方法 | |
CN112966608A (zh) | 一种基于边端协同的目标检测方法、系统及存储介质 | |
CN111126209A (zh) | 车道线检测方法及相关设备 | |
CN111476349A (zh) | 一种模型测试方法及服务器 | |
CN113774985B (zh) | 作业机械的控制方法、装置、介质及作业机械 | |
CN112241659A (zh) | 违章建筑的检测装置和检测方法以及终端设备 | |
CN114445682A (zh) | 训练模型的方法、装置、电子设备、存储介质及产品 | |
CN114004873A (zh) | 作业区域平整度的检测方法、装置、设备、介质及产品 | |
CN109564635A (zh) | 人工智能设备、系统及其行为控制方法 | |
CN112560791A (zh) | 识别模型的训练方法、识别方法、装置及电子设备 | |
CN112650523A (zh) | 用于灰度发布的数据分流方法及装置、设备 | |
CN117058421A (zh) | 基于多头模型的图像检测关键点方法、系统、平台及介质 | |
CN111062827A (zh) | 一种基于人工智能模式的工程监理方法 | |
CN109800707A (zh) | 一种基于cnn模型的人脸识别方法、装置及存储介质 | |
CN113448668B (zh) | 一种跳过弹窗的方法、装置及电子设备 | |
CN118247640B (zh) | 基于人脸识别设备的端侧算力协同控制方法及装置 | |
CN116050590B (zh) | 基于激光扫描装置建立三维车船调度方法及装置 | |
KR102662335B1 (ko) | 비교 신경망 학습을 이용한 소프트웨어의 오동작 검출시스템 및 소프트웨어의 오동작 검출방법 | |
CN113806236B (zh) | 一种移动测试领域云真机一机多控的方法及系统 |
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 |