CN113887327A - Gwo-svm的装载机循环工况作业阶段识别方法 - Google Patents
Gwo-svm的装载机循环工况作业阶段识别方法 Download PDFInfo
- Publication number
- CN113887327A CN113887327A CN202111062049.6A CN202111062049A CN113887327A CN 113887327 A CN113887327 A CN 113887327A CN 202111062049 A CN202111062049 A CN 202111062049A CN 113887327 A CN113887327 A CN 113887327A
- Authority
- CN
- China
- Prior art keywords
- wolf
- svm
- loader
- data
- gwo
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000006073 displacement reaction Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 4
- 241000282461 Canis lupus Species 0.000 claims description 75
- 239000013598 vector Substances 0.000 claims description 27
- 238000012706 support-vector machine Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 239000000446 fuel Substances 0.000 abstract description 4
- 239000000463 material Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- -1 gravel Substances 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本发明公开了一种GWO‑SVM的装载机循环工况作业阶段识别方法。本方法将工作泵出口、动臂位移、转斗大小腔作为监测点,同步采集标准循环工况下的压力数据、动臂位移以及挡位信号,将得到的数据作为特征值;使用GWO‑SVM进行优化识别。从而能够准确识别出装载机循环工况的不同作业阶段,进而能够满足装载机不同作业阶段采取针对性控制方式,提高发动机的功率利用率,提升装载机的燃油经济性。
Description
技术领域
本发明涉及一种实时识别装载机循环工况作业阶段的方法,属于装载机技术领域。
背景技术
装载机是一种广泛用于公路、铁路、建筑、水电、港口、矿山等建设工程的土石方施工机械,它主要用于铲装土壤、砂石、石灰、煤炭等散状物料,也可对矿石、硬土等作轻度铲挖作业。换装不同的辅助工作装置还可进行推土、起重和其他物料如木材的装卸作业。循环作业是装载机最典型的作业形式,完整的循环作业一般包括空载前进、铲装、负载后退、负载前进、卸料和空载后退六个阶段,每个阶段的状态都不相同,对发动机的功率需求呈现明显的阶梯性和周期性,若使用同一发动机功率,必然会使发动机处于部分负荷状态,存在功率损失,降低燃油经济性。因此,在装载机不同作业阶段采取针对性控制方式,则既能满足作业要求,又能提高发动机的功率利用率,从而提升装载机的燃油经济性。但是,要实现装载机的分阶段控制,首先要识别出装载机所处的实时作业阶段。
发明内容
针对上述问题,本发明提供一种GWO-SVM的装载机循环工况作业阶段识别方法,用以识别出装载机所处的实时作业阶段,进而实现对装载机的分阶段控制。
为实现上述目的,本发明采用的技术方案是:一种GWO-SVM的装载机循环工况作业阶段识别方法,包括如下步骤:
(1)采集装载机作业时工作泵出口、转斗无杆腔的实时压力数据,动臂缸的位移并获取挡位信号数据;
(2)以实时压力数据和挡位信号通过支持向量机(SVM)找到超平面,建立SVM模型;
(3)根据灰狼算法(GWO)对上述SVM模型进行参数优化,得到理论最优GWO-SVM模型。
在上述方案的基础上,作为优选,装载机循环工况作业阶段的GWO-SVM模型建立包括:
将采集的数据按空载前进、铲装、重载后退、重载前进、卸料和空载后退分为六个作业阶段,并给数据打好标签;
将数据分划为训练集和测试集,通过SVM一对多(one-vs-rest)进行分类器训练,得到默认参数的装载机作业阶段SVM识别模型;
运用灰狼算法(GWO)对上述SVM模型的惩罚参数C和参数g进行优化。
在上述方案的基础上,作为优选,采集得到的压力数据去除奇异点并滤波,然后将每次的循环工况的数据归一化处理,使其线性调整到[0,1],归一化后,将所得数据一分为二,得到训练集和测试集。
在上述方案的基础上,作为优选,通过SVM一对多(one-vs-rest)进行分类器训练由于该数据包含六个分类,给定6个类,需要训练6个二类分类器。其中的分类器i是将i类数据设置为类1(正类),其它所有m-1个i类以外的类共同设置为类2(负类),这样,针对每一个类都需要训练一个二类分类器,最后,我们一共有6个分类器。对于一个需要分类的数据x,通常选择置信度最大的类别标记为分类结果。标准SVM处理步骤如下:
I.创建一个逻辑向量(indx),指示观测值是否为该类的成员;
II.使用预测变量数据和indx训练SVM分类器;
III.将该分类器储存在元胞数组的一个元胞中。
IV.将每个新观测值与给它最高分数的分类器相关联。
在上述方案的基础上,作为优选,运用灰狼算法(GWO)对惩罚参数C和参数g进行优化,GWO模拟自然界中狼群的等级制度和狩猎行为,设有狼群集合x={x1,x2,…,xN},狼群总数为N。将狼群集合划分为α、β、σ、ω四组,其中α组为个体适应度最高的狼群,β、σ组狼群个体适应度次之,剩余狼群个体为ω组。由α、β、σ组狼群进行狩猎活动,ω组则进行跟踪围剿。个体与猎物之间的距离
D=|CoXp(t)-X(t)|
预设定随机系数向量A,最大迭代次数max。灰狼个体更新的位置
X(t+1)=Xp(t)-AD
随机系数向量
A=2ar2-a
另一随机系数向量
C=2r1
收敛因子
a=2-2(t/max)
式中t——迭代次数;
Xp——猎物位置
X——灰狼个体的位置;
r1、r2——[0,1]内的随机向量。
α、β、σ组的狼群为距离猎物最近的狼群,ω组狼群则可通过对其方位的判断推算出猎物的位置,其数学表达式
式中Xα、Xβ、Xσ——α、β、σ组狼群的当前位置;
Xω——当前灰狼的位置;
Dα、Dβ、Dσ——当前灰狼与α、β、σ组的距离;
A1、A2、A3、C1、C2、C3——对应α、β、σ组的系数向量;
X1、X2、X3——对应α、β、σ组的矢量向量。
在每次迭代过程中α狼距离猎物的距离均是最近的,可以通过X(t+1)代中的α狼来计算猎物的方向,从而求出α狼、β狼以及σ狼和猎物之间的距离,输出α狼的位置为全局最优解。最后,根据灰狼算法所得最优解设置装载机作业阶段理论最佳SVM识别模型。
与现有技术相比,本发明的有益效果是:
本发明基于GWO-SVM,在装载机作业时,采集工作泵出口、动臂无杆腔和转斗无杆腔三个监测点的压力数据,以及挡位信号数据,利用监测点的压力数据和挡位信号数据建立SVM模型,再利用灰狼算法(GWO)对SVM模型的惩罚参数C和参数g进行优化,理论最优SVM模型。从而能够准确识别出装载机的循环工况,进而能够满足装载机不同作业阶段采取针对性控制方式,提高发动机的功率利用率,提升装载机的燃油经济性。
相比现有的CN 111259989 A中公开的基于采集工作泵出口、动臂无杆腔和转斗无杆腔三个监测点的压力数据,以及车速和挡位信号数据,利用监测点的压力数据和车速数据建立特征向量,通过计算特征向量和装载机循环工况作业阶段的标准特征向量的距离,并结合挡位信号数据,识别装载机处于的作业阶段,并进行识别校正的方法,本方法的优势在于:
1.由于位移信号较压力信号比较稳定,将动臂无杆腔信号替换为动臂缸位移信号,准确率有明显提高。
2.GWO-SVM较距离法在响应速度上有大幅度提升。
3.GWO-SVM模型较距离法模型在准确率上有明显优势。
附图说明
下面结合附图对本发明作进一步的说明:
图1是SVM识别的流程示意图;
图2是GWO-SVM优化的流程图;
具体实施方式
下面,结合附图对本发明做进一步的详细说明
本发明采用建立在统计学习理论基础上的支持向量机(Support VectorMachine,SVM)作为识别分类器,并引入灰狼算法(GWO)优化SVM分类器的惩罚因子C及参数g,利用最优参数组合SVM模型对装载机循环工况工作阶段进行识别。
一种GWO-SVM的装载机循环工况作业阶段识别方法,包括如下步骤:
(1)采集装载机作业时工作泵出口、转斗无杆腔的实时压力数据,动臂缸的位移并获取挡位信号数据;
(2)将采集的数据按空载前进、铲装、负载后退、负载前进、卸料和空载后退分为六个阶段,并为相应的数据打上标签;
(3)具体的,采集得到的数据去除奇异点并滤波,然后将每次的循环工况的压力及挡位数据归一化处理,使其线性调整到[0,1];
(4)使用SVM一对多(one-vs-rest)对数据进行处理。由于该数据包含六个分类,给定6个类,需要训练6个二类分类器。其中的分类器i是将i类数据设置为类1(正类),其它所有m-1个i类以外的类共同设置为类2(负类),这样,针对每一个类都需要训练一个二类分类器,最后,我们一共有6个分类器。对于一个需要分类的数据x,通常选择置信度最大的类别标记为分类结果。标准SVM处理步骤如下:
I.创建一个逻辑向量(indx),指示观测值是否为该类的成员;
II.使用预测变量数据和indx训练SVM分类器;
III.将该分类器储存在元胞数组的一个元胞中。
IV.将每个新观测值与给它最高分数的分类器相关联。
(5)由于标准SVM使用默认惩罚参数C和参数g,分辨率并未达到理想要求,为寻求最佳参数c和g,此处我们引入灰狼优化算法(GWO)。GWO模拟自然界中狼群的等级制度和狩猎行为,设有狼群集合x={x1,x2,…,xN},狼群总数为N。将狼群集合划分为α、β、σ、ω四组,其中α组为个体适应度最高的狼群,β、σ组狼群个体适应度次之,剩余狼群个体为ω组。由α、β、σ组狼群进行狩猎活动,ω组则进行跟踪围剿。个体与猎物之间的距离
D=|CoXp(t)-X(t)|
预设定随机系数向量A,最大迭代次数max。灰狼个体更新的位置
X(t+1)=Xp(t)-AD
随机系数向量
A=2ar2-a
另一随机系数向量
C=2r1
收敛因子
a=2-2(t/max)
式中t——迭代次数;
Xp——猎物位置
X——灰狼个体的位置;
r1、r2——[0,1]内的随机向量。
α、β、σ组的狼群为距离猎物最近的狼群,ω组狼群则可通过对其方位的判断推算出猎物的位置,其数学表达式
式中Xα、Xβ、Xσ——α、β、σ组狼群的当前位置;
Xω——当前灰狼的位置;
Dα、Dβ、Dσ——当前灰狼与α、β、σ组的距离;
A1、A2、A3、C1、C2、C3——对应α、β、σ组的系数向量;
X1、X2、X3——对应α、β、σ组的矢量向量。
在每次迭代过程中α狼距离猎物的距离均是最近的,可以通过X(t+1)代中的α狼来计算猎物的方向,从而求出α狼、β狼以及σ狼和猎物之间的距离,输出α狼的位置为全局最优解。
(6)最终得出最佳惩罚因子C及参数g,获得理论最优SVM模型。
Claims (6)
1.一种GWO-SVM的装载机循环工况作业阶段识别方法,其特征在于,包括如下步骤:
(1)采集装载机作业时工作泵出口、转斗无杆腔的实时压力数据,动臂缸的位移并获取挡位信号数据;
(2)以实时压力数据和挡位信号通过支持向量机找到超平面,建立SVM模型;
(3)根据灰狼算法对所述的SVM模型进行参数优化,得到理论最优模型。
2.根据权利要求1所述GWO-SVM的装载机循环工况作业阶段识别方法,其特征在于,
装载机循环工况作业阶段的GWO-SVM模型建立包括:
将采集的数据按空载前进、铲装、重载后退、重载前进、卸料和空载后退分为六个作业阶段,并给数据打好标签;
将数据分划为训练集和测试集,通过SVM一对多进行分类器训练,得到默认参数的装载机作业阶段SVM识别模型;
运用灰狼算法对上述SVM模型的惩罚参数C和参数g进行优化得到GWO-SVM模型。
3.根据权力要求2所述GWO-SVM的装载机循环工况作业阶段识别方法,其特征在于,采集装载机作业时工作泵出口、转斗无杆腔的实时压力数据,动臂缸的位移以及取挡位信号数据,将得到的数据去除奇异点并滤波,然后将每次的循环工况的压力及挡位数据归一化处理,使其线性调整到[0,1],归一化后,将所得数据一分为二,得到训练集和测试集。
4.根据权利要求3所述GWO-SVM的装载机循环工况作业阶段识别方法,其特征在于,通过SVM一对多进行分类器训练的数据包含六个分类,给定6个类,训练6个二类分类器,其中,分类器i是将i类数据设置为类1,其它所有m-1个i类以外的类共同设置为类2。
5.根据权利要求4所述GWO-SVM的装载机循环工况作业阶段识别方法,其特征在于,对于一个需要分类的数据x,通常选择置信度最大的类别标记为分类结果,标准SVM处理步骤如下:
I.创建一个逻辑向量(indx),指示观测值是否为该类的成员;
II.使用预测变量数据和indx训练SVM分类器;
III.将该分类器储存在元胞数组的一个元胞中;
IV.将每个新观测值与给它最高分数的分类器相关联。
6.如权利要求5所述GWO-SVM的装载机循环工况作业阶段识别方法,其特征在于,运用灰狼算法对惩罚参数C和参数g进行优化,灰狼算法模拟自然界中狼群的等级制度和狩猎行为,设有狼群集合x={x1,x2,…,xN},狼群总数为N,将狼群集合划分为α、β、σ、ω四组,其中α组为个体适应度最高的狼群,β、σ组狼群个体适应度次之,剩余狼群个体为ω组。由α、β、σ组狼群进行狩猎活动,ω组则进行跟踪围剿,个体与猎物之间的距离
D=|CoXp(t)-X(t)|
预设定随机系数向量A,最大迭代次数max,灰狼个体更新的位置
X(t+1)=Xp(t)-AD
随机系数向量
A=2ar2-a
另一随机系数向量
C=2r1
收敛因子
a=2-2(t/max)
式中t——迭代次数;
Xp——猎物位置
X——灰狼个体的位置;
r1、r2——[0,1]内的随机向量。
α、β、σ组的狼群为距离猎物最近的狼群,ω组狼群则可通过对其方位的判断推算出猎物的位置,其数学表达式
式中Xα、Xβ、Xσ——α、β、σ组狼群的当前位置;
Xω——当前灰狼的位置;
Dα、Dβ、Dσ——当前灰狼与α、β、σ组的距离;
A1、A2、A3、C1、C2、C3——对应α、β、σ组的系数向量;
X1、X2、X3——对应α、β、σ组的矢量向量。
在每次迭代过程中α狼距离猎物的距离均是最近的,可以通过X(t+1)代中的α狼来计算猎物的方向,从而求出α狼、β狼以及σ狼和猎物之间的距离,输出α狼的位置为全局最优解,最后,根据灰狼算法所得最优解设置装载机作业阶段理论最佳SVM识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062049.6A CN113887327A (zh) | 2021-09-10 | 2021-09-10 | Gwo-svm的装载机循环工况作业阶段识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062049.6A CN113887327A (zh) | 2021-09-10 | 2021-09-10 | Gwo-svm的装载机循环工况作业阶段识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887327A true CN113887327A (zh) | 2022-01-04 |
Family
ID=79008797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111062049.6A Pending CN113887327A (zh) | 2021-09-10 | 2021-09-10 | Gwo-svm的装载机循环工况作业阶段识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887327A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111259989A (zh) * | 2020-02-27 | 2020-06-09 | 淮阴工学院 | 一种装载机循环工况作业阶段识别方法 |
CN111368892A (zh) * | 2020-02-27 | 2020-07-03 | 合肥工业大学 | 一种广义s变换和svm的电能质量扰动高效识别方法 |
-
2021
- 2021-09-10 CN CN202111062049.6A patent/CN113887327A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111259989A (zh) * | 2020-02-27 | 2020-06-09 | 淮阴工学院 | 一种装载机循环工况作业阶段识别方法 |
CN111368892A (zh) * | 2020-02-27 | 2020-07-03 | 合肥工业大学 | 一种广义s变换和svm的电能质量扰动高效识别方法 |
Non-Patent Citations (2)
Title |
---|
CORINNA CORTES等: "Support-vector networks", 《MACHINE LEARNING》, 1 September 1995 (1995-09-01) * |
陈闯;RYAD CHELLALI;邢尹;: "改进GWO优化SVM的语音情感识别研究", 计算机工程与应用, no. 16, 11 August 2017 (2017-08-11) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033730A (zh) | 一种基于改进的粒子群优化算法的刀具磨损预测方法 | |
CN113281029B (zh) | 一种基于多尺度网络结构的旋转机械故障诊断方法及系统 | |
CN108549962B (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
CN104408260A (zh) | 一种潮流能水轮机叶片翼型设计方法 | |
CN102054002A (zh) | 一种数据挖掘系统中决策树的生成方法及装置 | |
CN111639461B (zh) | 针对工业不均衡数据的刀具磨损状态检测方法 | |
CN102877500A (zh) | 一种挖掘机工作循环阶段自动识别方法 | |
CN111444642B (zh) | 一种基于多目标遗传算法的复合材料螺旋桨铺层优化方法 | |
Xiao et al. | Simplified salp swarm algorithm | |
CN103824291A (zh) | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 | |
CN103440525A (zh) | 基于Vague值相似度量改进算法的城市湖库水华应急治理多目标多层次决策方法 | |
CN114330122A (zh) | 一种基于机器学习的水轮发电机组大轴轴线调整方法 | |
Cao et al. | Intelligent energy-saving operation of wheel loader based on identifiable materials | |
CN113887327A (zh) | Gwo-svm的装载机循环工况作业阶段识别方法 | |
CN115952590A (zh) | 基于bo-rf-mompa混合算法的盾构隧道优化设计方法及设备 | |
CN113343487A (zh) | 基于大数据分析的电动推土机用电池试验方案的生成方法 | |
CN109657647A (zh) | 一种基于信息融合技术的水电机组故障诊断方法 | |
CN106296474B (zh) | 一种装载机作业工况难易程度识别方法 | |
CN112711985A (zh) | 基于改进solo网络的果实识别方法、装置及果实采摘机器人 | |
CN115642655B (zh) | 一种水电厂多机组负荷分配优化方法及系统 | |
CN110109904A (zh) | 一种面向环保大数据的水质软测量方法 | |
CN112991402B (zh) | 一种基于改进差分进化算法的文物点云配准方法及系统 | |
CN115618480A (zh) | 一种基于遗传算法的挖泥船能耗优化方法及系统 | |
CN106121651B (zh) | 拉斗铲智能化辅助作业方法及装置 | |
CN114595742A (zh) | 一种燃料电池故障数据采样方法及系统 |
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 |