CN114511047B - 挖掘机工作模式识别方法、计算机设备及介质 - Google Patents
挖掘机工作模式识别方法、计算机设备及介质 Download PDFInfo
- Publication number
- CN114511047B CN114511047B CN202210412787.7A CN202210412787A CN114511047B CN 114511047 B CN114511047 B CN 114511047B CN 202210412787 A CN202210412787 A CN 202210412787A CN 114511047 B CN114511047 B CN 114511047B
- Authority
- CN
- China
- Prior art keywords
- statistical
- excavator
- operation parameter
- working mode
- same
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本发明实施例公开一种挖掘机工作模式识别方法、计算机设备及介质。在一具体实施方式中,该方法包括:获取多个挖掘机在不同工作模式下的多种类型的运行参数历史数据,将同一挖掘机在同一工作模式下的属于同一时段的同一种运行参数历史数据作为样本,并计算每一样本的多种类型的第一统计特征;对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的筛选,并根据相应的第一统计特征构建数据集;根据数据集训练机器学习模型;根据采集得到的待识别挖掘机的运行参数确定其对应筛选出的与运行参数对应的统计特征类型的第二统计特征,将第二统计特征输入已训练的机器学习模型进行识别,根据识别得到的概率确定待识别挖掘机的工作模式。
Description
技术领域
本发明涉及设备工作模式识别技术领域。更具体地,涉及一种挖掘机工作模式识别方法、计算机设备及介质。
背景技术
目前,在挖掘机的使用中,存在一定的作业效率低下,任务规划不合理的问题,为了更好体现挖掘机的多功能和高效运转,需要对每台挖掘机的状态进行监控,对挖掘机工作模式进行识别。现有的挖掘机工作模式识别方式存在难度大、成本高等问题。
发明内容
本发明的目的在于提供一种挖掘机工作模式识别方法、计算机设备及介质,以解决现有技术存在的问题中的至少一个。
为达到上述目的,本发明采用下述技术方案:
本发明第一方面提供了一种挖掘机工作模式识别方法,包括:
获取多个挖掘机在不同工作模式下的多种类型的运行参数历史数据,将同一挖掘机在同一工作模式下的属于同一时段的同一种运行参数历史数据作为样本,并计算每一样本的多种类型的第一统计特征;
对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的筛选,得到筛选出的与运行参数对应的统计特征类型,并根据对应所述与运行参数对应的统计特征类型的第一统计特征构建数据集;
根据所述数据集训练机器学习模型;
根据采集得到的待识别挖掘机的运行参数确定待识别挖掘机的对应所述筛选出的与运行参数对应的统计特征类型的第二统计特征,将所述第二统计特征输入已训练的机器学习模型进行识别,根据识别得到的工作模式概率确定所述待识别挖掘机的工作模式。
可选地,所述获取多个挖掘机在不同工作模式下的多种类型的运行参数历史数据,将同一挖掘机在同一工作模式下的属于同一时段的同一种运行参数历史数据作为样本,并计算每一样本的多种类型的第一统计特征包括:
获取多个挖掘机在不同工作模式下的多种类型的运行参数历史数据,根据获取的同一挖掘机在同一工作模式下的同一种运行参数历史数据衍生得到至少一种运行参数衍生历史数据,将同一挖掘机在同一工作模式下的属于同一时段的同一种运行参数历史数据及同一种运行参数衍生历史数据分别作为样本,并计算每一样本的多种类型的第一统计特征。
可选地,所述对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的筛选包括:计算每一种运行参数所对应的每一类型的第一统计特征的信息价值,将信息价值小于等于第一预设阈值的第一统计特征所对应的与运行参数对应的统计特征类型筛除。
可选地,所述对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的筛选,得到筛选出的与运行参数对应的统计特征类型包括:对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的第一次筛选,得到第一次筛选出的与运行参数对应的统计特征类型,并对对应第一次筛选出的与运行参数对应的统计特征类型的第一统计特征进行基于相关性的第二次筛选,得到筛选出的与运行参数对应的统计特征类型。
可选地,所述对对应第一次筛选出的与运行参数对应的统计特征类型的第一统计特征进行基于相关性的第二次筛选包括:对对应第一次筛选出的与运行参数对应的统计特征类型的第一统计特征中的每一对第一统计特征,分别计算皮尔逊相关系数的绝对值;将所述皮尔逊相关系数的绝对值大于第二预设阈值对应的一对第一统计特征中,信息价值较小的第一统计特征所对应的与运行参数对应的统计特征类型筛除。
可选地,所述机器学习模型为随机森林模型。
可选地,
所述根据所述数据集训练机器学习模型包括:将数据集中的数据均分为N份,以由N份数据组成的不同的N种训练集与测试集的组合,分别训练N个随机森林模型;
所述将所述第二统计特征输入已训练的机器学习模型进行识别,根据识别得到的工作模式概率确定所述待识别挖掘机的工作模式包括:将所述第二统计特征分别输入已训练的N个随机森林模型进行识别,根据识别得到的N个工作模式概率的均值确定所述待识别挖掘机的工作模式。
可选地,所述第一统计特征的类型包括均值、方差、中位数、最小值、最大值中的至少两种。
本发明第二方面提供了一种计算机设备,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本发明第一方面提供的挖掘机工作模式识别方法。
本发明第三方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明第一方面提供的挖掘机工作模式识别方法。
本发明的有益效果如下:
本发明所述技术方案,可精确快速识别挖掘机工作模式。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明的一个实施例可以应用于其中的示例性系统架构图。
图2示出本发明实施例提供的挖掘机工作模式识别方法的流程示意图。
图3示出随机森林模型的识别示意图。
图4示出实现本发明实施例提供的挖掘机工作模式识别装置的计算机系统的结构示意图。
具体实施方式
为了更清楚地说明本发明,下面结合实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
目前,在挖掘机的使用中,存在一定的作业效率低下,任务规划不合理的问题,为了更好体现挖掘机的多功能和高效运转,需要对每台挖掘机的状态进行监控,对挖掘机工作模式进行识别。现有的挖掘机工作模式识别方式存在难度大、成本高等问题。具体而言,现有的挖掘机工作模式识别方式主要包括两种,一种为通过拍摄挖掘机工作时的图像,对采集的图像进行处理以判断挖掘机目前所处的工作模式,这种基于图像处理技术的识别方式未考虑挖掘机本身的运行参数,且对拍摄的光照角度等要求较高,图像获取难度高;另一种为根据挖掘机的型号,对其进行动力学分析,从而判断挖掘机的工作模式,这个过程中需要测量挖掘机铲斗、小臂、大臂等部件的长度信息,再通过各个部件之间的角度计算出挖掘机的姿态,进而实现工作模式的识别,这种基于动力学分析的识别方式需要测量挖掘机的各部件的长度信息,但是挖掘机型号甚多,长度信息不易管理与测量。
有鉴于此,本发明实施例提供了一种挖掘机工作模式识别方法,包括:
获取多个挖掘机在不同工作模式下的多种类型的运行参数历史数据,将同一挖掘机在同一工作模式下的属于同一时段的同一种运行参数历史数据作为样本,并计算每一样本的多种类型的第一统计特征;
对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的筛选,得到筛选出的与运行参数对应的统计特征类型,并根据对应所述与运行参数对应的统计特征类型的第一统计特征构建数据集;
根据所述数据集训练机器学习模型;
根据采集得到的待识别挖掘机的运行参数确定待识别挖掘机的对应所述筛选出的与运行参数对应的统计特征类型的第二统计特征,将所述第二统计特征输入已训练的机器学习模型进行识别,根据识别得到的工作模式概率确定所述待识别挖掘机的工作模式。
本实施例提供的挖掘机工作模式识别方法,通过基于判别性的筛选后的运行参数的统计特征,利用已训练的机器学习模型来进行挖掘机的工作模式识别,可精确快速识别挖掘机工作模式,且识别的成本低、难度小,易于实现,适用于各种型号的挖掘机。
本实施例提供的挖掘机工作模式识别方法可以通过具有数据处理能力的计算机设备来实现,具体的,该计算机设备可以为具有数据处理能力的计算机,包括个人计算机(PC,Personal Computer)、小型机或者大型机,也可以是具有数据处理能力的服务器或者服务器集群等,本实施例对此不做限定。
为了便于理解本实施例的技术方案,下面结合图1对本实施例提供的上述方法在实际中的场景进行说明。参见图1,该场景包括训练服务器101和识别服务器102。在本实施例中,训练服务器101先根据作为训练集对机器学习模型进行训练,以得到训练后的机器学习模型。后续,识别服务器102可以利用训练服务器101训练得到的机器学习模型对作为输入数据的第二统计特征进行识别,根据识别得到的工作模式概率确定待识别挖掘机的工作模式,并输出。
需要注意的是,图1中的训练服务器101和识别服务器102在实际应用中,可以是独立的两个服务器,也可以是集成有模型训练功能和图像清晰度预测功能的服务器。当是独立的两个服务器时,两个服务器之间可通过网络进行通信,该网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等。
接下来,从具有数据处理能力的处理设备的角度,对本实施例提供的挖掘机工作模式识别方法进行说明。
本发明的一个实施例提供了一种挖掘机工作模式识别方法,如图2所示,包括如下步骤:
S210、获取多个挖掘机在不同工作模式下的多种类型的运行参数历史数据,将同一挖掘机在同一工作模式下的属于同一时段的同一种运行参数历史数据作为样本,并计算每一样本的多种类型的第一统计特征。
在一个具体示例中,挖掘机的运行参数例如包括泵电流、泵电压、液压油温度等,挖掘机的工作模式包括挖掘模式和破碎模式两种。例如,对于两个挖掘机—挖掘机A和挖掘机B,在已知工作模式的情况下,将挖掘机A的电流传感器在挖掘模式的一工作时段内的100个采样时刻感测的100个泵电流值作为样本a1,将挖掘机A的电压传感器在挖掘模式的一工作时段内的100个采样时刻感测的100个泵电压值作为样本a2,将挖掘机A的电流传感器在破碎模式的一工作时段内的80个采样时刻感测的80个泵电流值作为样本a3,将挖掘机B的电流传感器在挖掘模式的一工作时段内的50个采样时刻感测的50个泵电流值作为样本b1,等待。
在一种可能的实现方式中,第一统计特征的类型包括均值、方差、中位数、最小值、最大值中的至少两种。
在一种可能的实现方式中,步骤S210进一步包括:
获取多个挖掘机在不同工作模式下的多种类型的运行参数历史数据,根据获取的同一挖掘机在同一工作模式下的同一种运行参数历史数据衍生得到至少一种运行参数衍生历史数据,将同一挖掘机在同一工作模式下的属于同一时段的同一种运行参数历史数据及同一种运行参数衍生历史数据分别作为样本,并计算每一样本的多种类型的第一统计特征。
在一个具体示例中,对已有运行参数数据进行新的参数衍生例如:计算两个泵之间的压差、流量差等新的参数,作为运行参数衍生历史数据。
S220、对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的筛选,得到筛选出的与运行参数对应的统计特征类型,并根据对应与运行参数对应的统计特征类型的第一统计特征构建数据集。
在一种可能的实现方式中,对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的筛选包括:计算每一种运行参数所对应的每一类型的第一统计特征的信息价值,将信息价值小于等于第一预设阈值的第一统计特征所对应的与运行参数对应的统计特征类型筛除。
在一个具体示例中,对统计特征进行信息基于判别性(判别性是指不同工作模式下,统计特征的差异明显程度)的筛选例如:通过对每个统计特征计算信息价值(IV,InformationValue),并保留IV值大于第一预设阈值0.1的统计特征,筛除IV值小于等于第一预设阈值0.1的统计特征,来得到具有判别性的与运行参数对应的统计特征类型(例如液压油温度的方差)。
例如,统计特征F的IV值具体计算步骤如下:
(d)根据以下公式计算统计特征F的总信息价值 IV:
在一种可能的实现方式中,对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的筛选,得到筛选出的与运行参数对应的统计特征类型包括:对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的第一次筛选,得到第一次筛选出的与运行参数对应的统计特征类型,并对对应第一次筛选出的与运行参数对应的统计特征类型的第一统计特征进行基于相关性的第二次筛选,得到筛选出的与运行参数对应的统计特征类型。
在一种可能的实现方式中,对对应第一次筛选出的与运行参数对应的统计特征类型的第一统计特征进行基于相关性的第二次筛选包括:对对应第一次筛选出的与运行参数对应的统计特征类型的第一统计特征中的每一对第一统计特征,分别计算皮尔逊相关系数的绝对值;将皮尔逊相关系数的绝对值大于第二预设阈值对应的一对第一统计特征中,信息价值较小的第一统计特征所对应的与运行参数对应的统计特征类型筛除。
对进行特征判别性筛选后的统计特征进行相似性筛选,可保证最终筛选出的与运行参数对应的统计特征类型,彼此之间具有差异性,以避免相似的统计特征类型造成的冗余。
在一个具体示例中,相似性筛选通过计算两两统计特征之间的Pearson相关系数的绝对值,保留Pearson相关系数绝对值小于等于第二预设阈值0.7的统计特征所对应的与运行参数对应的统计特征类型,而对于两个Pearson相关系数绝对值大于0.7的两个统计特征来说,筛除其中IV值较小的统计特征所对应的与运行参数对应的统计特征类型;
例如,计算两个统计特征F1与F2之间的Pearson相关系数计算步骤如下:
b)根据如下公式计算两个统计特征F1与F2之间的相似性:
除皮尔逊(Pearson )相关系数(Pearson correlation coefficient)之外,也可采用斯皮尔曼(Spearman )相关系数或肯德尔(Kendall)相关系数。
S230、根据数据集训练机器学习模型。
在一种可能的实现方式中,机器学习模型为随机森林模型。
在一个具体示例中,如图3所示,随机森林模型的识别(或者说分类、预测)原理是用多颗树的学习结果进行投票。假设数据具有N个样本,M个特征,随机森林中每棵树具体的构造步骤如下:
(1)从N个样本中以有放回的抽样方式(每次随机选择一个样本,然后返回继续选择),取样N次,得到一棵树的训练集;
(2)在选取树中每个分裂节点时,从特征M中随机选取m个作为每次分裂节点的特征集;
(3)对每个节点,从m个特征中计算信息增益,选取信息增益最大的特征作为分裂特征,并针对该特征计算最佳的分裂方式;
(4)重复执行步骤(2)~(3),直到剩下样本均为同一类别,或者样本个数只剩下一个。
S240、根据采集得到的待识别挖掘机的运行参数确定待识别挖掘机的对应筛选出的与运行参数对应的统计特征类型的第二统计特征,将第二统计特征输入已训练的机器学习模型进行识别,根据识别得到的工作模式概率确定待识别挖掘机的工作模式。
在一种可能的实现方式中,
步骤S230进一步包括:将数据集中的数据均分为N份,以由N份数据组成的不同的N种训练集与测试集的组合,分别训练N个随机森林模型;
且,步骤S240中的将第二统计特征输入已训练的机器学习模型进行识别,根据识别得到的工作模式概率确定待识别挖掘机的工作模式包括:将第二统计特征分别输入已训练的N个随机森林模型进行识别,根据识别得到的N个工作模式概率的均值确定待识别挖掘机的工作模式。
由于数据集中的训练数据数量有限,因此本实现方式采用五折堆叠的方法进行训练,具体的训练方法例如:
1)将数据集中的训练数据均分成5份,分别为S1、S2、S3、S4和S5;
2)按照表1的数据配置方式,分别训练五个随机森林模型 RF1、RF2、RF3、RF4和RF5
表1
根据采集得到的待识别挖掘机的运行参数,计算得到筛选出的与运行参数对应的
统计特征类型(例如液压油温度的方差和泵电压的均值)所对应的第二统计特征,输入训练
后的5个随机森林模型(RF1、RF2、RF3、RF4和RF5),得到5个模型对该样本识别为破碎模式的
概率P1、P2、P3、P4和P5,对这5个概率求平均,得到, 若则识别为破碎模式,否
则识别为挖掘模式,即可得到待识别挖掘机的工作模式。
综上,本实施例提供的挖掘机工作模式识别方法,通过基于判别性的筛选后的运行参数的统计特征,利用已训练的机器学习模型来进行挖掘机的工作模式识别,可精确快速地自动识别挖掘机工作模式,且识别的成本低、难度小,易于实现,适用于各种型号的挖掘机。相比于现有的基于图像处理技术的识别方式和基于动力学分析的识别方式,不用考虑对拍照的光线角度的高要求,也不用去测量每个型号的挖掘机的大臂、小臂等部件的尺寸,避免后续需要对新型号的挖掘机进行工作模式识别时需要对尺寸进行预先测量。
本发明的另一个实施例提供了一种挖掘机工作模式识别装置,包括:
计算模块,用于获取多个挖掘机在不同工作模式下的多种类型的运行参数历史数据,将同一挖掘机在同一工作模式下的属于同一时段的同一种运行参数历史数据作为样本,并计算每一样本的多种类型的第一统计特征;
筛选模块,用于对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的筛选,得到筛选出的与运行参数对应的统计特征类型,并根据对应所述与运行参数对应的统计特征类型的第一统计特征构建数据集;
训练模块,用于根据所述数据集训练机器学习模型;
识别模块,用于根据采集得到的待识别挖掘机的运行参数确定待识别挖掘机的对应所述筛选出的与运行参数对应的统计特征类型的第二统计特征,将所述第二统计特征输入已训练的机器学习模型进行识别,根据识别得到的工作模式概率确定所述待识别挖掘机的工作模式。
需要说明的是,本实施例提供的挖掘机工作模式识别装置的原理及工作流程与上述挖掘机工作模式识别方法相似,相关之处可以参照上述说明,在此不再赘述。
如图4所示,适于用来实现上述实施例提供的挖掘机工作模式识别装置的计算机系统,包括中央处理模块(CPU),其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM 中,还存储有计算机系统操作所需的各种程序和数据。CPU 、ROM以及RAM通过总线被此相连。输入/输入(I/O)接口也连接至总线。
以下部件连接至I/O接口: 包括键盘、鼠标等的输入部分;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分; 包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地,根据本实施例,上文流程图描述的过程可以被实现为计算机软件程序。例如,本实施例包括一种计算机程序产品,其包括有形地包含在计算机可读介质上的计算机程序,上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。
附图中的流程图和示意图,图示了本实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或示意图中的每个方框可以代表一个模块、程序段或代码的一部分,上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器,包括计算模块、筛选模块,训练模块和识别模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。例如,筛选模块还可以被描述为“构建模块”。
作为另一方面,本实施例还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质,也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当上述一个或者多个程序被一个设备执行时,使得上述设备:获取多个挖掘机在不同工作模式下的多种类型的运行参数历史数据,将同一挖掘机在同一工作模式下的属于同一时段的同一种运行参数历史数据作为样本,并计算每一样本的多种类型的第一统计特征;对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的筛选,得到筛选出的与运行参数对应的统计特征类型,并根据对应所述与运行参数对应的统计特征类型的第一统计特征构建数据集;根据所述数据集训练机器学习模型;根据采集得到的待识别挖掘机的运行参数确定待识别挖掘机的对应所述筛选出的与运行参数对应的统计特征类型的第二统计特征,将所述第二统计特征输入已训练的机器学习模型进行识别,根据识别得到的工作模式概率确定所述待识别挖掘机的工作模式。
在本发明的描述中,需要说明的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
还需要说明的是,在本发明的描述中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于本领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种挖掘机工作模式识别方法,其特征在于,包括:
获取多个挖掘机在不同工作模式下的多种类型的运行参数历史数据,将同一挖掘机在同一工作模式下的属于同一时段的同一种运行参数历史数据作为样本,并计算每一样本的多种类型的第一统计特征;
对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的筛选,得到筛选出的与运行参数对应的统计特征类型,并根据对应所述与运行参数对应的统计特征类型的第一统计特征构建数据集;
根据所述数据集训练机器学习模型;
根据采集得到的待识别挖掘机的运行参数确定待识别挖掘机的对应所述筛选出的与运行参数对应的统计特征类型的第二统计特征,将所述第二统计特征输入已训练的机器学习模型进行识别,根据识别得到的工作模式概率确定所述待识别挖掘机的工作模式。
2.根据权利要求1所述的方法,其特征在于,所述获取多个挖掘机在不同工作模式下的多种类型的运行参数历史数据,将同一挖掘机在同一工作模式下的属于同一时段的同一种运行参数历史数据作为样本,并计算每一样本的多种类型的第一统计特征包括:
获取多个挖掘机在不同工作模式下的多种类型的运行参数历史数据,根据获取的同一挖掘机在同一工作模式下的同一种运行参数历史数据衍生得到至少一种运行参数衍生历史数据,将同一挖掘机在同一工作模式下的属于同一时段的同一种运行参数历史数据及同一种运行参数衍生历史数据分别作为样本,并计算每一样本的多种类型的第一统计特征。
3.根据权利要求1所述的方法,其特征在于,所述对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的筛选包括:计算每一种运行参数所对应的每一类型的第一统计特征的信息价值,将信息价值小于等于第一预设阈值的第一统计特征所对应的与运行参数对应的统计特征类型筛除。
4.根据权利要求1所述的方法,其特征在于,所述对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的筛选,得到筛选出的与运行参数对应的统计特征类型包括:对每一种运行参数所对应的每一类型的第一统计特征进行基于判别性的第一次筛选,得到第一次筛选出的与运行参数对应的统计特征类型,并对对应第一次筛选出的与运行参数对应的统计特征类型的第一统计特征进行基于相关性的第二次筛选,得到筛选出的与运行参数对应的统计特征类型。
5.根据权利要求4所述的方法,其特征在于,所述对对应第一次筛选出的与运行参数对应的统计特征类型的第一统计特征进行基于相关性的第二次筛选包括:对对应第一次筛选出的与运行参数对应的统计特征类型的第一统计特征中的每一对第一统计特征,分别计算皮尔逊相关系数的绝对值;将所述皮尔逊相关系数的绝对值大于第二预设阈值对应的一对第一统计特征中,信息价值较小的第一统计特征所对应的与运行参数对应的统计特征类型筛除。
6.根据权利要求1所述的方法,其特征在于,所述机器学习模型为随机森林模型。
7.根据权利要求6所述的方法,其特征在于,
所述根据所述数据集训练机器学习模型包括:将数据集中的数据均分为N份,以由N份数据组成的不同的N种训练集与测试集的组合,分别训练N个随机森林模型;
所述将所述第二统计特征输入已训练的机器学习模型进行识别,根据识别得到的工作模式概率确定所述待识别挖掘机的工作模式包括:将所述第二统计特征分别输入已训练的N个随机森林模型进行识别,根据识别得到的N个工作模式概率的均值确定所述待识别挖掘机的工作模式。
8.根据权利要求1所述的方法,其特征在于,所述第一统计特征的类型包括均值、方差、中位数、最小值、最大值中的至少两种。
9.一种计算机设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412787.7A CN114511047B (zh) | 2022-04-20 | 2022-04-20 | 挖掘机工作模式识别方法、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412787.7A CN114511047B (zh) | 2022-04-20 | 2022-04-20 | 挖掘机工作模式识别方法、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114511047A CN114511047A (zh) | 2022-05-17 |
CN114511047B true CN114511047B (zh) | 2022-07-08 |
Family
ID=81555499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210412787.7A Active CN114511047B (zh) | 2022-04-20 | 2022-04-20 | 挖掘机工作模式识别方法、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511047B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797883A (zh) * | 2019-09-30 | 2020-10-20 | 浙江浙能中煤舟山煤电有限责任公司 | 一种基于随机森林的煤种识别方法 |
CN112232892A (zh) * | 2020-12-14 | 2021-01-15 | 南京华苏科技有限公司 | 基于移动运营商的满意度的易访用户的挖掘方法 |
CN113128568A (zh) * | 2021-03-26 | 2021-07-16 | 广州大学 | 一种挖掘机活动识别方法、系统、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699717B (zh) * | 2013-12-10 | 2019-01-18 | 中国银联股份有限公司 | 数据挖掘方法 |
-
2022
- 2022-04-20 CN CN202210412787.7A patent/CN114511047B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797883A (zh) * | 2019-09-30 | 2020-10-20 | 浙江浙能中煤舟山煤电有限责任公司 | 一种基于随机森林的煤种识别方法 |
CN112232892A (zh) * | 2020-12-14 | 2021-01-15 | 南京华苏科技有限公司 | 基于移动运营商的满意度的易访用户的挖掘方法 |
CN113128568A (zh) * | 2021-03-26 | 2021-07-16 | 广州大学 | 一种挖掘机活动识别方法、系统、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114511047A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Doucette et al. | Automated road extraction from high resolution multispectral imagery | |
US8037533B2 (en) | Detecting method for network intrusion | |
CN109088869B (zh) | Apt攻击检测方法及装置 | |
CN114742477B (zh) | 企业订单数据处理方法、装置、设备及存储介质 | |
CN111460312A (zh) | 空壳企业识别方法、装置及计算机设备 | |
CN112581438B (zh) | 切片图像识别方法、装置和存储介质及电子设备 | |
EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
CN112367273B (zh) | 基于知识蒸馏的深度神经网络模型的流量分类方法及装置 | |
CN112202718B (zh) | 一种基于XGBoost算法的操作系统识别方法、存储介质及设备 | |
CN114553591B (zh) | 随机森林模型的训练方法、异常流量检测方法及装置 | |
CN109471853A (zh) | 数据降噪方法、装置、计算机设备和存储介质 | |
CN104391879A (zh) | 层次聚类的方法及装置 | |
CN111123223A (zh) | 用于雷达健康管理的通用开发平台、管理系统及方法 | |
CN115834221A (zh) | 一种网络安全智能分析方法、系统、设备和存储介质 | |
CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及系统 | |
CN111597399A (zh) | 基于数据融合的计算机数据处理系统及方法 | |
CN114511047B (zh) | 挖掘机工作模式识别方法、计算机设备及介质 | |
CN114067268A (zh) | 一种电力作业现场安全帽检测及身份识别方法及装置 | |
CN116484109B (zh) | 基于人工智能的客户画像分析系统及方法 | |
CN111666441A (zh) | 确定人员身份类型的方法、装置和电子系统 | |
CN110929877A (zh) | 基于迁移学习的模型建立方法、装置、设备及存储介质 | |
CN115001394B (zh) | 基于人工智能的太阳能电池状态监测方法及系统 | |
CN116956282A (zh) | 基于网络资产内存时间序列多特征数据的异常检测系统 | |
CN109040155B (zh) | 资产识别方法和计算机设备 | |
US11454243B2 (en) | Artificial intelligence training method for a target model based on the label matrix |
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 |