CN114792067A - 一种基于ResNet神经网络的挖掘机工作阶段分类识别方法 - Google Patents
一种基于ResNet神经网络的挖掘机工作阶段分类识别方法 Download PDFInfo
- Publication number
- CN114792067A CN114792067A CN202210365910.4A CN202210365910A CN114792067A CN 114792067 A CN114792067 A CN 114792067A CN 202210365910 A CN202210365910 A CN 202210365910A CN 114792067 A CN114792067 A CN 114792067A
- Authority
- CN
- China
- Prior art keywords
- pilot pressure
- excavator
- bucket
- working
- data
- 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
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Operation Control Of Excavators (AREA)
Abstract
一种基于ResNet神经网络的挖掘机工作阶段分类识别方法,属于工程机械挖掘机技术领域。本方法以挖掘机动作导致其先导压力的变化作为划分工作阶段的依据,将挖掘机的一个作业循环划分成多个工作阶段。以各工作阶段开始一段时间内的挖掘机各机构先导压力值和泵出口压力值作为该工作阶段的开始标志,借助ResNet神经网络结合挖掘机各机构先导压力和泵出口压力的历史数据和当前数据判断挖掘机当前所处的工作阶段。
Description
技术领域
本发明属于工程机械挖掘机技术领域,具体涉及一种基于ResNet神经网络的挖掘机工作阶段分类识别方法。
背景技术
挖掘机是工程机械的主要产品之一,具有耐用、动力强、力度大等优点,由于其在恶劣多变作业环境下的强适应性和高灵活性,使其被广泛应用于城市建设、建筑行业、矿产资源勘探行业等施工场地。
目前挖掘机产品上仍存在一些缺陷,如能量消耗大,能量利用率不高,不节能环保等,造成了挖掘机自身的能量浪费。由于我国矿产资源丰富,国土面积巨大,城市建设也在不断的发展当中,挖掘机产品被大量使用。但是由于挖掘机产品自身的不节能,也导致了挖掘机能量来源的化石能源大量浪费。如果可以减少挖掘机产品的能量浪费,提高能量利用率,在相同工作量的情况下,可以节省大批的化石能源,节省大量施工成本。这样可以实现既保证工作量的情况下,同时节约资源,并将节省下来的施工成本用于别处,也可促进社会经济发展。所以,挖掘机产品的节能技术的发展是当下要研究的热点之一。目前主流的研究方向是挖掘机的分阶段节能控制,在挖掘机的整个作业过程中,挖掘机的动作是周期性的,所需要的能量也是周期性变化的。在挖掘机的一个作业循环中,每个工作阶段挖掘机所需要的能量大小和挖掘机工作状态均不一样。但是在同一个工作阶段,挖掘机需要的能量大小和工作状态近乎一样。将挖掘机的其中一个作业循环划分为不同的工作阶段可以实现每个工作阶段下,合理设定该工作阶段下挖掘机的内部构件的参数,单独对挖掘机进行控制。在实现挖掘机分阶段控制的前提是需要实现挖掘机一个作业循环下不同工作阶段的正确划分、准确分类和识别。
挖掘机不同的工作阶段划分方式有多种方式,第一种是以执行机构的动作为识别标志,如挖掘、回转等,并经过人工推理可得出挖掘机工作阶段。这种工作阶段的划分方式得到的工作阶段不准确,容易被人的主观因素所影响。第二种是根据负载压力波形来识别,分析已获得的负载波形,得到作业循环各阶段所对应的波形,从而将作业循环分成不同的工作阶段。由于挖掘机的液压回路有一定的长度,这种划分方式会使挖掘机理论上需要切换工作阶段的时刻和挖掘机实际上切换工作阶段的时刻存在时间差,造成分类和识别不准确。一个正确的工作阶段划分方式是实现工作阶段准确分类和识别的前提,提出一个合理且有效的工作阶段划分方式很有必要。目前机器视觉技术被广泛应用于挖掘机工作阶段的分类和识别,现有的识别方法是将通过传感器得到的挖掘机的数据进行特征提取,然后通过机器视觉技术进行分类和识别。已有的应用于挖掘机工作阶段的分类识别技术有SVM模型和LSTM神经网络等,但是目前这些分类识别技术的应用还不是很成熟,部分分类识别技术的准确程度不够高。
发明内容
本发明提出一种基于ResNet神经网络的挖掘机工作阶段分类识别方法。本方法以挖掘机动作导致其先导压力的变化作为划分工作阶段的依据,将挖掘机的一个作业循环划分成多个工作阶段。以各工作阶段开始一段时间内的挖掘机各机构先导压力值和泵出口压力值作为该工作阶段的开始标志,借助ResNet神经网络结合挖掘机各机构先导压力和泵出口压力的历史数据和当前数据判断挖掘机当前所处的工作阶段。
本发明的目的是通过以下技术方案来实现的:
一种基于ResNet神经网络的挖掘机工作阶段分类识别方法,该方法具体步骤如下:
S1:在挖掘机作业循环中,将挖掘机在不同工作阶段下的动作导致其构件先导压力的变化作为划分挖掘机的工作阶段的依据;
S2:收集原始数据,对原始数据进行去噪处理,提取压力数据信号,绘制各压力与时间曲线图;
S3:根据先导压力数据变化,在各个压力与时间曲线图上划分作业循环,然后划分挖掘机的工作阶段;
S4:采集各个工作阶段的开始标志数据,对其进行预处理,将一维数据转换成二维数值矩阵,建立各个工作阶段的开始标志矩阵。多次重复采集,构建各个工作阶段的开始标志矩阵数据集;
S5:将各个工作阶段的开始标志矩阵数据集分为训练集、验证集、测试集;
S6:设计ResNet神经网络模型,将各个工作阶段的开始标志矩阵输入ResNet神经网络进行训练;
S7:对ResNet神经网络模型进行训练。设置优化器,采用梯度下降法更新权重参数和偏置参数。
S8:将训练效果最好的ResNet神经网络模型作为训练分类模型的最终结果,将ResNet神经网络模型运行在测试集数据上,运行结果即为最终挖掘机工作阶段识别准确率。
S9:设置模型识别间隔为每两次采集数据的时间,每次采集数据后将该时刻采集的数据和该时刻之前的s-2个数据输入到模型中,实现挖掘机工作中的实时识别。
所述S1步骤中,根据挖掘机在一个作业循环下执行机构的动作将挖掘机的一个作业循环划分为五个工作阶段,分别为挖掘准备、挖掘、提升回转、卸载、空斗返回。各工作阶段的压力变化如下,并以该压力变化作为分类依据。
挖掘准备阶段:动臂下降,斗杆向外转,铲斗向挖掘反方向转,回转不工作。动臂油缸收缩回先导压力增加,动臂油缸伸出先导压力几乎不变;斗杆油缸收缩回先导压力增加,斗杆油缸伸出先导压力几乎不变;铲斗油缸收缩回先导压力增加,铲斗油缸伸出先导压力几乎不变;回转先导压力几乎不变。
挖掘阶段:动臂下降,斗杆向内转,铲斗向挖掘方向转,回转不工作。动臂油缸收缩回先导压力增加,动臂油缸伸出先导压力几乎不变;斗杆油缸收缩回先导压力急剧下降,斗杆油缸伸出先导压力增加;铲斗油缸收缩回先导压力急剧下降,铲斗油缸伸出先导压力增加;回转先导压力几乎不变。
提升回转阶段:动臂上升,斗杆稍微向内转,铲斗稍微向挖掘方向转,回转工作。动臂油缸收缩回先导压力急剧下降,动臂油缸伸出先导压力增加;斗杆油缸收缩回先导压力几乎不变,斗杆油缸伸出先导压力小幅度增加;铲斗油缸收缩回先导压力几乎不变,铲斗油缸伸出先导压力小幅度增加;回转先导压力增加。
卸载阶段:动臂稍微下降,斗杆向外转,铲斗向挖掘反方向转,回转不工作。动臂油缸收缩回先导压力增加,动臂油缸伸出先导压力急剧下降;斗杆油缸收缩回先导压力增加,斗杆油缸伸出先导压力急剧下降;铲斗油缸收缩回先导压力增加,铲斗油缸伸出先导压力急剧下降;回转先导压力急剧下降。
空斗返回阶段:动臂稍微上升再下降,斗杆不转,铲斗不转,回转工作。动臂油缸收缩回先导压力急剧下降再上升,动臂油缸伸出先导压力先增加再急剧下降;斗杆油缸收缩回先导压力几乎不变,斗杆油缸伸出先导压力几乎不变;铲斗油缸收缩回先导压力几乎不变,铲斗油缸伸出先导压力几乎不变;回转先导压力增加。
可根据回转先导压力先将作业循环分为提升回转前,提升回转,卸载,空斗返回四个工作阶段,然后再根据其它油缸先导压力将提升回转前分为挖掘准备和挖掘两个工作阶段。
所述S2步骤中,在挖掘机实地作业下,让挖掘机在条件允许的范围内进行尽可能多的作业循环,分别以一定时间(0.05s)频率测量挖掘机主泵的前泵出口压力、主泵的后泵出口压力、斗杆油缸伸出先导压力、斗杆油缸收缩回先导压力、动臂油缸伸出先导压力、动臂油缸收缩回先导压力、铲斗油缸伸出先导压力、铲斗油缸收缩回先导压力和回转先导压力9段压力数据,作为原始数据,对其进行去噪处理,然后分别绘制出压力与时间的变化关系图,以部分先导压力波形为例,如图1所示。
所述S3步骤中,先在各压力与时间曲线关系图上划分各个作业循环,以主泵的前泵和后泵的压力与时间曲线图为例,如图2所示。根据挖掘机主泵的前泵出口压力、主泵的后泵出口压力、斗杆油缸伸出先导压力、斗杆油缸收缩回先导压力、动臂油缸伸出先导压力、动臂油缸收缩回先导压力、铲斗油缸伸出先导压力、铲斗油缸收缩回先导压力和回转先导压力的变化,和它们压力的变化与各个工作阶段之间的关系,确定各个工作阶段开始的时间,并在9段压力与时间曲线图中,划分各个工作阶段,以主泵的前泵和后泵的压力与时间曲线图为例,如图3所示。
所述S4步骤中,分别在5个工作阶段,以某工作阶段开始的Δt时间内内挖掘机的9段压力数据作为该工作阶段的开始标志。其中,在1段压力数据中可得到s个数据点,考虑到偏差的影响,去掉在0.0s时刻的第1个数据点和在最后时刻的第s个数据点可得到从第二个数据点开始到第s-1个数据点结束的s-2个数据点,分别为x1j,j=0,1,...,s-2。在s-2段数据中一共可以得到9·(s-2)个数据点,分别为xij,i=0,1,...,s-2,j=0,1,...,s-2,i代表了s-2段数据,将9·(s-2)个数据点xij写成一个9*(s-2)的矩阵,作为每该工作阶段的开始标志矩阵。某一工作阶段的开始标志矩阵如下,其中xij为得到的数据点,i=0,1,...,9,j=0,1,...,s-2。
由于将挖掘机的一个作业循环分成5个工作阶段,故在一个作业循环下可得到5个开始标志矩阵,分别为挖掘准备阶段开始标志矩阵、挖掘阶段开始标志矩阵、提升回转阶段开始标志矩阵、卸载阶段开始标志矩阵和空斗返回阶段开始标志矩阵。在挖掘机实地作业下,挖掘机在条件允许的范围内做了尽可能多的作业循环,可以假设做了n个作业循环,一共可以得到5n个开始标志矩阵。其中每个工作阶段有n个开始标志矩阵。
所述S5步骤中:将每个工作阶段的70%的开始标志矩阵作为训练集,20%作为验证集,余下的10%作为测试集。
所述S6步骤中:内存合理设置batch_size值大小。将工作阶段分类名称打上数字标签,具体为1对应挖掘准备阶段,2对应挖掘阶段,3对应提升回转阶段,4对应卸载阶段和5对应空斗回转阶段,将数字标签以json的文件格式存储在ResNet神经网络的文件路径下,便于传入ResNet神经网络中作为分类模型的输出。
所述S7步骤中:确定好ResNet神经网络的层数,采用迁移学习的方式,将现有的相似的已训练好的ResNet模型训练好的权重当作自己训练模型的初始参数,将所分类别改为5类,对应挖掘机的5个工作阶段。确定全链接层之前的权重参数是否需要再训练、保持原初始参数或者前多少层保持原参数,通过对比三种方式的训练效果,选择效果好的方法。在训练过程中不断调整全连接层中的权重参数和偏置参数。设置优化器,采用Adam优化算法,设置衰减函数,使学习率随着迭代次数的增加不断衰减,定义损失函数为交叉熵损失函数。通过迭代训练,采用梯度下降法更新权重参数和偏置参数,将每一次训练后得到结果与之前所有训练的结果进行对比,保存训练结果最好的模型参数。
所述的ResNet神经网络结构采用如下结构:
ResNet神经网络由输入层、卷积层CONV、池化层POOL,残差块和全连接层组成。其结构如图4所示。一般是两个卷积层相连接,外面通过跳接的方式由上一层或者之前几层的输出与本层计算的输出相加,作为下一层的输入,构成一个残差块。在对输入层做卷积操作以前,设定好滑动窗口步长、卷积核尺寸、卷积核个数(输出通道数),输入层边缘填充层数,边缘由0填充,方便之后的卷积操作得到特征矩阵。x输入后经与卷积核w的卷积计算进行特征提取,得到特征矩阵y,卷积核即为权重参数。
y=wτ·x+b,wτ为权重参数的转置,b为偏置参数。
其中,卷积结果的计算公式为:
其中W1、H1表示输入的宽度、长度;W2、H2表示输出特征图的宽度、长度;F表示卷积核长和宽的大小;S表示滑动窗口的步长;P表示边缘填充(加几圈0)。
经过卷积计算后,经过BN算法计算,再经过Relu函数计算,将结果输入到池化层。池化层采用最大池化法。再对特征矩阵重复上述步骤,得到新的特征矩阵,重复次数由卷积层数所决定,卷积的次数为神经网络的层数。在输入到全连接层之前,将池化层输出的结果三维数组拉长为一维特征向量,将该特征向量与对应的类别相对应。ResNet神经网络残差块结构图如图5所示,通过跳接在激活函数前,将上一层(或几层)之前的输出与本层计算的输出相加,将求和的结果输入到激活函数中作为本层的输出。这样的好处是,ResNet神经网络可根据整体分类模型的效果自行判断其中残差块中对输入的卷积激活是否有用,如果有用的话就对其进行卷积激活,如果没有用的话,残差块中的卷积层的参数可能会被自适应学习成为0或者很小的值。这样还可以保留前一层输入作为该残差块的输出。用数学表达式表示为:
xl+1=xl+F(xl,wl)
其中,F(xl,wl)为输出和输入的残差,内部至少含有两个卷积层,xl为残差块的输入,xl+1为残差块的输出。
在识别过程中,通过对比识别数据经ResNet神经网络分类模型得到的特征向量和所训练模型中已有的特征向量,找出概率最大的类别为识别输出结果。
本发明的有益效果:本发明详细阐述了挖掘机工作阶段的划分方法,将挖掘机不同工作阶段的一维时间序列数组转换成二维矩阵,不需要额外对一维时间序列求特征值,采用当下对二维矩阵分类识别准确率高的ResNet神经网络模型,对挖掘机工作阶段的分类直接进行搭建分类模型并识别,相较于以往的对一维数据进行识别的SVM模型提高了识别准确率。
附图说明
图1部分压力与时间曲线图。
图2主泵作业循环划分的压力与时间曲线图。
图3主泵工作阶段划分的压力与时间曲线图。
图4ResNet神经网络结构图。
图5ResNet神经网络残差块结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例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。
通过大量实验采集到挖掘机挖掘多个循环的原始压力数据,采集时间间隔为0.05s,其进行去噪处理,绘制动臂油缸收缩回先导压力、动臂油缸伸出先导压力、斗杆油缸收缩回先导压力、斗杆油缸伸出先导压力、铲斗收缩回先导压力、铲斗油缸伸出先导压力、回转先导压力、主泵前泵压力和主泵后泵压力与时间的曲线图,并在曲线图上划分工作循环。
根据挖掘机动臂油缸收缩回先导压力、动臂油缸伸出先导压力、斗杆油缸收缩回先导压力、斗杆油缸伸出先导压力、铲斗收缩回先导压力和铲斗油缸伸出先导压力与时间的曲线图上压力变化,依照分类依据在9个曲线图上将每个作业循环分为五个工作阶段,分别为挖掘准备、挖掘、提升回转、卸载、空斗返回。
分别在5个工作阶段,令s=11,以该工作阶段开始的0.5s内挖掘机的9段压力数据作为该工作阶段的开始标志。即在1段压力数据中可得到11个数据点,考虑到偏差的影响,去掉在0.0s时刻的第1个数据点和在0.5s时刻的第11个数据点可得到从0.05s开始到0.45s结束的9个数据点,分别为x1j,j=0,1,...,9。在9段数据中一共可以得到81个数据点,分别为xij,i=0,1,...,9,j=0,1,...,9,i代表了9段数据,将81个数据点xij写成一个9*9的矩阵,作为每该工作阶段的开始标志矩阵。某一工作阶段的开始标志矩阵如下,其中xij为得到的数据点,i=0,1,...,9,j=0,1,...,9。
由于将挖掘机的一个作业循环分成5个工作阶段,故在一个作业循环下可得到5个开始标志矩阵,分别为挖掘准备阶段开始标志矩阵、挖掘阶段开始标志矩阵、提升回转阶段开始标志矩阵、卸载阶段开始标志矩阵和空斗返回阶段开始标志矩阵。在挖掘机实地作业下,挖掘机在条件允许的范围内做了尽可能多的作业循环,可以假设做了n个作业循环,一共可以得到5n个开始标志矩阵。其中每个工作阶段有n个开始标志矩阵。将每个工作阶段的70%的开始标志矩阵作为训练集,20%作为验证集,余下的10%作为测试集。
合理设置batch_size值大小。将工作阶段分类名称打上数字标签,具体为1对应挖掘准备阶段,2对应挖掘阶段,3对应提升回转阶段,4对应卸载阶段和5对应空斗回转阶段,将数字标签以json的文件格式存储在ResNet神经网络的文件路径下,便于传入ResNet神经网络中作为分类模型的输出。
确定好ResNet神经网络的层数,采用迁移学习的方式,数据量小的话可采用ResNet18神经网络模型或者ResNet34神经网络模型。将模型训练好的权重当做自己训练模型的初始参数,将所分类别改为5类,对应挖掘机的5个工作阶段。确定全链接层之前的权重参数是否需要再训练、保持原初始参数或者前多少层保持原参数,通过对比三种方式的训练效果,选择效果好的方法。在训练过程中不断调整全连接层中的权重参数和偏置参数。设置优化器,采用Adam优化算法,设置衰减函数,使学习率随着迭代次数的增加不断衰减,定义损失函数为交叉熵损失函数。通过迭代训练,采用梯度下降法更新权重参数和偏置参数,将每一次训练后得到结果与之前所有训练的结果进行对比,保存训练结果最好的模型参数。
在对输入层做卷积操作以前,设定好滑动窗口步长、卷积核尺寸、卷积核个数,输入层边缘填充层数,边缘由0填充,方便之后的卷积操作得到特征矩阵。x输入后经与卷积核w的卷积计算进行特征提取,得到特征矩阵y,卷积核即为权重参数。
通过迁移学习的方法,可直接使用原模型已有的效果好的设置参数。也可以在迁移学习的基础上,自行做对比实验对卷积层的参数进行设置。滑动窗口步长代表了卷积核每次计算移动的距离,步长越小,提取的特征越细腻,步长越大,提取的特征越粗糙。可将滑动窗口步长设置为1,这样提取的特征更细腻。卷积核尺寸越小,提取的特征越细腻,尺寸越大,提取的特征越粗糙。卷积核尺寸可设置为3*3*m,m为提取特征的通道数,决定了特征矩阵的数量。可自行决定,经过实验试出最好的一个m值。输入层边缘填充层数可设置为1。
特征矩阵的计算过程如下:
y=wτ·x+b,wτ为权重参数的转置,b为偏置参数。
其中,卷积结果的计算公式为:
其中W1、H1表示输入的宽度、长度;W2、H2表示输出特征矩阵的宽度、长度;F表示卷积核长和宽的大小;S表示滑动窗口的步长;P表示边缘填充(加几圈0)。
经过卷积计算之后,经过Relu函数计算,将结果输入到池化层。池化层采用最大池化法。再对特征矩阵重复上述步骤,得到新的特征矩阵,重复次数由卷积层数所决定,卷积的次数为神经网络的层数。在输入到全连接层之前,将池化层输出的结果三维数组拉长为一维特征向量,将该特征向量与对应的类别相对应。
在识别过程中,通过对比识别数据经ResNet神经网络分类模型得到的特征向量和所训练模型中已有的特征向量,找出概率最大的类别为识别输出结果。
设置模型识别间隔为每两次采集数据的时间,即为0.05s,每次采集数据后将该时刻采集的数据与之前9个数据输入模型中,实现挖掘机工作阶段的实时识别。
Claims (8)
1.一种基于ResNet神经网络的挖掘机工作阶段分类识别方法,其特征在于,该方法具体步骤如下:
S1:在挖掘机作业循环中,将挖掘机在不同工作阶段下的动作导致其构件先导压力的变化作为划分挖掘机的工作阶段的依据;
S2:收集原始数据,对原始数据进行去噪处理,提取压力数据信号,绘制各压力与时间曲线图;
S3:根据先导压力数据变化,在各个压力与时间曲线图上划分作业循环,然后划分挖掘机的工作阶段;
S4:采集各个工作阶段的开始标志数据,对其进行预处理,将一维数据转换成二维数值矩阵,建立各个工作阶段的开始标志矩阵;多次重复采集,构建各个工作阶段的开始标志矩阵数据集;
S5:将各个工作阶段的开始标志矩阵数据集分为训练集、验证集、测试集;
S6:设计ResNet神经网络模型,将各个工作阶段的开始标志矩阵输入ResNet神经网络进行训练;
S7:对ResNet神经网络模型进行训练;设置优化器,采用梯度下降法更新权重参数和偏置参数;
S8:将训练效果最好的ResNet神经网络模型作为训练分类模型的最终结果,将ResNet神经网络模型运行在测试集数据上,运行结果即为最终挖掘机工作阶段识别准确率;
S9:设置模型识别间隔为每两次采集数据的时间,每次采集数据后将该时刻采集的数据和该时刻之前的s-2个数据输入到模型中,实现挖掘机工作中的实时识别。
2.根据权利要求1所述的一种基于ResNet神经网络的挖掘机工作阶段分类识别方法,其特征在于,所述S1步骤中,根据挖掘机在一个作业循环下执行机构的动作将挖掘机的一个作业循环划分为五个工作阶段,分别为挖掘准备、挖掘、提升回转、卸载、空斗返回;各工作阶段的压力变化如下,并以该压力变化作为分类依据;
挖掘准备阶段:动臂下降,斗杆向外转,铲斗向挖掘反方向转,回转不工作;动臂油缸收缩回先导压力增加,动臂油缸伸出先导压力几乎不变;斗杆油缸收缩回先导压力增加,斗杆油缸伸出先导压力几乎不变;铲斗油缸收缩回先导压力增加,铲斗油缸伸出先导压力几乎不变;回转先导压力几乎不变;
挖掘阶段:动臂下降,斗杆向内转,铲斗向挖掘方向转,回转不工作;动臂油缸收缩回先导压力增加,动臂油缸伸出先导压力几乎不变;斗杆油缸收缩回先导压力急剧下降,斗杆油缸伸出先导压力增加;铲斗油缸收缩回先导压力急剧下降,铲斗油缸伸出先导压力增加;回转先导压力几乎不变;
提升回转阶段:动臂上升,斗杆稍微向内转,铲斗稍微向挖掘方向转,回转工作;动臂油缸收缩回先导压力急剧下降,动臂油缸伸出先导压力增加;斗杆油缸收缩回先导压力几乎不变,斗杆油缸伸出先导压力小幅度增加;铲斗油缸收缩回先导压力几乎不变,铲斗油缸伸出先导压力小幅度增加;回转先导压力增加;
卸载阶段:动臂稍微下降,斗杆向外转,铲斗向挖掘反方向转,回转不工作;动臂油缸收缩回先导压力增加,动臂油缸伸出先导压力急剧下降;斗杆油缸收缩回先导压力增加,斗杆油缸伸出先导压力急剧下降;铲斗油缸收缩回先导压力增加,铲斗油缸伸出先导压力急剧下降;回转先导压力急剧下降;
空斗返回阶段:动臂稍微上升再下降,斗杆不转,铲斗不转,回转工作;动臂油缸收缩回先导压力急剧下降再上升,动臂油缸伸出先导压力先增加再急剧下降;斗杆油缸收缩回先导压力几乎不变,斗杆油缸伸出先导压力几乎不变;铲斗油缸收缩回先导压力几乎不变,铲斗油缸伸出先导压力几乎不变;回转先导压力增加;
可根据回转先导压力先将作业循环分为提升回转前,提升回转,卸载,空斗返回四个工作阶段,然后再根据其它油缸先导压力将提升回转前分为挖掘准备和挖掘两个工作阶段。
3.根据权利要求1所述的一种基于ResNet神经网络的挖掘机工作阶段分类识别方法,其特征在于,所述S2步骤中,在挖掘机实地作业下,让挖掘机在条件允许的范围内进行尽可能多的作业循环,分别以一定时间频率测量挖掘机主泵的前泵出口压力、主泵的后泵出口压力、斗杆油缸伸出先导压力、斗杆油缸收缩回先导压力、动臂油缸伸出先导压力、动臂油缸收缩回先导压力、铲斗油缸伸出先导压力、铲斗油缸收缩回先导压力和回转先导压力9段压力数据,作为原始数据,对其进行去噪处理,然后分别绘制出压力与时间的变化关系图。
4.根据权利要求1所述的一种基于ResNet神经网络的挖掘机工作阶段分类识别方法,其特征在于,所述S3步骤中,先在各压力与时间曲线关系图上划分各个作业循环;根据挖掘机主泵的前泵出口压力、主泵的后泵出口压力、斗杆油缸伸出先导压力、斗杆油缸收缩回先导压力、动臂油缸伸出先导压力、动臂油缸收缩回先导压力、铲斗油缸伸出先导压力、铲斗油缸收缩回先导压力和回转先导压力的变化,和它们压力的变化与各个工作阶段之间的关系,确定各个工作阶段开始的时间,并在9段压力与时间曲线图中,划分各个工作阶段。
5.根据权利要求1所述的一种基于ResNet神经网络的挖掘机工作阶段分类识别方法,其特征在于,所述S4步骤中,分别在5个工作阶段,以某工作阶段开始的Δt时间内内挖掘机的9段压力数据作为该工作阶段的开始标志;其中,在1段压力数据中可得到s个数据点,考虑到偏差的影响,去掉在0.0s时刻的第1个数据点和在最后时刻的第s个数据点可得到从第二个数据点开始到第s-1个数据点结束的s-2个数据点,分别为x1j,j=0,1,...,s-2;在9段数据中一共可以得到9·(s-2)个数据点,分别为xij,i=0,1,...,9,j=0,1,...,s-2,i代表了s-2段数据,将9·(s-2)个数据点xij写成一个9*(s-2)的矩阵,作为每该工作阶段的开始标志矩阵;某一工作阶段的开始标志矩阵如下,其中xij为得到的数据点,i=0,1,...,9,j=0,1,...,s-2;
由于将挖掘机的一个作业循环分成5个工作阶段,故在一个作业循环下可得到5个开始标志矩阵,分别为挖掘准备阶段开始标志矩阵、挖掘阶段开始标志矩阵、提升回转阶段开始标志矩阵、卸载阶段开始标志矩阵和空斗返回阶段开始标志矩阵;在挖掘机实地作业下,挖掘机在条件允许的范围内做了尽可能多的作业循环,设做了n个作业循环,一共可以得到5n个开始标志矩阵;其中每个工作阶段有n个开始标志矩阵。
6.根据权利要求1所述的一种基于ResNet神经网络的挖掘机工作阶段分类识别方法,其特征在于,所述S5步骤中:将每个工作阶段的70%的开始标志矩阵作为训练集,20%作为验证集,余下的10%作为测试集。
7.根据权利要求1所述的一种基于ResNet神经网络的挖掘机工作阶段分类识别方法,其特征在于,所述S6步骤中:合理设置batch_size值大小;将工作阶段分类名称打上数字标签,具体为1对应挖掘准备阶段,2对应挖掘阶段,3对应提升回转阶段,4对应卸载阶段和5对应空斗回转阶段,将数字标签以json的文件格式存储在ResNet神经网络的文件路径下,便于传入ResNet神经网络中作为分类模型的输出。
8.根据权利要求1所述的一种基于ResNet神经网络的挖掘机工作阶段分类识别方法,其特征在于,所述S7步骤中:确定好ResNet神经网络的层数,采用迁移学习的方式,将现有的相似的已训练好的ResNet模型训练好的权重当作自己训练模型的初始参数,将所分类别改为5类,对应挖掘机的5个工作阶段;确定全链接层之前的权重参数是否需要再训练、保持原初始参数或者前多少层保持原参数,通过对比三种方式的训练效果,选择效果好的方法;在训练过程中不断调整全连接层中的权重参数和偏置参数;设置优化器,采用Adam优化算法,设置衰减函数,使学习率随着迭代次数的增加不断衰减,定义损失函数为交叉熵损失函数;通过迭代训练,采用梯度下降法更新权重参数和偏置参数,将每一次训练后得到结果与之前所有训练的结果进行对比,保存训练结果最好的模型参数;
在识别过程中,通过对比识别数据经ResNet神经网络分类模型得到的特征向量和所训练模型中已有的特征向量,找出概率最大的类别为识别输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365910.4A CN114792067A (zh) | 2022-04-08 | 2022-04-08 | 一种基于ResNet神经网络的挖掘机工作阶段分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365910.4A CN114792067A (zh) | 2022-04-08 | 2022-04-08 | 一种基于ResNet神经网络的挖掘机工作阶段分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114792067A true CN114792067A (zh) | 2022-07-26 |
Family
ID=82461943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210365910.4A Pending CN114792067A (zh) | 2022-04-08 | 2022-04-08 | 一种基于ResNet神经网络的挖掘机工作阶段分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114792067A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115404928A (zh) * | 2022-09-02 | 2022-11-29 | 潍柴动力股份有限公司 | 挖机动作识别方法、装置及系统 |
CN115478574A (zh) * | 2022-10-31 | 2022-12-16 | 吉林大学 | 一种基于径向基函数神经网络的挖掘机负载预测方法 |
-
2022
- 2022-04-08 CN CN202210365910.4A patent/CN114792067A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115404928A (zh) * | 2022-09-02 | 2022-11-29 | 潍柴动力股份有限公司 | 挖机动作识别方法、装置及系统 |
CN115404928B (zh) * | 2022-09-02 | 2024-06-18 | 潍柴动力股份有限公司 | 挖机动作识别方法、装置及系统 |
CN115478574A (zh) * | 2022-10-31 | 2022-12-16 | 吉林大学 | 一种基于径向基函数神经网络的挖掘机负载预测方法 |
CN115478574B (zh) * | 2022-10-31 | 2024-03-19 | 吉林大学 | 一种基于径向基函数神经网络的挖掘机负载预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114792067A (zh) | 一种基于ResNet神经网络的挖掘机工作阶段分类识别方法 | |
CN110377984B (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
CN110738360B (zh) | 一种设备剩余寿命预测方法及系统 | |
CN110414788A (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
CN104523264B (zh) | 一种心电信号处理方法 | |
CN102877500B (zh) | 一种挖掘机工作循环阶段自动识别方法 | |
CN113392881B (zh) | 一种基于迁移学习的旋转机械故障诊断方法 | |
CN108363896B (zh) | 一种液压缸故障诊断方法 | |
CN110132626A (zh) | 一种基于多尺度卷积神经网络的抽油机故障诊断方法 | |
CN108398249B (zh) | 预测密封圈剩余寿命的方法和装置、工程机械及服务器 | |
CN106930751A (zh) | 一种有杆泵抽油井故障分离方法 | |
CN103226741A (zh) | 城市供水管网爆管预测方法 | |
CN113006188A (zh) | 一种基于lstm神经网络的挖掘机分阶段功率匹配方法 | |
CN104234695A (zh) | 一种基于神经网络的油井故障诊断方法 | |
CN103198354A (zh) | 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 | |
CN111523713A (zh) | 一种预测油田中剩余油饱和度分布的方法和装置 | |
CN105550426A (zh) | 一种基于样本分割的多尺度二叉树高炉故障诊断方法 | |
CN103177155A (zh) | 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法 | |
CN104481496A (zh) | 一种有杆泵抽油井故障诊断方法 | |
CN115994630B (zh) | 基于多尺度自注意力的设备剩余使用寿命预测方法及系统 | |
CN115879026A (zh) | 一种基于卷积神经网络—集成分类器的旋挖钻机液压系统故障诊断方法 | |
CN114899844A (zh) | 一种小扰动火电机组一次调频控制系统 | |
CN113137211B (zh) | 一种基于模糊综合决策的油井生产参数自适应调控方法 | |
Zhong et al. | DualConv: Dual convolutional kernels for lightweight deep neural networks | |
CN109800449A (zh) | 一种基于神经网络的航空发动机压缩部件特性修正方法 |
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 |