CN114818899A - 作业机械的作业对象确定方法、装置、设备及作业机械 - Google Patents
作业机械的作业对象确定方法、装置、设备及作业机械 Download PDFInfo
- Publication number
- CN114818899A CN114818899A CN202210411346.5A CN202210411346A CN114818899A CN 114818899 A CN114818899 A CN 114818899A CN 202210411346 A CN202210411346 A CN 202210411346A CN 114818899 A CN114818899 A CN 114818899A
- Authority
- CN
- China
- Prior art keywords
- working
- machine
- data
- work
- determining
- 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
- 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
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C19/00—Electric signal transmission systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
- H04L2012/40208—Bus networks characterized by the use of a particular bus standard
- H04L2012/40215—Controller Area Network CAN
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本发明提供一种作业机械的作业对象确定方法、装置、设备及作业机械,属于作业机械智能化技术领域,方法通过CAN总线采集作业机械的工作参数;输入所述工作参数至作业对象确定模型,输出所述作业机械的作业对象,其中,所述作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的,通过CAN总线的方式直接获取作业机械自身的工作参数,然后根据自身工作参数确定作业对象的方式,无需额外增加传感器,有效地节省了作业对象的确定成本。
Description
技术领域
本发明涉及作业机械智能化技术领域,尤其涉及一种作业机械的作业对象确定方法、装置、设备及作业机械。
背景技术
目前,作业机械在对作业对象的确定过程主要是使用视觉识别或者是对油缸压力识别来实现。其中,视觉识别主要应用卷积神经网络对作业对象表层进行视觉判别,基于油缸压力的判定方法主要通过选定阈值方式进行确定。
但是,无论是视觉识别还是油缸压力识别,都需要额外配备专用的传感器,识别成本相对较高。
发明内容
本发明提供一种作业机械的作业对象确定方法、装置、设备及作业机械,用以解决现有技术中作业对象识别需要额外增加传感器成本高的缺陷,实现通过作业机械自身参数对作业对象进行确定,有效地降低了作业对象确定成本。
本发明提供一种作业机械的作业对象确定方法,包括:
通过CAN总线采集作业机械的工作参数;
输入所述工作参数至作业对象确定模型,输出所述作业机械的作业对象,其中,所述作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的。
根据本发明提供的一种作业机械的作业对象确定方法,所述作业对象确定模型的训练过程,包括:
采集作业机械的工作参数样本数据和作业对象样本数据;
对所述工作参数样本数据进行预处理,识别所述工作参数样本数据中有效样本数据,所述有效数据为所述作业机械进行作业时对应的数据;
利用所述有效样本数据和所述作业对象样本数据对初始机器学习模型进行训练,构建作业对象确定模型。
根据本发明提供的一种作业机械的作业对象确定方法,所述识别所述工作参数样本数据中有效样本数据之后,还包括:
提取有效样本数据在预设时长内的时间特征序列数据;
确定每个所述时间特征序列数据内每个有效数据样本的统计量,以所述统计量作为新的有效样本数据。
根据本发明提供的一种作业机械的作业对象确定方法,所述统计量,包括:平均值、方差、协方差、时间长度、坡度和峰度中的至少一种。
根据本发明提供的一种作业机械的作业对象确定方法,还包括:
采集新机型作业机械的新工作参数数据和新作业对象数据;
根据所述新工作参数数据和所述新作业对象数据,泛化所述作业对象确定模型于所述新机型作业机械。
根据本发明提供的一种作业机械的作业对象确定方法,所述工作参数包括第一主泵压力、第一主泵流量、第二主泵压力、第二主泵流量、发动机参数和液压系统参数。
本发明还提供一种作业机械的作业对象确定装置,包括:
采集模块,用于通过CAN总线采集作业机械的工作参数;
确定模块,用于输入所述工作参数至作业对象确定模型,输出所述作业机械的作业对象,其中,所述作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的。
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作业机械的作业对象确定方法。
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作业对象确定方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述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作业对象确定方法。
本发明还提供一种作业机械,包括所述作业机械用于执行如上述任一项所述作业机械的作业对象确定方法。
本发明提供的一种作业机械的作业对象确定方法、装置、设备及作业机械,方法通过CAN总线采集作业机械的工作参数;输入所述工作参数至作业对象确定模型,输出所述作业机械的作业对象,其中,所述作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的,通过CAN总线的方式直接获取作业机械自身的工作参数,然后根据自身工作参数确定作业对象的方式,无需额外增加传感器,有效地节省了作业对象的确定成本。
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作业对象确定方法的流程示意图;
图2是本发明提供的作业机械的作业对象确定装置的结构示意图;
图3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。
下面结合图1-图3描述本发明的一种作业机械的作业对象确定方法、装置、设备及作业机械。
图1是本发明提供的作业机械的作业对象确定方法的流程示意图。
如图1所示,本发明实施例提供的一种作业机械的作业对象确定方法,执行主体可以是车载控制系统,主要包括以下步骤:
101、通过CAN总线采集作业机械的工作参数。
在一个具体的实现过程中,作业机械以挖掘机为例进行说明,即确定挖掘机的作业对象,作业对象包括土方、石方等等。CAN是控制器局域网络(Controller Area Network,CAN)的简称,是应用最广泛的现场总线之一,是控制系统和嵌入式工业控制局域网的标准总线,且CAN通信能够满足对安全性、舒适性、方便性、低功耗、低成本的各种要求。
通过CAN总线采集作业机械即挖掘机的各种工作参数,包括挖掘机第一主泵的压力和流量,第二主泵的压力和流量,发动机的各项工作参数,液压系统的各项工作参数等,而发动机的工作参数包括发动机转速、发动机扭矩等,液压系统的工作参数包括液压油温度等数据。再具体的实现过程中包括了能够通过CAN总线获取的各种作业机械自身的各种工作参数,不再进行一一举例说明。
102、输入工作参数至作业对象确定模型,输出作业机械的作业对象,其中,作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的。
具体的,在通过CAN总线采集到作业机械的工作参数之后,输入工作参数至作业对象确定模型,作业对象确定模型便会通过内部计算,确定出当前获取的作业参数对应的作业对象,以挖掘机来说,作业对象则包括了土方、石方等不同的作业对象。其中,作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的,通过机器学习模型的方式确定作业对象,更加智能化。
本实施例提供的一种作业机械的作业对象确定方法,通过CAN总线采集作业机械的工作参数;输入所述工作参数至作业对象确定模型,输出所述作业机械的作业对象,其中,所述作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的,通过CAN总线的方式直接获取作业机械自身的工作参数,然后根据自身工作参数确定作业对象的方式,无需额外增加传感器,有效地节省了作业对象的确定成本。
进一步的,本实施例中对作业对象确定模型的训练过程进行解释说明,主要包括:采集作业机械的工作参数样本数据和作业对象样本数据;对工作参数样本数据进行预处理,识别工作参数样本数据中有效样本数据,有效数据为作业机械进行作业时对应的数据;利用有效样本数据和作业对象样本数据对初始机器学习模型进行训练,构建作业对象确定模型。
具体的,需要首先进行数据采集,也就是训练样本的获取,与模型应用时相同,也是通过CAN总线采集作业机械的数据,即采集挖掘机在工作时的数据,通过挖掘机的CAN口读取挖掘机数据,可以是在数据上打上标签,从而在后续的机器学习模型训练中采用有监督学习的方式进行模型训练,同时此种标签也可以为数据后期处理时添加或者在挖掘机控制器内置程序,在挖掘机进行作业时添加。其中,采集的数据包括挖掘机工作时的各种工作参数和对应的挖掘机作业对象,即每一个工作参数样本均对应着一种作业对象的类型。
数据采集完成之后,需要对工作参数样本数据进行预处理,主要包括移除噪音及异常数据,筛除非正常工况数据,例如删除挖掘机在自动怠速时的相关数据,同时通过铲斗,斗杆先导压力筛选单次挖掘的数据。对每一次挖掘的动作进行数据筛选,除了应用先导压力人工进行模式识别以外,也可以训练基于时间序列的算法模型,判断挖掘动作时间起始点。即得到的有效样本数据为挖掘机进行挖掘作业时对应的数据,挖掘作业指的是挖掘机铲斗在接触作业对象至将作业对象挖出为止,也就是铲斗挖掘的过程,不包括挖掘机的各种机械臂的转动阶段。
在对数据进行预处理识别之后,得到与挖掘作业相关性最大的有效样本数据,然后再将有效样本数据和作业对象样本数据输入初始机器学习模型进行训练,不断的对初始机器学习模型的参数进行调整,从而得到最终的作业对象确定模型。
而在构建作业对象确定模型之后,还可以包括对作业对象确定模型进行验证,即再次采集一定数量的土方,石方挖掘数据,验证分类模型判断准确率,使用F1分数作为指标,至少达到0.9以上,此时测试数据采集量至少为训练数据的10%以上,从而保证作业对象确定模型的准确度。
进一步的,在上述实施例的基础上,本实施例中在识别工作参数样本数据中有效样本数据之后,还可以包括:提取有效样本数据在预设时长内的时间特征序列数据,预设时长参考一次作业的时长进行设置,当然也可以是多次作业的平均时长等,具体的实现过程中可以根据用户自身需求进行确定,本实施例中优选作业机械的单次作业时长作为预设时长;确定每个时间特征序列数据内每个有效数据样本的统计量,以统计量作为新的有效样本数据。其中,统计量包括:平均值、方差、协方差、时间长度、坡度和峰度中的至少一种。
具体的,提取有效样本数据在预设时长内的时间特征序列数据,指的是以某一时间段内的数据作为一个样本,例如以发动机转速为例,提取有效样本数据在预设时长内的时间特征序列数据指的是,提取挖掘机在进行挖掘动作时长内的所有发动机转速,并不是某一时刻的发动机转速,例如挖掘机的挖掘动作时长为6s,则获取6s内挖掘机的发动机转速的所有变化情况,其他的参数也是同样的道理,从而得到每种工作参数在预设时长内的时间特征序列数据。
在提取得到时间特征序列数据之后,便对每个时间特征序列内的每个有效数据样本进行统计,以统计量作为最新的有效样本数据,具体的统计可以是统计平均值、方差、协方差、时间长度、坡度和峰度中的至少一种等等。举例来说,则是每一个时间特征序列数据作为一个样本,而每个样本是预设时长内的参数的平均值或者是其他的统计量,并不是某一时刻的数值,而是挖掘机在一次挖掘动作时的统计值。
对每一次单次挖掘的数据,以每一个统计量均作为为新特征。之后对所有参数进行归一化处理,同时在输入初始机器学习模型前,确保数据质量,数据无丢失保存完整。最后采用统计学习算法(需要执行大量特征工程),或者深度学习算法(需要预设大量超参数),反复调参训练模型,构建作业对象确定模型。
进一步的,在上述实施例的基础上,可以选择将作业对象确定模型部署于云端,基于传统统计学习开发的数据算法具有易解释性,易部署性,可以部署于云端大数据平台上,实时监控挖掘机的作业对象,从而实现作业对象确定模型的大量计算过程在云端完成,降低作业机械自身的运输压力,作业机械自身只需进行简单的数据远程通信传输即可,从而可以更好地实现远程监控作业机械的作业对象,更好地实现对作业机械的智能化控制。
进一步的,在上述实施例的基础上,本实施例中还可以包括:采集新机型作业机械的新工作参数数据和新作业对象数据;根据新工作参数数据和新作业对象数据,泛化作业对象确定模型于新机型作业机械。由于每个作业机械的自身工作参数会存在一定的差别,因此,针对不同的作业机械训练得到的作业对象确定模型也会存在细微的差别。而为了减少模型训练的时间,便可以选择将已经训练好的作业对象确定模型直接泛化至新机型上,从而减少新机型进行神经网络模型训练的时长。使得针对每一台作业机械都有对应的作业对象确定模型,从而提高了作业对象确定的准确度。
具体的,需要将模型泛化时,采集其他机型的土方,石方挖掘数据。对数据标准标签,将已经训练的神经网络模型的架构及其参数转移训练到新机型的数据上,从而得到适用于其他新机型的作业对象确定模型,此时对后几层参数权重进行重新训练调整,以将模型泛化至更多机型。其中,泛化是指神经网络对未在训练过程中遇到的数据可以得到合理的输出,也就是从某些数据中学习并将获得的知识正确应用于其他数据的概念称为泛化,因此便不再需要对每一种的作业机械都单独进行神经网络模型的训练,只需要进行泛化即可。
基于同一总的发明构思,本申请还保护一种作业机械的作业对象确定装置,下面对本发明提供的作业机械的作业对象确定装置进行描述,下文描述的作业机械的作业对象确定装置与上文描述的作业机械的作业对象确定方法可相互对应参照。
图2是本发明提供的作业机械的作业对象确定装置的结构示意图。
如图2所示,本发明实施例提供的一种作业机械的作业对象确定装置,包括:
采集模块201,用于通过CAN总线采集作业机械的工作参数;
确定模块202,用于输入所述工作参数至作业对象确定模型,输出所述作业机械的作业对象,其中,所述作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的。
本实施例提供的一种作业机械的作业对象确定装置,通过CAN总线采集作业机械的工作参数;输入所述工作参数至作业对象确定模型,输出所述作业机械的作业对象,其中,所述作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的,通过CAN总线的方式直接获取作业机械自身的工作参数,然后根据自身工作参数确定作业对象的方式,无需额外增加传感器,有效地节省了作业对象的确定成本。
进一步的,本实施例中还包括模型构建模块,用于:
采集作业机械的工作参数样本数据和作业对象样本数据;
对所述工作参数样本数据进行预处理,识别所述工作参数样本数据中有效样本数据,所述有效数据为所述作业机械进行作业时对应的数据;
利用所述有效样本数据和所述作业对象样本数据对初始机器学习模型进行训练,构建作业对象确定模型。
进一步的,本实施例中还包括模型构建模块,具体用于:
提取有效样本数据在预设时长内的时间特征序列数据;
确定每个所述时间特征序列数据内每个有效数据样本的统计量,以所述统计量作为新的有效样本数据。
进一步的,本实施例中的统计量,包括:平均值、方差、协方差、时间长度、坡度和峰度中的至少一种。
进一步的,本实施例中包括迁移模块,用于:
采集新机型作业机械的新工作参数数据和新作业对象数据;
根据所述新工作参数数据和所述新作业对象数据,泛化所述作业对象确定模型于所述新机型作业机械。
进一步的,本实施例中的所述工作参数包括第一主泵压力、第一主泵流量、第二主泵压力、第二主泵流量、发动机参数和液压系统参数。
基于同一总的发明构思,本发明还保护一种作业机械,所述作业机械用于执行上述任一实施例的作业机械的作业对象确定方法,所述作业机械包括挖掘机等机械。
图3是本发明提供的电子设备的结构示意图。
如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行作业机械的作业对象确定方法,该方法包括:通过CAN总线采集作业机械的工作参数;输入所述工作参数至作业对象确定模型,输出所述作业机械的作业对象,其中,所述作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的。
此外,上述的存储器330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计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的作业机械的作业对象确定方法,该方法包括:通过CAN总线采集作业机械的工作参数;输入所述工作参数至作业对象确定模型,输出所述作业机械的作业对象,其中,所述作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的。
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方法提供的作业机械的作业对象确定方法,该方法包括:通过CAN总线采集作业机械的工作参数;输入所述工作参数至作业对象确定模型,输出所述作业机械的作业对象,其中,所述作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的。
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)
1.一种作业机械的作业对象确定方法,其特征在于,包括:
通过CAN总线采集作业机械的工作参数;
输入所述工作参数至作业对象确定模型,输出所述作业机械的作业对象,其中,所述作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的。
2.根据权利要求1所述的作业机械的作业对象确定方法,其特征在于,所述作业对象确定模型的训练过程,包括:
采集作业机械的工作参数样本数据和作业对象样本数据;
对所述工作参数样本数据进行预处理,识别所述工作参数样本数据中有效样本数据,所述有效数据为所述作业机械进行作业时对应的数据;
利用所述有效样本数据和所述作业对象样本数据对初始机器学习模型进行训练,构建作业对象确定模型。
3.根据权利要求2所述的作业机械的作业对象确定方法,其特征在于,所述识别所述工作参数样本数据中有效样本数据之后,还包括:
提取有效样本数据在预设时长内的时间特征序列数据;
确定每个所述时间特征序列数据内每个有效数据样本的统计量,以所述统计量作为新的有效样本数据。
4.根据权利要求3所述的作业机械的作业对象确定方法,其特征在于,所述统计量,包括:平均值、方差、协方差、时间长度、坡度和峰度中的至少一种。
5.根据权利要求2-4任一项所述的作业机械的作业对象确定方法,其特征在于,还包括:
采集新机型作业机械的新工作参数数据和新作业对象数据;
根据所述新工作参数数据和所述新作业对象数据,泛化所述作业对象确定模型于所述新机型作业机械。
6.根据权利要求1所述的作业机械的作业对象确定方法,其特征在于,所述工作参数包括第一主泵压力、第一主泵流量、第二主泵压力、第二主泵流量、发动机参数和液压系统参数。
7.一种作业机械的作业对象确定装置,其特征在于,包括:
采集模块,用于通过CAN总线采集作业机械的工作参数;
确定模块,用于输入所述工作参数至作业对象确定模型,输出所述作业机械的作业对象,其中,所述作业对象确定模型是基于预先确定的工作参数样本和作业对象样本进行训练后得到的。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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至6任一项所述作业机械的作业对象确定方法。
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作业对象确定方法。
10.一种作业机械,其特征在于,包括所述作业机械用于执行如权利要求1至6任一项所述作业机械的作业对象确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411346.5A CN114818899A (zh) | 2022-04-19 | 2022-04-19 | 作业机械的作业对象确定方法、装置、设备及作业机械 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411346.5A CN114818899A (zh) | 2022-04-19 | 2022-04-19 | 作业机械的作业对象确定方法、装置、设备及作业机械 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818899A true CN114818899A (zh) | 2022-07-29 |
Family
ID=82505737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210411346.5A Pending CN114818899A (zh) | 2022-04-19 | 2022-04-19 | 作业机械的作业对象确定方法、装置、设备及作业机械 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818899A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116588122A (zh) * | 2023-07-17 | 2023-08-15 | 山东港口工程管理咨询有限公司 | 一种基于远程控制车辆的漏油监测方法、设备及介质 |
-
2022
- 2022-04-19 CN CN202210411346.5A patent/CN114818899A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116588122A (zh) * | 2023-07-17 | 2023-08-15 | 山东港口工程管理咨询有限公司 | 一种基于远程控制车辆的漏油监测方法、设备及介质 |
CN116588122B (zh) * | 2023-07-17 | 2023-10-20 | 山东港口工程管理咨询有限公司 | 一种基于远程控制车辆的漏油监测方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766192B (zh) | 基于深度学习的钻井井漏预测系统及方法 | |
US10495544B1 (en) | Failure detection device for detecting an issue with a part of a machine | |
US11795814B2 (en) | Early warning and automated detection for lost circulation in wellbore drilling | |
US20160098637A1 (en) | Automated Data Analytics for Work Machines | |
EP1640894A1 (en) | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method | |
CN110501169A (zh) | 车辆故障的诊断方法、装置及电子设备 | |
CN114818899A (zh) | 作业机械的作业对象确定方法、装置、设备及作业机械 | |
CN109542884B (zh) | 采用大数据耦合参数以优化破岩效率的方法和系统 | |
WO2023040400A1 (zh) | 一种挖掘机故障的预测方法、装置、电子设备及存储介质 | |
CN107908874A (zh) | 工况识别方法和装置及工程机械设备 | |
CN110795888A (zh) | 一种石油钻井风险预测方法 | |
CN113111006A (zh) | 作业机械控制系统调试方法及系统 | |
CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
CN108956783B (zh) | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 | |
CN113482595B (zh) | 一种钻井溢流预警方法、系统、设备和存储介质 | |
CN113348473B (zh) | 管理人工智能模块的安装基础 | |
CN111993158B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN114911786A (zh) | 钻孔深度曲线优化方法、装置、设备及作业机械 | |
CN115559737A (zh) | 基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统 | |
CN105606353A (zh) | 一种机械故障诊断方法及系统 | |
CN113340601B (zh) | 发动机掉速检测方法及装置 | |
CN110243589B (zh) | 刮板减速机模糊故障诊断方法及系统 | |
CN114548175A (zh) | 作业机械健康状态识别方法、装置及作业机械 | |
CN114254763B (zh) | 机器学习模型修复方法、系统、计算机设备及存储介质 | |
CN114282707A (zh) | 油耗预测模型训练、油耗预测方法、装置及作业机械 |
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 |