CN114834851B - 确定回转角度的方法、装置、可读存储介质和抓料机 - Google Patents
确定回转角度的方法、装置、可读存储介质和抓料机 Download PDFInfo
- Publication number
- CN114834851B CN114834851B CN202210376926.5A CN202210376926A CN114834851B CN 114834851 B CN114834851 B CN 114834851B CN 202210376926 A CN202210376926 A CN 202210376926A CN 114834851 B CN114834851 B CN 114834851B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- material grabbing
- data set
- grabbing machine
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
- B65G43/08—Control devices operated by article or material being fed, conveyed or discharged
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G47/00—Article or material-handling devices associated with conveyors; Methods employing such devices
- B65G47/22—Devices influencing the relative position or the attitude of articles during transit by conveyors
- B65G47/24—Devices influencing the relative position or the attitude of articles during transit by conveyors orientating the articles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G47/00—Article or material-handling devices associated with conveyors; Methods employing such devices
- B65G47/74—Feeding, transfer, or discharging devices of particular kinds or types
- B65G47/90—Devices for picking-up and depositing articles or materials
- B65G47/902—Devices for picking-up and depositing articles or materials provided with drive systems incorporating rotary and rectilinear movements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G47/00—Article or material-handling devices associated with conveyors; Methods employing such devices
- B65G47/74—Feeding, transfer, or discharging devices of particular kinds or types
- B65G47/90—Devices for picking-up and depositing articles or materials
- B65G47/905—Control arrangements
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/04—Detection means
- B65G2203/042—Sensors
Abstract
本发明提出了一种确定回转角度的方法、装置、可读存储介质和抓料机。确定回转角度的方法用于确定抓料机的臂架的回转角度,该方法包括:获取抓料机的工况参数集;对工况参数集进行预处理,确定第一数据集;将第一数据集输入至第一预设模型中,以确定抓料机的臂架的回转角速度;对回转角速度进行积分,以确定抓料机的臂架的回转角度。本发明通过上述技术方案,可以在抓料机未安装回转角度传感器的情况下,准确的识别出抓料机工作过程中臂架的回转角度,摆脱了对回转角度传感器的依赖,避免了出现回转角度传感器发生故障无法获取抓料机臂架的回转角度的情况。此外,本发明的技术方案可以实现实时预测回转角度,保证了能够实时分析抓料机的工况。
Description
技术领域
本发明涉及抓料机技术领域,具体而言,涉及一种确定回转角度的方法、装置、可读存储介质和抓料机。
背景技术
现有技术中,抓料机的臂架的回转角度的识别均是通过回转角度传感器进行检测得到的,这种方案对回转角度传感器的依赖性很强,当回转角度传感器发生故障时,则无法获取抓料机的臂架的回转角度,而回转角度数据的缺失会导致无法分析驾驶员操作状态,导致无法对抓料机的工况进行实时分析。因此,如何提供一种不通过回转角度传感器即可准确确定抓料机的臂架的回转角度的技术方案,成为亟需解决的问题。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的第一个方面在于提出一种确定回转角度的方法。
本发明的第二个方面在于提出一种确定回转角度的装置。
本发明的第三个方面在于提出一种可读存储介质。
本发明的第四个方面在于提出一种抓料机。
有鉴于此,根据本发明的第一个方面,提出了一种确定回转角度的方法,用于确定抓料机的臂架的回转角度,确定回转角度的方法包括:获取抓料机的工况参数集;对工况参数集进行预处理,确定第一数据集;将第一数据集输入至第一预设模型中,以确定抓料机的臂架的回转角速度;对回转角速度进行积分,以确定抓料机的臂架的回转角度。
需要说明的是,本发明所提出的确定回转角度的方法的执行主体可以是用于确定回转角度的确定装置,为了更加清楚的对本发明提出的确定回转角度的方法进行说明,下面技术方案中以确定回转角度的方法的执行主体为用于确定回转角度的确定装置进行示例性说明。
在该技术方案中,上述工况参数集为抓料机运行过程中的工况数据,主要包括抓料机工作状态下的压力信号、控制电流、臂架姿态、发动机信号等。
具体地,确定装置首先获取抓料机的工况参数集。具体而言,抓料机上设置有多个传感器,分别用于采集抓料机工作过程中的压力数据、控制电流、臂架姿态、发动机工作数据等参数,多个传感器按照设定的采集频率采集参数后会将参数存储至抓料机的客户端中,确定装置可通过客户端获取上述工况参数集。
进一步地,确定装置对获取的工况参数进行预处理,以确定出第一数据集。具体而言,由于工况参数集中可能会存在空值、异常值等数据,因此,需要通过确定装置对工况参数集进行预处理,以确定出可靠性较高的第一数据集。这样,有利于提高后续步骤中确定的回转角度的准确性。
进一步地,确定装置将上述第一数据集输入至第一预设模型中,以使第一预设模型输出抓料机的臂架的回转角速度。具体而言,抓料机的工况参数与抓料机的臂架的回转角速度的关联程度较高,因此,在本发明的技术方案中,将回转角度的预测转换成回转角速度的预测,然后在通过回转角速度求解回转角度,最终实现不通过回转角度传感器确定抓料机的臂架的回转角度。
需要说明的是,上述第一预设模型为事先通过抓料机的历史参数集对回归模型进行训练确定的。具体而言,回归模型为XGBoost回归模型。
进一步地,确定装置对第一预设模型输出的回转角速度进行积分,计算出抓料机的臂架的回转角度。具体而言,抓料机的臂架的回转角速度是抓料机的臂架的回转角度的导数,因此,确定装置可以通过对回转角速度进行积分计算,得出抓料机的臂架的回转角度。
在该技术方案中,确定装置对获取的工况参数集进行预处理确定的第一数据集,将第一数据集输入至第一预设模型中确定出抓料机的臂架的回转角速度,然后根据回转角速度计算出抓料机的臂架的回转角速度。在本发明的技术方案中,可以在抓料机未安装回转角度传感器的情况下,准确的识别出抓料机工作过程中臂架的回转角度,摆脱了对回转角度传感器的依赖,避免了出现回转角度传感器发生故障无法获取抓料机臂架的回转角度的情况。同时本发明的技术方案可以实现实时预测回转角度,保证了能够实时分析抓料机的工况。此外,采用本发明的技术方案的抓料机无需安装回转角度传感器,节约了购买和安装回转角度传感器的成本。
此外,根据本发明的上述确定回转角度的方法,还可以具有以下附加技术特征:
在上述技术方案中,工况参数集包括抓料机的工况数据和与工况数据对应的时间序列数据,对工况参数集进行预处理,确定第一数据集的步骤具体包括:按照时间序列数据,对工况数据进行采集时间对齐处理,确定第二数据集;对第二数据集进行空值、异常值和滤波处理,以确定第一数据集。
在该技术方案中,上述工况参数集主要包括抓料机的工况数据和与工况数据对应的时间序列数据,其中,工况数据用于指示抓料机运行过程的压力数据、控制电流、臂架姿态、发动机工作数据等,时间序列数据用于指示采集不同时间点上的工况数据。
具体地,对工况参数集进行预处理,确定第一数据集的过程为:确定装置按照时间序列数据,对工况数据进行采集时间对齐处理,确定第二数据集。具体而言,由于抓料机上的多个传感器的安装位置、通信地址和采集频率有可能是不相同的,这造成了工况数据的采集时间的不同。因此,需要通过确定装置对工况数据进行采集时间对齐处理,使得后续步骤中第一预设模型是根据采集时间比较接近的一组工况数据预测的回转角速度,这提高了根据回转角速度确定的抓料机的臂架的回转角度的准确性。
进一步地,确定装置对第二数据集进行空值、异常值和滤波处理,以确定第一数据集。具体而言,经过采集时间对齐处理确定出的第二数据集中可能存在空值和异常值,为了提高后续步骤确定的回转角度的准确性,需要通过确定装置对这些值进行处理。
具体地,当第二数据集中的空值较多时,则删除空值较多的一段数据,当空值较少时,则根据空值前后的数据补全空值。异常值处理的方式与上述方式相同。
进一步地,确定装置对经过空值和异常值处理后的第二数据集进行滤波处理,去除数据中的噪音数据,以确定出数据更平滑的第一数据集。可以理解的是,经过滤波处理后的数据容易出现滤波延迟问题,所以在滤波处理后,确定装置还需要根据滤波处理时的滤波参数调整工况数据的队列数据,以解决滤波延迟问题。
需要说明的是,在对数据进行滤波处理之前,确定装置还需要对经过空值和异常值处理后的第二数据集中的工况数据进行计算,使第二数据集中的工况数据均处于工况数据要求的正常范围内。
在该技术方案中,确定装置对获取的工况参数集中的工况数据进行了采集时间对齐处理、空值处理、异常值处理和滤波处理,确定出了数据平滑的第一数据集。这样,提高了后续步骤中第一预设模型根据第一数据集确定的回转角速度的准确性,进而提高了确定的抓料机的臂架的回转角度的准确性。
在上述技术方案中,在获取抓料机的工况参数集之前,确定回转角度的方法还包括:获取抓料机的历史参数集;对历史参数集进行预处理,以确定第三数据集;根据第三数据集确定模型训练集、模型验证集和模型测试集;根据模型训练集、模型验证集和模型测试集对回归模型进行训练,以确定第一预设模型。
在该技术方案中,在获取抓料机的工况参数集之前,确定装置还需要获取抓料机的历史参数集。具体而言,抓料机的历史参数集用于指示抓料机历史运行过程的中工况数据,可以理解的是,历史参数集中包括与历史工况数据相对应的抓料机的臂架的历史回转角度数据。
进一步地,确定装置对获取的历史参数集进行预处理,以确定出第三数据集。具体而言,历史参数集中也可能包含有空值或者异常值数据,为了保证根据历史参数集训练的回归模型能够准确预测回转角速度,所以确定装置需要对历史参数进行预处理,确定出可靠性较高的第三数据集。
进一步地,确定装置将上述第三数据集划分成模型训练集、模型验证集和模型测试集。
进一步地,确定装置通过模型训练集、模型验证集和模型测试集对回归模型进行训练,确定出第一预设模型。具体而言,确定装置通过三种数据集(模型训练集、模型验证集和模型测试集)对回归模型进行训练,使得确定出第一预设模型能够更加准确的对抓料机的臂架的回转角速度进行预测,进而提高了后续步骤中确定的抓料机的臂架的回转角度的准确性。
在该技术方案中,确定装置能够根据获取的抓料机的历史参数集确定出用于模型训练的模型训练集、模型验证集和模型测试集,通过这三种数据集对回归模型进行训练,使得确定出第一预设模型能够更加准确的对抓料机的臂架的回转角速度进行预测。这样,提高了后续步骤中确定的抓料机的臂架的回转角度的准确性。
在上述技术方案中,历史参数集包括历史工况参数集和与历史工况参数集对应的回转角度数据集,对历史参数集进行预处理,以确定第三数据集的步骤具体包括:对历史工况参数集进行预处理,以确定第四数据集;对回转角度数据集进行预处理,以确定第五数据集;根据第四数据集和第五数据集确定第三数据集。
在该技术方案中,上述历史参数集包括历史工况参数集和与历史工况参数集对应的回转角度数据集。
具体地,对历史参数集进行预处理,以确定第三数据集的过程为:确定装置对历史工况参数集进行预处理,确定第四数据集。具体而言,确定装置对历史工况参数集进行预处理,确定第四数据集的步骤与对上述对工况参数进行预处理确定第一数据集的步骤相同,在此不再赘述。
进一步地,确定装置对回转角度数据集进行预处理,以确定第五数据集。具体而言,回转角度数据集中可能存在异常数据,所以需要通过确定装置对回转角度数据集进行处理,以确定出可靠性较高第五数据集。
进一步地,确定装置根据上述第四数据集和第五数据集确定出用于确定模型训练集、模型验证集和模型测试集的第三数据集。
在该技术方案中,用于确定模型训练集、模型验证集和模型测试集的第三数据集是经过对历史参数集中的历史工况参数集和回转角度数据集预处理后得到的。这样,使得后续步骤中根据模型训练集、模型验证集和模型测试集得出的第一预设模型,能够更准确的对抓料机的臂架的回转角速度进行预测。
在上述技术方案中,对回转角度数据集进行预处理,以确定第五数据集的步骤具体包括:对回转角度数据集的数据进行空值、异常值、阶跃和滤波处理,确定出连续平滑的回转角度数据;对回转角度数据进行求导,确定出第五数据集。
在该技术方案中,对回转角度数据集进行预处理,以确定第五数据集的过程为:确定装置对回转角度数据集进行空值、异常值、阶跃和滤波处理,以确定出连续平滑的回转角度数据。具体而言,回转角度数据集中可能存在空值和异常值,为了提高后续步骤确定的第一预设模型性,需要通过确定装置对这些值进行处理。
具体地,当回转角度数据集中的空值较多时,则删除空值较多的一段数据,当空值较少时,则根据空值前后的数据补全空值。异常值处理的方式与上述方式相同。
进一步地,确定装置对经过空值和异常值处理后的回转角度数据集进行阶跃处理。具体而言,获取的回转角度数据一般为0度至180度和-180度至0度的格式的数据,而这种格式的数据不便于对回归模型进行训练,因此,确定装置需要对经过空值和异常值处理后的回转角度数据集进行阶跃处理,以得到连续的回转角度数据,即0度至360度格式的数据。
进一步地,确定装置对阶跃处理后的回转角度数据集进行滤波处理,去除数据中的噪音数据,以确定出连续平滑的回转角度数据。可以理解的是,经过滤波处理后的数据容易出现滤波延迟问题,所以在滤波处理后,确定装置还需要根据滤波处理时的滤波参数调整工况数据的队列数据,以解决滤波延迟问题。
进一步地,确定装置对经过滤波处理得到的回转角度数据进行求导计算,以确定出第五数据集。具体而言,回转角度的导数为回转角速度,抓料机的工况数据与回转角速度的关联程度较高,因此,确定装置需要将回转角度数据转换成回转角速度数据,以便于后续步骤对回归模型进行训练。
进一步地,在确定出第五数据集后,还需要按照抓料机的工作特性,根据发动机转速、左回转先导压力和右回转先导压力修正怠速状态下的回转角速度,以得到更加真实的回转角速度数据。
在该技术方案中,确定装置对历史的回转角度数据集进行空值、异常阶跃和滤波处理,确定出连续平滑的回转角度数据,然后对回转角度数据进行求导,确定出为回转角速度数据的第五数据集。这样,将回转角度预测转换为回转角速度预测,以便于后续步骤对回归模型进行训练。
在上述技术方案中,根据第三数据集确定模型训练集、模型验证集和模型测试集的步骤具体包括:根据工况参数的重要程度和工况数据与回转角度的相关程度,从第三数据集中筛选出目标数据集;根据目标数据集确定模型训练集、模型验证集和模型测试集。
在该技术方案中,根据第三数据集确定模型训练集、模型验证集和模型测试集的过程为:确定装置根据工况数据的重要程度和工况数据与回转角度的相关程度,从第三数据集中筛选出目标数据集。具体而言,第三数据集中的一些工况数据可能不会对确定抓料机的臂架的回转角度造成影响,因此,确定装置需要事先根据工况数据的重要程度和工况数据与回转角度的相关程度筛选出最相关的工况数据。
具体地,工况数据的重要程度和工况数据与回转角度的相关程度根据抓料机车辆的专业知识和相关行业的经验确定。
需要说明的是,上述最相关的工况数据主要包括:抓料机动臂下降先导压力、抓料机动臂提升先导压力、抓料机斗杆下降先导压力、抓料机斗杆提升先导压力、抓料机车体左回转先导压力、抓料机车体右回转先导压力、抓料机动臂无杆腔压力、抓料机斗杆无杆腔压力、主泵1压力、主泵2压力、主泵1电流、主泵2电流、斗杆角度、动臂角度和发动机转速等数据。
进一步地,确定装置将筛选出的目标数据集划分为模型训练集、模型验证集和模型测试集。具体而言,可以根据数据的采集时间划分,可以根据是采集数据时抓料机的工作状态进行划分,还可以根据其他方式进行划分,本发明在此不做具体限定。
在该技术方案中,确定装置根据工况数据的重要程度和工况数据与回转角度的相关程度从第三数据进行筛选出目标数据集,然后将目标数据集划分为模型训练集、模型验证集和模型测试集。这样,使得上述三种数据集中的数据均是与回转角度最相关的工况数据,提高了训练回归模型的效率,同时提高了训练后回归模型预测回转角速度的准确性。
在上述技术方案中,根据模型训练集、模型验证集和模型测试集对回归模型进行训练,以确定第一预设模型的步骤具体包括:根据模型训练集对回归模型进行训练;根据模型验证集优化训练后的回归模型;根据模型测试集评估优化后的回归模型的拟合程度;在拟合程度大于预设阈值的情况下,将优化后的回归模型确定为第一预设模型。
在该技术方案中,根据模型训练集、模型验证集和模型测试集对回归模型进行训练,以确定第一预设模型的过程为,确定装置根据模型训练集对回归模型进行训练,然后根据模型验证集优化训练后的回归模型。具体而言,可以根据模型验证集的数据调整回归模型的参数,以优化回归模型。
进一步地,确定装置根据模型测试集评估优化后的回归模型的拟合程度。具体而言,可以通过R2_score(R方值)和MAE(Mean absolute error平均绝对误差)评估优化后的回归模型的拟合程度,一般来说,R2_score越接近于1,MAE越小,优化后的回归模型的拟合程度越好。
进一步地,在确定装置判断得出上述拟合程度大于预设阈值的情况下,将优化后的回归模型确定为第一预设模型。具体而言,如果上述拟合程度大于预设阈值,则表明通过上述优化后回归模型预测出的回转角速度能够达到预测精度的要求,此时,将上述优化后的回归模型确定为第一预设模型。
具体而言,上述预设阈值一般设置为85%。
在该技术方案中,确定装置通过模型训练集、模型验证集对回归模型进行训练,通过模型测试集确定优化后的回归模型的拟合程度,并且只有在拟合程度大于预设阈值的情况下,才将优化后的回归模型确定为第一预设模型。这样,保证了后续步骤中通过第一预设模型预测的回转角速度的准确性,进而提高了确定的抓料机的臂架的回转角度的准确性。
根据本发明的第二个方面,提出了确定回转角度的装置,用于确定抓料机的臂架的回转角度,确定回转角度的装置包括:获取单元,用于获取抓料机的工况参数集;处理单元,用于对工况参数集进行预处理,确定第一数据集;处理单元还用于将第一数据集输入至第一预设模型中,以确定抓料机的臂架的回转角速度;处理单元还用于对回转角速度进行积分,以确定抓料机的臂架的回转角度。
在该技术方案中,上述工况参数集为抓料机运行过程中的工况数据,主要包括抓料机工作状态下的压力信号、控制电流、臂架姿态、发动机信号等。
具体地,首先通过获取单元获取抓料机的工况参数集。具体而言,抓料机上设置有多个传感器,分别用于采集抓料机工作过程中的压力数据、控制电流、臂架姿态、发动机工作数据等参数,多个传感器按照设定的采集频率采集参数后会将参数存储至抓料机的客户端中,获取单元可通过客户端获取上述工况参数集。
进一步地,处理单元对获取的工况参数进行预处理,以确定出第一数据集。具体而言,由于工况参数集中可能会存在空值、异常值等数据,因此,需要通过确定装置对工况参数集进行预处理,以确定出可靠性较高的第一数据集。这样,有利于提高后续步骤中确定的回转角度的准确性。
进一步地,处理单元将上述第一数据集输入至第一预设模型中,以使第一预设模型输出抓料机的臂架的回转角速度。具体而言,抓料机的工况参数与抓料机的臂架的回转角速度的关联程度较高,因此,在本发明的技术方案中,将回转角度的预测转换成回转角速度的预测,然后在通过回转角速度求解回转角度,最终实现不通过回转角度传感器确定抓料机的臂架的回转角度。
需要说明的是,上述第一预设模型为事先通过抓料机的历史参数集对回归模型进行训练确定的。具体而言,回归模型为XGBoost回归模型。
进一步地,处理单元对第一预设模型输出的回转角速度进行积分,计算出抓料机的臂架的回转角度。具体而言,抓料机的臂架的回转角速度是抓料机的臂架的回转角度的导数,因此,处理单元可以通过对回转角速度进行积分计算,得出抓料机的臂架的回转角度。
在该技术方案中,处理单元对获取的工况参数集进行预处理确定的第一数据集,将第一数据集输入至第一预设模型中确定出抓料机的臂架的回转角速度,然后根据回转角速度计算出抓料机的臂架的回转角速度。在本发明的技术方案中,可以在抓料机未安装回转角度传感器的情况下,准确的识别出抓料机工作过程中臂架的回转角度,摆脱了对回转角度传感器的依赖,避免了出现回转角度传感器发生故障无法获取抓料机臂架的回转角度的情况。此外,本发明的技术方案可以实现实时预测回转角度,保证了能够实时分析抓料机的工况。此外,采用本发明的技术方案的抓料机无需安装回转角度传感器,节约了购买和安装回转角度传感器的成本。
根据本发明的第三个方面,提出了一种可读存储介质,其上存储有程序或指令,程序或指令被处理器执行时实现如本发明第一方面提出的确定回转角度的方法的步骤。因此,该可读存储介质具备本发明第一方面提出的确定回转角度的方法的全部有益效果,在此不再赘述。
根据本发明的第四个方面,提出了一种抓料机,包括:如本发明第二方面提出的确定回转角度的装置,和/或如本发明第三方面提出的可读存储介质,因此,该抓料机具备本发明第二方面提出的确定回转角度的装置或本发明第三方面提出的可读存储介质的全部有益效果,在此不再赘述。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明实施例的确定回转角度的方法的流程示意图之一;
图2示出了本发明实施例的确定回转角度的方法的流程示意图之二;
图3示出了本发明实施例的确定回转角度的方法的流程示意图之三;
图4示出了本发明实施例的确定回转角度的方法的流程示意图之四;
图5示出了本发明实施例的确定回转角度的方法的流程示意图之五;
图6示出了本发明实施例的确定回转角度的方法的流程示意图之六;
图7示出了本发明实施例的确定回转角度的方法的流程示意图之七;
图8示出了本发明实施例的确定回转角度的装置的示意框图;
图9示出了本发明实施例的抓料机的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不限于下面公开的具体实施例的限制。
下面结合图1至图9,通过具体的实施例及其应用场景对本发明实施例提出的确定回转角度的方法、装置、可读存储介质和抓料机进行详细地说明。
实施例一:
图1示出了本发明实施例的确定回转角度的方法的流程示意图,其中,该方法包括:
步骤S102,获取抓料机的工况参数集;
步骤S104,对工况参数集进行预处理,确定第一数据集;
步骤S106,将第一数据集输入至第一预设模型中,以确定抓料机的臂架的回转角速度;
步骤S108,对回转角速度进行积分,以确定抓料机的臂架的回转角度。
需要说明的是,本发明所提出的确定回转角度的方法的执行主体可以是用于确定回转角度的确定装置,为了更加清楚的对本发明提出的确定回转角度的方法进行说明,下面实施例中以确定回转角度的方法的执行主体为用于确定回转角度的确定装置进行示例性说明。
在该实施例中,上述工况参数集为抓料机运行过程中的工况数据,主要包括抓料机工作状态下的压力信号、控制电流、臂架姿态、发动机信号等。
具体地,确定装置首先获取抓料机的工况参数集。具体而言,抓料机上设置有多个传感器,分别用于采集抓料机工作过程中的压力数据、控制电流、臂架姿态、发动机工作数据等参数,多个传感器按照设定的采集频率采集参数后会将参数存储至抓料机的客户端中,确定装置可通过客户端获取上述工况参数集。
进一步地,确定装置对获取的工况参数进行预处理,以确定出第一数据集。具体而言,由于工况参数集中可能会存在空值、异常值等数据,因此,需要通过确定装置对工况参数集进行预处理,以确定出可靠性较高的第一数据集。这样,有利于提高后续步骤中确定的回转角度的准确性。
进一步地,确定装置将上述第一数据集输入至第一预设模型中,以使第一预设模型输出抓料机的臂架的回转角速度。具体而言,抓料机的工况参数与抓料机的臂架的回转角速度的关联程度较高,因此,在本实施例中,将回转角度的预测转换成回转角速度的预测,然后在通过回转角速度求解回转角度,最终实现不通过回转角度传感器确定抓料机的臂架的回转角度。
需要说明的是,上述第一预设模型为事先通过抓料机的历史参数集对回归模型进行训练确定的。具体而言,回归模型为XGBoost回归模型。
进一步地,确定装置对第一预设模型输出的回转角速度进行积分,计算出抓料机的臂架的回转角度。具体而言,抓料机的臂架的回转角速度是抓料机的臂架的回转角度的导数,因此,确定装置可以通过对回转角速度进行积分计算,得出抓料机的臂架的回转角度。
在该实施例中,确定装置对获取的工况参数集进行预处理确定的第一数据集,将第一数据集输入至第一预设模型中确定出抓料机的臂架的回转角速度,然后根据回转角速度计算出抓料机的臂架的回转角速度。在本实施例中,可以在抓料机未安装回转角度传感器的情况下,准确的识别出抓料机工作过程中臂架的回转角度,摆脱了对回转角度传感器的依赖,避免了出现回转角度传感器发生故障无法获取抓料机臂架的回转角度的情况。此外,本发明的技术方案可以实现实时预测回转角度,保证了能够实时分析抓料机的工况。此外,采用本实施例提出的方案的抓料机无需安装回转角度传感器,节约了购买和安装回转角度传感器的成本。
图2示出了本发明实施例的确定回转角度的方法的流程示意图,其中,该方法包括:
步骤S202,获取抓料机的工况参数集;
步骤S204,按照时间序列数据,对工况数据进行采集时间对齐处理,确定第二数据集;
步骤S206,对第二数据集进行空值、异常值和滤波处理,以确定第一数据集;
步骤S208,将第一数据集输入至第一预设模型中,以确定抓料机的臂架的回转角速度;
步骤S210,对回转角速度进行积分,以确定抓料机的臂架的回转角度。
在该实施例中,上述工况参数集主要包括抓料机的工况数据和与工况数据对应的时间序列数据,其中,工况数据用于指示抓料机运行过程的压力数据、控制电流、臂架姿态、发动机工作数据等,时间序列数据用于指示采集不同时间点上的工况数据。
具体地,对工况参数集进行预处理,确定第一数据集的过程为:确定装置按照时间序列数据,对工况数据进行采集时间对齐处理,确定第二数据集。具体而言,由于抓料机上的多个传感器的安装位置、通信地址和采集频率有可能是不相同的,这造成了工况数据的采集时间的不同。因此,需要通过确定装置对工况数据进行采集时间对齐处理,使得后续步骤中第一预设模型是根据采集时间比较接近的一组工况数据预测的回转角速度,这提高了根据回转角速度确定的抓料机的臂架的回转角度的准确性。
进一步地,确定装置对第二数据集进行空值、异常值和滤波处理,以确定第一数据集。具体而言,经过采集时间对齐处理确定出的第二数据集中可能存在空值和异常值,为了提高后续步骤确定的回转角度的准确性,需要通过确定装置对这些值进行处理。
具体地,当第二数据集中的空值较多时,则删除空值较多的一段数据,当空值较少时,则根据空值前后的数据补全空值。异常值处理的方式与上述方式相同。
进一步地,确定装置对经过空值和异常值处理后的第二数据集进行滤波处理,去除数据中的噪音数据,以确定出数据更平滑的第一数据集。可以理解的是,经过滤波处理后的数据容易出现滤波延迟问题,所以在滤波处理后,确定装置还需要根据滤波处理时的滤波参数调整工况数据的队列数据,以解决滤波延迟问题。
需要说明的是,在对数据进行滤波处理之前,确定装置还需要对经过空值和异常值处理后的第二数据集中的工况数据进行计算,使第二数据集中的工况数据均处于工况数据要求的正常范围内。
在该实施例中,确定装置对获取的工况参数集中的工况数据进行了采集时间对齐处理、空值处理、异常值处理和滤波处理,确定出了数据平滑的第一数据集。这样,提高了后续步骤中第一预设模型根据第一数据集确定的回转角速度的准确性,进而提高了确定的抓料机的臂架的回转角度的准确性。
图3示出了本发明实施例的确定回转角度的方法的流程示意图,其中,该方法包括:
步骤S302,获取抓料机的历史参数集;
步骤S304,对历史参数集进行预处理,以确定第三数据集;
步骤S306,根据第三数据集确定模型训练集、模型验证集和模型测试集;
步骤S308,根据模型训练集、模型验证集和模型测试集对回归模型进行训练,以确定第一预设模型;
步骤S310,获取抓料机的工况参数集;
步骤S312,对工况参数集进行预处理,确定第一数据集;
步骤S314,将第一数据集输入至第一预设模型中,以确定抓料机的臂架的回转角速度;
步骤S316,对回转角速度进行积分,以确定抓料机的臂架的回转角度。
在该实施例中,在获取抓料机的工况参数集之前,确定装置还需要获取抓料机的历史参数集。具体而言,抓料机的历史参数集用于指示抓料机历史运行过程的中工况数据,可以理解的是,历史参数集中包括与历史工况数据相对应的抓料机的臂架的历史回转角度数据。
进一步地,确定装置对获取的历史参数集进行预处理,以确定出第三数据集。具体而言,历史参数集中也可能包含有空值或者异常值数据,为了保证根据历史参数集训练的回归模型能够准确预测回转角速度,所以确定装置需要对历史参数进行预处理,确定出可靠性较高的第三数据集。
进一步地,确定装置将上述第三数据集划分成模型训练集、模型验证集和模型测试集。
进一步地,确定装置通过模型训练集、模型验证集和模型测试集对回归模型进行训练,确定出第一预设模型。具体而言,确定装置通过三种数据集(模型训练集、模型验证集和模型测试集)对回归模型进行训练,使得确定出第一预设模型能够更加准确的对抓料机的臂架的回转角速度进行预测,进而提高了后续步骤中确定的抓料机的臂架的回转角度的准确性。
在该实施例中,确定装置能够根据获取的抓料机的历史参数集确定出用于模型训练的模型训练集、模型验证集和模型测试集,通过这三种数据集对回归模型进行训练,使得确定出第一预设模型能够更加准确的对抓料机的臂架的回转角速度进行预测。这样,提高了后续步骤中确定的抓料机的臂架的回转角度的准确性。
图4示出了本发明实施例的确定回转角度的方法的流程示意图,其中,历史参数集包括历史工况参数集和与历史工况参数集对应的回转角度数据集,确定回转角度的方法包括:
步骤S402,获取抓料机的历史参数集;
步骤S404,对历史工况参数集进行预处理,以确定第四数据集;
步骤S406,对回转角度数据集进行预处理,以确定第五数据集;
步骤S408,根据第四数据集和第五数据集确定第三数据集;
步骤S410,根据第三数据集确定模型训练集、模型验证集和模型测试集;
步骤S412,根据模型训练集、模型验证集和模型测试集对回归模型进行训练,以确定第一预设模型;
步骤S414,获取抓料机的工况参数集;
步骤S416,对工况参数集进行预处理,确定第一数据集;
步骤S418,将第一数据集输入至第一预设模型中,以确定抓料机的臂架的回转角速度;
步骤S420,对回转角速度进行积分,以确定抓料机的臂架的回转角度。
在该实施例中,上述历史参数集包括历史工况参数集和与历史工况参数集对应的回转角度数据集。
具体地,对历史参数集进行预处理,以确定第三数据集的过程为:确定装置对历史工况参数集进行预处理,确定第四数据集。具体而言,确定装置对历史工况参数集进行预处理,确定第四数据集的步骤与对上述对工况参数进行预处理确定第一数据集的步骤相同,在此不再赘述。
进一步地,确定装置对回转角度数据集进行预处理,以确定第五数据集。具体而言,回转角度数据集中可能存在异常数据,所以需要通过确定装置对回转角度数据集进行处理,以确定出可靠性较高第五数据集。
进一步地,确定装置根据上述第四数据集和第五数据集确定出用于确定模型训练集、模型验证集和模型测试集的第三数据集。
在该实施例中,用于确定模型训练集、模型验证集和模型测试集的第三数据集是经过对历史参数集中的历史工况参数集和回转角度数据集预处理后得到的。这样,使得后续步骤中根据模型训练集、模型验证集和模型测试集得出的第一预设模型,能够更准确的对抓料机的臂架的回转角速度进行预测。
图5示出了本发明实施例的确定回转角度的方法的流程示意图,其中,该方法包括:
步骤S502,获取抓料机的历史参数集;
步骤S504,对历史工况参数集进行预处理,以确定第四数据集;
步骤S506,对回转角度数据集的数据进行空值、异常值、阶跃和滤波处理,确定出连续平滑的回转角度数据;
步骤S508,对回转角度数据进行求导,确定出第五数据集;
步骤S510,根据第四数据集和第五数据集确定第三数据集;
步骤S512,根据第三数据集确定模型训练集、模型验证集和模型测试集;
步骤S514,根据模型训练集、模型验证集和模型测试集对回归模型进行训练,以确定第一预设模型;
步骤S516,获取抓料机的工况参数集;
步骤S518,对工况参数集进行预处理,确定第一数据集;
步骤S520,将第一数据集输入至第一预设模型中,以确定抓料机的臂架的回转角速度;
步骤S522,对回转角速度进行积分,以确定抓料机的臂架的回转角度。
在该实施例中,对回转角度数据集进行预处理,以确定第五数据集的过程为:确定装置对回转角度数据集进行空值、异常值、阶跃和滤波处理,以确定出连续平滑的回转角度数据。具体而言,回转角度数据集中可能存在空值和异常值,为了提高后续步骤确定的第一预设模型性,需要通过确定装置对这些值进行处理。
具体地,当回转角度数据集中的空值较多时,则删除空值较多的一段数据,当空值较少时,则根据空值前后的数据补全空值。异常值处理的方式与上述方式相同。
进一步地,确定装置对经过空值和异常值处理后的回转角度数据集进行阶跃处理。具体而言,获取的回转角度数据一般为0度至180度和-180度至0度的格式的数据,而这种格式的数据不便于对回归模型进行训练,因此,确定装置需要对经过空值和异常值处理后的回转角度数据集进行阶跃处理,以得到连续的回转角度数据,即0度至360度格式的数据。
进一步地,确定装置对阶跃处理后的回转角度数据集进行滤波处理,去除数据中的噪音数据,以确定出连续平滑的回转角度数据。可以理解的是,经过滤波处理后的数据容易出现滤波延迟问题,所以在滤波处理后,确定装置还需要根据滤波处理时的滤波参数调整工况数据的队列数据,以解决滤波延迟问题。
进一步地,确定装置对经过滤波处理得到的回转角度数据进行求导计算,以确定出第五数据集。具体而言,回转角度的导数为回转角速度,抓料机的工况数据与回转角速度的关联程度较高,因此,确定装置需要将回转角度数据转换成回转角速度数据,以便于后续步骤对回归模型进行训练。
进一步地,在确定出第五数据集后,还需要按照抓料机的工作特性,根据发动机转速、左回转先导压力和右回转先导压力修正怠速状态下的回转角速度,以得到更加真实的回转角速度数据。
在该实施例中,确定装置对历史的回转角度数据集进行空值、异常阶跃和滤波处理,确定出连续平滑的回转角度数据,然后对回转角度数据进行求导,确定出为回转角速度数据的第五数据集。这样,将回转角度预测转换为回转角速度预测,以便于后续步骤对回归模型进行训练。
图6示出了本发明实施例的确定回转角度的方法的流程示意图,其中,该方法包括:
步骤S602,获取抓料机的历史参数集;
步骤S604,对历史参数集进行预处理,以确定第三数据集;
步骤S606,根据工况参数的重要程度和工况数据与回转角度的相关程度,从第三数据集中筛选出目标数据集;
步骤S608,根据目标数据集确定模型训练集、模型验证集和模型测试集;
步骤S610,根据模型训练集、模型验证集和模型测试集对回归模型进行训练,以确定第一预设模型;
步骤S612,获取抓料机的工况参数集;
步骤S614,对工况参数集进行预处理,确定第一数据集;
步骤S616,将第一数据集输入至第一预设模型中,以确定抓料机的臂架的回转角速度;
步骤S618,对回转角速度进行积分,以确定抓料机的臂架的回转角度。
在该实施例中,根据第三数据集确定模型训练集、模型验证集和模型测试集的过程为:确定装置根据工况数据的重要程度和工况数据与回转角度的相关程度,从第三数据集中筛选出目标数据集。具体而言,第三数据集中的一些工况数据可能不会对确定抓料机的臂架的回转角度造成影响,因此,确定装置需要事先根据工况数据的重要程度和工况数据与回转角度的相关程度筛选出最相关的工况数据。
具体地,工况数据的重要程度和工况数据与回转角度的相关程度根据抓料机车辆的专业知识和相关行业的经验确定。
需要说明的是,上述最相关的工况数据主要包括:抓料机动臂下降先导压力、抓料机动臂提升先导压力、抓料机斗杆下降先导压力、抓料机斗杆提升先导压力、抓料机车体左回转先导压力、抓料机车体右回转先导压力、抓料机动臂无杆腔压力、抓料机斗杆无杆腔压力、主泵1压力、主泵2压力、主泵1电流、主泵2电流、斗杆角度、动臂角度和发动机转速等数据。
进一步地,确定装置将筛选出的目标数据集划分为模型训练集、模型验证集和模型测试集。具体而言,可以根据数据的采集时间划分,可以根据是采集数据时抓料机的工作状态进行划分,还可以根据其他方式进行划分,本实施例在此不做具体限定。
在该实施例中,确定装置根据工况数据的重要程度和工况数据与回转角度的相关程度从第三数据进行筛选出目标数据集,然后将目标数据集划分为模型训练集、模型验证集和模型测试集。这样,使得上述三种数据集中的数据均是与回转角度最相关的工况数据,提高了训练回归模型的效率,同时提高了训练后回归模型预测回转角速度的准确性。
图7示出了本发明实施例的确定回转角度的方法的流程示意图,其中,该方法包括:
步骤S702,获取抓料机的历史参数集;
步骤S704,对历史参数集进行预处理,以确定第三数据集;
步骤S706,根据第三数据集确定模型训练集、模型验证集和模型测试集;
步骤S708,根据模型训练集对回归模型进行训练;
步骤S710,根据模型验证集优化训练后的回归模型;
步骤S712,根据模型测试集评估优化后的回归模型的拟合程度;
步骤S714,在拟合程度大于预设阈值的情况下,将优化后的回归模型确定为第一预设模型;
步骤S716,获取抓料机的工况参数集;
步骤S718,对工况参数集进行预处理,确定第一数据集;
步骤S720,将第一数据集输入至第一预设模型中,以确定抓料机的臂架的回转角速度;
步骤S722,对回转角速度进行积分,以确定抓料机的臂架的回转角度。
在该实施例中,根据模型训练集、模型验证集和模型测试集对回归模型进行训练,以确定第一预设模型的过程为,确定装置根据模型训练集对回归模型进行训练,然后根据模型验证集优化训练后的回归模型。具体而言,可以根据模型验证集的数据调整回归模型的参数,以优化回归模型。
进一步地,确定装置根据模型测试集评估优化后的回归模型的拟合程度。具体而言,可以通过R2_score和MAE评估优化后的回归模型的拟合程度,一般来说,R2_score越接近于1,MAE越小,优化后的回归模型的拟合程度越好。
进一步地,在确定装置判断得出上述拟合程度大于预设阈值的情况下,将优化后的回归模型确定为第一预设模型。具体而言,如果上述拟合程度大于预设阈值,则表明通过上述优化后回归模型预测出的回转角速度能够达到预测精度的要求,此时,将上述优化后的回归模型确定为第一预设模型。
具体而言,上述预设阈值一般设置为85%。
在该实施例中,确定装置通过模型训练集、模型验证集对回归模型进行训练,通过模型测试集确定优化后的回归模型的拟合程度,并且只有在拟合程度大于预设阈值的情况下,才将优化后的回归模型确定为第一预设模型。这样,保证了后续步骤中通过第一预设模型预测的回转角速度的准确性,进而提高了确定的抓料机的臂架的回转角度的准确性。
实施例二:
图8示出了本发明实施例的提出确定回转角度的装置的示意框图,其中,该确定回转角度的装置800包括:获取单元802,用于获取抓料机的工况参数集;处理单元804,用于对工况参数集进行预处理,确定第一数据集;处理单元804还用于将第一数据集输入至第一预设模型中,以确定抓料机的臂架的回转角速度;处理单元804还用于对回转角速度进行积分,以确定抓料机的臂架的回转角度。
在该实施例中,上述工况参数集为抓料机运行过程中的工况数据,主要包括抓料机工作状态下的压力信号、控制电流、臂架姿态、发动机信号等。
具体地,首先通过获取单元802获取抓料机的工况参数集。具体而言,抓料机上设置有多个传感器,分别用于采集抓料机工作过程中的压力数据、控制电流、臂架姿态、发动机工作数据等参数,多个传感器按照设定的采集频率采集参数后会将参数存储至抓料机的客户端中,获取单元802可通过客户端获取上述工况参数集。
进一步地,处理单元804对获取的工况参数进行预处理,以确定出第一数据集。具体而言,由于工况参数集中可能会存在空值、异常值等数据,因此,需要通过确定装置对工况参数集进行预处理,以确定出可靠性较高的第一数据集。这样,有利于提高后续步骤中确定的回转角度的准确性。
进一步地,处理单元804将上述第一数据集输入至第一预设模型中,以使第一预设模型输出抓料机的臂架的回转角速度。具体而言,抓料机的工况参数与抓料机的臂架的回转角速度的关联程度较高,因此,在本发明的技术方案中,将回转角度的预测转换成回转角速度的预测,然后在通过回转角速度求解回转角度,最终实现不通过回转角度传感器确定抓料机的臂架的回转角度。
需要说明的是,上述第一预设模型为事先通过抓料机的历史参数集对回归模型进行训练确定的。具体而言,回归模型为XGBoost回归模型。
进一步地,处理单元804对第一预设模型输出的回转角速度进行积分,计算出抓料机的臂架的回转角度。具体而言,抓料机的臂架的回转角速度是抓料机的臂架的回转角度的导数,因此,处理单元804可以通过对回转角速度进行积分计算,得出抓料机的臂架的回转角度。
在该实施例中,处理单元804对获取的工况参数集进行预处理确定的第一数据集,将第一数据集输入至第一预设模型中确定出抓料机的臂架的回转角速度,然后根据回转角速度计算出抓料机的臂架的回转角速度。在本实施例中,可以在抓料机未安装回转角度传感器的情况下,准确的确定出抓料机工作过程中臂架的回转角度,摆脱了对回转角度传感器的依赖,避免了出现回转角度传感器发生故障无法获取抓料机臂架的回转角度的情况。同时本发明的技术方案可以实现实时预测回转角度,保证了能够实时分析抓料机的工况。此外,采用本实施例提出的装置的抓料机无需安装回转角度传感器,节约了购买和安装回转角度传感器的成本。
进一步地,在该实施例中,上述工况参数集具体包括抓料机的工况数据和与工况数据对应的时间序列数据,在对工况参数集进行预处理,确定第一数据集的步骤中,处理单元804具体用于按照时间序列数据,对工况数据进行采集时间对齐处理,确定第二数据集;对第二数据集进行空值、异常值和滤波处理,以确定第一数据集。
进一步地,在该实施例中,在获取抓料机的工况参数集之前,获取单元802还用于获取抓料机的历史参数集;处理单元804还用于对历史参数集进行预处理,以确定第三数据集;根据第三数据集确定模型训练集、模型验证集和模型测试集;根据模型训练集、模型验证集和模型测试集对回归模型进行训练,以确定第一预设模型。
进一步地,在该实施例中,上述历史参数集具体包括历史工况参数集和与历史工况参数集对应的回转角度数据集,在对历史参数集进行预处理,以确定第三数据集的步骤中,处理单元804具体用于对历史工况参数集进行预处理,以确定第四数据集;对回转角度数据集进行预处理,以确定第五数据集;根据第四数据集和第五数据集确定第三数据集。
进一步地,在该实施例中,在对回转角度数据集进行预处理,以确定第五数据集的步骤中,处理单元804具体用于对回转角度数据集的数据进行空值、异常值、阶跃和滤波处理,确定出连续平滑的回转角度数据;对回转角度数据进行求导,确定出第五数据集。
进一步地,在该实施例中,在根据第三数据集确定模型训练集、模型验证集和模型测试集的步骤中,处理单元804具体用于根据工况参数的重要程度和与回转角度的相关程度,从第三数据集中筛选出目标数据集;根据目标数据集确定模型训练集、模型验证集和模型测试集。
进一步地,在该实施例中,在根据模型训练集、模型验证集和模型测试集对回归模型进行训练,以确定第一预设模型的步骤中,处理单元804具体用于根据模型训练集对回归模型进行训练;根据模型验证集优化训练后的回归模型;根据模型测试集评估优化后的回归模型的拟合程度;在拟合程度大于预设阈值的情况下,将优化后的回归模型确定为第一预设模型。
实施例三:
根据本发明的第三个实施例,提出了一种可读存储介质,其上存储有程序或指令,程序或指令被处理器执行时实现如上述实施例提出确定回转角度的方法的步骤。因此,该可读存储介质具备上述实施例提出的确定回转角度的方法的全部有益效果,在此不再赘述。
实施例四:
图9示出了本发明实施例的抓料机的示意框图,该抓料机900包括如本发明上述实施例提出的确定回转角度的装置800,和/或如本发明上述实施例提出的可读存储介质902,因此,该抓料机900具备本发明上述实施例提出的确定回转角度的装置800或本发明上述实施例提出的可读存储介质902的全部有益效果,在此不再赘述。
在本说明书的描述中,术语“第一”、“第二”仅用于描述的目的,而不能理解为指示或暗示相对重要性,除非另有明确的规定和限定;术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。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。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种确定回转角度的方法,其特征在于,用于确定抓料机的臂架的回转角度,所述确定回转角度的方法包括:
获取所述抓料机的工况参数集;
对所述工况参数集进行预处理,确定第一数据集;
将所述第一数据集输入至第一预设模型中,以确定所述抓料机的臂架的回转角速度;
对所述回转角速度进行积分,以确定所述抓料机的臂架的回转角度;
所述工况参数集包括所述抓料机的工况数据和与所述工况数据对应的时间序列数据,所述对所述工况参数集进行预处理,确定第一数据集,具体包括:
按照所述时间序列数据,对所述工况数据进行采集时间对齐处理,确定第二数据集;
对所述第二数据集进行空值、异常值和滤波处理,以确定所述第一数据集;
所述获取所述抓料机的工况参数集之前,所述确定回转角度的方法还包括:
获取所述抓料机的历史参数集;
对所述历史参数集进行预处理,以确定第三数据集;
根据所述第三数据集确定模型训练集、模型验证集和模型测试集;
根据所述模型训练集、所述模型验证集和所述模型测试集对回归模型进行训练,以确定所述第一预设模型。
2.根据权利要求1所述的确定回转角度的方法,其特征在于,所述历史参数集包括历史工况参数集和与所述历史工况参数集对应的回转角度数据集,所述对所述历史参数集进行预处理,以确定第三数据集,具体包括:
对所述历史工况参数集进行预处理,以确定第四数据集;
对所述回转角度数据集进行预处理,以确定第五数据集;
根据所述第四数据集和所述第五数据集确定所述第三数据集。
3.根据权利要求2所述的确定回转角度的方法,其特征在于,所述对所述回转角度数据集进行预处理,以确定第五数据集,具体包括:
对所述回转角度数据集的数据进行空值、异常值、阶跃和滤波处理,确定出连续平滑的回转角度数据;
对所述回转角度数据进行求导,确定出所述第五数据集。
4.根据权利要求1所述的确定回转角度的方法,其特征在于,所述根据所述第三数据集确定模型训练集、模型验证集和模型测试集,具体包括:
根据工况数据的重要程度和工况数据与所述回转角度的相关程度,从所述第三数据集中筛选出目标数据集;
根据所述目标数据集确定所述模型训练集、模型验证集和模型测试集。
5.根据权利要求1所述的确定回转角度的方法,其特征在于,所述根据所述模型训练集、所述模型验证集和所述模型测试集对回归模型进行训练,以确定所述第一预设模型,具体包括:
根据所述模型训练集对所述回归模型进行训练;
根据所述模型验证集优化训练后的所述回归模型;
根据所述模型测试集评估优化后的所述回归模型的拟合程度;
在所述拟合程度大于预设阈值的情况下,将优化后的所述回归模型确定为所述第一预设模型。
6.一种确定回转角度的装置,其特征在于,用于确定抓料机的臂架的回转角度,所述确定回转角度的装置包括:
获取单元,用于获取所述抓料机的工况参数集;
处理单元,用于对所述工况参数集进行预处理,确定第一数据集;
所述处理单元还用于将所述第一数据集输入至第一预设模型中,以确定所述抓料机的臂架的回转角速度;
所述处理单元还用于对所述回转角速度进行积分,以确定所述抓料机的臂架的回转角度;
所述工况参数集包括所述抓料机的工况数据和与所述工况数据对应的时间序列数据,所述处理单元还用于按照所述时间序列数据,对所述工况数据进行采集时间对齐处理,确定第二数据集;
对所述第二数据集进行空值、异常值和滤波处理,以确定所述第一数据集;
所述获取单元还用于获取所述抓料机的历史参数集;
所述处理单元还用于对所述历史参数集进行预处理,以确定第三数据集;
根据所述第三数据集确定模型训练集、模型验证集和模型测试集;
根据所述模型训练集、所述模型验证集和所述模型测试集对回归模型进行训练,以确定所述第一预设模型。
7.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至5中任一项所述的确定回转角度的方法的步骤。
8.一种抓料机,其特征在于,包括:
如权利要求6所述的确定回转角度的装置;和/或
如权利要求7所述的可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210376926.5A CN114834851B (zh) | 2022-04-12 | 2022-04-12 | 确定回转角度的方法、装置、可读存储介质和抓料机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210376926.5A CN114834851B (zh) | 2022-04-12 | 2022-04-12 | 确定回转角度的方法、装置、可读存储介质和抓料机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114834851A CN114834851A (zh) | 2022-08-02 |
CN114834851B true CN114834851B (zh) | 2023-04-18 |
Family
ID=82564815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210376926.5A Active CN114834851B (zh) | 2022-04-12 | 2022-04-12 | 确定回转角度的方法、装置、可读存储介质和抓料机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114834851B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59117911U (ja) * | 1983-01-29 | 1984-08-09 | トヨタ自動車株式会社 | 自動車のステアリングコラム |
JP4840066B2 (ja) * | 2006-10-11 | 2011-12-21 | セイコーエプソン株式会社 | 回転角度検出装置、および回転角度検出装置の制御方法 |
CN101750046B (zh) * | 2009-12-24 | 2013-05-08 | 三一重工股份有限公司 | 一种角度测量装置和方法及工程机械 |
JP5821210B2 (ja) * | 2011-02-22 | 2015-11-24 | セイコーエプソン株式会社 | 水平多関節ロボット及び水平多関節ロボットの制御方法 |
CN103591925B (zh) * | 2013-11-26 | 2016-01-20 | 浙江理工大学 | 基于三轴加速度传感器的移动平台旋转角度测量方法 |
CN105353776B (zh) * | 2014-08-20 | 2018-04-13 | 湖南中联重科智能技术有限公司 | 一种臂架的控制系统、方法、装置及工程机械 |
CN111402337A (zh) * | 2020-04-03 | 2020-07-10 | 中联重科股份有限公司 | 工程机械臂架类设备的姿态识别方法、装置及该工程机械 |
-
2022
- 2022-04-12 CN CN202210376926.5A patent/CN114834851B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114834851A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6343573B2 (ja) | 操作支援システムおよび操作支援システムを備えた作業機械 | |
JP5858839B2 (ja) | 作業機械の異常診断装置 | |
EP1640894A1 (en) | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method | |
JP5841612B2 (ja) | 建設機械の稼働データ収集装置 | |
JP6568167B2 (ja) | 異常検知装置及び機械学習装置 | |
EP3760398A1 (en) | Abnormality detecting device and abnormality detecting method | |
US11813895B2 (en) | Tire wear measuring apparatus using irregularity of tire acceleration signal and tire wear measuring method using same | |
CN114834851B (zh) | 确定回转角度的方法、装置、可读存储介质和抓料机 | |
CN112687121A (zh) | 行驶轨迹的预测方法、装置及自动驾驶车辆 | |
KR101865897B1 (ko) | 서포트 벡터 머신을 이용한 회전체 수명 진단방법 | |
CN112327734A (zh) | 一种基于互联网的工程机械远程监控系统 | |
JP2008310623A (ja) | 状況解析システムおよび状況解析方法 | |
CN112924208B (zh) | 挖掘机故障诊断系统及诊断方法 | |
JP2001341956A (ja) | エレベータの遠隔保守方法及び遠隔保守システム | |
CN117023039A (zh) | 一种新能源汽车用端子台生产输送线的控制方法及系统 | |
JP2021076450A (ja) | 送り軸装置の異常診断方法及び異常診断装置 | |
CN108252932A (zh) | 用于运行多个泵单元中的至少一个泵单元的方法 | |
CN112922077A (zh) | 流量分配方法、挖掘机控制方法、电子设备及挖掘机 | |
US11454243B2 (en) | Artificial intelligence training method for a target model based on the label matrix | |
CN114723187A (zh) | 一种智能塔机及智能塔机的故障预测方法、存储介质 | |
JP7214780B2 (ja) | 性能診断装置、性能診断方法 | |
CN113445992A (zh) | 抽油机运动位移的处理方法和装置 | |
JP2020091704A (ja) | 解析システム、車載装置、管理装置、解析方法および解析プログラム | |
CN111980902B (zh) | 往复式压缩机的监测系统及监测方法 | |
JP2014035214A (ja) | 重機作業状況特定システム、重機作業状況特定方法、および重機作業状況特定プログラム |
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 |