CN115130511A - 一种工况识别方法、设备及计算机可读存储介质 - Google Patents

一种工况识别方法、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN115130511A
CN115130511A CN202210756975.1A CN202210756975A CN115130511A CN 115130511 A CN115130511 A CN 115130511A CN 202210756975 A CN202210756975 A CN 202210756975A CN 115130511 A CN115130511 A CN 115130511A
Authority
CN
China
Prior art keywords
acceleration data
triaxial
data
processed
triaxial acceleration
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
Application number
CN202210756975.1A
Other languages
English (en)
Inventor
周志军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Tianling Network Technology Co ltd
Original Assignee
Guangzhou Tianling Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Tianling Network Technology Co ltd filed Critical Guangzhou Tianling Network Technology Co ltd
Priority to CN202210756975.1A priority Critical patent/CN115130511A/zh
Publication of CN115130511A publication Critical patent/CN115130511A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种工况识别方法、设备及计算机可读存储介质，该方法包括：实时采集工程机械设备的三轴加速度数据，并存储所述三轴加速度数据；对所述三轴加速度数据进行预处理，获得处理后的加速度值；将所述处理后的加速度值输入卷积神经网络模型中进行工况识别，获得所述工程机械设备当前对应的工况状态。在本发明中，只需要在工程机械设备上安装可以采集工程机械设备的三轴加速度数据的设备即可，无需在工程机械设备上安装多种传感器和摄像设备进行数据采集，从而无需对工程机械设备进行改装，可以减除工程机械设备的改装成本，以及可以避免出现由于改装线路复杂出现的安全隐患的问题，安全性较高。

Description

一种工况识别方法、设备及计算机可读存储介质
技术领域
本发明涉及工况识别技术领域，特别是涉及一种工况识别方法、设备及计算机可读存储介质。
背景技术
目前，对于工程机械设备(如工程车辆)的工况的识别需要结合多种传感器进行，因此，需要在工程机械设备上安装多种传感器(如姿态传感器)和摄像设备。但是，若要安装多种传感器和摄像设备，则需要对工程机械设备进行改装，改装的成本较高，且安装线路复杂，容易存在一些安全隐患。
因此，亟需设计一种具有成本低、安全性高等特点的工程机械设备的工况识别方案。
发明内容
基于此，本发明的目的在于为克服现有技术的工况识别方案对工程机械设备的改装成本高、安装线路复杂、且容易存在安全隐患的问题，提供一种具有成本低、安全性高等特点的工况识别方法、设备及计算机可读存储介质。
第一方面，本发明实施例提供一种工况识别方法，包括：
实时采集工程机械设备的三轴加速度数据，并存储所述三轴加速度数据；
对所述三轴加速度数据进行预处理，获得处理后的加速度值；
将所述处理后的加速度值输入卷积神经网络模型中进行工况识别，获得所述工程机械设备当前对应的工况状态。
在一种可能的设计中，实时采集工程机械设备的三轴加速度数据，并存储所述三轴加速度数据，包括：
通过三轴陀螺仪按照预设时长间隔实时采集所述工程机械设备的三轴加速度数据；
将所述三轴加速度以预设数格式序列进行数据格式转换，获得转换格式后的三轴加速度数据；
通过预设通信数据协议，将所述转换格式后的三轴加速度数据上传到中央服务器中存储。
在一种可能的设计中，对所述三轴加速度数据进行预处理，获得处理后的加速度值之前，所述方法还包括：
选择小波基函数，采用小波变换对所述三轴加速度数据中含有的震动信号进行预设尺度分解，得到所述三轴加速度数据在各尺度上的小波系数；
根据震动信号和夹杂噪声的频率分布，对所述三轴加速度数据在各尺度上的小波系数进行阈值处理，获得处理后的三轴加速度数据；
分别处理完所述处理后的三轴加速度数据对应的小波尺度分解后的低频系数和高频系数，再重构三轴加速度数据，获得消除自然噪声后的三轴加速度数据。
在一种可能的设计中，对所述三轴加速度数据进行预处理，获得处理后的加速度值，包括：
对所述三轴加速度数据进行向量化和归一化处理，获得所述处理后的加速度值。
在一种可能的设计中，对所述三轴加速度数据进行向量化和归一化处理，获得所述处理后的加速度值，包括：
采用如下第一计算公式对所述三轴加速度数据进行向量化和归一化处理，获得所述处理后的加速度值；
Figure BDA0003722906670000031
其中，v'表示处理后的加速度值，Ax'表示为x轴加速度数据，Ay'表示为y轴加速度数据，Az'表示为z轴加速度数据。
在一种可能的设计中，将所述处理后的加速度值输入卷积神经网络模型中进行工况识别，获得所述工程机械设备当前对应的工况状态，包括：
将所述处理后的加速度值转化为所述卷积神经网络模型能够识别的二维数据，获得二维加速度数据；
将所述二维加速度数据输入所述卷积神经网络模型中进行工况识别，获得所述工程机械设备当前对应的工况状态。
在一种可能的设计中，所述卷积神经网络模型由以下方式获得：
构建卷积神经网络模型框架；
获取多个历史加速度值，任一所述历史加速度值包括人工标签；
将多个所述历史加速度值，输入所述卷积神经网络模型框架中进行分类训练，获得所述卷积神经网络模型。
第二方面，本发明实施例还提供了一种工况识别设备，包括：
采集单元，用于实时采集工程机械设备的三轴加速度数据，并存储所述三轴加速度数据，所述三轴加速度数据包括俯仰角加速度数据、翻滚角加速度数据和偏航角加速度数据；
识别单元，用于对所述三轴加速度数据进行预处理，获得处理后的加速度值；将所述处理后的加速度值输入卷积神经网络模型中进行工况识别，获得所述工程机械设备当前对应的工况状态。
在一种可能的设计中，所述采集单元具体用于：
通过三轴陀螺仪按照预设时长间隔实时采集所述工程机械设备的三轴加速度数据；
将所述三轴加速度以预设数格式序列进行数据格式转换，获得转换格式后的三轴加速度数据；
通过预设通信数据协议，将所述转换格式后的三轴加速度数据上传到中央服务器中存储。
在一种可能的设计中，所述识别单元还用于：
选择小波基函数，采用小波变换对所述三轴加速度数据中含有的震动信号进行预设尺度分解，得到所述三轴加速度数据在各尺度上的小波系数；
根据震动信号和夹杂噪声的频率分布，对所述三轴加速度数据在各尺度上的小波系数进行阈值处理，获得处理后的三轴加速度数据；
分别处理完所述处理后的三轴加速度数据对应的小波尺度分解后的低频系数和高频系数，再重构三轴加速度数据，获得消除自然噪声后的三轴加速度数据。
在一种可能的设计中，所述识别单元具体用于：
对所述三轴加速度数据进行向量化和归一化处理，获得所述处理后的加速度值。
在一种可能的设计中，所述识别单元具体用于：
采用如下第一计算公式对所述三轴加速度数据进行向量化和归一化处理，获得所述处理后的加速度值；
Figure BDA0003722906670000041
其中，v'表示处理后的加速度值，Ax'表示为x轴加速度数据，Ay'表示为y轴加速度数据，Az'表示为z轴加速度数据。
在一种可能的设计中，所述识别单元具体用于：
将所述处理后的加速度值转化为所述卷积神经网络模型能够识别的二维数据，获得二维加速度数据；
将所述二维加速度数据输入所述卷积神经网络模型中进行工况识别，获得所述工程机械设备当前对应的工况状态。
在一种可能的设计中，所述识别单元具体用于通过以下方式获得所述卷积神经网络模型：
构建卷积神经网络模型框架；
获取多个历史加速度值，任一所述历史加速度值包括人工标签；
将多个所述历史加速度值，输入所述卷积神经网络模型框架中进行分类训练，获得所述卷积神经网络模型。
第三方面，本发明实施例还提供了一种工况识别设备，所述工况识别设备包括：至少一个存储器和至少一个处理器；
所述至少一个存储器用于存储一个或多个程序；
当所述一个或多个程序被所述至少一个处理器执行时，实现上述第一方面任一种可能设计所涉及的方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个程序；当所述至少一个程序被处理器执行时，实现上述第一方面任一种可能设计所涉及的方法。
本发明的有益技术效果如下：
在本发明实施例提供的技术方案中，通过采用卷积神经网络模型基于实时采集工程机械设备的三轴加速度数据，进行工程机械设备的工况识别，只需要在工程机械设备上安装可以采集工程机械设备的三轴加速度数据的设备即可，无需在工程机械设备上安装多种传感器和摄像设备进行数据采集，从而无需对工程机械设备进行改装，可以减除工程机械设备的改装成本，以及可以避免出现由于改装线路复杂出现的安全隐患的问题，安全性较高。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明实施例提供的一种工况识别方法的流程示意图；
图2为本发明实施例提供的一种卷积神经网络模型的框架示意图；
图3为本发明实施例提供的一种工况识别设备的结构示意图；
图4为本发明实施例提供的另一种工况识别设备的结构示意图。
具体实施方式
在本说明书中提到或者可能提到的上、下、左、右、前、后、正面、背面、顶部、底部等方位用语是相对于其构造进行定义的，它们是相对的概念。因此，有可能会根据其所处不同位置、不同使用状态而进行相应地变化。所以，也不应当将这些或者其他的方位用语解释为限制性用语。
以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与本公开的一些方面相一致的实施方式的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
附图中各个部件的形状和大小不反映真实比例，目的只是示意说明以下示例性实施例中所描述的实施方式。
下面将结合附图对本发明提供的技术方案进行具体说明。
本发明实施例提供了一种工况识别方法，请参考图1所示，该方法可以包括如下步骤：
S101、实时采集工程机械设备的三轴加速度数据，并存储三轴加速度数据。
在一些实施例中，该三轴加速度数据可以包括x轴加速度数据、y轴加速度数据和z轴加速度值。
在具体的实现过程中，可以在工程机械设备上安装三轴陀螺仪，通过三轴陀螺仪按照预设时长间隔实时采集工程机械设备的三轴加速度数据。
示例性的，该工程机械设备可以是挖掘机、推土机、压路机、装载机、重型运输车辆等设备，本发明实施例不限定。该预设时长根据实际需求进行设定，比如，可以设置为50毫秒。该三轴陀螺仪的精度范围可以根据实际需求进行设置，例如设定为0～4G。
在具体的实现过程中，可以将采集到的三轴加速度以预设数格式序列进行数据格式转换，获得转换格式后的三轴加速度数据。之后，可以通过预设通信数据协议，将转换格式后的三轴加速度数据上传到中央服务器中存储。
示例性的，该预设数据格式可以根据实际需求进行设定，比如，为了减少网络传输的容量，该预设数据格式可以设定为2字节无符号浮点数格式，例如2字节16位无符号浮点数数格式。该预设通信数据协议可以是有线或无线数据通信协议，例如串口通信协议、移动通信协议等。
S102、对该三轴加速度数据进行预处理，获得处理后的加速度值。
在一些实施例中，由于采集的三轴加速度数据存在自然噪声，为了消除自然噪声，本发明实施例可以通过采用小波变换(Wavelet Transform，WT)对采集到的三轴加速度数据进行去噪处理。
在具体的实现过程中，采用小波变换(Wavelet Transform，WT)采集到的三轴加速度数据进行去噪处理可以包括如下步骤：
第一步，由于噪声和信号混杂在一起，可以选择一个小波基函数，采用小波变换对三轴加速度数据中含有的震动信号进行预设尺度(可以根据实际需求进行设置)分解，得到三轴加速度数据在各尺度上的小波系数。
第二步，三轴加速度数据经过小波变换分解后，幅值比较大的小波系数就是有用的信号，幅值比较小的小波系数就是噪声，根据震动信号和夹杂噪声的频率分布，对三轴加速度数据在各尺度上的小波系数进行阈值处理，例如把小于阈值的小波系数置零或用阈值函数处理。
第三步，分别处理完处理后的三轴加速度数据对应的小波尺度分解后的低频系数和高频系数，再重构三轴加速度数据，获得消除自然噪声后的三轴加速度数据。
本发明实施例中，通过去除采集到的三轴加速度数据中的自然噪声，可以进一步提高识别工程机械设备的工况状态的准确性。
在一些实施例中，可以对该三轴加速度数据进行向量化和归一化处理，获得处理后的加速度值。比如，采用如下第一计算公式(1)对该三轴加速度数据进行向量化和归一化处理，获得处理后的加速度值。
Figure BDA0003722906670000081
其中，v'表示处理后的加速度值，Ax'表示为x轴加速度数据，Ay'表示为y轴加速度数据，Az'表示为z轴加速度数据。
示例性的，Ax'可以由如下公式(2)和公式(3)计算得到。
Figure BDA0003722906670000091
Ax'＝1g*cos(Pitch) (3)
其中，Pitch表示为俯仰角加速度，Ax1表示为三轴陀螺仪采集到的x轴速度，Ay1表示为三轴陀螺仪采集到的y轴速度，Az1表示为三轴陀螺仪采集到的z轴速度，g表示为重力加速度。
示例性的，Ay'可以由如下公式(4)和公式(5)计算得到。
Figure BDA0003722906670000092
Ay'＝1g*cos(Roll) (5)
其中，Roll表示为翻滚角加速度。
示例性的，Az'可以由如下公式(6)和公式(7)计算得到。
Yaw＝atan(sqrt(Ax1*Ax1+Ay1*Ay1)/Az1) (6)
Az'＝1g*cos(Yaw) (7)
其中，Yaw表示为偏航角加速度。
S103、将处理后的加速度值输入卷积神经网络模型中进行工况识别，获得所述工程机械设备当前对应的工况状态。
在一些实施例中，可以先构建卷积神经网络模型的框架。之后，可以获取多个历史加速度值，其中，任一历史加速度值可以包括人工标签，用于标识该任一历史加速度值对应的工况类别。可以将获取到的多个历史加速度值，输入该卷积神经网络模型框架中进行分类训练，获得该卷积神经网络模型。
示例性的，如图2所示，可以基于Tensorflow构建卷积神经网络模型的框架。获取到多个历史加速度值后，可以将多个历史加速度值转化为二维数据，并根据具体的工况状态对处理后的二维数据进行人工标注，从而完成训练集的构建。然后使用训练集对卷积神经网络模型进行训练，并保存训练好的模型参数文件。实际应用时，在工程机械设备上加载预训练的模型参数文件，对实时工况进行分类。在该卷积神经网络模型框架中，可以在不同导联方式中数据处理初期采用相同的卷积核，提取出不同导联方式数据中的共性特征，从而获得不同导联数据中的相似性，有助于提高卷积神经网络模型的泛化能力，可以减少卷积神经网络模型的参数量，可以提高卷积神经网络模型预测工程机械设备的工况状态的速度。在对多个历史加速度值进行分类的过程中，使用全连接层(如图2中的fc)得到包含类别信息的一维特征，然后再使用Softmax分类器进行分类，得到最终的具体工况类别。
示例性的，如图2所示，在该卷积神经网络模型框架中对多个历史加速度值进行分类的过程中，在对多个历史加速度值进行处理获得工况类别分类时，可以在前期处理过程中采用长卷积核，随着历史加速度值的特征尺寸的减少，可以不断减小卷积核长度，以便获取不同导联中的细节特征，从而可以提高卷积神经网络模型识别工程机械设备的工况状态的准确性。
示例性的，如图2所示，在该卷积神经网络模型框架中对多个历史加速度值进行分类的过程中，本发明实施例采用BN-ReLU-Conv结构进行卷积运算，相较于传统结构Conv-BN-ReLU而言，卷积运算效果好，还可以提高卷积神经网络模型预测工程机械设备的工况状态的速度和准确性。
示例性的，如图2所示，在该卷积神经网络模型框架中对多个历史加速度值进行分类的过程中，通过使用并行多分支网络，能够在同一层级获取不同感受特征，经过融合后传递到下一层，可以更加灵活的平衡计算量和模型能力。即在图2所示的卷积神经网络模型框架中，先提取出不同导联之间的差异特征，后期将不同导联提取出来的特征合并，重新整合为一维数据。
在一些实施例中，可以将处理后的加速度值转化为该卷积神经网络模型能够识别的二维数据，获得二维加速度数据，将该二维加速度数据输入该卷积神经网络模型中进行工况识别，即可获得工程机械设备当前对应的工况状态。
在本发明实施例中，通过采用卷积神经网络模型基于实时采集工程机械设备的三轴加速度数据，进行工程机械设备的工况识别，只需要在工程机械设备上安装可以采集工程机械设备的三轴加速度数据的设备(例如三轴陀螺仪)即可，无需在工程机械设备上安装多种传感器和摄像设备进行数据采集，从而无需对工程机械设备进行改装，可以减除工程机械设备的改装成本，以及可以避免出现由于改装线路复杂出现的安全隐患的问题，安全性较高。
基于同一发明构思，本发明实施例还提供了一种工况识别设备，如图3所示，工况识别设备200可以包括：
采集单元201，用于实时采集工程机械设备的三轴加速度数据，并存储所述三轴加速度数据，所述三轴加速度数据包括俯仰角加速度数据、翻滚角加速度数据和偏航角加速度数据；
识别单元202，用于对所述三轴加速度数据进行预处理，获得处理后的加速度值；将处理后的加速度值输入卷积神经网络模型中进行工况识别，获得工程机械设备当前对应的工况状态。
在一种可能的设计中，采集单元201具体用于：
通过三轴陀螺仪按照预设时长间隔实时采集工程机械设备的三轴加速度数据；
将三轴加速度以预设数格式序列进行数据格式转换，获得转换格式后的三轴加速度数据；
通过预设通信数据协议，将转换格式后的三轴加速度数据上传到中央服务器中存储。
在一种可能的设计中，识别单元202还用于：
选择小波基函数，采用小波变换对三轴加速度数据中含有的震动信号进行预设尺度分解，得到三轴加速度数据在各尺度上的小波系数；
根据震动信号和夹杂噪声的频率分布，对三轴加速度数据在各尺度上的小波系数进行阈值处理，获得处理后的三轴加速度数据；
分别处理完处理后的三轴加速度数据对应的小波尺度分解后的低频系数和高频系数，再重构三轴加速度数据，获得消除自然噪声后的三轴加速度数据。
在一种可能的设计中，识别单元202具体用于：
对三轴加速度数据进行向量化和归一化处理，获得处理后的加速度值。
在一种可能的设计中，识别单元202具体用于：
采用如下第一计算公式对三轴加速度数据进行向量化和归一化处理，获得处理后的加速度值；
Figure BDA0003722906670000121
其中，v'表示处理后的加速度值，Ax'表示为x轴加速度数据，Ay'表示为y轴加速度数据，Az'表示为z轴加速度数据。
在一种可能的设计中，识别单元202具体用于：
将处理后的加速度值转化为卷积神经网络模型能够识别的二维数据，获得二维加速度数据；
将二维加速度数据输入卷积神经网络模型中进行工况识别，获得工程机械设备当前对应的工况状态。
在一种可能的设计中，识别单元202具体用于通过以下方式获得卷积神经网络模型：
构建卷积神经网络模型框架；
获取多个历史加速度值，任一历史加速度值包括人工标签；
将多个历史加速度值，输入卷积神经网络模型框架中进行分类训练，获得卷积神经网络模型。
本发明实施例中的工况识别设备200与上述图1所示的工况识别方法是基于同一构思下的发明，通过前述对工况识别方法的详细描述，本领域技术人员可以清楚的了解本实施例中工况识别设备200的实施过程，所以为了说明书的简洁，在此不再赘述。
基于同一发明构思，本发明实施例还提供了一种工况识别设备，如图4所示，工况识别设备300可以包括：至少一个存储器301和至少一个处理器302。
其中：
至少一个存储器301用于存储一个或多个程序。
当一个或多个程序被至少一个处理器302执行时，实现上述图1所示的工况识别方法。
工况识别设备300还可以可选地包括通信接口，通信接口用于与外部设备进行通信和数据交互传输。
需要说明的是，存储器301可能包含高速RAM存储器，也可能还包括非易失性存储器(nonvolatile memory)，例如至少一个磁盘存储器。
在具体的实现过程中，如果存储器301、处理器302及通信接口集成在一块芯片上，则存储器301、处理器302及通信接口可以通过内部接口完成相互间的通信。如果存储器301、处理器302和通信接口独立实现，则存储器301、处理器302和通信接口可以通过总线相互连接并完成相互间的通信。
基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以存储有至少一个程序，当至少一个程序被处理器执行时，实现上述图1所示的工况识别方法。
应当理解，计算机可读存储介质为可存储数据或程序的任何数据存储设备，数据或程序其后可由计算机系统读取。计算机可读存储介质的示例包括：只读存储器、随机存取存储器、CD-ROM、HDD、DVD、磁带和光学数据存储设备等。
计算机可读存储介质还可分布在网络耦接的计算机系统中使得计算机可读代码以分布式方式来存储和执行。
计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、射频(Radio Frequency，RF)等，或者上述的任意合适的组合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种工况识别方法，其特征在于，包括：
实时采集工程机械设备的三轴加速度数据，并存储所述三轴加速度数据；
对所述三轴加速度数据进行预处理，获得处理后的加速度值；
将所述处理后的加速度值输入卷积神经网络模型中进行工况识别，获得所述工程机械设备当前对应的工况状态。
2.如权利要求1所述的方法，其特征在于，实时采集工程机械设备的三轴加速度数据，并存储所述三轴加速度数据，包括：
通过三轴陀螺仪按照预设时长间隔实时采集所述工程机械设备的三轴加速度数据；
将所述三轴加速度以预设数格式序列进行数据格式转换，获得转换格式后的三轴加速度数据；
通过预设通信数据协议，将所述转换格式后的三轴加速度数据上传到中央服务器中存储。
3.如权利要求1所述的方法，其特征在于，对所述三轴加速度数据进行预处理，获得处理后的加速度值之前，所述方法还包括：
选择小波基函数，采用小波变换对所述三轴加速度数据中含有的震动信号进行预设尺度分解，得到所述三轴加速度数据在各尺度上的小波系数；
根据震动信号和夹杂噪声的频率分布，对所述三轴加速度数据在各尺度上的小波系数进行阈值处理，获得处理后的三轴加速度数据；
分别处理完所述处理后的三轴加速度数据对应的小波尺度分解后的低频系数和高频系数，再重构三轴加速度数据，获得消除自然噪声后的三轴加速度数据。
4.如权利要求1所述的方法，其特征在于，对所述三轴加速度数据进行预处理，获得处理后的加速度值，包括：
对所述三轴加速度数据进行向量化和归一化处理，获得所述处理后的加速度值。
5.如权利要求4所述的方法，其特征在于，对所述三轴加速度数据进行向量化和归一化处理，获得所述处理后的加速度值，包括：
采用如下第一计算公式对所述三轴加速度数据进行向量化和归一化处理，获得所述处理后的加速度值；
Figure FDA0003722906660000021
其中，v'表示处理后的加速度值，Ax'表示为x轴加速度数据，Ay'表示为y轴加速度数据，Az'表示为z轴加速度数据。
6.如权利要求1-5任一项所述的方法，其特征在于，将所述处理后的加速度值输入卷积神经网络模型中进行工况识别，获得所述工程机械设备当前对应的工况状态，包括：
将所述处理后的加速度值转化为所述卷积神经网络模型能够识别的二维数据，获得二维加速度数据；
将所述二维加速度数据输入所述卷积神经网络模型中进行工况识别，获得所述工程机械设备当前对应的工况状态。
7.如权利要求6所述的方法，其特征在于，所述卷积神经网络模型由以下方式获得：
构建卷积神经网络模型框架；
获取多个历史加速度值，任一所述历史加速度值包括人工标签；
将多个所述历史加速度值，输入所述卷积神经网络模型框架中进行分类训练，获得所述卷积神经网络模型。
8.一种工况识别设备，其特征在于，包括：
采集单元，用于实时采集工程机械设备的三轴加速度数据，并存储所述三轴加速度数据，所述三轴加速度数据包括俯仰角加速度数据、翻滚角加速度数据和偏航角加速度数据；
识别单元，用于对所述三轴加速度数据进行预处理，获得处理后的加速度值；将所述处理后的加速度值输入卷积神经网络模型中进行工况识别，获得所述工程机械设备当前对应的工况状态。
9.一种工况识别设备，其特征在于，所述工况识别设备包括：至少一个存储器和至少一个处理器；
所述至少一个存储器用于存储一个或多个程序；
当所述一个或多个程序被所述至少一个处理器执行时，实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个程序；当所述至少一个程序被处理器执行时，实现如权利要求1-7任一项所述的方法。
CN202210756975.1A 2022-06-30 2022-06-30 一种工况识别方法、设备及计算机可读存储介质 Pending CN115130511A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210756975.1A CN115130511A (zh) 2022-06-30 2022-06-30 一种工况识别方法、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210756975.1A CN115130511A (zh) 2022-06-30 2022-06-30 一种工况识别方法、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN115130511A true CN115130511A (zh) 2022-09-30

Family

ID=83381760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210756975.1A Pending CN115130511A (zh) 2022-06-30 2022-06-30 一种工况识别方法、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN115130511A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807443A (zh) * 2024-02-29 2024-04-02 江苏海平面数据科技有限公司 拖拉机工况识别模型的训练方法及拖拉机工况识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807443A (zh) * 2024-02-29 2024-04-02 江苏海平面数据科技有限公司 拖拉机工况识别模型的训练方法及拖拉机工况识别方法
CN117807443B (zh) * 2024-02-29 2024-05-14 江苏海平面数据科技有限公司 拖拉机工况识别模型的训练方法及拖拉机工况识别方法

Similar Documents

Publication Publication Date Title
CN109711410A (zh) 一种三维物体快速分割和识别方法、装置及系统
CN108171260A (zh) 一种图片识别方法及系统
CN111860493A (zh) 一种基于点云数据的目标检测方法及装置
CN110148117B (zh) 基于电力图像的电力设备缺陷识别方法、装置与存储介质
CN108009554A (zh) 一种图像处理方法以及装置
CN111324145B (zh) 一种无人机自主着陆方法、装置、设备及存储介质
CN115240149A (zh) 三维点云检测识别方法、装置、电子设备及存储介质
CN111291697A (zh) 用于识别障碍物的方法和装置
CN115130511A (zh) 一种工况识别方法、设备及计算机可读存储介质
CN112712589A (zh) 一种基于激光雷达和深度学习的植株3d建模的方法和系统
CN108229658A (zh) 基于有限样本的物体检测器的实现方法及装置
CN111553247A (zh) 一种基于改进骨干网络的视频结构化系统、方法及介质
CN113158869A (zh) 图像识别方法、装置、终端设备及计算机可读存储介质
CN114519712A (zh) 一种点云数据处理方法、装置、终端设备及存储介质
CN114219770A (zh) 地面检测方法、装置、电子设备及存储介质
CN112097772B (zh) 机器人及其地图构建方法和装置
CN110263836B (zh) 一种基于多特征卷积神经网络的不良驾驶状态识别方法
CN115713600A (zh) 自动驾驶场景的数字高程模型的生成方法和装置
CN113449799B (zh) 目标检测与分类方法、系统、设备及存储介质
CN115690085A (zh) 一种基于移动端的废钢识别方法及系统
CN114821190A (zh) 图像分类模型训练方法、图像分类方法、装置及设备
CN115016488A (zh) 一种智慧农机整平轨迹绘制方法、系统、农机及存储介质
CN109612467B (zh) 轨迹简化方法、系统及轨迹可视化系统
CN113570595A (zh) 车辆轨迹预测方法和车辆轨迹预测模型的优化方法
CN112651986A (zh) 环境识别方法、识别装置、识别系统、电子设备及介质

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