CN115416160A - 搅拌筒转向识别方法、装置及搅拌车 - Google Patents

Abstract

本发明涉及工程机械领域，提供一种搅拌筒转向识别方法、装置及搅拌车，该方法包括：获取搅拌车的当前工况数据；基于当前工况数据获取当前工况时序数据序列；其中，当前工况时序数据序列包括多个不同采样时刻对应的第一工况时序数据，第一工况时序数据均不为空；确定当前工况时序数据序列中各第一工况时序数据对应的第一时间间隔特征值；将当前工况时序数据序列以及第一时间间隔特征值输入至预先训练好的转向识别模型，通过转向识别模型输出搅拌筒的转向识别结果。本发明能够有效保证搅拌筒的转向识别结果的准确性。

Description

搅拌筒转向识别方法、装置及搅拌车

技术领域

本发明涉及工程机械技术领域，尤其涉及一种搅拌筒转向识别方法、装置及搅拌车。

背景技术

混凝土搅拌车运输混凝土以及卸料的过程中通常会维持搅拌筒的转动。其中，混凝土运输过程中搅拌筒一般为正转，以保障所运载的混凝土的物理特性。搅拌车卸料过程中搅拌筒一般为反转，在搅拌筒内螺旋搅拌桨反向输送力的作用下，将搅拌筒中的混凝土推出。搅拌筒正、反转的状态是实现混凝土生产站、搅拌车、工地的协同作业的关键数据。

目前，搅拌筒的转向状态一般根据安装于搅拌筒上的传感器检测得到的转向信号予以判断。然而，传感器于搅拌筒上的安装殊为不易，且易受结构损伤，转向数据经常出现缺失的情况，对基于站、车、泵协同的智能化应用开发造成较大的影响。

传统搅拌筒转向识别方法还基于历史标注数据建立用于表征搅拌车工况数据与搅拌筒转向的对应关系的预测分类器，以根据实时工况数据对搅拌筒的转向状态进行预测。然而，由于搅拌车作业场景复杂，搅拌筒处于正转或者反转时对应的工况数据相同或者类似的可能性极高，因此，通过该方法建立的搅拌筒转向预测分类器无法保证搅拌筒的转向识别结果的准确性。

发明内容

针对现有技术中存在的问题，本发明提供一种搅拌筒转向识别方法、装置及搅拌车。

本发明提供一种搅拌筒转向识别方法，包括：

获取搅拌车的当前工况数据；

基于所述当前工况数据获取当前工况时序数据序列；其中，所述当前工况时序数据序列包括多个不同采样时刻对应的第一工况时序数据，所述第一工况时序数据均不为空；

确定所述当前工况时序数据序列中各所述第一工况时序数据对应的第一时间间隔特征值；

将所述当前工况时序数据序列以及所述第一时间间隔特征值输入至预先训练好的转向识别模型，通过所述转向识别模型输出所述搅拌筒的转向识别结果。

根据本发明提供的搅拌筒转向识别方法，所述基于所述当前工况数据获取当前工况时序数据序列，包括：

基于预设时间间隔对所述当前工况数据进行对齐采样处理，得到所述当前工况时序数据序列。

根据本发明提供的搅拌筒转向识别方法，所述基于预设时间间隔对所述当前工况数据进行对齐采样处理，得到所述当前工况时序数据序列，包括：

基于所述预设时间间隔确定所述采样时刻；

基于所述当前工况数据、所述采样时刻以及所述预设时间间隔，确定各所述采样时刻对应的所述第一工况时序数据；

基于各所述采样时刻对应的所述第一工况时序数据确定所述当前工况时序数据序列。

根据本发明提供的搅拌筒转向识别方法，所述基于各所述采样时刻对应的所述第一工况时序数据确定所述当前工况时序数据序列，包括：

基于各所述采样时刻的先后顺序对相应的所述第一工况时序数据进行排列，得到初始序列；

基于所述初始序列以及预设序列长度，确定所述当前工况时序数据序列。

根据本发明提供的搅拌筒转向识别方法，所述预设序列长度是通过如下方法得到的：

获取所述搅拌车的发货时长；

基于所述发货时长以及所述预设时间间隔确定所述预设序列长度。

根据本发明提供的搅拌筒转向识别方法，所述确定所述当前工况时序数据序列中各所述第一工况时序数据对应的第一时间间隔特征值，包括：

获取所述第一工况时序数据对应的所述采样时刻与相邻的所述第一工况时序数据对应的所述采样时刻的时间差；

基于所述时间差确定所述第一工况时序数据对应的所述第一时间间隔特征值。

根据本发明提供的搅拌筒转向识别方法，所述基于所述时间差确定所述第一工况时序数据对应的所述第一时间间隔特征值，包括：

对所述时间差进行对数变换；

基于所述对数变换的结果确定所述第一工况时序数据对应的所述第一时间间隔特征值。

根据本发明提供的搅拌筒转向识别方法，所述转向识别模型是通过如下方法训练得到的：

获取历史工况数据以及所述历史工况数据对应的转向状态数据；

基于所述历史工况数据以及所述转向状态数据，获取历史工况时序数据序列以及与所述历史工况时序数据序列对应的转向数据；其中，所述历史工况时序数据序列包括多个不同采样时刻对应的第二工况时序数据，所述第二工况时序数据均不为空；

确定所述历史工况时序数据序列中各所述第二工况时序数据对应的第二时间间隔特征值；

基于所述历史工况时序数据序列、所述第二时间间隔特征值以及所述转向数据对预设机器学习模型进行训练，得到所述转向识别模型。

本发明还提供一种搅拌筒转向识别装置，包括：

数据获取模块，用于获取搅拌车的当前工况数据；

第一计算模块，用于基于所述当前工况数据获取当前工况时序数据序列；其中，所述当前工况时序数据序列包括多个不同采样时刻对应的第一工况时序数据，所述第一工况时序数据均不为空；

第二计算模块，用于确定所述当前工况时序数据序列中各所述第一工况时序数据对应的第一时间间隔特征值；

第三计算模块，用于将所述当前工况时序数据序列以及所述第一时间间隔特征值输入至预先训练好的转向识别模型，通过所述转向识别模型输出所述搅拌筒的转向识别结果。

本发明还提供一种搅拌车，包括：搅拌筒以及如上述所述的搅拌筒转向识别装置。

本发明提供的搅拌筒转向识别方法、装置及搅拌车，通过获取搅拌车的当前工况数据，基于当前工况数据获取当前工况时序数据序列，并确定当前工况时序数据序列中各第一工况时序数据对应的第一时间间隔特征值，将当前工况时序数据序列以及第一时间间隔特征值输入至预先训练好的转向识别模型，以通过转向识别模型输出搅拌筒的转向识别结果，能够有效保证搅拌筒的转向识别结果的准确性。

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是本发明提供的搅拌筒转向识别方法的流程示意图；

图2是本发明提供的获取当前工况时序数据序列的流程示意图之一；

图3是本发明提供的获取当前工况时序数据序列的流程示意图之二；

图4是本发明提供的确定第一时间间隔特征值的流程示意图；

图5是本发明提供的对转向识别模型进行训练的流程示意图；

图6是本发明提供的搅拌筒转向识别装置的结构示意图；

图7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至图5描述本发明的搅拌筒转向识别方法。本发明搅拌筒转向识别方法由控制装置等电子设备或其中的硬件和/或软件执行，其中，控制装置可以为搅拌车自身的控制器，如，整车控制器，也可以设置在远程端的服务器中。如图1所示，本发明搅拌筒转向识别方法包括：

S101、获取搅拌车的当前工况数据。

具体地，搅拌车即混凝土搅拌车，诸如，自落式搅拌车、强制式搅拌车。搅拌车的当前工况数据，即，当前时刻之前的任一时刻到当前时刻的时间段内搅拌车的工况数据，例如，可以根据预设的时间长度获取搅拌车的当前工况数据，以保证当前工况时序数据序列的序列长度满足预设要求。搅拌车的工况数据可以包括一个或多个工况特征对应的子数据，工况特征的具体类型可以根据实际需求进行设定，例如，发动机转速、发动机扭矩等。

S102、基于所述当前工况数据获取当前工况时序数据序列；其中，所述当前工况时序数据序列包括多个不同采样时刻对应的第一工况时序数据，所述第一工况时序数据均不为空。

具体地，当前工况时序数据序列，包括多个不同采样时刻对应的第一工况时序数据，即，当前工况时序数据序列是由多个按照对应的采样时刻的先后依次排列的第一工况时序数据组成的。第一工况时序数据即当前工况数据在相应的采样时刻的取值，当前工况时序数据序列中各采样时刻对应的第一工况时序数据均不为空。其中，第一工况时序数据包括多个工况特征在相应的采样时刻的取值。

基于当前工况数据获取当前工况时序数据序列的具体方式可以根据实际需求进行设定。例如，可以基于预设频率对当前工况数据进行对齐采样处理，得到当前工况时序数据序列。

S103、确定所述当前工况时序数据序列中各所述第一工况时序数据对应的第一时间间隔特征值。

具体地，第一时间间隔特征值用于表征该第一工况时序数据以及与其相邻的第一工况时序数据的时间间隔的特征值。每个第一工况时序数据均对应有一个第一时间间隔特征值。

获取第一工况时序数据对应的第一时间间隔特征值的具体方式可以根据实际需求进行设定，例如，可以获取第一工况时序数据对应的采样时刻以及与其相邻的第一工况时序数据对应的采样时刻的时间差，根据该时间差确定该第一工况时序数据对应的第一时间间隔特征值。其中，搅拌车在接料前以及等待卸料时可能会存在停机休息，停机休息时工况数据会停止生成、上传，造成工况数据发生时间中断，即，当前工况数据在相应时间段内为空值，因此，各第一工况时序数据对应的第一时间间隔特征值存在差异。

S104、将所述当前工况时序数据序列以及所述第一时间间隔特征值输入至预先训练好的转向识别模型，通过所述转向识别模型输出所述搅拌筒的转向识别结果。

具体地，转向识别模型可以为机器学习模型，机器学习模型的具体类型可以根据实际需求进行设定，例如，可以为神经网络模型，神经网络模型可以为循环神经网络模型。

将当前工况时序数据序列以及当前工况时序数据序列中各第一工况时序数据对应的第一时间间隔特征值输入至预先训练好的转向识别模型，即可得到当前时刻搅拌筒的转向识别结果。搅拌筒的转向识别结果可以为正转或反转。

其中，搅拌车在不同场景下停机休息的时长不同，例如，搅拌车在接料之前等待运输任务可能会停机等待数小时，在等待卸料时为了保证物料的品质不会长时间停机，本发明实施例通过第一时间间隔特征值能够有效表征搅拌车的工作状态。搅拌车在不同的工作状态下，搅拌筒的转向状态是固定的，例如，接料、前往工地、到达工地等待卸料以及返回搅拌站的过程中正转，在卸料以及清洗的过程中反转。因此，本发明实施例在确定搅拌筒的转向状态时，通过综合考虑工况数据以及时间间隔特征能够有效保证转向识别结果的准确性，且无需依赖传感器，能够避免转向数据的缺失。

传统搅拌筒转向识别方法还基于历史标注数据建立用于表征搅拌车工况数据与搅拌筒转向的对应关系的预测分类器，以根据实时工况数据对搅拌筒的转向状态进行预测。然而，由于搅拌车作业场景复杂，搅拌筒处于正转或者反转时对应的工况数据相同或者类似的可能性极高，因此，通过该方法建立的搅拌筒转向预测分类器无法保证搅拌筒的转向识别结果的准确性。

而本发明实施例通过获取搅拌车的当前工况数据，基于当前工况数据获取当前工况时序数据序列，并确定当前工况时序数据序列中各第一工况时序数据对应的第一时间间隔特征值，将当前工况时序数据序列以及第一时间间隔特征值输入至预先训练好的转向识别模型，以通过转向识别模型输出搅拌筒的转向识别结果，能够有效保证搅拌筒的转向识别结果的准确性。

基于上述实施例，所述基于所述当前工况数据获取当前工况时序数据序列，包括：

基于预设时间间隔对所述当前工况数据进行对齐采样处理，得到所述当前工况时序数据序列。

具体地，预设时间间隔为间隔时长，可以根据实际需求进行设定，例如，可以为15秒。基于预设时间间隔对当前工况数据进行对齐采样处理的具体方式也可以根据实际需求进行设定。例如，可以根据预设时间间隔确定采样时刻，并基于相同的采样时刻对当前工况数据中各工况特征对应的子数据进行采样，以实现各工况特征对齐，并基于该工况特征对应的子数据确定该工况特征在各采样时刻的取值，若各工况特征在同一采样时刻对应的时间段中的取值均为空值，则剔除该采样时刻，以得到当前工况时序数据序列。

其中，基于该工况特征对应的子数据确定该工况特征在各采样时刻的取值的方法可以为：若该工况特征对应的子数据为连续数据，可以直接将相应的子数据在该采样时刻的值作为该工况特征在该采样时刻的取值，也可以根据相应的子数据在该采样时刻对应的时间段中的值确定该工况特征在该采样时刻的取值，如，取平均；若该工况特征对应的子数据为非连续数据，如，离散数据或数据出现中断，可以根据相应的子数据在该采样时刻对应的时间段中的值确定该工况特征在该采样时刻的取值，如，取平均、线性插值、最小二乘法。

本发明实施例基于预设时间间隔对当前工况数据进行对齐采样处理，以得到当前工况时序数据序列，能够有效保证当前工况时序数据序列的准确性，进一步提高了搅拌筒的转向识别结果的准确性。

基于上述任一实施例，如图2所示，所述基于预设时间间隔对所述当前工况数据进行对齐采样处理，得到所述当前工况时序数据序列，包括：

S201、基于所述预设时间间隔确定所述采样时刻；

S202、基于所述当前工况数据、所述采样时刻以及所述预设时间间隔，确定各所述采样时刻对应的所述第一工况时序数据；

S203、基于各所述采样时刻对应的所述第一工况时序数据确定所述当前工况时序数据序列。

具体地，基于预设时间间隔确定采样时刻的方法可以为：根据当前工况数据确定初始采样时刻，例如，可以将当前工况数据的起始时刻作为初始采样时刻；若当前工况数据的起始部分为空值，还可以将当前工况数据中首次出现非空数据的时刻作为初始采样时刻。确定初始采样时刻后，将初始采样时刻依次增加该预设时间间隔，以得到各采样时刻。

基于当前工况数据、采样时刻以及预设时间间隔确定各采样时刻对应的第一工况时序数据的具体方式可以根据实际需求进行设定，例如，可以包括：

基于预设时间间隔确定该采样时刻对应的时间段；其中，该采样时刻对应的时间段的时长与预设时间间隔的长度相同。该步骤中，基于预设时间间隔确定该采样时刻对应的时间段的过程中，可以将该采样时刻与前一采样时刻之间的时间段作为该采样时刻对应的时间段，也可以将该采样时刻与后一采样时刻之间的时间段作为该采样时刻对应的时间段，还可以将该采样时刻与前一采样时刻之间的第一时刻作为起始时刻，将该采样时刻与后一采样时刻之间的第二时刻作为终止时刻，并将起始时刻与终止时刻之间的时间段作为该采样时刻对应的时间段。

基于当前工况数据在该采样时刻对应的时间段中的取值，确定该采样时刻对应的第一工况时序数据。该步骤中，可以获取当前工况特征对应的子数据在该采样时刻对应的时间段中的取值，作为待处理数据，并基于待处理数据确定当前工况特征在该采样时刻的取值，当前工况数据中所有的工况特征在该采样时刻的取值即组成该采样时刻对应的第一工况时序数据；其中，当前工况特征为当前工况数据的各工况特征中的任一工况特征。

基于待处理数据确定当前工况特征在该采样时刻的取值的方式可以根据实际需求进行设定，例如，可以对待处理数据中的各取值取平均，以得到当前工况特征在该采样时刻的取值，还可以基于待处理数据进行线性插值，以得到当前工况特征在该采样时刻的取值，还可以基于待处理数据，通过最小二乘法确定当前工况特征在该采样时刻的取值。

其中，若当前工况数据在该采样时刻对应的时间段中的取值为空值，即各工况特征对应的子数据在该采样时刻对应的时间段中的取值均为空值，则直接剔除该采样时刻，并基于剩余的各采样时刻对应的第一工况时序数据确定当前工况时序数据序列，即，将不为空值的各第一工况时序数据按照采样时刻的先后顺序进行排列，得到当前工况时序数据序列，以保证当前工况时序数据序列中的第一工况时序数据均不为空，进而能够保证第一时间间隔特征值的有效性。

该处，基于当前工况数据在该采样时刻对应的时间段中的取值确定该采样时刻对应的第一工况时序数据，能够有效避免当前工况数据采集误差或当前工况数据传输延时等因素对当前工况时序数据序列以及第一时间间隔特征值的准确性的影响。

以下对基于当前工况数据获取当前工况时序数据序列的具体方式进行举例说明。当前工况数据中工况特征a对应的子数据如表1所示：

表1

时刻	特征值
		2022-01-02 00:08:14	1.0
2022-01-02 00:10:10	2.0
		2022-01-02 00:10:18	5.0
2022-01-02 00:10:20	3.0

以预设时间间隔为15秒为例，根据工况特征a对应的子数据在各采样时刻对应的时间段内的特征值确定工况特征a在各采样时刻的特征值，确定结果如表2所示：

表2

采样时刻	特征值
		2022-01-02 00:08:00	1.0
2022-01-02 00:10:00	2.0
		2022-01-02 00:10:15	4.0

表2中，2022-01-02 00:08:00时刻的特征值是根据工况特征a对应的子数据在2022-01-02 00:08:00～00:08:15时间段内的特征值1.0确定的，022-01-02 00:10:00时刻的特征值是根据工况特征a对应的子数据在2022-01-02 00:10:00～00:10:15时间段内的特征值2.0确定的，022-01-02 00:10:15时刻的特征值是对工况特征a对应的子数据在2022-01-02 00:10:15～00:10:30时间段内的特征值5.0和3.0取平均得到的。

本发明实施例基于预设时间间隔确定采样时刻，并基于当前工况数据、采样时刻以及预设时间间隔确定该采样时刻对应的第一工况时序数据，能够有效保证当前工况时序数据序列以及第一时间间隔特征值的准确性，进一步提高了搅拌筒的转向识别结果的准确性。

基于上述任一实施例，如图3所示，所述基于各所述采样时刻对应的所述第一工况时序数据确定所述当前工况时序数据序列，包括：

S301、基于各所述采样时刻的先后顺序对相应的所述第一工况时序数据进行排列，得到初始序列；

S302、基于所述初始序列以及预设序列长度，确定所述当前工况时序数据序列。

具体地，基于各采样时刻的先后顺序对相应的第一工况时序数据进行排列，即，基于各第一工况时序数据对应的采样时刻的先后，对各第一工况时序数据进行排列，以得到初始序列。

基于初始序列以及预设序列长度确定当前工况时序数据序列的过程中，可以基于预设序列长度从初始序列中获取多个连续的第一工况时序数据，以作为当前工况时序数据序列。例如，可以从当前时刻开始，选取预设序列长度的第一工况时序数据，得到当前工况时序数据序列。可以理解的是，在从初始序列中获取多个连续的第一工况时序数据的过程中，需确保获取的第一工况时序数据对应的采样时刻存在第一时间间隔特征值，以保证转向识别模型所输出的转向识别结果的准确性。

预设序列长度为当前工况时序数据序列中，第一工况时序数据的数量。预设序列长度的确定方式可以根据实际需求进行设定，例如，可以根据搅拌车的发货时长以及预设时间间隔确定预设序列长度，预设序列长度与搅拌车的发货时长成正比，且与预设时间间隔成反比；还可以是预先在系统中设定好的值。

本发明实施例中，基于各采样时刻的先后顺序对相应的第一工况时序数据进行排列得到初始序列，并基于初始序列以及预设序列长度确定当前工况时序数据序列，能够保证输入至转向识别模型的当前工况时序数据序列的长度的一致性，进而能够保证转向识别模型输出的转向识别结果的有效性。

基于上述任一实施例，所述预设序列长度是通过如下方法得到的：

获取所述搅拌车的发货时长；

基于所述发货时长以及所述预设时间间隔确定所述预设序列长度。

具体地，搅拌车的发货时长可以为该类型搅拌车的历史发货时长的均值，历史发货时长可以是由搅拌车开始接料的时刻到卸料后返回到搅拌站的时刻所确定的时长。历史发货时长的均值可以通过该类型的搅拌车的历史发货记录确定，也可以根据用户的输入得到，还可以是预先在系统中设定好的值。

基于发货时长以及预设时间间隔确定当前工况时序数据序列的序列长度l可以为l＝t/Δ，式中，t表示发货时长，△表示预设时间间隔。

本发明实施例通过获取搅拌车的发货时长，并基于发货时长以及预设时间间隔确定预设序列长度，能够保证输入至转向识别模型的当前工况时序数据序列包括整个发货时长的第一工况时序数据，从而根据预设序列长度得到的当前工况时序数据序列以及与其对应的第一时间间隔特征值能够完整地表征搅拌车的相应部件在执行运输任务的过程中的状态变化，进一步提高了转向识别模型输出的转向识别结果的准确性。

基于上述任一实施例，如图4所示，所述确定所述当前工况时序数据序列中各所述第一工况时序数据对应的第一时间间隔特征值，包括：

S401、获取所述第一工况时序数据对应的所述采样时刻与相邻的所述第一工况时序数据对应的所述采样时刻的时间差；

S402、基于所述时间差确定所述第一工况时序数据对应的所述第一时间间隔特征值。

具体地，基于时间差确定第一工况时序数据对应的第一时间间隔特征值的具体方式可以根据实际需求进行设定，例如，可以对该时间差进行对数变换，如，以10为底对时间差取对数，得到该第一工况时序数据对应的第一时间间隔特征值；还可以对该时间差进行编码，将编码结果作为该第一工况时序数据对应的第一时间间隔特征值，如，二进制编码；还可以基于多个预设时长区间对该时间差进行匹配，得到该时间差所对处的预设时长区间，以作为目标时长区间，根据目标时长区间确定该第一时间间隔特征值，如，将目标时长区间对应的编号作为该第一工况时序数据对应的第一时间间隔特征值。

由于搅拌车在不同场景下停机休息的时长不同，本发明实施例基于第一工况时序数据对应的采样时刻与相邻的第一工况时序数据对应的采样时刻的时间差，确定第一工况时序数据对应的第一时间间隔特征值，得到的第一时间间隔特征值能够准确表征搅拌车的工作状态，进而提高了搅拌筒的转向识别结果的准确性。

基于上述任一实施例，所述基于所述时间差确定所述第一工况时序数据对应的所述第一时间间隔特征值，包括：

对所述时间差进行对数变换；

基于所述对数变换的结果确定所述第一工况时序数据对应的所述第一时间间隔特征值。

具体地，对时间差进行对数变换的具体方式可以根据实际需求进行设定，例如，可以将时间差输入至预设的对数函数，以得到时间差的对数变换结果，其中，对数函数可以是以10为底的对数函数，也可以是自然对数函数。

得到时间差的对数变换结果后，可以进一步基于对数变换结果确定第一时间间隔特征值，例如，可以直接将时间差的对数变换结果作为第一时间间隔特征值，还可以对时间差的对数变换结果进行修正处理后作为第一时间间隔特征值。

以下对确定当前工况时序数据序列中各第一工况时序数据对应的第一时间间隔特征值的具体方式进行举例说明。当前工况时序数据序列中，采样时刻以及工况特征a在各采样时刻的特征值分别如表3中的第一列和第二列所示。表3中时间差为当前采样时刻与前一采样时刻的差值，以10为底对时间差取对数即可得到相应的第一时间间隔特征值，表3中的NAN表示空值。

表3

采样时刻	特征值	时间差(s)	第一时间间隔特征值
				2022-01-02 00:08:00	1.0	NaN	NaN
2022-01-02 00:10:00	2.0	120	2.0791
				2022-01-02 00:10:15	4.0	15	1.1760
2022-01-02 00:20:15	3.0	600	2.7781

由于搅拌车在接料之前等待运输任务时可能会停机等待数小时，即，相邻第一工况时序数据之间的时间差长达数小时，而搅拌车在处于持续工作的状态下，相邻第一工况时序数据之间的时间差仅为数秒，由此得到的时间差存在较大的差异，本发明实施例基于时间差的对数变换结果确定第一时间间隔特征值，有效缩小了第一时间间隔特征值的值域，从而能够降低转向识别模型的数据处理难度，有效提高了转向识别的效率。

基于上述任一实施例，如图5所示，所述转向识别模型是通过如下方法训练得到的：

S501、获取历史工况数据以及所述历史工况数据对应的转向状态数据；

S502、基于所述历史工况数据以及所述转向状态数据，获取历史工况时序数据序列以及与所述历史工况时序数据序列对应的转向数据；其中，所述历史工况时序数据序列包括多个不同采样时刻对应的第二工况时序数据，所述第二工况时序数据均不为空；

S503、确定所述历史工况时序数据序列中各所述第二工况时序数据对应的第二时间间隔特征值；

S504、基于所述历史工况时序数据序列、所述第二时间间隔特征值以及所述转向数据对预设机器学习模型进行训练，得到所述转向识别模型。

具体地，在对转向识别模型进行训练的过程中，可以获取历史工况数据以及与该历史工况数据对应的转向状态数据。转向状态数据即历史工况数据对应的时间段内搅拌筒的转向信息，可以通过传感器获取得到。

基于历史工况数据获取历史工况时序数据序列的方式可以与基于当前工况数据获取当前工况时序数据序列的方式相同。历史工况时序数据序列包括多个不同采样时刻对应的第二工况时序数据，且各第二工况时序数据均不为空。历史工况时序数据序列对应的转向数据可以基于历史工况时序数据序列中的最后一个采样时刻对转向状态数据进行采样得到。

确定历史工况时序数据序列中各第二工况时序数据对应的第二时间间隔特征值的方式可以与确定当前工况时序数据序列中各第一工况时序数据对应的第一时间间隔特征值的方式相同。

基于历史工况时序数据序列、第二时间间隔特征值以及转向数据对预设机器学习模型进行训练，即，将历史工况时序数据序列和第二时间间隔特征值作为预设机器学习模型的输入，将转向数据作为输出对预设机器学习模型进行训练，以保证训练好的预设机器学习模型能够根据工况数据以及时间间隔特征值对搅拌筒的转向进行准确识别。其中，预设机器学习模型可以为神经网络模型，神经网络模型可以为循环神经网络模型。

本发明实施例基于历史工况数据以及与历史工况数据对应的转向状态数据，获取历史工况时序数据序列、历史工况时序数据序列对应的转向数据以及与历史工况时序数据序列中各第二工况时序数据对应的第二时间间隔特征值，并基于历史工况时序数据序列、第二时间间隔特征值以及转向数据对预设机器学习模型进行训练，以得到转向识别模型，能够有效保证转向识别模型对搅拌筒的转向识别结果的准确性。

下面对本发明提供的搅拌筒转向识别装置进行描述，下文描述的搅拌筒转向识别装置与上文描述的搅拌筒转向识别方法可相互对应参照。如图6所示，本发明搅拌筒转向识别装置包括：

数据获取模块601，用于获取搅拌车的当前工况数据；

第一计算模块602，用于基于所述当前工况数据获取当前工况时序数据序列；其中，所述当前工况时序数据序列包括多个不同采样时刻对应的第一工况时序数据，所述第一工况时序数据均不为空；

第二计算模块603，用于确定所述当前工况时序数据序列中各所述第一工况时序数据对应的第一时间间隔特征值；

第三计算模块604，用于将所述当前工况时序数据序列以及所述第一时间间隔特征值输入至预先训练好的转向识别模型，通过所述转向识别模型输出所述搅拌筒的转向识别结果。

基于上述实施例，所述第一计算模块602具体用于：

基于预设时间间隔对所述当前工况数据进行对齐采样处理，得到所述当前工况时序数据序列。

基于上述任一实施例，所述第一计算模块602具体用于：

基于所述预设时间间隔确定所述采样时刻；

基于所述当前工况数据、所述采样时刻以及所述预设时间间隔，确定各所述采样时刻对应的所述第一工况时序数据；

基于各所述采样时刻对应的所述第一工况时序数据确定所述当前工况时序数据序列。

基于上述任一实施例，所述第一计算模块602具体用于：

基于各所述采样时刻的先后顺序对相应的所述第一工况时序数据进行排列，得到初始序列；

基于所述初始序列以及预设序列长度，确定所述当前工况时序数据序列。

基于上述任一实施例，还包括第四计算模块，所述第四计算模块用于：

获取所述搅拌车的发货时长；

基于所述发货时长以及所述预设时间间隔确定所述预设序列长度。

基于上述任一实施例，所述第二计算模块603具体用于：

获取所述第一工况时序数据对应的所述采样时刻与相邻的所述第一工况时序数据对应的所述采样时刻的时间差；

基于所述时间差确定所述第一工况时序数据对应的所述第一时间间隔特征值。

基于上述任一实施例，所述第二计算模块603具体用于：

对所述时间差进行对数变换；

基于所述对数变换的结果确定所述第一工况时序数据对应的所述第一时间间隔特征值。

基于上述任一实施例，还包括模型构建模块，所述模型构建模块具体用于：

获取历史工况数据以及所述历史工况数据对应的转向状态数据；

基于所述历史工况数据以及所述转向状态数据，获取历史工况时序数据序列以及与所述历史工况时序数据序列对应的转向数据；其中，所述历史工况时序数据序列包括多个不同采样时刻对应的第二工况时序数据，所述第二工况时序数据均不为空；

确定所述历史工况时序数据序列中各所述第二工况时序数据对应的第二时间间隔特征值；

基于所述历史工况时序数据序列、所述第二时间间隔特征值以及所述转向数据对预设机器学习模型进行训练，得到所述转向识别模型。

基于上述任一实施例，本发明实施例还提供一种搅拌车，包括：搅拌筒以及如上任一实施例所述的搅拌筒转向识别装置。

具体地，搅拌车即混凝土搅拌车，诸如，自落式搅拌车、强制式搅拌车。

图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)701、通信接口(Communications Interface)702、存储器(memory)703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703中的逻辑指令，以执行搅拌筒转向识别方法，该方法包括：获取搅拌车的当前工况数据；

基于所述当前工况数据获取当前工况时序数据序列；其中，所述当前工况时序数据序列包括多个不同采样时刻对应的第一工况时序数据，所述第一工况时序数据均不为空；

确定所述当前工况时序数据序列中各所述第一工况时序数据对应的第一时间间隔特征值；

将所述当前工况时序数据序列以及所述第一时间间隔特征值输入至预先训练好的转向识别模型，通过所述转向识别模型输出所述搅拌筒的转向识别结果。

此外，上述的存储器703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存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的搅拌筒转向识别方法，该方法包括：获取搅拌车的当前工况数据；

基于所述当前工况数据获取当前工况时序数据序列；其中，所述当前工况时序数据序列包括多个不同采样时刻对应的第一工况时序数据，所述第一工况时序数据均不为空；

确定所述当前工况时序数据序列中各所述第一工况时序数据对应的第一时间间隔特征值；

将所述当前工况时序数据序列以及所述第一时间间隔特征值输入至预先训练好的转向识别模型，通过所述转向识别模型输出所述搅拌筒的转向识别结果。

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提供的搅拌筒转向识别方法，该方法包括：获取搅拌车的当前工况数据；

基于所述当前工况数据获取当前工况时序数据序列；其中，所述当前工况时序数据序列包括多个不同采样时刻对应的第一工况时序数据，所述第一工况时序数据均不为空；

确定所述当前工况时序数据序列中各所述第一工况时序数据对应的第一时间间隔特征值；

将所述当前工况时序数据序列以及所述第一时间间隔特征值输入至预先训练好的转向识别模型，通过所述转向识别模型输出所述搅拌筒的转向识别结果。

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)

1.一种搅拌筒转向识别方法，其特征在于，包括：

获取搅拌车的当前工况数据；

基于所述当前工况数据获取当前工况时序数据序列；其中，所述当前工况时序数据序列包括多个不同采样时刻对应的第一工况时序数据，所述第一工况时序数据均不为空；

确定所述当前工况时序数据序列中各所述第一工况时序数据对应的第一时间间隔特征值；

将所述当前工况时序数据序列以及所述第一时间间隔特征值输入至预先训练好的转向识别模型，通过所述转向识别模型输出所述搅拌筒的转向识别结果。

2.根据权利要求1所述的搅拌筒转向识别方法，其特征在于，所述基于所述当前工况数据获取当前工况时序数据序列，包括：

基于预设时间间隔对所述当前工况数据进行对齐采样处理，得到所述当前工况时序数据序列。

3.根据权利要求2所述的搅拌筒转向识别方法，其特征在于，所述基于预设时间间隔对所述当前工况数据进行对齐采样处理，得到所述当前工况时序数据序列，包括：

基于所述预设时间间隔确定所述采样时刻；

基于所述当前工况数据、所述采样时刻以及所述预设时间间隔，确定各所述采样时刻对应的所述第一工况时序数据；

基于各所述采样时刻对应的所述第一工况时序数据确定所述当前工况时序数据序列。

4.根据权利要求3所述的搅拌筒转向识别方法，其特征在于，所述基于各所述采样时刻对应的所述第一工况时序数据确定所述当前工况时序数据序列，包括：

基于各所述采样时刻的先后顺序对相应的所述第一工况时序数据进行排列，得到初始序列；

基于所述初始序列以及预设序列长度，确定所述当前工况时序数据序列。

5.根据权利要求4所述的搅拌筒转向识别方法，其特征在于，所述预设序列长度是通过如下方法得到的：

获取所述搅拌车的发货时长；

基于所述发货时长以及所述预设时间间隔确定所述预设序列长度。

6.根据权利要求1所述的搅拌筒转向识别方法，其特征在于，所述确定所述当前工况时序数据序列中各所述第一工况时序数据对应的第一时间间隔特征值，包括：

获取所述第一工况时序数据对应的所述采样时刻与相邻的所述第一工况时序数据对应的所述采样时刻的时间差；

基于所述时间差确定所述第一工况时序数据对应的所述第一时间间隔特征值。

7.根据权利要求6所述的搅拌筒转向识别方法，其特征在于，所述基于所述时间差确定所述第一工况时序数据对应的所述第一时间间隔特征值，包括：

对所述时间差进行对数变换；

基于所述对数变换的结果确定所述第一工况时序数据对应的所述第一时间间隔特征值。

8.根据权利要求1至7任一项所述的搅拌筒转向识别方法，其特征在于，所述转向识别模型是通过如下方法训练得到的：

获取历史工况数据以及所述历史工况数据对应的转向状态数据；

基于所述历史工况数据以及所述转向状态数据，获取历史工况时序数据序列以及与所述历史工况时序数据序列对应的转向数据；其中，所述历史工况时序数据序列包括多个不同采样时刻对应的第二工况时序数据，所述第二工况时序数据均不为空；

确定所述历史工况时序数据序列中各所述第二工况时序数据对应的第二时间间隔特征值；

基于所述历史工况时序数据序列、所述第二时间间隔特征值以及所述转向数据对预设机器学习模型进行训练，得到所述转向识别模型。

9.一种搅拌筒转向识别装置，其特征在于，包括：

数据获取模块，用于获取搅拌车的当前工况数据；

第一计算模块，用于基于所述当前工况数据获取当前工况时序数据序列；其中，所述当前工况时序数据序列包括多个不同采样时刻对应的第一工况时序数据，所述第一工况时序数据均不为空；

第二计算模块，用于确定所述当前工况时序数据序列中各所述第一工况时序数据对应的第一时间间隔特征值；

第三计算模块，用于将所述当前工况时序数据序列以及所述第一时间间隔特征值输入至预先训练好的转向识别模型，通过所述转向识别模型输出所述搅拌筒的转向识别结果。

10.一种搅拌车，其特征在于，包括：搅拌筒以及如权利要求9所述的搅拌筒转向识别装置。

Images