CN116451809A - 基于dagsvm算法的挖掘机工况识别方法及系统 - Google Patents
基于dagsvm算法的挖掘机工况识别方法及系统 Download PDFInfo
- Publication number
- CN116451809A CN116451809A CN202310713388.9A CN202310713388A CN116451809A CN 116451809 A CN116451809 A CN 116451809A CN 202310713388 A CN202310713388 A CN 202310713388A CN 116451809 A CN116451809 A CN 116451809A
- Authority
- CN
- China
- Prior art keywords
- excavator
- algorithm
- dagsvm
- working
- indexable
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013136 deep learning model Methods 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 239000004973 liquid crystal related substance Substances 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 13
- 238000009412 basement excavation Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 239000000446 fuel Substances 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本发明提供了一种基于DAGSVM算法的挖掘机工况识别方法及系统,方法包括以下步骤:S1、基于DAGSVM算法建立挖掘机工况识别深度学习模型;S2、采集挖掘机实际工作过程中两个主泵在预设时间内的压力数据并进行预处理;S3、对所述预处理后的压力数据进行特征提取,获取特征值;S4、将所述特征值进行归一化处理,得到特征向量;S5、将所述特征向量输入所述挖掘机工况识别深度学习模型中,依据模型输出结果得到对应的挖掘机工作阶段。本发明利用挖掘机工作时主泵所产生的压力数据,结合DAGSVM算法对挖掘机工作阶段进行识别,所需数据量小,具有较高的实时性,可准确识别挖掘机的各个工作阶段。
Description
技术领域
本发明涉及工程机械技术领域,尤其涉及一种基于DAGSVM算法的挖掘机工况识别方法及系统。
背景技术
挖掘机作为一种典型的工程机械,具有功率大、施工效率高等特点。目前挖掘机工作模式一般分为轻载、中载和重载工作模式,每次开始挖掘工作前由挖掘机操作员自行根据工作场景选择挖掘机工作档位,挖掘进行期间不会更换档位。挖掘作业一般分为以下五个工作阶段:挖掘准备阶段、挖掘阶段、举升回转阶段、卸载阶段以及复位回转阶段,每一个阶段挖掘机承受负载不同,所需功率也不相同,而挖掘机始终都以同一个档位继续工作,会造成大量功率损失。基于以上原因,需要找到一种方法对挖掘机五个不同的工作阶段进行识别,进而实现挖掘机的分阶段功率控制,降低燃油消耗。
现如今,识别挖掘机各个工作阶段的方法有如下两种:一是基于机器视觉对挖掘机工作阶段进行识别,该方法需要预先在施工现场设置一台或几台摄像机采集图片,通过采集的图片结合机器视觉算法进行工作阶段识别,其识别精度也会因为尺度偏差、视点偏差及周围环境(光照)等因素影响变得不稳定;二是基于多传感器信息融合技术对工作阶段进行识别,依据挖掘机执行机构的运动信息对挖掘机工作阶段进行识别,这种工况识别方法忽略了液压系统响应存在固有的滞后性,根据执行机构的运动信息或液压系统的性能参数进行挖掘机工况识别会在工作循环阶段转换期间产生无法避免的延迟错误,进而影响整机操作的顺应性和分阶段节能控制的响应速度、效果。
发明内容
本发明的目的在于提供一种基于DAGSVM算法的挖掘机工况识别方法及系统,至少解决了现有技术中存在的技术问题之一。
为了达到上述目的,本发明提供了一种基于DAGSVM算法的挖掘机工况识别方法,包括以下步骤:
S1、基于DAGSVM算法建立挖掘机工况识别深度学习模型;
S2、采集挖掘机实际工作过程中两个主泵在预设时间内的压力数据并进行预处理;
S3、对所述预处理后的压力数据进行特征提取,获取特征值;
S4、将所述特征值进行归一化处理,得到特征向量;
S5、将所述特征向量输入所述挖掘机工况识别深度学习模型中,依据模型输出结果得到对应的挖掘机工作阶段。
可选的,所述S1具体包括:
S11、以各种工况下从开始到所述预设时间内的两个主泵的压力波形作为所述挖掘机工作阶段的分段标志,对挖掘机工况进行分段得到分段结果,所述分段结果包括挖掘准备阶段、挖掘阶段、举升回转阶段、卸载阶段及复位回转阶段;
S12、基于所述DAGSVM算法构建所述挖掘机工况识别深度学习模型,建立所述分段标志与所述分段结果之间的映射关系;
S13、提取所述分段标志的特征向量作为所述挖掘机工况识别深度学习模型的输入,所述分段结果作为所述挖掘机工况识别深度学习模型的输出;
S14、对所述挖掘机工况识别深度学习模型进行训练优化,得到最优模型。
可选的,所述特征向量包括两个所述主泵的压力平均值、两个所述主泵的均方差、两个所述主泵的压力差均值、两个所述主泵的压力差均方差、各个主泵的后四个数据与前四个数据之差。
可选的,所述预设时间为不大于0.3s。
可选的,所述S14具体包括:
S141、挑选若干个挖掘机进行完整工作循环时两个所述主泵所产生的压力波形数据作为样本数据,每个工作循环取5个分段标志,将所述样本数据分为训练集和测试集;
S142、综合考虑类间距离和样本分布集中度两个指标,定义可分度函数:
(1)
其中,类别i和类别j分别为同一工作循环中不同的工作阶段,是样本集/>映射到高维空间后的样本平均值,/>是样本集/> 映射到高维空间后的样本平均值,是/>与/>之间的欧氏距离,/> 是样本集/> 映射到高维空间后的样本标准差,/> 是样本集/> 映射到高维空间后的样本标准差;
定义i和j的平均可分度如下:
(2)
S143、计算每两个类别之间的可分度值,得到一个nⅹn的可分度矩阵,取其中可分度值最大的两个类别构成根节点,并分列叶子层最左和最右;
S144、计算所述可分度值最大的两个类别的平均可分度,假设所述根节点的左类别的平均可分度较大,则去除所述可分度矩阵中包含所述左类别的行列,得到一个(n-1)ⅹ(n-1)的可分度矩阵,取出新的可分度矩阵中可分度值最大的两个类别,构成第二层的右节点,新加入的类别位于叶子层左边的2个位置;
S145、计算所述第二层右节点的两个类别的平均可分度,采用步骤S144的方法确定第3层的某一节点,得到一个新的类别在叶子层中的位置,以此类推,最终确定所有类别在所述叶子层中的位置,反推即可得到最优的挖掘机工况识别深度学习模型。
可选的,所述根节点所在层应选择可分度值最大的两类构成。
可选的,所述S2具体包括:
采用滑动平均值滤波算法进行降噪处理,算法如下:
(3)
其中,为降噪后的压力值,/>为原始压力数据,三个常数值分别为/>。
可选的,在所述S4中,归一化处理如下所示:
(4)
其中,表示归一化后的特征值,x表示归一化前的特征值,/>表示特征向量中特征值的最大值,/>表示特征向量中特征值的最小值。
基于同一发明构思,本发明还提供了一种基于DAGSVM算法的挖掘机工况识别系统,包括:
模型建立模块,用于基于DAGSVM算法建立挖掘机工况识别深度学习模型;
预处理模块,用于采集挖掘机实际工作过程中两个主泵在预设时间内的压力数据并进行预处理;
特征提取模块,用于对所述预处理后的压力数据进行特征提取,获取特征值,以及将所述特征值进行归一化处理,得到特征向量;
识别模块,用于将所述特征向量输入所述挖掘机工况识别深度学习模型中,依据模型输出结果得到对应的挖掘机工作阶段。
基于同一发明构思,本发明还提供了一种可读存储介质,其上存储有计算机程序,所述计算机程序被执行时能实现如上所述的基于DAGSVM算法的挖掘机工况识别方法。
本发明提供的基于DAGSVM算法的挖掘机工况识别方法及系统,利用挖掘机工作时主泵所产生的压力数据,结合DAGSVM(有向无环图支持向量机)算法对挖掘机工作阶段进行识别,所需数据量小,具有较高的实时性,可准确识别挖掘机的各个工作阶段,便于后续对挖掘机进行分阶段功率控制,降低燃油消耗。此外,主泵压力可通过CAN总线直接获取,采集方便。
附图说明
本领域的普通技术人员应当理解,提供的附图用于更好地理解本发明,而不对本发明的范围构成任何限定。其中:
图1为本发明一实施例提供的基于DAGSVM算法的挖掘机工况识别方法的步骤图;
图2为本发明一实施例提供的挖掘机工况识别深度学习模型的最优模型图;
图3为本发明一实施例提供的基于DAGSVM算法的挖掘机工况识别系统的结构框图。
附图
100-模型建立模块;200-预处理模块;300-特征提取模块;400-识别模块。
具体实施方式
挖掘机工作于不同阶段时,两个主泵的压力特征差异明显。当挖掘机铲斗、斗杆、动臂在执行单独动作时,主泵压力与油缸进口压力相等,当挖掘机进行复合动作时,主泵压力由油缸进口压力较大的那个值决定,故主泵压力反映油缸压力,进一步反映执行机构运动情况。
基于此,本发明的核心思想在于提供一种基于DAGSVM算法的挖掘机工况识别方法,利用挖掘机工作时主泵所产生的压力数据,结合DAGSVM(有向无环图支持向量机)算法对挖掘机工作阶段进行识别,所需数据量小,具有较高的实时性,可准确识别挖掘机的各个工作阶段,便于后续对挖掘机进行分阶段功率控制,降低燃油消耗。
为使本发明的目的、优点和特征更加清楚,以下结合附图和具体实施例对本发明作进一步详细说明。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
还应当理解的是,除非特别说明或者指出,否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等,而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参照图1,图1为本发明一实施例提供的基于DAGSVM算法的挖掘机工况识别方法的步骤图。本实施例提供了一种基于DAGSVM算法的挖掘机工况识别方法,包括以下步骤:
S1、基于DAGSVM算法建立挖掘机工况识别深度学习模型;
S2、采集挖掘机实际工作过程中两个主泵在预设时间内的压力数据并进行预处理;
S3、对所述预处理后的压力数据进行特征提取,获取特征值;
S4、将所述特征值进行归一化处理,得到特征向量;
S5、将所述特征向量输入所述挖掘机工况识别深度学习模型中,依据模型输出结果得到对应的挖掘机工作阶段。
本发明利用挖掘机工作时主泵所产生的压力数据,结合DAGSVM(有向无环图支持向量机)算法对挖掘机工作阶段进行识别,所需数据量小,具有较高的实时性,可准确识别挖掘机的各个工作阶段,便于后续对挖掘机进行分阶段功率控制,降低燃油消耗。此外,主泵压力可通过CAN总线直接获取,采集方便。
首先,执行步骤S1,基于DAGSVM算法建立挖掘机工况识别深度学习模型。本实施例中,所述S1具体包括:
S11、以各种工况下从开始到所述预设时间内的两个主泵的压力波形作为所述挖掘机工作阶段的分段标志,对挖掘机工况进行分段得到分段结果,所述分段结果包括挖掘准备阶段、挖掘阶段、举升回转阶段、卸载阶段及复位回转阶段;
S12、基于所述DAGSVM算法构建所述挖掘机工况识别深度学习模型,建立所述分段标志与所述分段结果之间的映射关系;
S13、提取所述分段标志的特征向量作为所述挖掘机工况识别深度学习模型的输入,所述分段结果作为所述挖掘机工况识别深度学习模型的输出;
S14、对所述挖掘机工况识别深度学习模型进行训练优化,得到最优模型。
具体的,先执行步骤S11,将挖掘机挖掘准备阶段从开始到所述预设时间内的两个主泵压力波形、挖掘机挖掘阶段从开始到所述预设时间内的两个主泵压力波形、挖掘机举升回转阶段从开始到所述预设时间内的两个主泵压力波形、挖掘机卸载阶段从开始到所述预设时间内的两个主泵压力波形、挖掘机复位回转阶段开始从开始到所述预设时间内的两个主泵压力波形作为挖掘机工作阶段的分段标志,将所述挖掘机工况分为五个工作阶段,其包括挖掘准备阶段、挖掘阶段、举升回转阶段、卸载阶段及复位回转阶段。
然后执行步骤S12,基于所述DAGSVM算法构建所述挖掘机工况识别深度学习模型,建立所述分段标志与所述分段结果之间的映射关系:挖掘机挖掘准备阶段从开始到所述预设时间内的两个主泵压力波形对应挖掘准备阶段、挖掘机挖掘阶段从开始到所述预设时间内的两个主泵压力波形对应挖掘阶段、挖掘机举升回转阶段从开始到所述预设时间内的两个主泵压力波形对应举升回转阶段、挖掘机卸载阶段从开始到所述预设时间内的两个主泵压力波形对应卸载阶段、挖掘机复位回转阶段从开始到所述预设时间内的两个主泵压力波形对应复位回转阶段。
接着执行步骤S13,提取所述分段标志的特征向量作为所述挖掘机工况识别深度学习模型的输入,所述分段结果作为所述挖掘机工况识别深度学习模型的输出。本实施例中,所述特征向量包括以下八个特征量:两个所述主泵的压力平均值、两个所述主泵的均方差、两个所述主泵的压力差均值、两个所述主泵的压力差均方差、各个主泵的后四个数据与前四个数据之差。
再执行步骤S14,对所述挖掘机工况识别深度学习模型进行训练优化,得到最优模型。
进一步的,所述S14具体包括:
S141、挑选若干个挖掘机进行完整工作循环时两个所述主泵所产生的压力波形数据作为样本数据,每个工作循环取5个分段标志,将所述样本数据分为训练集和测试集;
S142、综合考虑类间距离和样本分布集中度两个指标,定义可分度函数:
(1)
其中,类别i和类别j分别为同一工作循环中不同的工作阶段,是样本集/>映射到高维空间后的样本平均值,/> 是样本集/> 映射到高维空间后的样本平均值,是/>与/> 之间的欧氏距离,/>是样本集/>映射到高维空间后的样本标准差,/>是样本集/>映射到高维空间后的样本标准差;
定义i和j的平均可分度如下:
(2)
S143、计算每两个类别之间的可分度值,得到一个nⅹn的可分度矩阵,取其中可分度值最大的两个类别构成根节点,并分列叶子层最左和最右;
S144、计算所述可分度值最大的两个类别的平均可分度,假设所述根节点的左类别的平均可分度较大,则去除所述可分度矩阵中包含所述左类别的行列,得到一个(n-1)ⅹ(n-1)的可分度矩阵,取出新的可分度矩阵中可分度值最大的两个类别,构成第二层的右节点,新加入的类别位于叶子层左边的2个位置;
S145、计算所述第二层右节点的两个类别的平均可分度,采用步骤S144的方法确定第3层的某一节点,得到一个新的类别在叶子层中的位置,以此类推,最终确定所有类别在所述叶子层中的位置,反推即可得到最优的挖掘机工况识别深度学习模型(有向无环图结构)。
本实施例中,挑选300个挖掘机进行完整工作循环时两个所述主泵所产生的压力波形数据,每个工作循环取5个分段标志,共有1500个样本,即1500个特征向量,可将样本分为两组,其中一组1250个,每个阶段250个样本,构成训练集,另一组样本250个,每个阶段样本50个,构成测试集,训练得到最优的挖掘机工况识别深度学习模型。
本实施例中,所述挖掘机的每个工作循环由五个工作阶段构成,因此为五分类问题,上述提到的n=5,得到的整个有向无环图有五层,第五层为叶子层,由挖掘机的五个工作阶段构成。并且,所述根节点所在层即第一层应选择可分度值最大的两类构成,最终得到的最优模型如图2所示。
本实施例中,所述预设时间为不大于0.3s。优选的,所述预设时间为0.3s。
得到最优模型后,执行步骤S2,采集挖掘机实际工作过程中两个主泵在预设时间内的压力数据并进行预处理。进一步的,所述S2具体包括:
采用滑动平均值滤波算法进行降噪处理,算法如下:
(3)
其中,为降噪后的压力值,/>为原始压力数据,三个常数值分别为/>。
然后执行步骤S3,对所述预处理后的压力数据进行特征提取,获取特征值。本实施例中,所述压力数据为预设时间内的压力数据。
接着执行步骤S4,将所述特征值进行归一化处理,得到特征向量。进一步的,所述归一化处理如下所示:
(4)
其中,表示归一化后的特征值,x表示归一化前的特征值,/>表示特征向量中特征值的最大值,/>表示特征向量中特征值的最小值。
最后执行步骤S5,将所述特征向量输入所述挖掘机工况识别深度学习模型中,依据模型输出结果得到对应的挖掘机工作阶段。本实施例中,将五个工作阶段分别即为序号1、2、3、4、5,根据模型输出结果中最大值所对应的序号判断挖掘机所处的工作阶段,当最大值的序号为1时,挖掘机当前的工作阶段为挖掘准备阶段;当最大值的序号为2时,挖掘机当前的工作阶段为挖掘阶段;当最大值的序号为3时,挖掘机当前的工作阶段为举升回转阶段;当最大值的序号为4时,挖掘机当前的工作阶段为卸载阶段;当最大值的序号为5时,挖掘机当前的工作阶段为复位回转阶段。
优选的,可将输出结果输出至一显示单元,显示单元例如为一块液晶显示屏,在显示屏上能够实时显示所述挖掘机当前所处的工作阶段。
基于此,请参照图3,本发明还提供了一种基于DAGSVM算法的挖掘机工况识别系统,包括:
模型建立模块100,用于基于DAGSVM算法建立挖掘机工况识别深度学习模型;
预处理模块200,用于采集挖掘机实际工作过程中两个主泵在预设时间内的压力数据并进行预处理;
特征提取模块300,用于对所述预处理后的压力数据进行特征提取,获取特征值,以及将所述特征值进行归一化处理,得到特征向量;
识别模块400,用于将所述特征向量输入所述挖掘机工况识别深度学习模型中,依据模型输出结果得到对应的挖掘机工作阶段。
同理,本发明提供的基于DAGSVM算法的挖掘机工况识别系统利用挖掘机工作时主泵所产生的压力数据,结合DAGSVM(有向无环图支持向量机)算法对挖掘机工作阶段进行识别,所需数据量小,具有较高的实时性,可准确识别挖掘机的各个工作阶段,便于后续对挖掘机进行分阶段功率控制,降低燃油消耗。此外,主泵压力可通过CAN总线直接获取,采集方便。
基于同一发明构思,本发明实施例还提出一种可读存储介质,其上存储有计算机程序,所述计算机程序被执行时能实现如上所述的基于DAGSVM算法的挖掘机工况识别方法。
所述可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备,例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所描述的计算机程序可以从可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收所述计算机程序,并转发该计算机程序,以供存储在各个计算/处理设备中的可读存储介质中。用于执行本发明操作的计算机程序可以是汇编指令、指令集架构 (ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。所述计算机程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利 用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机程序的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、系统和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序实现。这些计算机程序可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些程序在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机程序存储在可读存储介质中,这些计算机程序使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有该计算机程序的可读存储介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机程序加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的计算机程序实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
综上,本发明提供了一种基于DAGSVM算法的挖掘机工况识别方法及系统,利用挖掘机工作时主泵所产生的压力数据,结合DAGSVM(有向无环图支持向量机)算法对挖掘机工作阶段进行识别,所需数据量小,具有较高的实时性,可准确识别挖掘机的各个工作阶段,便于后续对挖掘机进行分阶段功率控制,降低燃油消耗。
此外还应该认识到,虽然本发明已以较佳实施例披露如上,然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言,在不脱离本发明技术方案范围情况下,都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围。
Claims (10)
1.一种基于DAGSVM算法的挖掘机工况识别方法,其特征在于,包括以下步骤:
S1、基于DAGSVM算法建立挖掘机工况识别深度学习模型;
S2、采集挖掘机实际工作过程中两个主泵在预设时间内的压力数据并进行预处理;
S3、对所述预处理后的压力数据进行特征提取,获取特征值;
S4、将所述特征值进行归一化处理,得到特征向量;
S5、将所述特征向量输入所述挖掘机工况识别深度学习模型中,依据模型输出结果得到对应的挖掘机工作阶段。
2.根据权利要求1所述的基于DAGSVM算法的挖掘机工况识别方法,其特征在于,所述S1具体包括:
S11、以各种工况下从开始到所述预设时间内的两个主泵的压力波形作为所述挖掘机工作阶段的分段标志,对挖掘机工况进行分段得到分段结果,所述分段结果包括挖掘准备阶段、挖掘阶段、举升回转阶段、卸载阶段及复位回转阶段;
S12、基于所述DAGSVM算法构建所述挖掘机工况识别深度学习模型,建立所述分段标志与所述分段结果之间的映射关系;
S13、提取所述分段标志的特征向量作为所述挖掘机工况识别深度学习模型的输入,所述分段结果作为所述挖掘机工况识别深度学习模型的输出;
S14、对所述挖掘机工况识别深度学习模型进行训练优化,得到最优模型。
3.根据权利要求2所述的基于DAGSVM算法的挖掘机工况识别方法,其特征在于,所述特征向量包括两个所述主泵的压力平均值、两个所述主泵的均方差、两个所述主泵的压力差均值、两个所述主泵的压力差均方差、各个主泵的后四个数据与前四个数据之差。
4.根据权利要求2所述的基于DAGSVM算法的挖掘机工况识别方法,其特征在于,所述预设时间为不大于0.3s。
5.根据权利要求2所述的基于DAGSVM算法的挖掘机工况识别方法,其特征在于,所述S14具体包括:
S141、挑选若干个挖掘机进行完整工作循环时两个所述主泵所产生的压力波形数据作为样本数据,每个工作循环取5个分段标志,将所述样本数据分为训练集和测试集;
S142、综合考虑类间距离和样本分布集中度两个指标,定义可分度函数:
(1)
其中,类别i和类别j分别为同一工作循环中不同的工作阶段,是样本集/>映射到高维空间后的样本平均值,/>是样本集/>映射到高维空间后的样本平均值,是/>与/>之间的欧氏距离,/>是样本集/>映射到高维空间后的样本标准差,/>是样本集/>映射到高维空间后的样本标准差;
定义i和j的平均可分度如下:
(2)
S143、计算每两个类别之间的可分度值,得到一个nⅹn的可分度矩阵,取其中可分度值最大的两个类别构成根节点,并分列叶子层最左和最右;
S144、计算所述可分度值最大的两个类别的平均可分度,假设所述根节点的左类别的平均可分度较大,则去除所述可分度矩阵中包含所述左类别的行列,得到一个(n-1)ⅹ(n-1)的可分度矩阵,取出新的可分度矩阵中可分度值最大的两个类别,构成第二层的右节点,新加入的类别位于叶子层左边的2个位置;
S145、计算所述第二层右节点的两个类别的平均可分度,采用步骤S144的方法确定第3层的某一节点,得到一个新的类别在叶子层中的位置,以此类推,最终确定所有类别在所述叶子层中的位置,反推即可得到最优的挖掘机工况识别深度学习模型。
6.根据权利要求5所述的基于DAGSVM算法的挖掘机工况识别方法,其特征在于,所述根节点所在层应选择可分度值最大的两类构成。
7.根据权利要求1所述的基于DAGSVM算法的挖掘机工况识别方法,其特征在于,所述S2具体包括:
采用滑动平均值滤波算法进行降噪处理,算法如下:
(3)
其中,为降噪后的压力值,/>为原始压力数据,三个常数值分别为。
8.根据权利要求1所述的基于DAGSVM算法的挖掘机工况识别方法,其特征在于,在所述S4中,归一化处理如下所示:
(4)
其中, 表示归一化后的特征值,x表示归一化前的特征值,/> 表示特征向量中特征值的最大值,/>表示特征向量中特征值的最小值。
9.一种基于DAGSVM算法的挖掘机工况识别系统,其特征在于,包括:
模型建立模块,用于基于DAGSVM算法建立挖掘机工况识别深度学习模型;
预处理模块,用于采集挖掘机实际工作过程中两个主泵在预设时间内的压力数据并进行预处理;
特征提取模块,用于对所述预处理后的压力数据进行特征提取,获取特征值,以及将所述特征值进行归一化处理,得到特征向量;
识别模块,用于将所述特征向量输入所述挖掘机工况识别深度学习模型中,依据模型输出结果得到对应的挖掘机工作阶段。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时能实现根据权利要求1-8中任一项所述的基于DAGSVM算法的挖掘机工况识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310713388.9A CN116451809A (zh) | 2023-06-16 | 2023-06-16 | 基于dagsvm算法的挖掘机工况识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310713388.9A CN116451809A (zh) | 2023-06-16 | 2023-06-16 | 基于dagsvm算法的挖掘机工况识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116451809A true CN116451809A (zh) | 2023-07-18 |
Family
ID=87124104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310713388.9A Withdrawn CN116451809A (zh) | 2023-06-16 | 2023-06-16 | 基于dagsvm算法的挖掘机工况识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451809A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102877500A (zh) * | 2012-09-29 | 2013-01-16 | 浙江大学 | 一种挖掘机工作循环阶段自动识别方法 |
CN103345626A (zh) * | 2013-07-18 | 2013-10-09 | 重庆邮电大学 | 一种智能轮椅静态手势识别方法 |
CN104537385A (zh) * | 2015-01-23 | 2015-04-22 | 湖南大学 | 一种估计dagsvm分类准确度的方法 |
CN108398249A (zh) * | 2018-02-01 | 2018-08-14 | 中联重科股份有限公司 | 预测密封圈剩余寿命的方法和装置、工程机械及服务器 |
CN108846050A (zh) * | 2018-05-30 | 2018-11-20 | 重庆望江工业有限公司 | 基于多模型融合的核心工艺知识智能推送方法及系统 |
US20190024341A1 (en) * | 2016-07-22 | 2019-01-24 | Xiamen University | Method of identifying the difficulty level of the operating condition of a loader |
CN111582135A (zh) * | 2020-04-30 | 2020-08-25 | 中南大学 | 基于工作阶段识别的挖掘机手操作熟练度评价方法及装置 |
CN113374021A (zh) * | 2021-06-24 | 2021-09-10 | 中南大学 | 基于操作手柄先导控制信号的挖掘机工况识别方法 |
WO2023284443A1 (zh) * | 2021-07-15 | 2023-01-19 | 上海三一重机股份有限公司 | 挖掘机工况判定方法及装置 |
-
2023
- 2023-06-16 CN CN202310713388.9A patent/CN116451809A/zh not_active Withdrawn
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102877500A (zh) * | 2012-09-29 | 2013-01-16 | 浙江大学 | 一种挖掘机工作循环阶段自动识别方法 |
CN103345626A (zh) * | 2013-07-18 | 2013-10-09 | 重庆邮电大学 | 一种智能轮椅静态手势识别方法 |
CN104537385A (zh) * | 2015-01-23 | 2015-04-22 | 湖南大学 | 一种估计dagsvm分类准确度的方法 |
US20190024341A1 (en) * | 2016-07-22 | 2019-01-24 | Xiamen University | Method of identifying the difficulty level of the operating condition of a loader |
CN108398249A (zh) * | 2018-02-01 | 2018-08-14 | 中联重科股份有限公司 | 预测密封圈剩余寿命的方法和装置、工程机械及服务器 |
CN108846050A (zh) * | 2018-05-30 | 2018-11-20 | 重庆望江工业有限公司 | 基于多模型融合的核心工艺知识智能推送方法及系统 |
CN111582135A (zh) * | 2020-04-30 | 2020-08-25 | 中南大学 | 基于工作阶段识别的挖掘机手操作熟练度评价方法及装置 |
CN113374021A (zh) * | 2021-06-24 | 2021-09-10 | 中南大学 | 基于操作手柄先导控制信号的挖掘机工况识别方法 |
WO2023284443A1 (zh) * | 2021-07-15 | 2023-01-19 | 上海三一重机股份有限公司 | 挖掘机工况判定方法及装置 |
Non-Patent Citations (1)
Title |
---|
冯培恩;彭贝;高宇;邱清盈;: "液压挖掘机作业循环阶段的智能识别", 浙江大学学报(工学版), vol. 50, no. 2, pages 1 - 11 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111595850B (zh) | 切片缺陷检测方法、电子装置及可读存储介质 | |
CA2323608A1 (en) | Object oriented method of structuring a software step program | |
CN111460877B (zh) | 利用图像级联及cnn的客体检测方法及装置 | |
CN111461106A (zh) | 基于可重配置网络的对象检测方法及装置 | |
CN105740477B (zh) | 针对大规模嵌入式设备固件的函数搜索方法和搜索引擎 | |
US11625843B2 (en) | Systems and methods for automatic alignment of drawings | |
US9286361B2 (en) | Extract-transform-load processor controller | |
US11455440B2 (en) | Graphic user interface assisted chemical structure generation | |
CN112465820A (zh) | 基于语义分割的融合全局上下文信息的水稻病害检测方法 | |
CN115098717A (zh) | 三维模型检索方法、装置、电子设备及存储介质 | |
CN114399784A (zh) | 一种基于cad图纸的自动识别方法及装置 | |
CN110502443A (zh) | 冗余代码检测方法、检测模块、电子设备及计算机存储介质 | |
CN116451809A (zh) | 基于dagsvm算法的挖掘机工况识别方法及系统 | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
CN108182681A (zh) | 一种基于多层超限学习网络的混凝土裂缝检测方法 | |
CN112528625B (zh) | 事件抽取的方法、装置、计算机设备以及可读存储介质 | |
CN116956838A (zh) | 工程量清单的项目确定方法及确定装置 | |
CN116756610A (zh) | 基于改进lstm神经网络的挖机挖掘阶段识别方法及系统 | |
CN116629348B (zh) | 一种智能车间数据采集分析方法、装置及计算机设备 | |
CN113554126B (zh) | 样本评估方法、装置、设备及计算机可读存储介质 | |
CN118051854A (zh) | 基于数字孪生的水务数据处理方法及系统 | |
CN114138927A (zh) | 文本信息提取方法、装置及电子设备 | |
CN116450654A (zh) | 基于n-t数据库的挖掘机能耗优化方法及系统 | |
CN115457540A (zh) | 点云目标检测模型的构建方法、目标检测标注方法及装置 | |
CN115982402A (zh) | 图形界面的元素特征生成方法及电子设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230718 |
|
WW01 | Invention patent application withdrawn after publication |