CN116861237A - 用于挖掘机作业状态的识别方法、装置、挖掘机及处理器 - Google Patents
用于挖掘机作业状态的识别方法、装置、挖掘机及处理器 Download PDFInfo
- Publication number
- CN116861237A CN116861237A CN202310789471.4A CN202310789471A CN116861237A CN 116861237 A CN116861237 A CN 116861237A CN 202310789471 A CN202310789471 A CN 202310789471A CN 116861237 A CN116861237 A CN 116861237A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- excavator
- predicted
- action
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000009471 action Effects 0.000 claims abstract description 126
- 238000003860 storage Methods 0.000 claims abstract description 18
- 238000005065 mining Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 38
- 238000009412 basement excavation Methods 0.000 claims description 35
- 238000009826 distribution Methods 0.000 claims description 34
- 238000007637 random forest analysis Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 31
- 238000003909 pattern recognition Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000011084 recovery Methods 0.000 claims description 17
- 241000254173 Coleoptera Species 0.000 claims description 9
- 238000010845 search algorithm Methods 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 description 26
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本申请实施例提供一种用于挖掘机作业状态的识别方法、装置、处理器及存储介质。方法包括:按照预设时间间隔获取挖掘机在预设时间段内的多个工况数据;按照预设的单位时间窗口将多个工况数据划分为与每个单位时间窗口对应的数据集;提取每个数据集的数据特征;依次将每个数据集的数据特征输入至作业模式识别模型,以通过作业模式识别模型输出每个数据集的预测作业模式;将预测作业模式为挖掘模式的数据集中包括的每个工况数据依次输入至动作识别模型,以通过动作识别模型输出每个工况数据的预测动作;根据预测动作确定挖掘机在预设时间段内进行挖掘作业动作的挖掘次数。本申请的技术方案对于挖掘机作业状态的识别效率更快,且成本较低。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种用于挖掘机作业状态的识别方法、装置、挖掘机、存储介质及处理器。
背景技术
挖掘机在建筑工程、采掘等行业有着广泛的应用。由于挖掘机的不同作业状态下的性能表现不同,因此识别挖掘机的作业状态对于优化其工作效率和延长使用寿命具有重要意义。
现有技术中,识别挖掘机工作状态使用的方法主要是计算机视觉技术。通过在挖掘机上安装摄像头,获取挖掘机工作时的实时视频,对图像进行分析,判断挖掘机的工作状态。例如:当挖掘机的铲斗进入土方时,视频识别算法可以检测到土方移动的情况,从而判断挖掘机正在进行挖掘。为了获得高质量的图像和视频数据,需要在挖掘机上安装高质量的摄像头。同时,由于视频识别算法需要进行大量的计算和分析,需要配备高性能的计算和存储设备,因此整体成本过高。此外,由于挖掘机工作环境处于室外,而视觉识别技术受环境影响较大,如天气、光线、尘土等因素都会极大影响识别准确率。
发明内容
本申请实施例的目的是提供一种用于挖掘机作业状态的识别方法、装置、挖掘机、存储介质及处理器。
为了实现上述目的,本申请第一方面提供一种用于挖掘机作业状态的识别方法,包括:
按照预设时间间隔获取挖掘机在预设时间段内的多个工况数据;
按照预设的单位时间窗口将多个工况数据划分为与每个单位时间窗口对应的数据集;
提取每个数据集的数据特征;
依次将每个数据集的数据特征输入至作业模式识别模型,以通过作业模式识别模型输出每个数据集的预测作业模式;
将预测作业模式为挖掘模式的数据集中包括的每个工况数据依次输入至动作识别模型,以通过动作识别模型输出每个工况数据的预测动作;
根据预测动作确定挖掘机在预设时间段内进行挖掘作业动作的挖掘次数。
本申请第二方面提供一种处理器,被配置成执行上述的用于挖掘机作业状态的识别方法。
本申请第三方面提供一种用于挖掘机作业状态的识别装置,包括上述的处理器。
本申请第四方面提供一种挖掘机,其特征在于,包括上述的用于挖掘机作业状态的识别装置
本申请第五方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令在被处理器执行时使得所述处理器被配置成执行上述的用于挖掘机作业状态的识别方法。
上述技术方案,通过使用作业模式识别模型先确定出挖掘模式下的工况数据,再通过动作识别模型来确定挖掘模式下的工况数据对应的动作,以此可以实现对挖掘机施工状态的监控。在本方案中,无需在挖掘机上安装摄像头,且本方案是基于结构性数据的工况数据来对挖掘机的作业状态进行识别,相较于现有技术来说,本申请的技术方案对于挖掘机作业状态的识别效率更快,且成本较低。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请实施例的用于挖掘机作业状态的识别方法的流程示意图;
图2示意性示出了根据本申请实施例的作业模式识别模型的训练步骤的流程示意图;
图3示意性示出了根据本申请实施例的确定作业模式识别模型的流程示意图;
图4示意性示出了根据本申请另一实施例的用于挖掘机作业状态的识别方法的流程示意图;
图5示意性示出了根据本申请又一实施例的用于挖掘机作业状态的识别方法的流程示意图;
图6示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1示意性示出了根据本申请实施例的用于挖掘机作业状态的识别方法的流程示意图。如图1所示,在本申请一实施例中,提供了一种用于挖掘机作业状态的识别方法,包括以下步骤:
步骤101,按照预设时间间隔获取挖掘机在预设时间段内的多个工况数据。
步骤102,按照预设的单位时间窗口将多个工况数据划分为与每个单位时间窗口对应的数据集。
步骤103,提取每个数据集的数据特征。
步骤104,依次将每个数据集的数据特征输入至作业模式识别模型,以通过作业模式识别模型输出每个数据集的预测作业模式。
步骤105,将预测作业模式为挖掘模式的数据集中包括的每个工况数据依次输入至动作识别模型,以通过动作识别模型输出每个工况数据的预测动作。
步骤106,根据预测动作确定挖掘机在预设时间段内进行挖掘作业动作的挖掘次数。
在对挖掘机作业状态进行识别之前,需要先获取到挖掘机的工况数据。在获取工况数据时,可以按照预设时间间隔来获取。例如,将预设时间间隔设置为0.1s或1s,那么在按照预设时间间隔获取挖掘机在预设时间段内的工况数据时,即为获取挖掘机在预设时间段内每0.1s的工况数据,或挖掘机在预设时间段内每1s的工况数据。如此,可以获取到挖掘机在预设时间段内的多个时间点的多个工况数据,每个时间点对应一个工况数据。
然后,可以预先设置单位时间窗口,并将多个工况数据划分为与每个单位时间窗口对应的数据集。例如,假设单位时间窗口是20s,预设时间段内为1小时,预设时间间隔为1s,那么获取到的挖掘机在预设时间段内的多个工况数据,等于获取到了挖掘机在3600个时间点的工况数据,即获取到了3600个工况数据。按照单位时间窗口对多个工况数据进行划分时,则可以将这3600个工况数据划分为1800个数据集,每个数据集对应一个单位时间窗口。
在得到与每个单位时间窗口对应的数据集后,可以提取每个数据集的数据特征。然后针对每个数据集,可以将该数据集的数据特征输入至作业模式识别模型,作业模式识别模型可以基于输入的数据特征输出该数据集的预测作业模式。其中,挖掘机的作业模式可以至少包括怠速模式、挖掘模式、行走模式、破碎模式以及平地模式这五种作业模式。作业模式识别模型为神经网络模型,在本实施例中,作业模式识别模型可以是随机森林分类模型。
在本实施例中,目的是为了确定挖掘机在预设时间段内进行挖掘动作的次数。需要注意的是,本实施例中统计的是在挖掘模式下进行挖掘作业动作的挖掘次数,其他作业模式下进行的挖掘作业动作不在本方案的考虑范围内。因此,在作业模式识别模型输出每个数据集的预测作业模式之后,需要找出预测作业模式是挖掘模式的数据集,并基于这些选取出来的数据集来进一步判断挖掘机进行挖掘作业动作的次数。具体地,可以将预测作业模式为挖掘模式的数据集中包括的每个工况数据依次输入至动作识别模型,动作识别模型可以输出每个工况数据的预测动作。其中,动作识别模型是神经网络模型,在本实施例中,动作识别模型也可以采用随机森林模型,也可以采用lightGBM模型(LightGradientBoostingMachine)。动作类型包括挖掘、提升回转、卸料以及空斗返回。
通常情况下,一个完整的挖掘动作包括挖掘、提升回转、卸料、空斗返回四个阶段。其中,各阶段划分标准如下:
1、挖掘:从铲齿接触土壤开始(铲斗油缸开始伸张),到铲斗切削土壤,到充分装填铲斗结束。
2、提升回转:挖掘结束后(铲斗油缸伸张到最大),动臂液压缸伸出,将动臂顶起至适当高度,当铲斗提升至适当高度后,转台回转相应角度,将铲斗转移到卸载位置。
3、卸料:铲斗回转到卸载点后,铲斗向外打开(铲斗油缸开始收缩),将斗中物料清空。
4、空斗返回:卸载完毕(铲斗油缸收缩到最大),转台反向回转,使挖掘机铲斗由卸载位置转移至下一挖掘位置的上方,当回转到挖掘点上方时,转台制动,动臂下降,同时调整斗杆和铲斗,使铲齿转移到新的挖掘点,等待再次挖掘。
在一个实施例中,根据预测动作确定挖掘机在预设时间段内进行挖掘作业动作的挖掘次数包括:确定多种类型的预测动作按照预设顺序依次连续出现的次数;将次数确定为挖掘机在预设时间段内进行挖掘作业动作的挖掘次数。
一个完整的挖掘动作包括挖掘、提升回转、卸料、空斗返回四个阶段。也就是说,如果动作识别模型输出的预测动作的类型为挖掘,此时还不能确定挖掘机进行了挖掘作业动作。需要看下一个时间点的工况数据对应的预测动作的类型是否是提升回转。如果是,仍然需要看下一个时间点的工况数据对应的预测动作的类型是否是卸料。如果是,需要继续看下一个时间点的工况数据对应的预测动作的类型是否是空斗返回。如果是,此时则可以确定挖掘机在预设时间段内进行挖掘作业动作的次数加1。反之,如果这连续的四个工况数据对应的预测动作并不是依次为挖掘、提升回转、卸料、空斗返回,那么将挖掘机的挖掘次数加1。以此方式,则可以确定挖掘机在预设时间段内进行挖掘作业动作的挖掘次数。也就是说,在统计挖掘机的挖掘次数时,应当是挖掘、提升回转、卸料、空斗返回这四个动作类型依次连续出现的次数。例如,假设这四个动作类型连续出现了10次,那么则可以确定挖掘机进行挖掘作业动作的挖掘次数为10次。
在一个实施例中,将预测作业模式为挖掘模式的数据集中包括的每个工况数据依次输入至动作识别模型还包括:将预测作业模式为挖掘模式的数据集作为第一数据集;针对任意一个第一数据集,在存在与第一数据集在时间上连续的其他第一数据集的情况下,将连续的多个第一数据集组成第二数据集,并将第二数据集中包括的每个工况数据依次输入至动作识别模型;针对任意一个第一数据集,在不存在与第一数据集在时间上连续的其他第一数据集的情况下,将第一数据集中包括的每个工况数据依次输入至动作识别模型。
在通过作业模式识别模型输出每个数据集的预测作业模式之后,需要继续通过动作识别模型来确定预测作业模式为挖掘模式的数据集中的每个工况数据的预测动作。为了便于描述,可以将预测作业模式为挖掘模式的数据集称之为第一数据集,然后可以将在时间上连续的多个第一数据集打包成一个大的数据集,即第二数据集,再将第二数据集中包括的每个工况数据依次输入至动作识别模型来识别每个工况数据的预测动作。如此,则可以将挖掘机在一段时间内处于挖掘模式的工况数据进行统一的动作预测。针对任意一个第一数据集,如果没有存在与该第一数据集在时间上连续的其他第一数据集,那么就可以直接对该第一数据集中包括的每个工况数据单独进行动作预测,即,可以直接将该第一数据集中包括的每个工况数据依次输入至动作识别模型,以通过动作识别模型输出每个工况数据的预测动作。例如,假设数据集一共是13个,且前10个连续的数据集的预测作业模式均为挖掘模式,在其之后的第11个数据集的预测作业模式为怠速模式,第12个数据集的预测作业模式为行走模式,而第13个数据集的预测作业模式又是挖掘模式。那么就可以将这连续的10个数据集,即10个连续的第一数据集打包,生成对应的第二数据集。然后将第二数据集中包括的每个工况数据依次输入至动作识别模型来识别每个工况数据的预测动作。由于第11个数据集和第12个数据集的预测作业模式不是挖掘模式,那么第11个数据集和第12个数据集则不能称之为第一数据集。第13个数据集的预测作业模式是挖掘模式,因此第13个数据集可以称之为第一数据集。但由于第13个数据集与前10个第一数据集在时间上不是连续的,因此可以对第13个数据集中包括的每个工况数据单独进行动作预测,即可以将第13个数据集中包括的每个工况数据依次输入至动作识别模型,以通过动作识别模型输出第13个数据集中的每个工况数据的预测动作。
在一个实施例中,工况数据包括挖掘机的前泵压力、后泵压力以及其他多个先导手柄的手柄信号。具体地,多个先导手柄包括动臂抬升、动臂下降、斗杆伸出、斗杆回收、铲斗挖掘、铲斗卸料、左行走、右行走、回转等九个先导手柄。在将预测作业模式为挖掘模式的数据集中包括的每个工况数据依次输入至动作识别模型,以通过动作识别模型输出每个工况数据的预测动作时,实际上是将每个时间点的前泵压力、后泵压力以及其他多个先导手柄的手柄信号构成的11维数据输入至动作识别模型来进行动作的识别。即,动作识别模型的输入为前泵压力、后泵压力以及其他多个先导手柄的手柄信号构成的11维数据。需要进行区分的是,在通过作业模式识别模型来确定每个数据集的预测作业模式时,作业模式识别模型的输入为每个数据集的数据特征,即前泵压力、后泵压力以及压力差值的分布情况。
在一个实施例中,动作识别模型也可以是随机森林模型。在通过动作识别模型来实现动作预测之前,需要现对其进行训练。可以将训练集数据分配给随机森林模型中的每个决策树,逐步学习并构建最终的分类模型。在完成随机森林模型的训练后,还可以使用交叉验证、学习曲线、ROC曲线和混淆矩阵等来评估模型的性能和效果,以实现模型的参数优化,保存最终优化后的模型。可以采用现有的优化方式,此处不再赘述。
在一个实施例中,工况数据包括挖掘机的前泵压力和后泵压力,提取每个数据集的数据特征包括:针对数据集中的每个工况数据,确定前泵压力和后泵压力之间的压力差值;针对前泵压力、后泵压力以及压力差值分别设置多个第一压力区间、多个第二压力区间以及多个第三压力区间;针对每个数据集,确定数据集中位于每个第一压力区间内的前泵压力的第一分布数量、位于每个第二压力区间内的后泵压力的第二分布数量以及位于每个第三压力区间内的压力差值的第三分布数量;将与每个数据集的第一分布数量、第二分布数量以及第三分布数量确定为每个数据集的数据特征。
通常情况下,挖掘机包括两个泵,一个前泵和一个后泵。挖掘机的工况数据可以包括挖掘机的前泵压力和后泵压力。在挖掘机上可以安装有多个传感器,可以采集到前泵压力P1和后泵压力P2。由于不同的作业模式下,挖掘机的工作机理不同。如挖掘时,由于前泵后泵的分工不同,因此P1、P2存在明显差异,而在平地、破碎和怠速这三种作业模式下,P1、P2几乎协同一致。破碎作业模式下,由于破碎锤面对的阻力最大,因此P1、P2集中在高压力区间。在怠速作业模式下,P1、P2集中向低压力区间分布。基于以上情况,可以分别提取每个数据集中P1、P2、Pa(P1-P2)的分布特征作为每个数据集的数据特征,其中,Pa是指前泵压力和后泵压力之间的压力差值,具体则是P1减去P2得到的差。
在一个实施例中,可以针对前泵压力、后泵压力以及压力差值分别设置多个第一压力区间、多个第二压力区间以及多个第三压力区间。然后针对每个数据集,可以统计该数据集包括的前泵压力P1和后泵压力P2分别在每个第一压力区间内和第二压力区间内的分布数量,以及压力差值Pa在每个第三压力区间内的。为了便于描述,可以分别将前泵压力P1、后泵压力P2以及压力差值Pa的分布数量称之为第一分布数量、第二分布数量、第三分布数量。然后可以将每个数据集的第一分布数量、第二分布数量以及第三分布数量确定为每个数据集的数据特征。
具体地,在一个实施例中,针对前泵压力P1、后泵压力P2,可以设置多个压力区间。例如,可以针对前泵压力P1、后泵压力P2设置如下7个压力区间:[0,50]、[50,100]、[100,150]、[150、200]、[200,250],[250,300]、[300,+∞)。针对每个数据集,可以统计每个数据集内的P1、P2分别在7个压力区间内的分布数量,即为P1、P2的特征。如P1在7个区间的分布数量分别是[2,5,30,40,16,4,3,0],即为从P1提取的特征。
对于压力差值Pa,也可以为其设置多个压力区间。例如,可以为其划分10个差值区间(-∞,-150],[-150,-80],[-80,-30],[-30,-10],[-10,0],[0,10],[10,30],[30,80],[80,150],[150,+∞)。同上,针对每个数据集,也可以统计每个数据集内的压力差值Pa在各区间内的分布数量,作为该数据集的数据特征。需注意的是,在本实施例中前泵压力P1和后泵压力P2对应的多个压力区间是一致的,在其他实施例中,也可以为前泵压力P1、后泵压力P2分别设置多个压力区间,此处不做限定。
在一个实施例中,每个工况数据对应一个时间点,识别方法还包括:在通过动作识别模型输出每个工况数据的预测动作之后,针对每个预测动作设置对应的基准时长;根据每个预测动作对应的工况数据所在的时间点确定每个预测动作每一次连续出现的连续时间段;针对多个连续时间段中的任意一个目标连续时间段,在目标连续时间段的时长低于目标连续时间段对应的预测动作的基准时长,且目标连续时间段的上一个连续时间段以及目标连续时间段的下一个连续时间段所对应的预测动作相同的情况下,将目标连续时间段所对应的预测动作修正为目标连续时间段的上一个连续时间段或下一个连续时间段的预测动作。
在通过动作识别模型输出每个工况数据的预测动作之后,则可以知道数据集中包括的多个工况数据的预测动作,即,可以确定每个时间点对应的预测动作。在实际过程中,挖掘机在执行每个动作时都是需要耗费一定的时长的。假设一开始设置的预设时间间隔较短,例如0.1s,那么动作识别模型输出的就是挖掘机在每隔0.1s的预测动作。在这种情况下,如果短时间内的多个时间点对应的预测动作不同,那就意味着动作识别模型预测挖掘机在短时间内切换执行了多种动作。然而,这种情况是与实际情况相悖的,因此需要另外对动作识别模型的输出数据进行校正。
具体地,可以针对每个预测动作设置对应的基准时长。例如,可以为挖掘、提升回转、卸料以及空斗返回这四种动作分别设置不同的基准时长。然后可以根据每个预测动作对应的工况数据所在的时间点确定每个预测动作每一次连续出现的连续时间段。针对多个连续时间段中的任意一个目标连续时间段,若是该目标连续时间段的时长低于该目标连续时间段对应的预测动作的基准时长,且该目标连续时间段的上一个连续时间段以及该目标连续时间段的下一个连续时间段所对应的预测动作相同,此时,可以将该目标连续时间段所对应的预测动作修正为在其上一个连续时间段或下一个连续时间段的预测动作。
例如,假设预设时间间隔为0.1s,数据集X1中包括20个工况数据,即包括20个时间点的工况数据(每0.1s的工况数据,共20个)。将数据集X1中的20个工况数据依次输入至动作识别模型后,则可以得到20个预测动作,分别与每个时间点对应。假设第1至第10个时间点的预测动作为挖掘,第11至第14个时间点的预测动作均为提升回转,第15至第20个时间点的预测动作为挖掘。那么,则可以针对数据集X1的动作识别结果为:挖掘出现的连续时间段为1s、提升回转出现的连续时间段为0.4s,挖掘出现的连续时间段为0.6s。
假设针对提升回转这个动作设置的基准时长为1s。基于上述的3个连续时间段,将第二个连续时间段为例(4s的时间段)作为目标连续时间段。可以看出,第二个连续时间段的时长为0.4s,低于提升回转对应的基准时长1s。同时,在这个连续时间段的上一个连续时间段以及下一个连续时间段所对应的预测动作相同,均为挖掘。那么在这种情况下,则可以将第二个连续时间段的所对应的预测动作(提升回转)修正为其上一个连续时间段或下一个连续时间段的预测动作(挖掘)。
在一个实施例中,作业模式识别模型为随机森林分类模型。上述的识别方法还包括作业模式识别模型的训练步骤。如图2所示,作业模式识别模型的训练步骤包括:
步骤201,初始化随机森林分类模型的模型参数,得到初始模型,其中,模型参数至少包括树木数量、最大深度、节点最小样本以及最大特征个数;
步骤202,基于天牛须搜索算法确定每个模型参数的算法步长;
步骤203,将初始模型作为当前模型;
步骤204,根据当前模型的模型参数组和每个模型参数的算法步长分别向左搜索和向右搜索生成向左参数组和向右参数组,以得到对应的两个方向的待训练随机森林分类模型;
步骤205,获取多个训练样本数据,训练样本数据包括单位时间窗口的历史工况数据;
步骤206,提取每个训练样本数据的样本特征以及样本标签,其中,样本标签基于每个训练样本数据所对应的作业模式确定;
步骤207,依次将每个训练样本数据的样本特征和样本标签输入至两个方向的待训练随机森林分类模型,以分别对模型进行有监督训练;
步骤208,基于多个测试样本数据确定每个随机森林分类模型的测试准确率;
步骤209,当前模型的测试准确率是否高于所有以当前模型的模型参数得到的待训练随机森林分类模型,若是,执行步骤210;若否,执行步骤211;
步骤210,将当前模型确定为作业模式识别模型,并再次回到步骤204;
步骤211,将测试准确率最高的随机森林分类模型作为当前模型。
作业模式识别模型可以是随机森林分类模型。随机森林(randomforest)模型是一种基于分类树的、有监督的机器学习算法。在本实施例中,可以使用天牛须算法对模型参数进行寻优。天牛须算法一种智能优化算法,该算法模拟了天牛寻食物时的搜索方式,当食物处于天牛左侧时,左侧触角感知的气味浓度强于右侧触角感知的气味浓度,因此天牛可以根据两只触角所感知的浓度差,向着浓度强的一侧随机前进,在多次迭代后最终找到食物的位置。因此,天牛须算法是一种单体搜索算法,该算法原理简单、参数少、计算量少,在处理低维优化目标时具有优势。
具体地,在对随机森林分类模型训练之前,可以先初始化随机森林分类模型的模型参数,得到初始模型。随机森林分类模型的模型参数至少包括树木数量n_estimators、最大深度max_depth、节点最小样本min_samples_leaf、最大特征个数max_feature等四个参数。然后可以基于天牛须搜索算法确定每个模型参数的算法步长。接下来,可以将初始模型作为当前模型,根据当前模型的模型参数组和每个模型参数的算法步长分别向左搜索和向右搜索以生成向左参数组和向右参数组,以得到对应的两个方向的待训练随机森林分类模型。例如,假设初始模型的模型参数:树木数量n_estimators、最大深度max_depth、节点最小样本min_samples_leaf、最大特征个数max_feature的参数值分别为e、d、s、f。且,树木数量n_estimators、最大深度max_depth、节点最小样本min_samples_leaf、最大特征个数max_feature的算法步长分别设置为m、n、i、j。将初始模型作为当前模型,那么基于当前模型的模型参数组和算法步长分别向左搜索和向右搜索生成向左参数组和向右参数组,即可以生成向左参数组[e+m,d-n,s-i,f+j],向右参数组[e-m,d+n,s+I,f-j]。具体举例来说,假设树木数量n_estimators、最大深度max_depth、节点最小样本min_samples_leaf、最大特征个数max_feature的初始值分别是100、10、20、10。其对应的算法步长分别5、1、2、1。如果当次调整的单位步长组是[1,-1,-1,1],那么可以生成向左参数组:100+(5)、10+(-1)、20+(-2)、10+(1),即105、9、18、11。同理,可以生成向右参数组95、11、22、9。不同的模型参数对应不同的模型,因此在得到了2个参数组后,即等于得到了2个方向的待训练随机森林分类模型。
然后,可以基于多个训练样本数据对每个待训练随机森林分类模型进行训练。具体地,可以先获取到多个时间点的历史工况数据,然后按照预设的单位时间窗口将多个历史工况数据划分为多个历史数据集,即,可以得到与每个单位时间窗口对应的历史数据集。每一个历史数据集构成一个训练样本数据,因此实际上来说,每个训练样本数据包括单位时间窗口的历史工况数据,即每个训练样本数据中包括多个时间点的历史工况数据。同样地,需要提取每个训练样本数据的样本特征以及样本标签。历史工况数据同样包括挖掘机的前泵压力和后泵压力。每个训练样本数据的样本特征也是同样包括第一分布数量、第二分布数量以及第三分布数量。其中,第一分布数量是指每个训练样本数据中的前泵压力在多个压力区间内的第一分布数量,第二分布数量是指每个训练样本数据中的后泵压力在多个压力区间内的第二分布数量,第三分布数量是指每个训练样本数据中的每个时间点的前泵压力与后泵压力之间的压力差值在多个压力区间内的第三分布数量。由于训练数据是历史工况数据,因此还可以已知每个训练样本数据所对应的作业模式,可以根据每个训练样本数据所对应的作业模式为每个训练样本数据添加对应的样本标签。
接下来,可以依次将每个训练样本数据的样本特征和样本标签输入至两个方向的待训练随机森林分类模型,以分别对模型进行有监督训练。在训练完毕后,需要确定每个模型的测试准确率。可以基于多个测试样本数据确定每个随机森林分类模型的测试准确率。可以理解的是,测试样本数据与训练样本数据本质上是相同的,只是根据这两种数据的作用来进行了命名上的区分。因此,每个测试样本数据中也包括有单位时间窗口的历史工况数据,即包括有多个时间点的历史工况数据,且测试样本数据的样本标签也是已知的。在确定模型的测试准确率时,可以分别将每个测试样本数据的样本特征输入至两个方向的待训练随机森林分类模型,然后针对每个模型,可以比对该模型输出的预测作业模式与输入的测试样本数据的样本标签。如果预测作业模式与样本标签,则说明模型预测准确;反之,若是不一致,则说明模型预测失败。以此方式,可以分别计算出每个待训练随机森林分类模型的测试准确率。
然后,可以比对当前模型、向左参数组对应的模型和向右参数组对应的模型之间的测试准确率,如果当前模型的测试准确率高于其他两个模型,那么则可以直接将当前模型确定为作业模式识别模型。反之,如果当前模型的测试准确率低于其他两个模型,则需要选出这三个模型中测试准确率最高的随机森林分类模型,并将该模型作为当前模型,再次执行根据当前模型的模型参数组和每个模型参数的算法步长分别向左搜索和向右搜索生成向左参数组和向右参数组的步骤。直到当前模型的测试准确率高于所有以该当前模型的模型参数得到的待训练随机森林分类模型,则可以将当前模型确定为后续实际使用的作业模式识别模型。
如图3所示,假设以初始模型生成了向左参数组和向右参数组,即图中的参数组1和参数组2。输入多个训练样本数据的样本特征X1以及样本标签Y1分别对这2个参数组对应的模型进行训练后,得到了模型1和模型2。后续基于测试样本数据的样本特征X2以及样本标签Y2可以确定初始模型、模型1和模型2的测试准确率分别为80%、87%、85%。可以看出,这三个模型中,模型1的测试准确率最高。因此,可以将模型1作为当前模型,并在模型1的模型参数的基础上再生成与之对应的向左参数组3和向右参数组4。重复上述步骤,经测试得出,模型1、模型3、模型4的测试准确率分别为87%、83%、86%。明显,还是模型1的测试准确率最高。因此,可以继续将模型1作为当前模型,再次基于模型1的参数组和算法步长再次生成向左参数组和向右参数组,如此,则得到了模型5和模型6。同样地,重复上述步骤,经测试得出,模型1、模型5、模型6的测试准确率分别为87%、89%、88%。这三个模型中,模型5的测试准确率最高,因此此时可以将模型5作为当前模型,继续重复上述的步骤,直到确定出最终的作业模式识别模型。
上述技术方案,通过使用作业模式识别模型先确定出挖掘模式下的工况数据,再通过动作识别模型来确定挖掘模式下的工况数据对应的动作,以此可以实现对挖掘机施工状态的监控。同时,结合了天牛须搜索算法来训练作业模式识别模型,不仅大幅度降低了模型的参数寻优时间,还能够提高模型的识别效果。
在一个实施例中,识别方法还包括:在通过作业模式识别模型输出每个数据集的预测作业模式之后,从已经输入至作业模式识别模型中的多个数据集中任意选取N个连续的数据集,其中,N为自然数;将N个数据集中包括的全部工况数据输入至平地次数识别模型,以通过平地次数识别模型输出N个数据集对应的平地次数。
在作业模式识别模型输出每个数据集的预测作业模式之后,可以从已经输入至作业模式识别模型中的多个数据集中任意选取N个连续的数据集,然后可以将这选取的N个数据集中包括的全部工况数据输入至平地次数识别模型,从而可以通过平地次数识别模型输出N个数据集对应的平地次数。具体地,由于每个数据集中都包括有多个时间点的工况数据,假设N个连续的数据集中一共包括M个连续时间点的工况数据。那么将N个数据集中包括的全部工况数据输入至平地次数识别模型时,等于是将M个连续时间点的工况数据一次性输入至平地次数识别模型,即将一段时间内的多个工况数据同时输入至平地次数识别模型。然后,通过平地次数识别模型则可以输出与N个数据集对应的平地次数,即通过平地次数识别模型可以确定在一段时间内挖掘机的平地次数。其中,N和M均为自然数。
在一个实施例中,一次平地动作依次包括斗杆伸出操作和斗杆回收操作,工况数据包括斗杆伸出信号和斗杆回收信号。将N个数据集中包括的全部工况数据输入至平地次数识别模型,以通过平地次数识别模型输出N个数据集对应的平地次数包括:在斗杆伸出信号的信号值大于第一预设阈值的情况下,平地次数识别模型判断发生了斗杆伸出操作;在斗杆回收信号的信号值大于第二预设阈值的情况下,平地次数识别模型判断发生了斗杆回收操作;在连续检测到斗杆伸出操作和斗杆回收操作的情况下,平地次数识别模型确定平地次数增一。
一次完整的平地动作依次包括斗杆伸出操作和斗杆回收操作。反映在数据上则是斗杆伸出信号先上升,一段时间后下降,随后斗杆回收信号上升,持续一定时间后下降。通过检测斗杆伸出、斗杆回收两先导信号的上升沿和下降沿,可识别出平地作业的次数。即,可以根据斗杆伸出操作和斗杆回收操作连续出现的次数来识别出挖掘机的平地次数。因此,在通过平地次数识别模型识别平地次数时,此时的工况数据需要包括有斗杆伸出信号和斗杆回收信号,斗杆伸出信号和斗杆回收信号可以分别通过斗杆伸出操作的先导手柄和斗杆回收操作的先导手柄的手柄信号来获取得到。可以看出,平地次数识别模型的输入数据为多个时间点的斗杆伸出信号和斗杆回收信号,其输出为挖掘机在多个时间点的平地次数。平地次数识别模型在判断是否存在斗杆伸出操作和斗杆回收操作时,可以分别通过斗杆伸出信号和斗杆回收信号的信号值来判断。具体地,针对任意一个时间点,在该时间点的斗杆伸出信号的信号值大于第一预设阈值的情况下,平地次数识别模型可以判断在该时间点发生了斗杆伸出操作。同样地,在该时间点的斗杆回收信号的信号值大于第二预设阈值的情况下,平地次数识别模型可以判断在该时间点发生了斗杆回收操作。其中,第一预设阈值与第二预设阈值可以设置为相同的数值,也可以设置为不同的数值。若是检测到依次连续发生了斗杆伸出操作和斗杆回收操作,且前后伴随出现,视为一次平地操作。
在一个实施例中,每个工况数据对应一个时间点,识别方法还包括:针对已经输入至作业模式识别模型中的多个数据集中的任意M个连续的数据集,确定M个数据集中包括的工况数据对应的目标时间段,其中,M为自然数;获取挖掘机在目标时间段内的油耗数据;获取M个数据集中包括的工况数据的挖掘次数以及平地次数,并基于油耗数据、挖掘次数以及平地次数对挖掘机的油耗进行分析。
在本实施例中,还可以基于挖掘机在一段时间内的油耗数据、挖掘次数以及平地次数对挖掘机的油耗进行分析。具体地,可以基于分析需求从已经输入至作业模式识别模型中的多个数据集中选取任意M个连续的数据集,例如,分析需求是需要分析挖掘机在每一天(24h)的油耗,那么则可以选取时长加起来是24小时的M个数据集。假设M个数据集中包括的工况数据对应的时间段为目标时间段,那么可以获取到挖掘机在目标时间段内的油耗数据。同时可以基于作业模式识别模型和动作识别模型分别获取到M个数据集中包括的工况数据的挖掘次数以及平地次数。然后,则可以基于挖掘机在该目标时间段内的油耗数据、挖掘次数以及平地次数对挖掘机在目标时间段内的油耗进行分析。之后,技术人员还可以根据分析出来的油耗数据对挖掘机硬件结构的改进作出指导。
在一个实施例中,每个工况数据对应一个时间点,识别方法还包括:在通过作业模式识别模型输出每个数据集的预测作业模式之后,根据每种预测作业模式对应的工况数据的时间点确定每种预测作业模式所占的第一时长;在通过动作识别模型输出每个工况数据的预测动作之后,根据每种预测动作对应的工况数据的时间点确定每种预测动作所占的第二时长;根据第一时长和/或第二时长生成对应的报表。
在本实施例中,还可以基于作业模式识别模型和动作识别模型确定的作业模式和动作生成对应的报表。具体地,可以根据每种预测作业模式对应的工况数据的时间点确定每种预测作业模式所占的第一时长,还可以根据每种预测动作对应的工况数据的时间点确定每种预测动作所占的第二时长,之后,可以根据每种预测作业模式的第一时长和/或每种预测动作的第二时长生成对应的报表。后续还可以将报表发送至显示屏以展示,以便技术人员查看挖掘机的使用情况,以进行相关的数据查看、分析、工作指导等。
在一个实施例中,如图4所示,也提供了一种挖掘机作业状态的识别方法的流程示意图。如图所示,先对挖掘机的工况数据进行采集与处理。然后可以将每个数据集的数据特征输入至作业模式识别模型,得到每个数据集的预测作业模式。其中,每个数据集与每个单位时间窗口对应,每个数据集中包括有多个时间点的工况数据。针对每个数据集,在该数据集的预测作业模式为预测作业模式为挖掘模式的情况下,则可以将该数据集中包括的每个工况数据依次输入至动作识别模型,以通过所述动作识别模型输出每个工况数据的预测动作。然后可以根据每个时间点的预测动作来确定挖掘机在预设时间段内进行挖掘作业动作的挖掘次数。同时,还可以从已经输入至作业模式识别模型中的多个数据集中任意选取N个连续的数据集。然后将N个数据集中包括的全部工况数据输入至平地次数识别模型,通过平地次数识别模型输出N个数据集对应的平地次数。如此,通过结合作业模式识别模型、动作识别模型和平地次数识别模型的方式,可以确定挖掘机在任意一个时间段内进行挖掘作业动作的挖掘次数和进行平地作业的次数。
在本方案中,挖掘机在每个时间点的工况数据包括每个时间点的前泵压力、后泵压力以及其他多个先导手柄的手柄信号构成的11维数据。通过这11维的数据可以确定挖掘机在任意一个时间段内进行挖掘作业动作的挖掘次数和进行平地作业的次数。相较于通过挖掘机的图像数据来确定挖掘次数和平地次数的技术方案而言,本方案中无需在挖掘机上安装摄像头,且本方案是基于结构性数据的工况数据来对挖掘机的作业状态进行识别,相较于现有技术来说,本申请的技术方案对于挖掘机作业状态的识别效率更快,且成本较低。
在另一个实施例中,如图5所示,还可以引入地质识别模型。具体地,针对任意一个数据集,可以在该数据集的预测作业模式为挖掘模式的情况下,将该数据集中包括的每个工况数据依次输入至地质识别模型,以通过地质识别模型来识别出来挖掘机在挖掘作业模式下的地质类别。其中,通过地质识别模型来识别出来挖掘机在挖掘作业模式下的地质类别的技术方案可以采用现有技术中的方案,此处不再赘述。
图1、2为一个实施例中用于挖掘机作业状态的识别方法的流程示意图。应该理解的是,虽然图1、2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本申请实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述用于挖掘机作业状态的识别方法。
本申请实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述用于挖掘机作业状态的识别方法。
在一个实施例中,还提供了一种用于挖掘机作业状态的识别装置,该识别装置包括上述的处理器。
在一个实施例中,还提供了一种挖掘机,包括用于挖掘机作业状态的识别装置。
具体地,在另一个实施例中,在挖掘机上可以安装有多个传感器,可以采集到每个时间点的前泵压力、后泵压力以及其他多个先导手柄的手柄信号构成的11维数据。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM),存储器包括至少一个存储芯片。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中,该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储挖掘机的工况数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于挖掘机作业状态的识别方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现上述用于挖掘机作业状态的识别方法的步骤。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下用于挖掘机作业状态的识别方法步骤的程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种用于挖掘机作业状态的识别方法,其特征在于,所述识别方法包括:
按照预设时间间隔获取挖掘机在预设时间段内的多个工况数据;
按照预设的单位时间窗口将所述多个工况数据划分为与每个单位时间窗口对应的数据集;
提取每个数据集的数据特征;
依次将每个数据集的数据特征输入至作业模式识别模型,以通过所述作业模式识别模型输出每个数据集的预测作业模式;
将所述预测作业模式为挖掘模式的数据集中包括的每个工况数据依次输入至动作识别模型,以通过所述动作识别模型输出每个工况数据的预测动作;
根据所述预测动作确定所述挖掘机在所述预设时间段内进行挖掘作业动作的挖掘次数。
2.根据权利要求1所述的用于挖掘机作业状态的识别方法,其特征在于,所述将所述预测作业模式为挖掘模式的数据集中包括的每个工况数据依次输入至动作识别模型还包括:
将所述预测作业模式为挖掘模式的数据集作为第一数据集;
针对任意一个第一数据集,在存在与所述第一数据集在时间上连续的其他第一数据集的情况下,将连续的多个第一数据集组成第二数据集,并将所述第二数据集中包括的每个工况数据依次输入至动作识别模型;
针对任意一个第一数据集,在不存在与所述第一数据集在时间上连续的其他第一数据集的情况下,将所述第一数据集中包括的每个工况数据依次输入至动作识别模型。
3.根据权利要求1所述的用于挖掘机作业状态的识别方法,其特征在于,所述作业模式识别模型为随机森林分类模型,所述识别方法还包括所述作业模式识别模型的训练步骤,所述训练步骤包括:
初始化所述随机森林分类模型的模型参数,得到初始模型,其中,所述模型参数至少包括树木数量、最大深度、节点最小样本以及最大特征个数;
基于天牛须搜索算法确定每个模型参数的算法步长;
将所述初始模型作为当前模型;
根据所述当前模型的模型参数组和每个模型参数的算法步长分别向左搜索和向右搜索生成向左参数组和向右参数组,以得到对应的两个方向的待训练随机森林分类模型;
获取多个训练样本数据,所述训练样本数据包括单位时间窗口的历史工况数据;
提取每个训练样本数据的样本特征以及样本标签,其中,所述样本标签基于每个训练样本数据所对应的作业模式确定;
依次将每个训练样本数据的样本特征和样本标签输入至两个方向的待训练随机森林分类模型,以分别对模型进行有监督训练;
基于多个测试样本数据确定每个随机森林分类模型的测试准确率;
将所述测试准确率最高的随机森林分类模型作为当前模型,再次执行根据所述当前模型的模型参数组和每个模型参数的算法步长分别向左搜索和向右搜索生成向左参数组和向右参数组的步骤;
直到所述当前模型的测试准确率高于所有以所述当前模型的模型参数得到的待训练随机森林分类模型,将所述当前模型确定为所述作业模式识别模型。
4.根据权利要求1至3中任意一项所述的用于挖掘机作业状态的识别方法,其特征在于,所述工况数据包括所述挖掘机的前泵压力和后泵压力,所述提取每个数据集的数据特征包括:
针对所述数据集中的每个工况数据,确定所述前泵压力和所述后泵压力之间的压力差值;
针对所述前泵压力、所述后泵压力以及所述压力差值分别设置多个第一压力区间、多个第二压力区间以及多个第三压力区间;
针对每个数据集,确定所述数据集中位于每个第一压力区间内的前泵压力的第一分布数量、位于每个第二压力区间内的后泵压力的第二分布数量以及位于每个第三压力区间内的压力差值的第三分布数量;
将与每个数据集的第一分布数量、第二分布数量以及第三分布数量确定为每个数据集的数据特征。
5.根据权利要求1所述的用于挖掘机作业状态的识别方法,其特征在于,每个工况数据对应一个时间点,所述识别方法还包括:
在通过所述动作识别模型输出每个工况数据的预测动作之后,针对每个预测动作设置对应的基准时长;
根据每个预测动作对应的工况数据所在的时间点确定每个预测动作每一次连续出现的连续时间段;
针对多个连续时间段中的任意一个目标连续时间段,在所述目标连续时间段的时长低于所述目标连续时间段对应的预测动作的基准时长,且所述目标连续时间段的上一个连续时间段以及所述目标连续时间段的下一个连续时间段所对应的预测动作相同的情况下,将所述目标连续时间段所对应的预测动作修正为所述目标连续时间段的上一个连续时间段或下一个连续时间段的预测动作。
6.根据权利要求1所述的用于挖掘机作业状态的识别方法,其特征在于,所述预测动作的类型包括挖掘、提升回转、卸料以及空斗返回,所述根据所述预测动作确定所述挖掘机在所述预设时间段内进行挖掘作业动作的挖掘次数包括:
确定多种类型的预测动作按照预设顺序依次连续出现的次数;
将所述次数确定为所述挖掘机在所述预设时间段内进行挖掘作业动作的挖掘次数。
7.根据权利要求1所述的用于挖掘机作业状态的识别方法,其特征在于,所述识别方法还包括:
在通过所述作业模式识别模型输出每个数据集的预测作业模式之后,从已经输入至所述作业模式识别模型中的多个数据集中任意选取N个连续的数据集,其中,N为自然数;
将N个数据集中包括的全部工况数据输入至平地次数识别模型,以通过所述平地次数识别模型输出所述N个数据集对应的平地次数。
8.根据权利要求7所述的用于挖掘机作业状态的识别方法,其特征在于,一次平地动作依次包括斗杆伸出操作和斗杆回收操作,所述工况数据包括斗杆伸出信号和斗杆回收信号;
所述将N个数据集中包括的全部工况数据输入至平地次数识别模型,以通过所述平地次数识别模型输出所述N个数据集对应的平地次数包括:
在所述斗杆伸出信号的信号值大于第一预设阈值的情况下,所述平地次数识别模型判断发生了斗杆伸出操作;
在所述斗杆回收信号的信号值大于第二预设阈值的情况下,所述平地次数识别模型判断发生了斗杆回收操作;
在连续检测到所述斗杆伸出操作和所述斗杆回收操作的情况下,所述平地次数识别模型确定平地次数增一。
9.根据权利要求7所述的用于挖掘机作业状态的识别方法,其特征在于,每个工况数据对应一个时间点,所述识别方法还包括:
针对已经输入至所述作业模式识别模型中的多个数据集中的任意M个连续的数据集,确定M个数据集中包括的工况数据对应的目标时间段,其中,M为自然数;
获取所述挖掘机在所述目标时间段内的油耗数据;
获取所述M个数据集中包括的工况数据的挖掘次数以及平地次数,并基于所述油耗数据、挖掘次数以及平地次数对所述挖掘机的油耗进行分析。
10.根据权利要求1所述的用于挖掘机作业状态的识别方法,其特征在于,每个工况数据对应一个时间点,所述识别方法还包括:
在通过所述作业模式识别模型输出每个数据集的预测作业模式之后,根据每种预测作业模式对应的工况数据的时间点确定每种预测作业模式所占的第一时长;
在通过所述动作识别模型输出每个工况数据的预测动作之后,根据每种预测动作对应的工况数据的时间点确定每种预测动作所占的第二时长;
根据所述第一时长和/或所述第二时长生成对应的报表。
11.一种处理器,其特征在于,被配置成执行根据权利要求1至10中任意一项所述的用于挖掘机作业状态的识别方法。
12.一种用于挖掘机作业状态的识别装置,其特征在于,包括根据权利要求11所述的处理器。
13.一种挖掘机,其特征在于,包括根据权利要求12所述的用于挖掘机作业状态的识别装置。
14.一种机器可读存储介质,该机器可读存储介质上存储有指令,其特征在于,该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至10中任一项所述的用于挖掘机作业状态的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310789471.4A CN116861237A (zh) | 2023-06-30 | 2023-06-30 | 用于挖掘机作业状态的识别方法、装置、挖掘机及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310789471.4A CN116861237A (zh) | 2023-06-30 | 2023-06-30 | 用于挖掘机作业状态的识别方法、装置、挖掘机及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861237A true CN116861237A (zh) | 2023-10-10 |
Family
ID=88229887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310789471.4A Pending CN116861237A (zh) | 2023-06-30 | 2023-06-30 | 用于挖掘机作业状态的识别方法、装置、挖掘机及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861237A (zh) |
Cited By (1)
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 |
-
2023
- 2023-06-30 CN CN202310789471.4A patent/CN116861237A/zh active Pending
Cited By (2)
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 |
---|---|---|
KR101891225B1 (ko) | 배경 모델을 업데이트하기 위한 방법 및 장치 | |
CN116861237A (zh) | 用于挖掘机作业状态的识别方法、装置、挖掘机及处理器 | |
US11748644B2 (en) | System and method for oil and gas predictive analytics | |
US11060899B2 (en) | Method for determining a maximum allowable volume of water that can be removed over time from an underground water source | |
CN104679818A (zh) | 一种视频关键帧提取方法及系统 | |
AU2013403353A1 (en) | Real-time risk prediction during drilling operations | |
CN116420152A (zh) | 预测故障的系统和方法 | |
CN114164878B (zh) | 用于工况识别的方法、处理器、系统及挖掘机 | |
CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
CN109766335A (zh) | 基于分类回归决策树算法的盾构施工地质识别方法及系统 | |
CN111967745A (zh) | 基于bp神经网络和概率统计的综采放煤时间智能确定方法 | |
CN114282752A (zh) | 流程任务的生成方法、装置、电子设备及存储介质 | |
CN109542884A (zh) | 采用大数据耦合参数以优化破岩效率的方法和系统 | |
CN116894213A (zh) | 用于挖掘机工况识别的方法及挖掘机工况识别装置 | |
CN112800688A (zh) | 基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法 | |
CN113920440A (zh) | 垃圾填埋场遥感识别方法、装置和计算机设备 | |
CN114756990A (zh) | 用于确定挖掘机工况类型的方法、装置、控制器及挖掘机 | |
CN110991779A (zh) | 抽油机井的异常检测方法及装置 | |
CN113707320B (zh) | 一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法 | |
US20230111036A1 (en) | Integrated drilling dysfunction prediction | |
CN114548299A (zh) | 一种地震相识别方法、装置、计算机设备及存储介质 | |
CN114722924A (zh) | 压力预测方法及装置、存储介质、终端 | |
CN117371827A (zh) | 数据处理方法、装置、设备、存储介质及程序产品 | |
Marcher et al. | Capabilities and challenges using machine learning in tunnelling | |
CN117933403A (zh) | 基于知识-数据双驱动的tbm卡机风险智慧预警方法及系统 |
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 |