CN116070152A - 基于多维运行特征的挖掘机工作量识别方法和装置 - Google Patents
基于多维运行特征的挖掘机工作量识别方法和装置 Download PDFInfo
- Publication number
- CN116070152A CN116070152A CN202310325289.3A CN202310325289A CN116070152A CN 116070152 A CN116070152 A CN 116070152A CN 202310325289 A CN202310325289 A CN 202310325289A CN 116070152 A CN116070152 A CN 116070152A
- Authority
- CN
- China
- Prior art keywords
- sequence
- excavator
- time
- working
- sequences
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本申请公开一种基于多维运行特征的挖掘机工作量识别方法和装置,通过从挖掘机车机终端接收多维运行特征时间序列,按照多个不同的时间窗口分别对多维运行特征时间序列进行切分,获得与多个不同的时间窗口分别对应的多个子时间序列,将多个子时间序列分别输入与多个不同的时间窗口分别对应的多个分类器进行分类,得到多个工作模式分类序列,对所述多个工作模式分类序列进行合并,得到挖掘机的合并工作模式分类序列,根据合并工作模式分类序列是否满足挖掘机的工作周期条件和工作量计算条件,确定挖掘机的实际工作量。本申请可以防止挖掘机工作量计算中的作弊行为,提高挖掘机工作量计算的准确性和可信度,有效节省实施成本。
Description
技术领域
本申请涉及计算机信息技术领域,具体而言,涉及一种基于多维运行特征的挖掘机工作量识别方法和装置。
背景技术
在建筑工地、矿产开采等作业现场,通常采用挖掘机和配套的工程运输车辆协同进行渣土、矿产等资源的挖掘和运输作业,需要对每台挖掘机的作业工作量进行准确计量。传统的挖掘机工作量计量方法使用人工计量的方式统计挖掘机工作量,无法防止挖掘机工作量计量中的作弊行为,导致作业现场的挖掘机工作量信息与实际情况严重不符,挖掘机工作量计量缺乏可信度。此外,现有方案还可以采用在作业现场布置视频采集设备,利用监控视频进行图像识别的手段来计算挖掘机工作量,但是这种方式需要布设覆盖作业现场范围的视频采集设备,成本高且挖掘机工作量计量的准确性也难以保证。因此,亟需一种改进的技术方案来解决上述问题。
发明内容
有鉴于此,本申请提出一种基于多维运行特征的挖掘机工作量识别方法和装置,可以适应不同型号挖掘机的复杂工作模式下的工作量自动处理需求,防止作业现场的挖掘机工作量计算中的作弊行为,提高挖掘机工作量计算的准确性和可信度,同时有效节省实施成本。
第一方面,本申请提出一种基于多维运行特征的挖掘机工作量识别方法,所述方法包括:
从挖掘机车机终端接收多维运行特征时间序列,所述多维运行特征时间序列包括按照预定周期的时间戳顺序排列的挖掘机的多维运行特征数据;
按照多个不同的时间窗口,分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,所述子时间序列包含以对应的时间窗口切分的一组多维运行特征数据段;
将所述多个子时间序列分别输入多个分类器中的对应分类器进行分类,得到与所述多个子时间序列分别对应的挖掘机的多个工作模式分类序列,并对所述多个工作模式分类序列进行合并,得到挖掘机的合并工作模式分类序列;
根据所述合并工作模式分类序列是否满足挖掘机的工作周期条件和工作量计算条件,确定所述挖掘机的实际工作量。
在一些实施方式中,所述方法包括:
按照所述预定周期的时间戳采集挖掘机的多维运行特征时间序列的历史样本数据;
按照所述多个不同的时间窗口分别对所述历史样本数据进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列样本集,所述子时间序列样本集包含以对应的时间窗口切分的一组多维运行特征数据段样本以及与所述一组多维运行特征数据段样本对应的工作模式分类标签;
分别以所述多个子时间序列样本集为训练集,基于有监督的神经网络模型分别训练与所述多个不同的时间窗口分别对应的所述多个分类器。
在一些实施方式中,所述按照多个不同的时间窗口,分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,所述子时间序列包含以对应的时间窗口切分的一组多维运行特征数据段,包括:
按照多个不同的时间窗口,以对应的步长分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,使得所述多个子时间序列中每个子时间序列包含的一组多维运行特征数据段的数量相同。
在一些实施方式中,所述将所述多个子时间序列分别输入多个分类器中的对应分类器进行分类,得到与所述多个子时间序列分别对应的挖掘机的多个工作模式分类序列,并对所述多个工作模式分类序列进行合并,得到挖掘机的合并工作模式分类序列,包括:
将所述多个子时间序列中每个子时间序列包含的一组多维运行特征数据段依次输入与所述每个子时间序列对应的时间窗口对应的分类器进行分类,得到与所述一组多维运行特征数据段对应的工作模式分类序列;
获取所述多个子时间序列对应的多个工作模式分类序列中至少两个工作模式分类序列之间的重叠工作模式分类序列,得到挖掘机的合并工作模式分类序列。
在一些实施方式中,所述获取所述多个子时间序列对应的多个工作模式分类序列中至少两个工作模式分类序列之间的重叠工作模式分类序列,得到挖掘机的合并工作模式分类序列,包括:
将所述重叠工作模式分类序列中的时间连续的同一工作模式分类进行合并处理,得到所述挖掘机的合并工作模式分类序列。
在一些实施方式中,所述根据所述合并工作模式分类序列是否满足挖掘机的工作周期条件和工作量计算条件,确定所述挖掘机的实际工作量,包括:
识别所述合并工作模式分类序列中包含指定工作模式和指定工作模式时序的连续工作周期, 得到包含所述连续工作周期的工作周期序列;
确定所述工作周期序列中符合工作量计算条件的一组连续工作周期的起始工作周期和结束工作周期,确定为该挖掘机的一次合格的实际工作量。
在一些实施方式中,所述确定所述工作周期序列中符合工作量计算条件的一组连续工作周期的起始工作周期和结束工作周期,确定为该挖掘机的一次合格的实际工作量,包括:
获得包含所述工作周期序列中的每个工作周期对应的时间戳信息的工作周期时间戳序列;
获得所述工作周期时间戳序列对应的所述挖掘机的第一地理位置序列和关联的至少一辆运输车辆的第二地理位置序列;
根据所述第一地理位置序列和第二地理位置序列呈现的所述挖掘机与所述至少一辆运输车辆中的同一运输车辆之间的持续邻近关系,确定所述工作周期序列中对应的一组连续工作周期的起始工作周期和结束工作周期,作为所述符合工作量计算条件的一组连续工作周期的起始工作周期和结束工作周期。
在一些实施方式中,所述根据所述第一地理位置序列和第二地理位置序列呈现的所述挖掘机与所述至少一辆运输车辆中的同一运输车辆之间的持续邻近关系,确定所述工作周期序列中对应的一组连续工作周期的起始工作周期和结束工作周期,包括:
根据所述第一地理位置序列和第二地理位置序列,获取所述工作周期时间戳序列中的所述挖掘机与所述至少一辆运输车辆中的同一运输车辆之间的地理位置距离持续低于预定阈值的区间序列;
根据所述区间序列,获得所述工作周期序列中对应的一组连续工作周期的起始工作周期和结束工作周期。
在一些实施方式中,所述有监督的神经网络模型包括循环神经网络模型或者时间卷积神经网络模型。
第二方面,本申请还提出一种基于多维运行特征的挖掘机工作量识别装置,所述装置包括:
运行特征获取单元,用于从挖掘机车机终端接收多维运行特征时间序列,所述多维运行特征时间序列包括按照预定周期的时间戳顺序排列的挖掘机的多维运行特征数据;
时间序列切分单元,用于按照多个不同的时间窗口,分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,所述子时间序列包含以对应的时间窗口切分的一组多维运行特征数据段;
时间序列分类单元,用于将所述多个子时间序列分别输入多个分类器中的对应分类器进行分类,得到与所述多个子时间序列分别对应的挖掘机的多个工作模式分类序列,并对所述多个工作模式分类序列进行合并,得到挖掘机的合并工作模式分类序列;
工作量计算单元,用于根据所述合并工作模式分类序列是否满足挖掘机的工作周期条件和工作量计算条件,确定所述挖掘机的实际工作量。
本申请至少可以达到如下有益效果:
本申请通过从挖掘机车机终端接收多维运行特征时间序列,按照多个不同的时间窗口分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,将所述多个子时间序列分别输入与多个不同的时间窗口分别对应的多个分类器进行分类,得到与所述多个子时间序列分别对应的挖掘机的多个工作模式分类序列,并对所述多个工作模式分类序列进行合并,得到挖掘机的合并工作模式分类序列,最后根据所述合并工作模式分类序列是否满足挖掘机的工作周期条件和工作量计算条件,确定所述挖掘机的实际工作量。从而,一方面可以防止作业现场的挖掘机工作量计算中的作弊行为,提高挖掘机工作量计算的准确性和可信度;另一方面,本申请实施例无需在作业现场布设任何视频采集设备或其他传感器设备,便于在不同环境的作业现场实施,有效节省实施成本;此外,本申请通过对挖掘机多维运行特征时间序列的不同时间窗口的多分类器分类识别,可以适应不同型号的挖掘机的复杂工作模式下的工作量自动处理需求。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍。应当理解,以下附图仅示出了本申请的某些实施例,而不应被看作是对本申请范围的限制。
图1是根据本申请一实施例的基于多维运行特征的挖掘机工作量识别方法的流程示意图;
图2是根据本申请另一实施例的基于多维运行特征的挖掘机工作量识别方法的部分流程示意图;
图3是根据本申请一实施例的训练多个分类器的示例性原理示意图;
图4A-4C是根据本申请一实施例的多个分类器对多维运行特征时间序列进行分类的原理示意图;
图5是根据本申请另一实施例的基于多维运行特征的挖掘机工作量识别方法的部分流程示意图;
图6是本申请一实施方式中合并多个工作模式分类序列的示例性方式的示意图;
图7是根据本申请另一实施例的基于多维运行特征的挖掘机工作量识别方法的部分流程示意图;
图8是根据本申请另一实施例的基于多维运行特征的挖掘机工作量识别方法的部分流程示意图;
图9是根据本申请另一实施例的基于多维运行特征的挖掘机工作量识别方法的部分流程示意图;
图10是根据本申请一实施例的基于多维运行特征的挖掘机工作量识别装置的结构示意图;
图11是根据本申请另一实施例的基于多维运行特征的挖掘机工作量识别装置的部分结构示意图;
图12是根据本申请另一实施例的基于多维运行特征的挖掘机工作量识别装置的部分结构示意图;
图13是根据本申请另一实施例的基于多维运行特征的挖掘机工作量识别装置的部分结构示意图;
图14是根据本申请另一实施例的基于多维运行特征的挖掘机工作量识别装置的部分结构示意图。
具体实施方式
为使本申请的目的、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。然而,应当理解,所描述的实施例仅仅是本申请的部分示例性实施例,而不是全部实施例,因此以下对本申请实施例的详细描述并非旨在限制本申请要求保护的范围。基于本申请的实施例,本领域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。
需要说明的是,本申请的说明书和权利要求书中的术语“第一”、“第二”等仅是用于区别描述类似的对象,而不是用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。
如前所述,现有技术中通常使用人工计量的方式统计挖掘机工作量,无法防止挖掘机工作量计量中的作弊行为,导致作业现场的挖掘机工作量信息与实际情况严重不符,挖掘机工作量计量缺乏可信度。此外,现有方案还可以采用在作业现场布置视频采集设备,利用监控视频进行图像识别的手段来计算挖掘机工作量,但是这种方式需要布设覆盖作业现场范围的视频采集设备,成本高且挖掘机工作量计量的准确性难以保证。为此,本申请实施例提出一种基于多维运行特征的挖掘机工作量识别方法和装置,来改进上述问题。
图1是根据本申请一实施例的基于多维运行特征的挖掘机工作量识别方法的流程示意图。如图1所示,该方法包括以下步骤:
步骤S101,从挖掘机车机终端接收多维运行特征时间序列,所述多维运行特征时间序列包括按照预定周期的时间戳顺序排列的挖掘机的多维运行特征数据。
本实施例中,位于云端的服务器或者位于作业现场的边缘计算服务器可以从作业现场的挖掘机车机终端接收多维运行特征时间序列。所述多维运行特征时间序列包括按照预定周期的时间戳顺序排列的挖掘机的多维运行特征数据。假设一定时间周期T内接收的挖掘机的多维运行特征时间序列表示为,其中表示时间戳
ti时刻的
m维运行特征向量,用公式可以表示为:
,
其中,,为起始时间戳,为结束时间戳。为
m维运行特征变量中第
j维运行特征在时间戳
ti时刻的观测值,。所述
m维运行特征向量可以是表征挖掘机的工作模式特征的
m维运行特征参数。
在一个实施方式中,所述
m维运行特征向量包括但不限于回转先导压力、动臂升先导压力、动臂降先导压力、斗杆挖掘先导压力、斗杆卸载先导压力、铲斗挖掘先导压力、铲斗卸载先导压力、左行走先导压力、右行走先导压力等。在另一个实施方式中,所述
m维运行特征向量还可以包括但不限于左回转手柄行程、右回转手柄行程、动臂提升手柄行程、动臂下降手柄行程、斗杆内收手柄行程、斗杆外摆手柄行程、铲斗内收手柄行程、铲斗外摆手柄行程等。这些运行特征参数可以体现挖掘机在不同的工作模式下的运行特征,可以由挖掘机车机终端定期记录在车机装置的存储器,并通过无线通信协议以预定周期传输至位于云端的服务器或者位于作业现场的边缘计算服务器,例如可以每0.5秒或每1秒采集和传输一次。
本实施例中,根据挖掘机作业中的工作特点,可以将挖掘机的工作模式定义为挖掘、转运、装卸、压实和其他的五个工作模式。其中,挖掘是指控制挖掘机的动臂、斗杆和铲斗执行挖掘的作业过程,转运是指控制挖掘机的动臂、斗杆和铲斗将铲斗中的挖掘资源转运到运输车辆的作业过程,装卸是指控制挖掘机的动臂、斗杆和铲斗将铲斗中的挖掘资源装卸到运输车辆的作业过程,压实是指控制挖掘机的动臂、斗杆和铲斗将运输车辆中的挖掘资源进行压实的作业过程,其他是指除了上述四种工作模式之外的其他非典型工作模式。在上述定义的五种工作模式下,挖掘机的上述
m维运行特征向量中的各运行特征可以呈现出不同的时间序列数据特征,因此,就可以基于对这些不同的时间序列数据特征的有监督的神经网络学习来训练出合适的分类器,用于对接收的多维运行特征时间序列中的不同工作模式进行分类识别。
步骤S102,按照多个不同的时间窗口,分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,所述子时间序列包含以对应的时间窗口切分的一组多维运行特征数据段。
本实施例中,要从挖掘机车机终端接收到的多维运行特征时间序列中分类识别出不同的工作模式,首先需要按照合适的时间窗口对多维运行特征时间序列进行合适的切分处理,将之切分为一组多维运行特征数据段进行依次分类识别。但是,由于挖掘机的不同工作模式持续的时间长度并非等同,并且具有不定长的特征,如果选择的时间窗口太小,使得每个时间窗口所切分的多维运行特征数据段包含的数据特征信息过少,会导致所训练的分类器的识别准确性较低,即无法从较少的多维运行特征数据段识别出正确的工作模式;反之,如果选择的时间窗口太大,由于神经网络训练和分类中对所切分的多维运行特征数据段的下采样处理,也会使得多维运行特征数据段中的数据特征信息丢失,从而也会导致所训练的分类器的识别准确性较低。
为了解决这个问题,提高分类器对多维运行特征时间序列中的不同工作模式的分类识别的准确性,本申请选择多个不同的时间窗口分别对挖掘机的多维运行特征时间序列的历史样本数据进行切分和学习,训练出与所述多个不同的时间窗口分别对应的分类器,并按照所述多个不同的时间窗口分别对观测的多维运行特征时间序列进行不同时间窗口的切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,从而可以基于多个不同的时间窗口对应的多个分类器分别对多维运行特征时间序列的多个子时间序列进行分类识别。
本实施例中,多个不同的时间窗口可以根据多维运行特征时间序列的历史样本数据中呈现的工作模式的最小平均时长和最大平均时长进行选择,工作模式的最小平均时长和最大平均时长是计算历史样本数据中的同一工作模式的平均时长,然后取不同工作模式的平均时长中的最小值和最大值。作为策略之一,多个不同的时间窗口的大小要可以同时覆盖工作模式的最小平均时长和最大平均时长,例如可以从工作模式的最小平均时长和最大平均时长的区间范围内均匀设置多个不同的时间窗口的大小。
具体而言,在一个实施方式中,如图2所示,本申请实施例还可以进一步包括:
步骤S201,按照所述预定周期的时间戳采集挖掘机的多维运行特征时间序列的历史样本数据;
步骤S202,按照多个不同的时间窗口,分别对所述多维运行特征时间序列的历史样本数据进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列样本集,所述子时间序列样本集包含以对应的时间窗口切分的一组多维运行特征数据段样本以及与所述一组多维运行特征数据段样本对应的工作模式分类标签;
步骤S203,分别以所述多个子时间序列样本集为训练集,基于有监督的神经网络模型分别训练与所述多个不同的时间窗口分别对应的所述多个分类器。
在一些实施方式中,上述有监督的神经网络模型可以包括循环神经网络模型(RNN)或者时间卷积神经网络模型(TCN),在一个实施方式中,上述有监督的神经网络模型还可以包括长短期记忆神经网络模型(LSTM),长短期记忆神经网络模型属于循环神经网络模型(RNN)的一种变体,可以改善一般的循环神经网络模型存在的长期依赖问题。下面以现有的长短期记忆神经网络模型(LSTM)作为示例,具体说明本申请中与多个不同的时间窗口分别对应的多个分类器的训练过程。
图3是根据本申请一实施例的训练多个分类器的示例性原理示意图。需要说明的是,图3中仅示出了基于三个不同的时间窗口训练对应的三个分类器的情形,本领域技术人员能够理解实际应用中时间窗口的数量和对应训练的分类器也可以是多于三个的情形。如图3所示,首先按照预定周期的时间戳采集挖掘机的多维运行特征时间序列的历史样本数据301,而后按照三个不同的时间窗口w1、w2和w3,分别对所述多维运行特征时间序列的历史样本数据301进行切分,获得与所述多个不同的时间窗口w1、w2和w3分别对应的多个子时间序列样本集,即第一子时间序列样本集302、第二子时间序列样本集303和第三子时间序列样本集304。
其中,第一子时间序列样本集302、第二子时间序列样本集303和第三子时间序列样本集304中的每个都包含以对应的时间窗口切分的一组多维运行特征数据段样本以及与所述一组多维运行特征数据段样本对应的工作模式分类标签。假设第一子时间序列样本集302表示为,第二子时间序列样本集303表示为,第三子时间序列样本集304表示为,表示以对应的时间窗口切分的一个多维运行特征数据段,该多维运行特征数据段包含对应的工作模式标签,,N表示以对应的时间窗口切分的一组多维运行特征数据段样本的数量,即针对三个时间窗口切分出相同数量的一组多维运行特征数据段样本。
然后,分别以第一子时间序列样本集302、第二子时间序列样本集303和第三子时间序列样本集304为训练集,分别输入LSTM模型305、306、307训练与所述多个不同的时间窗口w1、w2和w3分别对应的第一分类器308、第二分类器309和第三分类器310。
在训练出与所述多个不同的时间窗口分别对应的多个分类器之后,上述步骤S102中,就可以按照所述多个不同的时间窗口,分别对观测到的所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,所述子时间序列包含以对应的时间窗口切分的一组多维运行特征数据段,从而后续步骤中可以基于多个不同的时间窗口对应的多个分类器分别对多维运行特征时间序列的多个子时间序列进行分类识别。
在一个实施方式中,上述步骤S102中所述按照多个不同的时间窗口分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,还可以进一步包括:
按照多个不同的时间窗口,以对应的步长分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,使得所述多个子时间序列中每个子时间序列包含的一组多维运行特征数据段的数量相同。
该实施方式中,步长是指基于不同的时间窗口对多维运行特征时间序列进行切分的滑动幅度,按照多个不同的时间窗口以对应的步长分别对所述多维运行特征时间序列进行切分,对应的步长的选择应使得切分的多个子时间序列中每个子时间序列包含的一组多维运行特征数据段的数量相同,例如当时间窗口的大小越大,则对应的步长相应地越小,当时间窗口的大小越小,则对应的步长相应地越大,这样有利于后续步骤中多个分类器的分类结果之间的合并,从而可以保证挖掘机的多维运行特征时间序列中的工作模式的最终分类结果的准确性。
步骤S103,将所述多个子时间序列分别输入多个分类器中的对应分类器进行分类,得到与所述多个子时间序列分别对应的挖掘机的多个工作模式分类序列,并对所述多个工作模式分类序列进行合并,得到挖掘机的合并工作模式分类序列。
本实施例中,在前述步骤已经按照多个不同的时间窗口分别对所述多维运行特征时间序列进行切分,获得了与所述多个不同的时间窗口分别对应的多个子时间序列之后,就可以将所述多个子时间序列分别输入多个分类器中的对应分类器进行分类,得到与所述多个子时间序列分别对应的挖掘机的多个工作模式分类序列。以下结合图4A-4C具体说明本实施例利用多个分类器对多维运行特征时间序列进行工作模式分类的示例性过程。
图4A-4C是根据本申请一实施例的多个分类器对多维运行特征时间序列进行分类的原理示意图。如图4A所示,假设挖掘机在一定时间周期T内的多维运行特征时间序列(TS)401中依次包含挖掘、转运、装卸、压实和其他的五个工作模式(分别标记为P1~P5)的多维运行特征数据,该五个工作模式(P1~P5)可以相当于分类器的真值,当接收到该多维运行特征时间序列(TS) 401之后,按照时间窗口w1和对应的步长1对该多维运行特征时间序列(TS)401进行滑动切分,其中步长1可以等于时间窗口w1,但需要说明的是,步长1的大小可以根据切分出的多维运行特征数据段的数量和分类器的精度要求进行按需设置,当然也可以小于时间窗口w1。此时,可以获得包含一组多维运行特征数据段(S1~S9)的子时间序列402,将该子时间序列402输入与时间窗口w1对应的第一分类器308,对所述一组多维运行特征数据段(S1~S9)依次进行分类识别,可以得到与所述多个子时间序列402对应的挖掘机的工作模式分类序列403(P5-P1-P4-P2-P3-P3-P4-P5-P4)。
如图4B所示,同上所述,当接收到该多维运行特征时间序列(TS) 401之后,按照时间窗口w2和对应的步长2对该多维运行特征时间序列(TS)401进行滑动切分,其中时间窗口w2的大小大于前述的时间窗口w1的大小,步长2小于前述的步长1。此时,可以获得包含一组多维运行特征数据段(S1~S9)的子时间序列404,将该子时间序列404输入与时间窗口w2对应的第二分类器309,对所述一组多维运行特征数据段(S1~S9)依次进行分类识别,可以得到与所述多个子时间序列404对应的挖掘机的工作模式分类序列405(P1-P1-P1-P2-P2-P3-P4-P4-P5)。
如图4C所示,同上所述,当接收到该多维运行特征时间序列(TS) 401之后,按照时间窗口w3和对应的步长3对该多维运行特征时间序列(TS)401进行滑动切分,其中时间窗口w3的大小大于前述的时间窗口w2的大小,步长3小于前述的步长2。此时,可以获得包含一组多维运行特征数据段(S1~S9)的子时间序列406,将该子时间序列406输入与时间窗口w3对应的第三分类器310,对所述一组多维运行特征数据段(S1~S9)依次进行分类识别,可以得到与所述多个子时间序列406对应的挖掘机的工作模式分类序列407(P1-P1-P2-P2-P2-P4-P4-P4-P5)。
如上所述,在较小的时间窗口w1下,第一分类器308对持续时长较长的工作模式的多维运行特征数据段的分类准确性相对较差,对持续时长较短的工作模式的多维运行特征数据段的分类准确性相对较好,而在相对较大的时间窗口w2和w3下,第二分类器309和第三分类器310对持续时长较短的工作模式的多维运行特征数据段的分类准确性相对较差,对持续时长较长的工作模式的多维运行特征数据段的分类准确性相对较好。因此,本实施例中,可以综合考虑不同的时间窗口对应的第一分类器308、第二分类器309和第三分类器310输出的多个工作模式分类序列,对多个工作模式分类序列进行合并,从而得到挖掘机的合并工作模式分类序列。
在一个实施方式中,如图5所示,所述步骤S103中将所述多个子时间序列分别输入多个分类器中的对应分类器进行分类,得到与所述多个子时间序列分别对应的挖掘机的多个工作模式分类序列,并对所述多个工作模式分类序列进行合并,得到挖掘机的合并工作模式分类序列,可以进一步包括:
步骤S501,将所述多个子时间序列中每个子时间序列包含的一组多维运行特征数据段依次输入与所述每个子时间序列对应的时间窗口对应的分类器进行分类,得到与所述一组多维运行特征数据段对应的工作模式分类序列;
步骤S502,获取所述多个子时间序列对应的多个工作模式分类序列中至少两个工作模式分类序列之间的重叠工作模式分类序列,得到挖掘机的合并工作模式分类序列。
下面结合图6具体说明本实施方式中合并多个工作模式分类序列的示例性方式。如图6所示,该实施方式中,在根据不同的时间窗口(例如w1、w2、w3)和对应的步长对该多维运行特征时间序列(TS)401进行滑动切分,得到多个子时间序列之后,将每个子时间序列包含的一组多维运行特征数据段依次输入与所述每个子时间序列对应的时间窗口对应的第一分类器308、第二分类器309和第三分类器310进行分类,可以得到与所述一组多维运行特征数据段对应的多个工作模式分类序列403、405和407。然后,针对该多个工作模式分类序列403、405和407,获取该多个工作模式分类序列403、405和407中至少两个工作模式分类序列之间的重叠工作模式分类序列,即针对每个子时间序列中一组多维运行特征数据段(S1~S9)中的每个多维运行特征数据段,判断多个工作模式分类序列403、405和407中是否存在重叠工作模式分类,如是,则取重叠工作模式分类作为每个多维运行特征数据段的合并工作模式分类。如否,则该多维运行特征数据段对应的合并工作模式分类取假值F。
例如,对于多维运行特征数据段S1,第一分类器308、第二分类器309和第三分类器310分别输出的分类结果为P5、P1和P1,取重叠工作模式分类P1作为该多维运行特征数据段S1对应的合并工作模式分类;对于多维运行特征数据段S3,第一分类器308、第二分类器309和第三分类器310分别输出的分类结果为P4、P1和P2,不存在重叠工作模式分类,则该多维运行特征数据段S3对应的合并工作模式分类取假值F;依次类推,对于多维运行特征数据段S9,第一分类器308、第二分类器309和第三分类器310分别输出的分类结果为P4、P5和P5,取重叠工作模式分类P5作为该多维运行特征数据段S9对应的合并工作模式分类。从而,可以得到挖掘机的合并工作模式分类序列600(P1-P1-F-P2-P2-P3-P4-P4-P5)。这样分类识别的方式可以适应不同型号的挖掘机在不同的复杂工作模式下的分类识别准确性,从而可以进一步提高挖掘机工作量计算的准确性和可信度。
进一步地,在一个实施方式中,所述步骤S502中获取所述多个子时间序列对应的多个工作模式分类序列中至少两个工作模式分类序列之间的重叠工作模式分类序列,得到挖掘机的合并工作模式分类序列,还可以进一步包括:
将所述重叠工作模式分类序列中的时间连续的同一工作模式分类进行合并处理,得到所述挖掘机的所述合并工作模式分类序列。
本实施方式中,在前述得到挖掘机的合并工作模式分类序列600(P1-P1-F-P2-P2-P3-P4-P4-P5)之后,可以对该合并工作模式分类序列600中的时间连续的同一工作模式分类进行合并处理,从而将属于同一持续时长期间的同一工作模式识别出来,同时可以过滤合并工作模式分类序列600中分类假值F,例如,对上述合并工作模式分类序列600中时间连续的工作模式P1、P2和P4分别进行合并处理,并过滤假值F,最终得到的合并工作模式分类序列600为P1-P2-P3-P4-P5。
步骤S104,根据所述合并工作模式分类序列是否满足挖掘机的工作周期条件和工作量计算条件,确定所述挖掘机的实际工作量。
本实施例中,为了准确地对作业现场的挖掘机的工作量进行计量,并且防止人为作弊,提高工作量计量的准确性和可信度,在前述步骤得到所述合并工作模式分类序列600之后,还需要根据所述合并工作模式分类序列600是否满足挖掘机的工作周期条件和工作量计算条件,确定所述挖掘机的实际工作量。
挖掘机的工作周期条件是指合并工作模式分类序列中是否包含了合格的工作周期。如前所述,根据挖掘机作业中的工作特点,挖掘机的工作模式包括挖掘、转运、装卸、压实和其他的五个工作模式,同时包含所述五个工作模式或者包含其中至少部分关键的工作模式且各工作模式之间具有指定工作模式时序的工作期间视为一个合格的工作周期。一般情形下,针对一定时间周期T内的多维运行特征时间序列(TS)识别得到的合并工作模式分类序列中可以包括多个连续的工作周期。
挖掘机的工作量计算条件是指挖掘机经过连续的工作周期之后,实现对同一辆运输车辆装车完成的过程,视为一次合格的工作量。一般情形下,针对一定时间周期T内的多维运行特征时间序列(TS)识别得到的合并工作模式分类序列包括的多个连续的工作周期中,可能涉及多辆运输车辆的装车完成过程,即可能包括一次或多次的合格工作量。挖掘机的工作量计算条件就是要从合并工作模式分类序列中识别出准确的实际工作量。
进一步地,在一个实施方式中,如图7所示,所述步骤S104中根据所述合并工作模式分类序列是否满足挖掘机的工作周期条件和工作量计算条件,确定所述挖掘机的实际工作量,还可以进一步包括:
步骤S701,识别所述合并工作模式分类序列中包含指定工作模式和指定工作模式时序的连续工作周期,得到包含所述连续工作周期的工作周期序列;
步骤S702,确定所述工作周期序列中符合工作量计算条件的一组连续工作周期的起始工作周期和结束工作周期,确定为该挖掘机的一次合格的实际工作量。
本实施方式中,首先从所述合并工作模式分类序列600中识别出包含指定工作模式和指定工作模式时序的连续工作周期,得到包含所述连续工作周期的工作周期序列。例如,如果一个合格的工作周期需要满足包含挖掘、转运、装卸、压实的四个指定工作模式且该四个工作模式要满足时间上的先后顺序即指定工作模式时序,那么假设所述合并工作模式分类序列600中包含了符合该条件的多个连续工作周期,就可以得到包含所述连续工作周期的工作周期序列。但是该工作周期序列中的连续工作周期可能包含一次或多次的合格工作量。为了识别出一次合格工作量,就需要确定所述工作周期序列中符合工作量计算条件的一组连续工作周期的起始工作周期和结束工作周期,确定为该挖掘机的一次合格的实际工作量。如此,可以在防止人为作弊的基础上,对作业现场的挖掘机的工作量进行准确性计量。
进一步地,在一个实施方式中,如图8所示,所述步骤S702中确定所述工作周期序列中符合工作量计算条件的一组连续工作周期的起始工作周期和结束工作周期,确定为该挖掘机的一次合格的实际工作量,还可以进一步包括:
步骤S801,获得包含所述工作周期序列中的每个工作周期对应的时间戳信息的工作周期时间戳序列;
步骤S802,获得所述工作周期时间戳序列对应的所述挖掘机的第一地理位置序列和关联的至少一辆运输车辆的第二地理位置序列;
步骤S803,根据所述第一地理位置序列和第二地理位置序列呈现的所述挖掘机与所述至少一辆运输车辆中的同一运输车辆之间的持续邻近关系,确定所述工作周期序列中对应的一组连续工作周期的起始工作周期和结束工作周期,作为所述符合工作量计算条件的一组连续工作周期的起始工作周期和结束工作周期。
具体而言,本实施方式中,可以进一步获得包含所述工作周期序列中的每个工作周期对应的时间戳信息的工作周期时间戳序列,每个工作周期对应的时间戳信息可以取自该工作周期对应的多维运行特征时间序列(TS)中区间范围的时间戳均值。从而,基于该工作周期时间戳序列,可以获得所述工作周期时间戳序列对应的所述挖掘机的第一地理位置序列和关联的至少一辆运输车辆的第二地理位置序列。所述挖掘机的第一地理位置和关联的至少一辆运输车辆的第二地理位置可以基于云端的服务器或者位于作业现场的边缘计算服务器以预定的周期从作业现场的挖掘机车机终端和关联的至少一辆运输车辆终端中采集GPS信息或者北斗定位信息而得到。其中,所述关联的至少一辆运输车辆可以是与该挖掘机配套施工作业的一个运输车辆车队中的全部运输车辆。
进一步地,在获得所述工作周期时间戳序列对应的所述挖掘机的第一地理位置序列和关联的至少一辆运输车辆的第二地理位置序列之后,可以根据所述第一地理位置序列和第二地理位置序列呈现的所述挖掘机与所述至少一辆运输车辆中的同一运输车辆之间的持续邻近关系,确定所述工作周期序列中对应的一组连续工作周期的起始工作周期和结束工作周期,作为所述符合工作量计算条件的一组连续工作周期的起始工作周期和结束工作周期。如此,可以准确地识别出作业现场的挖掘机对同一运输车辆的一次合格的工作量,从而可以避免人为作弊对工作量数据的影响。
在一个实施方式中,如图9所示,所述步骤S803根据所述第一地理位置序列和第二地理位置序列呈现的所述挖掘机与所述至少一辆运输车辆中的同一运输车辆之间的持续邻近关系,确定所述工作周期序列中对应的一组连续工作周期的起始工作周期和结束工作周期,可以进一步包括:
步骤S901,根据所述第一地理位置序列和第二地理位置序列,获取所述工作周期时间戳序列中的所述挖掘机与所述至少一辆运输车辆中的同一运输车辆之间的地理位置距离持续低于预定阈值的区间序列;
步骤S902,根据所述区间序列,获得所述工作周期序列中对应的一组连续工作周期的起始工作周期和结束工作周期。
综上所述,本申请实施例的基于多维运行特征的挖掘机工作量识别方法,通过从挖掘机车机终端接收多维运行特征时间序列,按照多个不同的时间窗口分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,将所述多个子时间序列分别输入与多个不同的时间窗口分别对应的多个分类器进行分类,得到与所述多个子时间序列分别对应的挖掘机的多个工作模式分类序列,并对所述多个工作模式分类序列进行合并,得到挖掘机的合并工作模式分类序列,最后根据所述合并工作模式分类序列是否满足挖掘机的工作周期条件和工作量计算条件,确定所述挖掘机的实际工作量。从而,本申请实施例一方面可以防止作业现场的挖掘机工作量计算中的作弊行为,提高挖掘机工作量计算的准确性和可信度;另一方面,本申请实施例无需在作业现场布设任何视频采集设备或其他传感器设备,便于在不同环境的作业现场实施,有效节省实施成本;此外,本申请通过对挖掘机多维运行特征时间序列的不同时间窗口的多分类器分类识别,可以适应不同型号的挖掘机在复杂工作模式下的工作量自动处理需求。
图10是根据本申请第一实施例的基于多维运行特征的挖掘机工作量识别装置的结构示意图。如图10所示,本申请实施例的基于多维运行特征的挖掘机工作量识别装置,可以包括以下单元:
运行特征获取单元1001,用于从挖掘机车机终端接收多维运行特征时间序列,所述多维运行特征时间序列包括按照预定周期的时间戳顺序排列的挖掘机的多维运行特征数据;
时间序列切分单元1002,用于按照多个不同的时间窗口,分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,所述子时间序列包含以对应的时间窗口切分的一组多维运行特征数据段;
时间序列分类单元1003,用于将所述多个子时间序列分别输入多个分类器中的对应分类器进行分类,得到与所述多个子时间序列分别对应的挖掘机的多个工作模式分类序列,并对所述多个工作模式分类序列进行合并,得到挖掘机的合并工作模式分类序列;
工作量计算单元1004,用于根据所述合并工作模式分类序列是否满足挖掘机的工作周期条件和工作量计算条件,确定所述挖掘机的实际工作量。
在一些实施方式中,如图11所示,在前述实施例的基础上,所述装置还可以进一步包括:
历史数据采集单元1101,用于按照所述预定周期的时间戳采集挖掘机的多维运行特征时间序列的历史样本数据;
历史数据切分单元1102,用于按照多个不同的时间窗口,分别对所述多维运行特征时间序列的历史样本数据进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列样本集,所述子时间序列样本集包含以对应的时间窗口切分的一组多维运行特征数据段样本以及与所述一组多维运行特征数据段样本对应的工作模式分类标签;
分类器训练单元1103,用于分别以所述多个子时间序列样本集为训练集,基于有监督的神经网络模型分别训练与所述多个不同的时间窗口分别对应的所述多个分类器。
在一些实施方式中,在前述实施例的基础上,上述时间序列切分单元1002还可以用于:
按照多个不同的时间窗口,以对应的步长分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,使得所述多个子时间序列中每个子时间序列包含的一组多维运行特征数据段的数量相同。
在一个实施方式中,如图12所示,在前述实施例的基础上,所述时间序列分类单元1003,可以进一步包括:
分类序列获得单元1201,用于将所述多个子时间序列中每个子时间序列包含的一组多维运行特征数据段依次输入与所述每个子时间序列对应的时间窗口对应的分类器进行分类,得到与所述一组多维运行特征数据段对应的工作模式分类序列;
合并序列输出单元1202,用于获取所述多个子时间序列对应的多个工作模式分类序列中至少两个工作模式分类序列之间的重叠工作模式分类序列,得到挖掘机的合并工作模式分类序列。
进一步地,在一个实施方式中,在前述实施例的基础上,所述合并序列输出单元1202还可以用于:
将所述重叠工作模式分类序列中的时间连续的同一工作模式分类进行合并处理,得到所述挖掘机的所述合并工作模式分类序列。
进一步地,在一个实施方式中,如图13所示,所述工作量计算单元1004还可以进一步包括:
工作周期识别单元1301,用于识别所述合并工作模式分类序列中包含指定工作模式和指定工作模式时序的连续工作周期,得到包含所述连续工作周期的工作周期序列;
工作量识别单元1302,用于确定所述工作周期序列中符合工作量计算条件的一组连续工作周期的起始工作周期和结束工作周期,确定为该挖掘机的一次合格的实际工作量。
进一步地,在一个实施方式中,如图14所示,所述工作量识别单元1302还可以进一步包括:
时间序列获得单元1401,用于获得包含所述工作周期序列中的每个工作周期对应的时间戳信息的工作周期时间戳序列;
位置序列获得单元1402,用于获得所述工作周期时间戳序列对应的所述挖掘机的第一地理位置序列和关联的至少一辆运输车辆的第二地理位置序列;
工作区间确定单元1403,用于根据所述第一地理位置序列和第二地理位置序列呈现的所述挖掘机与所述至少一辆运输车辆中的同一运输车辆之间的持续邻近关系,确定所述工作周期序列中对应的一组连续工作周期的起始工作周期和结束工作周期,作为所述符合工作量计算条件的一组连续工作周期的起始工作周期和结束工作周期。
在一个实施方式中,所述工作区间确定单元1403可以进一步用于:
根据所述第一地理位置序列和第二地理位置序列,获取所述工作周期时间戳序列中的所述挖掘机与所述至少一辆运输车辆中的同一运输车辆之间的地理位置距离持续低于预定阈值的区间序列;
根据所述区间序列,获得所述工作周期序列中对应的一组连续工作周期的起始工作周期和结束工作周期。
综上所述,本申请实施例的基于多维运行特征的挖掘机工作量识别装置,通过从挖掘机车机终端接收多维运行特征时间序列,按照多个不同的时间窗口分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,将所述多个子时间序列分别输入与多个不同的时间窗口分别对应的多个分类器进行分类,得到与所述多个子时间序列分别对应的挖掘机的多个工作模式分类序列,并对所述多个工作模式分类序列进行合并,得到挖掘机的合并工作模式分类序列,最后根据所述合并工作模式分类序列是否满足挖掘机的工作周期条件和工作量计算条件,确定所述挖掘机的实际工作量。从而,本申请实施例一方面可以防止作业现场的挖掘机工作量计算中的作弊行为,提高挖掘机工作量计算的准确性和可信度;另一方面,本申请实施例无需在作业现场布设任何视频采集设备或其他传感器设备,便于在不同环境的作业现场实施,有效节省实施成本;此外,本申请通过对挖掘机多维运行特征时间序列的不同时间窗口的多分类器分类识别,可以适应不同型号的挖掘机的复杂工作模式下的工作量自动处理需求。
需要说明的是,本领域技术人员可以理解,本申请的方法实施例所描述的不同实施方式及其说明解释和所达到的技术效果,同样适用于本申请的装置实施例中,在此不再赘述。
进一步地,本申请实施例还提出一种电子设备,该电子设备可以包括:处理器和存储器。其中,存储器存储有计算机程序指令,处理器可以调用存储器中的计算机程序指令以执行本申请任一实施方式所述方法的全部或部分步骤。上述的存储器中的计算机程序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存储介质中。
进一步地,本申请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有计算机程序的非暂态计算机可读存储介质,当该计算机可读存储介质连接至计算机设备,所述计算机程序被计算机设备的一个或多个处理器执行时,能够执行本申请任一实施方式所述方法的全部或部分步骤。
进一步地,本申请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,该计算机程序可以被一个或多个处理器执行以执行本申请任一实施方式所述方法的全部或部分步骤。
通过以上的实施方式的描述,本领域技术人员可以清楚地了解到本申请的各实施方式可借助软件或者软件结合必要的通用硬件平台的方式来实现,当然也可以通过硬件功能实现。基于这样的理解,本申请的技术方案本质上或者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,例如包括但不限于个人计算机,服务器,或者网络设备等,来执行本申请任一实施方式所述方法的全部或部分步骤。前述的存储介质可以包括: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计算机程序代码的介质。
以上描述了本申请示例性的实施例,应当理解,上述示例性的实施例不是限制性的,而是说明性的,本申请的保护范围不限于此。应理解,本领域技术人员在不脱离本申请的精神和范围的情况下,可以对本申请实施例进行修改和变型,这些修改和变型理应在本申请的保护范围之内。
Claims (10)
1.一种基于多维运行特征的挖掘机工作量识别方法,其特征在于,所述方法包括:
从挖掘机车机终端接收多维运行特征时间序列,所述多维运行特征时间序列包括按照预定周期的时间戳顺序排列的挖掘机的多维运行特征数据;
按照多个不同的时间窗口,分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,所述子时间序列包含以对应的时间窗口切分的一组多维运行特征数据段;
将所述多个子时间序列分别输入多个分类器中的对应分类器进行分类,得到与所述多个子时间序列分别对应的挖掘机的多个工作模式分类序列,并对所述多个工作模式分类序列进行合并,得到挖掘机的合并工作模式分类序列;
根据所述合并工作模式分类序列是否满足挖掘机的工作周期条件和工作量计算条件,确定所述挖掘机的实际工作量。
2.根据权利要求1所述的基于多维运行特征的挖掘机工作量识别方法,其特征在于,所述方法包括:
按照所述预定周期的时间戳采集挖掘机的多维运行特征时间序列的历史样本数据;
按照所述多个不同的时间窗口分别对所述历史样本数据进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列样本集,所述子时间序列样本集包含以对应的时间窗口切分的一组多维运行特征数据段样本以及与所述一组多维运行特征数据段样本对应的工作模式分类标签;
分别以所述多个子时间序列样本集为训练集,基于有监督的神经网络模型分别训练与所述多个不同的时间窗口分别对应的所述多个分类器。
3.根据权利要求2所述的基于多维运行特征的挖掘机工作量识别方法,其特征在于,所述按照多个不同的时间窗口,分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,所述子时间序列包含以对应的时间窗口切分的一组多维运行特征数据段,包括:
按照多个不同的时间窗口,以对应的步长分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,使得所述多个子时间序列中每个子时间序列包含的一组多维运行特征数据段的数量相同。
4.根据权利要求3所述的基于多维运行特征的挖掘机工作量识别方法,其特征在于,所述将所述多个子时间序列分别输入多个分类器中的对应分类器进行分类,得到与所述多个子时间序列分别对应的挖掘机的多个工作模式分类序列,并对所述多个工作模式分类序列进行合并,得到挖掘机的合并工作模式分类序列,包括:
将所述多个子时间序列中每个子时间序列包含的一组多维运行特征数据段依次输入与所述每个子时间序列对应的时间窗口对应的分类器进行分类,得到与所述一组多维运行特征数据段对应的工作模式分类序列;
获取所述多个子时间序列对应的多个工作模式分类序列中至少两个工作模式分类序列之间的重叠工作模式分类序列,得到挖掘机的合并工作模式分类序列。
5.根据权利要求4所述的基于多维运行特征的挖掘机工作量识别方法,其特征在于,所述获取所述多个子时间序列对应的多个工作模式分类序列中至少两个工作模式分类序列之间的重叠工作模式分类序列,得到挖掘机的合并工作模式分类序列,包括:
将所述重叠工作模式分类序列中的时间连续的同一工作模式分类进行合并处理, 得到所述挖掘机的合并工作模式分类序列。
6.根据权利要求5所述的基于多维运行特征的挖掘机工作量识别方法,其特征在于,所述根据所述合并工作模式分类序列是否满足挖掘机的工作周期条件和工作量计算条件,确定所述挖掘机的实际工作量,包括:
识别所述合并工作模式分类序列中包含指定工作模式和指定工作模式时序的连续工作周期, 得到包含所述连续工作周期的工作周期序列;
确定所述工作周期序列中符合工作量计算条件的一组连续工作周期的起始工作周期和结束工作周期,确定为该挖掘机的一次合格的实际工作量。
7.根据权利要求6所述的基于多维运行特征的挖掘机工作量识别方法,其特征在于,所述确定所述工作周期序列中符合工作量计算条件的一组连续工作周期的起始工作周期和结束工作周期,确定为该挖掘机的一次合格的实际工作量,包括:
获得包含所述工作周期序列中的每个工作周期对应的时间戳信息的工作周期时间戳序列;
获得所述工作周期时间戳序列对应的所述挖掘机的第一地理位置序列和关联的至少一辆运输车辆的第二地理位置序列;
根据所述第一地理位置序列和第二地理位置序列呈现的所述挖掘机与所述至少一辆运输车辆中的同一运输车辆之间的持续邻近关系,确定所述工作周期序列中对应的一组连续工作周期的起始工作周期和结束工作周期,作为所述符合工作量计算条件的一组连续工作周期的起始工作周期和结束工作周期。
8.根据权利要求7所述的基于多维运行特征的挖掘机工作量识别方法,其特征在于,所述根据所述第一地理位置序列和第二地理位置序列呈现的所述挖掘机与所述至少一辆运输车辆中的同一运输车辆之间的持续邻近关系,确定所述工作周期序列中对应的一组连续工作周期的起始工作周期和结束工作周期,包括:
根据所述第一地理位置序列和第二地理位置序列,获取所述工作周期时间戳序列中的所述挖掘机与所述至少一辆运输车辆中的同一运输车辆之间的地理位置距离持续低于预定阈值的区间序列;
根据所述区间序列,获得所述工作周期序列中对应的一组连续工作周期的起始工作周期和结束工作周期。
9.根据权利要求8所述的基于多维运行特征的挖掘机工作量识别方法,其特征在于,所述有监督的神经网络模型包括循环神经网络模型或者时间卷积神经网络模型。
10.一种基于多维运行特征的挖掘机工作量识别装置,其特征在于,所述装置包括:
运行特征获取单元,用于从挖掘机车机终端接收多维运行特征时间序列,所述多维运行特征时间序列包括按照预定周期的时间戳顺序排列的挖掘机的多维运行特征数据;
时间序列切分单元,用于按照多个不同的时间窗口,分别对所述多维运行特征时间序列进行切分,获得与所述多个不同的时间窗口分别对应的多个子时间序列,所述子时间序列包含以对应的时间窗口切分的一组多维运行特征数据段;
时间序列分类单元,用于将所述多个子时间序列分别输入多个分类器中的对应分类器进行分类,得到与所述多个子时间序列分别对应的挖掘机的多个工作模式分类序列,并对所述多个工作模式分类序列进行合并,得到挖掘机的合并工作模式分类序列;
工作量计算单元,用于根据所述合并工作模式分类序列是否满足挖掘机的工作周期条件和工作量计算条件,确定所述挖掘机的实际工作量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310325289.3A CN116070152B (zh) | 2023-03-30 | 2023-03-30 | 基于多维运行特征的挖掘机工作量识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310325289.3A CN116070152B (zh) | 2023-03-30 | 2023-03-30 | 基于多维运行特征的挖掘机工作量识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116070152A true CN116070152A (zh) | 2023-05-05 |
CN116070152B CN116070152B (zh) | 2023-06-09 |
Family
ID=86177169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310325289.3A Active CN116070152B (zh) | 2023-03-30 | 2023-03-30 | 基于多维运行特征的挖掘机工作量识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070152B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711389A (zh) * | 2019-01-16 | 2019-05-03 | 华南农业大学 | 一种基于Faster R-CNN和HMM的哺乳母猪姿态转换识别方法 |
CN110472604A (zh) * | 2019-08-20 | 2019-11-19 | 中国计量大学 | 一种基于视频的行人与人群行为识别方法 |
CN111797849A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 用户活动识别方法、装置、存储介质及电子设备 |
JP2022073894A (ja) * | 2020-10-29 | 2022-05-17 | 中国汽車技術研究中心有限公司 | 運転シーンの分類方法、装置、機器及び読み取り可能な記憶媒体 |
CN114821396A (zh) * | 2022-03-29 | 2022-07-29 | 新奥新智科技有限公司 | Lng卸车作业流程的规范性检测方法、设备及存储介质 |
CN115660817A (zh) * | 2022-11-11 | 2023-01-31 | ***股份有限公司 | 一种分类模型训练方法及装置 |
-
2023
- 2023-03-30 CN CN202310325289.3A patent/CN116070152B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711389A (zh) * | 2019-01-16 | 2019-05-03 | 华南农业大学 | 一种基于Faster R-CNN和HMM的哺乳母猪姿态转换识别方法 |
CN111797849A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 用户活动识别方法、装置、存储介质及电子设备 |
CN110472604A (zh) * | 2019-08-20 | 2019-11-19 | 中国计量大学 | 一种基于视频的行人与人群行为识别方法 |
JP2022073894A (ja) * | 2020-10-29 | 2022-05-17 | 中国汽車技術研究中心有限公司 | 運転シーンの分類方法、装置、機器及び読み取り可能な記憶媒体 |
CN114821396A (zh) * | 2022-03-29 | 2022-07-29 | 新奥新智科技有限公司 | Lng卸车作业流程的规范性检测方法、设备及存储介质 |
CN115660817A (zh) * | 2022-11-11 | 2023-01-31 | ***股份有限公司 | 一种分类模型训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116070152B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
Rashid et al. | Window-warping: a time series data augmentation of imu data for construction equipment activity identification | |
CN109829936B (zh) | 一种目标追踪的方法及设备 | |
CN110059761A (zh) | 一种人体行为预测方法及装置 | |
Rashid et al. | Automated activity identification for construction equipment using motion data from articulated members | |
CN108053653B (zh) | 基于lstm的车辆行为预测方法和装置 | |
US11687822B2 (en) | Automated functional understanding and optimization of human/machine systems | |
Akhavian et al. | Productivity analysis of construction worker activities using smartphone sensors | |
Cheng et al. | Audio signal processing for activity recognition of construction heavy equipment | |
CN112731440A (zh) | 高速铁路边坡形变检测方法及装置 | |
US20230230340A1 (en) | Identifying overfilled containers | |
CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
CN111353436A (zh) | 基于图像深度学习算法的超门店经营分析方法和装置 | |
JP2019505892A (ja) | ビッグデータに基づいて道路状態を予測する方法及び装置 | |
CN109408383A (zh) | 一种Java内存泄漏分析方法及装置 | |
CN113222040B (zh) | 海上固定目标识别方法、装置、计算机设备和存储介质 | |
CN116070152B (zh) | 基于多维运行特征的挖掘机工作量识别方法和装置 | |
CN112101125B (zh) | 一种快递货物堆积程度的检测方法及装置 | |
CN112163060A (zh) | 一种大数据技术处理海量gps数据*** | |
CN114212483B (zh) | 一种基于cv算法的刮板输送机部件故障识别方法及装置 | |
CN115758269A (zh) | 液压支架安全阀开启状态的确定方法及*** | |
CN112528079A (zh) | ***检测方法、装置、电子设备、存储介质和程序产品 | |
CN112418730A (zh) | 一种运输***的响应指标预估模型的构建方法 | |
CN117877100B (zh) | 一种行为模式的确定方法、装置、电子设备及存储介质 | |
CN112861706B (zh) | 一种道路状态的监测方法、装置、设备以及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |