一种基于BP神经网络的工程机械运行状态判断方法技术

本发明专利技术公开了本发明专利技术提出了一种基于BP神经网络的工程机械运行状态判断方法。在已有的震动幅度法上做了改进，在使用三轴加速度传感器数据的基础上，同时加入了陀螺仪传感器的数据作为判断依据之一。陀螺仪数据的加入对旋转运作的机械设备的判断效果会更佳，模型的效果更好。同时，使用神经网络的方法对工程机械的运行状态进行判断，模型的适应度更好、误判率也更低。采用的震动幅度判断法不具备侵入性，对于工程机械状态的判断具有普适性，对于安装和维护都比较方便。使用该方法在如今海量的历史运行数据下，可以得到一个良好的模型，为上层基于设备状态进行智能调度等智慧工地应用提供了一种良好的解决方案。提供了一种良好的解决方案。提供了一种良好的解决方案。

【技术实现步骤摘要】
一种基于BP神经网络的工程机械运行状态判断方法


[0001]本专利技术涉及一种基于BP神经网络的工程机械运行状态判断方法，属于机器学习中的监督学习领域，主要应用于判断工地中工程机械运行状态的场景。

技术介绍

[0002]所谓工程机械，指的是用于土石方施工工程、路面建设与养护、流动式起重装卸作业和各种建筑工程所需的综合性机械化施工工程所必需的机械装备。常见的工程机械包括挖掘机、装载机、平地机、压路机、混凝土泵车、吊车、推土机、旋挖钻等。在智能建造行业，常常需要根据工地中的各类工程机械的运行状态进行统一调度，以实现最大效益。由于工程机械往往没有数据接口，获取设备的运行状态是一件非常困难的事，现有的设备状态感知方法常常存在适应性差、精度不足、容易误判等问题，因此设计一种新型的用于工程机械运行状态判断的方法显得尤为重要。
[0003]工程机械的运行状态分为三种情况，分别是：运行状态、怠速状态和停止状态。已有的工程机械运行检测方法中常见的有通过油位法和震动幅度法等。
[0004]油位法通过判断油位的变化来判断机械设备的运行状态，该方法在市面上已经有相应的产品，不过油位法的缺点是需要根据不同的设备在油箱上安装油位监测传感器，在操作层面比较复杂，普适性较差，具有侵入性。
[0005]而震动幅度法是通过判断机械设备的震动情况来判断机械设备的运行状态，此类方法对工程机械不具备侵入性，且安装维护较为简单。如中国专利CN112082796A中就通过加速度传感器采集数据来判断震动幅度，根据计算的标准差和和变化率值，以设置阈值来判断工程机械运行的状态。由于阈值是经过历史数据统计来确定的，该方法存在适应性差、精度不足等问题。且上述方法只采用单独的加速度传感器，状态判断的维度不足，对于旋转运作的机械设备可能存在误判的情况。
[0006]在本专利技术设计的基于BP神经网络的工程机械运行状态判断方法中，在已有的震动幅度法上做了改进。在使用三轴加速度传感器数据的基础上，同时加入了陀螺仪传感器的数据作为判断依据之一。陀螺仪数据的加入对旋转运作的机械设备的判断效果会更佳，模型的效果更好。同时，使用神经网络的方法对工程机械的运行状态进行判断，模型的适应度更好、误判率也更低。

技术实现思路

[0007]为了克服上述现有技术的不足，本专利技术提出了一种基于BP神经网络的工程机械运行状态判断方法。一方面，加速度传感器和陀螺仪传感器的配合可以增加模型的准确性，模型效果更好，另一方面，使用BP神经网络进行状态分类，对状态的分类效果更好，可以减少误判样例，提高模型的准确性。
[0008]本专利技术所采用的技术方案是：
[0009]一种基于BP神经网络的工程机械运行状态判断方法，
[0010]步骤一：数据采集和预处理
[0011]步骤S1，同时加速度传感器采集三轴加速度数据和陀螺仪传感器旋转角数据，分别对x轴、y轴、z轴的加速度数据以及陀螺仪数据进行采样，每秒采集N次。
[0012]步骤S2，对采集到的数据按照x轴、y轴、z轴和陀螺仪类别分别进行归一化处理，使用的公式为：
[0013][0014]步骤S3，根据归一化后的数值计算x轴，y轴，z轴以及陀螺仪数值的标准差，记为σ
x
,σ
y
,σ
z
,σ
t
。
[0015]步骤二：BP神经网络训练
[0016]步骤S4，构建一个全连接的BP神经网络。输入层为4个节点，分别代表σ
x
,σ
y
,σ
z
,σ
t
。2个隐藏层的节点数为别为6,6。输出层为3个节点y1，y2，y3，分别代表三种运行状态(运行状态、怠速状态、停止状态)的可能性。激活函数均采用sigmoid函数。
[0017]步骤S5，随机初始化各个节点间权值，准备训练。
[0018]步骤S6，使用历史采集到的标准差σ
x
,σ
y
,σ
z
,σ
t
和状态y进行训练，直到模型精度满足要求。
[0019]步骤三：BP神经网络使用
[0020]步骤S7，每次将实时计算的σ
x
,σ
y
,σ
z
,σ
t
输入到神经网络，获得输出层的三个值y1，y2，y3。
[0021]步骤S8，取y1，y2，y3中的最大值所在位置，最大值所在位置即代表工程机械设备此时的运行状态。
[0022]上述技术方案，结合加速度和陀螺仪的标准差值作为输入，增加了模型影响因素的维度，提高了模型的准确性。对于BP神经网络的引入，在模型训练效果良好时，可以极大地减少误判，同时可以提高了算法的适应性。上述技术方案所采用的震动幅度判断法不具备侵入性，对于工程机械状态的判断具有普适性，对于安装和维护都比较方便。使用该方法在如今海量的历史运行数据下，可以得到一个良好的模型，为上层基于设备状态进行智能调度等智慧工地应用提供了一种良好的解决方案。
附图说明
[0023]图1为：本专利技术实例提供的数据采集与预处理流程图。
[0024]图2为：BP神经网络构建与使用流程图。
[0025]图3位：BP神经网络结构图。
具体实施方式
[0026]下面结合附图对本专利技术进一步说明。本专利技术实施例提供一种基于BP神经网络的工程机械运行状态判断方法，包括：
[0027]如图1所示的数据采集与预处理流程图所示，先进行数据的采集与预处理流程，具体步骤如下所示：
[0028]步骤一：数据采集和预处理
[0029]步骤S1，同时加速度传感器采集三轴加速度数据和陀螺仪传感器旋转角数据，分别对x轴、y轴、z轴的加速度数据以及陀螺仪数据进行采样，每秒采集N次。
[0030]步骤S2，对采集到的数据按照x轴、y轴、z轴和陀螺仪类别分别进行归一化处理，使用的公式为：
[0031][0032]步骤S3，根据归一化后的数值计算x轴，y轴，z轴以及陀螺仪数值的标准差，记为σ
x
,σ
y
,σ
z
,σ
t
。
[0033]如图2所示的BP神经网络构建与使用流程图所示，分别构建神经网络，然后进行模型训练，再介绍模型的使用，具体步骤如下所示：
[0034]步骤二：BP神经网络训练
[0035]步骤S4，构建一个全连接的BP神经网络。输入层为4个节点，分别代表σ
x
,σ
y
,σ
z
,σ
t
。2个隐藏层的节点数为别为6,6。输出层为3个节点y1，y2，y3，分别代表三种运行状态(运行状态、怠速状态、停止状态)的可能性。激活函数均采用sigmoid函数。神经网络的结构如图3所示。
[0036]步骤S5，随机初始化各个节点间权值，准备训练。...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的工程机械运行状态判断方法，其特征在于，包括以下部分：步骤一：数据采集和预处理步骤S1，同时加速度传感器采集三轴加速度数据和陀螺仪传感器旋转角数据，分别对x轴、y轴、z轴的加速度数据以及陀螺仪数据进行采样，每秒采集N次；步骤S2，对采集到的数据按照x轴、y轴、z轴和陀螺仪类别分别进行归一化处理，使用的公式为：步骤S3，根据归一化后的数值计算x轴，y轴，z轴以及陀螺仪数值的标准差，记为σ
x
,σ
y
,σ
z
,σ
t
；步骤二：BP神经网络训练步骤S4，构建一个全连接的BP神经网络；输入层为4个节点，分别代表σ
x
,σ
y
,σ
z
,σ
t
...

【专利技术属性】
技术研发人员：冷庚，林淋，常乐，贾海涛，许文波，罗欣，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：