一种装载机循环工况作业阶段识别方法技术

本发明专利技术公开了一种装载机循环工况作业阶段识别方法，所述装载机循环工况作业阶段识别方法包括：使用传感器、数据采集模块对装载机在不同工况下的信号数据组进行采集；将所述信号数据组传输到数据处理模块后依次进行去噪和归一化处理得到信号数据集；以信号数据集通过支持向量机找到超平面，选用径向基函数为核函数建立LIBSVM模型，实现装载机循环工况阶段识别。以信号数据集通过支持向量机找到超平面并建立的LIBSVM模型，相较于传统的SVM模型，LIBSVM为内核支持向量机实现了顺序最小优化(SMO)算法，提高了装载机作业工况识别精确度。提高了装载机作业工况识别精确度。提高了装载机作业工况识别精确度。

【技术实现步骤摘要】
一种装载机循环工况作业阶段识别方法


[0001]本专利技术涉及装载机
，尤其涉及一种装载机循环工况作业阶段识别方法。

技术介绍

[0002]装载机作为一种具有高作业效率的工程机械，广泛应用于各类建筑工程中。装载机中工作循环中一般包括空载前进、铲装、负载后退、负载前进、卸料、空载后退六个阶段，在不同作业阶段的装载机对动力的要求大不相同，如果采用同样的动力，势必造成装载机发动机的局部阶段内功率过载或者局部阶段内功率不足，从而造成机体损伤与动力损耗、从而降低燃料经济性。
[0003]现有技术中，主要利用机器视觉和多传感器信息融合技术来识别装载机所处作业阶段。机器视觉利用安装在装载机上的摄录设备记录工况，将图像与数据库模型进行匹配，推算出装载机目前所处作业阶段，但其准确性易受到环境的因素影响。基于多传感器信息融合技术的装载机工况识别方法则是目前发展较快的一个领域，主要包括支持向量机(SVM)和长短时记忆神经网络(LSTM)。传统的支持向量机(SVM)一般仅使用当前阶段的信息，模型不会兼顾上一阶段，以及更之前阶段的信息。LSTM神经网络则需要根据不同机型做出相应的模型，在识别速度上会有所落后，导致作业阶段发生转换时识别发生错误。

技术实现思路

[0004]本专利技术要解决的技术问题是为了克服现有技术中装载机循环工况作业阶段识别准确率低的缺陷，提供了一种装载机循环工况作业阶段识别方法。
[0005]本专利技术是通过下述技术方案来解决上述技术问题：
[0006]一种装载机循环工况作业阶段识别方法，所述装载机循环工况作业阶段识别方法包括：
[0007]S1：使用传感器、数据采集模块对装载机在不同工况下的信号数据组进行采集；
[0008]S2:将实时传输到数据处理模块中的信号数据组进行滤波去噪处理，然后进行归一化处理，根据先导压力数据变化，在各个压力与时间曲线图上划分作业循环，根据作业循环划分装载机工况；
[0009]S3：将所得信号数据集按照8:2划分，得到训练集和测试集；并以实时信号数据集通过支持向量机找到超平面，建立LIBSVM模型，通过径向基函数(RBF)实现装载机作业工况辨识；在建立LIBSVM模型模型之前需要通过交叉验证得到训练集验证的分类精度核函数中的g与惩罚系数ω的取值大小；信号数据集包括位移信号数据集、档位信号数据集和压力数据集，所述LIBSVM模型包括分别以所述位移信号数据集、所述档位信号数据集和所述压力数据集建立的第一LIBSVM模型、第二LIBSVM模型和第三LIBSVM模型。
[0010]使用位移信号数据和档位信号数据建立LIBSVM模型的过程一致，相较于使用压力数据集，位移信号数据集和档位信号数据集具有波动少、变化较少且明显的特点，更易于模型的建立，但是缺陷在于位移信号数据集仅反应铲装、卸载两个阶段，而档位信号数据集仅
反应空载前进、负载后退、负载前进和空载后退四个阶段，故结合第一LIBSVM模型、第二LIBSVM模型和第三LIBSVM模型，能进一步提升工况作业阶段识别的可靠性；
[0011]较佳地，所述装载机循环工况作业阶段识别方法，在步骤3中，所述LIBSVM模型的建立还包括：
[0012]S31:以标准操作规程沿着相同路径操作装载机进行循环装载作业，采集液压泵压力信号数据，液压缸两腔压力信号数据、位移信号数据以及档位信号数据，将采集液压泵压力信号数据，液压缸两腔压力信号数据、位移信号数据以及档位信号数据按空载前进、铲装、负载后退、负载前进、卸料和空载后退分为六个作业阶段，并给数据打好标签；
[0013]S32:将液压泵压力信号数据，液压缸两腔压力信号数据、位移信号数据以及档位信号数据分划为训练集和测试集，通过LIBSVM一对多进行分类器训练，得到默认参数的装载机作业阶段LIBSVM识别模型。
[0014]较佳地，所述装载机循环工况作业阶段识别方法，包括通过数据处理模块对每次的循环装载作业的液压泵压力信号数据，液压缸两腔压力信号数据、位移信号数据以及档位信号数据进行归一化处理，建立以径向基函数(RBF)为核函数的LIBSVM模型。。
[0015]本专利技术的积极效果在于：
[0016]将传感器安装在装载机上，通过数据采集模块对各组信号数据进行采集，对得到的信号数据组进行去噪后，再对得到的信号数据集进行归一化处理，建立以径向基函数(RBF)为核函数的LIBSVM模型。相较于传统的SVM模型，LIBSVM为内核支持向量机实现了顺序最小优化(SMO)算法，提高了装载机作业工况识别精确度。
附图说明
[0017]图1为本申请一实施例的装载机循环工况作业阶段识别方法的流程图；
[0018]图2为本申请一实施例的装载机循环工况作业阶段识别方法中信号数据采集流程图；
[0019]图3为本申请一实施例的装载机循环工况作业阶段识别方法中信号数据处理流程图；
[0020]图4为本申请一实施例中的LIBSVM模型的识别流程示意图；
[0021]图5为本申请一实施例中泵、动臂大小腔、翻斗大小腔的压力波形数据；
[0022]图6为本申请一实施例中作业阶段的压力与时间曲线示意图。
具体实施方式
[0023]下面通过实施例的方式进一步说明本专利技术，但并不因此将本专利技术限制在的实施例范围之中。
[0024]一种装载机循环工况作业阶段识别方法，如图1
‑
6所示，装载机循环工况作业阶段识别方法包括：
[0025]S1：使用传感器、数据采集模块对装载机在不同工况下的信号数据组进行采集，本实施例中，采集的信号数据组包括在装载机的正常施工工况下进行液压泵压力信号数据，液压缸两腔的压力信号数据、位移信号数据以及档位信号数据。
[0026]S2:将实时传输到数据处理模块中的液压泵压力信号，液压缸两腔的压力信号、位
移信号以及档位信号数据进行滤波去噪处理，然后进行归一化处理，根据先导压力数据变化，在各个压力与时间曲线图上划分作业循环，然后划分装载机的工作阶段。
[0027]通过采用一定宽度的时间窗提取当前时刻t与t
‑
nΔt之间的压力波形作为识别对象，反映当前数据特性和装载机的工况作业阶段(其中Δt为当前信号的采样间隔，nΔt为时间窗的宽度)，在当前工况作业阶段确定后，时间窗口移动以消除旧数据并引入新数据，更新读取下一时刻数据信号波形，实现对装载机工作阶段的实时监控。随后将得到的数据进行滤波去噪处理，然后将每次的循环工况作业的压力及档位数据归一化处理，使其线性调整到[0,1]，在进行LIBSVM多分类进程时，为减少数值大的特征值对数值小的特征值的不利影响，需要对特征向量的各属性特征进行归一化处理，将其取值范围调整到[
‑
1,1]。归一化公式表述为：
[0028][0029]式中x为未经处理的原始特征值；为处理过后的归一化特征值；x
min
为特征向量属性中的最小值；x
max本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种装载机循环工况作业阶段识别方法，其特征在于，所述装载机循环工况作业阶段识别方法包括：S1：使用传感器、数据采集模块对装载机在不同工况下的信号数据组进行采集；S2:将实时传输到数据处理模块中的所述信号数据组进行滤波去噪处理得到信号数据集，然后进行归一化处理，根据先导压力数据变化，在各个压力与时间曲线图上划分作业循环，根据所述作业循环划分装载机工况；S3：将所得信号数据集按照8:2划分，得到训练集和测试集；并以所述信号数据集通过支持向量机找到超平面，建立LIBSVM模型，通过径向基函数实现装载机作业工况辨识；所述LIBSVM模型通过交叉验证得到所述训练集验证的分类精度核函数中的g与惩罚系数ω的取值；所述信号数据集包括位移信号数据集、档位信号数据集和压力数据集，所述LIBSVM模型包括分别以所述位移信号数据集、所述档位信号数据集和所述压力数据集建立的第一LIBSVM模型、第二LIBSVM模型和第三LIBSVM模型。2.如权利要求1...

【专利技术属性】
技术研发人员：何斌，张晨越，李桂琴，宋昊举，
申请(专利权)人：上海大学，
类型：发明
国别省市：