基于DAGSVM算法的挖掘机工况识别方法及系统技术方案

本发明专利技术提供了一种基于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。本发明专利技术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。段。段。

【技术实现步骤摘要】
基于DAGSVM算法的挖掘机工况识别方法及系统


[0001]本专利技术涉及工程机械
，尤其涉及一种基于DAGSVM算法的挖掘机工况识别方法及系统。

技术介绍

[0002]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。
[0003]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(本文档来自技高网...

【技术保护点】

【技术特征摘要】
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)
...

【专利技术属性】
技术研发人员：张新宇，杨秦敏，邓波，张善睿，张琳，朱俊威，
申请(专利权)人：北谷电子无锡有限公司泺谷科技上海有限公司北谷电子杭州有限公司，
类型：发明
国别省市：