基于改进LSTM神经网络的挖机挖掘阶段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改进LSTM神经网络的挖机挖掘阶段识别方法及系统，方法包括：收集挖机泵出口压力的历史数据，并对历史数据进行去噪处理，以提取压力数据信号；将提取的压力数据信号进行预处理，构建输入的特征向量；将需要输入LSTM神经网络模型的数据与挖机各阶段相对应，使得数据带有关于各阶段的标签；采用ReLU函数作为激活函数，构建LSTM神经网络模型，并将带有标签的数据及特征向量输入LSTM神经网络模型进行训练，得到最优的LSTM神经网络模型；将挖机的实时数据带入最优的LSTM神经网络模型中，进行挖机挖掘阶段的识别。本发明专利技术解决了深层网络中出现梯度消失的情况，缓解了过拟合问题的发生。过拟合问题的发生。过拟合问题的发生。

【技术实现步骤摘要】
基于改进LSTM神经网络的挖机挖掘阶段识别方法及系统


[0001]本专利技术涉及工程机械
，尤其涉及一种基于改进LSTM神经网络的挖机挖掘阶段识别方法及系统。

技术介绍

[0002]挖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机操作员自行根据工作场景选择挖机工作档位，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，每一个阶段挖机承受负载不同，所需功率也不相同，而挖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机五个不同的阶段进行识别，进而实现挖机的分阶段功率控制，降低燃油消耗。
[0003]目前业内常利用现有的LSTM神经网络模型对挖机的工作阶段进行识别，但是这种LSTM神经网络结构存在sigmoid函数在深层神经网络中会使梯度在深层传递中逐渐归零小时，出现因导数的相关数学特性而产生深度传递过程中的差异消失现象；同时存在sigmoid本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进LSTM神经网络的挖机挖掘阶段识别方法，其特征在于，包括：收集挖机泵出口压力的历史数据，并对所述历史数据进行去噪处理，以提取压力数据信号；将提取的压力数据信号进行预处理，构建输入的特征向量；将需要输入LSTM神经网络模型的数据与挖机各阶段相对应，使得数据带有关于各阶段的标签；采用ReLU函数作为激活函数，构建LSTM神经网络模型，并将所述带有标签的数据及所述特征向量输入LSTM神经网络模型进行训练，得到最优的LSTM神经网络模型；将所述挖机的实时数据带入所述最优的LSTM神经网络模型中，进行挖机挖掘阶段的识别。2.根据权利要求1所述的基于改进LSTM神经网络的挖机挖掘阶段识别方法，其特征在于，利用回归法对所述历史数据进行去噪处理。3.根据权利要求1或2所述的基于改进LSTM神经网络的挖机挖掘阶段识别方法，其特征在于，所述历史数据包括挖机两个主泵的泵出口在各个时刻的压力值。4.根据权利要求3所述的基于改进LSTM神经网络的挖机挖掘阶段识别方法，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平均值之差、两个所述主泵的压力均方值之差。5.根据权利要求1所述的基于改进LSTM神经网络的挖机挖掘阶段识别方法，其特征在于，所述预处理为归一化处理。6.根据权利要求1所述的基于改进LSTM神经网络的挖机挖掘阶段识别方法，其特征在于，所述带有标签的数据包括挖机工作过程的五个阶段：挖掘准备阶段、挖掘阶段、提升回转阶段、卸载阶段、空斗返回阶段；构建的输入所述LSTM神经网络模型的标签数据使用如下向量表示：挖掘准备阶段[1，0，0，0，0]；挖掘阶段[0，1，0，0，0]；提升回转阶段[0，0，1，0，0]；卸载阶段[0，0，0，1，0]；空斗返回阶段[0，0，0，0，1]。7.根据权利要求6所述的基于改进LSTM神经网络的挖机挖掘阶段识别方法，其特征在于，所述LSTM神经网络模型的结构如下：1）ReLU及其导数为：1）ReLU及其导数为：其中，为输入的特征向量；2）LSTM中的sig...

【专利技术属性】
技术研发人员：杨秦敏，李汉文，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：