用于挖掘机作业状态的识别方法、装置、挖掘机及处理器制造方法及图纸

本申请实施例提供一种用于挖掘机作业状态的识别方法、装置、处理器及存储介质。方法包括：按照预设时间间隔获取挖掘机在预设时间段内的多个工况数据；按照预设的单位时间窗口将多个工况数据划分为与每个单位时间窗口对应的数据集；提取每个数据集的数据特征；依次将每个数据集的数据特征输入至作业模式识别模型，以通过作业模式识别模型输出每个数据集的预测作业模式；将预测作业模式为挖掘模式的数据集中包括的每个工况数据依次输入至动作识别模型，以通过动作识别模型输出每个工况数据的预测动作；根据预测动作确定挖掘机在预设时间段内进行挖掘作业动作的挖掘次数。本申请的技术方案对于挖掘机作业状态的识别效率更快，且成本较低。且成本较低。且成本较低。

【技术实现步骤摘要】
用于挖掘机作业状态的识别方法、装置、挖掘机及处理器


[0001]本申请涉及人工智能
，具体涉及一种用于挖掘机作业状态的识别方法、装置、挖掘机、存储介质及处理器。

技术介绍

[0002]挖掘机在建筑工程、采掘等行业有着广泛的应用。由于挖掘机的不同作业状态下的性能表现不同，因此识别挖掘机的作业状态对于优化其工作效率和延长使用寿命具有重要意义。
[0003]现有技术中，识别挖掘机工作状态使用的方法主要是计算机视觉技术。通过在挖掘机上安装摄像头，获取挖掘机工作时的实时视频，对图像进行分析，判断挖掘机的工作状态。例如：当挖掘机的铲斗进入土方时，视频识别算法可以检测到土方移动的情况，从而判断挖掘机正在进行挖掘。为了获得高质量的图像和视频数据，需要在挖掘机上安装高质量的摄像头。同时，由于视频识别算法需要进行大量的计算和分析，需要配备高性能的计算和存储设备，因此整体成本过高。此外，由于挖掘机工作环境处于室外，而视觉识别技术受环境影响较大，如天气、光线、尘土等因素都会极大影响识别准确率。

技术实现思路

[0004]本申请实施例的目的是提供一种用于挖掘机作业状态的识别方法、装置、挖掘机、存储介质及处理器。
[0005]为了实现上述目的，本申请第一方面提供一种用于挖掘机作业状态的识别方法，包括：
[0006]按照预设时间间隔获取挖掘机在预设时间段内的多个工况数据；
[0007]按照预设的单位时间窗口将多个工况数据划分为与每个单位时间窗口对应的数据集；
[0008]提取每个数据集的数据特征；
[0009]依次将每个数据集的数据特征输入至作业模式识别模型，以通过作业模式识别模型输出每个数据集的预测作业模式；
[0010]将预测作业模式为挖掘模式的数据集中包括的每个工况数据依次输入至动作识别模型，以通过动作识别模型输出每个工况数据的预测动作；
[0011]根据预测动作确定挖掘机在预设时间段内进行挖掘作业动作的挖掘次数。
[0012]本申请第二方面提供一种处理器，被配置成执行上述的用于挖掘机作业状态的识别方法。
[0013]本申请第三方面提供一种用于挖掘机作业状态的识别装置，包括上述的处理器。
[0014]本申请第四方面提供一种挖掘机，其特征在于，包括上述的用于挖掘机作业状态的识别装置
[0015]本申请第五方面提供一种机器可读存储介质，该机器可读存储介质上存储有指
令，该指令在被处理器执行时使得所述处理器被配置成执行上述的用于挖掘机作业状态的识别方法。
[0016]上述技术方案，通过使用作业模式识别模型先确定出挖掘模式下的工况数据，再通过动作识别模型来确定挖掘模式下的工况数据对应的动作，以此可以实现对挖掘机施工状态的监控。在本方案中，无需在挖掘机上安装摄像头，且本方案是基于结构性数据的工况数据来对挖掘机的作业状态进行识别，相较于现有技术来说，本申请的技术方案对于挖掘机作业状态的识别效率更快，且成本较低。
[0017]本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0018]附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
[0019]图1示意性示出了根据本申请实施例的用于挖掘机作业状态的识别方法的流程示意图；
[0020]图2示意性示出了根据本申请实施例的作业模式识别模型的训练步骤的流程示意图；
[0021]图3示意性示出了根据本申请实施例的确定作业模式识别模型的流程示意图；
[0022]图4示意性示出了根据本申请另一实施例的用于挖掘机作业状态的识别方法的流程示意图；
[0023]图5示意性示出了根据本申请又一实施例的用于挖掘机作业状态的识别方法的流程示意图；
[0024]图6示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
[0025]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通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。
[0026]图1示意性示出了根据本申请实施例的用于挖掘机作业状态的识别方法的流程示意图。如图1所示，在本申请一实施例中，提供了一种用于挖掘机作业状态的识别方法，包括以下步骤：
[0027]步骤101，按照预设时间间隔获取挖掘机在预设时间段内的多个工况数据。
[0028]步骤102，按照预设的单位时间窗口将多个工况数据划分为与每个单位时间窗口对应的数据集。
[0029]步骤103，提取每个数据集的数据特征。
[0030]步骤104，依次将每个数据集的数据特征输入至作业模式识别模型，以通过作业模式识别模型输出每个数据集的预测作业模式。
[0031]步骤105，将预测作业模式为挖掘模式的数据集中包括的每个工况数据依次输入至动作识别模型，以通过动作识别模型输出每个工况数据的预测动作。
[0032]步骤106，根据预测动作确定挖掘机在预设时间段内进行挖掘作业动作的挖掘次数。
[0033]在对挖掘机作业状态进行识别之前，需要先获取到挖掘机的工况数据。在获取工况数据时，可以按照预设时间间隔来获取。例如，将预设时间间隔设置为0.1s或1s，那么在按照预设时间间隔获取挖掘机在预设时间段内的工况数据时，即为获取挖掘机在预设时间段内每0.1s的工况数据，或挖掘机在预设时间段内每1s的工况数据。如此，可以获取到挖掘机在预设时间段内的多个时间点的多个工况数据，每个时间点对应一个工况数据。
[0034]然后，可以预先设置单位时间窗口，并将多个工况数据划分为与每个单位时间窗口对应的数据集。例如，假设单位时间窗口是20s，预设时间段内为1小时，预设时间间隔为1s，那么获取到的挖掘机在预设时间段内的多个工况数据，等于获取到了挖掘机在3600个时间点的工况数据，即获取到了3600个工况数据。按照单位时间窗口对多个工况数据进行划分时，则可以将这3600个工况数据划分为1800个数据集，每个数据集对应一个单位时间窗口。
[0035]在得到与每个单位时间窗口对应的数据集后，可以提取每个数据集的数据特征。然后针对每个数据集，可以将该数据集的数据特征输入至作业模式识别模型，作业模式识别模型可以基于输入的数据特征输出该数据集的预测作业模式。其中，挖掘机的作业模式可以至少包括怠速模式、挖掘模式、行走模式、破碎模式以及平地模式这五种作业模式。作业模式识别模型为神经网络模型，在本实施例中，作业模式识别模型可以是随机森林分类模型。
[0036]在本实施例中，目的是为了确定挖掘机在预设时间段内进行挖掘动作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于挖掘机作业状态的识别方法，其特征在于，所述识别方法包括：按照预设时间间隔获取挖掘机在预设时间段内的多个工况数据；按照预设的单位时间窗口将所述多个工况数据划分为与每个单位时间窗口对应的数据集；提取每个数据集的数据特征；依次将每个数据集的数据特征输入至作业模式识别模型，以通过所述作业模式识别模型输出每个数据集的预测作业模式；将所述预测作业模式为挖掘模式的数据集中包括的每个工况数据依次输入至动作识别模型，以通过所述动作识别模型输出每个工况数据的预测动作；根据所述预测动作确定所述挖掘机在所述预设时间段内进行挖掘作业动作的挖掘次数。2.根据权利要求1所述的用于挖掘机作业状态的识别方法，其特征在于，所述将所述预测作业模式为挖掘模式的数据集中包括的每个工况数据依次输入至动作识别模型还包括：将所述预测作业模式为挖掘模式的数据集作为第一数据集；针对任意一个第一数据集，在存在与所述第一数据集在时间上连续的其他第一数据集的情况下，将连续的多个第一数据集组成第二数据集，并将所述第二数据集中包括的每个工况数据依次输入至动作识别模型；针对任意一个第一数据集，在不存在与所述第一数据集在时间上连续的其他第一数据集的情况下，将所述第一数据集中包括的每个工况数据依次输入至动作识别模型。3.根据权利要求1所述的用于挖掘机作业状态的识别方法，其特征在于，所述作业模式识别模型为随机森林分类模型，所述识别方法还包括所述作业模式识别模型的训练步骤，所述训练步骤包括：初始化所述随机森林分类模型的模型参数，得到初始模型，其中，所述模型参数至少包括树木数量、最大深度、节点最小样本以及最大特征个数；基于天牛须搜索算法确定每个模型参数的算法步长；将所述初始模型作为当前模型；根据所述当前模型的模型参数组和每个模型参数的算法步长分别向左搜索和向右搜索生成向左参数组和向右参数组，以得到对应的两个方向的待训练随机森林分类模型；获取多个训练样本数据，所述训练样本数据包括单位时间窗口的历史工况数据；提取每个训练样本数据的样本特征以及样本标签，其中，所述样本标签基于每个训练样本数据所对应的作业模式确定；依次将每个训练样本数据的样本特征和样本标签输入至两个方向的待训练随机森林分类模型，以分别对模型进行有监督训练；基于多个测试样本数据确定每个随机森林分类模型的测试准确率；将所述测试准确率最高的随机森林分类模型作为当前模型，再次执行根据所述当前模型的模型参数组和每个模型参数的算法步长分别向左搜索和向右搜索生成向左参数组和向右参数组的步骤；直到所述当前模型的测试准确率高于所有以所述当前模型的模型参数得到的待训练随机森林分类模型，将所述当前模型确定为所述作业模式识别模型。
4.根据权利要求1至3中任意一项所述的用于挖掘机作业状态的识别方法，其特征在于，所述工况数据包括所述挖掘机的前泵压力和后泵压力，所述提取每个数据集的数据特征包括：针对所述数据集中的每个工况数据，确定所述前泵压力和所述后泵压力之间的压力差值；针对所述前泵压力、所述后泵压力以及所述压力差值分别设置多个第一压力区间、多个第二压力区间以及多个第三压力区间；针对每个数据集，确定所述数据集中位于每个第一压力区间内的前泵压力的第一分布数量、位于每个第二压力区间内的后泵压力的第二分布数量以及位于每个第三压力区间内的压力差值的第三分布数量；将与每个数据集的第一分布数量、第二分布数量以及第三分布数量确定为每个数据集的数据特征。5.根据权利要求1所述的用于挖掘机作业状态的识别方法，其特征在于，每个工况数据对应一个时间点，所述识别方法还包括：在通过所述动作识别模型输出每个工况数据的预测动作之后，针对每个...

【专利技术属性】
技术研发人员：吴凡，童兴，谢康，周志忠，魏学平，
申请(专利权)人：中科云谷科技有限公司，
类型：发明
国别省市：