[發(fā)明專利]一種裝載機(jī)工況識(shí)別模型構(gòu)建及識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811043486.1
• 申請(qǐng)日: 2018-09-07
• 公開(kāi)（公告）號(hào): CN109359524B
• 公開(kāi)（公告）日: 2021-06-22
• 發(fā)明（設(shè)計(jì)）人: 張澤宇;惠記莊;武琳琳;雷景媛;谷立臣
• 申請(qǐng)（專利權(quán)）人: 長(zhǎng)安大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;E02F9/26
• 代理公司: 西安恒泰知識(shí)產(chǎn)權(quán)代理事務(wù)所 61216
• 代理人: 張明

本發(fā)明公開(kāi)了一種裝載機(jī)工況識(shí)別模型構(gòu)建及識(shí)別方法，首先在裝載機(jī)上布置相應(yīng)的傳感器用以采集扭矩、壓力、檔位、制動(dòng)等多源信號(hào)，并對(duì)數(shù)據(jù)進(jìn)行規(guī)范化，對(duì)零飄信號(hào)進(jìn)行剝離，對(duì)缺失值予以插值補(bǔ)齊，對(duì)采集到的信號(hào)進(jìn)行降噪濾波處理；其次，利用主成分分析法從裝載機(jī)的多屬性數(shù)據(jù)中選擇出貢獻(xiàn)度較高的特征屬性，并利用統(tǒng)計(jì)分析法對(duì)主成分的特征進(jìn)行提取；然后，建立裝載機(jī)工況樣本，采用有監(jiān)督學(xué)習(xí)的數(shù)據(jù)挖掘算法建立負(fù)載信號(hào)與預(yù)分類工況模式之間的關(guān)聯(lián)映射，通過(guò)大量數(shù)據(jù)樣本訓(xùn)練形成工況識(shí)別模型；將主成分分析的特征提取方法與KNN算法進(jìn)行結(jié)合，對(duì)KNN算法中的距離公式進(jìn)行了改進(jìn)，使之更符合工況識(shí)別，提高了工況識(shí)別算法的正確率以及效率。

技術(shù)領(lǐng)域

本發(fā)明涉及工況識(shí)別方法，具體涉及一種裝載機(jī)工況識(shí)別模型構(gòu)建及識(shí)別方法。

背景技術(shù)

隨著我國(guó)經(jīng)濟(jì)發(fā)展，工程車輛的產(chǎn)、銷量和保有量快速提高，工程機(jī)械發(fā)展異常迅速。工程機(jī)械95％以上的產(chǎn)品采用液力傳動(dòng)，以便獲得大扭矩、滿足大慣量載荷需求，由于作業(yè)環(huán)境惡劣，作業(yè)工況復(fù)雜多變以及設(shè)備自動(dòng)化，信息化程度不斷地提高，如何確保工程機(jī)械可靠、高效的運(yùn)行，是目前亟待解決的技術(shù)難題，為了解決這些問(wèn)題，就需要對(duì)裝載機(jī)作業(yè)的載荷譜進(jìn)行分析，包括信號(hào)特征的提取，作業(yè)階段的劃分和作業(yè)工況的識(shí)別，其中裝載機(jī)的工況包括：空載前進(jìn)、鏟掘、滿載后退、滿載前進(jìn)、卸載和空載后退。

現(xiàn)有的工況識(shí)別方法主要是通過(guò)檢測(cè)裝載機(jī)作業(yè)時(shí)的轉(zhuǎn)斗大腔壓力信號(hào)、動(dòng)臂大腔壓力信號(hào)的變化量，通過(guò)設(shè)定變化量閾值的方式，將超過(guò)變化量閾值的行為進(jìn)行判定，該種方法依賴于閾值的設(shè)定，閾值的取值常常取決于經(jīng)驗(yàn)，因此該種方法存在識(shí)別正確率不高，無(wú)法滿足工作需求。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種裝載機(jī)工況識(shí)別模型構(gòu)建及識(shí)別方法，用以解決現(xiàn)有技術(shù)中的裝載機(jī)工況識(shí)別方法識(shí)別正確率不高等問(wèn)題。

為了實(shí)現(xiàn)上述任務(wù)，本發(fā)明采用以下技術(shù)方案：

一種裝載機(jī)工況識(shí)別模型構(gòu)建方法，方法包括以下步驟：

步驟1、采集裝載機(jī)在不同工況下的多組識(shí)別信號(hào)數(shù)據(jù)，獲得識(shí)別信號(hào)數(shù)據(jù)集；所述的識(shí)別信號(hào)數(shù)據(jù)集中每一組識(shí)別信號(hào)數(shù)據(jù)對(duì)應(yīng)一個(gè)工況標(biāo)簽，獲得識(shí)別工況標(biāo)簽集；

所述的工況標(biāo)簽包括：空載前進(jìn)、鏟掘、滿載后退、滿載前進(jìn)、卸載和空載后退；

步驟2、對(duì)所述的識(shí)別信號(hào)數(shù)據(jù)集中的每組識(shí)別信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理，獲得預(yù)處理后的識(shí)別信號(hào)數(shù)據(jù)集；

所述的預(yù)處理具體包括以下過(guò)程：

步驟21、將所述的識(shí)別信號(hào)數(shù)據(jù)集歸一化至0到1之間，獲得第二識(shí)別信號(hào)數(shù)據(jù)集；

步驟22、對(duì)所述的第二識(shí)別信號(hào)數(shù)據(jù)集進(jìn)行剝離趨勢(shì)項(xiàng)后，利用3σ方法剔除異常數(shù)據(jù)后再利用牛頓插值法插補(bǔ)空缺項(xiàng)，獲得第三識(shí)別信號(hào)數(shù)據(jù)集；

步驟23、對(duì)所述的第三識(shí)別信號(hào)數(shù)據(jù)集采用小波包去噪方法進(jìn)行濾波處理，獲得預(yù)處理后的識(shí)別信號(hào)數(shù)據(jù)集；

在所述的小波包去噪方法中，小波基選擇db9-6小波基；

步驟3、采用降維的特征提取方法對(duì)所述的預(yù)處理后的識(shí)別信號(hào)數(shù)據(jù)集進(jìn)行處理，獲得識(shí)別特征集；

所述的識(shí)別特征集包括多個(gè)特征樣本，所述的特征樣本的數(shù)量與步驟1中采集的識(shí)別信號(hào)數(shù)據(jù)的組數(shù)相同，所述的每個(gè)特征樣本均包括I個(gè)識(shí)別特征量,I為正整數(shù)；

獲得特征識(shí)別量的貢獻(xiàn)率：所述的多個(gè)特征樣本中第p個(gè)特征樣本的第i個(gè)識(shí)別特征量與第q個(gè)特征樣本的第i個(gè)識(shí)別特征量的貢獻(xiàn)率相同，即獲得I個(gè)識(shí)別特征量的貢獻(xiàn)率，i∈[1,I]，p和q均為正整數(shù)，p≠q；

步驟4、將所述的識(shí)別特征集作為輸入，將所述的識(shí)別工況標(biāo)簽集作為輸出，訓(xùn)練KNN模型，獲得裝載機(jī)工況識(shí)別模型，所述的KNN模型中，第p個(gè)特征樣本與第q個(gè)特征樣本之間的距離Dis：。