[發(fā)明專利]一種油耗預測監(jiān)控方法、裝置、系統(tǒng)及存儲介質

在審

• 申請?zhí)枺?/td>: 202211614047.8
• 申請日: 2022-12-15
• 公開（公告）號: CN115841078A
• 公開（公告）日: 2023-03-24
• 發(fā)明（設計）人: 郭佳宇;王飛;邢斌;涂心浩;劉欣;胡旭輝;周宇
• 申請（專利權）人: 徐工漢云技術股份有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N20/00;G06N5/01;G06Q10/04;G06F17/18
• 代理公司: 南京縱橫知識產(chǎn)權代理有限公司 32224
• 代理人: 席樂樂

1.一種油耗預測監(jiān)控方法，其特征在于，包括：

對采集的車輛運行數(shù)據(jù)進行處理，獲得車輛的工時油耗數(shù)據(jù)；

采用多種機器學習算法訓練所述工時油耗數(shù)據(jù)，獲得不同算法的數(shù)據(jù)模型，選擇決定系數(shù)高的數(shù)據(jù)模型作為該車輛的油耗模型；

將車輛的當日運行參數(shù)輸入至油耗模型獲取車輛的當日預測油耗，將車輛的當日預測油耗和當日實際油耗對比；響應于當日實際油耗高于當日預測油耗預設值時，向客戶推送提醒數(shù)據(jù)。

2.根據(jù)權利要求1所述的油耗預測監(jiān)控方法，其特征在于，采用多種機器學習算法訓練所述工時油耗數(shù)據(jù)，獲得車輛的油耗模型包括：

將所述工時油耗數(shù)據(jù)劃分為訓練集和驗證集，其中，訓練集占所述工時油耗數(shù)據(jù)的85-95％；

將訓練集中的發(fā)動機擋位、工作模式和發(fā)動機轉速作為輸入特征值，將訓練集中的油耗作為訓練結果，輸入至不同的機器學習算法，獲得不同算法的數(shù)據(jù)模型；

使用驗證集驗證不同算法的數(shù)據(jù)模型的決定系數(shù)，選擇決定系數(shù)高的數(shù)據(jù)模型作為該車輛的油耗模型。

3.根據(jù)權利要求2所述的油耗預測監(jiān)控方法，其特征在于，獲得不同算法的數(shù)據(jù)模型，包括：

將訓練集中的發(fā)動機擋位、工作模式和發(fā)動機轉速作為輸入特征值，將訓練集中的油耗作為訓練結果，輸入至線性回歸學習算法，獲得線性回歸算法的數(shù)據(jù)模型；

將訓練集中的發(fā)動機擋位、工作模式和發(fā)動機轉速作為輸入特征值，將訓練集中的油耗作為訓練結果，輸入至隨機深林算法，獲得隨機深林算法的數(shù)據(jù)模型。

4.根據(jù)權利要求3所述的油耗預測監(jiān)控方法，其特征在于，所述線性回歸學習算法為：

其中，x₁,x₂,x₃分別為擋位、工作模式和發(fā)動機轉速對應的工作時間，ω₁,ω₂,ω₃分別為擋位、工作模式和發(fā)動機轉速的權重，ω₀為偏移。

5.根據(jù)權利要求3所述的油耗預測監(jiān)控方法，其特征在于，獲得隨機森林算法的數(shù)據(jù)模型包括：

從每個訓練集中隨機選擇K個特征，其中，所述K個特征至少包括發(fā)動機擋位、工作模式和發(fā)動機轉速；

根據(jù)所述K個特征建立m棵決策樹；

應用每棵決策樹預測車輛油耗，并保存所有的預測結果；

對每棵決策樹進行投票，計算每個預測結果的得票數(shù)，選擇得票數(shù)最高的模型作為隨機森林算法的數(shù)據(jù)模型。

6.根據(jù)權利要求1所述的油耗預測監(jiān)控方法，其特征在于，獲得車輛的工時油耗數(shù)據(jù)：

對采集的車輛數(shù)據(jù)進行處理，篩除包括空數(shù)據(jù)及跳變數(shù)據(jù)的無效數(shù)據(jù)；

根據(jù)與油耗相關的發(fā)動機擋位、工作模式和發(fā)動機轉速，獲得車輛不同維度的工時油耗數(shù)據(jù)。

7.根據(jù)權利要求1所述的油耗預測監(jiān)控方法，其特征在于，響應于當日實際油耗高于當日預測油耗預設值時，向客戶推送提醒數(shù)據(jù)包括：

若當日實際油耗高于當日預測油耗的30％，則判定車輛的當日實際油耗為異常油耗；

響應于車輛的當日油耗為異常油耗時，獲取車輛的歷史油耗數(shù)據(jù)；

若車輛的歷史實際油耗數(shù)據(jù)相對于歷史預測油耗數(shù)據(jù)呈逐步上升，則向客戶推送保養(yǎng)提醒數(shù)據(jù)；

若車輛的當日實際油耗高于歷史實際油耗預設值時，則向客戶推送異常提醒數(shù)據(jù)。

8.一種油耗預測監(jiān)控裝置，其特征在于，包括：

采集處理模塊，用于對采集的車輛運行數(shù)據(jù)進行處理，獲得車輛的工時油耗數(shù)據(jù)；

模型訓練模塊，用于采用多種機器學習算法訓練所述工時油耗數(shù)據(jù)，獲得不同算法的數(shù)據(jù)模型，選擇決定系數(shù)高的數(shù)據(jù)模型作為該車輛的油耗模型；

監(jiān)控分析模塊，用于將車輛的當日運行參數(shù)輸入至油耗模型獲取車輛的當日預測油耗，將車輛的當日預測油耗和當日實際油耗對比；響應于當日實際油耗高于當日預測油耗預設值時，向客戶推送提醒數(shù)據(jù)。