[发明专利]一种装载机工况识别模型构建及识别方法

说明书

本发明公开了一种装载机工况识别模型构建及识别方法，首先在装载机上布置相应的传感器用以采集扭矩、压力、档位、制动等多源信号，并对数据进行规范化，对零飘信号进行剥离，对缺失值予以插值补齐，对采集到的信号进行降噪滤波处理；其次，利用主成分分析法从装载机的多属性数据中选择出贡献度较高的特征属性，并利用统计分析法对主成分的特征进行提取；然后，建立装载机工况样本，采用有监督学习的数据挖掘算法建立负载信号与预分类工况模式之间的关联映射，通过大量数据样本训练形成工况识别模型；将主成分分析的特征提取方法与KNN算法进行结合，对KNN算法中的距离公式进行了改进，使之更符合工况识别，提高了工况识别算法的正确率以及效率。

技术领域

本发明涉及工况识别方法，具体涉及一种装载机工况识别模型构建及识别方法。

背景技术

随着我国经济发展，工程车辆的产、销量和保有量快速提高，工程机械发展异常迅速。工程机械95％以上的产品采用液力传动，以便获得大扭矩、满足大惯量载荷需求，由于作业环境恶劣，作业工况复杂多变以及设备自动化，信息化程度不断地提高，如何确保工程机械可靠、高效的运行，是目前亟待解决的技术难题，为了解决这些问题，就需要对装载机作业的载荷谱进行分析，包括信号特征的提取，作业阶段的划分和作业工况的识别，其中装载机的工况包括：空载前进、铲掘、满载后退、满载前进、卸载和空载后退。

现有的工况识别方法主要是通过检测装载机作业时的转斗大腔压力信号、动臂大腔压力信号的变化量，通过设定变化量阈值的方式，将超过变化量阈值的行为进行判定，该种方法依赖于阈值的设定，阈值的取值常常取决于经验，因此该种方法存在识别正确率不高，无法满足工作需求。

发明内容

本发明的目的在于提供一种装载机工况识别模型构建及识别方法，用以解决现有技术中的装载机工况识别方法识别正确率不高等问题。

为了实现上述任务，本发明采用以下技术方案：

一种装载机工况识别模型构建方法，方法包括以下步骤：

步骤1、采集装载机在不同工况下的多组识别信号数据，获得识别信号数据集；所述的识别信号数据集中每一组识别信号数据对应一个工况标签，获得识别工况标签集；

所述的工况标签包括：空载前进、铲掘、满载后退、满载前进、卸载和空载后退；

步骤2、对所述的识别信号数据集中的每组识别信号数据进行预处理，获得预处理后的识别信号数据集；

所述的预处理具体包括以下过程：

步骤21、将所述的识别信号数据集归一化至0到1之间，获得第二识别信号数据集；

步骤22、对所述的第二识别信号数据集进行剥离趋势项后，利用3σ方法剔除异常数据后再利用牛顿插值法插补空缺项，获得第三识别信号数据集；

步骤23、对所述的第三识别信号数据集采用小波包去噪方法进行滤波处理，获得预处理后的识别信号数据集；

在所述的小波包去噪方法中，小波基选择db9-6小波基；

步骤3、采用降维的特征提取方法对所述的预处理后的识别信号数据集进行处理，获得识别特征集；

所述的识别特征集包括多个特征样本，所述的特征样本的数量与步骤1中采集的识别信号数据的组数相同，所述的每个特征样本均包括I个识别特征量,I为正整数；

获得特征识别量的贡献率：所述的多个特征样本中第p个特征样本的第i个识别特征量与第q个特征样本的第i个识别特征量的贡献率相同，即获得I个识别特征量的贡献率，i∈[1,I]，p和q均为正整数，p≠q；

步骤4、将所述的识别特征集作为输入，将所述的识别工况标签集作为输出，训练KNN模型，获得装载机工况识别模型，所述的KNN模型中，第p个特征样本与第q个特征样本之间的距离Dis：。