工程机械工况识别方法、装置、存储介质及处理器与流程

1.本发明涉及工程机械技术领域，具体地，涉及一种工程机械工况识别方法、一种工程机械工况识别装置、一种机器可读存储介质及一种处理器。


背景技术：

2.随着项目施工过程中人力、材料成本的提升以及质量、进度要求的提高，以基于现场设备、人员作业信息等数据驱动项目决策为标志的智能化施工成为未来发展的重要方向。对于负责重物大范围吊装任务的工程机械而言，作业效率相关信息的精准分析和反馈不仅能够显著提升单机智能化水平，而且是实现智能化施工的重要基础。
3.工程机械的作业效率的统计包含吊重感知以及吊载作业速度感知等，其中，为了能够准确对工程机械的作业效率进行统计，就需要统计各个工况阶段的吊载作业速度、统计各个工况阶段的持续时间、对比各个工况阶段的吊载作业速度等，这些都需要对工程机械的工况阶段进行识别。
4.目前，对于工程机械的工况识别，现有技术中常常采用的是基于视觉信息的工况识别方法，由于这种工况识别方法会受到光线影响，并且工程机械在各个工况阶段下的执行机构的基本动作相似，就会导致基于视觉信息识别到的工况阶段不准确、覆盖面窄。


技术实现要素：

5.本发明的目的是提供一种工程机械工况识别方法、一种工程机械工况识别装置、一种机器可读存储介质及一种处理器，该工程机械工况识别方法可以实现多层次工况识别，可以覆盖更多的基本动作和工况阶段，能够提高工况识别结果的准确性和稳定性。
6.为了实现上述目的，本技术第一方面提供一种工程机械工况识别方法，包括：
7.获取工程机械的基础数据和主泵压力信号；
8.根据所述基础数据，采用预置的基本动作识别模型对所述工程机械的基本动作进行识别，得到基本动作识别结果；
9.根据所述基本动作识别结果和所述主泵压力信号，采用预置的工况阶段识别模型对所述工程机械的工况阶段进行识别，得到工况阶段识别结果；
10.其中，所述基础数据的数据类型至少包括执行机构先导控制信号、执行机构位移、执行机构倾角、液压泵流量中的一项。
11.在本技术实施例中，所述基本动作识别模型的构建过程包括：
12.获取第一样本数据，所述第一样本数据包括各个基本动作下的第一样本基本数据，以及第一样本基本数据对应的基本动作标签；
13.分别将各个基本动作下的第一样本基本数据输入至第一神经网络，得到预测的基本动作；
14.根据所述预测的基本动作与所述第一样本数据中第一样本基本数据对应的基本动作标签调节所述第一神经网络的参数，得到基本动作识别模型。
15.在本技术实施例中，所述工况阶段识别模型的构建过程包括：
16.获取第二样本数据，所述第二样本数据包括各个工况阶段下的基本动作和主泵压力信号，以及基本动作对应的工况阶段标签；
17.分别将各个工况阶段下的基本动作和主泵压力信号输入至第二神经网络，得到预测的工况阶段；
18.根据所述预测的工况阶段与所述第二样本数据中各个工况阶段标签调节所述第二神经网络的参数，得到工况阶段识别模型。
19.在本技术实施例中，所述基础数据的数据类型为执行机构先导控制信号，所述执行机构先导控制信号包括距离当前时刻第一预设时间范围内的多个执行机构先导控制信号数据；
20.所述根据所述基础数据，采用预置的基本动作识别模型对所述工程机械的基本动作进行识别，得到基本动作识别结果，包括：
21.a1：对所述执行机构先导控制信号进行特征提取，得到特征向量；
22.a2：对所述特征向量进行归一化处理，得到归一化后的特征向量；
23.a3：将所述归一化后的特征向量输入至预置的基本动作识别模型中进行基本动作识别，得到基本动作识别结果；
24.a4：判断基本动作识别过程是否结束；
25.a5：在基本动作识别过程结束的情况下，输出基本动作识别结果；
26.a6：在基本动作识别过程未结束的情况下，将所述执行机构先导控制信号中距离当前时刻最远的执行机构先导控制信号数据剔除，并获取下一时刻的执行机构先导控制信号数据以对所述执行机构先导控制信号进行更新，得到新的执行机构先导控制信号，返回执行a1。
27.在本技术实施例中，所述根据所述基本动作识别结果和所述主泵压力信号，采用预置的工况阶段识别模型对所述工程机械的工况阶段进行识别，得到工况阶段识别结果，包括：
28.b1：获取距离当前时刻第二预设时间范围内的多个基本动作识别结果和各个基本动作识别结果对应的主泵压力信号，并将所述多个基本动作识别结果和各个基本动作识别结果对应的主泵压力信号组成工况阶段识别特征向量；
29.b2：对所述工况阶段识别特征向量进行归一化处理，得到归一化后的工况阶段识别特征向量；
30.b3：将所述归一化后的工况阶段识别特征向量输入至预置的工况阶段识别模型中进行工况阶段识别，得到工况阶段识别结果；
31.b4：判断工况阶段识别过程是否结束；
32.b5：在工况阶段识别过程结束的情况下，输出工况阶段识别结果；
33.b6：在工况阶段识别过程未结束的情况下，将所述工况阶段识别特征向量中距离当前时刻最远的基本动作识别结果和对应的主泵压力信号剔除，并获取下一时刻的基本动作识别结果和对应的主泵压力信号以对所述工况阶段识别特征向量进行更新，得到新的工况阶段识别特征向量，并返回执行b2。
34.在本技术实施例中，在执行b3之后，还包括：
35.获取历史工况阶段识别结果；
36.基于所述历史工况阶段识别结果和预置的智能校验规则库，对所述工况阶段识别结果进行检验修正，得到修正后的工况阶段识别结果。
37.在本技术实施例中，所述历史工况阶段识别结果包括上一时刻的工况阶段识别结果，以及距离上一时刻第三预设时间范围内的多个工况阶段识别结果；
38.所述基于所述历史工况阶段识别结果和预置的智能校验规则库，对所述工况阶段识别结果进行检验修正，得到修正后的工况阶段识别结果，包括：
39.根据所述距离上一时刻第三预设时间范围内的多个工况阶段识别结果，确定当前时刻实际工况阶段；
40.根据所述当前时刻实际工况阶段和所述上一时刻的工况阶段识别结果，在预置的智能校验规则库中匹配对应的工况阶段识别结果修正规则；
41.基于所述工况阶段识别结果修正规则，对所述工况阶段识别结果进行检验修正，得到修正后的工况阶段识别结果。
42.在本技术实施例中，在得到工况阶段识别结果之后，还包括：
43.基于所述基本动作识别结果和所述工况阶段识别结果，计算得到吊载作业速度信息；
44.获取吊重统计信息；
45.基于所述吊载作业速度信息和所述吊重统计信息，得到工程机械作业效率信息。
46.本技术第二方面提供一种工程机械工况识别装置，包括：
47.获取模块，用于获取工程机械的基础数据和主泵压力信号；其中，所述基础数据的数据类型至少包括执行机构先导控制信号、执行机构位移、执行机构倾角、液压泵流量中的一项；
48.动作识别模块，用于根据所述基础数据，采用预置的基本动作识别模型对所述工程机械的基本动作进行识别，得到基本动作识别结果；
49.工况识别模块，用于根据所述基本动作识别结果和所述主泵压力信号，采用预置的工况阶段识别模型对所述工程机械的工况阶段进行识别，得到工况阶段识别结果。
50.本技术第三方面提供一种处理器，被配置成执行上述的工程机械工况识别方法。
51.本技术第四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工程机械工况识别方法。
52.通过上述技术方案，首先获取工程机械的基础数据和主泵压力信号，然后基于基础数据和主泵压力信号，利用基本动作识别模型和工况阶段识别模型依次进行基本动作识别和工况阶段识别，从而得到工况阶段识别结果。基于基础数据和主泵压力信号，按照基本动作-工况阶段多步骤的方式完成工程机械的工况识别，从而实现了多层次工况识别方法，相较于单步的工况识别方法，降低工况识别模型的复杂度和算力要求，多层次工况识别方法能够提高工况识别结果的准确性和稳定性。同时，基本动作识别模型和工况阶段识别模型可以覆盖更多的基本动作和工况阶段，拓宽了识别模型的覆盖面，从而可以使用于多种场景，提高了工况识别方法的环境适应性。
53.本发明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
54.附图是用来提供对本发明的进一步理解，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发明，但并不构成对本发明的限制。在附图中：
55.图1示意性示出了根据本技术实施例的一种工程机械工况识别方法的流程示意图；
56.图2示意性示出了根据本技术实施例的一种工程机械工况识别装置的结构框图；
57.图3示意性示出了根据本技术实施例的计算机设备的内部结构图。
58.附图标记说明
59.410-获取模块；420-动作识别模块；430-工况识别模块；a01-处理器；a02-网络接口；a03-内存储器；a04-显示屏；a05-输入装置；a06-非易失性存储介质；b01-操作系统；b02-计算机程序。
具体实施方式
60.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术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技术实施例，并不用于限制本技术实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
61.需要说明，若本技术实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
62.另外，若本技术实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
63.请参看图1，图1示意性示出了根据本技术实施例的一种工程机械工况识别方法的流程示意图。如图1所示，在本技术一实施例中，提供了一种工程机械工况识别方法，需要说明的是，本实施例提出的工程机械工况识别方法可以应用于工程起重机械、土方机械、泵车、高空作业车等。其中，对于起重机械，该工程机械工况识别方法可以应用于具有卷扬、变幅、回转等动作的作业场景；对于土方机械，该工程机械工况识别方法可以应用于挖掘、铲运、推运或平整土壤和砂石等进行土方作业的场景，比如可以是铲斗动作、大臂动作、小臂动作、回转动作，工况类型包括挖掘、平地、修坡、破碎等。为了便于对方案进行说明，本实施例中主要以工程机械为起重机械为例进行说明，具体是以工程起重机械完成吊装作业为例进行说明。该工程机械工况识别方法，包括以下步骤：
64.步骤210：获取工程机械的基础数据和主泵压力信号；其中，所述基础数据的数据类型至少包括执行机构先导控制信号、执行机构位移、执行机构倾角、液压泵流量中的一项。
65.步骤220：根据所述基础数据，采用预置的基本动作识别模型对所述工程机械的基本动作进行识别，得到基本动作识别结果；
66.步骤230：根据所述基本动作识别结果和所述主泵压力信号，采用预置的工况阶段识别模型对所述工程机械的工况阶段进行识别，得到工况阶段识别结果。
67.通过上述技术方案，首先获取工程机械的基础数据和主泵压力信号，然后基于基础数据和主泵压力信号，利用基本动作识别模型和工况阶段识别模型依次进行基本动作识别和工况阶段识别，从而得到工况阶段识别结果。基于基础数据和主泵压力信号，按照基本动作-工况阶段多步骤的方式完成工程机械的工况识别，从而实现了多层次工况识别方法，相较于单步的工况识别方法，降低工况识别模型的复杂度和算力要求，多层次工况识别方法能够提高工况识别结果的准确性和稳定性。同时，基本动作识别模型和工况阶段识别模型可以覆盖更多的基本动作和工况阶段，拓宽了识别模型的覆盖面，从而可以使用于多种场景，提高了工况识别方法的环境适应性。
68.上述实现过程中，通过采用基本动作识别模型和工况阶段识别模型分别识别得到基本动作识别结果和工况阶段识别结果，且将基本动作识别模型的输出与主泵压力信号一起作为工况阶段识别模型的输入，实现了多层次工况识别方法，降低了计算量，有利于快速得到工况识别结果。
69.在本实施例中，工程机械的基础数据可以是执行机构先导控制信号、执行机构位移、执行机构倾角、液压泵流量中的任一项，其中，执行机构先导控制信号的获取较为方便，从工程机械上的中控就可以获得。主泵压力信号可以通过工程机械上的压力传感器采集得到。为了便于对方案进行说明，本实施例主要以执行机构先导控制信号作为基础数据进行说明。执行机构先导控制信号可以是行车控制器输出至多路阀的电流或电压信号、多路阀先导压力信号等。
70.需要说明的是，在本实施例中，所述基础数据和主泵压力信号可以是当前时刻采集到的基础数据和主泵压力信号，也可以是在一定时间范围内的基础数据和主泵压力信号。
71.相应地，步骤220可以根据所述基础数据，采用预置的基本动作识别模型对所述工程机械的基本动作进行识别，得到基本动作识别结果。
72.以工程起重机械完成吊装作业为例，可以根据工程起重机械完成吊重空间位置转移的阶段性任务，将完整的吊装作业过程分为5种工况阶段，分别为吊运准备、吊运、卸荷、空载返回以及怠机。其中，吊运准备工况阶段主要是工程起重机械姿态调整，完成吊重装载；吊运工况阶段主要是工程起重机械执行器之间的动作配合，实现吊重空间位置的转移；卸荷工况阶段则是吊重卸载；空载返回工况阶段是工程起重机械吊钩运动至下一作业点的过程；怠机则是执行器停止动作的阶段，以配合工人实现吊重装、卸载或保持整车和吊重稳定、判断作业位置。通常情况下，工程起重机械按照吊运准备—吊运—卸荷—空载返回的顺序完成作业过程，期间间或怠机。需要说明的是，还可以根据工程起重机械完成其他作业情况确定工况阶段，具体可以根据实际情况而定，在此就不再赘述。
73.相应地，以工程起重机械完成吊装作业为例，五种工况阶段对应的执行器基本动作如表1所示，表1为工程起重机械工况阶段与执行机构动作对应关系表，表中1代表执行器有动作，0代表执行器无动作。由表可知，除了怠机工况外，其他工况阶段均由作业环境和驾
驶员操作习惯决定执行机构是否动作以及顺序，例如，在吊重的吊运工况阶段，工程起重机械可以发生卷扬单动作、变幅单动作、回转单动作、卷扬+变幅复合动作、卷扬+回转复合动作、变幅+回转复合动作、卷扬+变幅+回转复合动作中的一种或多种。需要说明的是，在根据其他作业情况确定工况阶段后，还可以确定不同的基本动作，具体可以根据实际情况而定，在此就不再赘述。
74.表1工程起重机械工况阶段与执行机构动作对应关系
75.工况阶段卷扬马达变幅液压缸回转马达备注怠机000/吊运准备1或01或01或0小范围吊运1或01或01或0大范围卸荷1或01或01或0小范围空载返回1或01或01或0大范围
76.其中，在步骤220之前，可以预先通过建立神经网络并对其进行训练，来实现基本动作识别模型的构建，构件的基本动作识别模型可以预置于工程机械中。在一些实施方式中，所述预置的基本动作识别模型的构建过程包括以下步骤：
77.首先，获取第一样本数据，所述第一样本数据包括各个基本动作下的第一样本基本数据，以及第一样本基本数据对应的基本动作标签；
78.在本实施例中，所述第一样本数据包括多组数据，每一组数据包括第一样本基本数据和对应的基本动作标签。以工程起重机械完成吊装作业为例，所述第一样本基本数据可以是执行机构先导控制信号，可以是以工程起重机械各种基本动作对应的执行机构先导控制信号波形作为基本动作划分标志，不同的基本动作对应有不同的执行机构先导控制信号波形。其中，基本动作共包含卷扬单动作、变幅单动作、回转单动作、卷扬+变幅复合动作、卷扬+回转复合动作、变幅+回转复合动作、卷扬+变幅+回转复合动作、怠机，共计8种。
79.然后，分别将各个基本动作下的第一样本基本数据输入至第一神经网络，得到预测的基本动作；
80.最后，根据所述预测的基本动作与所述第一样本数据中第一样本基本数据对应的基本动作标签调节所述第一神经网络的参数，得到基本动作识别模型。
81.在本实施例中，第一神经网络可以是线性神经网络、反馈神经网络、多层前馈神经网络(bp神经网络)等，其中，bp神经网络具有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且具有强泛化能力和容错能力。采用bp神经网络可以得到更加稳定可靠的基本动作识别模型。以工程起重机械完成吊装作业为例，可以基于bp神经网络建立工程起重机械基本动作识别模型，以所有基本动作的分段标志作为模型输入，经过模型预测得到基本动作，将预测的基本动作与对应的基本动作标签输入至预设的损失函数，得到相应的损失值，并根据损失值调整模型参数，使预测的基本动作与第一样本基本数据对应的基本动作标签相同，以使得模型具有足够的识别正确率，最终训练得到基本动作识别模型。
82.相应地，在步骤230之前，工况阶段识别模型也可以被预先构建，所述工况阶段识别模型的构建过程包括：
83.首先，获取第二样本数据，所述第二样本数据包括各个工况阶段下的基本动作和
主泵压力信号，以及基本动作对应的工况阶段标签；
84.在本实施例中，所述第二样本数据包括多组数据，每一组数据是包括一个工况阶段下的一个基本动作和主泵压力信号，以及对应的工况阶段标签。以工程起重机械完成吊装作业为例，可以是以工程起重机械各工况阶段对应的基本动作和主泵压力信号波形特征作为工况阶段划分标志，其中，工况阶段共包含吊运准备、吊运、卸荷、空载返回、怠机，共计5种。
85.然后，分别将各个工况阶段下的基本动作和主泵压力信号输入至第二神经网络，得到预测的工况阶段；
86.最后，根据所述预测的工况阶段与所述第二样本数据中各个工况阶段标签调节所述第二神经网络的参数，得到工况阶段识别模型。
87.在本实施例中，第二神经网络可以采用循环神经网络、长短期记忆网络(long short term memory，lstm)等深度学习网络。其中，lstm能够有效捕捉长序列之间的语义关联，以缓解梯度消失或爆炸现象。其主要特点是在于通过门结构控制，包括遗忘门、输入门、细胞状态、输出门，其作用相当于加入了一个判断信息有用与否的“处理器”，lstm能更好地处理时间序列的任务，同时解决了传统的循环神经网络的长期依赖的问题，还能缓解循环神经网络在训练时反向传播带来的“梯度消失”问题，从而使得到的工况阶段识别模型更加稳定可靠。
88.以工程起重机械完成吊装作业为例，可以基于lstm的深度学习网络建立工况阶段识别模型，其中，lstm模型主要包括输入层、lstm层、全连接层和输出层，可以是以所有工况阶段的波形特征作为模型输入，经过模型预测得到工况阶段，将预测的工况阶段与对应的工况阶段标签输入至预设的损失函数，得到相应的损失值，并根据损失值调整模型参数，使预测的工况阶段与基本动作对应的工况阶段标签相同，以使得模型具有足够的识别正确率，最终训练得到工况阶段识别模型。
89.上述实现过程中，通过采用神经网络训练得到工况阶段识别模型和基本动作识别模型，有助于提高工况识别结果的可靠性。选用bp神经网络模型训练得到基本动作识别模型，可以降低工况识别的成本，更便于搭载至工程机械；选用lstm神经网络模型训练得到工况阶段识别模型，可以时得到的工况阶段识别模型更加稳定可靠，进而提高了工况识别的准确率和可靠性。选用执行机构先导控制信号、主泵压力作为数据源，选用bp神经网络模型、lstm深度学习模型、提供系统抽样降低数据采样频率，多种措施保证工程机械工况识别的低成本、低算力要求，更便于搭载至工程机械。
90.在一些实施例中，由于执行机构先导控制信号在工程机械中获取较为方便，以工程起重机械完成吊装作业为例，为了便于进行工况识别，所述基础数据的数据类型可以为执行机构先导控制信号，相应地，执行机构先导控制信号可以是实时的执行机构先导控制信号，可以根据执行机构先导控制信号，实时识别工程起重机械所执行的基本动作；执行机构先导控制信号也可以是一定时间范围内的多个执行机构先导控制信号数据，然后根据执行机构先导控制信号，识别出工程起重机械当前所执行的基本动作。
91.其中，在一种实施例中，可以根据执行机构先导控制信号，实时识别工程机械所执行的基本动作。所述根据所述基础数据，采用预置的基本动作识别模型对所述工程机械的基本动作进行识别，得到基本动作识别结果，包括以下步骤：
92.步骤a1：对所述执行机构先导控制信号进行特征提取，得到特征向量；
93.在本实施例中，首先采用均值滤波降低执行机构先导控制信号的噪声和瞬态干扰；然后根据主机控制器算力，采用系统抽样的方式降低执行机构先导控制信号采样频率；然后提取降频后的先导控制信号数据的时域特征值，组成特征向量。
94.以工程起重机械完成吊装作业为例，通过can总线采集工程起重机械变幅油缸、卷扬马达、回转马达工作距离当前时刻一定时间范围内以内的先导控制信号数据，则经过提取降频后得到时域特征值包括：幅度增先导信号均值、幅度减先导信号均值、卷扬升先导信号均值、卷扬落先导信号均值、顺时针上车回转先导信号均值、逆时针上车回转先导信号均值；则组成的特征向量可以表示为：x＝[x1,x2,x3,x4,x5,x6]，其中，x为时域特征值构建的特征向量；x1为幅度增先导信号均值、x2为幅度减先导信号均值；x3为卷扬升先导信号均值、x4为卷扬落先导信号均值；x5为顺时针上车回转先导信号均值、x6逆时针上车回转先导信号均值。
[0095]
步骤a2：对所述特征向量进行归一化处理，得到归一化后的特征向量；
[0096]
在本实施例中，上述进行归一化处理可以是将特征向量中的时域特征值分别代入到归一化公式中计算得到归一化后的特征值，从而得到归一化后的特征向量。其中，归一化公式可以为：
[0097]
其中，x
new
为归一化后的时域特征值；x为归一化前的时域特征值；x
max
为特征向量中x对应种类时域特征值的最大值；x
min
为特征向量中x对应种类时域特征值的最小值。实际应用中也可以采用非线性归一化等其他的归一化方式。
[0098]
步骤a3：将所述归一化后的特征向量输入至预置的基本动作识别模型中进行基本动作识别，得到基本动作识别结果；
[0099]
以工程起重机械完成吊装作业为例，将归一化后的特征向量输入至基本动作识别模型，根据模型输出结果中输出概率值最大的序号判断工程起重机械所执行的基本动作。比如：当最大概率值的序号为1-8时，工程起重机械当前时刻的基本动作分别为怠机、卷扬单动作、变幅单动作、回转单动作、卷扬+变幅复合动作、卷扬+回转复合动作、变幅+回转复合动作、卷扬+变幅+回转复合动作。需要说明的是，上述序号可以是在预先训练基本动作识别模型时就设置好，并设置输出概率值最大的序号作为输出结果。
[0100]
在一种实施例中，得到的基本动作识别结果可以是存放在处理器、缓存等硬件设备中。
[0101]
在一种实施例中，还可以将得到基本动作识别结果实时从上述硬件设备中输出至输出设备，输出设备可以是存储器、显示设备、终端、通信模块等，以便用户及时获取基本动作识别结果。比如可以将存放在处理器的基本动作识别结果输出至显示设备。
[0102]
其中，为了进一步提高基本动作识别的准确性，还可以循环进行基本动作识别，直到接收到结束信号时，输出基本动作识别结果，所述执行机构先导控制信号包括距离当前时刻第一预设时间范围内的多个执行机构先导控制信号数据；具体可以在执行完步骤a3之后继续执行步骤a4：判断基本动作识别过程是否结束；在本实施例中，判断基本动作识别过程是否结束可以是判断是否有结束信号，上述结束信号可以是设置一个开关，由工作人员根据实际情况启动开关，以获得结束信号。还可以是通过判断是否断电来判断基本动作识
别过程是否结束。
[0103]
步骤a5：在基本动作识别过程结束的情况下，输出基本动作识别结果；
[0104]
在本实时例中，可以将得到基本动作识别结果从上述硬件设备中输出至输出设备，输出设备可以是存储器、显示设备、终端、通信模块等，以便用户及时获取基本动作识别结果。比如可以将存放在处理器的基本动作识别结果输出至显示设备。
[0105]
步骤a6：在基本动作识别过程未结束的情况下，将所述执行机构先导控制信号中距离当前时刻最远的执行机构先导控制信号数据剔除，并获取下一时刻的执行机构先导控制信号数据以对所述执行机构先导控制信号进行更新，得到新的执行机构先导控制信号，返回执行a1。
[0106]
在本实施例中，由于执行机构先导控制信号是包括有一定时间范围内的执行机构先导控制信号数据，当基本动作识别过程未结束的情况下，随着时间的变化，可以剔除距离当前时刻最远的执行机构先导控制信号数据，然后加入下一时刻的执行机构先导控制信号数据，从而构成新的执行机构先导控制信号，然后重复步骤a1-a4，直到识别结束，从而保证了基本动作识别结果的准确性和实时性。
[0107]
相应地，为了使得到的工况阶段识别结果更加准确，可以采用一定时间范围内的基本动作识别结果和主泵压力信号作为数据源来进行工况阶段的识别。
[0108]
其中，在一种实施例中，所述基本动作识别结果和主泵压力信号为实时的基本动作识别结果和主泵压力信号。所述根据所述基本动作识别结果和所述主泵压力信号，采用预置的工况阶段识别模型对所述工程机械的工况阶段进行识别，得到工况阶段识别结果，包括以下步骤：
[0109]
步骤b1：获取距离当前时刻第二预设时间范围内的多个基本动作识别结果和各个基本动作识别结果对应的主泵压力信号，并将所述多个基本动作识别结果和各个基本动作识别结果对应的主泵压力信号组成工况阶段识别特征向量；
[0110]
在本实施例中，提取工程机械基本动作识别模型距离当前时刻一定时间范围内的输出结果，同时通过can总线采集距离当前时刻相同时间范围内的主泵压力信号数据，以得到距离当前时刻第二预设时间范围内的多个基本动作识别结果和各个基本动作识别结果对应的主泵压力信号，然后将多个基本动作识别结果和各个基本动作识别结果对应的主泵压力信号进行预处理，以得到工况阶段识别特征向量。上述预处理包括首先采用均值滤波降低主泵压力信号的噪声和瞬态干扰；然后根据主机控制器算力，采用系统抽样的方式降低基本动作识别结果和主泵压力信号的采样频率；再将降频后的基本动作识别结果和主泵压力信号组成工况阶段识别特征向量。
[0111]
比如：以工程起重机械完成吊装作业为例，提取基本动作识别模型输出的距离当前时刻0.5s以内的基本动作识别结果，同时采集距离当前时刻0.5s以内的主泵压力信号数据，并将这些基本动作识别结果和主泵压力信号经过预处理后组合成向量，得到工况阶段识别特征向量。
[0112]
步骤b2：对所述工况阶段识别特征向量进行归一化处理，得到归一化后的工况阶段识别特征向量；
[0113]
在本实施例中，归一化处理的过程与步骤a2中的过程相同，在此就不再赘述。得到的归一化后的工况阶段识别特征向量可以表示为：
[0114]
其中，x
1,n
为归一化后的主泵压力信号；x
2,n
为归一化后的基本动作识别结果；n为数据量。
[0115]
步骤b3：将所述归一化后的工况阶段识别特征向量输入至预置的工况阶段识别模型中进行工况阶段识别，得到工况阶段识别结果；
[0116]
以工程起重机械完成吊装作业为例，将归一化后的工况阶段识别特征向量输入至工况阶段识别模型，根据模型输出结果中输出概率值最大的序号判断工程起重机械所在的工况阶段。当最大概率值的序号为1-5时，工程起重机械当前时刻的工况阶段分别为怠机、吊运准备、吊运、卸荷、空载返回。需要说明的是，上述序号可以是在预先训练工况阶段识别模型时就设置好，并设置输出概率值最大的序号作为输出结果。
[0117]
在一种实施例中，得到的工况阶段识别结果可以是存放在处理器、缓存等硬件设备中。
[0118]
在一种实施例中，还可以将得到工况阶段识别结果实时从上述硬件设备中输出至输出设备，输出设备可以是存储器、显示设备、终端、通信模块等，以便用户及时获取工况阶段识别结果。比如可以将存放在处理器的工况阶段识别结果输出至显示设备。
[0119]
其中，为了进一步提高工况阶段识别的准确性，还可以循环进行工况阶段识别，直到接收到结束信号时，输出工况阶段识别结果。具体可以在执行完步骤b3之后继续执行步骤b4：判断工况阶段识别过程是否结束；在本实施例中，判断基本动作识别过程是否结束可以是判断是否有结束信号，上述结束信号可以是设置一个开关，由工作人员根据实际情况启动开关，以获得结束信号。还可以是通过判断是否断电来判断基本动作识别过程是否结束。
[0120]
步骤b5：在工况阶段识别过程结束的情况下，输出工况阶段识别结果；
[0121]
在本实时例中，可以将得到工况阶段识别结果从上述硬件设备中输出至输出设备，输出设备可以是存储器、显示设备、终端、通信模块等，以便用户及时获取工况阶段识别结果。比如可以将存放在处理器的工况阶段识别结果输出至显示设备。
[0122]
步骤b6：在工况阶段识别过程未结束的情况下，将所述工况阶段识别特征向量中距离当前时刻最远的基本动作识别结果和对应的主泵压力信号剔除，并获取下一时刻的基本动作识别结果和对应的主泵压力信号以对所述工况阶段识别特征向量进行更新，得到新的工况阶段识别特征向量，并返回执行b2。
[0123]
在本实施例中，由于基本动作识别结果和主泵压力信号是包括有一定时间范围内识别得到的基本动作识别结果和主泵压力信号，当工况阶段识别过程未结束的情况下，随着时间的变化，可以剔除距离当前时刻最远的基本动作识别结果和主泵压力信号，然后加入下一时刻的基本动作识别结果和主泵压力信号，从而构成新的工况阶段识别特征向量，然后重复步骤b2-b4，直到识别结束，从而保证了工况阶段识别结果的准确性和实时性。
[0124]
其中，在一些实施例中，以工程起重机械完成吊装作业为例，考虑到除吊运工况阶段外，其余工况阶段的负载以及基本动作基本相同，这就会导致工况阶段识别容易出现误差，因此，为了提高工况阶段识别结果的准确性，还可以进一步对工况阶段识别结果进行检验修正，以得到更加准确的工况阶段识别结果。具体可以是在执行b3之后，还包括以下步骤：
[0125]
首先，获取历史工况阶段识别结果；在本实施例中，历史工况阶段识别结果可以是之前任意一个或是多个时刻的工况阶段识别结果。
[0126]
然后，基于所述历史工况阶段识别结果和预置的智能校验规则库，对所述工况阶段识别结果进行检验修正，得到修正后的工况阶段识别结果。
[0127]
在本实施例中，预置的智能校验规则库是以专家知识为基础，建立的智能校验规则库，其中包含有多种情况的校验规则，比如：在历史工况阶段识别结果为g1，工况阶段识别结果为g2的情况下，将工况阶段识别结果修正为g1。
[0128]
上述实现过程中，通过结合历史工况阶段识别结果和预置的智能校验规则库可以进一步对工况阶段识别结果进行检验修正，使得到的工况阶段识别结果更加准确。
[0129]
在一些实施例中，为了进一步提高检验修正的准确性，还可以根据当前及上一时刻识别结果等信息，对当前工况阶段识别结果进行检验修正，使其满足实际作业规范、动作顺序、系统安全保护措施等。具体为：所述历史工况阶段识别结果包括上一时刻的工况阶段识别结果，以及距离上一时刻第三预设时间范围内的多个工况阶段识别结果；
[0130]
所述基于所述历史工况阶段识别结果和预置的智能校验规则库，对所述工况阶段识别结果进行检验修正，得到修正后的工况阶段识别结果，包括以下步骤：
[0131]
首先，根据所述距离上一时刻第三预设时间范围内的多个工况阶段识别结果，确定当前时刻实际工况阶段；
[0132]
然后，根据所述当前时刻实际工况阶段和所述上一时刻的工况阶段识别结果，在预置的智能校验规则库中匹配对应的工况阶段识别结果修正规则；
[0133]
最后，基于所述工况阶段识别结果修正规则，对所述工况阶段识别结果进行检验修正，得到修正后的工况阶段识别结果。
[0134]
在本实施例中，可以以专家知识为基础，建立智能校验规则库，根据当前及上一时刻识别结果等信息，对当前工况阶段识别结果进行检验修正，使其满足实际作业规范、动作顺序、系统安全保护措施等。具体实施时，智能校验规则库中的校验规则可以采用if-then的形式进行设置，以制定一系列与工况阶段识别结果修正有关的规则。例如：if为修正识别结果需要满足的条件，条件包括3种类型，分别为上一时刻工况阶段识别结果ps、修正前的当前时刻工况阶段识别结果cs以及根据工况阶段的历史识别结果判断的当前时刻实际工况阶段rcs，条件可以是上述3种类型中的一种或是多种。例如：上一时刻工况阶段识别结果ps由于信号的波动、波形的相似性、模型误差，不可避免会产生瞬时的错误识别，因此，可以根据历史工况阶段识别结果判断得到当前时刻实际工况阶段rcs，然后根据上一时刻工况阶段识别结果ps和当前时刻实际工况阶段rcs对当前时刻工况阶段识别结果cs进行修正，以改善瞬时工况阶段误差对修正前的当前时刻工况阶段识别结果cs的修正效果。then为修正后的工况阶段识别结果，即修正后的当前时刻工况阶段识别结果cs，该修正后的工况阶段识别结果可以是根据专家经验进行预先设置好。比如：上一时刻工况阶段识别结果为吊运准备，根据历史工况阶段识别结果确定出当前时刻实际工况阶段为吊运，当前时刻工况阶段识别结果为卸荷，则可以在智能校验规则库中匹配出if为上一时刻工况阶段识别结果为吊运准备，当前时刻实际工况阶段为吊运的规则，以得到规则中的then为吊运，则可以将当前时刻工况阶段识别结果修正为吊运准备。
[0135]
可以理解的是，若在匹配得到对应的工况阶段识别结果修正规则中工况阶段识别
结果与识别得到的工况阶段识别结果相同，则说明识别正确，就不进行修正。
[0136]
上述实现过程中，通过在识别得到工况阶段识别结果后，进一步结合历史工况阶段识别结果和预置的智能校验规则库进行检验修正，实现对工况阶段识别结果检验，保证了工况阶段识别结果的可靠性，同时还可以将可能会出现识别错误的工况阶段识别结果进行修正，从而进一步提高了工况阶段识别结果的准确度。
[0137]
通过上述技术方案，首先获取工程机械的基础数据和主泵压力信号，然后基于基础数据和主泵压力信号，利用基本动作识别模型和工况阶段识别模型依次进行基本动作识别和工况阶段识别，从而得到工况阶段识别结果。基于基础数据和主泵压力信号，按照基本动作-工况阶段多步骤的方式完成工程机械的工况识别，从而实现了多层次工况识别方法，相较于单步的工况识别方法，降低工况识别模型的复杂度和算力要求，多层次工况识别方法能够提高工况识别结果的准确性和稳定性。同时，基本动作识别模型和工况阶段识别模型可以覆盖更多的基本动作和工况阶段，拓宽了识别模型的覆盖面，从而可以使用于多种场景，提高了工况识别方法的环境适应性。通过采用基本动作识别模型和工况阶段识别模型分别识别得到基本动作识别结果和工况阶段识别结果，且将基本动作识别模型的输出与主泵压力信号一起作为工况阶段识别模型的输入，实现了多层次工况识别方法，降低了计算量，有利于快速得到工况识别结果。该工况识别方法的输入均为主机已配置的信号源，神经网络的选择、信号降频等方式使其成本低、算力要求低，更加适用于工程机械主机配置。
[0138]
在一些实施例中，在得到工况阶段识别结果之后，还包括以下步骤：
[0139]
首先，基于所述基本动作识别结果和所述工况阶段识别结果，计算得到吊载作业速度信息；
[0140]
在本实施例中，在得到工况阶段识别结果之后，就可以基于基本动作识别结果和工况阶段识别结果统计吊载作业速度，其中，吊载作业速度统计包括吊载次数、平均单次吊载时间、单次吊载各工况阶段平均持续时间、单次吊载中卷扬、变幅和回转单/复合动作平均持续时间。吊载次数计算方法为：如果上一时刻工况阶段为空载返回，并且当前时刻不为空载返回，则吊载次数n增加1次。其余指标计算方法可以采用以下公式计算：
[0141]
t＝∑ti；
[0142][0143][0144]
其中，t为平均单次吊载时间；ti为单次吊载各工况阶段平均持续时间；ni为各工况阶段识别结果出现的次数；δt为工况阶段识别时间间隔；ttj为单次吊载中卷扬、变幅和回转单/复合动作平均持续时间；nj为卷扬、变幅和回转单/复合动作识别结果出现的次数；上述所有参数中，i＝1,2,...,5分别表示怠机、吊运准备、吊运、卸荷、空载返回工况阶段，j＝1,2,3分别表示包含卷扬的单/复合动作、包含变幅的单/复合动作、包含回转的单/复合动作。
[0145]
通过统计吊载作业速度信息可以反应出作业情况，以便于项目经理需要根据实际情况制定施工策略。例如：单次吊载中，若吊运准备工况阶段的持续时间较长，则在一定程
度上反映吊装人员配置不合理，若回转单/复合动作持续时间明显高于变幅和卷扬，则在一定程度上反映吊重放置位置不合理，项目经理需要根据实际情况制定施工策略。
[0146]
然后，获取吊重统计信息；在本实施例中，所述吊重统计信息包括吊载总重量、平均单次吊载重量。上述吊载重量可以是采用现有技术中基于支腿反力进行吊重感知、基于拉力传感器的吊重感知、基于力矩限制器的吊重计算等方法得到。
[0147]
最后，基于所述吊载作业速度信息和所述吊重统计信息，得到工程机械作业效率信息。
[0148]
在本实施例中，由于工程机械作业效率统计包括吊载作业速度和吊重量两个方面，通过按照完成的阶段性任务，将工程机械吊装过程作业信息分为执行结构基本动作、工况阶段两个层次，基于液压系统参数响应特征，利用机器学习方法依次实现基本动作、工况阶段的识别，以完成作业速度信息的统计，从而可以得到更加全面信息统计，有利于项目经理制定合理的项目决策。
[0149]
图1为实施例中工程机械工况识别方法的流程示意图。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0150]
在一个实施例中，如图2所示，图2示意性示出了根据本技术实施例的一种工程机械工况识别装置的结构框图。提供了一种工程机械工况识别装置，包括获取模块410、动作识别模块420和工况识别模块430，其中：
[0151]
获取模块410，用于获取工程机械的基础数据和主泵压力信号；其中，所述基础数据的数据类型至少包括执行机构先导控制信号、执行机构位移、执行机构倾角、液压泵流量中的一项；
[0152]
动作识别模块420，用于根据所述基础数据，采用预置的基本动作识别模型对所述工程机械的基本动作进行识别，得到基本动作识别结果；
[0153]
工况识别模块430，用于根据所述基本动作识别结果和所述主泵压力信号，采用预置的工况阶段识别模型对所述工程机械的工况阶段进行识别，得到工况阶段识别结果。
[0154]
所述工程机械工况识别装置包括处理器和存储器，上述获取模块410、动作识别模块420和工况识别模块430等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序模块中实现相应的功能。
[0155]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现多层次工况识别。
[0156]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0157]
本技术实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述一种工程机械工况识别方法。
[0158]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器a01、网络接口a02、显示屏a04、输入装置a05和存储器(图中未示出)。其中，该计算机设备的处理器a01用于提供计算和控制能力。该计算机设备的存储器包括内存储器a03和非易失性存储介质a06。该非易失性存储介质a06存储有操作系统b01和计算机程序b02。该内存储器a03为非易失性存储介质a06中的操作系统b01和计算机程序b02的运行提供环境。该计算机设备的网络接口a02用于与外部的终端通过网络连接通信。该计算机程序被处理器a01执行时以实现一种工程机械工况识别方法。该计算机设备的显示屏a04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置a05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0159]
本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0160]
在一个实施例中，本技术提供的工程机械工况识别装置可以实现为一种计算机程序的形式，计算机程序可在如图3所示的计算机设备上运行。计算机设备的存储器中可存储组成该工程机械工况识别装置的各个程序模块，比如，图2所示的获取模块410、动作识别模块420和工况识别模块430。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本技术各个实施例的工程机械工况识别方法中的步骤。
[0161]
图3所示的计算机设备可以通过如图2所示的工程机械工况识别装置中的获取模块410执行步骤210。计算机设备可通过动作识别模块420执行步骤220，通过工况识别模块430执行步骤230。
[0162]
本技术实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
[0163]
获取工程机械的基础数据和主泵压力信号；
[0164]
根据所述基础数据，采用预置的基本动作识别模型对所述工程机械的基本动作进行识别，得到基本动作识别结果；
[0165]
根据所述基本动作识别结果和所述主泵压力信号，采用预置的工况阶段识别模型对所述工程机械的工况阶段进行识别，得到工况阶段识别结果；
[0166]
其中，所述基础数据的数据类型至少包括执行机构先导控制信号、执行机构位移、执行机构倾角、液压泵流量中的一项。
[0167]
在一个实施例中，所述基本动作识别模型的构建过程包括：
[0168]
获取第一样本数据，所述第一样本数据包括各个基本动作下的第一样本基本数据，以及第一样本基本数据对应的基本动作标签；
[0169]
分别将各个基本动作下的第一样本基本数据输入至第一神经网络，得到预测的基本动作；
[0170]
根据所述预测的基本动作与所述第一样本数据中第一样本基本数据对应的基本动作标签调节所述第一神经网络的参数，得到基本动作识别模型。
[0171]
在一个实施例中，所述工况阶段识别模型的构建过程包括：
[0172]
获取第二样本数据，所述第二样本数据包括各个工况阶段下的基本动作和主泵压
力信号，以及基本动作对应的工况阶段标签；
[0173]
分别将各个工况阶段下的基本动作和主泵压力信号输入至第二神经网络，得到预测的工况阶段；
[0174]
根据所述预测的工况阶段与所述第二样本数据中各个工况阶段标签调节所述第二神经网络的参数，得到工况阶段识别模型。
[0175]
在一个实施例中，所述基础数据的数据类型为执行机构先导控制信号，所述执行机构先导控制信号包括距离当前时刻第一预设时间范围内的多个执行机构先导控制信号数据；
[0176]
所述根据所述基础数据，采用预置的基本动作识别模型对所述工程机械的基本动作进行识别，得到基本动作识别结果，包括：
[0177]
a1：对所述执行机构先导控制信号进行特征提取，得到特征向量；
[0178]
a2：对所述特征向量进行归一化处理，得到归一化后的特征向量；
[0179]
a3：将所述归一化后的特征向量输入至预置的基本动作识别模型中进行基本动作识别，得到基本动作识别结果；
[0180]
a4：判断基本动作识别过程是否结束；
[0181]
a5：在基本动作识别过程结束的情况下，输出基本动作识别结果；
[0182]
a6：在基本动作识别过程未结束的情况下，将所述执行机构先导控制信号中距离当前时刻最远的执行机构先导控制信号数据剔除，并获取下一时刻的执行机构先导控制信号数据以对所述执行机构先导控制信号进行更新，得到新的执行机构先导控制信号，返回执行a1。
[0183]
在一个实施例中，所述根据所述基本动作识别结果和所述主泵压力信号，采用预置的工况阶段识别模型对所述工程机械的工况阶段进行识别，得到工况阶段识别结果，包括：
[0184]
b1：获取距离当前时刻第二预设时间范围内的多个基本动作识别结果和各个基本动作识别结果对应的主泵压力信号，并将所述多个基本动作识别结果和各个基本动作识别结果对应的主泵压力信号组成工况阶段识别特征向量；
[0185]
b2：对所述工况阶段识别特征向量进行归一化处理，得到归一化后的工况阶段识别特征向量；
[0186]
b3：将所述归一化后的工况阶段识别特征向量输入至预置的工况阶段识别模型中进行工况阶段识别，得到工况阶段识别结果；
[0187]
b4：判断工况阶段识别过程是否结束；
[0188]
b5：在工况阶段识别过程结束的情况下，输出工况阶段识别结果；
[0189]
b6：在工况阶段识别过程未结束的情况下，将所述工况阶段识别特征向量中距离当前时刻最远的基本动作识别结果和对应的主泵压力信号剔除，并获取下一时刻的基本动作识别结果和对应的主泵压力信号以对所述工况阶段识别特征向量进行更新，得到新的工况阶段识别特征向量，并返回执行b2。
[0190]
在一个实施例中，在执行b3之后，还包括：
[0191]
获取历史工况阶段识别结果；
[0192]
基于所述历史工况阶段识别结果和预置的智能校验规则库，对所述工况阶段识别
结果进行检验修正，得到修正后的工况阶段识别结果。
[0193]
在一个实施例中，所述历史工况阶段识别结果包括上一时刻的工况阶段识别结果，以及距离上一时刻第三预设时间范围内的多个工况阶段识别结果；
[0194]
所述基于所述历史工况阶段识别结果和预置的智能校验规则库，对所述工况阶段识别结果进行检验修正，得到修正后的工况阶段识别结果，包括：
[0195]
根据所述距离上一时刻第三预设时间范围内的多个工况阶段识别结果，确定当前时刻实际工况阶段；
[0196]
根据所述当前时刻实际工况阶段和所述上一时刻的工况阶段识别结果，在预置的智能校验规则库中匹配对应的工况阶段识别结果修正规则；
[0197]
基于所述工况阶段识别结果修正规则，对所述工况阶段识别结果进行检验修正，得到修正后的工况阶段识别结果。
[0198]
在一个实施例中，在得到工况阶段识别结果之后，还包括：
[0199]
基于所述基本动作识别结果和所述工况阶段识别结果，计算得到吊载作业速度信息；
[0200]
获取吊重统计信息；
[0201]
基于所述吊载作业速度信息和所述吊重统计信息，得到工程机械作业效率信息。
[0202]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0203]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0204]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0205]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0206]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0207]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介
质的示例。
[0208]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0209]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0210]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种工程机械工况识别方法，其特征在于，包括：获取工程机械的基础数据和主泵压力信号；根据所述基础数据，采用预置的基本动作识别模型对所述工程机械的基本动作进行识别，得到基本动作识别结果；根据所述基本动作识别结果和所述主泵压力信号，采用预置的工况阶段识别模型对所述工程机械的工况阶段进行识别，得到工况阶段识别结果；其中，所述基础数据的数据类型至少包括执行机构先导控制信号、执行机构位移、执行机构倾角、液压泵流量中的一项。2.根据权利要求1所述的工程机械工况识别方法，其特征在于，所述基本动作识别模型的构建过程包括：获取第一样本数据，所述第一样本数据包括各个基本动作下的第一样本基本数据，以及第一样本基本数据对应的基本动作标签；分别将各个基本动作下的第一样本基本数据输入至第一神经网络，得到预测的基本动作；根据所述预测的基本动作与所述第一样本数据中第一样本基本数据对应的基本动作标签调节所述第一神经网络的参数，得到基本动作识别模型。3.根据权利要求1所述的工程机械工况识别方法，其特征在于，所述工况阶段识别模型的构建过程包括：获取第二样本数据，所述第二样本数据包括各个工况阶段下的基本动作和主泵压力信号，以及基本动作对应的工况阶段标签；分别将各个工况阶段下的基本动作和主泵压力信号输入至第二神经网络，得到预测的工况阶段；根据所述预测的工况阶段与所述第二样本数据中各个工况阶段标签调节所述第二神经网络的参数，得到工况阶段识别模型。4.根据权利要求1所述的工程机械工况识别方法，其特征在于，所述基础数据的数据类型为执行机构先导控制信号，所述执行机构先导控制信号包括距离当前时刻第一预设时间范围内的多个执行机构先导控制信号数据；所述根据所述基础数据，采用预置的基本动作识别模型对所述工程机械的基本动作进行识别，得到基本动作识别结果，包括：a1：对所述执行机构先导控制信号进行特征提取，得到特征向量；a2：对所述特征向量进行归一化处理，得到归一化后的特征向量；a3：将所述归一化后的特征向量输入至预置的基本动作识别模型中进行基本动作识别，得到基本动作识别结果；a4：判断基本动作识别过程是否结束；a5：在基本动作识别过程结束的情况下，输出基本动作识别结果；a6：在基本动作识别过程未结束的情况下，将所述执行机构先导控制信号中距离当前时刻最远的执行机构先导控制信号数据剔除，并获取下一时刻的执行机构先导控制信号数据以对所述执行机构先导控制信号进行更新，得到新的执行机构先导控制信号，返回执行a1。
5.根据权利要求1所述的工程机械工况识别方法，其特征在于，所述根据所述基本动作识别结果和所述主泵压力信号，采用预置的工况阶段识别模型对所述工程机械的工况阶段进行识别，得到工况阶段识别结果，包括：b1：获取距离当前时刻第二预设时间范围内的多个基本动作识别结果和各个基本动作识别结果对应的主泵压力信号，并将所述多个基本动作识别结果和各个基本动作识别结果对应的主泵压力信号组成工况阶段识别特征向量；b2：对所述工况阶段识别特征向量进行归一化处理，得到归一化后的工况阶段识别特征向量；b3：将所述归一化后的工况阶段识别特征向量输入至预置的工况阶段识别模型中进行工况阶段识别，得到工况阶段识别结果；b4：判断工况阶段识别过程是否结束；b5：在工况阶段识别过程结束的情况下，输出工况阶段识别结果；b6：在工况阶段识别过程未结束的情况下，将所述工况阶段识别特征向量中距离当前时刻最远的基本动作识别结果和对应的主泵压力信号剔除，并获取下一时刻的基本动作识别结果和对应的主泵压力信号以对所述工况阶段识别特征向量进行更新，得到新的工况阶段识别特征向量，并返回执行b2。6.根据权利要求5所述的工程机械工况识别方法，其特征在于，在执行b3之后，还包括：获取历史工况阶段识别结果；基于所述历史工况阶段识别结果和预置的智能校验规则库，对所述工况阶段识别结果进行检验修正，得到修正后的工况阶段识别结果。7.根据权利要求6所述的工程机械工况识别方法，其特征在于，所述历史工况阶段识别结果包括上一时刻的工况阶段识别结果，以及距离上一时刻第三预设时间范围内的多个工况阶段识别结果；所述基于所述历史工况阶段识别结果和预置的智能校验规则库，对所述工况阶段识别结果进行检验修正，得到修正后的工况阶段识别结果，包括：根据所述距离上一时刻第三预设时间范围内的多个工况阶段识别结果，确定当前时刻实际工况阶段；根据所述当前时刻实际工况阶段和所述上一时刻的工况阶段识别结果，在预置的智能校验规则库中匹配对应的工况阶段识别结果修正规则；基于所述工况阶段识别结果修正规则，对所述工况阶段识别结果进行检验修正，得到修正后的工况阶段识别结果。8.根据权利要求1所述的工程机械工况识别方法，其特征在于，在得到工况阶段识别结果之后，还包括：基于所述基本动作识别结果和所述工况阶段识别结果，计算得到吊载作业速度信息；获取吊重统计信息；基于所述吊载作业速度信息和所述吊重统计信息，得到工程机械作业效率信息。9.一种工程机械工况识别装置，其特征在于，包括：获取模块，用于获取工程机械的基础数据和主泵压力信号；其中，所述基础数据的数据类型至少包括执行机构先导控制信号、执行机构位移、执行机构倾角、液压泵流量中的一
项；动作识别模块，用于根据所述基础数据，采用预置的基本动作识别模型对所述工程机械的基本动作进行识别，得到基本动作识别结果；工况识别模块，用于根据所述基本动作识别结果和所述主泵压力信号，采用预置的工况阶段识别模型对所述工程机械的工况阶段进行识别，得到工况阶段识别结果。10.一种处理器，其特征在于，被配置成执行根据权利要求1至8中任一项所述的工程机械工况识别方法。11.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至8中任一项所述的工程机械工况识别方法。

技术总结
本发明涉及工程机械技术领域，公开了一种工程机械工况识别方法、装置、存储介质及处理器。本发明的识别方法包括：获取工程机械的基础数据和主泵压力信号；根据基础数据，采用预置的基本动作识别模型对工程机械的基本动作进行识别，得到基本动作识别结果；根据基本动作识别结果和主泵压力信号，采用预置的工况阶段识别模型对工程机械的工况阶段进行识别，得到工况阶段识别结果。实现了多层次工况识别方法，降低工况识别模型的复杂度和算力要求，能够提高工况识别结果的准确性和稳定性。同时，可以覆盖更多的基本动作和工况阶段，拓宽了识别模型的覆盖面，可以使用于多种场景，提高了工况识别方法的环境适应性。工况识别方法的环境适应性。工况识别方法的环境适应性。


技术研发人员：史余鹏 付玲 刘延斌 尹莉 王维 吴宇豪
受保护的技术使用者：中联重科股份有限公司
技术研发日：2023.05.26
技术公布日：2023/10/7