用于工程机械的地质硬度识别方法以及系统与流程

[0001]
本发明涉及基础施工技术领域，具体地涉及一种用于工程机械的地质硬度识别方法以及系统。


背景技术：

[0002]
旋挖钻机是基础施工机械的一种，主要用来进行桩基施工，特别是在桥梁、高架和房屋地基的施工中应用尤其广泛。旋挖钻机在旋挖过程中钻头在地面以下进行施工，操作机手无法实时观察到施工的地质情况。鉴于此，现有的一种施工方法是，在施工过程中操作机手根据操作经验和设备反馈的参数信息进行操作，故操作旋挖钻机对于操作机手的经验和技术水平要求较高；除了操作经验外，操作机手还需要对钻具、地层地质和施工工艺都比较熟悉，在钻进到对应地质的时候需要根据地质情况选用对应的钻具。优秀的操作机手能够根据地质情况选取对应的钻具和施工工法进行操作，不仅能够提高施工效率，还能节约能耗。鉴于旋挖钻机的操作对操作机手的要求较高，因此，人力成本也相应较高。
[0003]
另一种获取地质情况的方法为利用理论公式计算，即利用设备反馈的实时运行参数，通过理论公式计算当前地质硬度。然而在实际施工过程中，上述数据的更新和计算是一个持续不断的过程，但计算出的理论值为某个时刻的定量值；且下钻过程因为操作机手施工工法、瞬时数据值变化都会影响到计算结果，计算结果变化幅度大，仅可以作为参考，而并不能用于连续准确地确认施工地质。
[0004]
为了降低对操作机手技能经验的要求，同时获取更加准确的地质硬度识别结果，亟需一种能够自动识别地质硬度的方法，以提高施工效率，实现施工智能化和便利化。


技术实现要素：

[0005]
本发明实施例的目的是提供一种用于工程机械的地质硬度识别方法以及系统，该方法通过机器学习算法提高地质硬度识别的准确性，并通过云端模型训练-边缘端模型预测的布局，使得模型不断在云端迭代，提高模型的鲁棒性和准确率，工程机械在进行旋挖作业时，操作机手能够根据模型预测的地质硬度标签选取对应的钻具和施工工法进行操作，以提高施工效率。
[0006]
为了实现上述目的，本发明实施例提供一种用于工程机械的地质硬度识别方法，由边缘端设备执行，包括：获取设备实时运行参数以及经过云端设备训练的地质硬度识别模型；将所述设备实时运行参数输入到所述地质硬度识别模型，获得下钻过程标签和地质硬度标签。
[0007]
可选的，所述将所述设备实时运行参数输入到所述地质硬度识别模型，获得下钻过程标签和地质硬度标签，包括：对所述设备实时运行参数中的空值、无效值和异常值进行清洗；判断清洗后的设备实时运行参数是否为掘进过程实时数据；若是，确定所述下钻过程标签为正在掘进，以及根据所述掘进过程实时数据确定所述地质硬度标签。
[0008]
可选的，若判断所述清洗后的设备实时运行参数是否为掘进过程实时数据的判断
结果为否，确定所述下钻过程标签为不在掘进。
[0009]
可选的，还包括：将所述设备实时运行参数及其对应的所述下钻过程标签和所述地质硬度标签上传至所述云端设备，用于迭代训练所述地质硬度识别模型。
[0010]
可选的，还包括：将所述下钻过程标签和地质硬度标签发送给显示屏用于向操作机手展示。
[0011]
另一方面，本发明还提供一种用于工程机械的地质硬度识别方法，由云端设备执行，包括：获取离线测试报告，所述离线测试报告包括地质报告以及对应所述地质报告的设备运行参数；根据所述离线测试报告确定用于训练地质硬度识别模型的样本特征和样本标签；使用所述样本特征和所述样本标签训练所述地质硬度识别模型；将经过训练的地质硬度识别模型下发给边缘端设备用于计算输出地质识别结果。
[0012]
可选的，所述根据所述离线测试报告确定用于训练地质硬度识别模型的样本特征和样本标签，包括：对所述设备运行参数进行数据处理获得掘进过程运行数据；从所述地质报告中获取各地质类别作为所述样本标签；从所述掘进过程运行数据中筛选出对应所述地质类别的样本数据，根据所述样本数据确定对应所述样本标签的所述样本特征。
[0013]
可选的，所述对所述设备运行参数进行数据处理获得掘进过程运行数据，包括：对所述设备运行参数中的空值、无效值和异常值进行清洗；根据设备运行参数需求对清洗后的设备运行参数进行拼接和插值；从拼接和插值后的设备运行参数中选取掘进工况下的所述掘进过程运行数据。
[0014]
可选的，所述从所述掘进过程运行数据中筛选出对应所述地质类别的样本数据，根据所述样本数据确定对应所述样本标签的所述样本特征，包括：从所述掘进过程运行数据中筛选出对应所述地质类别的样本数据；对所述样本数据进行特征计算获得所述样本特征。
[0015]
可选的，训练所述地质硬度识别模型的机器学习算法包括：梯度提升分类树算法。
[0016]
可选的，所述设备运行参数包括：动力头扭矩、主卷扬钢丝绳张力、主卷扬载荷、马达转速、孔深、钻杆下放距离、动力头下放距离。
[0017]
另一方面，本发明还提供一种用于工程机械的地质硬度识别系统，包括：工程机械控制器，用于获取施工部件反馈的设备实时运行参数及离线测试报告中的设备运行参数；云端设备，用于根据所述离线测试报告训练地质硬度识别模型；边缘端设备，用于将所述设备实时运行参数输入到所述地质硬度识别模型获得下钻过程标签和地质硬度标签。
[0018]
可选的，还包括：显示屏，用于显示所述下钻过程标签和地质硬度标签。
[0019]
通过上述技术方案，边缘端设备利用云端设备训练好的地质硬度识别模型，通过将施工部件反馈的设备实时运行参数输入到所述地质硬度识别模型，获取下钻过程标签和地质硬度标签，操作机手能够根据预测准确的地质硬度标签选取对应的钻具和施工工法进行操作，以提高施工效率。
[0020]
本发明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
[0021]
附图是用来提供对本发明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发明实施例，但并不构成对本发明实施例的限制。在附
图中：
[0022]
图1是一实施例提供的由边缘端设备执行的用于工程机械的地质硬度识别方法流程图；
[0023]
图2是一实施例提供的由云端设备执行的用于程机械的地质硬度识别方法流程图；
[0024]
图3是一实施例提供的用于程机械的地质硬度识别系统结构框图。
具体实施方式
[0025]
以下结合附图对本发明实施例的具体实施方式进行详细说明。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发明实施例，并不用于限制本发明实施例。
[0026]
现有的地质硬度识别方法主要有两种：一种是施工现场操作机手的经验：当钻具下钻到硬度不同的地层时，下钻速度、动力头扭矩、动力头转速和设备振动等参数会出现变化，操作机手根据施工区域的地质报告与操作经验初步判断地层的地质，同时会对钻头进行加压，然后结合加压后的反馈参数决定施工工法和钻具类型。如果不能准确判断，操作机手还需要利用钻具不断打磨，将打磨破碎的地质捞出判断实际的地质情况。该方法的缺点在于：操作机手的判断依靠操作经验，如果通过主观判断选择的钻头有问题，不仅会因为需要更换钻头而降低施工效率，甚至会减少钻头的使用寿命。
[0027]
另外一种方法是利用理论公式计算：利用动力头扭矩、桩孔面积、摩擦系数、钻头下压力、下钻速度、动力头转速度等数据，通过公式计算当前地质硬度。然而在实际施工过程中，参数的瞬时变化都会影响到计算结果，计算结果变化幅度大，仅可以作为参考，而并不能用于连续准确地确认施工地质，因此具有很大的局限性。
[0028]
上述两种方法都存在地质硬度识别结果准确性不足的缺陷，从而影响施工效率。有鉴于此，本发明一实施例提供一种用于工程机械的地质硬度识别方法，由边缘端设备执行，如图1所示，包括s102-s104：
[0029]
s102，获取设备实时运行参数以及经过云端设备训练的地质硬度识别模型。
[0030]
s104，将所述设备实时运行参数输入到所述地质硬度识别模型，获得下钻过程标签和地质硬度标签。
[0031]
所述设备实时运行参数是工程机械控制器获取的施工部件反馈的设备实时运行参数，包括钻杆信息、钻具信息、动力头数据、主卷扬数据、加压油缸数据、桅杆数据等。所述地质硬度识别模型是在云端设备训练获得，边缘端设备将采集的施工现场的设备实时运行参数输入到经过训练的地质硬度识别模型，该模型输出下钻过程标签和地质硬度标签。下钻过程标签包括“正在掘进”标签和“不在掘进标签”，操作机手可根据这两个标签判断钻具是否处于掘进状态，从而做出正确的操作判断。所述地质硬度标签反应钻具接触施工地质的地质情况，该标签可以是“黏土”、“大理石”、“花岗岩”此类的地质类别，也可以是“极软”、“软”、“较软”、“较硬”、“坚硬”此类的地质硬度类别，操作机手可根据地质硬度标签准确获取地质情况从而做出正确的操作判断。
[0032]
一方面考虑到传统理论公式的计算结果准确性有限，故所述方法通过机器学习算法提高了地质硬度识别的准确性；另一方面考虑到工程机械的施工环境可能信号条件欠佳，在云端设备进行模型预测不能保证计算的实时性，故本方法采用云端模型训练-边缘端
模型预测的布局，由边缘端设备执行模型预测过程，从而使得操作机手能快速、准确地获取掘进状态和地质类别，做出正确的操作判断。
[0033]
优选的，获得所述下钻过程标签和地质硬度标签后，便可将标签发送给显示屏用于向操作机手展示，展示效果可以为“下钻过程：正在掘进；地质硬度：花岗岩”，操作机手便可根据该信息选择合适的钻具和施工工艺。
[0034]
对于上述s104，优选的，本发明提供另一实施例以说明所述地质硬度识别模型对所述设备实时运行参数的处理过程，包括s1042-s1046：
[0035]
s1042，对所述设备实时运行参数中的空值、无效值和异常值进行清洗。
[0036]
s1044，判断清洗后的设备实时运行参数是否为掘进过程实时数据。
[0037]
s1046，若是，确定所述下钻过程标签为正在掘进，以及根据所述掘进过程实时数据确定所述地质硬度标签；若否，确定所述下钻过程标签为不在掘进。
[0038]
所述掘进过程实时数据是指设备实时运行参数中当设备处于正在掘进状态时的参数，对所述模型的训练也包括对下钻过程判断的训练；只有当设备实时运行参数为掘进过程实时数据时，才进一步根据掘进过程实时数据来预测地质硬度标签，否则只输出不在掘进的下钻过程标签。
[0039]
优选的，当边缘端设备进行模型预测获得标签后，边缘端设备还可将模型预测所涉及的数据上传至用于训练模型的云端设备，用于迭代训练以提高模型的鲁棒性和准确率，具体为将设备实时运行参数及其对应输出的下钻过程标签和地质硬度标签上传至所述云端设备。
[0040]
本发明还提供一种由云端设备执行的用于工程机械的地质硬度识别方法，具体包括所述地质硬度识别模型的训练方法，如图2所示，包括s202-s208：
[0041]
s202，获取离线测试报告，所述离线测试报告包括地质报告以及对应所述地质报告的设备运行参数。
[0042]
所述地质报告由勘探公司钻取施工工地地面获得，地质报告包括的信息为：施工工地对应试钻孔地下不同深度的地质类别、风化程度和地质单轴抗饱和压力等硬度参数分布情况。设备运行参数是施工过程中施工部件反馈的实时参数，和上述设备实时运行参数相同，包括多维度数据，例如包括：动力头扭矩、主卷扬钢丝绳张力、主卷扬载荷、马达转速、孔深、钻杆下放距离、动力头下放距离等等。而地质类别与设备运行参数的对应关系可根据钻孔深度和/或下钻时间确定。举例来说，当钻孔深度为一米时，地质报告中对应该钻孔深度的地质类别为“大理石”，设备运行参数中对应该钻孔深度的加压力、钻头转速等其他维度参数为相应值。
[0043]
s204，根据所述离线测试报告确定用于训练地质硬度识别模型的样本特征和样本标签。
[0044]
训练模型所使用的样本为有标签样本，所述样本特征为样本的特征值，所述样本标签为样本的标签值。
[0045]
s204可优选包括s2042-s2046：
[0046]
s2042，对所述设备运行参数进行数据处理获得掘进过程运行数据。
[0047]
通过数据处理流程获得优质离线数据以提高所训练的模型的预测准确率，数据处理过程优选包括步骤(1)-(3)：(1)对所述设备运行参数中的空值、无效值和异常值进行清
洗；(2)根据设备运行参数需求对清洗后的设备运行参数进行拼接和插值；(3)从拼接和插值后的设备运行参数中选取掘进工况下的所述掘进过程运行数据，所述掘进过程运行数据为设备运行参数中当设备处于掘进状态时的参数。
[0048]
s2044，从所述地质报告中获取各地质类别作为所述样本标签。
[0049]
例如，将“黏土”、“大理石”、“花岗岩”此类的地质类别作为样本标签。
[0050]
s2046，从所述掘进过程运行数据中筛选出对应所述地质类别的样本数据，根据所述样本数据确定对应所述样本标签的所述样本特征。
[0051]
容易理解，掘进过程运行数据中的数据是多维度的，可包含上百个数据，因此为减少计算量，可从其中筛选出与反映地质类别相关度较高的数据作为样本数据；筛选出的样本数据可直接作为样本特征用于模型训练，也可对所述样本数据进行特征计算作为所述样本特征：例如对扭矩值进行求均值和求方差的计算获得扭矩均值和扭矩方差作为样本特征，可避免由于瞬时值不稳定而带来的影响。
[0052]
s206，使用所述样本特征和所述样本标签训练所述地质硬度识别模型。
[0053]
s208，将经过训练的地质硬度识别模型下发给边缘端设备用于计算输出地质识别结果。
[0054]
所述方法中用于训练模型的数据从离线测试报告获取，并且由云端设备进行模型训练过程，减小了边缘端设备的计算压力。
[0055]
模型训练所采用的机器学习算法包括但不限于决策树、逻辑回归、xgboost、支持向量机、cnn(convolutional neural networks，卷积神经网络)、rnn(recurrent neural network，循环神经网络)，经过测试，梯度提升分类树算法可获得较高的计算精度。
[0056]
本发明还提供一种用于工程机械的地质硬度识别系统，如图3所示，包括：工程机械控制器，用于获取施工部件反馈的设备实时运行参数及离线测试报告中的设备运行参数；云端设备，用于根据所述离线测试报告训练地质硬度识别模型；边缘端设备，用于将所述设备实时运行参数输入到所述地质硬度识别模型获得下钻过程标签和地质硬度标签；以及显示屏，用于显示所述下钻过程标签和地质硬度标签。
[0057]
所述边缘端设备还用于：将所述设备实时运行参数及其对应的下钻过程标签、地质硬度标签上传至所述云端设备，用于迭代训练所述地质硬度识别模型。
[0058]
边缘端设备与工程机械控制器通过can(controller area network，控制器局域网络)总线实现稳定通信，既能从工程机械控制器获取设备实时运行参数，同时也能将模型预测结果返回至工程机械控制器投放至显示屏显示。
[0059]
所述系统建立起一个云端模型训练-边缘端模型预测的布局，提高了模型预测的实时性，同时使得模型不断在云端迭代，提高了模型的鲁棒性和准确率。
[0060]
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
[0061]
本申请是参照根据本申请实施例的方法、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。
[0062]
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。
[0063]
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。
[0064]
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。
[0065]
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。
[0066]
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。
[0067]
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。
[0068]
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。