使用机器学习来研发机器操作分类器的方法与流程

本发明大体上涉及用于预测机器事件的分析模型，并且更加具体地涉及用于使用机器学习来研发机器操作分类器的系统和方法。

背景技术：

在现场的工作环境中使用的多种机器可以执行各种操作或者任务。了解这些机器是如何在现场(例如，工作地点)进行操作的可以有利于洞悉机器事件和用户使用模式。机器操作可以包括但不限于包括：诸如挖掘、倾倒、行驶、闲置、推动、劈裂、重铲、轻铲、掘沟、切割等任务。机器操作可以是基于所观察的机器的类型。这些机器类型包括但不限于包括：自动平地机、履带型拖拉机、推土机、铺路机、电动绳铲车、以及在工地执行任务的任何其它机器。

分析模型可以被研发用于基于来自机器的输入数据(基于机载工程信道)来预测机器的操作以及相关任务。输入数据可以包括取自系统传感器或者与机器相关联的其它数据收集装置的条件。输入数据可以包括但不限于包括：机器转矩、机器齿轮和齿轮速比、来自与升降机相关联的液压传感器的读数、地面和/或履带速度、斜率数据、以及从与机器相关联的传感器或者装置接收到的指示机器操作或者任务的任何其它数据。进一步地，所述输入数据可以用于基于物理学来推导数据以便确定与操作或者任务相关联的数据。已经利用了用于使用传感器来预测操作的系统和方法，比如，例如，美国专利第4,035,621号(“Excavator Data Logging”)中公开的系统，其使用传感器数据来确定挖掘机的操作。

来自机载工程信道的输入数据的特定数据组可以指示机器操作和/或任务。因此，可以按照如下方式来布置数据组：其中，分析系统可以基于来自机载工程信道的数据来“预测”机器的操作。然而，该预测可能需要通过用户输入来协助以建立规则或者通过其它手动方法来协助以确定预测操作的规则。使用该手动方法对于用户而言可能较麻烦并且在计算上效率低。

期望的是一种用于使用机载工程信道数据来更加精确地确定机器操作的方法。因此，期望的是用于使用机器学习来研发机器操作分类器的系统和方法，以便创建精确度更高且计算效率更大的用于机器操作的预测模型。

技术实现要素：

根据本发明的一个方面，公开了一种用于研发用于机器的机器操作分类器的方法。该方法可以包括：从与机器相关联的一个或多个机载工程信道接收与机器相关联的训练数据，以及基于训练数据值来确定一个或多个训练特征。该方法还可以包括：确定与一个或多个训练特征相关联的一个或多个训练标签，以及建立预测模型以使用计算机来确定机器操作分类器。建立预测模型可以包括：将一个或多个训练特征以及与该一个或多个训练特征相关联的一个或多个训练标签供给至机器学习算法并且从该机器学习算法确定预测模型。预测模型可以用于接收与机器相关联的新数据并且基于该新数据确定预测标签。在一些示例中，该方法可以进一步包括：确定来自一个或多个机载工程信道的一个或多个选择信道。在一些这种示例中，确定预测模型可以包括：基于选择信道来优化预测模型。

根据本发明的另一个方面，公开了一种用于使用机器操作分类器来确定机器的预测机器操作的方法。该方法可以包括：从与机器相关联的一个或多个机载工程信道接收与机器相关联的第一数据值，以及从该第一数据值来确定一个或多个第一特征。该方法可以进一步包括：通过使用预测模型来确定第一数据值的第一标签。预测模型是通过如下方式来建立：将一个或多个训练特征以及与该一个或多个训练特征相关联的一个或多个训练标签供给至机器学习算法并且从该机器学习算法确定预测模型。

根据本发明的又一个方面，公开了一种用于研发用于机器的机器操作分类器的系统。该系统可以包括一个或多个机载工程信道，该一个或多个机载工程信道用于提供与机器相关联的训练数据。该系统可以包括输入模块，该输入模块用于：从一个或多个机载工程信道接收训练数据，基于训练数据值确定一个或多个训练特征，以及确定与一个或多个训练特征相关联的一个或多个训练标签。该系统可以包括机器学习模块，该机器学习模块用于建立预测模型以确定机器操作分类器。建立预测模型可以包括：将一个或多个训练特征以及与该一个或多个训练特征相关联的一个或多个训练标签供给至机器学习算法并且从该机器学习算法确定预测模型。在一些示例中，该系统可以进一步包括预测建模模块，该预测建模模块从一个或多个机载工程信道接收与机器相关联的新数据并且通过使用预测模型基于该新数据来确定预测标签。

通过结合所包含的附图阅读如下详细公开内容，所公开的系统和原理的其它特征和优点将变得显而易见。

附图说明

图1是根据本发明的用于研发机器操作分类器的示例系统的示意图。

图2是根据本发明的与用于研发图1的机器操作分类器的系统相关联的示例机器数据收集模块的示意图。

图3是根据本发明的用于研发图1的机器操作分类器的系统的示例输入模块的示意图。

图4是根据本发明的用于研发图1的机器操作分类器的系统的示例机器学习模块的示意图。

图5是根据本发明的用于研发图1的机器操作分类器的系统的示例模型预测建模模块的示意图。

图6是可以执行用于提供本发明的示例系统和方法的指令的示例计算机的示意图。

图7是根据本发明的用于使用机器学习来研发机器操作分类器的示例方法。

图8是根据本发明的用于建立预测模型的示例方法，该示例方法作为图7的用于使用机器学习来研发机器操作分类器的方法的一部分。

图9是根据本发明的用于确定输入至预测模型的新数据的标签的示例方法，该预测模型是通过图7的用于研发机器操作分类器的方法来研发。

图10是根据本发明的示例机器的侧视图，示例系统和方法可以从该示例机器收集数据以便研发用于机器的机器操作分类器。

图11是根据本发明的第二示例机器的侧视图，示例系统和方法可以从该第二示例机器收集数据以便研发用于第二机器的机器操作分类器。

图12是根据本发明的第三机器的侧视图，示例系统和方法可以从该第三机器收集数据以便研发用于第三机器的机器操作分类器。

尽管将针对特定图解性实施例给出如下详细描述，但应理解，附图不必按照比例绘制并且所公开的实施例有时是以图表的方式且在部分视图中进行图示。此外，在某些情况下，可能已经省略了对于理解所公开的主题不必要的或者使得其它细节难以理解的细节。因此，应理解，本发明不限于本文所公开和图示的特定实施例，而是要对整个说明书和权利要求书以及其任何等效物有充分理解。

具体实施方式

本发明提供了用于使用机器学习来研发机器分类器的系统和方法。机器操作分类器可以观察机器的操作并且确定或者预测机器所执行的操作。为了研发机器操作分类器，必须对来自机器的数据输入进行分析和组织。为了优化研发这种机器分类器的过程，必须使用机器学习。

现在看附图，具体参照图1，示出了使用用于机器11的机器学习来研发机器操作分类器的系统10。机器11可以是设计用于在工地执行操作的任何作业机器。这种示例机器可以包括但不限于包括：自动平地机、履带型拖拉机、推土机、铺路机、电动绳铲车、以及在工地执行任务的任何其它机器。机器10的操作是基于机器的类型并且可以包括但不限于包括：挖掘、倾倒、行驶、闲置、推动、劈裂、重铲、轻铲、掘沟、切割等。

系统10可以包括机器数据收集模块20，机器数据收集模块20用于收集可能与机器操作相关联的数据。图2更加详细地示出了机器数据收集模块20，其中，该机器数据收集模块接收数据以产生机载工程信道21以便让系统10用来确定机器操作分类器。机载工程信道21可以包括与机器相关联的数据，该数据是从与机器相关联的感测输入装置接收到的或者推导出的。该数据可以包括但不限于包括：发动机速度、转矩、齿轮、铰接速率、上升速率等。为了产生机载工程信道21，机器数据收集模块20可以包括但不限于包括：地面速度传感器22、履带速度传感器23、斜率传感器24、齿轮传感器25、液压传感器26、以及任何其它传感器27。在产生机载工程信道21时，机器数据收集模块20可以使用物理方程式来处理由一个或多个感测元件22-27接收到的数据以便确定与机器10相关联的数据。

回到图1，来自机器数据收集模块20的输出(例如，机载工程信道21)可以由输入模块30来接收，其在图3中更详细地示出。输入模块30可以从数据收集模块20接收呈训练数据值32的形式的数据。训练数据值可以用于确定提取/转化特征34以便创建新的计算信道，如与机器10相关联的改善数据。在一些示例实施例中，输入模块30可以根据本领域中已知的任何预处理方法来对数据执行预处理以便确定提取/转化特征34。

在输入的时期，为训练数据值32以及相关联的提取/转化特征34分配训练数据标签36。训练数据标签36可以是由系统的观察者手动地提供。例如，可以通过使用机器的视频来确定训练数据标签36，示出其操作，即，与训练数据值32时间同步，每个训练数据标签36将伴随着特定时期的训练数据值32。训练数据标签36是机器10的机器操作的手动标签并且与其时期中训练数据值32的时期相关联。例如，如果机器10是挖掘机并且其在训练数据值32的某些时期期间正在行驶，则输入数据标签36将指示机器操作是“行驶”。

提取/转化特征34(基于训练数据值32)以及其相关联的训练标签36然后就被输入或者传递到机器学习模块40中。机器学习模块40可以结合提取/转化特征34以及相关联的训练标签36使用机器学习算法来建立用于操作分类的模型。机器学习算法研发如下系统：该系统向数据(诸如，提取/转化特征34以及相关联的训练标签36)学习而不是仅仅遵循明确编程的指令。在这种情况下，通过输入提取/转化特征34以及相关联的标签36来“教导”机器学习模块40创建模型操作分类器或者预测模型，该模型操作分类器或者预测模型将从输入源(例如，机器数据收集模块20)接收数据并且基于所述数据来确定输入数据的机器操作。

现在参照图4，并且继续参照图1至图3的元件，示出了示例机器学习模块。机器学习模块40从输入模块30接收输入(例如，提取/转化特征34以及相关联的标签36)来作为输入并且研发、创建、或者优化机器学习算法42。机器学习算法可以包括用于创建算法的任何方法或者机器学习领域中已知的任何算法类型。例如，机器学习算法42可以使用但不限于使用：经过训练的神经网络44、决策树46、支持向量机权重48等。经过训练的神经网络是一种基于生物神经网络的结构和功能方面的学习算法。例如，经过训练的神经网络中的计算可以是依据人工神经元的互连群来组建结构以便使用联结主义计算方法来处理信息。机器学习算法42中的决策树46的实施包括：使用决策树作为预测模型来将关于物品的观察映射至关于该物品的目标值的结论。例如，决策树46可以将提取/转化特征34的某些结果值映射至训练标签36以便确定预测建模中使用的相关性。支持向量机权重算法48可以分析数据并且识别模式以便基于来自训练数据的权重算法将新示例分配到类别中。支持向量机算法可以分析数据并且优化多维空间中的超平面或者超平面组，从而在一对或者多对二元分类之间创建最大界限。尽管可以使用上述机器学习算法，但机器学习算法42还可以包括但不限于包括：随机森林、逻辑回归、集成方法(例如，boosted集成、bagged集成)等。

机器学习模块40还可以包括信道选择确定器49以便确定用在预测建模中的选择信道。信道选择确定器可以选择机载工程信道21的子集以便通过减少所需要的信道的数量来优化预测模型的形成。在训练数据收集期间，信道选择确定器49可以从与每个预期标签相关联的转化/提取特征34选择一个或多个选择信道。因此，在使用中，用于机器操作分类的预测模型需要分析的信道数量更少。用于确定选择信道的方法可以是本领域中的任何机器学习方法。例如，可以使用递归特征消除来确定选择信道。

通过机器学习算法42创建的(以及，可选地，通过信道选择确定器49优化的)所得预测模型由系统10的预测建模模块50使用，如在图5中更加详细地描述的。预测建模模块50接收新数据值52以推导新的提取/转化特征54。新的提取转化特征然后被供给至预测建模模块56。预测建模模块56使用机器学习模块40的所得预测模型来确定预测数据58，预测数据58可以包括与新数据值52的时期相关联的预测标签。例如，如果机器10是挖掘机并且新数据值52向预测建模模块56指示了与行驶操作相关联的特点(如从创建模型时执行的训练推导出的)，则预测数据58应该指示机器10操作是“行驶”。

可以使用硬件和/或软件的任何组合来实施图1至图5的任何模块。图6是示例计算机60的框图，示例计算机60能够执行指令以实现图1至图5的模块以及/或者执行指令以执行下文参照图7至图9所讨论的方法。计算机60可以是：例如，服务器、个人计算机、或者任何其它类型的计算装置。此示例的计算机60包括处理器61。例如，处理器61可以通过来自任何期望系列或者制造商的一个或多个微处理器或者控制器来实施。

处理器61包括本地存储器62并且经由总线69与包括只读存储器64和随机存取存储器65的主存储器通信。随机存取存储器65可以通过如下存储器来实施：同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS动态随机存取存储器(RDRAM)、以及/或者任何其它类型的随机存取存储器装置。只读存储器64可以通过硬盘驱动器、闪存存储器、以及/或者任何其它期望类型的存储器装置来实施。

计算机60还可以包括接口电路66。接口电路66可以通过任何类型的接口标准来实施，诸如，例如，以太网接口、通用串行总线(USB)、以及/或者PCI express接口。一个或多个输入装置67连接至接口电路66。输入装置67容许用户将数据和命令输入到处理器61中。输入装置67可以通过如下方式来实施：例如，键盘、鼠标、触摸屏、跟踪板、跟踪球、以及/或者语音识别系统。

一个或多个输出装置68也连接至接口电路66。输出装置68可以通过如下方式来实施：例如，用于相关联数据的显示装置(例如，液晶显示器、阴极射线管显示器(CRT)等)。

如上文所提到的，计算机60可以用于执行机器可读指令。例如，计算机60可以执行机器可读指令以便实施图1至图5的模块以及/或者执行在图7至图9的框图中示出的方法。在该示例中，机器可读指令包括：由处理器(诸如，在示例计算机60中示出的处理器61)执行的程序。该程序可以体现在有形计算机可读介质(诸如，CD-ROM、软盘、硬盘驱动器、数字多功能盘(DVD)、蓝光光盘、或者与处理器61相关联的存储器)上储存的软件中，但该整个程序和/或其部分可替代地可以通过处理器61之外的装置来执行以及/或者体现在固件或者专用硬件中。进一步地，尽管参照图1至图5的示意图以及/或者图7至图9中图示的流程图描述了示例程序，但可替代地可以使用许多其它方法来实施本发明的实施例。例如，可以改变框的执行顺序，以及/或者可以改变、消除、或者组合所描述的一些框。

现在看图7，并且继续参照图1至图5，示出了用于研发机器10的机器操作分类器的示例方法70的流程图。方法70始于从一个或多个机载工程信道21接收与机器10相关联的训练数据值32(框71)。通过使用训练数据值32，确定了训练提取/转化特征34(框72)。方法70包括：确定与训练提取/转化特征34相关联的训练标签36(框73)。可以基于训练特征34以及相关联的训练标签36来选择作为选择信道的一个或多个机载工程信道21以确定预测模型(框74)。通过使用计算机(诸如，计算机60)，从机器学习算法和输入数据来建立预测模型(框75)。

预测模型的确定(框75)在图8的流程图中进一步进行描述。预测模型的确定始于将训练提取/转化特征34以及相关联的训练标签36供给至机器学习算法42(框81)。如上文所描述的，机器学习算法42可以包括但不限于包括：经过训练的神经网络44、决策树46、以及支持向量机权重48。该方法然后从机器学习算法来确定预测模型，其中，预测模型(例如，预测建模模块50)接收与机器相关联的新数据并且基于所接收到的新数据来确定预测标签。

图9是示例性方法90的流程图，示例性方法90用于利用通过图7的方法70研发出的操作分类器来预测机器10的操作。方法90始于从机载工程信道21接收与机器10相关联的新数据值52(框91)。方法90然后基于该新数据值52来确定一个或多个新的提取/转化特征54。新的提取/转化特征54然后被供给至模型预测模块56，模型预测模块56包括通过方法70研发出的预测模型(框93)。通过使用预测模型，方法80确定用于新的提取/转化特征54的标签(框94)。

工业实用性

本发明大体上涉及用于预测机器事件的分析模型，并且更加具体地涉及用于使用机器学习来研发机器操作分类的系统和方法。所公开的系统和方法可以用于预测各种机器10的机器操作，机器10包括但不限于包括：挖掘机、平地机、或者轮式装载机。如下文所描述的，并且参照图10至图12，所公开的系统和方法可以用于：基于来自机载工程信道21的输入来预测所述机器的特定操作。

看图10，示出了挖掘机100。挖掘机100可以具有：发动机102、用于推进的履带104、以及用于执行作业功能(例如，挖掘)的器具106。器具106可以包括：动臂108、以及用于升高和降低动臂108的动臂圆筒110。器具106还可以包括：使用斗杆圆筒114来延伸和缩回的斗杆112，并且可以进一步包括：诸如铲斗116等工具，该工具通过使用铲斗圆筒118来旋转。在操作中，挖掘机100可以使用圆筒位置的组合来将铲斗116接合至挖掘地点以便移除材料并且然后操纵铲斗116以将材料远离挖掘地点倾倒或者倾倒到倾倒卡车等中。

在高水平处，挖掘机100的基本操作可以包括：使用履带104进行的“行驶”、“挖掘”、以及“倾倒”。在低水平处，挖掘机100也可以执行包括如下操作的功能：动臂升高和降低、斗杆伸出和拉动、以及铲斗内旋转和铲斗外旋转。这些操作中的每一个均可以通过一个事件或者事件组合来完成，包括工具事件、方向事件、齿轮事件、以及功率事件。可以通过如下方式来预测这些事件的身份：经由机器学习模块40来确定从机载工程信道21推导出的哪些数据值与哪些事件相关联。通过使用所公开的系统和方法，可以精确地以更大计算效率来预测挖掘机100的机器操作。

进一步地，图11图示了平地机120，平地机120具有：电动机122、转向盘124、铲刀控制器126、铲刀130、铲刀角度圆筒132、以及高度圆筒134。平地机120可以包括可转向轮136。平地机120配置为使用铲刀130来刮铲和弄平工地138。与上文的挖掘机100一样，平地机120可以在多个模式下操作，包括：运输模式和平整模式。通过所公开的系统和方法来观察和预测的机器操作可以包括但不限于包括：闲置、精加工铲、重铲、劈裂、翻松、拖运、道路养护、掘沟、清沟、扫雪、除雪、铲坡作业、滑坡作业等。所有这些操作和模式均可以使用通过所公开的系统和方法研发出的预测模型来进行预测。

本发明的系统和方法还可以适用于轮式装载机150，如在图12中示出的。该轮式装载机可以包括：电动机152、操作者控制器154、动臂156、动臂圆筒158、以及铲斗160。铲斗160可以在装载位置与倾倒位置之间旋转。与挖掘机100和平地机120一样，由该装载机执行的机器操作可以使用与本发明的系统和方法相关联的机器学习来进行预测。

应理解，本发明提供了用于使用机器学习来研发机器操作分类器的系统和方法。尽管仅仅陈述了特定实施例，但对于本领域的技术人员而言，替代例和修改例将从上述描述中变得显而易见。这些以及其它替代例均被看作是等效物并且落在本发明和所附权利要求书的精神和范围内。