拖拉机工况识别模型的训练方法及拖拉机工况识别方法与流程

本发明涉及机器学习，具体涉及一种拖拉机工况识别模型的训练方法及拖拉机工况识别方法。

背景技术：

1、拖拉机作为农业生产工具，其最常见的应用场景即与不同的农具或机具配合，完成相应的农业作业。由于拖拉机装载不同的农具会进行不同的工作情况，如果能正确识别拖拉机车辆的工况，将有助于厂商在精细化计亩、精确保养、动力控制优化等领域的影响力提升。当前行业内可通过rfid、视频识别等方法进行工况的判断，但这些方法的扩展成本过高，在实际应用场景中限制多，可靠性差。因此，行业内亟需一种便于实施和扩展的拖拉机工况识别方案。

技术实现思路

1、发明目的：本发明旨在弥补现有技术的不足，提出一种拖拉机工况识别模型的训练方法及拖拉机工况识别方法。

2、
技术实现要素：
本发明提出以下技术方案：

3、第一方面，提供了一种拖拉机工况识别模型的训练方法，该训练方法包括步骤：

4、构建训练样本，所述训练样本包括不同工况下的拖拉机状态特征，所述工况包括耙地、平地、打捆、犁地、联合整地、平地框、偏置重耙、起垄和播种耙地；

5、将偏置重耙工况训练样本和平地框工况训练样本归为第一大类，将犁地工况训练样本和联合整地工况训练样本归为第二大类，与其余工况的训练样本一起构建为第一训练样本集；

6、在所述第一训练样本集上训练得到第一识别模型；

7、构建偏置重耙工况差异性样本、平地框工况差异性样本、犁地工况差异性样本和联合整地工况差异性样本；

8、将所述第一分类模型针对所述第一大类训练样本的预测结果分别与所述偏置重耙工况差异样本和所述平地框工况差异性样本进行特征融合，基于融合后的训练样本构建第二训练样本集；

9、将所述第一分类模型针对所述第二大类训练样本的预测结果分别与所述犁地工况差异性样本和所述联合整地工况差异性样本进行特征融合，基于融合后的训练样本构建第三训练样本集；

10、在所述第二训练样本集上训练一个二分类模型，得到第二识别模型；

11、在所述第三训练样本集上训练一个二分类模型，得到第三识别模型；

12、基于所述第一识别模型、所述第二识别模型和所述第三识别模型，确定所述拖拉机工况识别模型。

13、作为第一方面所述方法的一种可选实施方式，所述训练样本的构建方法具体包括：

14、获取不同工况下的拖拉机历史状态数据，包括：车速、发动机冷却液温度、取力器状态、左侧提升器实际提升力、右侧提升器实际提升力、发动机转速、发动机实际扭矩百分比、发动机燃油消耗率；

15、对所述拖拉机历史状态数据进行数据清洗，以剔除不符合预设条件的异常数据；

16、将数据清洗后的拖拉机历史状态数据进行数据聚合，以将所述拖拉机历史状态数据映射到统一粒度空间，以得到所述拖拉机状态特征。

17、具体来说，对所述拖拉机历史状态数据进行数据清洗，可以采用以下方式：

18、从所述拖拉机历史状态数据中剔除满足预设异常条件的数据。

19、具体来说，将数据清洗后的拖拉机历史状态数据进行数据聚合，可以采用以下方式：

20、将数据清洗后的所述拖拉机历史状态数据从秒级聚合为分钟级；

21、针对分钟级的拖拉机历史状态数据，分别对取力器开启和关闭状态下的所述拖拉机历史状态数据计算众数、最大值、最小值、均值、方差、中位数和极差，以作为补充特征；

22、将所述补充特征加入相应的分钟级的拖拉机历史状态数据中，得到所述拖拉机状态特征。

23、具体来说，在对数据清洗后的拖拉机历史状态数据进行数据聚合后，还可以执行以下步骤：

24、针对数据聚合后的所述拖拉机历史状态数据，从所述拖拉机历史状态数据中剔除取力器开启时长小于预设开启时长阈值的数据和取力器关闭时长小于预设关闭时长阈值的数据。

25、具体来说，在对数据清洗后的拖拉机历史状态数据进行数据聚合后，还可以执行以下步骤：

26、从数据聚合后的所述拖拉机历史状态数据中识别出非作业工况下的运输工况数据；

27、从数据聚合后的所述拖拉机历史状态数据中提出所述运输工况数据。

28、更具体地，从数据聚合后的所述拖拉机历史状态数据中识别出非作业工况下的运输工况数据，可以采用以下方式：

29、通过预设的特征匹配规则对数据聚合后的所述拖拉机历史状态数据进行逐一匹配，将成功匹配的数据作为所述运输工况数据。

30、具体来说，在对数据清洗后的拖拉机历史状态数据进行数据聚合后，还可以执行以下步骤：

31、从数据聚合后的所述拖拉机历史状态数据中提出作业总时长小于预设的作业时长阈值的数据。

32、作为第一方面所述方法的一种可选实施方式，在构建所述训练样本时，还包括基于现有的拖拉机状态特征进行特征扩展，包括在现有的所述拖拉机状态特征中加入以下至少一种衍生特征，具体包括：

33、发动机功率、左提升器实际提升力差分值、右提升器实际提升力差分值、左右提升器力差值、左右提升器力差值的差分值。

34、第二方面，提供了一种拖拉机工况识别方法，该识别方法包括：

35、获取目标拖拉机作业工况下的工作状态数据；

36、将所述工作状态数据输入拖拉机工况识别模型，得到所述目标拖拉机的工况；所述拖拉机工况识别模型是采用上述的拖拉机工况识别模型的训练方法方法预先训练得到的。

37、第三方面，提供了一种拖拉机工况识别模型的训练装置，该训练包括：

38、第一数据获取模块，用于获取训练样本，所述训练样本包括不同工况下的拖拉机状态特征，所述工况包括耙地、平地、打捆、犁地、联合整地、平地框、偏置重耙、起垄和播种耙地；

39、第一处理模块，用于将偏置重耙工况训练样本和平地框工况训练样本归为第一大类，将犁地工况训练样本和联合整地工况训练样本归为第二大类，与其余工况的训练样本一起构建为第一训练样本集；以及，在所述第一训练样本集上训练得到第一识别模型；

40、第二数据获取模块，用于获取偏置重耙工况差异性样本、平地框工况差异性样本、犁地工况差异性样本和联合整地工况差异性样本；

41、第二处理模块，用于将所述第一分类模型针对所述第一大类训练样本的预测结果分别与所述偏置重耙工况差异样本和所述平地框工况差异性样本进行特征融合，基于融合后的训练样本构建第二训练样本集；将所述第一分类模型针对所述第二大类训练样本的预测结果分别与所述犁地工况差异性样本和所述联合整地工况差异性样本进行特征融合，基于融合后的训练样本构建第三训练样本集；在所述第二训练样本集上训练一个二分类模型，得到第二识别模型；在所述第三训练样本集上训练一个二分类模型，得到第三识别模型；

42、第三处理模块，用于基于所述第一识别模型、所述第二识别模型和所述第三识别模型，确定所述拖拉机工况识别模型。

43、第四方面，提供了一种拖拉机工况识别装置，包括：

44、第三数据获取模块，用于获取目标拖拉机作业工况下的工作状态数据；

45、识别模块，用于将所述工作状态数据输入拖拉机工况识别模型，得到所述目标拖拉机的工况；所述拖拉机工况识别模型是采用上述的拖拉机工况识别模型的训练方法预先训练得到的。

46、第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的拖拉机工况识别模型的训练方法，或者，实现所述的拖拉机工况识别方法。

47、第六方面，提供了一种电子设备，包括：

48、一个或多个处理器；以及

49、与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行所述的拖拉机工况识别模型的训练方法，或者，实现所述的拖拉机工况识别方法。

50、有益效果：与现有技术相比，本发明具有以下优势：

51、本发明采用级联的思想来训练拖拉机工况识别模型，该模型能够精确识别耙地、平地、打捆、犁地、联合整地、平地框、偏置重耙、起垄和播种耙地等多种工况。

52、本发明提供的拖拉机工况识别方法易于部署和扩展，能够应用于不同的业务场景。

53、基于本发明提供的拖拉机工况识别方法，研发部门可以及时准确区分各作业工况条件下拖拉机的运行数据，了解机器在不同工况下的性能表现，从而提供有针对性的设计与改进方案。实现能耗降低、动力控制优化等目标。

54、基于本发明提供的拖拉机工况识别方法，可以帮助后市场部门进行故障在线分析诊断，及时识别拖拉机运行中的异常情况，并提前采取维修措施，以减少机器故障率和停机时间，提高设备可用性。同时，根据工况数据对设备进行更加准确的维修与保养，延长机器寿命，提高客户满意度。

55、基于本发明提供的拖拉机工况识别方法，可以帮助最终用户实现精细化计亩、精确保养等需求。