基于信息融合和多粒度級聯森林模型的挖掘機作業階段智能識別

蘇德贏， 王少杰， 卜祥建， 饒紅艷， 侯 亮

（廈門大學 薩本棟微米納米科學技術研究院， 福建 廈門 361102）

挖掘機的發動機通常被設定為輕載、經濟和重載3種工作模式，并在不同工作模式下設定不同的工作擋位。在挖溝、平地等不同作業工況下，挖掘機操作者根據經驗調整發動機的工作模式和工作擋位，以實現挖掘機的節能控制[1]。這種節能方式較為粗放，存在盲目性，節能效果較差。若能根據挖掘機的實際作業階段來調節發動機的工作點，使得工作系統實現“所需即所得”，將會帶來較好的節能效果。準確、快速地識別挖掘機的作業階段是實現這種節能控制方式的前提。目前，針對挖掘機工作狀態智能識別的研究主要借助機器視覺和運行數據分析。Bao等[2]采用決策樹方法分析挖掘機的空間運動學特征，成功實現了挖掘機工作狀態的識別，準確率達到88.91%；Kim 等[3]基于機器視覺技術，分析了挖掘機與自卸卡車的交互操作，然而機器視覺檢測效果易受到物體遮擋、視角和尺度偏差等影響[4]，在挖掘機復雜、惡劣的作業環境下，機器視覺檢測可靠性較低；柳齊[5]利用挖掘機先導壓力和主泵出口壓力對挖掘機挖掘和平整2個工況進行了識別，但是未進行作業階段的識別；Ahn等[6]通過收集挖掘機在不同模式下的三軸加速度信號，識別了挖掘機的運行模式。這些研究側重于挖掘機的運行工況和工作模式，尚未涉及作業階段的智能識別。基于主泵壓力與作業階段的關系，馮培恩等[7]、黃杰等[8]和Shi 等[9]分別采用DAGSVM（directed acyclic graph support vector machine，有向無環圖支持向量機）、PCA-SVM（support vector machine based on principal component analysis，基于主成分分析的支持向量機）、LⅠBSVM（library for support vector machines，支持向量機庫）、BPNN（back propagation neural network，反向傳播神經網絡）和LR（logistic regression，邏輯回歸）等機器學習方法對挖掘機作業階段進行了識別，識別準確率分別達到95.00%、89.36%、94.64%、89.64%和81.79%。Shi等[10]將先導壓力信號與LSTM （long short-term memory，長短期記憶）模型結合，實現了挖掘機作業階段的識別，識別準確率達到93.21%。在上述研究中，部分識別方法的識別準確率已經超過了90%，主要采用有限的運行數據會導致數據信息不充分。主泵數據的識別方法存在時間延遲。基于先導信號的識別方法存在難以識別、操作手誤等問題。這些不足都會降低作業階段智能識別方法的可靠性。

綜上所述，基于機器視覺和運行數據的識別方法有其局限性，而且為了提高識別可靠性，需要增加數據信息。但過多的數據會造成信息冗余、識別成本提高以及識別效率降低等問題[11]，因此需要選擇合適的方法進行數據信息的融合。信息融合包括數據級融合、特征級融合和決策級融合[12]。深度森林模型又稱多粒度級聯森林模型，在處理高維數據時效率高、識別效果好，在識別問題研究中被廣泛使用[13]。通過結合數據融合技術和多粒度級聯森林模型，可以從數據特征和識別模型2個方面有效避免挖掘機作業階段識別研究中數據冗余的問題，提高挖掘機作業階段識別的可靠性。

本文提出了一種基于信息融合和多粒度級聯森林模型（information fusion and multi-granularity cascade forest model，ⅠFMCFM）的挖掘機作業階段智能識別方法。首先，根據挖掘機作業的特點，設計了挖掘機運行數據采集試驗，以獲取智能識別研究所需的數據；其次，介紹了信息融合技術和多粒度級聯森林模型的原理；最后，基于運行數據開展了挖掘機作業階段的智能識別研究，并與其他識別方法進行了對比分析。

1 挖掘機運行數據采集與數據特征篩選

挖掘機運行數據采集須符合GB/T 7586—2018《土方機械 液壓挖掘機 試驗方法》的要求，試驗場地為某挖掘機生產企業的標準試驗場。樣機采用21噸級履帶式挖掘機，作業方式為90°甩方，作業對象為原生土。試驗時分別由2名操作手在20 min內操作50次，共采集100次循環作業數據。挖掘機運行數據采集現場如圖1所示。試驗中主要采集壓力、流量、角度和轉速等運行數據，涉及主泵、液壓油缸、回轉馬達和發動機等工作元件，共有25個采集通道。需采集的挖掘機運行數據如表1所示。

表1 挖掘機的運行數據信息Table 1 Operation data information of excavators

圖1 挖掘機運行數據采集現場Fig.1 Experiment on data collection of excavator operation

在運行數據采集過程中，由于試驗環境的影響，試驗數據可能會出現尖峰和雜波。對數據進行加權均值濾波處理，以消除數據雜波的干擾。數據濾波前后主泵1 出口壓力和動臂大腔壓力如圖2所示。

圖2 數據濾波前后主泵1出口壓力和動臂大腔壓力Fig.2 Main pump outlet pressure and boom chamber pressure before and after data filtering

挖掘機作業劃分為挖掘、提升回轉、卸料、空斗返回和挖掘準備等5個階段。各階段存在明顯的特點，例如挖掘、卸料階段和鏟斗相關，提升回轉和空斗返回階段僅有回轉馬達工作。根據這些特點對運行數據進行作業階段劃分，制作樣本標簽。以主泵壓力和鏟斗油缸壓力為例，其在1個作業循環內的劃分如圖3所示。

圖3 主泵壓力和鏟斗油缸壓力的劃分結果Fig.3 Division results of main pump 1 pressure and bucket cylinder pressure

完成運行數據的劃分后，需要對每個作業階段的數據進行時域特征提取。這些時域特征包括均值、峰值、峰-峰值、整流平均值、均方根值和標準差等。對每個通道的數據都計算6個特征值，初步特征集總計6×25=150維。本文采用隨機森林模型對初步特征進行重要度評估，并選擇前9個重要特征進行組合，構建新的特征集。重要特征篩選結果如表2所示。在這9個特征中，動臂先導壓力、斗桿小腔壓力、斗桿先導壓力和鏟斗先導壓力的相關特征占比較高，而其他特征與馬達流量和動臂角度有關。這9個特征包含了更多的作業階段信息，使模型識別結果具有較強的可靠性。

表2 挖掘機運行數據特征的篩選結果Table 2 Screening results of excavator operation data characteristics

2 挖掘機作業階段識別方法

2.1 信息融合技術

在多次加工和抽象的過程中，技術是基于多個信息源的信息融合是獲取更高層次信息的處理技術。它能夠整合不同類型的信息，實現對信息的深入挖掘和使用。其處理流程是多級的，每一級的處理都是對上一級信息進行加工和轉化。在數據級融合、特征級融合和決策級融合的過程中，初始數據、數據特征和決策結果分別是整合對象。數據級融合是信息融合技術中最基本的融合方式，它將不同來源、同一類型的數據進行簡單融合，不對其進行任何處理。數據級融合的優點是可以獲取較為全面的信息，融合后的信息量較大；缺點是未經處理的原始數據可能含有噪聲或冗余信息，對融合結果會產生不良影響，且在合并大量數據時耗時較長。特征級融合屬于第2層次的融合，即對初始數據進行特征提取，提取出的特征直接或經過篩選后構成新的特征向量。特征級融合突破了數據級融合的信息必須為同一類型數據的限制，并實現了信號壓縮，從而方便傳輸和處理。決策級融合則對每個初始數據進行特征提取、識別和決策，將不同的決策結果進行融合并形成最終的決策向量。相比于數據級融合和特征級融合，決策級融合的抗干擾能力更強，分類效果更加精確。

本文通過信息融合技術來實現挖掘機運行數據的融合。通過融合分類器的決策結果和篩選后的數據特征來形成新的特征向量。其融合過程如圖4所示。

圖4 挖掘機運行數據融合過程Fig.4 Process of data fusion for excavator operation

在挖掘機運行數據融合中，分類器分別采用隨機森林、多層感知器、SVM和K近鄰算法。各分類器的工作原理如下。

1）隨機森林。

隨機森林是一種集成學習方法，通過多個決策樹投票或平均的方式來進行預測。隨機選擇數據集的一部分和特征的子集，并根據這個數據集和子集構建一棵決策樹；之后，通過投票的結果來進行分類預測。

2）多層感知器。

多層感知器是一種人工神經網絡，由多個神經元層組成，每個神經元層都與前一層的神經元相連接。它包括輸入層、隱藏層和輸出層，信息從輸入層傳遞到隱藏層，然后再傳遞到輸出層。在每個神經元層中，輸入被加權并傳遞給激活函數，以產生輸出。通過反向傳播算法，多層感知器調整權重，以最小化預測誤差。

3）SVM。

SVM是一種監督學習算法，用于分類和回歸任務。其目標是找到一個最優的超平面，以最大化2個不同類別數據點之間的間隔。SVM通過將數據映射到高維空間來實現非線性分類，然后在該空間中找到最佳的分割超平面。支持向量是距離分割超平面最近的數據點，它們決定了超平面的位置。

4）K近鄰算法。

K近鄰算法是一種基于實例的學習方法，根據樣本的相似性進行分類或回歸。它基于一個簡單的思想，即將與新樣本最相似的K個訓練樣本的標簽用于預測新樣本的標簽。對于分類，K近鄰模型計算新樣本與訓練數據中所有樣本的距離，然后選擇與新樣本距離最近的K個樣本，最終的分類結果是這K個樣本中最常見的類別；對于回歸，取K個最近樣本的平均值作為預測結果。

以挖掘機運行數據特征作為輸入，分別對上述4種分類器進行訓練，獲得4個模型的決策結果，即挖掘機5個作業階段的類別概率向量，總計4×5=20個。將類別概率向量與通過隨機森林模型篩選得到的9個挖掘機運行數據特征進行拼接，得到29維的預測特征向量，將它作為多粒度級聯森林模型的輸入。

2.2 多粒度級聯森林模型原理

多粒度級聯森林模型由多粒度掃描結構和級聯森林結構組成，是一種不同于深度神經網絡的深度模型，具有參數量較少、訓練難度低、數據需求量小等優點。多粒度級聯森林模型原理如圖5 所示。多粒度掃描結構采用類似卷積神經網絡的若干個滑動窗口進行滑動采樣[14]，可以獲得多個相互聯系又具有差異性的子樣本；采用隨機森林和完全隨機森林分類器對子樣本進行訓練，得到類別概率向量，類別概率向量與運行數據特征拼接，形成最終的轉換特征。例如：對t維的原始數據特征向量用寬度為w維、步長為s的滑動窗口進行特征子樣本的劃分和獲取；通過隨機森林和完全隨機森林分類器對每個特征子樣本進行訓練，每個分類器訓練后得到一個c維的類別概率向量，共獲得個類別概率向量；將類別概率向量拼接，即可以獲得維的拼接特征向量。

圖5 多粒度級聯森林模型原理Fig.5 Principle of multi-granularity cascade forest model

多粒度級聯森林模型采用與深度神經網絡（deep neural networks，DNNs）類似的層級結構，即級聯森林結構，其中每級的輸入都包含了上一級隨機森林模型的輸出。級聯森林結構的初始輸入特征為經多粒度掃描得到的拼接特征，拼接特征將與每一級隨機森林模型的輸出進行二次拼接，二次拼接后的特征將作為下一級隨機森林模型的輸入，逐級傳遞，最終獲得預測結果。級聯森林結構的每一級包含若干個隨機森林和完全隨機森林分類器[15]，每級2種不同的森林分類器增強了模型集成的多樣性，可以充分利用特征的差異來更好地表征特征信息。

3 實 驗

3.1 模型訓練結果

挖掘機9個重要運行數據特征對應的原始數據如圖6 所示。共包括6 個通道的數據，相比于原有的25 個通道有很大的降低。如前所述，將特征信息篩選和融合后獲得的29 維拼接特征向量輸入多粒度級聯森林模型，開展挖掘機作業階段的智能識別。

圖6 挖掘機9個重要運行數據特征對應的原始數據Fig.6 Original data corresponding to 9 important operational data features of excavators

多粒度級聯森林模型的訓練過程如下：將29維預測特征向量輸入多粒度掃描結構，拼接形成一個維新特征向量，并將它輸入級聯森林結構，與每一級森林模型輸出的類別概率向量進行拼接；以此類推，上一級的輸出與該特征拼接后作為下一級的輸入，將最后一層輸出的最大值作為最終的預測結果。為了減弱過擬合現象，每個隨機森林模型都采用五折交叉驗證。當驗證集的準確率不再提升時，模型停止訓練。多粒度級聯森林模型的參數設置如表3所示。不同的滑動窗口和步長可以從輸入數據中提取多尺度的特征信息。步長越小，樣本集的多樣性越高，模型的泛化能力也就越強。

表3 多粒度級聯森林模型的參數Table 3 Parameters of multi-granularity cascade forest model

共采用140個數據集樣本，將訓練集的比例分別設定為80%，60%，40%，20%和10%，進行挖掘機作業階段智能識別。不同訓練集比例下的識別結果如表4所示。由表可知：隨著訓練集比例的提高，模型的識別效果越來越好；當訓練集的比例為80%時，準確率、召回率和F1值（精確度和召回率的調和平均數）分別為95.00%，95.17%和95.02%，模型識別效果最好。

表4 不同訓練集比例下挖掘機作業階段的識別結果Table 4 Recognition results of excavator operation stages under different training set proportions%

基于前述分析，選取80%的樣本作為訓練集，20%的樣本作為測試集，對模型的性能進行評估。模型對挖掘機不同作業階段的識別結果如表5所示。由表可知：模型對挖掘準備階段的識別效果最佳，其準確率達到了100%，F1值也較高，識別結果更為可靠；在提升回轉階段，準確率僅為90%，識別效果最差。

表5 IFMCFM模型的識別結果Table 5 Ⅰdentification results of ⅠFMCFM model%

3.2 不同方法對比

在相同的數據樣本下，將ⅠFMCFM模型對挖掘機不同作業階段的識別結果與DAGSVM[7]、PCASVM[8]、LⅠBSVM[9]、LSTM[10]模型進行對比，結果如表6 所示。由表可知：相較于其他識別模型，ⅠFMCFM 模型表現出更加穩定的識別結果，5 個作業階段的評價指標值較接近，其整體性能最佳；LⅠBSVM在挖掘、提升回轉和挖掘準備階段表現優秀，各項評價指標值較高；DAGSVM 的識別效果僅次于ⅠFMCFM模型；PCA-SVM的識別效果較差，各項評價指標均明顯低于其他模型。

表6 各模型的識別結果Table 6 Ⅰdentification results of each model%

4 結 論

本文基于信息融合技術和多粒度級聯森林模型開展挖掘機作業階段的智能識別研究，以解決現有識別方法可靠性低的問題。獲得以下研究結論：

1）基于信息融合技術，通過多種分類器獲得挖掘機作業階段智能識別的類別概率向量和高重要度特征，并將兩者拼接，形成新的識別特征，有效避免了數據冗余的問題。

2）對ⅠFMCFM 進行訓練和測試，當訓練集比例為80%時，模型識別的準確率、召回率和F1指標分別為95.00%，95.17%和95.02%，識別效果較優。

3）相比于其他識別模型，ⅠFMCFM 的識別準確性和可靠性最高。