一种通过机器学习和大数据相结合的加油量精准测量系统

技术领域

本发明涉及加油量测量技术领域，具体为一种通过机器学习和大数据相结合的加油量精准测量系统。

背景技术

建筑工地是一处正在发展建筑项目，施工项目是一定时期内进行过建筑安装施工活动的基本建设项目或更新改造措施项目，包括本期以前开始建设并跨入本期继续施工的项目，本期内正式开始建设的项目，以及本期以前缓建“下马”而在本期恢复施工的项目，在本期内全部建成投产、竣工或停建、缓建的项目，因曾在本期内进行过施工活动，仍是本期的施工项目，处于筹备阶段尚未正式开始建设的“筹建项目”，按规定使用固定资产投资购置不需要安装的设备、工具等的“单纯购置单位”，以及收尾项目等都不作为施工项目。

项目工地经常存在工程机械虚报加油量数据，随着项目管理越来越精细，对费用的管理越来越规范和严格，要求从管理上出效益，杜绝虚报加油量，工程机械在管理的时候，加油人员经常虚报加油量，给公司造成比较大的损失，工程机械在管理的时候，发现每月上报的加油量总和实际工程机械使用的月度燃油消耗量不符，现有的测量方案是通过读取加油枪的数据，这种情况由于是人为上报有可能存在虚报，如果是系统上报，也无法杜绝加油后再从机器抽取部分燃油的漏洞，有的实现方法在油箱中安装油位传感器，通过油箱容量和油位刻度化，来计算加了多少升油，而此方法依赖于油箱是规则的，现实中往往很多油箱都是不规则的，从而导致测算的加油量不准确。

发明内容

本发明的目的在于提供一种通过机器学习和大数据相结合的加油量精准测量系统，以解决上述背景技术中提出项目工地经常存在工程机械虚报加油量数据，随着项目管理越来越精细，对费用的管理越来越规范和严格，要求从管理上出效益，杜绝虚报加油量，工程机械在管理的时候，加油人员经常虚报加油量，给公司造成比较大的损失，工程机械在管理的时候，发现每月上报的加油量总和实际工程机械使用的月度燃油消耗量不符，现有的测量方案是通过读取加油枪的数据，这种情况由于是人为上报有可能存在虚报，如果是系统上报，也无法杜绝加油后再从机器抽取部分燃油的漏洞，有的实现方法在油箱中安装油位传感器，通过油箱容量和油位刻度化，来计算加了多少升油，而此方法依赖于油箱是规则的，现实中往往很多油箱都是不规则的，从而导致测算加油量不准确的问题。

为实现上述目的，本发明提供如下技术方案：一种通过机器学习和大数据相结合的加油量精准测量系统，包括：

采集装置，所述采集装置通过OBD接口进行信号输入，所述采集装置通过MQTT协议进行输出，并对加油量进行计算，将工程机械使用时加油量的数据进行采集，采集数据包括油位刻度，油位刻度油量和耗油量，油位刻度是指油位仪表盘的刻度数据，区间是0-100％，油位刻度油量是指每个刻度变化对于的油量。比油位从78％降到77％，这个刻度变好对于的油量，耗油量是指单位时间内机器消耗的油量。

数据云端，所述数据云端将采集的数据进行收集，通过云端内部的算法对采集数据进行数据的对应处理，所述数据云端内预设有加油情景模型。

数据处理单元，所述数据处理单元将数据进行整合处理，同时根据预设数据模型进行数据的对比处理，并将处理完成的数据输出。

数据储存单元，所述数据储存单元将输出的数据收集之后，并将数据反馈到所述数据云端中，再通过数据云端发送给对应的机器，让其进行数据的积累，进行学习。

优选的，所述数据云端中的算法分为油位刻度数据过滤算法和油位量对应刻度算法。

优选的，所述油位刻度数据过滤算法为：采用算术平均和和方差进行滤波：由于机器在开动的过程中，油位波动幅度比较大，油位传感器获取到的油位数据波动比较大，需要对油位数据通过过滤算法来获取真实的油位数据，连续取5分钟内60个采样值进行算术平均运算，N值较大时：信号平滑度较高，但灵敏度较低，N值较小时：信号平滑度较低，但灵敏度较高，N值的选取：N平均值，对所有样本进行方差计算。对大于2倍方差的值进行过滤。

优选的，所述油位量对应刻度算法为：在计算加油量之前，需要知道每个百分位刻度变化对应的油量值，系统通过海量数据的出来，取步长N，取数据起始位置从100到100-N，结束位置从N...1，油位刻度＝(X-Y)/(100-N)第一次计算到该区间每个刻度的对应的油量，(X1-Y1)/(99-N+1)第二次计算到该区间每个刻度的对应的加油量，对N次计算：(Xn-Yn)/(100-N)第N次计算到该区间每个刻度的对应的加油量，对一以上每个刻度求N次平均值得到每个刻度对应的油量。

优选的，所述加油情景模型预设有四种，为加油情景A，加油情景B，加油情景C，加油情景D。

优选的，所述加油情景A预设数据为：油位从0％以下开始加油，加油到100％以上，通过在第一次出现0％油位刻度的时间点，找到加油时间点的，通过两个时间点累计耗油量计算0％等到以下的油量，0％-100％以上的加油量，通过机器学习得到每个刻度的加油量的求和得到0-100％之间的油量，100％以上的油量，通过加油时间到第一次掉到100％以下的时间点，计算两个时间段之间的总耗油量。

优选的，所述加油情景B预设数据为：从0％以下开始加油，加油100％以下(未加满油)，通过在第一层出现0油位刻度的时间点，找到加油时间点的，通过两个时间点计算0以下的油量，通过机器学习的油位刻度对应的油量，比如通过0-78％，那么求和每个刻度的油量就得到了0-78％之间的加油量。

优选的，所述加油情景C预设数据为：从油位刻度0以上开始加油，加油到100以下(未加满油)，通过机器学习的油位刻度对应的油量，比如加油从30％加到80％，那么求和每个刻度的油量就得到了30％-80％之间的加油量。

优选的，所述加油情景D预设数据为：从0以上开始加油，加油到100以上(加满油)，通过机器学习的油位刻度对应的油量，比如加油从30％加到100％，那么求和每个刻度的油量就得到了30％-100％之间的加油量，100％以上的油量，通过加油时间到第一次掉到100％以下的时间点，计算两个时间段之间的总耗油量。

与现有技术相比，本发明的有益效果是：该通过机器学习和大数据相结合的加油量精准测量系统，通过耗油量和油位刻度的变化，计算单位刻度对应的油量的技术实现，通过耗油量和油位刻度的变化，计算加油量的技术实现，通过大数据和分析，对油位波动异常的数据进行大数据处理，通过实时油位的变化和油耗数据，通过海量数据计算出和机器学习获取到每机型每个油位的刻度对应的精准油量，适用于对一般具有随机干扰的信号进行滤波这样信号的特点是有一个平均值，信号在某一数值范围附近上下波动，对异常波动的数据进行过滤，通过海量数据的重复测试，得到最接近真实的油位量数据，工程机械在不同的工作状态下，会导致震动强度不同，在振动的过程中，会导致油位刻度不停的波动数据，油位数据会产生大量的差异，通过对数据的清洗滤波等处理，最终得到真实的油位数据，精准计算每次的加油量，实时性高上报自动化，每次加油后可以快速得到加油数据。

附图说明

图1为本发明的架构示意图；

图2为本发明的学习流程图；

图3为本发明加油情景A示意图；

图4为本发明加油情景B示意图；

图5为本发明加油情景C示意图；

图6为本发明加油情景D示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-6，本发明提供一种技术方案：一种通过机器学习和大数据相结合的加油量精准测量系统，包括；

采集装置，采集装置通过OBD接口进行信号输入，采集装置通过MQTT协议进行输出，并对加油量进行计算，将工程机械使用时加油量的数据进行采集，采集数据包括油位刻度，油位刻度油量和耗油量，油位刻度是指油位仪表盘的刻度数据，区间是0-100％，油位刻度油量是指每个刻度变化对于的油量。比油位从78％降到77％，这个刻度变好对于的油量，耗油量是指单位时间内机器消耗的油量。

数据云端，数据云端将采集的数据进行收集，通过云端内部的算法对采集数据进行数据的对应处理，数据云端内预设有加油情景模型。

数据处理单元，数据处理单元将数据进行整合处理，同时根据预设数据模型进行数据的对比处理，并将处理完成的数据输出。

数据储存单元，数据储存单元将输出的数据收集之后，并将数据反馈到数据云端中，再通过数据云端发送给对应的机器，让其进行数据的积累，进行学习。

进一步的，数据云端中的算法分为油位刻度数据过滤算法和油位量对应刻度算法；

进一步的，油位刻度数据过滤算法为：采用算术平均和和方差进行滤波：由于机器在开动的过程中，油位波动幅度比较大，油位传感器获取到的油位数据波动比较大，需要对油位数据通过过滤算法来获取真实的油位数据，连续取5分钟内60个采样值进行算术平均运算，N值较大时：信号平滑度较高，但灵敏度较低，N值较小时：信号平滑度较低，但灵敏度较高，N值的选取：N平均值，对所有样本进行方差计算。对大于2倍方差的值进行过滤；

进一步的，油位量对应刻度算法为：在计算加油量之前，需要知道每个百分位刻度变化对应的油量值，系统通过海量数据的出来，取步长N，取数据起始位置从100到100-N，结束位置从N...1，油位刻度＝(X-Y)/(100-N)第一次计算到该区间每个刻度的对应的油量，(X1-Y1)/(99-N+1)第二次计算到该区间每个刻度的对应的加油量，对N次计算：(Xn-Yn)/(100-N)第N次计算到该区间每个刻度的对应的加油量，对一以上每个刻度求N次平均值得到每个刻度对应的油量；

进一步的，加油情景模型预设有四种，为加油情景A，加油情景B，加油情景C，加油情景D；

进一步的，加油情景A预设数据为：油位从0％以下开始加油，加油到100％以上，通过在第一次出现0％油位刻度的时间点，找到加油时间点的，通过两个时间点累计耗油量计算0％等到以下的油量，0％-100％以上的加油量，通过机器学习得到每个刻度的加油量的求和得到0-100％之间的油量，100％以上的油量，通过加油时间到第一次掉到100％以下的时间点，计算两个时间段之间的总耗油量；

进一步的，加油情景B预设数据为：从0％以下开始加油，加油100％以下(未加满油)，通过在第一层出现0油位刻度的时间点，找到加油时间点的，通过两个时间点计算0以下的油量，通过机器学习的油位刻度对应的油量，比如通过0-78％，那么求和每个刻度的油量就得到了0-78％之间的加油量；

进一步的，加油情景C预设数据为：从油位刻度0以上开始加油，加油到100以下(未加满油)，通过机器学习的油位刻度对应的油量，比如加油从30％加到80％，那么求和每个刻度的油量就得到了30％-80％之间的加油量；

进一步的，加油情景D预设数据为：从0以上开始加油，加油到100以上(加满油)，通过机器学习的油位刻度对应的油量，比如加油从30％加到100％，那么求和每个刻度的油量就得到了30％-100％之间的加油量，100％以上的油量，通过加油时间到第一次掉到100％以下的时间点，计算两个时间段之间的总耗油量。

工作原理：采集装置，采集装置通过OBD接口进行信号输入，采集装置通过MQTT协议进行输出，并对加油量进行计算，将工程机械使用时加油量的数据进行采集，采集数据包括油位刻度，油位刻度油量和耗油量，油位刻度是指油位仪表盘的刻度数据，区间是0-100％，油位刻度油量是指每个刻度变化对于的油量。比油位从78％降到77％，这个刻度变好对于的油量，耗油量是指单位时间内机器消耗的油量，数据云端，数据云端将采集的数据进行收集，通过云端内部的算法对采集数据进行数据的对应处理，数据云端内预设有加油情景模型，数据云端中的算法分为油位刻度数据过滤算法和油位量对应刻度算法，油位刻度数据过滤算法为：采用算术平均和和方差进行滤波：由于机器在开动的过程中，油位波动幅度比较大，油位传感器获取到的油位数据波动比较大，需要对油位数据通过过滤算法来获取真实的油位数据，连续取5分钟内60个采样值进行算术平均运算，N值较大时：信号平滑度较高，但灵敏度较低，N值较小时：信号平滑度较低，但灵敏度较高，N值的选取：N平均值，对所有样本进行方差计算。对大于2倍方差的值进行过滤，油位量对应刻度算法为：在计算加油量之前，需要知道每个百分位刻度变化对应的油量值，系统通过海量数据的出来，取步长N，取数据起始位置从100到100-N，结束位置从N...1，油位刻度＝(X-Y)/(100-N)第一次计算到该区间每个刻度的对应的油量，(X1-Y1)/(99-N+1)第二次计算到该区间每个刻度的对应的加油量，对N次计算：(Xn-Yn)/(100-N)第N次计算到该区间每个刻度的对应的加油量，对一以上每个刻度求N次平均值得到每个刻度对应的油量，加油情景模型预设有四种，为加油情景A，加油情景B，加油情景C，加油情景D，加油情景A预设数据为：油位从0％以下开始加油，加油到100％以上，通过在第一次出现0％油位刻度的时间点，找到加油时间点的，通过两个时间点累计耗油量计算0％等到以下的油量，0％-100％以上的加油量，通过机器学习得到每个刻度的加油量的求和得到0-100％之间的油量，100％以上的油量，通过加油时间到第一次掉到100％以下的时间点，计算两个时间段之间的总耗油量，加油情景B预设数据为：从0％以下开始加油，加油100％以下(未加满油)，通过在第一层出现0油位刻度的时间点，找到加油时间点的，通过两个时间点计算0以下的油量，通过机器学习的油位刻度对应的油量，比如通过0-78％，那么求和每个刻度的油量就得到了0-78％之间的加油量，加油情景C预设数据为：从油位刻度0以上开始加油，加油到100以下(未加满油)，通过机器学习的油位刻度对应的油量，比如加油从30％加到80％，那么求和每个刻度的油量就得到了30％-80％之间的加油量，加油情景D预设数据为：从0以上开始加油，加油到100以上(加满油)，通过机器学习的油位刻度对应的油量，比如加油从30％加到100％，那么求和每个刻度的油量就得到了30％-100％之间的加油量，100％以上的油量，通过加油时间到第一次掉到100％以下的时间点，计算两个时间段之间的总耗油量，数据处理单元，数据处理单元将数据进行整合处理，同时根据预设数据模型进行数据的对比处理，并将处理完成的数据输出，数据储存单元，数据储存单元将输出的数据收集之后，并将数据反馈到数据云端中，再通过数据云端发送给对应的机器，让其进行数据的积累，进行学习。

最后应当说明的是，以上内容仅用以说明本发明的技术方案，而非对本发明保护范围的限制，本领域的普通技术人员对本发明的技术方案进行的简单修改或者等同替换，均不脱离本发明技术方案的实质和范围。