一种油耗预测监控方法、装置、系统及存储介质

技术领域

本发明涉及数据处理技术领域，具体涉及一种油耗预测监控方法、装置、系统及存储介质。

背景技术

工程机械行业油耗管理主要依托终端采集的实时油位百分比数据及燃油总消耗数据评估，数据具有滞后性且需要管理人员实时监管。同时对于未投产的项目，工程管理人员很难根据项目工时评估预计消耗的燃油量。在设备使用过程中，管理人员也很难评估设备产生的较高油耗是否产生于偷油漏油等与设备使用无关的行为。

公开号为CN112163299A的专利申请中描述了使用随机森林与K-邻近算法预测车辆油耗；公开号为CN112214854A专利申请中描述了使用最小二乘法确定多项式参数组合作为油耗预测算式。两篇专利都使用与挖掘机同型号的运行数据作为训练参数进行油耗相关模型训练，只筛选与油耗相关参数，未对数据进行初步计算处理；数据采用同型号机型，未充分考虑挖掘机本身所处工况及驾驶员行为对油耗的影响；使用的算法较为单一；也未能通过模型训练对设备进行相关使用评估结果。

发明内容

本发明的目的在于提供一种油耗预测监控方法、装置、系统及存储介质，以解决现有技术中导致使用单一算法获取的模型准确度低及缺乏对设备评估的问题。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明公开了一种油耗预测监控方法，包括：

对采集的车辆运行数据进行处理，获得车辆的工时油耗数据；

采用多种机器学习算法训练所述工时油耗数据，获得不同算法的数据模型，选择决定系数高的数据模型作为该车辆的油耗模型；

将车辆的当日运行参数输入至油耗模型获取车辆的当日预测油耗，将车辆的当日预测油耗和当日实际油耗对比；响应于当日实际油耗高于当日预测油耗预设值时，向客户推送提醒数据。

进一步地，采用多种机器学习算法训练所述工时油耗数据，获得车辆的油耗模型包括：

将所述工时油耗数据划分为训练集和验证集，其中，训练集占所述工时油耗数据的85-95％；

将训练集中的发动机挡位、工作模式和发动机转速作为输入特征值，将训练集中的油耗作为训练结果，输入至不同的机器学习算法，获得不同算法的数据模型；

使用验证集验证不同算法的数据模型的决定系数，选择决定系数高的数据模型作为该车辆的油耗模型。

进一步地，获得不同算法的数据模型，包括：

将训练集中的发动机挡位、工作模式和发动机转速作为输入特征值，将训练集中的油耗作为训练结果，输入至线性回归学习算法，获得线性回归算法的数据模型；

将训练集中的发动机挡位、工作模式和发动机转速作为输入特征值，将训练集中的油耗作为训练结果，输入至随机深林算法，获得随机深林算法的数据模型。

进一步地，所述线性回归学习算法为：

其中，x

进一步地，获得随机森林算法的数据模型包括：

从每个训练集中随机选择K个特征，其中，所述K个特征至少包括发动机挡位、工作模式和发动机转速；

根据所述K个特征建立m棵决策树；

应用每棵决策树预测车辆油耗，并保存所有的预测结果；

对每棵决策树进行投票，计算每个预测结果的得票数，选择得票数最高的模型作为随机森林算法的数据模型。

进一步地，获得车辆的工时油耗数据：

对采集的车辆数据进行处理，筛除包括空数据及跳变数据的无效数据；

根据与油耗相关的发动机挡位、工作模式和发动机转速，获得车辆不同维度的工时油耗数据。

进一步地，响应于当日实际油耗高于当日预测油耗预设值时，向客户推送提醒数据包括：

若当日实际油耗高于当日预测油耗的30％，则判定车辆的当日实际油耗为异常油耗；

响应于车辆的当日油耗为异常油耗时，获取车辆的历史油耗数据；

若车辆的历史实际油耗数据相对于历史预测油耗数据呈逐步上升，则向客户推送保养提醒数据；

若车辆的当日实际油耗高于历史实际油耗预设值时，则向客户推送异常提醒数据。

第二方面，本发明公开了一种油耗预测监控装置，包括：

采集处理模块，用于对采集的车辆运行数据进行处理，获得车辆的工时油耗数据；

模型训练模块，用于采用多种机器学习算法训练所述工时油耗数据，获得不同算法的数据模型，选择决定系数高的数据模型作为该车辆的油耗模型；

监控分析模块，用于将车辆的当日运行参数输入至油耗模型获取车辆的当日预测油耗，将车辆的当日预测油耗和当日实际油耗对比；响应于当日实际油耗高于当日预测油耗预设值时，向客户推送提醒数据。

第三方面，本发明公开了一种油耗预测监控系统，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行上述任一项所述方法的步骤。

第四方面，本发明公开了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

根据上述技术方案，本发明的实施例至少具有以下效果：

1、本申请设计的预测监控方法，通过采用多种机器学习算法训练工时油耗数据，并选择决定系数高的数据模型作为油耗模型，相较于单一的算法获取的模型，本申请获取的油耗模型准确度更高；

2、本申请设计了预测方案，通过当日实际油耗高于当日预测油耗预设值时，向客户推送提醒数据，有效的实现了对车辆油耗的监控，并实现了对车辆的评估。

附图说明

图1为本发明油耗监控方法的流程图；

图2为图1中模型训练及监控的具体流程图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

需要说明的是，在本发明的描述中，术语“前”、“后”、“左”、“右”、“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图中所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不能理解为对本发明的限制。本发明描述中使用的术语“前”、“后”、“左”、“右”、“上”、“下”指的是附图中的方向，术语“内”、“外”分别指的是朝向或远离特定部件几何中心的方向。

实施例1

如图1和图2所示，本发明公开了一种油耗预测监控方法，该方法包括：对采集的车辆运行数据进行处理，获得车辆的工时油耗数据；采用多种机器学习算法训练工时油耗数据，获得不同算法的数据模型，选择决定系数高的数据模型作为该车辆的油耗模型；将车辆的当日运行参数输入至油耗模型获取车辆的当日预测油耗，将车辆的当日预测油耗和当日实际油耗对比；响应于当日实际油耗高于当日预测油耗预设值时，向客户推送提醒数据。

本申请设计的预测监控方法，通过采用多种机器学习算法训练工时油耗数据，并选择决定系数高的数据模型作为油耗模型，相较于单一的算法获取的模型，本申请获取的油耗模型准确度更高；通过当日实际油耗高于当日预测油耗预设值时，向客户推送提醒数据，有效的实现了对车辆油耗的监控，并实现了对车辆的评估。

图1为本申请的整体流程图，具体包括如下过程。

S101：采集车辆运行数据。

挖掘机终端和控制器会根据通信协议定时上传车辆运行数据，此油耗预测管理系统主要关注的有时间、总油耗、发动机总工作时间、模式、档位、发动机转速等相关参数。

S102：对车辆运行数据预处理，计算与油耗相关的档位、模式、转速等不同类型下的工时油耗数据。

对步骤S101中采集到的车辆运行数据进行数据清理、转化、加载，筛除无效数据后根据影响挖掘机油耗的机型、模式、档位、发动机转速等维度分析车辆每日工时油耗数据，方便后续代入机器学习模型。

制得说明的是，本申请数据集进行预处理的目的是为了筛除空数据、跳变数据等无效数据，防止因工时油耗预处理误差导致模型偏差。

车辆预处理数据集计算时分别统计档位、转速、工作模式等维度下的工时油耗，其中判断怠速的发动机转速标准值需要根据机型定义。

S103：使用多种机器学习算法训练工时油耗模型。

对步骤S102中同机型数据初步处理之后的部分多维度工时数据作为训练样本，使用线性回归、随机森林回归等多种回归算法对训练集进行训练，产生的模型使用剩余部分工时数据进行预测，预测结果与实际值比对，生成不同训练模型的预测准确度。

在一些进一步地实施例中，步骤S103包括：将工时油耗数据划分为训练集和验证集，其中，训练集占工时油耗数据的90％。

将训练集中的发动机挡位、工作模式、发动机转速、怠速、扭矩工时作为输入特征值，将训练集中的油耗作为训练结果，输入至线性回归、随机森林等机器学习算法，获得线性回归数据模型和随机森林数据模型。

下面具体介绍两种机器学习算法获得油耗模型的过程。

线性回归是利用数理统计中回归分析，在此系统中用来确定油耗和工作模式、发动机档位、发动机转速等参数间相互依赖的定量关系的一种统计分析方法，可用最小二乘法求出其方程：

其中，x

随机森林是指用随机抽样的方法建立一个森林。随机指是随机选取油耗数据集样本来建立模型；森林是指它由包含很多独立的决策树。随机森林基本原理如下：

第一步，从挖掘机工作原始数据中以有放回的方式随机取样得到n个训练数据集。

第二步，从每个训练数据集中随机选择K个特征，其中特征，包括发动机档位、工作模式、发动机转速、机油温度等等一系列运行参数)。

第三步，将每个训练集根据随机选取的K个特征建立起来m棵决策树。

第四步，应用每个决策树来预测油耗，并且保存所有预测的结果。

第五步，对分类模型进行投票，计算每个预测结果的得票数，选择得票数最高的模型作为最终决策。

本申请中通过将与油耗相关的工作模式、发动机档位、发动机转速等参数结合至不同的算法中，可提高油耗预测的准确性。

S104：设备油耗模型。

使用验证集验证线性回归数据模型和随机森林数据模型的决定系数，选择决定系数高的数据模型作为该车辆的油耗模型。

该过程中，使用可使用油耗模型，预测车辆的油耗数据，并记录车辆每日的实际油耗数据。具体的，将当日车辆运行参数作为特征值输入，预测当日油耗，与实际值对比，并记录存入数据库，作为该车辆的油耗档案进行后续的对比分析。

S105：设备监控系统。

将车辆的当日运行参数输入至油耗模型获取车辆的当日预测油耗，将车辆的当日预测油耗和当日实际油耗对比；当日实际油耗高于当日预测油耗预设值时，向客户推送提醒数据。

该步骤的具体过程为：若实际油耗远大于同机型预测油耗，说明该车油耗高于该机型正常水平，此时需要使用车辆历史工时油耗数据进一步判断。

当实际油耗大于同机型预测油耗的30％时，则说明车辆的当日实际油耗为异常油耗。此时，需要进一步获取车辆历史工时油耗数据，判断具体原因。

若车辆的油耗逐步上升，则说明车辆零部件磨损或机油冷却液等不足，则推送客户保养信息。若车辆的油耗历史数据呈现平稳状态，而当日油耗陡然高于历史及同机型油耗水平。此设计可设置高于历史同机型油耗水平的30％，则可能出现漏油或故障等现象，推送客户相关数据提醒。

本申请采用上述方法，能够每日针对同机型车辆工况、工时、油耗等参数进行机器学习建模，当车辆当日实际油耗远高于同机型模型训练出的预测油耗时，通过与自身历史数据对比来推测高油耗的可能原因，并推送客户。

实施例2

基于实施例1相同的发明构思，本发明还提供了一种油耗预测监控装置，包括：

采集处理模块，用于对采集的车辆运行数据进行处理，获得车辆的工时油耗数据；

模型训练模块，用于采用多种机器学习算法训练所述工时油耗数据，获得不同算法的数据模型，选择决定系数高的数据模型作为该车辆的油耗模型；

监控分析模块，用于将车辆的当日运行参数输入至油耗模型获取车辆的当日预测油耗，将车辆的当日预测油耗和当日实际油耗对比；响应于当日实际油耗高于当日预测油耗预设值时，向客户推送提醒数据。

实施例3

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。

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。

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。

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。

由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。