(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111360507.4 (22)申请日 2021.11.17 (71)申请人 天津大学 地址 300350 天津市津南区海河教育园雅 观路135号天津大 学北洋园校区 (72)发明人 王晓玲　佟大威　张君　吴斌平　 任炳昱　余佳　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 代理人 李丽萍 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01)H04M 1/72403(2021.01) (54)发明名称 基于智能手机的大坝施工机械状态智能感 知与监控方法 (57)摘要 本发明公开了一种基于智能手机的大坝施 工机械状态智能感知与监控方法， 将智能手机 APP、 云端服务器和电脑客户端布设到现场机械 上和分控站； 在大坝仓面开始施工前， 输入机械 编号、 人员编号以及仓面角点标记； 施工过程中 通过手机客户端实时采集传感器信息， 并进行存 储和包括异常值、 缺失值、 声音信号和加速度信 号的预处理； 通过布设在云端的服务器接收并存 储手机APP传送的数据， 通过机器学习挖掘数据 中蕴含的机械作业状态信息， 建立施工机械作业 状态分类模型； 将获取的机械编号、 人员编号以 及仓面角点标记信息， 预处理后的数据信息和机 械作业状态信息进行统一管 理和可视化。 为土石 坝施工仿真和质量分析等 提供更准确的信息 。 权利要求书2页 说明书8页 附图1页 CN 114298139 A 2022.04.08 CN 114298139 A 1.一种基于智能手机的大坝施工机械状态智能感知与监控方法， 其特征在于， 将智能 手机APP、 云端服 务器和电脑客户端布设到现场机 械上和分控站； 所述的智能手机APP为一款基于Android操作系统的智能手机数据采集软件， 实现的功 能包括： 1)手机内置传感器信息调用： 通过WiFi ‑RSS、 加速度计、 陀螺仪、 磁场传感器、 麦克风和 大气压力传感器， 得到GNSS与wifi ‑RSS融合后的高精度位置、 高程、 三轴加速度、 三轴角速 度、 磁场方位、 环境声 音信号和大气压力 信息， 通过设置的频率采集并存 储这些信息； 2)机械信息的人工录入和存储： 通过人工记录机械编号、 机械类型、 操作时段、 仓面角 点标记； 3)连接到服务端： 将步骤1)获得的手机内置传感器信息数据和步骤2)录入的机械信息 数据传至云端服 务器服务端上进行存 储， 以使电脑客户端 进行查询调用； 所述的云端服务器， 通过阿里云服务进行部署， 基于4G通讯技术实时接收和存储智能 手机APP实时感知获取的施工机械作业状态信息， 并基于机器学习 方法将接 收并存储的数 据进行更进一步地挖掘， 获取精细化的施工 机械作业状态； 所述的电脑客户端安装在分控站电脑上， 对步骤1)获得的手机内置传感器信 息和步骤 2)录入的机械信息数据进行集成管 理， 将作业的原始数据和数据挖掘后的施工作业状态信 息进行统一管理和可视化， 以辅助施工进度质量分析和决策。 2.根据权利要求1所述的基于智能手机的大坝施工机械状态智能感知与监控方法， 其 特征在于， 具体步骤如下： 步骤一、 初始信息录入， 在大坝仓面开始施工前， 输入机械编号、 人员编号以及仓面角 点标记； 步骤二、 施工过程中通过手机客户端实时采集传感器信 息， 并进行存储和预处理， 所述 预处理包括采用移动窗口方法进 行异常值的预 处理、 采用指数加权移动平均方法进行缺 失 值的预处理、 采用窗式傅里叶变换方法进 行声音信号的预 处理和采用带通滤波器对加速度 信号进行 预处理； 步骤三、 通过布设在 云端的服务器接收并存储手机APP传送的数据， 通过机器学习挖掘 数据中蕴含的机 械作业状态信息， 建立施工 机械作业状态分类模型； 包括： 3‑1)对数据进行 标准化， 根据实际观测标记数据标签， 制作标准数据集； 3‑2)采用主成分 分析方法(PCA)实现数据降维； 3‑3)建立基于长短期记忆神经网络(LSTM)的施工机械作 业识别模型， 识别机械的作 业 状态； 步骤四、 将步骤一获取的机械编号、 人员编号以及仓面角点标记信 息， 步骤二存储和预 处理后的数据信息， 步骤三获取的机 械作业状态信息进行统一管理和可视化。 3.根据权利要求2所述的基于智能手机的大坝施工机械状态智能感知与监控方法， 其 特征在于， 步骤3 ‑1)的内容如下： 首先， 采用Min ‑Max标准化法， 将原始数据进行线性变换， 将值 映射到[0,1]区间上， 去 除数据的单位限制， 转化为无量纲的纯数值， 便于不同单位或量级的指标能够进行比较和 加权； 其次， 将机 械实际运行观测得到的机 械作业状态作为训练数据标签， 包括：权　利　要　求　书 1/2 页 2 CN 114298139 A 2对于碾压机械， 机械作业状态划分为： 静止未启动状态、 静止启动状态、 静碾前进状态、 静碾后退状态、 低振前进状态、 低振后退状态、 高振前进状态和高振后退状态， 从而将碾压 机械传感器获得的数据标记为8类； 对于挖掘机械， 机械作业状态划分为： 闲置状态、 平移状态、 挖掘状态、 卸料状态、 向左 旋转状态、 向右旋转状态， 从而将挖掘机传感器获得的数据标记为6类。 4.根据权利要求3所述的基于智能手机的大坝施工机械状态智能感知与监控方法， 其 特征在于， 步骤3 ‑2)的内容如下： 将步骤3‑1)处理后的数据集的每一维进行零均值化， 求特征协方差矩阵； 根据协方差 矩阵求特征值和特征向量； 将特征向量按对应特征值大小从上到下按 行排列成矩阵， 取前k 行组成矩阵P， 即为降维到k维后的数据。 5.根据权利要求4所述的基于智能手机的大坝施工机械状态智能感知与监控方法， 其 特征在于， 步骤3 ‑3)的内容如下： 以步骤3‑2)PCA降维后的传感器数据制作数据集， 将降维后的数据划分为训练集和测 试集， 然后将训练集作为模型的输入， 通过长短期记忆神经网络(LSTM)进行学习并得到输 出， 并且根据当前输出与预期输出之间的误差不断优化模型， 进而得到最后的施工机械作 业状态分类模型。权　利　要　求　书 2/2 页 3 CN 114298139 A 3