【技术实现步骤摘要】
本专利技术涉及车辆检测，具体的说涉及一种基于lstm-rnn的工程机械温度预测方法、装置与存储介质。
技术介绍
1、在工程机械领域，尤其是矿用挖掘机，为保障机器性能和延长发动机寿命，确保水温（冷却液温度）和液压油温在正常工作范围内至关重要。传统的监控方法依赖于各种仪表来实时反映机器各部件的工作状态。这些仪表的读数对于评估发动机性能和预防过热、磨损等问题具有重要意义。然而，传统的监控方法可能无法及时发现水温和液压油温的异常变化，从而增加了机械故障的风险。
2、为了克服这一问题，提高工程机械的可靠性和效率，我们提出利用深度学习技术为水温和液压油温构建预测模型。通过收集大量的运行数据，并应用先进的深度学习算法，可以训练出能够准确预测水温和液压油温变化趋势的模型，用于预测工程机械的水温或液压油温值，对后续的设计和改进提供指导。
技术实现思路
1、本专利技术的目的是提供一种基于lstm-rnn的工程机械温度预测方法、装置与存储介质，用于预测工程机械的水温或液压油温值，对后续的设计和改进提供指导。
2、第一方面，本专利技术公开了一种基于lstm-rnn的工程机械温度预测方法，该方法包括以下步骤：步骤s1、从车联网历史数据中导出包括水温或液压油温的工程机械工况数据，并进行数据清洗，以剔除异常值；步骤s2、对清洗后的数据进行重采样和编码处理，以得到稳定、统一的采样频率，并将数据分为训练集和验证集；步骤s3、使用tensorflow构建基于lstm神经网络的工程机械温度预测模
3、进一步的，所述步骤s3中的工程机械温度预测模型采用sequential的线性结构。采用sequential的线性结构使得模型的层次清晰、易于理解，同时也便于后续的扩展和维护；通过sequential结构，可以方便地添加和调整网络层，以适应不同的数据和任务需求。
4、进一步的，所述步骤s4具体包括：步骤s41、添加batchnormalization层，对输入数据进行标准化处理；步骤s42、添加lstm层，设置单元数量为128，激活函数为leaky_relu，并指定输入形状为(n_timesteps, n_features)；步骤s43、添加flatten层，将lstm层的输出展平；步骤s44、添加dense层，输出100个节点，并使用leaky_relu激活函数；步骤s45、添加dropout层，以减少过拟合；步骤s46、添加dense层，输出n_outputs个节点，用于预测。通过添加batchnormalization层对输入数据进行标准化处理，提高了模型的稳定性和收敛速度；接着，利用lstm层捕获时序数据中的长期依赖关系，并设置适当的单元数量和激活函数，确保了模型能够充分提取数据特征；flatten层的引入将lstm的输出展平，为后续的dense层提供了合适的输入格式；dense层的设置则增强了模型的非线性映射能力，并通过leaky_relu激活函数引入了非线性因素；dropout层的添加有效减少了模型过拟合的风险，提高了模型的泛化能力；最终，输出层的设置使得模型能够输出精确的预测结果。
5、进一步的，所述步骤s6具体包括：使用tensorflow的keras api来构建模型，使用mse（均方误差）作为损失函数，使用adam优化器进行优化，使用验证集来验证模型，并使用early_stopping来提前终止训练以防止过拟合。利用tensorflow的keras api来构建工程机械温度预测模型，使得模型构建过程更加简洁高效；选择mse作为损失函数，能够精准度量预测值与真实值之间的误差，提高预测精度；采用adam优化器进行优化，可以快速收敛至最优解，提高训练效率；同时，利用验证集对模型进行验证，有效评估模型的泛化能力；通过引入early_stopping机制，能够在模型性能不再提升时提前终止训练，有效防止过拟合，进一步提高模型的预测性能。
6、第二方面，本专利技术公开了一种基于lstm-rnn的工程机械温度预测装置，包括：存储器，用于存储程序指令；处理器，用于调用所述存储器中存储的所述程序指令以实现如第一方面任一技术方案所述的基于lstm-rnn的工程机械温度预测方法。
7、第三方面，本专利技术公开了一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码用于实现如第一方面任一项技术方案所述的基于lstm-rnn的工程机械温度预测方法。
8、综上所述，本专利技术的有益效果在于：首先，本专利技术实现了对工程机械水温或液压油温的实时监测与预测，通过构建基于lstm-rnn的温度预测模型，能够精准预测工程机械的温度变化，为工程机械的故障预警、能效优化及维护计划制定提供了重要依据。其次，本专利技术在模型构建过程中，采用了sequential的线性结构，使得模型层次清晰、易于理解和扩展，同时利用batchnormalization层对输入数据进行标准化处理，提高了模型的稳定性和收敛速度。此外，本专利技术在模型训练过程中，使用tensorflow的keras api简化了模型构建过程，并引入了early_stopping机制来提前终止训练，有效防止了过拟合，提高了模型的预测性能。综上所述，本专利不仅提高了工程机械温度预测的精度和效率，而且具有易于扩展和维护的特性，具有重要的应用价值。
本文档来自技高网...【技术保护点】
1.一种基于LSTM-RNN的工程机械温度预测方法，其特征在于,该方法包括以下步骤：
2.根据权利要求1所述的工程机械温度预测方法，其特征在于,所述步骤S3中的工程机械温度预测模型采用Sequential的线性结构。
3.根据权利要求1所述的工程机械温度预测方法，其特征在于,所述步骤S4具体包括：
4.根据权利要求1所述的工程机械温度预测方法，其特征在于,所述步骤S6具体包括：使用Tensorflow的Keras API来构建模型，使用MSE（均方误差）作为损失函数，使用Adam优化器进行优化，使用验证集来验证模型，并使用early_stopping来提前终止训练以防止过拟合。
5.一种基于LSTM-RNN的工程机械温度预测装置，其特征在于，包括：
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序代码，
【技术特征摘要】
1.一种基于lstm-rnn的工程机械温度预测方法，其特征在于,该方法包括以下步骤：
2.根据权利要求1所述的工程机械温度预测方法，其特征在于,所述步骤s3中的工程机械温度预测模型采用sequential的线性结构。
3.根据权利要求1所述的工程机械温度预测方法，其特征在于,所述步骤s4具体包括：
4.根据权利要求1所述的工程机械温度预测方法，其特征在于,所述...
【专利技术属性】
技术研发人员：丁锦豪，王璇，涂卓异，涂晓丹，蒙小行，陈红潜，王正航，
申请(专利权)人：雷沃重工集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。