一种基于发动机输出功率预测与控制器参数整定的液压挖掘机优化方法

技术领域

本发明属于工程机械液压挖掘机控制技术领域，具体是基于发动机输出功率预测与控制器参数整定的液压挖掘机优化方法。

背景技术

液压挖掘机作业具有工况复杂、参数约束非线性、缺少有效的自适应控制方法等相关问题，通常会导致液压挖掘机作业时发生转速剧烈变化或掉速情况，间接提升了发动机燃油消耗率，增加了实际作业的燃油消耗量。同时，发动机转速变化剧烈时，通常会产生液压挖掘机机体抖动，严重影响了驾驶员的操作舒适性，发动机掉速也会使液压挖掘机无法完成规定负载作业，降低了液压挖掘机的作业效率，为了提升液压挖掘机的作业舒适性与作业效率，对液压挖掘机的发动机转速稳定控制的研究是势在必行的。

针对稳定液压挖掘机的发动机转速而言，控制发动机输出功率与液压泵负载需求功率的动态匹配是根本方法。目前可以通过两个方向对发动机控制进行优化，一是利用发动机实际输出转速作为系统反馈，利用转速控制器进行转速的直接稳定控制。二是利用液压泵的负载转矩作为系统反馈，利用转矩控制器进行转速的间接稳定控制，其本质属于发动机与液压泵的功率匹配控制器。显然利用转矩控制器进行转速的间接稳定控制是从根本上进行了转速稳定控制，目前国内外已有较多学者进行了相关研究，但是目前的转矩控制器大多为负反馈控制器，即延迟控制，由于液压挖掘机在实际作业时，液压系统与发动机的运行均需要一定的响应时间，固需要对发动机转速稳定的实时控制进行研究。

因此本发明就液压挖掘机开展发动机转速实时稳定控制的需求，提出了一种基于发动机输出功率预测与控制器参数整定的液压挖掘机优化方法。

发明内容

本发明为了解决上述问题，提出了一种液压挖掘机的优化方法。本发明主要的优化方式为：

采集液压挖掘机作业的发动机输出功率数据。训练发动机输出功率时序预测模型。利用液压双泵作业的流量数据与出口压力数据计算液压泵负载转矩数值，建立以动臂大/小腔压力、斗杆大/小腔压力、铲斗大/小腔压力、液压双泵出口压力为输入，负载转矩为输出的多元映射模型。设计以发动机输出转矩与液压泵负载转矩的差值为输入，控制电流变化量为输出的PID控制器，利用灰狼算法对转矩控制的PID控制器进行参数整定，使PID控制器的比例、积分、微分系数按照负载变化实时调整。

将发动机输出功率时序预测模型、液压泵负载转矩多元映射模型、参数整定后的PID控制器嵌入到液压挖掘机控制器当中。作业时，控制器采集发动机输出功率历史时序数据，通过发动机输出功率时序预测模型，预测发动机的输出功率，计算发动机预测转矩。同时，控制器根据动臂大/小腔压力、斗杆大/小腔压力、铲斗大/小腔压力、液压双泵出口压力的实时数据，利用负载转矩多元映射模型，计算实时的液压泵负载转矩。将发动机间接预测的转矩数据与液压泵实时负载转矩数据做差导入参数整定优化后的PID控制器当中，输出控制电流的变化量，改变液压双泵输出流量，进而达到发动机与液压泵实时转矩动态匹配的效果，以实时/超前稳定发动机转速。

控制原理如图1所示。

为了实现上述的目的，本发明的技术方案是：

一种基于发动机输出功率预测与控制器参数整定的液压挖掘机优化方法，步骤如下：

步骤1、液压挖掘机建模数据采集

利用数据采集仪(DEWE-43A)，采集液压挖掘机作业时的发动机输出功率数据、动臂大/小腔压力数据、斗杆大/腔压力数据、铲斗大/小腔压力数据、液压双泵出口压力数据、液压双泵输出流量数据、控制器输出电流信号数据。

步骤2、发动机输出功率时序预测模型的建立

1)计算发动机输出功率信号的自相关性，确定时序预测模型输入结构。

自相关性用于描述随机信号X

计算发动机输出功率的数学期望E(X)与方差D(X)，根据数学期望计算输出功率的自协方差。自协方差函数为：

C

再根据自协方差计算发动机输出功率的自相关系数。自相关系数计算公式如下：

当t

2)选择可以挖掘数据中的时序信息的循环神经网络算法(RNN)作为时序预测模型的算法基础。设置算法输入结构为t

3)按照步骤2中2)的设计的循环神经网络算法(RNN)输入、输出结构与步骤1采集到的液压挖掘机作业时的发动机输出功率数据制作数据集，输入数据集为：[t

4)将步骤2中3)的数据集按比例(7:3)进行数据集分割，分别作为发动机时序预测模型的训练数据与测试数据，进行发动机输出功率预测模型的训练与测试，当发动机输出功率预测模型的预测准确率达到预期效果即完成发动机输出功率的时序预测模型建立。发动机输出功率时序测试模型准确率的计算公式如下所示：

/>

式中：

acc

为发动机输出功率时序预测模型预测的t

W

步骤3、发动机预测输出转矩的计算

完成发动机输出功率时序预测模型的建立后，按照发动机输出功率与输出转矩的转换公式(1-4)计算发动机输出转矩。

式中：T为发动机输出转矩，Nm；

P为发动机输出功率时序预测模型得出发动机预测输出功率，KW；

n为发动机转速,rad/s。

步骤4、液压泵负载转矩多元映射模型建立

1)根据步骤1采集到的液压双泵出口压力数据、液压双泵输出流量数据，并采用公式(1-5)计算液压双泵负载转矩。

式中：

M：液压双泵负载转矩，Nm；

Q

P：液压双泵出口压力，bar；

η

2)整理数据集，以步骤1采集到的动臂大/小腔压力数据、斗杆大/腔压力数据、铲斗大/小腔压力数据、液压双泵出口压力数据这8个压力数据作为多元映射模型输入数据集，以步骤4中1)计算的液压双泵负载转矩作为多元映射模型输出数据集。

3)以BP神经网络作为液压泵负载转矩多元映射模型的算法基础，将步骤4中2)整理的输入/输出数据集按照比例(7:3)分别作为液压泵负载转矩多元映射模型的训练数据与测试数据，进行液压双泵负载转矩多元映射模型的训练与测试，当液压泵负载转矩映射准确率达到预期效果即完成液压双泵负载转矩多元映射模型建立。液压泵负载转矩多元映射模型准确率的计算公式如下所示：

式中：

acc

为液压泵负载转矩多元映射模型计算的t

M

步骤5、PID控制器的参数整定优化

1)在Matlab/Simulink中建立PID控制器模型，如图2所示。

2)取步骤1采集到的液压双泵输出流量数据，控制器输出电流信号数据进行液压泵系统辨识，获得液压泵系统的传递函数。根据式(1-5)在Matlab/Simulink中建立液压泵的仿真模型，模型输入为两个液压泵的负载压力、输入电流，输出为液压双泵整体转矩。

3)建立PID控制器优化仿真模型。在Matlab/Simulink连接PID控制器与液压双泵仿真模型。设置发动机输出转矩为时变数据，液压泵1与液压泵2的初始控制电流、液压泵1与液压泵2的负载压力为固定数据，PID控制器优化仿真模型的输入为发动机输出转矩，以及液压泵1与液压泵2的初始控制电流、液压泵1与液压泵2的负载压力；PID控制器优化仿真模型输出与反馈为液压双泵输出负载转矩信号，PID控制器输入为发动机输出转矩与液压泵负载转矩差值，PID控制器输出为控制电流变化量，如图3所示。

4)在Matlab中编写灰狼算法，连接步骤5中3)建立的PID控制器优化仿真模型，通过灰狼算法多次对PID控制器优化模型进行仿真，获取不同次灰狼算法迭代优化PID控制器的比例、积分、微分系数和发动机输出转矩与液压泵负载转矩的误差，以误差最小作为灰狼算法的迭代目标，最终获取可以使发动机输出转矩与液压泵负载转矩动态平衡，随负载变化而动态变化的PID控制器的比例、积分、微分系数，完成PID控制器的参数整定。

步骤6、模型的程序编写与控制器嵌入使用

将步骤2建立的发动机输出功率时序预测模型、步骤3发动机输出转矩计算公式步骤4建立的液压泵负载转矩多元映射模型、步骤5灰狼算法优化的可自动参数整定的PID控制器分别编译成C语言程序，嵌入液压挖掘机控制器，投入使用。

整体优化控制流程如图4所示。

本发明的有益效果是：

1.通过对发动机输出功率的预测，降低由于发动机与液压系统动作响应延迟带来的滞后控制现象，实现了实时控制。

2.利用灰狼算法对PID控制器进行参数整定优化，可以令PID的比例、积分、微分系数随负载变化而变化，提升PID控制器控制精度与控制速度。

附图说明

图1是基于发动机输出功率预测与控制器参数整定的液压挖掘机优化控制原理图；

图2是基于Matlab/Simulink的PID控制器模型图；

图3是基于Matlab/Simulink的PID控制器优化仿真模型图；

图4是液压挖掘机整体优化控制流程图。

图5是负载转矩多元映射模型结构示意图

具体实施方式

为使本发明实施的技术方案和优点更加清楚，下面将对本发明进行清晰，完整地举例描述。

实施例：需要一台液压挖掘机长时间在平原场地进行沙石挖掘、搬运、卸载的工作，要求防止液压挖掘机作业时发动机剧烈抖动或熄火现象。

1.操作该台液压挖掘机在平原场地进行沙石挖掘30分钟，采集该时间段内的发动机输出功率数据、动臂大/小腔压力数据、斗杆大/腔压力数据、铲斗大/小腔压力数据、液压双泵出口压力数据、液压双泵输出流量数据、控制器输出电流信号数据。

2.根据30分钟内采集到的发动机输出功率数据计算自相关系数，获得的部分采样点、延迟时间、自相关系数如表1所示。

表1发动机输出功率自相关系数表

如表1显示，在连续11个采样点内，发动机输出功率信号的自相关系数大于0.8，即11个连续采样的发动机输出功率数据高度相关。考虑自相关系数与控制器可储存的数据容量，设计发动机输出功率时序预测模型的数据集结构为前10个连续输出功率采样数据，输出为下一时刻(第11个)发动机预测输出功率数值。

将准备好的数据集按比例(7：3)进行发动机输出功率时序预测模型的训练与测试。当发动机输出功率时序预测模型的预测准确率达到90％时，完成发动机输出功率时序预测模型建立。将模型算法语言编译成C语言程序。

3.根据液压挖掘机作业30分钟内采集到的液压双泵输出流量数据与液压双泵出口压力数据计算液压泵负载转矩数据，以采集的动臂大/小腔压力数据、斗杆大/腔压力数据、铲斗大/小腔压力数据、液压双泵出口压力数据为输入，液压泵负载转矩数据为输出，设计BP神经网络为单隐含层，20个神经元的结构，如图5所示，将数据集按照比例(7：3)进行负载转矩多元映射模型的训练与测试。当负载转矩多元映射模型计算负载转矩的准确率达到95％时，完成负载转矩多元映射模型的建立。将模型算法语言编译成C语言程序。

4.在Matlab/Simulink里建立PID控制器仿真模型。设计PID控制器的比例系数、积分系数、微分系数为可变参数，作为后续灰狼算法的三个优化变量。PID控制器输入为发动机输出转矩与液压泵负载转矩的误差值，输出为控制器输出电流变化量。为方便观测后续PID控制器优化效果，将比例、积分、微分系数也作为PID控制器模型输出，观测算法优化后，在输入误差值变化时，PID控制器比例、积分、微分系数是否可以随之调整。

5.利用液压挖掘机作业30分钟内采集到的液压双泵输出流量数据Q、控制器输出电流信号I数据进行系统辨识，获得液压挖掘机的液压泵传递函数G(s)如式(1-7)所示。再根据式(1-5)在Matlab/Simulink中建立液压泵的仿真模型，输入为两个液压泵的负载压力、输入电流，输出为液压双泵整体转矩。

6.在Matlab/Simulink中连接PID控制器仿真模型与液压泵模型，完成PID控制器优化仿真模型的建立。设置PID控制器优化仿真模型的输入数据：发动机输出转矩为500±80Nm的正弦变化波形数据；液压泵1与液压泵2的基础控制电流为690Ma；液压泵1的负载压力为144bar；液压泵2的负载压力为139bar；PID控制器优化仿真模型的输出为液压泵负载转矩。

7.在Matlab中编写灰狼优化算法，连接PID控制器优化仿真模型，设置优化变量为PID控制器的比例系数、积分系数、微分系数，进行100次的灰狼算法的迭代优化，完成PID控制器的参数整定。将优化后的PID控制器编译成C语言程序。

8.将发动机输出功率时序预测模型、发动机输出转矩计算公式、液压双泵负载转矩的多元映射模型、优化后的PID控制器的C语言程序嵌入液压挖掘机控制器中，投入使用。

9.优化后的液压挖掘机进行作业，控制器取当前时刻在内的10个发动机连续历史输出功率数据，通过发动机输出功率时序预测模型预测下一时刻的发动机输出功率，利用发动机输出转矩公式计算下一时刻的发动机输出转矩。控制器取液压双泵出口压力数据、动臂大/小腔压力数据、斗杆大/腔压力数据、铲斗大/小腔压力数据、液压双泵出口压力数据，通过液压泵负载转矩多元映射模型，计算负载转矩。将负载转矩与发动机预测输出转矩做差，导入灰狼算法优化的PID控制器中，计算控制器电流变化量，改变液压双泵输出流量，使液压泵负载转矩与发动机输出转矩动态相等，完成实时稳定发动机转速。

10.以驾驶员作业感受为反馈，若抖动/熄火现象有所减少，则完成液压挖掘机优化，若抖动/熄火现象没有减少或变化不明显则重复2-9步，提高发动机输出功率时序预测模型与液压泵负载转矩的多元映射模型的准确率，增加灰狼算法优化迭代次数，重新进行PID控制器优化，直至抖动/熄火现象明显减少，完成液压挖掘机的优化。