一种基于LSTM神经网络的挖掘机分阶段功率匹配方法

技术领域

本发明涉及工程机械技术领域，尤其涉及一种按照液压挖掘机工作阶段功率自动匹配的方法。

背景技术

挖掘机在机械、建筑、交通运输、水利基建军工等行业广泛应用。现有挖掘机往往采用分档功率控制，司机根据作业对象的不同可以划分为轻载、经济或重载工作模式。挖掘机由于作业工况复杂，在作业时可大致划分为挖掘、提升回转、卸载、空斗返回、挖掘准备五个不同的工作阶段。每个工作阶段所需的功率不同。然而操作手往往会选择较大挡位匹配所有工作阶段，导致发动机输出功率大于泵的吸收功率，造成发动机泵功率不匹配问题，使得挖掘机油耗偏高。因此，如果能动态识别不同工作阶段，随时调整发动机输出转速和扭矩，就可以使得发动机与液压泵实现更好的功率匹配，提高挖掘机操作性能，减少燃油消耗。

现阶段挖掘机工作状态识别主要方法有以下几种：一种是利用传感器检测挖掘机先导控制信号，计算一个周期内压力平均值以及压力大于平均值的百分比，依据百分比大小以及铲斗油缸无杆腔的压力信号判断挖掘机当下处于石方作业工况、土方作业工况还是破碎工况。这种方法只能粗略的判断三种工况，缺乏对每种工况的细分。第二种是利用安装在挖掘机上的摄像机拍摄当前的工作过程，将照片与数据库模型进行匹配，推算出当前处于哪一种工作阶段。这种方法额外增加了摄像机，提高了整机成本，而且无法获得有效的负载信息。除此之外还有利用SVM支持向量机对挖掘机泵出口压力分类检测当前处于哪种工作阶段，但是SVM神经网络仅使用了当前阶段的信息，模型不会关注上一时刻，甚至更早之前的信息，这就导致模型的准确识别率较低。

本发明使用的挖掘机采用双泵供油系统，斗杆油缸、回转马达、左行走马达由前泵供油，铲斗油缸、动臂油缸、右行走马达由后泵供油。有些工作阶段会采用双泵同时供油，以提升工作速度，如提升阶段，回转阶段。

发明内容

本发明的目的在于针对现有技术的不足，提出一种挖掘机分阶段功率匹配方法，借助LSTM神经网络结合挖掘机泵出口压力的历史数据与当前数据，判断出挖掘机当前处于哪一个工作阶段，进而进行发动机泵的功率匹配控制。

本发明的目的是通过以下技术方案来实现的：

一种基于LSTM神经网络的挖掘机分阶段功率匹配方法，该方法分为两个方面：挖掘机工作阶段识别方法以及功率匹配方法；

其中挖掘机工作阶段识别方法，包括以下步骤：

S1：收集原始数据，对原始数据进行去噪处理，提取压力数据信号；

S2：将提取的压力数据信号进行预处理，构建输入的特征向量；

S3：将需要输入LSTM神经网络模型的数据与挖掘机各阶段相对应，使得数据带有关于各阶段的标签，构建样本空间；

S4：将带标签的数据划分为训练集、交叉验证集和测试集；

S5：设计LSTM神经网络模型，将标签数据输入神经网络模型进行训练；

S6：在交叉验证集上不断调整学习速率采样间隔参数，选择准确度最高的模型对应的参数值；

S7：确定LSTM神经网络模型的最终参数值，将LSTM神经网络模型运行在测试集数据上，运行结果即为最终挖掘机工作阶段识别准确率。

功率匹配方法具体过程为：LSTM神经网络模型识别出挖掘机当前处于哪种工作阶段，对应当前阶段按照预设的功率进行发动机泵阀功率匹配。

所述步骤S1中的收集原始数据包括采集挖掘机主泵1和主泵2的泵出口压力，其采样频率为100Hz，滤波去噪之后间隔一定时间利用宽度为1s的时间窗口，滑动提取当前窗口的信号。

所述步骤S2的预处理包括计算数据的均值和方差；构造输入特征向量包括：计算主泵1压力平均值x

所述步骤S3数据标签包括挖掘机工作过程五个阶段：挖掘准备阶段、挖掘阶段、提升回转阶段、卸载阶段、空斗返回阶段；构建的输入LSTM神经网络模型的标签使用如下向量表示：挖掘准备阶段[1,0,0,0,0]；挖掘阶段[0,1,0,0,0]；提升回转阶段[0,0,1,0,0]；卸载阶段[0,0,0,1,0]；空斗返回阶段[0,0,0,0,1]。

所述的LSTM神经网络结构采用如下结构：

遗忘门：f

输入门：i

输出记忆信息：C

输出门：O＝σ(W

训练神经网络模型采用Adam优化算法根据损失函数的梯度来更新网络权重和偏差以及采样的时间间隔。

进一步地，所述的功率匹配方法具体过程为：当LSTM神经网络模型一旦识别出挖掘机处于挖掘阶段，立即调整发动机工作点，增大发动机输出转速和扭矩，当LSTM神经网络模型一旦识别出挖掘机处于提升回转阶段，则发动机输出扭矩不变，增大液压泵排量，增大阀芯开度，当LSTM神经网络模型识别出挖掘机处于卸载阶段则降低发动机转速扭矩，当LSTM神经网络模型识别出挖掘机处于空斗返回阶段，进一步调低发动机工作点，降低液压泵排量，减小阀芯开度，当LSTM神经网络模型识别出挖掘机处于挖掘准备阶段，进一步降低发动机输出扭矩和转速以及液压泵排量和阀芯开度。

发动机工作点切换采用二阶模糊控制算法，取发动机的实际转速和每个工作阶段设定的转速差以及转速差的变化率作为转速调节器输入；取发动机实际扭矩以及设定的扭矩之差和扭矩差的变化率作为扭矩调节器输入；液压泵排量和阀口开度均采用电流信号控制。

与现有技术相比，本发明具有如下有益效果：

本发明能对挖掘机挖掘过程中的每一阶段发动机泵功率进行优化，弥补传统的只能对不同工况进行功率匹配的不足，进一步的降低了挖掘机的能耗。采用 LSTM神经网络相比传统SVM神经网络提高了准确识别率。

附图说明

图1是挖掘机分阶段功率匹配流程图

图2是LSTM神经网络模型结构图

具体实施方式

本发明涉及挖掘机工作阶段识别方法以及实时功率匹配，具体挖掘机型号为徐工XE200DA，发动机选择康明斯公司的QSB7-C227(S030077)，柱塞式液压泵，此外还包括两个压力传感器，一个控制器，两个压力传感器分别安装在两个主泵上。

该方法实施包括以下步骤：

1数据采样及滤波处理

从挖掘准备阶段开始采集两个主泵出口压力波形数据，采样频率100Hz，采用加权均值滤波法去除信号中的噪声。y

式中C

采用宽度为1s的时间窗口滑动提取两个主泵的压力信号。

2构建神经网络输入输出向量

分别计算主泵1、主泵2的均值和主泵1和主泵2的均方差以及主泵1主泵 2差值的平均值和差值的均方差作为输入向量。公式如下：

主泵1压力均值:

主泵2压力均值:

主泵1压力均方差：

主泵2压力均方差：

主泵1和2差值的均值：

主泵1和2差值的均方差：

将六个计算结果组成神经网络的输入向量x

将输入向量进行归一化处理：其中，x

输出向量对应挖掘机工作的每个阶段：挖掘准备阶段[1,0,0,0,0]；挖掘阶段[0,1,0,0,0]；提升回转阶段[0,0,1,0,0]；卸载阶段[0,0,0,1,0]；空斗返回阶段[1,0,0,0,0]。

3构建神经网络模型

所述的LSTM神经网络结构满足：

遗忘门：f

输入门：i

输出记忆信息：C

输出门：O＝σ(W

训练神经网络模型采用Adam优化算法根据损失函数的梯度来更新网络权重和偏差以及采样时间间隔。

采集200个主泵的压力波形，构建1000个特征向量，与对应输出一起构成样本空间，将500个划分为训练集，300个划分为交叉验证集，200个作为测试集，在PC机上训练，将训练好的网络模型输入控制单元。

4挖掘机分阶段功率匹配

当LSTM神经网络模型一旦识别出挖掘机处于挖掘阶段，立即调整发动机工作点，增大发动机输出转速和扭矩，当LSTM神经网络模型一旦识别出挖掘机处于提升回转阶段，则发动机输出扭矩不变，增大液压泵排量，增大阀芯开度， LSTM神经网络模型识别出挖掘机处于卸载阶段则降低发动机转速和扭矩，当 LSTM神经网络模型识别出挖掘机处于空斗返回阶段，进一步调低发动机工作点，降低液压泵排量，减小阀芯开度，当LSTM神经网络模型识别出挖掘机处于挖掘准备阶段，进一步降低发动机输出扭矩和转速以及液压泵排量和阀芯开度。

发动机工作点切换采用二阶模糊控制算法，取发动机的实际转速和每个工作阶段设定的转速差以及转速差的变化率作为转速调节器输入；取发动机实际扭矩以及设定的扭矩之差和扭矩差的变化率作为扭矩调节器输入；液压泵排量和阀口开度均采用电流信号控制。