CN102289716A - 智能压路机最佳工作参数的神经网络建模方法 - Google Patents

Abstract

本发明公开了一种智能压路机最佳工作参数的神经网络建模方法，其特征是首先针对不同的压实材料，使压路机在不同的工作参数下进行压实作业，实时测得对应的压实效果；并找出与期望压实效果所对应的一组压路机工作参数；然后通过训练获得用于提供智能压路机达到期望压实效果的最佳振动频率、振幅和行驶速度工作参数的神经网络模型。本发明在将当前压实材料的含水量、最大干密度、颗粒级配和想达到的目标压实度值输入之后，可以迅速、准确得出一组最佳工作参数，达到期望的压实效果。

Description

智能压路机最佳工作参数的神经网络建模方法

技术领域

本发明涉及神经网络模型的建模方法，更具体地说是用于提供智能压路机达到期望压实效果的最佳振动频率、振幅和行驶速度工作参数的神经网络模型的建模方法。

背景技术

将压路机的振动频率、振幅和行驶速度工作参数的数值设定不同时，其压实效果也不同。由于实际施工时土壤的性质和压路机的工作状态是不同的，而且随着土壤的压实，土壤和压路机的状态也是不断变化的，已有技术中是由操作者通过经验来设定工作参数，这样很可能引起较大的误差。实际工作中也可以考虑利用分析软件得出最佳工作参数，但对现场操作人员的专业水平提出了很高的要求，而且利用软件分析需要大量的时间，不能及时得出模型。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提供一种智能压路机最佳工作参数的神经网络建模方法，以期能够在将当前压实材料的含水量、最大干密度、颗粒级配和想达到的目标压实度值输入之后，可以迅速、准确得出一组最佳工作参数，达到期望的压实效果。

本发明解决技术问题采用如下技术方案：

本发明智能压路机最佳工作参数的神经网络建模方法的特点是按如下步骤进行：

步骤1、针对不同的压实材料，使压路机在不同的工作参数下进行压实作业，实时测得对应的压实效果；所述不同的压实材料是指具有不同含水量、最大干密度和颗粒级配的压实材料；所述工作参数是指压路机的振动频率、振幅和行驶速度；所述压实效果是指通过压实度计测得的反映材料被压实后的密度状态的压实度值；

步骤2、针对具有特定含水量、最大干密度和颗粒级配的压实材料，从步骤1所获得的压实效果中提取出期望压实效果，并找出与所述期望压实效果所对应的一组压路机工作参数；所述期望压实效果是指在进行压实作业前所希望达到的密度状态，所述期望压实效果是以目标压实度值表征；

步骤3、训练用于提供智能压路机达到期望压实效果的最佳振动频率、振幅和行驶速度工作参数的神经网络模型：

a、建立包含有输入层、中间层和输出层的三层BP神经网络，所述输入层的输入值为当前压实材料的含水量、最大干密度和颗粒级配，实时测得的当前压实度值和目标压实度值；中间层为输入层与输出层之间关系的传递函数；输出层输出智能压路机达到期望压实效果的最佳振动频率、振幅和行驶速度工作参数；

b、针对不同的含水量、最大干密度、颗粒级配和期望压实效果，经过实验或实际作业得出包含含水量、最大干密度、颗粒级配、目标压实度值和最佳振动频率、振幅和行驶速度工作参数在内的各数组；将所述各数组随机分组为训练数组和检验数组，所述训练数组通过数据拟合用于训练神经网络来获得反应输入层与输出层关系的确定的传递函数，检验数组用于检验经训练的神经网络；

检验合格，则所述经训练的神经网络即为提供智能压路机达到期望压实效果的最佳振动频率、振幅和行驶速度工作参数的神经网络；

检验不合格，则增加包含含水量、最大干密度、颗粒级配、目标压实度值和最佳振动频率、振幅和行驶速度工作参数在内的数组，重复步骤3中的步骤b。

本发明智能压路机最佳工作参数的神经网络建模方法的特点也在于取70％-80％的数组为训练数组。

与已有技术相比，本发明有益效果体现在：

1、本发明对获得的大量数据进行训练，建立有效的能够反映目标压实度值与当前压实材料的含水量、最大干密度、颗粒级配以及压路机工作参数之间关系的神经网络模型。实际工作时，只要输入当前压实材料的含水量、最大干密度、颗粒级配和想达到的目标压实度值，就可以迅速、准确得出所对应的最佳振动频率、振幅和行驶速度工作参数；

2、由于含水量、最大干密度和颗粒级配是对压实效果影响较大的土壤特性参数，本发明以其作为神经网络的输入层，可以得到更好的压实效果。

附图说明

图1本发明中神经网络辨识系统；

图2本发明中神经网络图。

具体实施方式

参见图1和图2，本实施例以单钢轮垂直振动压路机为例，单钢轮垂直振动压路机可以无级调频、无级调幅和改变行驶速度，使之与作业环境及压实材料相适应，优化压实过程，具体实施按如下步骤进行：

步骤1、针对不同的压实材料，使压路机在不同的工作参数下进行压实作业，实时测得对应的压实效果；不同的压实材料是指具有不同含水量、最大干密度和颗粒级配的压实材料；工作参数是指压路机的振动频率、振幅和行驶速度；压实效果是指利用KCV-IV密实度分析仪测得的反映材料被压实后的密度状态的压实度值；

单钢轮垂直振动压路机振动轮的振动是由于液压马达带动振动钢轮内两组同步反向旋转的偏心块装置做高速旋转所引起的受迫振动，只要改变液压振动马达的转速便可实现无级调频功能。选择摆动液压缸作为执行元件，借助比例伺服阀，控制系统控制进入液压油缸中液压油的流量，以调节液压缸的位置，从而实现压路机振动轮幅值的无级调节。

步骤2、针对具有特定含水量、最大干密度和颗粒级配的压实材料，从步骤1所获得的压实效果中提取出期望压实效果，并找出与期望压实效果所对应的一组压路机工作参数；期望压实效果是指在进行压实作业前所希望达到的密度状态，期望压实效果是以目标压实度值表征。

步骤3、训练用于提供智能压路机达到期望压实效果的最佳振动频率、振幅和行驶速度工作参数的神经网络模型：

1、建立包含有输入层、中间层和输出层的三层BP神经网络，输入层的输入值为当前压实材料的含水量、最大干密度和颗粒级配，实时测得的压实度值和目标压实度值；中间层为输入层与输出层之间关系的传递函数；输出层输出智能压路机达到期望压实效果的振动频率、振幅和行驶速度等最佳工作参数；

根据步骤2可以得知随着压实材料的含水量、最大干密度、颗粒级配以及目标压实度值的不同，所需设定的振动频率、振幅和行速度也是不同的，每一种期望压实效果所对应的工作参数是不同的。因此可以将当前压实材料的含水量、最大干密度、颗粒级配、测得的当前压实度值和目标压实度值作为神经网络的输入层，智能压路机达到期望压实效果的振动频率、振幅和行驶速度等最佳工作参数作为神经网络的输出层。输入层的参数与输出层的参数是一一对应的。这时反映输入层与输出层之间关系的传递函数，即中间层还是不明确的，需要经过训练才能得到；

2、针对不同的含水量、最大干密度、颗粒级配和期望压实效果，经过实验或实际作业得出包含含水量、最大干密度、颗粒级配、目标压实度值和最佳振动频率、振幅和行驶速度工作参数在内的各数组；将各数组随机分组为训练数组和检验数组，训练数组通过数据拟合用于训练神经网络来获得反应输入层与输出层关系的确定的传递函数，检验数组用于检验经训练的神经网络。

针对不同的含水量、最大干密度、颗粒级配和想达到的目标压实度值，经过大量实验或实际作业得出包含含水量、最大干密度、颗粒级配、目标压实度值和振动频率、振幅和行驶速度等最佳工作参数在内的各数组。对这些得到的数组进行分组，70-80％的数据用于训练神经网络，经过训练以后可以得到确定的中间层。之后再将剩余的30-20％数据用于检验所获得的中间层的有效性，如果所获得的结果与用于检验的数据最大误差小于5％(5％为工程允许误差)，则说明该网络真实有效，可用于实际。否则说明所获得的中间层不能真实反映目标压实度值、当前压实材料的性质参数与工作参数之间的关系，为此需要增加试验次数，重复训练过程，直至获得有效的中间层为止。

在实际工作时，利用已经训练好的网络，将当前压实材料的含水量、最大干密度、颗粒级配、当前压实度值和想达到的目标压实度值输入之后，就可以快速得出所对应的最佳振动频率、振幅和行驶速度工作参数。

Claims (2)

1.一种智能压路机最佳工作参数的神经网络建模方法，其特征是按如下步骤进行：

步骤1、针对不同的压实材料，使压路机在不同的工作参数下进行压实作业，实时测得对应的压实效果；所述不同的压实材料是指具有不同含水量、最大干密度和颗粒级配的压实材料；所述工作参数是指压路机的振动频率、振幅和行驶速度；所述压实效果是指通过压实度计测得的反映材料被压实后的密度状态的压实度值；

步骤2、针对具有特定含水量、最大干密度和颗粒级配的压实材料，从步骤1所获得的压实效果中提取出期望压实效果，并找出与所述期望压实效果所对应的一组压路机工作参数；所述期望压实效果是指在进行压实作业前所希望达到的密度状态，所述期望压实效果是以目标压实度值表征；

步骤3、训练用于提供智能压路机达到期望压实效果的最佳振动频率、振幅和行驶速度工作参数的神经网络模型：

a、建立包含有输入层、中间层和输出层的三层BP神经网络，所述输入层的输入值为当前压实材料的含水量、最大干密度和颗粒级配，实时测得的当前压实度值和目标压实度值；中间层为输入层与输出层之间关系的传递函数；输出层输出智能压路机达到期望压实效果的最佳振动频率、振幅和行驶速度工作参数；

b、针对不同的含水量、最大干密度、颗粒级配和期望压实效果，经过实验或实际作业得出包含含水量、最大干密度、颗粒级配、目标压实度值和最佳振动频率、振幅和行驶速度工作参数在内的各数组；将所述各数组随机分组为训练数组和检验数组，所述训练数组通过数据拟合用于训练神经网络来获得反应输入层与输出层关系的确定的传递函数，检验数组用于检验经训练的神经网络；

检验合格，则所述经训练的神经网络即为提供智能压路机达到期望压实效果的最佳振动频率、振幅和行驶速度工作参数的神经网络；

检验不合格，则增加包含含水量、最大干密度、颗粒级配、目标压实度值和最佳振动频率、振幅和行驶速度工作参数在内的数组，重复步骤3中的步骤b。

2.根据权利要求1所述的智能压路机最佳工作参数的神经网络建模方法，其特征是取70％-80％的数组为训练数组。

Images