CN102877500A - 一种挖掘机工作循环阶段自动识别方法 - Google Patents

Abstract

本发明公开了一种挖掘机工作循环阶段自动识别方法，其实现过程为：压力传感器采集挖掘机工作过程中主泵压力，传输至控制单元，经过滤波等预处理；读取预处理后的压力数据，提取其特征向量，输入事先建立好的神经网络模型中；神经网络模型的输出结果经过优化后输入显示单元，最终在显示单元上显示挖掘机所处工作阶段。该方法通过一小段数据即可识别出挖掘机工作于循环哪一阶段，满足在线识别的实时性要求，同时为挖掘机分阶段控制奠定基础。

Description

一种挖掘机工作循环阶段自动识别方法

技术领域

本发明涉及工程机械技术领域，尤其涉及一种液压挖掘机工作循环的自动识别方法。

背景技术

挖掘机是一种广泛应用于建筑施工的工程机械，具有功率大、施工效率高等优点。

现有挖掘机往往采用分档功率控制，由司机根据不同的工作情况选择重载、经济或轻载工作模式，设定之后一般不再调整。对挖掘机而言，挖掘作业是其主要工作方式，一个完整的挖掘循环包括挖掘、提升回转、卸载、空斗、挖掘准备等5个阶段。每一个阶段的负载都不相同，若使用同一发动机功率，必然会造成能量损失。因此，有必要对不同的阶段采取针对性的控制方式，以提高挖掘机操作性能，减少燃油消耗。

要实现挖掘机的分阶段控制，首先要识别出挖掘机工作循环的各个阶段。目前的识别方法有两种：一是在挖掘机上安装摄像机，拍摄挖掘机工作过程，将照片与数据库中的标准照片进行匹配，得到挖掘机当前工作阶段；二是通过安装在挖掘机执行机构各关节角处的倾角传感器，获得执行机构的位移及速度，再经过推导得出挖掘机所处阶段。这些方法都需要额外安装摄像头或传感器，增加了整机成本，而且无法获得有效的负载信息，不利于后续的分阶段控制。

挖液压掘机采用双泵双回路液压系统：斗杆油缸、回转马达、左行走马达由前泵（靠近发动机的泵）供油，铲斗油缸、动臂油缸、右行走马达由后泵（远离发动机的泵）供油。有些动作前后泵会合流，以提高工作速度，如动臂提升、斗杆伸出收回等。不考虑阀口压力损失及溢流，各油缸（马达）单独动作情况下，主泵压力等于该油缸（马达）进口压力；复合动作情况下，主泵压力由对应回路油缸（马达）中压力较大的那个决定。因此，主泵压力可以在一定程度上反映油缸（马达）的压力，进而反映出执行机构的运动情况。另外，主泵压力信号采集简单，已经被越来越多的控制系统所使用。

发明内容

本发明的目的在于针对现有技术的不足，提供一种挖掘机工作循环阶段自动识别方法。

本发明的目的是通过以下技术方案来实现的：一种挖掘机工作循环阶段自动识别方法，该方法包括以下步骤：

（1）建立神经网络模型：以作业循环挖掘阶段开始后0.4秒内两个主泵压力波形、作业循环提升回转阶段开始后0.4秒内两个主泵压力波形、作业循环卸载阶段开始后0.4秒内两个主泵压力波形、作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形及作业循环空斗返回结束前0.4秒内两个主泵压力波形作为分段标志，对作业循环进行分段；在PC机上建立一个ＢＰ神经网络模型，实现分段标志与循环阶段之间映射；映射关系为：作业循环挖掘阶段开始后0.4秒内两个主泵压力波形对应挖掘阶段；作业循环提升回转阶段开始后0.4秒内两个主泵压力波形对应提升回转阶段；作业循环卸载阶段开始后0.4秒内两个主泵压力波形对应卸载阶段；作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形对应空斗返回阶段；作业循环空斗返回结束前0.4秒内两个主泵压力波形对应挖掘准备阶段； 

（2）采集主泵压力信号，传输至控制单元中：挖掘机工作过程中，两个压力传感器分别采集挖掘机的两个主泵上的压力信号，并将压力信号传送至控制单元中；

（3）对压力数据进行预处理：控制单元首先对压力信号作预处理，去除压力信号中的噪声干扰；

（4）读取预处理后的压力传感器头0.4秒采集的压力数据；

（5）提取读取的压力数据的特征向量，输入神经网络模型，根据输出结果判断挖掘机对应的工作阶段； 

（6）优化神经网络输出结果，构建产生式系统，对神经网络输出结果进行优化；（7）显示输出结果：两个主泵压力及优化后的输出结果通过CAN总线传输至显示单元，绘成曲线后显示在显示屏上； 

（8）顺序读取数据并在显示屏上实时显示挖掘机的工作循环：从前一次读取结束的位置继续读入预处理后的压力传感器0.02秒采集的压力数据，并将最早读入的预处理后的压力传感器0.02秒采集的压力数据剔除，保持总数据量不变；重复步骤5、6、7，直至没有数据读入，优化后的输出结果顺序输出至显示单元，从而在显示屏上实时显示挖掘机的工作循环。

与现有技术相比，本发明具有如下技术效果：

1、直接利用已有的压力传感器，不需要额外增加成本。

2、实时性高，仅需一小段压力数据即可判断挖掘机工作在循环哪一阶段。

3、使用产生式系统对识别结果进行优化，提高了识别准确率。

附图说明

图1是本发明所述的挖掘机工作循环各阶段自动识别的流程图；

图2是本发明所述的挖掘机一个工作循环的主泵压力波形及其分段；

图3是本发明所述的数据读取示意图；

图4是本发明所述的神经网络识别结果；

图5是本发明所述的使用产生式系统优化后的识别结果。

具体实施方式

本发明涉及挖掘机工作循环阶段自动识别方法，在挖掘机工作循环阶段自动识别系统上实现，所述挖掘机工作循环阶段自动识别系统包括两个压力传感器、一个控制单元和一个显示单元，压力传感器和显示单元均与控制单元相连，两个压力传感器分别安装在挖掘机的两个主泵上，控制单元由ARM单片机来实现，例如可以采用恩智浦半导体公司（NXP）的LPC2378芯片来实现，显示单元为一块液晶屏。

该方法包括以下步骤：

1、建立神经网络模型

以作业循环挖掘阶段开始后0.4秒内两个主泵压力波形、作业循环提升回转阶段开始后0.4秒内两个主泵压力波形、作业循环卸载阶段开始后0.4秒内两个主泵压力波形、作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形及作业循环空斗返回结束前0.4秒内两个主泵压力波形作为分段标志，对作业循环进行分段。在PC机上建立一个ＢＰ神经网络模型，实现分段标志与循环阶段之间映射。映射关系为：作业循环挖掘阶段开始后0.4秒内两个主泵压力波形对应挖掘阶段；作业循环提升回转阶段开始后0.4秒内两个主泵压力波形对应提升回转阶段；作业循环卸载阶段开始后0.4秒内两个主泵压力波形对应卸载阶段；作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形对应空斗返回阶段；作业循环空斗返回结束前0.4秒内两个主泵压力波形对应挖掘准备阶段。该步骤包括以下子步骤：

1.1、设计输入和输出向量

提取分段标志的特征向量，作为神经网络的输入。分段标志包括前后泵两个压力波形，其特征向量由以下8个特征值构成：1、前泵压力的平均值；2、前泵压力的均方差；3、后泵压力的平均值；4、后泵压力的均方差；5、前泵与后泵压力之差的平均值；6、前泵与后泵压力之差的均方差；7、前泵压力最后三个数据与最初三个数据之差的平均值；8、后泵压力最后三个数据与最初三个数据之差的平均值。神经网络的输出为挖掘循环的5个段，分别用向量表示如下：挖掘：[1 0 0 0 0]；提升回转：[0 1 0 0 0]；卸载：[0 0 1 0 0]；空斗返回：[0 0 0 1 0]；挖掘准备：[0 0 0 0 1]。

1.2、创建神经网络模型

采用3层神经网络，输入层神经元个数为8，输出层神经元个数为5，隐含层神经元个数为10。隐含层和输出层传递函数均选用tansig函数。

1.3、训练神经网络

采集挖掘机实际挖掘过程中主泵压力，从中挑选200个挖掘循环的的压力波形，每个循环对应波形上截取5个分段标志。提取分段标志的特征值，得到1000个特征向量，与对应输出一起构成训练样本空间。在PC机上对神经网络进行训练。将训练好后的网络模型输入控制单元。

2、采集主泵压力信号，传输至控制单元中。

挖掘机工作过程中，两个压力传感器分别采集挖掘机的两个主泵上的压力信号，并将压力信号传送至控制单元中。

3、对压力数据进行预处理。

控制单元首先对压力信号作预处理，去除压力信号中的噪声干扰。采用加权递推均值滤波算法，具体算法为：

其中

为滤波后的压力，

（i=0,1,2,3）为原始压力数据。

4、读取预处理后的压力传感器头0.4秒采集的压力数据。

5、提取读取的压力数据的特征向量，输入神经网络模型，根据输出结果判断挖掘机对应的工作阶段。该步骤包括以下子步骤：

5.1、提取压力数据的特征向量

计算压力数据以下特征值：1、前泵压力的平均值；2、前泵压力的均方差；3、后泵压力的平均值；4、后泵压力的均方差；5、前泵与后泵压力之差的平均值；6、前泵与后泵压力之差的均方差；7、前泵压力最后三个数据与最初三个数据之差的平均值；8、后泵压力最后三个数据与最初三个数据之差的平均值。这8个特征值构成压力数据的特征向量。

5.2、识别压力数据对应阶段

将5.1中得到的特征向量输入步骤1建立好的神经网络模型中，得到一个输出向量。根据输出向量判别挖掘机所处工作阶段，判别方法如下：

a、输出向量中只有一项大于0.95：若第一项大于0.95，输出为挖掘阶段；若第二项大于0.95，输出为提升回转阶段；若第三项大于0.95，输出为卸载阶段；若第四项大于0.95，输出为空斗返回阶段；若第五项大于0.95，输出为挖掘准备阶段。

b、输出向量没有一项大于0.95或超过一项大于0.95，按照前一个输出结果输出。若之前没有输出结果，则输出为挖掘准备阶段。

6、优化神经网络输出结果

由于挖掘机作业情况负载多变，不可避免会出现误识别。本发明建立一个产生式系统，对识别的结果进行优化。该步骤包括以下子步骤：

6.1构建产生式规则库

产生式规则库包含一系列与优化有关的规则，用IF-THEN表示。IF部分说明应用这条规则必须满足的条件，THEN部分为执行的操作。对于本发明，规则的来源包括三个方面：一是挖掘机作业过程中必须遵守的操作规范；二是挖掘循环的作业顺序；三是作业过程中主泵压力特征。将所有规则列出，构成规则库：

规则一：IF当前输出为挖掘，AND前一个输出为提升回转，THEN当前输出为提升回转；

规则二：IF当前输出为挖掘，AND前一个输出为卸载，AND此挖掘与上一次挖掘之间存在提升回转或空斗返回阶段，THEN当前输出为卸载；

规则三：IF当前输出为挖掘，AND前一个输出为空斗返回，AND此挖掘与上一次挖掘之间没有挖掘准备，THEN当前输出挖掘为卸载；

规则四：IF当前输出为挖掘，AND前一个输出为挖掘准备，AND主泵压力均小于100bar，THEN当前输出为挖掘准备；

规则五：IF当前输出为提升回转，AND两泵压力之差大于10bar，THEN当前输出与前一个输出相同；

规则六：IF当前输出为提升回转，AND前一个输出为挖掘，AND挖掘时间小于2秒，THEN当前输出为挖掘；

规则七：IF当前输出为提升回转，AND前一个输出为卸载，AND卸载时间大于1秒，THEN当前输出为卸载；

规则八：IF当前输出为提升回转，AND前一个输出为挖掘准备，THEN当前输出为挖掘准备；

规则九：IF当前输出为卸载，AND前一个输出为挖掘，THEN当前输出为挖掘；

规则十：IF当前输出为卸载，AND前一个输出为挖掘准备，THEN当前输出为挖掘准备；

规则十一：IF当前输出为空斗返回，AND前一个输出为提升回转，THEN当前输出为提升回转；

规则十二：IF当前输出为空斗返回，AND前一个输出为挖掘准备，THEN当前输出为挖掘准备；

规则十三：IF当前输出为挖掘准备，AND前一个输出为挖掘，THEN当前输出为挖掘；

规则十四：IF当前输出为挖掘准备，AND前一个输出为提升回转，THEN当前输出为提升回转；

规则十五：IF当前输出为挖掘准备，AND前一个输出为卸载，THEN当前输出为卸载。

6.2优化神经网络输出结果

产生式系统的数据库中存储了当前神经网络输出结果、当前主泵的压力大小及所有优化后的输出结果。推理机按照一定的策略将数据库中的数据与产生式规则库中规则的IF部分相匹配，以决定优化后系统的输出结果。下面举例说明具体优化过程：读取到数据库中当前输出结果为提升回转，推理机首先搜索出规则库中所有IF部分包含“当前输出结果为提升回转”的规则，此处有五条规则满足，分别为规则五、规则六、规则七、规则八和规则九；再读取数据库中其他数据，若发现前一个输出为挖掘，则规则六的IF部分全部得到满足，执行规则六，系统输出结果为挖掘。若有几条规则的IF部分同时满足，则优先执行排在前面的规则。

7、显示输出结果

两个主泵压力及优化后的输出结果通过CAN总线传输至显示单元，绘成曲线后显示在显示屏上。用点来表示输出结果，点的横坐标为当前时刻，点的纵坐标与输出结果对应如下：纵坐标等于0时，为挖掘阶段；纵坐标等于100时，为提升回转阶段；纵坐标等于200时，为卸载阶段；纵坐标等于300时，为空斗回转阶段；纵坐标等于400时，为挖掘准备阶段。将所有表示输出结果的点连接起来，构成一条曲线。

8、顺序读取数据并在显示屏上实时显示挖掘机的工作循环

从前一次读取结束的位置继续读入预处理后的压力传感器0.02秒采集的压力数据，并将最早读入的预处理后的压力传感器0.02秒采集的压力数据剔除，保持总数据量不变。重复步骤5、6、7，直至没有数据读入，优化后的输出结果顺序输出至显示单元，从而在显示屏上实时显示挖掘机的工作循环。

下面参考附图详细描述本发明。

如图1所示，一种液压挖掘机工作循环各阶段自动识别方法，其实现过程为：压力传感器采集挖掘机工作过程中主泵压力，传输至控制单元，经过滤波等预处理；读取预处理后的压力数据，提取其特征向量，输入事先建立好的神经网络模型中；神经网络模型的输出结果经过优化后输入显示单元，最终在显示单元上显示挖掘机所处工作阶段。

如图2所示，挖掘机工作循环分为五个阶段：挖掘、提升回转、卸载、空斗返回、挖掘准备。以作业循环挖掘阶段开始后0.4秒内两个主泵压力波形、作业循环提升回转阶段开始后0.4秒内两个主泵压力波形、作业循环卸载阶段开始后0.4秒内两个主泵压力波形、作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形及作业循环空斗返回结束前0.4秒内两个主泵压力波形作为分段标志，对作业循环进行分段。

如图3所示，步骤4中读取一定长度的数据，相当于用一个大小固定的矩形框301在连续波形上截取一段波形。步骤7中数据的读入与剔除，相当于矩形框不动，而波形不断向左移动，原来在矩形框右边的数据进入矩形框，原来在矩形框内最左边的数据被移出矩形框。波形每次移动的距离在横坐标上的跨度是0.02秒。

神经网络初步识别的结果如图4所示。图中，分段标志等于0时，为挖掘阶段；等于100时，为提升回转阶段；等于200时，为卸载阶段；等于300时，为空斗回转阶段；等于400时，为挖掘准备阶段。可以看出，挖掘循环已经被分成了几个阶段。与图2对比，发现其中有几段波形识别错误，如401应该为挖掘，却被识别为卸载；402应该为卸载，却被识别为提升回转。为了提高识别准确率，需要对识别结果作进一步的优化处理。

图5为使用产生式系统优化之后的识别结果。图中，分段标志等于0时，为挖掘阶段；等于100时，为提升回转阶段；等于200时，为卸载阶段；等于300时，为空斗回转阶段；等于400时，为挖掘准备阶段。优化之后基本没有误识别。

Claims (1)

1.一种挖掘机工作循环阶段自动识别方法，其特征在于，该方法包括以下步骤：

（1）建立神经网络模型：以作业循环挖掘阶段开始后0.4秒内两个主泵压力波形、作业循环提升回转阶段开始后0.4秒内两个主泵压力波形、作业循环卸载阶段开始后0.4秒内两个主泵压力波形、作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形及作业循环空斗返回结束前0.4秒内两个主泵压力波形作为分段标志，对作业循环进行分段；在PC机上建立一个ＢＰ神经网络模型，实现分段标志与循环阶段之间映射；映射关系为：作业循环挖掘阶段开始后0.4秒内两个主泵压力波形对应挖掘阶段；作业循环提升回转阶段开始后0.4秒内两个主泵压力波形对应提升回转阶段；作业循环卸载阶段开始后0.4秒内两个主泵压力波形对应卸载阶段；作业循环空斗返回阶段开始后0.4秒内两个主泵压力波形对应空斗返回阶段；作业循环空斗返回结束前0.4秒内两个主泵压力波形对应挖掘准备阶段；该步骤包括以下子步骤：

（1.1）设计输入和输出向量：提取分段标志的特征向量，作为神经网络的输入；分段标志包括前后泵两个压力波形，其特征向量由以下8个特征值构成：1、前泵压力的平均值；2、前泵压力的均方差；3、后泵压力的平均值；4、后泵压力的均方差；5、前泵与后泵压力之差的平均值；6、前泵与后泵压力之差的均方差；7、前泵压力最后三个数据与最初三个数据之差的平均值；8、后泵压力最后三个数据与最初三个数据之差的平均值；神经网络的输出为挖掘循环的5个段，分别用向量表示如下：挖掘：[1 0 0 0 0]；提升回转：[0 1 0 0 0]；卸载：[0 0 1 0 0]；空斗返回：[0 0 0 1 0]；挖掘准备：[0 0 0 0 1]；

（1.2）创建神经网络模型：采用3层神经网络，输入层神经元个数为8，输出层神经元个数为5，隐含层神经元个数为10；隐含层和输出层传递函数均选用tansig函数；

（1.3）训练神经网络：采集挖掘机实际挖掘过程中主泵压力，从中挑选200个挖掘循环的的压力波形，每个循环对应波形上截取5个分段标志；提取分段标志的特征值，得到1000个特征向量，与对应输出一起构成训练样本空间；在PC机上对神经网络进行训练；将训练好后的网络模型输入控制单元；

（2）采集主泵压力信号，传输至控制单元中：挖掘机工作过程中，两个压力传感器分别采集挖掘机的两个主泵上的压力信号，并将压力信号传送至控制单元中；

（3）对压力数据进行预处理：控制单元首先对压力信号作预处理，去除压力信号中的噪声干扰；

（4）读取预处理后的压力传感器头0.4秒采集的压力数据；

（5）提取读取的压力数据的特征向量，输入神经网络模型，根据输出结果判断挖掘机对应的工作阶段；该步骤包括以下子步骤：

（5.1）提取压力数据的特征向量：计算压力数据以下特征值：1、前泵压力的平均值；2、前泵压力的均方差；3、后泵压力的平均值；4、后泵压力的均方差；5、前泵与后泵压力之差的平均值；6、前泵与后泵压力之差的均方差；7、前泵压力最后三个数据与最初三个数据之差的平均值；8、后泵压力最后三个数据与最初三个数据之差的平均值；这8个特征值构成压力数据的特征向量；

（5.2）识别压力数据对应阶段：将5.1中得到的特征向量输入步骤1建立好的神经网络模型中，得到一个输出向量；根据输出向量判别挖掘机所处工作阶段，判别方法如下：

a、输出向量中只有一项大于0.95：若第一项大于0.95，输出为挖掘阶段；若第二项大于0.95，输出为提升回转阶段；若第三项大于0.95，输出为卸载阶段；若第四项大于0.95，输出为空斗返回阶段；若第五项大于0.95，输出为挖掘准备阶段；

b、输出向量没有一项大于0.95或超过一项大于0.95，按照前一个输出结果输出；若之前没有输出结果，则输出为挖掘准备阶段；

（6）优化神经网络输出结果，构建产生式系统，对神经网络输出结果进行优化，该步骤包括以下子步骤：

（6.1）构建产生式规则库：产生式规则库包含一系列与优化有关的规则，用IF-THEN表示；IF部分说明应用这条规则必须满足的条件，THEN部分为执行的操作；对于本发明，规则的来源包括三个方面：一是挖掘机作业过程中必须遵守的操作规范；二是挖掘循环的作业顺序；三是作业过程中主泵压力特征；将所有规则列出，构成规则库：

规则一：IF当前输出为挖掘，AND前一个输出为提升回转，THEN当前输出为提升回转；

规则二：IF当前输出为挖掘，AND前一个输出为卸载，AND此挖掘与上一次挖掘之间存在提升回转或空斗返回阶段，THEN当前输出为卸载；

规则三：IF当前输出为挖掘，AND前一个输出为空斗返回，AND此挖掘与上一次挖掘之间没有挖掘准备，THEN当前输出挖掘为卸载；

规则四：IF当前输出为挖掘，AND前一个输出为挖掘准备，AND主泵压力均小于100bar，THEN当前输出为挖掘准备；

规则五：IF当前输出为提升回转，AND两泵压力之差大于10bar，THEN当前输出与前一个输出相同；

规则六：IF当前输出为提升回转，AND前一个输出为挖掘，AND挖掘时间小于2秒，THEN当前输出为挖掘；

规则七：IF当前输出为提升回转，AND前一个输出为卸载，AND卸载时间大于1秒，THEN当前输出为卸载；

规则八：IF当前输出为提升回转，AND前一个输出为挖掘准备，THEN当前输出为挖掘准备；

规则九：IF当前输出为卸载，AND前一个输出为挖掘，THEN当前输出为挖掘；

规则十：IF当前输出为卸载，AND前一个输出为挖掘准备，THEN当前输出为挖掘准备；

规则十一：IF当前输出为空斗返回，AND前一个输出为提升回转，THEN当前输出为提升回转；

规则十二：IF当前输出为空斗返回，AND前一个输出为挖掘准备，THEN当前输出为挖掘准备；

规则十三：IF当前输出为挖掘准备，AND前一个输出为挖掘，THEN当前输出为挖掘；

规则十四：IF当前输出为挖掘准备，AND前一个输出为提升回转，THEN当前输出为提升回转；

规则十五：IF当前输出为挖掘准备，AND前一个输出为卸载，THEN当前输出为卸载；

（6.2）优化神经网络输出结果：产生式系统的数据库中存储了当前神经网络输出结果、当前主泵的压力大小及所有优化后的输出结果；推理机将数据库中的数据与产生式规则库中规则的IF部分相匹配，以决定优化后系统的输出结果；（7）显示输出结果：两个主泵压力及优化后的输出结果通过CAN总线传输至显示单元，绘成曲线后显示在显示屏上；用点来表示输出结果，点的横坐标为当前时刻，点的纵坐标与输出结果对应如下：纵坐标等于0时，为挖掘阶段；纵坐标等于100时，为提升回转阶段；纵坐标等于200时，为卸载阶段；纵坐标等于300时，为空斗回转阶段；纵坐标等于400时，为挖掘准备阶段；将所有表示输出结果的点连接起来，构成一条曲线；

（8）顺序读取数据并在显示屏上实时显示挖掘机的工作循环：从前一次读取结束的位置继续读入预处理后的压力传感器0.02秒采集的压力数据，并将最早读入的预处理后的压力传感器0.02秒采集的压力数据剔除，保持总数据量不变；重复步骤5、6、7，直至没有数据读入，优化后的输出结果顺序输出至显示单元，从而在显示屏上实时显示挖掘机的工作循环。

Images