CN110486017A - 一种基于露天矿区路径的无人驾驶车辆能耗节能方法 - Google Patents
一种基于露天矿区路径的无人驾驶车辆能耗节能方法 Download PDFInfo
- Publication number
- CN110486017A CN110486017A CN201910816147.0A CN201910816147A CN110486017A CN 110486017 A CN110486017 A CN 110486017A CN 201910816147 A CN201910816147 A CN 201910816147A CN 110486017 A CN110486017 A CN 110486017A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- automatic driving
- driving vehicle
- road
- open pit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005265 energy consumption Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000010835 comparative analysis Methods 0.000 claims abstract description 4
- 239000000446 fuel Substances 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000005299 abrasion Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000003921 oil Substances 0.000 description 31
- 238000004458 analytical method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- MGRWKWACZDFZJT-UHFFFAOYSA-N molybdenum tungsten Chemical compound [Mo].[W] MGRWKWACZDFZJT-UHFFFAOYSA-N 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000008246 gaseous mixture Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/188—Controlling power parameters of the driveline, e.g. determining the required power
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C41/00—Methods of underground or surface mining; Layouts therefor
- E21C41/26—Methods of surface mining; Layouts therefor
- E21C41/30—Methods of surface mining; Layouts therefor for ores, e.g. mining placers
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C47/00—Machines for obtaining or the removal of materials in open-pit mines
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Remote Sensing (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明为一种基于露天矿区路径的无人驾驶车辆能耗节能方法，针对露天矿无人驾驶车辆的油耗节能问题，建立了一种车辆运行状态评估模型，从而对无人驾驶车辆的运行状态进行实时调整。首先建立了露天矿运输道路网模型，然后分析了影响车辆油耗的主要因素，以历史数据为样本训练基于BP神经网络的回归模型，从而确定模型的最佳输出参数。在车辆运行过程中，利用多种车载传感器，实时监测无人驾驶车辆的运行数据，并通过与最佳输出参数的对比分析，实现对无人驾驶车辆运行状态的实时动态调整，通过分析不同路况下的车辆最佳运行参数，以确定无人驾驶车辆的发动机最佳输出功率和发动机最佳转速，达到节约油耗的目的。
Description
技术领域
本发明属于露天矿山作业优化技术领域，同时属于计算机应用领域、路径规划决策技术领域、车辆能耗领域，特别涉及一种基于露天矿区路径的无人驾驶车辆能耗节能方法。
背景技术
露天矿运输费用是整个露天矿生产开采费用的最重要组成部分。在矿山实际生产中运输成本通常占露天矿总成本的50％～65％，在矿石总成本和生产过程总劳动量中，运输成本和运输劳动量要占50％以上。因此，优化运输道路、降低运输费用是提高露天矿生产利润，实现露天矿系统优化目标的重要环节。
露天矿区的运输方式主要是以矿用卡车运输为主，其中卡车的油耗费用在总运输费用中占到很大的比例。因此，考虑如何降低运输卡车的油耗费用，成为露天矿生产作业中亟待解决的问题。与国外的无人化矿山相比，目前国内大多数的露天矿仍然采用人工驾驶车辆进行运输的方式。安全事故频发、司机招聘困难、管理运营成本高已经成为矿区生产痛点。随着智慧矿山的建设，以及无人驾驶技术的飞速发展，一部分矿山开始应用无人驾驶卡车进行物料运输。无人驾驶车辆的应用不仅降低了人力成本，而且使得露天矿区的生产作业更加高效合理。为了合理的对无人驾驶车辆的输出功率进行控制，减少运输过程中产生的能源消耗，因此，有必要研究一种基于露天矿区的无人驾驶车辆能耗节能技术。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于露天矿区路径的无人驾驶车辆能耗节能方法，合理地对无人驾驶车辆的发动机转速和输出功率进行实时调整，从而降低运输过程中产生的油耗费用。
为了实现上述目的，本发明采用的技术方案是：
一种基于露天矿区路径的无人驾驶车辆能耗节能方法，包括如下步骤：
首先，根据露天矿区现场的实际数据建立运输道路网模型，并分析道路网中的路面坡度、地面类型和路面平整度，建立露天矿区道路状况数据库；
然后，对影响无人驾驶车辆运行油耗的因素进行分析，并统计一段时间的历史数据建立基础信息数据库；
最后，根据历史数据训练基于BP神经网络的回归模型，建立车辆运行状态的评估模型，从而对车辆的实时运行数据进行监测，动态调整发动机转速和输出功率，从而达到节能降耗的目标。
本发明以道路的中心线代替每条道路，将运输系统按照道路属性划分区段，区段连接的交叉点、采掘点、卸载点设为道路网络拓扑图节点，根据实际情况和测量数据赋予路况信息，形成某段时期内的运输道路网模型。
其中，影响无人运输车辆油耗的因素包括：道路状况、车辆技术参数、车辆应用水平、气候和天气因素。
本发明将所有影响车辆油耗的因素进行编号处理，每个参数的历史统计数据作为样本矩阵X，其中，原始变量为：
路面平均坡度x1，地面类型x2，路面平整度x3，发动机压缩比x4，发动机比油耗x5，整车质量x6，轮胎型号x7，维修保养状态x8，轮胎气压x9，轮胎磨损程度x10，天气状态x11，平均气温x12，平均海拔高度x13；
采用主成分分析法对所有影响车辆油耗的因素进行分析，选择路面平均坡度、发动机比油耗、整车质量、轮胎型号、天气状况五个影响因素作为表述样本内容的主要数据来计算各项主成分的系数，作为BP神经网络的输入参数，所述回归模型的输出参数即为车辆油耗。
本发明在Matlab软件中建立并训练BP神经网络，设定训练函数为trainlm、学习函数为learngdm、性能函数为mse、隐含层和输出层的传递函数分别为tansig和purelin。
当车辆处于日常的运行状态时，利用多种车载传感器，实时监测无人驾驶车辆的运行数据，并通过与最佳输出参数的对比分析，实现对无人驾驶车辆运行状态的实时动态调整，通过分析不同路况下的车辆最佳运行参数，以确定无人驾驶车辆的发动机最佳输出功率和发动机最佳转速，达到节约油耗的目的。
与现有技术相比，本发明建立了无人驾驶车辆实时运行状态的评估模型，可以做到对无人驾驶车辆各项运行数据的实时监测，并进行实时动态调整，使得无人驾驶车辆一直保持最佳的状态运行，从而达到降低运输油耗费用的目的。
附图说明
图1是本发明中关于无人驾驶车辆的油耗影响因素分析图。
图2是本发明中关于车辆运行状态评估模型建立的流程图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
如图1所示，本发明提出了一种基于露天矿区路径的无人驾驶车辆能耗节能技术，该技术的实施过程主要包含以下步骤：
1、露天矿区道路状况数据库的建立
通过对露天矿区现场实地数据的测量，建立露天矿道路运输网模型，并对每条路径的路面坡度、地面类型、平整度等因素进行分析，建立露天矿区道路状况数据库。
对现场的实地测量数据进行统计，依据露天矿现状图，构建露天矿路网模型。考虑固定性较强的生产干线和部分生产支线。以道路的中心线代替每条道路，将运输系统按照道路属性划分区段，区段连接的交叉点、采掘点、卸载点设为道路网络拓扑图节点。根据实际情况和测量数据赋予路况信息，形成某段时期内运输系统的路网模型。
2、无人驾驶车辆运行油耗技术参数分析
影响无人运输车辆油耗的因素主要有以下几个方面：道路状况、车辆技术参数、车辆应用水平、气候和天气因素等。
1)道路状况
首先，运输道路状况是影响无人驾驶车辆油耗的主要因素，包括路面坡度、地面类型、路面平整度等。路面坡度大的路段所遇到的行车阻力较大，因而所产生的油耗也较高。不同地面类型的强度不同，所造成的摩擦阻力也不相同。另外，路面平整度较差的话，车辆就一直处于低档位行驶状态，低速行驶出于非经济时速油耗必然会增加。
2)车辆技术参数
无人驾驶车辆本身的技术参数会从根本上决定油耗的情况，例如发动机的输出参数、车辆整车的质量、轮胎的型号等。其中，发动机的内部结构和类型占主要因素。发动机主要分为两大类：柴油机和汽油机，这两类发动机的压缩比不同是造成油耗不同的原因。发动机的压缩比越高就证明运行油耗越低，由于柴油机压缩比比汽油机要高得多，因此柴油机比汽油机的运行油耗要低很多。另外，发动机的内部结构会影响比油耗的大小，因此影响着车辆运行油耗。汽车质量的大小对于油耗也有不可忽视的作用。车轮的滚动阻力、坡度阻力和加速阻力都受汽车质量影响，这些阻力都会影响油耗。
3)车辆应用水平
车辆应用水平是指车辆在使用的过程中所呈现的运行状态，主要有维修保养状况、轮胎气压和磨损程度等几个方面。车辆在使用一段时间后，要进行日常的保养和修理，使得发动机和轮胎等零部件处于最佳的运行状态，从而减少车辆运行油耗。保持合适的胎压可以降低油耗；当轮胎磨损严重时或吃胎时，阻力也会增大，因此轮胎不正常时要及时更换轮胎以减少油耗。
4)气候和天气因素
露天矿区的气候和天气条件也会对无人驾驶车辆的油耗情况造成影响。车辆运行时温度高低也会影响燃料的消耗，空气温度低会使燃油雾化不良，导致燃烧效率不高，最终导致燃料消耗增加。露天矿区海拔的也会影响燃料的消耗情况，高海拔地区的空气稀薄含氧量低，汽车运行时就会导致进气量相对不足，导致混合气不均匀，致使燃料不完全燃烧，发动机效率降低，发动机的燃料消耗量增加。另外，还需要考虑正常天气和雨雪天气下的道路状况对无人驾驶车辆的油耗影响情况。
3、多参数作用下无人驾驶车辆油耗分析模型
通过对无人驾驶车辆油耗影响因素的分析，建立指标对各个影响因素进行量化。以国内某大型钼钨矿山为对象，采集一段时期的历史统计数据，并进行分析。为了简化数据量太大造成的问题，通过主成分分析的方法对影响因素进行降维处理，分析车辆油耗的主要影响因素。然后，利用历史数据建立基于BP神经网络的回归模型，并确定模型的最佳参数。从而建立无人驾驶车辆运行实时运行状态的评估模型。
3.1影响因素指标量化处理
为了能建立准确有效的油耗模型，在对试验数据进行分析处理前，对原始试验数据进行了整理，每一组油耗原始试验数据包括以下内容：
路面状况因素：路面平均坡度g，地面类型s，路面平整度RQI
车辆技术参数：发动机压缩比，发动机比油耗，整车质量G，轮胎型号
车辆应用水平：维修保养状态，轮胎气压，轮胎磨损程度
气候天气因素：天气状态，平均气温T，平均海拔高度H
3.2获取历史统计数据
根据车辆不同运行状态的参数特征，将现有的历史数据进行统计分类，即可得到各个运行状态的样本数据。以国内某大型钼钨矿山为对象，采集一段时期的历史统计数据，建立数据库并进行分析。
1)道路状况数据库的建立
制定露天矿道路状况数据统计表，统计露天矿道路状况的历史数据。本发明中设计的道路状况数据统计表如下：
2)运输车辆基础数据库的建立
对露天矿无人驾驶车辆的基础技术参数进行统计，并对车辆目前的应用水平进行分析。本发明中设计的运输车辆基础数据统计表如下：
3)气候天气数据库的建立
同样地，对露天矿区的气候条件和历史天气数据进行统计。本发明中设计的气候天气数据统计表如下：
3.3主成分分析降维
主成分分析法的实质是在不改变样本数据结构的情况下，通过旋转多维空间的坐标将原变量转换成两两不相关的主成分，同时尽可能反映原变量所包含的信息，从而简化计算。在本发明中，为了筛选出对车辆油耗影响最大的因素，采用主成分分析方法对所有影响因素进行分析，从而简化模型的输入参数，同时降低模型的计算复杂度。
假设样本矩阵X为：
式中，样本数据X中第v个参数类型中的第u个样本数据为：xuv，其中u＝1,2,…,n且v＝1,2,…,p；xu＝[xu1 xu2 … xup]T为维列向量。
样本矩阵的均值为：
式中，中的任一元素
协方差矩阵S的表达式为：
对于n行p列的样本矩阵X而言，经过矩阵变换后即得到样本协方差矩阵S，其为p行p列的方阵，故式()之后的u＝1,2,…,p且v＝1,2,…,p。
协方差矩阵S中的任一元素Suv为：
式中，xu'u和xu'v分别为样本矩阵X中的某个元素，其中u′＝1,2,…,p；
样本相关矩阵R为：其中，
设Suv的p个特征值分别为且其单位正交特征向量为：
则第u个样本的主成分yu为：
在本发明中，将所有影响车辆油耗的因素进行编号处理，每个参数的历史统计数据作为样本矩阵X。其中，原始变量为：
路面平均坡度x1，地面类型x2，路面平整度x3，发动机压缩比x4，发动机比油耗x5，整车质量x6，轮胎型号x7，维修保养状态x8，轮胎气压x9，轮胎磨损程度x10，天气状态x11，平均气温x12，平均海拔高度x13
经过上述的降维过程，变量x1，x5，x6，x7，x11的累计贡献率达到了90％以上，而其他变量的累计贡献率则很小，可以忽略不计。因此，选择路面平均坡度、发动机比油耗、整车质量、轮胎型号、天气状况五个影响因素作为表述样本内容的主要数据来计算各项主成分的系数。将原训练样本的13种原始变量转换为5项主成分，即可作为BP神经网络的输入参数。
3.4基于BP神经网络的回归模型
通过对油耗影响因素的分析，建立了以路面平均坡度、发动机比油耗、整车质量、轮胎型号、天气状况五个影响因素为输入参数，以车辆油耗为输出参数的回归模型。本发明中选取2019年1月1日到2019年4月10日的100组历史统计数据对回归模型进行训练，其中90组构成训练数据集，用于训练网络获取计算模型；其余10组为仿真数据，用于验证模型的计算精度。
在Matlab软件中建立并训练BP神经网络时，设定训练函数为trainlm、学习函数为learngdm、性能函数为mse、隐含层和输出层的传递函数分别为tansig和purelin，其中2层隐含层的神经元数量均为10。训练函数trainlm采用LM算法，该方法结合了梯度下降法和牛顿法的优点，可以有效避免陷入局部最优解并保证收敛速度。
通过样本数据的训练，建立了多参数作用下无人驾驶车辆的油耗分析模型。当车辆处于日常的运行状态时，利用多种车载传感器，实时监测无人驾驶车辆的运行数据。并通过与最佳输出参数的对比分析，实现对无人驾驶车辆运行状态的实时动态调整。通过分析不同路况下的车辆最佳运行参数，以确定无人驾驶车辆的发动机最佳输出功率和发动机最佳转速，达到节约油耗的目的。
Claims (6)
1.一种基于露天矿区路径的无人驾驶车辆能耗节能方法，其特征在于，包括如下步骤：
首先，根据露天矿区现场的实际数据建立运输道路网模型，并分析道路网中的路面坡度、地面类型和路面平整度，建立露天矿区道路状况数据库；
然后，对影响无人驾驶车辆运行油耗的因素进行分析，并统计一段时间的历史数据建立基础信息数据库；
最后，根据历史数据训练基于BP神经网络的回归模型，建立车辆运行状态的评估模型，从而对车辆的实时运行数据进行监测，动态调整发动机转速和输出功率，从而达到节能降耗的目标。
2.根据权利要求1所述基于露天矿区路径的无人驾驶车辆能耗节能方法，其特征在于，以道路的中心线代替每条道路，将运输系统按照道路属性划分区段，区段连接的交叉点、采掘点、卸载点设为道路网络拓扑图节点，根据实际情况和测量数据赋予路况信息，形成某段时期内的运输道路网模型。
3.根据权利要求1所述基于露天矿区路径的无人驾驶车辆能耗节能方法，其特征在于，影响无人运输车辆油耗的因素包括：道路状况、车辆技术参数、车辆应用水平、气候和天气因素。
4.根据权利要求1所述基于露天矿区路径的无人驾驶车辆能耗节能方法，其特征在于，将所有影响车辆油耗的因素进行编号处理，每个参数的历史统计数据作为样本矩阵X，其中，原始变量为：
路面平均坡度x1，地面类型x2，路面平整度x3，发动机压缩比x4，发动机比油耗x5，整车质量x6，轮胎型号x7，维修保养状态x8，轮胎气压x9，轮胎磨损程度x10，天气状态x11，平均气温x12，平均海拔高度x13；
采用主成分分析法对所有影响车辆油耗的因素进行分析，选择路面平均坡度、发动机比油耗、整车质量、轮胎型号、天气状况五个影响因素作为表述样本内容的主要数据来计算各项主成分的系数，作为BP神经网络的输入参数，所述回归模型的输出参数即为车辆油耗。
5.根据权利要求1或4所述基于露天矿区路径的无人驾驶车辆能耗节能方法，其特征在于，在Matlab软件中建立并训练BP神经网络，设定训练函数为trainlm、学习函数为learngdm、性能函数为mse、隐含层和输出层的传递函数分别为tansig和purelin。
6.根据权利要求1所述基于露天矿区路径的无人驾驶车辆能耗节能方法，其特征在于，当车辆处于日常的运行状态时，利用多种车载传感器，实时监测无人驾驶车辆的运行数据，并通过与最佳输出参数的对比分析，实现对无人驾驶车辆运行状态的实时动态调整，通过分析不同路况下的车辆最佳运行参数，以确定无人驾驶车辆的发动机最佳输出功率和发动机最佳转速，达到节约油耗的目的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910816147.0A CN110486017B (zh) | 2019-08-30 | 2019-08-30 | 一种基于露天矿区路径的无人驾驶车辆能耗节能方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910816147.0A CN110486017B (zh) | 2019-08-30 | 2019-08-30 | 一种基于露天矿区路径的无人驾驶车辆能耗节能方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110486017A true CN110486017A (zh) | 2019-11-22 |
| CN110486017B CN110486017B (zh) | 2021-04-06 |
Family
ID=68555697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910816147.0A Active CN110486017B (zh) | 2019-08-30 | 2019-08-30 | 一种基于露天矿区路径的无人驾驶车辆能耗节能方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110486017B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111806443A (zh) * | 2020-05-22 | 2020-10-23 | 博雷顿科技有限公司 | 一种纯电动重卡无人驾驶能耗优化方法 |
| CN111859794A (zh) * | 2020-07-14 | 2020-10-30 | 河南理工大学 | 一种基于矿用卡车油耗大数据分析的实时油耗管理方法 |
| CN112149888A (zh) * | 2020-09-08 | 2020-12-29 | 北京踏歌智行科技有限公司 | 一种面向露天矿的无人驾驶矿卡实时行程时间预测方法 |
| CN112214854A (zh) * | 2020-10-26 | 2021-01-12 | 上海三一重机股份有限公司 | 挖掘机油耗预测方法、系统及电子设备 |
| CN113256588A (zh) * | 2021-05-31 | 2021-08-13 | 西安建筑科技大学 | 露天矿无人驾驶中的排土场及排土边缘线实时更新方法 |
| CN115782788A (zh) * | 2022-12-11 | 2023-03-14 | 中国重汽集团济南动力有限公司 | 一种整车内部需求扭矩协调控制方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105426672A (zh) * | 2015-11-12 | 2016-03-23 | 东方电气（乐山）新能源设备有限公司 | 一种纯电动汽车能耗计算方法 |
| WO2016051988A1 (ja) * | 2014-09-29 | 2016-04-07 | 日立建機株式会社 | 作業車両の移動制御装置及び作業車両 |
| CN106844947A (zh) * | 2017-01-18 | 2017-06-13 | 清华大学 | 一种基于高阶相关学习的机车节能优化自动驾驶方法 |
| CN109062205A (zh) * | 2018-07-26 | 2018-12-21 | 武汉水草能源科技研发中心(有限合伙) | 人工智能汽车无人驾驶系统 |
| US20190050520A1 (en) * | 2018-01-12 | 2019-02-14 | Intel Corporation | Simulated vehicle operation modeling with real vehicle profiles |
-
2019
- 2019-08-30 CN CN201910816147.0A patent/CN110486017B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016051988A1 (ja) * | 2014-09-29 | 2016-04-07 | 日立建機株式会社 | 作業車両の移動制御装置及び作業車両 |
| CN105426672A (zh) * | 2015-11-12 | 2016-03-23 | 东方电气（乐山）新能源设备有限公司 | 一种纯电动汽车能耗计算方法 |
| CN106844947A (zh) * | 2017-01-18 | 2017-06-13 | 清华大学 | 一种基于高阶相关学习的机车节能优化自动驾驶方法 |
| US20190050520A1 (en) * | 2018-01-12 | 2019-02-14 | Intel Corporation | Simulated vehicle operation modeling with real vehicle profiles |
| CN109062205A (zh) * | 2018-07-26 | 2018-12-21 | 武汉水草能源科技研发中心(有限合伙) | 人工智能汽车无人驾驶系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111806443A (zh) * | 2020-05-22 | 2020-10-23 | 博雷顿科技有限公司 | 一种纯电动重卡无人驾驶能耗优化方法 |
| CN111859794A (zh) * | 2020-07-14 | 2020-10-30 | 河南理工大学 | 一种基于矿用卡车油耗大数据分析的实时油耗管理方法 |
| CN112149888A (zh) * | 2020-09-08 | 2020-12-29 | 北京踏歌智行科技有限公司 | 一种面向露天矿的无人驾驶矿卡实时行程时间预测方法 |
| CN112214854A (zh) * | 2020-10-26 | 2021-01-12 | 上海三一重机股份有限公司 | 挖掘机油耗预测方法、系统及电子设备 |
| CN113256588A (zh) * | 2021-05-31 | 2021-08-13 | 西安建筑科技大学 | 露天矿无人驾驶中的排土场及排土边缘线实时更新方法 |
| CN115782788A (zh) * | 2022-12-11 | 2023-03-14 | 中国重汽集团济南动力有限公司 | 一种整车内部需求扭矩协调控制方法及系统 |
| CN115782788B (zh) * | 2022-12-11 | 2024-04-12 | 中国重汽集团济南动力有限公司 | 一种整车内部需求扭矩协调控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110486017B (zh) | 2021-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110486017A (zh) | 一种基于露天矿区路径的无人驾驶车辆能耗节能方法 | |
| CN105160883B (zh) | 一种基于大数据的节能驾驶行为分析方法 | |
| CN108682149B (zh) | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 | |
| CN102722989B (zh) | 基于模糊神经网络的高速公路微气象交通预警方法 | |
| DE112010003258T5 (de) | Vorrichtung, System und Methode zur adaptiven Motorsystemsteuerung mit integrierter globaler Positionsbestimmung | |
| CN111062648B (zh) | 一种沥青路面综合性能的评价方法 | |
| CN101846522A (zh) | 能计算碳排量的汽车导航装置 | |
| CN107368913A (zh) | 一种基于最小二乘支持向量机的油耗预测方法 | |
| CN111210165A (zh) | 一种基于风险传导耦合的车辆运行风险评估系统 | |
| CN114463868B (zh) | 面向交通流管控的收费站交通流组合预测方法及系统 | |
| CN110619340B (zh) | 一种自动驾驶汽车换道规则的生成方法 | |
| CN105430085A (zh) | 一种使用节气门开度评估驾驶行为经济性的系统及方法 | |
| Fernandes et al. | Assessment of corridors with different types of intersections: Environmental and traffic performance analysis | |
| CN112509328A (zh) | 一种交叉口右转机动车与电动自行车冲突行为分析方法 | |
| CN103646533A (zh) | 基于稀疏多输出回归的交通事故建模与控制方法 | |
| CN104809160A (zh) | 一种基于换档行为的高油耗分析方法及设备 | |
| Zhang et al. | An improved method for evaluating eco-driving behavior based-on speed-specific vehicle-specific power distributions | |
| CN113657767A (zh) | 一种基于交通数据和模糊算法的城市主干道下穿隧道风险评估方法 | |
| CN113240901A (zh) | 一种智能车换道行为风险等级确定方法及装置 | |
| CN111806443A (zh) | 一种纯电动重卡无人驾驶能耗优化方法 | |
| CN114818109A (zh) | 一种车辆编队行驶下空气阻力系数及燃油经济性计算方法 | |
| CN112419707B (zh) | 基于gps数据空间匹配的车辆运行效率评价方法及系统 | |
| CN108572651A (zh) | 一种智能化程度高的无人驾驶车辆 | |
| Skrucany et al. | Influence of vehicle aerodynamical devices on fuel consumption evaluated using telematics tools | |
| Ping et al. | Spectral clustering based approach for evaluating the effect of driving behavior on fuel economy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |