CN110685310A - 基于神经网络的发动机极载控制方法、系统及工程车辆 - Google Patents

Abstract

本发明公开了一种基于神经网络的发动机极载控制方法、系统及工程车辆，其中，系统包括用于计算发动机正向提供的可分配扭矩值的发动机扭矩分配模块，用于拟合液压系统，根据给定的当前液压状态值和可供扭矩值计算出来功率阀电流值的神经网络模块，接收神经网络计算输出的主泵功率阀电流值，闭环执行主泵的功率调控，并传递数据给系统数据收集模块的主机系统模块，收集发动机数据，液压泵信息，主机信息传递给发动机扭矩分配模块，神经网络模块，主机系统模块的系统数据收集模块。本发明以发动机扭矩的正向主动分配方式，通过神经网络学习解决液压系统的非线性，多变化的数学模型建立的难点，实现精准功率控制，满足连续墙抓斗实际工况的需求。

Description

基于神经网络的发动机极载控制方法、系统及工程车辆

技术领域

本发明涉及工程机械技术领域，尤其涉及一种连续墙抓斗发动机极载功率控制方法。

背景技术

连续墙抓斗机是一种适合基础工程中成槽作业的大型基础工程施工机械设备，广泛应用于市政建设、商城、地铁等基础施工工程。连续墙抓斗的动力性和燃油经济性直接决定工程施工的效率和成本，也是主机最重要的两项指标。

目前工程机械的发动机极载控制策略普遍采用发动机掉速作为参考进行调控主泵功率的方式，普遍采用PID控制、自适应模糊控制等，均是一种被动的控制。

但是，实际主机的电磁阀响应性差，以及在实际施工中抓斗工况不固定和负载变化大，突变情况容易出现PID等被动调控很难同时实现发动机功率的最大化利用和避免发动机的突然掉速。

发明内容

根据现有技术的不足，本发明提供一种基于神经网络的发动机极载控制方法，以尽可能使连续墙抓斗发动机功率和液压系统功率相匹配，满足动力性指标和经济性指标。

本发明按以下技术方案实现：

一种基于神经网络的发动机极载控制系统，包括：

发动机扭矩分配模块，用于计算发动机正向提供的可分配扭矩值；

神经网络模块，用于拟合液压系统，根据给定的当前液压状态值和可供扭矩值计算出来功率阀电流值；

主机系统模块，接收神经网络计算输出的主泵功率阀电流值，闭环执行主泵的功率调控，并传递数据给系统数据收集模块；

系统数据收集模块，收集发动机数据，液压泵信息，主机信息传递给发动机扭矩分配模块，神经网络模块，主机系统模块。

进一步，发动机扭矩分配模块包括：

主机待机状态判断块，信号来源于系统数据收集模块的液压系统压力值比对结果，在待机既无主机动作的情况下发动机清零可供扭矩值；在主机工作状态下进一步判断发动机转速差是否超限，既比较发动机实际转速和目标转速之间的差值是否超过设定限值，当超限状态下进入扭矩紧急调节单元，当未超限状态下进入外特性表输出单元和斜坡处理单元；

扭矩紧急调节单元，以转速差值和转速差值的变化率为数据入口，采用传统PID调节方式闭环处理，使得转速差回到正常范围内；

外特性表输出单元，以发动机目标转速为依据，通过数据查询获得该转速下可以提供的最大扭矩值，在综合判断当前转速负载率的情况下，经过斜坡处理单元进行缓冲输出；

斜坡处理单元，按装发动机负载响应时间来设定上升时间，下降时间设为短时间值。

进一步，神经网络模块包括：

输入层，输入信号采用样本标准化处理的主泵1压力信号，主泵2压力信号，副泵压力信号，可提供扭矩值；

中间层，由四个神经元构成，对输入层加权求和的特征值进行坐标变换，既通过激活函数Sigmoid进行数据处理，数据再次加权求和传到输出层经过激活函数变换后输出；

输出层，输出的值和样本的功率阀电流值对比求的方差作为误差函数，误差值反向传播调整各个部分的权值，如此就完成一次训练过程，重复该循环过程直到误差函数值在允许范围后停止训练，当完成所有样本的训练后就得到了描述该液压系统的数学模型。

进一步，主机系统模块包括PID单元和线性标定输出单元；输入功率阀电流在节点Ⅰ处和来自于端口实际电流的误差值作为控制信号，经过比例环节，参数P值，积分环节I和微分环节D值汇总到节点Ⅱ，输出信号端口线性标定输出单元，线性标定输出单元参考输出最大值参数，输出最小值参数和负载电阻值给出数字量到端口，端口得到真反馈的端口实际电流。

一种基于神经网络的发动机极载控制方法，该方法如下：

通过发动机扭矩分配模块来计算发动机正向提供的可分配扭矩值；

通过神经网络模块来拟合液压系统，并根据给定的当前液压状态值和可供扭矩值计算出来功率阀电流值；

通过主机系统模块来接收神经网络计算输出的主泵功率阀电流值，闭环执行主泵的功率调控，并传递数据给系统数据收集模块；

通过系统数据收集模块收集发动机数据，液压泵信息，主机信息传递给发动机扭矩分配模块，神经网络模块，主机系统模块。

进一步，扭矩分配模块工作方法如下：

当模块接收到发动机目标转速数据，查询预设发动机外特性表输出单元，给出参考最大可提供扭矩，同时比对目标转速和实际转速差修正参考最大扭矩，在整个过程中始终监控发动机负载率，避免出现长时间的过载运行。

进一步，神经网络模块工作方法如下：

输入信号采用样本标准化处理的主泵1压力信号，主泵2压力信号，副泵压力信号，可提供扭矩值，对输入层加权求和的特征值进行坐标变换，既通过激活函数Sigmoid进行数据处理，数据再次加权求和传到输出层经过激活函数变换后输出，输出的值和样本的功率阀电流值对比求的方差作为误差函数，误差值反向传播调整各个部分的权值，如此就完成一次训练过程，重复该循环过程直到误差函数值在允许范围后停止训练，当完成所有样本的训练后就得到了描述该液压系统的数学模型。

进一步，主机系统模块工作方法如下：

接收自神经网路的功率阀电流值，通过DA转换闭环输出到控制器管脚驱动主泵功率调节比例阀，根据电流实际反馈值来调整输出到管脚的数值。

进一步，系统数据收集模块工作方法如下：

采集总线上发动机信息，解析后发送给发动机扭矩分配模块和神经网络模块，同时收集传感器信号并线性处理后发送给主机系统模块和神经网络模块；

采集并处理得到的系统压力信号和主机待机状态下的静态液压压力信号比对，得出主机进入工作状态，并发送信号给发动机扭矩分配模块；

发送给发动机扭矩分配模块的数据包括：发动机目标转速，发动机实际转速，发动机当前转速下负载率，发动机扭矩百分百，发动机外特性曲线。

一种工程车辆，包括发动机，该发动机设有前述的基于神经网络的发动机极载控制系统。

本发明有益效果：

本发明巧妙的利用神经网络自学习特性来拟合复杂、非线性而又多时变性的液压系统，为功率的精准控制提供可靠的模型，免去常规液压系统建模的复杂计算。同时，创新性的使用发动机扭矩分配模块，正向的主动控制功率匹配，有别于传统的被动调节，规避了被动调节的不及时和发动机功率利用率低的弊端，在实际应用中能达到较好的动力性和经济性效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。下面结合附图及实施例对本发明进行详细说明。

图1是本发明的控制逻辑模式图。

图2是本发明的发动机扭矩分配模块流程图。

图3是本发明神经网络模块结构图。

图4是本发明主机系统模块功率控制实例图。

具体实施方式

下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参考图1所示，在本发明一种基于神经网络的发动机极载控制实例包括：发动机扭矩分配模块101，用于给出发动机当前状况可供扭矩值。

神经网络模块102，用于拟合液压系统，根据给定的当前液压状态值和可供扭矩值计算出来功率阀电流值。

主机系统模块103，用于输出执行控制命令，此实例中闭环输出功率阀电流调节主泵功率。

系统数据收集模块104，用于采集总线上发动机信息，解析后发送给发动机扭矩分配模块101和神经网络模块102，同时收集传感器信号并线性处理后发送给主机系统模块104和神经网络模块102.

系统数据收集模块104，采集并处理得到的系统压力信号和主机待机状态下的静态液压压力信号比对，得出主机进入工作状态，并发送信号给发动机扭矩分配模块101。

系统数据收集模块104，发送给发动机扭矩分配模块101的数据包括：发动机目标转速，发动机实际转速，发动机当前转速下负载率，发动机扭矩百分百，发动机外特性曲线。

参考图2所示，在本发明一种基于神经网络的发动机极载控制实例中：发动机扭矩分配模块流程图，用于解释发动机扭矩分配模块工作的原理。

发动机扭矩分配模块原理图从开始到结束一直循环执行，主机待机状态判断块1011，信号来源于系统数据收集模块104的液压系统压力值比对结果，在待机既无主机动作的情况下发动机清零可供扭矩值。

在主机工作状态下进一步判断发动机转速差是否超限，既比较发动机实际转速和目标转速之间的差值是否超过设定限值，当超限状态下进入扭矩紧急调节单元1012，当未超限状态下进入外特性表输出单元1013和斜坡处理单元1014。

扭矩紧急调节单元1012，以转速差值和转速差值的变化率为数据入口，采用传统PID调节方式闭环处理，使得转速差回到正常范围内。

外特性表输出单元1013，以发动机目标转速为依据，通过数据查询获得该转速下可以提供的最大扭矩值，在综合判断当前转速负载率的情况下，经过斜坡处理单元1014进行缓冲输出。

斜坡处理单元1014，按装发动机负载响应时间来设定上升时间，下降时间设为短时间值。

参考图3所示，在本发明一种基于神经网络的发动机极载控制实例中：神经网络模块结构图用以解释如何拟合复杂的液压系统模型。

本发明神经网络采用典型的三层神经网络结构，第一层为输入层，第二层为隐藏层既中间层，第三层输出层。

输入层数据Xi:X1-X4和偏置量定义为1，X1输入主泵1压力值数据，X2输入主泵2压力值数据，X3输入副泵压力值数据，X4输入转速值数据，偏置量固定为1.

隐藏层Hj:H1-H4,隐藏层选用激活函数Sigmoid函数。

输入层到隐藏层权值为：

Wij:W11,W12,W13,W14,W21,W22,W23,W24,W31,W32,W41,W42,W43,W44,偏置量权值Bj:B1,B2,B3,B4。

隐藏层到输出层权值为:W’j1：W’11,W’21,W’31,W’41,偏置量固定为1，权值为：B5。

正向传播：隐藏层神经元H1的获得信号值为

通过激活函数输出得到H1out＝1/(e^-H1in+1),同理可以得到其他三个神经元的获得值和神经元输出值。

神经网络隐藏层输出到输出层入口

神经网络输出层经过激活函数Sigmoid激活后最终输出：Yout＝1/(e^-Yin n+1)。

该神经元给定处理参数先进行标准化处理，输入X1＝0.26,X2＝0.26,X3＝0.08,X4＝0.8，实例化意义既为主泵压力0.26MPa,0.26MPa,0.08MPa,0.8KN*m,输出值为比例阀电流值0.36A，此样本是一个完整的导师信号，实际训练神经元前需要采集多组样本数据，一部分作为训练样本，一部分作为测试样本，在选择合适的初始化权值后既可以开始训练。初始化权值的选择无理论指导需在实际测试中摸索，良好的初值可避免得到的局部解。

输入层初始化权值设置如下：W11＝0.1，W12＝0.11,W13＝0.12,W14＝0.14,W21＝0.21,W22＝0.22,W23＝0.23,W24＝0.24,W31＝0.31,W32＝0.32,W33＝0.33,W34＝0.34,W41＝0.41,W42＝0.42,W43＝0.43,W44＝0.44,B1＝0.15,B2＝0.16,B3＝0.17,B4＝0.18。

隐藏层初始化权值设置如下：W’11＝0.11,W’21＝0.21,W’＝0.31,W’41＝0.41,B5＝0.15。

通过输入层到隐藏层加权传递激活处理，再经过隐藏层到输出层的加权传递并再次激活处理得出输出值Yout，

其中H1in＝0.26*0.11+0.26*0.21+0.08*0.31+0.8*0.41+1*0.15＝0.586；

H2in＝0.26*0.12+0.26*0.22+0.08*0.32+0.8*0.42+1*0.16＝0.61；

H3in＝0.26*0.13+0.26*0.23+0.08*0.33+0.8*0.43+1*0.17＝0.634；

H4in＝0.26*0.14+0.26*0.24+0.08*0.34+0.8*0.44+1*0.18＝0.658；

H1out＝1/(e^-0.586+1)＝0.642446843；

H2out＝1/(e^-0.61+1)＝0.6479408108；

H3out＝1/(e^-0.634+1)＝0.6533997438；

H4out＝1/(e^-0.658+1)＝0.6588109826；

Yin＝H1out*W’11+H1out*W’21+H1out*W’31+H1out*W’41+1*B5＝0.82940314644；

Yout＝1/(e^-Yin+1)＝1/(e^-0.82940314644+1)＝0.696228725；

正向传输结束得到输出Yout＝0.696228725和期望的功率阀电流值0.36相差很大，紧接着需要利用反向传播，更新权值。

神经网络误差函数计算方法：Etotal＝1/2*(EXPECTEDout1-Yout)^2,其中EXPECTEDout1＝0.36则Etotal＝0.5*(0.36-0.696228725)^2＝0.056524878。

以W’11权值更新为例，

Etotal＝1/2*(EXPECTEDout1-Yout)^2；

因为则可根据三部分乘积计算获得：

Yout1＝1/(e^-Yin+1),对此求偏导

归纳公式

设置学习率α为0.5，进行W’11的更新：

同样的可以照次更新W’21,W’31,W’41和B5；

紧接着进行按照上述方式继续更新输入层到隐层的权值和偏置权值的更新，比较特殊的是该层误差反传按照多个路径回传，所以计算偏导数时要分开计算，此处我们的输出只有一个功率阀电流，则可求偏导如下：

三部分的计算方式同上既可算出

进而更新W11,W12,W13,W14,W21,W22,W23,W24,W31,W32,W41,W42,W43,W44,偏置量权B1,B2,B3,B4,至此就完成了一次完成的训练，按照这种迭代，输出层误差越来越小并达到预设的允许范围，使得系统趋于收敛。

多组训练样本重复如上所述的迭代训练过程，最终得到一个高度拟合液压系统的神经网络模型，测试样本可以用来检测其有效性。

本发明一种基于神经网络的发动机极载功率控制所述：神经网络模块102，接收来自系统数据收集模块反馈的主泵压力1，主泵压力2，副泵压力和发动机扭矩分配模块101输出的可供扭矩，计算出相应的功率阀电流值。

参考图4所示，在本发明一种基于神经网络的发动机极载控制实例中：主机系统模块控制实例图，用于解释主机系统模块103如何执行来自于神经网络模块102的功率阀电流值，说明执行功率调节的过程。

主机系统模块控制实例在此仅说明功率阀电流部分控制。

主机系统模块103输入功率阀电流，在节点Ⅰ1031处和来自于端口实际电流1034的误差值作为控制信号，经过比例环节，参数P值，积分环节I和微分环节D值汇总到节点Ⅱ1032，输出信号端口线性标定输出单元。

线性标定输出单元1033参考输出最大值参数，输出最小值参数和负载电阻值给出数字量到端口，端口得到真反馈的端口实际电流1034。

本发明一种基于神经网络的发动机极载功率控制所述：系统数据收集模块104从发动机总线接收数据并解析，收集主机系统各技术参数，预处理后分发给发动机扭矩分配模块101，神经网络模块102，主机系统模块103。

通过对本发明一种基于神经网络的发动机极载控制方法的多个实施例的说明，可以看出本发明一种基于神经网络的发动机极载控制方法，巧妙的利用神经网络自学习特性来拟合复杂、非线性而又多时变性的液压系统，为功率的精准控制提供可靠的模型，免去常规液压系统建模的复杂计算。

本发明一种基于神经网络的发动机极载控制方法同时创新性的使用发动机扭矩分配模块，正向的主动控制功率匹配，有别于传统的被动调节，规避了被动调节的不及时和发动机功率利用率低的弊端，在实际应用中能达到较好的动力性和经济性效果。

本发明还提供一种工程车辆，包括发动机，该发动机设有前述的基于神经网络的发动机极载控制系统。其中，工程车辆包括连续墙抓斗机。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (10)

1.一种基于神经网络的发动机极载控制系统，其特征在于，包括：

发动机扭矩分配模块，用于计算发动机正向提供的可分配扭矩值；

神经网络模块，用于拟合液压系统，根据给定的当前液压状态值和可供扭矩值计算出来功率阀电流值；

主机系统模块，接收神经网络计算输出的主泵功率阀电流值，闭环执行主泵的功率调控，并传递数据给系统数据收集模块；

系统数据收集模块，收集发动机数据，液压泵信息，主机信息传递给发动机扭矩分配模块，神经网络模块，主机系统模块。

2.根据权利要求1所述的基于神经网络的发动机极载控制系统，其特征在于，发动机扭矩分配模块包括：

主机待机状态判断块，信号来源于系统数据收集模块的液压系统压力值比对结果，在待机既无主机动作的情况下发动机清零可供扭矩值；在主机工作状态下进一步判断发动机转速差是否超限，既比较发动机实际转速和目标转速之间的差值是否超过设定限值，当超限状态下进入扭矩紧急调节单元，当未超限状态下进入外特性表输出单元和斜坡处理单元；

扭矩紧急调节单元，以转速差值和转速差值的变化率为数据入口，采用传统PID调节方式闭环处理，使得转速差回到正常范围内；

外特性表输出单元，以发动机目标转速为依据，通过数据查询获得该转速下可以提供的最大扭矩值，在综合判断当前转速负载率的情况下，经过斜坡处理单元进行缓冲输出；

斜坡处理单元，按装发动机负载响应时间来设定上升时间，下降时间设为短时间值。

3.根据权利要求1所述的基于神经网络的发动机极载控制系统，其特征在于，神经网络模块包括：

输入层，输入信号采用样本标准化处理的主泵1压力信号，主泵2压力信号，副泵压力信号，可提供扭矩值；

中间层，由四个神经元构成，对输入层加权求和的特征值进行坐标变换，既通过激活函数Sigmoid进行数据处理，数据再次加权求和传到输出层经过激活函数变换后输出；

输出层，输出的值和样本的功率阀电流值对比求的方差作为误差函数，误差值反向传播调整各个部分的权值，如此就完成一次训练过程，重复该循环过程直到误差函数值在允许范围后停止训练，当完成所有样本的训练后就得到了描述该液压系统的数学模型。

4.根据权利要求1所述的基于神经网络的发动机极载控制系统，其特征在于，主机系统模块包括PID单元和线性标定输出单元；

输入功率阀电流在节点Ⅰ处和来自于端口实际电流的误差值作为控制信号，经过比例环节，参数P 值，积分环节I和微分环节D值汇总到节点Ⅱ，输出信号端口线性标定输出单元，线性标定输出单元参考输出最大值参数，输出最小值参数和负载电阻值给出数字量到端口，端口得到真反馈的端口实际电流。

5.一种基于神经网络的发动机极载控制方法，其特征在于：

通过发动机扭矩分配模块来计算发动机正向提供的可分配扭矩值；

通过神经网络模块来拟合液压系统，并根据给定的当前液压状态值和可供扭矩值计算出来功率阀电流值；

通过主机系统模块来接收神经网络计算输出的主泵功率阀电流值，闭环执行主泵的功率调控，并传递数据给系统数据收集模块；

通过系统数据收集模块收集发动机数据，液压泵信息，主机信息传递给发动机扭矩分配模块，神经网络模块，主机系统模块。

6.根据权利要求5所述的基于神经网络的发动机极载控制方法，其特征在于，扭矩分配模块工作方法如下：

当模块接收到发动机目标转速数据，查询预设发动机外特性表输出单元，给出参考最大可提供扭矩，同时比对目标转速和实际转速差修正参考最大扭矩，在整个过程中始终监控发动机负载率，避免出现长时间的过载运行。

7.根据权利要求5所述的基于神经网络的发动机极载控制方法，其特征在于，神经网络模块工作方法如下：

输入信号采用样本标准化处理的主泵1压力信号，主泵2压力信号，副泵压力信号，可提供扭矩值，对输入层加权求和的特征值进行坐标变换，既通过激活函数Sigmoid进行数据处理，数据再次加权求和传到输出层经过激活函数变换后输出，输出的值和样本的功率阀电流值对比求的方差作为误差函数，误差值反向传播调整各个部分的权值，如此就完成一次训练过程，重复该循环过程直到误差函数值在允许范围后停止训练，当完成所有样本的训练后就得到了描述该液压系统的数学模型。

8.根据权利要求5所述的基于神经网络的发动机极载控制方法，其特征在于，主机系统模块工作方法如下：

接收自神经网路的功率阀电流值，通过DA转换闭环输出到控制器管脚驱动主泵功率调节比例阀，根据电流实际反馈值来调整输出到管脚的数值。

9.根据权利要求5所述的基于神经网络的发动机极载控制方法，其特征在于，系统数据收集模块工作方法如下：

采集总线上发动机信息，解析后发送给发动机扭矩分配模块和神经网络模块，同时收集传感器信号并线性处理后发送给主机系统模块和神经网络模块；

采集并处理得到的系统压力信号和主机待机状态下的静态液压压力信号比对，得出主机进入工作状态，并发送信号给发动机扭矩分配模块；

发送给发动机扭矩分配模块的数据包括：发动机目标转速，发动机实际转速，发动机当前转速下负载率，发动机扭矩百分百，发动机外特性曲线。

10.一种工程车辆，包括发动机，其特征在于：该发动机设有权利要求1至4任一项所述的基于神经网络的发动机极载控制系统。

Images