CN113006188B - 一种基于lstm神经网络的挖掘机分阶段功率匹配方法 - Google Patents

一种基于lstm神经网络的挖掘机分阶段功率匹配方法 Download PDF

Info

Publication number
CN113006188B
CN113006188B CN202110301742.8A CN202110301742A CN113006188B CN 113006188 B CN113006188 B CN 113006188B CN 202110301742 A CN202110301742 A CN 202110301742A CN 113006188 B CN113006188 B CN 113006188B
Authority
CN
China
Prior art keywords
excavator
neural network
stage
lstm neural
engine
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.)
Active
Application number
CN202110301742.8A
Other languages
English (en)
Other versions
CN113006188A (zh
Inventor
刘伟嵬
康杰
罗旋
曹旭阳
桑勇
李国锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202110301742.8A priority Critical patent/CN113006188B/zh
Publication of CN113006188A publication Critical patent/CN113006188A/zh
Application granted granted Critical
Publication of CN113006188B publication Critical patent/CN113006188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
    • E02F9/20—Drives; Control devices
    • E02F9/2025—Particular purposes of control systems not otherwise provided for
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
    • E02F9/20—Drives; Control devices
    • E02F9/22—Hydraulic or pneumatic drives
    • E02F9/2246—Control of prime movers, e.g. depending on the hydraulic load of work tools
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
    • E02F9/20—Drives; Control devices
    • E02F9/22—Hydraulic or pneumatic drives
    • E02F9/2264—Arrangements or adaptations of elements for hydraulic drives
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
    • E02F9/20—Drives; Control devices
    • E02F9/22—Hydraulic or pneumatic drives
    • E02F9/2264—Arrangements or adaptations of elements for hydraulic drives
    • E02F9/2267—Valves or distributors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Mining & Mineral Resources (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Operation Control Of Excavators (AREA)

Abstract

本发明公开了一种基于LSTM神经网络的挖掘机分阶段功率匹配方法，属于工程机械技术领域。其实现过程为：先采集主泵的压力数据，滤波去噪后提取两个主泵的特征向量，与每个工作阶段相互对应构建样本空间，输入建立的LSTM神经网络模型，调整学习率、遗忘系数采样间隔参数，直到准确率符合要求，将模型输入挖掘机控制单元，实时监测挖掘机当前的阶段，利用二阶模糊调节器调节发动机的输出扭矩和转速以及泵的排量，确保发动机一直处于经济工作区，最终实现挖掘机节能控制。

Description

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x1；计算主泵2压力平均值x2；计算主泵1压力均方差x3；计算主泵2压力均方差x4；计算主泵1和主泵2压力平均值之差x5；计算主泵1和主泵2压力均方值之差x6；构建输入特征向量为：xt＝[x1,x2,x3,x4,x5,x6]。
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：ft＝σ(Wf[ht-1,xt]+bf)，其中Wf代表遗忘门权重系数，ht-1表示上一时刻隐藏层的输出，bf表示遗忘偏差，σ表示sigmoid激活函数
Figure GDA0003057729200000031
输入门：it＝σ(Wi[ht-1,xt]+bi),其中，Wi代表输入门权重系数，bi表示输入到隐藏层的偏差；
输出记忆信息：Ct＝it*tanh(Wc[ht-1,xt]+bc)+ft*Ct-1，其中Wc表示记忆单元权重，bc表示输入层到记忆单元的偏差；
输出门：O＝σ(Wo[ht-1,xt]+bo)，其中Wo代表输出门权重系数，bo表示隐藏层到输出门的偏差，t时刻隐藏层输出为ht＝Ot*tanh(Ct)；
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。y0为当前时刻t时的采样值，yi为t-i的△t时刻采样值，
Figure GDA0003057729200000051
为滤波后的值则公式可以表示为：
Figure GDA0003057729200000052
式中Ci为系数，表示不同时刻的权重，越接近当前时刻权重越大，满足如下条件
Figure GDA0003057729200000053
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:
Figure GDA0003057729200000054
主泵2压力均值:
Figure GDA0003057729200000055
主泵1压力均方差：
Figure GDA0003057729200000056
主泵2压力均方差：
Figure GDA0003057729200000057
主泵1和2差值的均值：
Figure GDA0003057729200000058
主泵1和2差值的均方差：
Figure GDA0003057729200000059
将六个计算结果组成神经网络的输入向量xt＝[x1,x2,x3,x4,x5,x6]；
将输入向量进行归一化处理：其中，xmax＝max(x1,x2,x3,x4,x5,x6)，xmin＝(x1,x2,x3,x4,x5,x6)；
Figure GDA0003057729200000061
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：ft＝σ(Wf[ht-1,xt]+bf)，其中Wf代表遗忘门权重系数，ht-1表示上一时刻隐藏层的输出，bf表示遗忘偏差，σ表示sigmoid激活函数
Figure GDA0003057729200000062
输入门：it＝σ(Wi[ht-1,xt]+bi),其中，Wi代表输入门权重系数，bi表示输入到隐藏层的偏差；
输出记忆信息：Ct＝it*tanh(Wc[ht-1,xt]+bc)+ft*Ct-1，其中Wc表示记忆单元权重，bc表示输入层到记忆单元的偏差；
输出门：O＝σ(Wo[ht-1,xt]+bo)，其中Wo代表输出门权重系数，bo表示隐藏层到输出门的偏差，t时刻隐藏层输出为ht＝Ot*tanh(Ct)；
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。

Claims (7)

1.一种基于LSTM神经网络的挖掘机分阶段功率匹配方法，其特征在于，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；
所述的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LSTM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。
2.根据权利要求1所述的一种基于LSTM神经网络的挖掘机分阶段功率匹配方法，其特征在于：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用一定宽度的窗口滑动提取信号。
3.根据权利要求1所述的一种基于LSTM神经网络的挖掘机分阶段功率匹配方法，其特征在于：所述步骤S2的预处理包括计算数据的均值和方差；所述的构建输入特征向量包括：计算主泵1压力平均值x1；计算主泵2压力平均值x2；计算主泵1压力均方差x3；计算主泵2压力均方差x4；计算主泵1和主泵2压力差的平均值x5；计算主泵1和主泵2压力差的均方值x6；构建输入特征向量为：xt＝[x1,x2,x3,x4,x5,x6]。
4.根据权利要求1所述的一种基于LSTM神经网络的挖掘机分阶段功率匹配方法，其特征在于：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]。
5.根据权利要求1所述的一种基于LSTM神经网络的挖掘机分阶段功率匹配方法，其特征在于：LSTM网络包含以下结构：
遗忘门：ft＝σ(Wf[ht-1,xt]+bf)，其中Wf代表遗忘门权重系数，ht-1表示上一时刻隐藏层的输出，bf表示遗忘偏差，σ表示sigmoid激活函数
Figure FDA0003057729190000021
输入门：it＝σ(Wi[ht-1,xt]+bi),其中，Wi代表输入门权重系数，bi表示输入到隐藏层的偏差；
输出记忆信息：Ct＝it*tanh(Wc[ht-1,xt]+bc)+ft*Ct-1，其中Wc表示记忆单元权重，bc表示输入层到记忆单元的偏差；
输出门：O＝σ(Wo[ht-1,xt]+bo)，其中Wo代表输出门权重系数，bo表示隐藏层到输出门的偏差，t时刻隐藏层输出为ht＝Ot*tanh(Ct)；
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。
6.根据权利要求1所述的一种基于LSTM神经网络的挖掘机分阶段功率匹配方法，其特征在于，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，降低液压泵排量以及减小阀芯开度；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。
7.根据权利要求6所述的一种基于LSTM神经网络的挖掘机分阶段功率匹配方法，其特征在于，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的输入；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的输入；液压泵排量和阀芯开度均采用电流信号控制。
CN202110301742.8A 2021-03-22 2021-03-22 一种基于lstm神经网络的挖掘机分阶段功率匹配方法 Active CN113006188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110301742.8A CN113006188B (zh) 2021-03-22 2021-03-22 一种基于lstm神经网络的挖掘机分阶段功率匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110301742.8A CN113006188B (zh) 2021-03-22 2021-03-22 一种基于lstm神经网络的挖掘机分阶段功率匹配方法

Publications (2)

Publication Number Publication Date
CN113006188A CN113006188A (zh) 2021-06-22
CN113006188B true CN113006188B (zh) 2022-02-18

Family

ID=76404137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110301742.8A Active CN113006188B (zh) 2021-03-22 2021-03-22 一种基于lstm神经网络的挖掘机分阶段功率匹配方法

Country Status (1)

Country Link
CN (1) CN113006188B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113502870B (zh) * 2021-07-15 2023-02-07 上海三一重机股份有限公司 挖掘机工况判定方法及装置
CN113591216B (zh) * 2021-07-23 2023-11-17 三一重机有限公司 挖掘机工作模式确定方法、系统及挖掘机
CN113774985B (zh) * 2021-10-28 2023-03-24 三一重机有限公司 作业机械的控制方法、装置、介质及作业机械
CN114407680B (zh) * 2021-12-31 2024-03-01 柳州柳工挖掘机有限公司 一种电动挖掘机剩余行驶里程的估算方法
CN115434819B (zh) * 2022-08-12 2024-04-12 中联重科股份有限公司 用于控制功率匹配的方法、装置、电子设备及工程机械

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104074225A (zh) * 2014-07-08 2014-10-01 湖南机电职业技术学院 一种液压挖掘机功率自适应控制系统和方法
KR101791233B1 (ko) * 2016-05-31 2017-10-31 (재)건설기계부품연구원 굴삭기의 파워매칭 시스템 및 그 제어방법
CN107688849A (zh) * 2017-07-28 2018-02-13 北京深鉴科技有限公司 一种动态策略定点化训练方法及装置
CN108678065A (zh) * 2018-05-31 2018-10-19 马鞍山松鹤信息科技有限公司 一种挖掘机节能控制方法
CN109636951A (zh) * 2018-11-21 2019-04-16 中南大学 一种基于工作阶段识别的挖掘机能耗分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018014718A1 (zh) * 2016-07-22 2018-01-25 厦门大学 一种装载机作业工况难易程度识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104074225A (zh) * 2014-07-08 2014-10-01 湖南机电职业技术学院 一种液压挖掘机功率自适应控制系统和方法
KR101791233B1 (ko) * 2016-05-31 2017-10-31 (재)건설기계부품연구원 굴삭기의 파워매칭 시스템 및 그 제어방법
CN107688849A (zh) * 2017-07-28 2018-02-13 北京深鉴科技有限公司 一种动态策略定点化训练方法及装置
CN108678065A (zh) * 2018-05-31 2018-10-19 马鞍山松鹤信息科技有限公司 一种挖掘机节能控制方法
CN109636951A (zh) * 2018-11-21 2019-04-16 中南大学 一种基于工作阶段识别的挖掘机能耗分析方法

Also Published As

Publication number Publication date
CN113006188A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN113006188B (zh) 一种基于lstm神经网络的挖掘机分阶段功率匹配方法
CN109636951B (zh) 一种基于工作阶段识别的挖掘机能耗分析方法
CN102877500B (zh) 一种挖掘机工作循环阶段自动识别方法
WO2006016440A1 (ja) データ処理方法及びデータ処理装置、並びに診断方法及び診断装置
CN103177155A (zh) 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法
CN110826790A (zh) 一种绞吸式挖泥船施工生产率智能预测方法
CN113139514A (zh) 一种基于模糊神经网络的液压系统故障诊断方法
Jin et al. Energy saving strategy of the variable-speed variable-displacement pump unit based on neural network
CN112096696A (zh) 泵控非对称液压位置系统自适应反演控制方法
CN112925208A (zh) 一种数据驱动的水井钻机电液伺服系统扰动补偿方法
CN111648758B (zh) 一种水井钻机推进装置无模型自适应控制方法及系统
Shi et al. Working stage identification of excavators based on control signals of operating handles
CN114357880A (zh) 一种分阶段的液压挖掘机发动机工作点的寻优方法
CN114792067A (zh) 一种基于ResNet神经网络的挖掘机工作阶段分类识别方法
CN113374021B (zh) 基于操作手柄先导控制信号的挖掘机工况识别方法
CN114091339A (zh) 一种基于gru的耙吸挖泥船艏吹瞬时产量预测方法
CN114661006A (zh) 一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法
CN109610549B (zh) 一种液压挖掘机电器变频智能控制系统及控制方法
CN108804721B (zh) 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法
CN114351785B (zh) 一种基于强化学习的液压挖掘机系统流量匹配优化方法
He et al. An approach to recognizing the working cycle stage with small sample data for energy conservation
CN115874993A (zh) 一种基于人工智能的页岩气井生产控制方法、设备和系统
CN113266318B (zh) 一种基于自学习的有杆抽油机井冲次调节方法
CN114662782A (zh) 一种基于lstm神经网络的耙吸挖泥船瞬时产量预测方法
CN115012469A (zh) 无档位控制、工况自适应液压挖掘机智能控制系统及方法

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