CN115062422A - 一种用于装载机铲装满斗率预测的建模方法和系统 - Google Patents

一种用于装载机铲装满斗率预测的建模方法和系统 Download PDF

Info

Publication number
CN115062422A
CN115062422A CN202210464257.7A CN202210464257A CN115062422A CN 115062422 A CN115062422 A CN 115062422A CN 202210464257 A CN202210464257 A CN 202210464257A CN 115062422 A CN115062422 A CN 115062422A
Authority
CN
China
Prior art keywords
bucket
full
rate
loader
oil cylinder
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.)
Pending
Application number
CN202210464257.7A
Other languages
English (en)
Inventor
王少杰
余圣锋
侯亮
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN202210464257.7A priority Critical patent/CN115062422A/zh
Publication of CN115062422A publication Critical patent/CN115062422A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Computer Graphics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)

Abstract

本发明公开了一种用于装载机铲装满斗率预测的建模方法，包括：采集铲掘前物料表面的三维点云数据，铲掘过程中装载机举升油缸位移、转斗油缸位移及车速大小和空间方位，铲掘完成后斗内物料的体积；根据物料表面的三维点云数据以及铲掘过程中装载机举升油缸位移、转斗油缸位移、车速大小和空间方位，获取估计满斗率；利用铲掘完成后斗内物料的体积，得到准确满斗率；利用回归算法对获取的估计满斗率和准确满斗率进行拟合，得到满斗率预测模型；利用满斗率预测模型，获取满足一定满斗率值的铲掘轨迹；本发明能够准确预知装载机按不同铲掘轨迹作业后的铲装满斗率，提高装载机自主铲装的效率，有助于推进装载机无人驾驶的发展。

Description

一种用于装载机铲装满斗率预测的建模方法和系统
技术领域
本发明涉及装载机技术领域，特别是指一种用于装载机铲装满斗率预测的建模方法和系统。
背景技术
实现自主铲掘作业是装载机自主智能发展的必然趋势，而满斗率是装载机自主铲掘作业性能优化的核心评价指标之一。准确预知装载机按不同铲掘轨迹作业后的满斗率，是实现装载机高效节能的自主铲掘作业优化的前提条件。
近年来装载机的电动化、智能化、无人化成为了新的重点研究方向。此前，装载机满斗率在人工驾驶时并未得到研究者们太多的关注，但是在装载机无人驾驶时，满斗率作为装载机自主铲掘作业策略的重要优化目标之一，其重要性不言而喻。满斗率的研究主要可以分为三个阶段：1、铲装后满斗率的测量；2、铲装后满斗率的预测；3、铲装前满斗率的预测。满斗率的测量主要是通过称重系统来完成，操作过程复杂，效率低。此后，中国发明专利CN111368664A提出基于装载机铲装前后的“空斗图片信息”、“满斗图片信息”和“铲斗的动作状态信息”，结合相应的图片处理步骤估计出铲装完成后铲斗内的物料体积，从而快速的预测铲斗满斗率，提高作业效率，但该方法只能对铲装完成后的满斗率进行预测，对装载机自主铲掘策略的调整意义不大。中国发明专利CN113486818A提出基于机器视觉的满斗率预测系统和方法，能够根据装载机铲掘过程中铲斗图片信息和位置等信息实时预测当前的满斗率，可见该方法更进一步但仍然需要装载机铲掘过程中的信息才能完成满斗率的预测。
发明内容
本发明的主要目的在于提出一种用于装载机铲装满斗率预测的建模方法，旨在解决装载机满斗率预测困难的问题，从而推动工程机械自主化、智能化的发展。
本发明采用如下技术方案：
一种用于装载机铲装满斗率预测的建模方法，其特征在于，包括以下步骤：
采集铲掘前物料表面的三维点云数据，利用传感器实时采集铲掘过程中装载机举升油缸位移、转斗油缸位移及车速大小和空间方位，获取铲掘完成后斗内物料的体积；
根据物料表面的三维点云数据以及铲掘过程中装载机举升油缸位移、转斗油缸位移、车速大小和空间方位，获取估计满斗率；
利用铲掘完成后斗内物料的体积，得到准确满斗率；
获取每次铲掘的估计满斗率和对应的准确满斗率；
利用回归算法对获取的估计满斗率和准确满斗率进行拟合，得到满斗率预测模型；
利用满斗率预测模型，获取满足一定满斗率值的铲掘轨迹。
具体地，所述采集铲掘前物料表面的三维点云数据，利用传感器实时采集铲掘过程中装载机举升油缸位移、转斗油缸位移及车速大小和空间方位，获取铲掘完成后斗内物料的体积，具体如下：
利用激光雷达或双目相机获取每次铲掘前物料表面的三维点云数据；
利用激光位移传感器实时采集每次铲掘过程中装载机举升油缸位移、转斗油缸位移；利用GPS记录仪实时采集装载机车速大小和空间方位；
利用体积测量装置获取每次铲掘完成后铲斗内物料的体积。
具体地，所述根据物料表面的三维点云数据以及铲掘过程中装载机举升油缸位移、转斗油缸位移、车速大小和空间方位，获取估计满斗率，具体如下：
对获取的物料表面三维点云数据进行曲面的拟合得到曲面方程z＝f(x,y)；
将采集到的装载机举升油缸位移、转斗油缸位移、车速大小和空间方位数据进行预处理后代入D-H坐标系总变换矩阵，得到铲斗中间平面齿尖的铲掘轨迹离散数据，即铲斗齿尖各个时刻所在位置的离散数据Pb；
Figure BDA0003623081060000021
计算装载机铲齿铲掘轨迹和物料曲面轮廓函数z＝f(x,y)之间的物料体积ve，具体为：
Figure BDA0003623081060000022
其中：f(x,y)为物料三维表面函数，B为铲斗的斗宽，
Figure BDA0003623081060000023
为i时刻铲斗齿尖X轴坐标，
Figure BDA0003623081060000024
为i时刻铲斗齿尖Y轴坐标,
Figure BDA0003623081060000025
为i+1时刻铲斗齿尖X轴坐标，m为
Figure BDA0003623081060000026
的时刻点数目；
计算估计满斗率，具体为：
Figure BDA0003623081060000027
其中：ηe为估计满斗率；ve为积分体积；v0为铲斗的额定容积；
具体地，利用铲掘完成后斗内物料的体积，得到准确满斗率，具体为：
将每次铲掘完成后斗内的物料倒入容器内进行体积测量，根据公式得到每次铲掘完成后的准确满斗率，具体为：
Figure BDA0003623081060000031
其中：ηa为准确满斗率；va为每次铲掘完成后物料的体积；v0为铲斗的额定容积。
具体地，所述利用回归算法对获取的估计满斗率和准确满斗率进行拟合，得到满斗率预测模型，具体如下：
获取多组估计满斗率和对应的准确满斗率，准确满斗率分布在30％-120％；
将数据组按设定的比例进行训练集和验证集的划分，采用回归算法对训练集中的数据进行拟合，并在验证集上进行误差分析，获取最优的满斗率预测模型。
具体地，所述利用满斗率预测模型，获取设定铲装满斗率对应的铲掘轨迹，具体如下：
利用激光雷达或双目相机获取铲掘前物料表面的三维点云数据；
对获取的物料表面三维点云数据进行曲面的拟合得到物料三维表面方程z'＝f'(x,y)；
预设一条装载机的铲掘轨迹，并将预设铲齿铲掘轨迹和物料曲面轮廓z'＝f'(x,y)之间的体积进行积分，得到估计满斗率；
将估计满斗率输入至已完成的满斗率预测模型中得到该预设铲掘轨迹下的预测满斗率；
获取需要的铲装满斗率对应的铲掘轨迹。
本发明实施例还提供一种装载机铲装满斗率预测的建模系统，其特征在于，包括：
激光雷达或双目相机，第一激光位移传感器，第二激光位移传感器，GPS记录仪和嵌入式系统模块，所述激光雷达或双目相机，第一激光位移传感器，第二激光位移传感器和GPS记录仪将获取的数据传送给嵌入式系统模块，嵌入式系统模块：
根据激光雷达或双目相机获取铲掘前物料表面的三维点云数据；
根据第一激光位移传感器实时采集铲掘过程中装载机举升油缸位移，第二激光位移传感器实时采集转斗油缸位移；其中所述第一激光位移传感器为举升油缸激光位移传感器，所述第二激光位移传感器为转斗油缸激光位移传感器，
根据GPS记录仪实时采集装载机车速大小和空间方位；根据体积测量装置获取铲掘完成后铲斗内物料的体积；
根据物料表面的三维点云数据以及铲掘过程中装载机举升油缸位移、转斗油缸位移、车速大小和空间方位，获取估计满斗率；
利用铲掘完成后斗内物料的体积，得到准确满斗率；
获取每次铲掘的估计满斗率和对应的准确满斗率；
利用回归算法对获取的估计满斗率和准确满斗率进行拟合，得到满斗率预测模型；
利用满斗率预测模型，获取满足一定满斗率值的铲掘轨迹。
由上述对本发明的描述可知，本发明具有如下有益效果：
本发明通过提出一种用于装载机铲装满斗率预测的建模方法，包括：采集铲掘前物料表面的三维点云数据，铲掘过程中装载机举升油缸位移、转斗油缸位移及车速大小和空间方位，铲掘完成后斗内物料的体积；根据物料表面的三维点云数据以及铲掘过程中装载机举升油缸位移、转斗油缸位移、车速大小和空间方位，获取估计满斗率；利用铲掘完成后斗内物料的体积，得到准确满斗率；利用回归算法对获取的估计满斗率和准确满斗率进行拟合，得到满斗率预测模型；利用满斗率预测模型，获取设定铲装满斗率对应的铲掘轨迹；此模型完成后,根据铲掘前物料表面三维点云数据就能预测出装载机按预设铲掘轨迹后得到的铲装满斗率，能够有助于装载机无人驾驶时找到合适满斗率的铲掘轨迹，提高工作效率，促进装载机智能化发展。
附图说明
图1为本发明提供的装载机铲装满斗率预测建模所需采集数据的传感器安装示意图；
图2为本发明提供的一种用于装载机铲装满斗率预测的建模方法的数据采集系统结构框图；
图3为本发明提供的一种用于装载机铲装满斗率预测的建模方法实现流程图；
图4为本发明提供的物料表面和铲掘轨迹之间的体积示意图；
图5为本发明提供的装载机铲装满斗率的体积积分示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
本发明通过提出一种用于装载机铲装满斗率预测的建模方法，包括：采集铲掘前物料表面的三维点云数据，铲掘过程中装载机举升油缸位移、转斗油缸位移及车速大小和空间方位，铲掘完成后斗内物料的体积；根据物料表面的三维点云数据以及铲掘过程中装载机举升油缸位移、转斗油缸位移、车速大小和空间方位，获取估计满斗率；利用铲掘完成后斗内物料的体积，得到准确满斗率；利用回归算法对获取的估计满斗率和准确满斗率进行拟合，得到满斗率预测模型；利用满斗率预测模型，获取设定铲装满斗率对应的铲掘轨迹；因此，利用该模型能够找到符合要求的铲装满斗率对应的铲掘轨迹。基于本发明能够准确预知装载机按不同铲掘轨迹作业后的铲装满斗率，提高装载机自主铲装的效率，促进装载机智能化发展。
如图1，本发明提供的装载机铲装满斗率预测建模所需采集数据的传感器安装示意图，所述采集数据的传感器包括激光雷达或双目相机，举升激光位移传感器，转斗激光位移传感器和GPS记录仪；其中，激光雷达或双目相机固定在驾驶室上方靠前，保证能够获取到前方物料表面点云数据；举升激光位移传感器固定在举升油缸上远离销轴一端；转斗激光位移传感器固定在转斗油缸远离销轴一端；GPS记录仪固定在驾驶室上方。
图2为本发明提供的一种用于装载机铲装满斗率预测的建模方法的数据采集系统结构框图。
激光雷达或双目相机，第一激光位移传感器，第二激光位移传感器，GPS记录仪和嵌入式系统模块，所述激光雷达或双目相机，第一激光位移传感器，第二激光位移传感器和GPS记录仪将获取的数据传送给嵌入式系统模块，其中所述第一激光位移传感器为举升油缸激光位移传感器，所述第二激光位移传感器为转斗油缸激光位移传感器，嵌入式系统模块根据获取的数据进行装载机铲装满斗率预测的建模，如图3所示，本发明实施例提出的一种用于装载机铲装满斗率预测的建模方法，具体实施步骤如下：
(1)数据的获取：采集每次铲掘前物料表面的三维点云数据；利用传感器实时采集铲掘过程中装载机举升油缸位移、转斗油缸位移及车速大小和空间方位；每次铲掘完成后斗内物料的体积。
(a)利用激光雷达或双目相机获取每次铲掘前物料表面的三维点云数据。
(b)利用激光位移传感器实时采集装载机举升油缸位移、转斗油缸位移；利用GPS记录仪实时采集装载机车速大小和空间方位。
(c)利用体积测量装置获取每次铲掘完成后铲斗内物料的体积。
(2)数据的处理：对每次铲掘获得的数据进行处理得到一一对应的铲斗“准确满斗率”和“估计满斗率”数据组。
(a)对获取的物料表面三维点云数据进行曲面的拟合得到曲面方程z＝f(x,y),其中曲面拟合时应首要保证被铲掘区域的拟合精度。
(b)将采集到的装载机举升油缸位移、转斗油缸位移、车速大小和空间方位数据进行预处理后代入D-H坐标系总变换矩阵，得到铲斗中间平面齿尖的铲掘轨迹离散数据。即铲斗齿尖各个时刻所在位置的离散数据Pb。
Figure BDA0003623081060000051
(c)根据表达式(1)，计算装载机铲齿铲掘轨迹和物料曲面轮廓函数z＝f(x,y)之间的物料体积ve。
Figure BDA0003623081060000061
其中：f(x,y)为物料三维表面函数，B为铲斗的斗宽，
Figure BDA0003623081060000062
为i时刻铲斗齿尖X轴坐标，
Figure BDA0003623081060000063
为i时刻铲斗齿尖Y轴坐标,
Figure BDA0003623081060000064
为i+1时刻铲斗齿尖X轴坐标，m为
Figure BDA0003623081060000065
的时刻点数目；如图4为本发明提供的物料表面和铲掘轨迹之间的体积示意图；如图5为本发明提供的装载机铲装满斗率的体积积分示意图。
(d)根据表达式(2)计算估计满斗率。
Figure BDA0003623081060000066
其中：ηe为估计满斗率；ve为积分体积；v0为铲斗的额定容积
(e)将每次铲掘完成后斗内的物料倒入容器内进行体积测量，再根据表达式(3)得到每次铲掘完成后的准确满斗率。
Figure BDA0003623081060000067
其中：ηa为准确满斗率；va为每次铲掘完成后物料的体积；v0为铲斗的额定容积。
(3)数据的拟合：利用回归算法对获得的“准确满斗率”和“估计满斗率”数据进行拟合，得到满斗率预测模型。
具体步骤如下：
(a)重复步骤(1)和步骤(2)，得到足够多组“准确满斗率”和“估计满斗率”的数据D。其中，实验时应注意将准确满斗率均匀分布在30％-120％，以此保证数据的分布合理性，从而保证满斗率预测模型的准确性。
Figure BDA0003623081060000068
(b)将数据D按合适的比例进行训练集和验证集的划分，采用多种回归算法对训练集中的数据进行拟合，并在验证集上进行误差分析，从中找到最优的回归方法，即最优的满斗率预测模型。
(4)满斗率预测模型的实际应用。
(a)利用激光雷达或双目相机获取铲掘前物料表面的三维点云数据。
(b)对获取的物料表面三维点云数据进行曲面的拟合得到物料三维表面方程z＝f(x,y),其中曲面拟合时应首要保证被铲掘区域的拟合精度。
(c)预设一条装载机的铲掘轨迹，并将预设铲齿铲掘轨迹和物料曲面轮廓z＝f(x,y)之间的体积进行积分，根据表达式(1)得到“估计满斗率”。
(d)将“估计满斗率”输入至已完成的满斗率预测模型中得到该预设铲掘轨迹下的“预测满斗率”。
(e)利用该模型找到符合要求的铲装满斗率对应的铲掘轨迹。
本发明通过提出一种用于装载机铲装满斗率预测的建模方法，包括：采集铲掘前物料表面的三维点云数据，铲掘过程中装载机举升油缸位移、转斗油缸位移及车速大小和空间方位，铲掘完成后斗内物料的体积；根据物料表面的三维点云数据以及铲掘过程中装载机举升油缸位移、转斗油缸位移、车速大小和空间方位，获取估计满斗率；利用铲掘完成后斗内物料的体积，得到准确满斗率；利用回归算法对获取的估计满斗率和准确满斗率进行拟合，得到满斗率预测模型；利用满斗率预测模型，获取设定铲装满斗率对应的铲掘轨迹；此模型完成后,根据铲掘前物料表面三维点云数据就能预测出装载机按预设铲掘轨迹后得到的铲装满斗率，能够有助于装载机无人驾驶时找到合适满斗率的铲掘轨迹，提高工作效率，促进装载机智能化发展
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (6)

1.一种用于装载机铲装满斗率预测的建模方法，其特征在于，包括以下步骤：
采集铲掘前物料表面的三维点云数据，利用传感器实时采集铲掘过程中装载机举升油缸位移、转斗油缸位移及车速大小和空间方位，获取铲掘完成后斗内物料的体积；
根据物料表面的三维点云数据以及铲掘过程中装载机举升油缸位移、转斗油缸位移、车速大小和空间方位，获取估计满斗率；
利用铲掘完成后斗内物料的体积，得到准确满斗率；
获取每次铲掘的估计满斗率和对应的准确满斗率；
利用回归算法对获取的估计满斗率和准确满斗率进行拟合，得到满斗率预测模型；
利用满斗率预测模型，获取满足一定满斗率值的铲掘轨迹。
2.如权利要求1所述的一种用于装载机铲装满斗率预测的建模方法，其特征在于，所述采集铲掘前物料表面的三维点云数据，利用传感器实时采集铲掘过程中装载机举升油缸位移、转斗油缸位移及车速大小和空间方位，获取铲掘完成后斗内物料的体积，具体如下：
利用激光雷达或双目相机获取每次铲掘前物料表面的三维点云数据；
利用激光位移传感器实时采集每次铲掘过程中装载机举升油缸位移、转斗油缸位移；利用GPS记录仪实时采集装载机车速大小和空间方位；
利用体积测量装置获取每次铲掘完成后铲斗内物料的体积。
3.如权利要求1所述的一种用于装载机铲装满斗率预测的建模方法，其特征在于，所述根据物料表面的三维点云数据以及铲掘过程中装载机举升油缸位移、转斗油缸位移、车速大小和空间方位，获取估计满斗率，具体如下：
对获取的物料表面三维点云数据进行曲面的拟合得到曲面方程z＝f(x,y)；
将采集到的装载机举升油缸位移、转斗油缸位移、车速大小和空间方位数据进行预处理后代入D-H坐标系总变换矩阵，得到铲斗中间平面齿尖的铲掘轨迹离散数据，即铲斗齿尖各个时刻所在位置的离散数据Pb；
Figure RE-FDA0003804603240000011
计算装载机铲齿铲掘轨迹和物料曲面轮廓函数z＝f(x,y)之间的物料体积ve，具体为：
Figure RE-FDA0003804603240000012
其中：f(x,y)为物料三维表面函数，B为铲斗的斗宽，
Figure RE-FDA0003804603240000013
为i时刻铲斗齿尖X轴坐标，
Figure RE-FDA0003804603240000021
为i时刻铲斗齿尖Y轴坐标,
Figure RE-FDA0003804603240000022
为i+1时刻铲斗齿尖X轴坐标，m为
Figure RE-FDA0003804603240000023
的时刻点数目；
计算估计满斗率，具体为：
Figure RE-FDA0003804603240000024
其中：ηe为估计满斗率；ve为积分体积；v0为铲斗的额定容积。
4.如权利要求1所述的一种用于装载机铲装满斗率预测的建模方法，其特征在于，利用铲掘完成后斗内物料的体积，得到准确满斗率，具体为：
将每次铲掘完成后斗内的物料倒入容器内进行体积测量，根据公式得到每次铲掘完成后的准确满斗率，具体为：
Figure RE-FDA0003804603240000025
其中：ηa为准确满斗率；va为每次铲掘完成后物料的体积；v0为铲斗的额定容积。
5.如权利要求1所述的一种用于装载机铲装满斗率预测的建模方法其特征在于，所述利用回归算法对获取的估计满斗率和准确满斗率进行拟合，得到满斗率预测模型，具体如下：
获取多组估计满斗率和对应的准确满斗率，准确满斗率分布在30％-120％；
将数据组按设定的比例进行训练集和验证集的划分，采用回归算法对训练集中的数据进行拟合，并在验证集上进行误差分析，获取最优的满斗率预测模型。
6.一种装载机铲装满斗率预测的建模系统，其特征在于，包括：
激光雷达或双目相机，第一激光位移传感器，第二激光位移传感器，GPS记录仪和嵌入式系统模块，所述激光雷达或双目相机，第一激光位移传感器，第二激光位移传感器和GPS记录仪将获取的数据传送给嵌入式系统模块，嵌入式系统模块：
根据激光雷达或双目相机获取铲掘前物料表面的三维点云数据；
根据第一激光位移传感器实时采集铲掘过程中装载机举升油缸位移，第二激光位移传感器实时采集转斗油缸位移；其中所述第一激光位移传感器为举升油缸激光位移传感器，所述第二激光位移传感器为转斗油缸激光位移传感器，
根据GPS记录仪实时采集装载机车速大小和空间方位；根据体积测量装置获取铲掘完成后铲斗内物料的体积；
根据物料表面的三维点云数据以及铲掘过程中装载机举升油缸位移、转斗油缸位移、车速大小和空间方位，获取估计满斗率；
利用铲掘完成后斗内物料的体积，得到准确满斗率；
获取每次铲掘的估计满斗率和对应的准确满斗率；
利用回归算法对获取的估计满斗率和准确满斗率进行拟合，得到满斗率预测模型；
利用满斗率预测模型，获取满足一定满斗率值的铲掘轨迹。
CN202210464257.7A 2022-04-29 2022-04-29 一种用于装载机铲装满斗率预测的建模方法和系统 Pending CN115062422A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210464257.7A CN115062422A (zh) 2022-04-29 2022-04-29 一种用于装载机铲装满斗率预测的建模方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210464257.7A CN115062422A (zh) 2022-04-29 2022-04-29 一种用于装载机铲装满斗率预测的建模方法和系统

Publications (1)

Publication Number Publication Date
CN115062422A true CN115062422A (zh) 2022-09-16

Family

ID=83196416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210464257.7A Pending CN115062422A (zh) 2022-04-29 2022-04-29 一种用于装载机铲装满斗率预测的建模方法和系统

Country Status (1)

Country Link
CN (1) CN115062422A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368664A (zh) * 2020-02-25 2020-07-03 吉林大学 基于机器视觉和铲斗位置信息融合的装载机满斗率识别方法
WO2021128777A1 (en) * 2019-12-23 2021-07-01 Suzhou Zhijia Science & Technologies Co., Ltd. Method, apparatus, device, and storage medium for detecting travelable region
CN113486818A (zh) * 2021-07-09 2021-10-08 吉林大学 基于机器视觉的满斗率预测系统和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021128777A1 (en) * 2019-12-23 2021-07-01 Suzhou Zhijia Science & Technologies Co., Ltd. Method, apparatus, device, and storage medium for detecting travelable region
CN111368664A (zh) * 2020-02-25 2020-07-03 吉林大学 基于机器视觉和铲斗位置信息融合的装载机满斗率识别方法
CN113486818A (zh) * 2021-07-09 2021-10-08 吉林大学 基于机器视觉的满斗率预测系统和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余学闯: "基于EDEM的装载机铲斗作业阻力仿真研究", 中国优秀硕士论文电子期刊网, 15 March 2021 (2021-03-15) *

Similar Documents

Publication Publication Date Title
US10733752B2 (en) Estimating a volume of contents in a container of a work vehicle
US11041291B2 (en) Controlling a work machine based on sensed variables
US8185290B2 (en) Data acquisition system indexed by cycle segmentation
US8965640B2 (en) Conditioning a performance metric for an operator display
EP1286003B1 (en) Method for managing construction machine and arithmetic processing apparatus
CN109931072B (zh) 掘进机截割控制装置、方法及悬臂掘进机
US10186004B2 (en) System and method for evaluating a material movement plan
CN103354854B (zh) 挖掘控制系统
US20140174770A1 (en) System and Method for Optimizing a Cut Location
CN109642417A (zh) 作业机械
US9086698B2 (en) Determining an optimum operating point of an earth moving machine
CN109804121A (zh) 挖土机
DE112013005240T5 (de) Modellierung von Zug-Schlupf-Kurven in grossen Raupenschleppern in Echtzeit
CN107109819A (zh) 工作装置控制装置以及作业机械
US20210002871A1 (en) System including work machine, computer implemented method, method for producing trained position estimation model, and training data
DE112019003683T5 (de) System, das ein Förderfahrzeug enthält, und Arbeitsmaschine, die Materialien auf das Förderfahrzeug lädt, Verfahren und Arbeitsmaschine
Filla et al. Towards finding the optimal bucket filling strategy through simulation
CN210134942U (zh) 掘进机截割控制装置及悬臂掘进机
CN113761673A (zh) 用于确定由工作机械执行的工作过程的过程数据的方法和系统
US7184926B2 (en) Method for estimating the orientation of a machine
US11905685B2 (en) Index-value determination device and index-value determination method
CN115062422A (zh) 一种用于装载机铲装满斗率预测的建模方法和系统
KR100952482B1 (ko) 회전식 다중 배율 렌즈를 이용한 3차원 지반형상 이미지구현 시스템 및 이를 이용한 토공량 산출방법
KR20200012584A (ko) 굴삭기용 작업부하 측정 방법 및 시스템
JP7481908B2 (ja) 掘削計画作成装置、作業機械および掘削計画作成方法

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