[发明专利]一种基于LSTM神经网络的挖掘机分阶段功率匹配方法

说明书

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。

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。