基于BP神經(jīng)網(wǎng)絡(luò)的裝載機(jī)作業(yè)油耗預(yù)測(cè)方法研究

劉彥輝，張昭東，蔡祖戈

（1. 江蘇徐州工程機(jī)械研究院，江蘇 徐州 221004；2. 高端工程機(jī)械智能制造國(guó)家重點(diǎn)實(shí)驗(yàn)室，江蘇 徐州 221004）

裝載機(jī)是一種廣泛運(yùn)用于公路、鐵路、礦山、港口等場(chǎng)地，具有鏟、運(yùn)、裝、卸功能的工程機(jī)械，其中鏟裝作業(yè)油耗是評(píng)價(jià)其整機(jī)性能的重要指標(biāo)之一。隨著石油資源的日益短缺及環(huán)境法規(guī)的日益嚴(yán)格，加之裝載機(jī)行業(yè)的激烈競(jìng)爭(zhēng)，越來(lái)越多的企業(yè)開(kāi)始投入大量精力對(duì)裝載機(jī)的作業(yè)油耗進(jìn)行研究?，F(xiàn)階段主要的油耗測(cè)量方法包括直接測(cè)量法和間接測(cè)量法，其中直接測(cè)量法包含：容積法、稱重法；間接測(cè)量法包含碳平衡法及超聲波法［1］。直接測(cè)量法需要破壞整機(jī)原有油路，對(duì)整機(jī)影響較大，而且油耗測(cè)試的準(zhǔn)確度對(duì)測(cè)量?jī)x器的精度要求較高；間接測(cè)量法中碳平衡法主要用于室內(nèi)測(cè)試，而超聲波法測(cè)試精度相對(duì)較低，儀器結(jié)構(gòu)較復(fù)雜。

目前，BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，也是在模式識(shí)別和分類方面發(fā)展最早、研究最多、應(yīng)用最為廣泛的一類人工神經(jīng)網(wǎng)絡(luò)模型［2］。本文以裝載機(jī)油耗的主要影響因素為基礎(chǔ)，利用BP神經(jīng)網(wǎng)絡(luò)建立基于裝載機(jī)鏟裝作業(yè)的油耗預(yù)測(cè)模型。

1 裝載機(jī)油耗影響因素

裝載機(jī)作業(yè)油耗受多方面因素的影響，如作業(yè)場(chǎng)地條件，裝載機(jī)自身性能，駕駛員操作習(xí)慣等。其中作業(yè)條件包含作業(yè)場(chǎng)地的地面條件、物料種類、天氣狀況等；裝載機(jī)自身性能包含裝載機(jī)與發(fā)動(dòng)機(jī)及動(dòng)力傳動(dòng)系統(tǒng)的匹配合理程度，鏟斗斗容大小等；駕駛員操作習(xí)慣包含駕駛員作業(yè)時(shí)變速器擋位的選擇，加速踏板的操作，鏟掘時(shí)鏟斗的入料姿態(tài)，作業(yè)循環(huán)平均速度等。為了準(zhǔn)確了解上述因素對(duì)裝載機(jī)油耗的影響程度，本文基于某公司9t裝載機(jī)進(jìn)行整機(jī)鏟裝作業(yè)油耗試驗(yàn)，詳細(xì)分析各因素對(duì)油耗的影響。

2 試驗(yàn)數(shù)據(jù)采集

裝載機(jī)作業(yè)工況復(fù)雜，一個(gè)作業(yè)循環(huán)包含：空載前進(jìn)—鏟掘—滿載倒退—滿載前進(jìn)—卸料—空載倒退等階段。裝載機(jī)作業(yè)時(shí)需要頻繁的加速、減速，而且要完成規(guī)定的鏟料、卸料動(dòng)作。本文選擇某公司9t裝載機(jī)為試驗(yàn)車輛，不同駕駛經(jīng)驗(yàn)的駕駛員3位（駕駛員一，駕駛員二，駕駛員三），不同大小斗容的鏟斗2個(gè)（4.5m3、5.3m3），物料種類3種（原生土、沙子、鐵精粉）。試驗(yàn)場(chǎng)地選擇裝載機(jī)專用物料場(chǎng)，物料裝卸采用2個(gè)料坑互相裝卸代替，作業(yè)循環(huán)信息如圖1所示。

圖1 測(cè)試工況示意圖

試驗(yàn)利用數(shù)據(jù)采集儀通過(guò)CAN總線讀取發(fā)動(dòng)機(jī)轉(zhuǎn)速及變速箱擋位信息，通過(guò)光電速度傳感器測(cè)量車速及距離信息，通過(guò)油耗儀采集作業(yè)循環(huán)油耗量。作業(yè)期間記錄作業(yè)循環(huán)數(shù)、作業(yè)時(shí)間、作業(yè)物料的總質(zhì)量等參數(shù)。

3 試驗(yàn)結(jié)果

對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行處理后發(fā)現(xiàn)，3位駕駛員在不同鏟裝階段對(duì)變速箱擋位及加速踏板的操作基本一致，變速箱擋位行駛時(shí)均使用二擋，鏟掘時(shí)均使用前進(jìn)一擋；加速踏板除在裝載機(jī)前進(jìn)、后退換向時(shí)稍有變化外，其余時(shí)間均處于完全踩下?tīng)顟B(tài)。因此不考慮擋位及加速踏板對(duì)油耗的影響。由于鏟刀入料姿態(tài)對(duì)比難度較大，且與駕駛員個(gè)人相關(guān)性較大，在選擇駕駛員作為主要油耗影響因素的前提下，鏟刀入料姿態(tài)對(duì)油耗的影響也不予考慮。因此本文選取鏟斗斗容、駕駛員類別及物料種類作為對(duì)裝載機(jī)作業(yè)油耗的主要影響因素重點(diǎn)分析。圖2為鏟斗斗容，駕駛員類別及物料種類與油耗的對(duì)應(yīng)關(guān)系曲線圖。

圖2 鏟斗斗容、駕駛員類別與油耗關(guān)系

由圖2可以看出，物料種類相同時(shí)，鏟斗斗容越大，千噸油耗越低。這是因?yàn)?，斗容大即鏟掘質(zhì)量大，而油耗增加不明顯，因此千噸油耗較低。同時(shí)駕駛員類別不同對(duì)油耗影響較大，操作優(yōu)秀的駕駛員千噸油耗明顯低于一般駕駛員。由圖3可以看出，鏟斗斗容及駕駛員類別相同時(shí)，裝載機(jī)鏟裝鐵精粉時(shí)的千噸油耗最低，鏟裝原生土?xí)r的千噸油耗最高。這是因?yàn)樵恋拿芏刃?，因此鏟掘相同斗容的物料時(shí)，消耗的燃油量相差不大，而密度大的物料質(zhì)量較大，因此其千噸油耗較低。

圖3 駕駛員類別、物料種類與油耗關(guān)系

同時(shí)為了確保搭建的BP網(wǎng)絡(luò)模型的可靠性，還需對(duì)鏟斗斗容、駕駛員類別及物料種類與作業(yè)油耗之間進(jìn)行相關(guān)性分析。通過(guò)相關(guān)分析，結(jié)果表明，上述影響因素與油耗的相關(guān)系數(shù)分別為0.89、0.76、0.81，說(shuō)明鏟斗斗容、駕駛員類別及物料種類是反映裝載機(jī)油耗的關(guān)鍵因素。

4 BP神經(jīng)網(wǎng)絡(luò)模型建立

一般的神經(jīng)網(wǎng)絡(luò)模型由輸入層，中間層（權(quán)重w、闕值u、傳遞函數(shù)f），輸出層3個(gè)部分組成。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)［3］如圖4所示，圖中i為輸入層神經(jīng)元，j為隱含層神經(jīng)元，k為輸出層神經(jīng)元。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

其網(wǎng)絡(luò)預(yù)測(cè)值y計(jì)算公式為［4］

當(dāng)神經(jīng)網(wǎng)絡(luò)獲得一種學(xué)習(xí)模式后，其神經(jīng)元的激活值將從輸入層經(jīng)各個(gè)中間層傳播，在輸出層的各神經(jīng)元輸出對(duì)應(yīng)于輸入模式的網(wǎng)絡(luò)響應(yīng)，同時(shí)對(duì)比網(wǎng)絡(luò)輸出值與實(shí)際值的誤差，如果神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值誤差較大，則通過(guò)反復(fù)修改各層之間的網(wǎng)絡(luò)權(quán)重，直到誤差小于某一設(shè)定值。隨著訓(xùn)練樣本的增加，這種學(xué)習(xí)模式便能很好的反應(yīng)測(cè)試數(shù)據(jù)的內(nèi)在關(guān)系。

由于裝載機(jī)油耗預(yù)測(cè)時(shí)駕駛員類別和物料種類兩參數(shù)不屬于數(shù)值型變量，因此在建模之前需要對(duì)數(shù)據(jù)進(jìn)行處理。3個(gè)駕駛員分別用1，2，3表示，分別對(duì)應(yīng)駕駛員一、駕駛員二及駕駛員三。物料種類也利用1，2，3表示，分別對(duì)應(yīng)原生土、沙子和鐵精粉。為了進(jìn)一步的方便建模，還需對(duì)3個(gè)影響參數(shù)及實(shí)際油耗進(jìn)行歸一化處理。同時(shí)為避免歸一化后的數(shù)據(jù)出現(xiàn)0點(diǎn)和1點(diǎn)（S函數(shù)的極值點(diǎn)），導(dǎo)致學(xué)習(xí)速度下降，學(xué)習(xí)次數(shù)增加。因此選擇使歸一化后數(shù)據(jù)落入［0.05，0.95］之間，得到歸一化方程為［5］

本文選取30組測(cè)試數(shù)據(jù)中前24組作為訓(xùn)練樣本，后6組作為測(cè)試樣本。選擇鏟斗斗容、駕駛員類別及物料種類作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的輸入，網(wǎng)絡(luò)輸出為裝載機(jī)每組鏟裝循環(huán)的千噸油耗。神經(jīng)網(wǎng)絡(luò)輸入層為3個(gè)神經(jīng)元，隱含層為1個(gè)且具有7個(gè)神經(jīng)元，輸出層為1個(gè)神經(jīng)元。選取tansig函數(shù)作為隱含層激活函數(shù)，purelin函數(shù)作為輸出層激活函數(shù)搭建神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

對(duì)訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試，并利用10%的數(shù)據(jù)進(jìn)行驗(yàn)證，得到神經(jīng)網(wǎng)絡(luò)輸出值與實(shí)際值對(duì)比結(jié)果如表1所示。

通過(guò)對(duì)比，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值最大相對(duì)誤差為2.34%，說(shuō)明建立的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的油耗值與實(shí)測(cè)值比較吻合，有較好的一致性，可以滿足實(shí)際工程需要。

表1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值對(duì)比

5 總結(jié)

本文通過(guò)分析裝載機(jī)作業(yè)油耗影響因素，得到對(duì)裝載機(jī)作業(yè)油耗影響較大的參數(shù)。以某公司9t裝載機(jī)為油耗試驗(yàn)對(duì)象，進(jìn)行裝載機(jī)作業(yè)油耗試驗(yàn)，通過(guò)對(duì)試驗(yàn)結(jié)果的分析及相關(guān)性檢驗(yàn)，確定出鏟斗斗容、駕駛員類別及物料種類這3個(gè)油耗主要影響因素。對(duì)影響參數(shù)及試驗(yàn)油耗做歸一化處理，并將處理后的影響因素?cái)?shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入層數(shù)據(jù)，以裝載機(jī)實(shí)際油耗作為輸出層數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)模型，并利用試驗(yàn)樣本進(jìn)行驗(yàn)證。仿真結(jié)果表明，訓(xùn)練好的BP網(wǎng)絡(luò)對(duì)裝載機(jī)循環(huán)作業(yè)油耗的預(yù)測(cè)精度較高。該模型為進(jìn)一步研究裝載機(jī)鏟裝工況與油耗的關(guān)系提供基礎(chǔ)。

［1］ 付百學(xué)等. 汽車油耗檢測(cè)方法研究［J］. 黑龍江工程學(xué)院學(xué)報(bào)，2010，（6）.

［2］ 楊俊東. 基于BP神經(jīng)網(wǎng)絡(luò)的油耗測(cè)量方法研究［D］. 吉林：吉林大學(xué)，2010.

［3］ 劉金琨. 智能控制［M］. 北京：電子工業(yè)出版社，2005.

［4］ Sagir，Abdu Masanawa，Asthasivam，Saratha.Matematika. The use of artificial neural network and multiple linear regressions for stock market forecasting［J］. Jun2017，Vol. 33，p1-p10.，Database：STM Source.

［5］ 孫祖妮. 基于成本動(dòng)因BP神經(jīng)網(wǎng)絡(luò)的鐵路物流貨運(yùn)成本預(yù)測(cè)［D］. 北京：北京交通大學(xué)，2012.