劉彥輝，張昭東，蔡祖戈

（1. 江蘇徐州工程機械研究院，江蘇 徐州 221004；2. 高端工程機械智能制造國家重點實驗室，江蘇 徐州 221004）

裝載機是一種廣泛運用于公路、鐵路、礦山、港口等場地，具有鏟、運、裝、卸功能的工程機械，其中鏟裝作業(yè)油耗是評價其整機性能的重要指標之一。隨著石油資源的日益短缺及環(huán)境法規(guī)的日益嚴格，加之裝載機行業(yè)的激烈競爭，越來越多的企業(yè)開始投入大量精力對裝載機的作業(yè)油耗進行研究。現(xiàn)階段主要的油耗測量方法包括直接測量法和間接測量法，其中直接測量法包含：容積法、稱重法；間接測量法包含碳平衡法及超聲波法［1］。直接測量法需要破壞整機原有油路，對整機影響較大，而且油耗測試的準確度對測量儀器的精度要求較高；間接測量法中碳平衡法主要用于室內(nèi)測試，而超聲波法測試精度相對較低，儀器結(jié)構(gòu)較復雜。

目前，BP神經(jīng)網(wǎng)絡是應用最廣泛的神經(jīng)網(wǎng)絡訓練算法，也是在模式識別和分類方面發(fā)展最早、研究最多、應用最為廣泛的一類人工神經(jīng)網(wǎng)絡模型［2］。本文以裝載機油耗的主要影響因素為基礎，利用BP神經(jīng)網(wǎng)絡建立基于裝載機鏟裝作業(yè)的油耗預測模型。

1 裝載機油耗影響因素

裝載機作業(yè)油耗受多方面因素的影響，如作業(yè)場地條件，裝載機自身性能，駕駛員操作習慣等。其中作業(yè)條件包含作業(yè)場地的地面條件、物料種類、天氣狀況等；裝載機自身性能包含裝載機與發(fā)動機及動力傳動系統(tǒng)的匹配合理程度，鏟斗斗容大小等；駕駛員操作習慣包含駕駛員作業(yè)時變速器擋位的選擇，加速踏板的操作，鏟掘時鏟斗的入料姿態(tài)，作業(yè)循環(huán)平均速度等。為了準確了解上述因素對裝載機油耗的影響程度，本文基于某公司9t裝載機進行整機鏟裝作業(yè)油耗試驗，詳細分析各因素對油耗的影響。

2 試驗數(shù)據(jù)采集

裝載機作業(yè)工況復雜，一個作業(yè)循環(huán)包含：空載前進—鏟掘—滿載倒退—滿載前進—卸料—空載倒退等階段。裝載機作業(yè)時需要頻繁的加速、減速，而且要完成規(guī)定的鏟料、卸料動作。本文選擇某公司9t裝載機為試驗車輛，不同駕駛經(jīng)驗的駕駛員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（4.5m3、5.3m3），物料種類3種（原生土、沙子、鐵精粉）。試驗場地選擇裝載機專用物料場，物料裝卸采用2個料坑互相裝卸代替，作業(yè)循環(huán)信息如圖1所示。

圖1 測試工況示意圖

試驗利用數(shù)據(jù)采集儀通過CAN總線讀取發(fā)動機轉(zhuǎn)速及變速箱擋位信息，通過光電速度傳感器測量車速及距離信息，通過油耗儀采集作業(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)時間、作業(yè)物料的總質(zhì)量等參數(shù)。

3 試驗結(jié)果

對試驗數(shù)據(jù)進行處理后發(fā)現(xiàn)，3位駕駛員在不同鏟裝階段對變速箱擋位及加速踏板的操作基本一致，變速箱擋位行駛時均使用二擋，鏟掘時均使用前進一擋；加速踏板除在裝載機前進、后退換向時稍有變化外，其余時間均處于完全踩下狀態(tài)。因此不考慮擋位及加速踏板對油耗的影響。由于鏟刀入料姿態(tài)對比難度較大，且與駕駛員個人相關性較大，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裝載機作業(yè)油耗的主要影響因素重點分析。圖2為鏟斗斗容，駕駛員類別及物料種類與油耗的對應關系曲線圖。

圖2 鏟斗斗容、駕駛員類別與油耗關系

由圖2可以看出，物料種類相同時，鏟斗斗容越大，千噸油耗越低。這是因為，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。同時駕駛員類別不同對油耗影響較大，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，裝載機鏟裝鐵精粉時的千噸油耗最低，鏟裝原生土時的千噸油耗最高。這是因為原生土的密度小，因此鏟掘相同斗容的物料時，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、物料種類與油耗關系

同時為了確保搭建的BP網(wǎng)絡模型的可靠性，還需對鏟斗斗容、駕駛員類別及物料種類與作業(yè)油耗之間進行相關性分析。通過相關分析，結(jié)果表明，上述影響因素與油耗的相關系數(shù)分別為0.89、0.76、0.81，說明鏟斗斗容、駕駛員類別及物料種類是反映裝載機油耗的關鍵因素。

4 BP神經(jīng)網(wǎng)絡模型建立

一般的神經(jīng)網(wǎng)絡模型由輸入層，中間層（權(quán)重w、闕值u、傳遞函數(shù)f），輸出層3個部分組成。BP神經(jīng)網(wǎng)絡結(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)絡結(jié)構(gòu)

其網(wǎng)絡預測值y計算公式為［4］

當神經(jīng)網(wǎng)絡獲得一種學習模式后，其神經(jīng)元的激活值將從輸入層經(jīng)各個中間層傳播，在輸出層的各神經(jīng)元輸出對應于輸入模式的網(wǎng)絡響應，同時對比網(wǎng)絡輸出值與實際值的誤差，如果神經(jīng)網(wǎng)絡預測值與實際值誤差較大，則通過反復修改各層之間的網(wǎng)絡權(quán)重，直到誤差小于某一設定值。隨著訓練樣本的增加，這種學習模式便能很好的反應測試數(shù)據(jù)的內(nèi)在關系。

由于裝載機油耗預測時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數(shù)據(jù)進行處理。3個駕駛員分別用1，2，3表示，分別對應駕駛員一、駕駛員二及駕駛員三。物料種類也利用1，2，3表示，分別對應原生土、沙子和鐵精粉。為了進一步的方便建模，還需對3個影響參數(shù)及實際油耗進行歸一化處理。同時為避免歸一化后的數(shù)據(jù)出現(xiàn)0點和1點（S函數(shù)的極值點），導致學習速度下降，學習次數(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組測試數(shù)據(jù)中前24組作為訓練樣本，后6組作為測試樣本。選擇鏟斗斗容、駕駛員類別及物料種類作為神經(jīng)網(wǎng)絡訓練樣本的輸入，網(wǎng)絡輸出為裝載機每組鏟裝循環(huán)的千噸油耗。神經(jīng)網(wǎng)絡輸入層為3個神經(jīng)元，隱含層為1個且具有7個神經(jīng)元，輸出層為1個神經(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)絡預測模型。

對訓練完成的BP神經(jīng)網(wǎng)絡模型進行測試，并利用10%的數(shù)據(jù)進行驗證，得到神經(jīng)網(wǎng)絡輸出值與實際值對比結(jié)果如表1所示。

通過對比，神經(jīng)網(wǎng)絡預測值與實際值最大相對誤差為2.34%，說明建立的神經(jīng)網(wǎng)絡預測的油耗值與實測值比較吻合，有較好的一致性，可以滿足實際工程需要。

表1 BP神經(jīng)網(wǎng)絡預測值與實際值對比

5 總結(jié)

本文通過分析裝載機作業(yè)油耗影響因素，得到對裝載機作業(yè)油耗影響較大的參數(shù)。以某公司9t裝載機為油耗試驗對象，進行裝載機作業(yè)油耗試驗，通過對試驗結(jié)果的分析及相關性檢驗，確定出鏟斗斗容、駕駛員類別及物料種類這3個油耗主要影響因素。對影響參數(shù)及試驗油耗做歸一化處理，并將處理后的影響因素數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡的輸入層數(shù)據(jù)，以裝載機實際油耗作為輸出層數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡模型，并利用試驗樣本進行驗證。仿真結(jié)果表明，訓練好的BP網(wǎng)絡對裝載機循環(huán)作業(yè)油耗的預測精度較高。該模型為進一步研究裝載機鏟裝工況與油耗的關系提供基礎。

［1］ 付百學等. 汽車油耗檢測方法研究［J］. 黑龍江工程學院學報，2010，（6）.

［2］ 楊俊東. 基于BP神經(jīng)網(wǎng)絡的油耗測量方法研究［D］. 吉林：吉林大學，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. 基于成本動因BP神經(jīng)網(wǎng)絡的鐵路物流貨運成本預測［D］. 北京：北京交通大學，2012.