張振宇/ZHANG Zhen-yu
(徐州徐工礦業(yè)機械有限公司,江蘇 徐州 221000)
液壓挖掘機執(zhí)行機構(gòu)(動臂、斗桿、鏟斗、轉(zhuǎn)臺)的動作是通過發(fā)動機帶動液壓泵提供流量經(jīng)過液壓閥分配來控制的。液壓閥的流量分配直接影響挖掘機執(zhí)行機構(gòu)的動作協(xié)調(diào)性。目前先進的液壓閥可智能化地平衡多泵合流和單泵多執(zhí)行器的流量分配,實現(xiàn)復雜的邏輯控制,提高整機性能。因此液壓閥控制算法的好壞直接決定了挖掘機的效率、操作性等關(guān)鍵性能。如何控制液壓閥實現(xiàn)精準流量是挖掘機控制的關(guān)鍵,本文以一種液壓挖掘機所用的力士樂合流閥為例進行探討。
合流閥在挖掘機液壓系統(tǒng)中起到流量分配的作用,表1 所示為力士樂合流閥打開時的特性參數(shù),Q代表流量,范圍為0~402L/min。dp代表流過合流閥所產(chǎn)生的前后壓差,范圍為0~250bar。電流表示對應壓差下給定下表的某個電流將產(chǎn)生相應的流量,例如,在壓差為50bar,給定電流為377mA 時,將產(chǎn)生6L/min 的流量。
在實際挖掘機控制器編程中,最終控制的是合流閥給定的電流,給定不同的電流產(chǎn)生不同的流量。對表1 的數(shù)據(jù)進行可視化分析,散點圖與三維平面如圖1、圖2 所示,X-Q軸代表流量,Y-Press代表壓差,Z-Current代表電流。
由圖1 可以看出,排除dp=0bar 的散點,其他散點在相同的dp條件下電流與流量呈現(xiàn)指數(shù)函數(shù)的曲線分布,圖2 用三點確定一個平面的方法擬合了表1 的數(shù)據(jù)。
圖1 合理閥特性參數(shù)散點圖
圖2 合流閥特性參數(shù)三維曲面圖
表1 力士樂合流閥打開時的特性參數(shù)表 (mA)
由圖1 可知,該合流閥在壓差為零時,流量與控制電流可以分段近似線性比例關(guān)系。在壓差為恒定數(shù)值且大于5bar 的情況下,圖1 中用相同顏色的點表示,此時電流與流量近似指數(shù)函數(shù)的曲線關(guān)系,前期電流變化率大而流量變化小,后期電流變化小而流量的變化值很大。由圖2 可知用三點確定一個平面法去擬合該合流閥的特性參數(shù),能夠得到較好的近似曲面,可以通過每個小三角形的三維平面方程去求解特性表中沒有的壓差與流量所需的電流點。
已知三維空間中的3 個點就可以確定這3 個點平面方程,根據(jù)此平面方程就可求解在平面范圍內(nèi)特定壓差下需求的流量對應的控制電 流。如 圖2 所 示,在 點A(110,101,504),B(110,50,522),C(183,101,533)所確定的平面中,壓差范圍為50~101bar,流量范圍為110~183L/min。如果想要求解在80bar 情況下120L/min 所需要的控制電流,則首先需要求解以上三點確定的空間方程。利用行列式求解平面方程
將需要求解的x=120,y=80,帶入上式中的平面方程,求解z≈515,即該條件下調(diào)節(jié)合流閥的控制電流為515mA 就可得到120L/min 的流量。
基于三點平面擬合法的優(yōu)點是方法簡單易于實現(xiàn),缺點是不同壓差間的數(shù)據(jù)擬合強制平面擬合,存在誤差,需要計算所有3 個相鄰點的平面方程。例如表1 和圖2,要擬合表數(shù)據(jù)進行三點平面擬合法求解控制電流需要求解126 個平面方程,且不同的壓差范圍所需的平面方程不同,需要人為設置程序的選擇求解方程。由此,針對三點平面擬合法的缺點提出了多層感知器神經(jīng)網(wǎng)絡算法。
機器學習中多層感知器是為了解決單個神經(jīng)元非線性能力不足的問題,理論上兩層神經(jīng)網(wǎng)絡能夠擬合任意函數(shù)。本文研究以合流閥的電流為輸出Y,合流閥壓差和流量為X進行特征值提取,訓練兩層神經(jīng)網(wǎng)絡。單個神經(jīng)元的激活函數(shù)選取ReLu 函數(shù),損失函數(shù)選取均值平法差,訓練方法采用梯度下降算法。具體的算法實現(xiàn)過程如圖3所示,算法整體分為數(shù)據(jù)集處理、多層感知器神經(jīng)網(wǎng)絡訓練、多層感知器模型的輸出3 個部分。
圖3 多層感知器神經(jīng)網(wǎng)絡算法實現(xiàn)過程
數(shù)據(jù)集處理中將合流閥的特性參數(shù)分為訓練數(shù)據(jù)集與測試訓練集,訓練數(shù)據(jù)集用于訓練多層神經(jīng)網(wǎng)絡,測試訓練集用于判斷訓練模型的好壞。數(shù)據(jù)歸一化是為了加快梯度下降算法求最優(yōu)解的速度。多層感知器網(wǎng)絡的建立利用scikitlearn 機器學習算法庫建立兩層神經(jīng)網(wǎng)絡,設定不同的x特征值通過訓練模型的訓練得分和測試得分判斷模型的擬合和泛化能力,最后選取特征向量
作為感知器的輸入,多層感知器的兩層神經(jīng)元個數(shù)分別為200,100 時得到的訓練樣本分數(shù)為0.980090,測試樣本分數(shù)為0.967149,該情況下訓練的模型具有很好的擬合性和泛化能力。
多層感知器神經(jīng)網(wǎng)絡算法的優(yōu)點是能夠非線性擬合合流閥的特性參數(shù)曲面,使得控制更加的精確,不需要像三點平面法那樣選取不同的平面方程進行數(shù)值計算,訓練好的模型相當于一個曲面方程,已經(jīng)擬合了所有的數(shù)據(jù)組成的曲面。多層感知器神經(jīng)網(wǎng)絡算法的缺點是對控制器要求高,需要控制器能調(diào)用訓練好的多層感知器的模型進行計算。
本文簡述了合流閥在挖掘機流量控制中的作用,根據(jù)一種合流閥的特性參數(shù)表給出了可視化的數(shù)據(jù)分析圖和解析。由合流閥的特性提出了三點平面擬合算法與多層感知器神經(jīng)網(wǎng)絡算法,目前三點平面擬合算法能夠在現(xiàn)有的控制器上實現(xiàn),滿足目前挖掘機的控制需求。隨著合流閥的使用過程中特性數(shù)據(jù)的采集增多和控制器計算力提升,多層感知器神經(jīng)網(wǎng)絡的訓練模型精度更高。隨著人工智能的發(fā)展,必將有更多的機器學習算法運用到挖掘機的控制中,使得挖掘機更加的智能化。