[发明专利]GWO-SVM的装载机循环工况作业阶段识别方法

说明书

本发明公开了一种GWO‑SVM的装载机循环工况作业阶段识别方法。本方法将工作泵出口、动臂位移、转斗大小腔作为监测点，同步采集标准循环工况下的压力数据、动臂位移以及挡位信号，将得到的数据作为特征值；使用GWO‑SVM进行优化识别。从而能够准确识别出装载机循环工况的不同作业阶段，进而能够满足装载机不同作业阶段采取针对性控制方式，提高发动机的功率利用率，提升装载机的燃油经济性。

技术领域

本发明涉及一种实时识别装载机循环工况作业阶段的方法，属于装载机技术领域。

背景技术

装载机是一种广泛用于公路、铁路、建筑、水电、港口、矿山等建设工程的土石方施工机械，它主要用于铲装土壤、砂石、石灰、煤炭等散状物料，也可对矿石、硬土等作轻度铲挖作业。换装不同的辅助工作装置还可进行推土、起重和其他物料如木材的装卸作业。循环作业是装载机最典型的作业形式，完整的循环作业一般包括空载前进、铲装、负载后退、负载前进、卸料和空载后退六个阶段，每个阶段的状态都不相同，对发动机的功率需求呈现明显的阶梯性和周期性，若使用同一发动机功率，必然会使发动机处于部分负荷状态，存在功率损失，降低燃油经济性。因此，在装载机不同作业阶段采取针对性控制方式，则既能满足作业要求，又能提高发动机的功率利用率，从而提升装载机的燃油经济性。但是，要实现装载机的分阶段控制，首先要识别出装载机所处的实时作业阶段。

发明内容

针对上述问题，本发明提供一种GWO-SVM的装载机循环工况作业阶段识别方法，用以识别出装载机所处的实时作业阶段，进而实现对装载机的分阶段控制。

为实现上述目的，本发明采用的技术方案是：一种GWO-SVM的装载机循环工况作业阶段识别方法，包括如下步骤：

(1)采集装载机作业时工作泵出口、转斗无杆腔的实时压力数据，动臂缸的位移并获取挡位信号数据；

(2)以实时压力数据和挡位信号通过支持向量机(SVM)找到超平面，建立SVM模型；

(3)根据灰狼算法(GWO)对上述SVM模型进行参数优化，得到理论最优GWO-SVM模型。

在上述方案的基础上，作为优选，装载机循环工况作业阶段的GWO-SVM模型建立包括：

将采集的数据按空载前进、铲装、重载后退、重载前进、卸料和空载后退分为六个作业阶段，并给数据打好标签；

将数据分划为训练集和测试集，通过SVM一对多(one-vs-rest)进行分类器训练，得到默认参数的装载机作业阶段SVM识别模型；

运用灰狼算法(GWO)对上述SVM模型的惩罚参数C和参数g进行优化。

在上述方案的基础上，作为优选，采集得到的压力数据去除奇异点并滤波，然后将每次的循环工况的数据归一化处理，使其线性调整到[0,1]，归一化后，将所得数据一分为二，得到训练集和测试集。

在上述方案的基础上，作为优选，通过SVM一对多(one-vs-rest)进行分类器训练由于该数据包含六个分类，给定6个类，需要训练6个二类分类器。其中的分类器i是将i类数据设置为类1(正类)，其它所有m-1个i类以外的类共同设置为类2(负类)，这样，针对每一个类都需要训练一个二类分类器，最后，我们一共有6个分类器。对于一个需要分类的数据x，通常选择置信度最大的类别标记为分类结果。标准SVM处理步骤如下：

I.创建一个逻辑向量(indx)，指示观测值是否为该类的成员；

II.使用预测变量数据和indx训练SVM分类器；

III.将该分类器储存在元胞数组的一个元胞中。

IV.将每个新观测值与给它最高分数的分类器相关联。