产品运行大数据环境下基于迁移学习的装载机作业阻力预测建模技术研究

Wheel loaders are featured by various types of work objects, complicated operational conditions, harsh working environment, and dramatically-varied working loads. Therefore, accurate prediction of the working resistance force in advance is the premise to achieve autonomous loading operation. Based on our previous acquired load spectrum and corresponding analysis results, this project further introduces operational big data for identifying, characterizing and predicting key parameters that affect the working resistance force, which lays a foundation for intelligent wheel loaders. The research contents include: (1) characterize and evaluate the working torques to ensure the accuracy of the predictive model; (2) acquire operational data features using monocular and binocular visual analysis and build the relationship between operational data features and material parameters; (3) develop a predictive model using transfer learning from operational big data to solve the problem of low accuracy and less applicability of working resistance force prediction models based on load spectrum, and explore the intrinsic relationship and correlation between the working resistance force and the sensitive parameters. The research results can offer a practical method for working resistance force prediction of excavators, bulldozers and other construction machinery, and a basis for decision-making in autonomous loading control of construction machinery.

装载机作业对象种类多、工况复杂、环境恶劣、载荷变化剧烈，准确预测作业阻力是实现自主作业的前提和关键。本项目在前期载荷谱采集与分析的基础上，进一步研究基于产品运行大数据的作业阻力关键参数挖掘、表征以及精确预测模型构建的理论与方法，为装载机自主作业奠定基础。具体工作包括：开展作业扭矩表征建模与评估方法研究，解决作业扭矩难以准确估计的问题；使用单目和双目视觉挖掘运行数据特征，并构建物料参数与运行数据特征的映射关系模型，丰富与拓展预测模型的可用特征；利用迁移学习进行载荷谱与产品运行大数据之间迁移建模，实现快速准确的作业阻力预测，解决基于载荷谱的作业阻力预测模型实际应用中精确度低、适用性小的问题，并探索与分析作业阻力与其影响因素之间的内在联系及关联度。研究成果可为挖掘机、推土机等其他工程机械的作业阻力预测建模提供思路和方法，为工程机械的自主作业提供决策依据，具有重要的应用价值和科学意义。

随着工业4.0和中国制造2025等政策的不断实施，工程机械领域开始步入个体智能与群体智能化的时代，其中无人化自主作业是工程机械智能化的必然趋势。自主作业的前提是对复杂作业状态的准确预测，其核心为铲装过程中作业阻力的预测分析。因而，项目以装载机为研究对象，综合应用理论分析、数值分析与实车验证等方法开展作业阻力预测建模的关键技术研究。核心研究工作总结如下：（1）针对装载机的传统应变式扭矩测量方法存在安装复杂、标定困难、测量不准、仅适用于短期试验等问题，提出了一种基于DSLS-SVM算法的作业扭矩预测方法，以及一种免标定测量方案，为实现作业扭矩快速、准确、在线实时测量提供了可行性方案，为作业阻力预测结果准确度提供评判标准及特征。（2）物料密实度是衡量装载机作业难易程度的关键参数之一，针对缺少表征物料密实度的方法，提出了基于双目视觉的铲斗内物料体积测量方法与基于动态称重算法的铲斗内物料重量测量方法，实现铲装过程的物料密实度动态识别，为作业难易程度评估与作业阻力预测提供了重要参考特征。（3）针对装载机作业阻力缺乏成熟测量方案，文献中提及的加销轴传感器方式，存在安装复杂、标定困难、测量不准，以及不适于长期测试使用等问题，提出了利用易测参数表征装载机作业阻力的预测建模方法，同时考虑到预测模型的可扩展性，提出了基于迁移学习的作业阻力预测建模方法，实现了不同物料之间预测模型的迁移，为作业阻力预测的应用奠定基础。通过上述的相关研究，本项目已发表论文11篇，其中SCI/EI收录7篇；申请发明专利8项，其中已授专利1项；获得软件著作权3项；联合培养硕博研究生7名，其中3名硕士研究生已毕业。总体而言，该研究工作为装载机作业阻力预测提供了可行的解决方案，为未来实现自主作业过程的数字孪生以及最优铲掘轨迹寻优奠定技术基础。研究成果可推广到挖掘机、推土机等其他工程机械中，具有重要的理论研究与工程应用价值。