[发明专利]一种基于深度学习的大型矿用自卸车车辆载荷预测算法

权利要求书

1.一种基于深度学习的大型矿用自卸车车辆载荷预测算法，其特征在于：包括设置在矿用自卸车氮气悬挂油缸上的压力传感器和主控制器，还包括如下步骤：

S1、系统上电后进入工作状态；

S2、6个悬挂压力传感器采集矿用自卸车氮缸的压力变化后，将数据输入主控制器；

S3、主控制器接收压力传感器发出的压力信号，进行数据转换，获取样本原始数据集；

S4、采用SAE模型提取样本数据，将样本原始数据集分为测试集数据和训练集数据；

S5、对DNN模型的网络结构或模型参数进行初始化设置；

S6、将特征提取后的训练集数据输入DNN模型，通过DNN模型的深度学习，得到车辆载荷的预测数据；

S7、对DNN模型的网络结构或模型参数进行调整，获取最优深度神经网络模型：

根据得到车辆载荷的预测数据和测试集数据，对DNN模型预测能力进行测定，若预测能力不满足预定要求，则对DNN模型的网络结构或模型参数进行调整，建立损失函数并通过反馈求导的方法，优化DNN模型参数，并返回S6，否则，当前DNN模型为最优车辆载荷预测模型；

S8、在训练数据完成后，运用最优DNN模型得到单层预测，并将单层预测的数据作为最优DNN模型的下一时刻输入，迭代输出多层预测结果，从而实现车辆载荷的预测。

2.如权利要求1所述的一种基于深度学习的大型矿用自卸车车辆载荷预测算法，其特征在于：步骤S2中压力传感器将测得的悬挂压力的变化信号转换成4-20mA的模拟信号，并送至主控制器，所述压力传感器的量程范围为0-300Bar、供电电源为8-36V DC。

3.如权利要求1所述的一种基于深度学习的大型矿用自卸车车辆载荷预测算法，其特征在于：所述SAE模型由多个AE组成，所述SAE模型为深度学习中堆叠自编码器模型，所述AE为自编码器。

4.如权利要求3所述的一种基于深度学习的大型矿用自卸车车辆载荷预测算法，其特征在于：所述AE由编码器和解码器两部分组成，AE先将输入信号x_m转换为编码信号h_m，然后解码器又将编码信号h_m变换成输出信号y_m,最终结果是为实现下式：

x_m→h_m→y_m

在训练的过程中，采用以下形式进行约束：

x_m≈y_m。

5.如权利要求4所述的一种基于深度学习的大型矿用自卸车车辆载荷预测算法，其特征在于：所述SAE模型包括输入层、隐藏层和重构层，给定一个包含M个样本数据集{x_m},(m＝1,2,…,M)，SAE编码、解码过程如下：

h_m＝f_θ(x_m)＝σ₁(Wx_m+b)

其中，f_θ为编码函数；σ₁为编码网络的激活函数；W是输入层与隐藏层之间的权值矩阵；b为编码时的偏置向量，编码参数为θ＝{W,b}；通过解码过程得到重构值y_m；为解码函数；σ₂是解码网络的激活函数；为隐藏层与重构层之间的权值矩阵；d为解码时的偏置向量，解码参数为

为了使y_m尽可能等于x_m，则需要通过最小化重构误差L(x_m，y_m)表述输入和输出之间的接近程度，如下式所示：