[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

说明书

一种基于深度学习的大型矿用自卸车车辆载荷预测算法，运用压力传感器和主控制器进行数据集采集，采用SAE模型对样本数据进行特征提取，将采集到的数据分为训练集和测试集，并且将DNN模型用于车辆载荷预测，然后将训练集输入DNN模型得到车辆载荷预测数据，根据预测数据和测试集对DNN模型预测能力进行测定，以得到最优DNN模型。本发明的车辆载荷预测算法，考虑了多特征、高复杂的输入数据，建立了输入输出非线性映射关系，是一种准确且高效的车辆载荷预测方法。

技术领域

本发明涉及工程机械自动控制技术领域，具体是一种基于深度学习的大型矿用自卸车车辆载荷预测算法。

背景技术

以往的经验中，大型矿用自卸车装载矿物的重量测量是靠估方或卸货后测量的方式，由于地磅测量的范围小，因此这些测试方法存在测量数据误差大、耗时长等缺陷。随着经济的发展，国内外的车载称重方法主要是在车辆的承重结构，如车架，板簧、悬挂以及轮胎等部位安装各种传感器来测量车辆载重，而传感器型号的选择、检测位置的确定和称重算法的研究对整个车载称重系统的性能指标都有很大的影响。因此一套能实时、方便地检测大型矿用自卸车装载矿物重量的测试系统对驾驶员和调度管理部门显得十分必要。

车辆载荷和单个氮缸压力变化值很难用简单的数学公式进行表达。而采取多信息融合技术，运用堆叠自编码器模型提取原始悬挂压力传感器压力值，采用DNN模型建立各压力传感器采集的AD值和车辆静态载荷的映射关系是较好的途径，从而可以预测车辆正常工作时的载重。

发明内容

本发明所要解决的技术问题在于克服上述现有技术之不足，提供一种方法简单、效果良好的基于深度学习的大型矿用自卸车车辆载荷预测算法。

本发明是以如下技术方案实现的：一种基于深度学习的大型矿用自卸车车辆载荷预测算法，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。

其进一步是：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8-36VDC。

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。

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：