(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211347698.5 (22)申请日 2022.10.31 (71)申请人 吉林大学 地址 130012 吉林省长 春市前进大街269 9 号 (72)发明人 陈晋市　霍东阳　张晗　石屹然　 (74)专利代理 机构 北京专赢专利代理有限公司 11797 专利代理师 李斌 (51)Int.Cl. E02F 3/43(2006.01) E02F 9/22(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于径向基函数神经网络的挖掘机负 载预测方法 (57)摘要 本发明适用于工程机械技术领域， 提供了一 种基于径向基函数神经网络的挖掘机负载预测 方法， 包括以下步骤： 将挖掘机工作过程中的结 构载荷、 被动载荷和相互作用载荷组合为挖掘机 负载的整体不确定性； 建立挖掘机负载预测模 型； 采集挖掘机动臂、 斗杆和铲斗上液压执行器 的压力和流量信号并输入控制单元； 对信号进行 预处理； 使用处理后的信号构建特征向量； 特征 向量输入径向基函数神经网络模 型， 输出当前时 刻挖掘机负载。 该方法基于径向基函数神经网络 模型对挖掘机负载进行预测， 不单纯依赖精确的 物理模型和物料性质参数的先验知识， 符合挖掘 机作业环 境复杂多变的实际工况， 能够实现对挖 掘机实时负载的准确预测， 预测结果可应用于智 能挖掘系统开发。 权利要求书2页 说明书6页 附图2页 CN 115478574 A 2022.12.16 CN 115478574 A 1.一种基于径向基函数神经网络的挖掘机负载 预测方法， 其特 征在于， 包括以下步骤： 步骤一、 将挖掘机工作过程中的结构载荷、 被动载荷和相互作用载荷组合为挖掘机负 载的整体不确定性； 步骤二、 建立挖掘机负载 预测径向基函数神经网络模型； 步骤三、 采集挖掘机动臂液压执行器、 斗杆液压执行器和铲斗液压执行器的压力和流 量信号， 并将采集的信号输入 控制单元； 步骤四、 对步骤三中采集的信号作为原 始信号进行 预处理； 步骤五、 根据预处 理后的信号构建特 征向量； 步骤六、 将构建的特征向量输入挖掘机负载预测径向基函数神经网络模型， 输出当前 时刻挖掘机负载。 2.根据权利要求1所述的基于径向基函数神经网络的挖掘机负载预测方法， 其特征在 于， 所述步骤一中， 结构载荷由工作装置的重力和惯性产生， 被动载荷由关节摩擦和液压油 的粘性阻尼产生， 相互作用载荷由铲斗与物料相互作用产生。 3.根据权利要求1所述的基于径向基函数神经网络的挖掘机负载预测方法， 其特征在 于， 所述步骤二具体包括创建径向基函数神经网络模型和模型训练； 创建径向基函数神经网络模型： 径向基函数神经网络采用三层网络结构， 输入层向量包括最近两个时刻的动臂液压执 行器、 斗杆液压执行器和铲斗液压执行器的流量， 还包括铲斗尖端的挖掘轨迹、 结构载荷作 用下三组液压执行器的驱动力、 实测三组液压执行器的驱动力； 隐藏层 采用22个神经元， 使 用高斯函数作为激活函数； 由于挖掘 机负载难以直接测量和表征， 但是反应在三组液压执 行器的驱动力中， 因此选择当前时刻动臂液压执行器、 斗杆液压执行器和铲斗液压执行器 的驱动力作为网络 输出； 模型训练： 采集挖掘机实际挖掘过程中动臂液压执行器、 斗杆液压执行器和铲斗液压执行器的压 力和流量信号， 构造训练集； 径向基函数神经网络模型 的训练由自组织学习阶段和 监督学 习阶段组成： 自组织学习阶段利用k均值聚类算法和p最近邻算法确定隐藏层神经元的中心 cj和宽度σj； 监督学习阶段利用带遗忘因子的递归最小二乘算法对隐藏层和输出层间的连 接权重w进行在线自适应更新， 其计算公式如下 所示： 其中， P(k)和L(k)为算法的中间变量， φ(k)为k时刻隐藏层的输出向量， λ为遗忘因子， y(k)为k时刻系统输出值。 4.根据权利要求1所述的基于径向基函数神经网络的挖掘机负载预测方法， 其特征在 于， 所述步骤四中对原 始采集信号进行 预处理的具体步骤如下： 步骤A、 在控制单元中利用小波滤波对原始采集信号进行去噪， 减少背景噪声和振动高权　利　要　求　书 1/2 页 2 CN 115478574 A 2频信号的干扰； 选择Daubec hies 5小波作为小 波基函数， 采用五级 小波分解和软阈值 函数； 步骤B、 利用滤波后的数据对挖掘机结构载荷动力学特性进行分析； 利用挖掘机运动学 模型将液压执行器的平移运动转换为工作装置的相对旋转运动， 并获得铲斗尖端的挖掘轨 迹； 利用挖掘机动力学模型解算挖掘机结构载荷， 用于减小负载不确定性的影响， 提高模型 预测精度， 如下 所示： 其中， θ、 为三个工作装置的转角 、 角速度和角加速度； M( θi)为惯性矩阵； 为速度平方项， 表征离心力和科氏力的影响； G( θi)为重力影响项； τi为各工作装置驱动力 矩； Fsboom、 Fsarm、 Fsbucket分别为动臂液压执行器、 斗杆液压执行器、 铲斗液压执行器的推力； E1、 E2、 E3为动臂液压执 行器、 斗杆 液压执行器、 铲斗液压执 行器对关节处的作用力臂； 步骤C、 归一 化； 对信号进行归一 化处理， 如下所示 其中， x为原始采集数据， xmin、 xmax为原始采集数据中某特征信号的最小值和最大值， xscale为归一化处理后的信号 值。 5.根据权利要求1所述的基于径向基函数神经网络的挖掘机负载预测方法， 其特征在 于， 所述步骤五中， 根据预处 理后的信号构建特 征向量的具体步骤如下： 将预处理后的信号按照液压执行器流量、 铲斗尖端挖掘轨迹、 结构载荷作用下工作装 置液压执 行器的驱动力和实测液压执 行器驱动力的顺序构建特 征向量， 如下 所示： X(t)＝[qi(t‑1),qi(t‑2),Jy(t‑1),Jy(t‑2),Fsi(t‑1),Fsi(t‑1),Fi(t‑1),Fi(t‑2)] 其中， i＝1,2,3分别代表动臂、 斗杆、 铲斗的液压执行器； q为归一化后的液压执行器流 量信号离散数据； Jy为归一化后的铲斗尖端挖掘轨迹离散数据； Fsi为归一化后的结构载荷 作用下动臂液压执行器、 斗杆液压执行器和铲斗液压执行器 的驱动力离散数据； Fi为归一 化后的实测动臂液压执 行器、 斗杆 液压执行器和铲斗液压执 行器的驱动力 信号离散数据。 6.根据权利要求1所述的基于径向基函数神经网络的挖掘机负载预测方法， 其特征在 于， 所述步骤六中， 输出当前时刻挖掘机负载的计算公式如下 所示： 其中， φj(t)为t时刻第j个隐藏层神经元的输出； 为预测的t时刻动臂、 斗杆、 铲斗 液压执行器推力。权　利　要　求　书 2/2 页 3 CN 115478574 A 3