(19)中华 人民共和国 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 202111493207.3 (22)申请日 2021.12.08 (71)申请人 广西科技大 学 地址 545006 广西壮 族自治区柳州市东环 路268号 申请人 广西柳工 机械股份有限公司 　 柳州职业 技术学院 (72)发明人 谌炎辉　蔡登胜　向上升　李贝　 (74)专利代理 机构 长沙正奇专利事务所有限责 任公司 431 13 代理人 周晟 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于机器学习的装载机铲装作业过程优化 方法 (57)摘要 本发明旨在提供一种基于机器学习的装载 机铲装作业过程优化方法， 包括以下步骤： A、 装 载机进行多次实地铲装作业， 收集每次作业的15 个铲斗位置参数； B、 收集每次作业铲装重量、 作 业能耗、 作业时间这三个优化目标参数； C、 收集 每次作业的15个铲斗位置参数和优化目标参数 形成多个铲斗位置参数数据组和优化目标参数 数据组， 去除数据组中的异常数据并进行归一化 处理； D、 构建BP神经网络； E、 利用代价函数对神 经网络进行训练和验证； F、 利用训练好的神经网 络， 输入15个铲斗位置参数进行预测， 经实际作 业验证后选择最优的铲斗位置参数组， 实现装 载 机铲装作业过程的优化。 本发明可以对装载机铲 装作业过程进行优化， 具有良好的应用前 景。 权利要求书2页 说明书5页 附图3页 CN 114186731 A 2022.03.15 CN 114186731 A 1.一种基于 机器学习的装载机铲装作业过程优化方法， 其特 征在于包括以下步骤： A、 设定铲装物料， 装载机进行多次实地铲装作业， 收集每次作业全过程的装载机整车 位移、 动臂油缸位移、 转斗油缸位移这三个铲斗位置参数； 并记录各次的铲装重量实际值、 作业能耗实际值、 作业时间实际值； B、 基于每次作业的装载机整车位移、 动臂油缸位移、 转斗油缸位移这三个铲斗位置参 数分析， 将铲装作业划分为四个阶段： 水平 铲装阶段、 铲斗翻转铲装阶段、 铲装阶段、 铲斗提 升阶段， 各次作业分别获得12个铲斗位置参数； 从各次的装载机整车位移、 动臂油 缸位移、 转斗油缸位移提取出3个位移参数： 载机铲 入料堆的瞬时速度及动臂油缸初始长度和转斗油缸初始长度； C、 将各次作业的这15个位移参数收集起来， 形成多个铲斗位置参数数据组， 去除包含 异常数据的数据组， 然后进 行归一化处理， 获得多个归一化铲斗位置参数数据组， 构建形成 归一化铲斗位置参数数据集； 对处于归一化位铲斗位置参数数据集中的各组数据所对应的 铲装重量实际值、 作业能耗实际值和作业时间实际值分别进行归一化处理， 获得铲装重量 实际归一 化值、 作业能耗实际归一 化值、 作业时间实际归一 化值； D、 构建BP神经网络， 神经网络包括4个依次连接的隐藏层， 以及和最后隐藏层连接的输 出层； 4个隐藏层分别包括11、 9、 7、 5个节点； 输出层包括3个节点， 分别对应铲装重量、 作业 能耗、 作业时间； 其中， 归一化铲斗位置参数数据集中的各组个铲斗位置参数数据组的15个位移参数分 别输入第一个隐藏层的各个节点中， 由偏置和15个位移参数加权累加， 并通过激活函数运 算得到计算结果； 其他隐藏层和输出层的各个节 点均由偏置和上一层输出的所有 数据加权 累加， 并通过激活函数运 算得到计算结果； 初始的数据权系数和偏置随机生成； E、 构建代价函数， 并利用代价函数对神经网络进行训练和验证， 得到训练好的神经网 络； F、 利用训练好的神经网络， 设定理想的15个铲斗位置参数对铲装重量、 作业能耗、 作 业 时间这三个优化目标参数进行预测， 经实际作业验证后选择最优的铲斗位置参数组， 实现 装载机铲装作业过程的优化。 2.如权利要求1所述的基于 机器学习的装载机铲装作业过程优化方法， 其特 征在于： 所述的步骤C中， 去除包 含异常数据的数据组的过程 为： 将15个铲斗位置参数分别进行大小排序并分析其正态分布， 并进行95％可信度分析将 每组参数中其 余5％的数据作为异常数据并删除这些异常数据所在的数据组。 3.如权利要求2所述的基于 机器学习的装载机铲装作业过程优化方法， 其特 征在于： 所述的步骤C中， 去除包 含异常数据的数据组， 然后进行归一 化处理的过程 为： 将每组排序的中间值映射到0.5、 最大值映射到0.975、 最小值映射到0.025归一化处理 的公式为： 4.如权利要求1所述的基于 机器学习的装载机铲装作业过程优化方法， 其特 征在于： 在隐藏层中的各个节点中， 每一输入值加权后叠加， 然后再加上偏置值， 通过sigmoid 函数运算， 输出到下一层的各个节点中； 最后一个隐藏层则输出值加权累加并加上偏置值权　利　要　求　书 1/2 页 2 CN 114186731 A 2后通过sigmo id函数运 算获得铲装重量预测值、 作业能耗预测值、 作业时间预测值。 5.如权利要求1所述的基于 机器学习的装载机铲装作业过程优化方法， 其特 征在于： 所述的步骤E中， 代价 函数公式为： 其中， yi为每次测试得到的优化目标参数值， o(zi)为神经网络预测得到的优化目标参 数值。 6.如权利要求5所述的基于 机器学习的装载机铲装作业过程优化方法， 其特 征在于： 所述的步骤E中， 利用代价 函数对神经网络进行训练和验证的过程 为： a、 随机取归一 化位移数据集中6 0％‑80％的归一 化位移数据组依次输入神经网络； b、 每次输入获得对应作业的铲装重量输出值、 作业能耗输出值、 作业时间输出值， 与其 对应的铲装重量 实际值、 作业能耗 实际值、 作业时间实际值进 行对比， 获得该次的铲装重量 误差值、 作业能耗 误差值、 作业能耗 误差值； c、 然后输入下一归一化位移数据组， 重复步骤b， 直至随机选取的数据全部输入完成， 然后根据代价 函数通过反向传播对神经网络进行优化， 图3为采用不同学习率的优化过程； d、 用剩余的20 ‑40％的归一化位移数据组进行验证， 将这部分归一化位移数据组分别 输入训练好的神经网络， 获得各次作业的铲装重量预测值、 作业能耗预测值、 作业时间预测 值； 并将各次作业的预测值进 行归一化还原后， 与其对应的铲装重量 实际值、 作业能耗 实际 值、 作业时间实际值进 行对比； 若90％以上的数据对比的误差小于15％， 则说明神经网络模 型建立成功， 否则需要调整BP神经网络结构， 修改隐藏层数和节点数， 然后重复步骤E 。 7.如权利要求6所述的基于 机器学习的装载机铲装作业过程优化方法， 其特 征在于： 所述的步骤b中， 数据归一 化还原公式为： IF·(X＜0.5，·中间值‑LN(1X‑1)*(中间值 ‑最小值)/3.66， ·中间值‑LN(1/X‑1)*(最 大值‑最小值)/ 366)    (3)。 8.如权利要求1所述的基于机器学习的装载机铲装作业过程优化方法， 其特征在于： 所 述的步骤D中构建的神经网络的学习率 η＝0.1。权　利　要　求　书 2/2 页 3 CN 114186731 A 3