专利名称：一种开沟铺管机作业功率自适应控制方法及系统的制作方法
一种开沟铺管机作业功率自适应控制方法及系统技术领域
本发明针对农业机械装备自动化控制技术领域，涉及开沟铺管机作业功率自适应控制的系统和方法。
背景技术：
开沟铺管机是一类用于农田排涝排碱的大型作业机械，合理地调度和使用开沟铺管机的作业功率有利于充分发挥开沟铺管机的效能，提高机具的可靠性和经济性。
一般而言，开沟铺管机开沟作业所消耗的功率是与施工场地的土质构造条件、开沟深度(或指入土行程)、刀链转速(或指取土速度)、进刀量(亦即前进速度)等密切相关。如土质坚硬、开沟深度大、刀链转速快以及进刀量大时，所需功率大，反之所需功率小。 通常情况下，土质构造条件是复杂的，开沟深度是随着坡降而时刻变化的，刀链转速与进刀量由人工掌控，使得开沟作业功率复杂多变。
传统的开沟作业是按施工要求的开沟深度与坡降，根据土质构造条件、刀链部件强度以及开沟铺管机动力性能等，人工观测控制刀链转速与进刀量，无法保证开沟铺管机实际作业功率与设计的理论作业功率相符合。于是，经常出现下述情形刀链转速与进刀量偏小，造成开沟铺管机功率浪费；或刀链转速与进刀量过大，导致开沟铺管机功率供应不足，并对刀链部件及相关机械系统形成伤害。
为了保证实际作业功率尽量接近理论作业功率，使发动机输出功率保持在最佳水平，寻求一种智能化的自动控制方式，使得开沟深度、刀链转速以及进刀量合理地匹配，是开沟铺管机长期以来有待解决的一个棘手难题。发明内容
为解决上述问题，本发明公开一种开沟铺管机作业功率自适应控制方法，其特征在于，包括
步骤100，根据施工要求确定开沟铺管机的开沟坡降和开沟深度；
步骤200，建立神经网络模型，在给定开沟深度条件下，检测刀链回转速度和开沟铺管机前进速度与挖掘功率，并不断改变开沟深度、刀链回转速度和开沟铺管机前进速度， 检测相应的挖掘功率，综合一定数量的检测数据，利用神经网络算法建立开沟深度、刀链回转速度和开沟铺管机前进速度与挖掘功率关系模型；
步骤300，运用遗传算法寻优，在开沟深度线性变化条件下，确定以最大程度逼近给定期望挖掘功率的刀链回转速度和开沟铺管机前进速度的匹配值，按开沟铺管机前进速度优先原则取其中一组最优值；
步骤400，按最优匹配值控制刀链回转速度和开沟铺管机前进速度。
所述的作业功率自适应控制方法，其特征在于，所述步骤100还包括
步骤110，使用激光发射器作为光源用于向激光接收器提供设定坡降的参考激光平面；所述激光接收器用于测量自身相对激光平面所在的高低位置，并将高程信号发送至所述数据处理与控制中心。
所述的作业功率自适应控制方法，其特征在于，所述步骤110还包括
步骤111，获取当前开沟臂的姿态信息；
步骤112，将控制信息传送给动力传动轴和行走驱动马达；
步骤113，动力传动轴运动关联刀链回转速度与作业功率，获取动力传动轴的转速以及扭矩信息(动力传动轴的输入转速由液压调速装置调整)；
步骤114，行走驱动马达运动关联开沟铺管机前进速度，获取前进速度信息；
步骤115，将动力传动轴的转速以及扭矩信息通过无线传输装置传送至数据处理与控制中心，同时将前进速度信息传送至数据处理与控制中心。
所述的作业功率自适应控制方法，其特征在于，所述步骤200还包括
步骤210，对神经网络进行选择与设计，形成神经网络结构；
步骤220，形成所述神经网络的训练样本集；
步骤230，对神经网络进行训练。
所述的作业功率自适应控制方法，其特征在于，步骤300还包括
步骤310，进行染色体的编码、解码方法的运算；
步骤320，建立目标函数；
步骤330，进行适应度函数的设计；
步骤340，进行选择、交叉和变异算子的设计。
本发明还公开一种开沟铺管机作业功率自适应控制系统，其特征在于，包括
激光系统，用于按照施工要求向开沟铺管机提供开沟坡降参考面和开沟深度监测；
数据处理与控制中心，用于信号采集，数据计算，控制算法等，并对驱动马达和深度调节液压缸发出控制信号；
神经网络模块，用于建立神经网络模型，在给定开沟深度条件下，检测刀链回转速度和开沟铺管机前进速度与挖掘功率，并不断改变开沟深度、刀链回转速度和开沟铺管机前进速度，检测相应的挖掘功率，综合一定数量的检测数据，利用神经网络算法建立开沟深度、刀链回转速度和开沟铺管机前进速度与挖掘功率关系模型；
遗传算法模块，用于运用遗传算法寻优，在开沟深度线性变化条件下，确定以最大程度逼近给定期望挖掘功率的刀链回转速度和开沟铺管机前进速度的匹配值，按开沟铺管机前进速度优先原则取其中一组最优值；按最优匹配值控制刀链回转速度和开沟铺管机前进速度。
所述的作业功率自适应控制系统，其特征在于，所述激光系统还用于使用激光发射器作为光源用于向激光接收器提供设定坡降的参考激光平面；所述激光接收器用于测量自身相对激光平面所在的高低位置，并将高程信号发送至所述数据处理与控制中心。
所述的作业功率自适应控制系统，其特征在于，还包括
倾角传感器，用于测量当前开沟臂的姿态信息；
控制驱动模块，用于将控制信息传送给动力传动轴和行走驱动马达；
转速和扭矩传感器，用于获取动力传动轴的转速以及扭矩信息；
测速传感器，用于获取开沟铺管机前进速度信息；
无线接收模块，用于向数据处理与控制中心实时传输动力传动轴的转速以及扭矩信息；
其中，动力传动轴的输入转速由液压调速装置调整。
所述的作业功率自适应控制系统，其特征在于，神经网络模块还包括
网络类型确定和结构选择单元，用于对神经网络进行选择与设计，形成神经网络结构；
训练样本单元，用于形成所述神经网络的训练样本集；
神经网络训练单元，用于对神经网络进行训练。
所述的作业功率自适应控制系统，其特征在于，遗传算法模块还包括
染色体单元，用于进行染色体的编码、解码方法的运算；
目标函数单元，用于建立目标函数；
适应度函数单元，用于进行适应度函数的设计；
算子设计单元，用于进行选择、交叉和变异算子的设计。
本发明还公开一种开沟铺管机，其特征在于，包括上述所述的系统。
实施本发明的开沟铺管机作业功率自适应控制系统，具有以下效果根据开沟铺管机总体设计所确定的理论作业功率，在开沟深度线性变换的前提下，预设刀链部件所允许的回转速度和开沟铺管机力求达到的前进速度，通过神经网络与遗传算法建立模型并进行优化求解，得出刀链回转速度和开沟铺管机前进速度的最优匹配，反馈控制调整动力传动轴的输入转速与行走驱动马达的运行转速，使之发挥发动机所分配的最大开沟功率，从而达到开沟铺管机开沟作业的最大效能。
实时监控行走驱动马达和动力传动轴的运行转速，并测量显示开沟铺管机当前的作业功率。
采用神经网络与遗传算法对作业功率进行优化决策。在施工作业过程中，通过建模和求解快速得到刀链回转速度和开沟铺管机前进速度二者的最佳匹配值，并实施反馈控制，达到开沟铺管机作业功率的最优发挥。
图I为本发明开沟铺管机作业功率自适应控制系统组成示意图2为本发明开沟铺管机作业功率自适应控制系统原理框图3为本发明开沟铺管机作业功率自适应控制方法流程图4为本发明基于神经网络与遗传算法流程图5为本发明神经网络模型。图6为本发明交叉算子的运算示意图；图7为本发明“变异”算子的运算示意图。
具体实施方式
下面给出本发明的具体实施方式
，结合附图对本发明做出进一步的描述。
在本发明的一实施例中，如图I所示一种开沟铺管机作业功率自适应控制系统， 包括由激光发射器1，激光接收器2，带测速传感器的行走驱动马达3，液压调速装置4，数据处理与控制中心5，带无线传输的转速和扭矩传感器的动力传动轴6，深度调节液压缸7，测量杆8，动力传动箱9，倾角传感器10、开沟臂11，刀链组合12等。其中，所述激光接收器2、 带测速传感器的行走驱动马达3、倾角传感器10分别连接至所述数据处理与控制中心5，动力传动轴6上的转速和扭矩传感器通过自身无线传输装置将信号发送至数据处理与控制中心5的无线接收模块。
自适应控制系统的主要执行装置是深度调节液压缸7、液压调速装置4、以及行走驱动马达3，通过调整其三要素，即可改变开沟深度、刀链回转速度和开沟铺管机前进速度。
开沟铺管机在农田开沟作业时，首先按照工程施工要求，通过激光系统确定沟渠坡降和初始开沟深度；然后以设定坡降的斜率关系线性调整开沟臂11的入土深度；再根据开沟铺管机动力特性，控制系统初步给定一组刀链部件所允许的回转速度和开沟铺管机力求达到的前进速度，监测并评判其开沟(挖掘)功率是否达到理论设计功率，如不及或过之，数据处理与控制中心5基于神经网络与遗传算法调整刀链回转速度和开沟铺管机前进速度的大小，使开沟功率能尽量接近于理论设计功率。
所述数据处理与控制中心5用于信号采集，数据计算，控制算法等，并对行走驱动马达2和深度调节液压缸7发出控制信号。主要包括计算机中央处理单元、A/D转换与数据传输单元(模拟信号与数字信号之间的转换，以及将采集到的数据传输到处理单元)、无线接收模块、控制驱动模块、显示模块和供电电源等。
所述带测速传感器的行走驱动马达3主要用来驱动开沟铺管机行走。行走驱动马达运行的快慢决定整机行走速度的大小，并通过安装在驱动马达转轴上的测速传感器，向数据处理与控制中心5输出行走速度信号。行走驱动马达3采用液压系统驱动，受控于数据处理与控制中心5。
所述带无线传输的转速和扭矩传感器的动力传动轴6主要用于向刀链组合12输送动力，并通过自带无线传输装置向数据处理与控制中心5实时输出转速和扭矩信号。动力传动轴6的输入转速由液压调速装置4调整，受控于数据处理与控制中心5。
所述的激光系统包括激光发射器I和激光接收器2，主要用于按施工要求向开沟铺管机提供开沟坡降参考面和开沟深度的监测。所述激光发射器I作为光源用于向激光接收器2提供设定坡降的参考激光平面。所述激光接收器2用于测量自身相对激光平面(由激光发射器I提供)所在的高低位置，并将高程信号发送至所述数据处理与控制中心5。
所述激光接收器2安装在测量杆8上部。
所述测量杆8采用具有较好刚性、且高度能与开沟深度相匹配的固定杆。
所述倾角传感器10用于测量当前开沟臂11的姿态信息，并将信号发送至所述数据处理与控制中心5。
所述显示模块用于显示高程信息，并通过发光二极管显示过高、适中、过低三种情形，便于直观了解开沟臂作业状态。另外，还用来显示整车前进速度、刀链回转速度以及当前作业功率。
如图2所示的开沟铺管机作业功率自适应控制系统，包括
激光系统90，用于按照施工要求向开沟铺管机提供开沟坡降参考面和开沟深度监测；
数据处理与控制中心5，用于信号采集，数据计算，控制算法及控制决策等。；
神经网络模块，用于建立神经网络模型，在给定开沟深度条件下，检测刀链回转速度和开沟铺管机前进速度与挖掘功率，并不断改变开沟深度、刀链回转速度和开沟铺管机前进速度，检测相应的挖掘功率，综合一定数量的检测数据，利用神经网络算法建立开沟深度、刀链回转速度和开沟铺管机前进速度与挖掘功率关系模型；遗传算法模块，用于运用遗传算法寻优，在开沟深度线性变化条件下，确定以最大程度逼近给定期望挖掘功率的刀链回转速度和开沟铺管机前进速度的匹配值，按开沟铺管机前进速度优先原则取其中一组最优值；按最优匹配值控制刀链回转速度和开沟铺管机前进速度。所述的作业功率自适应控制系统，其特征在于，所述激光系统还用于使用激光发射器作为光源用于向激光接收器提供设定坡降的参考激光平面；所述激光接收器用于测量自身相对激光平面所在的高低位置，并将高程信号发送至所述数据处理与控制中心。所述的作业功率自适应控制系统，其特征在于，还包括倾角传感器，用于测量当前开沟臂的姿态信息；控制驱动模块，用于将控制信息传送给动力传动轴和行走驱动马达；转速和扭矩传感器，用于获取动力传动轴的转速以及扭矩信息；测速传感器，用于获取开沟铺管机前进速度信息；无线接收模块，用于向数据处理与控制中心实时传输动力传动轴的转速以及扭矩信息。所述的作业功率自适应控制系统，其特征在于，神经网络模块还包括网络类型确定和结构选择单元，用于对神经网络进行选择与设计，形成神经网络结构；训练样本单元，用于形成所述神经网络的训练样本集；神经网络训练单元，用于对神经网络进行训练。所述的作业功率自适应控制系统，其特征在于，遗传算法模块还包括染色体单元，用于进行染色体的编码、解码方法的运算；目标函数单元，用于建立目标函数；适应度函数单元，用于进行适应度函数的设计； 算子设计单元，用于进行选择、交叉和变异算子的设计。如图3所示开沟铺管机在开沟作业自适应控制过程中，控制过程大致可以分为以下几个步骤步骤100，根据施工要求确定开沟铺管机的开沟坡降和开沟深度；步骤200，建立神经网络模型，在给定开沟深度条件下，检测刀链回转速度和开沟铺管机前进速度与挖掘功率，并不断改变开沟深度、刀链回转速度和开沟铺管机前进速度， 检测相应的挖掘功率，综合一定数量的检测数据，利用神经网络算法建立开沟深度、刀链回转速度和开沟铺管机前进速度与挖掘功率关系模型；步骤300，运用遗传算法寻优，在开沟深度线性变化条件下，确定以最大程度逼近给定期望挖掘功率的刀链回转速度和开沟铺管机前进速度的匹配值(可得到一组或多组)，按开沟铺管机前进速度优先原则取其中一组最优值；步骤400，按最优匹配值控制刀链回转速度和开沟铺管机前进速度。
基于神经网络与遗传算法流程图如附图4所示。基于神经网络与遗传算法来实现该系统的控制过程分为以下几个步骤1.利用神经网络建立开沟深度、刀链回转速度和开沟铺管机前进速度与挖掘功率关系模型由于开沟深度、刀链回转速度和开沟铺管机前进速度与挖掘功率之间没有明确的计算方法或经验公式，故采用神经网络建立它们之间的关系模型。主要由以下步骤构成1. 1神经网络的选择与设计与其他传统模型相比，BP(前馈型反向传播算法)神经网络是应用最广泛、效果较好的方法，它有更好的持久性和实时预报性。就本系统而言，可以构造如附图5所示的三层 BP神经网络。三层网络结构建立BP神经网络，隐层的传递函数采用正切Sigmoid函数，最后一层神经元采用purelin型函数，整个网络输出可以取任意值。为了避免神经网络训练过拟合，一般有如下的经验规则N/TW ^ 1(1-1)式中N——训练样品数量；Tff——网络中连接权重(包括偏置)的总数。该模型的输入节点有三个刀链回转速度、开沟铺管机前进速度、开沟深度，隐含层4个节点(隐含层节点数目的计算是有经验公式的，具体选择时还需要经过测试得到。这里的四个节点是通过试验计算反馈得到)，输出节点为最优的挖掘功率。1.2产生数据样本集在给定的开沟深度条件下，检测刀链回转速度和开沟铺管机前进速度与挖掘功率，通过不断改变开沟深度、刀链回转速度和开沟铺管机前进速度同时根据检测的挖掘功率来构成神经网络的训练样本。1.3BP神经网络的训练借助Matlab的神经网络工具箱，采用共轭梯度学习算法(对应神经网络工具箱的函数trainscg)；通常训练过程目标误差设为0. 01。BP神经网络预设的训练步数为2000。 对网络的训练和预测过程进行求解，BP神经网络经大量学习样本的训练后，即能构成正确反映输入参数与输出参数的关系模型。Pw = f(v1 v2, V3)(1-2)其中PW为挖掘功率，V1为开沟深度，V2为刀链回转速度，V3为开沟铺管机前进速度。采用Matlab接口软件自动生成dll动态链接库，嵌入VB软件中，构成实时计算模型。2.遗传算法确定全局最优解所在区域建立开沟深度、刀链回转速度和开沟铺管机前进速度与挖掘功率关系模型后，这一步骤是按遗传算法，通过输入给定的期望挖掘功率值，求出在设定的开沟深度条件下刀链回转速度和开沟铺管机前进速度的最优匹配值，以最大程度逼近给定期望挖掘功率。主要由以下步骤构成2. 1染色体的编码、解码方法
首先确定开沟深度、刀链回转速度和开沟铺管机前进速度各分割为多少个子区间 (等分)，假如举例挖沟深度为0. 7 2m，工作速度0. 1 2km/h，刀链回转速度0. 7 7. Om/ s各划分256区间(等分)，则总共划分768个区间，其中开沟深度的256个区间是设定的确定值只参与计算，不参与选择、交叉、变异等优化过程，则假设均勻分割为N个子区间(如例N = 768)。染色体(ChromosomeU = X1X2……xN的长度设定为子区间数N，染色体的每一位Xi(即基因)代表一个子区间，每一个基因Xi的所有取值(即等位基因)为“1”、“0”， 如果染色体的某一位(即基因)取为“1”，表示该子区间参与挖掘功率计算，如果染色体的某一位(即基因)取为“0”，表示该子区间不参与计算挖掘功率。把所有的基因^ci排列在一起的二进制符号串X，就代表一个个体的染色体，如下所示
权利要求
1.一种开沟铺管机作业功率自适应控制方法，其特征在于，包括步骤100，根据施工要求确定开沟铺管机的开沟坡降和开沟深度；步骤200，建立神经网络模型，在给定开沟深度条件下，检测刀链回转速度和开沟铺管机前进速度与挖掘功率，并不断改变开沟深度、刀链回转速度和开沟铺管机前进速度，检测相应的挖掘功率，综合一定数量的检测数据，利用神经网络算法建立开沟深度、刀链回转速度和开沟铺管机前进速度与挖掘功率关系模型；步骤300，运用遗传算法寻优，在开沟深度线性变化条件下，确定以最大程度逼近给定期望挖掘功率的刀链回转速度和开沟铺管机前进速度的匹配值，按开沟铺管机前进速度优先原则取其中一组最优值；步骤400，按最优匹配值控制刀链回转速度和开沟铺管机前进速度。
2.如权利要求I所述的作业功率自适应控制方法，其特征在于，所述步骤100还包括: 步骤110，使用激光发射器作为光源用于向激光接收器提供设定坡降的参考激光平面；所述激光接收器用于测量自身相对激光平面所在的高低位置，并将高程信号发送至所述数据处理与控制中心。
3.如权利要求2所述的作业功率自适应控制方法，其特征在于，所述步骤110还包括 步骤111，获取当前开沟臂的姿态信息；步骤112，将控制信息传送给动力传动轴和行走驱动马达；步骤113，动力传动轴运动关联刀链回转速度与作业功率，获取动力传动轴的转速以及扭矩信息，动力传动轴的输入转速由液压调速装置调整；步骤114，行走驱动马达运动关联开沟铺管机前进速度，获取前进速度信息；步骤115，将动力传动轴的转速以及扭矩信息通过无线传输装置传送至数据处理与控制中心，同时将前进速度信息传送至数据处理与控制中心。
4.如权利要求I所述的作业功率自适应控制方法，其特征在于，所述步骤200还包括 步骤210，对神经网络进行选择与设计，形成神经网络结构；步骤220，形成所述神经网络的训练样本集；步骤230，对神经网络进行训练。
5.如权利要求I所述的作业功率自适应控制方法，其特征在于，步骤300还包括步骤310，进行染色体的编码、解码方法的运算；步骤320，建立目标函数；步骤330，进行适应度函数的设计；步骤340，进行选择、交叉和变异算子的设计。
6.一种开沟铺管机作业功率自适应控制系统，其特征在于，包括激光系统，用于按照施工要求向开沟铺管机提供开沟坡降参考面和开沟深度监测； 数据处理与控制中心，用于信号采集，数据计算，控制算法等，并对驱动马达和深度调节液压缸发出控制信号；神经网络模块，用于建立神经网络模型，在给定开沟深度条件下，检测刀链回转速度和开沟铺管机前进速度与挖掘功率，并不断改变开沟深度、刀链回转速度和开沟铺管机前进速度，检测相应的挖掘功率，综合一定数量的检测数据，利用神经网络算法建立开沟深度、 刀链回转速度和开沟铺管机前进速度与挖掘功率关系模型；遗传算法模块，用于运用遗传算法寻优，在开沟深度线性变化条件下，确定以最大程度逼近给定期望挖掘功率的刀链回转速度和开沟铺管机前进速度的匹配值，按开沟铺管机前进速度优先原则取其中一组最优值；按最优匹配值控制刀链回转速度和开沟铺管机前进速度。
7.如权利要求6所述的作业功率自适应控制系统，其特征在于，所述激光系统还用于使用激光发射器作为光源用于向激光接收器提供设定坡降的参考激光平面；所述激光接收器用于测量自身相对激光平面所在的高低位置，并将高程信号发送至所述数据处理与控制中心。
8.如权利要求6所述的作业功率自适应控制系统，其特征在于，还包括倾角传感器，用于测量当前开沟臂的姿态信息；控制驱动模块，用于将控制信息传送给动力传动轴和行走驱动马达；转速和扭矩传感器，用于获取动力传动轴的转速以及扭矩信息；测速传感器，用于获取开沟铺管机前进速度信息；无线接收模块，用于向数据处理与控制中心实时传输动力传动轴的转速以及扭矩信肩、O
9.如权利要求6所述的作业功率自适应控制系统，其特征在于，神经网络模块还包括 网络类型确定和结构选择单元，用于对神经网络进行选择与设计，形成神经网络结构；训练样本单元，用于形成所述神经网络的训练样本集；神经网络训练单元，用于对神经网络进行训练。
10.如权利要求6所述的作业功率自适应控制系统，其特征在于，遗传算法模块还包括染色体单元，用于进行染色体的编码、解码方法的运算；目标函数单元，用于建立目标函数；适应度函数单元，用于进行适应度函数的设计；算子设计单元，用于进行选择、交叉和变异算子的设计。
11.一种开沟铺管机，其特征在于，包括权利要求6-10所述的系统。
全文摘要
本发明为一种开沟铺管机作业功率自适应控制方法包括一，根据施工要求确定开沟铺管机的开沟坡降和开沟深度；二，建立神经网络模型，在给定开沟深度条件下，检测刀链回转速度和开沟铺管机前进速度与挖掘功率，并不断改变开沟深度、刀链回转速度和开沟铺管机前进速度，检测相应的挖掘功率，综合一定数量的检测数据，利用神经网络算法建立开沟深度、刀链回转速度和开沟铺管机前进速度与挖掘功率关系模型；三，运用遗传算法寻优，在开沟深度线性变化条件下，确定以最大程度逼近给定期望挖掘功率的刀链回转速度和开沟铺管机前进速度的匹配值，按开沟铺管机前进速度优先原则取其中一组最优值；四，按最优匹配值控制刀链回转速度和开沟铺管机前进速度。
文档编号G05B13/04GK102540886SQ201110442098
公开日2012年7月4日 申请日期2011年12月26日 优先权日2011年12月26日
发明者张小超, 王丽丽, 胡小安, 赵化平 申请人:中国农业机械化科学研究院, 北京天顺长城液压科技有限公司