一种矿用电动轮自卸车牵引系统自适应控制方法与流程

本发明涉及矿用电动轮自卸车牵引控制领域,尤其涉及一种矿用电动轮自卸车牵引系统自适应控制方法。

背景技术：

1、矿用电动轮自卸车是大型露天矿山开采和大规模土方建设中的关键运输设备。作业特点是承载重,弯道多,频繁上、下坡(下坡路面占总路面的20%-30%),车辆需要在启动加速和减速制动之间不断的切换行驶。在这个过程中,需要精确制动距离和大牵引功率在不同矿场环境的输出，以确保不同矿场环境需求的稳定和可靠。

2、现有的不同矿场环境矿用电动轮自卸车的状态自适应控制方法仅仅是通过对矿用电动轮自卸车的牵引功率、制动距离参数进行自适应控制，来判断大型不同矿场环境矿用电动轮自卸车的状态；由于不同类型的不同矿场环境电机扭矩变化所引发的牵引功率或制动距离波动可能存在相似情况，因此无法快速的确定矿用电动轮自卸车的电机扭矩变化类型，以及对矿用电动轮自卸车制动的有效自适应控制，最终可能导致危险等紧急情况的发生，因此，亟需一种矿用电动轮自卸车牵引系统自适应控制方法。

技术实现思路

1、为解决上述技术问题，本发明提供一种利用多种牵引参数和超图神经网络技术，实现了对大型不同矿场环境矿用电动轮自卸车状态的自适应控制和电机扭矩变化调整，保证了矿场安全以及对矿用电动轮自卸车牵引系统实时准确监控的大型不同矿场环境矿用电动轮自卸车的状态自适应控制方法。

2、初始方面，本发明提供了一种矿用电动轮自卸车牵引系统自适应控制方法，所述方法包括：

3、集成矿用电动轮自卸车的不同路况制动数据，所述不同路况制动数据包括不同的矿用电动轮自卸车不同路况电机扭矩变化类型以及电机扭矩变化发生前预设时间内的矿用电动轮自卸车不同路况牵引参数；

4、所述矿用电动轮自卸车不同路况牵引参数包括矿用电动轮自卸车在运行过程中的牵引功率、制动距离、牵引速度、制动反应时间、牵引重量、制动方式和制动温度；

5、其中，所述牵引功率和制动距离实时集成，所述牵引速度、制动反应时间、牵引重量、制动方式和制动温度按预设车辆负载集成；

6、根据牵引参数检测特性，对矿用电动轮自卸车不同路况牵引参数进行分类，获得单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果，所述单位时间不同矿场环境牵引参数指标包括牵引功率和制动距离，所述牵引参数指标聚类结果包括牵引速度、制动反应时间、牵引重量、制动方式和制动温度；

7、将单位时间不同矿场环境牵引参数指标、牵引参数指标聚类结果和对应的矿用电动轮自卸车不同路况电机扭矩变化类型上传至超图神经网络算法，建立自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法；

8、其中，所述自然环境状况牵引效率监控算法的输入为单位时间不同矿场环境牵引参数指标，输出为非自然环境状况牵引效率监控算法的监控矩阵；所述非自然环境状况牵引效率监控算法的输入为牵引参数指标聚类结果和确定的监控矩阵，输出为矿用电动轮自卸车的电机扭矩变化类型；

9、在实际应用中，实时集成矿用电动轮自卸车的单位时间不同矿场环境牵引参数指标，并输入至自然环境状况牵引效率监控算法中，获得非自然环境状况牵引效率监控算法的监控矩阵；

10、将非自然环境状况牵引效率监控算法的监控矩阵与预设矩阵维度进行对比：

11、在监控矩阵维度低于预设矩阵维度时，则无需集成牵引参数指标聚类结果，并继续保持对单位时间不同矿场环境牵引参数指标的集成与分析；

12、在监控矩阵维度等于或高于预设矩阵维度时，则集成牵引参数指标聚类结果，并将牵引参数指标聚类结果与监控矩阵输入至非自然环境状况牵引效率监控算法中，获得矿用电动轮自卸车的电机扭矩变化类型。

13、进一步地，所述非自然环境状况牵引效率监控算法利用超图神经网络模型进行训练，表达式为：其中，表示牵引速度对电机扭矩变化类型判断的误差系数，为超图卷积核，为卷积核参数，表示制动反应时间对电机扭矩变化类型判断的误差系数，为超图卷积操作运算符，表示牵引重量对电机扭矩变化类型判断的误差系数，为超图信号，为特征向量矩阵，表示制动方式对电机扭矩变化类型判断的误差系数，为矩阵的hadamard乘积，表示制动温度对电机扭矩变化类型判断的误差系数，t表示矩阵的转置运算。

14、进一步地，所述自然环境状况牵引效率监控算法的建立步骤为：

15、根据不同路况制动数据，整理矿用电动轮自卸车的不同路况牵引参数和对应的电机扭矩变化类型数据；

16、对单位时间不同矿场环境牵引参数指标进行处理和提取特征，将原始数据转化为实用的特征，供超图神经网络算法使用；

17、利用超图神经网络算法，根据准备好的卷积数据，使用选定的算法进行模型卷积，并对模型进行参数调整；

18、在卷积完成后，提取模型的相关参数作为自然环境状况牵引效率监控算法的输出。

19、进一步地，所述非自然环境状况牵引效率监控算法的建立步骤为：

20、根据不同路况制动数据，整理矿用电动轮自卸车的牵引参数指标聚类结果和对应的电机扭矩变化类型数据；

21、利用超图神经网络模型进行训练，将牵引参数指标聚类结果作为自变量，电机扭矩变化类型参数作为因变量，降低数据维度，并对模型进行卷积；

22、卷积完成后，通过非自然环境状况牵引效率监控算法来预测矿用电动轮自卸车的电机扭矩变化类型参数；非自然环境状况牵引效率监控算法的表达式为：其中，表示矿用电动轮自卸车的电机扭矩变化类型参数，表示噪声矩阵，，，分别为项目嵌入矩阵通过变换得到的可学习的矩阵，对应于query、key和value，为多头自注意力输出位置的可学习矩阵，ln（layernorm）为层归一化，output()为非自然环境状况牵引效率，表示自注意力机制，、、、、分别表示牵引速度、制动反应时间、牵引重量、制动方式、制动温度。

23、对不同路况制动数据进行超图神经网络，计算电机扭矩变化类型参数与实际电机扭矩变化类型之间的皮尔逊相关系数。

24、进一步地，所述牵引参数指标聚类结果的数据采集方法，包括：

25、利用光学式速度传感器监测并采集矿用电动轮自卸车的牵引速度情况；基于红外热像仪监控并采集矿用电动轮自卸车的制动反应时间；对矿用电动轮自卸车的制动温度进行监控与采集，分析温度变化的峰值和波动区间；利用牵引力测试仪监控并采集矿用电动轮自卸车产生的牵引重量信号；采用车机交互系统转换矿用电动轮自卸车周围的制动方式，并统计不同制动方式的效果。

26、进一步地，所述预设矩阵维度的预设影响原因包括天气环境、路面坡度、牵引负载区间、路面平整度和负载种类。

27、另一方面，本技术还提供了一种矿用电动轮自卸车牵引系统自适应控制方法的操控界面，包括：信息库集成界面，用于集成矿用电动轮自卸车的不同路况制动数据，所述不同路况制动数据包括不同的矿用电动轮自卸车不同路况电机扭矩变化类型以及电机扭矩变化发生前预设时间内的矿用电动轮自卸车不同路况牵引参数；

28、其中，所述矿用电动轮自卸车不同路况牵引参数包括矿用电动轮自卸车在运行过程中的牵引功率、制动距离、牵引速度、制动反应时间、牵引重量、制动方式和制动温度；所述牵引功率和制动距离实时集成，所述牵引速度、制动反应时间、牵引重量、制动方式和制动温度按预设车辆负载集成；

29、指标聚类界面，用于接收不同路况电机扭矩变化类型和不同路况牵引参数，基于牵引参数检测特性，对矿用电动轮自卸车不同路况牵引参数进行分类，获得单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果；所述单位时间不同矿场环境牵引参数指标包括牵引功率和制动距离，所述牵引参数指标聚类结果包括牵引速度、制动反应时间、牵引重量、制动方式和制动温度；

30、超图神经网络算法界面，用于接收单位时间不同矿场环境牵引参数指标和牵引参数指标聚类结果并上传至超图神经网络算法，建立自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法；

31、其中，所述自然环境状况牵引效率监控算法的输入为单位时间不同矿场环境牵引参数指标，输出为非自然环境状况牵引效率监控算法的监控矩阵；所述非自然环境状况牵引效率监控算法的输入为牵引参数指标聚类结果和确定的监控矩阵，输出为矿用电动轮自卸车的电机扭矩变化类型；

32、监控矩阵界面，用于接收自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法；实时集成单位时间不同矿场环境牵引参数指标，并输入至自然环境状况牵引效率监控算法中，获得非自然环境状况牵引效率监控算法的监控矩阵；

33、电机扭矩变化分析界面，用于接收非自然环境状况牵引效率监控算法的监控矩阵，将非自然环境状况牵引效率监控算法的监控矩阵与预设矩阵维度进行对比：

34、在监控矩阵维度低于预设矩阵维度时，则无需集成牵引参数指标聚类结果，并继续保持对单位时间不同矿场环境牵引参数指标的集成与分析；

35、在监控矩阵维度等于或高于预设矩阵维度时，则集成牵引参数指标聚类结果，并将牵引参数指标聚类结果与监控矩阵输入至非自然环境状况牵引效率监控算法中，获得矿用电动轮自卸车的电机扭矩变化类型。

36、有益效果：

37、本发明提出一种矿用电动轮自卸车牵引系统自适应控制方法，该方法通过集成这些数据，能够全面地了解矿用电动轮自卸车的运行状态；该方法利用超图神经网络算法建立自然环境状况牵引效率监控算法和非自然环境状况牵引效率监控算法，通过卷积和模型训练不同路况制动数据以及对应的电机扭矩变化类型，模型能够识别和分类不同的矿用电动轮自卸车电机扭矩变化类型；根据监控矩阵与预设矩阵维度的比较，可以确定是否需要集成牵引参数指标聚类结果，能够及时发现矿用电动轮自卸车的电机扭矩变化类型，并及时进行扭矩变换；通过综合多种牵引参数和超图神经网络算法的应用，能够提高对矿用电动轮自卸车电机扭矩变化的调整准确性，不仅能够判断电机扭矩变化类型，还能够根据不同路况数据进行电机扭矩变化预测和趋势分析，有助于提前采取维修措施，避免供电中断和事故发生，能够及时发现和解决矿用电动轮自卸车的问题，减少电机扭矩变化带来的故障和事故突发情况，同时，对矿用电动轮自卸车的自适应控制能够有针对性地进行，提高车辆安全和人员操控的便携性；综上所述，本方法利用多种牵引参数和超图神经网络技术，实现了对大型不同矿场环境矿用电动轮自卸车状态的自适应控制和电机扭矩变化调整，保证了矿场安全以及对矿用电动轮自卸车牵引系统实时准确监控。