工程机械的履带张力监测方法及系统与流程

1.本发明涉及一种工程机械的履带张力监测方法及系统，更详细地，涉及一种用于在安装有履带的工程机械中监测履带的张力的方法及用于执行该方法的履带张力监测系统。


背景技术：

2.在安装有履带的工程机械中，履带被履带弹簧弹性支撑而在一定范围内伸缩，从而可以缓和行驶过程中的冲击。所述履带弹簧的张力可以通过注入或排出润滑脂来调节。当所述履带无法被维持为适当的张力时，可能致使所述履带和下部行驶体相关部件破损。然而，客户不容易判断要调整所述履带的张力的程度，并且，在现有的履带张力调整装置的情况下，难以将张力维持为期望的适当的水平，而且存在由于价昂且复杂的液压回路致使经济性、生产性下降的问题。


技术实现要素：

3.技术问题
4.本发明的一课题在于，提供一种能够在期望的时间点容易且准确地诊断履带张力的工程机械的履带张力监测方法。
5.技术方案
6.用于达成上述本发明的一课题的示例性的实施例提供一种工程机械的履带张力监测方法，包括：接收为了监测履带张力而指定的重要因子的数据；通过基于所述数据执行机器学习算法来判断履带张力状态；以及显示关于所述履带张力状态的信息。
7.在示例性的实施例中，所述履带张力监测方法还可以包括执行用于监测所述履带张力的驾驶模式。
8.在示例性的实施例中，所述重要因子可以是去除用于所述机器学习算法的学习贡献度较低的驾驶特性因子的数据后残留的因子。
9.在示例性的实施例中，所述重要因子的数据可以包括当前速度下的负载百分比(percent load at current speed)、实际发动机扭矩率(actual engine percent torque)以及液压泵压力中的至少一个。
10.在示例性的实施例中，所述重要因子的数据还可以包括燃料消耗率(fuel rate)，所述重要因子的数据可以是在驱动配置于工程机械的上部体的发动机和液压泵时获取的。
11.在示例性的实施例中，通过执行所述机器学习算法来判断所述履带张力状态的步骤可以包括：通过基于所述数据执行所述机器学习算法来计算用于判断所述履带张力的短期值；以及通过比较已设定的极限值与所述短期值来判断所述履带张力状态。
12.所述履带张力监测方法还可以包括将关于所述履带张力状态的信息通过设置于所述工程机械的远程管理装置提供给服务器。
13.所述履带张力监测方法还可以包括通过收集关于所述履带张力状态的信息来预
测并提供所述履带的相关部件的寿命。
14.所述履带张力监测方法还可以包括基于关于所述履带张力状态的信息来调整所述履带的张力。
15.发明的效果
16.根据示例性的实施例，可以接收对用于监测履带张力的重要因子的数据，并通过基于所述数据执行机器学习算法来判断履带张力状态。对所述重要因子的数据可以包括关于供应至行驶电机的压力、发动机负荷或燃料消耗量变化的数据。基于所述数据，可以利用机器学习算法来诊断下部体的履带张力状态并预测故障时间点。
17.因此，无需作业者直接测量履带张力，并且无需在履带或下部体设置单独的传感器即可在期望的时间点容易且准确地诊断履带张力状态。此外，通过累积计算履带张力状态数据，可以预测下部体相关部件的磨损寿命或故障。
18.需要说明的是，本发明的效果不限于上面提及的效果，而是可以在不脱离本发明的思想和领域的范围内被多样地扩展。
附图说明
19.图1是示出示例性的实施例的履带式工程机械的侧视图。
20.图2是示出图1的a部分的放大图。
21.图3是示出图1的工程机械的行驶系统的框图。
22.图4是示出示例性的实施例的工程机械的履带张力监测系统的框图。
23.图5是示出示例性的实施例的工程机械的履带张力监测方法的顺序图。
24.图6是示出图5的履带张力监测方法中选择重要因子的数据的步骤的顺序图。
25.图7是示出通过图5的履带张力监测方法判断的结果的曲线图。
具体实施方式
26.下面参照附图对本发明的优选实施例进行详细说明。
27.在本发明的各图中，为了本发明的清楚性，结构物的尺寸是比实际放大而图示的。
28.在本发明中，第一、第二等术语可以用于说明多样的构成要素，但这些构成要素不应限定于这些术语。这些术语仅用作区分一构成要素与另一构成要素的目的。
29.本发明中使用的术语仅用于说明特定的实施例，并不意图限定本发明。除非上下文中明确不同地定义，单数的表述包括复数的表述。在本技术中，“包括”或“具有”等术语应被理解为用于指定说明书上记载的特征、数字、步骤、动作、构成要素、部件或这些的组合的存在，而并非预先排除一个或更多其他特征或数字、步骤、动作、构成要素、部件或这些的组合的存在或可附加性。
30.对于本文所公开的本发明的实施例，特定的结构性乃至功能性说明只是以用于说明本发明的实施例的目的所例示的，本发明的实施例可以被实施为多样的形态，而不应解释为限于在本文中说明的实施例。
31.即，本发明可以被施加多样的变更，并且可以具有多种形态，一些特定的实施例将例示于附图，并在本文中作详细说明。但是，这并不意图将本发明限定于特定的公开形态，而是应理解为包括落入本发明的思想和技术范围内的所有变更、均等物乃至替代物。
32.图1是示出示例性的实施例的履带式工程机械的侧视图。图2是示出图1的a部分的放大图。图3是示出图1的工程机械的行驶系统的框图。
33.参照图1至图3，履带式工程机械10的行驶系统可以包括内燃机的发动机100、由发动机100驱动的液压泵110以及由从液压泵110排出的工作油驱动的行驶电机130。
34.在示例性的实施例中，发动机100可以包括柴油发动机，作为诸如挖掘机的工程机械的驱动源。发动机100可以通过动力传递装置连接到液压泵110。因此，来自发动机100的动力可以被传递至液压泵110。虽然示出一个液压泵110，但可以在发动机100连接至少两个液压泵以被驱动。液压泵110可以通过液压管线连接到控制阀120(mcv)。控制阀120可以是在挖掘机中用于执行液压系统的控制的控制装置。控制阀120可以通过液压管路连接到行驶电机130，例如，右侧用行驶液压电机及左侧用行驶液压电机。因此，所述行驶电机可以通过从液压泵110排出的工作油的液压驱动。
35.如图1和图2所示，履带式工程机械10可以包括上部旋回体20和下部行驶体30。上部旋回体20可以包括驾驶室、发动机、动臂、斗杆、铲斗、各种液压缸及配重等。上部旋回体20搭载于下部行驶体30上，并且在与地面平行的平面上旋转以设定作业方向，并通过所述液压缸启动所述动臂、所述斗杆及所述铲斗以执行作业。可以利用所述配重来维持作业中的履带式工程机械10的均衡。下部行驶体30可以支撑上部旋回体20，并利用由所述发动机产生的动力使履带式工程机械10行驶。
36.由发动机100产生的动力被传递至液压泵110，从液压泵110排出的工作油被供给至位于下部行驶体30的后方的行驶电机130以在行驶电机130中产生旋转力，如此产生的旋转力可以被传递至行驶电机130的链轮34。链轮34可以通过使履带36旋转来使履带式工程机械10前进或后退。履带36的一端围绕链轮34，另一端以围绕车辆前方的惰轮35的方式结合，从而可以在顺时针方向上或逆时针方向上无限旋转。此时，上部辊37可以防止履带36因自身的重量而下垂。
37.履带架32可以与上部旋回体20结合，并且执行支撑下部行驶体30的作用。链轮34和惰轮35可以结合于履带架32。此外，履带架32可以形成为围绕下部行驶体30的两侧面以保护惰轮35和履带的张力调节装置40等免受外部的异物的影响。
38.行驶时施加于履带36的外力可以被传递至惰轮35。履带的张力调节装置40可以设置于惰轮35与履带架32之间以吸收施加于惰轮35的所述外力引起的冲击。此外，作用于履带36的张力的水准可以通过注入履带的张力调节装置40的内部的润滑剂的量来调节。因此，作业者可以通过将润滑剂注入履带的张力调节装置40的内部或将履带的张力调节装置40内部的润滑剂排出至外部来调节施加于履带的张力。
39.下面对所述工程机械的履带张力监测系统进行说明。
40.图4是示出示例性的实施例的工程机械的履带张力监测系统的框图。
41.参照图4，工程机械的履带张力监测系统可以包括用于检测用于监测履带张力的重要因子的数据的数据检测装置、用于判断履带张力状态的监测装置300以及用于显示关于所述履带张力状态的信息的显示装置400。此外，所述履带张力监测装置还可以包括远程管理装置500，该远程管理装置500设置于工程机械以将关于所述履带张力状态的信息提供给服务器。
42.所述数据检测装置可以收集所述工程机械的驾驶特性因子的数据。所述数据检测
装置可以包括用于向监测装置300提供所述重要因子的数据的发动机控制装置200(ecu)。此外，所述数据检测装置可以包括设置于所述工程机械的多个传感器210。
43.在示例性的实施例中，所述驾驶特性因子的数据可以包括发动机转速、当前速度下的负载百分比(percent load at current speed)、燃料消耗率(fuel rate)、实际发动机扭矩率(actual engine percent torque)、液压泵110的排出压力、先导泵压力、动臂缸压力、斗杆缸压力等。所述重要因子的数据可以包括所述当前速度下的负载百分比、所述实际发动机扭矩率以及所述液压泵的排出压力中的至少一个。所述重要因子的数据还可以包括所述燃料消耗率。其中，所述负载百分比指当前的发动机扭矩除以对应于当前发动机转速的发动机的容许扭矩(available torque)的百分比值，所述实际发动机扭矩率指当前的发动机扭矩除以发动机可以最大程度地输出的发动机的最大扭矩(maximum torque)的比率。这样的负载百分比和实际发动机扭矩率可以由设置于上部体的发动机控制装置或车辆控制装置计算。液压泵110的排出压力指供应至所述行驶电机的工作油的压力，可以通过设置于与液压泵110的排出口或所述行驶电机连接的工作油管线的压力传感器测量。所述压力传感器可以设置在位于所述上部体的工作油管线。
44.例如，监测装置300可以连接于发动机控制装置200(ecu)以接收所述当前速度下的负载百分比、所述实际发动机扭矩率、所述燃料消耗率等的数据。监测装置300可以连接于用于检测液压泵110的排出压力的压力传感器210以接收所述液压泵的排出压力的数据。
45.监测装置300可以包括数据接收部310、判断部320、输出部330以及存储部340。
46.数据接收部310可以从所述数据检测装置接收所述驾驶特性因子的数据或所述重要因子的数据。
47.判断部320可以通过基于所述数据执行机器学习算法来判断履带张力状态。所述机器学习算法可以包括马哈拉诺比斯田口系统(mahalanobis taguchi system，mts)、神经网络学习法、支持向量机(support vector machine，svm)以及k
‑
最近邻(k
‑
nn)算法中的至少一个。
48.例如，判断部320可以基于所述驾驶特性因子的数据执行马哈拉诺比斯田口系统来获取用于监测所述履带张力的极限值。此外，判断部320可以通过基于所述重要因子的数据执行马哈拉诺比斯田口系统来计算用于监测所述履带张力的短期值，并通过比较所述极限值与所述短期值来判断所述履带张力状态。在这种情况下，所述重要因子的数据可以是在所述驾驶特性因子的数据中去除对决定所述极限马哈拉诺比斯距离值(极限值)贡献度较低的所述驾驶特性因子的所述数据后所剩的数据。因此，所述重要因子的数据可以被判断为对决定所述极限马哈拉诺比斯距离值(极限值)贡献度较高。
49.输出部330可以输出关于所述履带张力状态的信息。例如，关于所述履带张力状态的信息可以包括履带的下垂量、履带弹簧的压力值等。输出部330可以向诸如显示面板的显示装置400输出所述信息，显示装置400可以向用户提供关于所述履带张力状态的信息。
50.在示例性的实施例中，所述输出部330可以将关于所述履带张力状态的信息通过设置于所述工程机械的远程管理装置500提供给服务器。远程管理装置500可以是tms(tele
‑
management system，远程管理系统)模块。在所述服务器中，所述工程机械的所述履带张力状态可以作为客户管理项目被记录管理。
51.存储部340可以存储用于判断所述履带张力的数据。例如，存储部340可以存储用
于诸如所述预测模型的学习、所述机器学习算法的执行等的运算的数据。
52.此外，存储部340可以按不同时间来存储关于所述履带张力状态的信息。判断部320可以利用关于所存储的所述履带张力状态的信息预测所述履带相关部件的寿命，输出部330可以将关于所预测的所述寿命的信息输出至显示装置400。
53.下面对利用图4的工程机械的履带张力监测系统来监测履带张力的方法进行说明。
54.图5是示出示例性的实施例的工程机械的履带张力监测方法的顺序图。图6是示出图5的履带张力监测方法中选择重要因子的数据的步骤的顺序图。图7是示出通过图5的履带张力监测方法判断的结果的曲线图。
55.参照图1至图7，首先，可以执行用于监测履带张力的驾驶模式(s100)，并接收用于监测履带张力的重要因子的数据(s110)。
56.在示例性的实施例中，可以为了监测所述履带张力而执行特定驾驶模式。所述特定驾驶模式指能够更顺畅地执行所述履带张力的监测的工程机械的驱动状态，例如，可以包括对所述工程机械只进行行驶驱动的单独行驶模式。
57.在执行这样的驾驶模式的过程中，可以通过实时接收数据来去除噪声。在所述驾驶模式下，车辆可以在匀速行驶时实时收集数据。
58.例如，对所述重要因子的数据可以包括所述当前速度下的负载百分比、所述实际发动机扭矩率、所述燃料消耗率以及所述液压泵的排出压力。
59.接着，可以通过基于对所述重要因子的数据执行机器学习算法来判断履带张力状态(s120)，并显示关于所述履带张力状态的信息(s130)。
60.例如，所述机器学习算法可以包括马哈拉诺比斯田口系统(mahalanobis taguchi system，mts)、神经网络学习法、支持向量机(support vector machine，svm)以及k
‑
最近邻(k
‑
nn)算法中的至少一个。
61.在示例性的实施例中，可以通过基于所述重要因子的数据执行所述马哈拉诺比斯田口系统来计算用于判断所述履带张力的短期值，并通过比较已设定的极限值与所述短期值来判断所述履带张力状态。
62.如图7所示，经进行所述马哈拉诺比斯田口系统的测试，当短期马哈拉诺比斯距离值大于作为极限马哈拉诺比斯距离值极限值t的1.41时，可以判断为异常md。
63.之后，可以通过根据关于所显示的所述履带张力状态的信息利用张力调节装置40来调节履带的张力。作业者可以通过向张力调节装置40的缸内部注入润滑剂或向其外部排出润滑剂以调整履带弹簧的压力来调节作用于履带36的张力。
64.下面参照图6对选择并学习所述重要因子的数据的方法进行说明。
65.参照图6，可以收集驾驶特性因子的数据(s200)，并利用机器学习来获取极限值(s210)。
66.在示例性的实施例中，可以通过数据检测装置来收集工程机械的驾驶特性因子的数据。例如，所述驾驶特性因子的数据可以包括发动机转速、当前速度下的负载百分比、燃料消耗率、实际发动机扭矩率、液压泵的排出压力、先导泵压力、动臂缸压力、斗杆缸压力等。
67.接着，可以基于所述驾驶特性因子的数据利用机器学习方法来获取用于判断所述
履带张力状态的极限值。在这种情况下，例如，所述极限值可以基于所述驾驶特性因子的所述数据通过所述马哈拉诺比斯田口系统来求得。此外，所述极限值可以是极限马哈拉诺比斯距离值。在这种情况下，履带弹簧的压力传感器220可以利用于所述算法学习。所述履带弹簧的压力传感器220可以为了判断机器学习结果的一致性或预先掌握履带张力与重要因子的关联性，并且可以仅在所述机器学习时设置，而后在实际运用工机械时可以不设置所述履带弹簧的压力传感器220。因此，在实际运用的工程机械的下部体中可能无需设置用于测量履带张力的传感器等电气部件和器具。
68.之后，可以去除所述驾驶特性因子的所述数据中对决定所述极限马哈拉诺比斯距离值贡献度较低的至少一个所述驾驶特性因子的所述数据(s220)。接着，当所计算的所述极限马哈拉诺比斯距离值不再被优化而直接利用时，可以结束学习(s224)。当进一步进行优化时，可以针对删除后所剩的的驾驶特性因子的所述数据利用马哈拉诺比斯田口系统再次获取极限值。
69.当结束学习时，可以如上述通过贡献度的判断来判断为未被删除而残留的驾驶特性因子的数据对决定所述极限马哈拉诺比斯距离值贡献度较高，并分类为所述重要特性因子(s240)。
70.如上所述，可以基于关于供应至行驶电机的压力、发动机负荷或燃料消耗量变化的数据，利用机器学习算法来诊断下部体履带张力状态并预测故障时间点。
71.因此，无需作业者直接测量履带张力即可在期望的时间点容易且准确地诊断履带张力状态。此外，通过累积计算履带张力状态数据，可以预测下部体相关部件的磨损寿命或故障。
72.尽管上面参照本发明的实施例进行了说明，但本领域技术人员将可以理解，在不脱离下面的权利要求书中记载的本发明的思想和领域的范围内可以对本发明进行多样的修改和变更。
73.符号说明
74.10：履带式工程机械，20：上部旋回体，30：下部行驶体，32：履带架，34：链轮，35：惰轮，36：履带，37：上部辊，38：下部辊，40：履带的张力调节装置，100：发动机，110：液压泵，120：控制阀，130：行驶电机，200：发动机控制装置，210：液压泵压力传感器，220：履带弹簧压力传感器，300：监测装置，310：数据接收部，320：判断部，330：输出部，340：存储部，400：显示装置，500：远程管理装置。