基于BP神经网络的装载机作业油耗预测方法研究

刘彦辉，张昭东，蔡祖戈

（1. 江苏徐州工程机械研究院，江苏 徐州 221004；2. 高端工程机械智能制造国家重点实验室，江苏 徐州 221004）

装载机是一种广泛运用于公路、铁路、矿山、港口等场地，具有铲、运、装、卸功能的工程机械，其中铲装作业油耗是评价其整机性能的重要指标之一。随着石油资源的日益短缺及环境法规的日益严格，加之装载机行业的激烈竞争，越来越多的企业开始投入大量精力对装载机的作业油耗进行研究。现阶段主要的油耗测量方法包括直接测量法和间接测量法，其中直接测量法包含：容积法、称重法；间接测量法包含碳平衡法及超声波法［1］。直接测量法需要破坏整机原有油路，对整机影响较大，而且油耗测试的准确度对测量仪器的精度要求较高；间接测量法中碳平衡法主要用于室内测试，而超声波法测试精度相对较低，仪器结构较复杂。

目前，BP神经网络是应用最广泛的神经网络训练算法，也是在模式识别和分类方面发展最早、研究最多、应用最为广泛的一类人工神经网络模型［2］。本文以装载机油耗的主要影响因素为基础，利用BP神经网络建立基于装载机铲装作业的油耗预测模型。

1 装载机油耗影响因素

装载机作业油耗受多方面因素的影响，如作业场地条件，装载机自身性能，驾驶员操作习惯等。其中作业条件包含作业场地的地面条件、物料种类、天气状况等；装载机自身性能包含装载机与发动机及动力传动系统的匹配合理程度，铲斗斗容大小等；驾驶员操作习惯包含驾驶员作业时变速器挡位的选择，加速踏板的操作，铲掘时铲斗的入料姿态，作业循环平均速度等。为了准确了解上述因素对装载机油耗的影响程度，本文基于某公司9t装载机进行整机铲装作业油耗试验，详细分析各因素对油耗的影响。

2 试验数据采集

装载机作业工况复杂，一个作业循环包含：空载前进—铲掘—满载倒退—满载前进—卸料—空载倒退等阶段。装载机作业时需要频繁的加速、减速，而且要完成规定的铲料、卸料动作。本文选择某公司9t装载机为试验车辆，不同驾驶经验的驾驶员3位（驾驶员一，驾驶员二，驾驶员三），不同大小斗容的铲斗2个（4.5m3、5.3m3），物料种类3种（原生土、沙子、铁精粉）。试验场地选择装载机专用物料场，物料装卸采用2个料坑互相装卸代替，作业循环信息如图1所示。

图1 测试工况示意图

试验利用数据采集仪通过CAN总线读取发动机转速及变速箱挡位信息，通过光电速度传感器测量车速及距离信息，通过油耗仪采集作业循环油耗量。作业期间记录作业循环数、作业时间、作业物料的总质量等参数。

3 试验结果

对试验数据进行处理后发现，3位驾驶员在不同铲装阶段对变速箱挡位及加速踏板的操作基本一致，变速箱挡位行驶时均使用二挡，铲掘时均使用前进一挡；加速踏板除在装载机前进、后退换向时稍有变化外，其余时间均处于完全踩下状态。因此不考虑挡位及加速踏板对油耗的影响。由于铲刀入料姿态对比难度较大，且与驾驶员个人相关性较大，在选择驾驶员作为主要油耗影响因素的前提下，铲刀入料姿态对油耗的影响也不予考虑。因此本文选取铲斗斗容、驾驶员类别及物料种类作为对装载机作业油耗的主要影响因素重点分析。图2为铲斗斗容，驾驶员类别及物料种类与油耗的对应关系曲线图。

图2 铲斗斗容、驾驶员类别与油耗关系

由图2可以看出，物料种类相同时，铲斗斗容越大，千吨油耗越低。这是因为，斗容大即铲掘质量大，而油耗增加不明显，因此千吨油耗较低。同时驾驶员类别不同对油耗影响较大，操作优秀的驾驶员千吨油耗明显低于一般驾驶员。由图3可以看出，铲斗斗容及驾驶员类别相同时，装载机铲装铁精粉时的千吨油耗最低，铲装原生土时的千吨油耗最高。这是因为原生土的密度小，因此铲掘相同斗容的物料时，消耗的燃油量相差不大，而密度大的物料质量较大，因此其千吨油耗较低。

图3 驾驶员类别、物料种类与油耗关系

同时为了确保搭建的BP网络模型的可靠性，还需对铲斗斗容、驾驶员类别及物料种类与作业油耗之间进行相关性分析。通过相关分析，结果表明，上述影响因素与油耗的相关系数分别为0.89、0.76、0.81，说明铲斗斗容、驾驶员类别及物料种类是反映装载机油耗的关键因素。

4 BP神经网络模型建立

一般的神经网络模型由输入层，中间层（权重w、阙值u、传递函数f），输出层3个部分组成。BP神经网络结构［3］如图4所示，图中i为输入层神经元，j为隐含层神经元，k为输出层神经元。

图4 BP神经网络结构

其网络预测值y计算公式为［4］

当神经网络获得一种学习模式后，其神经元的激活值将从输入层经各个中间层传播，在输出层的各神经元输出对应于输入模式的网络响应，同时对比网络输出值与实际值的误差，如果神经网络预测值与实际值误差较大，则通过反复修改各层之间的网络权重，直到误差小于某一设定值。随着训练样本的增加，这种学习模式便能很好的反应测试数据的内在关系。

由于装载机油耗预测时驾驶员类别和物料种类两参数不属于数值型变量，因此在建模之前需要对数据进行处理。3个驾驶员分别用1，2，3表示，分别对应驾驶员一、驾驶员二及驾驶员三。物料种类也利用1，2，3表示，分别对应原生土、沙子和铁精粉。为了进一步的方便建模，还需对3个影响参数及实际油耗进行归一化处理。同时为避免归一化后的数据出现0点和1点（S函数的极值点），导致学习速度下降，学习次数增加。因此选择使归一化后数据落入［0.05，0.95］之间，得到归一化方程为［5］

本文选取30组测试数据中前24组作为训练样本，后6组作为测试样本。选择铲斗斗容、驾驶员类别及物料种类作为神经网络训练样本的输入，网络输出为装载机每组铲装循环的千吨油耗。神经网络输入层为3个神经元，隐含层为1个且具有7个神经元，输出层为1个神经元。选取tansig函数作为隐含层激活函数，purelin函数作为输出层激活函数搭建神经网络预测模型。

对训练完成的BP神经网络模型进行测试，并利用10%的数据进行验证，得到神经网络输出值与实际值对比结果如表1所示。

通过对比，神经网络预测值与实际值最大相对误差为2.34%，说明建立的神经网络预测的油耗值与实测值比较吻合，有较好的一致性，可以满足实际工程需要。

表1 BP神经网络预测值与实际值对比

5 总结

本文通过分析装载机作业油耗影响因素，得到对装载机作业油耗影响较大的参数。以某公司9t装载机为油耗试验对象，进行装载机作业油耗试验，通过对试验结果的分析及相关性检验，确定出铲斗斗容、驾驶员类别及物料种类这3个油耗主要影响因素。对影响参数及试验油耗做归一化处理，并将处理后的影响因素数据作为BP神经网络的输入层数据，以装载机实际油耗作为输出层数据建立BP神经网络模型，并利用试验样本进行验证。仿真结果表明，训练好的BP网络对装载机循环作业油耗的预测精度较高。该模型为进一步研究装载机铲装工况与油耗的关系提供基础。

［1］ 付百学等. 汽车油耗检测方法研究［J］. 黑龙江工程学院学报，2010，（6）.

［2］ 杨俊东. 基于BP神经网络的油耗测量方法研究［D］. 吉林：吉林大学，2010.

［3］ 刘金琨. 智能控制［M］. 北京：电子工业出版社，2005.

［4］ Sagir，Abdu Masanawa，Asthasivam，Saratha.Matematika. The use of artificial neural network and multiple linear regressions for stock market forecasting［J］. Jun2017，Vol. 33，p1-p10.，Database：STM Source.

［5］ 孙祖妮. 基于成本动因BP神经网络的铁路物流货运成本预测［D］. 北京：北京交通大学，2012.