大数据关联规则在农用挖掘机上的应用研究

张鹏宇

(河南职业技术学院，郑州 450000 )

0 引言

农用挖掘机是用来进行农田水利基础建设及小型土方作业的挖掘机械。部分农用挖掘机是将挖掘装置安装在拖拉机上，以拖拉机为平台和动力来源，其它的则具备专用动力、行走装置和结构部件，属于专用挖掘机组[1]。农用挖掘机根据行走装置可以分为轮式和履带式，根据铲斗可以分为反斗和正斗。无论哪种类型，铲斗容量、标定功率和整机质量都是3个重要的性能参数。农用挖掘机的灵活性强，适应性好，购买和使用成本较低，成为农业和农村建设不可或缺的机械。

近年来，我国农村发展加速，农业结构调整日益深化，工程作业和设施建设全面开展。同时，农村的人口大量转移，造成了劳动力严重短缺的局面，也推动了农用挖掘机的需求增加。我国的农用挖掘机厂主要集中在天津和河北地区，目前已经形成生产规模的超过50家，每年的销售量达到了30万台。但是，我国缺乏农用挖掘机的行业技术标准，相关的安全使用规范也没有完善，导致各企业生产的农用挖掘机质量和技术水平参差不齐，作业效率和售后保障与工程挖掘机差距较大。农用挖掘机的生产厂家较多，各自的型号差异很大，技术参数的匹配杂乱。另外，由于经济效益有限，企业的技术研发人员和投入都较少，产品发展的后劲不足[2]。因此，加强行业整合，制定和规范相应的技术标准并加大研发投入，是改善农用挖掘机当前所面临困局的有效措施。

工作装置是农用挖掘机性能的重要决定因素，人们对工作装置的研究主要集中在虚拟仿真和力学分析上。樊建荣等对农用挖掘机铲斗的动力学进行联合仿真，得到动力参数曲线，可为优化设计和自动控制提供依据[3]。秦贞沛等建立了工作装置的虚拟样机，增强了建模能力并进行了运动学分析[4]。郑东京等建立了工作装置的三维模型和虚拟样机，通过动力学分析得到了铰接点受力的变化曲线[5]。李浩等在对典型工况分析的基础上建立工作装置的三维模型，并进行静力学的强度和应变分析，有助于无损检测和设计改良[6]。这些研究有助于改善农用挖掘机的结构设计，若要全面提升性能水平，还需要引入各种新型的技术方法。

农用挖掘机的三维建模和虚拟仿真过程中涉及到大量数据信息的处理，常规的分析方法难以实现，利用大数据技术则可以获得良好的效果。大数据是指在一定时间内无法通过普通软件来捕获和管理的数据集合，其特点体现在规模性、多样性和高速性上。大数据的规模非常庞大，能够达到PB甚至EB的级别。大数据的类型多样，包括结构化、半结构化和非结构化的数据形式。高速性是指数据处理速度快，可以实现对庞大数据量的实时分析。

大数据自诞生起便引起了人们的关注，开始仅为商业和金融服务，随后应用范围迅速扩展到地球空间信息学[7]、物流服务[8]、经济发展状况[9]和智能电网[10]等领域。作为一种新型信息技术，大数据不仅促进了社会变革，还推动了科学研究层次的深入，具有极大的发展空间和应用潜力。

大数据的应用价值取决于对数据中所隐含信息规律的挖掘能力，关联规则算法可以从大量信息中找出频繁项集和关联知识，是大数据挖掘的主要方法[11]。关联规则研究的核心在于提高规则挖掘效率的同时，尽可能地减少计算量，并加快算法的运行速度。大数据的关联规则挖掘流程包括原始数据收集、数据分析、模式建立和信息提取，已经应用在电商、医疗、市场营销和金融等领域[12-13]。在具体算法上，张忠林等提出了一种关联规则并行分层挖掘算法，建立的模型证明其具有高效性[14]。周辉宇针对交通拥堵的问题，从大数据角度建立模型，利用时间序列规则挖掘其中的规律，研究结果可以为交通拥堵治理提供参考[15]。

目前，大数据已经开始与农业机械结合，各种农机的应用和服务大数据平台也逐步建成，开启了农业机械发展的新局面。本文将大数据的关联规则算法应用在农用挖掘机上，对工作装置作业过程中各部件应力和运动的关联规则进行挖掘，以便为工作装置的优化设计和挖掘机自动控制提供依据。

1 机械设备和模型

1.1 机械设备

本研究采用的机械设备为XN977-2L型轮式农用挖掘机，整车质量7 000kg，发动机功率51kW。铲斗容量0.3m2，最大挖掘半径6 000mm，挖掘高度5 919mm，挖掘深度3 400mm。挖掘机的工作装置为反铲斗式，各部位的应力通过济南博纳的BN-SM200型应力应变检测系统进行测量。同时，还在工作装置的多个部位安装光学检测标识，用于检测各个部件在作业过程中的位移和变形情况。

1.2 工作装置模型

挖掘机工作装置的主要构件为动臂、斗杆、铲斗、动臂油缸、斗杆油缸和铲斗油缸，还有附属结构摇臂、连杆和销轴等。工作装置的三维模型通过Pro/E软件建立，以实际尺寸为依据，根据分析要求进行旋转和拉伸成为CAD实体模型，如图1所示。为了简化分析过程，将各驱动油缸、摇臂和连杆通过布尔运算合并为一个部件，并且不考虑销轴的摩擦力。

Pro/E软件建立的CAD模型导入ADAMS软件中，设置各部件的质量和属性，然后修改颜色以便区分。各部件之间的铰接点用空心圆表示，共有11个。其中，8个为旋转副，约束部件的5个自由度，另外3个为点线副。应力的测量点包括铲斗齿尖、铲斗底部、动臂油缸铰接点、斗杆油缸铰接点及斗杆与动臂连接销轴等位置，光学检测标识则安装在11个铰接点上。检测系统采集数据信息组成工作装置作业的大数据，并形成应力云图、位移云图和变形云图，用于后续的关联规则挖掘。

图1 挖掘机工作装置的实体模型

2 大数据的关联规则挖掘

关联规则的挖掘是对工作装置运行的大数据进行分析，发现其中的关联并揭示各部件之间的应力、位移和变形规律。首先找出所有的频繁项集(即反复出现的工作装置各部件的应力、位移和变形数据)，其出现的频率大于预设的最小支持度计数；然后寻找应力、位移和变形数据在相同部件上或不同部件之间的强关联规则，这些规则必须同时达到最小支持度和置信度的要求。寻找强关联规则是通过划分方法来实现的，即对工作装置的大数据进行两次扫描：第1次扫描把大数据划分为多个相互之间没有重叠的部分，各部分的最小支持度计数为大数据的阈值与该部分事件数的乘积；第2次扫描则估算各个关联规则的支持度，获得大数据频繁项集之间的关联。

根据农用挖掘机大数据的产生方式和结构特点，采用并行分层算法进行关联规则的挖掘。在预处理阶段，将整个大数据按照部件和参数类型分割成24个相互之间不重叠的区域，各区域的数据规模大致相当。区域之间没有重叠，可以保证所有事件数据的重要性相同，被挖掘的概率一样。因此，重复挖掘出现的频率很低，提高了挖掘的效率和可靠性。作为工作装置整体的一部分，各个部件的数据集合，以及应力、位移和变形的数据集合之间都存在紧密的联系，表现为大数据分区中的并行部分，也是关联规则出现频率最高的区域。经过预处理，再并行挖掘各区域的频繁项集，以局部频繁项集作为候选项集，评估支持度和置信度，从而确定全局的频繁项集，流程如图2所示。每个区域都可以作为一个局部的大数据库，并能进一步分为更小的区域，体现出分层挖掘的特性。

图2 并行分层挖掘算法的流程

3 仿真分析

挖掘机工作装置的仿真采用ADAMS软件，静力学仿真用于分析应力和变形。采集不同状态下动臂、斗杆和铲斗的位置信息，以及关键部位的应力大小，部分受力数值通过计算获得，同时考虑重力加速度和边界条件。

动力学仿真主要分析工作装置的位移和所受的外力，形成不同作业环节中的大数据。挖掘过程中所受的土壤推力和摩擦阻力忽略不计，工作装置的受力主要集中在铲斗上，并依次向斗杆和动臂传递。外力的类型包括切向挖掘阻力、法向挖掘阻力和物料的重力：挖掘阻力为铲斗齿尖中心处所受的集中力，法向挖掘阻力的方向与齿尖运动轨迹垂直。ADAMS软件用STEP阶跃函数来模拟挖掘阻力的变化过程，在挖掘的初期逐渐上升到最大值，然后迅速减小。在挖掘阻力变化的同时，物料重力从零逐渐增加到最大值。物料重力的方向始终竖直向下，可以模拟为单个质点作用在铲斗的中心，产生的数据较为简单。

4 结果分析

以对土壤的作业为例，通过应力、位移和变形的大数据挖掘发现，正常工作时工作装置的斗杆油缸销轴、斗杆和动臂连接处的应力最大。此外，动臂油缸的销轴和斗杆的内侧部分也有较大的应力。铲斗底部在水平方向上具有最大的位移和变形，在沿着斗杆向动臂传递的过程中逐渐较弱。当斗杆油缸的两个绞接点与斗杆动臂绞接点共同组成直角三角形时，挖掘的阻力值最大。动臂车架和动臂油缸两个绞接点的受力变化规律相似，而斗杆动臂和斗杆油缸两个绞接点的受力变化则没有出现一致的规律。

5 结论

以XN977-2L型轮式农用挖掘机为平台，利用Pro/E软件建立工作装置的CAD模型并导入ADAMS软件中，采集应力、位移和变形的大数据。通过并行分层算法进行大数据的关联规则挖掘，并且应用到ADAMS软件的仿真分析上。最后，根据挖掘工作装置在实际作业中的大数据信息，获得了各部件的应力、位移和变形的关联规则，可以为工作装置的优化设计和农用挖掘机自动控制提供依据。