一种大吨位装载机自适应智能装载系统

1.本发明涉及装载机智能装载技术领域，具体为一种大吨位装载机自适应智能装载系统。


背景技术：

2.随着智能化技术的发展，智能技术在机械领域中得到了广泛的应用并且取得了高速的发展；帮助诸多企业完成从产品研发、制造到后期运维的全生命周期管理。大吨位装载机是矿山开采中使用的吨位在10吨级以上的大型装载机设备，在我国的矿山开采系统中起着关键的作用，它具有机动性好，操作轻便等优点。复杂多变的作业环境和装载机庞大的自身结构在最小能耗下的运行参数设计和性能评估成为棘手问题；结合我国大吨位装载机的技术现状，目前对各生产要素的模拟、监测、分析等技术不是很完善，影响装载机性能的学科和参数众多，传统的分析和优化方法通常无法实现大吨位装载机自适应智能装载作业。运用提出的视觉分析与历史数据联合驱动技术可以实时规划出装载机的作业轨迹，该方法可以有效降低其系统工作能耗，同时对装载机的性能优化和故障检测具有重要意义。


技术实现要素：

3.本发明要解决的技术问题是克服现有的缺陷，提供一种大吨位装载机自适应智能装载系统，实现对大吨位装载机的作业地形地貌进行识别和装载轨迹规划，可以有效解决背景技术中的问题。
4.为实现上述目的，本发明提供如下技术方案：一种大吨位装载机自适应智能装载系统，包括视觉识别系统、数据采样与解码系统、数据融合系统、优化计算系统和存储系统，所述视觉识别系统利用激光雷达和3d扫描仪对装载机的作业环境进行快速识别，获取地形地貌数据，所述数据采样与解码系统是利用不同类型的传感器来获取多源异构数据，以太网将采集的数据传输到计算机进行解码并对其进行清洗和简化处理，所述数据融合系统是基于长短记忆网络等机器学习算法前次装载轨迹的结果和历史数据进行数据扩容，实现不同工况下数据的融合，所述优化计算系统是对当前融合后的工况进行最优装载轨迹规划，获得最佳的装载轨迹，所述存储系统是将当前装载轨迹数据和历史作业数据进行存储。
5.进一步的，所述觉识别系统主要是利用了基于双目视觉的3d视觉检测技术和激光雷达扫描，是一种通过机器学习模型结合摄影几何的约束拟合3d空间中的数据分布，双目视觉会构建出来额外得视觉信息，构建出场景信息，获得场景信息与数据信息之间的映射关系。
6.进一步的，所述数据采样与解码系统是将传感器采集到的数据通过蓝牙、 wifi通讯技术传输至服务器，然后采用机器学习相关智能算法进行滤波有效处理，最大程度上减小数据传递的误差。
7.进一步的，所述数据融合系统充分考虑周围环境、矿岩参数以及装载机历史作业数据，使装载机能够辨识当前所处环境的装载条件，装载机控制系统通过分析历史作业数
据，在先进的群智能算法作用下，快速规划出当前的装载轨迹，同时将该数据进行存储，为后续的预测和规划提供数据基础。
8.进一步的，所述优化计算系统包括长短记忆神经网络、先进的群智能优化算法，针对装载机复杂的作业环境，建立虑及系统应力、振动频率、可靠性以及系统能耗的装载机装载轨迹列式，通过运用先前群智能优化算法，获得装载机自适应装载轨迹。
9.进一步的，所述存储系统为后续的诸多工况自适应装载轨迹规划研究提供数据基础。
10.与现有技术相比，本发明的有益效果是：
11.本发明不仅能够实现装载机装载轨迹的自适应控制，还能够保证装载机在装载过程中各零部件的应力均在许应应力范围以内，通过针对大吨位装载机进行自适应控制，可以使装载机在最佳性能下进行装载作业，有效提高了装载机的使用寿命，对装载机在全生命周期范围内进行运维管理具有重要意义。
附图说明
12.图1为本发明复杂工况下多源异构数据获取方法流程图；
13.图2为本发明装载轨迹快速规划过程示意图；
14.图3为本发明装载机自适应装载控制示意图。
具体实施方式
15.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
16.实施例一
17.请参阅图1-3，本发明提供一种技术方案：一种大吨位装载机自适应智能装载系统，包括视觉识别系统、数据采样与解码系统、数据融合系统、优化计算系统和存储系统，视觉识别系统利用激光雷达和3d扫描仪对装载机的作业环境进行快速识别，获取地形地貌数据，觉识别系统主要是利用了基于双目视觉的3d视觉检测技术和激光雷达扫描，是一种通过机器学习模型结合摄影几何的约束拟合3d空间中的数据分布，双目视觉会构建出来额外得视觉信息，构建出场景信息，获得场景信息与数据信息之间的映射关系，数据采样与解码系统是利用不同类型的传感器来获取多源异构数据，以太网将采集的数据传输到计算机进行解码并对其进行清洗和简化处理，数据采样与解码系统是将传感器采集到的数据通过蓝牙、wifi通讯技术传输至服务器，然后采用机器学习相关智能算法进行滤波有效处理，最大程度上减小数据传递的误差，数据融合系统是基于长短记忆网络等机器学习算法前次装载轨迹的结果和历史数据进行数据扩容，实现不同工况下数据的融合，数据融合系统充分考虑周围环境、矿岩参数以及装载机历史作业数据，使装载机能够辨识当前所处环境的装载条件，装载机控制系统通过分析历史作业数据，在先进的群智能算法作用下，快速规划出当前的装载轨迹，同时将该数据进行存储，为后续的预测和规划提供数据基础，优化计算系统是对当前融合后的工况进行最优装载轨迹规划，获得最佳的装载轨迹，优化计算系统包括
长短记忆神经网络、先进的群智能优化算法，针对装载机复杂的作业环境，建立虑及系统应力、振动频率、可靠性以及系统能耗的装载机装载轨迹列式，通过运用先前群智能优化算法，获得装载机自适应装载轨迹，存储系统是将当前装载轨迹数据和历史作业数据进行存储，存储系统为后续的诸多工况自适应装载轨迹规划研究提供数据基础。
18.复杂工况下多源异构数据获取方法：在复杂多变的多层次体系作业环境中，矿岩三维形貌的识别主要依靠激光雷达获得的相对点云信息和惯导-rtk 获得的绝对位姿信息。基于多传感器对不同尺度特征和不同区域形貌畸变的矿岩进行探测，建立单轴和多轴复合振动环境下的多传感技术的误差传递模型。为获得精确的rtk位置和姿态信息，将带有标记的数据发至惯导，精确计算出位姿变换矩阵。从获取的2d点云数据流中提取最佳的匹配参数，根据激光雷达的位姿信息，利用h∞鲁棒滤波方法和数据融合算法解算出高精度的三维形貌点云数据，构造点云特征球空间。
19.由于装载机尺寸较大，需要借助多个激光雷达协同工作才能获取足够的信息。基于多层次体系可靠分割技术，将雷达扫描的区域进行分割，并将多视图的数据进行叠加融合，研究点云数据量和离散精度的映射关系，实现小样本数据与高精度环境的快速重构。随着雷达扫描范围的继续扩大，获取的点云数据急速增加，基于多视角点云数据的叠加融合机理，将不同地质工况数据的有效归类，建立不同尺度类型矿岩的快速重构模型，采用高精度插值算法，对全局地形地貌和局部几何形状数据进行插值处理，实现装载机的时
‑ꢀ
空变尺度的精确感知。
20.装载轨迹快速规划过程：装载机在复杂作业环境下要兼顾高效、平稳和低耗节能要求，同时面临矿岩形貌、挖掘阻力、随机振动等不确定因素的影响。针对装载机载荷、外界环境参数、挖掘阻力参数等具有较大变异范围的多源不确定性，基于凸集模型和“未知但有界”不确定性建模理论，构建最小体积包络凸集模型的半定规划列式。在此基础上，研究虑及不确定性因素混合代理模型的建模方法，将单一低精度代理模型组合为多元高精度的代理模型，实现不同维度、不同非线性关系代理模型的融合。
21.基于凸模型和区间模型理论，利用内层数学规划的最优解必要条件，研究不确定优化的原始双层嵌套优化模型的求解方法。针对三维形貌信息及装载机姿态特征信息，建立虑及矿岩形貌、挖掘阻力、随机振动等不确定因素的系统级的挖掘轨迹优化列式。研究装载效率、平稳性、稳定性、节能性等强约束对可行区间的限制作用，将双层嵌套的不确定性轨迹规划问题转变为单层的高维非线性问题，利用先进的群智能优化算法进行快速求解，获得强约束下装载机的最优装载轨迹。
22.装载机自适应装载控制：结合大吨位装载机综合性能和服役工况的特点，基于装载机在复杂工况下历史累计的作业数据，构建深度学习下装载机铲斗作业的孪生模型，研究物理数据与孪生数据的映射驱动关系，探索从实测数据到孪生模型的框架机制，突破基于实测数据与虚拟模型的设置方法。在此基础上，研究基于动力学规划模型与数字孪生模型的融合机制，获得动力学模型和数字孪生模型联合驱动的轨迹规划方案。
23.基于深度学习和动力学模型联合驱动的智能轨迹规划方案，利用无监督学习算法对多源异构数据进行关键特征提取与降维处理，研究矿岩形貌数据与运行数据之间的相互影响机理，关联装载机的动力学模型，并对深度学习模型的参数进行设置，利用先进的深度学习算法对其进行求解，形成具有不断学习能力的轨迹规划模型，实现深度学习下的自适
应调整装载轨迹的实时调整和更新。
24.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。