本發(fā)明涉及挖掘機的控制技術(shù)，特別是一種智能挖掘機的最優(yōu)軌跡規(guī)劃方法。

背景技術(shù)：

操作諸如大型礦用挖掘機的大型機器較為復雜，并且不同操作人員的操作技術(shù)與操作習慣具有差異而導致操作不能達到統(tǒng)一標準化，所以人工操作大型礦用挖掘機效率低且不穩(wěn)定。

另外，目前對料堆的確定普遍是將掃描后的料堆擬合成一個固定堆積角的斜面，并沒有考慮到料堆不同位置的起伏與其復雜性，這就可能導致包括挖掘不能滿斗、挖掘阻力過大、挖掘能耗過高和對鏟斗及斗齒磨損過快等情況的發(fā)生。

另外，挖掘載荷預測方面一直以來都缺少一個相對完善的數(shù)學解析式。由于物料的復雜性，不同的工況的物料參數(shù)(如內(nèi)摩擦角、外摩擦角、粘度、物料破壞面與表面夾角等)有著較大的差異并且難以測量，這對預測的準確性造成了很大的影響。

技術(shù)實現(xiàn)要素：

為解決現(xiàn)有技術(shù)存在的上述問題，本發(fā)明要設計一種無需人員操作、能確定當前工況下最優(yōu)挖掘軌跡并且能根據(jù)實際挖掘過程不斷改善載荷預測算法的智能挖掘機的自動控制系統(tǒng)及最優(yōu)軌跡規(guī)劃方法。

為了實現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：智能挖掘機的自動控制系統(tǒng)，包括數(shù)據(jù)采集與執(zhí)行模塊、網(wǎng)絡、處理器和存儲裝置，所述的數(shù)據(jù)采集模塊、網(wǎng)絡、處理器和存儲裝置通過數(shù)據(jù)線雙向串聯(lián)；所述的數(shù)據(jù)采集與執(zhí)行模塊安裝在挖掘機上，所述的處理器和存儲裝置設置在挖掘機外的控制室內(nèi)；

所述的數(shù)據(jù)采集與執(zhí)行模塊包括3D掃描儀、功率傳感器、接近傳感器、位移傳感器、角度傳感器、扭矩傳感器、信息裝置、控制器、處理器、存儲裝置和無線收發(fā)器，所述的3D掃描儀、功率傳感器、接近傳感器和位移傳感器分別與信息裝置連接，所述的信息裝置分別與控制器和無線收發(fā)器連接，所述的無線收發(fā)器與網(wǎng)絡連接；

所述的3D掃描儀用于確定待挖掘物料表面的輪廓，形成待挖掘的物料表面輪廓數(shù)據(jù)；

功率傳感器用于測量各工作電機在挖掘過程中的所消耗的功和功率；

接近傳感器用于獲得鏟斗及挖掘機機架的相對位置；

位移傳感器和角度傳感器分別用于測量斗桿的伸縮位移及其轉(zhuǎn)角，從而確定出鏟斗的空間坐標；

扭矩傳感器用于測量個工作電機挖掘過程中輸出的扭矩；

所述的處理器處理接收到的信息，并根據(jù)所接收到的信息對挖掘軌跡及載荷預測模型進行優(yōu)化，并將優(yōu)化后的挖掘程序通過網(wǎng)絡發(fā)送到信息裝置中，將新建的載荷預測模型信息存儲在存儲裝置中。

進一步地，所述的網(wǎng)絡包括無連接網(wǎng)絡、虛擬網(wǎng)絡、無線電路網(wǎng)絡、電話網(wǎng)絡、PTOS網(wǎng)絡、專用網(wǎng)絡、非PTOS網(wǎng)絡、PSTN網(wǎng)絡、非PSTN網(wǎng)絡、電纜網(wǎng)絡、人造衛(wèi)星網(wǎng)絡、微波網(wǎng)絡、雙絞線網(wǎng)絡、IEEEE 802.03網(wǎng)絡、以太網(wǎng)絡、蜂窩式網(wǎng)絡、令牌環(huán)網(wǎng)絡、局域網(wǎng)絡、廣域網(wǎng)絡、DSL網(wǎng)絡、IP網(wǎng)絡、因特網(wǎng)、內(nèi)聯(lián)網(wǎng)、無線網(wǎng)絡、超寬帶網(wǎng)絡、公共網(wǎng)絡、Wi-Fi網(wǎng)絡、藍牙網(wǎng)絡、機場網(wǎng)絡、電路交換網(wǎng)絡、分組交換網(wǎng)絡、IEEE 802.11網(wǎng)絡、IEEE 802.11b網(wǎng)絡、IEEE802.11g網(wǎng)絡、X-10網(wǎng)絡或電源網(wǎng)絡。

智能挖掘機的最優(yōu)軌跡規(guī)劃方法，包括以下步驟：

A、啟動智能挖掘機上的數(shù)據(jù)采集與執(zhí)行模塊；

B、數(shù)據(jù)采集與執(zhí)行模塊接收處理器發(fā)送來的挖掘計劃，挖掘計劃包括挖掘料堆位置和需要挖掘的物料體積；

C、3D掃描儀開始掃描料堆，讀取采掘坐標、采掘地形、采掘表面的數(shù)字圖像；

D、根據(jù)由智能挖掘機所接受的挖掘計劃重新定位挖掘機；并通過處理器將采集的3D輪廓數(shù)據(jù)點進行細分，在鏟斗挖掘?qū)挾确秶鷥?nèi)等分成多個數(shù)組，將多個數(shù)組形成多個料堆經(jīng)度的輪廓線，自動處理計算得到多個挖掘軌跡，并使其滿足鏟斗滿斗率約束、斗桿最大伸長量約束、出料高度約束、最大挖掘高度約束和無啃底約束，確定出該工況下的最優(yōu)挖掘軌跡。處理器將最優(yōu)挖掘軌跡編譯成挖掘程序，并發(fā)送給信息裝置；

E、信息裝置獲取接近傳感器、位移傳感器和角度傳感器的信息，并與所接收到的挖掘程序進行對比，從而判斷當前鏟斗是否在適當?shù)奈恢?，若不在適當位置，則轉(zhuǎn)到步驟F；若在適當位置，則轉(zhuǎn)到步驟G；

F、控制器使鏟斗調(diào)整到合適的位置；

G、控制器執(zhí)行挖掘機的例行挖據(jù)程序；

H、在挖掘機的實際挖掘過程中，功率傳感器、接近傳感器和位移傳感器將實際挖掘過程中所得到的信息反饋給處理器；

I、重新改進挖掘的載荷預測與優(yōu)化方法；比較執(zhí)行最優(yōu)挖掘程序的結(jié)果和實際挖掘的結(jié)果；如果最優(yōu)挖掘程序的結(jié)果與實際挖掘的結(jié)果相差較大，則修正所存儲的載荷預測方法，并通過優(yōu)化的方法重新對料堆的物理參數(shù)進行標定。

J、處理器根據(jù)扭矩傳感器得到的平衡位置時的扭矩計算出已挖掘的物料質(zhì)量，根據(jù)物料容重得到已挖掘物料體積，從而判斷是否完成挖掘計劃。若沒有完成，轉(zhuǎn)步驟C。若已完成，則結(jié)束此次挖掘并等待接收新的挖掘計劃。

進一步地，步驟D所述的最優(yōu)挖掘軌跡的確定方法包括以下步驟：

D1、由3D掃描儀得到物料堆所有對應節(jié)點的坐標p的矩陣如下：

p_mn＝p_mn(x,y)

式中，i為掃描矩陣的最大行數(shù)，j為掃描矩陣的最大列數(shù)，m,n分別為矩陣的行和列范圍內(nèi)的任意數(shù)值，x,y為該點所對應的二維坐標；

D2、處理器通過改變預計控制參數(shù)得到預計挖掘軌跡s對應的坐標矩陣；

[s₁ s₂ … s_j]

s_n＝s_n(x,y)

D3、根據(jù)以上兩個矩陣得到不同料堆掃描經(jīng)度剖面位置處鏟斗挖掘的陰影面積：

D4、根據(jù)不同料堆掃描經(jīng)度剖面位置處鏟斗挖掘的陰影面積得到其總的挖掘體積：

其中：V為總挖掘體積，B為鏟斗寬度。

切向挖掘阻力F_τ和法向挖掘阻力F_n通過經(jīng)驗公式進行初步的預測：

其中：σ_m為挖掘比阻力，φ為內(nèi)摩擦角，δ為外摩擦角，c為粘度，ρ為料堆破壞面與料堆表面夾角，λ為料堆堆積密度，C為挖掘深度，ζ為比例系數(shù)。

D5、根據(jù)步驟D1-D4的計算，對挖掘軌跡進行優(yōu)化，具體優(yōu)化方法如下：

find x＝[x₁,x₂,x₃]^T＝[v_τ,v_n,L3]^T

s.t.V_min≤V≤V_max

lg≤c1 (lg＝lg0+vc·tc)

θ_p1≥θ₁ [θ_p1(t,v,a2)]

p_1max≤h_c

dl_p≥0 [dl_p(L3,t,v)]

其中：V為滿斗率約束，lg為斗桿最大伸長量約束，θ_p1為出料高度約束，p_1max為最大挖掘高度約束，dl_p為無啃底約束。設計變量為挖掘機的控制參數(shù)，分別為切向速度v_τ和法向速度v_n，通過改變這兩個速度來改變挖掘軌跡。優(yōu)化目標為單位有效挖掘質(zhì)量所需能耗其中m為鏟斗內(nèi)物料的質(zhì)量。

對上式進行優(yōu)化計算，確定最優(yōu)挖掘軌跡。

進一步地，步驟I所述的載荷預測方法的修正方法如下：在經(jīng)過實際挖掘過程后，安裝在挖掘機上的功率傳感器、位移傳感器、角度傳感器和扭矩傳感器得到實測挖掘載荷F_prac，此時處理器對比實測挖掘載荷F_prac與預測挖掘載荷F，若誤差大于臨界值，則對挖掘載荷預測方法進行修正，具體方法如下：

find x＝[x₁,x₂,x₃,x₄,x₅,x₆]＝[φ,δ,c,ρ,ζ,λ]

MinΔF＝|F_prac-F|

上式為根據(jù)實際挖掘載荷對預測挖掘載荷中的參數(shù)進行優(yōu)化，參數(shù)分別為內(nèi)摩擦角φ、外摩擦角δ、粘度c、料堆破壞面與料堆表面夾角ρ和料堆堆積密度λ，ζ為比例系數(shù)；優(yōu)化目標為實際挖掘載荷與預測挖掘載荷之差的絕對值，使其最小，則得到的物料參數(shù)與實際越貼近；約束為料堆物理參數(shù)的下界，為料堆物理參數(shù)的上界；之后再將優(yōu)化所得到的結(jié)果發(fā)送到存儲裝置當中，作為下次挖掘時載荷預測的參數(shù)。

進一步地，步驟D5所述的優(yōu)化計算的方法為單純形法、梯度下降法、遺傳算法、蟻群法、退火法、禁忌搜索法、粒子群算法、梯度投影法或罰函數(shù)法。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

1、由于本發(fā)明采用了3D掃描儀確定待挖掘物料表面的輪廓，并通過處理器得到輪廓的坐標矩陣，從而對料堆進行了精確地建模，實現(xiàn)了對挖掘復雜料堆表面載荷的精確預測。

2、由于本發(fā)明通過信息裝置及處理器對挖掘機挖掘過程中的控制參數(shù)進行了優(yōu)化，實現(xiàn)了挖掘載荷最小，挖掘能耗最低的目的。

3、由于本發(fā)明通過挖掘過程中功率傳感器、位移傳感器、角度傳感器和扭矩傳感器對信息裝置的反饋，處理器進一步的對原有的載荷預測算法進行優(yōu)化及定義，從而改進載荷預測算法的準確性，進一步的實現(xiàn)了對挖掘載荷的精確預測。也使得智能挖掘機可以自適應地學習并可以自適應地改善性能和準確性。

附圖說明

圖1是本發(fā)明的方法流程圖；

圖2是本發(fā)明的掃描料堆矩陣示意圖；

圖3是本發(fā)明的挖掘體積計算剖面示意圖；

圖4是本發(fā)明的組成示意圖。

圖中：1、3D掃描儀，2、功率傳感器，3、接近傳感器，4、位移傳感器，5、角度傳感器，6、扭矩傳感器，7、信息裝置，8、控制器，9、無線收發(fā)器，10、網(wǎng)絡，11、處理器，12、存儲裝置。

具體實施方式

下面結(jié)合附圖對本發(fā)明進行進一步地描述。如圖1-4所示，智能挖掘機的自動控制系統(tǒng)，包括數(shù)據(jù)采集與執(zhí)行模塊、網(wǎng)絡10、處理器11和存儲裝置12，所述的數(shù)據(jù)采集模塊、網(wǎng)絡10、處理器11和存儲裝置12通過數(shù)據(jù)線雙向串聯(lián)；所述的數(shù)據(jù)采集與執(zhí)行模塊安裝在挖掘機上，所述的處理器11和存儲裝置12設置在挖掘機外的控制室內(nèi)；

所述的數(shù)據(jù)采集與執(zhí)行模塊包括3D掃描儀1、功率傳感器2、接近傳感器3、位移傳感器4、角度傳感器5、扭矩傳感器6、信息裝置7、控制器8、處理器11、存儲裝置12和無線收發(fā)器9，所述的3D掃描儀1、功率傳感器2、接近傳感器3和位移傳感器4分別與信息裝置7連接，所述的信息裝置7分別與控制器8和無線收發(fā)器9連接，所述的無線收發(fā)器9與網(wǎng)絡10連接；

所述的3D掃描儀1用于確定待挖掘物料表面的輪廓，形成待挖掘的物料表面輪廓數(shù)據(jù)；

功率傳感器2用于測量各工作電機在挖掘過程中的所消耗的功和功率；

接近傳感器3用于獲得鏟斗及挖掘機機架的相對位置；

位移傳感器4和角度傳感器5分別用于測量斗桿的伸縮位移及其轉(zhuǎn)角，從而確定出鏟斗的空間坐標；

扭矩傳感器6用于測量個工作電機挖掘過程中輸出的扭矩；

所述的處理器11處理接收到的信息，并根據(jù)所接收到的信息對挖掘軌跡及載荷預測模型進行優(yōu)化，并將優(yōu)化后的挖掘程序通過網(wǎng)絡10發(fā)送到信息裝置7中，將新建的載荷預測模型信息存儲在存儲裝置12中。

進一步地，所述的網(wǎng)絡10包括無連接網(wǎng)絡、虛擬網(wǎng)絡、無線電路網(wǎng)絡、電話網(wǎng)絡、PTOS網(wǎng)絡、專用網(wǎng)絡、非PTOS網(wǎng)絡、PSTN網(wǎng)絡、非PSTN網(wǎng)絡、電纜網(wǎng)絡、人造衛(wèi)星網(wǎng)絡、微波網(wǎng)絡、雙絞線網(wǎng)絡、IEEEE 802.03網(wǎng)絡、以太網(wǎng)絡、蜂窩式網(wǎng)絡、令牌環(huán)網(wǎng)絡、局域網(wǎng)絡、廣域網(wǎng)絡、DSL網(wǎng)絡、IP網(wǎng)絡、因特網(wǎng)、內(nèi)聯(lián)網(wǎng)、無線網(wǎng)絡、超寬帶網(wǎng)絡、公共網(wǎng)絡、Wi-Fi網(wǎng)絡、藍牙網(wǎng)絡、機場網(wǎng)絡、電路交換網(wǎng)絡、分組交換網(wǎng)絡、IEEE 802.11網(wǎng)絡、IEEE 802.11b網(wǎng)絡、IEEE802.11g網(wǎng)絡、X-10網(wǎng)絡或電源網(wǎng)絡。

智能挖掘機的最優(yōu)軌跡規(guī)劃方法，包括以下步驟：

A、啟動智能挖掘機上的數(shù)據(jù)采集與執(zhí)行模塊；

B、數(shù)據(jù)采集與執(zhí)行模塊接收處理器11發(fā)送來的挖掘計劃，挖掘計劃包括挖掘料堆位置和需要挖掘的物料體積；

C、3D掃描儀1開始掃描料堆，讀取采掘坐標、采掘地形、采掘表面的數(shù)字圖像；

D、根據(jù)由智能挖掘機所接受的挖掘計劃重新定位挖掘機；并通過處理器11將采集的3D輪廓數(shù)據(jù)點進行細分，在鏟斗挖掘?qū)挾确秶鷥?nèi)等分成多個數(shù)組，將多個數(shù)組形成多個料堆經(jīng)度的輪廓線，自動處理計算得到多個挖掘軌跡，并使其滿足鏟斗滿斗率約束、斗桿最大伸長量約束、出料高度約束、最大挖掘高度約束和無啃底約束，確定出該工況下的最優(yōu)挖掘軌跡。處理器11將最優(yōu)挖掘軌跡編譯成挖掘程序，并發(fā)送給信息裝置7；

E、信息裝置7獲取接近傳感器3、位移傳感器4和角度傳感器5的信息，并與所接收到的挖掘程序進行對比，從而判斷當前鏟斗是否在適當?shù)奈恢?，若不在適當位置，則轉(zhuǎn)到步驟F；若在適當位置，則轉(zhuǎn)到步驟G；

F、控制器8使鏟斗調(diào)整到合適的位置；

G、控制器8執(zhí)行挖掘機的例行挖據(jù)程序；

H、在挖掘機的實際挖掘過程中，功率傳感器2、接近傳感器3和位移傳感器4將實際挖掘過程中所得到的信息反饋給處理器11；

I、重新改進挖掘的載荷預測與優(yōu)化方法；比較執(zhí)行最優(yōu)挖掘程序的結(jié)果和實際挖掘的結(jié)果；如果最優(yōu)挖掘程序的結(jié)果與實際挖掘的結(jié)果相差較大，則修正所存儲的載荷預測方法，并通過優(yōu)化的方法重新對料堆的物理參數(shù)進行標定。

J、處理器11根據(jù)扭矩傳感器6得到的平衡位置時的扭矩計算出已挖掘的物料質(zhì)量，根據(jù)物料容重得到已挖掘物料體積，從而判斷是否完成挖掘計劃。若沒有完成，轉(zhuǎn)步驟C。若已完成，則結(jié)束此次挖掘并等待接收新的挖掘計劃。

圖2-3是基于3D掃描料堆的軌跡優(yōu)化的示意圖，該示意圖包括掃描料堆3D坐標圖及在斗寬范圍內(nèi)，不同位置的挖掘面積示意圖。步驟D所述的最優(yōu)挖掘軌跡的確定方法包括以下步驟：

D1、由3D掃描儀1得到物料堆所有對應節(jié)點的坐標p的矩陣如下：

p_mn＝p_mn(x,y)

式中，i為掃描矩陣的最大行數(shù)，j為掃描矩陣的最大列數(shù)，m,n分別為矩陣的行和列范圍內(nèi)的任意數(shù)值，x,y為該點所對應的二維坐標；

D2、處理器11通過改變預計控制參數(shù)得到預計挖掘軌跡s對應的坐標矩陣；

[s₁ s₂ … s_j]

s_n＝s_n(x,y)

D3、根據(jù)以上兩個矩陣得到圖3所示不同料堆掃描經(jīng)度剖面位置處鏟斗挖掘的陰影面積：

D4、根據(jù)不同料堆掃描經(jīng)度剖面位置處鏟斗挖掘的陰影面積得到其總的挖掘體積：

其中：V為總挖掘體積，B為鏟斗寬度。

切向挖掘阻力F_τ和法向挖掘阻力F_n通過經(jīng)驗公式進行初步的預測：

其中：σ_m為挖掘比阻力，φ為內(nèi)摩擦角，δ為外摩擦角，c為粘度，ρ為料堆破壞面與料堆表面夾角，λ為料堆堆積密度，C為挖掘深度，ζ為比例系數(shù)。

D5、根據(jù)步驟D1-D4的計算，對挖掘軌跡進行優(yōu)化，具體優(yōu)化方法如下：

find x＝[x₁,x₂,x₃]^T＝[v_τ,v_n,L3]^T

s.t.V_min≤V≤V_max

lg≤c1 (lg＝lg0+vc·tc)

θ_p1≥θ₁ [θ_p1(t,v,a2)]

p_1max≤h_c

dl_p≥0 [dl_p(L3,t,v)]

其中：V為滿斗率約束，lg為斗桿最大伸長量約束，θ_p1為出料高度約束，p_1max為最大挖掘高度約束，dl_p為無啃底約束。設計變量為挖掘機的控制參數(shù)，分別為切向速度v_τ和法向速度v_n，通過改變這兩個速度來改變挖掘軌跡。優(yōu)化目標為單位有效挖掘質(zhì)量所需能耗其中m為鏟斗內(nèi)物料的質(zhì)量。

對上式進行優(yōu)化計算，確定最優(yōu)挖掘軌跡。

進一步地，步驟I所述的載荷預測方法的修正方法如下：在經(jīng)過實際挖掘過程后，安裝在挖掘機上的功率傳感器2、位移傳感器4、角度傳感器5和扭矩傳感器6得到實測挖掘載荷F_prac，此時處理器11對比實測挖掘載荷F_prac與預測挖掘載荷F，若誤差大于臨界值，則對挖掘載荷預測方法進行修正，具體方法如下：

find x＝[x₁,x₂,x₃,x₄,x₅,x₆]＝[φ,δ,c,ρ,ζ,λ]

MinΔF＝|F_prac-F|

上式為根據(jù)實際挖掘載荷對預測挖掘載荷中的參數(shù)進行優(yōu)化，參數(shù)分別為內(nèi)摩擦角φ、外摩擦角δ、粘度c、料堆破壞面與料堆表面夾角ρ和料堆堆積密度λ，ζ為比例系數(shù)；優(yōu)化目標為實際挖掘載荷與預測挖掘載荷之差的絕對值，使其最小，則得到的物料參數(shù)與實際越貼近；約束為料堆物理參數(shù)的下界，為料堆物理參數(shù)的上界；之后再將優(yōu)化所得到的結(jié)果發(fā)送到存儲裝置12當中，作為下次挖掘時載荷預測的參數(shù)。

進一步地，步驟D5所述的優(yōu)化計算的方法為單純形法、梯度下降法、遺傳算法、蟻群法、退火法、禁忌搜索法、粒子群算法、梯度投影法或罰函數(shù)法。

本發(fā)明不局限于本實施例，任何在本發(fā)明披露的技術(shù)范圍內(nèi)的等同構(gòu)思或者改變，均列為本發(fā)明的保護范圍。