基于门控循环单元神经网络的水力挖掘机非线性挖掘载荷预测

《Engineering Applications of Artificial Intelligence》：Nonlinear excavation load prediction of hydraulic excavator based on gated recurrent unit neural network

实时预测液压挖掘机作业载荷的物理引导神经网络模型研究|液压挖掘机|实时载荷预测|物理引导神经网络|GRU模型|超带优化

　　

陈金石|余月|霍东阳|张涵|王京彦

吉林大学机械与航空航天工程学院，长春，130025，中华人民共和国

摘要

挖掘机臂是采矿和建筑行业的重要组成部分，实时挖掘负荷预测是推进自动化挖掘技术的关键要素。本研究提出了一种新型的物理引导神经网络（PGNN），用于预测用于土方挖掘的液压缸的挖掘力。PGNN模型将挖掘机的物理负荷模型与门控循环单元（GRU）神经网络相结合，并使用Hyperband算法进行优化，以实现高速和精确的预测。通过对比实验，验证了PGNN模型在预测挖掘负荷方面的最佳响应速度和精度。此外，还通过在实际挖掘实验中进行的硬件在环（HIL）测试评估了PGNN模型的预测性能。这项研究介绍了一种将基于物理的建模与机器学习技术无缝结合的方法，有助于实现挖掘机的实时负荷预测。这些发现为更高效和精确的挖掘过程铺平了道路，对采矿和建筑自动化领域具有广泛意义。

引言

由于液压挖掘机具有多功能性和广泛的应用范围，它们在建筑行业中发挥着关键作用（Bradley和Seward，1998；Stentz等人，1999；Awuah-Offei和Frimpong，2007）。随着向自动化的转变，精确的实时负荷预测对于保持操作一致性、减少停机时间、防止设备故障和优化资源分配变得至关重要（Singh，1997；Hong，2001）。这反过来又提高了自动化建筑环境中的生产效率。

然而，尽管在交通和物流等领域的机器学习预测分析方面取得了显著进展（Kim等人，2019；Bender等人，2017；Feng等人，2019），但液压挖掘机的实时负荷预测仍然是一个具有挑战性的任务（Jud等人，2019；Koivo等人，1994）。传统方法，包括经验公式（Reece，1964）和离散元方法（DEM）（Cleary，2000），由于无法适应变化的条件和挖掘的复杂动态，存在显著局限性。经验公式虽然响应迅速（Mckyes，1985），但其通用性和准确性有限（Singh，1995a；Sheikhha和Seo，2022）。DEM提供了详细的模拟，但由于需要大量的预处理（例如材料模型构建）和长时间的模拟（Cleary等人，2017；Coetzee等人，2007；Tekeste等人，2019），使其不适用于实时应用。这些限制严重制约了传统方法在动态、实时场景中的实用性，在这些场景中，准确性、计算效率和适应性之间的权衡变得不可避免。

深度学习（DL），特别是循环神经网络（RNN），如长短期记忆（LSTM）和门控循环单元（GRU），在时间序列预测任务中显示出巨大潜力（Hornik等人，1989；Lyu，2022；Jordan和Mitchell，2015）。这些模型擅长捕捉数据中的时间依赖性，适用于历史数据指导未来预测的应用。然而，它们在实时挖掘负荷预测中的应用尚未得到充分探索，这为创新提供了重要机会（Hochreiter和Schmidhuber，1997；Chung等人，2015；Gers等人，2000）。挖掘过程的非线性和动态特性带来了传统方法难以解决的独特挑战。

为了解决这些挑战，本文提出了一种新型的物理引导神经网络（PGNN），它将传统的挖掘机物理模型与先进的机器学习技术相结合（Luo等人，2021；Xie等人，2022；Afrin和Yodo，2022）。PGNN模型将基于物理的模型与数据驱动的方法相结合，为预测挖掘负荷提供了一个稳健的框架。通过结合Hyperband等超参数优化算法，PGNN模型提高了预测精度和计算效率（Li等人，2017；Ying，2020）。与以往的研究不同，PGNN模型将物理原理直接整合到学习过程中，使其特别适用于实时应用。

这项研究通过结合挖掘机负荷的动态特性和先进的机器学习技术，填补了重要空白，从而提高了预测精度和操作效率。这种方法有潜力改变挖掘作业，促进更安全和更高效的建筑实践。

为了指导读者，本文的结构如下：

第2节提供背景信息，探讨挖掘机负荷的物理模型、GRU神经网络以及超参数优化的重要性。

第3节详细介绍了方法论，包括数据收集和预处理、PGNN模型的开发以及使用Hyperband进行超参数优化。

第4节展示了仿真分析，比较了PGNN方法与其他预测算法的性能，并讨论了结果。

第5节通过半物理仿真平台评估了PGNN模型，提供了实验验证和分析。

第6节总结了主要发现、它们对建筑行业的更广泛影响以及未来研究的建议。

部分摘录

挖掘阶段的分割

如图1所示（Yupeng等人，2020），挖掘机在一个挖掘周期内的动作可以分为几个子动作，包括无负荷下降、穿透、切割、装载、负荷提升和倾倒。这些动作根据铲斗是否穿透材料被分为两个阶段。第1阶段发生在倾倒之后、下一次穿透之前，在此期间挖掘机不受摩擦力和材料切割产生的粘性力等牵引力的影响。

方法论

基于前一节详细介绍的物理建模，本章探讨了将GRU神经网络集成到实时挖掘负荷预测中的方法。GRU模型的工作流程如图4所示，概述了从数据收集和处理到模型训练和超参数优化的整个过程。

本研究的主要目标是开发一种智能方法，用于实时预测挖掘负荷，可靠地再现挖掘机的行为

仿真分析

本章的主要目标是验证所提出的PGNN模型在预测液压挖掘机实时负荷方面的有效性。通过结合物理建模、GRU神经网络和Hyperband超参数优化，PGNN模型旨在解决传统经验方法和DEM在准确捕捉挖掘机铲斗与土壤之间复杂相互作用方面的局限性，特别是在挖掘的关键第2阶段。

在硬件在环仿真平台上对预测模型的实验验证

本章的目标是使用HIL仿真平台验证所提出的预测模型的准确性和有效性。HIL仿真作为一种强大的混合机制，将实体硬件元素与虚拟原型相结合，提供了软件驱动仿真与真实操作场景之间的关键纽带。本章概述了HIL技术的原理，并展示了如何利用它来验证本文开发的预测模型

结论

本研究开发并验证了PGNN方法，将液压挖掘机的物理模型与GRU神经网络相结合。主要发现包括：

(1)

预测精度提升：PGNN模型通过动态分析挖掘机和土壤的负荷，进一步提高了精度和实时响应能力。

(2)

实际应用潜力：PGNN方法在实时液压推力预测方面显示出前景，提高了力的

CRediT作者贡献声明

陈金石：监督。余月：验证、撰写——原始草稿、软件、可视化。霍东阳：撰写——审阅与编辑。张涵：方法论、资源。王京彦：数据管理、撰写——审阅与编辑。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。