基于电流信号的带锯条磨损状态评估方法 李东亮、 陈冰、 傅家豪、 刘志豪、 刘俊昌、 欧文初、 刘国跃

《Materials》：Evaluation Method of The Band Saw Blade Wear State Based on Current Signals Dongliang Li, Bing Chen, Jiahao Fu, Zihao Liu, Junchang Liu, Wenchu Ou and Guoyue Liu

　　摘要
随着非道路机械对节能和减排要求的日益严格，混合动力轮式装载机作为实现更清洁建筑设备的实用途径而受到越来越多的关注。然而，传统的能源管理策略往往难以适应高度瞬变的操作周期，并且在平衡燃油经济性、实时适用性和电池充电可持续性方面存在不足。为解决这些问题，本研究提出了一种基于改进的麻雀搜索算法的等效能耗最小化策略（ISSA-ECMS），用于系列混合动力轮式装载机。首先建立了一个准静态动力总成模型，然后使用ISSA优化卷积神经网络-长短时记忆（CNN-LSTM）阶段识别模型的超参数以及阶段依赖的ECMS参数。进一步引入了基于隐马尔可夫模型（HMM）的后处理框架，以提高操作阶段识别的时间一致性。结果显示，优化的ISSA-CNN-LSTM达到了93.22%的准确率、93.08%的宏F1分数和93.21%的加权F1分数，而HMM的改进将识别准确率进一步提高到了97.92%。在能源管理模拟中，ISSA-ECMS将电池剩余电量（SOC）维持在50.0069%，相比传统ECMS和A-ECMS分别减少了2.1%和1.4%的燃油消耗，并将发动机运行在 Economic 区域的比例提高到了77.549%。与动态规划相比，其燃油消耗的增加仅为0.28%，同时保持了在线适用性。这些结果表明，所提出的方法是实现系列混合动力轮式装载机实时能源管理的有效且实用的解决方案。

1. 引言
气候变化压力和能源系统转型加剧了对建筑机械更高效率和更低排放的需求[1]。作为非道路移动机械的主要组成部分，建筑设备通常在重载和多变的环境中以高功率运行，因此对燃油消耗和碳排放有显著贡献，这使其成为实现“双碳”目标的重要焦点[2]。尽管电气化可以减少排放，但有限的现场充电基础设施、强烈的负载波动和成本限制限制了短期内在全范围场景中使用纯电池电动车辆的部署；因此，混合动力总成仍然是实用的解决方案[3]。特别是对于混合动力轮式装载机，其实际效益在很大程度上取决于能源管理策略（EMS），该策略在变化条件下分配发动机、电动机和储能装置之间的功率，以满足任务需求同时提高燃油经济性和排放性能。装载机的EMS通常分为基于规则的方法和基于优化的方法。基于规则的方法因其结构清晰和易于部署而具有吸引力；然而，它依赖于专家启发式方法和阈值校准，随着操作条件的变化需要重新调整，难以保证全局最优[4,5]。结合电热耦合模型可以提高可解释性并便于在线实施，但基于规则的策略仍依赖于具体场景，通常需要在不同环境下重新设计逻辑或校准参数，从而增加复杂工作周期下的工程努力和成本[6]。

基于优化的EMS可以分为离线全局优化和在线实时优化。动态规划（DP）[7] 和庞特里亚金最小原理（PMP）[8] 被广泛使用。DP可以为给定的工作周期提供理论上的最优解，通常用于基准测试，但其计算负担阻碍了实时直接应用[9]。PMP引入了共态变量来推导近似最优控制律，并为计算效率高的在线策略提供了理论基础[10]。当考虑电池老化等长期指标时，目标变成了能耗与组件寿命之间的权衡，这使得启发式EMS中的经验校准变得更加复杂[11]。数据驱动的方法（如强化学习）也得到了探索，但由于安全约束的执行、样本效率和解释性有限，其部署仍然具有挑战性[12]。在线实时优化通常是工程EMS的现实折中方案：在随机负载和高度可变的工作周期下，它将计算密集的全局优化重构为在线可处理的滚动时域或瞬时问题。在这一类别中，MPC和ECMS被广泛使用。Lü等人[13]回顾了基于MPC的EMS的预测模型、求解器和约束设计，并指出在计算资源有限或预测不准确的情况下，短期预测带来的燃油经济性提升可能会下降。对于系列混合动力轮式装载机，Gao等人[14]提出了一种三层鲸鱼优化算法和基于通用回归神经网络的分层模型预测控制（WG-MPC）框架，通过分层决策来提高实时可行性。Wu等人[15]通过将经验约束嵌入优化模型，开发了一种“规则+即时优化”范式，支持多源电力系统的鲁棒性和灵活的成本函数制定。

ECMS建立在“等效燃料”概念的基础上，其中等效因子（EF）将电能使用转换为等效燃料成本。Chen等人[16]强调EF对操作条件变化敏感，因此固定的EF很难在长期运行中同时平衡SOC维持和燃油经济性。Sicilia等人[17]进一步指出，在线EF适应对于部署至关重要，因为固定的EF通常只适用于特定的代表性工作周期。在明显干扰下，Song等人[18]报告说单一EF无法适应广泛的条件变化，因此需要自适应EF分配来提高鲁棒性。因此，ECMS研究越来越倾向于自适应ECMS（A-ECMS），它在线更新EF以随条件变化和SOC目标进行演变，同时保持实时可行性。现有的A-ECMS方法通常分为预测型、即时型和可搜索型[19]。预测型A-ECMS使用预览信息或短期预测。Sun等人[20]使用分段周期信息在线优化EF，以改善SOC维持和鲁棒性，而Lei等人[21]使用基于交通的预览输入验证了节能和SOC调节的平衡。为了减少预测与功率分配之间的不匹配，Zhang等人[22]通过个性化驾驶模式重建提高了预测精度，以更好地使功率分配与预测需求对齐。即时型A-ECMS避免了对未来工作周期的预测，使用当前或最近的状态更新EF。Zhang等人[23]将驾驶周期识别与关键EF参数的在线优化相结合，提高了工程部署性，Choi等人[24]提出了在不同条件下接近最优的EF调整，以保持跨场景的接近最优能量分配。可搜索型A-ECMS通过快速检索确定EF。Pu等人[25]通过离线优化EF图和在线检索EF，展示了“重离线计算、轻量级在线计算”的工作流程。除了基于表格的选择，Li等人[26]引入了数据驱动的EF预测和快速求解器，以减少在线负担并提高适应性。总体而言，快速检索的EF调节提高了燃油经济性效益和SOC约束满足度的鲁棒性，同时保持了实时可行性[27,28]。

最近的研究进一步表明，智能和预测性能源管理策略正成为混合动力和重型系统的重要研究方向。Sicilia等人[17]回顾了自适应ECMS的最新发展，并强调在线等效因子调节越来越多地与预览信息、神经网络和连接数据相结合，以改进实时能源管理。对于重型和非道路应用，也报告了预测性和AI增强的EMS在可变操作条件下的适应性改进，例如基于驱动功率预测的重型系列混合动力车辆的预测ECMS[29]、用于非道路建筑重型设备的AI驱动负载预测EMS[30]，以及集成感知、决策和连接控制层的更广泛的智能EMS框架[31]。此外，最近关于轮式装载机的研究探讨了考虑电池老化的周期自适应控制[32]和面向效率的系列混合动力轮式装载机的实时EMS设计[33]。这些研究证实了向智能和自适应EMS发展的趋势；然而，对于重型机械，实际部署仍需要在适应性、可解释性、约束处理和实时实施之间取得平衡。因此，本研究采用了一种结合数据驱动的操作阶段识别和基于优化的ECMS结构的混合框架。

操作条件识别是EMS设计和在线部署的前提。Zauner等人[34]提出了与阶段无关的周期发现和分类，以实现跨周期对齐和策略重用。Hou等人[35]强调阶段可观察性和传感器可部署性决定了在线可行性，Huang等人[36]表明基于深度学习的意图-需求建模可以提供稳定的先验，以提高决策连续性和鲁棒性。尽管取得了这些进展，轮式装载机的周期表现出强烈的瞬变性和随机波动，导致在条件变化、传感器噪声和操作员间差异下识别准确性和泛化能力可能会下降。此外，装载机的驾驶/工作条件与道路车辆根本不同，复杂的管路、计算负担和准确度差距可能阻碍部署。这些问题对于系列混合动力轮式装载机更为关键，其中紧密的动力总成耦合、高负载强度和高度可变的环境对EMS的实时响应性和适应性提出了更高要求，使得精细的能源管理变得复杂。

在本研究中，物理平台是一个设计用于短周期装载操作的7吨系列混合动力轮式装载机。动力总成采用系列混合架构，其中发动机与发电机和液压泵同轴耦合，而牵引电机和电池组通过直流总线连接。在这种配置下，监控控制器必须在强负载波动和实时操作约束下协调推进需求、液压需求、电池充电/放电和再生能量回收。本研究中考虑的代表性操作场景是V型工作周期，它可以分为五个操作阶段：空载前进行驶、挖掘、负载后退行驶、前进倾倒和空载返回。这些阶段在功率需求特性上存在显著差异。例如，挖掘阶段通常涉及同时的牵引和液压负载峰值，而倾倒和返回阶段则表现出不同的负载强度和电池调节机会。因此，操作阶段识别和阶段依赖的能源管理参数调整对于在保持充电维持操作的同时提高燃油经济性是必要的。

基于上述分析，本研究提出了一种实时最优能源管理策略，即ISSA-ECMS，用于7吨系列混合动力轮式装载机。具体来说，使用改进的麻雀搜索算法（ISSA）优化CNN-LSTM识别器，以提高操作阶段识别的泛化性能和鲁棒性。进一步引入了隐马尔可夫模型（HMM）以提高时间一致性和平滑识别序列，从而抑制识别抖动和不合理的标签转换。此外，ISSA还用于离线优化不同操作阶段的控制参数。根据识别出的操作阶段，然后在线更新关键控制参数，从而实现电池SOC调节和燃油经济的协调优化。本研究的贡献在于为系列混合动力轮式装载机协调整合了操作阶段识别、时间序列细化和阶段依赖的ECMS参数调整，从而提供了一个实际可部署的实时能源管理框架。

2. 材料与方法
2.1. 动力总成和系统建模
2.1.1. 混合动力轮式装载机的结构和参数
本研究调查了一种系列混合动力轮式装载机；其关键参数列在表1中，其整体架构如图1a,b所示。一个发动机-发电机组提供直流总线，为牵引电机供电并与电池组接口，而与发动机同轴的液压泵施加轴扭矩需求，并在发电机以电动模式运行时提供辅助。监控控制器在直流总线电压、SOC、热状态和速度/扭矩限制的约束下安排能量路径，从而满足任务需求同时提高燃油经济性并减轻电池压力。

表1. 混合动力轮式装载机的关键参数。
图1. (a) 系列混合动力轮式装载机的架构。(b) 系列混合动力轮式装载机的外观。
2.1.2. 发动机模型
发动机采用准静态方法进行建模。该模型没有解析内燃和气体交换动态，而是捕捉发动机的关键性能输出——速度、扭矩和制动特定燃油消耗（BSFC）。根据测试台测量数据，这些关系通过拟合曲线或校准查找表表示，形成了操作范围内的输入-输出映射。这种基于映射的模型为系统级分析、控制设计和能源管理研究提供了足够的精度。

根据测量数据，构建了一个瞬时燃油消耗图，如图2a所示。对于给定的发动机速度和扭矩，相应的制动特定燃油消耗（BSFC）通过公式（1）获得：
(1)
其中ne表示发动机速度，Te表示发动机扭矩，Be表示BSFC，fe是用于评估燃油消耗图的插值函数。

图2. (a) 发动机的燃油消耗率图。(b) 电动机的效率图。
2.1.3. 发电机和电机模型
系统配备了两个电动机。牵引电机通过减速器驱动轴和轮子。发电机（即泵驱动装置）有两种工作模式：在驱动模式中，它为同轴轴提供辅助扭矩；在发电模式中，它将轴动力转换为电能以给电池充电。为了确保能量管理研究的建模一致性，这两种机器都使用相同的功率和效率公式进行描述。电机的效率图显示在图2b中。轴侧机械功率通过公式（2）计算得出：\[ (2) \]，其中 \(n_mot\) 是电机转速（rpm），\(T_mot\) 是电机扭矩（N·m），\(P_{mech}\) 是轴侧机械功率（kW）。电能则使用双向效率模型计算，如公式（3）所示：\[ (3) \]，其中 \(\eta\) 是通过效率图进行二维插值得到的电机效率。图2b展示了电机效率图。当 \(T_mot\) 大于某个阈值时，电机处于驱动模式；当 \(T_mot\) 小于该阈值时，电机处于发电模式。

2.1.4 电池模型
为了计算效率，许多研究采用了一个简化的电池模型。在该模型中，电池被描述为一个理想的开路电压源，与一个集总的内部电阻串联。在等效电路公式中，考虑了单个电池单元的直流内部电阻。电池端电压表示为 \(V = I R\)，其中 \(V\) 是端电压，\(I\) 是电池电流（放电时为正），\(R\) 是内部电阻。根据基尔霍夫定律，电池电流可以得出 \(I = \frac{V}{R}\)。忽略辅助负载后，电池的充放电功率仅由电动机、发动机-发电机组和液压系统之间的净功率平衡决定。

荷电状态（SOC）是电池的一个关键状态，有多种估算方法可供选择。本研究使用安时积分法更新SOC。采样间隔为 \(t\)，且规定放电电流为正，离散时间更新公式为：\[ S(OC) = S(OC) + I t \]，其中 \(S(OC)\) 是上一阶段的SOC，\(I\) 是步骤 \(t\) 的电池电流。

2.1.5 液压系统
液压系统包括一个三联泵，为工作动作（例如挖掘和倾倒）和转向提供液压动力。由于本研究关注整个机器的能量管理，因此没有对详细的阀控机制和内部流体力学进行建模，以简化复杂性。相反，采用了一种等效方法：通过调整三联泵的出口压力来表示负载变化，并将由此产生的液压功率需求作为已知输入引入车辆模型。泵功率计算公式为：\[ P_{hydraulic} = \frac{P_{output}}{P_{inlet}} \times \eta \]，其中 \(P_{output}\) 是泵的输出功率，\(P_{inlet}\) 是泵的输入压力，\(\eta\) 是泵的效率。在当前的等效液压功率公式中，泵效率被视为一个校准后的常数，以保持系统级的模型可处理性。这种简化可能在强瞬态条件下影响绝对液压功率的估算，但在相同的工作周期输入下，预计不会显著改变不同EMS策略之间的相对比较。

2.1.6 车辆动力学
装载机的质量在不同工作条件下会变化，这可能会影响建模和控制的准确性。在本研究中，质量使用两个恒定值来近似表示，分别对应空载和满载状态，并据此计算所需的牵引力矩。基于车辆纵向动力学，所需的牵引力矩表示为：\[ T_{traction} = \mu \times m \times g \cdot v \]，其中 \(\mu\) 是滚动阻力系数，\(m\) 是装载机质量，\(g\) 是重力加速度，\(v\) 是车辆速度，\(C_d\) 是空气阻力系数，\(A\) 是前面积，\(M\) 是转动质量因子，\(R_w\) 是铲斗填充（挖掘）阶段的附加阻力，\(r\) 是车轮半径。在本研究中，滚动阻力系数和车轮半径被视为系统级车辆动力学计算的代表性常数，忽略了纵向车轮打滑现象。这些简化可能会在不同地形或严重挖掘条件下影响绝对牵引功率的估算，但在相同的工作周期输入下，预计不会显著改变不同EMS策略之间的相对比较。

2.1.7 系统能量模型
混合动力电动轮式装载机（HEWL）所需的电能由柴油发电机和电池组共同提供。车辆的总功率需求主要包括牵引电机传动系统、液压系统和辅助负载。在本研究中，辅助负载表示为整个工作周期内的平均功率。这种等效表示用于系统功率平衡公式，以考虑辅助消耗对系统级别的贡献。这种处理方法可能会影响绝对功率平衡的估算，但在相同的工作周期输入和共同的建模假设下，预计不会显著改变不同EMS策略之间的相对比较。

2.2. ISSA-ECMS
2.2.1 提出的ISSA-ECMS的整体框架
为了解决传统ECMS在条件适应性方面的局限性、其在低功率区域长时间运行的倾向以及其对轮式装载机的适用性限制，本文提出了一个改进的基于雀鸟搜索算法的自适应ECMS（ISSA-ECMS）框架，如图3所示。该框架将燃料消耗优化与驾驶状态识别结合起来，分为两部分：离线优化和在线控制。在离线阶段，从轮式装载机的V循环中提取标记样本来训练一个运营阶段识别模型。在一个包含五个运营阶段的完整工作周期内，使用改进的雀鸟搜索算法联合优化发动机燃油经济性、SOC稳定性和发动机工作点分布。然后离线确定阶段依赖的控制参数，并将训练好的识别模型和优化后的参数集嵌入到在线控制器中。在线阶段，使用传动系统和液压功率需求、SOC以及实时条件特征作为输入。控制器识别当前运营阶段，并计算出满足约束的发动机和电池之间的功率分配，从而实现多目标实时能量管理。

2.2.2 改进的雀鸟搜索算法（ISSA）
改进的雀鸟搜索算法（SSA）的流程图如图4所示。在标准SSA中，种群更新过程受到雀鸟觅食和反捕食行为的启发。通常，发现者主要负责全局探索，跟随者通过跟踪种群中识别的有利区域来更新自己的位置，而观察者（或侦察者）提供基于警告的调整以提高种群的适应性。在本研究中，改进的SSA被用作EMS校准的参数优化工具，而不是直接控制器。首先，在一个\(d\)维搜索空间中随机初始化大小为\(N\)的雀鸟种群，并设置最大迭代次数和算法参数。为了增强初始种群的覆盖范围和多样性，使用逻辑帐篷混沌映射生成一个在\([0, 1]\)内的准均匀序列，然后将其映射到决策变量范围内形成初始种群。混沌序列生成公式为：\[ S(n) = (1 - \cos(\theta_n)) \times \frac{t}{2} \]，其中\(\theta_n\)是混沌参数，确保生成序列保持在指定范围内。接下来，评估并排名所有个体的适应度，以确定当前的全球最佳位置和最差位置。根据预设的比例，排名最高的个体被指定为发现者，其余个体被视为跟随者，并随机选择一部分作为观察者。不同角色的个体根据相应的行为更新规则更新自己的位置。

在迭代过程中，选择排名最高的\(d\)个个体作为发现者。为了更好地平衡探索和利用，并提高逃离局部最优解的能力，在发现者更新规则中加入了黄金分割比例系数和正弦扰动项。因此，改进的SSA中的发现者位置更新公式为：\[ x_{discoverer}(n+1) = x_{discoverer}(n) + \rho \times (\cos(\theta_n) \times \sin(\phi_n)) \]，其中\(\rho\)是黄金分割比例，\(\phi_n\)是黄金分割角。\(x\)表示第\(n\)个发现者在第\(d\)维中的位置。\(\delta\)是一个随机警报指示器，\(\sigma\)是安全阈值。\(\alpha\)是标准高斯随机变量。\(\epsilon\)表示扰动方向/幅度，\(y\)是从种群中随机选择的参考个体，用于保持多样性。当\(f_n\)表示环境安全时，发现者进行全局探索，通过黄金分割比例权重和正弦扰动增强方向多样性；当检测到威胁时，发现者通过添加高斯扰动来执行随机移动。

所有非发现者个体作为跟随者，根据当前全球最佳位置和全球最差位置更新自己的位置：\[ x_{follower}(n+1) = \min(x_n, x_{best}) + \max(x_{best} - x_{worst}) \times \alpha \]，其中\(x_n\)是第\(n\)个跟随者在第\(d\)维中的位置，\(x_{best}\)和\(x_{worst}\)分别是当前全球最佳和最差位置的第\(d\)个分量。\(\beta\)是一个标准高斯随机变量。\(\gamma\)表示扰动方向/幅度项，\(z\)是从种群中随机选择的参考个体。第一种情况适用于“饥饿”的跟随者（按适应度排名）。由于它们获得的“食物”不足，它们进行大规模的探索性跳跃以寻找更好的区域。第二种情况适用于适应度相对较好的跟随者，它们倾向于在当前最佳位置附近进行局部利用。

在每次迭代中，随机指定一部分个体作为观察者。观察者根据自身的适应度和种群的最佳/最差适应度更新自己的位置：\[ x_{watcher}(n+1) = \begin{cases} x_{watcher}(n) + \alpha \times (\frac{x_n - x_{best}}{|x_n - x_{worst}|), & f_n < f_{best} \\ x_{watcher}(n) - \beta \times (\frac{x_n - x_{worst}}{|x_n - x_{best}|), & f_n \geq f_{best} \end{cases} \]，其中\(\alpha\)和\(\beta\)是步长控制参数。\(f_{follower}(n)\)是第\(n\)个观察者的适应度，\(f_{best}\)和\(f_{worst}\)分别是当前种群中的最佳和最差适应度值。\(\lambda\)是一个小常数，用于避免除以零。对于每个观察者，如果\(f_n \lt f_{best}\)，则选择第一个分支将其位置拉向全球最佳位置；否则，选择另一个分支将其位置从当前最差位置推开。位置更新后，重新评估所有个体的适应度，并相应地更新全球最佳解决方案及其适应度。为了在不增加计算负担的情况下提高逃离局部最优解的能力，仅在检测到停滞（即几代内几乎没有改进）时，对一部分个体应用重尾柯西变异。ISSA-CNN–LSTM的优化过程进一步如图5所示。

2.2.3 基于CNN–LSTM的轮式装载机运营阶段识别
轮式装载机的操作模式通常分为四种类型：L型、I型、T型和V型循环。在这些类型中，V型循环在仿真研究和工程分析中广泛采用，因为它具有短持续时间、高运营效率和相对简单的 workflows。因此，本研究选择V型循环作为验证所提出能量管理策略的代表性场景。因此，本研究中优化的阶段依赖参数主要是针对代表性的V型装载循环进行校准的；对于显著不同的工作模式，如长距离运输或其他非V型循环，可能需要进一步重新识别参数或进行自适应更新。

在V型循环中，整个工作序列可以分为五个阶段：空载前进、低速挖掘、装载后退、前进倾倒和空载返回，如图6a所示。五个运营阶段的对应类别编号列在表2中。值得注意的是，前进倾倒阶段通常包括两个连续的子动作。在实际操作中，操作员通常在前进过程中准备倾倒并执行卸载操作，以提高生产效率；因此，这一阶段涉及牵引和液压操作的结合，如图6b–d中的实验时间历史曲线所示。目前，轮式装载机缺乏统一的国家标准工作周期。由于现场条件、材料属性和操作组织的变化，即使在相同的名义操作模式和阶段定义下，不同矿山或建筑工地的测量轨迹和速度剖面也可能存在差异。图6：(a) V型循环中装载机操作阶段的示意图，其中数字1-5分别代表空载前进、低速铲土、负载后退、前进倾倒和空载返回；(b) 装载机的速度；(c) 牵引电机输出扭矩；(d) 泵的输出压力。表2：阶段的类别编号。与道路车辆不同，轮式装载机的操作阶段不仅受历史速度模式的影响，还受到工作和转向子系统实时变化的影响。因此，选择了车辆速度、牵引电机扭矩和液压泵压力作为输入特征。用于操作阶段识别的数据集是从代表性的V型循环下的实际机器测试中收集的，同一操作条件测试包括了总共30个工作循环。在样本构建之前，原始时间序列信号进行了预处理。识别任务被构建为一个窗口级分类问题，其中信号被分割成窗口长度为3秒、步长为0.4秒的滑动窗口。选择的窗口长度旨在保留足够的时间信息，以捕捉速度、牵引扭矩和液压压力在完整局部操作段内的耦合动态模式，同时避免过短的上下文导致阶段区分能力减弱。同时，0.4秒的步长提供了重叠更新，提高了时间连续性和边界敏感性，同时保持识别刷新间隔足够短，以便在线EMS（能量管理系统）的实施。因此，采用的窗口设置代表了识别鲁棒性和实时计算响应性之间的实际折中。

为了防止时间泄漏，数据集按时间顺序分割成连续的时间段，前80%用于训练，剩余20%用于测试。采用CNN-LSTM网络作为窗口级操作阶段识别的核心分类器。这种数据集构建和分割程序旨在提高评估设置的透明性，并使报告的识别结果更易于解释和复制。阶段之间的区分性线索不仅来自瞬时幅度的差异，还来自窗口内的时间趋势和局部振荡（例如，重复的低速波动、牵引扭矩符号变化以及液压压力的脉动或突发）。这对于瞬时幅度相对相似的阶段（如空载前进和空载返回）尤为重要。在这种情况下，区分更多依赖于窗口内的耦合时间演变，包括速度发展模式、牵引需求的变化趋势以及伴随的液压压力行为，而不仅仅依赖于任何一个单一信号值。CNN前端通过一维卷积提取信息丰富的局部模式，其中参数共享和局部连接性提高了对噪声和小时间偏移的鲁棒性。然后，得到的特征图被排列成一个序列并输入LSTM层，以捕捉每个窗口内的长距离依赖性，从而加强了对阶段转换和复杂动态的表示。与纯循环架构相比，这种卷积-循环结构减少了输入冗余，并稳定了训练，同时实现了对高采样率多源耦合信号的有效学习和实时推理。

为了提高CNN-LSTM的识别准确性并缓解训练过程中的收敛缓慢和局部最优值陷阱，提出了一种基于改进的sparrow搜索算法（iSSA）的超参数优化方案。首先将选定的特征数据集输入模型，并初始化CNN-LSTM的超参数以及iSSA的参数。然后使用验证集分类指标作为适应度函数进行迭代搜索，以最小化为目标进行优化。一旦达到最大迭代次数或获得最优适应度值，就返回相应的最优超参数集。然后使用优化的参数配置训练CNN-LSTM模型，并最终在测试集上评估其性能。

轮式装载机的操作阶段也表现出时间连续性和连续窗口间的限制转换。因此，CNN-LSTM产生的窗口级类别概率被视为观察可能性，并引入了转换先验以进行序列级细化。具体来说，使用隐马尔可夫模型（HMM）对整个序列进行全局解码，以抑制预测抖动和窗口级结果中的不合理标签跳跃。为了捕捉操作工作流的顺序性和持久性，构建了一个受限转换矩阵来明确编码V循环的先验。具体来说，只允许自转换（）和一步前转换（），以及循环转换（），如方程（14）所示：（14）其中参数通过调整自转换概率来控制阶段的持续性，从而抑制短期抖动，同时保持合理的边界转换。最后，应用Viterbi动态规划算法对整个序列进行处理，以获得最优阶段路径：（15）在本研究中，发射概率被设置为。具体来说，深度模型为窗口输出五类后验概率，这些概率直接用作HMM观测证据（即发射概率）。较大的表示当前窗口属于该阶段的强烈支持。此外，表示直到时间的最大状态路径的对数分数，该路径以状态结束（即Viterbi递归变量）。训练完成后，CNN-LSTM操作阶段识别模型通过S函数部署在MATLAB/Simulink 2024a中，以实现轮式装载机实时操作阶段的在线识别。

2.2.4 ECMS的设计
对于系列混合动力轮式装载机，在ECMS框架下，瞬时总燃油消耗率计算为：
（16）
其中是总燃油消耗率，是发动机燃油消耗率，是电池的瞬时等效燃油消耗率。电池等效项评估为：
（17）
其中是电池输出功率（放电时为正，充电时为负），和分别表示平均放电和充电效率，是将电能使用转换为等效燃油消耗项的等效系数。较大的会对电能使用施加更高的惩罚，因此偏向于发动机燃油使用；而较小的则减少了电能惩罚，使策略倾向于更多地利用电池。然而，最小化瞬时燃油消耗并不一定能够最小化整个工作周期内的燃油消耗，EMS可能会为了短期燃油节省而无意中牺牲电力输送。因此，在追求瞬时燃油最优决策的同时，应执行SOC（状态水平）调节。为了保持SOC稳定性，引入了一个依赖于SOC的惩罚因子：
（18）
其中和是规定的SOC上限和下限，是目标SOC，是SOC惩罚系数。当时，增加了与电池能源使用相关的等效燃油成本，从而偏向于充电控制决策。当时，减少了电能惩罚，鼓励电池放电。当时，ECMS决策不受SOC惩罚的影响。

因此，通过结合一个依赖于SOC的惩罚因子来重新制定ECMS成本函数，如方程（19）所示：
（19）
通过调整可以调节校正函数对SOC偏差的敏感性，从而调节SOC在运行期间返回目标的速率，同时满足SOC边界。为了反映实际操作特性，每个组件都需要在其可行范围内运行。因此，对电池、发电机和发动机的操作状态施加了约束：
（20）
其中和分别表示SOC的下限和上限；和分别表示电池和发电机的最小和最大功率；和分别表示最小和最大发动机扭矩；和分别表示最小和最大发电机速度；和分别表示最小和最大发电机速度。由于系列混合动力轮式装载机在运行过程中必须持续供应液压转向功率，因此发动机通常在整个工作周期内保持运行。在ECMS下，即使操作点位于高BSFC（燃油消耗率-速度比）区域，发动机的瞬时燃油消耗率也可以保持较低，这可能导致策略偏好这些低效率点。为了提高发动机运行效率，在原始ECMS的基础上引入了一个低效率惩罚函数，得到的目标函数如方程（21）所示：
（21）
其中是低效率功率阈值，是发动机功率，是比例系数。当选定的发动机功率满足时，激活惩罚项；否则不施加惩罚。

2.2.5 基于iSSA的多参数优化用于能源管理
在ECMS框架下，等效系数、SOC惩罚缩放系数和低功率惩罚增益直接影响功率分配和SOC轨迹，因此对轮式装载机的性能至关重要。在传统的ECMS中，这些参数通常是通过试错经验性选择的，无法保证全局最优性。此外，它们的最优值会随着操作阶段的变化而变化；因此，固定参数很少能在长期运行中实现燃油经济性和SOC维持之间的稳健权衡。鉴于轮式装载机V循环的显著阶段异质性，工作周期被划分为五个操作阶段：空载前进、低速铲土、负载后退、前进倾倒和空载返回。为了利用这种异质性，采用了一种基于阶段的方案，其中为特定阶段分配了、和值，以提高能源分配效率和SOC可持续性。因此，iSSA群体中的每个个体代表了一组候选的阶段依赖EMS参数，D维搜索空间由要优化的阶段级变量、和的集合组成。在这种意义上，优化并不直接搜索物理发动机操作点本身，而是搜索决定结果功率分配行为、燃油消耗和SOC演变的控制参数组合。基于此方案，采用了一种改进的sparrow搜索算法（iSSA）来联合优化和，同时使用来权衡目标中的发动机低功率停留惩罚。该惩罚抑制了在低效率区域的长时间运行，并避免了等效成本低但实际效率差的操作点。状态变量和优化目标函数分别定义在方程（22）和（23）中：
（22）
（23）
其中、和分别是燃油消耗项、SOC项和惩罚项的权重系数。参数表示V循环中的发动机燃油消耗。是目标SOC；是工作周期结束时的SOC；表示与发动机在低效率区域停留相关的惩罚项，如方程（24）所示：
（24）
参数优化结果见表3。表3. 参数优化结果。

3. 结果与讨论
3.1 阶段识别算法的性能评估
为了评估CNN-LSTM在轮式装载机操作阶段序列标记中的有效性，采用了智能优化算法，包括iSSA、PSO和SSA，来优化CNN-LSTM模型的关键超参数。图7a比较了iSSA-CNN-LSTM、PSO-CNN-LSTM、SSA-CNN-LSTM和基线CNN-LSTM的总体性能。使用准确性来评估整体分类正确性。Macro-F1为每个类别赋予相同的权重，因此更适合评估少数类别和难以区分阶段的识别性能。Weighted-F1是根据类别样本比例计算的，用于反映模型的整体综合性能。所有方法都在相同的数据划分下使用多个随机种子进行了多次训练，平均值用于最终评估。因此，报告的识别指标代表了在相同数据划分下多次运行的平均值，而不是单一训练结果。结果表明，所有智能优化算法都在不同程度上提高了CNN-LSTM的窗口级识别性能。其中，iSSA-CNN-LSTM取得了最佳的整体性能，准确率、Macro-F1和Weighted-F1分别为93.22%、93.08%和93.21%。此外，Macro-F1和Weighted-F1之间的 small difference 表明优化模型在不同操作阶段之间实现了相对平衡的识别性能，而不是偏向于样本比例较大的阶段。图7：(a) 不同模型的整体性能；(b) 阶段间识别准确性；(c) 真实标签与初始预测结果的比较；(d) 真实标签与HMM校正结果的比较；(e) 初始预测结果的行标准化混淆矩阵；(f) HMM校正后的行标准化混淆矩阵。基于此，进一步引入了一种基于隐马尔可夫模型（HMM）的序列后处理方法，以改进ISSA-CNN–LSTM的输出。网络产生的窗口级类别概率被视为观测概率，并与符合轮式装载机循环工作过程的受限状态转移先验相结合，包括自我转移和有序的阶段间转移。然后使用Viterbi解码算法获得最优序列标签。图7b展示了CNN–LSTM和CNN–LSTM+HMM对五个工作阶段的识别准确性。引入HMM后，所有阶段的识别准确性都有所提高。在边界切换更频繁且相邻阶段特征相似性更高的阶段，这种改进更为明显。这一结果表明，时间先验可以有效抑制窗口级预测中的瞬态误分类，并提高阶段识别的时间一致性。图7c,d进一步比较了真实标签序列、初始预测结果和经HMM优化后的结果。初始预测结果在局部区间内出现了明显的尖峰状误分类，导致阶段分割过度碎片化以及大量的错误转移。相比之下，经过HMM解码后，预测序列与真实的渐进变化趋势更加一致，阶段转移更加平滑，切换点更集中在真实边界附近。图7e,f中的行归一化混淆矩阵进一步支持了上述观察结果。与初始预测结果相比，经过HMM优化后的输出显示出更集中的对角线分布和稀疏的非对角线元素，同时整体准确性从0.9402提高到了0.9792。这表明时间约束的好处不仅限于局部边界校正，还显著提高了全局序列标签结果的可靠性。从实际能量管理实施的角度来看，这种改进也意味着减少了不必要的阶段标签切换，从而减少了突然的阶段依赖性控制参数更新。在真实的混合动力轮式装载机中，这种对尖峰状错误转移的抑制有助于改善动力传递的平稳性，并降低由于瞬态识别抖动引起的频繁控制调整的风险。

总体而言，上述结果表明，ISSA-CNN–LSTM+HMM在轮式装载机工作阶段识别任务中提供了优越的识别准确性、时间一致性和边界校正能力，显示出明显的整体优势。

3.2 基于阶段识别的ISSA方法的有效性及参数影响分析
为了验证基于阶段识别的ISSA方法的有效性，设计了具有不同参数配置的多种ECMS策略，如表4所示。如图8a,c所示，参数组P1、P2和P3之间的终端剩余电量（SOC）和循环燃料消耗量差异相对较小，而P1与P4之间的差异更为显著。这表明某些参数在决定燃料消耗量和SOC波动特性中起主导作用，而其他参数主要负责系统的精细调整。表4列出了用于比较的参数集。图8进一步比较了在不同ECMS参数组合下的SOC和燃料消耗特性：(a)终端SOC；(b)阶段间SOC变化；(c)循环燃料消耗量；(d)阶段间燃料消耗量。图8b,d进一步比较了在不同参数条件下的每个工作阶段的SOC变化和燃料消耗量。第5阶段的SOC变化最大，第1、3和4阶段的变化适中，第2阶段的变化最小。相比之下，第4阶段的燃料消耗量达到最大，而第1、2、3和5阶段的燃料消耗量保持在30–45克范围内。这些结果表明，不同工作阶段的能量流动分布和电池能量消耗存在明显的差异，从而对应对控制参数有不同的响应。从能量流动的角度来看，第4阶段较高的燃料消耗量与前卸料过程中牵引和液压驱动的持续复合需求有关，而第5阶段较大的SOC变化反映了在相对较轻的推进需求下电池功率调节的灵活性。在研究的V型循环中，这种第5阶段的行为主要与电池功率调节的更大灵活性有关，这为通过协调充电/放电控制提供了更多的SOC调节空间。

总体而言，不同的参数组合下各阶段的SOC演变和燃料消耗特性有所不同，表明不同的工作阶段有不同的控制偏好。因此，所提出的基于阶段识别的ISSA方法可以根据阶段特性进行有针对性的参数调整，证实了其在基于阶段的能量管理中的可行性和有效性。尽管本研究分析了几个代表性控制参数组合的影响，但尚未对关键建模和控制参数进行全面系统的敏感性研究，这将在未来的工作中进行。

3.3 不同能量管理策略的性能比较
为了验证所提出的ISSA-ECMS的有效性，引入了一种自适应ECMS策略（A-ECMS）作为比较基准。在A-ECMS中，等效系数由PI控制器在线调整，使实际电池SOC更紧密地跟踪参考SOC。基于轮式装载机的V型工作循环，对传统ECMS、A-ECMS和ISSA-ECMS进行了对比模拟。为了确保公平比较，传统ECMS和A-ECMS中使用的参数设置为ISSA-ECMS获得的阶段优化参数的平均值。所有模拟都在MATLAB/Simulink平台上进行。由于引用的自适应ECMS研究在机器架构、工作周期、优化目标和约束设置上存在差异，因此难以在 publications之间进行直接的数值比较。因此，本研究在相同的建模和工作条件下采用传统ECMS、A-ECMS和DP作为可比的基准。

如图9a所示，比较了在一个工作循环结束时不同策略下的终端SOC值。传统ECMS、A-ECMS和ISSA-ECMS的终端SOC值分别为50.072%、50.0552%和50.0069%。所有三种策略都满足终端SOC约束，表明在一个工作循环内可以保持电荷平衡。其中，ISSA-ECMS的终端SOC最接近参考值，显示了其在保持电池SOC稳定性方面的优越能力。图9显示了不同EMS下的最终SOC、电池SOC变化曲线以及最终燃料消耗量。相应电池SOC轨迹如图9b所示。在V型工作循环下，所有三种策略的SOC轨迹随着工作阶段的变化而周期性波动，但总体上仍接近参考SOC。这表明所有策略都能在保持充电的同时满足功率需求。与传统ECMS和A-ECMS相比，ISSA-ECMS的SOC波动幅度相对较大。这主要是因为不同的参数被分配给了不同的工作阶段，使得根据每个阶段的特性进行更有针对性的功率分配。尽管瞬时SOC变化更为明显，但终端SOC更接近目标值，表明ISSA-ECMS在不影响电池稳定性的前提下实现了更好的循环级充电保持性能。

为了进一步评估燃油经济性，图9c和图9d分别展示了单个工作循环内的累计燃料消耗量及其时间演变。在保持充电的条件下，传统ECMS、A-ECMS和ISSA-ECMS的最终累计燃料消耗量分别为212.0274克、210.6186克和207.5588克。与传统ECMS相比，ISSA-ECMS减少了2.1%的燃料消耗量，而相对于A-ECMS的减少量为1.4%。累计燃料消耗量曲线进一步显示，ISSA-ECMS在初始阶段的燃料消耗增长率略高，而在后续阶段则低于其他两种策略，从而在循环结束时实现了最低的总燃料消耗量。这表明ISSA-ECMS并不是在整个循环中简单地最小化瞬时燃料消耗量，而是根据每个阶段的负载特性优化了发动机和电池之间的功率分配，从而提高了整体燃油经济性。

为了阐明燃油经济性改善的机制，图10a,b进一步展示了发动机燃料消耗率和分布在不同BSFC区间内的工作点比例。在本研究中，发动机燃料消耗率以克/秒（g/s）表示，代表单位时间的瞬时燃料消耗量；而BSFC以克/（千瓦·小时）（g/(kW·h)表示，表征单位有效输出能量的燃料消耗量，因此更适合评估发动机运行经济性。因此，较高的燃料消耗率不一定表示效率较低，因为它还取决于发动机输出功率水平。相比之下，BSFC提供了更直接的衡量发动机是否在高效区域运行的指标。图10显示了不同EMS下发动机燃料消耗特性和功率轨迹：(a)发动机燃料消耗率；(b)BSFC区间分布；(c)不同策略下的发动机功率；(d)不同策略下的电池功率。如图10a所示，三种策略在发动机燃料消耗率方面的主要差异源于它们在每个工作阶段的不同的功率调节模式。对于ISSA-ECMS，在第1阶段，当系统负载较低且发动机以低或中等燃料消耗率运行时，该策略适当增加了发动机输出功率，导致瞬时燃料消耗率局部增加。然而，这并不意味着燃油经济性下降；相反，这表明该策略主动将发动机工作点从低功率、低效率区域转移出来。在第2阶段，当负载需求增加且燃料消耗率相对较高时，ISSA-ECMS倾向于进一步增加发动机功率并优化电池参与度，从而降低了相应工作点的BSFC。在剩余阶段，也可以根据当前工作条件进行适度的充电或发电，通过协调的能量流管理改善整个循环的燃油经济性。这些结果表明，ISSA-ECMS通过逐阶段调节发动机输出和电池参与度，在瞬时燃料消耗和整体燃油经济性之间取得了更好的平衡。

为了对发动机运行经济性进行定量分析，将BSFC低于200克/（千瓦·小时）的区域定义为经济运行区域。如图10b所示，传统ECMS、A-ECMS和ISSA-ECMS在该区域内的工作点比例分别为76.703%、75.655%和77.549%。这表明所有三种策略都在大部分循环中保持发动机在经济区域内运行，而ISSA-ECMS的比例最高，表明其将发动机工作点向高效区域驱动的能力更强。此外，BSFC高于220克/（千瓦·小时）的工作点比例对于所有三种策略都低于2%。这表明所提出的策略能够在一定程度上抑制低功率、高BSFC区域的运行。剩余的高BSFC工作点主要出现在高功率需求条件下，由于串联混合轮式装载机的固有运行特性，这种情况难以完全避免。因为所研究的串联混合装载机的可行发动机运行状态受到耦合的液压需求和任务相关运行要求的强烈限制，本研究使用BSFC区间分布以及发动机和电池功率轨迹来表征不同EMS的经济运行倾向，而不仅仅是依赖于发动机工作点的直接散布。

图10c,d展示了不同策略下的发动机功率和电池功率轨迹。发动机功率曲线显示，传统ECMS和A-ECMS表现出相似的整体趋势，而ISSA-ECMS则表现出更明显的阶段依赖性功率调节特性。具体来说，ISSA-ECMS可以根据每个阶段的负载需求灵活分配发动机和电池功率。在低功率需求阶段，它减少了低功率运行时间；在高负载阶段，它协调发动机和电池的共同输出以满足系统功率需求。因此，所提出的策略在一定程度上缓解了串联混合轮式装载机中发动机低功率、低效率的运行条件，同时提高了燃油经济性并保持了电池SOC的稳定性。最后，为了进一步评估ISSA-ECMS的性能，将其与基于动态规划（DP）的能量管理策略进行了比较，结果如表5所示。可以看出，两种策略都能有效保持电池SOC的稳定性。与DP相比，ISSA-ECMS的燃料消耗量仅增加了0.28%。然而，作为一种在线策略，ISSA-ECMS能够显著降低计算复杂性，从而在确保实时应用性的同时实现接近全局最优的控制性能。应当注意的是，在本研究中，DP被用作离线基准，以代表在给定工作周期下的近乎全局最优解，而ISSA-ECMS则用于在线实时能源管理，其决策复杂度要低得多。因此，比较的实际意义在于展示所提出的策略能够在保持在线可实施性的同时接近基准燃油经济性水平，而不是在非标准化计算环境下进行直接的绝对运行时间比较。表5. DP与ISSA-ECMS的性能比较。尽管每个周期的燃油消耗减少量适中，但高频重复操作可以将这种效益放大为显著的长期燃油节省和相关排放减少。此外，所提出方法的实际价值还在于其保持SOC稳定性的能力、改善发动机工作点分布的能力以及保持在线适用性的能力。此外，本研究获得的每个周期的燃油消耗量和节能趋势与之前关于混合动力装载机的V型工作周期的研究结果基本一致，为当前结果的工程合理性提供了额外的支持[37]。然而，这种基于文献的一致性旨在支持仿真结果的工程合理性，并不能替代针对实际世界燃油消耗和SOC测量的专用全车验证。

4. 结论

在本研究中，以一款串联混合动力轮式装载机作为研究对象，提出了一种通过改进的麻雀搜索算法优化的自适应等效消耗最小化策略，并通过仿真进行了验证。本研究的贡献在于将工作阶段识别、时间序列精细化以及阶段依赖的ECMS参数适应性协调集成在一起，从而提供了一个实际可部署的实时能源管理框架。主要结论如下：
(1) 采用了一种改进的麻雀搜索算法（ISSA）来优化CNN–LSTM网络，并建立了一个基于ISSA-CNN–LSTM的实时工作阶段识别模型。此外，引入了基于HMM的序列后处理来细化识别结果。结果表明，ISSA-CNN–LSTM模型能够实现准确的实时工作阶段识别，准确率为94.02%。引入HMM后处理后，识别准确率进一步提高到97.92%，表明所提出的方法可以有效增强阶段识别的时间连续性和稳定性。
(2) 根据串联混合动力轮式装载机的结构特点，并结合发动机低功率驻留优化和工作阶段识别结果，开发了一种新的能源管理策略，即ISSA-ECMS。仿真结果显示，在ISSA-ECMS策略下，终端电池SOC与参考SOC之间的偏差仅为0.0069%，表现出出色的电荷维持能力。同时，与传统ECMS相比，所提出的策略减少了2.1%的燃油消耗；与A-ECMS相比，进一步降低了1.4%的燃油消耗。此外，位于经济运行区的发动机工作点比例达到了77.549%。这些结果表明，该策略可以在保持SOC稳定的同时进一步提高燃油经济性，因此具有良好的工程应用潜力。

尽管所提出的方法在仿真条件下取得了令人满意的结果，但仍需注意几个限制。首先，电池电阻和等效子系统参数的不确定性可能会影响计算出的功率平衡和控制结果。其次，当前框架是在代表性的V型工作周期下开发和验证的，当机器在显著不同的工作模式下运行时，可能需要重新识别或自适应更新校准的阶段依赖等效因子。第三，由于动力总成模型是准静态的，本研究仅近似表示了打桩过程中的快速瞬态电阻峰值。此外，仍需要针对实际世界燃油消耗和SOC测量进行更全面的全车验证，以进一步评估当前模型的绝对预测准确性。因此，未来的工作应在更广泛的工作条件、不同的操作行为和实际机器工作周期下进一步评估所提出的策略，并应将所提出的EMS与更高保真度的动态建模和实验验证相结合。尽管当前框架已经包含了阶段识别、时间平滑和阶段依赖的参数适应性以提高对短期运行波动的鲁棒性，但其在不同操作风格下的更广泛通用能力仍需通过扩展的实际机器测试来进一步验证。