基于LIBSVM的挖掘機執行器甩方工況狀態識別方法

王維 陳艷軍 史余鵬 單昊忞

摘要：簡要介紹了建立挖掘機執行器狀態識別系統重要性，以中聯重科20t級履帶式液壓挖掘機為實驗機械，使用實驗設備對其最常用的執行器甩方工況的運行狀態開展識別實驗，通過數據采集、數據預處理和模型訓練，通過分析識別結果，得出預訓練LIBSVM模型可以實時識別挖掘機執行器的運行狀態，證明了該方法的可行性。

關鍵詞：液壓挖掘機；甩方工況；LIBSVM；狀態識別

基金項目：湖南省科技重大專項十大技術攻關項目（2021GK1070）；長沙市科技計劃項目（KH2003025）

0? ?引言

挖掘機工況識別是項目管理者高效管理現場的重要技術之一，挖掘機執行器狀態識別是工況識別的基礎。本文以挖掘機甩方工況為例，以動臂、斗桿、鏟斗液壓缸位移和回轉馬達流量為標準劃分挖掘機執行器運行狀態組合種類，使用實驗采集的操作手柄先導壓力信號，借助LIBSVM算法搭建了挖掘機執行器狀態識別模型，整體識別正確率達到94.18%。

1? ?建立挖掘機執行器狀態識別系統重要性

建設項目快速完工的需求日益增長，促使項目管理者積極探索高效的施工現場管理方法。近年來，以挖掘機為代表的土方施工機械已成為工程關注的焦點[1]。為了提高生產效率分析的準確性，項目經理需要實時獲取現場所有機械設備的具體運行情況。

挖掘機主要執行器包括動臂、斗桿、鏟斗、回轉馬達等，通過不同執行器之間的互相配合組成了挖掘機多種動作，若干個動作按序執行即可完成不同的作業任務，因此挖掘機執行器狀態識別是挖掘機工況識別的基礎。鑒于挖掘機實時工況識別十分重要，本文通過使用實驗采集的挖掘機操作手柄先導壓力信號，借助LIBSVM算法建立了挖掘機執行器狀態識別系統。

2? ?挖掘機執行器狀態識別系統實驗

2.1? ?參與實驗的機械和設備

為了建立挖掘機執行器狀態識別系統，本實驗采用中聯重科20t級履帶式液壓挖掘機，其由1臺額定功率為125kW的柴油發動機為整車提供動力；其液壓系統采用雙泵供油配置，主泵流量控制采用正流量控制方式。

參與實驗的測試設備包括傳感器、流量計、數據采集系統和CAN總線。3個位移傳感器安裝在動臂、斗桿、鏟斗液壓缸上，其量程為0～3000mm，其電流輸出值為4～20mA，用于采集3個液壓缸的伸出縮回情況，以及其是否處于標準運行狀態。

2個安裝在回轉馬達進出油口處的流量計，其計量范圍為0～300L/min，用于測量回轉馬達正、反轉時的流量變化情況，回轉馬達進出油口是否有流量變化，以及回轉馬達是否處于標準運行狀態。

數據采集系統基于National Instrument（NI）測控系統搭建，包括NI-9203（8通道電流輸入）、NI-9423（8通道頻率信號輸入）、NI-9862（單端口高速CAN端口模塊）、NI-cDAQ-9174機箱（4卡槽，USB通訊），以及1臺高性能工控機。其中NI-9203用于采集位移傳感器信號，NI-9862用于從挖掘機CAN總線中采集操作手柄先導控制壓力信號。

CAN（Controller Area Network）即控制器局域網，是一種用于實時應用的串行通訊協議總線，其使用雙絞線傳輸信號，是世界上應用最廣泛的現場總線之一[2]。CAN總線用于汽車中各種不同元件之間的通信，以此取代昂貴而笨重的配電線束。CAN總線的健壯性使其用途延伸到其他自動化和工業應用[3]。本實驗所使用的挖掘機即配備了CAN總線，數據采樣頻率為100Hz，使用CAN總線讀取數據不僅能簡化硬件設備，還可避免傳感器受到干擾。

2.2? ?實驗過程

本實驗項目為挖掘機最常用的甩方工況，因此針對甩方工況進行研究具有重要價值。駕駛挖掘機具有較強的專業性，受挖掘機司機操作的熟練度和操作習慣影響較大。因此本實驗邀請了3名挖掘機司機參與甩方作業循環實驗，以排除不同操作對實驗結果的影響。每名司機完成挖掘準備、挖掘、提升回轉、卸荷、空斗返回5個典型作業階段[4]，由此獲得5個完整甩方工況典型作業循環的實驗數據。挖掘機甩方工況典型作業循環如圖1所示。

3? ?數據預處理和模型訓練

3.1? ?數據預處理

以液壓缸位移為標志，對各執行器先導控制信號進行劃分。是否運行是各執行器最直觀的狀態表現。正在運行執行器的種類組合不同，反映出挖掘機正在完成不同的動作。通過統計所有實驗數據，得到的配置在挖掘機上各執行器組合運行狀態情況的實驗數據，基本達到訓練LIBSVM模型所需數據要求。挖掘機各執行器組合運行狀態種類統計如表1所示。

為了更直觀理解各執行器組合運行狀態的含義，采取數字列表方法予以解釋。對于動臂、鏟斗、回轉馬達，0表示該執行器靜止，1表示該執行器運行；對于斗桿，其動作幅度往往遠大于其他執行器，斗桿是否運行通常標志著某一動作是否出現，因此將斗桿運行狀態分為：0表示靜止，1表示斗桿內收，2表示斗桿外擺。各執行器組合運行狀態詳情如表2所示。

3.2? ?模型訓練

采用滑移時間窗口法，提取原始數據并生成特征向量作為模型輸入。當前時刻數據處理完成后，時間窗口向右移動讀取下一時刻數據并刪除距離下一時刻最遠的數據，保證時間窗口內數據量不變。本次時間窗口寬度選擇0.04s。

SVM（Support Vector Machine）是一種按監督學習方式對數據進行二元分類的廣義線性分類器，LIBSVM是其變形之一，具有子分類器數量少、訓練時間短等優點。其核心是建立一個超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化。建立超平面的計算方法，如公式（1）所示[5]。

（1）

式中：i=1，2，n，n為訓練樣本數量；c為懲罰系數，ξ為松弛系數，當樣本集數據不完全線性可分時，引入懲罰系數和松弛系數可以減小異常數據點對模型的影響；ωTxi+b表示的是分類超平面；yi是第i個類別標志。

LIBSVM模型通常用于二分類問題，對于本文所涉及多分類問題，通常在每2個類別之間建立一個二分類器，綜合所有二分類器的分類情況，最終得到輸出結果。核函數采用最常用的徑向基函數對原始數據進行升維或降維，使其線性可分，其表達式[5]如下：

（2）

式中：i=1，2，n，n為訓練樣本數量；xi為訓練數據集的第i個實例；yi為xi的類別標志；γ為用于校準模型的偏差程度和方差的參數。

4? ?識別結果分析

4.1? ?正確率和召回率

使用預訓練效果好的LIBSVM模型，對8個典型作業循環、總計15598條數據進行識別測試，其識別正確率為94.18%。LIBSVM識別結果的混淆矩陣和召回率，如表3所示。

采用召回率（Recall）評價模型的識別性能，召回率表達方法如公式（3）所示。

（3）

式中，TP為被模型識別為正類的正樣本；FN為被模型識別為負類的正樣本。

從表3可以看出，組合1和組合2的識別召回率最高。結合表2可知，組合1中所有執行器均沒有運行，即待機狀態，各執行器的先導壓力均保持在最低水平，與其他組合先導壓力區別較大，因此模型對組合1的識別能力較強。

識別召回率最低的為組合4，有228個樣本誤識別為組合2。結合表2可知，組合2和組合4的區別在于鏟斗是否運行。在挖掘準備階段，挖掘機司機需要微調鏟斗以使其精確地位于想要進行挖掘的位置。此時先導壓力位于主閥死區附近波動，先導壓力和標簽的映射關系較為模糊，給模型精確識別帶來了困難。

4.2? ?LIBSVM模型的可行性

為了進一步分析誤識結果的分布情況，將誤識結果分為超前誤識、滯后誤識和跨類誤識。超前誤識是指挖掘機實際未進入下一組合狀態，而模型識別結果已經提前進入下一組合狀態，如圖2中62s處出現的誤識所示。超前誤識是由于主閥壓力死區的存在，使得壓力信號提前達到與下一組合狀態相似的水平。LIBSVM模型識別結果如圖2所示。

滯后誤識是指挖掘機實際已經進入下一組合狀態，而模型識別結果未能進入下一組合狀態，如圖2中59s處出現的誤識。滯后誤識是使用滑移時間窗口法無法避免的，每一處執行器狀態組合過渡處均有滯后誤識的出現，即證明了這一結論。

跨類誤識是由于時間窗口內數據的特征與另一組合狀態十分相似，進而使模型產生誤識?？珙愓`識通常出現在執行器狀態組合頻繁變化的情況，時間窗內的數據無法及時相應變化，如圖2中66s處出現的誤識所示。

只有當足夠數量的下一組合狀態原始數據進入時間窗口，才能具有表征下一組合狀態特征的能力?？傮w而言，預訓練的LIBSVM模型，可以實時識別挖掘機目前所有執行器的運行狀態，證明了此方法是可行的。

5? ?結束語

本文使用操作手柄先導壓力信號、并借助LIBSVM算法，建立了一套挖掘機執行器狀態識別模型，能夠識別挖掘機所有執行器的運行情況，識別正確率為94.18%，證明了LIBSVM模型的可行性和有效性，為挖掘機工況識別提供了技術基礎。

參考文獻

[1] 姜繼海， 張翼鵬.挖掘機液壓系統節能技術[J].建設機械技

術與管理，2013（7）：102-106.

[2] 衛穎，施新.基于CAN總線的指揮車輛控制系統設計[J].

新技術新工藝，2023（2）：56-62.

[3] 翟耘萱，田園，史翠紅，等.航天器嵌入式軟件CAN總線

測試方法研究[J].機電信息，2023（9）：5-7+11.

[4] 馬守磊，蘇晗，楊超，等.基于液壓挖掘機作業循環階段的

工況識別方法研究[J].液壓與氣動，2023，47（4）：19-26.

[5] 蔣生強.高效支持向量機的研究與實現[D].成都：電子科

技大學，2018.