裝載機鏟裝物料動態稱重數據處理方法研究*

張榮輝,黃 敏

(1.閩南科技學院,福建 泉州 362332;2.福建江夏學院 先進傳感技術實驗室,福建 福州 350108)

0 引 言

裝載機動態稱重是裝載機智能化發展的趨勢之一。結合動態稱重技術可以實時監測裝載機的負荷狀態,防止裝載機過載或者鏟掘過少;不僅有利于提高裝載機的作業效率,也為裝載機作業的智能規劃提供了重要參數。

但是,裝載機的工作環境通常比較惡劣,例如礦山、崎嶇山地、泥濘灘涂、狹窄或坡度較大的作業現場,因為環境引起車身不穩、碰撞振動等因素,會對裝載機鏟掘物料動態重量的穩定性、測量的準確度產生直接影響。

相較于常見的傳感器外置物料稱重方法(即基于壓力傳感器的直接稱重法、應變片測量法等),抗干擾能力更強的傳感器內置方法(即通過測量動臂油缸壓力間接得到稱重數據)已成為目前熱門的動態稱重方案。并且,這一方案的測量精度與模型的建立、數據的處理算法有關[1]。

BALLAIRE F等人[2]建立了裝載機工作裝置、動臂液壓缸的動力學摩擦力模型,采集了各個部件的加速度,根據力矩平衡推出了物料重量;但由于該研究未對原始數據進行有效降噪,導致其最后稱重結果誤差較大。MINTAH B等人[3]提出了一套基于液壓挖掘機的自適應負載監控系統,以工作周期為單位采集了鏟斗運動速度及舉升力,再把周期劃分為多個數據段,選取有效數據段進行了物料重量的計算;但在實際應用中,周期內的數據段劃分較難控制,使得該系統的使用局限性非常明顯。王遠見等人[4]建立了裝載機的動力學模型,分析了影響稱重的幾個關鍵變量,如油壓、動臂角度等,并對整個舉升過程進行了計算;但該研究未對信號段進行識別處理,導致其計算的精度不佳。肖珊[5]使用小波分析算法對所采集的油壓信號進行了預處理,對低頻信號進行了分解與重構;但該研究未考慮到油壓信號的中頻部分,導致其稱重結果的準確性不高。曹軍杰[6]綜合運用了虛位移原理及拉格朗日方程,推導出了完整的裝載機工作裝置動力學模型;同時加入了搖臂的影響因素,提出了模型中關鍵參數的辨識方法,為裝載機的動態稱重方法研究提供了模型支持和算法基礎。

基于轉動定律,筆者對某型號裝載機鏟掘作業相關部件進行動力學建模,通過合力矩分析得到鏟斗內物料重量與動臂油缸油壓、動臂舉升角度之間的映射關系,結合數據線性段截取技術,重點對實車試驗數據進行小波包降噪結合經驗模態分解的二級降噪預處理,使稱重結果較上述稱重方案更加穩定和準確。

1 動態稱重方案原理

1.1 裝載機稱重部件動力學建模

此處進行實車試驗時,使用的是廈工機械某型號輪式裝載機。

該裝載機鏟裝部分的機械結構如圖1所示。

圖1 裝載機的鏟裝結構

圖1展示了裝載機與物料鏟掘過程直接關聯的機械結構:鏟斗、搖臂、動臂、轉斗油缸、動臂油缸、連桿。

筆者對上述這些部件組成的鏟掘結構進行模型簡化,其結果如圖2所示。

圖2 裝載機鏟裝結構的動力學模型A—動臂與機架座連接處的絞點;P—動臂油缸與機架座連接處的絞點;D—動臂油缸活塞與動臂的絞點;K—動臂與轉斗連接處的絞點;AK—動臂初始位置;AK1—動臂舉升后的位置;L1—動臂液壓缸初始長度;L2—機架絞點A至活塞D的距離;L3—機架絞點A至機架座連接處的絞點P的距離;L4—動臂舉升后動臂油缸的長度;GB—動臂與鏟斗的重量質點;GA—物料的重量;θ—動臂舉升角度;θ1—動臂與液壓缸舉升角度;θ2—動臂AK與AP之間的初始夾角;X—活塞絞點D到鏟斗與動臂絞點K的距離;Y—絞點A到鏟斗與動臂重心的距離

由轉動定律可知,剛體定軸轉動的角加速度與它所受的合外力矩成正比,與剛體的轉動慣量成反比。筆者針對該鏟掘結構模型進行力學分析。

工作過程中,鏟掘結構動臂AK所受的合力矩∑MA方程如下:

(1)

式中:J—AK繞絞點A的轉動慣量;ω—AK繞絞點A的角速度;ε—AK繞絞點A的角加速度。

忽略摩擦力等外因影響,裝載機動臂在轉動過程中主要受到動臂油缸壓力、動臂及鏟斗自重以及物料重力的作用。

根據力學平衡原理,可推導出裝載機鏟掘結構動力學力矩∑MA表達式為:

∑MA=FpL2sinθ1-GBYcosθ-GA(L2+X)cosθ

(2)

式中:Fp—動臂油缸輸出力,與動臂油缸壓力及活塞截面有關。

動臂油缸輸出力Fp表達式為:

Fp=PBSB-PASA

(3)

式中:SA—液壓缸活塞上邊緣面積;SB—液壓缸活塞下邊緣面積;PA—進口油壓;PB—出口油壓。

動力學力矩M和物料的重量GA如下:

(4)

為了便于計算,可選取動臂舉升過程中趨于勻速的數據段,該段中的角加速度ε趨于0,則上述公式可簡化為:

(5)

1.2 動態稱重數據處理方法

在數據的采集過程中,因為駕駛員的人為誤差(作業熟練性、規范性等)、環境干擾等因素會造成原始數據波動大、噪聲干擾強,所以不能把原始數據直接代入模型中使用,需要對數據進行預處理,分解降噪。

此處筆者提出:首先,使用小波包進行初級分解去噪;然后,結合經驗模態分解進行二級濾波,以得到連續性好、精度高、光滑度高的可用信號。

1.2.1 小波包分解

小波包分解克服了小波分解時間分辨率與頻域分辨率不能同時達到一定要求的缺陷,對低頻和高頻部分都進行了分解[7],并能根據最小代價函數求解原始信號的最佳分解路徑[8]。

小波包分解時,相鄰級數的小波函數與尺度函數具有遞推關系,其表達式如下:

(6)

式中:μ—小波包,其上標表示級數,下標表示該級里的位置;hk—低通濾波器;gk—高通濾波器。

hk和gk的表達式如下:

(7)

式(6,7)經過整理可得:

(8)

無論是小波變換還是小波包變換,其中一個重要的環節是選擇合適的小波函數基進行信號分解。常用的幾類小波函數基有:

(1)Aubechies小波(dbN[9],N為小波分解級數)有較好的正則性,消失矩為N。隨著N的增加,小波更光滑,時域緊支撐性降低,頻域局部性增加,可分性更強。小波函數及尺度函數的支撐區間為2N-1(N=1)時,就是Haar小波;

(2)Haar小波[10],有緊支撐性及正交性,時域上不連續;

(3)Biorthogonal小波(Bior,即雙正交小波[11])是對稱的、緊支撐的,具有線性相位性,使用2個對偶的小波進行信號分解與信號重構;

(4)Mexican Hat小波[12]是高斯函數的二階導數,因不存在尺度函數,所以不具備正交性;

(5)Symlets小波(symN[13],N為分解級數)是對dbN小波的一種改進,除了具備dbN小波所擁有的特性外,還具備更好的對稱性,是一類近似對稱的緊支撐正交小波。因此,symN小波能在一定程度上減少信號重構時產生的相位失真。symN小波的支撐區間長度為2N-1,消失矩為N。

要選擇合適的小波函數基[14],除了要考慮支撐區間大小之外,還要考慮小波的對稱性、正則性及消失矩。對稱性保證了信號重構時不產生相位畸變,而正則性則保證了信號的光滑和可微性。針對大部分小波而言,正則性與消失矩之間是正相關的。

最后,要根據輸入信號的波形,選擇與其相似性高的小波,更易擬合及分解信號。通過觀察采集的原始信號數據集特征,筆者最終選擇Symlets小波作為小波函數基。

1.2.2 EMD經驗模態分解

為了最大限度地去除噪聲信號,保留有用的信號,筆者提出了一種二級降噪操作方法,即將小波包分解后所提取的分量作為原始數據,代入到經驗模態分解的操作中,進行再次降噪。小波包分解都需要選定小波基,固定小波基必然會降低算法的適應性,而經驗模態分解(EMD)可以克服基函數無自適應性的問題[15]。

EMD分解信號所得的各層分量稱為內涵模態分量(intrinsic mode functions, IMF),IMF需要滿足過零點及極值點個數之差小于等于1,且關于時間軸局部對稱[16]。

原波形可分解為各層IMFs信號及余波之和。

2 實驗驗證

2.1 數據采集試驗平臺搭建

由式(5)可知,在輪式裝載機鏟掘作業時,需要采集的變量主要有:動臂油缸的大腔油壓、小腔油壓以及動臂舉升角度數據。

(1)動臂大腔、小腔油壓數據采集

裝載機動臂大腔的壓力值變化范圍為0～20 MPa,因此,此處選擇壓力傳感器參數為:0～40 MPa, M14,X1.5,FS0.2%;同時,由于動臂小腔的壓力值變化范圍為0～6 MPa,此處選擇壓力傳感器參數為:0～25 MPa, M14,X1.5,FS0.2%。

裝載機動臂大腔及小腔壓力傳感器安裝位置如圖3所示。

圖3 裝載機動臂大腔及小腔壓力傳感器安裝位置

(2)動臂舉升的角度數據采集

裝載機作業時,筆者使用九軸角度傳感器(藍牙5.0)來采集動臂舉升過程中X、Y、Z三軸的實時角度和角加速度。

角度傳感器的安裝位置如圖4所示。

圖4 角度傳感器安裝位置

(3)鏟掘物料的實際重量數據采集

為了驗證該動態稱重方法的準確性,需要記錄下每斗物料的實際重量,以用于誤差分析。由于試驗現場缺少大地磅,此處使用4個量程為5 T的小地磅替代,將裝載機放置在地磅上進行稱重,通過空斗及有物料兩種狀態的整車重量差,得到鏟斗內物料的實際重量。

地磅及裝載機稱重圖如圖5所示。

圖5 地磅及裝載機稱重圖

2.2 數據處理

在鏟掘過程中,根據動態稱重方案,需要根據動臂及動臂油缸的實時舉升角度,分析出舉升近似勻速的區間,并以此截取動臂油缸的油壓數據;然后,對該段數據采用小波包濾波及經驗模態分解方式進行去噪;最后,將數據代入動力學模型公式進行求解。

裝載機動態稱重的具體流程如圖6所示。

圖6 裝載機動態稱重方案流程圖

下文以重量為1.3 T的砝碼稱重時的數據為例,對數據處理過程進行詳解。

(1)原始數據導入

在動態測量方案的實施過程中,需要實時采集動臂大腔油壓、小腔油壓、動臂舉升角度Y1及動臂油缸舉升角度Y2,如圖7所示。

圖7 砝碼3次舉升實時數據采集

(2)線性段區間數據提取

根據動臂舉升角度,此處筆者選擇趨于線性的段落區間,并以該區間截取相應動臂大腔、動臂小腔油壓及動臂油缸角度數據。為了便于數據處理,筆者對所截取數據段的時間坐標軸進行統一調整,即截取的第一個數據點時間初始化為0,如圖8所示。

圖8 動臂角度線性段對應區間的各種數據

(3)小波包分解與提取

根據采集的油壓信號、角度信號,此處筆者選擇與之相似的symN小波。為了得到平滑的降噪信號,基于MATLAB,筆者使用ddencmp()及wdencmp()函數進行默認的軟閾值消噪操作,以解決因硬閾值函數導致小波域突變,使去噪后結果產生局部抖動問題;也可直接使用MATLAB工具箱WAVEMENU,選擇小波基函數sym3,同時設置分解層數為2,對所提取的數據段進行小波包分解降噪。

最后輸出的降噪信號如圖9所示。

圖9 小波包去噪前后信號對比圖

(4)經驗模態分解

筆者再次對小波包去噪信號進行經驗模態分解操作,最后選取殘余分量作為代入動力學模型的輸入參數,如圖10所示。

圖10 經驗模態分解的原始信號及殘余分量

3 數據計算及結果分析

筆者采用廈工機械的某型號輪式裝載機進行實車試驗,使用四合一快換斗。

根據動力學模型公式,此處需要測量的常量如表1所示。

表1 實車測量的常量數據

在式(5)中,筆者分別代入經過區間截取與濾波降噪預處理前后的動臂及動臂油缸的實時角度數據,動臂大腔、小腔的油壓數據以及所測量的常量,計算出空斗狀態、砝碼稱重、鐵礦砂稱重、原生土稱重時的斗內物料重量,并做出誤差分析。

3.1 不同物料稱重數據

正式進行物料稱量前,裝載機需要對鏟斗空斗狀態進行稱重,得到對物料稱重時的重量校準基數;隨后,再對重量為1.3 T的標準砝碼、隨機鏟裝的一斗鐵礦砂以及原生土進行稱重。

空斗及3種物料稱重視圖如圖11所示。

圖11 空斗及3種物料稱重視圖

筆者采用多次測量空斗狀態重量,并取平均的方法得到其稱量時的修正基數。

空斗稱重數據如表2所示。

表2 空斗稱重數據(標定重量0.00 kg)

根據表2可知,基于本試驗場地的裝載機進行動態稱重時,需要對最后的稱重結果減去66.52 kg/36.43 kg進行修正。

實地試驗結果,即砝碼稱重數據(標定重量1 300.00 kg)如表3所示。

表3 砝碼稱重數據(標定重量1 300.00 kg)

鐵礦砂稱重數據(標定重量1 198.00 kg)如表4所示。

表4 鐵礦砂稱重數據(標定重量1 198.00 kg)

原生土稱重數據(標定重量1 095.00 kg)如表5所示。

表5 原生土稱重數據(標定重量1 095.00 kg)

3.2 結果分析

從對砝碼、原生土、鐵礦砂3種物料單次舉升動態稱重的數據分析可知,使用筆者所提出的二重降噪方法進行數據預處理前后,最小誤差為對原生土的第二次舉升,測量誤差為6.36%;三次測量平均誤差最小為對鐵礦砂的稱量,誤差為8.01%。

該結果表明:該裝載機動態稱重方法以及其算法是有效的,線性段數據截取克服了鏟裝周期內數據段劃分困難的局限性;同時,通過稱重數據表中的數據對比,證明小波包結合經驗模態分解的數據預處理明顯提高了稱重數據的準確性。

4 結束語

基于轉動定律,筆者對某型號裝載機鏟掘作業的相關部件進行了動力學建模,通過合力矩分析得到了稱重物料與動臂結構的油壓、角度之間的映射關系;結合數據線性段截取技術,重點對實車試驗數據進行小波包降噪結合經驗模態分解的二級降噪預處理;最后,根據現場已有3種不同物料分別進行了實車試驗。

研究結果表明:

(1)實車試驗測量的最小誤差為6.36%;

(2)單次鏟裝多次稱重的平均誤差最小為8.01%;

(3)在實際稱重中,采用該動態稱重數據處理方法可以顯著降低稱量誤差,稱量結果準確性高。

在后續的研究中,筆者擬增加試驗數據,并結合大數據分析手段,對最終的稱重結果進行補償校準;同時,嘗試采用其他的改進算法(如EEMD、ICEEMDAN等)來對數據進行降噪預處理,以進一步提高測量的精度。