1.本發(fā)明涉及鏟運機自動控制的技術(shù)領(lǐng)域，尤其涉及一種智能電動鏟運機控制方法。

背景技術(shù)：

2.目前，地下鏟運機的主流產(chǎn)品還是傳統(tǒng)的柴油發(fā)動機做為動力源的產(chǎn)品，電動鏟運機分為兩種產(chǎn)品，一種是外接地面電源的電動鏟運機，通過電纜連接地面電源，驅(qū)動電機，電機為鏟運機的動力源。第二種是在鏟運機上安裝電池，電池為電機提供能源，電機做為鏟運機的動力源。電池鏟運機在國內(nèi)礦山領(lǐng)域還未得到廣泛的應(yīng)用，國外及國內(nèi)各大廠商都尚處于研發(fā)實驗階段，控制系統(tǒng)的研究也處于探索測試階段，主要是電機在各種工況下的控制方法，需要對各種工況的精細(xì)研究，從節(jié)能的角度出發(fā)，找尋最合適的控制方法。

3.同時鏟運機多用于地下采礦，用于將礦物從洞內(nèi)往外輸送，現(xiàn)有的輸送方式以人工駕駛為主，但是人工駕駛效率低，且存在安全隱患。

4.針對該問題提出一種面向鏟運機的控制方法，以及面向電池鏟運機的節(jié)能控制方法，從而實現(xiàn)鏟運機的智能控制以及自動進(jìn)行礦物運輸。

技術(shù)實現(xiàn)要素：

5.本發(fā)明提供一種智能電動鏟運機控制方法，目的在于(1)實現(xiàn)礦洞內(nèi)道路識別；(2)實現(xiàn)利用最優(yōu)鏟運機智能控制模型對鏟運機進(jìn)行行駛控制；(3)實現(xiàn)電池鏟運機的節(jié)能控制。

6.實現(xiàn)上述目的，本發(fā)明提供的一種智能電動鏟運機控制方法，包括以下步驟：

7.s1：在鏟運機頭部安裝相機，利用相機獲取礦洞內(nèi)部實時的道路圖像，并對所獲取的道路圖像進(jìn)行相機標(biāo)定；

8.s2：對相機標(biāo)定后的道路圖像進(jìn)行預(yù)處理，利用道路識別算法識別預(yù)處理后道路圖像中的道路；

9.s3：構(gòu)建鏟運機智能控制模型，鏟運機智能控制模型以上述道路識別結(jié)果和當(dāng)前鏟運機行駛信息為輸入，以鏟運機控制動作為輸出；

10.s4：利用粒子群算法對鏟運機智能控制模型進(jìn)行優(yōu)化，得到最優(yōu)的鏟運機智能控制模型，并利用模型對鏟運機進(jìn)行行駛控制，直到鏟運機到達(dá)指定作業(yè)位置；在鏟運機行駛以及執(zhí)行鏟運作業(yè)時，利用電機節(jié)能控制方法控制能源消耗。

11.作為本發(fā)明的進(jìn)一步改進(jìn)方法：

12.所述s1步驟中，在鏟運機頭部安裝相機，利用相機獲取礦洞內(nèi)部實時的道路圖像，并對所獲取的道路圖像進(jìn)行相機標(biāo)定，包括：

13.對鏟運機頭部相機獲取的道路圖像進(jìn)行相機標(biāo)定，所獲取道路圖像的尺寸為m

×

n像素，所述相機標(biāo)定流程為：

14.將相機的光心o作為相機坐標(biāo)原點，相機坐標(biāo)原點的坐標(biāo)表示為(x0,y0，z0)，則道

路圖像中像素點(x,y)在物理坐標(biāo)系下的實際位置坐標(biāo)(x

′

,y

′

)為：

[0015][0016][0017]

其中：

[0018]dx

為像素點(x,y)在x軸的增量；

[0019]dy

為像素點(x,y)在y軸的增量；

[0020]

在本發(fā)明一個具體實施例中，本發(fā)明將道路圖像中的像素坐標(biāo)映射到物理坐標(biāo)系下的實際坐標(biāo)。

[0021]

所述s2步驟中，對相機標(biāo)定后的道路圖像進(jìn)行灰度化的預(yù)處理，包括：

[0022]

利用灰度化方法對相機標(biāo)定后的道路圖像進(jìn)行預(yù)處理，將道路圖像像素的rgb顏色分量轉(zhuǎn)換為灰度值，得到道路圖像的灰度圖，所述灰度化方法的公式為：

[0023]

gray

(i,j)

＝r

(i,j)

×

0.314+g

(i,j)

×

0.591+b

(i,j)

×

0.113

[0024]

其中：

[0025]r(i,j)

,g

(i,j)

,b

(i,j)

分別為道路圖像像素(i,j)在r，g，b三個顏色分量中的顏色值；

[0026]

gray

(i,j)

為像素(i,j)的灰度值。

[0027]

所述s2步驟中，利用灰度化方法對相機標(biāo)定后的道路圖像進(jìn)行預(yù)處理后，對灰度化處理后的道路圖像進(jìn)行二值化的預(yù)處理，包括：

[0028]

對道路圖像的灰度圖進(jìn)行二值化的預(yù)處理，所述二值化預(yù)處理的流程為：

[0029]

1)計算道路圖像灰度圖的平均灰度：

[0030][0031][0032]

其中：

[0033]m×

n像素為灰度圖的大??；

[0034]

k表示灰度圖的灰度級；

[0035]

ρ(k)為灰度級為k的像素出現(xiàn)的概率；

[0036]

n(k)為灰度級為k的像素出現(xiàn)的個數(shù)；

[0037]

2)以灰度級m為分割閾值，小于此閾值為背景，大于等于此閾值為前景，從而將灰度圖分成前景和背景，則背景灰度值為：

[0038][0039]

背景數(shù)比例為：

[0040]

[0041]

前景灰度值為：

[0042][0043]

前景數(shù)比例為：

[0044][0045]

3)計算前景和背景的方差：

[0046]

σ＝wb×

(μ

b-μ)2+wf×

(μ

f-μ)2[0047]

通過對分割閾值m進(jìn)行修改，使得前景和背景的方差達(dá)到最大，此時的分割閾值為最佳分割閾值，并以最佳分割閾值進(jìn)行灰度圖的二值化分割處理，得到預(yù)處理完成的道路圖像。

[0048]

所述s2步驟中，利用道路識別算法識別預(yù)處理后道路圖像中的道路，包括：

[0049]

利用道路識別算法識別道路圖像中的道路，所述道路識別算法流程為：

[0050]

1)將道路圖像轉(zhuǎn)換為道路圖像像素矩陣a，其中a(i,j)表示道路圖像像素矩陣中第i行第j列的像素值，在本發(fā)明一個具體實施例中，a(i,j)同時表示道路圖像中坐標(biāo)為(i,j)的像素的像素值；對道路圖像像素矩陣a進(jìn)行腐蝕處理：

[0051][0052]

其中：

[0053]

a表示道路圖像像素矩陣a；

[0054]

(x,y)表示圖像像元；

[0055]

b表示腐蝕矩陣，所采用的腐蝕矩陣為：

[0056][0057]

將b在a上順序移動，當(dāng)b平移到a的位置(i,j)時，若b在(i,j)處完全被包含在矩陣a內(nèi)，則將輸出結(jié)果對應(yīng)的位置(i,j)賦值為1，否則賦值為0；

[0058]

2)對腐蝕后的道路圖像像素矩陣進(jìn)行膨脹處理：

[0059][0060]

其中：

[0061]a′

表示腐蝕后的道路圖像像素矩陣；

[0062]

c表示膨脹矩陣，所采用的膨脹矩陣為：

[0063][0064]

將b平移到a的(x,y)位置；若b在(x,y)處與a

′

的交集不為空，則將輸出結(jié)果對應(yīng)的(x,y)賦值為1，否則賦值為0；

[0065]

3)將經(jīng)過腐蝕膨脹后的道路圖像像素矩陣轉(zhuǎn)換為道路圖像，此時道路圖像中保留的白線為識別出的道路邊緣，兩條白線的內(nèi)部區(qū)域為道路區(qū)域。

[0066]

所述s3步驟中，構(gòu)建鏟運機智能控制模型，包括：

[0067]

以識別出的道路區(qū)域和當(dāng)前鏟運機行駛信息為輸入，以鏟運機控制動作為輸出，構(gòu)建鏟運機智能控制模型，所構(gòu)建的鏟運機智能控制模型對鏟運機進(jìn)行動作控制的流程為：

[0068]

將鏟運機頭部相機的光心作為鏟運機起始點，計算道路圖像中每段道路區(qū)域的價值，則道路圖像中第s段道路區(qū)域價值r(n

s,1

,n

s,2

)的計算公式為：

[0069]

r(n

s,1

,n

s,2

)＝2

×

weights+1.2

×

lengths[0070]

其中：

[0071]

weights表示第s段道路區(qū)域的寬度；

[0072]

lengths表示第s段道路區(qū)域的長度；

[0073]

使用q矩陣記錄道路圖像中每條道路的評分，q矩陣初始化為一個n

×

n的零矩陣，n表示道路圖像中的道路拐點的數(shù)目，從q矩陣中鏟運機頭部相機的光心作為初始節(jié)點n，q矩陣的更新策略為：

[0074][0075]

其中：

[0076]

q(n,a)表示由鏟運機從當(dāng)前起始點n通過道路轉(zhuǎn)移到點a的轉(zhuǎn)移評分，所述轉(zhuǎn)移評分即為道路轉(zhuǎn)移的幅度的倒數(shù)；

[0077]

r(n,a)表示以n為起點，a為終點的道路區(qū)域價值；

[0078]

α表示更新率；

[0079]

β表示衰變系數(shù)；

[0080]

q(n,a

′

)表示由起始點n轉(zhuǎn)移到點a

′

的轉(zhuǎn)移評分；

[0081]

對q矩陣進(jìn)行迭代更新，直到q矩陣中每條道路的轉(zhuǎn)移評分不發(fā)生變化；

[0082]

鏟運機從頭部相機的光心位置出發(fā)，在q矩陣中選取以當(dāng)前位置為起始點，且在q矩陣中道路轉(zhuǎn)移評分最大的轉(zhuǎn)移道路作為下一階段的運行道路，重復(fù)該步驟，直到鏟運機到達(dá)指定作業(yè)位置；

[0083]

在本發(fā)明一個具體實施例中，頭部相機每隔20秒鐘拍攝一張道路圖像，并從道路圖像中提取道路，將提取到的道路以及鏟運機的實時位置作為鏟運機智能控制模型的輸入，利用鏟運機智能控制模型對鏟運機進(jìn)行實時行駛動作控制；當(dāng)鏟運機達(dá)到指定作業(yè)位置后執(zhí)行預(yù)設(shè)的鏟運作業(yè)，當(dāng)完成鏟運作業(yè)后，利用鏟運機智能控制模型控制鏟運機行駛，直到返回鏟運機起始點。

[0084]

在本發(fā)明一個具體實施例中，鏟運機內(nèi)工作人員僅需要進(jìn)行車速控制以及鏟運作業(yè)。

[0085]

所述s4步驟中，利用粒子群算法對鏟運機智能控制模型進(jìn)行優(yōu)化，包括：

[0086]

利用粒子群算法對鏟運機智能控制模型進(jìn)行優(yōu)化，所述粒子群優(yōu)化算法的流程為：

[0087]

1)隨機生成30個粒子，所述第i個粒子的位置信息為：

[0088]

xi＝(αi,βi)

[0089]

其中：

[0090]

αi表示鏟運機智能控制模型中的更新率值；

[0091]

βi表示鏟運機智能控制模型中的衰變系數(shù)值；

[0092]

2)初始化每個粒子的位置xi和速度vi，以及粒子群算法的最大迭代次數(shù)max；

[0093]

3)利用每個粒子的位置信息生成鏟運機智能控制模型，采集帶有最優(yōu)道路軌跡標(biāo)注的道路圖像，計算粒子的適應(yīng)度值：

[0094][0095]

其中：

[0096]

q(i)為第i個粒子生成的鏟運機智能控制模型，所控制的鏟運機行駛軌跡；

[0097]

l表示標(biāo)注的最優(yōu)道路軌跡；

[0098]

4)更新粒子的速度和位置：

[0099][0100][0101]

其中：

[0102]

x

best

(t)表示在第t輪迭代時，適應(yīng)度最高的粒子所對應(yīng)的粒子位置；

[0103]

x

best

表示從第一次迭代到第t次迭代，適應(yīng)度最高的粒子所對應(yīng)的粒子位置；

[0104]

ω表示慣性權(quán)重，當(dāng)ω＝0.72，當(dāng)ω＝0.2；

[0105]

c1表示加速因子，其值為0.2；

[0106]

c2表示加速因子，其值為0.1；

[0107]

r1,r2分別為(0,1)之間的隨機數(shù)；

[0108]

5)判斷次數(shù)迭代次數(shù)是否達(dá)到最大迭代次數(shù)max，若達(dá)到最大迭代次數(shù)，此時適應(yīng)度最高的粒子所對應(yīng)的位置信息即為鏟運機智能控制模型參數(shù)優(yōu)化結(jié)果；若未達(dá)到最大迭代次數(shù)，則返回步驟3)。

[0109]

所述s4步驟中，利用電機節(jié)能控制方法控制能源消耗，包括：

[0110]

在本發(fā)明一個具體實施例中，所述電動鏟運機采用電池做為能源，車輛的行駛采用牽引電機，工作及其它輔助系統(tǒng)采用液壓工作電機，電動鏟運機的電氣控制系統(tǒng)包括電池、電源管理系統(tǒng)bms、水冷系統(tǒng)、充電樁、多合一控制器(配電)、dc-dc、牽引電機及其控制器、液壓電機及其控制器、空調(diào)系統(tǒng)及整車弱電系統(tǒng)vcu；

[0111]

電池提供整車運行的能源，電源管理系統(tǒng)bms控制電池電流的輸出、檢測電池運行的一些狀態(tài)參數(shù)，比如電壓、電流、溫度等；充電樁通過電源管理系統(tǒng)bms給電池充電；水冷系統(tǒng)是給電池散熱的一套制冷系統(tǒng)；多合一控制器連接電源管理系統(tǒng)bms，將高壓電分配分別輸送給兩個電機控制器、空調(diào)壓縮機和dc-dc；dc-dc將接收到的高壓電轉(zhuǎn)換為低壓電，直流24v或12v，為整車各控制器及弱電系統(tǒng)的工作提供電源；牽引電機為整車的行駛提供動力源，液壓電機為整車的工作及輔助系統(tǒng)提供動力源；牽引電機和液壓電機分別由各自的控制器控制；牽引電機、液壓電機及其他們的控制器采用一套水散系統(tǒng)，通過水循環(huán)對它們進(jìn)行散熱；

[0112]

所述牽引電機為整個鏟運機的行駛提供動力源，牽引電機轉(zhuǎn)速的不同直接影響到車速的不同，因此本發(fā)明利用電機節(jié)能控制方法在不同的工況下為牽引機選擇合適的轉(zhuǎn)速，可以達(dá)到節(jié)能的目的；

[0113]

所述牽引電機的控制方式可以分為轉(zhuǎn)速控制型和扭矩控制型，根據(jù)鏟運機的行駛運行特點，利用電機節(jié)能控制方法對牽引電機實行分段控制，當(dāng)鏟運機在低速檔位運行時，主要是用來鏟裝作業(yè)，需要很大的牽引力，對車速沒有特別的要求，所以電機提供大扭矩輸出；在高速檔位運行時，主要是用來運輸作業(yè)或者車輛轉(zhuǎn)場作業(yè)，主要需要一定的車速，提升運輸或者轉(zhuǎn)場的效率，所以需要電機提供較高的轉(zhuǎn)速，以滿足車輛對車速的要求。

[0114]

根據(jù)鏟運機的行駛運行特點，利用電機節(jié)能控制方法對牽引電機實行分段控制，當(dāng)鏟運機在低速檔位運行時，將油門開度百分比信號與電機目標(biāo)扭矩值設(shè)置為正比例關(guān)系，比例系數(shù)為0.6，檢測油門踏板的開度百分比信號，根據(jù)預(yù)先設(shè)置好的正比例函數(shù)關(guān)系計算出電機目標(biāo)扭矩值，將計算出的扭矩值作為牽引電機的扭矩值；當(dāng)鏟運機在高速檔位運行時，將油門開度百分比信號與電機轉(zhuǎn)速值設(shè)置為正比例關(guān)系，比例系數(shù)為0.5，檢測油門踏板的開度百分比信號，根據(jù)預(yù)先設(shè)置好的正比例函數(shù)關(guān)系計算出電機目標(biāo)轉(zhuǎn)速值，將計算出的轉(zhuǎn)速值作為牽引電機的轉(zhuǎn)速值。

[0115]

所述s4步驟中，利用電機節(jié)能控制方法控制能源消耗，包括：

[0116]

在本發(fā)明一個具體實施例中，液壓工作電機為鏟運機的液壓工作系統(tǒng)提供動力源，主要完成電動鏟運機的鏟裝、轉(zhuǎn)向、制動等工作，液壓工作電機連接工作泵，泵以液壓油為能量的傳遞介質(zhì)，將扭矩傳遞到工作裝置、轉(zhuǎn)向裝置及制動裝置，從而達(dá)到鏟運機工作節(jié)能的目的；

[0117]

所述液壓工作電機只是在鏟裝工作時，才提供所需求的扭矩和轉(zhuǎn)速，在運輸或者轉(zhuǎn)場作業(yè)時，只需保持怠速狀態(tài)，怠速所要求的轉(zhuǎn)速能滿足轉(zhuǎn)向及制動的要求即可，轉(zhuǎn)向及制動所消耗的功率相對鏟裝工作時，功率小很多；如此控制可以節(jié)省很多電能，有利于增加整車的續(xù)航時間。

[0118]

在鏟運機進(jìn)行鏟裝工作時，需要很大的鏟取力和提升力，所以采用扭矩控制型的方式，根據(jù)預(yù)先設(shè)定好的油門開度信號與電機扭矩的正比例關(guān)系，來控制電機達(dá)到需求的扭矩，實現(xiàn)鏟裝的目的。

[0119]

若檢測到工作手柄信號的開度為零，則判斷整個鏟運車處于待機、運輸或者轉(zhuǎn)場狀態(tài)，此時給液壓工作電機發(fā)送怠速信號，使其工作在預(yù)設(shè)的怠速轉(zhuǎn)速狀態(tài)下，預(yù)設(shè)的怠速轉(zhuǎn)速根據(jù)轉(zhuǎn)向和制動需求的最大功率而定，即怠速轉(zhuǎn)速γ＝0.2power，其中γ為怠速轉(zhuǎn)速，power為轉(zhuǎn)向和制動需求的最大功率；若檢測到工作手柄信號開度為非0，控制器會根據(jù)開度信號與電機轉(zhuǎn)速的正比例關(guān)系確定電機的轉(zhuǎn)速，控制電機按要求轉(zhuǎn)速運行，所述正比例關(guān)系系數(shù)為0.8。

[0120]

相對于現(xiàn)有技術(shù)，本發(fā)明提出一種智能電動鏟運機控制方法，該技術(shù)具有以下優(yōu)勢：

[0121]

首先，本方案對提出一種鏟運機智能控制模型，通過以識別出的道路區(qū)域和當(dāng)前鏟運機行駛信息為輸入，以鏟運機控制動作為輸出，構(gòu)建鏟運機智能控制模型，所構(gòu)建的鏟運機智能控制模型對鏟運機進(jìn)行動作控制的流程為：將鏟運機頭部相機的光心作為鏟運機起始點，計算道路圖像中每段道路區(qū)域的價值，則道路圖像中第s段道路區(qū)域價值r(n

s,1

，n

s，2

)的計算公式為：

[0122]

r(n

s，1

,n

s，2

)＝2

×

weights+1.2

×

lengths[0123]

其中：weights表示第s段道路區(qū)域的寬度；lengths表示第s段道路區(qū)域的長度；使

用q矩陣記錄道路圖像中每條道路的評分，q矩陣初始化為一個n

×

n的零矩陣，n表示道路圖像中的道路拐點的數(shù)目，從q矩陣中鏟運機頭部相機的光心作為初始節(jié)點n，q矩陣的更新策略為：

[0124][0125]

其中：q(n,a)表示由鏟運機從當(dāng)前起始點n通過道路轉(zhuǎn)移到點a的轉(zhuǎn)移評分，所述轉(zhuǎn)移評分即為道路轉(zhuǎn)移的幅度的倒數(shù)；r(n,a)表示以n為起點，a為終點的道路區(qū)域價值；α表示更新率；β表示衰變系數(shù)；q(n,a

′

)表示由起始點n轉(zhuǎn)移到點a

′

的轉(zhuǎn)移評分；對q矩陣進(jìn)行迭代更新，直到q矩陣中每條道路的轉(zhuǎn)移評分不發(fā)生變化；鏟運機從頭部相機的光心位置出發(fā)，在q矩陣中選取以當(dāng)前位置為起始點，且在q矩陣中道路轉(zhuǎn)移評分最大的轉(zhuǎn)移道路作為下一階段的運行道路，重復(fù)該步驟，直到鏟運機到達(dá)道路圖像中道路區(qū)域盡頭。相較于傳統(tǒng)方案，本方案通過在鏟運機頭部放置相機，頭部相機每隔20秒鐘拍攝一張道路圖像，并從道路圖像中提取道路，將提取到的道路以及鏟運機的實時位置作為鏟運機智能控制模型的輸入，利用鏟運機智能控制模型對鏟運機進(jìn)行實時行駛動作控制，所述鏟運機智能控制模型所選取的道路為長度、寬度且較大，且在行駛過程中鏟運機方向不會發(fā)生較大變化的道路。

[0126]

同時，本方案提出一種鏟運機智能控制模型的優(yōu)化方案，從而利用粒子群算法對鏟運機智能控制模型進(jìn)行參數(shù)優(yōu)化，所述粒子群優(yōu)化算法的流程為：1)隨機生成30個粒子，所述第i個粒子的位置信息為：

[0127]

xi＝(αi,βi)

[0128]

其中：αi表示鏟運機智能控制模型中的更新率值；βi表示鏟運機智能控制模型中的衰變系數(shù)值；2)初始化每個粒子的位置xi和速度vi，以及粒子群算法的最大迭代次數(shù)max；3)利用每個粒子的位置信息生成鏟運機智能控制模型，采集帶有最優(yōu)道路軌跡標(biāo)注的道路圖像，計算粒子的適應(yīng)度值：

[0129][0130]

其中：q(i)為第i個粒子生成的鏟運機智能控制模型，所控制的鏟運機行駛軌跡；l表示標(biāo)注的最優(yōu)道路軌跡；4)更新粒子的速度和位置：

[0131][0132][0133]

其中：x

best

(t)表示在第t輪迭代時，適應(yīng)度最高的粒子所對應(yīng)的粒子位置；x

best

表示從第一次迭代到第t次迭代，適應(yīng)度最高的粒子所對應(yīng)的粒子位置；ω表示慣性權(quán)重，當(dāng)ω＝0.72，當(dāng)ω＝0.2；c1表示加速因子，其值為0.2；c2表示加速因子，其值為0.1；r1,r2分別為(0,1)之間的隨機數(shù)；5)判斷次數(shù)迭代次數(shù)是否達(dá)到最大迭代次數(shù)max，若達(dá)到最大迭代次數(shù)，此時適應(yīng)度最高的粒子所對應(yīng)的位置信息即為鏟運機智能控制模型參數(shù)優(yōu)化結(jié)果；若未達(dá)到最大迭代次數(shù)，則返回步驟3)。相較于傳統(tǒng)方案，本方案利用粒子群優(yōu)化算法對所構(gòu)建的鏟運機智能控制模型進(jìn)行優(yōu)化，將粒子的位置坐標(biāo)作為鏟運機智能控制模型參數(shù)，在粒子群優(yōu)化迭代過程中，迭代初期粒子速度較大，有助于快速尋找到最優(yōu)粒子，避免陷入局部最優(yōu)解，迭代后期粒子速度較小，有助于在最優(yōu)解范圍內(nèi)進(jìn)行緩慢搜索，從而優(yōu)化得到最優(yōu)的鏟運機智能控制模型。

[0134]

最后，本方案提出一種鏟運機運行的電機節(jié)能控制方法，根據(jù)鏟運機的行駛運行特點，利用電機節(jié)能控制方法對牽引電機實行分段控制，當(dāng)鏟運機在低速檔位運行時，將油門開度百分比信號與電機目標(biāo)扭矩值設(shè)置為正比例關(guān)系，比例系數(shù)為0.6，檢測油門踏板的開度百分比信號，根據(jù)預(yù)先設(shè)置好的正比例函數(shù)關(guān)系計算出電機目標(biāo)扭矩值，將計算出的扭矩值作為牽引電機的扭矩值；當(dāng)鏟運機在高速檔位運行時，將油門開度百分比信號與電機轉(zhuǎn)速值設(shè)置為正比例關(guān)系，比例系數(shù)為0.5，檢測油門踏板的開度百分比信號，根據(jù)預(yù)先設(shè)置好的正比例函數(shù)關(guān)系計算出電機目標(biāo)轉(zhuǎn)速值，將計算出的轉(zhuǎn)速值作為牽引電機的轉(zhuǎn)速值。在鏟運機工作時，若檢測到工作手柄信號的開度為零，則判斷整車處于待機、運輸或者轉(zhuǎn)場狀態(tài)，此時給液壓工作電機發(fā)送怠速信號，使其工作在預(yù)設(shè)的怠速轉(zhuǎn)速狀態(tài)下，預(yù)設(shè)的怠速轉(zhuǎn)速根據(jù)轉(zhuǎn)向和制動需求的最大功率而定，即怠速轉(zhuǎn)速γ＝0.2power，其中γ為怠速轉(zhuǎn)速，power為轉(zhuǎn)向和制動需求的最大功率；若檢測到工作手柄信號開度為非0，控制器會根據(jù)開度信號與電機轉(zhuǎn)速的正比例關(guān)系確定電機的轉(zhuǎn)速，控制電機按要求轉(zhuǎn)速運行。由于牽引電機為整個鏟運機的行駛提供動力源，牽引電機轉(zhuǎn)速的不同直接影響到車速的不同，因此本方案利用電機節(jié)能控制方法在不同的工況下為牽引機選擇合適的轉(zhuǎn)速，可以達(dá)到節(jié)能的目的，同時液壓工作電機只是在鏟裝工作時，才提供所需求的扭矩和轉(zhuǎn)速，在運輸或者轉(zhuǎn)場作業(yè)時，只需保持怠速狀態(tài)，怠速所要求的轉(zhuǎn)速能滿足轉(zhuǎn)向及制動的要求即可，轉(zhuǎn)向及制動所消耗的功率相對鏟裝工作時功率小很多，通過對鏟運機的電機進(jìn)行節(jié)能控制，從而可以節(jié)省很多電能，有利于增加整車的續(xù)航時間。

附圖說明

[0135]

圖1為本發(fā)明一實施例提供的一種智能電動鏟運機控制方法的流程示意圖；

[0136]

圖2為本發(fā)明一實施例提供的一種智能電動鏟運機的電氣控制原理圖。

[0137]

本發(fā)明目的的實現(xiàn)、功能特點及優(yōu)點將結(jié)合實施例，參照附圖做進(jìn)一步說明。

具體實施方式

[0138]

應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

[0139]

s1：在鏟運機頭部安裝相機，利用相機獲取礦洞內(nèi)部實時的道路圖像，并對所獲取的道路圖像進(jìn)行相機標(biāo)定。

[0140]

所述s1步驟中，在鏟運機頭部安裝相機，利用相機獲取礦洞內(nèi)部實時的道路圖像，并對所獲取的道路圖像進(jìn)行相機標(biāo)定，包括：

[0141]

對鏟運機頭部相機獲取的道路圖像進(jìn)行相機標(biāo)定，所獲取道路圖像的尺寸為m

×

n像素，所述相機標(biāo)定流程為：

[0142]

將相機的光心o作為相機坐標(biāo)原點，相機坐標(biāo)原點的坐標(biāo)表示為(x0,y0,z0)，則道路圖像中像素點(x,y)在物理坐標(biāo)系下的實際位置坐標(biāo)(x

′

,y

′

)為：

[0143][0144][0145]

其中：

[0146]dx

為像素點(x,y)在x軸的增量；

[0147]dy

為像素點(x,y)在y軸的增量；

[0148]

在本發(fā)明一個具體實施例中，本發(fā)明將道路圖像中的像素坐標(biāo)映射到物理坐標(biāo)系下的實際坐標(biāo)。

[0149]

s2：對相機標(biāo)定后的道路圖像進(jìn)行預(yù)處理，利用道路識別算法識別預(yù)處理后道路圖像中的道路。

[0150]

所述s2步驟中，對相機標(biāo)定后的道路圖像進(jìn)行灰度化的預(yù)處理，包括：

[0151]

利用灰度化方法對相機標(biāo)定后的道路圖像進(jìn)行預(yù)處理，將道路圖像像素的rgb顏色分量轉(zhuǎn)換為灰度值，得到道路圖像的灰度圖，所述灰度化方法的公式為：

[0152]

gray

(i,j)

＝r

(i,j)

×

0.314+g

(i,j)

×

0.591+b

(i,j)

×

0.113

[0153]

其中：

[0154]r(i,j)

,g

(i,j)

,b

(i,j)

分別為道路圖像像素(i,j)在r，g，b三個顏色分量中的顏色值；

[0155]

gray

(i,j)

為像素(i,j)的灰度值。

[0156]

所述s2步驟中，利用灰度化方法對相機標(biāo)定后的道路圖像進(jìn)行預(yù)處理后，對灰度化處理后的道路圖像進(jìn)行二值化的預(yù)處理，包括：

[0157]

對道路圖像的灰度圖進(jìn)行二值化的預(yù)處理，所述二值化預(yù)處理的流程為：

[0158]

1)計算道路圖像灰度圖的平均灰度：

[0159][0160][0161]

其中：

[0162]m×

n像素為灰度圖的大?。?br />
[0163]

k表示灰度圖的灰度級；

[0164]

ρ(k)為灰度級為k的像素出現(xiàn)的概率；

[0165]

n(k)為灰度級為k的像素出現(xiàn)的個數(shù)；

[0166]

2)以灰度級m為分割閾值，小于此閾值為背景，大于等于此閾值為前景，從而將灰度圖分成前景和背景，則背景灰度值為：

[0167][0168]

背景數(shù)比例為：

[0169][0170]

前景灰度值為：

[0171]

[0172]

前景數(shù)比例為：

[0173][0174]

3)計算前景和背景的方差：

[0175]

σ＝wb×

(μ

b-μ)2+wf×

(μ

f-μ)2[0176]

通過對分割閾值m進(jìn)行修改，使得前景和背景的方差達(dá)到最大，此時的分割閾值為最佳分割閾值，并以最佳分割閾值進(jìn)行灰度圖的二值化分割處理，得到預(yù)處理完成的道路圖像。

[0177]

所述s2步驟中，利用道路識別算法識別預(yù)處理后道路圖像中的道路，包括：

[0178]

利用道路識別算法識別道路圖像中的道路，所述道路識別算法流程為：

[0179]

1)將道路圖像轉(zhuǎn)換為道路圖像像素矩陣a，其中a(i,j)表示道路圖像像素矩陣中第i行第j列的像素值，在本發(fā)明一個具體實施例中，a(i,j)同時表示道路圖像中坐標(biāo)為(i,j)的像素的像素值；對道路圖像像素矩陣a進(jìn)行腐蝕處理：

[0180][0181]

其中：

[0182]

a表示道路圖像像素矩陣a；

[0183]

(x,y)表示圖像像元；

[0184]

b表示腐蝕矩陣，所采用的腐蝕矩陣為：

[0185][0186]

將b在a上順序移動，當(dāng)b平移到a的位置(i,j)時，若b在(i,j)處完全被包含在矩陣a內(nèi)，則將輸出結(jié)果對應(yīng)的位置(i,j)賦值為1，否則賦值為0；

[0187]

2)對腐蝕后的道路圖像像素矩陣進(jìn)行膨脹處理：

[0188][0189]

其中：

[0190]a′

表示腐蝕后的道路圖像像素矩陣；

[0191]

c表示膨脹矩陣，所采用的膨脹矩陣為：

[0192][0193]

將b平移到a的(x,y)位置；若b在(x,y)處與a

′

的交集不為空，則將輸出結(jié)果對應(yīng)的(x,y)賦值為1，否則賦值為0；

[0194]

3)將經(jīng)過腐蝕膨脹后的道路圖像像素矩陣轉(zhuǎn)換為道路圖像，此時道路圖像中保留的白線為識別出的道路邊緣，兩條白線的內(nèi)部區(qū)域為道路區(qū)域。

[0195]

s3：構(gòu)建鏟運機智能控制模型，鏟運機智能控制模型以上述道路識別結(jié)果和當(dāng)前鏟運機行駛信息為輸入，以鏟運機控制動作為輸出。

[0196]

所述s3步驟中，構(gòu)建鏟運機智能控制模型，包括：

[0197]

以識別出的道路區(qū)域和當(dāng)前鏟運機行駛信息為輸入，以鏟運機控制動作為輸出，構(gòu)建鏟運機智能控制模型，所構(gòu)建的鏟運機智能控制模型對鏟運機進(jìn)行動作控制的流程

為：

[0198]

將鏟運機頭部相機的光心作為鏟運機起始點，計算道路圖像中每段道路區(qū)域的價值，則道路圖像中第s段道路區(qū)域價值r(n

s,1

,n

s,2

)的計算公式為：

[0199]

r(n

s,1

,n

s,2

)＝2

×

weights+1.2

×

lengths[0200]

其中：

[0201]

weights表示第s段道路區(qū)域的寬度；

[0202]

lengths表示第s段道路區(qū)域的長度；

[0203]

使用q矩陣記錄道路圖像中每條道路的評分，q矩陣初始化為一個n

×

n的零矩陣，n表示道路圖像中的道路拐點的數(shù)目，從q矩陣中鏟運機頭部相機的光心作為初始節(jié)點n，q矩陣的更新策略為：

[0204][0205]

其中：

[0206]

q(n,a)表示由鏟運機從當(dāng)前起始點n通過道路轉(zhuǎn)移到點a的轉(zhuǎn)移評分，所述轉(zhuǎn)移評分即為道路轉(zhuǎn)移的幅度的倒數(shù)；

[0207]

r(n,a)表示以n為起點，a為終點的道路區(qū)域價值；

[0208]

α表示更新率；

[0209]

β表示衰變系數(shù)；

[0210]

q(n,a

′

)表示由起始點n轉(zhuǎn)移到點a

′

的轉(zhuǎn)移評分；

[0211]

對q矩陣進(jìn)行迭代更新，直到q矩陣中每條道路的轉(zhuǎn)移評分不發(fā)生變化；

[0212]

鏟運機從頭部相機的光心位置出發(fā)，在q矩陣中選取以當(dāng)前位置為起始點，且在q矩陣中道路轉(zhuǎn)移評分最大的轉(zhuǎn)移道路作為下一階段的運行道路，重復(fù)該步驟，直到鏟運機到達(dá)指定作業(yè)位置；

[0213]

在本發(fā)明一個具體實施例中，頭部相機每隔20秒鐘拍攝一張道路圖像，并從道路圖像中提取道路，將提取到的道路以及鏟運機的實時位置作為鏟運機智能控制模型的輸入，利用鏟運機智能控制模型對鏟運機進(jìn)行實時行駛動作控制；當(dāng)鏟運機達(dá)到指定作業(yè)位置后執(zhí)行預(yù)設(shè)的鏟運作業(yè)，當(dāng)完成鏟運作業(yè)后，利用鏟運機智能控制模型控制鏟運機行駛，直到返回鏟運機起始點。

[0214]

在本發(fā)明一個具體實施例中，鏟運機內(nèi)工作人員僅需要進(jìn)行車速控制以及鏟運作業(yè)。

[0215]

s4：利用粒子群算法對鏟運機智能控制模型進(jìn)行優(yōu)化，得到最優(yōu)的鏟運機智能控制模型，并利用模型對鏟運機進(jìn)行行駛控制，直到鏟運機到達(dá)指定作業(yè)位置；在鏟運機行駛以及執(zhí)行鏟運作業(yè)時，利用電機節(jié)能控制方法控制能源消耗。

[0216]

所述s4步驟中，利用粒子群算法對鏟運機智能控制模型進(jìn)行優(yōu)化，包括：

[0217]

利用粒子群算法對鏟運機智能控制模型進(jìn)行優(yōu)化，所述粒子群優(yōu)化算法的流程為：

[0218]

1)隨機生成30個粒子，所述第i個粒子的位置信息為：

[0219]

xi＝(αi,βi)

[0220]

其中：

[0221]

αi表示鏟運機智能控制模型中的更新率值；

[0222]

βi表示鏟運機智能控制模型中的衰變系數(shù)值；

[0223]

2)初始化每個粒子的位置xi和速度vi，以及粒子群算法的最大迭代次數(shù)max；

[0224]

3)利用每個粒子的位置信息生成鏟運機智能控制模型，采集帶有最優(yōu)道路軌跡標(biāo)注的道路圖像，計算粒子的適應(yīng)度值：

[0225][0226]

其中：

[0227]

q(i)為第i個粒子生成的鏟運機智能控制模型，所控制的鏟運機行駛軌跡；

[0228]

l表示標(biāo)注的最優(yōu)道路軌跡；

[0229]

4)更新粒子的速度和位置：

[0230][0231][0232]

其中：

[0233]

x

best

(t)表示在第t輪迭代時，適應(yīng)度最高的粒子所對應(yīng)的粒子位置；

[0234]

x

best

表示從第一次迭代到第t次迭代，適應(yīng)度最高的粒子所對應(yīng)的粒子位置；

[0235]

ω表示慣性權(quán)重，當(dāng)ω＝0.72，當(dāng)ω＝0.2；

[0236]

c1表示加速因子，其值為0.2；

[0237]

c2表示加速因子，其值為0.1；

[0238]

r1,r2分別為(0,1)之間的隨機數(shù)；

[0239]

5)判斷次數(shù)迭代次數(shù)是否達(dá)到最大迭代次數(shù)max，若達(dá)到最大迭代次數(shù)，此時適應(yīng)度最高的粒子所對應(yīng)的位置信息即為鏟運機智能控制模型參數(shù)優(yōu)化結(jié)果；若未達(dá)到最大迭代次數(shù)，則返回步驟3)。

[0240]

所述s4步驟中，利用電機節(jié)能控制方法控制能源消耗，包括利用電機節(jié)能控制方法控制鏟運機中的牽引電機：

[0241]

在本發(fā)明一個具體實施例中，所述電動鏟運機采用電池做為能源，車輛的行駛采用牽引電機，工作及其它輔助系統(tǒng)采用液壓工作電機，電動鏟運機的電氣控制系統(tǒng)包括電池、電源管理系統(tǒng)bms、水冷系統(tǒng)、充電樁、多合一控制器(配電)、dc-dc、牽引電機及其控制器、液壓電機及其控制器、空調(diào)系統(tǒng)及整車弱電系統(tǒng)vcu；

[0242]

電池提供整車運行的能源，電源管理系統(tǒng)bms控制電池電流的輸出、檢測電池運行的一些狀態(tài)參數(shù)，比如電壓、電流、溫度等；充電樁通過電源管理系統(tǒng)bms給電池充電；水冷系統(tǒng)是給電池散熱的一套制冷系統(tǒng)；多合一控制器連接電源管理系統(tǒng)bms，將高壓電分配分別輸送給兩個電機控制器、空調(diào)壓縮機和dc-dc；dc-dc將接收到的高壓電轉(zhuǎn)換為低壓電，直流24v或12v，為整車各控制器及弱電系統(tǒng)的工作提供電源；牽引電機為整車的行駛提供動力源，液壓電機為整車的工作及輔助系統(tǒng)提供動力源；牽引電機和液壓電機分別由各自的控制器控制；牽引電機、液壓電機及其他們的控制器采用一套水散系統(tǒng)，通過水循環(huán)對它們進(jìn)行散熱；

[0243]

所述牽引電機為整個鏟運機的行駛提供動力源，牽引電機轉(zhuǎn)速的不同直接影響到車速的不同，因此本發(fā)明利用電機節(jié)能控制方法在不同的工況下為牽引機選擇合適的轉(zhuǎn)

速，可以達(dá)到節(jié)能的目的；

[0244]

所述牽引電機的控制方式可以分為轉(zhuǎn)速控制型和扭矩控制型，根據(jù)鏟運機的行駛運行特點，利用電機節(jié)能控制方法對牽引電機實行分段控制，當(dāng)鏟運機在低速檔位運行時，主要是用來鏟裝作業(yè)，需要很大的牽引力，對車速沒有特別的要求，所以電機提供大扭矩輸出；在高速檔位運行時，主要是用來運輸作業(yè)或者車輛轉(zhuǎn)場作業(yè)，主要需要一定的車速，提升運輸或者轉(zhuǎn)場的效率，所以需要電機提供較高的轉(zhuǎn)速，以滿足車輛對車速的要求。

[0245]

根據(jù)鏟運機的行駛運行特點，利用電機節(jié)能控制方法對牽引電機實行分段控制，當(dāng)鏟運機在低速檔位運行時，將油門開度百分比信號與電機目標(biāo)扭矩值設(shè)置為正比例關(guān)系，比例系數(shù)為0.6，檢測油門踏板的開度百分比信號，根據(jù)預(yù)先設(shè)置好的正比例函數(shù)關(guān)系計算出電機目標(biāo)扭矩值，將計算出的扭矩值作為牽引電機的扭矩值；當(dāng)鏟運機在高速檔位運行時，將油門開度百分比信號與電機轉(zhuǎn)速值設(shè)置為正比例關(guān)系，比例系數(shù)為0.5，檢測油門踏板的開度百分比信號，根據(jù)預(yù)先設(shè)置好的正比例函數(shù)關(guān)系計算出電機目標(biāo)轉(zhuǎn)速值，將計算出的轉(zhuǎn)速值作為牽引電機的轉(zhuǎn)速值。

[0246]

所述s4步驟中，利用電機節(jié)能控制方法控制能源消耗，包括利用電機節(jié)能控制方法控制鏟運機中的液壓工作電機：

[0247]

在本發(fā)明一個具體實施例中，液壓工作電機為鏟運機的液壓工作系統(tǒng)提供動力源，主要完成電動鏟運機的鏟裝、轉(zhuǎn)向、制動等工作，液壓工作電機連接工作泵，泵以液壓油為能量的傳遞介質(zhì)，將扭矩傳遞到工作裝置、轉(zhuǎn)向裝置及制動裝置，從而達(dá)到鏟運機工作節(jié)能的目的；

[0248]

所述液壓工作電機只是在鏟裝工作時，才提供所需求的扭矩和轉(zhuǎn)速，在運輸或者轉(zhuǎn)場作業(yè)時，只需保持怠速狀態(tài)，怠速所要求的轉(zhuǎn)速能滿足轉(zhuǎn)向及制動的要求即可，轉(zhuǎn)向及制動所消耗的功率相對鏟裝工作時，功率小很多；如此控制可以節(jié)省很多電能，有利于增加整車的續(xù)航時間。

[0249]

在鏟運機進(jìn)行鏟裝工作時，需要很大的鏟取力和提升力，所以采用扭矩控制型的方式，根據(jù)預(yù)先設(shè)定好的油門開度信號與電機扭矩的正比例關(guān)系，來控制電機達(dá)到需求的扭矩，實現(xiàn)鏟裝的目的。

[0250]

若檢測到工作手柄信號的開度為零，則判斷整車處于待機、運輸或者轉(zhuǎn)場狀態(tài)，此時給液壓工作電機發(fā)送怠速信號，使其工作在預(yù)設(shè)的怠速轉(zhuǎn)速狀態(tài)下，預(yù)設(shè)的怠速轉(zhuǎn)速根據(jù)轉(zhuǎn)向和制動需求的最大功率而定，即怠速轉(zhuǎn)速γ＝0.2power，其中γ為怠速轉(zhuǎn)速，power為轉(zhuǎn)向和制動需求的最大功率；若檢測到工作手柄信號開度為非0，控制器會根據(jù)開度信號與電機轉(zhuǎn)速的正比例關(guān)系確定電機的轉(zhuǎn)速，控制電機按要求轉(zhuǎn)速運行，所述正比例關(guān)系系數(shù)為0.8。

[0251]

參考圖2所示，為本發(fā)明一實施例提供的智能電動鏟運機的電氣控制原理圖，所述電動鏟運機采用電池做為能源，車輛的行駛采用牽引電機，工作及其它輔助系統(tǒng)采用液壓工作電機，電動鏟運機的電氣控制系統(tǒng)包括電池、電源管理系統(tǒng)bms、水冷系統(tǒng)、充電樁、多合一控制器(配電)、dc-dc、牽引電機及其控制器、液壓電機及其控制器、空調(diào)系統(tǒng)及整車弱電系統(tǒng)vcu；

[0252]

電池提供整車運行的能源，電源管理系統(tǒng)bms控制電池電流的輸出、檢測電池運行的一些狀態(tài)參數(shù)，比如電壓、電流、溫度等；充電樁通過電源管理系統(tǒng)bms給電池充電；水冷

系統(tǒng)是給電池散熱的一套制冷系統(tǒng)；多合一控制器連接電源管理系統(tǒng)bms，將高壓電分配分別輸送給兩個電機控制器、空調(diào)壓縮機和dc-dc；dc-dc將接收到的高壓電轉(zhuǎn)換為低壓電，直流24v或12v，為整車各控制器及弱電系統(tǒng)的工作提供電源；牽引電機為整車的行駛提供動力源，液壓電機為整車的工作及輔助系統(tǒng)提供動力源；牽引電機和液壓電機分別由各自的控制器控制；牽引電機、液壓電機及其他們的控制器采用一套水散系統(tǒng)，通過水循環(huán)對它們進(jìn)行散熱。

[0253]

需要說明的是，上述本發(fā)明實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。并且本文中的術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、裝置、物品或者方法不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、裝置、物品或者方法所固有的要素。在沒有更多限制的情況下，由語句“包括一個

……”

限定的要素，并不排除在包括該要素的過程、裝置、物品或者方法中還存在另外的相同要素。

[0254]

通過以上的實施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到上述實施例方法可借助軟件加必需的通用硬件平臺的方式來實現(xiàn)，當(dāng)然也可以通過硬件，但很多情況下前者是更佳的實施方式?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在如上所述的一個存儲介質(zhì)(如rom/ram、磁碟、光盤)中，包括若干指令用以使得一臺終端設(shè)備(可以是手機，計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述的方法。

[0255]

以上僅為本發(fā)明的優(yōu)選實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。技術(shù)特征：

1.一種智能電動鏟運機控制方法，其特征在于，所述方法包括：s1：在鏟運機頭部安裝相機，利用相機獲取礦洞內(nèi)部實時的道路圖像，并對所獲取的道路圖像進(jìn)行相機標(biāo)定；s2：對相機標(biāo)定后的道路圖像進(jìn)行預(yù)處理，利用道路識別算法識別預(yù)處理后道路圖像中的道路；s3：構(gòu)建鏟運機智能控制模型，鏟運機智能控制模型以上述道路識別結(jié)果和當(dāng)前鏟運機行駛信息為輸入，以鏟運機控制動作為輸出；s4：利用粒子群算法對鏟運機智能控制模型進(jìn)行優(yōu)化，得到最優(yōu)的鏟運機智能控制模型，并利用模型對鏟運機進(jìn)行行駛控制，直到鏟運機到達(dá)指定作業(yè)位置；在鏟運機行駛以及執(zhí)行鏟運作業(yè)時，利用電機節(jié)能控制方法控制能源消耗。2.如權(quán)利要求1所述的一種智能電動鏟運機控制方法，其特征在于，所述s1步驟中，在鏟運機頭部安裝相機，利用相機獲取礦洞內(nèi)部實時的道路圖像，并對所獲取的道路圖像進(jìn)行相機標(biāo)定，包括：對鏟運機頭部相機獲取的道路圖像進(jìn)行相機標(biāo)定，所獲取道路圖像的尺寸為m

×

n像素，所述相機標(biāo)定流程為：將相機的光心o作為相機坐標(biāo)原點，相機坐標(biāo)原點的坐標(biāo)表示為(x0,y0,z0)，則道路圖像中像素點(x,y)在物理坐標(biāo)系下的實際位置坐標(biāo)(x

′

,y

′

)為：)為：其中：d

x

為像素點(x,y)在x軸的增量；d

y

為像素點(x,y)在y軸的增量。3.如權(quán)利要求1所述的一種智能電動鏟運機控制方法，其特征在于，所述s2步驟中，對相機標(biāo)定后的道路圖像進(jìn)行灰度化的預(yù)處理，包括：利用灰度化方法對相機標(biāo)定后的道路圖像進(jìn)行預(yù)處理，將道路圖像像素的rgb顏色分量轉(zhuǎn)換為灰度值，得到道路圖像的灰度圖，所述灰度化方法的公式為：gray

(i,j)

＝r

(i,j)

×

0.314+g

(i,j)

×

0.591+b

(i,j)

×

0.113其中：r

(i,j)

,g

(i,j)

,b

(i,j)

分別為道路圖像像素(i,j)在r，g，b三個顏色分量中的顏色值；gray

(i,j)

為像素(i,j)的灰度值。4.如權(quán)利要求3所述的一種智能電動鏟運機控制方法，其特征在于，所述s2步驟中，利用灰度化方法對相機標(biāo)定后的道路圖像進(jìn)行預(yù)處理后，對灰度化處理后的道路圖像進(jìn)行二值化的預(yù)處理，包括：對道路圖像的灰度圖進(jìn)行二值化的預(yù)處理，所述二值化預(yù)處理的流程為：1)計算道路圖像灰度圖的平均灰度：

其中：m

×

n像素為灰度圖的大??；k表示灰度圖的灰度級；ρ(k)為灰度級為k的像素出現(xiàn)的概率；n(k)為灰度級為k的像素出現(xiàn)的個數(shù)；2)以灰度級m為分割閾值，小于此閾值為背景，大于等于此閾值為前景，從而將灰度圖分成前景和背景，則背景灰度值為：背景數(shù)比例為：前景灰度值為：前景數(shù)比例為：3)計算前景和背景的方差：σ＝w

b

×

(μ

b-μ)2+w

f

×

(μ

f-μ)2通過對分割閾值m進(jìn)行修改，使得前景和背景的方差達(dá)到最大，此時的分割閾值為最佳分割閾值，并以最佳分割閾值進(jìn)行灰度圖的二值化分割處理，得到預(yù)處理完成的道路圖像。5.如權(quán)利要求1所述的一種智能電動鏟運機控制方法，其特征在于，所述s2步驟中，利用道路識別算法識別預(yù)處理后道路圖像中的道路，包括：利用道路識別算法識別道路圖像中的道路，所述道路識別算法流程為：1)將道路圖像轉(zhuǎn)換為道路圖像像素矩陣a，其中a(i,j)表示道路圖像像素矩陣中第i行第j列的像素值；對道路圖像像素矩陣a進(jìn)行腐蝕處理：其中：a表示道路圖像像素矩陣a；(x,y)表示圖像像元；

b表示腐蝕矩陣，所采用的腐蝕矩陣為：將b在a上順序移動，當(dāng)b平移到a的位置(i,j)時，若b在(i,j)處完全被包含在矩陣a內(nèi)，則將輸出結(jié)果對應(yīng)的位置(i,j)賦值為1，否則賦值為0；2)對腐蝕后的道路圖像像素矩陣進(jìn)行膨脹處理：其中：a

′

表示腐蝕后的道路圖像像素矩陣；c表示膨脹矩陣，所采用的膨脹矩陣為：將b平移到a的(x,y)位置；若b在(x,y)處與a

′

的交集不為空，則將輸出結(jié)果對應(yīng)的(x,y)賦值為1，否則賦值為0；3)將經(jīng)過腐蝕膨脹后的道路圖像像素矩陣轉(zhuǎn)換為道路圖像，此時道路圖像中保留的白線為識別出的道路邊緣，兩條白線的內(nèi)部區(qū)域為道路區(qū)域。6.如權(quán)利要求1所述的一種智能電動鏟運機控制方法，其特征在于，所述s3步驟中，構(gòu)建鏟運機智能控制模型，包括：以識別出的道路區(qū)域和當(dāng)前鏟運機行駛信息為輸入，以鏟運機控制動作為輸出，構(gòu)建鏟運機智能控制模型，所構(gòu)建的鏟運機智能控制模型對鏟運機進(jìn)行動作控制的流程為：將鏟運機頭部相機的光心作為鏟運機起始點，計算道路圖像中每段道路區(qū)域的價值，則道路圖像中第s段道路區(qū)域價值r(n

s,1

,n

s，2

)的計算公式為：r(n

s,1

,n

s,2

)＝2

×

weight

s

+1.2

×

length

s

其中：weight

s

表示第s段道路區(qū)域的寬度；length

s

表示第s段道路區(qū)域的長度；使用q矩陣記錄道路圖像中每條道路的評分，q矩陣初始化為一個n

×

n的零矩陣，n表示道路圖像中的道路拐點的數(shù)目，從q矩陣中鏟運機頭部相機的光心作為初始節(jié)點n，q矩陣的更新策略為：其中：q(n,a)表示由鏟運機從當(dāng)前起始點n通過道路轉(zhuǎn)移到點a的轉(zhuǎn)移評分，所述轉(zhuǎn)移評分即為道路轉(zhuǎn)移的幅度的倒數(shù)；r(n,a)表示以n為起點，a為終點的道路區(qū)域價值；α表示更新率；β表示衰變系數(shù)；q(n,a

′

)表示由起始點n轉(zhuǎn)移到點a

′

的轉(zhuǎn)移評分；對q矩陣進(jìn)行迭代更新，直到q矩陣中每條道路的轉(zhuǎn)移評分不發(fā)生變化；鏟運機從頭部相機的光心位置出發(fā)，在q矩陣中選取以當(dāng)前位置為起始點，且在q矩陣

中道路轉(zhuǎn)移評分最大的轉(zhuǎn)移道路作為下一階段的運行道路，重復(fù)該步驟，直到鏟運機到達(dá)指定作業(yè)位置。7.如權(quán)利要求6所述的一種智能電動鏟運機控制方法，其特征在于，所述s4步驟中，利用粒子群算法對鏟運機智能控制模型進(jìn)行優(yōu)化，包括：利用粒子群算法對鏟運機智能控制模型進(jìn)行優(yōu)化，所述粒子群優(yōu)化算法的流程為：1)隨機生成30個粒子，所述第i個粒子的位置信息為：x

i

＝(α

i

,β

i

)其中：α

i

表示鏟運機智能控制模型中的更新率值；β

i

表示鏟運機智能控制模型中的衰變系數(shù)值；2)初始化每個粒子的位置x

i

和速度v

i

，以及粒子群算法的最大迭代次數(shù)max；3)利用每個粒子的位置信息生成鏟運機智能控制模型，采集帶有最優(yōu)道路軌跡標(biāo)注的道路圖像，計算粒子的適應(yīng)度值：其中：q(i)為第i個粒子生成的鏟運機智能控制模型，所控制的鏟運機行駛軌跡；l表示標(biāo)注的最優(yōu)道路軌跡；4)更新粒子的速度和位置：4)更新粒子的速度和位置：其中：x

best

(t)表示在第t輪迭代時，適應(yīng)度最高的粒子所對應(yīng)的粒子位置；x

best

表示從第一次迭代到第t次迭代，適應(yīng)度最高的粒子所對應(yīng)的粒子位置；ω表示慣性權(quán)重，當(dāng)ω＝0.72，當(dāng)ω＝0.2；c1表示加速因子，其值為0.2；c2表示加速因子，其值為0.1；r1,r2分別為(0,1)之間的隨機數(shù)；5)判斷次數(shù)迭代次數(shù)是否達(dá)到最大迭代次數(shù)max，若達(dá)到最大迭代次數(shù)，此時適應(yīng)度最高的粒子所對應(yīng)的位置信息即為鏟運機智能控制模型參數(shù)優(yōu)化結(jié)果；若未達(dá)到最大迭代次數(shù)，則返回步驟3)。8.如權(quán)利要求1所述的一種智能電動鏟運機控制方法，其特征在于，所述s4步驟中，利用電機節(jié)能控制方法控制能源消耗，包括：利用電機節(jié)能控制方法控制鏟運機中的牽引電機，所述牽引電機的控制流程為：根據(jù)鏟運機的行駛運行特點，利用電機節(jié)能控制方法對牽引電機實行分段控制，當(dāng)鏟運機在低速檔位運行時，將油門開度百分比信號與電機目標(biāo)扭矩值設(shè)置為正比例關(guān)系，比例系數(shù)為0.6，檢測油門踏板的開度百分比信號，根據(jù)預(yù)先設(shè)置好的正比例函數(shù)關(guān)系計算出電機目標(biāo)扭矩值，將計算出的扭矩值作為牽引電機的扭矩值；當(dāng)鏟運機在高速檔位運行時，

將油門開度百分比信號與電機轉(zhuǎn)速值設(shè)置為正比例關(guān)系，比例系數(shù)為0.5，檢測油門踏板的開度百分比信號，根據(jù)預(yù)先設(shè)置好的正比例函數(shù)關(guān)系計算出電機目標(biāo)轉(zhuǎn)速值，將計算出的轉(zhuǎn)速值作為牽引電機的轉(zhuǎn)速值。9.如權(quán)利要求1所述的一種智能電動鏟運機控制方法，其特征在于，所述s4步驟中，利用電機節(jié)能控制方法控制能源消耗，包括：利用電機節(jié)能控制方法控制鏟運機中的液壓工作電機，所述液壓工作電機的控制流程為：若檢測到工作手柄信號的開度為零，則判斷整個鏟運機處于待機、運輸或者轉(zhuǎn)場狀態(tài)，此時給液壓工作電機發(fā)送怠速信號，使其工作在預(yù)設(shè)的怠速轉(zhuǎn)速狀態(tài)下，預(yù)設(shè)的怠速轉(zhuǎn)速根據(jù)轉(zhuǎn)向和制動需求的最大功率而定，即怠速轉(zhuǎn)速γ＝0.2power，其中γ為怠速轉(zhuǎn)速，power為轉(zhuǎn)向和制動需求的最大功率；若檢測到工作手柄信號開度為非0，控制器會根據(jù)開度信號與電機轉(zhuǎn)速的正比例關(guān)系確定電機的轉(zhuǎn)速，控制電機按要求轉(zhuǎn)速運行，所述正比例關(guān)系系數(shù)為0.8。

技術(shù)總結(jié)

本發(fā)明涉及鏟運機自動控制的技術(shù)領(lǐng)域，公開了一種智能電動鏟運機控制方法，包括：在鏟運機頭部安裝相機，利用相機獲取礦洞內(nèi)部實時的道路圖像，并對所獲取的道路圖像進(jìn)行相機標(biāo)定；對相機標(biāo)定后的道路圖像進(jìn)行預(yù)處理，利用道路識別算法識別預(yù)處理后道路圖像中的道路；構(gòu)建鏟運機智能控制模型；利用粒子群算法對鏟運機智能控制模型進(jìn)行優(yōu)化，得到最優(yōu)鏟運機智能控制模型，并利用最優(yōu)鏟運機智能控制模型對鏟運機進(jìn)行行駛控制，并利用電機節(jié)能控制方法控制能源消耗。本發(fā)明所述方法通過對礦洞內(nèi)的道路進(jìn)行識別，根據(jù)識別得到的道路利用最優(yōu)鏟運機智能控制模型對鏟運機進(jìn)行行駛控制以及節(jié)能控制，從而實現(xiàn)鏟運機的智能控制，自動進(jìn)行礦物運輸。行礦物運輸。行礦物運輸。

技術(shù)研發(fā)人員：李達(dá) 劉仕輝 高正 張義 鄭成博

受保護(hù)的技術(shù)使用者：青島中鴻重型機械有限公司

技術(shù)研發(fā)日：2021.12.08

技術(shù)公布日：2022/3/18