地下10挖掘机大理国产小型挖掘机农用果园挖土机小挖机基于函数链神经网络的土壤振动掘削阻力软测量模型
则函数链神经网络的输入值为：l，^，彳，#。
图5_7函数链神经网络不意图
校正用函数链神经网络的输出值X，(七)为：
x黜)：壹≈％(七) (5—14)
jffio
式中，彤∞为第七步时的权值，彤@+1)=形∞+叩而∞工-ej(k)=Xi(yi)一xje,s．t(七)，r／i为学习
因子，它的选择影响到迭代的稳定性和收敛速度，取ill=1-ldM，M为更大迭代次数。
校正用函数链神经网络的输出值x，(足)与土壤振动掘削阻力测量值五∞)进行比
较，经校正用函数链神经网络学习，求出校正用函数链神经网络的输出估计值与土壤振
动掘削阻力测量值X∞)均方差在全局范围内的更小值：
min∑lq【工严(七)一xI(Jj)】2：窆【(％(七)+啊 min∑【工严(七)一xI(Jj)】2= ∑【Ip乞(七)+啊 +矸，2(七)工i2 ，2(七)工i‘ -l-W3(k)．giJ 一)一X(xl】2(5-Ivain(k)Xi J— Xi(xi)J 5) 。7
扛l iffil
即该更小值是关于权值％、胍、％和鹏的函数。
一般而言，权值％、矾为同一数量级，％比鹏至少低一个数量级，鹏比％低
更多的数量级。所低的数量级由软测量模型非线性特性的非线性程度确定。当得到更优
解％、啊、％和％后，有c0=mo，cl=川，C2=％，c3=鹏，将所求得的待定系数co、
cl、c2、c3存入内存。
将学习完毕的函数链神经网络与软测量模型串联，就构成如图5—8所示的土壤振动
掘削阻力软测量系统。
联系方式:
杨先生：
5．3．4振动掘削阻力软测量模型应用
以土壤振动掘削实际情况为例，研究土壤振动掘削阻力软测量模型在线软测量的可
靠性。在土壤振动掘削过程的前25min内读取的100组(包括土壤振动掘削阻力、振幅、 第五章基于函数链神经网络的土壤振动掘削阻力软测量模型
振动频率与插入速度等4种信号数*据)经EMD去噪声处理数*据中的前50组对土壤振动
掘削阻力软测量模型进行训练，并用后50组数*据对训练后的模型进行检验，其结果如
表5．1l所示。
表5—10土壤振动掘削阻力软测量值与实际测量值对比 第五章基于函数链神经网络的土壤振动掘削阻力软测量模型
31 10．2483 25．6208 20．6208 14．3465 14．3656
32 10．1433 25．3583 20．3583 14．4232 14．3823
33 10．0362 25．0904 20。0904 14．3639 14．3993
34 9．92701 24．8175 19．8175 14．3866 14．4166
35 9．8 1596 24．5399 19．5399 14．3924 14．4342
36 9．70312 24．2578 19．2578 14．4312 14．4521
37 9．5886 23．9715 18．9715 14．4420 14．4702
38 9．4725 23．6812 18．6812 14．4668 14．4886
39 9．3550 23．3874 18．3874 14．5 127 14．50r72
40 9．236l 23．0902 18．0902 14．5416 14．5261
41 9．1l∞ 22．7899 17．7899 14．5515 14．5451
42 8．9948 22．4869 17．4869 14．5334 14．5643
43 8．8726 22．1814 17．1814 14．5573 14．5837
44 8．7495 21．8738 16．8738 14．5823 14．6032
45 8．6257 21．5643 16．5643 14．6082 14．62：硌
46 8．5013 21．2533 16．2533 14．6152 14．6425
47 8．3764 20．9411 15．941 1 14．6332 14．6623
48 8．2512 20．6279 15．6279 14．6512 14．6821
49 8．1256 20．3141 15．3141 14．6712 14．7021
50 8．0000 20．0000 15．OO∞ 14．7002 14．7220
51 7．8744 19．6859 14．6859 14．729l 14．7419
52 7．7488 19．3721 14．3721 14．7381 14．7618
53 7．623晤 19．0589 14．0590 14．827l 14．7817
54 7．4987 18．7467 13．7467 14．8151 14．8015
55 7．3743 18．4357 13．4357 14．8271 14．8212
56 7．2505 18．1262 13．1262 14．82舳 14．8408
57 7．1274 17．8186 12．8186 14．8430 14．8603
58 7．0052 17．5131 12．5131 14．8679 14．879r7
59 6．8840 17．2l∞ 12．2101 14．8798 14．89眇
60 6．7639 16．9098 11．9098 14．9097 14．9l。79
6l 6．6450 16．6126 11．6126 14．91跖 14．9368
62 6．5275 16．3186 11．3188 14．9孓幅 14．9554
63 6．41 14 16．0285 11．0285 14．9583 14．9r738
64 6．2969 15．7422 10．7422 14．9691 14．9919
65 6．1840 15．4600 10．4601 14．9889 15．0098 第五章基于函数链神经网络的土壤振动掘削阻力软测量模型
66 6．0730 15．1825 10．1825 15．0047 15．0274
67 5．9638 14．9096 9．9096 15．0574 15．0447
68 5．8567 14．“17 9．“17 15．0771 15．0617
69 5．75 17 14．3792 9．3792 15．0648 15．0784
70 5．6489 14．1 221 9．1 221 15．0874 15．0947
7l 5．5484 13．8709 8．8709 15．1060 15．1106
72 5．4503 13．6258 8．6258 15．1316 15．1261
73 5．3548 13．3869 8．3869 15．1531 15．1413
74 5．2618 13．1545 8．1545 15．1406 15．1560
75 5．1716 12．9289 7．9289 15．1530 15．1703
76 5．0841 12．7103 7．7103 15．1624 15．1842
77 4．9996 12．4989 7．4989 15．1767 15．1976
78 4．9179 12．2949 7．2949 15．2050 15．2105
79 4．8394 12．0985 7．0985 15．2303 15．2230
80 4．7639 1 1．9098 6．9098 15．2494 15．2349
81 4．6917 11．7292 6．7292 15．2346 15．2464
82 4．6227 11．5567 6．5567 15．2437 15．2573
83 4．5570 11．3926 6．3926 15．2577 15．2677
84 4．4948 11．2369 6．2369 15．2867 15．2776
85 4．4360 11．0899 6．0899 15．2996 15．2869
86 4．3807 10．9517 5．9517 15．2875 15．2957
87 4．3290 10．8225 5．8225 15．2993 15．3039
88 4．2809 10．7022 5．7022 15．3151 15．3115
89 4．2365 10．5912 5．5912 15．3258 15．3185
90 4．1958 10．4894 5．4894 15．3195 15．3250
91 4．1588 10．3971 5．397l 15．3280 15．3308
92 4．1257 10．3142 5．3142 15．3216 15．3361
93 4．0963 10．2．408 5．2408 15．3270 15．3407
94 4．0709 10．1771 5．1771 15．3084 15．3448
95 4．0492 10．1231 5．1231 15．3728 15．3482
96 4．0315 10．07眇 5．0789 15．3舳l 15．3510
97 4．0178 10．0444 5．0444 15．3823 15．3532
98 4．0079 10．0197 5．0197 15．2874 15．3547
99 4．0020 10．0049 5．0049 15．2996 15．3557
100 4．0000 10．0000 5．0000 15．2857 15．3560 第五章基于函数链神经网络的土壤振动掘削阻力软测量模型
土壤振动掘削阻力软测量值与实际测量值在训练集与测*试集中的对比及相应的误
差曲线分别如图5-9"-"图5．11所示。从图5．9～图5．11所示的结果可以看出，基于函数
链神经网络的土壤振动掘削阻力软测量值的建模精度和泛化能力是很高的，所得的更大
训练误差为O．09MPa(此时相对误差约为O．68％)，更大测*试误差是．0．07 MPa(此时相
对误差约为．0．45％)。
1．实际测量值；2．软测量值
联系方式:
杨先生：
基于函数链神经网络的土壤振动掘削阻力软测量模型
图5．10训练集的软测量误差曲线
1．实际测量值；2．软测量值
图5．1l测*试集的软测量情况 第五章基于函数链神经网络的土壤振动掘削阻力软测量模型
5．4本章小结
图5．12测*试集的软测量误差曲线
(1)在土壤振动掘削过程中，影响铲斗液压缸压力的各工作参数中，振动频率对
液压缸压力的影响较为复杂。增大振动频率，液压缸压力会减小，然后又会缓慢增
大，这是由于液压缸压力达到更小值时的铲斗激振频率接近或等于被挖土壤的固有频
率，而达到共振的效果；随着振幅的增大，液压缸压力会不断减小，但减小的程度会逐
渐变小。而且，增大振幅可以加速土壤的破坏和提高土壤破碎效果；不同的插入速度对
液压缸压力同样有非常大的影响，若要获得更小的振动掘削阻力，应采取较小的插入速
度；若要提高作业效率，应采取较大的插入速度，所以插入速度的合理选择较为困难。
(2)对振动参数的优选匹配试验的极差分析结果表明，振幅、插入速度和振动频
率3个振动参数对液压缸压力影响效果的主次关系为：振幅>插入速度>振动频率。
(3)利用正交扩展型函数链神经网络建立了土壤振动掘削阻力软测量模型，并采
用函数链神经网络进行了相应的在线自校正。应用结果表明，基于函数链神经网络的土
壤振动掘削阻力软测量值的建模精度和泛化能力高，所得的更大训练误差为0．09MPa(此
时相对误差约为0．68％)，晟大测*试误差是旬．07 MPa(此时相对误差约为旬．45％)。 第六章液压挖掘机振动掘削功率消耗模型
第六章液压挖掘机振动掘削功率消耗研究
研究液压挖掘机振动掘削机理的更终目的是希望寻求一种高*效节能的新型掘削方
法。因此，有必要研究振动掘削方式对功率消耗的影响，为优化振动掘削的方法提供理
论依据。考虑到液压挖掘机振动掘削土壤过程中，铲斗液压缸无杆腔的油液压力间接反
应了液压挖掘机掘削工作时的阻力情况。故本文以“振动掘削功率=无杆腔油液压力X
无杆腔输入流量"来计算和探讨液压挖掘机振动掘削土壤时的功率消耗规律。
6．1液压挖掘机静态掘削功率消耗模型
在静态掘削工况下，液压挖掘机稳定工作时输入铲斗液压缸无杆腔的流量保持不
变，为一条直线，直线与t轴所围成的面积即为向铲斗液压缸无杆腔输入的总流量，如
联系方式:
杨先生：
由图昏l可知，在静态掘削工况下，铲斗液压缸无杆腔输入的总流量随时间变化的
关系可以表示为：
Q3Ⅳ=qo’t (6-1)
式中，Q3Ⅳ为铲斗液压缸无杆腔输入的总流量，m3：q0为铲斗液压缸无杆腔输入流量m3／s；
t为工作时间，s。
由式(6-1)可得铲斗液压缸无杆腔的位移方程：
玛jv皇qo。t／A3(6-2)
进而可得铲刃齿尖的位移方程：
跏qo—t i／A3 (每3)
式中，i为铲斗连杆机构的传动比，对于确定的挖掘机及其工作机构，其值为常量；A3
为铲斗液压缸无杆腔面积，m?。
对式(6—3)求导即可得铲刃齿尖的速度方程：
生产厂家 <img style="width:450px;height:450px;" alt="小挖机 小挖机全新" border="0" hspace="0"src="" width="450" height="450" vspace="0" title="小挖机图片"> <img style="width:450px;height:450px;" alt="微型挖掘机 微型挖掘机全新" border="0" hspace="0"src="" width="450" height="450" vspace="0" title="微型挖掘机图片">
