液压挖掘机合流阀的控制算法研究

张振宇/ZHANG Zhen-yu

（徐州徐工矿业机械有限公司，江苏 徐州 221000）

液压挖掘机执行机构（动臂、斗杆、铲斗、转台）的动作是通过发动机带动液压泵提供流量经过液压阀分配来控制的。液压阀的流量分配直接影响挖掘机执行机构的动作协调性。目前先进的液压阀可智能化地平衡多泵合流和单泵多执行器的流量分配，实现复杂的逻辑控制，提高整机性能。因此液压阀控制算法的好坏直接决定了挖掘机的效率、操作性等关键性能。如何控制液压阀实现精准流量是挖掘机控制的关键，本文以一种液压挖掘机所用的力士乐合流阀为例进行探讨。

1 合流阀特性参数表及数据分析

合流阀在挖掘机液压系统中起到流量分配的作用，表1 所示为力士乐合流阀打开时的特性参数，Q代表流量，范围为0～402L/min。dp代表流过合流阀所产生的前后压差，范围为0～250bar。电流表示对应压差下给定下表的某个电流将产生相应的流量，例如，在压差为50bar，给定电流为377mA 时，将产生6L/min 的流量。

在实际挖掘机控制器编程中，最终控制的是合流阀给定的电流，给定不同的电流产生不同的流量。对表1 的数据进行可视化分析，散点图与三维平面如图1、图2 所示，X-Q轴代表流量，Y-Press代表压差，Z-Current代表电流。

由图1 可以看出，排除dp=0bar 的散点，其他散点在相同的dp条件下电流与流量呈现指数函数的曲线分布，图2 用三点确定一个平面的方法拟合了表1 的数据。

图1 合理阀特性参数散点图

图2 合流阀特性参数三维曲面图

表1 力士乐合流阀打开时的特性参数表 (mA)

由图1 可知，该合流阀在压差为零时，流量与控制电流可以分段近似线性比例关系。在压差为恒定数值且大于5bar 的情况下，图1 中用相同颜色的点表示，此时电流与流量近似指数函数的曲线关系，前期电流变化率大而流量变化小，后期电流变化小而流量的变化值很大。由图2 可知用三点确定一个平面法去拟合该合流阀的特性参数，能够得到较好的近似曲面，可以通过每个小三角形的三维平面方程去求解特性表中没有的压差与流量所需的电流点。

2 基于三点平面拟合法的合流阀控制

已知三维空间中的3 个点就可以确定这3 个点平面方程，根据此平面方程就可求解在平面范围内特定压差下需求的流量对应的控制电 流。如 图2 所 示，在 点A(110，101，504)，B(110，50，522)，C(183，101，533)所确定的平面中，压差范围为50～101bar，流量范围为110～183L/min。如果想要求解在80bar 情况下120L/min 所需要的控制电流，则首先需要求解以上三点确定的空间方程。利用行列式求解平面方程

将需要求解的x=120，y=80，带入上式中的平面方程，求解z≈515，即该条件下调节合流阀的控制电流为515mA 就可得到120L/min 的流量。

基于三点平面拟合法的优点是方法简单易于实现，缺点是不同压差间的数据拟合强制平面拟合，存在误差，需要计算所有3 个相邻点的平面方程。例如表1 和图2，要拟合表数据进行三点平面拟合法求解控制电流需要求解126 个平面方程，且不同的压差范围所需的平面方程不同，需要人为设置程序的选择求解方程。由此，针对三点平面拟合法的缺点提出了多层感知器神经网络算法。

3 多层感知器神经网络算法

机器学习中多层感知器是为了解决单个神经元非线性能力不足的问题，理论上两层神经网络能够拟合任意函数。本文研究以合流阀的电流为输出Y，合流阀压差和流量为X进行特征值提取，训练两层神经网络。单个神经元的激活函数选取ReLu 函数，损失函数选取均值平法差，训练方法采用梯度下降算法。具体的算法实现过程如图3所示，算法整体分为数据集处理、多层感知器神经网络训练、多层感知器模型的输出3 个部分。

图3 多层感知器神经网络算法实现过程

数据集处理中将合流阀的特性参数分为训练数据集与测试训练集，训练数据集用于训练多层神经网络，测试训练集用于判断训练模型的好坏。数据归一化是为了加快梯度下降算法求最优解的速度。多层感知器网络的建立利用scikitlearn 机器学习算法库建立两层神经网络，设定不同的x特征值通过训练模型的训练得分和测试得分判断模型的拟合和泛化能力，最后选取特征向量

作为感知器的输入，多层感知器的两层神经元个数分别为200，100 时得到的训练样本分数为0.980090，测试样本分数为0.967149，该情况下训练的模型具有很好的拟合性和泛化能力。

多层感知器神经网络算法的优点是能够非线性拟合合流阀的特性参数曲面，使得控制更加的精确，不需要像三点平面法那样选取不同的平面方程进行数值计算，训练好的模型相当于一个曲面方程，已经拟合了所有的数据组成的曲面。多层感知器神经网络算法的缺点是对控制器要求高，需要控制器能调用训练好的多层感知器的模型进行计算。

4 总结与展望

本文简述了合流阀在挖掘机流量控制中的作用，根据一种合流阀的特性参数表给出了可视化的数据分析图和解析。由合流阀的特性提出了三点平面拟合算法与多层感知器神经网络算法，目前三点平面拟合算法能够在现有的控制器上实现，满足目前挖掘机的控制需求。随着合流阀的使用过程中特性数据的采集增多和控制器计算力提升，多层感知器神经网络的训练模型精度更高。随着人工智能的发展，必将有更多的机器学习算法运用到挖掘机的控制中，使得挖掘机更加的智能化。