【技术实现步骤摘要】
本专利技术涉及液压打桩锤自动化控制，尤其涉及一种大型液压桩锤运行控制参数的智能匹配方法及系统。
技术介绍
1、目前打桩作业中，液压打桩锤的锤击能量是依靠工作人员的经验和施工实际情况进行主观调整，存在滞后性，且主观调整的效果不稳定，无法有效的提高液压桩锤自动化作业水平，无法推进液压打桩锤无人化智能作业。目前液压打桩锤还存在如下缺陷：对液压锤的击打能量精准控制性不高、能耗较高，很难预测打桩锤的锤击能量，锤击能量过低，对液压打桩锤重复打击控制效率低，液压换向压力波动大，不能够保证打桩所要求的能量和打击的重复精度，直接导致设备能耗较高，及降低了设备运行的稳定性及安全性。
2、现有技术，中国专利申请号为cn202010648792.9的文献公开了一种自动打桩控制系统和自动打桩的控制方法，所述系统包括分析模块，所述分析模块被设置能够接收经由采集而获取的第j根桩的第m次锤击前的所述桩被锤击后入泥的实际深度，并计算得到第j根桩的第m次锤击前，所述桩累计入泥的深度；拟合模块，其中所述拟合模块被通信连接于所述分析模块，所述拟合模块根据勘探打桩阻力、第j根桩之前已经被打完的桩实测得到的打桩阻力以及测得的当前第j根桩第m此锤击之前的打桩阻力，通过多元线性回归方程模型，拟合所述桩处于任一深度时，第j根桩的第m次锤击达到任一目标入泥深度所受打桩阻力之间的数学关系；预测模块，其中所述预测模块被可通信地连接于所述拟合模块，所述预测模块根据所述分析模块计算得到的所述桩累计入泥的深度和所述桩处于一深度时，第j根桩的第m次锤击达到所述目标入泥深度与打桩阻
技术实现思路
1、本专利技术的目的在于提供一种大型液压桩锤运行控制参数的智能匹配方法及系统，该方法通过高保真的液压桩锤数字仿真模型，获得仿真的施工控制参数、桩机物理参数、桩锤运动周期及桩锤液压系统能量转换效率，再通过使用物理知识内嵌方法构建神经网络的方法，构建基于神经网络的代理模型，提高了基于神经网络的代理模型的可解释性、训练过程的稳定性、训练结果的准确性，在扰动条件下使其算法稳定，能够有效应对恶意输入、不可避免的传感器错误、设备执行机构不准确、执行环境不确定等问题；借助代理模型的预测结果，使用迁移学习算法，减小仿真域数据与实机域数据之间的偏差，进而减小该偏差在实际工程应用中的影响，并选取最优的桩锤液压系统能量转换效率及桩机控制参数，从而实现对液压桩锤运行的自动化精确控制，有效的提高液压桩锤自动化作业水平，推进液压打桩锤无人化智能作业。
2、其技术方案如下：
3、一种大型液压桩锤运行控制参数的智能匹配方法，包括以下步骤：
4、s1、使用由仿真数据构建的、基于神经网络的代理模型，对桩锤液压系统能量转换效率、桩锤每分钟锤击次数的参数进行预测；
5、s2、基于少量实机样本数据与代理模型，使用所构建的迁移学习算法框架模型，减少代理模型对桩锤液压系统能量转换效率、桩锤每分钟锤击次数的参数预测误差；其中，所述实机样本数据包括实机的桩机控制参数、桩机物理参数、桩锤运动周期；
6、s3、设置多组实机衍生的桩机控制参数，基于所构建的迁移学习算法框架模型，实现对桩锤液压系统能量转换效率、桩锤每分钟锤击次数的参数进行预测；
7、s4、基于各组预测的桩机控制参数及桩机的预测结果，选取最优的桩机控制参数。
8、所述步骤s1中基于神经网络的代理模型训练过程包括以下步骤：
9、s11、训练过程首先载入仿真模型数据集，并建立各组仿真数据的键值对，以便于在训练过程中实现输入量与输出值之间的映射，随后指定训练周期，并进入训练循环；其中，所述仿真模型数据集包括多组仿真数据，各组仿真数据包括仿真的施工控制参数、桩机物理参数、桩锤运动周期，所述施工控制参数包括液压泵输入功率、桩锤锤击完成后桩锤停留在桩垫上延迟提锤的时间、桩锤的提锤高度，所述桩机物理参数包括可测量的桩机物理参数、难以准确测量获取的桩机参数，所述可测量的桩机物理参数包括桩锤质量、液压缸的内部几何尺寸，所述难以准确测量获取的桩机参数包括溢流系数、流量系数；
10、s12、随机选取一组仿真的桩机物理参数，基于该组仿真的桩机物理参数选取一组仿真的施工控制参数，并记录其对应的仿真模型预测结果，用于后续损失函数的计算；再次基于该组仿真的桩机物理参数随机另选取五组仿真的施工控制参数与其对应仿真的桩锤运动周期作为仿真的桩机运行历史数据；
11、s13、将实机的桩机运行历史数据、当前桩机物理参数传入基于神经网络的代理模型中的特征提取网络，以提取桩机特征；随后将所述桩机特征再次传入代理模型，与待预测的施工控制参数，桩机特征预测量一同传入基于神经网络的代理模型中的预测网络，并最后得到预测桩锤运动周期的预测值；其中，所述桩机特征涵盖了仿真的特征和现实桩锤的特征；
12、s14、计算基于神经网络的代理模型网络训练的损失函数，并更新网络参数，使之不断优化。
13、所述步骤s11中仿真数据的仿真过程包括以下步骤：
14、s111、根据实物原理图构建仿真草图；
15、s112、结合实际情况，选择各部件子模型；
16、s113、设定模型相关参数；
17、s114、设置试验因素，并基于相关试验因素设计仿真批处理过程；
18、s115、进行仿真过程，并记录相关仿真结果，并获得仿真数据；
19、s116、对仿真数据进行后处理，以便于基于神经网络的代理模型的数据输入。
20、所述基于神经网络的代理模型网络训练的损失函数的公式为：
21、
22、其中，l为基于神经网络的代理模型网络的损失函数项，msepenalty为均方差损失函数，为桩锤运动周期预测值，γ为放大系数，h为提锤高度。
23、所述难以准确测量获取的桩机参数还包括桩土等效弹性系数、桩土等效阻尼系数。
24、在构建仿真模型数据集的过程中，对于可测量的桩机物理参数与难以准确测量获取的桩机参数的各物理量，分别设本文档来自技高网...
【技术保护点】
1.一种大型液压桩锤运行控制参数的智能匹配方法，其特征在于，包括以下步骤：
2.如权利要求1所述大型液压桩锤运行控制参数的智能匹配方法，其特征在于，所述步骤S1中基于神经网络的代理模型训练过程，具体包括以下步骤：
3.如权利要求2所述大型液压桩锤运行控制参数的智能匹配方法，其特征在于，所述步骤S11中仿真数据的仿真过程，具体包括以下步骤：
4.如权利要求2所述大型液压桩锤运行控制参数的智能匹配方法，其特征在于，所述基于神经网络的代理模型网络训练的损失函数的计算公式为：
5.如权利要求2所述大型液压桩锤运行控制参数的智能匹配方法，其特征在于，所述难以准确测量获取的桩机参数还包括桩土等效弹性系数、桩土等效阻尼系数。
6.如权利要求2所述大型液压桩锤运行控制参数的智能匹配方法，其特征在于，在构建仿真模型数据集的过程中，对于可测量的桩机物理参数与难以准确测量获取的桩机参数的各物理量，分别设置多个水平数，并提高基于该仿真模型数据集所训练的模型的可扩展性与鲁棒性。
7.如权利要求1所述大型液压桩锤运行控制参数的智能匹配方
8.如权利要求7所述大型液压桩锤运行控制参数的智能匹配方法，其特征在于，所述步骤S3还包括以下步骤：
9.如权利要求8所述大型液压桩锤运行控制参数的智能匹配方法，其特征在于，所述源域标签由以下方式生成：
10.如权利要求7所述大型液压桩锤运行控制参数的智能匹配方法，其特征在于，所述源域标签还由以下方式生成：
11.一种大型液压桩锤运行控制参数的智能匹配系统，其特征在于，其包括实现权利要求1至10任一项所述智能匹配方法的计算机程序与执行该计算机程序的大型液压桩锤。
...【技术特征摘要】
1.一种大型液压桩锤运行控制参数的智能匹配方法，其特征在于，包括以下步骤：
2.如权利要求1所述大型液压桩锤运行控制参数的智能匹配方法，其特征在于，所述步骤s1中基于神经网络的代理模型训练过程，具体包括以下步骤：
3.如权利要求2所述大型液压桩锤运行控制参数的智能匹配方法，其特征在于，所述步骤s11中仿真数据的仿真过程，具体包括以下步骤：
4.如权利要求2所述大型液压桩锤运行控制参数的智能匹配方法，其特征在于，所述基于神经网络的代理模型网络训练的损失函数的计算公式为：
5.如权利要求2所述大型液压桩锤运行控制参数的智能匹配方法，其特征在于，所述难以准确测量获取的桩机参数还包括桩土等效弹性系数、桩土等效阻尼系数。
6.如权利要求2所述大型液压桩锤运行控制参数的智能匹配方法，其特征在于，在构建仿真模型数据集的过程...
【专利技术属性】
技术研发人员：王强，魏智健，
申请(专利权)人：广东力源液压机械有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。