混凝土泵车移动互联应用和关键数据算法

张剑敏,赵 鑫,付新宇,万 梁

(1.中联重科股份有限公司 研发中心,长沙 410205; 2.国家混凝土机械工程技术研究中心 研发中心,长沙 410205)

近年来,物联网、大数据等信息技术在世界范围内持续升温,产业规模不断扩大,未来人类社会将是一个紧密互动、高度智能的社会.对于各行各业来说,数据分析及物联网技术的应用正处于快速发展的阶段[1].手机APP作为一款简单便捷的服务应用,以其便于携带和随时查看,越来越受大家的欢迎.本文开发了基于手机移动应用的泵车APP系统,通过数据传输、解析和换算将客户设备的施工数据在APP端展示,提升客户设备实时管理和查看的能力.

工业4.0旨在提高工业化产品的智能化水平,泵车作为工程机械的一员,其产品智能和智能应用也是未来的发展方向.混凝土泵车(Truck-Mounted Concrete Pump，TMCP)是一种用于输送和浇筑混凝土的工程机械设备[2],它通过两个砼缸的交互动作将混凝土沿着输送管道连续泵送到施工场地,是建筑施工中应用广泛的设备之一.

为了有效地提升泵车移动互联APP应用的水平,本文采用神经网络算法优化泵车泵送设备的动作控制和计算算法.神经网络以其自身的自调整、自适应能力而得到广泛应用,以神经网络进行参数辨识、建模及控制器设计,神经网络的参数通常是通过对样本的训练获得的[3-4].本文以神经网络PID算法为基础,根据泵送压力和行程信息自适应识别泵送工况,排除打空泵和打水等扰动工况因素,从而最优化控制泵送行程,准确得出泵送方量,并通过手机APP准确推送泵车施工信息,为客户日常的管理提供增值服务.

1 泵车泵送机构

混凝土机械的泵送单元由泵送机构、分配机构和搅拌机构组成,其中，泵送机构的液压系统主要包括主泵、阀、两个主油缸、两个砼缸和分配机构等,如图1所示.主泵输出的压力油经过阀到达某一个主油缸,该油缸活塞前进,另一个主油缸活塞后退,液压油通过阀流回油箱构成一个完整的液压回路,主油缸活塞的交互运动推动砼缸活塞交互运动,将混凝土从料斗里泵送到施工地点.

图1 泵送液压系统简图Fig.1 Diagram of pumping hydraulic system

2 泵车关键数据移动互联应用

泵车关键数据的移动互联应用,可以使客户通过手机APP读取车辆信息、设备定位、关键数据显示、维护保养提醒、统计报表和故障推送等,提升客户对设备的管理能力,并准确显示设备工况情况.

2.1 数据传输通道

泵车的关键数据是通过车载GPS终端传输,控制器根据控制算法将采集和计算到的泵车施工数据通过GPS终端发送到数据平台,数据平台将数据解析,再推送给手机APP,通过数据的采集、传输、解析和推送,使泵车的工况数据实时传输到手机APP上,实现数据全通道传输,保证数据准确且将数据分析结果反馈给客户.TMCP数据传输通道如图2所示.

图2 TMCP数据传输通道Fig.2 Data transmission channel of the TMCP

2.2 数据分析和APP开发应用

数据分析、挖掘旨在从采集的数据中得出有价值的知识和模型,已成为数据挖掘领域中的热点[5].本文通过泵车关键数据的分析获取泵车泵送方量等数据,经过数据分析后可以得出客户在日周月的施工数据.

手机APP开发应用主要考虑客户的需求,客户对于设备的位置信息、轨迹回放、施工的数据非常关注,对于拥有多台车辆的客户,多台车辆施工数据的排名，可以提高客户对车辆的管理水平.

本文开发的APP系统，从客户的实际需求出发,开发了设备定位和轨迹回放功能(见图3(a))、关键数据日周月施工数据统计(见图3(b))和关键数据排名(见图3(c))等功能,完成了客户需求数据的APP功能展示,提升了泵车产品的智能化应用水平.

图3 泵车APP展示Fig.3 APP display of TMCP

3 泵车关键数据准确性研究

手机APP的核心是数据,在泵车关键数据中,客户最关注的为泵送方量.为了有效地实现方量准确计算,需要对泵送行程进行有效控制,实时得出泵送的行程,从而计算出泵送的方量,准确传输到手机APP.本文以泵送方量计算为研究点,通过对泵车关键数据的研究,实现泵送过程实时监控,并对泵送行程进行准确控制.

3.1 泵送方量计算算法研究

混凝土作为泵送设备的工作对象,是目前使用最为广泛的建筑材料之一,其应用范围已经遍及建筑、交通、水利以及地下工程等各个领域[6].混凝土由胶结料和骨料组成的混合物,根据混凝土塌落度可以分为不同的混凝土类型,不同的混凝土在泵送过程中有不同的泵送特性,砼缸内的混凝土不可能100%充满,所以需要定义一个参数为吸料系数,不同工况下混凝土对应不同的吸料系数.

泵车泵送机构由两个主油缸活塞往复运动推动砼缸活塞往复运动来实现泵送混凝土,如图4所示.砼缸1从料斗里吸混凝土到位后,开始泵送混凝土行程,此时另外一个砼缸2开始吸混凝土动作,如此往复将混凝土通过输送管输送到施工地点.泵送方量是将每次行程砼缸泵送的混凝土方量,该砼缸简化为一个圆柱体,泵送混凝土的方量就是圆柱体的体积V,

(1)

式中:R为砼缸活塞半径;L为砼缸活塞的行程位移;γ为混凝土的吸料系数.

图4 泵送装置及工作原理图Fig.4 Pumping device and working principle diagram

泵车不仅在施工过程中需要开启泵送动作,施工完成后也需要泵送自来水清洗输送管的混凝土,有些时候会打空泵来查看车辆的泵送情况,或者泵送混凝土造成堵管情况下会进行反泵，将混凝土反泵出来.这些过程虽然有泵送动作,但是实际上没有泵送混凝土,所以控制系统需要根据压力识别扰动因素,同时自适应吸料系数参数,准确计算泵送混凝土的方量信息.

3.2 混凝土行程控制算法研究

泵送系统在实际施工中,泵送行程随工况变化差异较大,降低了泵送效率以及砼活塞的润滑效率;泵送施工中不仅需要得出混凝土的方量,同时在避免撞缸等因素的前提下控制泵送行程最优,只有这样才能保证泵送方量最优,方量计算最准.为了有效提高每次泵送混凝土的方量及效率,提升泵送行程的稳定性和最优性,本文采用神经网络PID算法有效控制泵送行程,保证泵送行程最优化.

神经元自适应PID控制算法结构简单,能够根据环境变化不断适应,有较强的鲁棒性[7],其控制原理如图5所示.神经网络的3个输入分别作为比例、积分和微分系数,在一定的网络学习算法下，不断优化3个参数,直到系统稳定.

图5 基于神经元PID算法的控制原理图Fig.5 Control schematic based on neuron PID algorithm

该控制阀的控制算法为

(2)

式中:yout(n)为阀控制变量的输出;u(n)为当前神经元算法的输出;V压力(n)为当前泵送压力.

该神经网络PID系统的控制算法为

(3)

式中:k为比例系数;e2(n)为吸料的砼缸行程误差.

输入的xj(n)分别为

(4)

其中，

(5)

吸料的砼缸行程误差为

(6)

神经元的突触权值wj(n)分别为

(7)

权值修正的方程为

(8)

式中:ηp,ηi,ηd分别为比例、积分和微分的学习率.

通过神经网络PID算法的逐步学习,实时动态调整控制参数,使主油缸位移逐步逼近需求的最优位移值,实现行程的良好控制.

4 实验验证

为验证神经网络PID算法的控制泵送行程的正确性,本文以中联重科股份有限公司的某型号泵车进行实验验证,如图6(a)所示.通过现场跟踪车辆施工数据,并规范施工数据，长期跟踪对比统计分析方量计算算法的准确性,神经网络算法开启后采集泵送的实际行程,如图6(b)所示.基于神经网络PID控制算法,全工况行程精度达96%以上(全行程为2 100 mm),比没有开启该算法的行程控制到位率提高8.2%以上,验证了神经网络PID算法的准确性.

图6 泵车泵送施工及行程统计Fig.6 Pumping work and displacement statistics of TMCP

在准确控制泵送行程的前提下,根据泵送压力和泵送行程实时计算泵送方量.为了有效排除扰动因素,采用长时间采集对比的方式进行.本文对4个月泵车施工的方量进行了统计,对比APP计算推送的结果,如表1所示.

表1 泵车施工方量统计信息对比Tab.1 Comparison of construction quantity statistics

注:误差=(GPS数据-统计数值)/统计数值×100%.

由表1可知：通过对比客户统计数据和APP计算数据,APP统计的4个月的方量数据与实际差值在-2.6%～1.5%之间,正确率>95%,可以达到客户施工的要求,如图7所示.

图7 泵车关键数据统计误差图Fig.7 Key data statistical error map

5 结语

本文通过对泵车关键数据(泵送方量、泵送行程)的算法应用,提出了一种行程最优化的神经网络PID控制算法和方量计算算法,既能最大化泵送混凝土方量，提升泵送效率,又可以准确计算泵送方量信息,数据准确率>95%.通过数据传输、解析和推送,将关键数据显示在手机APP上.经过实验验证,证明了行程最优化和方量计算算法的正确性.手机APP的开发，使客户更加便捷地了解设备施工工况,提高了客户对车辆管理的效率,提升了泵车的移动互联应用水平.