基于多源数据融合的装载机作业状态在线监测方法

摘要：介绍装载机工作装置六连杆机构，从划分装载机作业阶段、采集装载机作业数据、提取装载机多源数据融合的作业状态特征、实施装载机作业状态在线监测等方面，开展了装载机作业状态在线监测方法的设计。通过对比实验，验证了基于多源数据融合的装载机作业状态在线监测方法的各项监测指标均表现出较高的准确性，能够满足装载机作业状态在线监测的需求，有助于提升施工现场管理效率，可保障装载机的安全施工作业。

关键词：多源数据融合；装载机六连杆机构；在线监测；作业状态识别模型

0 " 引言

在多种工程施工中，装载机都扮演着不可或缺的角色，其高效的作业状态可促进工程的顺利进行和保障施工过程的安全。然而，当前对装载机作业状态的监测存在诸多挑战，传统的监测方法无法满足实时、精准的监督需求，容易导致工程管理和安全控制方面出现隐患。因此，开发一种可靠的装载机作业状态在线监测方法变得尤为迫切[1]。这不仅可以提高工程施工的效率和质量，还能够有效预防意外事件的发生，保障工程人员的安全。

1 " 装载机工作装置六连杆机构概述

本文选取装载机工作装置的六连杆机构[2]作为研究对象。六连杆机构通过销轴连接铲斗、动臂、摇臂、连杆、翻斗缸及举升缸，巧妙利用各杆件之间的联动作用，实现复杂而精准的动作。在六连杆机构中，翻斗缸的无杆腔进油时，铲斗迅速收拢，有效发挥了铲斗的崛起力。翻斗缸的翻转动作让铲斗灵活收放，而举升缸控制着铲斗的升降，两者协同工作，使工作装置在挖掘、装载等作业中展现出高效率和与稳定性。

2 " 装载机作业状态在线监测方法设计

2.1 " 划分装载机作业阶段

装载机的核心动作主要包括抬升、倾斜和转动[3]。这些动作相互协调、配合，共同完成装载机四个阶段的作业内容。

2.1.1 " 准备阶段

在准备阶段，装载机进行必要的检查、保养和调整，例如检查保养液压系统、检查轮胎、传动系统，调整铲斗的位置和角度等，为投入施工作业做好准备。

2.1.2 " 装载阶段

在装载阶段，装载机司机通过操纵控制杆或手柄，使铲斗抬升到适当的位置、倾斜到合适的角度，以便深入物料堆中装取物料。随着铲斗不断深入和抬起，物料被逐渐装入铲斗中。

2.1.3 " 运输阶段

在运输阶段，装载机司机通过操纵方向盘或操纵杆，使装载机在工地上灵活倒退和前进，将物料运输到指定的卸载地点。

2.1.4 " 卸载阶段

在卸载阶段，当装载机到达卸载地点后，装载机司机通过操纵控制杆或手柄，使铲斗抬升和倾斜，将铲斗中的物料倾倒出来，完成卸载任务。

装载机这四个作业阶段相互衔接、循环进行，构成了装载机作业的完整流程。在整个过程中，抬升、倾斜和行走这三个主要动作相互配合，使得装载机能够高效完成各种复杂的作业任务。装载机司机需要具备丰富的操作经验和技能，方可确保作业的顺利进行和施工安全。

2.2 " 采集装载机作业数据

2.2.1 " 数据采集设备

通过安装在装载机及其工作环境中的CAN总线系统[4]、高清摄像机和传感器，实现对装载机作业状态的数据进行实时采集，采集的数据不但包含了装载机工作装置的数据，而且包含液压系统中的油压、传动等方面的信息。

摄像头能够实时监控作业环境，为其操作员提供清晰的视野。传感器能够精确测量装载机在工作中的各项参数，如举升高度、铲斗角度等。通过对装载机作业数据的采集，可以全面地了解装载机的运行状态和作业情况。

2.2.2 " 数据的存储和管理

在采集过程中，需要确保传感器的精度和稳定性，避免因为设备故障或误差导致数据失真。同时，还需要对数据进行合理的存储和管理。针对装载机作业数据量大、存储需求高的挑战，云平台与HDFS技术[5]的有机结合，为数据的高效、安全存储提供了有力保障。通过将数据分块并分散保存在多个数据块上，不仅大幅提升了数据的存储能力，还增强了数据的抗风险性。

这种分布式存储架构，不仅优化了存储成本，还提高了数据访问的并行性，使得大数据处理更为高效。此外，云平台的弹性扩展能力，使得存储资源可以随需而变，轻松应对装载机作业数据量的快速增长。装载机作业数据存储架构如图1所示。

2.3 " 提取装载机多源数据融合的作业状态特征

2.3.1 " 装载机原始作业数据集均值

对采集到的装载机原始作业数据进行数据清洗，并填充缺失值。设装载机原始作业数据集为X={x1，x2，…xn}，则装载机原始作业数据集均值的计算公式如下：

（1）

式中：X_为装载机原始作业数据集均值；n为数据总数；m表示缺失值的数量；xi为第个数据点，若xi 为缺失值[6]，则可以用该数据集的均值X_来填充。

2.3.2 " 融合后的数据

利用多源数据融合法对这些数据进行融合处理，则融合后的数据的表达式如下：

X'=w1x1+w2x2+…+j " " " " " "（2）

式中：X'为融合后的数据；j为假设的数据源个数；wj为第j点数据点对应的权重；xj为每个数据源提供的数据；wj为xj对应的权重；权重wj需要为满足非负性和归一化条件，即wj＞0且∑nj=1wj=1。

在多源数据融合的基础上，进一步提取装载机作业状态特征，这些特征可以包括作业效率、能耗水平、故障预警等。

2.3.3 " 提取作业效率特征

作业效率可通过装载机在单位时间内完成的作业量来衡量。假设融合后的数据包括装载机的作业时间T和作业量Q，则作业效率E可以用以下公式表示：

E=Q/T " " " " " " " " （3）

2.3.4 " 提取能耗水平特征

能耗水平是评估装载机运行经济性的重要指标。假设融合后的数据包括装载机的燃油消耗量F和作业时间T，则能耗水平C可以用以下公式表示：

C=F/T " " " " " " " " "（4）

2.3.5 " 提取故障预警特征

故障预警特征的提取，通常基于装载机的运行参数和预设的阈值进行比较。假设融合处理后的数据包括装载机的发动机温度和预设的发动机温度阈值，则故障预警特征可以用以下公式表示：

（5）

当发动机温度超过预设阈值时，故障预警特征A为1，表示可能存在故障风险；否则A为0，表示运行正常。通过监测这个特征，可以及时发现潜在的故障并采取相应的预防措施。

通过多源数据融合提取装载机作业状态特征，可以更全面地了解装载机的作业状态，为作业优化和决策提供有力支持。

2.4 " 实施装载机作业状态在线监测

2.4.1 " 构建装载机作业状态识别模型

为准确判断装载机的作业状态，需要构建其作业状态识别模型。该模型基于机器学习算法，通过对历史数据的学习，实现对装载机作业状态的自动分类与识别。具体来说，使用支持向量机算法[7]构建状态识别模型，并根据实时监测数据对装载机的作业状态进行判断。装载机作业状态识别模型的表达式如下：

ƒ（x）=sign（∑mi=1ECK（A，A'）+b） " " " （6）

式中：ƒ（x）为装载机作业状态识别模型；K为核函数，用于计算A和A'之间的相似度；b为偏置项；A'为装载机非作业状态。

2.4.2 " 判断装载机的作业状态

将实时监测数据输入到装载机作业状态识别模型中，通过实时监测数据的输入和状态识别模型的实时输出，可以有效地判断装载机的作业状态。如果ƒ（x）＞0，可以判断装载机当前处于正常作业状态，并继续监测其运行状况。如果ƒ（x）＜0，可以判断装载机当前处于故障状态。当监测到装载机处于故障状态时，立即发出警报或通知相关人员，以便及时采取措施处理潜在的故障，防止事故的发生。

3 " 验证监测方法的有效性

3.1 " 实验准备

3.1.1 " 实验设备

选取了某建筑工地作为实验场所，选择了装载机工作装置六连杆机构作为实验对象，配备了GPS定位器、发动机参数监测仪和液压系统压力传感器，以便实时采集各种作业数据。所需实验仪器设备参数如表1所示。

3.1.2 " 获取实验样本

实验开始前，对数据采集器进行了校准和设置，确保其能够准确、稳定地采集装载机的作业数据。实验过程中，操纵装载机在工地上进行正常的作业操作，同时开启数据采集器进行实时数据采集，获取装载机的实时位置、发动机转速、温度、液压系统压力变化的实验样本数据。装载机实验样本数据如表2所示。

3.2 " 实验结果分析

应用本文设计的基于多源数据融合的装载机作业状态在线监测方法，对该装载机工作装置六连杆机构在作业状态下进行发动机转速和液压系统的压力变化监测，并与上述实验样本进行对比，以验证本文所述监测方法的准确性。本文监测方法的监测结果如图2所示。

通过对比表2实时采集数据与图2所示的本文监测方法监测结果，发现发动机转速的监测误差在±2r/min以内，液压系统压力的监测误差在±0.1MPa以内。实验结果表明，本文监测方法在各项监测指标上均表现出较高的准确性，能够满足装载机作业状态在线监测的需求，这一方法的应用有助于提升施工现场管理的效率和精度，可保障装载机的安全作业。

4 " 结束语

基于多源数据融合的装载机作业状态在线监测方法，通过整合多种传感器数据，实现了对装载机作业状态的实时、精准监测。这一方法不仅提升了装载机作业的安全性和作业效率，还为后续的智能维护与管理提供了数据支持。随着信息化技术的不断进步，多源数据融合将在工程机械领域发挥更加重要的作用。期待这一技术能够继续优化和完善，为装载机行业的智能化、自动化发展贡献更多力量，推动工程机械行业迈向更高技术水平、展现更广阔应用前景。

参考文献

[1] 孟铁柱.基于物联网的矿用带式输送机托辊状态在线监测方法

[J].中国机械，2024，16（6）：98-101.

[2] 王永庆.基于高频暂态的风机避雷线状态在线监测系统研究[J].

电气技术与经济，2024，29（2）：30-33.

[3] 杨晓景.基于多技术融合的掘进机状态监测系统与维修技术研

究[J].自动化应用，2024，65（1）：112-114.

[4] 邵来，徐武彬，李冰，等.装载机铲装作业轨迹解算方法研究[J].

制造业自动化，2024，46（3）：81-84.

[5] 白宇，林慕义，陈勇，等.复合储能式装载机能量控制优化与仿

真[J].液压与气动，2024，48（2）：41-51.

[6] 王一超.基于多源数据融合的可持续发展目标监测与评估研究

进展[J].地球科学进展，2024，39（2）：181-192.

[7] 陈添源，梅鑫.多源数据融合的用户画像识别与推荐实证研究

[J].情报理论与实践，2024，47（4）：171-180.