专利摘要

本发明为一种基于露天矿区路径的无人驾驶车辆能耗节能方法，针对露天矿无人驾驶车辆的油耗节能问题，建立了一种车辆运行状态评估模型，从而对无人驾驶车辆的运行状态进行实时调整。首先建立了露天矿运输道路网模型，然后分析了影响车辆油耗的主要因素，以历史数据为样本训练基于BP神经网络的回归模型，从而确定模型的最佳输出参数。在车辆运行过程中，利用多种车载传感器，实时监测无人驾驶车辆的运行数据，并通过与最佳输出参数的对比分析，实现对无人驾驶车辆运行状态的实时动态调整，通过分析不同路况下的车辆最佳运行参数，以确定无人驾驶车辆的发动机最佳输出功率和发动机最佳转速，达到节约油耗的目的。

权利要求

1.一种基于露天矿区路径的无人驾驶车辆能耗节能方法，其特征在于，包括如下步骤：

首先，根据露天矿区现场的实际数据，以道路的中心线代替每条道路，将运输系统按照道路属性划分区段，区段连接的交叉点、采掘点、卸载点设为道路网络拓扑图节点，根据实际情况和测量数据赋予路况信息，形成某段时期内的运输道路网模型，并分析道路网中的路面坡度、地面类型和路面平整度，建立露天矿区道路状况数据库；

然后，对影响无人驾驶车辆运行油耗的因素进行分析，并统计一段时间的历史数据建立基础信息数据库，影响无人运输车辆油耗的因素包括：道路状况、车辆技术参数、车辆应用水平、气候和天气因素；

最后，根据历史数据训练基于BP神经网络的回归模型，建立车辆运行状态的评估模型，从而对车辆的实时运行数据进行监测，动态调整发动机转速和输出功率，从而达到节能降耗的目标；

其中，将所有影响车辆油耗的因素进行编号处理，每个参数的历史统计数据作为样本矩阵X，其中，原始变量为：

路面平均坡度x1，地面类型x2，路面平整度x3，发动机压缩比x4，发动机比油耗x5，整车质量x6，轮胎型号x7，维修保养状态x8，轮胎气压x9，轮胎磨损程度x10，天气状态x11，平均气温x12，平均海拔高度x13；

采用主成分分析法对所有影响车辆油耗的因素进行分析，选择路面平均坡度、发动机比油耗、整车质量、轮胎型号、天气状况五个影响因素作为表述样本内容的主要数据来计算各项主成分的系数，作为BP神经网络的输入参数，所述回归模型的输出参数即为车辆油耗。

2.根据权利要求1所述基于露天矿区路径的无人驾驶车辆能耗节能方法，其特征在于，在Matlab软件中建立并训练BP神经网络，设定训练函数为trainlm、学习函数为learngdm、性能函数为mse、隐含层和输出层的传递函数分别为tansig和purelin。

3.根据权利要求1所述基于露天矿区路径的无人驾驶车辆能耗节能方法，其特征在于，当车辆处于日常的运行状态时，利用多种车载传感器，实时监测无人驾驶车辆的运行数据，并通过与最佳输出参数的对比分析，实现对无人驾驶车辆运行状态的实时动态调整，通过分析不同路况下的车辆最佳运行参数，以确定无人驾驶车辆的发动机最佳输出功率和发动机最佳转速，达到节约油耗的目的。

说明书

技术领域

本发明属于露天矿山作业优化技术领域，同时属于计算机应用领域、路径规划决策技术领域、车辆能耗领域，特别涉及一种基于露天矿区路径的无人驾驶车辆能耗节能方法。

背景技术

露天矿运输费用是整个露天矿生产开采费用的最重要组成部分。在矿山实际生产中运输成本通常占露天矿总成本的50％～65％，在矿石总成本和生产过程总劳动量中，运输成本和运输劳动量要占50％以上。因此，优化运输道路、降低运输费用是提高露天矿生产利润，实现露天矿系统优化目标的重要环节。

露天矿区的运输方式主要是以矿用卡车运输为主，其中卡车的油耗费用在总运输费用中占到很大的比例。因此，考虑如何降低运输卡车的油耗费用，成为露天矿生产作业中亟待解决的问题。与国外的无人化矿山相比，目前国内大多数的露天矿仍然采用人工驾驶车辆进行运输的方式。安全事故频发、司机招聘困难、管理运营成本高已经成为矿区生产痛点。随着智慧矿山的建设，以及无人驾驶技术的飞速发展，一部分矿山开始应用无人驾驶卡车进行物料运输。无人驾驶车辆的应用不仅降低了人力成本，而且使得露天矿区的生产作业更加高效合理。为了合理的对无人驾驶车辆的输出功率进行控制，减少运输过程中产生的能源消耗，因此，有必要研究一种基于露天矿区的无人驾驶车辆能耗节能技术。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于露天矿区路径的无人驾驶车辆能耗节能方法，合理地对无人驾驶车辆的发动机转速和输出功率进行实时调整，从而降低运输过程中产生的油耗费用。

为了实现上述目的，本发明采用的技术方案是：

一种基于露天矿区路径的无人驾驶车辆能耗节能方法，包括如下步骤：

首先，根据露天矿区现场的实际数据建立运输道路网模型，并分析道路网中的路面坡度、地面类型和路面平整度，建立露天矿区道路状况数据库；

然后，对影响无人驾驶车辆运行油耗的因素进行分析，并统计一段时间的历史数据建立基础信息数据库；

最后，根据历史数据训练基于BP神经网络的回归模型，建立车辆运行状态的评估模型，从而对车辆的实时运行数据进行监测，动态调整发动机转速和输出功率，从而达到节能降耗的目标。

本发明以道路的中心线代替每条道路，将运输系统按照道路属性划分区段，区段连接的交叉点、采掘点、卸载点设为道路网络拓扑图节点，根据实际情况和测量数据赋予路况信息，形成某段时期内的运输道路网模型。

其中，影响无人运输车辆油耗的因素包括：道路状况、车辆技术参数、车辆应用水平、气候和天气因素。

本发明将所有影响车辆油耗的因素进行编号处理，每个参数的历史统计数据作为样本矩阵X，其中，原始变量为：

路面平均坡度x₁，地面类型x₂，路面平整度x₃，发动机压缩比x₄，发动机比油耗x₅，整车质量x₆，轮胎型号x₇，维修保养状态x₈，轮胎气压x₉，轮胎磨损程度x₁₀，天气状态x₁₁，平均气温x₁₂，平均海拔高度x₁₃；

采用主成分分析法对所有影响车辆油耗的因素进行分析，选择路面平均坡度、发动机比油耗、整车质量、轮胎型号、天气状况五个影响因素作为表述样本内容的主要数据来计算各项主成分的系数，作为BP神经网络的输入参数，所述回归模型的输出参数即为车辆油耗。

本发明在Matlab软件中建立并训练BP神经网络，设定训练函数为trainlm、学习函数为learngdm、性能函数为mse、隐含层和输出层的传递函数分别为tansig和purelin。

当车辆处于日常的运行状态时，利用多种车载传感器，实时监测无人驾驶车辆的运行数据，并通过与最佳输出参数的对比分析，实现对无人驾驶车辆运行状态的实时动态调整，通过分析不同路况下的车辆最佳运行参数，以确定无人驾驶车辆的发动机最佳输出功率和发动机最佳转速，达到节约油耗的目的。

与现有技术相比，本发明建立了无人驾驶车辆实时运行状态的评估模型，可以做到对无人驾驶车辆各项运行数据的实时监测，并进行实时动态调整，使得无人驾驶车辆一直保持最佳的状态运行，从而达到降低运输油耗费用的目的。

附图说明

图1是本发明中关于无人驾驶车辆的油耗影响因素分析图。

图2是本发明中关于车辆运行状态评估模型建立的流程图。

具体实施方式

下面结合附图和实施例详细说明本发明的实施方式。

如图1所示，本发明提出了一种基于露天矿区路径的无人驾驶车辆能耗节能技术，该技术的实施过程主要包含以下步骤：

1、露天矿区道路状况数据库的建立

通过对露天矿区现场实地数据的测量，建立露天矿道路运输网模型，并对每条路径的路面坡度、地面类型、平整度等因素进行分析，建立露天矿区道路状况数据库。

对现场的实地测量数据进行统计，依据露天矿现状图，构建露天矿路网模型。考虑固定性较强的生产干线和部分生产支线。以道路的中心线代替每条道路，将运输系统按照道路属性划分区段，区段连接的交叉点、采掘点、卸载点设为道路网络拓扑图节点。根据实际情况和测量数据赋予路况信息，形成某段时期内运输系统的路网模型。

2、无人驾驶车辆运行油耗技术参数分析

影响无人运输车辆油耗的因素主要有以下几个方面：道路状况、车辆技术参数、车辆应用水平、气候和天气因素等。

1)道路状况

首先，运输道路状况是影响无人驾驶车辆油耗的主要因素，包括路面坡度、地面类型、路面平整度等。路面坡度大的路段所遇到的行车阻力较大，因而所产生的油耗也较高。不同地面类型的强度不同，所造成的摩擦阻力也不相同。另外，路面平整度较差的话，车辆就一直处于低档位行驶状态，低速行驶出于非经济时速油耗必然会增加。

2)车辆技术参数

无人驾驶车辆本身的技术参数会从根本上决定油耗的情况，例如发动机的输出参数、车辆整车的质量、轮胎的型号等。其中，发动机的内部结构和类型占主要因素。发动机主要分为两大类：柴油机和汽油机，这两类发动机的压缩比不同是造成油耗不同的原因。发动机的压缩比越高就证明运行油耗越低，由于柴油机压缩比比汽油机要高得多，因此柴油机比汽油机的运行油耗要低很多。另外，发动机的内部结构会影响比油耗的大小，因此影响着车辆运行油耗。汽车质量的大小对于油耗也有不可忽视的作用。车轮的滚动阻力、坡度阻力和加速阻力都受汽车质量影响，这些阻力都会影响油耗。

3)车辆应用水平

车辆应用水平是指车辆在使用的过程中所呈现的运行状态，主要有维修保养状况、轮胎气压和磨损程度等几个方面。车辆在使用一段时间后，要进行日常的保养和修理，使得发动机和轮胎等零部件处于最佳的运行状态，从而减少车辆运行油耗。保持合适的胎压可以降低油耗；当轮胎磨损严重时或吃胎时，阻力也会增大，因此轮胎不正常时要及时更换轮胎以减少油耗。

4)气候和天气因素

露天矿区的气候和天气条件也会对无人驾驶车辆的油耗情况造成影响。车辆运行时温度高低也会影响燃料的消耗，空气温度低会使燃油雾化不良，导致燃烧效率不高，最终导致燃料消耗增加。露天矿区海拔的也会影响燃料的消耗情况，高海拔地区的空气稀薄含氧量低，汽车运行时就会导致进气量相对不足，导致混合气不均匀，致使燃料不完全燃烧，发动机效率降低，发动机的燃料消耗量增加。另外，还需要考虑正常天气和雨雪天气下的道路状况对无人驾驶车辆的油耗影响情况。

3、多参数作用下无人驾驶车辆油耗分析模型

通过对无人驾驶车辆油耗影响因素的分析，建立指标对各个影响因素进行量化。以国内某大型钼钨矿山为对象，采集一段时期的历史统计数据，并进行分析。为了简化数据量太大造成的问题，通过主成分分析的方法对影响因素进行降维处理，分析车辆油耗的主要影响因素。然后，利用历史数据建立基于BP神经网络的回归模型，并确定模型的最佳参数。从而建立无人驾驶车辆运行实时运行状态的评估模型。

3.1影响因素指标量化处理

为了能建立准确有效的油耗模型，在对试验数据进行分析处理前，对原始试验数据进行了整理，每一组油耗原始试验数据包括以下内容：

路面状况因素：路面平均坡度g，地面类型s，路面平整度RQI

车辆技术参数：发动机压缩比，发动机比油耗，整车质量G，轮胎型号

车辆应用水平：维修保养状态，轮胎气压，轮胎磨损程度

气候天气因素：天气状态，平均气温T，平均海拔高度H

3.2获取历史统计数据

根据车辆不同运行状态的参数特征，将现有的历史数据进行统计分类，即可得到各个运行状态的样本数据。以国内某大型钼钨矿山为对象，采集一段时期的历史统计数据，建立数据库并进行分析。

1)道路状况数据库的建立

制定露天矿道路状况数据统计表，统计露天矿道路状况的历史数据。本发明中设计的道路状况数据统计表如下：

2)运输车辆基础数据库的建立

对露天矿无人驾驶车辆的基础技术参数进行统计，并对车辆目前的应用水平进行分析。本发明中设计的运输车辆基础数据统计表如下：

3)气候天气数据库的建立

同样地，对露天矿区的气候条件和历史天气数据进行统计。本发明中设计的气候天气数据统计表如下：

3.3主成分分析降维

主成分分析法的实质是在不改变样本数据结构的情况下，通过旋转多维空间的坐标将原变量转换成两两不相关的主成分，同时尽可能反映原变量所包含的信息，从而简化计算。在本发明中，为了筛选出对车辆油耗影响最大的因素，采用主成分分析方法对所有影响因素进行分析，从而简化模型的输入参数，同时降低模型的计算复杂度。

假设样本矩阵X为：

式中，样本数据X中第v个参数类型中的第u个样本数据为：x_uv，其中u＝1,2,…,n且v＝1,2,…,p；x_u＝[x_u1 x_u2 … x_up]^T为维列向量。

样本矩阵的均值 为：

式中， 中的任一元素

协方差矩阵S的表达式为：

对于n行p列的样本矩阵X而言，经过矩阵变换后即得到样本协方差矩阵S，其为p行p列的方阵，故式()之后的u＝1,2,…,p且v＝1,2,…,p。

协方差矩阵S中的任一元素S_uv为：

式中，x_u'u和x_u'v分别为样本矩阵X中的某个元素，其中u′＝1,2,…,p；

样本相关矩阵R为： 其中，

设S_uv的p个特征值分别为 且 其单位正交特征向量 为：

则第u个样本的主成分y_u为：

在本发明中，将所有影响车辆油耗的因素进行编号处理，每个参数的历史统计数据作为样本矩阵X。其中，原始变量为：

路面平均坡度x₁，地面类型x₂，路面平整度x₃，发动机压缩比x₄，发动机比油耗x₅，整车质量x₆，轮胎型号x₇，维修保养状态x₈，轮胎气压x₉，轮胎磨损程度x₁₀，天气状态x₁₁，平均气温x₁₂，平均海拔高度x₁₃

经过上述的降维过程，变量x₁，x₅，x₆，x₇，x₁₁的累计贡献率达到了90％以上，而其他变量的累计贡献率则很小，可以忽略不计。因此，选择路面平均坡度、发动机比油耗、整车质量、轮胎型号、天气状况五个影响因素作为表述样本内容的主要数据来计算各项主成分的系数。将原训练样本的13种原始变量转换为5项主成分，即可作为BP神经网络的输入参数。

3.4基于BP神经网络的回归模型

通过对油耗影响因素的分析，建立了以路面平均坡度、发动机比油耗、整车质量、轮胎型号、天气状况五个影响因素为输入参数，以车辆油耗为输出参数的回归模型。本发明中选取2019年1月1日到2019年4月10日的100组历史统计数据对回归模型进行训练，其中90组构成训练数据集，用于训练网络获取计算模型；其余10组为仿真数据，用于验证模型的计算精度。

在Matlab软件中建立并训练BP神经网络时，设定训练函数为trainlm、学习函数为learngdm、性能函数为mse、隐含层和输出层的传递函数分别为tansig和purelin，其中2层隐含层的神经元数量均为10。训练函数trainlm采用LM算法，该方法结合了梯度下降法和牛顿法的优点，可以有效避免陷入局部最优解并保证收敛速度。

通过样本数据的训练，建立了多参数作用下无人驾驶车辆的油耗分析模型。当车辆处于日常的运行状态时，利用多种车载传感器，实时监测无人驾驶车辆的运行数据。并通过与最佳输出参数的对比分析，实现对无人驾驶车辆运行状态的实时动态调整。通过分析不同路况下的车辆最佳运行参数，以确定无人驾驶车辆的发动机最佳输出功率和发动机最佳转速，达到节约油耗的目的。

一种基于露天矿区路径的无人驾驶车辆能耗节能方法专利购买费用说明

Q：办理专利转让的流程及所需资料

A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。

1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2：按规定缴纳著录项目变更手续费。

3：同时提交相关证明文件原件。

4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。

Q:专利著录项目变更费用如何缴交

A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式

Q：专利转让变更，多久能出结果

A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。