[论文解读] Optimization of Operation Startegy for Primary Torque based hydrostatic Drivetrain using Artificial Intelligence.

Yusheng Xiang, Marcus Geimer|arXiv (Cornell University)|Jan 1, 2020

Hydraulic and Pneumatic Systems被引用 3

一句话总结

本文提出一种基于深度学习的策略，用于优化主扭矩控制式液压静力传动系统的再生制动性能，采用带有双向LSTM的CRDNN检测Y循环，准确率达98.2%。该方法在Y循环期间将整体效率提升高达9%，显著增强了轮式装载机等移动机械的能量回收能力。

ABSTRACT

A new primary torque control concept for hydrostatics mobile machines was introduced in 2018. The mentioned concept controls the pressure in a closed circuit by changing the angle of the hydraulic pump to achieve the desired pressure based on a feedback system. Thanks to this concept, a series of advantages are expected. However, while working in a Y cycle, the primary torque-controlled wheel loader has worse performance in efficiency compared to secondary controlled earthmover due to lack of recuperation ability. Alternatively, we use deep learning algorithms to improve machines' regeneration performance. In this paper, we firstly make a potential analysis to show the benefit by utilizing the regeneration process, followed by proposing a series of CRDNNs, which combine CNN, RNN, and DNN, to precisely detect Y cycles. Compared to existing algorithms, the CRDNN with bi-directional LSTMs has the best accuracy, and the CRDNN with LSTMs has a comparable performance but much fewer training parameters. Based on our dataset including 119 truck loading cycles, our best neural network shows a 98.2% test accuracy. Therefore, even with a simple regeneration process, our algorithm can improve the holistic efficiency of mobile machines up to 9% during Y cycle processes if primary torque concept is used.

研究动机与目标

• 解决主扭矩控制式液压静力传动系统在Y循环中因再生能力有限而导致的效率低下问题。
• 通过在Y循环操作期间实现有效再生，提升移动机械的能量回收效率。
• 开发一种高精度、低参数量的神经网络模型，实现实时检测Y循环，用于动态控制。
• 证明将深度学习集成到液压静力传动系统控制中以提升系统整体效率的可行性。
• 量化通过AI增强的再生制动在主扭矩控制式系统中可实现的效率增益。

提出的方法

• 提出一种结合卷积神经网络（CNN）、循环神经网络（RNN）和深度神经网络（DNN）的CRDNN架构，用于从液压信号中提取时间与空间特征。
• 在CRDNN中引入双向LSTM，以捕捉液压压力和流量信号时间序列数据中的长程依赖关系。
• 基于119个实际卡车装载循环的数据集对神经网络进行训练，以检测Y循环的开始与结束。
• 通过对比不同CRDNN变体（包括使用标准LSTM和双向LSTM的模型）来优化模型性能，重点关注准确率与参数效率。
• 利用检测到的Y循环反馈，在循环的减速阶段触发再生过程。
• 通过在未见数据上的测试准确率评估模型性能，重点考察泛化能力与实时适用性。

实验结果

研究问题

• RQ1 深度学习模型能否准确检测移动式液压静力机械液压信号中的Y循环模式？
• RQ2 与标准RNN相比，双向LSTM在循环检测任务中如何提升检测准确率？
• RQ3 在移动机械的CRDNN循环检测中，模型准确率与参数数量之间存在何种权衡？
• RQ4 AI增强的再生制动能在多大程度上提升主扭矩控制式液压静力传动系统的整体能效？
• RQ5 轻量级CRDNN模型是否能在保持高准确率的同时，适合在嵌入式系统上实现实时部署？

主要发现

• 采用双向LSTM的CRDNN在检测液压数据中Y循环的测试准确率达到最高，为98.2%。
• 使用标准LSTM的CRDNN在准确率上与双向变体相当，但训练参数显著更少，提升了模型效率。
• 所提出的基于AI的再生策略使主扭矩控制式移动机械在Y循环运行期间的整体效率最高提升9%。
• 通过循环分析对再生带来的能量回收潜力进行了定量验证，确认了显著的效率增益。
• 深度学习模型在未见数据上表现出强泛化能力，表明其在实际部署中具备鲁棒性。
• 将AI集成到主扭矩控制中可实现有效再生，克服了当前系统的关键局限。