CN114970115B - 一种挖掘机油耗和效率的计算方法 - Google Patents
一种挖掘机油耗和效率的计算方法 Download PDFInfo
- Publication number
- CN114970115B CN114970115B CN202210487243.7A CN202210487243A CN114970115B CN 114970115 B CN114970115 B CN 114970115B CN 202210487243 A CN202210487243 A CN 202210487243A CN 114970115 B CN114970115 B CN 114970115B
- Authority
- CN
- China
- Prior art keywords
- target
- solution
- relative
- value
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000013210 evaluation model Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000012163 sequencing technique Methods 0.000 claims abstract description 16
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 40
- 230000035945 sensitivity Effects 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 18
- 239000000446 fuel Substances 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002828 fuel tank Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明提供了一种挖掘机油耗和效率的计算方法,包括如下步骤:步骤1:计算平均油耗和平均工作效率;步骤2:根据模糊决策建立多目标优化评价模型一;步骤3:根据灰色关联分析和优劣解距离法建立多目标优化评价模型二;步骤4:根据Pareto最优建立多目标优化评价模型三;步骤5:以油耗和效率作为多目标优化评价模型的输入对各模式进行优劣分析,将评价模型中的排序结果按相同模式进行累加排序,累加的最小值对应的模式即为工况下的最优经济模式。本发明中能够自动选取挖掘机在同种工况下的最优经济模式,使其在作业过程中油耗低、效率高。
Description
技术领域
本发明涉及工程机械技术领域,尤其涉及一种挖掘机油耗和效率的计算方法。
背景技术
由于液压挖掘机的作业环境比较恶劣,频繁工作在复杂工况下,导致其所受负载变化频繁,发动机长时间工作在低效率区域,导致挖掘机的油耗增加,排放变差,机器的性能得不到充分的发挥。因此,挖掘机在工况作业过程中,同种型号不同模式下的挖掘机需要进行性能水平评价,其中比较重要的评价指标就是挖掘机的油耗和效率。
传统的油耗和效率综合评价,只能根据决策者的偏好信息偏向于一侧,缺乏客观性。
油耗和效率构成了事物的一对矛盾,具有不可共度性和矛盾性。两者之间没有统一的度量标准,难以直接相互比较,并且当油耗和效率其中某一值发生优化时,另一个目标值反而发生劣化,不宜直接评价。
多目标优化技术可同时考虑矛盾的两个方面并对多个相互冲突的目标同时进行优化,在目标之间寻找最优解。
发明内容
发明目的:本发明要解决的技术问题是针对挖掘机在同种工况不同模式下难以实现最小成本与最大效益的问题,而提供一种能够根据挖掘机的油耗和效率选出最优经济性能的工作模式。
本发明为实现其目的的技术方案是这样的:提供一种挖掘机油耗和效率的综合评价方法,包括如下步骤:
步骤1:依据挖掘机的累计油耗和挖掘斗数,计算模型输入的平均油耗和平均工作效率;
步骤2:根据模糊决策建立多目标优化评价模型一,根据目标的定量准则与对目标进行二元比较模糊分析,确定目标相对优属度与目标权重;以相对优属度和目标权重为基础建立模糊优选数学模型确定目标的相对隶属度向量,以最大隶属度准则对方案进行优劣分析;
步骤3:根据灰色关联分析和优劣解距离法建立多目标优化评价模型二,引入距离函数对主客观权重的结果进行组合赋权,确定各目标的综合权重,并以灰色关联分析和优劣解距离法为基础建立灰色优劣解距离评价模型确定各方案的相对贴近度,依据相对贴近度对各方案进行优劣分析。
步骤4:根据Pareto最优理论建立多目标优化评价模型三,依据Pareto前沿的分布特性确定目标的灵敏度比,并基于帕累托解强支配关系对目标灵敏度比的非劣解集进行筛选,计算筛选后目标函数的偏差程度,以目标函数偏差度的差值为标准对方案进行优劣分析;
步骤5:以油耗和效率作为多目标优化评价模型的输入对挖掘机装车工况下自定义0、25、50、75、100各模式进行优劣分析,将各评价模型的排序结果按相同模式进行累加排序,累加排序的最小值所对应的模式即为该工况下的最优经济模式。
所述挖掘机自定义0、25、50、75、100模式对应着挖掘机上动臂对回转的不同增益值,增益值越大表示动臂提升的速度越快。
步骤1中,所述平均油耗等于挖掘斗数下的累计油耗除以平均斗数所用的时间;平均工作效率等于挖掘斗数除以斗数下的单位时间。
步骤2包括:给定一个方案集A={a1,a2,...,an},an表示第n个方案,有相对于每个方案的目标集O={o1,o2,...,om},om表示第m个目标,m个目标对n个方案的评价用目标特征值矩阵X表示:X=(xij)m×n,i=1,2...m;j=1,2...n,xij表示目标特征值矩阵X第i行第j列的元素;
所述目标的定量准则是通过极差变换法确定目标相对优属度,如果目标为定量目标中的效益型指标,则目标相对优属度如果目标为成本型指标,则相对优属度得到目标特征值相对优属度矩阵R=(rij)m×n;
所述效益型指标是指该目标越大越好,成本型指标是指该目标越小越好;
所述根据目标的定量准则与对目标进行二元比较模糊分析,是对目标集作重要性排序,当ok比ol重要时,模糊标度值βkl依据决策者对目标的重要程度进行选取;βkl=1-βlk;βlk为目标集中目标l对目标k的重要性描述;当ok与ol同样重要时,βkl=0.5;得到二元比较矩阵β=(βkl)m×m,k,l=1,2...m;
所述确定目标相对优属度与目标权重,是依据目标重要性排序,设目标未归一化的权重ω′=(ω′1,ω′2,...ω′m);ω′m为第m个目标未归一化的权重;,令ω′1=1,ω′1为二元比较模糊分析中认定的重要目标,根据ω′k+1=ω′k(1.5-βk,k+1)求出ω′,βk,k+1为二元比较矩阵β中的元素;ω′k为第k个目标未归一化的权重,k=1,2...m;归一化后可得目标权重向量ω=(ω1,ω2,..ωm);ωm为第m个目标归一化的权重;
所述模糊优选是由于事物的优与劣为问题的对立面描述,该描述建立在共维差异下,因其具有中介过渡性,因此优选具有了模糊性。
所述模糊优选数学模型是以目标相对优属度和目标权重为基础建立目标的相对隶属度向量,以最大隶属度准则对方案进行优劣分析,得到决策j的目标相对隶属度uj;
所述以最大隶属度准则对方案进行优劣分析是根据目标相对隶属度uj从大到小的排序结果,排序结果最大即所对应的方案为最优方案。
步骤2中,所述模糊标度值βkl依据决策者对目标的重要程度进行选取,是依据模糊标度值与语气算子之间的映射关系将决策者的经验知识和偏好信息进行量化,确定油耗和效率的权重向量;
所述模糊标度值与语气算子间的映射关系是依据决策者对目标的重要性程度,从两者关系表中找出对应的模糊标度值βkl。
所述将决策者的经验知识和偏好信息量化是因权重是描述目标相对重要程度的数值,但所谓的重要程度无法给出精确的定义,是一个模糊的概念,其往往反映了决策者对决策问题的理解,是决策者知识、经验、偏好以及意识的综合体现。
步骤2中,所述模糊优选数学模型是根据相对优属度含义,参考连续***中介过渡的两极具有最小相对优属度bi=0或b=(b1,b2,...,bm)T=(0,0,...,0)T,和最大相对优属度gi=1或g=(g1,g2,...,gm)T=(1,1,...,1)T;相对优属度值在区间[0,1]中,bi为区间的最小值,gi为区间的最大值;bi与b=(b1,b2,...,bm)T是一个意思,两种表达,而gi与g也是一样的;
根据目标相对优属度矩阵和权重向量,决策j与优选决策的距离,定义加权距优距离Djg为:
其中djg为决策j与最大相对优属度g的距离;
加权距劣距离Djb为:
其中djb为决策j与最小相对优属度b的距离;
根据决策j的加权距劣距离和加权距优距离的平方和最小的优化准则,求决策j相对隶属度uj的最优值。定义如下相对隶属度函数f(uj):
令df(uj)/duj=0,并将gi=1,bi=0代入隶属度函数中,得出如下模糊优选数学模型:
其中p为距离参数,常取p=2,p=2为欧氏距离。
步骤3包括:所述综合权重ω(i)通过线性加权将主客观权重相结合:
ω(i)=αω1 (i)+βω2 (i),
α+β=1,
式中ω1 (i)为主观权重,ω2 (i)为客观权重,α、β为主客观权重的分配系数;综合权重既能反应客观信息又能体现专家的经验知识;
所述距离函数进行组合赋权是因不同方法得到的权重值差别可能较大,引入距离函数d(ω1 (i),ω2 (i)):
为保证分配系数的差异程度与距离函数相等,应满足[d(ω1 (i),ω2 (i))]2=(α-β)2,即可得出各目标的综合权重。
所述将灰色关联分析和优劣解距离法相结合可对评价对象的位置关系和态势变化进行优劣分析。
根据目标的相对优属度矩阵和综合权重确定目标的加权规范决策矩阵 (mji)n×m为综合权重与相对优属度矩阵的乘积矩阵;rnm为相对优属度矩阵R中第n行第m列的元素;由加权规范决策矩阵能够确定方案与标准的正理想解G=(g1,g2,...gm)间的距离/>gm表示加权规范决策矩阵中各目标的最优值;d(mji,gi)表示加权规范决策矩阵中各元素与各目标最优值的差值;以及和标准的负理想解B=(b1,b2,...bm)间的距离/>bm表示加权规范决策矩阵中各目标的最劣值;由两者的距离可确定方案与正、负理想解间的关联度大小;
与正理想解的灰色关联系数为:/>
与正理想解的灰色关联度为:/>
与负理想解的灰色关联系数为:/>
与负理想解的灰色关联度为:/>
式中minmind表示距离矩阵d中的最小值;maxmaxd表示距离矩阵d中的最大值;距离矩阵就是上述的方案与标准的正、负理想解间的距离(ωi)T为ωi的转置;ε为分辨系数,用于分辨各对象中与理想对象差距最大者对其它对象的影响程度,通常取0.5,但缺乏合理性,这里用平均关联度代替原有的经验取值,
式中ω为综合权重,R为目标的相对优属度矩阵。
将方案与正、负理想解的距离和关联度进行规范化处理,得出规范化距离和规范化关联度/>为方案与正理想解标准化后的距离;/>为方案与负理想解标准化后的距离;Tj +′为方案与正理想解标准化后的关联度;Tj -′为方案与负理想解标准化后的关联度;由于规范化的Tj +′和/>大小与评价对象正理想解成正相关,Tj -′和/>大小与评价对象负理想解成负相关,评价对象的相对贴近度Cj为:
式中表示第j个评价对象与正理想解在距离上的相近程度和在形状上的关联程度,/>表示第j个评价对象与负理想解在距离上的相近程度和在形状上的关联程度,其中α1和β1为决策者对距离和关联度的偏好程度,常取α1=β1=0.5;
所述各方案的相对贴近度综合考虑了评价对象间的贴近距离和关联度大小,值越大,表明评价效果越好,方案越优。
所述主客观权重的结果是基于主观的层次分析法和基于客观的熵权法得到的;层次分析法根据1~9的比例标度对油耗和效率的相对重要性进行定性描述,用准确的数值构建判断矩阵计算目标权重,熵权法根据各项指标值的差异程度进行计算确定目标权重。所述主观的层次分析法和客观的熵权法是基于文献:基于组合赋权-TOPSIS的矿井工作面环境质量评价(作者:张悦)。
步骤3中,所述灰色优劣解距离评价模型是指依据决策问题中的正、负理想最优序列,对评价对象间的贴近距离和关联度大小进行求解,如果可行解距正理想解越近,距负理想解越远,并且可行解的序列曲线的几何形状与理想最优序列的曲线的几何形状越接近,则该解为方案中的满意解,所对应的方案越接近理想最优。
步骤4包括:所述Pareto前沿的分布特性是指非劣解的排布具有恒递增或恒递减的趋势,根据挖掘机油耗和效率的特性可知,油耗低效率也低,因此前沿解具有恒递增的趋势;
所述目标的灵敏度比是指某个帕累托非劣解的两个平均变量与前沿目标函数对应值的比值;设第s个非劣解对目标函数f1的平均变化率为对目标函数f2的平均变化率为/> 为第s个非劣解的平均变化率与目标函数f1值之比的灵敏度比值;/>为第s个非劣解的平均变化率与目标函数f2值之比的灵敏度比值;/>为第s个非劣解对应的目标函数f1的值;
所述平均变化率是指连接除端点外的任何点与两个相邻点间线的斜率的平均值:
对端部的s=1,s=n两点,平均变化率为 为第一个非劣解对目标函数f1的平均变化率;/>为第一个非劣解对目标函数f2的平均变化率;/>为第n个非劣解对目标函数f1的平均变化率;/>为第n个非劣解对目标函数f2的平均变化率;
所述帕累托解强支配关系是指解集中任意的两个解s(i)、s(j)对各个目标函数恒有 表示解s(i)与对应目标函数的灵敏度比值;则称解s(i)强帕累托支配解s(j),根据帕累托解强支配关系舍弃s(j)解,形成新的非劣子集;
所述目标函数的偏差程度是指在新的非劣子集中非劣解s的灵敏比相对于目标函数的偏向程度,其中/> 表示非劣解s的灵敏比相对于目标函数f1的偏向程度;/>表示非劣解s的灵敏比相对于目标函数f2的偏向程度;在此基础上对各目标函数偏向度作差值ΔW(s):
偏向度差值的最小值所对应的解为最优解,依据这一特性对方案进行优劣分析。
步骤4中,所述Pareto最优理论本质是寻找Pareto最优解。假设两个目标函数,对解A而言,在空间中找不出其它的解能够优于解A即找不出两个目标函数值都优于A对应的函数值,则称解A为Pareto最优解。
步骤5中,所述将评价模型中的排序结果按相同模式进行累加排序是指各评价模型对各模式进行优劣排序,把相同模式下的排序号进行累加,累加的最小值所对应的模式即为最优模式。
本发明中能够自动选取挖掘机在同种工况下的最优经济模式,使其在作业过程中油耗低、效率高。
所述模糊决策的主观性较强,但该方法同时考虑到目标的重要性和优越性,以目标间两两比较判断的互补性作为判断的准则,使结果具有客观性和实用性;
所述灰色关联分析-优劣解距离法引入主客观权重的概念,在权重中既能反应客观信息又能体现专家的经验知识,并将灰色关联分析和优劣解距离分析相结合可同时对评价对象的位置关系和态势变化进行优劣比较,可直接得出优劣排序;
所述的主客观权重是指基于主观的层次分析法和基于客观的熵值法,通过采用距离函数将主客观权重有机结合,***量化了评价指标。
所述的Pareto前沿是指Pareto非劣解集按映射法在目标函数空间上形成的曲线或曲面。
有益效果:
1、本发明根据三种多目标优化评价方法的综合选取减少了对油耗和效率的选取误差;
2、本发明从三种不同的多目标优化方面(①多目标转化为单目标;②多目标决策;③Pareto最优)对油耗和效率进行分析,增加了决策结果的客观性和合理性;
3、本发明可依据某个工况下的油耗和效率直接选出该工况下的最优经济模式;
4、油耗和效率是一对矛盾因素,没有一个综合的评判标准,而本发明可对其进行量化使其能够进行综合选取。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是挖掘机的能效的评价流程示意图。
图2是模糊决策的评价模型建立过程示意图。
图3是灰色-优劣解距离评价模型建立过程示意图。
图4是Pareto最优模型建立过程示意图。
具体实施方式
本实施例中的挖掘机油耗和效率综合评价方法,其中挖掘机的能效的评价流程如图1所示,根据挖掘机挖掘的斗数,分别计算挖掘机在装车工况下不同模式方案的油耗和工作效率。建立三种多目标优化评价模型,将上述的油耗和效率带入模型中对不同模式进行优劣分析,最终以相同模式为标准将各方案的排序结果进行累加,对累加结果进行大小排序。以最小值所对应的方案作为最优方案,此时的油耗和效率达到最优。挖掘机油耗和效率的综合评价方法详细步骤如下:
在本发明中,是根据挖掘斗数计算油耗和效率,一斗是以挖掘机的一个工作循环:挖掘、回转、卸载、复位作为标准。油耗是以规定斗数下的累计油耗除以其斗数作为评价模型的输入,效率是以斗数除以单位时间计算出每斗的平均工作效率,以每斗的平均效率作为输入。
在本发明中,模糊决策的评价模型建立如图2所示,根据定量与定性的含义判断目标的属性,对目标进行重要性计算。通过判断油耗和效率都是定量目标,油耗属于定量目标中的成本型而效率属于效益型,根据目标间不同的类型用极差变换法对各方案进行相对优属度计算,计算准则为成本型目标用该序列中的最小值分别除以各方案的目标值,效益型目标用各方案的目标值分别除以该序列的最大值,规格化后可得模型的相对优属度矩阵。根据模糊标度值,决策者对目标进行二元比较,构建目标的模糊判断矩阵,依据模糊判断矩阵计算出目标的权重向量。根据建立的模糊优选数学模型中优选公式将优属度矩阵和目标的权重向量带入计算,计算出各方案的相对隶属度向量,以最大隶属度准则对各方案进行优劣排序。如表1所示为语气算子与模糊标度值:
表1
在本发明中,灰色-优劣解距离评价模型建立如图3所示,相对优属度矩阵确定和上述方法一样,权重的确定主要是通过将主观赋权法和客观赋权法相结合,主观赋权法采用层次分析法,利用1-9的比例标度对相对重要性进行定性的描述构造模糊判断矩阵,并对其进行规范化处理得到权重系数。结合组合权重与相对优属度矩阵计算出加权规范化后的决策矩阵,根据决策矩阵确定方案的正、负理想解也就是标准序列,通过标准序列计算出各方案与正、负理想解之间的距离,以各方案间的距离为标准计算灰色关联度系数以及关联度系数矩阵,采用加权平均的方法对关联度系数矩阵进行关联度求解,关联度值越大表示对象的各个指标与所选取的标准序列中对应指标越相关,对象序列曲线越相似,表示这个对象越好,以此来对各方案进行优劣排序。
在本发明中,Pareto最优模型建立如图4所示,根据非劣解在前沿上具有恒递增和恒递减的趋势,对前沿上的解按某个目标函数值进行升序排序,计算出前沿上除端点的任意点与相邻两点连线斜率的平均值,以非劣解的两个平均变化率与目标函数值之比计算出方案的灵敏度比,灵敏度比的大小反映了某个目标函数值的平均变化率相对于单位函数值的灵敏程度,当在Pareto解集中任意两个解x1、x2对于目标函数恒有灵敏度比1大于等于灵敏度比2,则称x1支配x2。根据此支配关系对解集进行筛选,舍弃x2对应下的灵敏度比,形成一个新的Pareto非劣子集,对非劣子集中的灵敏比进行规范化处理求出非劣解相对于目标函数的偏向度,由于优化目标间的矛盾性,当一个目标的偏向度增大时另一个目标的偏向度反而减小,因此将各目标函数的偏向度进行差值计算,偏向度差值的最小值所对应的Pareto非劣解即为对各目标偏向最小的解也就是最优解,根据这一特性对各方案进行优劣排序。
在本实施例中,当多目标优化问题为性能与成本时,灵敏比也就是性价比。
在本发明中,对各方案的最终排序是通过将各评价模型的结果按照对应的方案进行累计相加,相加的最小值所对应的方案即为最优的经济方案,其中的油耗和效率总体上达到最优。
A=B/C,
其中,A表示油耗,B表示斗数下的累积油耗,C表示斗数,D表示效率,E表示斗数下的数据量。50代表采样频率,60代表时间换算,从秒换算成小时。
举例说明:
目标为油耗和效率,方案为挖掘机装车工况下自定义0、25、50、75、100模式。选取挖掘机在装车工况不同模式下的12斗挖掘数据,计算对应的油耗和效率,如表2所示为自定义模式下的油耗、效率:
表2
根据目标的定量准则确定目标相对优属度矩阵R:
将两个目标看成是同等重要,对目标进行二元比较模糊分析确定目标权重ω:
ω=(0.5,0.5)
依据建立的模糊优选数学模型计算各方案的相对隶属度向量u:
u=(0.9986,0.9944,0.9956,1,0.9981)
以最大隶属度准则对各方案进行优劣排序,自定义75模式>0模式>100模式>50模式>25模式;
由于两个目标为同等重要,所以组合权重向量和上述的二元比较模糊分析确定的权重是一致的,结合组合权重向量和相对优属度矩阵确定各方案的相对贴近度C:
C=(0.5656,0.2663,0.3365,0.7975,0.4944)
依据相对贴近度的含义,值越大,评价效果越好,方案越优,对各方案进行优劣排序,自定义75模式>0模式>100模式>50模式>25模式;
由于油耗和效率呈现正相关,Pareto前沿解应具有恒递增的趋势,依据这一特性按油耗这目标函数对各方案进行升序排序,由排序结果可知自定义75模式下的油耗最低,效率最高,因此省去其余模式,计算出75模式下目标函数的偏差度为W1=W2=0.5,差值ΔW=0,即自定义75模式最优。
根据上述三种评价模型对各方案的优劣排序,按相同模式对各方案的排序号进行累加计算,累加的最小值所对应的模式即为最优经济模式。如表3所示。
表3
注:在评价模型3中因省略了除75模式以外的其余模式,即其余模式都比75模式差,所以在排序时其余模式都采用相同的排序号。
由上表排序累加值可知,自定义75模式的排序累加值最小,即自定义75模式为挖掘机在装车工况下的最优经济模式,该模式下的油耗和效率达到综合最优。
本发明提供了一种挖掘机油耗和效率的计算方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (2)
1.一种挖掘机油耗和效率的计算方法,其特征在于,包括如下步骤:
步骤1:依据挖掘机的累计油耗和挖掘斗数,计算模型输入的平均油耗和平均工作效率;
步骤2:根据模糊决策建立多目标优化评价模型一,根据目标的定量准则与对目标进行二元比较模糊分析,确定目标相对优属度与目标权重;以相对优属度和目标权重为基础建立模糊优选数学模型确定目标的相对隶属度向量,以最大隶属度准则对方案进行优劣分析;
步骤3:根据灰色关联分析和优劣解距离法建立多目标优化评价模型二,引入距离函数对主客观权重的结果进行组合赋权,确定各目标的综合权重,并以灰色关联分析和优劣解距离法为基础建立灰色优劣解距离评价模型确定各方案的相对贴近度,依据相对贴近度对各方案进行优劣分析;
步骤4:根据Pareto最优理论建立多目标优化评价模型三,依据Pareto前沿的分布特性确定目标的灵敏度比,并基于帕累托解强支配关系对目标灵敏度比的非劣解集进行筛选,计算筛选后目标函数的偏差程度,以目标函数偏差度的差值为标准对方案进行优劣分析;
步骤5:以油耗和效率作为多目标优化评价模型的输入对挖掘机装车工况下自定义各模式进行优劣分析,将各评价模型的排序结果按相同模式进行累加排序,累加排序的最小值所对应的模式即为该工况下的最优经济模式;
步骤2包括:给定一个方案集A={a1,a2,...,an},an表示第n个方案,有相对于每个方案的目标集O={o1,o2,...,om},om表示第m个目标,m个目标对n个方案的评价用目标特征值矩阵X表示:X=(xij)m×n,i=1,2…m;j=1,2...n,xij表示目标特征值矩阵X第i行第j列的元素;
所述目标的定量准则是通过极差变换法确定目标相对优属度,如果目标为定量目标中的效益型指标,则目标相对优属度如果目标为成本型指标,则相对优属度得到目标特征值相对优属度矩阵R=(rij)m×n;
所述根据目标的定量准则与对目标进行二元比较模糊分析,是对目标集作重要性排序,当ok比ol重要时,模糊标度值βkl依据决策者对目标的重要程度进行选取;βkl=1-Flk;Flk为目标集中目标l对目标k的重要性描述;当ok与ol同样重要时,βkl=0.5;得到二元比较矩阵β=(βkl)m×m,k,l=1,2...m;
所述确定目标相对优属度与目标权重,是依据目标重要性排序,设目标未归一化的权重ω′=(ω′1,ω′2,...ω′m);ω′m为第m个目标未归一化的权重;令ω′1=1,ω′1为二元比较模糊分析中认定的重要目标,根据ω′k+1=ω′k(1.5-βk,k+1)求出ω′,βk,k+1为二元比较矩阵β中的元素;ω′k为第k个目标未归一化的权重,k=1,2…m;
归一化后得到目标权重向量ω=(ω1,ω2,..ωm);ωm为第m个目标归一化的权重;
所述模糊优选数学模型是以目标相对优属度和目标权重为基础建立目标的相对隶属度向量,以最大隶属度准则对方案进行优劣分析,得到决策j的目标相对隶属度uj;
所述以最大隶属度准则对方案进行优劣分析是根据目标相对隶属度uj从大到小的排序结果,排序结果最大即所对应的方案为最优方案;
步骤2中,所述模糊优选数学模型是根据相对优属度含义,参考连续***中介过渡的两极具有最小相对优属度bi=0或b=(b1,b2,...,bm)T=(0,0,...,0)T,和最大相对优属度gi=1或g=(g1,g2,...,gm)T=(1,1,...,1)T,相对优属度值在区间[0,1]中,bi为区间的最小值,gi为区间的最大值;
步骤3包括:所述综合权重ω(i)通过线性加权将主客观权重相结合:
ω(i)=αω1 (i)+βω2 (i),
α+β=1,
式中ω1 (i)为主观权重,ω2 (i)为客观权重,α、β为主客观权重的分配系数;
步骤3中,所述主客观权重的结果是基于主观的层次分析法和基于客观的熵权法得到的;层次分析法根据1~9的比例标度对油耗和效率的相对重要性进行定性描述,用准确的数值构建判断矩阵计算目标权重,熵权法根据各项指标值的差异程度进行计算确定目标权重;
步骤3中,所述灰色优劣解距离评价模型是依据决策问题中的正、负理想最优序列,对评价对象间的贴近距离和关联度大小进行求解,如果可行解距正理想解越近,距负理想解越远,并且可行解的序列曲线的几何形状与理想最优序列的曲线的几何形状越接近,则该解为方案中的满意解,所对应的方案越接近理想最优;
步骤4包括:
所述目标的灵敏度比是指一个帕累托非劣解的两个平均变量与前沿目标函数对应值的比值;设第s个非劣解对目标函数f1的平均变化率为对目标函数f2的平均变化率为 为第s个非劣解的平均变化率与目标函数f1值之比的灵敏度比值;/>为第s个非劣解的平均变化率与目标函数f2值之比的灵敏度比值;f1 (s)为第s个非劣解对应的目标函数f1的值;
步骤4中,所述帕累托解强支配关系是指解集中任意的两个解s(i)、s(j)对各个目标函数恒有 表示解s(i)与对应目标函数的灵敏度比值;则称解s(i)强帕累托支配解s(j),根据帕累托解强支配关系舍弃s(j)解,形成新的非劣子集;
步骤4中,所述目标函数的偏差程度是指在新的非劣子集中非劣解s的灵敏比相对于目标函数的偏向程度,其中W1 (s)+W2 (s)=1,W1 (s)表示非劣解s的灵敏比相对于目标函数f1的偏向程度;W2 (s)表示非劣解s的灵敏比相对于目标函数f2的偏向程度;对各目标函数偏向度作差值ΔW(s):
偏向度差值的最小值所对应的解为最优解。
2.根据权利要求1所述的方法,其特征在于,步骤1中,所述平均油耗等于挖掘斗数下的累计油耗除以平均斗数所用的时间;平均工作效率等于挖掘斗数除以斗数下的单位时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210487243.7A CN114970115B (zh) | 2022-05-06 | 2022-05-06 | 一种挖掘机油耗和效率的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210487243.7A CN114970115B (zh) | 2022-05-06 | 2022-05-06 | 一种挖掘机油耗和效率的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114970115A CN114970115A (zh) | 2022-08-30 |
CN114970115B true CN114970115B (zh) | 2024-06-18 |
Family
ID=82982139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210487243.7A Active CN114970115B (zh) | 2022-05-06 | 2022-05-06 | 一种挖掘机油耗和效率的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114970115B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862160A (zh) * | 2023-06-29 | 2023-10-10 | 盐城工学院 | 一种汽车涂装生产线多目标平衡优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101675198B1 (ko) * | 2014-07-22 | 2016-11-11 | 성균관대학교산학협력단 | 다중 의사 결정 문제 해결을 위한 계층적 분석 기법, 회색수 및 엔트로피 기반의 해법 연산 방법 |
CN109272182A (zh) * | 2018-06-28 | 2019-01-25 | 华北水利水电大学 | 一种基于可变模糊决策理论的水资源效益动态评价方法 |
-
2022
- 2022-05-06 CN CN202210487243.7A patent/CN114970115B/zh active Active
Non-Patent Citations (2)
Title |
---|
ORC工质选择的多级非结构性模糊决策分析;许俊俊;罗向龙;王永真;朱倩南;陈颖;莫松平;黄宏宇;;化工学报;20150331(第03期);全文 * |
基于灰色模糊决策的多目标优化模型及应用研究;郑夕健;张国忠;费烨;;组合机床与自动化加工技术;20070125(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114970115A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
CN109740661B (zh) | 一种基于模糊评估的油井动液面自适应预测方法 | |
CN110334875A (zh) | 计及评估指标冲突的风电功率组合概率预测方法 | |
US20040158406A1 (en) | Method for computing complexity, confidence and technical maturity indices for reservoir evaluations | |
CN114970115B (zh) | 一种挖掘机油耗和效率的计算方法 | |
CN114969953B (zh) | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 | |
CN113570000A (zh) | 一种基于多模型融合的海洋单要素观测质量控制方法 | |
CN110472689B (zh) | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 | |
CN114329899A (zh) | 一种工程机械多仿真结果筛选方法及*** | |
CN110728409B (zh) | 一种洪水过程类型相似性挖掘与快速预测方法 | |
CN114036610A (zh) | 一种基于数据增强的侵彻深度预测方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN114662406A (zh) | 机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法 | |
CN104460594A (zh) | 一种基于两层嵌套结构的调度优化方法 | |
CN115221793A (zh) | 一种隧道围岩变形预测方法及装置 | |
CN114818886A (zh) | 一种基于PCA和CatBoost回归融合预测土壤渗透率的方法 | |
CN114418378A (zh) | 基于lof离群因子检测算法的光伏发电上网数据校核方法 | |
CN114065639A (zh) | 一种挖泥船施工参数的闭环实时反演方法 | |
CN116663964B (zh) | 一种基于清单项目特征值的工程单价快速计算方法及*** | |
CN115394381B (zh) | 一种基于机器学习和两步法数据扩充的高熵合金硬度预测方法及装置 | |
CN109376957A (zh) | 一种火电厂负荷的预测方法 | |
CN115422830A (zh) | 基于改进克里金插值的含煤地层煤层厚度预测方法及装置 | |
CN113742843A (zh) | 一种面向船舶部件装配精确定位的传感器模糊优选方法 | |
Batty et al. | Proximate aggregation-estimation of spatial interaction models | |
CN114943304B (zh) | 一种基于贝叶斯的3c电子产品装配误差传递方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |