本研究由厦门大学机电工程系的吴彬云（Binyun Wu）、侯亮（Liang Hou）、王少杰（Shaojie Wang）、殷月（Yue Yin）和余胜峰（Shengfeng Yu）共同完成。其中，王少杰为通讯作者，其所属单位还包括厦门大学深圳研究院。该研究成果发表于国际学术期刊《Automation in Construction》第149卷，文章编号104805，于2023年2月21日在线发表。
本研究属于工程机械智能化与数字化的前沿交叉领域，具体聚焦于装载机（Loader）铲装作业过程中工作阻力（Working Resistance）的预测建模问题。随着人工智能、车联网和传感器技术的飞速发展，装载机等工程机械正朝着高效、节能、数字化和自主智能（Autonomous Intelligence）的方向演进。实现自主智能的关键在于机械能够根据实时状态参数，自主执行驾驶、作业和群体协同任务。在所有状态参数中，工作阻力，即机械在铲掘和移动物料时产生的反作用力，是至关重要的一个。它是铲装过程中功耗最大、能耗最高的阶段，精确获取工作阻力是实现装载机自主智能和节能优化的核心前提。
传统的工作阻力测量方法主要依赖应变传感器（Strain Sensor），通过替换装载机动臂与铲斗铰接处的销轴为特制销轴传感器来测量受力，再通过力平衡方程间接计算工作阻力。然而，这种方法存在传感器安装困难、标定复杂、维护不便、使用寿命短等显著局限性，不适用于长期在线监测。软测量技术（Soft Measurement）作为一种新型的检测方法，通过建立易测变量与难测变量之间的数学模型，来预测目标变量。现有软测量建模主要分为机理建模（Mechanism Modeling）和数据驱动建模（Data-driven Modeling）。机理建模虽能反映对象内部机理，但装载机作业是一个高度复杂的人-机-环境交互过程，精确的物理先验知识难以获取。而数据驱动建模虽有成功应用，但在装载机工作阻力预测领域尚属空白，且常用的神经网络（ANN）、支持向量回归（SVR）等方法在参数调整、局部极值、核函数选择等方面存在不足。随机森林（Random Forest, RF）算法虽性能优越，但在处理大规模数据时，也存在因输出不连续导致的过拟合风险、模型内部参数难以确定等缺点。
为解决上述问题，本研究旨在提出一种基于多源参数数据（Multi-sourced Parameter Data）的装载机工作阻力软测量预测建模新方法。其核心目标是利用易于获取的、多类型的传感器数据，替代传统的应变传感器，并通过改进的随机森林回归算法，实现对难以直接测量的工作阻力进行高精度、高鲁棒性的预测，从而为装载机的自主化和节能化提供理论与技术支持。
本研究构建了一个包含四个核心环节的整体框架：工作阻力表征参数分析、数据采集与特征选择、预测建模、模型验证。
1. 工作阻力表征参数分析 首先，为确定哪些易测参数可以用来表征复杂的工作阻力，研究者进行了系统的理论分析与仿真模拟。基于装载机运动学原理，采用D-H坐标法建立工作装置的运动学模型，分析得出装载机行驶速度、铲斗油缸位移和举升油缸位移是决定作业轨迹的关键因素。其次，通过对铲斗部分的受力分析（如图2所示），建立了力学平衡方程，得出动臂角度、连杆角度、铲斗角度、销轴受力及连杆受力等是决定工作阻力的关键力学参数。最后，利用RecurDyn-EDEM耦合仿真平台，构建了铲装过程的离散元动力学模型，并将获得的工作阻力作为外部负载，输入到Amesim软件构建的机电液一体化仿真模型中，进行相关性分析。仿真结果表明，液压系统中多个点的压力，如举升缸大腔/小腔压力、转斗缸大腔/小腔压力、工作泵与转向泵压力等，与工作阻力之间存在显著的相关性。综合以上分析，本研究最终确定了14个关键表征参数（如举升缸位移、铲斗缸位移、车速、各种角度、多种液压压力等）和3个直接反映工作阻力的目标参数（铲斗重量、销轴应力、连杆应力）。
2. 数据采集与特征选择 实验采用一台XG956III型装载机，在沙料和松散土壤两种工况下，由3名不同经验的操作员，以3种不同动力模式完成了1080个“V”型循环作业，采集了包含17种多维特征的操作数据，采样频率为100Hz。为消除复杂环境下信号噪声，采用了数据平滑滤波和小波滤波相结合的方法进行预处理。 由于14个表征参数与目标参数之间存在非线性耦合关系，研究者采用最大信息系数（Maximum Information Coefficient, MIC）算法进行特征选择。MIC是一种能够有效衡量变量间线性及非线性关系、且准确性优于互信息的方法。具体流程为：从总样本中随机抽取数据构成子样本集，计算各特征与目标参数的MIC值，并按其对目标变量的重要性进行排序。根据设定的MIC阈值（<0.4为弱相关），剔除了工作泵压力、左右转向缸压力、转向泵压力和车速等5个弱相关或无关特征。最终，选取了举升缸大腔压力、铲斗缸位移、铲斗缸大腔压力、举升缸位移、铲斗缸小腔压力、铲斗角度、举升缸小腔压力、动臂角度和连杆角度这9个关键特征，构成了最优特征子集，作为预测模型的输入。目标参数则被综合计算为时间同步的工作阻力F(t)。
3. 基于网格搜索优化的随机森林预测建模 在预测建模阶段，研究采用随机森林回归（Random Forest Regression, RFR）算法，并引入网格搜索（Grid Search）算法对其核心参数进行自适应优化。首先，将沙料工况下的九维特征数据及其对应的工作阻力数据，随机打乱并划分为训练集和测试集，用于模型构建与初步测试。随机森林是一种以分类回归树（Classification and Regression Tree, CART）为基学习器的集成学习算法，其回归预测值由所有决策树的输出结果取均值得到，能有效避免过拟合且对高维数据鲁棒性强。 然而，RFR模型的性能极大依赖于其超参数的选择，如弱学习器数量（n-estimators）、决策树最大深度（max-depth）、叶节点最小样本数（min-samples-leaf）和节点划分最小样本数（min-samples-split）。传统凭经验选择参数的方式无法保证模型最优。为此，本研究提出一种基于改进网格搜索的参数优化方法：先在大范围内以较大步长进行粗略搜索，找到较优的参数区间；再缩小范围，以小步长进行精确搜索，直至找到全局最优的超参数组合。通过此寻优过程，最终确定最优参数组合为：n-estimators=91, max-depth=41, min-samples-leaf=2, min-samples-split=1。
4. 模型验证与性能对比 为了全面评估所提模型的性能，研究进行了预测性能验证和泛化性能验证。首先，使用沙料工况的测试集数据，将优化后的RFR模型与反向传播神经网络（BP）、支持向量回归（SVR）、梯度提升回归（GBR）三种主流算法模型进行比较。为了验证模型对新工况的适应能力，即泛化性能，直接将沙料工况下训练好的四个模型，用于预测松散土壤工况的工作阻力，并与实测值进行比较。
1. 预测性能对比 在沙料工况的测试集上，四种模型的预测精度从高到低为：RFR > GBR > BP > SVR。具体数据显示，RFR（优化后）模型的均方根误差（RMSE）为16.2468 kN，平均绝对误差（MAE）为9.5315 kN，决定系数（R²）高达0.9715。这显著优于其他模型，例如BP模型的RMSE为26.3512 kN，SVR模型则高达36.5495 kN。从预测值和实际值的对比曲线以及误差分布直方图来看，RFR模型的预测曲线与实际值吻合度最高，误差分布也高度集中于低误差区间，表明其具有极高的预测精度和稳定性。
2. 泛化性能验证 在松散土壤工况的泛化性能测试中，尽管由于操作员对不同物料采用了不同的操作策略，导致数据集分布不一致，但所有模型的预测误差均有所增大，而RFR模型依然表现出最佳的泛化能力。其RMSE为36.1564 kN，MAE为30.4628 kN，R²为0.8628，三项指标均优于BP、SVR和GBR模型。这表明，基于RFR的软测量模型不仅对已知工况有很好的拟合能力，也具有较强的从已知数据中学习规律并应用于新场景的能力。
3. 参数优化效果 通过对比模型优化前后的性能指标，可以明确看到网格搜索算法带来的提升。在预测性能上，优化后的R²值从0.9657提升至0.9715；在泛化性能上，R²值从0.8344显著提升至0.8628。这充分证明了使用网格搜索算法对RFR模型进行超参数自动寻优，是提升模型精度和健壮性的关键步骤。
本研究成功提出并验证了一种基于多源参数数据的装载机工作阻力软测量预测建模方法，得出了以下核心结论：
研究价值： 科学价值方面，本研究首次将软测量技术应用于装载机工作阻力预测这一新兴领域，填补了该领域数据驱动建模研究的空白。其构建的“机理-数据联合驱动”的分析框架和建模方法，为其他复杂工程机械（如挖掘机、推土机）的作业负载预测提供了重要的方法论借鉴。 应用价值方面，该方法可为装载机实现自主智能铲装和能量管理优化提供核心数据支撑。无需额外安装复杂的力学传感器，仅利用装载机现有状态参数即可实时估算工作阻力，极大地降低了实现成本和技术门槛，对推动工程机械的数字化、智能化转型升级具有重要的工程应用意义。
研究局限与展望： 研究也指出，受限于实验条件，目前采集的数据仅涵盖沙料和松散土壤两种工况。为了进一步提升模型的普适性和可靠性，未来的研究将获取更多不同物料、更复杂工况下的操作数据，对模型进行持续验证和迭代优化。