矿业研究与开发

矿用混合动力装载机能量管理迁移学习策略研究

PDF下载

张杰 ¹^,²^,³^,⁴ , 梁龙 ¹^,²^,⁴ , 李龙 ¹^,⁴^,⁵ , 张威 ⁶

矿业研究与开发 | 矿山机电与矿业智能化 2026,46(9): 257-265

收起

矿业研究与开发 |矿山机电与矿业智能化 2026 , 46 (9) : 257 -265

矿用混合动力装载机能量管理迁移学习策略研究

全屏

张杰¹^,²^,³^,⁴, 梁龙¹^,²^,⁴, 李龙¹^,⁴^,⁵, 张威⁶

作者信息

^1．长沙矿山研究院有限责任公司，湖南长沙　410012

^2．金属矿山安全技术国家重点实验室，湖南长沙　410012

^3．北京科技大学，北京　100083

^4．深部金属矿安全智能开采国家矿山安全监察局重点实验室，湖南长沙　410012

^5．战略性稀有金属矿产高效开发国家技术创新中心，湖南长沙　410012

^6．重庆工商大学机械工程学院，重庆　400060

作者简介:

张杰（1987—），男，江苏无锡人，硕士，高级工程师，主要从事矿山机电设备的研究与开发。E-mail:379148701@qq.com

Research on Transfer Learning Strategy for Energy Management of Mining Hybrid Loaders

Jie Zhang¹^,²^,³^,⁴, Long Liang¹^,²^,⁴, Long Li¹^,⁴^,⁵, Wei Zhang⁶

Affiliations

^1.Changsha Institute of Mining Research Co., Ltd., Changsha, Hunan 410012, China

^2.State Key Laboratory of Safety Technology of Metal Mines, Changsha, Hunan 410012, China

^3.University of Science and Technology Beijing, Beijing 100083, China

^4.Key Laboratory of National Mine Safety Administration for Safe and Intelligent Mining of Deep Metal Mines, Changsha, Hunan 410012, China

^5.National Technological Innovation Center for Efficient Development of Strategic Rare Metal Mineral Resources, Changsha, Hunan 410012, China

^6.School of Mechanical Engineering, Chongqing Technology and Business University, Chongqing 400060, China

出版时间: 2026-09-25

文章导航

摘要

收起

为了提升矿用混合动力装载机能量管理策略对多变循环工况的适应性，提出了一种深度Q网络（Deep Q-Network, DQN）与迁移学习（Transfer Learning, TL）融合的能量管理策略DQN-TL。该方法的核心思想在于利用装载机V型作业的内在循环特性，将这种可重复的模式规律视为一种可提炼、可复用的高价值知识。策略首先利用DQN在数据丰富的源域中学习并提炼出应对典型作业循环的通用控制规律；随后通过参数迁移，将相关规律特征引入目标域模型，并结合少量数据微调以适应特定工况特征，最后通过建立工况的结构化循环特征与迁移学习的内在联系，提升井下复杂工况适应性。仿真结果表明，与基于规则的控制策略相比，所提出的DQN-TL策略的燃油消费率为189.21 g/（kW·h），燃油经济性提升了13.8%，其功率分配策略更接近于全局最优方案，表现出了较好的工程应用潜力。

关键词

混合动力装载机 / 深度Q网络 / 迁移学习 / 能量管理策略

Abstract

收起

To improve the adaptability of the energy management strategy for mining hybrid loaders to variable cyclic operating conditions, an energy management strategy integrating Deep Q-Network (DQN) and Transfer Learning (TL), named DQN-TL, was proposed. The core idea of this method is that the inherent cyclic characteristic of the loader's V-type operation is utilized, and such repeatable patterns are regarded as extractable and reusable high-value knowledge. First, DQN is utilized by the strategy to learn and distill the general control laws for typical operating cycles in a data-rich source domain. Then, through parameter transfer, the relevant law features are introduced into the target domain model, which is then fine-tuned with a small amount of data to adapt to specific operating conditions. Finally, by establishing the intrinsic relationship between the structured cyclic characteristics of the operating conditions and transfer learning, the adaptability to complex underground conditions is improved. The simulation results show that, compared with a rule-based control strategy, the fuel consumption rate of the proposed DQN-TL strategy is 189.21 g/(kW·h), the fuel economy is improved by 13.8%, its power allocation strategy is closer to the global optimal solution, and good potential for engineering application is demonstrated.

Key words

Hybrid loader / Deep Q-Network / Transfer learning / Energy management strategy

引用本文

张杰, 梁龙, 李龙, 张威. 矿用混合动力装载机能量管理迁移学习策略研究. 矿业研究与开发, 2026 , 46 (9) : 257 -265 .

Jie Zhang, Long Liang, Long Li, Wei Zhang. Research on Transfer Learning Strategy for Energy Management of Mining Hybrid Loaders[J]. Mining Research and Development, 2026 , 46 (9) : 257 -265 .

基金

收起

中国五矿集团有限公司全国重点实验室专项资金项目(2025GZKJ05)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

2026年第46卷第9期

PDF下载

引用本文

BibTeX

文章信息

接收时间：2026-04-10
首发时间：2026-10-27
出版时间：2026-09-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2026-04-10

基金

中国五矿集团有限公司全国重点实验室专项资金项目(2025GZKJ05)

作者信息

^1．长沙矿山研究院有限责任公司，湖南长沙　410012

^2．金属矿山安全技术国家重点实验室，湖南长沙　410012

^3．北京科技大学，北京　100083

^4．深部金属矿安全智能开采国家矿山安全监察局重点实验室，湖南长沙　410012

^5．战略性稀有金属矿产高效开发国家技术创新中心，湖南长沙　410012

^6．重庆工商大学机械工程学院，重庆　400060

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/kyyjykf/CN/1321897342979134136

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT