Shoveling-Induced Slip Prediction for Distributed Electric Wheel Loaders: A Feature-Enhance CNN-BiLSTM Approach

“3+3”全电分布式架构

论文采用三个独立行驶电机和三个电动缸：前、后桥分别由独立电机驱动，工作装置由两个动臂电动缸和一个铲斗电动缸直接驱动。系统同时采集电池、行驶系统和工作装置的多源状态。

论文将该架构的主要适用范围设定为额定载荷不超过5 t的中小型装载机。对于10 t及以上大型装载机，电动缸峰值推力、连续作业能量和热管理仍构成限制。

二维卷积与双向时序建模

模型将电动缸位移、电流、电压以及行驶电机转速和转矩等一维时序信号组织为时间—通道二维矩阵。2D-CNN从局部感受野中提取跨信号相关特征，并通过池化形成时序特征序列。

BiLSTM从正、反两个时间方向建模状态演化，用于区分短时冲击、持续车轮滑移和电机堵转。论文同时在目标函数中加入分类、能量、通信与耗散项，并用NOA搜索学习率和BiLSTM隐藏单元数。

原型样机与多工况循环试验

实验平台为总质量1,103 kg、额定载荷270 kg的分布式电驱动装载机原型。车辆反复执行行驶—铲装—卸料循环，直至负载自然触发车轮滑移或电机堵转。

试验覆盖砾石、黏土、煤和玉米，以及平整和颠簸路面。通过改变距料堆的起始距离和扭矩指令调节铲斗冲击速度，共获得约2,000个有效铲装循环，并按80%/20%划分训练集和测试集。

分阶段报告模型比较与参数优化结果

在Table II的模型比较阶段，CNN-BiLSTM的Precision、Recall、Accuracy和F1分别为0.8198、0.7583、0.9810和0.7879，推理延迟为22.4 ms。该表还比较了LSTM、BiLSTM、GRU、CNN-LSTM、CNN-GRU、Transformer、GraphSAGE、TCN、Late-FusionCNN和CNN-Attention-BiLSTM。

结构参数试验中，双层CNN在时间步为6时的F1为0.8575；卷积核尺寸为10时，Accuracy和F1分别为0.9752和0.8684。NOA优化得到学习率0.01406和44个BiLSTM隐藏单元，优化阶段峰值F1为0.8781。

论文摘要报告最终F1-score为90.44%、召回率提高14.2%，峰值预测准确率为98.10%。

四种物料与两类路面条件下的五类驱动状态

五类驱动状态依次为正常、前轮滑移、后轮滑移、前后轮同时滑移和电机堵转。Fig. 6分别给出砾石、黏土、煤和玉米在平整与颠簸路面上的归一化混淆矩阵。

玉米工况的对角线比例整体较高；煤和部分颠簸路面工况中，前轮滑移、后轮滑移及同时滑移之间的混淆更明显。论文将其归因于物料特性、路面振动和左右滑移特征耦合。

结论与后续工作

论文形成了全电分布式装载机架构、CNN-BiLSTM时空融合模型和受物理边界约束的参数优化流程，并在原型平台的多物料、多路面铲装循环中进行验证。

后续工作包括采用非对称卷积核区分左右滑移、调整BiLSTM门控以降低渐进滑移识别延迟、引入物料属性先验、补偿行驶到铲装阶段的振动漂移，以及开展在线学习、剪枝、量化和更大吨位平台验证。