[發明專利]面向智能礦山場景的數字孿生演化機理及方法

有效

• 申請號: 201911388541.5
• 申請日: 2019-12-30
• 公開（公告）號: CN111210359B
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 張帆
• 申請（專利權）人: 中國礦業大學（北京）
• 主分類號: G06Q50/02
• 分類號: G06Q50/02;G06N3/08;G06N3/04;G06F30/23
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.面向智能礦山場景的數字孿生演化機理及方法，其特征在于，所述方法的數字孿生模型包括物理模型、邏輯模型、仿真模型和數據模型，數字孿生模型由物理模型、邏輯模型、仿真模型相互耦合及演化而成，并通過數字孿生實現虛擬空間智能礦山場景與物理空間智能礦山場景的映射重構、數據鏡像、同步反饋與信息交互，所述數字孿生包括對象孿生、過程孿生和性能孿生；

所述數字孿生數據模型包括感知層、網絡層、數據層和表示層；

感知層用于感知智能礦山場景工況環境、設備運行參數和設備工作狀態，為數字孿生的對象孿生提供信息流；

網絡層用于智能礦山場景設備的統一組網、協議轉換、邊緣計算和網絡傳輸，為感知層和數據層提供通信接口，并為數字孿生的過程孿生提供控制流；

數據層用于智能礦山場景多源數據的匯聚融合、迭代計算、分析挖掘、數據孿生和存儲管理，為數字孿生的性能孿生提供數據流；

表示層為用戶提供智能礦山場景數字孿生與信息交互服務，以及智能礦山場景設備的智能識別、精確定位、實時監控和可靠運維，為數字孿生提供決策流；

所述方法的數字孿生建模，包括如下步驟：

步驟1，物理模型定義：選取智能礦山場景物理實體建立三維物理模型，定義物理實體的幾何屬性、運動屬性和功能屬性，以及幾何外形和機械結構，定義仿真迭代優化條件；

步驟2，邏輯模型表示：將物理模型映射到邏輯模型，通過圖形化、形式化描述邏輯模型的組成要素、組織結構和運行機制，并通過邏輯模型將各要素屬性和行為反饋到物理模型，實現對物理模型的優化；

步驟3，仿真模型建立：根據步驟1和步驟2，基于開源圖形場景OSG構建可視化的仿真模型，實現物理實體的孿生對象可視化、孿生結構可視化和孿生過程可視化；

步驟4，仿真模型優化：根據步驟3建立的仿真模型，基于多源數據，采用Pareto多目標優化算法對仿真模型進行訓練和優化，將仿真結果反饋到物理模型，并對物理模型優化；

步驟5，仿真模型驗證：對物理模型與仿真模型進行一致性與可靠性驗證，如滿足仿真模型的目標函數迭代優化條件，則執行步驟6，否則，執行步驟2；

步驟6，數據模型構建：構建可計算的數據模型，采用多源數據融合和深度學習算法，以及迭代優化和智能決策方法，實現物理實體與虛擬孿生體的數據鏡像和數據交換；

步驟7，數字孿生表征：集成物理模型、邏輯模型、仿真模型和數據模型，通過數據驅動與實時交互，實現物理空間智能礦山場景在虛擬空間的數字孿生；

所述數字孿生演化機理及方法，進一步地包括如下步驟：

步驟1.1，三維實體建模：利用三維建模工具建立智能礦山場景的物理實體三維模型，并采用有限元分析法求解三維模型的結構參數、幾何參數、材料參數、狀態參數及邊界條件；

步驟2.1，模型渲染優化：根據步驟1.1所獲取的三維模型，使用3DsMax三維渲染工具對模型結構透視圖或點云圖進行渲染、添加材質，并對其邊緣部分進行優化；

步驟3.1，仿真場景構建：將步驟2.1渲染后的模型導入虛擬現實仿真引擎，使用其內置的物理引擎構建可視化仿真模型，實現數字孿生體可視化建模、生產過程和應用場景可視化展示與虛擬漫游；

步驟4.1，數據融合：將物理實體的多源傳感器數據作為輸入，經多源數據融合后輸出，據此驅動數字孿生體完成信息交換，并將傳感器實時數據、歷史數據及物理模型存儲在云數據庫中；

步驟5.1，交互控制：通過OPC UA、TCP/UDP、Web Service通信接口實現數據實時采集、遠程通信和多源動態數據的實時更新，通過VR或AR人機接口和數據庫接口，實現智能礦山場景數字孿生體與物理實體的實時交互及虛擬現實；

所述數字孿生采用物理實體結構模型、幾何模型和材料模型的多尺度、多層次集成，將物理空間中的物理實體在虛擬空間進行全要素重構，通過實時數據采集、數據融合和迭代計算，形成具有感知、分析、決策和執行能力的數字孿生體；

所述數字孿生體作為物理實體在虛擬空間的1∶1映射，采用集成的多物理、多尺度和動態概率仿真模型，基于機器視覺和深度學習算法，實現對物理實體的數字鏡像和數據驅動；

所述數字孿生采用OPC UA服務架構和邊緣計算技術，具有獨立于底層通信協議的實時數據采集和邊緣計算功能，支持Web Service接口和ODBC數據庫通信接口，實現模型分布式計算及數據低延時安全傳輸；以及，

所述數字孿生基于卷積神經網絡深度學習算法對多源傳感器感知數據、狀態數據以及歷史數據進行數據挖掘，通過訓練和優化實現數字孿生模型的自學習、自優化，提高所述模型的準確性和魯棒性。