[發明專利]數字孿生智能綜采工作面液壓支架直線度監測方法

有效

• 申請號: 202010611428.5
• 申請日: 2020-06-29
• 公開（公告）號: CN111723448B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 張帆;李闖
• 申請（專利權）人: 中國礦業大學（北京）
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06N3/08;G06T17/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種數字孿生智能綜采工作面液壓支架直線度監測方法，其特征在于，利用智能綜采工作面液壓支架數字孿生模型對不同彎曲狀態下的液壓支架直線度進行高精度模擬，實現液壓支架物理實體與數字孿生體之間的數據實時同步、迭代交互；所述方法利用智能綜采工作面液壓支架數字孿生模型的運行數據以及液壓支架間的坐標系轉換關系訓練自適應深度學習神經網絡，據此實現對所述液壓支架直線度的監測與調整；其特征在于，所述方法包括以下步驟：

步驟1，通過現場測量獲得智能綜采工作面液壓支架的幾何參數、結構參數、材料參數以及物理作用關系，利用CAE建模軟件以及三維掃描設備，建立智能綜采工作面液壓支架三維模型；

步驟2，對智能綜采工作面液壓支架的幾何參數、結構參數、姿態參數進行監測和降噪處理，并對物理實體與三維模型之間數據不斷迭代、同步更新和交互映射，從而獲得實時同步的智能綜采工作面液壓支架數字孿生模型；

步驟3，對智能綜采工作面液壓支架在不同彎曲狀態進行直線度仿真計算，根據液壓支架間的坐標轉換關系，得到液壓支架達到直線狀態時各液壓支架的移架距離和旋轉角度；

步驟4，將智能綜采工作面液壓支架直線度仿真計算的數據導入到自適應深度學習網絡中，并對液壓支架的直線度進行擬合修正。

2.根據權利要求1所述的方法，其特征在于，所述智能綜采工作面液壓支架三維模型的建立過程包含以下步驟：

步驟1，現場測量獲得液壓支架的幾何參數、結構參數、材料參數以及物理作用關系；

步驟2，利用CAE建模軟件UG和激光掃描法對綜采工作面液壓支架進行1:1建模，并對所述液壓支架各設備運動關鍵點進行標記，保證物理實體與虛擬模型的一致性和完整性；

步驟3，將步驟2中的模型導入到3ds?max中進行渲染，進而添加材質，對建模過程中模型邊緣不理想的部分進行優化修補，使得模型在視覺效果上具有更強的真實感；

步驟4，將步驟3中的模型導入到Unity?3D中，利用其內置的物理引擎、腳本編輯器、c#語言實現對智能綜采工作面液壓支架三維模型的構建。

3.根據權利要求1所述的方法，其特征在于，所述實時同步的智能綜采工作面液壓支架數字孿生模型建立過程，包含以下步驟：

步驟1，在智能綜采工作面臺液壓支架的底座安裝捷聯慣導裝置，測得液壓支架的姿態參數；

步驟2，調整智能綜采工作面首端的第一臺液壓支架呈直線狀態，并使其與工作面推進方向垂直，以該臺液壓支架的移架距離為標準移架距離，并以該臺液壓支架建立全局參考坐標系；

步驟3，利用智能綜采工作面液壓支架間的坐標系轉換關系，得出各個液壓支架的移架距離、姿態參數以及達到直線狀態時需要移架的距離和偏移角；

步驟4，將智能綜采工作面采集到的液壓支架的姿態參數、幾何參數、材料參數、移架距離數據，經高速傳輸網絡和數據接口輸入到液壓支架數字孿生模型中，對液壓支架的直線度進行仿真計算；

步驟5，對采集到的智能綜采工作面液壓支架數據進行降噪處理，并進行直線度仿真計算；

步驟6，將步驟4中未降噪的數據驅動的模型仿真計算結果與步驟4中經過降噪處理過的數據驅動的模型的仿真計算結果進行比較，并計算兩者的差值；

步驟7，根據步驟6中計算出的偏差值，利用擴展卡爾曼濾波算法對物理模型的內部參數進行迭代和修正，從而獲得能夠實時同步的智能綜采裝備數字孿生模型。

4.根據權利要求1所述的方法，其特征在于，所述對智能綜采工作面不同彎曲狀態下的液壓支架進行直線度仿真計算，包括以下步驟：

步驟1，利用實時同步的智能綜采工作面液壓支架數字孿生模型，對不同彎曲程度的液壓支架進行直線度仿真計算，根據液壓支架間的坐標系轉換關系，求解出各液壓支架的移架距離與標準移架距離之間的差值及液壓支架達到直線狀態時應偏移的角度；

步驟2，根據步驟1中計算出的移架偏差值和偏移角度，對液壓支架的移架距離和方向角進行更新，并據此建立智能綜采工作面在不同彎曲狀態下的液壓支架調直數據庫。

5.根據權利要求1所述的方法，其特征在于，所述自適應深度學習神經網絡的生成過程包括以下步驟：

步驟1，利用所述液壓支架調直數據庫中75％的數據作為訓練數據，25％的數據作為測試數據，在Matlab中利用神經網絡工具箱訓練對應的BP神經網絡，并設定訓練閾值；

步驟2，根據已知智能綜采工作面液壓支架群的彎曲狀態和各液壓支架的實際姿態角，求解液壓支架實際的移動距離和旋轉角；

步驟3，利用步驟1中訓練得到的BP神經網絡，對智能綜采工作面采集到的實時液壓支架參數進行訓練，直至液壓支架的直線度仿真效果達到訓練閾值為止。