申请/专利权人：大连理工大学

申请日：2024-05-21

公开（公告）日：2024-06-18

公开（公告）号：CN118211495A

主分类号：G06F30/27

分类号：G06F30/27;G06N3/045;G06N3/0442;G06N3/048;G06N3/08;G06F119/14;G06F111/10

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.05#实质审查的生效;2024.06.18#公开

摘要：本发明提供一种基于数据‑模型联合驱动的无人矿用电铲动态挖掘阻力建模方法，属于矿用电铲动态挖掘阻力领域。首先，获取无人矿用电铲基本参数和历史挖掘数据。其次，计算不同料面对应的挖掘深度信息。第三，根据Balovnev阻力计算模型计算切削阻力。第四，构建Bi‑LSTM神经网络预测径向阻力。第五，构建挖掘能耗损失函数。第六，基于挖掘数据对Bi‑LSTM神经网络进行训练得到Bi‑LSTM网络模型。最后，将Bi‑LSTM网络模型与Balovnev阻力计算模型共同构成挖掘阻力预测模型。本发明得到的挖掘阻力预测模型结合真实阻力与解析式公式，对挖掘阻力进行预测，使其能够揭示料面形貌、电铲状态参数、挖掘轨迹等与挖掘阻力的映射关系，实现矿用大型电铲挖掘作业过程中外部载荷的快速精确预测。

主权项：1.一种基于数据-模型联合驱动的无人矿用电铲动态挖掘阻力建模方法，其特征在于，所述的建模方法：步骤1，获取无人矿用电铲的历史挖掘数据；步骤2，计算不同料面对应的挖掘深度信息；步骤3，根据Balovnev阻力计算模型计算切削阻力；步骤4，构建Bi-LSTM神经网络模型预测径向阻力；所述的步骤4具体如下：结合挖掘信息和步骤3中切削力计算结果构建Bi-LSTM神经网络模型，借助该神经网络模型建立铲斗压入物料产生的径向阻力参数化表达，实现预测动态径向阻力；所述Bi-LSTM神经网络模型的输入包括步骤1和步骤2中的挖掘轨迹、挖掘速度、加速度以及挖掘深度等与挖掘策略相关的参数，输出是因铲斗压入物料而引起的径向阻力； 其中，表示时刻神经网络单元的输入，为挖掘策略相关的参数；表示时刻预测的径向阻力；表示时刻对和的初步特征值；表示时刻对和的特征值；表示激活函数；表示哈达玛积；，，，分别表示遗忘门、输入门、输出门和特征提取过程中的权重系数；，，，分别表示遗忘门、输入门、输出门和特征提取过程中的权重系数；为时刻遗忘门的值；为时刻输入门的值；为时刻输出门的值；为时刻预测的径向阻力；步骤5，构建挖掘能耗损失函数；步骤6，基于挖掘数据对Bi-LSTM神经网络进行训练，直到挖掘能耗损失函数达最小值，得到Bi-LSTM网络模型；步骤7，Bi-LSTM网络模型与Balovnev阻力计算模型共同构成挖掘阻力预测模型。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于数据-模型联合驱动的无人矿用电铲动态挖掘阻力建模方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD