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。