CN111723448A - 数字孪生智能综采工作面液压支架直线度监测方法 - Google Patents

Abstract

本发明公开了数字孪生智能综采工作面液压支架直线度监测方法，包含以下步骤：(1)建立智能综采工作面液压支架三维模型；(2)对液压支架关键参数进行监测和降噪处理；(3)获得实时同步的液压支架数字孪生模型；(4)对不同曲度状态下的液压支架进行直线度仿真计算；(5)利用自适应深度学习网络对液压支架的直线度进行训练。本发明利用液压支架数字孪生模型对不同弯曲状态下的液压支架直线度进行拟合，实现液压支架物理实体与数字孪生体之间数据的实时同步、迭代交互，所述方法利用液压支架数字孪生模型的运行数据以及液压支架间的坐标系转换关系训练自适应深度学习神经网络，据此实现对液压支架直线度的实时监测与精准调整。

Description

数字孪生智能综采工作面液压支架直线度监测方法

技术领域

本发明属于煤矿井下智能综采装备工作状态监测技术领域，具体涉及一种数字孪生智能综采工作面液压支架直线度监测方法。

背景技术

液压支架是机械化采煤工作面重要的支护设备。智能综采工作面液压支架若能排列成一条直线，就能可靠而有效地支撑和控制工作面的顶板、隔空采空区、防止矸石进入回采工作面和推进输送机，实现矿井智能安全开采与支护。

目前，我国采煤工作面液压支架的直线度一般多采用人工拉线或激光对准的方式进行控制，存在人工劳动强度大、效率低、精度差等问题。近些年，人们提出了希望数字虚体空间中的虚拟事物与物理实体空间中的实体事物之间具有可以联接通道、可以相互传输数据和指令的交互关系之后，数字孪生的概念就成形了。将数字孪生技术应用在生产装备生产之前，就可以通过虚拟生产的方式来模拟在不同产品、不同参数、不同外部条件下的生产过程，实现对产能、效率以及可能出现的技术瓶颈等问题进行提前预警或误差修正，从而提高产品质量和设备可靠性。本发明将数字孪生应用于智能综采工作面液压支架直线度监测，能够实时同步地表征智能综采工作面液压支架的运动状态和运行指标，能够通过虚拟模型与物理实体之间的交互反馈，对虚拟模型进行实时更新，并通过实时更新的模型对综采工作面液压支架的直线度进行分析和调整，及时消除智能综采工作面液压支架移架作业出现直线度偏差较大等问题，克服现有方法对综采工作面液压支架直线度监测精准度方面的不足。

发明内容

为解决上述技术问题，本发明提出一种基于数字孪生的智能综采工作面液压支架直线度监测方法，解决现有方法对液压支架直线度的监测精准度不足，造成监测结果失准的问题。

本发明采用的技术方案是：发明一种基于数字孪生的智能综采工作面液压支架直线度监测方法，该方法利用智能综采工作面液压支架数字孪生模型的运行数据以及液压支架间的坐标系转换关系训练自适应深度学习神经网络，据此实现对所述液压支架直线度的监测与调整，包括以下步骤：

步骤1，通过现场测量获得智能综采工作面液压支架的几何参数、结构参数、材料参数以及物理作用关系，利用CAE建模软件以及三维扫描设备，建立智能综采工作面液压支架三维模型；

步骤2，对智能综采工作面液压支架的几何参数、结构参数、姿态参数进行监测和降噪处理，并对物理实体与三维模型之间数据不断迭代、同步更新和交互映射，从而获得实时同步的智能综采工作面液压支架数字孪生模型；

步骤3，对智能综采工作面液压支架在不同弯曲状态进行直线度仿真计算，根据液压支架间的坐标转换关系，得到液压支架达到直线状态时各液压支架的移架距离和旋转角度；

步骤4，将智能综采工作面液压支架直线度仿真计算的数据导入到自适应深度学习网络中，并对液压支架的直线度进行拟合修正。

所述智能综采工作面液压支架三维模型的建立过程包含以下步骤：

步骤1，现场测量获得液压支架的几何参数、结构参数、材料参数以及物理作用关系；

步骤2，利用CAE建模软件UG和激光扫描法对综采工作面液压支架进行1：1建模，并对所述液压支架各设备运动关键点进行标记，保证物理实体与虚拟模型的一致性和完整性；

步骤3，将步骤2中的模型导入到3ds max中进行渲染，进而添加材质，对建模过程中模型边缘不理想的部分进行优化修补，使得模型在视觉效果上具有更强的真实感；

步骤4，将步骤3中的模型导入到Unity 3D中，利用其内置的物理引擎、脚本编辑器、c#语言实现对智能综采工作面液压支架三维模型的构建。

所述实时同步的智能综采工作面液压支架数字孪生模型建立过程，包含以下步骤：

步骤1，在综采工作面每台液压支架的底座安装捷联惯导装置，测得液压支架的姿态参数；

步骤2，调整智能综采工作面首端的第一台液压支架呈直线状态，并使其与工作面推进方向垂直，以该台液压支架的移架距离为标准移架距离，并以该台液压支架建立全局参考坐标系；

步骤3，利用智能综采工作面液压支架间的坐标系转换关系得出各个液压支架的移架距离、姿态参数以及达到直线状态时需要移架的距离和偏移角；

步骤4，将智能综采工作面采集到的液压支架的姿态参数、几何参数、材料参数、移架距离数据，经高速传输网络和数据接口输入到液压支架数字孪生模型中，对液压支架的直线度进行仿真计算；

步骤5，对采集到的智能综采工作面液压支架数据进行降噪处理，并进行直线度仿真计算；

步骤6，将步骤4中未降噪的数据驱动的模型仿真计算结果与步骤4中经过降噪处理过的数据驱动的模型的仿真计算结果进行比较，并计算两者的差值；

步骤7，根据步骤6中计算出的偏差值，利用扩展卡尔曼滤波算法对物理模型的内部参数进行迭代和修正，从而获得能够实时同步的智能综采装备数字孪生模型。

所述对智能综采工作面不同弯曲状态下的液压支架进行直线度仿真计算，包括以下步骤：

步骤1，利用实时同步的智能综采工作面液压支架数字孪生模型，对不同弯曲程度的液压支架进行直线度仿真计算，根据液压支架间的坐标系转换关系，求解出各液压支架的移架距离与标准移架距离之间的差值及液压支架达到直线状态时应偏移的角度；

步骤2，根据步骤1中计算出的移架偏差值和偏移角度，对液压支架的移架距离和方向角进行更新，并据此建立智能综采工作面在不同弯曲状态下的液压支架调直数据库。

所述BP神经网络的生成过程包括以下步骤：

步骤1，利用所述液压支架调直数据库中75％的数据作为训练数据，25％的数据作为测试数据，在Matlab中利用神经网络工具箱训练对应的BP神经网络，并设定训练阈值；

步骤2，根据已知智能综采工作面液压支架群的弯曲状态和各液压支架的实际姿态角，求解液压支架实际的移动距离和旋转角；

步骤3，利用步骤1中训练得到的BP神经网络，对智能综采工作面采集到的实时液压支架参数进行训练，直至液压支架的直线度仿真效果达到训练阈值为止。

本发明的有益效果在于：

本发明利用综采工作面液压支架数字孪生模型对不同弯曲状态下的液压支架直线度进行拟合，实现液压支架物理实体与数字孪生体之间的数据实时同步、迭代交互，本发明利用自适应深度学习神经网络，实现对综采工作面液压支架直线度的实时监测与精准调整。

附图说明

图1为数字孪生智能综采工作面液压支架直线度监测方法的流程图

图2为智能综采工作面液压支架三维模型的构建流程图

图3为智能综采工作面液压支架之间的坐标关系图

图4为智能综采工作面液压支架自适应深度学习神经网络的生成过程

具体实施方式

下面结合附图对本发明作进一步说明。

参照图1，为数字孪生智能综采工作面液压支架直线度监测方法的流程图。如图1所示，首先，根据数字孪生智能综采工作面液压支架直线度监测方法，利用CAE建模软件UG、激光扫描仪或结构光扫描仪等工具建立综采工作面液压支架三维模型。然后，基于上述物理实体三维模型，对液压支架运行状态等关键参数进行实时监测和降噪处理，并通过获得实时同步的液压支架参数基础上，生成数字孪生模型；进而根据上述数字孪生模型，对综采工作面不同弯曲程度状态下的液压支架进行直线度仿真计算。最后，将液压支架直线度仿真计算的数据导入到自适应深度学习网络中，并对液压支架的直线度进行拟合修正，从而获得矿井智能综采工作面的液压支架直线度精确拟合值。

参照图2，为智能综采工作面液压支架三维模型的构建流程图。如图2所示，智能综采工作面液压支架三维模型建立的具体步骤为：首先，基于智能工作面场景，测量获得液压支架的几何参数、结构参数、材料参数以及物理作用关系；然后，利用CAE建模软件UG和激光扫描法对智能综采工作面液压支架进行1：1建模，并对各个设备运动关键点进行标记，保证物理设备与虚拟模型的一致性和完整性；进一步地，将步骤2中的模型以stl格式导入到3dsmax中进行渲染，进而添加材质，对建模过程中模型边缘不理想的部分进行优化修补，使得模型在视觉效果上具有更强的真实感；最后，将步骤3中的模型以fbx格式导入到Unity 3D中，利用其内置的物理引擎、脚本编辑器、c#语言实现对智能综采工作面液压支架三维模型的构建。

参照图3，为智能综采工作面液压支架之间的坐标关系图。如图3所示，图中1表示智能综采工作面首端第一台液压支架，2表示全局参考坐标系，3表示刮板输送机。智能综采工作面液压支架之间的坐标关系图的建立的具体步骤为：首先，在智能综采工作面每台液压支架的底座安装捷联惯导装置，测得液压支架1的姿态参数；然后，调整工作面首端的第一台液压支架1呈直线状态并与工作面推进方向垂直，以该台液压支架1的移架距离为标准移架距离，以液压支架1的水平方向建立x轴，以工作面推进方向建立y轴,并以该台液压支架建立全局参考坐标系2；再根据液压支架间的坐标变换矩阵

得到各液压支架达到直线状态时需要移架的距离和偏转角。其中

为捷联惯导装置测得的液压支架的航向角，θ_i为捷联惯导装置测得的液压支架俯仰角，γ_i为捷联惯导装置测得的液压支架横滚角，x_i、y_i、z_i为液压支架达到参考液压支架状态时各轴需要移动的距离。其余液压坐标系到全局参考坐标系的变换矩阵表达式如下所示：

参照图4，为智能综采工作面液压支架自适应深度学习神经网络的生成过程。如图4所示，智能综采工作面液压支架自适应深度学习神经网络的生成包括以下步骤：

步骤1，将智能工作面采集到的液压支架的姿态参数、几何参数、材料参数、移架距离等数据，经高速传输网络和数据接口输入到液压支架三维模型中，对液压支架的直线度进行仿真计算；

步骤2，对智能工作面液压支架初始数据库中的数据进行降噪处理，并进行直线度仿真计算；

步骤3：将步骤1中未降噪的数据驱动的模型仿真计算结果与步骤2中经过降噪处理过的数据驱动的模型的仿真计算结果进行比较，并计算两者的差值；

步骤4：根据步骤3中计算出的偏差值，利用扩展卡尔曼滤波算法对物理模型的内部参数进行迭代和修正，从而获得能够实时同步的智能综采装备数字孪生模型；

步骤5，在实时同步的液压支架数字孪生模型中，对智能综采工作面不同弯曲程度的液压支架进行直线度仿真计算，结合液压支架间的坐标系转换关系求解出各液压支架的移架距离与标准移架距离之间的差值以及液压支架的达到直线状态时应偏移的角度；

步骤6，根据步骤5中计算出的移架偏差值和偏移角度，对液压支架的移架距离和方向角进行更新，得到智能综采工作面液压支架在不同弯曲状态下的液压支架调直数据库；

步骤7，利用调直数据库中75％的数据作为训练数据，25％的数据作为测试数据，在Matlab中利用神经网络工具箱训练对应的BP神经网络，把设定训练阈值；

步骤8，根据获取的智能综采工作面液压支架群的弯曲状态和各液压支架的实际姿态角，求解液压支架实际的移动距离和旋转角；

步骤9：利用步骤1中训练得到的BP神经网络，对智能综采工作面采集到的的实时液压支架参数进行训练，直至智能综采工作面液压支架的直线度仿真效果达到训练阈值为止。

显然，本领域的技术人员应该明白，本发明及上述实施例所涉及的方法，除应用于煤矿井下综采工作面环境外，通过适当改进后也适用于非金属和金属等非煤矿山的工作面液压支架检测。这样本发明不限制除煤矿监控系统之外的非煤矿山、智能工作面实时监控等目标监测技术领域。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明设计思路的前提下，所进行的简单的替换和更改，都应当视为属于本发明所提交的权利要求书所涉及的保护范围。

Claims (5)

1.一种数字孪生智能综采工作面液压支架直线度监测方法，其特征在于，利用智能综采工作面液压支架数字孪生模型对不同弯曲状态下的液压支架直线度进行高精度模拟，实现液压支架物理实体与数字孪生体之间的数据实时同步、迭代交互；所述方法利用智能综采工作面液压支架数字孪生模型的运行数据以及液压支架间的坐标系转换关系训练自适应深度学习神经网络，据此实现对所述液压支架直线度的监测与调整；其特征在于，所述方法包括以下步骤：

步骤1，通过现场测量获得智能综采工作面液压支架的几何参数、结构参数、材料参数以及物理作用关系，利用CAE建模软件以及三维扫描设备，建立智能综采工作面液压支架三维模型；

步骤2，对智能综采工作面液压支架的几何参数、结构参数、姿态参数进行监测和降噪处理，并对物理实体与三维模型之间数据不断迭代、同步更新和交互映射，从而获得实时同步的智能综采工作面液压支架数字孪生模型；

步骤3，对智能综采工作面液压支架在不同弯曲状态进行直线度仿真计算，根据液压支架间的坐标转换关系，得到液压支架达到直线状态时各液压支架的移架距离和旋转角度；

步骤4，将智能综采工作面液压支架直线度仿真计算的数据导入到自适应深度学习网络中，并对液压支架的直线度进行拟合修正。

2.根据权利要求1所述的方法，其特征在于，所述智能综采工作面液压支架三维模型的建立过程包含以下步骤：

步骤1，现场测量获得液压支架的几何参数、结构参数、材料参数以及物理作用关系；

步骤2，利用CAE建模软件UG和激光扫描法对综采工作面液压支架进行1:1建模，并对所述液压支架各设备运动关键点进行标记，保证物理实体与虚拟模型的一致性和完整性；

步骤3，将步骤2中的模型导入到3ds max中进行渲染，进而添加材质，对建模过程中模型边缘不理想的部分进行优化修补，使得模型在视觉效果上具有更强的真实感；

步骤4，将步骤3中的模型导入到Unity 3D中，利用其内置的物理引擎、脚本编辑器、c#语言实现对智能综采工作面液压支架三维模型的构建。

3.根据权利要求1所述的方法，其特征在于，所述实时同步的智能综采工作面液压支架数字孪生模型建立过程，包含以下步骤：

步骤1，在智能综采工作面台液压支架的底座安装捷联惯导装置，测得液压支架的姿态参数；

步骤2，调整智能综采工作面首端的第一台液压支架呈直线状态，并使其与工作面推进方向垂直，以该台液压支架的移架距离为标准移架距离，并以该台液压支架建立全局参考坐标系；

步骤3，利用智能综采工作面液压支架间的坐标系转换关系，得出各个液压支架的移架距离、姿态参数以及达到直线状态时需要移架的距离和偏移角；

步骤4，将智能综采工作面采集到的液压支架的姿态参数、几何参数、材料参数、移架距离数据，经高速传输网络和数据接口输入到液压支架数字孪生模型中，对液压支架的直线度进行仿真计算；

步骤5，对采集到的智能综采工作面液压支架数据进行降噪处理，并进行直线度仿真计算；

步骤6，将步骤4中未降噪的数据驱动的模型仿真计算结果与步骤4中经过降噪处理过的数据驱动的模型的仿真计算结果进行比较，并计算两者的差值；

步骤7，根据步骤6中计算出的偏差值，利用扩展卡尔曼滤波算法对物理模型的内部参数进行迭代和修正，从而获得能够实时同步的智能综采装备数字孪生模型。

4.根据权利要求1所述的方法，其特征在于，所述对智能综采工作面不同弯曲状态下的液压支架进行直线度仿真计算，包括以下步骤：

步骤1，利用实时同步的智能综采工作面液压支架数字孪生模型，对不同弯曲程度的液压支架进行直线度仿真计算，根据液压支架间的坐标系转换关系，求解出各液压支架的移架距离与标准移架距离之间的差值及液压支架达到直线状态时应偏移的角度；

步骤2，根据步骤1中计算出的移架偏差值和偏移角度，对液压支架的移架距离和方向角进行更新，并据此建立智能综采工作面在不同弯曲状态下的液压支架调直数据库。

5.根据权利要求1所述的方法，其特征在于，所述BP神经网络的生成过程包括以下步骤：

步骤1，利用所述液压支架调直数据库中75％的数据作为训练数据，25％的数据作为测试数据，在Matlab中利用神经网络工具箱训练对应的BP神经网络，并设定训练阈值；

步骤2，根据已知智能综采工作面液压支架群的弯曲状态和各液压支架的实际姿态角，求解液压支架实际的移动距离和旋转角；

步骤3，利用步骤1中训练得到的BP神经网络，对智能综采工作面采集到的实时液压支架参数进行训练，直至液压支架的直线度仿真效果达到训练阈值为止。

Images