CN114254457A - 一种基于数字孪生的矿山液压支架疲劳寿命预测方法 - Google Patents

一种基于数字孪生的矿山液压支架疲劳寿命预测方法 Download PDF

Info

Publication number
CN114254457A
CN114254457A CN202111548732.0A CN202111548732A CN114254457A CN 114254457 A CN114254457 A CN 114254457A CN 202111548732 A CN202111548732 A CN 202111548732A CN 114254457 A CN114254457 A CN 114254457A
Authority
CN
China
Prior art keywords
hydraulic support
model
mine hydraulic
data
fatigue life
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111548732.0A
Other languages
English (en)
Inventor
张帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202111548732.0A priority Critical patent/CN114254457A/zh
Publication of CN114254457A publication Critical patent/CN114254457A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种基于数字孪生的矿山液压支架疲劳寿命预测方法，首先利用solidworks软件建立液压支架系统的整体仿真模型，并采用ANSYS有限元分析获得液压支架顶梁相关状态参数与疲劳寿命值的相关数据集，同时划定状态参数与寿命值的取值范围；然后利用ANSYS Twin Builder构建高置信度的数字孪生验证模型，并根据矿山液压支架顶梁的屈服强度和本构关系等真实的边界条件验证与优化有限元仿真模型；将通过ANSYS有限元分析得到的数据集划分为训练集与测试集，通过LSTM神经网络对得到的训练集进行训练，完成训练后利用测试集进行测试评估，以确定液压支架顶梁的疲劳寿命预测模型，从而据此实现对矿山液压支架顶梁疲劳寿命的准确预测。

Description

一种基于数字孪生的矿山液压支架疲劳寿命预测方法
技术领域
本发明属于人工智能领域的数字孪生技术与深度学习技术，更具体地，涉及一种基于数字孪生的矿山液压支架疲劳寿命预测方法。
背景技术
智能化开采是实现矿井安全、高效集约化生产和少人无人化开采的有效措施，研究井下工作面作业设备的预测性维护和智能健康管理，对保障矿井智能安全开采和提高煤矿灾害智能预警具有重要意义。然而，井下环境恶劣、地质条件复杂，液压支架在矿井生产中会出现性能退化和疲劳损伤，若不及时进行健康评估和预测性维护，将会给矿井生产带来安全隐患。因此研究矿山液压支架的健康寿命预测，对保障矿井安全智能开采和提高矿井生产效率十分重要。现有矿井设备性能评估方法主要采用声音、振动、温度、电压、电流等信号处理技术，以及油液监测等技术，这种传统的评估方法，易受井下环境和人为因素影响，且预测评估效率与准确率较低，难以对矿山设备健康寿命进行预测。因此，本发明提出一种基于数字孪生的矿山液压支架疲劳寿命预测方法，以克服现有矿山液压支架健康寿命预测技术的不足，通过数字孪生与神经网络技术，实现对矿山液压支架顶梁疲劳寿命的准确预测。
发明内容
本发明提出一种基于数字孪生的矿山液压支架疲劳寿命预测方法，所述方法采用数字孪生技术和循环神经网络，建立液压支架的仿真模型、数字孪生验证模型和LSTM神经网络疲劳寿命预测模型，通过优化调整预测模型，最终得到矿山液压支架疲劳寿命的预测值。
所述方法包括以下步骤：
步骤1：利用ANSYS建立矿山液压支架仿真模型，并采用ANSYS有限元分析获得矿山液压支架相关状态参数与疲劳寿命值的相关数据集、确定状态参数与寿命值的取值范围；
步骤2：利用ANSYS Twin Builder建立高置信度的矿山液压支架数字孪生验证模型；
步骤3：利用LSTM序列数据和LSTM神经网络建立矿山液压支架疲劳寿命预测模型；
步骤4：根据矿山液压支架顶梁的屈服强度和本构关系的真实边界条件，进一步验证、优化有限元分析的矿山液压支架仿真模型；
步骤5：将ANSYS有限元分析得到的数据集划分为训练集与测试集，利用LSTM神经网络对训练集进行训练；
步骤6：利用测试集对LSTM神经网络疲劳寿命预测模型进行测试验证，以确定矿山液压支架顶梁的疲劳寿命预测模型；
步骤7：利用步骤2构建的矿山液压支架数字孪生验证模型，根据顶梁的屈服强度和本构关系边界条件，进一步修正、优化基于有限元分析的矿山液压支架仿真模型；
步骤8：重复步骤3～步骤6，完成对矿山液压支架疲劳寿命的准确预测。
所述方法基于LSTM循环神经网络构建预测模型，该神经网络包含输入层、隐含层和输出层，隐含层层数为2，输入层神经元个数为5，隐含层的神经元个数为8，输出层神经元个数为1。
所述方法基于LSTM循环神经网络构建矿山液压支架疲劳寿命预测模型，该神经网络包含输入层、隐含层和输出层，隐含层层数为2，输入层神经元个数为5，隐含层的神经元个数为8，输出层神经元个数为1。
所述方法利用数据驱动的仿真模型对神经网络预测模型数据进行建模并进行决策，利用历史数据对模型进行训练，再利用采样得到的实时数据导入模型进行寿命预测；包括如下步骤：
步骤1：数据标准化，首先将基于ANSYS有限元分析软件所得到的疲劳寿命值进行数据标准化处理；
步骤2：建立训练集和测试集，将处理后的数据集划分为训练集与测试集，训练集用来对模型进行训练，测试集则用来对模型的训练结果进行测试；
步骤3：建立矿山液压支架疲劳寿命的LSTM循环神经网络预测模型，模型的调整优化基于顶梁实时数据的不断更新，数字孪生技术能为预测模型提供矿山液压支架顶梁的实时状参数，从而提高预测值的准确度。
所述方法基于高置信度仿真模型建立矿山液压支架数字孪生验证模型，基于数字孪生技术和真实的边界条件，利用数据融合、深度学习和数据孪生的交互映射，实现对矿山液压支架仿真模型进行优化。
所述方法的矿山液压支架数字孪生验证模型采用物理模型、虚拟模型、孪生数据、云孪生平台架构；其中：
物理模型是矿山液压支架数字孪生模型的构建基础，包含设备部件的材料属性、几何参数及实时监控数据和多源传感数据；
虚拟模型是矿山液压支架物理模型的数字化表达，是多物理、多尺度的概率仿真模型的集合体，对应于物理实体在几何、结构和性质相同的虚拟数字孪生体，并通过矿山工业物联网与物理模型连接，并实现信息的双向交互与映射；
孪生数据同步映射并包含物理模型的一切相关数据信息，为矿山液压支架仿真模型提供真实的边界条件和数据支撑，并通过实时更新数据、调整参数优化仿真模型，实现模型的迭代优化；
云孪生平台主要包含智能监控、故障检测与寿命预测云服务模块，面向矿山不同操作用户需求，基于边缘计算、大数据分析和人工智能算法为矿山液压支架疲劳寿命预测模型优化提供技术支撑。
所述方法利用压力传感器、倾角传感器、行程传感器获取矿山液压支架的多源传感信息，通过机器视觉、可视化技术和边缘计算，在集控中心对工作面场景下矿山液压支架的位姿、状态数据与图像实时展现在服务监测平台。
本发明的有益效果在于：
本发明提出一种基于数字孪生的矿山液压支架疲劳寿命预测方法，通过ANSYS建立矿山液压支架仿真模型，利用ANSYS对其疲劳寿命进行有限元分析，并基于LSTM序列数据建立液压支架顶梁相关状态参数与疲劳寿命次数间关系的神经网络模型，再利用ANSYSTwin Builder构建矿山液压支架顶梁数字孪生验证模型，并根据顶梁的屈服强度和本构关系等边界条件，进一步修正优化有限元分析模型，从而实现对矿山液压支架顶梁疲劳寿命的准确预测。
附图说明
图1为本发明的矿山液压支架疲劳寿命预测模型整体框图
图2为本发明的矿山液压支架LSTM神经网络模型疲劳寿命预测流程图
图3为依照本发明实施例的矿山液压支架工作承载示意图
图4为依照本发明实施例的矿山液压支架数字孪生模型示意图
图5为依照本发明实施例的矿井液压支架数字孪生模型顶板压力示意图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图和实施例对本发明作进一步的详细说明。
图1为本发明的矿山液压支架疲劳寿命预测模型整体框图。(1)首先建立液压支架的仿真模型，利用ANSYS建立矿山液压支架系统的仿真分析模型，并通过ANSYS有限元分析获取顶梁状态参数的数据集、并确定状态参数与寿命值的取值范围；(2)基于数字孪生建立验证模型，利用ANSYS Twin Builder建立高置信度的数字孪生验证模型，对LSTM神经网络疲劳寿命预测模型进行验证；(3)利用LSTM序列数据建立LSTM神经网络液压支架顶梁疲劳寿命预测模型，根据矿山液压支架顶梁的屈服强度和本构关系真实的边界条件进一步验证与优化有限元仿真分析模型；(4)根据ANSYS有限元分析得到的数据集划分为训练集与测试集，利用LSTM神经网络对得到的训练集进行训练；(5)优化调整预测模型，最后得到疲劳寿命的预测值。LSTM神经网络疲劳寿命预测系统主要侧重于预测机器未来的剩余使用寿命，由数据驱动的模型主要基于从机器上的传感器所采集到的数据进行建模并进行决策。
图2为本发明的矿山液压支架LSTM神经网络模型疲劳寿命预测流程图。如图2所示，LSTM神经网络模型的算法主要包括两个部分，一是利用历史数据对模型进行训练，二是通过将采样得到的实时数据导入模型进行寿命预测。首先将基于ANSYS有限元分析软件所得到的疲劳寿命值进行数据标准化处理，然后将处理后的数据集划分为训练集与测试集，训练集用来对模型进行训练，测试集则用来对模型的训练结果进行测试，从而建立神经网络预测模型。模型的调整优化基于矿山液压支架实时数据的不断更新，数字孪生技术为预测模型提供矿山液压支架顶梁的实时状态参数，从而提高预测值的准确度。
图3为本发明的矿山液压支架工作承载示意图。液压支架在工作过程中通常具备降柱、移架、升柱、推溜四个过程，随着采煤面的向前推移，液压支架会使顶梁下降并前移，到达预定位置后，顶梁升起承载顶板与垮落岩石的载荷。液压支架在自动推移期间，与所需要支撑的顶板直接接触的顶梁由于会受到反复挤压，因此容易变形并产生破损。顶梁的按压频率可由以下公式计算得出：
n＝Ld/l (1)
式中，Ld为顶梁长度，l为采煤机切割深度。
矿山液压支架疲劳寿命指材料在循环加载情况下，发生疲劳破坏或失效所需要的应变循环次数。采用传统Miner准则计算顶梁的疲劳寿命，计算公式如下：
Figure BDA0003416618730000041
式中，k为应力级别的数目，ni为第i级的应力循环次数，Ni为单纯施加i级应力时结构的疲劳寿命。
由上式可以得到应力级数为k级，其中有m(m≤k)级的应力值大于或等于疲劳极限，根据疲劳寿命曲线可以确定m级应力值独立作用时的疲劳寿命N，得到的顶梁疲劳寿命如下：
Figure BDA0003416618730000051
顶梁作为液压支架的重要部件，其和立柱以及掩护梁共同承载来自开采工作面顶板的压力，考虑到液压支架的结构件复杂性，选取顶梁为分离体，假定顶梁支撑面水平无倾角，将顶梁的上表面部分视作坐标系x轴，与煤壁交点视作坐标系原点，据此建立矿山液压支架顶梁与岩石层相互作用的力学模型。
图4为依照本发明实施例的矿山液压支架数字孪生模型示意图。矿山液压支架数字孪生模型系统架构分为物理模型、虚拟模型、孪生数据、云孪生平台等部分。物理模型是液压支架数字孪生模型的构建基础，包含设备部件的材料属性、几何参数及实时监控数据和多源传感数据。孪生模型是物理模型的数字化表达，是多物理、多尺度的概率仿真模型的集合体，对应于物理实体在几何、结构和性质相同的虚拟数字孪生体，并通过矿山工业物联网与物理模型连接，并实现信息的双向交互与映射。孪生数据同步映射并包含物理模型的一切相关数据信息，为液压支架的高仿真虚拟模型提供真实的边界条件和数据支撑，并通过实时更新数据调整参数优化仿真模型，实现模型的迭代优化。云孪生平台主要包含智能监控、故障检测与寿命预测等云服务模块，面向矿山不同操作用户需求，基于边缘计算、大数据分析和人工智能算法等为模型优化提供技术支撑。
图5为依照本发明实施例的矿井液压支架数字孪生模型顶板压力示意图。如图5，给出了基于数字孪生模型的智采工作面液压支架顶梁载荷，开采工作面顶板压力作用于支架顶梁，其压力载荷通过液压支架立柱底部压力传感器获取。基于数字孪生技术，利用多源传感器采集液压支架的实时状态参数、设备运行数据，设备状态通过监控模块和云孪生平台反馈至液压支架寿命预测模型，通过虚拟模型与物理模型的多次交互反馈和迭代优化，从而提高液压支架疲劳寿命预测模型的预测准确度。
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矿山液压支架疲劳寿命预测方法，除应用于煤矿井下环境外，也适用于金属和非金属等非煤矿山液压支架疲劳寿命预测。这样本发明不限制除煤矿井下液压支架疲劳寿命预测之外的非煤矿山等矿山技术领域。
以上内容是结合具体的优选实施例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，还可进行若干简单的步骤替换和更改，均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 (6)

1.一种基于数字孪生的矿山液压支架疲劳寿命预测方法，其特征在于，所述方法采用数字孪生技术和循环神经网络，建立液压支架的仿真模型、数字孪生验证模型和LSTM神经网络疲劳寿命预测模型，通过优化调整预测模型，最终得到矿山液压支架疲劳寿命的预测值；
所述方法的实现步骤包括：
1-1.利用ANSYS建立矿山液压支架仿真模型，并采用ANSYS有限元分析获得矿山液压支架相关状态参数与疲劳寿命值的相关数据集、确定状态参数与寿命值的取值范围；
1-2.利用ANSYS Twin Builder建立高置信度的矿山液压支架数字孪生验证模型；
1-3.利用LSTM序列数据和LSTM神经网络建立矿山液压支架疲劳寿命预测模型；
1-4.根据矿山液压支架顶梁的屈服强度和本构关系的真实边界条件，进一步验证、优化有限元分析的矿山液压支架仿真模型；
1-5.将ANSYS有限元分析得到的数据集划分为训练集与测试集，利用LSTM神经网络对训练集进行训练；
1-6.利用测试集对LSTM神经网络疲劳寿命预测模型进行测试验证，以确定矿山液压支架顶梁的疲劳寿命预测模型；
1-7.利用步骤1-2构建的矿山液压支架数字孪生验证模型，根据顶梁的屈服强度和本构关系边界条件，进一步修正、优化基于有限元分析的矿山液压支架仿真模型；
1-8.重复步骤1-3～步骤1-6，完成对矿山液压支架疲劳寿命的准确预测。
2.根据权利要求1所述的方法，其特征在于，所述方法基于LSTM循环神经网络构建矿山液压支架疲劳寿命预测模型，该神经网络包含输入层、隐含层和输出层，隐含层层数为2，输入层神经元个数为5，隐含层的神经元个数为8，输出层神经元个数为1。
3.根据权利要求1所述的方法，其特征在于，所述方法利用数据驱动的仿真模型对神经网络预测模型数据进行建模并进行决策，利用历史数据对模型进行训练，再利用采样得到的实时数据导入模型进行寿命预测；包括如下步骤：
3-1.数据标准化，首先将基于ANSYS有限元分析软件所得到的疲劳寿命值进行数据标准化处理；
3-2.建立训练集和测试集，将处理后的数据集划分为训练集与测试集，训练集用来对模型进行训练，测试集则用来对模型的训练结果进行测试；
3-3.建立矿山液压支架疲劳寿命的LSTM循环神经网络预测模型，模型的调整优化基于顶梁实时数据的不断更新，数字孪生技术能为预测模型提供矿山液压支架顶梁的实时状参数，从而提高预测值的准确度。
4.根据权利要求1所述的方法，其特征在于，所述方法基于高置信度仿真模型建立矿山液压支架数字孪生验证模型，基于数字孪生技术和真实的边界条件，利用数据融合、深度学习和数据孪生的交互映射，实现对矿山液压支架仿真模型进行优化。
5.根据权利要求1所述的方法，其特征在于，所述方法的矿山液压支架数字孪生验证模型采用物理模型、虚拟模型、孪生数据、云孪生平台架构；其中，
物理模型是矿山液压支架数字孪生模型的构建基础，包含设备部件的材料属性、几何参数及实时监控数据和多源传感数据；
虚拟模型是矿山液压支架物理模型的数字化表达，是多物理、多尺度的概率仿真模型的集合体，对应于物理实体在几何、结构和性质相同的虚拟数字孪生体，并通过矿山工业物联网与物理模型连接，并实现信息的双向交互与映射；
孪生数据同步映射并包含物理模型的一切相关数据信息，为矿山液压支架仿真模型提供真实的边界条件和数据支撑，并通过实时更新数据、调整参数优化仿真模型，实现模型的迭代优化；
云孪生平台主要包含智能监控、故障检测与寿命预测云服务模块，面向矿山不同操作用户需求，基于边缘计算、大数据分析和人工智能算法为矿山液压支架疲劳寿命预测模型优化提供技术支撑。
6.根据权利要求1所述的方法，其特征在于，所述方法利用压力传感器、倾角传感器、行程传感器获取矿山液压支架的多源传感信息，通过机器视觉、可视化技术和边缘计算，在集控中心对工作面场景下矿山液压支架的位姿、状态数据与图像实时展现在服务监测平台。
CN202111548732.0A 2021-12-17 2021-12-17 一种基于数字孪生的矿山液压支架疲劳寿命预测方法 Pending CN114254457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111548732.0A CN114254457A (zh) 2021-12-17 2021-12-17 一种基于数字孪生的矿山液压支架疲劳寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111548732.0A CN114254457A (zh) 2021-12-17 2021-12-17 一种基于数字孪生的矿山液压支架疲劳寿命预测方法

Publications (1)

Publication Number Publication Date
CN114254457A true CN114254457A (zh) 2022-03-29

Family

ID=80795551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111548732.0A Pending CN114254457A (zh) 2021-12-17 2021-12-17 一种基于数字孪生的矿山液压支架疲劳寿命预测方法

Country Status (1)

Country Link
CN (1) CN114254457A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114626278A (zh) * 2022-05-16 2022-06-14 湖南大学 一种用于动力电池托架结构性能评估和健康监测的方法
CN115235676A (zh) * 2022-09-26 2022-10-25 山东济矿鲁能煤电股份有限公司阳城煤矿 一种矿井液压支架压力异常自动报警方法
CN115544794A (zh) * 2022-10-26 2022-12-30 中冶建筑研究总院有限公司 基于疲劳寿命预测的支撑钢框架设计参数选取方法
CN116579217A (zh) * 2023-05-30 2023-08-11 兰州理工大学 一种基于数字孪生的控制阀流致振动疲劳寿命预测方法
CN117592310A (zh) * 2024-01-17 2024-02-23 苏州数算软云科技有限公司 支撑结构数字孪生模型的更新方法、装置、设备以及介质
CN117829436A (zh) * 2024-03-05 2024-04-05 中煤科工集团北京华宇工程有限公司 一种基于数字孪生的智慧矿山管控方法及系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114626278A (zh) * 2022-05-16 2022-06-14 湖南大学 一种用于动力电池托架结构性能评估和健康监测的方法
CN114626278B (zh) * 2022-05-16 2022-08-05 湖南大学 一种用于动力电池托架结构性能评估和健康监测的方法
CN115235676A (zh) * 2022-09-26 2022-10-25 山东济矿鲁能煤电股份有限公司阳城煤矿 一种矿井液压支架压力异常自动报警方法
CN115235676B (zh) * 2022-09-26 2022-12-09 山东济矿鲁能煤电股份有限公司阳城煤矿 一种矿井液压支架压力异常自动报警方法
CN115544794A (zh) * 2022-10-26 2022-12-30 中冶建筑研究总院有限公司 基于疲劳寿命预测的支撑钢框架设计参数选取方法
CN115544794B (zh) * 2022-10-26 2023-05-30 中冶建筑研究总院有限公司 基于疲劳寿命预测的支撑钢框架设计参数选取方法
CN116579217A (zh) * 2023-05-30 2023-08-11 兰州理工大学 一种基于数字孪生的控制阀流致振动疲劳寿命预测方法
CN117592310A (zh) * 2024-01-17 2024-02-23 苏州数算软云科技有限公司 支撑结构数字孪生模型的更新方法、装置、设备以及介质
CN117592310B (zh) * 2024-01-17 2024-04-02 苏州数算软云科技有限公司 支撑结构数字孪生模型的更新方法、装置、设备以及介质
CN117829436A (zh) * 2024-03-05 2024-04-05 中煤科工集团北京华宇工程有限公司 一种基于数字孪生的智慧矿山管控方法及系统
CN117829436B (zh) * 2024-03-05 2024-05-17 中煤科工集团北京华宇工程有限公司 一种基于数字孪生的智慧矿山管控方法及系统

Similar Documents

Publication Publication Date Title
CN114254457A (zh) 一种基于数字孪生的矿山液压支架疲劳寿命预测方法
CN113779835A (zh) 基于ai与智能监测系统的深大基坑安全预警方法
CN116186946B (zh) 一种基于诊断模型的液压系统故障诊断方法及系统
CN117387559B (zh) 基于数字孪生的混凝土桥监测系统及方法
CN115616067A (zh) 一种管道检测数字孪生系统
CN115563683A (zh) 一种基于数字孪生的水利工程自动化安全监测管理系统
CN114004103A (zh) 可支撑数字孪生综采工作面基础研究的协同运行试验平台
CN112884717A (zh) 实时工件表面检测与刀具寿命预测的系统及方法
CN116776444A (zh) 一种基于数字孪生的沉管隧道建造方法及系统
CN116486305A (zh) 一种基于图像识别的深海悬浮颗粒物浓度预测方法
CN113408190B (zh) 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法
CN113624201A (zh) 城市隧道多线叠交施工沉降监测预警系统及方法
CN113673171A (zh) 一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法
CN111160490A (zh) 一种基于多时间序列的深度学习危岩变形预测方法及装置
CN114663840B (zh) 隧道环境的巡检设备监控方法及系统
CN115907008A (zh) 一种液压支架位姿调整虚拟规划系统
CN115510726A (zh) 一种输电铁塔运行状态数字化快速评估方法
CN115470730A (zh) 一种储液罐水动力性能数字孪生评估系统及其方法
CN113775363A (zh) 一种煤矿工作面顶板状况智能感知系统
CN109902830B (zh) 基于混沌理论和集成学习的采煤机截割高度预测系统
Huang et al. [Retracted] Slope Shape and Edge Intelligent Recognition Technology Based on Deep Neural Sensing Network
CN116611004B (zh) 煤矿安全灾害预测模型训练方法、预警方法、预警系统
CN116310087A (zh) 一种抱杆组塔施工安全预警方法及装置
Rui Optimization of CNN and LSTM based application on RC frame and long-span structural health monitoring
CN117349462B (zh) 一种遥感智能解译样本数据集生成方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication