CN114329984A - 基于数字孪生的掘锚一体机实时状态映射方法 - Google Patents
基于数字孪生的掘锚一体机实时状态映射方法 Download PDFInfo
- Publication number
- CN114329984A CN114329984A CN202111655302.9A CN202111655302A CN114329984A CN 114329984 A CN114329984 A CN 114329984A CN 202111655302 A CN202111655302 A CN 202111655302A CN 114329984 A CN114329984 A CN 114329984A
- Authority
- CN
- China
- Prior art keywords
- anchoring
- machine
- real
- tunneling
- data
- 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
Links
- 238000004873 anchoring Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000005641 tunneling Effects 0.000 title claims abstract description 71
- 238000013507 mapping Methods 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000033001 locomotion Effects 0.000 claims abstract description 7
- 238000005065 mining Methods 0.000 claims abstract description 4
- 230000001360 synchronised effect Effects 0.000 claims abstract description 4
- 238000009877 rendering Methods 0.000 claims description 15
- 239000003245 coal Substances 0.000 claims description 14
- 238000005520 cutting process Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000000779 smoke Substances 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004040 coloring Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 239000002344 surface layer Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 5
- 238000013506 data mapping Methods 0.000 abstract 1
- 230000003993 interaction Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003818 cinder Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于掘锚一体机数字孪生技术领域，公开一种基于数字孪生的掘锚一体机实时状态映射方法，该方法通过接收实际掘锚一体机相关数据，结合数字孪生技术，实现了融合服役环境的掘锚一体机实时状态映射过程，首先通过数据虚实映射技术，实时传递掘锚一体机工作状态信息；然后基于几何与运动学模型库构建方法，进行运动实时仿真；并通过有限状态机构建掘锚一体机抬升、进给、挖掘等行为仿真；结合快速布尔运算实现服役环境映射过程；最后基于人工智能方法对数据进行分析诊断；完成对于掘锚一体机的实时状态映射。该方法可以基于物理设备与虚拟设备的同步映射与实时交互，实现融合服役环境的掘锚一体机远程实时状态映射传递与作业流程实时在线监测。
Description
技术领域
本发明属于掘锚一体机数字孪生技术领域，尤其涉及一种基于数字孪生的掘锚一体机实时状态映射方法。
背景技术
掘锚一体机是一种运用于煤矿巷道快速掘进的掘、锚一体设备。相对于传统的煤矿挖掘装备，掘锚一体机可以实现在同一台设备上同时进行掘进和锚护。近年来，随着巷道掘进设备要求提高，对于掘锚一体机的研发与应用逐渐深入。然而，目前对于掘锚一体机的研发主要集中于装备设计制造优化与工艺流程优化方面，对于装备运维阶段施工作业状态与地质环境的精准监测以及实时维护等问题尚无法得到有效解决。其主要问题在于：（1）生产作业过程中移动单元的信息难以实时采集；（2）对于采集到的大量数据难以快速分析，造成数据浪费；（3）设备与人之间未形成有效的信息沟通。这些问题已经成为攻克掘锚一体机服役过程中卡机、损坏等技术难题的关键制约因素。
数字孪生是一种虚实融合的动态模型，它与现实世界中对应的物理实体完全一致，可以准确及时地反映物理实体的特性、行为、性能等，对于工程装备的协作智能化、信息自动化起到重要促进作用。数字孪生相关理论还处于起步阶段，为促进数字孪生的落地应用，在数字孪生建模、信息物理融合、交换与协同等方面有待系统深入地研究。
发明内容
本发明的目的在于克服现有技术的不足，提出了一种基于数字孪生的掘锚一体机实时状态映射方法，从掘锚一体机实际工作流程出发，针对生产作业过程中移动单元的信息难以实时采集问题，提出采用虚实映射技术实时传递掘锚一体机工作状态信息；针对数据难以快速分析的难点，提出结合几何与运动学模型库构建方法、有限状态机以及快速布尔运算实现服役环境的映射过程；针对信息与人难以形成有效的信息沟通问题，提出基于人工智能方法实现掘锚一体机数据的实时诊断；并基于以上技术，实现了掘锚一体机远程实时状态的状态映射与作业流程的实时在线监测。
本发明的目的是通过以下技术方案来实现的：
一种基于数字孪生的掘锚一体机实时状态映射方法，包括如下步骤：
步骤1：通过数据虚实映射技术，实时传递掘锚一体机工作状态信息；
步骤2：基于几何与运动学模型库构建方法，进行运动实时仿真；
步骤3：通过有限状态机构建掘锚一体机抬升、进给、挖掘行为仿真；
步骤4：结合快速布尔运算实现服役环境映射过程；
步骤5：基于人工智能方法对数据进行分析诊断；完成对于掘锚一体机的实时状态映射。
进一步地，所述数据虚实映射技术具体包含以下步骤：
在掘锚一体机数字孪生客户端中打开网络通信端口，将实际掘锚一体机数据采集监控系统设置为服务端，侦听并等待客户端的连接；连接过程中传感器采集程序阻塞不循环，当检测到数字孪生客户端连接完成后，将传感器采集数据传输至服务端；此时将创建两条同步任务，包括实际掘锚一体机继续执行任务与孪生数据完整传送到数字孪生客户端，在数字孪生客户端中根据传感器数据进行实时状态映射；同时进行数据完整性判断，在数据完整性实现以后进行下一波数据流传输。
进一步地，所述传感器数据包括位移传感器数据、压力传感器数据、光电传感器数据和烟雾传感器数据。
进一步地，当客户端过大时，进行分布式的网络配置，形成服务器集群；采用三次握手与四次挥手进行数据通信：设置定时器，每隔固定时间执行发送数据函数，每次需要接收时存入异步缓存区，等待接受，当上一条信息接收完成时，发送下一条信息；此时进入异步函数，当发送失败时，发送警告信息。
进一步地，步骤2所述几何与运动学模型库构建方法具体包括如下步骤：
针对掘锚一体机的几何模型进行模型重构以及渲染，在开始实际映射前，在模型渲染软件3dsMax中进行几何模型重构以及渲染，获得带有几何尺寸与渲染关系的掘锚一体机虚拟实体，针对掘锚一体机的运动机构，对各个机构单独分析其运动学特性，根据实际工作状况，在运动学仿真软件中对机构建立运动副与驱动，通过后处理获取机构各个运动副的变化量与主驱动的变化量，将相关数据存储至历史数据库，结合实际传感器数据通过插值计算实现快速数据驱动。
进一步地，所述几何模型重构以及渲染的具体步骤如下：
步骤a：在三维建模软件中进行掘锚一体机几何模型，包括几何尺寸、参数关系；
步骤b：导入3dsmax，进行装配关系重定义，重构模型树，建立对应装配关系；
步骤c：进行网格添加、删除、调整，将多余网格节点进行重新划分，减少模型重量；
步骤d：进行多余部件删除，将多余部件进行网格塌陷或删除，减少模型中不需要的零件或特征；
步骤e：进行表面材质、贴图、纹理等制作。
进一步地，所述运动学仿真软件为Admas、Creo、Ug或SolidWorks。
进一步地，步骤3所述有限状态机构建掘锚一体机抬升、进给、挖掘行为仿真，包括如下具体步骤：对于给定传感器数据输入后，将传感器数据与某个状态匹配，将掘锚一体机转换为所指的状态。
进一步地，步骤4所述结合快速布尔运算实现服役环境映射过程具体包括以下步骤：
步骤4.1：获取工作目标煤层的表层位置与颜色信息；
步骤4.2：依据掘锚一体机位置信息，通过包围盒算法，获得掘锚一体机与煤层交叉的部分，以及煤层中进行布尔运算待去除的区域，保存该区域的表面渲染形状、位置以及颜色；
步骤4.3：将步骤4.2中保存的交叉部分形状以及位置去除，使其与掘锚一体机形状相反；
步骤4.4：进行去除部分的上色，将步骤4.2中保存的颜色信息赋予交叉面。
进一步地，步骤5所述基于人工智能方法对数据进行分析诊断方法，具体包括以下步骤：
将给定传感器数据保存至运行工况数据库中，结合人工智能方法对于数据进行训练，将训练完成的人工智能模型用于故障预测中；掘锚一体机数字孪生将其中的油泵电机三相电流、左装载机三相电流等数据经过简单的数据处理后，输入训练完成的BP神经网络，实时计算装备的状态评分，在评分低时给与警告；将运行过程中截割电机三相电流以及进刀量、进刀速度、下割量和下割速度等施工参数等相关数据，输入事先采用支持向量机训练好的断齿率预测模型中，实时获取断齿风险等级、断齿率期望，并实时警告。
本发明的有益效果如下：
（1）本发明基于数字孪生思想提出了掘锚一体机数据虚实映射技术，在线采集传递孪生数据，实现了基于异步传输的信息由实到虚传递；
（2）本发明采用了运动学库构建方法，基于历史物理仿真数据库与实时驱动数据，实现了掘锚一体机及服役环境快速仿真分析；
（3）本发明方法中的基于数字孪生的掘锚一体机实时状态映射方法，结合有限状态机、快速布尔运算等方法实现了掘锚一体机抬升、进给、挖掘、回收煤渣等过程工作状态周期映射，运动过程服役环境实时仿真。
附图说明
图1为本发明方法的实时状态映射流程图；
图2为掘锚一体机数据虚实映射技术流程图；
图3为网络通信流程图；
图4（a）为掘锚一体机虚拟实体构建的模型树重建示意图；
图4（b）为掘锚一体机虚拟实体构建的网格编辑示意图；
图4（c）为掘锚一体机虚拟实体构建的模型塌陷示意图；
图4（d）为掘锚一体机虚拟实体构建的材质贴图纹理制作示意图；
图4（e）为掘锚一体机虚拟实体构建的数字孪生虚拟实体示意图；
图5为处理完毕的掘锚一体机动力学模型示意图；
图6为有限状态机状态转移流程图；
图7为快速布尔运算步骤示意图；
图8为掘锚一体机切割煤岩过程示意图；
图9为卷积神经网络训练过程示意图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明的基于数字孪生的掘锚一体机实时状态映射方法，该方法首先通过数据虚实映射技术，实时传递掘锚一体机工作状态信息；然后基于几何与运动学模型库构建方法，进行运动实时仿真；并通过有限状态机构建掘锚一体机抬升、进给、挖掘等行为仿真；结合快速布尔运算实现服役环境映射过程；最后基于人工智能方法对数据进行分析诊断；完成对于掘锚一体机的实时状态映射；其流程图如图1所示。
所述数据虚实映射技术具体包含以下步骤：
如图2所示，在掘锚一体机数字孪生客户端中打开网络通信端口，将实际掘锚一体机数据采集监控系统设置为服务端，侦听并等待客户端的连接。连接过程中传感器采集程序阻塞不循环，当检测到数字孪生客户端连接完成后，将传感器采集数据传输至服务端。此时将创建两条同步任务，包括实际掘锚一体机继续执行任务与孪生数据完整传送到数字孪生客户端，在数字孪生客户端中根据传感器数据进行实时状态映射。同时进行数据完整性判断，在完整性实现以后进行下一波数据流传输。所述传感器数据包括位移传感器数据、压力传感器数据、光电传感器数据和烟雾传感器数据。
当客户端过大时，考虑进行分布式的网络配置，形成服务器集群。如图3，采用三次握手与四次挥手进行数据通信：设置定时器，每隔固定时间（50ms）执行发送数据函数，每次需要接收时存入异步缓存区，等待接受，当上一条信息接收完成时，发送下一条信息。此时将会进入异步函数，当发送失败时，会发送警告信息。
所述几何与运动学模型库构建方法具体包括如下步骤：针对掘锚一体机的几何模型进行模型重构以及渲染，在开始实际映射前，在模型渲染软件3dsMax中进行模型重构以及渲染，获得带有几何尺寸与渲染关系的掘锚一体机虚拟实体，针对掘锚一体机的运动机构，对各个机构单独分析其运动学特性，根据实际工作状况，在运动学仿真软件中对机构建立运动副与驱动，通过后处理获取机构各个运动副的变化量与主驱动的变化量，将相关数据存储至历史数据库，结合实际传感器数据通过插值计算实现快速数据驱动；运动学仿真软件包括但不限于：Admas、Creo、Ug、SolidWorks等。
在开始实际映射前，需要构建掘锚一体机虚拟实体，作为实时状态映射的模型载体，本发明将在模型渲染软件3dsMax中进行模型重构以及渲染。如图4所示，为获得带有几何尺寸与渲染关系的掘锚一体机虚拟实体，需要进行以下操作：
(1)首先，在三维建模软件中进行掘锚一体机几何模型，包括几何尺寸、参数关系；
(2)导入3dsmax，进行装配关系重定义。如图4(a)，重构模型树，建立对应装配关系；
(3)进行网格添加、删除、调整。如图4(b)，将多余网格节点进行重新划分，减少模型重量；
(4)进行多余部件删除。如图4(c)，将多余部件进行网格塌陷或删除，减少模型中不需要的零件或特征。
(5)进行表面材质、贴图、纹理等制作。如图4(d)。
综合以上五个步骤，获得数字孪生虚拟实体，即可利用孪生数据驱动孪生服务。对于动力学而言，需要在动力学仿真软件中建立相应掘锚一体机动力学模型。针对掘锚一体机的运动机构，对各个机构单独分析其运动学特性，根据实际工作状况，在Adams中对机构建立运动副与驱动，通过后处理获取机构各个运动副的变化量与主驱动的变化量，将相关数据存储至历史数据库，结合实际传感器数据通过插值计算实现快速数据驱动，Admas处理完毕的动力学模型如图5所示。
所述有限状态机构建掘锚一体机抬升、进给、挖掘等行为仿真，对于给定传感器数据输入后，将传感器数据与某个状态匹配，将掘锚一体机转换为所指的状态。所述传感器与状态匹配方法，主要根据不同传感器数值，结合不同状态阈值，进行一一对应操作。对于掘锚一体机工作全流程，以掏槽大臂为例，其工作状态如图6所示。
如图7所示，结合快速布尔运算实现服役环境映射过程具体包括以下步骤：
(1)首先，获取工作目标煤层的表层位置与颜色信息；
(2)依据掘锚一体机位置信息，通过包围盒算法，获得掘锚一体机与煤层交叉的部分，以及煤层中进行布尔运算待去除的区域，保存该区域的表面渲染形状、位置以及颜色；
(3)将(2)中保存的交叉部分形状以及位置去除，使其与掘锚一体机形状相反；
(4)进行去除部分的上色，将(2)中保存的颜色信息赋予交叉面；
将该掘锚一体机几何模型融入服役环境，即可在服役环境中基于实时传递的孪生数据进行服役环境的动态实时仿真。通过孪生服务调用接收到的孪生数据进行实时驱动，根据运动学模型调用结果，结合快速布尔运算，实现融合服役环境的动态变化。如图8所示，为掘锚一体机切割煤岩过程，服役环境岩层被实时切割，切割面积与位置响应与对应截割滚筒运动轨迹相同，实现掘锚一体机服役环境变化一致性。
基于人工智能方法对数据进行分析诊断方法，包括：将给定传感器数据保存至运行工况数据库中，结合人工智能方法对于数据进行训练，将训练完成的人工智能模型用于故障预测中；掘锚一体机数字孪生将其中的油泵电机三相电流、左装载机三相电流等数据经过简单的数据处理后，输入训练完成的BP神经网络，实时计算装备的状态评分，在评分低时给与警告；将运行过程中截割电机三相电流以及进刀量、进刀速度、下割量和下割速度等施工参数等相关数据，输入事先采用支持向量机训练好的断齿率预测模型中，实时获取断齿风险等级、断齿率期望，并实时警告；人工智能方法包括但不限于：支持向量机、卷积神经网络、长短期记忆神经网络等。运行工况数据库包含写入、存储、读取功能；记录位移传感器、压力传感器、光电传感器和烟雾传感器的数据的功能。其中，图9为卷积神经网络的训练过程，该网络可以用于运行状态的故障诊断。
Claims (10)
1.一种基于数字孪生的掘锚一体机实时状态映射方法，其特征在于，包括如下步骤：
步骤1：通过数据虚实映射技术，实时传递掘锚一体机工作状态信息；
步骤2：基于几何与运动学模型库构建方法，进行运动实时仿真；
步骤3：通过有限状态机构建掘锚一体机抬升、进给、挖掘行为仿真；
步骤4：结合快速布尔运算实现服役环境映射过程；
步骤5：基于人工智能方法对数据进行分析诊断；完成对于掘锚一体机的实时状态映射。
2.根据权利要求1所述的基于数字孪生的掘锚一体机实时状态映射方法，其特征在于，所述数据虚实映射技术具体包含以下步骤：
在掘锚一体机数字孪生客户端中打开网络通信端口，将实际掘锚一体机数据采集监控系统设置为服务端，侦听并等待客户端的连接；连接过程中传感器采集程序阻塞不循环，当检测到数字孪生客户端连接完成后，将传感器采集数据传输至服务端；此时将创建两条同步任务，包括实际掘锚一体机继续执行任务与孪生数据完整传送到数字孪生客户端，在数字孪生客户端中根据传感器数据进行实时状态映射；同时进行数据完整性判断，在数据完整性实现以后进行下一波数据流传输。
3.根据权利要求2所述的基于数字孪生的掘锚一体机实时状态映射方法，其特征在于，所述传感器数据包括位移传感器数据、压力传感器数据、光电传感器数据和烟雾传感器数据。
4.根据权利要求2所述的基于数字孪生的掘锚一体机实时状态映射方法，其特征在于，当客户端过大时，进行分布式的网络配置，形成服务器集群；采用三次握手与四次挥手进行数据通信：设置定时器，每隔固定时间执行发送数据函数，每次需要接收时存入异步缓存区，等待接受，当上一条信息接收完成时，发送下一条信息；此时进入异步函数，当发送失败时，发送警告信息。
5.根据权利要求1所述的基于数字孪生的掘锚一体机实时状态映射方法，其特征在于，步骤2所述几何与运动学模型库构建方法具体包括如下步骤：
针对掘锚一体机的几何模型进行模型重构以及渲染，在开始实际映射前，在模型渲染软件3dsMax中进行几何模型重构以及渲染，获得带有几何尺寸与渲染关系的掘锚一体机虚拟实体，针对掘锚一体机的运动机构，对各个机构单独分析其运动学特性，根据实际工作状况，在运动学仿真软件中对机构建立运动副与驱动，通过后处理获取机构各个运动副的变化量与主驱动的变化量，将相关数据存储至历史数据库，结合实际传感器数据通过插值计算实现快速数据驱动。
6.根据权利要求5所述的基于数字孪生的掘锚一体机实时状态映射方法，其特征在于，所述几何模型重构以及渲染的具体步骤如下：
步骤a：在三维建模软件中进行掘锚一体机几何模型，包括几何尺寸、参数关系；
步骤b：导入3dsmax，进行装配关系重定义，重构模型树，建立对应装配关系；
步骤c：进行网格添加、删除、调整，将多余网格节点进行重新划分，减少模型重量；
步骤d：进行多余部件删除，将多余部件进行网格塌陷或删除，减少模型中不需要的零件或特征；
步骤e：进行表面材质、贴图、纹理等制作。
7.根据权利要求5所述的基于数字孪生的掘锚一体机实时状态映射方法，其特征在于，所述运动学仿真软件为Admas、Creo、Ug或SolidWorks。
8.根据权利要求1所述的基于数字孪生的掘锚一体机实时状态映射方法，其特征在于，步骤3所述有限状态机构建掘锚一体机抬升、进给、挖掘行为仿真，包括如下具体步骤：对于给定传感器数据输入后，将传感器数据与某个状态匹配，将掘锚一体机转换为所指的状态。
9.根据权利要求1所述的基于数字孪生的掘锚一体机实时状态映射方法，其特征在于，步骤4所述结合快速布尔运算实现服役环境映射过程具体包括以下步骤：
步骤4.1：获取工作目标煤层的表层位置与颜色信息；
步骤4.2：依据掘锚一体机位置信息，通过包围盒算法，获得掘锚一体机与煤层交叉的部分，以及煤层中进行布尔运算待去除的区域，保存该区域的表面渲染形状、位置以及颜色；
步骤4.3：将步骤4.2中保存的交叉部分形状以及位置去除，使其与掘锚一体机形状相反；
步骤4.4：进行去除部分的上色，将步骤4.2中保存的颜色信息赋予交叉面。
10.根据权利要求1所述的基于数字孪生的掘锚一体机实时状态映射方法，其特征在于，步骤5所述基于人工智能方法对数据进行分析诊断方法，具体包括以下步骤：
将给定传感器数据保存至运行工况数据库中，结合人工智能方法对于数据进行训练，将训练完成的人工智能模型用于故障预测中；掘锚一体机数字孪生将其中的油泵电机三相电流、左装载机三相电流等数据经过简单的数据处理后，输入训练完成的BP神经网络，实时计算装备的状态评分，在评分低时给与警告；将运行过程中截割电机三相电流以及进刀量、进刀速度、下割量和下割速度等施工参数等相关数据，输入事先采用支持向量机训练好的断齿率预测模型中，实时获取断齿风险等级、断齿率期望，并实时警告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111655302.9A CN114329984A (zh) | 2022-01-24 | 2022-01-24 | 基于数字孪生的掘锚一体机实时状态映射方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111655302.9A CN114329984A (zh) | 2022-01-24 | 2022-01-24 | 基于数字孪生的掘锚一体机实时状态映射方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114329984A true CN114329984A (zh) | 2022-04-12 |
Family
ID=81019765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111655302.9A Pending CN114329984A (zh) | 2022-01-24 | 2022-01-24 | 基于数字孪生的掘锚一体机实时状态映射方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114329984A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114880910A (zh) * | 2022-07-07 | 2022-08-09 | 浙江大学 | 融合复杂地质环境的掘锚一体机数值耦合仿真方法 |
-
2022
- 2022-01-24 CN CN202111655302.9A patent/CN114329984A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114880910A (zh) * | 2022-07-07 | 2022-08-09 | 浙江大学 | 融合复杂地质环境的掘锚一体机数值耦合仿真方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210359B (zh) | 面向智能矿山场景的数字孪生演化机理及方法 | |
| US20230115586A1 (en) | Construction method of digital twin for structure performance of intelligent excavator | |
| CN109471377B (zh) | 基于数字孪生的两轴x-y皮革制品裁割机控制方法 | |
| CN113610290B (zh) | 一种基于数字孪生技术应用到煤矿采掘设备的监控系统 | |
| CN114329936B (zh) | 基于多智能体深度强化学习的虚拟综采生产系统推演方法 | |
| CN107844677B (zh) | 用于三维钢筋编辑更新的方法 | |
| CN115222792B (zh) | 一种铁路桥梁数字孪生建模方法 | |
| CN109989751B (zh) | 一种综采三机跨平台远程实时运动跟踪方法 | |
| CN114329984A (zh) | 基于数字孪生的掘锚一体机实时状态映射方法 | |
| CN111126873A (zh) | 一种基于Hadoop集群架构的盾构TBM大数据平台系统及建设方法 | |
| CN116081488B (zh) | 一种场景自适应单轨吊运输机器人无人驾驶控制方法 | |
| CN112180795A (zh) | 一种建筑设备运行预警与联动控制的装置及方法 | |
| CN115423132A (zh) | 一种基于数字孪生的工程机械预测性维护方法 | |
| CN101664845B (zh) | 海洋石油平台多几何体相贯钢结构数控切割系统 | |
| CN118246310A (zh) | 一种面向装备远程智能监控与运维的数字孪生建模方法 | |
| CN117313343A (zh) | 一种基于三维激光扫描仪爆破区域数字化模型获取方法 | |
| CN116758199A (zh) | 一种多层次tin地质模型的连续剖切面实时渲染封闭的方法 | |
| CN114417706A (zh) | 基于数字孪生技术的矿山破碎管控系统 | |
| CN112213998A (zh) | 灌浆施工数据云存储与深度分析系统 | |
| Oloufa et al. | Feedback mechanisms for operational simulation | |
| CN206270704U (zh) | 一种水电工程灌浆施工信息实时采集与统计分析系统 | |
| CN118673693A (zh) | 一种基于数字孪生的叶片加工产线虚实同步方法及系统 | |
| Shi et al. | A Real-time Deformation Measurement System Platform of Historic Building based on 3DGIS, BIM and IoT | |
| CN114880910B (zh) | 融合复杂地质环境的掘锚一体机数值耦合仿真方法 | |
| WANG. et al. | Virtual Reality Technology in Mining Machinery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |