CN116720438A - 基于多源矿山数据的数字孪生矿山生产系统及构建方法 - Google Patents
基于多源矿山数据的数字孪生矿山生产系统及构建方法 Download PDFInfo
- Publication number
- CN116720438A CN116720438A CN202310704681.9A CN202310704681A CN116720438A CN 116720438 A CN116720438 A CN 116720438A CN 202310704681 A CN202310704681 A CN 202310704681A CN 116720438 A CN116720438 A CN 116720438A
- Authority
- CN
- China
- Prior art keywords
- digital twin
- production system
- mine
- model
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 205
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 114
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 70
- 238000012795 verification Methods 0.000 claims abstract description 29
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 230000010354 integration Effects 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims description 90
- 238000000034 method Methods 0.000 claims description 68
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 23
- 238000009396 hybridization Methods 0.000 claims description 19
- 230000035772 mutation Effects 0.000 claims description 19
- 238000013499 data model Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006854 communication Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Genetics & Genomics (AREA)
- Marine Sciences & Fisheries (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Physiology (AREA)
- Mining & Mineral Resources (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
Abstract
本申请提供了基于多源矿山数据的数字孪生矿山生产系统及构建方法，其中，数字孪生矿山生产系统构建方法，包括：根据数字孪生技术结合多源矿山数据及多源矿山数据之间关系，构建初始数字孪生矿山生产系统；根据多目标迭代优化算法对初始数字孪生矿山生产系统的内部模型进行迭代优化，以及根据预定性能验证算法对初始数字孪生矿山生产系统的内部模型进行性能验证；判断初始数字孪生矿山生产系统是否满足多目标迭代优化算法的迭代优化条件；若是，则对初始数字孪生矿山生产系统的内部模型进行模型集成，得到最终数字孪生矿山生产系统。本申请的技术方案能解决现有技术缺乏针对参数优化以及模型收敛性判断的研究的问题。
Description
技术领域
本申请涉及数字孪生技术领域，尤其涉及一种基于多源矿山数据的数字孪生矿山生产系统及构建方法。
背景技术
数字孪生是快速发展的信息镜像技术，该技术能够创建一个物理系统的虚拟副本(如建筑物、车辆或工业流程)，进而使用该虚拟副本生成一数字孪生模型。数字孪生模型通常使用传感器数据、3D建模和模拟软件的组合进行创建，并随着新数据的出现而不断实时更新。
因为数字孪生模型能够用于监测、模拟和优化物理系统的性能，提高物理系统的效率，减少物理系统的停机时间并增强其安全性，广泛应用于计算机建模、数据分析和物联网(IoT)领域。在矿山生产系统的计算机建模和数据分析中，需要获取矿山周边的地理环境数据、设备数据、生产数据、工人数据和历史数据等多种矿山相关数据，使用上述多种矿山相关数据结合数字孪生技术，生成得到仿真模型和数据模型，进而构建得到数字矿山生产系统，通过该数字矿山生产系统生成矿山的虚拟副本，指导和监测矿山内矿物采集和生产。
然而目前这一技术侧重于数字孪生体的构建，而往往缺乏针对参数优化以及模型收敛性判断的研究。另外，数字孪生系统中的仿真模型具有较低的自学习和自优化能力，缺乏可计算性及信息交互能力，这就使得难以进一步探究数字孪生体的适用性以及模拟的准确性。
申请内容
本申请提供一种基于多源矿山数据的数字孪生矿山生产系统及构建方法的方案，该数字孪生矿山生产系统构建方案，能够解决现有技术中缺乏针对参数优化和模型收敛性判断的研究，具有较低自学习和自优化能力，缺乏可计算性和信息交互能力的问题。
为解决上述问题，根据本申请的第一方面，本申请提出了一种基于多源矿山数据的数字孪生矿山生产系统构建方法，包括：
获取矿山的多源矿山数据，根据数字孪生技术结合多源矿山数据及多源矿山数据之间关系，构建初始数字孪生矿山生产系统；
根据多目标迭代优化算法对初始数字孪生矿山生产系统的内部模型进行迭代优化，以及根据预定性能验证算法对初始数字孪生矿山生产系统的内部模型进行性能验证；
判断初始数字孪生矿山生产系统是否满足多目标迭代优化算法的迭代优化条件；
若初始数字孪生矿山生产系统满足迭代优化条件，则对初始数字孪生矿山生产系统的内部模型进行模型集成，得到最终数字孪生矿山生产系统。
优选的，上述数字孪生矿山生产系统构建方法中，根据数字孪生技术结合多源矿山数据及多源矿山数据之间关系，构建初始数字孪生矿山生产系统的步骤，包括：
根据三维模型构建技术，使用多源矿山数据构建物理模型；
构建逻辑模型，将物理模型中的多源矿山数据映射至逻辑模型；
使用逻辑模型将多源矿山数据中各数据元素的属性关联关系反馈至物理模型；
根据建筑信息模型技术构建仿真模型，将物理模型中的多源矿山数据映射至仿真模型；
基于多源矿山数据，使用物理模型、逻辑模型和仿真模型，构建得到初始数字孪生矿山生产系统。
优选的，上述数字孪生矿山生产系统构建方法中，根据多目标迭代优化算法对初始数字孪生矿山生产系统的内部模型进行迭代优化，以及根据预定性能验证算法对初始数字孪生矿山生产系统的内部模型进行性能验证的步骤，包括：
使用卡尔曼滤波算法对多源矿山数据进行数据融合，
使用融合后的多源矿山数据，根据多目标优化算法对初始数字孪生矿山生产系统的仿真模型进行迭代优化；
使用相关性分析及误差计算方法对初始数字孪生矿山生产系统的物理模型和仿真模型进行一致性和可靠性验证。
优选的，上述数字孪生矿山生产系统构建方法中，使用卡尔曼滤波算法对多源矿山数据进行数据融合的步骤，包括：
使用多源矿山数据中的数据元素组成状态变量；
使用k-1时刻状态变量的最优值，根据预测状态方程：Xk/k-1＝FkXk-1/k-1+BkUk，预测k时刻的状态变量，其中，Xk/k-1为利用k-1时刻预测的当前状态结果，Xk-1/k-1为k-1时刻最优值，Fk为状态转移矩阵，Bk控制变量矩阵，Uk当前状态的控制增益；
使用k-1时刻状态变量的系统协方差矩阵，根据预测协方差方程：Pk/k-1＝FkPk-1/k- 1Fk T+Qk，预测k时刻的系统协方差矩阵，其中，Pk/k-1为k时刻系统协方差矩阵，Pk-1/k-1为k-1时刻系统协方差矩阵，Qk为系统过程噪声协方差；
使用k时刻的系统协方差矩阵，根据卡尔曼增益方程：计算状态变量的卡尔曼增益，其中，Kg为卡尔曼增益，Hk为预测矩阵，Rk为测量噪声协方差；
使用状态变量的卡尔曼增益，根据最优值更新方程：Xk/k＝Xk/k-1+Kg(Zk-HkXk/k-1)，更新得到k时刻状态变量的最优估计值，其中，Xk/k时刻状态变量最优估计值，Zk传感器的测量矩阵。
优选的，上述数字孪生矿山生产系统构建方法中，根据多目标优化算法对初始数字孪生矿山生产系统的仿真模型进行迭代优化的步骤，包括：
设置仿真模型的优化目标函数；
选取仿真模型的多个待优化变量，组成初始群体；
根据优化目标函数生成适应度计算公式，使用适应度计算公式评价初始群体中每个个体的适应度；
根据每个个体的适应度选取预定数量的待优化变量；
根据自适应杂交算法和自适应变异算法依次对预定数量的待优化变量进行杂交和变异处理，得到下一代群体；
对下一代群体执行多次进化迭代处理，得到当前群体；
根据优化目标函数，选取当前群体的最优个体作为仿真模型的优化结果。
优选的，上述数字孪生矿山生产系统构建方法中，根据自适应杂交算法和自适应变异算法依次对预定数量的待优化变量进行杂交和变异处理，得到下一代群体的步骤，包括：
对预定数量的待优化变量，按照自适应杂交概率进行随机两两配对，得到两组子代个体；
选取两组子代个体中的任一组子代个体，按照自适应变异概率对任一祖子代个体进行变异，得到下一代群体。
优选的，上述数字孪生矿山生产系统构建方法中，使用相关性分析及误差计算方法对初始数字孪生矿山生产系统的物理模型和仿真模型进行一致性和可靠性验证的步骤，包括：
使用仿真模型的优化结果，根据绝对误差方程：计算优化结果的绝对误差，其中，MAE为绝对误差，yk表示仿真模型的优化结果，/>表示优化结果的实测值；
根据收敛性指标函数：计算优化结果的收敛性指标，其中，r为收敛性指标，n表示获得的非劣解的个数，d为获得的第i个非劣解与已知真实非劣前沿或近似真实非劣前沿最短的欧式距离；
使用仿真模型的优化结果，根据均方根误差方程：计算优化结果的均方根误差，其中，RMSE为均方根误差；
使用仿真模型的优化结果，根据决定系数方程：计算仿真模型的决定系数，其中，R2为决定系数，N表示总容量。
优选的，上述数字孪生矿山生产系统构建方法中，对初始数字孪生矿山生产系统的内部模型进行模型集成，得到最终数字孪生矿山生产系统的步骤，包括：
使用多源数据融合方法和深度学习算法将多源矿山数据进行融合并进行存储；
使用多目标迭代优化算法和智能决策方法，对初始数字孪生矿山生产系统与物理实体进行镜像和交互；
构建数据模型，采集初始数字孪生矿山生产系统的物理模型的多源矿山数据至数据模型。
优选的，上述数字孪生矿山生产系统构建方法中，对初始数字孪生矿山生产系统的内部模型进行模型集成，得到最终数字孪生矿山生产系统的步骤，包括：
对初始数字孪生矿山生产系统的仿真模型、物理模型、逻辑模型以及数据模型进行集成；
通过多源矿山数据的数据驱动，以及集成后的初始数字孪生矿山生产系统与物理实体的实时交互，构建得到最终数字孪生矿山生产系统。
根据本发明的第二方面，本发明还提供了一种基于多源矿山数据的数字孪生矿山生产系统，包括：
存储器、处理器及存储在存储器上并在处理器上运行的数字孪生矿山生产系统构建程序，数字孪生矿山生产系统构建程序被处理器执行时实现上述任一项技术方案所述的数字孪生矿山生产系统构建方法的步骤。
综上，本申请提供的基于多源矿山数据的数字孪生矿山生产系统及构建方法的方案，通过根据数字孪生技术结合多源矿山数据以及多源矿山数据之间关系，构建得到初始数字孪生矿山生产系统，能够将数字孪生技术运用到多源矿山生产系统构建上，实现矿山生产系统的智能管理、感知分析和仿真模拟；然后根据多目标迭代优化算法对该初始数字孪生矿山生产系统的内部模型的迭代优化，能够解决现有技术中缺乏针对数字孪生矿山生产系统的参数优化问题，同时保障该矿山生产系统的迭代优化和进化发展；同时根据预定性能验证算法对初始数字孪生矿山生产系统的内部模型进行性能验证，包括一致性和可靠性验证，能够保证该初始数字孪生矿山生产系统的参数和性能可靠，实现系统的可视化管理和精准模拟。在对该系统性能验证成功后，判断该初始数字孪生矿山生产系统是否满足多目标迭代优化算法的迭代优化条件，当满足时对该初始数字孪生矿山生产系统的内部模型进行模型集成，从而得到最终数字孪生矿山生产系统，能够通过虚拟场景实现对矿山实体的精准模拟和智能操作，实现数字化和智能化相结合，帮助矿山经营者优化生产，降低成本，提高安全性。通过上述方案，本申请能够解决现有技术中缺乏针对参数优化和模型收敛性判断的研究，具有较低自学习和自优化能力，缺乏可计算性和信息交互能力的问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是本申请实施例提供的一种基于多源矿山数据的数字孪生矿山生产系统的构建方法的流程示意图；
图2是图1所示实施例提供的一种初始数字孪生矿山生产系统的构建方法的流程示意图；
图3是图1所示实施例提供的一种初始数字孪生矿山生产系统的迭代优化和性能验证方法的流程示意图；
图4是图3所示实施例提供的一种多源矿山数据的数据融合方法的流程示意图；
图5是图3所示实施例提供的一种初始数字孪生矿山生产系统的仿真模型的迭代优化方法的流程示意图；
图6是图3所示实施例提供的一种初始数字孪生矿山生产系统的性能验证方法的流程示意图；
图7是图1所示实施例提供的第一种初始孪生矿山生产系统的内部模型的模型集成方法的流程示意图；
图8是图1所示实施例提供的第二种初始孪生矿山生产系统的内部模型的模型集成方法的流程示意图；
图9是本申请实施例提供的第一种基于多源矿山数据的数字孪生矿山生产系统的结构示意图；
图10是本申请实施例提供的第二种基于多源矿山数据的数字孪生矿山生产系统的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决的技术问题是：
在矿山生产领域，数字孪生技术侧重于数字孪生体的构建，而往往缺乏针对参数优化以及模型收敛性判断的研究。另外，数字孪生系统中的仿真模型具有较低的自学习和自优化能力，缺乏可计算性及信息交互能力，这就使得难以进一步探究数字孪生体的适用性以及模拟的准确性。
为解决上述问题，参见图1，图1为本申请实施例提供的一种基于多源矿山数据的数字孪生矿山生产系统的构建方法的流程示意图。如图1所示，该基于多源矿山数据的数字孪生矿山生产系统构建方法，包括：
S110：获取矿山的多源矿山数据，根据数字孪生技术结合多源矿山数据及多源矿山数据之间关系，构建初始数字孪生矿山生产系统。该多源矿山数据包括矿山周边的地理空间数据以及设备数据、传感器数据、生产数据、环境数据、工人数据和历史数据。在构建初始数字孪生矿山生产系统之前，需要在现实生产过程中布设传感器收集相关参数以及地理空间数据、设备数据、生产数据、环境数据、工人数据和历史数据等数据。传感器具体包括监测设备的传感(例如：(功率消耗传感器、设备温度传感器、转速传感器、振动传感器和压力传感器等)，监测环境的传感器(例如：温度传感器和湿度器等),监测生产数据的传感器等。通过传感器收集数据信息，并存储在数字孪生数据库中，实现数据库的动态实时更新。
通过使用上述多源矿山数据，利用相应的数字孪生技术，例如BIM及Unity 3D软件，能够构建得到初始数字孪生矿山生产系统。初始数字孪生矿山生产系统就是将物理矿山实体映射成虚拟孪生体的系统，通常构建初始数字孪生矿山系统需要构建物理模型、逻辑模型和仿真模型。
具体地，作为一种优选的实施例，如图2所示，上述根据数字孪生技术结合多源矿山数据及多源矿山数据之间关系，构建初始数字孪生矿山生产系统的步骤，包括：
S111：根据三维模型构建技术，使用多源矿山数据构建物理模型。这里的三维模型构建技术能够选用Unity 3D软件进行构建。因为多源矿山数据包括矿山周边的地理空间数据以及设备数据、传感器数据、生产数据、环境数据、工人数据和历史数据等数据。通过使用上述多源矿山数据能够建立得到三维的物理模型，同时定义矿山周边环境与设备的几何属性、功能属性以及各数据要素间的相互关系。
S112：构建逻辑模型，将物理模型中的多源矿山数据映射至逻辑模型。
通过将物理模型中的多源矿山数据(例如矿山周边的地理空间数据以及设备数据、传感器数据、生产数据、环境数据、工人数据和历史数据)映射到逻辑模型中，然后通过图形化和形式化的方式描述逻辑模型的组成要素、组织结构和运行机制，从而实现对物理矿山实体的详细描述和数据分析。
S113：使用逻辑模型将多源矿山数据中各数据元素的属性关联关系反馈至物理模型。通过图形化、形式化的方式描述逻辑模型的组成要素、组织结构和运行机制，上述描述方式反映了矿山实体的详细信息和运行数据，通过逻辑模型将矿山各数据元素的属性关联性质反馈到物理模型中，能够实现对物理模型的优化。
S114：根据建筑信息模型技术构建仿真模型，将物理模型中的多源矿山数据映射至仿真模型。这里的建筑信息模型技术能够选用建筑信息模型BIM进行构建。建筑信息模型是由充足信息构成以支持新产品开发管理，并由计算机应用程序直接解释的建筑或建筑工程信息模型，即数字技术支撑的对建筑环境的生命周期管理。通过建立以多源矿山数据与BIM模型为核心的仿真模型，基于多源矿山数据(例如矿山周边的地理空间数据以及设备数据、传感器数据、生产数据、环境数据、工人数据和历史数据)，建立矿山的数字孪生生产系统模型。
S115：基于多源矿山数据，使用物理模型、逻辑模型和仿真模型，构建得到初始数字孪生矿山生产系统。
结合上述多源矿山数据，使用物理模型、逻辑模型和仿真模型的构建，能够提高效率、预测需求和优化资源分配；并以物理模型和逻辑模型为基础，能够实现矿山在孪生对象、孪生结构和孪生生产过程的可视化，从而将矿山实体转化为三维孪生体。
结合图9所示的数字孪生矿山生产系统的结构可知，通过构建物理层和数据层的双向数据传输通道，将获取的信息传输至模型层，使数字孪生模型实时追踪生产实体状态，强化其感知、分析及决策能力。接收到传感器传输的生产数据信息后，物理模型、仿真模型和逻辑模型会进行耦合分析，并将结果及命令传输至传感器，从而实现传感器与孪生体的双向连通。
图1所示实施例提供的技术方案，在构建得到初始数字孪生矿山生产系统后，还包括以下步骤：
S120：根据多目标迭代优化算法对初始数字孪生矿山生产系统的内部模型进行迭代优化，以及根据预定性能验证算法对初始数字孪生矿山生产系统的内部模型进行性能验证。通过对初始数字孪生矿山生产系统的各个内部模型进行优化及验证，能够实现该系统的智能管理、自动优化、实时更新以及目标的合理预测，从而达到数字化与智能化相结合的目的。
具体地，作为一种优选的实施例，如图3所示，上述步骤S120：根据多目标迭代优化算法对初始数字孪生矿山生产系统的内部模型进行迭代优化，以及根据预定性能验证算法对初始数字孪生矿山生产系统的内部模型进行性能验证的步骤，包括：
S121：使用卡尔曼滤波算法对多源矿山数据进行数据融合。卡尔曼滤波一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。通过卡尔曼滤波算法能够实现多源矿山数据的融合，从而得到具有强相关和高增益的融合数据。
作为一种优选的实施例，如图4所示，上述数字孪生矿山生产系统构建方法中，步骤S121：使用卡尔曼滤波算法对多源矿山数据进行数据融合的步骤，包括：
S1211：使用多源矿山数据中的数据元素组成状态变量。
S1212：使用k-1时刻状态变量的最优值，根据预测状态方程：Xk/k-1＝FkXk-1/k-1+BkUk，预测k时刻的状态变量，其中，Xk/k-1为利用k-1时刻预测的当前状态结果，Xk-1/k-1为k-1时刻最优值，Fk为状态转移矩阵，Bk控制变量矩阵，Uk当前状态的控制增益。
S1213：使用k-1时刻状态变量的系统协方差矩阵，根据预测协方差方程：预测k时刻的系统协方差矩阵，其中，Pk/k-1为k时刻系统协方差矩阵，Pk-1/k-1为k-1时刻系统协方差矩阵，Qk为系统过程噪声协方差。
S1214：使用k时刻的系统协方差矩阵，根据卡尔曼增益方程：计算状态变量的卡尔曼增益，其中，Kg为卡尔曼增益，Hk为预测矩阵，Rk为测量噪声协方差。
S1215：使用状态变量的卡尔曼增益，根据最优值更新方程：Xk/k＝Xk/k-1+Kg(Zk-HkXk/k-1)，更新得到k时刻状态变量的最优估计值，其中，Xk/k时刻状态变量最优估计值，Zk传感器的测量矩阵。
另外，为了使卡尔曼滤波算法能够不断运行迭代下去，需要每次迭代过程中更新当前k时刻下Xk/k的协方差，其中，Pk/k-1＝(I-KgHk)Pk/k-1，I为单位矩阵。
本申请实施例提供的技术方案，根据上述方程式的描述可知，卡尔曼滤波算法能够将卡尔曼滤波分为预测过程和修正过程。预测过程是根据前一时刻的估计值来预测当前状态；修正过程是结合当前时刻的观测值和估计值，得到更接近真实值的最优估计值。该算法按照上述过程继续迭代，只需要保存前一时刻的计算参数，不需要占用大量的储存空间提高算法运行的效率。
图3所示实施例提供的技术方案，在使用卡尔曼滤波算法对多源矿山数据进行数据融合后，还包括以下步骤：
S122：使用融合后的多源矿山数据，根据多目标优化算法对初始数字孪生矿山生产系统的仿真模型进行迭代优化。多目标优化算法是基于二进制编码的遗传算法，通过多目标优化算法对该仿真模型进行迭代优化，能够提高仿真模型的仿真性能。
具体地，作为一种优选的实施例，如图5所示，上述数字孪生矿山生产系统构建方法中，步骤S122：根据多目标优化算法对初始数字孪生矿山生产系统的仿真模型进行迭代优化的步骤，包括：
S1221：设置仿真模型的优化目标函数。aj≤cj≤bj；(j＝1,2,…p)，其中，c＝{cj}；cj为p个待优化变量，(xi,yi)为m对仿真模型输入、输出的观测数据，g(c,xi)为yi的近似表达式，q为任意常数。在设置仿真模型的优化目标函数后，还需要设置上述待优化变量的取值范围的二进制编码。
S1222：选取仿真模型的多个待优化变量，组成初始群体。该过程称为参数初始化；该参数初始化的步骤是随机生成n个个体为初始群体P(0)；设置进化代数计数器t，并设置最大进化代数T。
S1223：根据优化目标函数生成适应度计算公式，使用适应度计算公式评价初始群体中每个个体的适应度。适应度计算公式如下：
其中，目标函数值f(i)的值越小，表示该个体的适应度F(i)越高。
S1224：根据每个个体的适应度选取预定数量的待优化变量。具体地，按照与个体的适应度F(i)成正比的概率，选择2n个个体，这样共选择两组数目各为n的个体。
S1225：根据自适应杂交算法和自适应变异算法依次对预定数量的待优化变量进行杂交和变异处理，得到下一代群体。
具体地，作为一种优选的实施例，上述数字孪生矿山生产系统构建方法中，该根据自适应杂交算法和自适应变异算法依次对预定数量的待优化变量进行杂交和变异处理，得到下一代群体的步骤，包括：
对预定数量的待优化变量，按照自适应杂交概率进行随机两两配对，得到两组子代个体；
选取两组子代个体中的任一组子代个体，按照自适应变异概率对任一祖子代个体进行变异，得到下一代群体。
例如，自适应杂交算法是将上述两组数目各为n的个体，按照自适应杂交概率PC随机两两配对，杂交生成两组子代个体。自适应变异算法具体将上述两组子代个体随机选取一组，按自适应变异概率Pm，将该组个体进行变异；群体P(t)经过选择、杂交和变异后得到下一代群体P(t+1)。
S1226：对下一代群体执行多次进化迭代处理，得到当前群体。进化迭代的过程如下：由上述经过杂交和变异处理得到的的下一代群体中各子代个体作为新的父代个体，然后返回上述步骤S1223，进入下一次进化过程，重新进行上述评价、选择、杂交和变异的过程，如此循环两次，得到当前群体。
S1227：根据优化目标函数，选取当前群体的最优个体作为仿真模型的优化结果。将上述第一次和第二次进化迭代所产生的所有优秀个体的变化范围作为变量的新取值范围，进行变量取值范围的二进制编码。然后返回执行上述步骤S1222及后续步骤，直到最优个体的目标函数值小于预定函数阈值或者算法运行达到预定循环次数，结束整个算法的运行。此时将当前群体中最优个体指定为仿真模型的优化结果。
图3所示实施例提供的技术方案，在根据多目标优化算法对初始数字孪生矿山生产系统的仿真模型进行迭代优化后，还包括以下步骤：
S123：使用相关性分析及误差计算方法对初始数字孪生矿山生产系统的物理模型和仿真模型进行一致性和可靠性验证。
本发明实施例提供的技术方案，通过使用相关性分析及误差计算方法对系统的物理模型和仿真模型进行一致性和可靠性验证，具体采用绝对误差、决定系数、均方根误差和收敛性指标验证仿真模型的优化结果及收敛性，从而得到一致和可靠的初始数字孪生矿山生产系统。
具体地，作为一种优选的实施例，如图6所示，上述步骤S123：使用相关性分析及误差计算方法对初始数字孪生矿山生产系统的物理模型和仿真模型进行一致性和可靠性验证的步骤，包括：
S1231：使用仿真模型的优化结果，根据绝对误差方程：计算优化结果的绝对误差，其中，MAE为绝对误差，yk表示仿真模型的优化结果，/>表示优化结果的实测值。经过实测可知，MAE值越小，优化效果越好。
S1232：根据收敛性指标函数：计算优化结果的收敛性指标，其中，r为收敛性指标，n表示获得的非劣解的个数，d为获得的第i个非劣解与已知真实非劣前沿或近似真实非劣前沿最短的欧式距离。其中，收敛性指标r的值越小，表示优化后仿真模型的收敛性越好。
S1233：使用仿真模型的优化结果，根据均方根误差方程：计算优化结果的均方根误差，其中，RMSE为均方根误差。其中，RMSE的值越小，仿真模型的优化效果越好。
S1234：使用仿真模型的优化结果，根据决定系数方程：计算仿真模型的决定系数，其中，R2为决定系数，N表示总容量。R2的值越接近1，表示优化后仿真模型的拟合回归效果越好。
本申请实施例提供的技术方案，通过使用绝对误差方程、收敛性指标函数、均方根误差方程和决定系数方程对仿真模型的优化结果进行验证和优化，从而能够保证初始数字孪生矿山生产系统中仿真模型和物理模型的一致性和可靠性。提高初始数字孪生矿山生产系统的仿真效果。
图1所示实施例提供的技术方案，在对初始数字孪生矿山生产系统的内部模型进行迭代优化和性能验证的步骤之后，还包括：
S130：判断初始数字孪生矿山生产系统是否满足多目标迭代优化算法的迭代优化条件。若初始数字孪生矿山生产系统满足迭代优化条件，则直线步骤S140。这里的迭代优化条件主要指上述仿真模型的优化目标函数在经过上述多次迭代优化和性能验证后，需要通过上述迭代优化条件检验初始数字孪生矿山生产系统的仿真能力。若否，则返回执行步骤S120。
S140：对初始数字孪生矿山生产系统的内部模型进行模型集成，得到最终数字孪生矿山生产系统。
数字孪生矿山生产系统是一个实际矿山生产流程的数字化表达，能够在数字孪生体上实时显示实际矿山生产的状态，从而预测矿山生产过程中可能发生的情况。数字孪生矿山生产系统的构建方法能够使虚拟结合，从而实现动态、实时评估系统的当前及未来的功能和性能。
具体地，作为一种优选的实施例，如图7所示，上述数字孪生矿山生产系统构建方法中，步骤S140：对初始数字孪生矿山生产系统的内部模型进行模型集成，得到最终数字孪生矿山生产系统的步骤，包括：
S141：使用多源数据融合方法和深度学习算法将多源矿山数据进行融合并进行存储。具体如下：通过多源数据融合方法和深度学习算法将获取的工程实体的地理空间数据以及设备数据、传感器数据、生产数据、环境数据及工人数据存储在云数据库中,并实现多源数据融合。通过迭代优化技术以及智能决策方法实现矿山生产系统实体与数字孪生体的实时交互及数据更新，从而构建得到数据模型。
S142：使用多目标迭代优化算法和智能决策方法，对初始数字孪生矿山生产系统与物理实体进行镜像和交互。具体结合图9所示系统可知，经过对初始数字孪生矿山生产系统与物理实体进行镜像和交互，能够完成对矿山物理实体的仿真和镜像，精确模拟和预测矿山信息。
S143：构建数据模型，采集初始数字孪生矿山生产系统的物理模型的多源矿山数据至数据模型。
通过建立矿山的数字孪生生产系统模型，提高效率、预测需求和优化资源分配；并以物理模型和逻辑模型为基础，实现矿山在孪生对象、孪生结构和孪生生产过程的可视化，从而将矿山实体转化为三维孪生体。
另外，作为一种优选的实施例，如图8所示，上述数字孪生矿山生产系统构建方法中，步骤S140：对初始数字孪生矿山生产系统的内部模型进行模型集成，得到最终数字孪生矿山生产系统的步骤，包括：
S144：对初始数字孪生矿山生产系统的仿真模型、物理模型、逻辑模型以及数据模型进行集成。
S145：通过多源矿山数据的数据驱动，以及集成后的初始数字孪生矿山生产系统与物理实体的实时交互，构建得到最终数字孪生矿山生产系统。
本申请实施例提供的技术方案，将优化后达到要求的仿真模型、物理模型、逻辑模型以及数据模型进行集成，通过数据驱动与实时交互实现最终的数字孪生矿山生产系统的构建。
数字孪生矿山生产系统包括仿真模型、物理模型、逻辑模型以及数据模型。不同类型的模型的集成通过数据传递、接口设计、模型耦合等方式实现，具体如下。
1.仿真模型和物理模型集成：将物理模型中的参数和初始条件输入到仿真模型中进行仿真。
2.逻辑模型和物理模型集成：将逻辑模型中的规则和约束条件应用到物理模型中进行分析和优化。
3.数据模型和物理模型集成：使用数据模型来获取实体系统的实时数据，并将这些数据输入到物理模型中进行模拟和分析。
综上，本申请提供的基于多源矿山数据的数字孪生矿山生产系统的构建方法，通过根据数字孪生技术结合多源矿山数据以及多源矿山数据之间关系，构建得到初始数字孪生矿山生产系统，能够将数字孪生技术运用到多源矿山生产系统构建上，实现矿山生产系统的智能管理、感知分析和仿真模拟；然后根据多目标迭代优化算法对该初始数字孪生矿山生产系统的内部模型的迭代优化，能够解决现有技术中缺乏针对数字孪生矿山生产系统的参数优化问题，同时保障该矿山生产系统的迭代优化和进化发展；同时根据预定性能验证算法对初始数字孪生矿山生产系统的内部模型进行性能验证，包括一致性和可靠性验证，能够保证该初始数字孪生矿山生产系统的参数和性能可靠，实现系统的可视化管理和精准模拟。在对该系统性能验证成功后，判断该初始数字孪生矿山生产系统是否满足多目标迭代优化算法的迭代优化条件，当满足时对该初始数字孪生矿山生产系统的内部模型进行模型集成，从而得到最终数字孪生矿山生产系统，能够通过虚拟场景实现对矿山实体的精准模拟和智能操作，实现数字化和智能化相结合，帮助矿山经营者优化生产，降低成本，提高安全性。通过上述方案，本申请能够解决现有技术中缺乏针对参数优化和模型收敛性判断的研究，具有较低自学习和自优化能力，缺乏可计算性和信息交互能力的问题。
另外，基于上述方法实施例的同一构思，本申请实施例还提供基于多源矿山数据的数字孪生矿山生产系统，用于实现本申请的上述方法，由于该系统实施例解决问题的原理与方法相似，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
图9所示实施例提供了一种数字孪生矿山生产系统的结构示意图。如图9所示，该数字孪生矿山生产系统包括物理模型、逻辑模型、仿真模型和数据模型，由物理模型、逻辑模型和仿真模型相互耦合及演化而成，并通过数字孪生实现虚拟空间与物理空间智能流域的映射重构、数据镜像、同步反馈与信息交互。数据模型包括感知层、网络层、数据层和表示层，其中，感知层用于获取相关参数，该相关参数包括矿山实体在三维动态优化中的结构参数、几何参数、状态参数及边界条件，网络层能够进行网络传输，为感知层和数据层提供通信接口:数据层用于矿山生产的数据的整合处理、迭代计算、数据孪生和存储管理，表示层能够提供信息交互服务，从而进行智能识别、精确定位和实时监控。所述数字孪生包括对象孪生、过程孪生和性能孪生。
另外，参见图10，图10为本申请实施例提供的一种基于多源矿山数据的数字孪生矿山生产系统的结构示意图。如图10所示，该基于多源矿山数据的数字孪生矿山生产系统，包括：
处理器1001、通信总线1002、通信模块1003、存储器1004及存储在存储器1004上并在处理器1001上运行的数字孪生矿山生产系统构建程序，数字孪生矿山生产系统构建程序被处理器执行时实现上述任一项实施例所述的数字孪生矿山生产系统构建方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于多源矿山数据的数字孪生矿山生产系统构建方法，其特征在于，包括：
获取矿山的多源矿山数据，根据数字孪生技术结合所述多源矿山数据及多源矿山数据之间关系，构建初始数字孪生矿山生产系统；
根据多目标迭代优化算法对所述初始数字孪生矿山生产系统的内部模型进行迭代优化，以及根据预定性能验证算法对所述初始数字孪生矿山生产系统的内部模型进行性能验证；
判断所述初始数字孪生矿山生产系统是否满足所述多目标迭代优化算法的迭代优化条件；
若所述初始数字孪生矿山生产系统满足所述迭代优化条件，则对所述初始数字孪生矿山生产系统的内部模型进行模型集成，得到最终数字孪生矿山生产系统。
2.根据权利要求1所述的数字孪生矿山生产系统构建方法，其特征在于，根据数字孪生技术结合所述多源矿山数据及多源矿山数据之间关系，构建初始数字孪生矿山生产系统的步骤，包括：
根据三维模型构建技术，使用所述多源矿山数据构建物理模型；
构建逻辑模型，将所述物理模型中的所述多源矿山数据映射至所述逻辑模型；
使用所述逻辑模型将所述多源矿山数据中各数据元素的属性关联关系反馈至所述物理模型；
根据建筑信息模型技术构建仿真模型，将所述物理模型中的所述多源矿山数据映射至所述仿真模型；
基于所述多源矿山数据，使用所述物理模型、逻辑模型和仿真模型，构建得到所述初始数字孪生矿山生产系统。
3.根据权利要求1或2所述的数字孪生矿山生产系统构建方法，其特征在于，所述根据多目标迭代优化算法对所述初始数字孪生矿山生产系统的内部模型进行迭代优化，以及根据预定性能验证算法对所述初始数字孪生矿山生产系统的内部模型进行性能验证的步骤，包括：
使用卡尔曼滤波算法对所述多源矿山数据进行数据融合；
使用融合后的多源矿山数据，根据所述多目标优化算法对所述初始数字孪生矿山生产系统的仿真模型进行迭代优化；
使用相关性分析及误差计算方法对所述初始数字孪生矿山生产系统的物理模型和仿真模型进行一致性和可靠性验证。
4.根据权利要求3所述的数字孪生矿山生产系统构建方法，其特征在于，所述使用卡尔曼滤波算法对所述多源矿山数据进行数据融合的步骤，包括：
使用所述多源矿山数据中的数据元素组成状态变量；
使用k-1时刻所述状态变量的最优值，根据预测状态方程：Xk/k-1＝FkXk-1/k-1+BkUk，预测k时刻的状态变量，其中，Xk/k-1为利用k-1时刻预测的当前状态结果，Xk-1/k-1为k-1时刻最优值，Fk为状态转移矩阵，Bk控制变量矩阵，Uk当前状态的控制增益；
使用k-1时刻所述状态变量的系统协方差矩阵，根据预测协方差方程：预测k时刻的系统协方差矩阵，其中，Pk/k-1为k时刻系统协方差矩阵，Pk-1/k-1为k-1时刻系统协方差矩阵，Qk为系统过程噪声协方差；
使用所述k时刻的系统协方差矩阵，根据卡尔曼增益方程：计算所述状态变量的卡尔曼增益，其中，Kg为卡尔曼增益，Hk为预测矩阵，Rk为测量噪声协方差；
使用所述状态变量的卡尔曼增益，根据最优值更新方程：Xk/k＝Xk/k-1+Kg(Zk-HkXk/k-1)，更新得到k时刻所述状态变量的最优估计值，其中，Xk/k时刻状态变量最优估计值，Zk传感器的测量矩阵。
5.根据权利要求3所述的数字孪生矿山生产系统构建方法，其特征在于，所述根据所述多目标优化算法对所述初始数字孪生矿山生产系统的仿真模型进行迭代优化的步骤，包括：
设置所述仿真模型的优化目标函数；
选取所述仿真模型的多个待优化变量，组成初始群体；
根据所述优化目标函数生成适应度计算公式，使用所述适应度计算公式评价所述初始群体中每个个体的适应度；
根据所述每个个体的适应度选取预定数量的待优化变量；
根据自适应杂交算法和自适应变异算法依次对所述预定数量的待优化变量进行杂交和变异处理，得到下一代群体；
对所述下一代群体执行多次进化迭代处理，得到当前群体；
根据所述优化目标函数，选取所述当前群体的最优个体作为所述仿真模型的优化结果。
6.根据权利要求5所述的数字孪生矿山生产系统构建方法，其特征在于，所述根据自适应杂交算法和自适应变异算法依次对所述预定数量的待优化变量进行杂交和变异处理，得到下一代群体的步骤，包括：
对所述预定数量的待优化变量，按照自适应杂交概率进行随机两两配对，得到两组子代个体；
选取所述两组子代个体中的任一组子代个体，按照自适应变异概率对所述任一祖子代个体进行变异，得到所述下一代群体。
7.根据权利要求3所述的数字孪生矿山生产系统构建方法，其特征在于，所述使用相关性分析及误差计算方法对所述初始数字孪生矿山生产系统的物理模型和仿真模型进行一致性和可靠性验证的步骤，包括：
使用所述仿真模型的优化结果，根据绝对误差方程：计算所述优化结果的绝对误差，其中，MAE为绝对误差，yk表示所述仿真模型的优化结果，/>表示所述优化结果的实测值；
根据收敛性指标函数：计算所述优化结果的收敛性指标，其中，r为收敛性指标，n表示获得的非劣解的个数，d为获得的第i个非劣解与已知真实非劣前沿或近似真实非劣前沿最短的欧式距离；
使用所述仿真模型的优化结果，根据均方根误差方程：计算所述优化结果的均方根误差，其中，RMSE为均方根误差；
使用所述仿真模型的优化结果，根据决定系数方程：计算所述仿真模型的决定系数，其中，R2为决定系数，N表示总容量。
8.根据权利要求1所述的数字孪生矿山生产系统构建方法，其特征在于，所述对所述初始数字孪生矿山生产系统的内部模型进行模型集成，得到最终数字孪生矿山生产系统的步骤，包括：
使用所述多源数据融合方法和深度学习算法将所述多源矿山数据进行融合并进行存储；
使用所述多目标迭代优化算法和智能决策方法，对所述初始数字孪生矿山生产系统与物理实体进行镜像和交互；
构建数据模型，采集所述初始数字孪生矿山生产系统的物理模型的多源矿山数据至所述数据模型。
9.根据权利要求8所述的数字孪生矿山生产系统构建方法，其特征在于，所述对所述初始数字孪生矿山生产系统的内部模型进行模型集成，得到最终数字孪生矿山生产系统的步骤，包括：
对所述初始数字孪生矿山生产系统的仿真模型、物理模型、逻辑模型以及所述数据模型进行集成；
通过所述多源矿山数据的数据驱动，以及集成后的所述初始数字孪生矿山生产系统与物理实体的实时交互，构建得到所述最终数字孪生矿山生产系统。
10.一种基于多源矿山数据的数字孪生矿山生产系统，其特征在于，包括：
存储器、处理器及存储在所述存储器上并在所述处理器上运行的数字孪生矿山生产系统构建程序，所述数字孪生矿山生产系统构建程序被所述处理器执行时实现如权利要求1至9中任一项所述的数字孪生矿山生产系统构建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310704681.9A CN116720438A (zh) | 2023-06-14 | 2023-06-14 | 基于多源矿山数据的数字孪生矿山生产系统及构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310704681.9A CN116720438A (zh) | 2023-06-14 | 2023-06-14 | 基于多源矿山数据的数字孪生矿山生产系统及构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116720438A true CN116720438A (zh) | 2023-09-08 |
Family
ID=87867519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310704681.9A Pending CN116720438A (zh) | 2023-06-14 | 2023-06-14 | 基于多源矿山数据的数字孪生矿山生产系统及构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116720438A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117807844A (zh) * | 2024-01-02 | 2024-04-02 | 中国恩菲工程技术有限公司 | 基于数字孪生的矿产资源管理方法及装置、介质、终端 |
| CN117807681A (zh) * | 2024-01-02 | 2024-04-02 | 中国恩菲工程技术有限公司 | 数字孪生矿山建模方法及装置、介质、设备 |
-
2023
- 2023-06-14 CN CN202310704681.9A patent/CN116720438A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117807844A (zh) * | 2024-01-02 | 2024-04-02 | 中国恩菲工程技术有限公司 | 基于数字孪生的矿产资源管理方法及装置、介质、终端 |
| CN117807681A (zh) * | 2024-01-02 | 2024-04-02 | 中国恩菲工程技术有限公司 | 数字孪生矿山建模方法及装置、介质、设备 |
| CN117807681B (zh) * | 2024-01-02 | 2024-05-17 | 中国恩菲工程技术有限公司 | 数字孪生矿山建模方法及装置、介质、设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210383041A1 (en) | In-situ thermodynamic model training | |
| CN116720438A (zh) | 基于多源矿山数据的数字孪生矿山生产系统及构建方法 | |
| Buragohain et al. | A novel approach for ANFIS modelling based on full factorial design | |
| CN113283095A (zh) | 一种进化式数字孪生流域构建方法 | |
| Di Filippo et al. | Generative Design for project optimization (S). | |
| CN112187554B (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
| CN112906282B (zh) | Sanger神经网络并行主元抽取的工作模态参数识别方法和系统 | |
| Thomison et al. | A model reification approach to fusing information from multifidelity information sources | |
| CN112561031A (zh) | 基于人工智能的模型搜索方法、装置及电子设备 | |
| Salmasnia et al. | A robust intelligent framework for multiple response statistical optimization problems based on artificial neural network and Taguchi method | |
| CN115935834A (zh) | 一种基于深度自回归网络和持续学习策略的历史拟合方法 | |
| CN111967087A (zh) | 基于神经网络的网联车辆决策控制模型建立及评估方法 | |
| CN115456044A (zh) | 一种基于知识图谱多集池化的装备健康状态评估方法 | |
| CN113239022A (zh) | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 | |
| CN112131794A (zh) | 基于lstm网络的水工建筑物多效应量优化预测及可视化方法 | |
| Li et al. | Dimensionally aware multi-objective genetic programming for automatic crowd behavior modeling | |
| Bagheri et al. | Modeling of epistemic uncertainty in reliability analysis of structures using a robust genetic algorithm | |
| dos Santos Coelho et al. | Nonlinear identification using a B-spline neural network and chaotic immune approaches | |
| JP2023544028A (ja) | 計算シミュレーションデータからの機械学習モデルの自動生成 | |
| Zhuang et al. | Active-learning-based nonintrusive model order reduction | |
| Liu et al. | Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method | |
| CN114331349B (zh) | 一种基于物联网技术的科研项目管理方法及系统 | |
| CN113065321B (zh) | 基于lstm模型和超图的用户行为预测方法及系统 | |
| Alpcan | Dual control with active learning using Gaussian process regression | |
| JP6950647B2 (ja) | データ判定装置、方法、及びプログラム |
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 |