CN117034493A - 一种装载机自主铲掘过程的数字孪生模型迭代演化方法 - Google Patents
一种装载机自主铲掘过程的数字孪生模型迭代演化方法 Download PDFInfo
- Publication number
- CN117034493A CN117034493A CN202311024291.3A CN202311024291A CN117034493A CN 117034493 A CN117034493 A CN 117034493A CN 202311024291 A CN202311024291 A CN 202311024291A CN 117034493 A CN117034493 A CN 117034493A
- Authority
- CN
- China
- Prior art keywords
- model
- shoveling
- loader
- virtual
- digital twin
- 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
- 238000000034 method Methods 0.000 title claims abstract description 131
- 230000008569 process Effects 0.000 title claims abstract description 67
- 239000000463 material Substances 0.000 claims abstract description 100
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000008878 coupling Effects 0.000 claims description 27
- 238000010168 coupling process Methods 0.000 claims description 27
- 238000005859 coupling reaction Methods 0.000 claims description 27
- 239000002689 soil Substances 0.000 claims description 22
- 239000004575 stone Substances 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000011217 control strategy Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000000059 patterning Methods 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000011158 quantitative evaluation Methods 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
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)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本发明公开了一种装载机自主铲掘过程的数字孪生模型迭代演化方法，包括：(1)对装载机铲掘对象的物料属性进行量化评估，并依据铲掘的作业难易程度值，将装载机自主铲掘过程的数字孪生模型库分为8级；(2)利用在役运行历史数据，构建装载机自主铲掘过程的某一等级的初始数字孪生模型，将该数字孪生模型分为虚拟铲掘运行模型与虚拟铲掘迭代模型，并存入模型库；(3)将虚拟铲掘运行模型应用于装载机自主铲掘作业中，进行铲掘轨迹仿真优化，并累积自主铲掘过程的在役运行数据，实时监测作业难易程度的变化情况。(4)根据作业难易程度的变化情况启动不同的迭代演化机制，对虚拟铲掘运行模型进行更新，实现数字孪生模型的迭代更新。
Description
技术领域
本发明涉及机械工程和计算机科学领域，特别涉及一种装载机自主铲掘过程的数字孪生模型迭代演化方法。
背景技术
装载机数字孪生虚拟模型是在虚拟空间中对物理实体进行仿真和模拟，并进行虚实信息交互反馈，从而达到监控、预测、优化等效用。由于实际装载机在运行过程中是动态变化的，虽然经过了多次验证和调整，但仍存在与真实系统之间的差异和误差，在装载机铲掘过程这种复杂场景下更容易突出。因此要求数字孪生模型随着真实系统不断地进行迭代演化，进行更新，以保持其有效性和准确性。
在实际装载机作业场景中根据任务需要往往存在需要铲掘多种不同的物料。不同的物料有着不同的属性，所以实际装载机对不同的物料进行铲掘时难易程度也不同，
考虑到基于数字孪生数据驱动模型的仿真作业阻力残差补偿存在一定局限性，往往存在模型设定问题，即数据驱动补偿作业阻力残差模型通常是在某些特定的环境或条件下进行训练或测试，并且该环境或条件下的与作业阻力残差相关的变量和参数具有固定值或范围，这可能会导致在实际应用过程中无法充分考虑其他可变因素的影响，如装载场地的多样性、物料种类、作业方式等。此外，由于对于不同作业难度等级数字孪生模型的迭代需求，通过数据驱动方法，如果缺乏大量的准确数据，进而会导致验证和建立相应的新虚拟系统难度加大。如果要针对不同作业难易程度等级的数字孪生模型进行迭代，则需要添加新的特性和功能，利用全局环境来校准和控制不同条件下的物理行为，从而使仿真输出更加可靠。
发明内容
本发明提出一种装载机自主铲掘过程的数字孪生模型迭代演化方法，基于数字孪生虚拟模型在与装载机实机实际自主铲掘作业模型进行虚实交互、反馈，实现模型的实时动态演化更新，既保证了模型的实时性、有效性以及准确性，又维持了孪生系统的稳定运行。
本发明采用如下技术方案：
一种装载机自主铲掘过程的数字孪生模型迭代演化方法，包括：
步骤1，对装载机铲掘对象的物料属性进行量化评估，并评估铲掘的作业难易程度值，根据作业难易程度值的大小，再将装载机自主铲掘过程的数字孪生模型库分为8级；
步骤2，利用实际装载机在役运行历史数据，构建装载机自主铲掘过程的某一等级的初始数字孪生模型，分为虚拟铲掘运行模型与虚拟铲掘迭代模型，并存入模型库；
步骤3，将虚拟铲掘运行模型应用于装载机自主铲掘作业中，进行铲掘轨迹仿真优化，并累积自主铲掘过程的在役运行数据，实时监测作业难易程度的变化情况；
步骤4，根据作业难易程度的变化情况启动不同的迭代演化机制，对虚拟铲掘运行模型进行更新；若判定难度等级未变化直接使用虚拟铲掘迭代模型对虚拟铲掘运行模型进行替换，否则通过参数辨识方法对新等级模型进行辨识后与虚拟铲掘迭代模型进行对比，并对虚拟铲掘运行模型进行替换，实现数字孪生模型的迭代更新。
优选的，所述步骤1中，对装载机铲掘对象的物料属性进行量化评估，并评估铲掘的作业难易程度值，具体包括：
步骤1.1，进行常见作业对象物料属性的评估；其中，实际装载机进行作业时常见的作业对象的物料属性包括密度、粒度、湿度和黏性；
步骤1.2，确定采样方法；根据物料的特性和要求，通过采样器采取土样或者使用传感器直接测量；
步骤1.3，对物料样本进行采集并测试，以获取物料属性的量化数据；
步骤1.4，对量化数据进行处理和分析；对物料属性的量化数据进行统计和分析，形成物料属性的数值描述；
步骤1.5，根据所测试得到的具体物料属性参数，通过作业阻力来表示不同属性的物料在铲掘时不同的铲掘难度，根据阻力值，判断判断难易程度，并按难易程度将物料分别归类到松软土、普通土、竖土、砂砾紧土、软石、次坚石、坚石、特坚石8个级别当中，并设定对应8种不同的作业难易程度值。
优选的，所述步骤1中，根据作业难易程度值的大小，再将装载机自主铲掘过程的数字孪生模型库分为8级，具体包括：
步骤1.6，在Mworks中构建装载机Modelica机械模型，同时将所建立的数字模型其图形化并开放必须的接口，进行拖拽式系统级建模，从而实现耦合模型的机械端构建；
确定液压动力元件参数，开放所建立各部件的对应参数输入接口，进而完成液压系统参数设置，依据上述机械模型的接口信息，进行拖拽式系统级建模，从而完成液压端模型的构建；
再根据上述所构建的液压端系统液压端耦合模型进行稳定性分析，进行控制系统各部件建模，之后以拖拽式系统级建模对控制系统进行构建，完成控制端系统的设计；最终将结合上述流程整合，构建出完整的装载机机-电-液耦合模型；
步骤1.7，建立物料模型；利用所获得的物料属性数据和作业地形参数，根据不同的铲装物料特性参数和作业地形参数，基于离散元理论，通过Modelica语言构建目标铲装物料模型并留出其与装载机机械模型的相应接口，进而构建铲斗结构动力学模型与铲斗-物料的相互作用模型，通过数学模型来描述物料属性的变化规律，进而构建出物料模型库；建立与实际情况对应的物料模型库后，根据作业难易程度识别方法的判定结果对所建立的物料模型库设置不同的难易程度级别；
步骤1.8，基于上述构建物料模型库，根据物料的不同，进行对应的图形化拖拽式建模，对应实际的作业情况，进行机、电、液、负载-环境耦合模型融合，针对不同的铲掘物料设置不同的机-电-液耦合模型参数，分别构建形成8个不同作业难度等级的装载机数字孪生模型库。
优选的，所述步骤2，具体包括：
步骤2.1，基于装载机自主铲掘作业中产生的在役运行数据，将所构建的机、电、液、负载-环境耦合模型作为装载机自主铲掘过程数字孪生模型迭代演化过程的虚拟铲掘迭代模型；针对特定的问题或工况来确定所需的信息和数据，根据需要选择数据来源或手动设定参数，进而优化虚拟铲掘迭代模型并确定最佳控制策略；
步骤2.2，将虚拟铲掘迭代模型复制，建立数字孪生虚拟铲掘运行模型，并将传感器和其他外部来源读取在役运行数据，用于实时补充模型，利用实际数据输入到虚拟铲掘运行模型中进行实时更新；
步骤2.3，基于实时输入的装载机自主铲掘作业中产生的在役数据，根据当前情况调整对应级别的装载机虚拟铲掘迭代模型，作为虚拟铲掘运行模型的参照对比，虚拟铲掘迭代模型利用机器学习算法进行不断地参数调优直到符合当前铲装物料的类型，从而检测虚拟铲掘运行模型是否由于外部环境作业难度已经发生了变化；比较之后如果发生两者参数明显不一致，则将虚拟铲掘运行模型由现有已经调节好参数的能够适应当前等级物料的虚拟铲掘迭代模型替代；
步骤2.4，将重新产生的虚拟铲掘运行模型用来对实际装载机的运行状态进行预测和分析，并优化控制策略反馈控制决策，对装载机实际铲掘进行控制；
步骤2.5，基于在役数据的不断输入，不断重复步骤2.3至步骤2.4。
优选的，所述步骤3，具体包括：
步骤3.1，装载机作业为循环作业，面对不同的铲掘物料和循环作业形式对应着不同的工况；根据装载机实际作业过程当中前几轮自主铲掘过程获取的在役运行数据，对其进行作业阶段的划分，包括空载前进、铲装、满载后退、满载前进卸料和空载后退5个作业阶段；
步骤3.2，根据对装载机作业阶段识别结果，构建预测模型，进而对铲掘物料的阻力值进行预测，识别并评估出当前作业的难易程度值，并根据作业难易程度值选择合适的铲掘方式；铲掘方式包括一次铲掘式、分段铲掘式和切片铲掘式；
步骤3.3，在选择当前工况下的最适合铲掘方式之后，结合当前料堆三维信息和装载机几何结构信息，利用改进的路径规划算法，生成多条优选的铲掘轨迹；
步骤3.4，利用铲掘轨迹生成装载机的控制变量，并以满斗率、能耗和效率为优化目标，根据不同作业等级的数字孪生模型库，分别构建基于粒子群算法与不同作业等级的数字孪生模型的装载机铲掘轨迹优化模型，分别输出不同物料对应的装载机满斗铲掘最优轨迹。
优选的，步骤4中，根据作业难易程度的变化情况启动不同的迭代演化机制，具体包括：
如果作业难易程度等级未变化，则隔一段时间利用历史数据更新虚拟铲掘迭代模型，再对比虚拟铲掘运行模型与虚拟铲掘迭代模型，假若参数出现较大差异，则对虚拟铲掘运行模型进行更新，实现数字孪生模型的迭代更新；
如果作业难易程度等级发生变化，则累积一段时间的新等级在役运行历史数据后，利用基于模糊控制的带遗忘因子的递推最小二乘法对数字孪生模型进行参数辨识，进而构建新等级的数字孪生模型，实现数字孪生模型的迭代演化；如果新等级数字孪生模型存在，则将新模型与该等级原有虚拟铲掘迭代模型参数进行对比，再决定是否更新替代。
优选的，通过参数辨识对数字孪生模型进行迭代更新，具体包括：
步骤4.1，深入分析装载机自主铲掘过程的数字孪生机理模型在不同作业难易程度等级下的参数特性，利用不同作业难易程度等级的历史在役运行数据分析提取耦合模型的系统参数，作为数字孪生机理模型的辨识参数；
步骤4.2，利用新获取的在役运行数据与基于模糊控制的带遗忘因子的递推最小二乘法进行参数辨识，进而实现对数字孪生机理模型的迭代演化；
新获取的在役运行数据包括装载机各个传感器采集到的环境信息和装载机状态信息；各个传感器采集的信息作为参数辨识算法的输入[x1…xn]，其中n为输入传感器变量的个数；为装载机系统待辨识的系统参数，其中m为装载机系统待辨识的系统参数的个数；y为输出，即为装载机自主铲掘轨迹实际观测值；
将数据分为多个组，进一步：
其中，表示装载机上n个传感器获取的第i组数据，其作为输入观测值，令/>yk表示第k组数据输出的装载机自主铲掘轨迹实际观测值；
此后，令有最小二乘法的解：
其中表示利用k组数据估计出来的系统参数；/>即为Φk的转置[φ1…φk]；
递推最小二乘法是在系统运行过程中，每测量一组新数据，就通过递推公式修正旧参数预测值来获得新参数估计值，令递推最小二乘法总结方程如下：
其中，表示利用k-1组数据估计出来的系统参数；/>即为利用k-1组数据获得的协方差矩阵；Pk为利用k组数据获得的协方差矩阵；I为单位矩阵；利用k组数据获得的实际观测值yk减去利用k-1组数据估计的系统参数预测值/>与装载机阿上n个传感器获得的第k组数据/>乘积，获得预测误差/>当前增益因子Kk与预测误差相乘获得当前修正值/>最后与/>相加，获得当前参数最优估计值Pk在系统运行过程中不断更新，使参数收敛；
在递推最小二乘法辨识算法中，Pk随着递推的进行逐渐趋于零，最终算法将对参数失去修正能力；引入遗忘因子λ减弱旧数据的作用而增强新数据的作用，带遗忘因子的递推最小二乘法方程总结如下：
利用模糊控制器自适应改变遗忘因子，在参数发生变化的时候调小遗忘因子；当参数稳定不变时调大遗忘因子，具体步骤如下：
(a)确定控制系统的输入为新旧参数估计值残差e和输出为变量遗忘因子u，两者关系为：输入e越大u越小，输入e越小u越大；遗忘因子λ取值范围为[0 1]；输出u越大遗忘因子λ越大；输出u越小遗忘因子λ越小；
(b)设计模糊化过程，将输入变量从实际值转换为模糊值；
(c)设计模糊推理机制，建立模糊规则表，通过规则库中的模糊规则将模糊输入映射到模糊输出；
(d)反模糊化使用最大隶属度法，将模糊输出转换为实际值；
(e)实现和调试模糊控制系统，并进行性能测试和优化；
步骤4.3，将迭代演化后的数字孪生模型与原等级下的虚拟铲掘迭代模型进行对比，如果模型差异性较大，则进行虚拟铲掘运行模型与虚拟铲掘迭代模型的更新替换，否则不进行迭代更新。
与现有技术相比，本发明的有益效果如下：
本发明一种装载机自主铲掘过程的数字孪生模型迭代演化方法，基于系统辨识的方法可以不断根据实际数据更新模型参数，并对模型进行在线验证和调整，以应对复杂多变的工况要求，提高模型自适应性。通过对现场实验数据的统计和分析，可以得到较精确的装载机铲掘物料动态模型，并且能够得到更好的模拟和预测模型，进而提高模型仿真和控制的精度和可靠性。数字孪生模型带来反馈路线，可以在实际应用中建立一个反馈环路，通过将实际运行的数据反馈回数字孪生模型，可以迭代地优化和反馈调试控制策略。最终实现了数字孪生虚拟模型在与装载机实机实际自主铲掘作业进行虚实交互、反馈，实现模型的实时动态演化更新，保证了模型实时性、有效性以及准确性的同时，又维持了孪生系统的稳定运行，对装载机的自主化、智能化、无人化发展具有重要意义。
附图说明
图1为本发明实施例的装载机自主铲掘过程的数字孪生模型迭代演化方法的流程图；
图2为本发明实施例的装载机自主铲掘过程的数字孪生模型迭代演化方法的技术路线图；
图3为本发明实施例的装载机自主铲掘过程的数字孪生模型辨识的技术路线图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
参见图1所示，本实施例一种装载机自主铲掘过程的数字孪生模型迭代演化方法，包括：
步骤1，对装载机铲掘对象的物料属性进行量化评估。在土方工程施工中，根据土体开挖的难易程度一般将土分为：松软土、普通土、坚土、砂砾坚土、软石、次坚石、坚石、特坚石8类。通过作业阻力来表示不同属性的物料在铲掘时不同的铲掘难度，根据阻力值，判断物料难易程度，评估当前铲掘物料的作业难易程度值，根据作业难易程度值的大小将物料分别归类到上述8个类当中，再将装载机自主铲掘过程的数字孪生模型库分为8级；
步骤2，利用实际装载机在役运行历史数据，构建装载机自主铲掘过程的某一等级的初始数字孪生模型，分为虚拟铲掘运行模型与虚拟铲掘迭代模型，并存入模型库；
步骤3，将虚拟铲掘运行模型应用于装载机自主铲掘作业中，进行铲掘轨迹仿真优化，并累积自主铲掘过程的在役运行数据，实时监测作业难易程度的变化情况；
步骤4，根据作业难易程度的变化情况启动不同的迭代演化机制，对虚拟铲掘运行模型进行更新；若判定难度等级未变化直接使用虚拟铲掘迭代模型对虚拟铲掘运行模型进行替换，否则通过参数辨识方法对新等级模型进行辨识后与虚拟铲掘迭代模型进行对比，并对虚拟铲掘运行模型进行替换，实现数字孪生模型的迭代更新。
具体的，参见图2所示，为本发明提供的装载机自主铲掘过程的数字孪生模型迭代演化方法的技术路线图，具体步骤如下。
(1)对常见作业对象物料属性的评估。选取实际装载机进行作业时较为常见的作业对象：松散土、细沙、碎砂石、碎矿石、原生土、铁矿石等物料。通常测量物料属性有：物料的密度、粒度、湿度、黏性等。
(2)根据物料的特性和要求，选择合适的采样方法，通过采样器采取土样或者使用传感器直接测量。
(3)对(1)中铲掘常见的物料类型进行实验室测试。在实验室中对上述常见物料样本进行采集并测试，如密度测试、颗粒分析等，以获取物料属性的量化数据。
(4)对所测的物料属性数据进行处理和分析。根据实验室测试结果，对物料属性进行统计和分析，如计算平均值、标准差、最大值等，进而形成物料属性的数值描述。
(5)同时，根据所测试得到的具体物料属性参数，通过作业阻力来表示不同属性的物料在铲掘时不同的铲掘难度，根据阻力值，判断物料难易程度，按难易程度将物料分别归类到松软土、普通土、竖土、砂砾紧土、软石、次坚石、坚石、特坚石8个级别当中，并设定对应8种不同的作业难易程度值。
(6)建立物料模型。利用所获得的物料属性数据、作业地形参数等，以机-电-液耦合模型同样方式构建目标铲装物料模型库，通过数学模型来描述物料属性的变化规律。建立与实际情况对应的物料模型库，根据作业难易程度识别方法进行阻力值大小判定，从而对所建立的物料模型库中对应设置不同的难易程度级别。
(7)并根据物料的不同，在数字孪生模型进行对应的图形化组件进行拖拽式建模，对应实际的作业情况，进行机、电、液、负载-环境耦合模型融合。同时，进行不同级别难度的物料与机、电、液耦合模型的融合，并针对不同的铲掘物料设置不同的机、电、液耦合模型参数，分别形成8个不同作业难度等级的装载机数字孪生模型库。
(8)基于装载机自主铲掘作业中产生的在役运行数据，将所构建的机、电、液、负载-环境耦合模型作为虚拟铲掘迭代模型。主要针对特定的问题或工况来确定所需的信息和数据，开发时可以根据需要选择数据来源或手动设定参数，用于开发和调试的模型，用来学习装载机系统的行为和性能，进而优化模型并确定最佳控制策略。
(9)同时将(8)虚拟模型复制，建立数字孪生虚拟铲掘运行模型，并将传感器和其他外部来源读取在役运行数据，用于实时补充模型，利用实际数据输入到虚拟铲掘运行模型中保证实时更新。
(10)基于在役数据调整对应级别的装载机虚拟铲掘迭代模型，作为虚拟铲掘运行模型的参照对比，虚拟铲掘迭代模型利用机器学习算法进行不断地参数调优直到符合当前铲装物料的类型，从而检测虚拟铲掘运行模型是否由于外部环境作业难度已经发生了变化。比较之后如果发生两者参数明显不一致，则将虚拟铲掘运行模型由现有已经调节好参数的能够适应当前等级物料的虚拟铲掘迭代模型替代。
(11)将重新产生的虚拟铲掘运行模型用来对实际装载机的运行状态进行预测和分析，并优化控制策略反馈控制决策，控制实际装载机铲掘。
(12)基于在役数据的不断输入，不断重复(10)-(11)过程。
参见图3所示，为本发明提供的装载机自主铲掘过程的数字孪生模型辨识的技术路线图，具体步骤如下。
(1)在Mworks中构建装载机Modelica机械模型，同时将所建立的数字模型其图形化并开放必须的接口，进行拖拽式系统级建模，从而实现耦合模型的机械端构建。
确定液压动力元件参数，开放所建立各部件的对应参数输入接口，进而完成液压系统参数设置。依据上述机械模型的接口信息，进行拖拽式系统级建模，从而完成液压端模型的构建。
根据上述所建立的液压端系统数字模型进行稳定性分析，之后以拖拽式系统级建模对控制系统进行构建。最终将结合上述流程整合，构建出完整的装载机机、电、液耦合模型。
(2)并根据物料的不同，在数字孪生模型进行对应的图形化组件进行拖拽式建模，对应实际的作业情况，进行机、电、液、负载-环境耦合模型融合。同时，与图2中8个不同等级的物料进行不同级别难度的物料与机、电、液耦合模型的融合，并针对不同的铲掘物料设置不同的机、电、液耦合模型参数，分别形成8个不同作业难度等级的装载机数字孪生模型库。
(3)深入分析装载机自主铲掘过程的数字孪生机理模型在不同作业难易程度等级下机械-液压-控制-负载-环境耦合模型的参数特性，利用不同作业难易程度等级的在役运行历史数据分析提取耦合模型的质量、弹簧、阻尼等系统参数，作为数字孪生机理模型的辨识参数；
(4)如果作业难易程度等级发生变化，则累积一段时间的新等级在役运行历史数据后，利用基于模糊控制的带遗忘因子的递推最小二乘法C进行参数辨识系统对数字孪生模型参数辨识。
(a)深入分析装载机自主铲掘过程的数字孪生机理模型在不同作业难易程度等级下的参数特性，利用不同作业难易程度等级的历史在役运行数据分析提取耦合模型的系统参数，作为数字孪生机理模型的辨识参数；
(b)利用新获取的在役运行数据与基于模糊控制的带遗忘因子的递推最小二乘法进行参数辨识，进而实现对数字孪生机理模型的迭代演化；
新获取的在役运行数据包括装载机各个传感器采集到的环境信息和装载机状态信息；各个传感器采集的信息作为参数辨识算法的输入[x1…xn]，其中n为输入传感器变量的个数；为装载机系统待辨识的系统参数，其中m为装载机系统待辨识的系统参数的个数；y为输出，即为装载机自主铲掘轨迹实际观测值；
将数据分为多个组，进一步：
其中，表示装载机上n个传感器获取的第i组数据，其作为输入观测值，令/>yk表示第k组数据输出的装载机自主铲掘轨迹实际观测值；
此后，令有最小二乘法的解：
其中表示利用k组数据估计出来的系统参数；/>即为Φk的转置[φ1…φk]；
递推最小二乘法是在系统运行过程中，每测量一组新数据，就通过递推公式修正旧参数预测值来获得新参数估计值，令递推最小二乘法总结方程如下：
其中，表示利用k-1组数据估计出来的系统参数；/>即为利用k-1组数据获得的协方差矩阵；Pk为利用k组数据获得的协方差矩阵；I为单位矩阵；利用k组数据获得的实际观测值yk减去利用k-1组数据估计的系统参数预测值/>与装载机阿上n个传感器获得的第k组数据/>乘积，获得预测误差/>当前增益因子Kk与预测误差相乘获得当前修正值/>最后与/>相加，获得当前参数最优估计值Pk在系统运行过程中不断更新，使参数收敛；
在递推最小二乘法辨识算法中，Pk随着递推的进行逐渐趋于零，最终算法将对参数失去修正能力；引入遗忘因子λ减弱旧数据的作用而增强新数据的作用，带遗忘因子的递推最小二乘法方程总结如下：
利用模糊控制器自适应改变遗忘因子，在参数发生变化的时候调小遗忘因子；当参数稳定不变时调大遗忘因子。
(5)确定控制系统的输入为新旧参数估计值残差e和输出为变量遗忘因子u，两者关系为：当输入e越大则u越小，当输入e越小u越大.此外，遗忘因子λ取值范围为[0 1]。当输出u越大遗忘因子λ越大；当输出u越小遗忘因子λ越小。
(6)设计模糊化过程，将输入变量从实际值转换为模糊值。这可以通过使用模糊集合、隶属度函数等方式来完成。
(7)设计模糊推理机制，建立模糊规则表，通过规则库中的模糊规则将模糊输入映射到模糊输出。
(8)反模糊化使用最大隶属度法，将模糊输出转换为实际值。
(9)实现和调试模糊控制系统，并进行性能测试和优化，进而构建新等级的数字孪生模型。
(10)如果新等级数字孪生模型存在，则将新模型与该等级原有虚拟铲掘迭代模型参数进行对比，再决定是否更新替代。
根据本发明的另一方面，本实施例一种装载机自主铲掘过程的数字孪生模型迭代演化系统，包括：
数字孪生模型库构建模块，用于对装载机铲掘对象的物料属性进行量化评估，并评估铲掘的作业难易程度值，根据作业难易程度值的大小，再将装载机自主铲掘过程的数字孪生模型库分为8级；
数字孪生模型构建模块，用于利用实际装载机在役运行历史数据，构建装载机自主铲掘过程的某一等级的初始数字孪生模型，分为虚拟铲掘运行模型与虚拟铲掘迭代模型，并存入模型库；
作业难易监测模块，用于将虚拟铲掘运行模型应用于装载机自主铲掘作业中，进行铲掘轨迹仿真优化，并累积自主铲掘过程的在役运行数据，实时监测作业难易程度的变化情况；
模型迭代更新模块，用于根据作业难易程度的变化情况启动不同的迭代演化机制，对虚拟铲掘运行模型进行更新；若判定难度等级未变化直接使用虚拟铲掘迭代模型对虚拟铲掘运行模型进行替换，否则通过参数辨识方法对新等级模型进行辨识后与虚拟铲掘迭代模型进行对比，并对虚拟铲掘运行模型进行替换，实现数字孪生模型的迭代更新。
本实施例一种装载机自主铲掘过程的数字孪生模型迭代演化系统的具体实现同一种装载机自主铲掘过程的数字孪生模型迭代演化方法，本实施例不再重复说明。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
Claims (7)
1.一种装载机自主铲掘过程的数字孪生模型迭代演化方法，其特征在于，包括：
步骤1，对装载机铲掘对象的物料属性进行量化评估，并评估铲掘的作业难易程度值，根据作业难易程度值的大小，再将装载机自主铲掘过程的数字孪生模型库分为8级；
步骤2，利用实际装载机在役运行历史数据，构建装载机自主铲掘过程的某一等级的初始数字孪生模型，将该数字孪生模型分为虚拟铲掘运行模型与虚拟铲掘迭代模型，并存入模型库；
步骤3，将虚拟铲掘运行模型应用于装载机自主铲掘作业中，进行铲掘轨迹仿真优化，并累积自主铲掘过程的在役运行数据，实时监测作业难易程度的变化情况；
步骤4，根据作业难易程度的变化情况启动不同的迭代演化机制，对虚拟铲掘运行模型进行更新；若判定难度等级未变化直接使用虚拟铲掘迭代模型对虚拟铲掘运行模型进行替换，否则通过参数辨识方法对新等级模型进行辨识后与虚拟铲掘迭代模型进行对比，并对虚拟铲掘运行模型进行替换，实现数字孪生模型的迭代更新。
2.根据权利要求1所述的装载机自主铲掘过程的数字孪生模型迭代演化方法，其特征在于，所述步骤1中，对装载机铲掘对象的物料属性进行量化评估，并评估铲掘的作业难易程度值，具体包括：
步骤1.1，进行常见作业对象物料属性的评估；其中，实际装载机进行作业时常见的作业对象的物料属性包括密度、粒度、湿度和黏性；
步骤1.2，确定采样方法；根据物料的特性和要求，通过采样器采取土样或者使用传感器直接测量；
步骤1.3，对物料样本进行采集并测试，以获取物料属性的量化数据；
步骤1.4，对量化数据进行处理和分析；对物料属性的量化数据进行统计和分析，形成物料属性的数值描述；
步骤1.5，根据所测试得到的具体物料属性参数，通过作业阻力来表示不同属性的物料在铲掘时不同的铲掘难度，根据阻力值，判断判断难易程度，并按难易程度将物料分别归类到松软土、普通土、竖土、砂砾紧土、软石、次坚石、坚石、特坚石8个级别当中，并设定对应8种不同的作业难易程度值。
3.根据权利要求2所述的装载机自主铲掘过程的数字孪生模型迭代演化方法，其特征在于，所述步骤1中，根据作业难易程度值的大小，再将装载机自主铲掘过程的数字孪生模型库分为8级，具体包括：
步骤1.6，在Mworks中构建装载机Modelica机械模型，同时将所建立的数字模型其图形化并开放必须的接口，进行拖拽式系统级建模，从而实现耦合模型的机械端构建；
确定液压动力元件参数，开放所建立各部件的对应参数输入接口，进而完成液压系统参数设置，依据上述机械模型的接口信息，进行拖拽式系统级建模，从而完成液压端模型的构建；
再根据上述所构建的液压端系统液压端耦合模型进行稳定性分析，进行控制系统各部件建模，之后以拖拽式系统级建模对控制系统进行构建，完成控制端系统的设计；最终将结合上述流程整合，构建出完整的装载机机-电-液耦合模型；
步骤1.7，建立物料模型；利用所获得的物料属性数据和作业地形参数，根据不同的铲装物料特性参数和作业地形参数，基于离散元理论，通过Modelica语言构建目标铲装物料模型并留出其与装载机机械模型的相应接口，进而构建铲斗结构动力学模型与铲斗-物料的相互作用模型，通过数学模型来描述物料属性的变化规律，进而构建出物料模型库；建立与实际情况对应的物料模型库后，根据作业难易程度识别方法的判定结果对所建立的物料模型库设置不同的难易程度级别；
步骤1.8，基于上述构建物料模型库，根据物料的不同，进行对应的图形化拖拽式建模，对应实际的作业情况，进行机、电、液、负载-环境耦合模型融合，针对不同的铲掘物料设置不同的机-电-液耦合模型参数，分别构建形成8个不同作业难度等级的装载机数字孪生模型库。
4.根据权利要求3所述的装载机自主铲掘过程的数字孪生模型迭代演化方法，其特征在于，所述步骤2，具体包括：
步骤2.1，基于装载机自主铲掘作业中产生的在役运行数据，将所构建的机、电、液、负载-环境耦合模型作为装载机自主铲掘过程数字孪生模型迭代演化过程的虚拟铲掘迭代模型；针对特定的工况来确定所需的信息和数据，根据需要选择数据来源或手动设定参数，进而优化虚拟铲掘迭代模型并确定最佳控制策略；
步骤2.2，将虚拟铲掘迭代模型复制，建立数字孪生虚拟铲掘运行模型，并将传感器和其他外部来源读取在役运行数据，用于实时补充模型，利用实际数据输入到虚拟铲掘运行模型中进行实时更新；
步骤2.3，基于实时输入的装载机自主铲掘作业中产生的在役数据，根据当前情况调整对应级别的装载机虚拟铲掘迭代模型，作为虚拟铲掘运行模型的参照对比，虚拟铲掘迭代模型利用机器学习算法进行不断地参数调优直到符合当前铲装物料的类型，从而检测虚拟铲掘运行模型是否由于外部环境作业难度已经发生了变化；比较之后如果发生两者参数明显不一致，则将虚拟铲掘运行模型由现有已经调节好参数的能够适应当前等级物料的虚拟铲掘迭代模型替代；
步骤2.4，将重新产生的虚拟铲掘运行模型用来对实际装载机的运行状态进行预测和分析，并优化控制策略反馈控制决策，对装载机实际铲掘进行控制；
步骤2.5，基于在役数据的不断输入，不断重复步骤2.3至步骤2.4。
5.根据权利要求4所述的装载机自主铲掘过程的数字孪生模型迭代演化方法，其特征在于，所述步骤3，具体包括：
步骤3.1，装载机作业为循环作业，面对不同的铲掘物料和循环作业形式对应着不同的工况；根据装载机实际作业过程当中前几轮自主铲掘过程获取的在役运行数据，对其进行作业阶段的划分，包括空载前进、铲装、满载后退、满载前进卸料和空载后退5个作业阶段；
步骤3.2，根据对装载机作业阶段识别结果，构建预测模型，进而对铲掘物料的阻力值进行预测，识别并评估出当前作业的难易程度值，并根据作业难易程度值选择合适的铲掘方式；铲掘方式包括一次铲掘式、分段铲掘式和切片铲掘式；
步骤3.3，在选择当前工况下的最适合铲掘方式之后，结合当前料堆三维信息和装载机几何结构信息，利用改进的路径规划算法，生成多条优选的铲掘轨迹；
步骤3.4，利用铲掘轨迹生成装载机的控制变量，并以满斗率、能耗和效率为优化目标，根据不同作业等级的数字孪生模型库，分别构建基于粒子群算法与不同作业等级的数字孪生模型的装载机铲掘轨迹优化模型，分别输出不同物料对应的装载机满斗铲掘最优轨迹。
6.根据权利要求5所述的装载机自主铲掘过程的数字孪生模型迭代演化方法，其特征在于，步骤4中，根据作业难易程度的变化情况启动不同的迭代演化机制，具体包括：
如果作业难易程度等级未变化，则隔一段时间利用历史数据更新虚拟铲掘迭代模型，再对比虚拟铲掘运行模型与虚拟铲掘迭代模型，假若参数出现较大差异，则对虚拟铲掘运行模型进行更新，实现数字孪生模型的迭代更新；
如果作业难易程度等级发生变化，则累积一段时间的新等级在役运行历史数据后，利用基于模糊控制的带遗忘因子的递推最小二乘法对数字孪生模型进行参数辨识，进而构建新等级的数字孪生模型，实现数字孪生模型的迭代演化；如果新等级数字孪生模型存在，则将新模型与该等级原有虚拟铲掘迭代模型参数进行对比，再决定是否更新替代。
7.根据权利要求6所述的装载机自主铲掘过程的数字孪生模型迭代演化方法，其特征在于，通过参数辨识对数字孪生模型进行迭代更新，具体包括：
步骤4.1，深入分析装载机自主铲掘过程的数字孪生机理模型在不同作业难易程度等级下的参数特性，利用不同作业难易程度等级的历史在役运行数据分析提取耦合模型的系统参数，作为数字孪生机理模型的辨识参数；
步骤4.2，利用新获取的在役运行数据与基于模糊控制的带遗忘因子的递推最小二乘法进行参数辨识，进而实现对数字孪生机理模型的迭代演化；
新获取的在役运行数据包括装载机各个传感器采集到的环境信息和装载机状态信息；各个传感器采集的信息作为参数辨识算法的输入[x1…xn]，其中n为输入传感器变量的个数；为装载机系统待辨识的系统参数，其中m为装载机系统待辨识的系统参数的个数；y为输出，即为装载机自主铲掘轨迹实际观测值；
将数据分为多个组，进一步：
其中，表示装载机上n个传感器获取的第i组数据，其作为输入观测值，令/>yk表示第k组数据输出的装载机自主铲掘轨迹实际观测值；
此后，令有最小二乘法的解：
其中表示利用k组数据估计出来的系统参数；/>即为Φk的转置[φ1…φk]；
递推最小二乘法是在系统运行过程中，每测量一组新数据，就通过递推公式修正旧参数预测值来获得新参数估计值，令递推最小二乘法总结方程如下：
其中，表示利用k-1组数据估计出来的系统参数；/>即为利用k-1组数据获得的协方差矩阵；Pk为利用k组数据获得的协方差矩阵；I为单位矩阵；利用k组数据获得的实际观测值yk减去利用k-1组数据估计的系统参数预测值/>与装载机阿上n个传感器获得的第k组数据/>乘积，获得预测误差/>当前增益因子Kk与预测误差相乘获得当前修正值/>最后与/>相加，获得当前参数最优估计值/>Pk在系统运行过程中不断更新，使参数收敛；
在递推最小二乘法辨识算法中，Pk随着递推的进行逐渐趋于零，最终算法将对参数失去修正能力；引入遗忘因子λ减弱旧数据的作用而增强新数据的作用，带遗忘因子的递推最小二乘法方程总结如下：
利用模糊控制器自适应改变遗忘因子，在参数发生变化的时候调小遗忘因子；当参数稳定不变时调大遗忘因子，具体步骤如下：
(a)确定控制系统的输入为新旧参数估计值残差e和输出为变量遗忘因子u，两者关系为：输入e越大u越小，输入e越小u越大；遗忘因子λ取值范围为[0 1]；输出u越大遗忘因子λ越大；输出u越小遗忘因子λ越小；
(b)设计模糊化过程，将输入变量从实际值转换为模糊值；
(c)设计模糊推理机制，建立模糊规则表，通过规则库中的模糊规则将模糊输入映射到模糊输出；
(d)反模糊化使用最大隶属度法，将模糊输出转换为实际值；
(e)实现和调试模糊控制系统，并进行性能测试和优化；
步骤4.3，将迭代演化后的数字孪生模型与原等级下的虚拟铲掘迭代模型进行对比，如果模型差异性较大，则进行虚拟铲掘运行模型与虚拟铲掘迭代模型的更新替换，否则不进行迭代更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311024291.3A CN117034493A (zh) | 2023-08-15 | 2023-08-15 | 一种装载机自主铲掘过程的数字孪生模型迭代演化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311024291.3A CN117034493A (zh) | 2023-08-15 | 2023-08-15 | 一种装载机自主铲掘过程的数字孪生模型迭代演化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117034493A true CN117034493A (zh) | 2023-11-10 |
Family
ID=88644476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311024291.3A Pending CN117034493A (zh) | 2023-08-15 | 2023-08-15 | 一种装载机自主铲掘过程的数字孪生模型迭代演化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117034493A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117369308A (zh) * | 2023-11-20 | 2024-01-09 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
-
2023
- 2023-08-15 CN CN202311024291.3A patent/CN117034493A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117369308A (zh) * | 2023-11-20 | 2024-01-09 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
| CN117369308B (zh) * | 2023-11-20 | 2024-04-23 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Developing a hybrid model of salp swarm algorithm-based support vector machine to predict the strength of fiber-reinforced cemented paste backfill | |
| CN114925623B (zh) | 油气藏产量预测方法及系统 | |
| Abdi et al. | Prediction of strength parameters of sedimentary rocks using artificial neural networks and regression analysis | |
| Orchard et al. | A particle filtering approach for on-line failure prognosis in a planetary carrier plate | |
| CN117034493A (zh) | 一种装载机自主铲掘过程的数字孪生模型迭代演化方法 | |
| US8250006B2 (en) | Inferential sensors developed using three-dimensional pareto-front genetic programming | |
| CN113901730B (zh) | 一种基于平行仿真的网络靶场构建方法和系统 | |
| Abdulmajeed et al. | Predict the required cost to develop Software Engineering projects by Using Machine Learning | |
| Biggio et al. | Dynaformer: A deep learning model for ageing-aware battery discharge prediction | |
| Simidjievski et al. | Equation discovery for nonlinear system identification | |
| Selby et al. | Learning of causal observable functions for Koopman-DFL lifting linearization of nonlinear controlled systems and its application to excavation automation | |
| CN117633722A (zh) | 基于智能检测机器人的检测控制方法及系统 | |
| CN114265309B (zh) | 一种工程机械优化控制策略推荐系统及方法 | |
| Mohan et al. | Autorl hyperparameter landscapes | |
| Diederichs | Reinforcement learning-a technical introduction | |
| Han et al. | Technical comparisons of simulation-based productivity prediction methodologies by means of estimation tools focusing on conventional earthmovings | |
| Derner et al. | Data-driven construction of symbolic process models for reinforcement learning | |
| Fraikin et al. | Efficient simulation based calibration of automated driving functions based on sensitivity based optimization | |
| Wan et al. | SWMM calibration using genetic algorithms | |
| CN114968824B (zh) | 一种基于链式多路径覆盖的测试方法与系统 | |
| Sichevska et al. | Information Technology of Forming the Quality of Art and Technical Design of Books. | |
| CN114971258A (zh) | 基于焦炭质量预测的工业流程优化方法及系统 | |
| Mohamed et al. | Modelling of induction motor using non-linear neural network system identification | |
| CN117455321B (zh) | 一种流态固化土性能智能评估方法及系统 | |
| Lehre et al. | Runtime analysis of search heuristics on software engineering problems |
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 |