CN117090617A - 一种基于数字孪生模型的液压支架位姿自适应调节方法 - Google Patents
一种基于数字孪生模型的液压支架位姿自适应调节方法 Download PDFInfo
- Publication number
- CN117090617A CN117090617A CN202311164427.0A CN202311164427A CN117090617A CN 117090617 A CN117090617 A CN 117090617A CN 202311164427 A CN202311164427 A CN 202311164427A CN 117090617 A CN117090617 A CN 117090617A
- Authority
- CN
- China
- Prior art keywords
- hydraulic support
- pose
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 230000002068 genetic effect Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000003066 decision tree Methods 0.000 claims abstract description 3
- 238000012544 monitoring process Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 32
- 210000000349 chromosome Anatomy 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 4
- 239000003245 coal Substances 0.000 description 11
- 238000005065 mining Methods 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D23/00—Mine roof supports for step- by- step movement, e.g. in combination with provisions for shifting of conveyors, mining machines, or guides therefor
- E21D23/16—Hydraulic or pneumatic features, e.g. circuits, arrangement or adaptation of valves, setting or retracting devices
- E21D23/26—Hydraulic or pneumatic control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
-
- 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
- G06F30/27—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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Mining & Mineral Resources (AREA)
- Physiology (AREA)
- Human Computer Interaction (AREA)
- Architecture (AREA)
- Geochemistry & Mineralogy (AREA)
- Probability & Statistics with Applications (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于矿山液压支架位姿预测及支护自适应调节方法,该方法利用数字孪生技术建立液压支架三维模型,采用改进的LSTM‑GRU双层神经网络与遗传算法融合的液压支架位姿预测模型,实现对液压支架位姿的自适应调节,包含以下步骤:(1)建立液压支架三维模型;(2)获取液压支架相对位姿的测量信息;(3)训练网络模型得到预测模型的最优解;(4)在Unity3D中的UGUI组件中构建显示信息;(5)搭建决策控制平台,利用决策树算法和训练集构建分类模型,并利用测试集验证分类模型决策控制效果。该方法采用数字孪生技术和基于注意力机制的深度学习神经网络算法,实现了对液压支架位姿的自适应调节。
Description
技术领域
本发明属于数字孪生与人工智能领域的深度学习自适应控制技术,具体涉及一种基于数字孪生模型的液压支架位姿自适应调节方法。
背景技术
液压支架作为综采工作面的重要支护设备,通过调整支护位姿对煤层围岩形成有效支护,为综采工作面顶板、底板、煤壁和采空区提供支撑保护。当前国内外对于液压支架的控制主要通过电液控制协同形成对围岩的自动化支护,尚不能实现自主决策控制,并且在姿态监控与调节、复杂工况适应性等方面无法满足智能化综采工作面的生产实际需求。为了提高液压支架的智能化水平和智能支护水平,需要对液压支架在作业过程中的支护位姿进行准确感知,并能够自主控制液压支架支护位姿以自适应复杂多变的煤层围岩顶板。而如何准确快速地感知液压支架当前工作姿态,并对其支护位姿进行自主调整,仍是智能化综采工作面亟需解决的关键技术难题。
在液压支架支护工作过程中,其不断与所处的矿井巷道围岩产生交互。在智能化综采工作面中,液压支架需要精确感知环境并进行自主决策和调整自身姿态达到最佳支护状态。本发明基于液压支架电液控制理论和姿态监控方法,通过深入分析液压支架支护位姿变化特征,研究支护位姿精确感知与自主控制算法,在此基础上通过液压支架与围岩环境的实时交互信息,提出改进的LSTM-GRU双层神经网络与遗传算法融合的液压支架位姿预测模型,搭建决策控制平台,实现对液压支架位姿的自适应调节,提高液压支架智能支护水平。
发明内容
本发明主要解决如何使液压支架精确感知环境并进行自主决策和调整自身姿态达到最佳支护状态的问题,提出一种用于矿井智能液压支架自主决策的方法。该方法以数字孪生技术和人工智能深度学习算法为基础,采用改进的LSTM-GRU双层神经网络与遗传算法融合的液压支架位姿预测模型,实现液压支架的支护位姿自主调节,包括如下步骤:
步骤1,建立液压支架三维模型:利用SolidWorks建立液压支架三维模型,以fbx格式导入Unity3D软件中,在三维模型中为虚拟液压支架添加父子关系;用c#脚本编写相对位姿反演和精度求解方法,并嵌入到虚拟三维模型系统的底层;
步骤2,获取液压支架相对位姿的测量信息:定义液压支架的相对位姿矩阵和位姿平面来描述支架的位姿状态,根据位姿矩阵射线排列布置监测点,据此在液压支架上分别安装测量传感器,以获取监测点相对位姿的测量信息,将测量信息进行预处理;
步骤3,网络模型训练:采用改进的LSTM-GRU双层神经网络与遗传算法融合的优化方法,建立液压支架位姿预测模型,将液压支架的测量参数输入液压支架位姿预测模型,在所述液压支架位姿预测模型的LSTM和GRU层加入注意力机制,并利用遗传算法对模型参数调优得到最优解,作为液压支架位姿预测模型的层数及各层神经元个数,预测液压支架的姿态状态;
步骤4,利用Unity3D中的UGUI组件构建信息面板,所述信息面板包括测试信息和位姿信息,其中,测试信息用于显示测量得到的传感器数据,位姿信息用于显示获得的位姿信息;
步骤5,基于Unity3D开发软件,搭建决策控制平台;所述决策控制平台由三维状态监测模块、机体参数显示模块、远程干预显示模块组成,利用决策树算法和训练集构建分类模型,并利用测试集验证分类模型决策控制效果。
所述液压支架相对位姿矩阵测量方法如下:
根据已知三个监测点在液压支架参考坐标系O-XYZ中的坐标,确定运动液压支架的位置和姿态平面;
对于任意在空间上存在一个点P,其坐标可通过以下公式求解:
其中xp,yp,zp是点P在直角坐标系O-XYZ中的坐标,l是矢量OP的长度,θ为矢量OP在YOZ平面上的投影与z轴正方向之间的夹角,为矢量OP在XOY平面上的投影与Z轴正方向之间的夹角;
三个监测点在参考液压支架坐标系下的坐标,可通过以下公式求解:
其中,θ1、θ2、θ3分别为测量点A、B、C在YOZ平面上的投影与Z轴正方向的夹角, 分别为测量点A、B、C在XOZ平面上的投影与Z轴正方向的夹角,l1、l2、l3分别为测量点A、B、C到O点的距离;
通过求解监测点A、B、C的坐标,确定液压支架的位姿平面。
所述方法的测量信息预处理,其过程如下:
步骤2-1:去除无效数据:去除信息中包含大量空值数据和超出液压支架的范围设置的数据;
步骤2-2:缺失值处理:对存在个别数据缺失的数据情况,采用平均值进行插值;
步骤2-3:对测量信息采用偏差法进行归一化处理:
其中,Xmin为实验数据中的最小值,Xmax为最大值,X为原始数据值,X′为归一化数据值;
所述方法利用LSTM-GRU双层神经网络,用于增强输入序列中的关键信息,利用注意力机制提取内部特征,以增强模型的学习能力与输出性能。
所述方法采用注意力机制优化液压支架位姿预测模型,具体算法流程如下:
1)获取LSTM-GRU双层神经网络的网络层的输出,作为注意力机制层的输入x,即{x1,x2,…,xn};
2)使用Linear线性变换函数和ReLU()激活函数构建全连接层,得到新的样本{e1,e2,…,en}后通过维度压缩函数squeeze({e1,e2,…,en})转换;
3)将样本按照时序参数列输入到sofamax()函数得到权重向量W,W中列向量元素个数等于输入的时间步长,每一个元素表示一个时间步长的权重,再将W通过维度扩展函数unsqueeze(W)进行维度转换;
4)将初始样本x和权重向量W相乘得到赋予权重W后的样本{x1W,x2W,…,xnW};
5)将样本按照时间序列参数列进行求和,得到注意力机制层最终的输出。
所述方法采用遗传算法对液压支架位姿预测模型的LSTM层、GRU层、全连接层及各层神经元个数进行参数调优,以测试数据的均方根误差作为损失函数,求解最优解。
所述方法的液压支架位姿预测模型的训练优化过程,具体步骤如下:
步骤3-1:数据获取,对液压支架姿态信息进行处理,筛选数据;
步骤3-2:输入液压支架监测数据,以液压支架的监测数据作为输入变量;
步骤3-3:初始化遗传算法参数设置,设置DNA长度,染色体长度、种群数量、交叉率、变异率及迭代次数;
步骤3-4:随机生成N个种群,经过交叉、变异,计算适应度,选出每一代中适应度值最优的解;
步骤3-5:生成新的种群,进行下一次迭代,直到迭代次数达到最大值时为止,将所得到的最优解作为液压支架位姿预测模型的层数及各层神经元个数;
步骤3-6:训练得到液压支架位姿预测模型。
所述液压支架位姿预测模型,采用LSTM-GRU双层神经网络模型和注意力机制,并以均方误差作为损失函数对预测模型进行训练,然后采用遗传算法反复迭代,选出最优适应度的最优参数。
所述液压支架位姿预测模型,采用遗传算法对液压支架位姿神经网络的超参数进行优化,得到学习速率和隐层神经元数量的最优参数组合。
所述液压支架位姿预测模型,利用最优参数组合构造液压支架位姿预测模型作为当前时刻输入样本与输出样本之间的非线性变换函数。
所述液压支架位姿预测模型,应用非线性变换函数获取下一时刻液压支架的位姿信息。
所述液压支架位姿预测模型的构建过程,进一步包括如下步骤:
1)选择训练数据集,液压支架位姿预测模型的输入数据由液压支架A、B、C三个监测点在不同时刻的位姿信息组成,监测点的输入向量mi和目标输出向量ni表示为:
mi=[Ai-2,Ai-1,Ai,Bi-2,Bi-1,Bi,Ci-2,Ci-1,Ci,Pi-2,Pi-1,Pi]
式中,Ai-2,Ai-1,Ai,Bi-2,Bi-1,Bi,Ci-2,Ci-1,Ci,Pi-2,Pi-1,Pi分别为A、B、C、P点在i-2,i-1,i时刻的坐标,Ai+1,Bi+1,Ci+1分别为A、B、C点在i+1时刻的坐标;
2)利用遗传算法优化液压支架位姿神经网络参数;
a.随机产生初始种群,进行种群初始化和染色体编解码操作;
b.计算初始种群中每个个体的适应度值,并判断是否满足优化准则;
c.对染色体进行选择、交叉和变异操作;
d.解码染色体,计算种群中个体的适合度;
e.如果满足遗传终止条件,则以遗传算法计算出的最优参数作为LSTM-GRU双层神经网络模型的最终参数;否则,返回到步骤c;
3)训练液压支架位姿预测模型;
a.将mi输入液压支架位姿预测模型,液压支架位姿网络模型的输出ni为下一时刻液压支架的位置;
b.求解液压支架位姿预测模型的目标输出与预测输出f(u)之间的差用误差e表示,即e=ni-f(u);
c.最小化液压支架位姿模型均方误差,得到拟合误差,最终得到输入样本与输出样本之间的最优拟合函数;
4)预测液压支架轨迹,将实验数据发送到液压支架位姿神经网络预测模型,利用最优拟合函数计算出下一时刻的液压支架位姿状态。
本发明的有益效果在于:
该发明基于数字孪生技术和人工智能深度学习算法,通过构建液压支架位姿神经网络预测模型,发明了一种基于数字孪生模型的液压支架位姿自适应方法。本发明解决了现有液压支架位姿监测智能化程度低、自适应调节能力弱等问题,通过液压支架与围岩环境的实时交互信息,建立改进的LSTM-GRU双层神经网络与遗传算法融合的液压支架位姿预测模型,实现对液压支架位姿的自适应调节,提高了液压支架位姿的实时性、准确性和系统鲁棒性,以及矿井智能化支护水平。
附图说明
图1为改进的LSTM-GRU双层神经网络与遗传算法融合的液压支架位姿预测模型的流程图
图2为基于数字孪生理论的液压支架姿态调整方法图
图3为液压支架监测点的空间坐标解图
图4为液压支架监测点坐标解图
具体实施方式
下面结合附图及具体实施例对本发明进行详细描述。
参照图1,为改进的LSTM-GRU双层神经网络与遗传算法融合的液压支架位姿预测模型的流程图。首先,对监测数据进行处理,筛选数据并补充缺失值;输入监测数据,数据集划分,初始化遗传算法参数设置,用遗传算法反复迭代,选出最优适应度的参数作为遗传算法寻找到最优参数;采用LSTM-GRU双层神经网络模型和MES均方误差作为损失函数对预测模型进行训练。
预测模型的参数设置及优化的具体方法如下:
(1)LSTM层
假设网络输入为xt,隐层状态为ht,t时刻,各单元和门的计算如下:
ft=σ(Wf·(ht,xt)+bf)
it=σ(Wf·(ht-1,xt)+bc)
ot=σ(Wo·(ht-1,xt)+bo)
ht=ot·tanh(Ct)
式中:σ为sigmoid激活函数;bf为偏置;Wf为权重;Ct-1为存储先前记忆信息的单元状态;ft为遗忘门控制的遗忘程度;it为输入信息应被更新的程度;为候选矢量;Ct为当前单元状态代表;ot为输出门;隐藏层输出ht;
对于隐藏层神经元数目,其参数与训练结果间无稳定的关系,需要进行不断尝试获取最优参数。模型构建过程中,选用最常用的Sigmoid函数及tanh函数作为激活函数;均方误差(MSE)对预测值与目标值间差值的平方和求平均来衡量其误差,公式如下:
(2)GRU层
GRU对梯度消失和梯度爆炸带来的不利影响进行了改进,在当前ht的和前一时刻ht-1增加了线性相关性。具体的表达式如下:
rt=σ(Wxrxt+Whrht-1+bf)
zt=σ(Wxhxt+Whzht-1+bc)
式中:rt、zt、分别代表重置门、更新门和输入向量;⊙是哈达玛积(矩阵运算),也就是运算矩阵中相应元素的乘积;Wxr、Whr、Wxh、Whz、Whh分别为对应函数的权重矩阵;其它变量的涵义与LSTM网络的涵义相同。
(3)遗传算法
a.染色体编码
将LSTM网络中隐层神经元数目和学习速率作为遗传算法的初始化对象,以实数编码的形式进行染色体编码。每条染色体的基因数为2;别代表LSTM模型隐藏层神经元数目Zt、学习速率Ts,因此每条染色体表示为X=(Zt,Ts);
b.初始参数设置
解为一组可能的(Zt、Ts)取值,样的一组一组的可能解的集合就叫做种群;选择随机方法产生初始种群;在随机生成时,要注意对染色体的两个基因设置随机生成范围,否则会生成超过现实意义的解;
c.适应度函数构建
基于液压支架位置的估计值与真实值的整体拟合,构建适应度函数;为了使遗传算法获得的网络参数更适合LSTM模型,提高模型的泛化能力,将数据分为训练样本和测试样本;利用训练样本进行LSTM网络训练,得到LSTM网络的训练样本输出值和测试样本输出值。个体适应度函数定义为:
其中,分别为训练样本的预测值和测试样本的预测值,yj t、yk v为实际值;测试样本的误差直接反映了模型的预测效果;训练样本的误差和测试样本的误差被赋予相同的权值,即0.5,两者与权值的乘积作为模型的适应度函数。
d.选择算子、交叉算子和变异算子
1)选择算子选择当前种群中适应性较好的个体作为亲本,并将遗传信息传递给后代;这里采用联赛选择算法作为GA选择策略;隐层神经元数量与学习率的变化规律如式所示:
c.Ln=abs(c.Ln+random.randint(-3,3))
c.ln=abs(c.ln+random.uniform(-0.001,0.001))
其中c.Ln为群体中隐层神经元的数量,c.ln为学习速率;
2)交叉操作基于随机筛选出的一对个体,进行染色体基因的交换重组从而产生新的染色体;选择模拟二进制交叉算子进行交叉运算;其交叉后的新个体计算公式为:
其中:
η是一个自定义的分布因子,一般设为1;x为父代两个体和/>
3)变异操作
设置种群依变异概率0.03进行变异操作;选择多项式变异算子进行变异操作;多项式变异算子公式为:
vk=vk+δ·(uk-lk)
其中,
δ1=(vk-lk)/(uk-lk)
δ2=(uk-vk)/(uk-lk)
random指变异概率,vk为一个父代个体,为分布指数,一般设为1;经过以上遗传算法运算过程,产生新的种群,计算适应度值后,经过反复迭代种群,选出构造出最优适应度的参数作为遗传算法寻找到的最优参数。
参照图2,为基于数字孪生理论的液压支架姿态调整方法图。利用真实采煤机在物理空间切割的煤层顶底板数据和真实的液压支架样机,在虚拟空间中创建相应的煤层环境面顶底板,并导入液压支架模型。然后,对液压支架模型进行修复,并添加物理部件,使其能够自适应地贴合煤层顶底板表面。最后,通过对液压支架模型的运动学分析,建立了液压支架与煤层环境的动态耦合模型,从而得出液压支架对煤层环境的最佳支撑姿态。虚拟空间液压支架相关信息的支持可以为物理空间液压支架的支撑姿态提供参考。
参照图3,为液压支架监测点空间坐标解图。已知三个监测点在参考支架局部坐标系中的坐标,即可确定可动支架的位置和姿态面△ABC。空间中任意一点的空间坐标可以根据方向角和矢量长度来确定。如图3所示,在空间上建立一个直角坐标系O-XYZ,坐标系原点为O,在空间上存在一个点P。矢量OP在YOZ平面上的投影与z轴正方向之间的夹角定义为θ,矢量OP在XOY平面上的投影与z轴正方向之间的夹角定义为将图3所示的几何关系代入向量OP在X轴和y轴上的单位向量OP所形成的圆的参数方程,最终得到坐标点P的解公式为:
其中xp,yp,zp是点P在直角坐标系O-XYZ中的坐标,l是向量OP的长度。
参照图4,为液压支架监测点坐标解图。根据单点坐标求解公式,可移动支架三个监测点在参考支架局部坐标系下的坐标求解公式,具体如下:
由上式可以看出,通过求解监测点的坐标,确定液压支架的位姿平面,需要监测点的9个参数θ1、θ2、θ3、l1、l2、l3在相邻液压支架的坐标系中。
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 (3)
1.一种基于数字孪生的液压支架位姿自适应调节方法,其特征在于,利用数字孪生技术建立液压支架三维模型,采用改进的LSTM-GRU双层神经网络与遗传算法融合的液压支架位姿预测模型,实现对液压支架位姿的自适应调节,包括如下步骤:
步骤1,建立液压支架三维模型:利用SolidWorks建立液压支架三维模型,以fbx格式导入Unity3D软件中,在三维模型中为虚拟液压支架添加父子关系;用c#脚本编写相对位姿反演和精度求解方法,并嵌入到虚拟三维模型系统的底层;
步骤2,获取液压支架相对位姿的测量信息:定义液压支架的相对位姿矩阵和位姿平面来描述支架的位姿状态,根据位姿矩阵射线排列布置监测点,据此在液压支架上分别安装测量传感器,以获取监测点相对位姿的测量信息,将测量信息进行预处理;
步骤3,网络模型训练:采用改进的LSTM-GRU双层神经网络与遗传算法融合的优化方法,建立液压支架位姿预测模型,将液压支架的测量参数输入液压支架位姿预测模型,在所述液压支架位姿预测模型的LSTM和GRU层加入注意力机制,并利用遗传算法对模型参数调优得到最优解,作为液压支架位姿预测模型的层数及各层神经元个数,预测液压支架的姿态状态;
步骤4,利用Unity3D中的UGUI组件构建信息面板,所述信息面板包括测试信息和位姿信息,其中,测试信息用于显示测量得到的传感器数据,位姿信息用于显示获得的位姿信息;
步骤5,基于Unity3D开发软件,搭建决策控制平台;所述决策控制平台由三维状态监测模块、机体参数显示模块、远程干预显示模块组成,利用决策树算法和训练集构建分类模型,并利用测试集验证分类模型决策控制效果;
其特征还在于,步骤2所述液压支架相对位姿矩阵测量方法如下:
根据已知三个监测点在液压支架参考坐标系O-XYZ中的坐标,确定运动液压支架的位置和姿态平面;
对于任意在空间上存在一个点P,其坐标可通过以下公式求解:
其中xp,yp,zp是点P在直角坐标系O-XYZ中的坐标,l是矢量OP的长度,θ为矢量OP在YOZ平面上的投影与z轴正方向之间的夹角,为矢量OP在XOY平面上的投影与Z轴正方向之间的夹角;
三个监测点在参考液压支架坐标系下的坐标,可通过以下公式求解:
其中,θ1、θ2、θ3分别为测量点A、B、C在YOZ平面上的投影与Z轴正方向的夹角, 分别为测量点A、B、C在XOZ平面上的投影与Z轴正方向的夹角,l1、l2、l3分别为测量点A、B、C到O点的距离;
通过求解监测点A、B、C的坐标,确定液压支架的位姿平面;
所述方法的测量信息预处理,其过程如下:
步骤2-1:去除无效数据:去除信息中包含大量空值数据和超出液压支架的范围设置的数据;
步骤2-2:缺失值处理:对存在个别数据缺失的数据情况,采用平均值进行插值;
步骤2-3:对测量信息采用偏差法进行归一化处理:
其中,Xmin为实验数据中的最小值,Xmax为最大值,X为原始数据值,X′为归一化数据值;
所述方法利用LSTM-GRU双层神经网络,用于增强输入序列中的关键信息,利用注意力机制提取内部特征,以增强模型的学习能力与输出性能;
所述方法采用注意力机制优化液压支架位姿预测模型,具体算法流程如下:
1)获取LSTM-GRU双层神经网络的网络层的输出,作为注意力机制层的输入x,即{x1,x2,…,xn};
2)使用Linear线性变换函数和ReLU()激活函数构建全连接层,得到新的样本{e1,e2,…,en}后通过维度压缩函数squeeze({e1,e2,…,en})转换;
3)将样本按照时序参数列输入到sofamax()函数得到权重向量W,W中列向量元素个数等于输入的时间步长,每一个元素表示一个时间步长的权重,再将W通过维度扩展函数unsqueeze(W)进行维度转换;
4)将初始样本x和权重向量W相乘得到赋予权重W后的样本{x1W,x2W,…,xnW};
5)将样本按照时间序列参数列进行求和,得到注意力机制层最终的输出;
所述方法采用遗传算法对液压支架位姿预测模型的LSTM层、GRU层、全连接层及各层神经元个数进行参数调优,以测试数据的均方根误差作为损失函数,求解最优解;
所述方法的液压支架位姿预测模型的训练优化过程,具体步骤如下:
步骤3-1:数据获取,对液压支架姿态信息进行处理,筛选数据;
步骤3-2:输入液压支架监测数据,以液压支架的监测数据作为输入变量;
步骤3-3:初始化遗传算法参数设置,设置DNA长度,染色体长度、种群数量、交叉率、变异率及迭代次数;
步骤3-4:随机生成N个种群,经过交叉、变异,计算适应度,选出每一代中适应度值最优的解;
步骤3-5:生成新的种群,进行下一次迭代,直到迭代次数达到最大值时为止,将所得到的最优解作为液压支架位姿预测模型的层数及各层神经元个数;
步骤3-6:训练得到液压支架位姿预测模型;
所述液压支架位姿预测模型,采用LSTM-GRU双层神经网络模型和注意力机制,并以均方误差作为损失函数对预测模型进行训练,然后采用遗传算法反复迭代,选出最优适应度的最优参数;
所述液压支架位姿预测模型,采用遗传算法对液压支架位姿神经网络的超参数进行优化,得到学习速率和隐层神经元数量的最优参数组合;
所述液压支架位姿预测模型,利用最优参数组合构造液压支架位姿预测模型作为当前时刻输入样本与输出样本之间的非线性变换函数;
所述液压支架位姿预测模型,应用非线性变换函数获取下一时刻液压支架的位姿信息。
2.如权利要求1所述的方法,其特征在于,所述液压支架位姿预测模型构建方法,进一步包括如下步骤:
步骤2-1:选择训练数据集,液压支架位姿预测模型的输入数据由液压支架A、B、C三个监测点在不同时刻的位姿信息组成,监测点的输入向量mi和目标输出向量ni表示为:
mi=[Ai-2,Ai-1,Ai,Bi-2,Bi-1,Bi,Ci-2,Ci-1,Ci,Pi-2,Pi-1,Pi]
式中,Ai-2,Ai-1,Ai,Bi-2,Bi-1,Bi,Ci-2,Ci-1,Ci,Pi-2,Pi-1,Pi分别为A、B、C、P点在i-2、i-1、i时刻的坐标,Ai+1,Bi+1,Ci+1分别为A、B、C点在i+1时刻的坐标;
步骤2-2:利用遗传算法优化液压支架位姿神经网络参数;
a.随机产生初始种群,进行种群初始化和染色体编解码操作;
b.计算初始种群中每个个体的适应度值,并判断是否满足优化准则;
c.对染色体进行选择、交叉和变异操作;
d.解码染色体,计算种群中个体的适合度;
e.如果满足遗传终止条件,则以遗传算法计算出的最优参数作为LSTM-GRU双层神经网络模型的最终参数;否则,返回到步骤c;
步骤2-3:训练液压支架位姿预测模型;
a.将mi输入液压支架位姿预测模型,液压支架位姿网络模型的输出ni为下一时刻液压支架的位置;
b.求解液压支架位姿预测模型的目标输出与预测输出f(u)之间的差用误差e表示,即e=ni-f(u);
c.最小化液压支架位姿模型均方误差,得到拟合误差,最终得到输入样本与输出样本之间的最优拟合函数;
步骤2-4:预测液压支架位姿,将实验数据发送到液压支架位姿神经网络预测模型,利用最优拟合函数计算出下一时刻的液压支架位姿状态。
3.如权利要求1所述的方法,其特征在于,所述测量传感器设备包括激光测距传感器、激光发射器、倾角传感器和行程传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311164427.0A CN117090617A (zh) | 2023-09-11 | 2023-09-11 | 一种基于数字孪生模型的液压支架位姿自适应调节方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311164427.0A CN117090617A (zh) | 2023-09-11 | 2023-09-11 | 一种基于数字孪生模型的液压支架位姿自适应调节方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117090617A true CN117090617A (zh) | 2023-11-21 |
Family
ID=88780337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311164427.0A Pending CN117090617A (zh) | 2023-09-11 | 2023-09-11 | 一种基于数字孪生模型的液压支架位姿自适应调节方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117090617A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117685982A (zh) * | 2024-01-29 | 2024-03-12 | 宁波长壁流体动力科技有限公司 | 一种液压支架群的数字孪生体的管理方法和系统 |
-
2023
- 2023-09-11 CN CN202311164427.0A patent/CN117090617A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117685982A (zh) * | 2024-01-29 | 2024-03-12 | 宁波长壁流体动力科技有限公司 | 一种液压支架群的数字孪生体的管理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Koos et al. | The transferability approach: Crossing the reality gap in evolutionary robotics | |
CN117090617A (zh) | 一种基于数字孪生模型的液压支架位姿自适应调节方法 | |
CN111203890B (zh) | 一种机器人的位置误差补偿方法 | |
CN109902862A (zh) | 一种融合时间注意力机制的时间序列预测系统 | |
CN110232461A (zh) | 基于量子遗传算法优化的多关联向量机水质预测方法 | |
CN111143984A (zh) | 基于遗传算法优化神经网络的大地电磁二维反演方法 | |
CN115829171A (zh) | 一种联合时空信息和社交互动特征的行人轨迹预测方法 | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
Li et al. | A mixing algorithm of ACO and ABC for solving path planning of mobile robot | |
CN114611406A (zh) | 基于ssa-circle-elm模型的煤层瓦斯涌出量预测方法 | |
CN113993205A (zh) | 基于数字孪生的uwb定位系统与方法 | |
CN116879960A (zh) | 一种基于深度学习的随掘超前探测异常体定位与辨识方法 | |
CN116579509A (zh) | 一种基于虚拟现实的光伏发电预测方法 | |
CN113935556B (zh) | 一种基于dna遗传算法的温度传感器优化布置方法 | |
Li | Stability rating of mine rock slope based on artificial intelligence | |
CN114153216A (zh) | 基于深度强化学习和块规划的月面路径规划系统和方法 | |
Zheng et al. | Tunnel displacement prediction under spatial effect based on Gaussian process regression optimized by differential evolution | |
CN114676887A (zh) | 一种基于图卷积stg-lstm的河流水质预测方法 | |
CN112861294A (zh) | 一种基于两种编码的分布参数系统时空建模时传感器位置优化的进化算法 | |
Yoon et al. | Deep learning-based data assimilation in the latent space for real-time forecasting of geologic carbon storage | |
Al-Ahmadi et al. | Spatial optimization of urban cellular automata model | |
CN117744527B (zh) | 基于PINNs与物理边界条件约束的地热产能智能预测方法及系统 | |
Hu et al. | Dynamic linear predictive optimization of flexible robot profiling MFA model | |
CN114297940B (zh) | 确定非稳态储层参数的方法及装置 | |
CN117388953B (zh) | 一种基于大数据框架的SADBO改进MIM-rwkv的气象预报方法 |
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 |