一种基于数字孪生模型的液压支架位姿自适应调节方法技术

本发明专利技术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

【技术实现步骤摘要】
一种基于数字孪生模型的液压支架位姿自适应调节方法


[0001]本专利技术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
。

技术介绍

[0002]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
。
[0003]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
。
本专利技术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
。

技术实现思路

[0004]本专利技术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：
[0005]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；
[0006]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；
[0007]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；
[0008]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；
[0009]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
。
[0010]所述液压支架相对位姿矩阵测量方法如下：
[0011]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；
[0012]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：
[0013][0014]其中
x
p
，
y
p
，
z
p
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；
[0015]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：
[0016][0017][0018][0019]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，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；
[0020]通过求解监测点
A、B、C
的坐标，确定液压支架的位姿平面
。
[0021]所述方法的测量信息预处理，其过程如下：
[0022]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；
[0023]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；
[0024]步骤2‑3：对测量信息采用偏差法进行归一化处理：
[0025][0026]其中，
X
min
为实验数据中的最小值，
X
max
为最大值，
X
为原始数据值，
X
′
为归一化数据值；
[0027]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
。
[0028]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：
[0029]1)
获取
LSTM
‑
GRU
双层神经网络的网络层的本文档来自技高网...

【技术保护点】

【技术特征摘要】
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
x
p
，
y
p
，
z
p
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：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，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，
X
min
为实验数据中的最小值，
X
max
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,
…
,x
n
}
；
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,
…
,e
n
}
后通过维度压缩函数
squeeze({e1,e2,
…
,e
n
})
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...

【专利技术属性】
技术研发人员：张帆，李昱翰，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：