买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明提供一种基于数据‑模型联合驱动的无人矿用电铲动态挖掘阻力建模方法，属于矿用电铲动态挖掘阻力领域。首先，获取无人矿用电铲基本参数和历史挖掘数据。其次，计算不同料面对应的挖掘深度信息。第三，根据Balovnev阻力计算模型计算切削阻力。第四，构建Bi‑LSTM神经网络预测径向阻力。第五，构建挖掘能耗损失函数。第六，基于挖掘数据对Bi‑LSTM神经网络进行训练得到Bi‑LSTM网络模型。最后，将Bi‑LSTM网络模型与Balovnev阻力计算模型共同构成挖掘阻力预测模型。本发明得到的挖掘阻力预测模型结合真实阻力与解析式公式，对挖掘阻力进行预测，使其能够揭示料面形貌、电铲状态参数、挖掘轨迹等与挖掘阻力的映射关系，实现矿用大型电铲挖掘作业过程中外部载荷的快速精确预测。

主权项：1.一种基于数据-模型联合驱动的无人矿用电铲动态挖掘阻力建模方法，其特征在于，所述的建模方法：步骤1，获取无人矿用电铲的历史挖掘数据；步骤2，计算不同料面对应的挖掘深度信息；步骤3，根据Balovnev阻力计算模型计算切削阻力；步骤4，构建Bi-LSTM神经网络模型预测径向阻力；所述的步骤4具体如下：结合挖掘信息和步骤3中切削力计算结果构建Bi-LSTM神经网络模型，借助该神经网络模型建立铲斗压入物料产生的径向阻力参数化表达，实现预测动态径向阻力；所述Bi-LSTM神经网络模型的输入包括步骤1和步骤2中的挖掘轨迹、挖掘速度、加速度以及挖掘深度等与挖掘策略相关的参数，输出是因铲斗压入物料而引起的径向阻力； 其中，xt表示t时刻神经网络单元的输入，为挖掘策略相关的参数；表示t-1时刻预测的径向阻力；表示t时刻对和xt的初步特征值；ct表示t时刻对和xt的特征值；σ表示激活函数；⊙表示哈达玛积；U[i]，U[f]，U[o]，U[g]分别表示遗忘门、输入门、输出门和特征提取过程中xt的权重系数；W[i]，W[f]，W[o]，W[g]分别表示遗忘门、输入门、输出门和特征提取过程中的权重系数；it为t时刻遗忘门的值；ft为t时刻输入门的值；ot为t时刻输出门的值；为t时刻预测的径向阻力；步骤5，构建挖掘能耗损失函数；步骤6，基于挖掘数据对Bi-LSTM神经网络进行训练，直到挖掘能耗损失函数达最小值，得到Bi-LSTM网络模型；步骤7，Bi-LSTM网络模型与Balovnev阻力计算模型共同构成挖掘阻力预测模型；所述的步骤2具体如下：在挖掘阻力建模过程中，根据堆料面形貌和挖掘轨迹引入动态挖掘深度信息，加入铲斗内已挖掘物料重量项和挖掘速度带来的附加阻力项；根据物料面的表面信息和挖掘轨迹计算挖掘深度，以及每一时刻的铲斗中的物料重量；在挖掘过程中，不同时刻下的挖掘深度信息dx会随着物料面形貌与挖掘轨迹的变化而发生改变；当铲斗插入物料时，该值为铲斗齿尖与物料表面的竖直距离；脱离物料时，该值为0；挖掘深度度dx根据公式1求得： 其中，Fmx表示料面函数；Ftrx表示挖掘轨迹函数；x表示水平方向的距离；xin和xout分别表示铲斗开始插入物料的水平距离和离开物料的水平距离；则铲斗内的挖掘物料重量m为挖掘体积与密度的乘积，如公式2所示： 其中，γ表示物料密度；w表示铲斗宽度；表示挖掘体积，为挖掘深度dx关于水平距离x的积分；所述的步骤3具体如下：在矿用电铲挖掘斜面堆料时，根据物料平面失效面假设理论，将铲斗前被挖掘物料看作一个近似楔形体；根据楔形土体力学特性，引入步骤1和步骤2的物料基本信息、矿用电铲机构参数和动态挖掘深度信息，建立铲斗所受挖掘阻力的模型，其形式如下： 其中，为铲斗自重与铲斗内已挖掘物料的重力，挖掘过程中铲斗重力为恒定值，物料重力逐渐增加，通过公式2求得；为切削阻力，对铲斗的切向运动起主要阻碍作用，由Balovnev阻力计算模型求得；为挖掘过程中铲斗挤压基体物料产生的径向阻力；为法向阻力引起的铲斗底面与基体物料的摩擦力，方向平行于铲斗运动方向，其中法向阻力包括铲斗挤压物料产生的径向阻力和切削阻力的在法向的分量，根据和的结果进行计算。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于数据-模型联合驱动的无人矿用电铲动态挖掘阻力建模方法