-
公开(公告)号：CN118211495B
公开(公告)日：2024-07-30
申请号：CN202410627598.0
申请日：2024-05-21
Applicant: 大连理工大学
IPC: G06F30/27 , G06N3/045 , G06N3/0442 , G06N3/048 , G06N3/08 , G06F119/14 , G06F111/10
Abstract: 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。
-
Patent Agency Ranking
公开(公告)号：CN119511702A
公开(公告)日：2025-02-25
申请号：CN202411529073.X
申请日：2024-10-30
Applicant: 大连理工大学
IPC: G05B13/04 , G06F30/20 , G06F17/10 , G06F111/04 , G06F111/10 , G06F119/04 , G06F119/06 , G06F119/14 , G06F119/08 , G06F119/02
Abstract: 一种基于全过程非对称多段S型曲线的矿用电铲轨迹规划方法，属于轨迹规划技术领域。第一，获取并处理物料面点云数据。第二，建立矿用电铲电机基于全过程非对称多段S型曲线速度控制算法的数学模型。第三，构建矿用电铲的铲斗齿尖的轨迹方程。第四，给定约束边界。第五，构造基于全过程非对称多段S型曲线速度控制算法的目标函数和约束函数的数学模型。第六，输入优化初值，优化。第七，输出最优挖掘轨迹，结束优化。本发明能够在传统七段S型曲线速度控制算法的基础上，优化和调整矿用电铲的电机的最大速度及其电机的各段运行时间，实现矿用电铲的挖掘轨迹的在线规划与能耗优化；能够有效捕捉挖掘过程中复杂的运动特性，确保在各种工况下的高效作业。
-
公开(公告)号：CN118211495A
公开(公告)日：2024-06-18
申请号：CN202410627598.0
申请日：2024-05-21
Applicant: 大连理工大学
IPC: G06F30/27 , G06N3/045 , G06N3/0442 , G06N3/048 , G06N3/08 , G06F119/14 , G06F111/10
Abstract: 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。
-
公开(公告)号：CN118211498B
公开(公告)日：2024-07-26
申请号：CN202410634748.0
申请日：2024-05-22
Applicant: 大连理工大学
IPC: G06F30/27 , G06N3/0464 , G06N3/0442 , G06N3/08 , G06F119/14
Abstract: 一种基于动力学引导的卷积循环神经网络动态挖掘力预测方法，属于载荷预测技术领域。第一步，数据准备。第二步，数据传输。第三步，特征提取。第四步，建立融合物理先验的卷积循环深度学习模型。第五步，损失函数训练融合物理先验的卷积循环深度学习模型。第六步，模型预测。本发明能够在传统数据驱动的基础上，能够对矿用电铲的挖掘力进行时序预测，融合物理先验的注意力机制，并进一步用于支持挖掘力的预测。同时，所提出的方法具有显著的特点，其可通过空洞卷积捕捉融合物理先验的卷积循环深度学习模型中高维非线性关系，同时将物理先验映射为注意力机制中的权重，有效地提高了融合物理先验的卷积循环深度学习模型的预测精度。
-
公开(公告)号：CN116065646A
公开(公告)日：2023-05-05
申请号：CN202310076690.8
申请日：2023-02-07
Applicant: 大连理工大学
Abstract: 一种基于远程监控的自主作业智能矿用电铲系统，属于挖掘机技术领域。首先，在现有的矿用电铲结构添加激光雷达并在操控室内安装远程控制系统，通过激光雷达获取矿料的点云数据，根据多点云的建模精度，并提取固有特征；其次，根据挖掘机的位置和姿态信息，由任务规划层和运动规划层组成的规划层可以生成挖掘轨迹，并将规划好的最优挖掘轨迹在上位控制中心转化为参考轨迹，反馈给PLC、控制中心；最后，将改装后的矿用挖掘机的规模样机进行集成，通过5G通信技术实时监控样机的工作情况，验证该算法的优越性和适用性。本发明能够在远程挖掘机的基础上，充分考虑能耗和挖掘体积对挖掘工作的影响，提高挖掘效率、能够提高满斗率、降低能耗；能够实时监控并及时处理突发状况保障人员安全。
-
公开(公告)号：CN118211498A
公开(公告)日：2024-06-18
申请号：CN202410634748.0
申请日：2024-05-22
Applicant: 大连理工大学
IPC: G06F30/27 , G06N3/0464 , G06N3/0442 , G06N3/08 , G06F119/14
Abstract: 一种基于动力学引导的卷积循环神经网络动态挖掘力预测方法，属于载荷预测技术领域。第一步，数据准备。第二步，数据传输。第三步，特征提取。第四步，建立融合物理先验的卷积循环深度学习模型。第五步，损失函数训练融合物理先验的卷积循环深度学习模型。第六步，模型预测。本发明能够在传统数据驱动的基础上，能够对矿用电铲的挖掘力进行时序预测，融合物理先验的注意力机制，并进一步用于支持挖掘力的预测。同时，所提出的方法具有显著的特点，其可通过空洞卷积捕捉融合物理先验的卷积循环深度学习模型中高维非线性关系，同时将物理先验映射为注意力机制中的权重，有效地提高了融合物理先验的卷积循环深度学习模型的预测精度。
-
-
-
-
-
Search Results
6
records
(took 0.021 seconds)
