買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉中國礦業(yè)大學(北京)申請的專利一種基于數(shù)字孿生模型的液壓支架位姿自適應調節(jié)方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN117090617B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-08-22發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202311164427.0，技術領域涉及：E21D23/26；該發(fā)明授權一種基于數(shù)字孿生模型的液壓支架位姿自適應調節(jié)方法是由張帆;李昱翰設計研發(fā)完成，并于2023-09-11向國家知識產(chǎn)權局提交的專利申請。

本一種基于數(shù)字孿生模型的液壓支架位姿自適應調節(jié)方法在說明書摘要公布了：本發(fā)明公開了一種用于礦山液壓支架位姿預測及支護自適應調節(jié)方法，該方法利用數(shù)字孿生技術建立液壓支架三維模型，采用改進的LSTM?GRU雙層神經(jīng)網(wǎng)絡與遺傳算法融合的液壓支架位姿預測模型，實現(xiàn)對液壓支架位姿的自適應調節(jié)，包含以下步驟：1建立液壓支架三維模型；2獲取液壓支架相對位姿的測量信息；3訓練網(wǎng)絡模型得到預測模型的最優(yōu)解；4在Unity3D中的UGUI組件中構建顯示信息；5搭建決策控制平臺，利用決策樹算法和訓練集構建分類模型，并利用測試集驗證分類模型決策控制效果。該方法采用數(shù)字孿生技術和基于注意力機制的深度學習神經(jīng)網(wǎng)絡算法，實現(xiàn)了對液壓支架位姿的自適應調節(jié)。

本發(fā)明授權一種基于數(shù)字孿生模型的液壓支架位姿自適應調節(jié)方法在權利要求書中公布了：1.一種基于數(shù)字孿生的液壓支架位姿自適應調節(jié)方法，其特征在于，利用數(shù)字孿生技術建立液壓支架三維模型，采用改進的LSTM-GRU雙層神經(jīng)網(wǎng)絡與遺傳算法融合的液壓支架位姿預測模型，實現(xiàn)對液壓支架位姿的自適應調節(jié)，包括如下步驟： 步驟1，建立液壓支架三維模型：利用SolidWorks建立液壓支架三維模型，以fbx格式導入Unity3D軟件中，在三維模型中為虛擬液壓支架添加父子關系；用c#腳本編寫相對位姿反演和精度求解方法，并嵌入到虛擬三維模型系統(tǒng)的底層； 步驟2，獲取液壓支架相對位姿的測量信息：定義液壓支架的相對位姿矩陣和位姿平面來描述支架的位姿狀態(tài)，根據(jù)位姿矩陣射線排列布置監(jiān)測點，據(jù)此在液壓支架上分別安裝測量傳感器，以獲取監(jiān)測點相對位姿的測量信息，將測量信息進行預處理； 步驟3，網(wǎng)絡模型訓練：采用改進的LSTM-GRU雙層神經(jīng)網(wǎng)絡與遺傳算法融合的優(yōu)化方法，建立液壓支架位姿預測模型，將液壓支架的測量參數(shù)輸入液壓支架位姿預測模型，在所述液壓支架位姿預測模型的LSTM和GRU層加入注意力機制，并利用遺傳算法對模型參數(shù)調優(yōu)得到最優(yōu)解，作為液壓支架位姿預測模型的層數(shù)及各層神經(jīng)元個數(shù)，預測液壓支架的姿態(tài)狀態(tài)； 步驟4，利用Unity3D中的UGUI組件構建信息面板，所述信息面板包括測試信息和位姿信息，其中，測試信息用于顯示測量得到的傳感器數(shù)據(jù)，位姿信息用于顯示獲得的位姿信息； 步驟5，基于Unity3D開發(fā)軟件，搭建決策控制平臺；所述決策控制平臺由三維狀態(tài)監(jiān)測模塊、機體參數(shù)顯示模塊、遠程干預顯示模塊組成，利用決策樹算法和訓練集構建分類模型，并利用測試集驗證分類模型決策控制效果； 其特征還在于，步驟2所述液壓支架相對位姿矩陣測量方法如下： 根據(jù)已知三個監(jiān)測點在液壓支架參考坐標系O-XYZ中的坐標，確定運動液壓支架的位置和姿態(tài)平面； 對于任意在空間上存在一個點P，其坐標可通過以下公式求解： 其中xp，yp，zp是點P在直角坐標系O-XYZ中的坐標，l是矢量OP的長度，θ為矢量OP在YOZ平面上的投影與z軸正方向之間的夾角，為矢量OP在XOY平面上的投影與Z軸正方向之間的夾角； 三個監(jiān)測點在參考液壓支架坐標系下的坐標，可通過以下公式求解： 其中，θ1、θ2、θ3分別為測量點A、B、C在YOZ平面上的投影與Z軸正方向的夾角， 分別為測量點A、B、C在XOZ平面上的投影與Z軸正方向的夾角，l1、l2、l3分別為測量點A、B、C到O點的距離； 通過求解監(jiān)測點A、B、C的坐標，確定液壓支架的位姿平面； 所述方法的測量信息預處理，其過程如下： 步驟2-1：去除無效數(shù)據(jù)：去除信息中包含大量空值數(shù)據(jù)和超出液壓支架的范圍設置的數(shù)據(jù)； 步驟2-2：缺失值處理：對存在個別數(shù)據(jù)缺失的數(shù)據(jù)情況，采用平均值進行插值； 步驟2-3：對測量信息采用偏差法進行歸一化處理： 其中，Xmin為實驗數(shù)據(jù)中的最小值，Xmax為最大值，X為原始數(shù)據(jù)值，X′為歸一化數(shù)據(jù)值； 所述方法利用LSTM-GRU雙層神經(jīng)網(wǎng)絡，用于增強輸入序列中的關鍵信息，利用注意力機制提取內部特征，以增強模型的學習能力與輸出性能； 所述方法采用注意力機制優(yōu)化液壓支架位姿預測模型，具體算法流程如下： 1獲取LSTM-GRU雙層神經(jīng)網(wǎng)絡的網(wǎng)絡層的輸出，作為注意力機制層的輸入x，即{x1,x2,…,xn}； 2使用Linear線性變換函數(shù)和ReLU激活函數(shù)構建全連接層，得到新的樣本{e1,e2,…,en}后通過維度壓縮函數(shù)squeeze{e1,e2,…,en}轉換； 3將樣本按照時序參數(shù)列輸入到sofamax函數(shù)得到權重向量W，W中列向量元素個數(shù)等于輸入的時間步長，每一個元素表示一個時間步長的權重，再將W通過維度擴展函數(shù)unsqueezeW進行維度轉換； 4將初始樣本x和權重向量W相乘得到賦予權重W后的樣本{x1W,x2W,…,xnW}； 5將樣本按照時間序列參數(shù)列進行求和，得到注意力機制層最終的輸出； 所述方法采用遺傳算法對液壓支架位姿預測模型的LSTM層、GRU層、全連接層及各層神經(jīng)元個數(shù)進行參數(shù)調優(yōu)，以測試數(shù)據(jù)的均方根誤差作為損失函數(shù)，求解最優(yōu)解； 所述方法的液壓支架位姿預測模型的訓練優(yōu)化過程，具體步驟如下： 步驟3-1：數(shù)據(jù)獲取，對液壓支架姿態(tài)信息進行處理，篩選數(shù)據(jù)； 步驟3-2：輸入液壓支架監(jiān)測數(shù)據(jù)，以液壓支架的監(jiān)測數(shù)據(jù)作為輸入變量； 步驟3-3：初始化遺傳算法參數(shù)設置，設置DNA長度，染色體長度、種群數(shù)量、交叉率、變異率及迭代次數(shù)； 步驟3-4：隨機生成N個種群，經(jīng)過交叉、變異，計算適應度，選出每一代中適應度值最優(yōu)的解； 步驟3-5：生成新的種群，進行下一次迭代，直到迭代次數(shù)達到最大值時為止，將所得到的最優(yōu)解作為液壓支架位姿預測模型的層數(shù)及各層神經(jīng)元個數(shù)； 步驟3-6：訓練得到液壓支架位姿預測模型； 所述液壓支架位姿預測模型，采用LSTM-GRU雙層神經(jīng)網(wǎng)絡模型和注意力機制，并以均方誤差作為損失函數(shù)對預測模型進行訓練，然后采用遺傳算法反復迭代，選出最優(yōu)適應度的最優(yōu)參數(shù)； 所述液壓支架位姿預測模型，采用遺傳算法對液壓支架位姿神經(jīng)網(wǎng)絡的超參數(shù)進行優(yōu)化，得到學習速率和隱層神經(jīng)元數(shù)量的最優(yōu)參數(shù)組合； 所述液壓支架位姿預測模型，利用最優(yōu)參數(shù)組合構造液壓支架位姿預測模型作為當前時刻輸入樣本與輸出樣本之間的非線性變換函數(shù)； 所述液壓支架位姿預測模型，應用非線性變換函數(shù)獲取下一時刻液壓支架的位姿信息。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人中國礦業(yè)大學(北京)，其通訊地址為：100083 北京市海淀區(qū)學院路丁11號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。