礦用電鏟的形性一體化數字孿生方法及其驗證

鄒亞男， 來孝楠， 王 鑫， 郭云飛， 喬建強， 李 光， 宋學官

（1.大連理工大學 機械工程學院， 遼寧 大連116024； 2.太原重工股份有限公司 技術中心， 山西 太原 030024）

0 引言

礦產資源是關鍵戰略資源的重要組成原料， 是衡量一個國家重工業發展水平的標志。 礦用電鏟是露天礦開采的關鍵設備， 在礦產資源的開采中占據著重要地位[1]。但是礦產開采時電鏟的工作環境惡劣且工作強度大，存在潛在的結構失效風險。 而礦用電鏟這類體型龐大的重型機械設備一旦發生結構失效， 則會造成重大的經濟損失甚至是人員傷亡。 因此，為了實現礦用電鏟穩定、安全地連續作業， 有必要對礦用電鏟在運行階段進行實時監測，觀察關鍵零部件的性能變化，有助于分析設備的性能衰退原因，實現對設備剩余壽命的有效預測。

隨著新一代高新技術的發展， 關于此類重型機械設備的在線監測方法有了新的理念與實現技術——數字孿生。 數字孿生是2003 年由Michael Grieves 教授首次提出[2]，旨在構建一個虛擬空間作為物理空間的高保真映射，實現虛實空間的互聯互通， 挖掘物理空間所隱藏的有價值信息。 美國空軍研究實驗室[3]提出了一種基于數字孿生技術的超高保真預測飛機結構壽命的概念模型。 陶飛等[4]提出了一種基于數字孿生驅動的產品設計服務制造的新方法具體應用和框架。 洛克希德·馬丁公司[5]采用數字紐帶的技術，創建數字線的工作模式。 可以看出，數字孿生的大多數研究致力于實現對設備運行狀態的實時監測、分析、預測等。 因此，提出一種礦用電鏟的形性一體化數字孿生方法，可以實現對電鏟結構性能的實時求解。 詳細討論了系統的設計框架與相關的關鍵技術， 并通過一臺實驗用礦用電鏟作為實例驗證了該系統的可行性。

1 礦用電鏟數字孿生方法組成框架

以礦用電鏟在挖掘過程中的數據傳遞過程為切入點，開發了包含電鏟幾何表現，運動關系，結構性能的礦用電鏟的形性一體化數字孿生方法， 方法框架如圖1 所示。 首先，以礦用電鏟的物理實體為研究對象，分析電鏟運行過程中的關鍵零部件的承載以及相互之間的運動關系信息，構建物理實體對象的數值分析模型。為了提高計算效率，引入人工智能算法代替數值求解方式，進而減少計算量。 并利用實時的傳感器數據作為輸入進行在線的性能預測。最后，將礦用電鏟的幾何數據與預測得到的性能信息借助WebGL[6]在瀏覽器中實現全尺寸的三維展示，以一種直觀的方式實時呈現出電鏟在運行狀態下的結構性能信息。

圖1 礦用電鏟的形性一體化數字孿生方法組成框架

2 礦用電鏟的物理實體對象

物理實體對象用于描述電鏟的物理信息， 這些信息是構建監測系統的基礎。作為一種復雜的重型工程機械，礦用電鏟作業時需要多個零部件的協同運作。 以實驗室中單斗15kg 小型礦用電鏟實驗臺為例進行實例驗證。 如圖2 所示， 礦用電鏟實驗臺借助工控機、STM32 單片機、控制手柄等控制設備驅動步進電機， 帶動錐齒輪和齒輪齒條完成挖掘動作。

圖2 物理實體對象組成結構

礦用電鏟的形性一體化數字孿生方法的核心是由數值模型和人工智能模型組成的數學模型。 在電鏟的作業過程中， 鏟斗和大臂是主要的承載部件， 需要被重點監測，隨著模型的精細程度增加，計算量會隨之增大，難以實現礦用電鏟結構安全的實時監測， 因此引入深度神經網絡模型。 深度神經網絡模型搭建過程如下：

（1）獲取實驗數據。選取礦用電鏟在一次挖掘過程中的運行狀態作為實驗數據， 主要體現在挖掘時的提升拉力，鏟斗提升角度以及推壓桿推壓長度。上述數據通過布置在礦用電鏟中的各類傳感器實時采集。

（2）數據處理。 為避免數據中存在空值等誤差數據，在訓練模型前對數據進行清洗并進行歸一化處理， 將數據分為訓練數據和測試數據。

（3）搭建深度神經網絡模型。首先進行深度神經網絡前向傳播，利用上一層的輸出計算下一層結果。 假設l-1層有m 個神經元，則對于第l 層第j 個神經元有

為加快收斂速度， 選擇非飽和激活函數ReLU，解決神經網絡層數較多時梯度消失的問題。 使用均方差值度量損失J，同時使用梯度下降法對損失函數進行迭代優化，進行深度神經網絡的反向傳播，輸出層損失函數為：

3 傳感器與通信模塊

傳感器與通信模塊是連接數字孿生中物理實體對象和虛擬孿生體的橋梁。 其主要作用是實現礦用電鏟的運行狀態信息的實時監測和數據傳輸。如圖3 所示，從物理實體模型中采集到的傳感器數據是礦用電鏟當前運行狀態的直接反饋。

圖3 數字孿生通信模塊組成結構

礦用電鏟不同運行狀態主要對應三個變量， 提升拉力F繩由安裝在鏟斗和提升吊繩之間的拉力測力傳感器測得。 推壓長度d 由旋轉編碼器結合推壓電機與齒輪齒條的運動關系計算得到。 提升高度h 由提升電機旋轉編碼器測得。將上述實時采集和計算得到的數據作為輸入變量傳入所建立的人工智能模型中，對鏟斗和大臂的結構性能進行預測。

4 虛擬顯示模型

數字孿生的虛擬顯示模型是多源數據的融合， 包括物理實體的幾何數據、性能數據與傳感器數據。考慮到電腦、手機等智能終端所搭載操作系統的兼容性問題，采用Web 瀏覽器作為數字孿生體三維顯示的平臺。 WebGL 標準為瀏覽器渲染引擎提供了硬件3D 加速渲染，可實現Web端交互式的三維建模。

（1）整機挖掘動作和關鍵零部件的結構性能三維演示。礦用電鏟在挖掘作業時，鏟斗、大臂、傳動齒輪等零部件的結構安全需要重點監測。 圖4 為礦用電鏟的形性一體化數字孿生體與電鏟作業時的實時同步監測畫面， 結構性能以應力和變形兩種形式展現。 系統以礦用電鏟的幾何與性能三維虛擬顯示為主， 此外還包括傳感器實時測量數據的動態圖表及零部件選擇功能。 圖4 展示了礦用電鏟在提升過程中的實時位姿與性能信息。 此外系統還支持用戶選擇具體零部件進行性能單獨顯示， 便于具體觀察單個零部件的性能。

圖4 整機挖掘動作和關鍵零部件的結構性能三維演示

（2）鏟斗挖掘軌跡實時跟蹤。 如圖5 所示，為直觀顯示鏟斗的挖掘行程， 系統可以對鏟斗的挖掘軌跡進行繪制，可用于實時跟蹤鏟斗的挖掘軌跡，對后續優化挖掘軌跡提供數據支撐。

圖5 鏟斗挖掘軌跡實時追蹤

（3）自動預警。礦用電鏟數字孿生性能顯示系統具有自動預警的功能， 如圖6 所示系統根據收集到的位置信息，在后臺進行分析處理，當設備過載、到達極限位置或出現其他異常時，發出警報。

圖6 自動預警功能

5 結論

針對礦用電鏟， 提出了一種形性一體化數字孿生方法，并開發了相應的軟件系統。該方法通過統合深度神經網絡與計算機三維顯示技術， 構建了礦用電鏟的數字孿生體。不過，礦用電鏟的形性一體化數字孿生方法和所開發系統還有待進一步發展， 當前的結構性能分析是對挖掘過程的靜態離散分析的結果，不適用于高速情況。進一步的研究將圍繞動載、高速情形下的結構性能監測展開。盡管如此， 上述提出的方法為形性一體化數字孿生提供了一種有效的方法。此外，該方法不僅可以擴展到其他類型的結構、設備和系統，還可以用于其他領域和行業。