公开(公告)号：CN118013754A

公开(公告)日：2024-05-10

申请号：CN202410269278.2

申请日：2024-03-11

Applicant: 大连理工大学

Inventor： 张耀东 ,  宋学官 ,  李建基 ,  马新奥 ,  胡正国 ,  谢文达

IPC: G06F30/20 ,  G06T7/246 ,  G06T5/70 ,  G06F17/11 ,  G06F17/18 ,  G06F111/04 ,  G06F119/14

Abstract: 本发明提供一种在隐式曲面下基于三‑五‑三分段变阶多项式的矿用电铲挖掘轨迹规划方法，属于轨迹规划技术领域。所述矿用电铲挖掘轨迹规划方法根据激光雷达扫描返回实时的待挖掘物料表面的点云信息，根据点云信息采用径向基函数构建一个隐式曲面，在构建的隐式曲面上基于三‑五‑三分段变阶多项式进行多约束条件下的挖掘轨迹寻优方法，从而实现对待挖掘物料表面的实时挖掘轨迹规划。本发明根据每次待挖掘物料表面的不同实时规划挖掘轨迹，该发明专利可大幅提高矿用电铲的挖掘效率和矿场产量，降低操作员的工作强度，合理分配矿用电铲的挖掘功率，提高燃料利用率，延长矿用电铲的使用寿命。

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

Inventor： 宋学官 ,  龙秀华 ,  张耀东 ,  连楷研 ,  胡正国

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：CN117872752A

公开(公告)日：2024-04-12

申请号：CN202410016797.8

申请日：2024-01-05

Applicant: 大连理工大学

Inventor： 张耀东 ,  宋学官 ,  李建基 ,  马新奥 ,  胡正国 ,  谢文达

IPC: G05B13/04 ,  G06T17/30

Abstract: 一种基于径向基函数构建隐式曲面的矿用电铲挖掘轨迹规划方法，属于轨迹规划技术领域。首先，对激光雷达扫描返回的点云数据采用径向基函数构造待挖掘物料表面的隐式拟合曲面，采用五次多项式对挖掘轨迹进行规划预测，将挖掘轨迹规划问题转换为五次多项式系数寻优问题；其次，使用拉格朗日方程构建矿用电铲的动力学模型，通过构造的隐式拟合曲面和规划的挖掘轨迹使用积分计算理论挖掘体积，使用经验公式计算挖掘过程中的挖掘阻力；最后，以单位体积的挖掘功耗作为优化目标，确定约束条件，建立多目标寻优模型，获得优化后的挖掘轨迹曲线。本发明能够大幅提高矿用电铲的挖掘效率和矿场产量，合理分配矿用电铲的挖掘功率，提高燃料利用率，延长矿用电铲的使用寿命。

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

Inventor： 宋学官 ,  龙秀华 ,  胡正国 ,  连楷研 ,  张耀东 ,  张天赐

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：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

Inventor： 宋学官 ,  龙秀华 ,  胡正国 ,  连楷研 ,  张耀东 ,  张天赐

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。