邹亚男， 来孝楠， 王 鑫， 郭云飞， 乔建强， 李 光， 宋学官

（1.大连理工大学 机械工程学院， 辽宁 大连116024； 2.太原重工股份有限公司 技术中心， 山西 太原 030024）

0 引言

矿产资源是关键战略资源的重要组成原料， 是衡量一个国家重工业发展水平的标志。 矿用电铲是露天矿开采的关键设备， 在矿产资源的开采中占据着重要地位[1]。但是矿产开采时电铲的工作环境恶劣且工作强度大，存在潜在的结构失效风险。 而矿用电铲这类体型庞大的重型机械设备一旦发生结构失效， 则会造成重大的经济损失甚至是人员伤亡。 因此，为了实现矿用电铲稳定、安全地连续作业， 有必要对矿用电铲在运行阶段进行实时监测，观察关键零部件的性能变化，有助于分析设备的性能衰退原因，实现对设备剩余寿命的有效预测。

随着新一代高新技术的发展， 关于此类重型机械设备的在线监测方法有了新的理念与实现技术——数字孪生。 数字孪生是2003 年由Michael Grieves 教授首次提出[2]，旨在构建一个虚拟空间作为物理空间的高保真映射，实现虚实空间的互联互通， 挖掘物理空间所隐藏的有价值信息。 美国空军研究实验室[3]提出了一种基于数字孪生技术的超高保真预测飞机结构寿命的概念模型。 陶飞等[4]提出了一种基于数字孪生驱动的产品设计服务制造的新方法具体应用和框架。 洛克希德·马丁公司[5]采用数字纽带的技术，创建数字线的工作模式。 可以看出，数字孪生的大多数研究致力于实现对设备运行状态的实时监测、分析、预测等。 因此，提出一种矿用电铲的形性一体化数字孪生方法，可以实现对电铲结构性能的实时求解。 详细讨论了系统的设计框架与相关的关键技术， 并通过一台实验用矿用电铲作为实例验证了该系统的可行性。

1 矿用电铲数字孪生方法组成框架

以矿用电铲在挖掘过程中的数据传递过程为切入点，开发了包含电铲几何表现，运动关系，结构性能的矿用电铲的形性一体化数字孪生方法， 方法框架如图1 所示。 首先，以矿用电铲的物理实体为研究对象，分析电铲运行过程中的关键零部件的承载以及相互之间的运动关系信息，构建物理实体对象的数值分析模型。为了提高计算效率，引入人工智能算法代替数值求解方式，进而减少计算量。 并利用实时的传感器数据作为输入进行在线的性能预测。最后，将矿用电铲的几何数据与预测得到的性能信息借助WebGL[6]在浏览器中实现全尺寸的三维展示，以一种直观的方式实时呈现出电铲在运行状态下的结构性能信息。

图1 矿用电铲的形性一体化数字孪生方法组成框架

2 矿用电铲的物理实体对象

物理实体对象用于描述电铲的物理信息， 这些信息是构建监测系统的基础。作为一种复杂的重型工程机械，矿用电铲作业时需要多个零部件的协同运作。 以实验室中单斗15kg 小型矿用电铲实验台为例进行实例验证。 如图2 所示， 矿用电铲实验台借助工控机、STM32 单片机、控制手柄等控制设备驱动步进电机， 带动锥齿轮和齿轮齿条完成挖掘动作。

图2 物理实体对象组成结构

矿用电铲的形性一体化数字孪生方法的核心是由数值模型和人工智能模型组成的数学模型。 在电铲的作业过程中， 铲斗和大臂是主要的承载部件， 需要被重点监测，随着模型的精细程度增加，计算量会随之增大，难以实现矿用电铲结构安全的实时监测， 因此引入深度神经网络模型。 深度神经网络模型搭建过程如下：

（1）获取实验数据。选取矿用电铲在一次挖掘过程中的运行状态作为实验数据， 主要体现在挖掘时的提升拉力，铲斗提升角度以及推压杆推压长度。上述数据通过布置在矿用电铲中的各类传感器实时采集。

（2）数据处理。 为避免数据中存在空值等误差数据，在训练模型前对数据进行清洗并进行归一化处理， 将数据分为训练数据和测试数据。

（3）搭建深度神经网络模型。首先进行深度神经网络前向传播，利用上一层的输出计算下一层结果。 假设l-1层有m 个神经元，则对于第l 层第j 个神经元有

为加快收敛速度， 选择非饱和激活函数ReLU，解决神经网络层数较多时梯度消失的问题。 使用均方差值度量损失J，同时使用梯度下降法对损失函数进行迭代优化，进行深度神经网络的反向传播，输出层损失函数为：

3 传感器与通信模块

传感器与通信模块是连接数字孪生中物理实体对象和虚拟孪生体的桥梁。 其主要作用是实现矿用电铲的运行状态信息的实时监测和数据传输。如图3 所示，从物理实体模型中采集到的传感器数据是矿用电铲当前运行状态的直接反馈。

图3 数字孪生通信模块组成结构

矿用电铲不同运行状态主要对应三个变量， 提升拉力F绳由安装在铲斗和提升吊绳之间的拉力测力传感器测得。 推压长度d 由旋转编码器结合推压电机与齿轮齿条的运动关系计算得到。 提升高度h 由提升电机旋转编码器测得。将上述实时采集和计算得到的数据作为输入变量传入所建立的人工智能模型中，对铲斗和大臂的结构性能进行预测。

4 虚拟显示模型

数字孪生的虚拟显示模型是多源数据的融合， 包括物理实体的几何数据、性能数据与传感器数据。考虑到电脑、手机等智能终端所搭载操作系统的兼容性问题，采用Web 浏览器作为数字孪生体三维显示的平台。 WebGL 标准为浏览器渲染引擎提供了硬件3D 加速渲染，可实现Web端交互式的三维建模。

（1）整机挖掘动作和关键零部件的结构性能三维演示。矿用电铲在挖掘作业时，铲斗、大臂、传动齿轮等零部件的结构安全需要重点监测。 图4 为矿用电铲的形性一体化数字孪生体与电铲作业时的实时同步监测画面， 结构性能以应力和变形两种形式展现。 系统以矿用电铲的几何与性能三维虚拟显示为主， 此外还包括传感器实时测量数据的动态图表及零部件选择功能。 图4 展示了矿用电铲在提升过程中的实时位姿与性能信息。 此外系统还支持用户选择具体零部件进行性能单独显示， 便于具体观察单个零部件的性能。

图4 整机挖掘动作和关键零部件的结构性能三维演示

（2）铲斗挖掘轨迹实时跟踪。 如图5 所示，为直观显示铲斗的挖掘行程， 系统可以对铲斗的挖掘轨迹进行绘制，可用于实时跟踪铲斗的挖掘轨迹，对后续优化挖掘轨迹提供数据支撑。

图5 铲斗挖掘轨迹实时追踪

（3）自动预警。矿用电铲数字孪生性能显示系统具有自动预警的功能， 如图6 所示系统根据收集到的位置信息，在后台进行分析处理，当设备过载、到达极限位置或出现其他异常时，发出警报。

图6 自动预警功能

5 结论

针对矿用电铲， 提出了一种形性一体化数字孪生方法，并开发了相应的软件系统。该方法通过统合深度神经网络与计算机三维显示技术， 构建了矿用电铲的数字孪生体。不过，矿用电铲的形性一体化数字孪生方法和所开发系统还有待进一步发展， 当前的结构性能分析是对挖掘过程的静态离散分析的结果，不适用于高速情况。进一步的研究将围绕动载、高速情形下的结构性能监测展开。尽管如此， 上述提出的方法为形性一体化数字孪生提供了一种有效的方法。此外，该方法不仅可以扩展到其他类型的结构、设备和系统，还可以用于其他领域和行业。