买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国矿业大学(北京)申请的专利一种基于数字孪生模型的液压支架位姿自适应调节方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117090617B 。

龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311164427.0，技术领域涉及：E21D23/26；该发明授权一种基于数字孪生模型的液压支架位姿自适应调节方法是由张帆;李昱翰设计研发完成，并于2023-09-11向国家知识产权局提交的专利申请。

本一种基于数字孪生模型的液压支架位姿自适应调节方法在说明书摘要公布了：本发明公开了一种用于矿山液压支架位姿预测及支护自适应调节方法，该方法利用数字孪生技术建立液压支架三维模型，采用改进的LSTM‑GRU双层神经网络与遗传算法融合的液压支架位姿预测模型，实现对液压支架位姿的自适应调节，包含以下步骤：1建立液压支架三维模型；2获取液压支架相对位姿的测量信息；3训练网络模型得到预测模型的最优解；4在Unity3D中的UGUI组件中构建显示信息；5搭建决策控制平台，利用决策树算法和训练集构建分类模型，并利用测试集验证分类模型决策控制效果。该方法采用数字孪生技术和基于注意力机制的深度学习神经网络算法，实现了对液压支架位姿的自适应调节。

本发明授权一种基于数字孪生模型的液压支架位姿自适应调节方法在权利要求书中公布了：1.一种基于数字孪生的液压支架位姿自适应调节方法，其特征在于，利用数字孪生技术建立液压支架三维模型，采用改进的LSTM-GRU双层神经网络与遗传算法融合的液压支架位姿预测模型，实现对液压支架位姿的自适应调节，包括如下步骤： 步骤1，建立液压支架三维模型：利用SolidWorks建立液压支架三维模型，以fbx格式导入Unity3D软件中，在三维模型中为虚拟液压支架添加父子关系；用c#脚本编写相对位姿反演和精度求解方法，并嵌入到虚拟三维模型系统的底层； 步骤2，获取液压支架相对位姿的测量信息：定义液压支架的相对位姿矩阵和位姿平面来描述支架的位姿状态，根据位姿矩阵射线排列布置监测点，据此在液压支架上分别安装测量传感器，以获取监测点相对位姿的测量信息，将测量信息进行预处理； 步骤3，网络模型训练：采用改进的LSTM-GRU双层神经网络与遗传算法融合的优化方法，建立液压支架位姿预测模型，将液压支架的测量参数输入液压支架位姿预测模型，在所述液压支架位姿预测模型的LSTM和GRU层加入注意力机制，并利用遗传算法对模型参数调优得到最优解，作为液压支架位姿预测模型的层数及各层神经元个数，预测液压支架的姿态状态； 步骤4，利用Unity3D中的UGUI组件构建信息面板，所述信息面板包括测试信息和位姿信息，其中，测试信息用于显示测量得到的传感器数据，位姿信息用于显示获得的位姿信息； 步骤5，基于Unity3D开发软件，搭建决策控制平台；所述决策控制平台由三维状态监测模块、机体参数显示模块、远程干预显示模块组成，利用决策树算法和训练集构建分类模型，并利用测试集验证分类模型决策控制效果； 其特征还在于，步骤2所述液压支架相对位姿矩阵测量方法如下： 根据已知三个监测点在液压支架参考坐标系O-XYZ中的坐标，确定运动液压支架的位置和姿态平面； 对于任意在空间上存在一个点P，其坐标可通过以下公式求解： 其中xp，yp，zp是点P在直角坐标系O-XYZ中的坐标，l是矢量OP的长度，θ为矢量OP在YOZ平面上的投影与z轴正方向之间的夹角，为矢量OP在XOY平面上的投影与Z轴正方向之间的夹角； 三个监测点在参考液压支架坐标系下的坐标，可通过以下公式求解： 其中，θ1、θ2、θ3分别为测量点A、B、C在YOZ平面上的投影与Z轴正方向的夹角， 分别为测量点A、B、C在XOZ平面上的投影与Z轴正方向的夹角，l1、l2、l3分别为测量点A、B、C到O点的距离； 通过求解监测点A、B、C的坐标，确定液压支架的位姿平面； 所述方法的测量信息预处理，其过程如下： 步骤2-1：去除无效数据：去除信息中包含大量空值数据和超出液压支架的范围设置的数据； 步骤2-2：缺失值处理：对存在个别数据缺失的数据情况，采用平均值进行插值； 步骤2-3：对测量信息采用偏差法进行归一化处理： 其中，Xmin为实验数据中的最小值，Xmax为最大值，X为原始数据值，X′为归一化数据值； 所述方法利用LSTM-GRU双层神经网络，用于增强输入序列中的关键信息，利用注意力机制提取内部特征，以增强模型的学习能力与输出性能； 所述方法采用注意力机制优化液压支架位姿预测模型，具体算法流程如下： 1获取LSTM-GRU双层神经网络的网络层的输出，作为注意力机制层的输入x，即{x1,x2,…,xn}； 2使用Linear线性变换函数和ReLU激活函数构建全连接层，得到新的样本{e1,e2,…,en}后通过维度压缩函数squeeze{e1,e2,…,en}转换； 3将样本按照时序参数列输入到sofamax函数得到权重向量W，W中列向量元素个数等于输入的时间步长，每一个元素表示一个时间步长的权重，再将W通过维度扩展函数unsqueezeW进行维度转换； 4将初始样本x和权重向量W相乘得到赋予权重W后的样本{x1W,x2W,…,xnW}； 5将样本按照时间序列参数列进行求和，得到注意力机制层最终的输出； 所述方法采用遗传算法对液压支架位姿预测模型的LSTM层、GRU层、全连接层及各层神经元个数进行参数调优，以测试数据的均方根误差作为损失函数，求解最优解； 所述方法的液压支架位姿预测模型的训练优化过程，具体步骤如下： 步骤3-1：数据获取，对液压支架姿态信息进行处理，筛选数据； 步骤3-2：输入液压支架监测数据，以液压支架的监测数据作为输入变量； 步骤3-3：初始化遗传算法参数设置，设置DNA长度，染色体长度、种群数量、交叉率、变异率及迭代次数； 步骤3-4：随机生成N个种群，经过交叉、变异，计算适应度，选出每一代中适应度值最优的解； 步骤3-5：生成新的种群，进行下一次迭代，直到迭代次数达到最大值时为止，将所得到的最优解作为液压支架位姿预测模型的层数及各层神经元个数； 步骤3-6：训练得到液压支架位姿预测模型； 所述液压支架位姿预测模型，采用LSTM-GRU双层神经网络模型和注意力机制，并以均方误差作为损失函数对预测模型进行训练，然后采用遗传算法反复迭代，选出最优适应度的最优参数； 所述液压支架位姿预测模型，采用遗传算法对液压支架位姿神经网络的超参数进行优化，得到学习速率和隐层神经元数量的最优参数组合； 所述液压支架位姿预测模型，利用最优参数组合构造液压支架位姿预测模型作为当前时刻输入样本与输出样本之间的非线性变换函数； 所述液压支架位姿预测模型，应用非线性变换函数获取下一时刻液压支架的位姿信息。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国矿业大学(北京)，其通讯地址为：100083 北京市海淀区学院路丁11号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。