【技術實現步驟摘要】
本專利技術涉及掘進機教學，尤其涉及一種掘進機的教學模擬方法以及系統。
技術介紹
1、掘進機是地下工程裝備施工過程中的重要裝備，其具備結構復雜、施工工法復雜以及施工參數多等特點，在對掘進機進行上崗操作前，需要對掘進機有足夠的了解，而掘進機的造價普遍昂貴，且所施工的地質環境等工況多樣，無法使用真機型提供教學指導。
2、目前，大部分的掘進機培訓工作都是通過教學模擬系統來實現的。然而，主流的教學模擬系統大多數只能模擬掘進過程的基本動作，少數教學系統將地質環境模型和掘進機模型簡化成模型機，然后搭建模型實物來進行模擬教學，其能做到部分地質環境的模擬或者工況的模擬。但是對于掘進機的傳感器參數無法進行展示和模擬，因為掘進機在施工時的各元器件參數數據一部分可以通過掘進機模型系統仿真軟件計算得到，而另外一部分數據是無法通過掘進機模型系統仿真軟件計算得到，該部分數據可能是來自實際掘進機的傳感器數據或者是耦合了地質環境和人為環境等多種因素綜合影響的數據，比如施工過程中的壓力傳感器數據、速度傳感器數據、位移傳感器數據以及施工過程中需要手動操作的一些閥門開關信號等，這些數據如果通過搭建硬件設備(傳感器)來進行獲取，由于各個傳感器造價昂貴，會極大地提高掘進機的教學成本。
3、因此，如何在低成本下盡可能完整地還原施工過程中的數據達到更好的教學體驗目的成為亟待解決的問題。
技術實現思路
1、(一)要解決的技術問題
2、鑒于現有技術的上述缺點、不足，本專利技術提供一種掘進機的教學模
3、(二)技術方案
4、為了達到上述目的，本專利技術采用的主要技術方案包括：
5、第一方面，本專利技術實施例提供一種掘進機的教學模擬方法，其包括：
6、基于用戶輸入的操作指令信息，利用預先構建的掘進機仿真模型進行系統仿真獲得模型數據集，和利用機器學習算法模型對掘進機的歷史施工數據進行學習獲得模擬施工數據集；
7、對分別位于模型數據集和模擬施工數據集中的同一類型數據進行數據值誤差計算，并判斷數據值誤差是否小于設定閾值；
8、若數據值誤差不小于設定閾值時，則以模型數據集中的數據為新增數據樣本對機器學習算法模型進行訓練，并通過經訓練的機器學習算法模型再次對歷史施工數據進行學習，獲得該類型數據的最優數據值；
9、根據最優數據值，對模型數據集和模擬施工數據集進行數據融合處理，并將得到的操作掘進機的模擬數據集發送至用戶顯示界面進行顯示。
10、可選地，在基于用戶輸入的操作指令信息，利用預先構建的掘進機仿真模型進行系統仿真獲得模型數據集，和利用機器學習算法模型對掘進機的歷史施工數據進行學習獲得模擬施工數據集之前，還包括：
11、根據獲取到的掘進機的參數信息和歷史施工數據，搭建掘進機仿真模型和地質環境模型；
12、以歷史施工數據為數據樣本，對初始機器學習算法模型進行訓練，得到機器學習算法模型；
13、其中，機器學習算法模型包括：隨機森林算法模型、決策樹算法模型以及xgboost算法模型。
14、可選地，基于用戶輸入的操作指令信息，利用預先構建的掘進機仿真模型進行系統仿真獲得模型數據集，和利用機器學習算法模型對掘進機的歷史施工數據進行學習獲得模擬施工數據集包括：
15、獲取用戶輸入的操作指令信息和地質環境信息；
16、基于地質環境信息，利用地質環境模型進行模擬獲得掘進機的施工工況；
17、基于操作指令信息和掘進機的施工工況，利用掘進機仿真模型進行系統仿真獲得模型數據集；
18、以施工工況為約束條件，利用機器學習算法模型對掘進機的歷史施工數據進行學習，獲得模擬施工數據集。
19、可選地，以工況為約束條件，利用機器學習算法模型對掘進機的歷史施工數據進行學習，獲得模擬施工數據集包括：
20、根據操作指令信息，確定模擬數據集的數據項；
21、對數據項進行分析處理，并基于分析結果選擇對應的機器學習算法模型用以對歷史施工數據進行學習；
22、以施工工況為約束條件，結合選擇的機器學習算法模型對掘進機的歷史施工數據進行學習，獲得模擬施工數據集。
23、可選地，對分別位于模型數據集和模擬施工數據集中的同一類型數據進行數據值誤差計算，并判斷數據值誤差是否小于設定閾值包括：
24、獲取分別位于模型數據集和模擬施工數據集中的同一類型數據；
25、依據誤差計算公式獲取同一類型數據的數據值誤差，并判斷數據值誤差是否小于設定閾值；
26、若數據值誤差小于設定閾值時，則判定該類型數據在模型數據集和模擬施工數據集中均為模擬掘進機動作的目標數據；
27、若數據值誤差不小于設定閾值時，則判定該類型數據不屬于模擬掘進機動作的目標數據；
28、其中，誤差計算公式為：
29、εs＝|k1-k2|*(1/k1)
30、式中，εs代表數據值誤差，k1代表模型數據集中數據的數據值，k2代表模擬施工數據集中與模型數據集中為同一類型數據的數據值。
31、可選地，根據最優數據值，對模型數據集和模擬施工數據集進行數據融合處理，并將得到的操作掘進機的模擬數據集發送至用戶顯示界面進行顯示包括：
32、將模型數據集和模擬施工數據集進行數據融合處理，獲得操作掘進機的初始模擬數據集；
33、基于分別位于模型數據集和模擬施工數據集中同一類型數據的最優數據值，將初始模擬數據集中該類型數據的數據值替換為最優數據值，得到始模擬數據集；
34、將模擬數據集發送至顯示屏、vr設備以及mr設備中的任意一種進行顯示。
35、可選地，還包括：
36、基于用戶輸入的工作模式切換指令信息，將掘進機仿真模型和機器學習算法模型切換至對應的工作模式；
37、當工作模式為學員模式時，通過控制掘進機仿真模型和機器學習算法模型運行，獲取操作掘進機的模擬數據集；
38、在工作模式為教員模式情況下，且當獲取到的模擬數據集不符合設置的數據閾值范圍時，根據用戶輸入的參數數據為新增樣本數據，對機器學習算法模型進行訓練。
39、第二方面，本專利技術實施例提供一種掘進機的教學模擬系統，其包括：
40、數字孿生系統，用于執行如權利要求1-7任意一項所述的掘進機的教學模擬方法；
41、與數字孿生系統連接的掘進機模擬操作系統，用于與用戶進行掘進機教學的交互操作。
42、可選地，數字孿生系統包括：
43、施工工況模擬模塊，用于基于用戶輸入的地質環境信息，利用地質環境模型進行模擬獲得掘進機的施工工況；
44、掘進機操作仿真模塊，用于基于操作指令信息和掘進機的施工工況，利用掘進機仿真模型進行系統仿真獲本文檔來自技高網...
【技術保護點】
1.一種掘進機的教學模擬方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，在基于用戶輸入的操作指令信息，利用預先構建的掘進機仿真模型進行系統仿真獲得模型數據集，和利用機器學習算法模型對掘進機的歷史施工數據進行學習獲得模擬施工數據集之前，還包括：
3.如權利要求2所述的方法，其特征在于，基于用戶輸入的操作指令信息，利用預先構建的虛擬掘進機仿真模型進行系統仿真獲得模型數據集，和利用機器學習算法模型對掘進機的歷史施工數據進行學習獲得模擬施工數據集包括：
4.如權利要求3所述的方法，其特征在于，以施工工況為約束條件，利用機器學習算法模型對掘進機的歷史施工數據進行學習，獲得模擬施工數據集包括：
5.如權利要求1所述的方法，其特征在于，對分別位于模型數據集和模擬施工數據集中的同一類型數據進行數據值誤差計算，并判斷數據值誤差是否小于設定閾值包括：
6.如權利要求1所述的方法，其特征在于，根據最優數據值，對模型數據集和模擬施工數據集進行數據融合處理，并將得到的操作掘進機的模擬數據集發送至用戶顯示界面進行顯示包括：
...【技術特征摘要】
1.一種掘進機的教學模擬方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，在基于用戶輸入的操作指令信息，利用預先構建的掘進機仿真模型進行系統仿真獲得模型數據集，和利用機器學習算法模型對掘進機的歷史施工數據進行學習獲得模擬施工數據集之前，還包括：
3.如權利要求2所述的方法，其特征在于，基于用戶輸入的操作指令信息，利用預先構建的虛擬掘進機仿真模型進行系統仿真獲得模型數據集，和利用機器學習算法模型對掘進機的歷史施工數據進行學習獲得模擬施工數據集包括：
4.如權利要求3所述的方法，其特征在于，以施工工況為約束條件，利用機器學習算法模型對掘進機的歷史施工數據進行學習，獲得模擬施工數...
【專利技術屬性】
技術研發人員：胡冕，肖正航，王永勝，江旭，
申請(專利權)人：中國鐵建重工集團股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。