1.一种基于数字孪生的半自磨机衬板磨损量估计方法,其特征在于,包括如下步骤:S1、根据半自磨机衬板实际参数、矿石钢球颗粒的参数信息、磨损机理模型以及时间序列生成对抗网络构建半自磨机衬板磨损量估计数字孪生模型;
S2、设置半自磨机衬板磨损量估计数字孪生模型的初始矿石填充率、钢球填充率、应用条件和应用范围;
所述设置半自磨机衬板磨损量估计数字孪生模型的初始矿石填充率、钢球填充率、应用条件和应用范围中,设置总填充率为30%,初始矿石占总填充率的20%,钢球占总填充率的10%,预先设置初始矿石和钢球堆积于三维模型筒体中,初始化矿石、钢球颗粒数填充率的计算公式如下所示:式中,表示粒径颗粒总数;为总填充率;为筒体的有效半径;为筒体长度;表示矿石颗粒占总填充率的百分比;表示粒径颗粒半径;
模型应用条件是输入滚筒转速;
模型应用范围在半自磨机衬板磨损量估计数字孪生模型的半自磨机衬板三维几何模型的给矿漏斗内部、筒体内部和排矿筛板内部;
S3、根据半自磨机历史滚筒转速、给矿量和给球量数据,生成等量矿石钢球颗粒并加入半自磨机衬板磨损量估计数字孪生模型的筒体中;
S4、半自磨机衬板磨损量估计数字孪生模型进行数值模拟仿真,计算半自磨机筒体衬板平均磨损深度;时间序列生成对抗网络开始按照输入数据与生成数据比为1:30的比列进行增强扩充;
所述半自磨机衬板磨损量估计数字孪生模型进行数值模拟仿真,计算半自磨机筒体衬板平均磨损深度的表达式如下:式中,为筒体的提升台或底板的面积;为碰撞次数;为Oka Wear模型计算的单次碰撞的磨损深度;
S5、衬板磨损量仿真的时长每隔30天对比真实衬板磨损量数据与估计数据的误差,若相对误差≤5%,则保存时间序列生成对抗网络中的第一超参数和第二超参数,执行S7步;若相对误差>5%,则修正网络参数以及模型参数,继续执行S6步的数字孪生模型训练过程;
S6、循环上述步骤S3至S5;
S7、训练完成后,读取半自磨机实时数据,得到最终结果。
2.根据权利要求1所述的一种基于数字孪生的半自磨机衬板磨损量估计方法,其特征在于,所述根据半自磨机衬板实际参数、矿石钢球颗粒的参数信息、磨损机理模型以及时间序列生成对抗网络构建半自磨机衬板磨损量估计数字孪生模型的步骤如下:S1.1、构建半自磨机三维几何模型并设置半自磨机衬板实际参数;
半自磨机三维几何模型包括:给矿漏斗、筒体和排矿筛板;其中,给矿漏斗用于实时生成矿石钢球颗粒;筒体包括入料端衬板、筒体衬板、出料端衬板,用于计算衬板的磨损量;排矿筛板用于排出矿石钢球颗粒并销毁;
半自磨机衬板实际参数,包括:筒体衬板的几何结构和材料属性和设置矿石钢球颗粒的参数信息;矿石钢球颗粒的参数信息包括:矿石和钢球的几何结构和材料属性;
筒体衬板的材料属性包括:剪切模量、杨氏模量、密度和泊松比;
矿石的几何结构包括大、中和小三个粒度级,形状为球形;
矿石的材料属性包括:剪切模量、杨氏模量、密度和泊松比;
钢球的几何结构为球形;
钢球的材料属性包括:剪切模量、杨氏模量、密度和泊松比;
利用Solidworks建立半自磨机衬板、矿石钢球颗粒的三维几何模型,在进行网格重构之后导入数字孪生模型中;
S1.2、通过离散元法中的Hertz-Mindlin模型、Standard Rolling Friction模型和OkaWear模型构建磨损机理模型,用于数值模拟计算衬板磨损量数据;步骤如下:S1.2.1、构建Hertz-Mindlin模型计算颗粒冲击衬板的法向接触力、切向接触力;
法向接触力的表达式如下:
式中,为颗粒间等效杨氏模量;为颗粒间等效接触半径;为颗粒间的法向重叠;为颗粒间等效质量;为颗粒间碰撞恢复系数;为颗粒的相对法向速度;、 、 的计算方式如下:式中,、表示碰撞时的第一颗粒和第二颗粒;为两个颗粒中心点之间的法向距离;表示第一颗粒的等效杨氏模量;表示第二颗粒的等效杨氏模量;表示第一颗粒的等效接触半径;表示第二颗粒的等效接触半径;表示第一颗粒的等效质量;表示第二颗粒的等效质量;
切向接触力的表达式如下:
式中,为颗粒间滑动摩擦系数;为颗粒间等效剪切模量;为颗粒间的切向重叠;为颗粒的相对切向速度;其中,、 的表达式如下:式中,为两个颗粒中心点之间的切向距离;表示第一颗粒的等效剪切模量;表示第二颗粒的等效剪切模量;
S1.2.2、构建Standard Rolling Friction模型计算滚动摩擦力,是减缓滚动颗粒运动的阻力之一,表达式如下:式中,为颗粒间滚动摩擦系数;为颗粒接触点到质心的距离;为接触点处颗粒的单位角速度矢量;
S1.2.3、构建Oka Wear模型计算磨损深度,表达式如下:式中,为颗粒冲击角;为关于颗粒冲击角的函数;为颗粒质量;为材料表面接触网格的面积;为每单位质量的磨损体积;为任意冲击角下磨损体积与法向碰撞磨损时磨损体积的比例;其中,的表达式如下:式中,为材料的磨损常数;k为实验系数;为颗粒冲击材料的速度;为磨损材料的维氏硬度;为颗粒直径;
S1.3、构建时间序列生成对抗网络;
时间序列生成对抗网络包括:自编码器和生成对抗网络;
自编码器包括:嵌入函数和恢复函数;表达式如下:
式中,表示静态数据的潜在空间;表示时间序列数据的潜在空间;表示t-1时的时间序列数据的潜在空间;表示复现函数解码后的静态数据;表示复现函数解码后的时间序列数据;其中,将数据类型分为义为静态数据S和时间序列数据两类,e和r分别表示相应变量的嵌入函数和恢复函数;表示静态数据的嵌入函数;表示时间序列数据的嵌入函数;表示静态数据的恢复函数;表示时间序列数据的恢复函数;
生成对抗网络包括:生成器和判别器;表达式如下:
式中,表示经过生成器后的静态数据格式;表示经过生成器后的时间序列数据格式;表示t-1时的经过生成器后的时间序列数据格式;表示经过生成器后的静态数据的判别结果;表示经过生成器后的时间序列数据的判别结果;其中,和分别表示生成器函数和判别器函数;表示生成器两种初始噪声类型;表示静态数据的生成器函数;表示时间序列数据的生成器函数;表示静态数据的初始噪声类型;表示时间序列数据的初始噪声类型;表示静态数据的判别器函数;表示时间序列数据的判别器函数;表示反向循环神经网络的隐藏状态;表示前向循环神经网络的隐藏状态;
构建时间序列生成对抗网络的损失函数,实现自编码网络和生成对抗网络的联合训练;损失函数包括:重构损失函数、无监督损失函数和监督损失函数;表达式如下:式中,表示静态数据S和时间序列数据的期望;表示静态数据特征的标签;表示时间序列数据特征的标签;表示经过生成器后的静态数据特征的标签;表示经过生成器后的时间序列数据特征的标签;t表示预设的时序数据的时间步;
在训练过程中,参数修正指标如下:
式中,和是优化过程中修正的第一超参数和第二超参数。
3.根据权利要求1所述的一种基于数字孪生的半自磨机衬板磨损量估计方法,其特征在于,所述衬板磨损量仿真的时长每隔30天对比真实衬板磨损量数据与估计数据的误差,若相对误差≤5%,则保存时间序列生成对抗网络中的第一超参数和第二超参数,执行S7步;若相对误差>5%,则修正网络参数以及模型参数,继续执行S6步的数字孪生模型训练过程的相对误差计算表达式如下:;
修正网络参数包括:TimeGAN的第一超参数和第二超参数;
修正模型参数包括:磨损常数和实验系数。