基于数字孪生预测的露天矿无人驾驶卡车调度系统及方法

摘要

本发明属于车辆智能调度领域，公开了一种基于数字孪生预测的露天矿无人驾驶卡车调度系统及方法。所述调度系统包括智能调度平台、模型模块和调度计算模块；智能调度平台通过信号塔与矿卡、电铲、卸载区建立网络通讯，用于接收矿卡、电铲、卸载区的状态信息并发送至模型模块以更新各模型实例，并将输出结果发送至调度计算模块；调度计算模块用于基于接收的输出结果，运算调度算法，计算矿卡的调度任务并输出调度指令，智能调度平台通过信号塔将调度指令发送至矿卡。本发明解决了人工驾驶车辆行驶速度和行驶轨迹不一致、行驶同样路径所需时长不一样、调度系统无法及时获取行车位置的问题，以及无法提前预测导致装卸区负责不均衡的问题。

说明书

技术领域

本发明属于车辆智能调度领域，特别涉及一种基于数字孪生预测的露天矿无人驾驶卡车调度系统及方法。

背景技术

车辆调度是指制定行车路线，使车辆在满足一定的约束条件下，有序地通过一系列装货点和卸货点，达到诸如路程最短、费用最小、耗时最少等目标。智能调度是在以上车辆调度的基础上融合了物联网、数据分析、全球定位等技术，更高效的提高运输周转效率。

数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。

当前，很多露天矿在剥离、采矿和掘沟后需要利用矿卡进行运输矿(岩),每个露天矿具有少则十几台多则上百台的矿卡，怎样有序调度矿卡，达到路程最短、费用最小、耗时最少、效率最高等目标是每个露天矿都要解决的一个问题。目前，很多运营露天矿的企业都实现了使用相关调度信息管理系统来调度矿卡完成生产任务。但是当前很多调度系统因为矿卡人工驾驶、自由度高，使原来的调度任务产生很多不确定性，导致调度任务执行过程中变更、取消，电铲或卸载区负载不均衡，出现电铲或卸载区有些撑死有些饿死的现象。而以上问题主要是人工驾驶车辆行驶速度和行驶轨迹不一致，行驶同样路径所需时长不一样，同时调度系统无法及时获取行车位置，也无法提前预测造成的。

发明内容

针对人工驾驶车辆行驶速度和行驶轨迹不一致、行驶同样路径所需时长不一样、调度系统无法及时获取行车位置的问题，以及由此问题而无法提前预测导致装卸点（区域）负责不均衡的问题，本发明提供了数字孪生预测方法，通过计算分析整个系统中的矿卡实时上报的数据、电铲实时数据、卸载区域实时数据、道路路网GIS数据，计算出每个调度任务的路径和调度目标，再根据当前各辆车的实时数据预测出每个调度任务因新加的调度任务所受到的影响，从而判断出当前计算出的调度任务是否是最佳调度方案，并在合适的时间把根据调度方案生成的调度路径数据下发给无人矿卡和电铲。无人矿卡根据收到的调度路径，按照调度路径数据中的设定速度受控行驶，并实时上报行车位置信息数据给智能调度平台。

为实现上述目的，本发明提供了一种基于数字孪生预测的露天矿无人驾驶卡车调度系统，包括智能调度平台、模型模块和调度计算模块；所述模型模块包括地图抽象模型、矿卡模型、电铲模型和卸载区模型；所述智能调度平台通过信号塔与矿卡、电铲、卸载区建立网络通讯，用于接收矿卡、电铲、卸载区的状态信息并发送至所述模型模块以更新各模型实例，并将更新后的各模型实例的输出结果发送至所述调度计算模块；所述调度计算模块用于基于接收的输出结果，运算调度算法，计算矿卡的调度任务并输出调度指令；所述智能调度平台通过信号塔将调度指令发送至矿卡。

进一步，所述地图抽象模型包括如下属性成员：道路集合、路口集合和装载区或卸载区集合；并且包括如下动作：道路封闭、道路解除封闭、获取道路、获取道路长度、获取路径、获取路径长度、地图更新、获取路口和获取装载区或卸载区；

所述矿卡模型包括如下属性成员：车辆位置、车辆装载信息、空重载状态、当前道路和当前路径；并且包括如下动作：道路行驶、停车、装载、卸载、排队等待装载或卸载、上报位置信息和开机启动；

所述电铲模型包括如下属性成员：矿卡位置及其所属装载区或卸载区；并且包括如下动作：装载、平均装载时长、上报位置信息和开机启动；

所述卸载区模型包括如下属性成员：矿卡位置及其所属装载区或卸载区；并且包括如下动作：卸载、平均卸载时长、上报位置信息和开机启动。

进一步，所述调度计算模块利用矿卡完成装卸载任务最少时长原则，计算矿卡的调度任务路径。

进一步，矿卡、电铲、卸载区通过4G/5G无线连接到4G/5G信号塔，4G/5G信号塔与所述智能调度平台通过局域网连接。

本发明还提供了一种利用上述系统的露天矿无人驾驶卡车调度方法，包括如下步骤：

S1：智能调度平台通过信号塔接收矿卡上报的位置信息并发送至模型模块；

S2：模型模块更新对应的矿卡模型实例，并执行相关动作使矿卡模型的状态和矿卡实体状态一致；

S3：判断是否达到计算矿卡的调度任务的时刻，若达到，调度计算模块运算调度算法，计算矿卡的调度任务并发送至智能调度平台；

S4：智能调度平台通过信号塔下发矿卡的调度任务给对应矿卡；

S5：重复步骤S1至步骤S4。

进一步，步骤S3中，计算矿卡的调度任务的时刻包括：矿卡开机启动时；电铲、卸载区设备开机启动时，增加矿卡可去目标时；矿卡的任务状态切换时；矿卡出现故障或备用时取消调度任务时；电铲、卸载区设备出现故障或备用时，取消以这些设备为目的地的矿卡的任务，并把这些设备剔除出矿卡可去目标时；路网出现变动时。

进一步，步骤S3中，调度计算模块计算矿卡的调度任务具体过程如下：

1）接收所有矿卡的位置信息；

2）判断主体矿卡是否有新任务，若有，则查找主体矿卡的所有可达目的地；

3）查找主体矿卡到达每个可达目的地的路径；

4）查找去往每个可达目的地的其他矿卡并计算其中每个矿卡的到达时长；

5）根据每个矿卡的到达时长进行排队，然后考虑装载或卸载时长，计算每个矿卡从当前位置到装载或卸载完成所用任务时长；

6）根据最小时长原则，选择主体矿卡的最小任务时长路径；若有多个相同的最小任务时长路径，则根据最短路径原则，选择最短路径对应的目的地，否则进行步骤8）；

7）若相同长度的最短路径对应有多个目的地，则随机选择一个调度目的地；

8）生成调度任务并下发给主体矿卡。

进一步，步骤5）中，利用如下公式计算每个矿卡从当前位置到装载或卸载完成所用任务时长；

其中，

本发明的有益效果：

1）在本发明中，由于各辆无人矿卡是受控行驶，因此其到达某个电铲或卸载区的时间可预测，且电铲、卸载区的装卸载时长是可统计的，而在现有的没有采取本发明的调度系统中，由于是人工驾驶，无法准确计算出矿卡到达电铲或卸载区的时刻，导致调度计算出的结果不是最需要去的电铲或卸载区；

2）与最早装车法(Earliest Loading)进行比较的话，最早装车法可能发生某个电铲或卸载区因为路途较近，出现矿卡赶堆现象；某个电铲或卸载区因为路途较远，出现无或少矿卡现象；而本发明的调度方法能最大限度的解决矿卡赶堆某个电铲或卸载区的现象，有利于电铲或卸载区的负载均衡。

附图说明

图1是本发明实施例的基于数字孪生预测的露天矿无人驾驶卡车调度系统中智能调度平台与矿卡、电铲、卸载区、道路路网的组网及模型关系示意图；

图2是本发明实施例的调度系统的计算流程图；

图3是本发明实施例的调度任务示意图。

具体实施方式

下面结合附图和实施例进一步描述本发明，应该理解，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。

如图1所示，本实施例的基于数字孪生预测的露天矿区无人驾驶卡车调度系统，包括智能调度平台、模型模块和调度计算模块，所述模型模块包括地图抽象模型、矿卡模型、电铲模型和卸载区模型。所述智能调度平台通过专有网络与4G/5G信号塔连接，矿卡、电铲、卸载区通过4G/5G无线连接到4G/5G信号塔，实现了矿卡、电铲、卸载区与智能调度平台的网络通讯。所述智能调度平台通过4G/5G信号塔接收矿卡、电铲、卸载区的状态信息并分别发送至各模型以更新各模型实例，使模型的状态与实物相关状态高度一致，然后将更新后的各模型实例的输出结果发送至调度计算模块。调度计算模块基于接收的输出结果，运算调度算法，计算矿卡的调度任务并输出调度指令，智能调度平台再通过4G/5G信号塔将调度指令发送至无人矿卡。

本实施例中，图1中各模型各自包括的属性成员与动作如下：

A. 地图抽象模型中:

属性成员：道路集合、路口集合和装载区或卸载区集合；

动作：道路封闭、道路解除封闭、获取道路、获取道路长度、获取路径（每条路径由一条或多条道路组成）、获取路径长度、地图更新、获取路口和获取装载区或卸载区；

B. 矿卡模型中:

属性成员：车辆位置（GPS位置）、车辆装载信息、空重载状态、当前道路和当前路径；

动作：道路行驶、停车、装载、卸载、排队等待卸载或装载、上报位置信息和开机启动；

C. 电铲模型中:

属性成员：车辆位置（GPS位置）和所属装载区或卸载区；

动作：装载、平均装载时长、上报位置信息和开机启动；

D. 卸载区模型中:

属性成员：车辆位置（GPS位置）和所属装载区或卸载区；

动作：卸载、平均卸载时长、上报位置信息和开机启动。

本实施例的基于数字孪生预测的露天矿无人驾驶卡车调度系统的整体流程如图2所示，具体调度过程如下：

S1：无人矿卡在开机后按照事先约定的相关数据结构通过通讯网络发送位置信息，智能调度平台通过信号塔接收无人矿卡上报的位置信息并解析，并将解析结果发送至模型模块；

S2：模型模块更新对应的矿卡模型实例，并执行相关动作，使矿卡模型的状态和矿卡实体状态一致；

S3：判断是否达到计算无人矿卡的调度任务的时刻，若达到，调度计算模块运算调度算法，计算无人矿卡的调度任务并发送至智能调度平台；

本步骤中，调度计算模块是以当前时刻数据为基础，模拟无人矿卡运行的过程。特别地，所采用的调度算法为使用任务最少时长原则来选择相应的调度任务路径，即选择完成装卸载任务花费的时间最少的调度任务路径。相同条件下，每辆车的装卸载任务时长越小，单个排班内完成的装卸载任务就越多，产量就越高。计算任务时长使用的数学模型/公式如下：

其中，

S4：智能调度平台通过信号塔下发无人矿卡的调度任务给对应无人矿卡；

S5：重复步骤S1到步骤S4。

特别地，计算任务时长的数学模型/公式的具体运用如下：

首先，调度计算模块在如下情况下需要计算无人矿卡的调度任务：无人矿卡开机启动时；电铲、卸载区设备开机启动时，以增加无人矿卡可去目标；无人矿卡的任务状态切换时（在装卸载完成时）；无人矿卡出现故障或备用时取消调度任务时；电铲、卸载区设备出现故障或备用时，取消以这些设备为目的地的无人矿卡的任务，并把这些设备剔除出无人矿卡可去目标时；路网出现变动时（比如道路封闭、地图更新等），下面以矿卡卸载完成时计算调度任务为例进行说明。

因无人矿卡沿道路的GPS采集数据循迹行驶，并且道路设定一定的车速，无人矿卡严格按照设定车速行驶，所以可以计算出矿卡经过每一条道路的时长。假设无人矿卡A-E中每个无人矿卡经过每条道路时长如图3所示，此时假定当前时刻无人矿车A-E、电铲A和B、路口A和B的状态为：

1）假设无人矿车A-E经过路口A和B不花费时间；

2）电铲A和电铲B完成装载一次的时间为4分钟，即每个无人矿卡排队时长为4*

3）无人矿卡A已经卸载完成，等待调度计算模块计算调度任务，确定调度目标；

4）无人矿卡B已经确定调度任务，正在去往电铲A装载的道路L4上，还有2分钟通过路口B，到达道路L5；

5）无人矿卡C正在由电铲B装载中，还需要1分钟装载完成；

6）无人矿卡D正在排队，等待无人矿卡C装载完成后由电铲B装载；

7）无人矿卡E正在由电铲A装载中，还需要4分钟装载完成。

下面选择无人矿卡A的目的地并计算其行驶路径，具体过程如下：

1）经查找无人矿卡A可达目的地为电铲A和电铲B；

2）查找无人矿卡A到电铲A和电铲B的路径，结果如下表1所示：

表1 无人矿卡A从当前位置到电铲A和电铲B的路径、道路以及对应时长

可见，无人矿卡A到电铲A和B的路径唯一，不存在选择问题。

3）查找无人矿卡B从当前位置到电铲A所经过的道路，结果如下表2所示：

表2 无人矿卡B从当前位置到电铲A的路径、道路以及对应时长

4）计算无人矿卡A和无人矿卡B到达目的地的路径所需时间：

无人矿卡A到达电铲A时长

无人矿卡A到达电铲B时长

无人矿卡B到达电铲A时长

5）根据步骤4）中计算的到达目的地所需时长升序排列，如下表3所示：

表4 无人矿卡A和无人矿卡B到达各自目的地所需时长升序排列

6）计算无人矿卡A和无人矿卡B的排队等待时间

无人矿卡B到达电铲A时，无人矿卡E已经装载完成并离开，等待时长

无人矿卡A到达电铲A时，无人矿卡B正在装载并且已经装载2分钟，等待时长

无人矿卡A到达电铲B时，无人矿卡C和无人矿卡D已经装载完成并且离开，等待时长

7）计算无人矿卡A和无人矿卡B的任务完成时长

无人矿卡B到电铲A任务的时长

无人矿卡A到电铲A任务的时长

无人矿卡A到电铲B任务的时长

8）根据任务时长最少原则，选择目的地，无人矿卡A的目的地为电铲B，行驶路径为L1→路口B→L5→路口A→L3。

综上，本发明对整个露天矿的智能调度系统的矿卡、电铲、卸载区、道路路网等创建全面的数字模型。同时为矿卡、电铲、卸载区安装相关智能感知、监测、通信设备通过4G/5G无线网络通信技术实现跟调度系统的及时通讯，实时接收各种设备的实时数据和发送对这些设备的控制指令和数据同步，使创建出的数字模型的状态与现实中的各种设备的状态保持一致，实现数字孪生系统。此外，本发明根据道路路网GIS数据抽象出路网拓扑图，结合电铲、卸载区设备上报的产能数据和无人矿卡的位置信息，车辆受控行驶路径的时长、排队等待时长、装卸载时长，计算出各辆无人矿卡的目的地和行驶路径；各无人驾驶车辆按照下发的行驶路径GPS数据受控行驶，并实时上报位置信息、任务完成情况，直至当前任务完成。

对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以对本发明的实施例做出若干变型和改进，这些都属于本发明的保护范围。