[发明专利]一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法有效
申请号: | 202011023864.7 | 申请日: | 2020-09-25 |
公开(公告)号: | CN112160761B | 公开(公告)日: | 2022-01-14 |
发明(设计)人: | 刘成良;余宏淦;陶建峰;覃程锦;孙浩;丁浩伦;雷军波;徐孜;高浩寒 | 申请(专利权)人: | 上海交通大学;上海智能制造功能平台有限公司 |
主分类号: | E21D9/08 | 分类号: | E21D9/08;E21D9/10 |
代理公司: | 杭州求是专利事务所有限公司 33200 | 代理人: | 刘静 |
地址: | 200241 *** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 现场 参数 tbm 刀盘滚刀 磨损 实时 评估 方法 | ||
1.一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法,其特征在于,包括以下步骤:
步骤1:将刀盘滚刀掘进距离划分若干个长度相等区间,并将区间内滚刀在隧道开挖面上的滚动距离与其最大滚动距离的比值定义为位每把滚刀磨损的健康因子,表示该区间内掘进距离对滚刀磨损的贡献;
步骤2:获取健康因子的影响因素,包括岩石参数、滚刀安装半径和刀间距;所述岩石参数利用与岩石参数有关的TBM现场参数来间接获取实时的岩石信息,这些现场参数由TBM自带的监控系统每隔一定时间或掘进距离进行采集,包括总推力、刀盘扭矩、刀盘转速、掘进速度以及与推力和扭矩有关的液压缸和刀盘驱动电机的参数;
步骤3:将步骤2获取的参数和采集的数据作为特征集,将对应的健康因子作为目标变量,构造包含刀盘上所有滚刀数据的数据集,利用滚刀第一次更换前的数据构造训练集,利用滚刀第二次更换前、第一次更换后的数据构造测试集,其中训练集训练模型,测试集检验模型有效性;
步骤 4:将训练集数据输入到一维卷积神经网络模型中,以评估的目标变量与真实的目标变量之间的均方根误差(RMSE)最小化为目标优化模型参数,得到训练好的一维卷积神经网络模型,并建立特征集与目标变量之间的非线性映射关系,并用测试集数据验证该滚刀磨损评估模型的有效性;
步骤 5:将待评估滚刀的特征集输入到训练好的一维卷积神经网络模型中,评估所有开挖区间的健康因子;
步骤6:将待评估滚刀所有开挖区间的健康因子累加得到滚刀当前的健康状态(healthstatus)值;如果健康状态值达到设定阈值,表明滚刀需要更换。
2.根据权利要求1所述的一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法,其特征在于,所述步骤1中,区间的长度为10cm~100cm之间,根据需求的评估精度确定,区间长度越小,评估精度越高。
3.根据权利要求1所述的一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法,其特征在于,所述步骤2中,与推力和扭矩有关的液压缸和刀盘驱动电机参数具体为:液压缸压力、液压缸行程和液压缸速度、电机电压、电机电流和电机转速。
4.根据权利要求1所述的一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法,其特征在于,所述步骤3中,数据集构造过程如下:
步骤3-1:将选定的现场参数在区间掘进距离内的平均值作为数据集特征集的一部分;
步骤3-2:对区间掘进距离内的总推力、刀盘扭矩、刀盘转速、掘进速度、电机电压、电机电流和电机转速进行数据增强,将这些参数的峰值、均方根值、方差、峰值因子、峭度指标、波形因子和脉冲指标一并作为特征;
步骤3-3:将滚刀安装半径、滚刀间距也添加为特征,并将滚刀安装半径和滚刀间距进行特征向量处理;
步骤3-4:将步骤3-1、3-2、3-3获得的特征串联起来得到一维向量特征集,为了消除各特征数值尺度差异对模型训练的影响,对特征集进行归一化处理,使得每个特征的取值在0~1之间;
步骤3-5:数据集目标变量为步骤1中构建的健康因子,与特征集对应;并对目标变量进行取对数处理。
5.根据权利要求1所述的一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法,其特征在于,所述步骤6中,所述设定阈值根据需求选取,取为0.95。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海交通大学;上海智能制造功能平台有限公司,未经上海交通大学;上海智能制造功能平台有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011023864.7/1.html,转载请声明来源钻瓜专利网。