[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

说明书

本发明公开了一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法，构造表征每把滚刀磨损的健康因子，定义为掘进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，获取健康因子的影响因素作为特征集，将取对数后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，利用一维卷积神经网络建立数据集特征与目标变量之间的映射关系；对于待评估的滚刀，构造其特征集输入到训练好的模型中，评估各开挖区间健康因子并累加得到健康状态值，如果该值接近1，表明需要更换滚刀。本发明方法能有效地根据TBM采集的现场参数实时评估刀盘上每把滚刀的磨损，保证滚刀在临近磨损极限时被及时更换，减少滚刀检测时间，提高刀具利用率。

技术领域

本发明涉及滚刀磨损量评估领域，尤其涉及一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法。

背景技术

在硬岩TBM隧道掘进过程中，刀盘滚刀检测、更换及维修占整个工程施工时间和成本的很大一部分。当前有三类方法获取滚刀磨损信息，分别是开仓检测方法、在线监测方法和磨损评估方法。开仓检测方法简单、可靠，目前在隧道工程中广泛采用，但是其检测成本高、施工风险大。在线监测方法利用各种传感器或装置，如激光、计算机视觉、液压推杆、异味添加剂、电涡流传感器等，在线测量滚刀磨损。然而，由于测量环境恶劣，在线监测方法往往难以获取可靠的磨损信息，且对刀盘上每把滚刀都展开监测，成本高昂，因而目前在实际施工中难以推广。磨损评估方法在隧道施工前对整个工程的刀具消耗进行预估以便备件，但是该方法所需的精确地质信息难以获取且构造的表征滚刀磨损健康因子只能从整个刀盘的角度评估滚刀磨损。因此，磨损评估方法应用于实际掘进时无法告诉维修人员何时更换哪些滚刀。

然而，大量研究表明，TBM现场参数反映了岩-机交互，隐含实时、精确的地质信息。如果能构建一个表征每把滚刀磨损的健康因子，便可以利用深度学习强大的非线性表达能力获取现场参数与该健康因子之间的映射关系，最终实现刀盘上每把滚刀磨损的实时评估。

发明内容

针对当前滚刀磨损评估方法无法准确评估TBM隧道掘进过程中每把滚刀的磨损问题，本发明提供了一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法。

为了有效解决上述问题，对本发明提供的技术方案进行详细说明：一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法，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(health status)值；如果健康状态值达到设定阈值，表明滚刀需要更换。