CN112131796A - 一种基于基因表达式编程的硬岩tbm滚刀磨损实时评估方法 - Google Patents

一种基于基因表达式编程的硬岩tbm滚刀磨损实时评估方法 Download PDF

Info

Publication number
CN112131796A
CN112131796A CN202011023865.1A CN202011023865A CN112131796A CN 112131796 A CN112131796 A CN 112131796A CN 202011023865 A CN202011023865 A CN 202011023865A CN 112131796 A CN112131796 A CN 112131796A
Authority
CN
China
Prior art keywords
hob
abrasion
parameters
real
gene expression
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011023865.1A
Other languages
English (en)
Other versions
CN112131796B (zh
Inventor
刘成良
余宏淦
陶建峰
雷军波
覃程锦
孙浩
丁浩伦
刘明阳
李彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Shanghai Platform For Smart Manufacturing Co Ltd
Original Assignee
Shanghai Jiaotong University
Shanghai Platform For Smart Manufacturing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University, Shanghai Platform For Smart Manufacturing Co Ltd filed Critical Shanghai Jiaotong University
Priority to CN202011023865.1A priority Critical patent/CN112131796B/zh
Publication of CN112131796A publication Critical patent/CN112131796A/zh
Application granted granted Critical
Publication of CN112131796B publication Critical patent/CN112131796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明公开了一种基于基因表达式编程的硬岩TBM滚刀磨损实时评估方法，该方法构造表征每把滚刀磨损的健康因子，利用基因表达式编程算法建立关键的影响滚刀磨损的现场参数与健康因子之间的映射关系，得到评估滚刀磨损的显式表达式模型；对于待评估的某滚刀，构造特征集输入到训练好的模型中，评估各开挖区间的健康因子并累加得到其健康状态值，如果该值接近1，表明需要更换滚刀。本发明方法能建立高精度的滚刀磨损实时评估显式表达式模型，无需地质信息而仅需要监测若干现场参数便能获取每把滚刀的磨损信息，因而能很方便地部署于实际施工中，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。

Description

一种基于基因表达式编程的硬岩TBM滚刀磨损实时评估方法
技术领域
本发明涉及滚刀磨损量评估领域，尤其涉及一种基于基因表达式编的硬岩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，施工人员需要频繁地进入刀盘内部利用量具测量每把滚刀的磨损值。这个过程劳动强度大、施工风险高、检测成本高，研究表明：刀盘滚刀检测、更换及维修约占整个项目施工时间和成本的三分之一。为了在不频繁进入刀盘的情况下，获取实时的滚刀磨损信息，目前主要采用两种方法：1)利用各种传感器或装置，如激光、计算机视觉、超声波、液压推杆、异味添加剂、电涡流传感器、位移传感器等，在线测量滚刀磨损；2)通过建立施工参数、掘进参数、岩石参数等与刀盘滚刀总体磨损的映射关系以及单把滚刀磨损量与安装位置的关系来预估每把滚刀磨损。对于第一种方法，其缺点如下：1)刀盘处于强振、强噪声、强粉尘、多场耦合的恶劣环境，在线监测方法往往难以获取准确可靠的滚刀磨损信息；2)对刀盘上每把滚刀都展开监测，成本高昂。对于第二种方法，其缺点如下：1)岩石参数在实际施工中往往很难实时获取；2)单把滚刀磨损量并不仅仅与安装位置有关，还与磨损极限、刀间距等有关。
然而，大量的研究表明，TBM的现场参数，特别是掘进参数(如推力、扭矩、刀盘转速和掘进速度等)反映了岩-机交互过程，隐含着实时、精确的地质信息。发明人在之前的研究中已经提出了一种新的能表征每把滚刀磨损的健康因子，且利用卷积神经网络建立了现场参数与该健康因子之间的映射关系，实现了每把滚刀磨损的实时、准确评估。但是，该方法输入参数众多(实质上是需要的传感器众多)，实际工程部署时成本较高。如果只需监测若干现场参数便能实现每把滚刀磨损的实时、准确评估且能将模型显式表达，将会大大减少该方法的部署成本。
发明内容
针对当前滚刀磨损开仓检测方法劳动强度大、施工风险高、检测成本高以及在线监测方法在恶劣环境中可靠性难以保证、利用岩石参数预估滚刀磨损的方法在实际施工中难以实时获取岩石信息的问题，本发明提供了一种基于基因表达式编程的硬岩TBM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：一种基于基因表达式编程的硬岩TBM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为若干等长区间，并将某区间内滚刀在掌子面上的滚动距离与其最大滚动距离的比值定义为滚刀在该区间磨损的健康因子，表示该区间内滚动距离对滚刀磨损的贡献；
步骤2：获取滚刀磨损的影响参数，并对滚刀磨损的影响参数与健康因子展开相关性分析，包括计算皮尔森相关系数(PLCC)和斯皮尔曼秩相关系数(SROCC)，选出影响滚刀磨损的关键参数，包括总推力、刀盘扭矩、刀盘转速、掘进速度、滚刀安装半径、滚刀磨损极限和刀间距；
步骤3：对步骤2获取的关键参数进行归一化处理，具体为，分别对不同的关键参数采取相应的归一化方法进行归一化处理；
步骤4：利用基因表达式编程算法建立起归一化后的关键参数与健康因子之间的显式表达式模型；
步骤5：利用施工现场收集数据建立数据集，数据集以归一化后的关键参数为输入特征集，以取对数后的健康因子为目标变量，同时将数据集细分为训练集和测试集，训练集用于训练模型，测试集用于检验模型的泛化性能，具体地：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；训练和测试后得到训练好的显式表达式模型；
步骤6：将待评估滚刀的特征集输入到训练好的显式表达式模型中，评估滚刀在其所有的开挖区间的健康因子；
步骤7：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。
进一步地，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。
进一步地，所述步骤2中，滚刀磨损的影响参数包括岩石参数、滚刀安装半径、滚刀磨损极限和刀间距；所述岩石参数利用与其相关的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自带的监控系统实时采集，包括总推力、刀盘扭矩、刀盘转速、掘进速度等。
进一步地，所述步骤3中，数据归一化过程如下：
步骤3-1：对于有额定值的现场参数，其归一化为监测值除以相应的额定值；
步骤3-2：对于无额定值的现场参数，其归一化为监测值除以一个难以到达的数值；
步骤3-3：对于滚刀安装半径、滚刀磨损极限和滚刀间距，其归一化为这些值除以对应的最大值。
进一步地，所述步骤4中，显式表达式模型建模过程如下：
步骤4-1：基因表达式编程系统的终止集为步骤3中归一化后的关键特征，输出为取对数后的健康因子，函数集为{+,-,×,÷,exp,sqrt,ln,tan,atan,^(-1),^2,^3,^(1/3)}；
步骤4-2：设定种群大小、基因个数、头部长度、变异概率、转置概率和重组概率分别为300、3、8、0.05、0.02和0.1，基因表达树以加法连接，种群适应度函数为均方根误差(RMSE)；
步骤4-3：初始化种群；
步骤4-4：获取各个体的表达式树并计算其适应度值，判断程序是否满足终止条件，所述终止条件为达到适应度阈值或者进化代数，如果满足终止条件则终止程序并选出最佳个体，转入步骤4-6，如果未满足终止条件，则利用轮盘赌策略或者锦标赛策略选出适应度值较小的个体，转入步骤4-5；
步骤4-5：对步骤4-4选出的个体执行变异、转置和重组基因操作，产生下一代种群，转入步骤4-4；
步骤4-6：获取最佳个体的表达式树，得到最终的显式表达式模型。
进一步地，所述步骤7中，所述设定阈值根据需求选取，一般取为1.0。
与现有技术相比，本发明具有如下优点：无需频繁开仓检测滚刀磨损情况，无需获取实时的地质参数或者岩石参数，也无需部署大量传感器，只需监测推力、扭矩、刀盘转速和掘进速度，同时考虑安装半径、磨损极限和刀间距对单把滚刀磨损的影响，便能实时、准确地评估刀盘上每把滚刀的磨损，并且能得到显式表达式模型，因而能很方便地部署于实际施工中，可以大大减少了停机检测时间，提高了刀具利用率，最终提高掘进效率、降低施工成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于基因表达式编程的硬岩TBM滚刀磨损实时评估方法流程图；
图2为本发明基因表达式编程算法流程图；
图3为本发明实施例在测试集上滚刀磨损评估精度示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考图1，一种基于基因表达式编程的硬岩TBM刀盘滚刀磨损实时评估方法，步骤如下：
步骤1：将刀盘滚刀掘进距离划分为10cm等长区间，并将某区间内滚刀在掌子面上的滚动距离与其最大滚动距离的比值定义为滚刀在该区间磨损的健康因子，表示该区间内滚动距离对滚刀磨损的贡献；
步骤2：分析滚刀磨损的影响参数，包括岩石参数、滚刀安装半径、滚刀磨损极限和滚刀间距；所述岩石参数可以利用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自带的监控系统实时采集，包括与推进系统有关的总推力、掘进速度、液压缸推力、行程及速度等，与刀盘驱动系统有关的扭矩、刀盘转速、刀盘驱动电机转速、扭矩和功率等；
步骤3：对步骤2所述的影响滚刀磨损的现场参数在小段掘进区间内取平均值并与健康因子展开相关性分析，分别计算某现场参数与健康因子的皮尔森相关系数(PLCC)和斯皮尔曼秩相关系数(SROCC)，前者用于衡量两变量的线性相关性，后者用于衡量两变量单调的非线性相关性，选出PLCC或SROCC值大于0.5对应的现场参数以降低模型输入维度，最终得到关键参数为推力、扭矩、刀盘转速、掘进速度、滚刀安装半径、滚刀磨损极限和滚刀间距；
步骤4：对步骤3选出的关键参数进行归一化处理，以消除不同输入维度对建模的不利影响，由于流数据无法采用常规的归一化方法，此处采用多种归一化方式组合的方法，具体过程如下：
(1)对于有额定值的现场参数，如推力、扭矩和刀盘转速，其额定值分别为46000KN、7500KN.m和7rpm，它们的归一化为监测值除以对应的额定值；
(2)对于无额定值的现场参数，如掘进速度，其归一化为监测值除以一个难以到达的数值，比如掘进速度一般为0～50mm/min，则该难以达到的数值可以取为100mm/min；
(3)对于滚刀安装半径、滚刀磨损极限和滚刀间距，其归一化为这些值除以对应的最大值，比如滚刀间距有70mm、80mm和100mm三种，则归一化为70/100、80/100、100/100。
步骤5：利用基因表达式编程算法建立起归一化后的关键参数与健康因子之间的显式表达式模型，其流程图见图2，具体过程如下：
(1)基因表达式编程系统的终止集为步骤4中归一化后的关键特征，输出为取对数后的健康因子(10cm掘进区间对应的健康因子很小，10-5～10-3量级，取对数有助于建模成功)函数集为{+,-,×,÷,exp,sqrt,ln,tan,atan,^(-1),^2,^3,^(1/3)}；
(2)设定种群大小、基因个数、头部长度、变异概率、转置概率和重组概率分别为300、3、8、0.05、0.02和0.1，基因表达树以加法连接，种群适应度函数为均方根误差(RMSE)；
(3)初始化种群；
(4)获取各个体的表达式树，将其转为了数学表达式并计算其适应度值，判断程序是否满足终止条件(适应度阈值或者进化代数)，如果满足终止条件则终止程序并选出最佳个体，转入步骤(6)，如果未满足终止条件，则利用轮盘赌策略或者锦标赛策略选出适应度值较小的个体，个体被选中的概率与其适应度值的倒数成正比，算法会重复抽样直到达到种群大小为止(300次)，保证抽样前后种群大小不变，转入步骤(5)；
(5)对步骤(4)选出的较优个体执行变异、转置和重组基因操作，产生下一代种群，转入步骤(4)；
(6)获取最佳个体的表达式树，得到最终的显式表达式模型如下：
Figure BDA0002701554880000051
Figure BDA0002701554880000052
Figure BDA0002701554880000053
Hi，j＝10Gene1+Gene2+Gene3 (4)
式中：Gene1、Gene2、Gene3分别为最优个体对应的3个基因，它们以加法运算连接；Hi,j为第j把滚刀在第i个掘进区间的健康因子；
Figure BDA0002701554880000054
分别为第i个掘进区间取平均值且归一化后的掘进速度与刀盘转速；
Figure BDA0002701554880000055
分别为第j把滚刀的相对刀间距与相对磨损极限。
步骤6：利用某TBM施工地铁隧道现场数据建立数据集以验证所提方法的有效性，数据集以归一化后的关键参数为输入特征，以取对数后的健康因子为目标变量，同时将数据集细分为训练集和测试集，训练集用于训练模型，测试集用于检验模型的泛化性能，具体地：利用28～43号滚刀第一次更换前的数据构造训练集，此时的地质类型主要为角砾岩，利用28～43号滚刀第二次更换前、第一次更换后的数据构造测试集，此时的地质类型主要为玄武岩；
步骤7：将待评估滚刀的特征集输入到建立的显式表达式模型中，评估滚刀在其所有的开挖区间的健康因子；
步骤8：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1.0，则表明滚刀需要立即更换。
图3为本发明实施例提供的基于某TBM施工地铁隧道现场数据构造的数据集中测试集上滚刀磨损评估精度示意图。由于数据有限，数据集并没有包含所有滚刀(刀盘上总共44把滚刀)的数据，其中训练集和测试集为28～43号滚刀数据。
由图3可知，在测试集上刀盘滚刀磨损的平均评估精度达到85.9％，因此建立的滚刀磨损评估显式表达式模型具有良好的泛化性能。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明的具体实施方式。本说明书选取并具体描述实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种基于基因表达式编程的硬岩TBM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为若干等长区间，并将某区间内滚刀在掌子面上的滚动距离与其最大滚动距离的比值定义为滚刀在该区间磨损的健康因子，表示该区间内滚动距离对滚刀磨损的贡献；
步骤2：获取滚刀磨损的影响参数，并对滚刀磨损的影响参数与健康因子展开相关性分析，包括计算皮尔森相关系数(PLCC)和斯皮尔曼秩相关系数(SROCC)，选出影响滚刀磨损的关键参数，包括总推力、刀盘扭矩、刀盘转速、掘进速度、滚刀安装半径、滚刀磨损极限和刀间距；
步骤3：对步骤2获取的关键参数进行归一化处理，具体为，分别对不同的关键参数采取相应的归一化方法进行归一化处理；
步骤4：利用基因表达式编程算法建立起归一化后的关键参数与健康因子之间的显式表达式模型；
步骤5：利用施工现场收集数据建立数据集，数据集以归一化后的关键参数为输入特征集，以取对数后的健康因子为目标变量，同时将数据集细分为训练集和测试集，训练集用于训练模型，测试集用于检验模型的泛化性能，具体地：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；训练和测试后得到训练好的显式表达式模型；
步骤6：将待评估滚刀的特征集输入到训练好的显式表达式模型中，评估滚刀在其所有的开挖区间的健康因子；
步骤7：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所述的一种基于基因表达式编程的硬岩TBM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所述的一种基于基因表达式编程的硬岩TBM滚刀磨损实时评估方法，其特征在于，所述步骤2中，滚刀磨损的影响参数包括岩石参数、滚刀安装半径、滚刀磨损极限和刀间距；所述岩石参数利用与其相关的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自带的监控系统实时采集，包括总推力、刀盘扭矩、刀盘转速、掘进速度等。
4.根据权利要求1所述的一种基于基因表达式编程的硬岩TBM滚刀磨损实时评估方法，其特征在于，所述步骤3中，数据归一化过程如下：
步骤3-1：对于有额定值的现场参数，其归一化为监测值除以相应的额定值；
步骤3-2：对于无额定值的现场参数，其归一化为监测值除以一个难以到达的数值；
步骤3-3：对于滚刀安装半径、滚刀磨损极限和滚刀间距，其归一化为这些值除以对应的最大值。
5.根据权利要求1所述的一种基于基因表达式编程的硬岩TBM滚刀磨损实时评估方法，其特征在于，所述步骤4中，显式表达式模型建模过程如下：
步骤4-1：基因表达式编程系统的终止集为步骤3中归一化后的关键特征，输出为取对数后的健康因子，函数集为{+,-,×,÷,exp,sqrt,ln,tan,atan,^(-1),^2,^3,^(1/3)}；
步骤4-2：设定种群大小、基因个数、头部长度、变异概率、转置概率和重组概率分别为300、3、8、0.05、0.02和0.1，基因表达树以加法连接，种群适应度函数为均方根误差(RMSE)；
步骤4-3：初始化种群；
步骤4-4：获取各个体的表达式树并计算其适应度值，判断程序是否满足终止条件，所述终止条件为达到适应度阈值或者进化代数，如果满足终止条件则终止程序并选出最佳个体，转入步骤4-6，如果未满足终止条件，则利用轮盘赌策略或者锦标赛策略选择个体，个体被选中的概率与其适应度值的倒数成正比，重复抽样直到达到种群大小为止，保证抽样前后种群大小不变，转入步骤4-5；
步骤4-5：对步骤4-4选出的个体执行变异、转置和重组基因操作，产生下一代种群，转入步骤4-4；
步骤4-6：获取最佳个体的表达式树，得到最终的显式表达式模型。
6.根据权利要求1所述的一种基于基因表达式编程的硬岩TBM滚刀磨损实时评估方法，其特征在于，所述步骤7中，所述设定阈值根据需求选取，一般取为1.0。
CN202011023865.1A 2020-09-25 2020-09-25 一种基于基因表达式编程的硬岩tbm滚刀磨损实时评估方法 Active CN112131796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011023865.1A CN112131796B (zh) 2020-09-25 2020-09-25 一种基于基因表达式编程的硬岩tbm滚刀磨损实时评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011023865.1A CN112131796B (zh) 2020-09-25 2020-09-25 一种基于基因表达式编程的硬岩tbm滚刀磨损实时评估方法

Publications (2)

Publication Number Publication Date
CN112131796A true CN112131796A (zh) 2020-12-25
CN112131796B CN112131796B (zh) 2022-05-03

Family

ID=73840154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011023865.1A Active CN112131796B (zh) 2020-09-25 2020-09-25 一种基于基因表达式编程的硬岩tbm滚刀磨损实时评估方法

Country Status (1)

Country Link
CN (1) CN112131796B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449060A (zh) * 2021-06-29 2021-09-28 金陵科技学院 基于混合基因表达式编程的地理大数据安全风险评估方法
CN113780896A (zh) * 2021-10-11 2021-12-10 辽宁工程技术大学 一种硬岩掘进系统健康评估方法
CN117851761A (zh) * 2024-03-08 2024-04-09 山东天工岩土工程设备有限公司 一种盾构机刀盘状态评估方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108279121A (zh) * 2018-02-08 2018-07-13 湘潭大学 一种大切深下滚刀刃底接触力特性测试系统及其测试方法
CN108984817A (zh) * 2018-05-08 2018-12-11 中铁工程装备集团有限公司 一种tbm刀具磨损量实时评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108279121A (zh) * 2018-02-08 2018-07-13 湘潭大学 一种大切深下滚刀刃底接触力特性测试系统及其测试方法
CN108984817A (zh) * 2018-05-08 2018-12-11 中铁工程装备集团有限公司 一种tbm刀具磨损量实时评估方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KIMIKAZU TSUSAKA 等: "ESTIMATION OF CUTTER WEAR CONCERNING SECONDARY FRAGMENTATION IN HARD ROCK TBM TUNNELING", 《中国岩石力学与工程学会会议论文集》 *
夏岩 等: "TBM盘型滚刀不同磨损状态下的切削力预测", 《精密制造与自动化》 *
张康 等: "基于t-SNE数据驱动模型的盾构装备刀盘健康评估", 《机械工程学报》 *
李刚 等: "基于CSM模型的硬岩TBM滚刀磨损预测方法", 《中国机械工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449060A (zh) * 2021-06-29 2021-09-28 金陵科技学院 基于混合基因表达式编程的地理大数据安全风险评估方法
CN113780896A (zh) * 2021-10-11 2021-12-10 辽宁工程技术大学 一种硬岩掘进系统健康评估方法
CN117851761A (zh) * 2024-03-08 2024-04-09 山东天工岩土工程设备有限公司 一种盾构机刀盘状态评估方法及系统
CN117851761B (zh) * 2024-03-08 2024-05-14 山东天工岩土工程设备有限公司 一种盾构机刀盘状态评估方法及系统

Also Published As

Publication number Publication date
CN112131796B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
CN112131796B (zh) 一种基于基因表达式编程的硬岩tbm滚刀磨损实时评估方法
CN109822399B (zh) 基于并行深度神经网络的数控机床刀具磨损状态预测方法
CN110441065B (zh) 基于lstm的燃气轮机在线检测方法与装置
CN112160761B (zh) 一种基于现场参数的硬岩tbm刀盘滚刀磨损实时评估方法
Leng et al. A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines
CN117371337B (zh) 一种基于数字孪生的水利模型构建方法及系统
CN113642801A (zh) 一种基于lstm的绞吸挖泥船产量预测方法
CN115825344A (zh) 一种用于化工企业的废气智能监测方法及系统
CN115310361A (zh) 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统
CN117191147A (zh) 一种泄洪大坝水位监测预警方法及系统
CN115081346A (zh) 一种风电机组尾流效应下的健康度判断方法、装置及介质
CN117521512A (zh) 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法
CN110414734B (zh) 一种计及风资源利用率预测评估的方法
CN117235540A (zh) 基于特征匹配融合的传感器动态信息联动分析方法
CN114320773B (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
CN113931270B (zh) 一种基于深度学习的截流井智能监控系统及监控方法
CN113468823B (zh) 一种基于机器学习的光模块损坏检测方法及系统
CN110222814A (zh) 基于嵌入式dcnn的乙烯裂解炉炉管重管识别方法
Bani-Hani et al. Prediction of energy gains from Jordanian wind stations using artificial neural network
CN115034094A (zh) 一种金属加工机床运行状态预测方法及系统
CN113344352A (zh) 一种基于机器学习算法的蓄电池馈电风险识别方法
CN113973403A (zh) 基于结构离散测点拓扑的温致应变场重分布智能感知方法
CN111695634A (zh) 一种基于有限陪审团机制的数据异常突变点检测算法
CN111625525A (zh) 一种环境数据修复/填充方法及系统
CN111044176A (zh) 一种发电机温度异常的监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant