CN115563863A - 基于深度学习的泥水盾构滚刀磨损量实时确定方法及终端 - Google Patents

基于深度学习的泥水盾构滚刀磨损量实时确定方法及终端 Download PDF

Info

Publication number
CN115563863A
CN115563863A CN202211185853.8A CN202211185853A CN115563863A CN 115563863 A CN115563863 A CN 115563863A CN 202211185853 A CN202211185853 A CN 202211185853A CN 115563863 A CN115563863 A CN 115563863A
Authority
CN
China
Prior art keywords
hob
abrasion loss
deep learning
shield
abrasion
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.)
Pending
Application number
CN202211185853.8A
Other languages
English (en)
Inventor
曾毅
沈水龙
熊旺
张楠
吴嘉敏
吕琦
卞跃威
范学义
黄光爵
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.)
Shantou University
Shanghai Tunnel Engineering and Rail Transit Design and Research Institute
Original Assignee
Shantou University
Shanghai Tunnel Engineering and Rail Transit Design and Research Institute
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 Shantou University, Shanghai Tunnel Engineering and Rail Transit Design and Research Institute filed Critical Shantou University
Priority to CN202211185853.8A priority Critical patent/CN115563863A/zh
Publication of CN115563863A publication Critical patent/CN115563863A/zh
Pending legal-status Critical Current

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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明提供一种基于深度学习的泥水盾构滚刀磨损量实时确定方法及终端，包括：S1，测量泥水盾构某安装位置处滚刀更换时的累计磨损量；S2，确定累计磨损量所对应的滚刀实际工作时间；S3，建立滚刀寿命评价标准；S4，建立滚刀磨损参数集，对磨损参数集和滚刀寿命评价标准集进行归一化处理；S5，建立CNN‑GRU深度学习网络模型，并确定模型参数；S6，将滚刀磨损参数集和滚刀寿命评价标准输入CNN‑GRU深度学习网络模型，并利用优化器更新模型训练参数；S7，重复S6直至模型达到迭代次数，并输出滚刀磨损量预测值。本发明实现对盾构掘进过程中某单把滚刀磨损量的实时预测，提高预测结果的准确性和可靠性。

Description

基于深度学习的泥水盾构滚刀磨损量实时确定方法及终端
技术领域
本发明涉及隧道施工领域，具体地，涉及一种基于深度学习的泥水盾构滚刀磨损量实时确定方法及终端。
背景技术
盾构法是地下隧道建设常采用的方法之一。盾构机刀盘前方的滚刀在盾构推力和刀盘扭矩作用下旋转切割地层，并将开挖后的渣土通过渣土车转移出隧道，从而达到隧道开挖的目的。随着盾构机向前掘进，滚刀不可避免的发生磨损，导致盾构掘进效率的降低。在硬岩地层中施工时，滚刀磨损严重还将大幅增加盾构机卡顿的风险，进而影响施工工期，增加施工成本。因此，需要对磨损量接近或达到限值的滚刀及时进行更换。目前，工程现场换刀作业主要依靠人工进入开挖舱，通过对滚刀磨损量进行逐一测量后再确定需要更换的滚刀。在不良地质中进行开舱检查时，需要增大土舱内气压以维持开挖面稳定，造成换刀作业环境恶劣，极大的降低工作效率，增加了换刀作业风险。因此，有必要对刀具磨损量进行预测，从而提高换刀效率。现有滚刀磨损量预测方法大多考虑刀盘滚刀整体磨损情况，然而换刀作业中需要确定某单把滚刀的磨损状态从而判断其是否需要更换。由此可见，急需一种盾构滚刀磨损量预测方法，实现对单把滚刀的磨损预测，从而减少开舱换刀作业时间和次数，进而有效降低换刀作业风险，提高盾构施工效率。
经对现有技术文献的检索发现，中国发明专利申请号为CN201310134258.6，公开号为CN103235880A，专利名称为：用径向磨损系数对盘形滚刀寿命进行预测的方法，该专利自述为：“通过计算全断面隧道掘进机刀盘上盘形滚刀径向磨损系数、对盘形滚刀径向磨损系数进行修正、对全断面隧道掘进机刀盘上盘形滚刀寿命进行预测。”该专利所述的滚刀磨损量预测方法基于刀盘上正面滚刀、边缘滚刀整体角度考虑，无法对某单把滚刀磨损量进行预测。当盾构处于复杂地层条件下施工时，滚刀磨损量随盾构开挖过程变化迅速，地质情况无法做到准确实时更新，因此，该方法难以实现滚刀磨损量的实时预测。此外，该方法仍需要人工进入开挖舱内通过测量滚刀磨损情况再确定某把滚刀更换与否，无法对换刀作业提供准确依据，导致换刀作业效率低下，实用性差，施工风险高。
发明内容
针对现有方法中的缺陷，本发明的目的是提供一种基于深度学习的泥水盾构滚刀磨损量实时确定方法及终端，克服了现有方法仅考虑刀盘整体滚刀健康程度的不足，实现对盾构掘进过程中某单把滚刀磨损量的实时预测。
另外，经研究发现，在复杂地层条件下施工中，滚刀磨损量还会跟地层的均匀性相关。本发明同时考虑地质情况对滚刀磨损量的影响，提高预测结果的准确性和可靠性，节约计算成本。
本发明的第一方面，提供一种基于深度学习的泥水盾构滚刀磨损量实时确定方法，包括：
S1，测量泥水盾构某安装位置处滚刀更换时的累计磨损量；
S2，确定S1中累计磨损量所对应的滚刀实际工作时间；
S3，结合施工现场的地层均匀性系数，根据所述累计磨损量和所述实际工作时间之间的关系建立滚刀寿命评价标准；
S4，建立滚刀磨损参数集，对磨损参数集和滚刀寿命评价标准集进行归一化处理，其中，所述滚刀磨损参数集是指盾构施工中影响滚刀磨损的掘进参数随时间变化的数据样本；
S5，建立CNN-GRU深度学习网络模型，并确定模型参数；
S6，将输入滚刀磨损参数集和滚刀寿命评价标准代入CNN-GRU深度学习网络模型，利用优化器更新模型训练参数；
S7，重复S6直至深度学习模型达到迭代次数，并输出滚刀磨损量预测值。可选地，所述滚刀寿命评价标准由下式确定：
CL＝Wa/(β·tw)
式中，CL为滚刀寿命评价标准，单位为mm/min；Wa为滚刀的累计磨损量，单位为mm；β为地层均匀性系数，取1或1.5，地层均匀取1，地层不均匀取1.5；tw为滚刀的累计磨损量所对应的工作时间，单位为min。
本发明的第二方面，提供一种基于深度学习的泥水盾构滚刀磨损量实时确定终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，所述处理器执行所述程序时用于执行所述的基于深度学习的泥水盾构滚刀磨损量实时确定方法。
本发明的第二方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行所述的基于深度学习的泥水盾构滚刀磨损量实时确定方法。
与现有技术相比，本发明具有如下至少一种的有益效果：
本发明提出了盾构掘进施工过程中滚刀寿命评价标准，采用CNN-GRU组合深度学习网络，能够随着施工进展对单把滚刀磨损量进行实时预测。CNN-GRU组合深度学习网络可以有效提取时间序列数据的主要特征，降低盾构操作参数中冗余信息在模型迭代计算过程中的参与度，从而加快深度学习网络收敛速度，节约模型计算成本。
本发明中滚刀寿命评价标准，采用滚刀磨损量和实际工作时间，同时还结合施工现场的地层均匀性系数，考虑了盾构施工中地层变化对滚刀刀圈所产生的冲击力对滚刀磨损的影响，充分考虑了盾构施工中地层情况、掘进参数变化对滚刀磨损的影响，能够提前预测滚刀磨损量变化情况，可以帮助盾构现场施工人员判断刀具检查时机，减少盾构机停机次数和每次停机时长，从而提高施工效率，降低施工成本。本发明所提出的方法简洁高效，准确性高，具有很大的应用和推广价值。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例滚刀磨损量实时确定方法流程图；
图2为本发明一具体应用例滚刀磨损量实时确定方法流程图；
图3为本发明一实施例滚刀累计磨损量随工作时间变化图；
图4为本发明一实施例CNN-GRU深度学习网络结构图；
图5为本发明一实施例滚刀磨损量预测结果图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
参照图1所示，为本发明一实施例滚刀磨损量实时确定方法流程图。本实施例中的基于深度学习的泥水盾构滚刀磨损量实时确定方法，采用CNN-GRU组合深度学习网络，能够随着施工进展对单把滚刀磨损量进行实时预测。
具体的，本实施例中基于深度学习的泥水盾构滚刀磨损量实时确定方法，包括如下步骤：
S1，确定某安装位置处滚刀的累计磨损量。
本步骤中，累计磨损量是指某安装位置处滚刀更换时的磨损量之和。
本步骤中，磨损量可以通过人工测量方法获得。进一步的，人工测量可以是：采用与滚刀刀圈尺寸相匹配的量刀卡尺在盾构机开舱检查时测量滚刀径向磨损量。
S2，确定S1中滚刀累计磨损量所对应的实际工作时间。
本步骤中，实际工作时间是指某安装位置处滚刀在盾构掘进过程中与地层相互作用的时间，通过下式确定：
Figure BDA0003867660610000041
式中，tw表示滚刀实际工作时间；ti表示第i次磨损量记录与第i-1次磨损量记录区段内滚刀与地层相互作用时间；n表示滚刀磨损量记录的次数。
进步一步的，滚刀与地层相互作用时间ti的确定方法包含以下步骤：
(1)过滤滚刀第i次磨损量记录与第i-1次磨损量记录区段内盾构机非工作时间，盾构机非工作时间通过下式确定：
F＝f(AR)×f(PE)×f(CRS)
式中，F值为零表示盾构机处于非工作状态，AR为掘进速度，PE为贯入度，CRS为刀盘转速。f(x)为判断掘进速度、贯入度、刀盘转速中是否包含零值的函数，如下式所示：
Figure BDA0003867660610000051
(2)过滤第i次磨损量记录与第i-1次磨损量记录区段内盾构机每环掘进过程中的起始段和结束段数据，保留稳定掘进段数据。稳定阶段数据所满足的标准通过下式确定：
Figure BDA0003867660610000052
式中，
Figure BDA0003867660610000053
为掘进第k环过程中变量j的平均值；
Figure BDA0003867660610000054
为掘进第k环过程中变量j的标准差；gj为盾构机每环稳定掘进段数据中变量j的值；m为掘进环数；TF为盾构推力；TO为盾构刀盘扭矩；CRS为盾构刀盘转速。
(3)滚刀与地层相互作用时间ti等于经过步骤(1)和步骤(2)处理后，滚刀的第i次磨损量记录与第i-1次磨损量记录区段内剩余的数据样本量。
S3，结合施工现场的地层均匀性系数和上述的滚刀磨损量、实际工作时间，建立滚刀寿命评价标准。
本步骤中，滚刀寿命评价标准是指盾构掘进过程中衡量滚刀磨损状况的指标，由下式确定：
CL＝Wa/(β·tw)
式中，CL为滚刀寿命指标，单位为mm/min；Wa为滚刀的累计磨损量，单位为mm；β为地层均匀性系数，取1-1.5，地层均匀取1，地层不均匀取1.5；tw为滚刀的累计磨损量所对应的实际工作时间，单位为min。本实施例中，同时考虑地层均匀性系数、滚刀磨损量、实际工作时间，能更为准确的对滚刀磨损量进行预测。
S4，建立滚刀磨损参数集，对磨损参数集和滚刀寿命评价标准集进行归一化处理。
本步骤中，滚刀磨损参数集是指盾构施工中影响滚刀磨损的掘进参数随时间变化的数据样本。
具体的，掘进参数包含盾构机动力系统参数、刀盘系统参数、排渣系统参数，渣土调节系统参数以及盾构隧道几何参数。
本步骤中，归一化处理是指将滚刀磨损参数集进行无量纲化处理，归一化公式如下式所示：
Figure BDA0003867660610000061
X为归一化处理后的数据样本；xmin和xmax分别为滚刀磨损参数集中变量的最小和最大值；x为原数据样本。
S5，建立CNN-GRU深度学习网络模型，并确定模型参数。
本步骤中，CNN-GRU深度学习网络模型由输入层、卷积层、池化层、GRU网络层、全连接层以及输出层依次串联组成。其中，GRU网络层中，GRU深度学习网络由包含重置门rt和更新门ut的GRU单元构成。通过CNN-GRU深度学习网络提取时间序列数据的主要特征，可以降低盾构操作参数中冗余信息的参与度，加快深度学习网络收敛速度，节约模型计算成本。
本步骤中，模型参数包括输入层、全连接层、输出层中神经元的数量，迭代次数，代价函数以及优化器的算法。其中：
(1)输入层神经元数量等于S4中滚刀磨损参数集中参数的数量；
(2)全连接层和输出层神经元数量在S6中确定。
(3)卷积层通过卷积核深度、卷积核大小以及卷积步长确定，池化层通过池化区域大小以及池化步长确定。
(4)迭代次数是指：将滚刀磨损参数集和滚刀寿命评价标准代入CNN-GRU深度学习网络模型计算的次数。具体的迭代次数可以通过试算确定，比如150次等。
(5)代价函数是衡量CNN-GRU深度学习网络模型预测值与测量值误差大小的函数，可以根据实际需求进行选择。
(6)优化器是在每一次迭代过程中优化CNN-GRU深度学习网络模型中可训练参数的算法，可以根据实际需求进行选择。训练参数是CNN-GRU深度学习网络模型中的权重矩阵和偏置矩阵。
以上没有特别说明的部分，均可以采用现有技术实现，在此不再赘述。
S6，将输入滚刀磨损参数集和滚刀寿命评价标准代入CNN-GRU深度学习网络模型，利用优化器更新模型训练参数。
在一些实施例中，将滚刀磨损参数集代入CNN-GRU深度学习网络模型输入层，将滚刀寿命评价标准代入CNN-GRU深度学习网络模型输出层，对CNN-GRU深度学习网络模型进行迭代训练，更新模型中的权重矩阵和偏置矩阵，训练完成后得到最终预测模型。滚刀寿命评价标准是CNN-GRU深度学习网络模型的输出，其在迭代过程中与CNN-GRU深度学习网络模型输出值之差作为模型误差反向传播，从而更新权重矩阵和偏置矩阵，得到优化后的模型，采用优化后的模型得到最终预测结果。
本实施例中，将输入滚刀磨损参数集和滚刀寿命评价标准代入CNN-GRU深度学习网络模型后，需要确定预测模式、全连接层和输出层神经元数量。
预测模式是CNN-GRU深度学习网络模型预测滚刀磨损所考虑的历史信息量和输出信息量。预测模式利用历史信息量作为某一批次输入，利用输出信息量作为该批次输出。
本步骤中，历史信息量和输出信息量通过下式确定：
Figure BDA0003867660610000071
Figure BDA0003867660610000072
式中，m为历史信息量；n为输出信息量；a为盾构掘进一环所需平均时间。本步骤中，某批次输入和输出通过下式确定：
IT＝{t1,t2,…,tm}
OT＝{tm+1,tm+2,…,tm+n}
IT+1＝{tm-n+2,tm-n+3,…,tm+n}
OT+1＝{tm+n+1,tm+n+2,…,tm+2n}
式中，IT为任意批次卷积CNN-GRU模型输入时间序列，OT为与IT对应的CNN-GRU模型输出时间序列。IT+1为IT下一批次CNN-GRU模型输入时间序列，OT+1为与IT+1对应的CNN-GRU模型输出时间序列。以此类推，将时间序列数据依次作为CNN-GRU模型的输入和输出。
本步骤中，输出层神经元数量等于输出信息量。
本步骤中，全连接层神经元数量通过下式确定：
q＝3p-1
式中，q为全连接层神经元数量；p为输出层神经元数量。
S7，重复S6直至CNN-GRU深度学习网络模型达到迭代次数，并输出滚刀磨损量预测值。
基于上述相同技术构思，本发明另一实施例中还提供一种基于深度学习的泥水盾构滚刀磨损量实时确定终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，所述处理器执行所述程序时用于执行所述的基于深度学习的泥水盾构滚刀磨损量实时确定方法。
基于上述相同技术构思，本发明另一实施例中还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行所述的基于深度学习的泥水盾构滚刀磨损量实时确定方法。
为了更好理解本发明的技术方案，以下结合一个具体的应用试验作为实施例进行详细说明。
以某城市穿越市中心的泥水盾构隧道施工为例，该盾构隧道全长3.603km，埋深为22-62m，泥水平衡盾构机开挖直径为15.81m，管片内外径分别为13.9m和15.2m，宽度为2.0m。刀盘开口率约为29％，共安装有82把盘形滚刀，中心区域采用直径为432mm的双轴双刃滚刀，正面和边缘区域采用直径为483mm的双轴双刃滚刀，最外侧采用直径483mm的单刃滚刀。本实施例以预测最外侧82号单刃滚刀磨损量为例进行详细说明。
如图2-图5所示，本实施例提供一种基于CNN-GRU组合深度学习网络的泥水盾构滚刀磨损实时预测方法，图2为本实施例滚刀磨损量预测流程图，所述预测方法的具体步骤如下：
步骤一、确定82号滚刀的累计磨损量。
本步骤中，累计磨损量是指，盾构掘进过程中82号滚刀更换时，利用滚刀磨损量专用的量刀卡尺测量得到的滚刀径向磨损量之和。
步骤二、确定步骤一中82号滚刀累计磨损量所对应的实际工作时间。
本步骤中，上述实际工作时间是指82号滚刀在盾构掘进过程中与地层相互作用的时间，通过下式确定：
Figure BDA0003867660610000081
式中，tw表示82号滚刀实际工作时间；ti表示82号滚刀的第i次磨损量记录与第i-1次磨损量记录区段内滚刀与地层相互作用时间；n表示82号滚刀磨损量记录的次数，本实施例中，82号滚刀磨损量记录次数n为28。
上述82号滚刀与地层相互作用时间ti通过以下步骤确定：
(1)过滤82号滚刀的第i次磨损量记录与第i-1次磨损量记录区段内盾构机非工作时间，盾构机非工作时间通过下式确定：
F＝f(AR)×f(PE)×f(CRS)
式中，F值为零则表示盾构机处于非工作状态，AR为掘进速度，PE为贯入度，CRS为刀盘转速。f(x)为判断掘进速度、贯入度、刀盘转速中是否包含零值的函数，如下式所示：
Figure BDA0003867660610000091
(2)过滤82号滚刀的第i次磨损量记录与第i-1次磨损量记录区段内盾构机每环掘进过程中的起始段和结束段数据，保留稳定掘进段数据。稳定阶段数据所满足的标准通过下式确定：
Figure BDA0003867660610000092
式中，
Figure BDA0003867660610000093
为掘进第k环过程中变量j的平均值；
Figure BDA0003867660610000094
为掘进第k环过程中变量j的标准差；gj为盾构机每环稳定掘进段数据中变量j的值；m为掘进环数；TF为盾构推力；TO为盾构刀盘扭矩；CRS为盾构刀盘转速。
(3)82号滚刀与地层相互作用时间ti等于经过步骤(1)和步骤(2)处理过后，82号滚刀的第i次磨损量记录与第i-1次磨损量记录区段内剩余的数据样本量。
步骤三、建立82号滚刀寿命评价标准。
82号滚刀累计磨损量随工作时间变化情况如图3所示。本步骤中，上述82号滚刀寿命评价标准是指盾构掘进过程中衡量82号滚刀磨损状况的指标，由下式确定：
CL＝Wa/(β·tw)
式中，CL为82号滚刀寿命指标，单位为mm/min；Wa为82号滚刀的累计磨损量，单位为mm；β为换刀位置处地层均匀性系数，取1-1.5，地层均匀取1，地层不均匀取1.5；tw为82号滚刀的累计磨损量所对应的工作时间，单位为min。本实施例中，地层均匀性系数β取1。
步骤四、建立滚刀磨损参数集，对磨损参数集和滚刀寿命评价标准集进行归一化处理。
本步骤中，上述滚刀磨损参数集是指盾构施工中影响滚刀磨损的掘进参数随时间变化的数据样本。本实施例中，影响滚刀磨损的掘进参数包括盾构机动力系统参数、刀盘系统参数、排渣系统参数，渣土调节系统参数以及盾构隧道几何参数。其中，动力系统参数包括盾构推力、推进速度、贯入度、土舱压力以及六组盾构液压油缸顶推力；刀盘参数包括刀盘转速和刀盘扭矩；排渣系统参数包括螺旋机转速、螺旋机扭矩以及螺旋机土压；渣土调节系统参数包括九组泡沫管压力、九组泡沫流速以及九组空气流速；盾构隧道几何参数取为隧道顶板至地面的距离。
上述归一化处理是指将滚刀磨损参数集进行无量纲化处理，归一化公式如下式所示：
Figure BDA0003867660610000101
X为归一化处理后的数据样本；xmin和xmax分别为滚刀磨损参数集中各个变量的最小和最大值；x为原数据样本。
步骤五、建立CNN-GRU深度学习网络模型，并确定模型参数。
CNN-GRU深度学习网络模型网络结构如图4所示，由输入层、卷积层、池化层、GRU网络层、全连接层以及输出层组成。
本实施例中，输入层神经元数量为43。全连接层和输出层神经元数量在步骤六中确定。
本实施例中，卷积层中卷积核深度为24，卷积核大小为6，步长为2。池化层中池化区域大小为2，步长为1。
GRU网络层中，GRU深度学习网络由包含重置门rt和更新门ut的GRU单元构成。本实施例中，GRU单元数量为24，GRU单元的计算公式如下：
rt＝σ(Wr×[ht-1,xt]+br)
ut＝σ(Wu×[ht-1,xt]+bu)
Figure BDA0003867660610000102
Figure BDA0003867660610000103
zt＝σ(Wz×ht)
式中，Wr，Wu，Wh，Wz为权重矩阵；br，bu，bh为偏置矩阵；ht为t时刻的隐藏状态；
Figure BDA0003867660610000111
为t时刻候选状态；xt和zt分别为t时刻GRU单元的输入和输出值；⊙为矩阵逐元素相乘的算子；tanh为双曲切线函数；σ为sigmoid函数。
本实施例中迭代次数设定为200次。
本实施例中，采用均方差函数(MSE)作为代价函数。
本实施例中，采用Adam算法作为权重矩阵和偏置矩阵的优化算法。
步骤六、将输入滚刀磨损参数集和滚刀寿命评价标准代入CNN-GRU深度学习网络模型，确定预测模式，全连接层和输出层神经元数量，并利用优化器更新模型训练参数。
本步骤中，上述预测模式是指CNN-GRU模型预测滚刀磨损所考虑的历史信息量和输出信息量。历史信息量和输出信息量通过下式确定：
Figure BDA0003867660610000112
Figure BDA0003867660610000113
式中，m为历史信息量；n为输出信息量；a为盾构掘进一环所需平均时间。
本实施例中，盾构隧道掘进一环平均时间a＝225min；历史信息量m＝5min；输出信息量n＝3min。
本实施例中，预测模式利用历史信息量作为某一批次输入，利用输出信息量作为该批次输出。某批次输入和输出通过下式确定：
I1＝{t1,t2,…,tm}＝{t1,t2,t3,t4,t5}
O1＝{tm+1,tm+2,…,tm+n}＝{t6,t7,t8}
I2＝{tm-n+2,tm-n+3,…,tm+n}＝{t4,t5,t6,t7,t8}
O2＝{tm+n+1,tm+n+2,…,tm+2n}＝{t9,t10,t11}
式中，I1为第一批次CNN-GRU模型输入时间序列，O1为第一批次CNN-GRU模型输出时间序列。I2为第二批次CNN-GRU模型输入时间序列，O2为与第二批次的CNN-GRU模型输出时间序列。以此类推，将时间序列数据依次作为CNN-GRU模型的输入和输出。
本实施例中输出层神经元数量为3。
本实施例中，全连接层神经元数量q＝8。
步骤七、重复步骤六直至CNN-GRU深度学习模型迭代次数达到200次，并输出滚刀磨损量预测值。图5为本实施例82号滚刀磨损量预测结果图。
根据图5可知，盾构机工作时间达到8000min时，82号位置滚刀累计磨损量预测值为249mm，该时刻上一次滚刀累计磨损测量值为246mm，两者之差为3mm，小于82号滚刀磨损限值10mm，因此盾构机工作时间达到8000min时不需要更换82号滚刀，若上述两者之差大于或等于10mm，则需要更换82号滚刀。若两者之差接近10mm(例如达到了9mm)，则可以根据现场情况提前准备换刀事宜。
本发明上述实施例克服了现有方法仅考虑刀盘整体滚刀健康程度的不足，实现对盾构掘进过程中某单把滚刀磨损量的实时预测，提高预测结果的准确性和可靠性，减少施工中刀具检查维护次数和时间，有效盾构隧道施工效率，降低换刀过程的风险。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质。

Claims (10)

1.一种基于深度学习的泥水盾构滚刀磨损量实时确定方法，其特征在于，包括：
S1，测量泥水盾构某安装位置处滚刀更换时的累计磨损量；
S2，确定S1中累计磨损量所对应的滚刀实际工作时间；
S3，结合施工现场的地层均匀性系数，根据所述累计磨损量和所述实际工作时间之间的关系建立滚刀寿命评价标准；
S4，建立滚刀磨损参数集，对磨损参数集和滚刀寿命评价标准集进行归一化处理，其中，所述滚刀磨损参数集是指盾构施工中影响滚刀磨损的掘进参数随时间变化的数据样本；
S5，建立CNN-GRU深度学习网络模型，并确定模型参数；
S6，将S4的滚刀磨损参数集和滚刀寿命评价标准输入CNN-GRU深度学习网络模型，并利用优化器更新模型训练参数；
S7，重复S6直至CNN-GRU深度学习网络模型达到设定的迭代次数，输出滚刀磨损量预测值。
2.根据权利要求1所述的基于深度学习的泥水盾构滚刀磨损量实时确定方法，其特征在于，所述实际工作时间，是指某安装位置处滚刀在盾构掘进过程中与地层相互作用的时间，通过下式确定：
Figure FDA0003867660600000011
式中，tw表示滚刀实际工作时间；ti表示第i次磨损量记录与第i-1次磨损量记录区段内滚刀与地层相互作用时间；n表示滚刀磨损量记录的次数。
3.根据权利要求2所述的基于深度学习的泥水盾构滚刀磨损量实时确定方法，其特征在于，所述滚刀与地层相互作用时间ti，通过以下步骤确定：
S201，过滤滚刀第i次磨损量记录与第i-1次磨损量记录区段内盾构机非工作时间；
S202，过滤滚刀第i次磨损量记录与第i-1次磨损量记录区段内盾构机每环掘进过程中的起始段和结束段数据，保留稳定掘进段数据；
S203，滚刀与地层相互作用时间ti等于经过S201和S202处理后，滚刀的第i次磨损量记录与第i-1次磨损量记录区段内剩余的数据样本量，该剩余的数据样本量对应的时间为滚刀与地层相互作用时间ti。
4.根据权利要求3所述的基于深度学习的泥水盾构滚刀磨损量实时确定方法，其特征在于，所述盾构机非工作时间，通过下式确定：
F＝f(AR)×f(PE)×f(CRS)
式中，F值为零表示盾构机处于非工作状态，AR为掘进速度，PE为贯入度，CRS为刀盘转速，f(x)为判断掘进速度、贯入度、刀盘转速中是否包含零值的函数，如下式所示：
Figure FDA0003867660600000021
5.根据权利要求3所述的基于深度学习的泥水盾构滚刀磨损量实时确定方法，其特征在于，所述稳定阶段数据所满足的标准通过下式确定：
Figure FDA0003867660600000022
式中，
Figure FDA0003867660600000023
为掘进第k环过程中变量j的平均值；
Figure FDA0003867660600000024
为掘进第k环过程中变量j的标准差；gj为盾构机每环稳定掘进段数据中变量j的值；m为掘进环数；PR为贯入度；TF为盾构推力；TO为盾构刀盘扭矩；CRS为盾构刀盘转速。
6.根据权利要求1所述的基于深度学习的泥水盾构滚刀磨损量实时确定方法，其特征在于，所述滚刀寿命评价标准由下式确定：
CL＝Wa/(β·tw)
式中，CL为滚刀寿命评价标准，单位为mm/min；Wa为滚刀的累计磨损量，单位为mm；β为地层均匀性系数，取1或1.5，地层均匀取1，地层不均匀取1.5；tw为滚刀的累计磨损量所对应的工作时间，单位为min。
7.根据权利要求1所述的基于深度学习的泥水盾构滚刀磨损量实时确定方法，其特征在于，所述归一化处理是指将滚刀磨损参数集进行无量纲化处理，归一化公式如下式所示：
Figure FDA0003867660600000025
X为归一化处理后的数据样本；xmin和xmax分别为滚刀磨损参数集中变量的最小和最大值；x为原数据样本。
8.根据权利要求1所述的基于深度学习的泥水盾构滚刀磨损量实时确定方法，其特征在于，所述CNN-GRU深度学习网络模型由输入层、卷积层、池化层、GRU网络层、全连接层以及输出层组成；
所述模型参数是指：输入层、全连接层、输出层中神经元的数量，迭代次数，代价函数以及优化器；
所述输入层的神经元数量等于S4中滚刀磨损参数集中参数的数量；
所述全连接层和输出层神经元数量在S6中确定；
所述卷积层通过卷积核深度、卷积核大小以及卷积步长确定；
所述池化层通过池化区域大小以及池化步长确定；
所述代价函数是衡量CNN-GRU深度学习网络模型预测值与测量值误差大小的函数；
所述优化器是在每一次迭代过程中优化CNN-GRU深度学习网络模型中可训练参数的算法。
9.一种基于深度学习的泥水盾构滚刀磨损量实时确定终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时用于执行权利要求1-8任一所述的基于深度学习的泥水盾构滚刀磨损量实时确定方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时用于执行权利要求1-8任一所述的基于深度学习的泥水盾构滚刀磨损量实时确定方法。
CN202211185853.8A 2022-09-27 2022-09-27 基于深度学习的泥水盾构滚刀磨损量实时确定方法及终端 Pending CN115563863A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211185853.8A CN115563863A (zh) 2022-09-27 2022-09-27 基于深度学习的泥水盾构滚刀磨损量实时确定方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211185853.8A CN115563863A (zh) 2022-09-27 2022-09-27 基于深度学习的泥水盾构滚刀磨损量实时确定方法及终端

Publications (1)

Publication Number Publication Date
CN115563863A true CN115563863A (zh) 2023-01-03

Family

ID=84743741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211185853.8A Pending CN115563863A (zh) 2022-09-27 2022-09-27 基于深度学习的泥水盾构滚刀磨损量实时确定方法及终端

Country Status (1)

Country Link
CN (1) CN115563863A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562433A (zh) * 2023-04-18 2023-08-08 武汉大学 基于csm-gru模型的tbm滚刀寿命预测方法及系统
CN117390405A (zh) * 2023-12-12 2024-01-12 中交隧道工程局有限公司 掘进机扁齿滚刀阵列磨损状态预测方法
CN118228056A (zh) * 2024-05-27 2024-06-21 中铁十四局集团有限公司 盾构滚刀换刀时机预测方法、系统、盾构监控平台及应用

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562433A (zh) * 2023-04-18 2023-08-08 武汉大学 基于csm-gru模型的tbm滚刀寿命预测方法及系统
CN117390405A (zh) * 2023-12-12 2024-01-12 中交隧道工程局有限公司 掘进机扁齿滚刀阵列磨损状态预测方法
CN117390405B (zh) * 2023-12-12 2024-02-20 中交隧道工程局有限公司 掘进机扁齿滚刀阵列磨损状态预测方法
CN118228056A (zh) * 2024-05-27 2024-06-21 中铁十四局集团有限公司 盾构滚刀换刀时机预测方法、系统、盾构监控平台及应用

Similar Documents

Publication Publication Date Title
CN115563863A (zh) 基于深度学习的泥水盾构滚刀磨损量实时确定方法及终端
Zhang et al. A new index for cutter life evaluation and ensemble model for prediction of cutter wear
JP7219181B2 (ja) シールド掘進機の施工管理方法
CN113404502B (zh) 基于碴片形貌的盾构滚刀磨耗监测装置及方法
CN113221263A (zh) 一种考虑分布参数不确定性的机械产品结构失效优化方法
CN116245020A (zh) 一种基于盾构机掘进的刀盘磨损和能耗优化方法及系统
Li et al. Integrated parameter optimization approach: Just-in-time (JIT) operational control strategy for TBM tunnelling
CN112364422A (zh) 基于mic-lstm的盾构施工地表变形动态预测方法
CN115773127A (zh) 一种泥水平衡盾构智能决策方法、系统、设备及介质
CN115544753A (zh) 一种盾构滚刀磨损状态实时评估方法、系统、终端及介质
CN115600654A (zh) 基于卷积lstm的盾构滚刀磨损量实时预测方法及系统
CN115563872B (zh) 一种基于de-svr算法的tbm滚刀磨损量预测方法
CN112966355B (zh) 基于深度学习的盾构机刀具剩余使用寿命预测方法
Simoes et al. Fuzzy modeling approaches for the prediction of machine utilization in hard rock tunnel boring machines
CN115544874A (zh) 一种盾构滚刀磨损量实时监测系统、方法、终端及介质
CN113283183A (zh) 基于dpso-anfis的弃渣坝变形预测方法
CN111340275B (zh) 基于随钻探测技术的隧道支护模式选型实时预测方法
CN117172360A (zh) 一种基于mlp和高效pso的钻井机械钻速优化方法、系统、设备及介质
CN115495987A (zh) 滚刀实际工作时间确定、磨损量实时预测方法及终端
JP7544633B2 (ja) シールド掘進機の施工管理方法
JP7492482B2 (ja) シールド掘進機の掘進予測モデル
CN114662782A (zh) 一种基于lstm神经网络的耙吸挖泥船瞬时产量预测方法
CN113158562B (zh) 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统
CN115577626A (zh) 一种基于土质参数量化的地面沉降预测方法及系统
JP7512176B2 (ja) 地下水環境自動予測システム、地下水環境自動予測方法

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