CN115628930A - 一种基于rbf神经网络的掘进机井下截割工况预测方法 - Google Patents

一种基于rbf神经网络的掘进机井下截割工况预测方法 Download PDF

Info

Publication number
CN115628930A
CN115628930A CN202211620178.7A CN202211620178A CN115628930A CN 115628930 A CN115628930 A CN 115628930A CN 202211620178 A CN202211620178 A CN 202211620178A CN 115628930 A CN115628930 A CN 115628930A
Authority
CN
China
Prior art keywords
cutting
neural network
working condition
oil cylinder
rbf neural
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
CN202211620178.7A
Other languages
English (en)
Other versions
CN115628930B (zh
Inventor
王宏伟
王宇衡
王浩然
曹文艳
付翔
耿毅德
王棣
李正龙
张夫净
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202211620178.7A priority Critical patent/CN115628930B/zh
Publication of CN115628930A publication Critical patent/CN115628930A/zh
Application granted granted Critical
Publication of CN115628930B publication Critical patent/CN115628930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Earth Drilling (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明属于煤矿掘进机截割自动化技术领域，具体是一种基于RBF神经网络的掘进机井下截割工况预测方法。包括以下步骤，S100：掘进机上设置数据采集机构；S200：采集多个样本数据集，每个样本数据集包括当前时刻的掘进机截割电流、截割电压、回转油缸与升降油缸的左右缸压力以及截割臂的振动程度。S300：剔除样本数据集中的异常数据。S400：对样本数据集进行标准化处理。S500：将训练集作为RBF神经网络的输入变量进行训练。S600：完成训练的RBF神经网络对掘进工况的预测，输入当时的截割电机的电流与电压、回转油缸与升降油缸的压力、截割部的振动程度以及摆速传感器测量的摆速这几项参数预测出当前所属工况。本发明对提升截割效率与截割部寿命有一定作用。

Description

一种基于RBF神经网络的掘进机井下截割工况预测方法
技术领域
本发明属于煤矿掘进机截割自动化技术领域，具体是一种基于RBF神经网络的掘进机井下截割工况预测方法。
背景技术
为大力推进煤矿智能化程度、建成一批智能化煤矿的要求，需要提升煤矿设备的智能化程度。掘进机作为煤矿井下综掘工作面最重要的设备，其自动化、智能化水平是实现无人智能掘进、提高掘进效率的关键。
近年来，掘进机智能化是研究热门区域，但大都集中在截割面的自动成型、截割断面记忆截割、截割头路径规划等方面，这一定程度上提高了自动化水平，但对煤矸智能方面的贡献不大，智能化方面发展较为缓慢。在掘进机智能化的发展领域，有研究学者提出了一种通过实时监测电流来对截割臂摆速进行自动控制的方法，采用的是PID控制。而一些研究机构则研发了负载敏感型液压阀，通过对油缸压力的监测进行截割臂摆速的自适应调节。不难发现，以上方法均是基于单一的传感器数据作为截割臂摆速控制的依据，而单一传感器会存在信号不全面、不稳定以及有时会有测量异常值出现的情况，这样的方法具有一定的局限性，远不能达到掘进机智能化的要求。
发明内容
本发明为了解决目前的掘进机在截割过程中无法自适应调整摆速的问题，提供一种基于RBF神经网络的掘进机井下截割工况预测方法。
本发明采取以下技术方案：一种基于RBF神经网络的掘进机井下截割工况预测方法，包括以下步骤。
S100：掘进机上设置截割电机电压与电流的采集装置，在掘进机驱动油缸处设置2对压力传感器组，分别测量掘进机回转油缸左右缸的压力以及升降油缸左右缸的压力，在掘进机截割臂前方靠近截割头部分的区域，设置能够检测振动信号的振动传感器，在截割臂处设置测量摆速的摆速传感器。
S200：通过采集装置、压力传感器组、振动传感器以及摆速传感器采集多个样本数据集，每个样本数据集包括当前时刻的掘进机截割电流、截割电压、回转油缸与升降油缸的左右缸压力以及截割臂的振动程度。
S300：剔除样本数据集中的异常数据。
S400：对样本数据集进行标准化处理，将标准化处理后的样本数据集分为训练集与测试集。
S500：将训练集作为RBF神经网络的输入变量进行训练，输出变量为不同井下工况的数值，将测试集对经过训练集训练后的RBF神经网络性能进行测试。
S600：完成训练的RBF神经网络对掘进工况的预测，输入当时的截割电机的电流与电压、回转油缸与升降油缸的压力、截割部的振动程度以及摆速传感器测量的摆速这几项参数预测出当前所属工况。
步骤S300具体过程为，设Xi为某一时间的一个样本，0＜i≤样本总数，Xi=[I,V,P1…Pn,ACC1…ACCm,S]，其中I代表截割电流，V代表截割电压、P1…Pn为几个油缸检测压力值、ACC1…ACCm为几个振动传感器检测数值、S为摆速传感器检测数值；对所有时间段的Xi样本都进行一次异常值剔除，若某一时间段的中有任一数据测量值的残余误差的绝对值>3σ，则将这个测量值认定为坏值，对其加以剔除，同时删除这个时间段的Xi样本。
步骤S400中，数据标准化处理公式为，
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 3994DEST_PATH_IMAGE002
为该指标的最大值，
Figure 100002_DEST_PATH_IMAGE003
为该指标最小值，
Figure 344977DEST_PATH_IMAGE004
为该指标观察值，
Figure 100002_DEST_PATH_IMAGE005
为极差。
步骤S400中样本数据集拆分的具体过程为，首先对S400中的数据集进行聚类分析，聚类的种类依据井下实际截割的不同煤岩工况数进行确定，确定完聚类种类后，依据专家知识库对聚类种类进行分析，确定其属于哪一种工况；专家知识库是存储和管理专家系统中的知识，包括来自书本上的知识和各领域专家在长期的工作实践中所获得的经验知识；将完成聚类分析的数据集拆分成训练集与测试集，两者占比8:2。
步骤S600中，工况分为以下几大类：割煤工况、煤岩交杂工况、割岩工况，根据硬度系数的不同，煤从软到硬可分为软煤，中硬煤，硬煤，岩从软到硬可分为软岩、中硬岩、硬岩，经过充足样本训练后的RBF神经网络能够完成以上不同硬度煤或岩或煤岩交杂的截割工况的预测。
与现有技术相比，本发明针对目前的掘进机在截割过程中无法自适应调整摆速的问题，提出了一种基于RBF神经网络的掘进机井下截割工况预测方法。本发明基于多种传感器数据作为截割臂摆速控制的依据，从多个传感器获取的数据信号更为全面和稳定，同时剔除了不稳定的异常值，可以满足掘进机智能化的要求。本发明一定程度上提升了掘进机的智能化程度，对提升截割效率与截割部寿命有一定作用。
附图说明
图1为本发明的技术路线图；
图2为RBF神经网络训练结构图。
具体实施方式
悬臂式掘进机自适应截割系统，包括多传感器采集模块，掘进机上自带有截割电机电压与电流的采集装置，在此基础上，在掘进机驱动油缸处设置了2对压力传感器组，分别测量掘进机回转油缸左右缸的压力以及升降油缸左右缸的压力，在掘进机截割臂前方靠近截割头部分的区域，设置了能够检测振动信号的振动传感器，在截割臂处设置了测量摆速的摆速传感器。
传感器布置完成后，对它们各自的电源线进行连接，信号线首先是接到PLC控制器，PLC控制器取代了原来机器里黑盒子的功能。在前期工作的基础上，已经完成了PLC控制器与掘进机的信号联通、倍福边缘计算机与PLC控制器的联通以及三者间互相的联通。所以采集到的所有信号到达PLC控制器后，PLC控制器会将这些信号全部传输给边缘计算机控制器，最终，通过边缘计算机控制器完成这些采集信号的导出。
为了尽可能模拟出井下截割过程时的状态，对整个煤壁进行了多次截割测量，最终采集了一个包含2140个的样本的数据集。每个样本包含了当前时刻的掘进机截割电流、截割电压、回转油缸与升降油缸的左右缸压力、截割臂的振动程度这些信息。所采集的多传感器信息已经完全可以充分表征井下的各种工况。
在信号采集过程中，由于传感器故障或者是其他的一些外界因素，导致了异常数值的存在。异常数值指的就是偏离正常范围的值，如果忽视这些异常数值的存在，就会对结果造成偏差，训练出来的神经网络精度可能会降低，故需要对原始数据进行数据处理以剔除异常数据的存在。
如图1所示，一种基于RBF神经网络的掘进机井下截割工况预测方法，包括以下步骤，
S100：掘进机上设置截割电机电压与电流的采集装置，在掘进机驱动油缸处设置2对压力传感器组，分别测量掘进机回转油缸左右缸的压力以及升降油缸左右缸的压力，在掘进机截割臂前方靠近截割头部分的区域，设置能够检测振动信号的振动传感器，在截割臂处设置测量摆速的摆速传感器。
S200：通过采集装置、压力传感器组、振动传感器以及摆速传感器采集多个样本数据集，每个样本数据集包括当前时刻的掘进机截割电流、截割电压、回转油缸与升降油缸的左右缸压力以及截割臂的振动程度。
S300：剔除样本数据集中的异常数据。
步骤S300中，设Xi为某一时间的一个样本，0＜i≤2140，Xi=[I,V,P1…Pn,ACC1…ACCm,S]，其中I代表截割电流，V代表截割电压、P1…Pn为几个油缸检测压力值、ACC1…ACCm为几个振动传感器检测数值、S为摆速传感器检测数值；对所有时间段的Xi样本都进行一次异常值剔除，若某一时间段的中有任一数据测量值的残余误差的绝对值>3σ，则将这个测量值认定为坏值，对其加以剔除，同时删除这个时间段的Xi样本。
异常数据的处理，选择了3σ原则，简要来说就是若某个测量值的残余误差的绝对值>3σ，则将这个测量值认定为坏值，对其加以剔除。
具体操作如下：
σ代表的是标准差，计算公式
Figure 807182DEST_PATH_IMAGE006
，N为样本总数，
Figure 30353DEST_PATH_IMAGE008
为平均值， xi代表的是其中一个样本值，根据3σ原则的描述，数值分布在（μ-3σ,μ+3σ)中的概率为0.9974，也就是说超出这个1的可能性不到0.3%。通过这种方式可以对异常值进行剔除。
S400：对样本数据集进行标准化处理，将标准化处理后的样本数据集分为训练集与测试集。
步骤S400中，数据标准化处理公式为，
Figure 32944DEST_PATH_IMAGE001
其中，
Figure 16382DEST_PATH_IMAGE002
为该指标的最大值，
Figure 915068DEST_PATH_IMAGE003
为该指标最小值，
Figure 359956DEST_PATH_IMAGE004
为该指标观察值，
Figure 103921DEST_PATH_IMAGE005
为极差。完成处理的样本记为Xf。
步骤S400中样本数据集拆分的具体过程为：首先对S400中的数据集进行聚类分析，聚类的种类依据井下实际截割的不同煤岩工况数进行确定，确定完聚类种类后，依据专家知识库对聚类种类进行分析，确定其属于哪一种工况。专家知识库是专家系统的核心之一，其主要功能是存储和管理专家系统中的知识，主要包括来自书本上的知识和各领域专家在长期的工作实践中所获得的经验知识。将完成聚类分析的数据集拆分成训练集与测试集，两者占比8:2。训练集用作样本训练，而测试集是对经过训练集训练后的RBF神经网络性能进行测试。
S500：将训练集作为RBF神经网络的输入变量进行训练，输出变量为不同井下工况的数值；
设置RBF神经网络所需的参数，包括输入变量、输出变量、目标误差、径向基的扩展速度、最大允许的神经元个数。输入变量包括以下几部分：割电机的电流与电压、回转油缸与升降油缸的压力、截割部的振动程度。输出变量就是代表不同井下工况的数值。根据实际场景的需求设置训练的目标误差，径向基扩展速度以及最大允许神经元个数。
具体进行RBF神经网络的训练过程如下。RBF神经网络输入为Xf。Xf=[If,Vf,P1f…Pnf,ACC1f…ACCnf,Sf]，其中If代表处理后的截割电流，Vf代表处理后的截割电压、P1f…Pnf为处理后的几个油缸检测压力值、ACC1f…ACCnf为处理后的几个振动传感器检测数值、Sf为处理后的摆速传感器检测数值。输出即为完成聚类分析的聚类种类。依据先前所说，每种聚类种类即代表一种截割工况。完成训练的RBF神经网络能准确识别出输入的数据属于聚类的哪一类，即代表着能识别出其属于哪一种截割工况。
S600：完成训练的RBF神经网络对掘进工况的预测，输入当时的截割电机的电流与电压、回转油缸与升降油缸的压力、截割部的振动程度以及摆速传感器测量的摆速这几项参数预测出当前所属工况。
完成训练的RBF神经网络可以进行掘进工况的预测，输入当时的截割电机的电流与电压、回转油缸与升降油缸的压力、截割部的振动程度以及摆速传感器测量的摆速这几项参数就能够预测出当前所属工况，工况分为以下几大类：割煤工况、煤岩交杂工况、割岩工况，根据硬度系数的不同，煤从软到硬可分为软煤，中硬煤，硬煤，岩从软到硬可分为软岩、中硬岩、硬岩，经过充足样本训练后的RBF神经网络能够完成以上不同硬度煤或岩或煤岩交杂的截割工况的预测。
依据步骤S600对截割工况的预测，对每一种截割工况设定不同的截割臂摆动速度，使其在遇到不同硬度的煤岩时能够自适应地进行调整，达到恒功率截割的效果，本专利只是对截割工况的预测，暂且不表后续对截割臂的控制部分。

Claims (5)

1.一种基于RBF神经网络的掘进机井下截割工况预测方法，其特征在于：包括以下步骤，
S100：掘进机上设置截割电机电压与电流的采集装置，在掘进机驱动油缸处设置2对压力传感器组，分别测量掘进机回转油缸左右缸的压力以及升降油缸左右缸的压力，在掘进机截割臂前方靠近截割头部分的区域，设置能够检测振动信号的振动传感器，在截割臂处设置测量摆速的摆速传感器；
S200：通过采集装置、压力传感器组、振动传感器以及摆速传感器采集多个样本数据集，每个样本数据集包括当前时刻的掘进机截割电流、截割电压、回转油缸与升降油缸的左右缸压力以及截割臂的振动程度；
S300：剔除样本数据集中的异常数据；
S400：对样本数据集进行标准化处理，将标准化处理后的样本数据集分为训练集与测试集；
S500：将训练集作为RBF神经网络的输入变量进行训练，输出变量为不同井下工况的数值，将测试集对经过训练集训练后的RBF神经网络性能进行测试；
S600：完成训练的RBF神经网络对掘进工况的预测，输入当时的截割电机的电流与电压、回转油缸与升降油缸的压力、截割部的振动程度以及摆速传感器测量的摆速这几项参数预测出当前所属工况。
2.根据权利要求1所述的基于RBF神经网络的掘进机井下截割工况预测方法，其特征在于：所述的步骤S300具体过程为，设Xi为某一时间的一个样本，0＜i≤样本总数，Xi=[I,V,P1…Pn,ACC1…ACCm,S]，其中I代表截割电流，V代表截割电压、P1…Pn为几个油缸检测压力值、ACC1…ACCm为几个振动传感器检测数值、S为摆速传感器检测数值；对所有时间段的Xi样本都进行一次异常值剔除，若某一时间段的中有任一数据测量值的残余误差的绝对值>3σ，则将这个测量值认定为坏值，对其加以剔除，同时删除这个时间段的Xi样本。
3.根据权利要求1所述的基于RBF神经网络的掘进机井下截割工况预测方法，其特征在于：所述的步骤S400中，数据标准化处理公式为，
Figure DEST_PATH_IMAGE001
其中，
Figure 825878DEST_PATH_IMAGE002
为该指标的最大值，
Figure DEST_PATH_IMAGE003
为该指标最小值，
Figure 149543DEST_PATH_IMAGE004
为该指标观察值，
Figure DEST_PATH_IMAGE005
为极差。
4.根据权利要求1所述的基于RBF神经网络的掘进机井下截割工况预测方法，其特征在于：所述的步骤S400中样本数据集拆分的具体过程为，首先对S400中的数据集进行聚类分析，聚类的种类依据井下实际截割的不同煤岩工况数进行确定，确定完聚类种类后，依据专家知识库对聚类种类进行分析，确定其属于哪一种工况；专家知识库是存储和管理专家系统中的知识，包括来自书本上的知识和各领域专家在长期的工作实践中所获得的经验知识；将完成聚类分析的数据集拆分成训练集与测试集，两者占比8:2。
5.根据权利要求1所述的基于RBF神经网络的掘进机井下截割工况预测方法，其特征在于：所述的步骤S600中，工况分为以下几大类：割煤工况、煤岩交杂工况、割岩工况，根据硬度系数的不同，煤从软到硬分为软煤，中硬煤，硬煤，岩从软到硬分为软岩、中硬岩、硬岩，经过充足样本训练后的RBF神经网络完成以上不同硬度煤或岩或煤岩交杂的截割工况的预测。
CN202211620178.7A 2022-12-16 2022-12-16 一种基于rbf神经网络的掘进机井下截割工况预测方法 Active CN115628930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211620178.7A CN115628930B (zh) 2022-12-16 2022-12-16 一种基于rbf神经网络的掘进机井下截割工况预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211620178.7A CN115628930B (zh) 2022-12-16 2022-12-16 一种基于rbf神经网络的掘进机井下截割工况预测方法

Publications (2)

Publication Number Publication Date
CN115628930A true CN115628930A (zh) 2023-01-20
CN115628930B CN115628930B (zh) 2023-03-10

Family

ID=84910689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211620178.7A Active CN115628930B (zh) 2022-12-16 2022-12-16 一种基于rbf神经网络的掘进机井下截割工况预测方法

Country Status (1)

Country Link
CN (1) CN115628930B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115788477A (zh) * 2023-02-06 2023-03-14 太原理工大学 掘进机自适应截割控制系统及方法
CN116956165A (zh) * 2023-09-21 2023-10-27 中国船舶集团有限公司第七〇七研究所 一种多掘进机截割部运行状态分类方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6424919B1 (en) * 2000-06-26 2002-07-23 Smith International, Inc. Method for determining preferred drill bit design parameters and drilling parameters using a trained artificial neural network, and methods for training the artificial neural network
US20040207247A1 (en) * 2002-10-15 2004-10-21 Eric Jackson Automated excavation machine
CN101319925A (zh) * 2008-07-11 2008-12-10 昆明理工大学 一种利用bp神经网络的煤气计量方法
CN104929638A (zh) * 2015-07-03 2015-09-23 神华集团有限责任公司 一种用于掘进机的井下辅助截割系统
CN107120115A (zh) * 2017-06-19 2017-09-01 中国矿业大学 一种掘进机自适应截割控制系统及方法
WO2019063024A1 (zh) * 2017-09-30 2019-04-04 中铁工程装备集团有限公司 硬岩tbm掘进控制参数智能决策方法及系统
CN109635461A (zh) * 2018-12-18 2019-04-16 中国铁建重工集团有限公司 一种应用随钻参数来自动识别围岩级别的方法和系统
CN112989708A (zh) * 2021-04-08 2021-06-18 重庆科技学院 一种基于lstm神经网络的测井岩性识别方法及系统
CN113006793A (zh) * 2021-04-28 2021-06-22 北京坤世拓智能科技有限公司 一种悬臂式掘进机智能截割联合控制系统及方法
CN113137230A (zh) * 2021-05-20 2021-07-20 太原理工大学 一种煤岩界面识别系统
DE102020200828A1 (de) * 2020-01-23 2021-07-29 Zf Friedrichshafen Ag Verfahren zum Bereitstellen einer künstlichen Intuition
CN113988296A (zh) * 2021-11-19 2022-01-28 中国科学院大连化学物理研究所 一种基于bp神经网络的燃料电池建模方法
CN114592865A (zh) * 2022-02-25 2022-06-07 三一重型装备有限公司 掘进机的控制方法、装置、可读存储介质和掘进机
CN115392349A (zh) * 2022-08-02 2022-11-25 三一重型装备有限公司 掘进机的截割部的故障诊断方法、装置和掘进机

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6424919B1 (en) * 2000-06-26 2002-07-23 Smith International, Inc. Method for determining preferred drill bit design parameters and drilling parameters using a trained artificial neural network, and methods for training the artificial neural network
US20040207247A1 (en) * 2002-10-15 2004-10-21 Eric Jackson Automated excavation machine
CN101319925A (zh) * 2008-07-11 2008-12-10 昆明理工大学 一种利用bp神经网络的煤气计量方法
CN104929638A (zh) * 2015-07-03 2015-09-23 神华集团有限责任公司 一种用于掘进机的井下辅助截割系统
CN107120115A (zh) * 2017-06-19 2017-09-01 中国矿业大学 一种掘进机自适应截割控制系统及方法
WO2019063024A1 (zh) * 2017-09-30 2019-04-04 中铁工程装备集团有限公司 硬岩tbm掘进控制参数智能决策方法及系统
CN109635461A (zh) * 2018-12-18 2019-04-16 中国铁建重工集团有限公司 一种应用随钻参数来自动识别围岩级别的方法和系统
DE102020200828A1 (de) * 2020-01-23 2021-07-29 Zf Friedrichshafen Ag Verfahren zum Bereitstellen einer künstlichen Intuition
CN112989708A (zh) * 2021-04-08 2021-06-18 重庆科技学院 一种基于lstm神经网络的测井岩性识别方法及系统
CN113006793A (zh) * 2021-04-28 2021-06-22 北京坤世拓智能科技有限公司 一种悬臂式掘进机智能截割联合控制系统及方法
CN113137230A (zh) * 2021-05-20 2021-07-20 太原理工大学 一种煤岩界面识别系统
CN113988296A (zh) * 2021-11-19 2022-01-28 中国科学院大连化学物理研究所 一种基于bp神经网络的燃料电池建模方法
CN114592865A (zh) * 2022-02-25 2022-06-07 三一重型装备有限公司 掘进机的控制方法、装置、可读存储介质和掘进机
CN115392349A (zh) * 2022-08-02 2022-11-25 三一重型装备有限公司 掘进机的截割部的故障诊断方法、装置和掘进机

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王浩然等: "基于捷联惯导与差速里程计的掘进机组合定位方法" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115788477A (zh) * 2023-02-06 2023-03-14 太原理工大学 掘进机自适应截割控制系统及方法
CN116956165A (zh) * 2023-09-21 2023-10-27 中国船舶集团有限公司第七〇七研究所 一种多掘进机截割部运行状态分类方法
CN116956165B (zh) * 2023-09-21 2023-12-15 中国船舶集团有限公司第七〇七研究所 一种多掘进机截割部运行状态分类方法

Also Published As

Publication number Publication date
CN115628930B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
CN115628930B (zh) 一种基于rbf神经网络的掘进机井下截割工况预测方法
CN112183993B (zh) 一种tbm掘进控制参数智能预测及优化决策方法
CN108470095B (zh) 基于数据驱动径向基函数模型的tbm推进力预测方法
CN116335925B (zh) 基于数据增强的煤矿井下乳化泵站智能调控系统
CN111832624A (zh) 一种基于对抗迁移学习的刀具剩余寿命预测方法
CN108595803A (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN113157732A (zh) 一种基于pso-bp神经网络的地下铲运机故障诊断方法
CN114492642A (zh) 一种多尺度元深度残差收缩网络的机械故障在线诊断方法
CN113762360B (zh) 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法
CN113642801A (zh) 一种基于lstm的绞吸挖泥船产量预测方法
CN113029619A (zh) 基于c4.5决策树算法的地下铲运机故障诊断方法
CN116822352A (zh) 基于grnn神经网络的井下防水密闭墙工况预测方法及系统
CN115788477B (zh) 掘进机自适应截割控制系统及方法
CN112541296A (zh) 一种基于pso-lssvm的so2预测方法
CN116720079A (zh) 基于多特征融合的风力发电机故障模式识别方法及系统
CN115828164A (zh) 一种基于数据驱动的电动钉枪故障类型识别方法
CN114800049B (zh) 一种光栅尺加工运行信号误差补偿系统
CN111993158B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
CN113579849A (zh) 一种面向弱刚性钻削的数字孪生控制方法及系统
CN113844861A (zh) 基于煤量检测的皮带及采煤机的自动调速方法
CN113158562A (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
CN112727433A (zh) 一种钻井参数优化方法
CN112862180A (zh) 一种脱硝系统入口NOx浓度预测方法
CN110674868A (zh) 一种基于高维钻进参数信息的地层岩性识别系统及其方法
CN116915122B (zh) 一种煤矿变频设备的自适应控制方法及系统

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