CN117390405B - 掘进机扁齿滚刀阵列磨损状态预测方法 - Google Patents

掘进机扁齿滚刀阵列磨损状态预测方法 Download PDF

Info

Publication number
CN117390405B
CN117390405B CN202311696514.0A CN202311696514A CN117390405B CN 117390405 B CN117390405 B CN 117390405B CN 202311696514 A CN202311696514 A CN 202311696514A CN 117390405 B CN117390405 B CN 117390405B
Authority
CN
China
Prior art keywords
hob
flat
function
flat tooth
tunneling
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.)
Active
Application number
CN202311696514.0A
Other languages
English (en)
Other versions
CN117390405A (zh
Inventor
朱诚
苏明
韩爱民
李彤
高斌
尹志清
荣雪宁
王加俊
张晓鹏
刘伯岩
潘瑞浩
高莉荣
刘鹏
许芳龙
胡彬
吴荣华
王位
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.)
Rail Transit Branch Of China Communications Construction Co ltd
Nanjing Tech University
CCCC Tunnel Engineering Co Ltd
Original Assignee
Rail Transit Branch Of China Communications Construction Co ltd
Nanjing Tech University
CCCC Tunnel Engineering 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 Rail Transit Branch Of China Communications Construction Co ltd, Nanjing Tech University, CCCC Tunnel Engineering Co Ltd filed Critical Rail Transit Branch Of China Communications Construction Co ltd
Priority to CN202311696514.0A priority Critical patent/CN117390405B/zh
Publication of CN117390405A publication Critical patent/CN117390405A/zh
Application granted granted Critical
Publication of CN117390405B publication Critical patent/CN117390405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06N3/048—Activation functions
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

掘进机扁齿滚刀阵列磨损状态预测方法，涉及掘进机关键部件选型设计及寿命预测，属于高端装备制造和地下工程技术领域。包括生成原始工作参数函数、原始工作参数函数分解、提取扁齿滚刀阵列磨损状态特征、提取掘进参数特征、预测扁齿滚刀阵列磨损状态共五个步骤，从数据采集、离散数据转化、数据属性分析与特征提取、监督学习预测模型等方面出发，通过挖掘掘进参数与掘进机扁齿滚刀阵列磨损状态之间的深层统计规律，得到能够根据掘进参数预测刀盘上滚刀阵列中各滚刀之间的磨损状态不规律差异的预测模型，整体流程具有步骤明确、可解释性强的优点。

Description

掘进机扁齿滚刀阵列磨损状态预测方法
技术领域
本发明属于高端装备制造和地下工程技术领域，具体涉及掘进机关键部件选型设计及寿命预测。
背景技术
在岩石隧道的建造过程中，如地铁隧道、铁路/公路隧道、采矿巷道、地下粒子观测实验室等，掘进机掘进复合岩层，掌子面岩体阻碍掘进机刀具的贯入，掘进机刀具的种类是高效破岩的关键之一。扁齿滚刀的刃部截面积小，相邻扁齿之间在连续破岩过程中产生临空面，这些都是其具有较高破岩能力的原因。然而，对于单具扁齿滚刀，各扁齿的磨损状态存在差异，会导致同具滚刀刃部磨损不均匀，从而缩短了刀具的使用寿命；刀盘上扁齿滚刀阵列中各滚刀的磨损状态也有差异，对导致刀盘上滚刀阵列中各滚刀之间的磨损状态产生不规律的悬殊，从而降低整体掘进的破岩效率，并提高整体刀具使用的成本。目前，尚缺乏对扁齿滚刀阵列磨损状态预测的研究，尚无可用于定性或定量预测扁齿滚刀阵列磨损状态的模型或算法。
发明内容
为解决上述技术问题，本发明提出了掘进机扁齿滚刀阵列磨损状态预测方法，具体包括如下步骤：
步骤一、生成原始工作参数函数
原始工作参数函数包含T k(t+t k)、v k(t+t k)、n k(t+t k)、F k(t+t k)和α i,k(l)；
步骤二、原始工作参数函数分解
以基于最优母小波函数的多分辨率分析，实现针对原始工作参数函数的离散小波变换；
步骤三、提取扁齿滚刀阵列磨损状态特征
以各扁齿滚刀上扁齿磨损量分布情况的差异程度，表征扁齿滚刀阵列磨损状态，实现对扁齿滚刀阵列磨损状态特征的定量提取；
步骤四、提取掘进参数特征
根据各类掘进参数的低频部分函数之间的内积，得到掘进参数低频内积组，再根据掘进参数低频内积组生成掘进参数特征向量；
步骤五、预测扁齿滚刀阵列磨损状态
构造并训练各扁齿滚刀的磨损状态特征预测模型，根据各扁齿滚刀的磨损状态特征预测模型预测结果汇总得到扁齿滚刀阵列磨损状态预测结果。
进一步地，步骤一具体如下：
记开仓刀具磨损观测次序k∈{1,2,3,…,K}，第k次开仓刀具磨损观测前的掘进机最后运行时刻为t k，
导出并存储掘进机PLC系统内的掘进参数，掘进参数包含刀盘扭矩、掘进速率、刀盘转速、总推力，对时间t∈[t k,t k+1]时的刀盘扭矩、掘进速率、刀盘转速、总推力分别进行最小-最大规范化处理，绘制各掘进参数在时间t∈[t k,t k+1]时的掘进参数时程散点图，
对于单种掘进参数，将时间t∈[t k,t k+1]时的该掘进参数时程散点图中的散点按时刻顺序以直线段顺次连接得到该掘进参数时程变化折线图，
记[t k,t k+1]为第k段的时程范围，记第k段内刀盘扭矩、掘进速率、刀盘转速、总推力的时程变化折线图中的刀盘扭矩函数、掘进速率函数、刀盘转速函数、总推力函数平移至0时刻作为起点时得到的刀盘扭矩平移函数、掘进速率平移函数、刀盘转速平移函数、总推力平移函数分别为T k(t+t k)、v k(t+t k)、n k(t+t k)、F k(t+t k)。
进一步地，步骤一还包括：
对于单具扁齿滚刀，将其刃部各扁齿进行从1开始的顺序编号，扁齿序号j∈{1,2,3,…,J},J为单具扁齿滚刀上的扁齿个数，
记单个扁齿刃部磨损量为α i,j,k，i为扁齿所在扁齿滚刀的序号，i∈{1,2,3,…,I}，I为单台掘进机刀盘上扁齿滚刀个数，
对于单具扁齿滚刀，将j∈{1,2,3,…,J}时的扁齿磨损量散点（l i,j,α i,j,k）按扁齿序号顺序以直线段顺次连接得到该具扁齿滚刀扁齿磨损量变化折线图，记第i具扁齿滚刀在被第k次观测得到的扁齿磨损量变化折线所表示的函数为α i,k(l)，
l i,j为第i具扁齿滚刀上第j号扁齿的未磨损时的扁齿的扁齿轴线远端点轨迹位置。
进一步地，步骤二具体如下：
母小波函数依次取Biorthogonal小波、Mexican Hat小波、Daubechies小波、Coiflets小波、Meyer小波，在同种母小波函数条件下对原始工作参数函数y(x)进行N级分解后经重构得到工作参数函数y’(x)，按式（1）计算同种母小波函数条件下y’(x)逼近y(x)的精度δ f.h.N，N为不小于3的正整数，整数f取值1、2、3、4、5分别对应y(x)分别取T k(t+t k)、v k(t+t k)、n k(t+t k)、F k(t+t k)、α i,k(l)，x∈[0, X]，整数h取值1、2、3、4、5分别对应以Biorthogonal小波、Mexican Hat小波、Daubechies小波、Coiflets小波、Meyer小波作为母小波函数，N为小波分解总级数，
整数f取值为1、2、3、4时y(x)的x自变量为t+t k、定义域上限X为k∈{1,2,3,…,K}范围内持续工作时长最长的段的段内持续工作时长，
整数f取值为5时y(x)的x自变量为l、定义域上限X为l i,J，
（1）。
进一步地，步骤二还包括：
在h∈{1,2,3,4,5}中取总体精度最大值所对应的母小波函数为最优母小波函数，h类母小波函数的总体精度δ h.N按式（2）计算，
（2）。
进一步地，步骤三具体如下：
以最优母小波函数对α i,k(l)进行离散小波变换，得到第N级小波分解中的磨损低频部分函数L i,k.N(l)，
在同一k（同一次开仓观测）的条件下，计算i∈{1,2,3,…,I}内任意两个L i,k.N(l)之间的内积A i,i’,k，A i,i’,k表示第k次观测下i号扁齿滚刀的L i,k.N(l)和i’号扁齿滚刀的L i,k.N(l)之间的内积，i’∈{1,2,3,…,I},
遍历完所有的滚刀，得到I×I个内积A i,i’,k，
以A i,i’,k为元素构成I×I矩阵[A i,i’,k]，记矩阵[A i,i’,k]在第i行的主对角线元素为P i,k，P i,k表示同一个L i,k.N(l)自身与自身的相似程度，记E i,i’,k=A i,i’,k-P i,k，以E i,i’,k为元素构成矩阵[E i,i’,k]，
记第k次观测下的扁齿滚刀阵列磨损状态特征为矩阵[e i,k]，i∈{1,2,3,…,I}，矩阵[e i,k]中的元素e i,k为第k次观测下i号扁齿滚刀的磨损状态特征，e i,k与各扁齿滚刀磨损差异程度正相关，按式（3）计算，
（3）。
进一步地，步骤四具体如下：
以最优母小波函数分别对T k(t+t k)、v k(t+t k)、n k(t+t k)、F k(t+t k)进行离散小波变换，得到第N级小波分解中的扭矩低频部分函数LT k.N(t’)、速率低频部分函数Lv k.N(t’)、转速低频部分函数Ln k.N(t’)、推力低频部分函数LF k.N(t’)，t’=t+t k,
在第k段的时程范围内，求各类掘进参数的低频部分函数之间的内积，得到掘进参数低频内积组，根据掘进参数低频内积组生成掘进参数特征向量。
进一步地，步骤五具体如下：
（1）生成扁齿磨损状态预测训练样本
以段为划分，构建掘进参数特征向量向各扁齿滚刀磨损状态特征的映射，即在同一k条件下，将步骤四中得到的掘进参数特征向量以及步骤三中得到的磨损状态特征e i,k，作为对第i号扁齿滚刀的扁齿磨损状态预测训练样本，i∈{1,2,3,…,I}，k∈{1,2,3,…,K}，
（2）构造预测模型结构
各扁齿滚刀的磨损状态特征预测模型均采用反向传播神经网络结构，包括一个输入层、λ个隐藏层和一个输出层。相邻两层中的神经元完全连接，每个连接都被赋予一个乘以输入值的可训练权重。所有隐藏层都使用Sigmoid激活函数，然后进行批量归一化，
使用Xavier初始化来初始化权重和偏差值，
λ为不小于3的正整数。
进一步地，步骤五还包括：
（3）训练各扁齿滚刀的磨损状态特征预测模型
在同一i条件下，利用扁齿磨损状态预测训练样本，训练集使用掘进参数特征向量作为输入，对应的训练集标注为e i,k，k∈{1,2,3,…,K}，训练i号扁齿滚刀的磨损状态特征预测模型，i号扁齿滚刀的磨损状态特征预测模型能够根据输入变量得到对i号扁齿滚刀的磨损状态特征的点估计G i,k，从而实现根据掘进参数定量预测i号扁齿滚刀的磨损状态特征，
（4）预测扁齿滚刀阵列磨损状态
扁齿滚刀阵列磨损状态的预测结果为集合{G i,k, i∈{1,2,3,…,I}}，即各扁齿滚刀的磨损状态特征预测模型预测结果汇总得到扁齿滚刀阵列磨损状态预测结果。
有益效果
本发明所提供的技术方案有助于根据盾构/TBM直接采集的掘进参数，定量预测刀盘上扁齿滚刀阵列磨损状态，量化识别刀盘上滚刀阵列中各滚刀之间的磨损状态不规律的差异。
附图说明
图1 未磨损时的扁齿位置几何要素示意图；
图2 直角坐标系O-lα及α i,k(l)示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，掘进机扁齿滚刀阵列磨损状态预测方法具体包括如下步骤：
步骤一、生成原始工作参数函数
对于单具扁齿滚刀，将其刃部各扁齿进行从1开始的顺序编号，扁齿序号j∈{1,2,3,…,J},J为单具扁齿滚刀上的扁齿个数。
记单个扁齿刃部磨损量为α i,j,k，i为扁齿所在扁齿滚刀的序号，i∈{1,2,3,…,I}，I为单台掘进机刀盘上扁齿滚刀个数。
记开仓刀具磨损观测次序k∈{1,2,3,…,K}，第k次开仓刀具磨损观测前的掘进机最后运行时刻为t k。
导出并存储掘进机PLC系统内的掘进参数，掘进参数包含刀盘扭矩、掘进速率、刀盘转速、总推力，对时间t∈[t k,t k+1]时的刀盘扭矩、掘进速率、刀盘转速、总推力分别进行最小-最大规范化处理，绘制各掘进参数在时间t∈[t k,t k+1]时的掘进参数时程散点图。
对于单种掘进参数，将时间t∈[t k,t k+1]时的该掘进参数时程散点图中的散点按时刻顺序以直线段顺次连接得到该掘进参数时程变化折线图。
记[t k,t k+1]为第k段的时程范围，记第k段内刀盘扭矩、掘进速率、刀盘转速、总推力的时程变化折线图中的刀盘扭矩函数、掘进速率函数、刀盘转速函数、总推力函数平移至0时刻作为起点时得到的刀盘扭矩平移函数、掘进速率平移函数、刀盘转速平移函数、总推力平移函数分别为T k(t+t k)、v k(t+t k)、n k(t+t k)、F k(t+t k)。
如图1，在掘进机扁齿滚刀横截面上，以单个扁齿的过掘进机扁齿滚刀横截面圆心的对称轴为单个扁齿的安装轴线，记单个扁齿安装轴线与该扁齿表面交点中距离掘进机扁齿滚刀横截面圆心最远的交点为为扁齿轴线远端点，记紧邻扁齿安装轴线夹角为θ，θ以弧度制计量，未磨损时的扁齿的扁齿轴线远端点与滚刀刀体圆心之间的最大间距为R。
如图2，建立直角坐标系O-lα，l为未磨损时的扁齿的扁齿轴线远端点轨迹，l i,j为第i具扁齿滚刀上第j号扁齿的未磨损时的扁齿的扁齿轴线远端点轨迹位置，l i,j+1为第i具扁齿滚刀上第j+1号扁齿的未磨损时的扁齿的扁齿轴线远端点轨迹位置，l i,j+1-l i,j=θR，l i,1=0，α为扁齿磨损量，对于单具扁齿滚刀，将j∈{1,2,3,…,J}时的扁齿磨损量散点（l i,j,α i,j,k）按扁齿序号顺序以直线段顺次连接得到该具扁齿滚刀扁齿磨损量变化折线图，记第i具扁齿滚刀在被第k次观测得到的扁齿磨损量变化折线所表示的函数为α i,k(l)。
原始工作参数函数包含T k(t+t k)、v k(t+t k)、n k(t+t k)、F k(t+t k)和α i,k(l)。
步骤二、原始工作参数函数分解
以多分辨率分析实现针对原始工作参数函数的离散小波变换，母小波函数依次取Biorthogonal小波、Mexican Hat小波、Daubechies小波、Coiflets小波、Meyer小波，在同种母小波函数条件下对原始工作参数函数y(x)进行N级分解后经重构得到工作参数函数y’(x)，按式（1）计算同种母小波函数条件下y’(x)逼近y(x)的精度δ f.h.N，N为不小于3的正整数，整数f取值1、2、3、4、5分别对应y(x)分别取T k(t+t k)、v k(t+t k)、n k(t+t k)、F k(t+t k)、α i,k(l)，x∈[0, X]，整数h取值1、2、3、4、5分别对应以Biorthogonal小波、Mexican Hat小波、Daubechies小波、Coiflets小波、Meyer小波作为母小波函数，N为小波分解总级数。
整数f取值为1、2、3、4时y(x)的x自变量为t+t k、定义域上限X为k∈{1,2,3,…,K}范围内持续工作时长最长的段的段内持续工作时长。
整数f取值为5时y(x)的x自变量为l、定义域上限X为l i,J。
（1）。
在h∈{1,2,3,4,5}中取总体精度最大值所对应的母小波函数为最优母小波函数，h类母小波函数的总体精度δ h.N按式（2）计算，
（2）。
步骤三、提取扁齿滚刀阵列磨损状态特征
以各扁齿滚刀上扁齿磨损量分布情况的差异程度，表征扁齿滚刀阵列磨损状态，实现对扁齿滚刀阵列磨损状态特征的定量提取。
以最优母小波函数对α i,k(l)进行离散小波变换，得到第N级小波分解中的磨损低频部分函数L i,k.N(l)。
在同一k（同一次开仓观测）的条件下，计算i∈{1,2,3,…,I}内任意两个L i,k.N(l)之间的内积A i,i’,k，A i,i’,k表示第k次观测下i号扁齿滚刀的L i,k.N(l)和i’号扁齿滚刀的L i,k.N(l)之间的内积，i’∈{1,2,3,…,I}, i可等于i’。
遍历完所有的滚刀，得到I×I个内积A i,i’,k。
以A i,i’,k为元素构成I×I矩阵[A i,i’,k]，记矩阵[A i,i’,k]在第i行的主对角线元素为P i,k，P i,k表示同一个L i,k.N(l)自身与自身的相似程度，记E i,i’,k=A i,i’,k-P i,k，以E i,i’,k为元素构成矩阵[E i,i’,k]，E i,i’,k可表示消除函数自身相似程度之后的任意i号与i’号扁齿滚刀磨损量分布情况之间的相似程度，E i,i’,k越接近0，则i号扁齿滚刀磨损量分布和i’号扁齿滚刀磨损量分布之间的差异越小。
记第k次观测下的扁齿滚刀阵列磨损状态特征为矩阵[e i,k]，i∈{1,2,3,…,I}，矩阵[e i,k]中的元素e i,k为第k次观测下i号扁齿滚刀的磨损状态特征，e i,k与各扁齿滚刀磨损差异程度正相关，按式（3）计算，
（3）。
步骤四、提取掘进参数特征
以最优母小波函数分别对T k(t+t k)、v k(t+t k)、n k(t+t k)、F k(t+t k)进行离散小波变换，得到第N级小波分解中的扭矩低频部分函数LT k.N(t’)、速率低频部分函数Lv k.N(t’)、转速低频部分函数Ln k.N(t’)、推力低频部分函数LF k.N(t’)，t’=t+t k。
在第k段的时程范围内，求各类掘进参数的低频部分函数之间的内积，得到掘进参数低频内积组（M1k, M2k, M3k, M4k, M5k, M6k, M7k, M8k, M9k, M10k），
M1k为LT k.N(t’)和LT k.N(t’)的内积，
M2k为LT k.N(t’)和Lv k.N(t’)的内积，
M3k为LT k.N(t’)和Ln k.N(t’)的内积，
M4k为LT k.N(t’)和LF k.N(t’)的内积，
M5k为Lv k.N(t’)和Lv k.N(t’)的内积，
M6k为Lv k.N(t’)和Ln k.N(t’)的内积，
M7k为Lv k.N(t’)和LF k.N(t’)的内积，
M8k为Ln k.N(t’)和Ln k.N(t’)的内积，
M9k为Ln k.N(t’)和LF k.N(t’)的内积，
M10k为LF k.N(t’)和LF k.N(t’)的内积。
根据掘进参数低频内积组生成掘进参数特征向量（M1k, M2k, M3k, M4k, M5k,M6k, M7k, M8k, M9k, M10k, M11k, M12k, M13k, M14k, M15k, M16k, M17k, M18k, M19k,M20k, M21k, M22k, M23k, M24k, M25k, M26k, M27k, M28k, M29k, M30k），M11k、M12k、M13k、M14k、M15k、M16k、M17k、M18k、M19k、M20k分别为M1k的算术平方根、M2k的算术平方根、M3k的算术平方根、M4k的算术平方根、M5k的算术平方根、M6k的算术平方根、M7k的算术平方根、M8k的算术平方根、M9k的算术平方根、M10k的算术平方根，M21k、M22k、M23k、M24k、M25k、M26k、M27k、M28k、M29k、M30k分别为ln(M1k)、ln(M2k)、ln(M3k)、ln(M4k)、ln(M5k)、ln(M6k)、ln(M7k)、ln(M8k)、ln(M9k)、ln(M10k)。
步骤五、预测扁齿滚刀阵列磨损状态
分别训练各扁齿滚刀的磨损状态特征预测模型，根据各扁齿滚刀的磨损状态特征预测模型预测结果汇总得到扁齿滚刀阵列磨损状态预测结果。
（1）生成扁齿磨损状态预测训练样本
以段为划分，构建掘进参数特征向量向各扁齿滚刀磨损状态特征的映射，即在同一k条件下，将（M1k, M2k, M3k, M4k, M5k, M6k, M7k, M8k, M9k, M10k, M11k, M12k, M13k,M14k, M15k, M16k, M17k, M18k, M19k, M20k, M21k, M22k, M23k, M24k, M25k, M26k,M27k, M28k, M29k, M30k,e i,k）作为对第i号扁齿滚刀的扁齿磨损状态预测训练样本，i∈{1,2,3,…,I}，k∈{1,2,3,…,K}。
（2）构造预测模型结构
各扁齿滚刀的磨损状态特征预测模型均采用反向传播神经网络结构，包括一个输入层、λ个隐藏层和一个输出层。相邻两层中的神经元完全连接，每个连接都被赋予一个乘以输入值的可训练权重。所有隐藏层都使用Sigmoid激活函数，然后进行批量归一化。
使用Xavier初始化来初始化权重和偏差值。
λ为不小于3的正整数。
（3）训练各扁齿滚刀的磨损状态特征预测模型
在同一i条件下，利用扁齿磨损状态预测训练样本，训练集使用（M1k, M2k, M3k,M4k, M5k, M6k, M7k, M8k, M9k, M10k, M11k, M12k, M13k, M14k, M15k, M16k, M17k,M18k, M19k, M20k, M21k, M22k, M23k, M24k, M25k, M26k, M27k, M28k, M29k, M30k）作为输入，对应的训练集标注为e i,k，k∈{1,2,3,…,K}，训练i号扁齿滚刀的磨损状态特征预测模型，i号扁齿滚刀的磨损状态特征预测模型能够根据输入变量得到对i号扁齿滚刀的磨损状态特征的点估计G i,k，从而实现根据掘进参数定量预测i号扁齿滚刀的磨损状态特征。
（4）预测扁齿滚刀阵列磨损状态
扁齿滚刀阵列磨损状态的预测结果为集合{G i,k, i∈{1,2,3,…,I}}，即各扁齿滚刀的磨损状态特征预测模型预测结果汇总得到扁齿滚刀阵列磨损状态预测结果。
针对安山岩、石灰岩、砂岩地层中的扁齿滚刀磨损实测数据进行模型测试，以各地层内的平均拟合优度Q作为测试精度，如表1所示，可见扁齿滚刀的磨损状态特征预测模型的预测精度较高。
平均拟合优度Q如式（4）所示，q i为k∈{1,2,3,…,K}范围内的i号扁齿滚刀的磨损状态特征的拟合优度。
（4）。
表1 扁齿滚刀的磨损状态特征预测模型测试表现
。
实施例1
设有5 × 5矩阵[A i,i’,k]如式（5），
则矩阵[A i,i’,k]在第1行的主对角线元素为P 1,k=1，
矩阵[A i,i’,k]在第2行的主对角线元素为P 2,k=2，
矩阵[A i,i’,k]在第3行的主对角线元素为P 3,k=5，
矩阵[A i,i’,k]在第4行的主对角线元素为P 4,k=15，
矩阵[A i,i’,k]在第5行的主对角线元素为P 5,k=1.5。
则矩阵[E i,i’,k]如式（6）所示，则有：
e 1,k=0+1+2+9+0.5=12.5，
e 2,k=1+0+1+1.2+7.5=10.7
e 3,k=7+19+0+1+2.5=29.5，
e 4,k=13.9+12.4+7+0+8.5=41.8，
e 5,k=3.6+2.8+5.5+0.7+0=12.6。
则第k次观测下的扁齿滚刀阵列磨损状态特征[e i,k]为[12.5, 10.7, 29.5,41.8, 12.6]。
（5）
（6）。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (6)

1.掘进机扁齿滚刀阵列磨损状态预测方法，其特征在于，包括如下步骤：
步骤一、生成原始工作参数函数
记开仓刀具磨损观测次序k∈{1,2,3,…,K}，第k次开仓刀具磨损观测前的掘进机最后运行时刻为t k，记[t k,t k+1]为第k段的时程范围，原始工作参数函数包含第k段的时程范围内刀盘扭矩、掘进速率、刀盘转速、总推力的时程变化折线图中的刀盘扭矩函数、掘进速率函数、刀盘转速函数、总推力函数平移至0时刻作为起点时得到的刀盘扭矩平移函数T k(t+t k)、掘进速率平移函数v k(t+t k)、刀盘转速平移函数n k(t+t k)、总推力平移函数F k(t+t k)，以及第i具扁齿滚刀在被第k次观测得到的扁齿磨损量变化折线所表示的函数α i,k(l)；
步骤二、原始工作参数函数分解
以基于最优母小波函数的多分辨率分析，实现针对原始工作参数函数的离散小波变换；
具体如下：
母小波函数依次取Biorthogonal小波、Mexican Hat小波、Daubechies小波、Coiflets小波、Meyer小波，在同种母小波函数条件下对原始工作参数函数y(x)进行N级分解后经重构得到工作参数函数y’(x)，按式（1）计算同种母小波函数条件下y’(x)逼近y(x)的精度δ f.h.N，N为不小于3的正整数，整数f取值1、2、3、4、5分别对应y(x)分别取T k(t+t k)、v k(t+t k)、n k(t+t k)、F k(t+t k)、α i,k(l)，x∈[0, X]，整数h取值1、2、3、4、5分别对应以Biorthogonal小波、Mexican Hat小波、Daubechies小波、Coiflets小波、Meyer小波作为母小波函数，N为小波分解总级数，
整数f取值为1、2、3、4时y(x)的x自变量为t+t k、定义域上限X为k∈{1,2,3,…,K}范围内持续工作时长最长的段的段内持续工作时长，
整数f取值为5时y(x)的x自变量为l、定义域上限X为l i,J，
（1）；
在h∈{1,2,3,4,5}中取总体精度最大值所对应的母小波函数为最优母小波函数，h类母小波函数的总体精度δ h.N按式（2）计算，
（2）；
步骤三、提取扁齿滚刀阵列磨损状态特征
以各扁齿滚刀上扁齿磨损量分布情况的差异程度，表征扁齿滚刀阵列磨损状态，实现对扁齿滚刀阵列磨损状态特征的定量提取；
具体如下：
以最优母小波函数对α i,k(l)进行离散小波变换，得到第N级小波分解中的磨损低频部分函数L i,k.N(l)，
在同一k即同一次开仓观测的条件下，计算i∈{1,2,3,…,I}内任意两个L i,k.N(l)之间的内积A i,i’,k， A i,i’,k表示第k次观测下i号扁齿滚刀的L i,k.N(l)和i’号扁齿滚刀的L i,k.N(l)之间的内积，i’∈{1,2,3,…,I},
遍历完所有的滚刀，得到I×I个内积A i,i’,k，
以A i,i’,k为元素构成I×I矩阵[A i,i’,k]，记矩阵[A i,i’,k]在第i行的主对角线元素为P i,k，P i,k表示同一个L i,k.N(l)自身与自身的相似程度，记E i,i’,k= A i,i’,k-P i,k，以E i,i’,k为元素构成矩阵[E i,i’,k]，
记第k次观测下的扁齿滚刀阵列磨损状态特征为矩阵[e i,k]，i∈{1,2,3,…,I}，矩阵[e i,k]中的元素e i,k为第k次观测下i号扁齿滚刀的磨损状态特征，e i,k与各扁齿滚刀磨损差异程度正相关，按式（3）计算，
（3）；
步骤四、提取掘进参数特征
根据各类掘进参数的低频部分函数之间的内积，得到掘进参数低频内积组，再根据掘进参数低频内积组生成掘进参数特征向量；
步骤五、预测扁齿滚刀阵列磨损状态
构造并训练各扁齿滚刀的磨损状态特征预测模型，根据各扁齿滚刀的磨损状态特征预测模型预测结果汇总得到扁齿滚刀阵列磨损状态预测结果。
2.根据权利要求1所述的掘进机扁齿滚刀阵列磨损状态预测方法，其特征在于，步骤一具体如下：
记开仓刀具磨损观测次序k∈{1,2,3,…,K}，第k次开仓刀具磨损观测前的掘进机最后运行时刻为t k，
导出并存储掘进机PLC系统内的掘进参数，掘进参数包含刀盘扭矩、掘进速率、刀盘转速、总推力，对时间t∈[t k,t k+1]时的刀盘扭矩、掘进速率、刀盘转速、总推力分别进行最小-最大规范化处理，绘制各掘进参数在时间t∈[t k,t k+1]时的掘进参数时程散点图，
对于单种掘进参数，将时间t∈[t k,t k+1]时的该掘进参数时程散点图中的散点按时刻顺序以直线段顺次连接得到该掘进参数时程变化折线图，
记[t k,t k+1]为第k段的时程范围，记第k段内刀盘扭矩、掘进速率、刀盘转速、总推力的时程变化折线图中的刀盘扭矩函数、掘进速率函数、刀盘转速函数、总推力函数平移至0时刻作为起点时得到的刀盘扭矩平移函数、掘进速率平移函数、刀盘转速平移函数、总推力平移函数分别为T k(t+t k)、v k(t+t k)、n k(t+t k)、F k(t+t k)。
3.根据权利要求2所述的掘进机扁齿滚刀阵列磨损状态预测方法，其特征在于，步骤一还包括：
对于单具扁齿滚刀，将其刃部各扁齿进行从1开始的顺序编号，扁齿序号j∈{1,2,3,…,J},J为单具扁齿滚刀上的扁齿个数，
记单个扁齿刃部磨损量为α i,j,k，i为扁齿所在扁齿滚刀的序号，i∈{1,2,3,…,I}，I为单台掘进机刀盘上扁齿滚刀个数，
对于单具扁齿滚刀，将j∈{1,2,3,…,J}时的扁齿磨损量散点（l i,j, α i,j,k）按扁齿序号顺序以直线段顺次连接得到该单具扁齿滚刀扁齿磨损量变化折线图，记第i具扁齿滚刀在被第k次观测得到的扁齿磨损量变化折线所表示的函数为α i,k(l)，
l i,j为第i具扁齿滚刀上第j号扁齿的未磨损时的扁齿的扁齿轴线远端点轨迹位置。
4.根据权利要求1所述的掘进机扁齿滚刀阵列磨损状态预测方法，其特征在于，步骤四具体如下：
以最优母小波函数分别对T k(t+t k)、v k(t+t k)、n k(t+t k)、F k(t+t k)进行离散小波变换，得到第N级小波分解中的扭矩低频部分函数LT k.N(t’)、速率低频部分函数Lv k.N(t’)、转速低频部分函数Ln k.N(t’)、推力低频部分函数LF k.N(t’)，t’=t+t k,
在第k段的时程范围内，求各类掘进参数的低频部分函数之间的内积，得到掘进参数低频内积组，根据掘进参数低频内积组生成掘进参数特征向量。
5. 根据权利要求1所述的掘进机扁齿滚刀阵列磨损状态预测方法，其特征在于，步骤五具体如下：
（1）生成扁齿磨损状态预测训练样本
以段为划分，构建掘进参数特征向量向各扁齿滚刀磨损状态特征的映射，即在同一k条件下，将步骤四中得到的掘进参数特征向量以及步骤三中得到的磨损状态特征e i,k，作为对第i号扁齿滚刀的扁齿磨损状态预测训练样本，i∈{1,2,3,…,I}，k∈{1,2,3,…,K}，
（2）构造预测模型结构
各扁齿滚刀的磨损状态特征预测模型均采用反向传播神经网络结构，包括一个输入层、λ个隐藏层和一个输出层；相邻两层中的神经元完全连接，每个连接都被赋予一个乘以输入值的可训练权重；所有隐藏层都使用Sigmoid激活函数，然后进行批量归一化，
使用Xavier初始化来初始化权重和偏差值，
λ为不小于3的正整数。
6. 根据权利要求5所述的掘进机扁齿滚刀阵列磨损状态预测方法，其特征在于，步骤五还包括：
（3）训练各扁齿滚刀的磨损状态特征预测模型
在同一i条件下，利用扁齿磨损状态预测训练样本，训练集使用掘进参数特征向量作为输入，对应的训练集标注为e i,k，k∈{1,2,3,…,K}，训练i号扁齿滚刀的磨损状态特征预测模型，i号扁齿滚刀的磨损状态特征预测模型能够根据输入变量得到对i号扁齿滚刀的磨损状态特征的点估计G i,k，从而实现根据掘进参数定量预测i号扁齿滚刀的磨损状态特征，
（4）预测扁齿滚刀阵列磨损状态
扁齿滚刀阵列磨损状态的预测结果为集合{G i,k, i∈{1,2,3,…,I}}，即各扁齿滚刀的磨损状态特征预测模型预测结果汇总得到扁齿滚刀阵列磨损状态预测结果。
CN202311696514.0A 2023-12-12 2023-12-12 掘进机扁齿滚刀阵列磨损状态预测方法 Active CN117390405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311696514.0A CN117390405B (zh) 2023-12-12 2023-12-12 掘进机扁齿滚刀阵列磨损状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311696514.0A CN117390405B (zh) 2023-12-12 2023-12-12 掘进机扁齿滚刀阵列磨损状态预测方法

Publications (2)

Publication Number Publication Date
CN117390405A CN117390405A (zh) 2024-01-12
CN117390405B true CN117390405B (zh) 2024-02-20

Family

ID=89466993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311696514.0A Active CN117390405B (zh) 2023-12-12 2023-12-12 掘进机扁齿滚刀阵列磨损状态预测方法

Country Status (1)

Country Link
CN (1) CN117390405B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0274342A1 (de) * 1986-12-18 1988-07-13 Salzgitter Maschinenbau Gmbh Vorrichtung zur Ermittlung des Ringzahnverschleisses an Rollenbohrwerkzeugen
CN107180016A (zh) * 2017-05-23 2017-09-19 南京工业大学 应用磨损比耗指数预测滚刀磨损量的分层求和法
CN110378069A (zh) * 2019-08-01 2019-10-25 南京坤拓土木工程科技有限公司 一种预测掘进机刀具累计质量损失率的方法
CN111005733A (zh) * 2019-09-29 2020-04-14 西南石油大学 一种盾构滚刀刀具磨损预测方法
CN113063573A (zh) * 2021-03-10 2021-07-02 上海应用技术大学 盾构刀具磨损检测方法及系统
CN114417697A (zh) * 2021-12-07 2022-04-29 山东大学 一种基于神经网络的tbm滚刀磨损实时预测方法及系统
CN115563863A (zh) * 2022-09-27 2023-01-03 上海市隧道工程轨道交通设计研究院 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
CN115774912A (zh) * 2022-11-21 2023-03-10 盾构及掘进技术国家重点实验室 一种机理和数据联合驱动的tbm滚刀磨损预测方法
CN116205064A (zh) * 2023-02-24 2023-06-02 中建八局轨道交通建设有限公司 复杂地层隧道施工中盾构刀具服役期磨损量的预测方法
CN116408501A (zh) * 2023-02-14 2023-07-11 重庆大学 窜刀模式下滚刀磨损状态在机无监督实时监测方法
CN117077393A (zh) * 2023-08-14 2023-11-17 深圳大学 一种滚刀正常使用寿命的预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101452699A (zh) * 2007-12-04 2009-06-10 株式会社东芝 韵律自适应及语音合成的方法和装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0274342A1 (de) * 1986-12-18 1988-07-13 Salzgitter Maschinenbau Gmbh Vorrichtung zur Ermittlung des Ringzahnverschleisses an Rollenbohrwerkzeugen
CN107180016A (zh) * 2017-05-23 2017-09-19 南京工业大学 应用磨损比耗指数预测滚刀磨损量的分层求和法
CN110378069A (zh) * 2019-08-01 2019-10-25 南京坤拓土木工程科技有限公司 一种预测掘进机刀具累计质量损失率的方法
CN111005733A (zh) * 2019-09-29 2020-04-14 西南石油大学 一种盾构滚刀刀具磨损预测方法
CN113063573A (zh) * 2021-03-10 2021-07-02 上海应用技术大学 盾构刀具磨损检测方法及系统
CN114417697A (zh) * 2021-12-07 2022-04-29 山东大学 一种基于神经网络的tbm滚刀磨损实时预测方法及系统
CN115563863A (zh) * 2022-09-27 2023-01-03 上海市隧道工程轨道交通设计研究院 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
CN115774912A (zh) * 2022-11-21 2023-03-10 盾构及掘进技术国家重点实验室 一种机理和数据联合驱动的tbm滚刀磨损预测方法
CN116408501A (zh) * 2023-02-14 2023-07-11 重庆大学 窜刀模式下滚刀磨损状态在机无监督实时监测方法
CN116205064A (zh) * 2023-02-24 2023-06-02 中建八局轨道交通建设有限公司 复杂地层隧道施工中盾构刀具服役期磨损量的预测方法
CN117077393A (zh) * 2023-08-14 2023-11-17 深圳大学 一种滚刀正常使用寿命的预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
全断面隧道掘进机盘形滚刀磨损预测;周罘鑫等;建筑机械;全文 *
风化花岗岩地层的盾构滚刀磨损预测研究;赵青等;路基工程;全文 *

Also Published As

Publication number Publication date
CN117390405A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
Jong et al. State-of-the-art review of geotechnical-driven artificial intelligence techniques in underground soil-structure interaction
CN111950191B (zh) 基于混合深度神经网络的回转窑烧结温度预测方法
Wang et al. Prediction of axis attitude deviation and deviation correction method based on data driven during shield tunneling
Shi et al. A fuzzy c-means algorithm guided by attribute correlations and its application in the big data analysis of tunnel boring machine
CN111401573B (zh) 一种工况状态建模与修正模型方法
Leng et al. A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines
CN110378069A (zh) 一种预测掘进机刀具累计质量损失率的方法
Yu et al. Rock mass type prediction for tunnel boring machine using a novel semi-supervised method
CN110210569A (zh) 基于fcm-lstm的化工储罐异常检测算法研究
Zhang et al. Geological type recognition by machine learning on in-situ data of EPB tunnel boring machines
CN110837851A (zh) 一种电静液作动器液压泵故障诊断方法
Xu et al. Oversmoothing relief graph convolutional network-based fault diagnosis method with application to the rectifier of high-speed trains
CN117390405B (zh) 掘进机扁齿滚刀阵列磨损状态预测方法
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
CN114326486A (zh) 一种基于概率慢特征分析和弹性权重巩固的过程监控方法
CN113269221A (zh) 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法
Fattahi et al. Forecasting surface settlement caused by shield tunneling using ANN-BBO model and ANFIS based on clustering methods
CN114818493A (zh) 一种隧道岩体完整程度定量评价的方法
CN103472729B (zh) 群智的农药废液焚烧炉有害物排放达标控制系统及方法
Katser et al. Data pre-processing methods for NPP equipment diagnostics algorithms: an overview
CN109063354B (zh) 一种盾构刀盘刀具分区切削性能的预测方法
CN113111467A (zh) 一种基于混合神经网络的掘进参数预测方法、介质及设备
CN114925771B (zh) 一种影响盾构整机性能的关键部件识别方法
CN117113573B (zh) 基于工程案例文本极性分析的盾构刀盘开口选型方法
CN105404892A (zh) 一种用于序列数据分割的有序模糊c均值聚类方法

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