CN117851810A - 一种盾构机故障检测及解决方法及系统 - Google Patents
一种盾构机故障检测及解决方法及系统 Download PDFInfo
- Publication number
- CN117851810A CN117851810A CN202410256706.8A CN202410256706A CN117851810A CN 117851810 A CN117851810 A CN 117851810A CN 202410256706 A CN202410256706 A CN 202410256706A CN 117851810 A CN117851810 A CN 117851810A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- parameters
- digital twin
- parameter
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013145 classification model Methods 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000003745 diagnosis Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 230000005641 tunneling Effects 0.000 claims description 45
- 238000004088 simulation Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 11
- 238000013499 data model Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 description 7
- 239000010720 hydraulic oil Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种盾构机故障检测及解决方法及系统，属于盾构机故障检测技术领域，用于解决仅利用现有的液压推进系统故障诊断技术无法全面且准确地诊断并解决液压推进系统出现的故障，诊断效率低且影响施工进度的技术问题。方法包括：通过数字孪生模型，模拟多种预设故障类型，并获取对应的故障运行参数；提取故障运行参数对应的故障运行特征矩阵；通过故障运行特征矩阵训练故障分类模型，并通过故障分类模型对实际运行数据进行故障诊断，输出实际故障类型；将当前故障运行参数作为初始寻优参数进行迭代寻优，并将迭代得到的寻优运行参数输入数字孪生模型中进行可行性评估；根据可行性评估通过时对应的寻优运行参数，确定实际故障类型的解决方案。
Description
技术领域
本申请涉及盾构机故障检测技术领域，尤其涉及一种盾构机故障检测及解决方法及系统。
背景技术
盾构机作为隧道施工的主要设备，具有施工效率高、可靠性强、安全性高和集成化程度高等优点。盾构机由众多的子系统组成，其中，液压推进系统是盾构机的关键子系统之一，主要用于克服推进阻力、维持机体掘进状态、调向纠偏和姿态控制。在盾构机作业过程中，可能会会受到地质条件、工作载荷、工作环境等因素的影响，导致液压推进系统在工作过程中发生各种故障。同时，液压元件磨损产生的金属粉末和工作环境中的各种杂质也会污染液压设备中的液压油，使液压油的性能不稳定，影响盾构机的正常工作状态。被污染的液压油还会加剧液压元件的磨损，形成恶性循环，影响盾构机的推进效率甚至产生安全隐患。因此，在盾构机运行过程中进行液压推进系统的实时故障诊断是十分必要的。
但由于盾构机运行工况的复杂性，有些故障发生在液压推进系统的内部，具有高度的随机性、隐蔽性和复杂性，无法通过较直观的数据进行故障判断，即使判断出了故障类型，也无法快速获取最优的故障解决方案，导致故障持续时间较长，严重的甚至需要将盾构机停止运行并进行维修，严重影响施工进度。因此，仅利用现有的液压推进系统故障诊断技术无法全面且准确地诊断并解决液压推进系统出现的故障，诊断效率低且影响施工进度。
发明内容
本申请实施例提供了一种盾构机故障检测及解决方法及系统 ，用于解决如下技术问题：仅利用现有的液压推进系统故障诊断技术无法全面且准确地诊断并解决液压推进系统出现的故障，诊断效率低且影响施工进度。
本申请实施例采用下述技术方案：
一方面，本申请实施例提供了一种盾构机故障检测及解决方法，方法包括：构建盾构机的数字孪生模型；其中，所述数字孪生模型中至少包含液压推进系统子模型；通过所述数字孪生模型，模拟多种预设故障类型，并获取对应的故障运行参数；通过自回归模型，提取所述故障运行参数对应的故障运行特征矩阵；通过所述故障运行特征矩阵训练故障分类模型，并通过所述故障分类模型对实际运行数据进行故障诊断，输出实际故障类型；在诊断出故障后，将当前故障运行参数作为初始寻优参数进行迭代寻优，并将每次迭代得到的寻优运行参数输入所述数字孪生模型中进行可行性评估；根据所述可行性评估通过时对应的寻优运行参数，确定所述实际故障类型的解决方案。
在一种可行的实施方式中，构建盾构机的数字孪生模型，具体包括：
根据盾构机各组成系统的结构信息，采用三维建模软件建立等比例的三维模型；其中，所述盾构机各组成系统至少包括液压推进系统；
获取所述盾构机各组成系统的历史运行参数，并根据所述历史运行参数构建盾构机数据模型；
将所述三维模型以及所述盾构机数据模型导入Unity 3D软件中，对所述三维模型进行数据仿真处理，得到所述盾构机的实体仿真模型；其中，所述仿真设计至少包括：人机交互、数据通讯、数据驱动以及运动仿真；
基于数字孪生技术对所述实体仿真模型进行虚拟调试，得到所述盾构机的数字孪生模型。
在一种可行的实施方式中，通过所述数字孪生模型，模拟多种预设故障类型，并获取对应的故障运行参数，具体包括：
对所述液压推进系统子模型中的各液压元件参数进行调整，以模拟所述多种预设故障类型；其中，所述多种预设故障类型包括：正常运行、液压缸泄漏、换向阀泄漏、溢流阀损坏以及比例调速阀弹簧失效；
在模拟过程中，分别采集每种预设故障类型下，所述数字孪生模型中对应的多组故障运行参数，构成参数样本集；其中，所述故障运行参数包括第一类故障运行参数以及第二类故障运行参数；所述第一类故障运行参数至少包括以下任一项或多项：液压油缸位移、盾构机推进速度、比例调速阀输出流量、盾构机负载力以及液压推进系统压力；所述第二类故障运行参数至少包括以下任一项或多项：液压缸无杆腔活塞面积、液压缸无杆腔压力、液压缸有杆腔活塞面积以及液压缸有杆腔压力。
在一种可行的实施方式中，通过自回归模型，提取所述故障运行参数对应的故障运行特征矩阵，具体包括：
将所述第一类故障运行参数作为输入变量，将所述第二类故障运行参数作为输出变量，构建自回归模型；
将每种预设故障类型对应的故障运行参数样本集代入所述自回归模型中，计算每组故障运行参数对应的自回归系数，并将所述自回归系数确定为每组故障运行参数对应的故障运行特征；
将每组故障运行参数样本的故障运行特征以矩阵形式排列，得到所述故障运行参数样本集对应的故障运行特征矩阵。
在一种可行的实施方式中，通过所述故障运行特征矩阵训练故障分类模型，具体包括：
通过所述故障运行特征矩阵以及对应的故障类型，训练所述故障分类模型；
通过迭代优化算法，对所述故障分类模型中的聚类参数进行调优，直至所述故障分类模型的分类结果与实际的故障类型吻合程度达到第一预设阈值，将此时的聚类参数作为所述故障分类模型的最优聚类参数；
将所述最优聚类参数代入所述故障分类模型中进行重新训练，得到最终的故障分类模型。
在一种可行的实施方式中，通过所述故障分类模型对实际运行数据进行故障诊断，输出实际故障类型，具体包括：
实时采集运行中的盾构机与所述故障运行参数相对应的实际运行数据；
将所述实际运行数据输入所述自回归模型，得到对应的运行特征矩阵；
将所述运行特征矩阵输入所述故障分类模型中，得到所述盾构机当前的实际故障类型。
在一种可行的实施方式中，在诊断出故障后，将当前故障运行参数作为初始寻优参数进行迭代寻优，并将每次迭代得到的寻优运行参数输入所述数字孪生模型中进行可行性评估，具体包括：
若所述实际故障类型不是正常运行状态，则将当前故障运行参数作为初始寻优参数，输入粒子群寻优算法中，进行迭代寻优；
每次迭代后，将得到的寻优运行参数输入所述数字孪生模型中，进行可行性评估；
若可行性评估通过，则将此次寻优运行参数确定为目标参数；
若可行性评估未通过，则继续迭代寻优并进行可行性评估，直至确定出目标参数。
在一种可行的实施方式中，每次迭代后，将得到的寻优运行参数输入所述数字孪生模型中，进行可行性评估，具体包括：
将每次迭代得到的寻优运行参数输入所述数字孪生模型中进行仿真运行模拟；
若此次仿真模拟过程中，所述盾构机的数字孪生模型并未出现所述实际故障类型对应的故障表现，则所述可行性评估通过，反之则所述可行性评估未通过。
在一种可行的实施方式中，根据所述可行性评估通过时对应的寻优运行参数，确定当前故障的解决方案，具体包括：
将所述可行性评估通过时对应的寻优运行参数与所述实际运行数据进行逐项对比，确定出各项参数的差值；
根据所述实际故障类型以及所述各项参数的差值，确定故障液压元件的故障严重程度；
根据所述故障严重程度，生成不同级别的故障解决方案，以使维护人员根据所述不同级别的故障解决方案对盾构机进行维护。
另一方面，本发明实施例还提供了一种盾构机故障检测及解决系统，所述系统包括：
数字孪生模型构建模块，用于构建盾构机的数字孪生模型；其中，所述数字孪生模型中至少包含液压推进系统子模型；
故障诊断模块，用于通过所述数字孪生模型，模拟多种预设故障类型，并获取对应的故障运行参数；通过自回归模型，提取所述故障运行参数对应的故障运行特征矩阵；通过所述故障运行特征矩阵训练故障分类模型，并通过所述故障分类模型对实际运行数据进行故障诊断，输出实际故障类型；
故障解决方案生成模块，用于在诊断出故障后，将当前故障运行参数作为初始寻优参数进行迭代寻优，并将每次迭代得到的寻优运行参数输入所述数字孪生模型中进行可行性评估；根据所述可行性评估通过时对应的寻优运行参数，确定所述实际故障类型的解决方案。
与现有技术相比，本发明实施例提供的一种盾构机故障检测及解决方法及系统，具有如下有益效果：
本发明将数字孪生技术应用与盾构机液压推进系统的故障诊断及故障排除过程中，能够在故障诊断及故障排除的过程中提供更加真实准确的运行效果模拟，每进行一步操作都可以得到数字孪生模型的仿真结果验证，很大程度上避免了误判故障、参数调整出错等问题，并且提高了最终故障诊断的准确度。另外，本发明将数字孪生模型、自回归模型与聚类模型相结合，构建了一个故障分类体系模型，能够根据模拟的故障类型，提取每种故障对应的特征，从而训练故障分类模型对每种故障特征的学习能力，模型投入使用后，能够根据较容易采集的运行参数，检测盾构机内部系统中不易察觉的故障类型，克服了液压推进系统内部故障的隐蔽性和随机性。并且本发明还根据诊断出的故障类型，结合数字孪生模型，生成了可行有效的故障解决方案，能够准确定位故障元件，并为维修人员提供精确的参数调整数据，能够让替换新元件后的盾构机快速恢复正常工作状态。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，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。在附图中：
图1为本申请实施例提供的一种盾构机故障检测及解决方法流程图；
图2为本申请实施例提供的一种盾构机故障检测及解决系统结构示意图。
附图标记说明：
200、盾构机故障检测及解决系统；210、数字孪生模型构建模块；220、故障诊断模块；230、故障解决方案生成模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。
本申请实施例提供了一种盾构机故障检测及解决方法，如图1所示，盾构机故障检测及解决方法具体包括步骤S101-S106：
S101、构建盾构机的数字孪生模型；其中，数字孪生模型中至少包含液压推进系统子模型。
具体地，首先根据当前型号盾构机各组成系统的结构信息，通过三维建模软件建立等比例的三维模型。然后获取盾构机各组成系统的历史运行参数，并根据历史运行参数构建盾构机数据模型；其中，盾构机的各组成系统至少包括液压推进系统。
作为一种可行的实施方式，首先获取盾构机各组成系统的结构信息，包括各元件的机械结构、尺寸信息，以及各元件之间的安装连接关系等。然后基于上述结构信息，通过三维建模软件分别构建盾构机的液压推进系统、拼装系统和出土系统的三维模型，并按照连接关系拼装为整个盾构机的三维模型。然后获取当前盾构机的各个组成系统的历史运行参数，历史运行参数包含各个组成系统中各自动化运行元件的历史运行数据、历史电数据等。
进一步地，将三维模型以及盾构机数据模型导入Unity 3D软件中，对三维模型进行数据仿真处理，得到盾构机的实体仿真模型；其中，仿真设计至少包括：人机交互、数据通讯、数据驱动以及运动仿真。经过将三维模型与盾构机数据模型融合后，可以使三维模型根据驱动数据进行盾构机的仿真运行模拟。最后，再根据数字孪生技术，对实体仿真模型进行虚拟调试，得到盾构机的数字孪生模型。
S102、通过数字孪生模型，模拟多种预设故障类型，并获取对应的故障运行参数。
具体地，对液压推进系统子模型中的各液压元件参数进行调整，以模拟多种预设故障类型；其中，多种预设故障类型包括：正常运行、液压缸泄漏、换向阀泄漏、溢流阀损坏以及比例调速阀弹簧失效。
作为一种可行的实施方式，盾构机液压推进系统无法直观确定故障原因的故障类型主要包括推进效率降低、推进速度异常或调速异常、系统压力异常以及油缸推力不足等，这些故障的成因具有多种可能性，可能涉及多个元件的损坏或泄漏，不同元件的损坏可能导致同样的故障表现，比如溢流阀磨损、电磁换向阀磨损、液压缸泄漏以及液压油污染都可以导致盾构机的推进效率降低，仅通过经验进行故障诊断的话，需要进行大量的元件排查工作。因此，本发明通过模拟不同元件的失效状态，在盾构机的数字孪生模型进行各种不同的故障模拟，并采集每种故障出现时的盾构机运行参数表现，从而在参数中获取不同故障的盾构机参数特征，以便对故障进行较为准确的识别。
在一个实施例中，通过对液压元件相关组件参数的修改，模拟了液压推进系统以下几种运行状态：正常运行状态、液压缸泄漏状态、溢流阀损坏状态、比例调速阀弹簧失效状态和换向阀泄漏状态。对于液压缸泄漏状态，产生原因是缸活塞与缸壁磨损产生间隙，导致液压缸活塞与缸壁间隙增大，可通过调节液压缸中的泄漏系数leakage coeffieient来模拟。溢流阀损坏状态和换向阀泄漏状态产生原因均是阀芯磨损导致泄漏产生，可通过调节两种阀的elearanee on diameter参数来模拟阀的泄漏。比例调速阀弹簧失效状态可通过调节比例调速阀中弹簧组件的spring rate参数来模拟弹簧失效状态。通过以上参数的改动，可以模拟4种故障模式以及正常运行模式。
进一步地，在模拟过程中，分别采集每种预设故障类型下，数字孪生模型中对应的多组故障运行参数，构成参数样本集。其中，故障运行参数包括第一类故障运行参数以及第二类故障运行参数；第一类故障运行参数至少包括以下任一项或多项：液压油缸位移、盾构机推进速度、比例调速阀输出流量、盾构机负载力以及液压推进系统压力；第二类故障运行参数至少包括以下任一项或多项：液压缸无杆腔活塞面积、液压缸无杆腔压力、液压缸有杆腔活塞面积以及液压缸有杆腔压力。
S103、通过自回归模型，提取故障运行参数对应的故障运行特征矩阵。
具体地，将第一类故障运行参数作为输入变量，将第二类故障运行参数作为输出变量，构建自回归模型。
作为一种可行的实施方式，通过第一类故障运行参数构建自回归模型的输入变量：；其中，r为液压油缸位移，v为盾构机推进速度，Q为比例调速阀输出流量，f为盾构机负载力，P为液压推进系统压力。通过第二类故障运行参数构建自回归模型的输出变量：/>；其中，/>为液压缸无杆腔活塞面积，/>为液压缸无杆腔压力，/>为液压缸有杆腔活塞面积，/>为液压缸有杆腔压力。
进一步地，根据输入变量和输出变量，构建自回归模型：；其中，=[w1w2w3w4w5]为自回归模型的自回归系数，w1、w2、w3、w4、w5分别对应正常运行、液压缸泄漏、换向阀泄漏、溢流阀损坏以及比例调速阀弹簧失效这五种状态。
进一步地，将每种预设故障类型对应的故障运行参数样本集代入自回归模型中，计算每组故障运行参数对应的自回归系数，并将自回归系数确定为每组故障运行参数对应的故障运行特征。最后，将每组故障运行参数样本的故障运行特征以矩阵形式排列，得到故障运行参数样本集对应的故障运行特征矩阵。
S104、通过故障运行特征矩阵训练故障分类模型，并通过故障分类模型对实际运行数据进行故障诊断，输出实际故障类型。
具体地，通过故障运行特征矩阵以及对应的故障类型，训练故障分类模型。然后通过迭代优化算法，对故障分类模型中的聚类参数进行调优，直至故障分类模型的分类结果与实际的故障类型吻合程度达到第一预设阈值，将此时的聚类参数作为故障分类模型的最优聚类参数。最后将最优聚类参数代入故障分类模型中进行重新训练，得到最终的故障分类模型。
作为一种可行的实施方式，本发明中采用的故障分类模型为模糊聚类模型。通过聚类迭代的算法将得到的故障特征矩阵分成相似的类，把具有相似特征的故障模式聚到相同的分区，从而实现故障诊断。为提高诊断精度，通过迭代优化算法调整模糊聚类算法的参数，以使模糊聚类模型的分类结果与实际故障类型的吻合程度达到99%以上，将此时的参数保存为最优参数应用到模糊聚类模型中，再进行模型训练，即可得到高精度的故障分类模型。
进一步地，实时采集运行中的盾构机与故障运行参数相对应的实际运行数据，将实际运行数据输入自回归模型，得到对应的运行特征矩阵。然后将运行特征矩阵输入故障分类模型中，得到盾构机当前的实际故障类型。
本发明中，自回归模型+故障分类模型构成完整的故障诊断模型，自回归模型用来提取实际运行数据中的参数特征，故障分类模型用来将参数特征划分到不同的故障类别中，从而实现盾构机的故障检测。
S105、在诊断出故障后，将当前故障运行参数作为初始寻优参数进行迭代寻优，并将每次迭代得到的寻优运行参数输入数字孪生模型中进行可行性评估。
具体地，若实际故障类型不是正常运行状态，则将当前故障运行参数作为初始寻优参数，输入粒子群寻优算法中，进行迭代寻优。每次迭代后，将得到的寻优运行参数输入数字孪生模型中，进行可行性评估。若可行性评估通过，则将此次寻优运行参数确定为目标参数；若可行性评估未通过，则继续迭代寻优并进行可行性评估，直至确定出目标参数。
作为一种可行的实施方式，通过数字孪生模型进行可行性评估的具体过程包括：将每次迭代得到的寻优运行参数输入数字孪生模型中进行仿真运行模拟。若此次仿真模拟过程中，盾构机的数字孪生模型并未出现实际故障类型对应的故障表现，则可行性评估通过，反之则可行性评估未通过。
作为一种可行的实施方式，如果实际故障类型为正常运行，也可以通过粒子群算法进行参数寻优，若寻优后的盾构机推进速度高于实际推进速度，则将寻优后的参数应用于实际盾构机中，以提高盾构机的工作效率。
S106、根据可行性评估通过时对应的寻优运行参数，确定实际故障类型的解决方案。
具体地，将可行性评估通过时对应的寻优运行参数与实际运行数据进行逐项对比，确定出各项参数的差值。根据实际故障类型以及各项参数的差值，确定故障液压元件的故障严重程度。然后根据故障严重程度，生成不同级别的故障解决方案，以使维护人员根据不同级别的故障解决方案对盾构机进行维护。
作为一种可行的实施方式，溢流阀、电磁换向阀、液压缸、比例调速阀等部件的磨损程度以及泄漏程度对应的解决方案也不相同，如果只是初步磨损，那么可以通过添加润滑油等措施进行调整，无需拆卸并更换元件，而如果已经磨损严重并造成泄漏，则需要将盾构机停止运行并更换新的元件。因此，为避免不必要的拆装操作，本发明通过对能使盾构机数字孪生模型正常运行的寻优运行参数与盾构机的实际运行参数进行对比，之间的差值能够反映盾构机的故障严重程度，根据这个严重程度可以生成相应的故障解决方案，维修人员可以得到数据参考，选择合适的故障解除方式进行故障维修。
另外，本申请实施例还提供了一种盾构机故障检测及解决系统，如图2所示，盾构机故障检测及解决系统200包括：
数字孪生模型构建模块210，用于构建盾构机的数字孪生模型；其中，所述数字孪生模型中至少包含液压推进系统子模型；
故障诊断模块220，用于通过所述数字孪生模型，模拟多种预设故障类型，并获取对应的故障运行参数；通过自回归模型，提取所述故障运行参数对应的故障运行特征矩阵；通过所述故障运行特征矩阵训练故障分类模型，并通过所述故障分类模型对实际运行数据进行故障诊断，输出实际故障类型；
故障解决方案生成模块230，用于在诊断出故障后，将当前故障运行参数作为初始寻优参数进行迭代寻优，并将每次迭代得到的寻优运行参数输入所述数字孪生模型中进行可行性评估；根据所述可行性评估通过时对应的寻优运行参数，确定所述实际故障类型的解决方案。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种盾构机故障检测及解决方法，其特征在于，所述方法包括：
构建盾构机的数字孪生模型；其中，所述数字孪生模型中至少包含液压推进系统子模型；
通过所述数字孪生模型，模拟多种预设故障类型，并获取对应的故障运行参数；
通过自回归模型，提取所述故障运行参数对应的故障运行特征矩阵；
通过所述故障运行特征矩阵训练故障分类模型，并通过所述故障分类模型对实际运行数据进行故障诊断，输出实际故障类型；
在诊断出故障后，将当前故障运行参数作为初始寻优参数进行迭代寻优，并将每次迭代得到的寻优运行参数输入所述数字孪生模型中进行可行性评估；
根据所述可行性评估通过时对应的寻优运行参数，确定所述实际故障类型的解决方案。
2.根据权利要求1所述的一种盾构机故障检测及解决方法，其特征在于，构建盾构机的数字孪生模型，具体包括：
根据盾构机各组成系统的结构信息，采用三维建模软件建立等比例的三维模型；其中，所述盾构机各组成系统至少包括液压推进系统；
获取所述盾构机各组成系统的历史运行参数，并根据所述历史运行参数构建盾构机数据模型；
将所述三维模型以及所述盾构机数据模型导入Unity 3D软件中，对所述三维模型进行数据仿真处理，得到所述盾构机的实体仿真模型；其中，所述仿真设计至少包括：人机交互、数据通讯、数据驱动以及运动仿真；
基于数字孪生技术对所述实体仿真模型进行虚拟调试，得到所述盾构机的数字孪生模型。
3.根据权利要求1所述的一种盾构机故障检测及解决方法，其特征在于，通过所述数字孪生模型，模拟多种预设故障类型，并获取对应的故障运行参数，具体包括：
对所述液压推进系统子模型中的各液压元件参数进行调整，以模拟所述多种预设故障类型；其中，所述多种预设故障类型包括：正常运行、液压缸泄漏、换向阀泄漏、溢流阀损坏以及比例调速阀弹簧失效；
在模拟过程中，分别采集每种预设故障类型下，所述数字孪生模型中对应的多组故障运行参数，构成参数样本集；其中，所述故障运行参数包括第一类故障运行参数以及第二类故障运行参数；所述第一类故障运行参数至少包括以下任一项或多项：液压油缸位移、盾构机推进速度、比例调速阀输出流量、盾构机负载力以及液压推进系统压力；所述第二类故障运行参数至少包括以下任一项或多项：液压缸无杆腔活塞面积、液压缸无杆腔压力、液压缸有杆腔活塞面积以及液压缸有杆腔压力。
4.根据权利要求3所述的一种盾构机故障检测及解决方法，其特征在于，通过自回归模型，提取所述故障运行参数对应的故障运行特征矩阵，具体包括：
将所述第一类故障运行参数作为输入变量，将所述第二类故障运行参数作为输出变量，构建自回归模型；
将每种预设故障类型对应的故障运行参数样本集代入所述自回归模型中，计算每组故障运行参数对应的自回归系数，并将所述自回归系数确定为每组故障运行参数对应的故障运行特征；
将每组故障运行参数样本的故障运行特征以矩阵形式排列，得到所述故障运行参数样本集对应的故障运行特征矩阵。
5.根据权利要求1所述的一种盾构机故障检测及解决方法，其特征在于，通过所述故障运行特征矩阵训练故障分类模型，具体包括：
通过所述故障运行特征矩阵以及对应的故障类型，训练所述故障分类模型；
通过迭代优化算法，对所述故障分类模型中的聚类参数进行调优，直至所述故障分类模型的分类结果与实际的故障类型吻合程度达到第一预设阈值，将此时的聚类参数作为所述故障分类模型的最优聚类参数；
将所述最优聚类参数代入所述故障分类模型中进行重新训练，得到最终的故障分类模型。
6.根据权利要求1所述的一种盾构机故障检测及解决方法，其特征在于，通过所述故障分类模型对实际运行数据进行故障诊断，输出实际故障类型，具体包括：
实时采集运行中的盾构机与所述故障运行参数相对应的实际运行数据；
将所述实际运行数据输入所述自回归模型，得到对应的运行特征矩阵；
将所述运行特征矩阵输入所述故障分类模型中，得到所述盾构机当前的实际故障类型。
7.根据权利要求1所述的一种盾构机故障检测及解决方法，其特征在于，在诊断出故障后，将当前故障运行参数作为初始寻优参数进行迭代寻优，并将每次迭代得到的寻优运行参数输入所述数字孪生模型中进行可行性评估，具体包括：
若所述实际故障类型不是正常运行状态，则将当前故障运行参数作为初始寻优参数，输入粒子群寻优算法中，进行迭代寻优；
每次迭代后，将得到的寻优运行参数输入所述数字孪生模型中，进行可行性评估；
若可行性评估通过，则将此次寻优运行参数确定为目标参数；
若可行性评估未通过，则继续迭代寻优并进行可行性评估，直至确定出目标参数。
8.根据权利要求7所述的一种盾构机故障检测及解决方法，其特征在于，每次迭代后，将得到的寻优运行参数输入所述数字孪生模型中，进行可行性评估，具体包括：
将每次迭代得到的寻优运行参数输入所述数字孪生模型中进行仿真运行模拟；
若此次仿真模拟过程中，所述盾构机的数字孪生模型并未出现所述实际故障类型对应的故障表现，则所述可行性评估通过，反之则所述可行性评估未通过。
9.根据权利要求1所述的一种盾构机故障检测及解决方法，其特征在于，根据所述可行性评估通过时对应的寻优运行参数，确定当前故障的解决方案，具体包括：
将所述可行性评估通过时对应的寻优运行参数与所述实际运行数据进行逐项对比，确定出各项参数的差值；
根据所述实际故障类型以及所述各项参数的差值，确定故障液压元件的故障严重程度；
根据所述故障严重程度，生成不同级别的故障解决方案，以使维护人员根据所述不同级别的故障解决方案对盾构机进行维护。
10.一种盾构机故障检测及解决系统，其特征在于，所述系统包括：
数字孪生模型构建模块，用于构建盾构机的数字孪生模型；其中，所述数字孪生模型中至少包含液压推进系统子模型；
故障诊断模块，用于通过所述数字孪生模型，模拟多种预设故障类型，并获取对应的故障运行参数；通过自回归模型，提取所述故障运行参数对应的故障运行特征矩阵；通过所述故障运行特征矩阵训练故障分类模型，并通过所述故障分类模型对实际运行数据进行故障诊断，输出实际故障类型；
故障解决方案生成模块，用于在诊断出故障后，将当前故障运行参数作为初始寻优参数进行迭代寻优，并将每次迭代得到的寻优运行参数输入所述数字孪生模型中进行可行性评估；根据所述可行性评估通过时对应的寻优运行参数，确定所述实际故障类型的解决方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410256706.8A CN117851810B (zh) | 2024-03-07 | 2024-03-07 | 一种盾构机故障检测及解决方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410256706.8A CN117851810B (zh) | 2024-03-07 | 2024-03-07 | 一种盾构机故障检测及解决方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117851810A true CN117851810A (zh) | 2024-04-09 |
| CN117851810B CN117851810B (zh) | 2024-05-14 |
Family
ID=90536288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410256706.8A Active CN117851810B (zh) | 2024-03-07 | 2024-03-07 | 一种盾构机故障检测及解决方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117851810B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118469554A (zh) * | 2024-07-15 | 2024-08-09 | 深圳市威诺达工业技术有限公司 | 一种基于电潜泵故障诊断的调控优化方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018091033A (ja) * | 2016-12-02 | 2018-06-14 | 大成建設株式会社 | シールドマシンの劣化診断方法 |
| CN114961754A (zh) * | 2022-05-31 | 2022-08-30 | 郑州轻工业大学 | 一种基于数字孪生的泥水环流实验系统及方法 |
| WO2022179266A1 (zh) * | 2021-03-22 | 2022-09-01 | 中铁九局集团第四工程有限公司 | 盾构掘进姿态的纠偏控制方法和装置 |
| CN115017950A (zh) * | 2022-06-10 | 2022-09-06 | 上海交通大学 | 基于滚子状态的隧道掘进机主轴承故障诊断方法及系统 |
| CN115081324A (zh) * | 2022-06-20 | 2022-09-20 | 中国铁建重工集团股份有限公司 | 一种地下工程装备的性能预测优化及故障诊断系统和方法 |
| US11556680B1 (en) * | 2022-01-27 | 2023-01-17 | Qingdao university of technology | Test method based on test system for five-dimensional space effects of ground surface settlement caused by dual-mode shield construction |
| CN115982996A (zh) * | 2022-12-28 | 2023-04-18 | 西南交通大学 | 复杂装备制造过程数字孪生建模与仿真方法与系统 |
| CN116046384A (zh) * | 2023-02-08 | 2023-05-02 | 昆明理工大学 | 一种基于数字孪生的齿轮箱在线故障诊断方法 |
| CN116245020A (zh) * | 2023-02-03 | 2023-06-09 | 华中科技大学 | 一种基于盾构机掘进的刀盘磨损和能耗优化方法及系统 |
| CN117035489A (zh) * | 2023-06-26 | 2023-11-10 | 南京工业大学 | 一种基于数字孪生的盾构掘进装备装配质量评价方法 |
| CN117076935A (zh) * | 2023-10-16 | 2023-11-17 | 武汉理工大学 | 数字孪生辅助的机械故障数据轻量级生成方法及系统 |
| CN117435992A (zh) * | 2023-10-27 | 2024-01-23 | 中铁十四局集团大盾构工程有限公司 | 一种用于盾构机液压推进系统的故障预测方法及系统 |
| CN117450137A (zh) * | 2023-10-30 | 2024-01-26 | 合肥工业大学 | 一种大型液压缸的数字孪生建模与故障预测方法 |
-
2024
- 2024-03-07 CN CN202410256706.8A patent/CN117851810B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018091033A (ja) * | 2016-12-02 | 2018-06-14 | 大成建設株式会社 | シールドマシンの劣化診断方法 |
| WO2022179266A1 (zh) * | 2021-03-22 | 2022-09-01 | 中铁九局集团第四工程有限公司 | 盾构掘进姿态的纠偏控制方法和装置 |
| US11556680B1 (en) * | 2022-01-27 | 2023-01-17 | Qingdao university of technology | Test method based on test system for five-dimensional space effects of ground surface settlement caused by dual-mode shield construction |
| CN114961754A (zh) * | 2022-05-31 | 2022-08-30 | 郑州轻工业大学 | 一种基于数字孪生的泥水环流实验系统及方法 |
| CN115017950A (zh) * | 2022-06-10 | 2022-09-06 | 上海交通大学 | 基于滚子状态的隧道掘进机主轴承故障诊断方法及系统 |
| CN115081324A (zh) * | 2022-06-20 | 2022-09-20 | 中国铁建重工集团股份有限公司 | 一种地下工程装备的性能预测优化及故障诊断系统和方法 |
| CN115982996A (zh) * | 2022-12-28 | 2023-04-18 | 西南交通大学 | 复杂装备制造过程数字孪生建模与仿真方法与系统 |
| CN116245020A (zh) * | 2023-02-03 | 2023-06-09 | 华中科技大学 | 一种基于盾构机掘进的刀盘磨损和能耗优化方法及系统 |
| CN116046384A (zh) * | 2023-02-08 | 2023-05-02 | 昆明理工大学 | 一种基于数字孪生的齿轮箱在线故障诊断方法 |
| CN117035489A (zh) * | 2023-06-26 | 2023-11-10 | 南京工业大学 | 一种基于数字孪生的盾构掘进装备装配质量评价方法 |
| CN117076935A (zh) * | 2023-10-16 | 2023-11-17 | 武汉理工大学 | 数字孪生辅助的机械故障数据轻量级生成方法及系统 |
| CN117435992A (zh) * | 2023-10-27 | 2024-01-23 | 中铁十四局集团大盾构工程有限公司 | 一种用于盾构机液压推进系统的故障预测方法及系统 |
| CN117450137A (zh) * | 2023-10-30 | 2024-01-26 | 合肥工业大学 | 一种大型液压缸的数字孪生建模与故障预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| BOHAO LI: "Adaptive Neural Network Fault Tolerant Control for a Hydraulic System", EITCE \'21: PROCEEDINGS OF THE 2021 5TH INTERNATIONAL CONFERENCE ON ELECTRONIC INFORMATION TECHNOLOGY AND COMPUTER ENGINEERING, 31 December 2021 (2021-12-31) * |
| 刘金刚;周晓群;王凯;: "基于PCA和SVM的盾构液压系统故障诊断", 计算机仿真, no. 12, 15 December 2017 (2017-12-15) * |
| 张贞;: "基于大数据平台的盾构集群远程监控与智能决策支持系统及应用", 价值工程, no. 18, 28 June 2020 (2020-06-28) * |
| 郝用兴;周洋;郑淑娟;陈子义;: "基于VW-FDA的盾构机液压系统故障诊断方法研究", 液压与气动, no. 09, 15 September 2017 (2017-09-15) * |
| 黄克;周奇才;赵炯;熊肖磊;陈罡;: "基于OSA-CBM的盾构液压系统故障诊断方法研究", 机械科学与技术, no. 08, 15 August 2013 (2013-08-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118469554A (zh) * | 2024-07-15 | 2024-08-09 | 深圳市威诺达工业技术有限公司 | 一种基于电潜泵故障诊断的调控优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117851810B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117851810B (zh) | 一种盾构机故障检测及解决方法及系统 | |
| CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
| CN110900307B (zh) | 一种数字孪生驱动的数控机床刀具监控系统 | |
| CN110554657B (zh) | 一种数控机床运行状态健康诊断系统及诊断方法 | |
| CN103983453B (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
| CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
| Zheng et al. | Sucker rod pumping diagnosis using valve working position and parameter optimal continuous hidden Markov model | |
| CN115562158A (zh) | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 | |
| CN113378329A (zh) | 基于数字孪生的轴向柱塞泵状态监测方法 | |
| CN116186946B (zh) | 一种基于诊断模型的液压系统故障诊断方法及系统 | |
| CN111538316B (zh) | 基于性能的闭环控制系统执行机构故障诊断方法及系统 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN114201872A (zh) | 一种柴油机燃油系统的数字孪生建模方法 | |
| CN115248994A (zh) | 一种机电静压伺服机构故障预测及管理方法及系统 | |
| CN112231966B (zh) | 一种基于数字孪生的协作机器人可装配性预测系统及方法 | |
| CN111842759B (zh) | 基于工业互联网平台的重型锻造装备远程运维系统架构 | |
| CN117450137A (zh) | 一种大型液压缸的数字孪生建模与故障预测方法 | |
| CN112418460A (zh) | 工程车辆的故障诊断方法和故障诊断装置 | |
| EP4254430A1 (en) | Device and method for tracking basis of abnormal state determination by using neural network model | |
| CN115808209A (zh) | 一种基于神经网络的电静压伺服机构状态监测方法及系统 | |
| CN114239938A (zh) | 一种基于状态的能源数字孪生体的构建方法 | |
| CN112149278A (zh) | 基于多维状态参数的核电厂工况监视及异常诊断设计方法 | |
| Zhou et al. | A data and model-driven predictive diagnosis framework towards hot-rolled coil defect | |
| Baldo | Development of a Data-driven Condition-Based Maintenance Methodology Framework for an Advanced Jet Trainer | |
| CN118455440A (zh) | 一种数字孪生驱动的多缸液压机交互系统 |
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 |