一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法技术

本发明专利技术公开了一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法，构造表征每把滚刀磨损的健康因子，定义为掘进区间内滚刀在隧道开挖面上的滚动距离与其最大滚动距离的比值，获取健康因子的影响因素作为特征集，将取对数后的健康因子作为目标变量；构造包含刀盘上所有滚刀数据的数据集，利用一维卷积神经网络建立数据集特征与目标变量之间的映射关系；对于待评估的滚刀，构造其特征集输入到训练好的模型中，评估各开挖区间健康因子并累加得到健康状态值，如果该值接近1，表明需要更换滚刀。本发明专利技术方法能有效地根据TBM采集的现场参数实时评估刀盘上每把滚刀的磨损，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。

【技术实现步骤摘要】
一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法
本专利技术涉及滚刀磨损量评估领域，尤其涉及一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法。
技术介绍
在硬岩TBM隧道掘进过程中，刀盘滚刀检测、更换及维修占整个工程施工时间和成本的很大一部分。当前有三类方法获取滚刀磨损信息，分别是开仓检测方法、在线监测方法和磨损评估方法。开仓检测方法简单、可靠，目前在隧道工程中广泛采用，但是其检测成本高、施工风险大。在线监测方法利用各种传感器或装置，如激光、计算机视觉、液压推杆、异味添加剂、电涡流传感器等，在线测量滚刀磨损。然而，由于测量环境恶劣，在线监测方法往往难以获取可靠的磨损信息，且对刀盘上每把滚刀都展开监测，成本高昂，因而目前在实际施工中难以推广。磨损评估方法在隧道施工前对整个工程的刀具消耗进行预估以便备件，但是该方法所需的精确地质信息难以获取且构造的表征滚刀磨损健康因子只能从整个刀盘的角度评估滚刀磨损。因此，磨损评估方法应用于实际掘进时无法告诉维修人员何时更换哪些滚刀。然而，大量研究表明，TBM现场参数反映了岩-机交互，隐含实时、精确的地质信息。如果能构建一个表征每把滚刀磨损的健康因子，便可以利用深度学习强大的非线性表达能力获取现场参数与该健康因子之间的映射关系，最终实现刀盘上每把滚刀磨损的实时评估。
技术实现思路
针对当前滚刀磨损评估方法无法准确评估TBM隧道掘进过程中每把滚刀的磨损问题，本专利技术提供了一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法。为了有效解决上述问题，对本专利技术提供的技术方案进行详细说明：一种基于现场参数的硬岩TBM刀盘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若干个长度相等区间，并将区间内滚刀在隧道开挖面上的滚动距离与其最大滚动距离的比值定义为位每把滚刀磨损的健康因子，表示该区间内掘进距离对滚刀磨损的贡献；步骤2：获取健康因子的影响因素，包括岩石参数、滚刀安装半径和刀间距；所述岩石参数利用与岩石参数有关的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自带的监控系统每隔一定时间或掘进距离进行采集，包括总推力、刀盘扭矩、刀盘转速、掘进速度以及与推力和扭矩有关的液压缸和刀盘驱动电机的参数；步骤3：将步骤2获取的参数和采集的数据作为特征集，将对应的健康因子作为目标变量，构造包含刀盘上所有滚刀数据的数据集，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，其中训练集训练模型，测试集检验模型有效性；步骤4：将训练集数据输入到一维卷积神经网络模型中，以评估的目标变量与真实的目标变量之间的均方根误差(RMSE)最小化为目标优化模型参数，得到训练好的一维卷积神经网络模型，并建立特征集与目标变量之间的非线性映射关系，并用测试集数据验证该滚刀磨损评估模型的有效性；步骤5：将待评估滚刀的特征集输入到训练好的一维卷积神经网络模型中，评估所有开挖区间的健康因子；步骤6：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。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，与推力和扭矩有关的液压缸和刀盘驱动电机参数具体为：液压缸压力、液压缸行程和液压缸速度、电机电压、电机电流和电机转速。进一步地，所述步骤3中，数据集构造过程如下：步骤3-1：将选定的现场参数在区间掘进距离内的平均值作为数据集特征集的一部分；步骤3-2：对区间掘进距离内的总推力、刀盘扭矩、刀盘转速、掘进速度、电机电压、电机电流和电机转速进行数据增强，将这些参数的峰值、均方根值、方差、峰值因子、峭度指标、波形因子和脉冲指标一并作为特征；步骤3-3：将滚刀安装半径、滚刀间距也添加为特征，并将滚刀安装半径和滚刀间距进行特征向量处理；步骤3-4：将步骤3-1、3-2、3-3获得的特征串联起来得到一维向量特征集，为了消除各特征数值尺度差异对模型训练的影响，对特征集进行归一化处理，使得每个特征的取值在0～1之间；步骤3-5：数据集目标变量为步骤1中构建的健康因子，与特征集对应；并对目标变量进行取对数处理。进一步地，所述步骤6中，所述设定阈值根据需求选取，一般取为0.95。与现有技术相比，本专利技术具有如下优点：无需频繁开仓检测滚刀磨损情况，也无需部署复杂、昂贵的监测传感器，只需利用TBM自带的状态监测系统获取的海量现场参数便可以实时评估刀盘上每把滚刀的磨损，大大减少了停机检测时间，提高了刀具利用率，最终加快了施工进度，降低了施工成本。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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为本专利技术基于现场参数的硬岩隧道掘进机刀盘滚刀磨损实时评估方法流程图；图2为本专利技术数据集构造流程图；图3为本专利技术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专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。参考图1，一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法，包括以下步骤：步骤1：构造一个能表征每把滚刀磨损的健康因子，它定义为在小段掘进距离(如10cm)内滚刀在隧道开挖面上的滚动距离与其最大滚动距离的比值，表示该小段掘进距离对滚刀磨损的贡献。步骤2：从整个刀盘的角度分析健康因子的影响因素，它与岩石参数、开挖小段的掘进距离、滚刀安装半径及滚刀间距有关。步骤3：鉴于精确、实时的岩石参数难以获取，分析并选择与岩石参数有关的TBM现场参数以间接获取实时的岩石信息，这些现场参数由TBM自带的监控系统每隔一定时间(如5s)或距离(如20mm)采集一次，它包括总推力、刀盘扭矩、刀盘转速、掘进速度以及与推力和扭矩有关的液压缸和刀盘驱动电机参数。TBM自带的监控系统为可以采集相关参数的装置，例如对应的传感器。步骤4：最终得到健康因子与TBM选定的现场参数，如总推力、刀盘扭矩、刀盘转速、掘进速度等，滚刀安装半径及滚刀间距有关，这些参数用于接下来构造特征集。步骤5：构造尽可能包含所有滚刀数据的数据集，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，其中训练集用于训练模型，测试集用于检验模型的有效性；如图2所示，数据集构造的实现步骤如下：(1)将选定的现场参数在小段掘本文档来自技高网...

【技术保护点】
1.一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法，其特征在于，包括以下步骤：/n步骤1：将刀盘滚刀掘进距离划分若干个长度相等区间，并将区间内滚刀在隧道开挖面上的滚动距离与其最大滚动距离的比值定义为位每把滚刀磨损的健康因子，表示该区间内掘进距离对滚刀磨损的贡献；/n步骤2：获取健康因子的影响因素，包括岩石参数、滚刀安装半径和刀间距；所述岩石参数利用与岩石参数有关的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自带的监控系统每隔一定时间或掘进距离进行采集，包括总推力、刀盘扭矩、刀盘转速、掘进速度以及与推力和扭矩有关的液压缸和刀盘驱动电机的参数；/n步骤3：将步骤2获取的参数和采集的数据作为特征集，将对应的健康因子作为目标变量，构造包含刀盘上所有滚刀数据的数据集，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，其中训练集训练模型，测试集检验模型有效性；/n步骤4：将训练集数据输入到一维卷积神经网络模型中，以评估的目标变量与真实的目标变量之间的均方根误差(RMSE)最小化为目标优化模型参数，得到训练好的一维卷积神经网络模型，并建立特征集与目标变量之间的非线性映射关系，并用测试集数据验证该滚刀磨损评估模型的有效性；/n步骤5：将待评估滚刀的特征集输入到训练好的一维卷积神经网络模型中，评估所有开挖区间的健康因子；/n步骤6：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。/n...

【技术特征摘要】
1.一种基于现场参数的硬岩TBM刀盘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若干个长度相等区间，并将区间内滚刀在隧道开挖面上的滚动距离与其最大滚动距离的比值定义为位每把滚刀磨损的健康因子，表示该区间内掘进距离对滚刀磨损的贡献；
步骤2：获取健康因子的影响因素，包括岩石参数、滚刀安装半径和刀间距；所述岩石参数利用与岩石参数有关的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自带的监控系统每隔一定时间或掘进距离进行采集，包括总推力、刀盘扭矩、刀盘转速、掘进速度以及与推力和扭矩有关的液压缸和刀盘驱动电机的参数；
步骤3：将步骤2获取的参数和采集的数据作为特征集，将对应的健康因子作为目标变量，构造包含刀盘上所有滚刀数据的数据集，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，其中训练集训练模型，测试集检验模型有效性；
步骤4：将训练集数据输入到一维卷积神经网络模型中，以评估的目标变量与真实的目标变量之间的均方根误差(RMSE)最小化为目标优化模型参数，得到训练好的一维卷积神经网络模型，并建立特征集与目标变量之间的非线性映射关系，并用测试集数据验证该滚刀磨损评估模型的有效性；
步骤5：将待评估滚刀的特征集输入到训练好的一维卷积神经网络模型中，评估所有开挖区间的健康因子；
步骤6：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...

【专利技术属性】
技术研发人员：刘成良，余宏淦，陶建峰，覃程锦，孙浩，丁浩伦，雷军波，徐孜，高浩寒，
申请(专利权)人：上海交通大学，上海智能制造功能平台有限公司，
类型：发明
国别省市：上海;31