基于CSM-GRU模型的TBM滚刀寿命预测方法及系统技术方案

本发明专利技术公开了一种基于CSM

【技术实现步骤摘要】
基于CSM
‑
GRU模型的TBM滚刀寿命预测方法及系统


[0001]本专利技术属于TBM掘进相关
，具体涉及一种融合TBM破岩的CSM模型和循环神经网络的GRU模型的新型TBM滚刀寿命预测方法及系统。

技术介绍

[0002]TBM具有施工速度快、成洞质量高和施工扰动小等特点，是目前深部隧(巷)道修建的主要方法。深部地层中硬岩占比高，TBM掘进硬岩过程中容易造成刀盘刀具的异常磨损。滚刀作为TBM主要破岩构件，其检修和更换频率不仅会影响施工进度，也会极大增加掘进成本。因此准确预测滚刀磨损和寿命对于控制掘进成本、合理规划工期、提高施工速度具有重要意义。然而，目前有关滚刀磨损和寿命预测的研究主要可以分为两类，一是采用理论分析方法，通过岩石与滚刀之间的力学计算推导，提出磨损和寿命预测模型；二是基于试验数据，采用统计分析的方法进行TBM滚刀磨损和寿命预测。然而，这两种方法均是基于岩体先知信息的静态预测，没有充分利用现场TBM实时掘进的数据信息和历史信息，因此无法做到实时预测。并且，尽管目前以机器学习为代表的人工智能分析方法发展迅速，但其在TBM刀具寿命预测方面的应用较少，且多为单一的利用对掘进数据进行挖掘分析。

技术实现思路

[0003]本专利技术提出一种基于CSM
‑
GRU模型的TBM滚刀寿命预测方法及系统，将既有TBM破岩物理规律与循环神经网络进行有效融合，以实现实时准确对TBM滚刀磨损程度和寿命进行预测。
[0004]根据本专利技术实施例第一方面，提供一种模型训练方法，用于训练TBM滚刀寿命预测模型，所述方法包括：
[0005]获取每一掘进尺的TBM掘进信息数据、岩体信息数据和实测滚刀寿命数据；所述TBM掘进信息数据包括TBM掘进控制参数及机器运行状态参数，所述岩体信息数据包括岩石单轴抗压强度和巴西劈裂强度，所述实测滚刀寿命数据以单把滚刀掘进体积量衡量；
[0006]根据所述岩体信息数据和TBM滚刀破岩CSM模型，计算当前地层条件下理论上每一掘进尺TBM所需的刀盘总推力和扭矩；
[0007]将所述的理论上每一掘进尺TBM所需的刀盘总推力和扭矩与TBM实时记录的总推力和扭矩进行比较，分析二者间的误差；
[0008]以门控循环神经网络为架构，以所述TBM掘进控制参数及机器运行状态参数为输入，以所述实测滚刀寿命数据为训练目标值，以所述误差为约束条件，对所述门控循环神经网络进行训练，通过不断调整所述门控循环神经网络神经元数量和修正系数的步长，使得所述门控循环神经网络的损失函数MSE值最小，以此确定最优修正系数和最优神经元隐层层数和神经元数量，完成模型的训练。
[0009]根据本专利技术实施例第二方面，提供一种TBM滚刀寿命预测方法，包括：
[0010]在当前掘进条件下获取现场每一掘进进尺的TBM掘进信息数据和区域范围内岩体
信息数据；
[0011]数据预处理：对所述TBM掘进信息数据进行筛选、清洗、缺失数据填充以及整合，对所述岩体信息数据进行有效扩充，使之维度与所述TBM掘进信息数据相一致；
[0012]将预处理后的所述岩体信息数据和所述TBM掘进信息数据输入到利用所述的模型训练方法训练得到的TBM滚刀寿命预测模型，该模型输出当前掘进条件下滚刀寿命。
[0013]根据本专利技术实施例第三方面，提供一种TBM滚刀寿命预测系统，包括：
[0014]数据获取模块，其被配置为在当前掘进条件下获取现场每一掘进进尺的TBM掘进信息数据和区域范围内岩体信息数据；
[0015]数据预处理模块，其被配置为对所述TBM掘进信息数据进行筛选、清洗、缺失数据填充以及整合，对所述岩体信息数据进行有效扩充，使之维度与所述TBM掘进信息数据相一致；
[0016]TBM滚刀寿命预测模型，其利用所述的模型训练方法训练得到，所述TBM滚刀寿命预测模型以处理后的所述岩体信息数据和所述TBM掘进信息数据为输入，输出滚刀预测寿命。
[0017]根据本专利技术实施例第四方面，提供一种隧道掘进机，其控制电脑包括：处理器；存储器，包括一个或多个计算机程序模块；其中，所述一个或多个计算机程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个计算机程序模块包括用于实现所述的TBM滚刀寿命预测方法的指令。
[0018]本专利技术的有益效果为：本专利技术基于TBM破岩的CSM模型和门控循环神经网络的GRU模型，综合考虑隧道岩体数据和TBM性能和掘进参数数据，建立预测TBM滚刀寿命CSM
‑
GRU模型，实现对当前掘进条件下TBM滚刀寿命的实时智能化预测和信息化管理，避免了目前在深部复合地层TBM常因刀具过度磨损出现停工或过早更换刀具带来成本的巨大浪费，同时也给不同地层刀具的优化提供了指导。
附图说明
[0019]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例的附图作简单的介绍。
[0020]图1是本专利技术一实施例提供的基于CSM
‑
GRU模型的TBM滚刀寿命预测方法架构。
[0021]图2是本专利技术一实施例提供的CSM
‑
GRU模型示意图。
[0022]图3是本专利技术一实施例提供的TBM推力Th和扭矩Tor实测值与计算值相对误差。
[0023]图4是本专利技术一实施例提供的修正系数与损失函数MSE关系。
[0024]图5是本专利技术一实施例提供的隐层神经元个数及对应均方误差MSE。
[0025]图6是本专利技术一实施例提供的模型预测结果与TBM实测数据比较。
[0026]需要说明的是图3、图4、图6都涉及多种类型数据的展示，而黑白图无法区分不同种类数据，因此用彩色图。
具体实施方式
[0027]图1示出了一种基于CSM
‑
GRU模型的TBM滚刀寿命预测方法架构。如图1，本专利技术融合TBM破岩的CSM模型和门控循环神经网络(GRU)算法。本专利技术主要内容有：1)建立包含TBM
掘进信息数据、岩体信息数据和实测滚刀寿命数据的数据库。2)基于TBM滚刀破岩CSM模型，利用岩体信息计算出当前地质条件理论TBM总推力和扭矩，并以此对实际TBM掘进信息进行误差判别。3)以门控循环神经网络(GRU)算法为架构，考虑上述误差对深度神经网络中的损失函数进行修正，通过数据库信息对模型进行训练、测试和验证，建立基于CSM
‑
GRU模型的TBM滚刀寿命预测模型。该模型可实现对当前掘进条件下TBM滚刀寿命的实时智能化预测和信息化管理，避免了目前在深部复合地层TBM常因刀具过度磨损出现停工或过早更换刀具带来成本的巨大浪费，同时也给不同地层刀具的优化提供了指导。
[0028]下面首先对TBM滚刀寿命预测模型的训练进行详细说明。
[0029]步骤11，获取现场每一掘进尺的TBM掘进信息数据、区域范围内岩体信息数据和滚刀寿命数据。
[0030]TBM掘进信息数据包括掘进控制参数及机器运行状态参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，用于训练TBM滚刀寿命预测模型，其特征在于，所述方法包括：获取每一掘进尺的TBM掘进信息数据、岩体信息数据和实测滚刀寿命数据；所述TBM掘进信息数据包括TBM掘进控制参数及机器运行状态参数，所述岩体信息数据包括岩石单轴抗压强度和巴西劈裂强度，所述实测滚刀寿命数据以单把滚刀掘进体积量衡量；根据所述岩体信息数据和TBM滚刀破岩CSM模型，计算当前地层条件下理论上每一掘进尺TBM所需的刀盘总推力和扭矩；将所述的理论上每一掘进尺TBM所需的刀盘总推力和扭矩与TBM实时记录的总推力和扭矩进行比较，分析二者间的误差；以门控循环神经网络为架构，以所述TBM掘进控制参数及机器运行状态参数为输入，以所述实测滚刀寿命数据为训练目标值，以所述误差为约束条件，对所述门控循环神经网络进行训练，通过不断调整所述门控循环神经网络神经元数量和修正系数的步长，使得所述门控循环神经网络的损失函数MSE值最小，以此确定最优修正系数和最优神经元隐层层数和神经元数量，完成模型的训练。2.根据权利要求1所述的方法，其特征在于，所述TBM掘进控制参数及机器运行状态参数包括：总推力、转速、扭矩、贯入度、左护盾压力、右护盾压力、顶护盾压力和刀盘刹车压力。3.根据权利要求1所述的方法，其特征在于，对所述岩体信息数据和所述实测滚刀寿命数据进行数据扩充并与所述TBM掘进信息数据匹配。4.根据权利要求1所述的方法，其特征在于，基于力平衡法，首先利用岩体单轴抗压强度和巴西劈裂强度计算TBM单刀...

【专利技术属性】
技术研发人员：储昭飞，刘泉声，吴志军，文江涛，翁磊，尤伟军，
申请(专利权)人：武汉大学，
类型：发明
国别省市：