一种竖井钻机刀具磨损量预测系统及预测方法技术方案

本发明专利技术提供的竖井钻机刀具磨损量预测系统，包括掘进管理系统、可编程逻辑控制器和BP神经网络模块，通过掘进管理系统的通讯及数据处理模块接受用户界面模块发送的样本数据及可编程逻辑控制器发送的钻进参数，并进行整合处理，生成样本数据集，使BP神经网络模块能够利用样本数据集进行训练验证，形成预测模型，在收到预测指令时，能够根据实时刀具机械参数、地层参数、钻进参数来预测刀具磨损量；本发明专利技术提供的预测方法，通过以米为单位采用加权平均及插值补充的方式获得样本数据集，再训练多个BP神经网络并结合高斯

【技术实现步骤摘要】
一种竖井钻机刀具磨损量预测系统及预测方法


[0001]本专利技术属于竖井钻机领域，具体涉及一种竖井钻机刀具磨损量预测系统及预测方法。

技术介绍

[0002]与常规盾构机不同，竖井钻机大多是垂直向下钻进，钻进过程中经过的地层数量比常规盾构机更多，地层类型也更为复杂多变，对刀盘上刀具磨损量的预测更为困难，现有方式大多是依靠工程经验进行人为判断，虽然无需停机，但具有较大的主观因素和不确定性，预测的准确性不佳，当然，也可以通过停机检查的方式准确检测刀具的磨损量，但这种方式需要频繁上提刀盘进行检查，操作复杂，对工程进度的影响大，同时，频繁提刀也容易产生安全隐患。
[0003]众所周知，刀具磨损量并非简单的几种因素所造成影响之和，而是受掘进参数、刀盘机械参数和地层参数等多种因素相互耦合作用的结果，对于竖井钻机而言，每钻进1米，地层参数都可能出现较大的变化，甚至出现完全不同的两种地层，各因素之间关系更加错综复杂，难以建立线性映射关系，常规盾构机刀具磨损量的预测方法难以很好的适应，强行应用，预测的准确性无法保证；市场上也未找到专门应用于竖井钻机刀具磨损量的预测方法，对于这一领域的研究尚属空白。

技术实现思路

[0004]本专利技术的目的是提供一种可根据已有施工数据实时预测刀具磨损量的竖井钻机刀具磨损量预测系统，以及一种预测准确性更好的竖井钻进刀具磨损量预测方法。
[0005]为达到上述目的，本专利技术采用的技术方案中的产品是，竖井钻机刀具磨损量预测系统，包括掘进管理系统、可编程逻辑控制器和神经网络模块，所述掘进管理系统包括用户界面模块、通讯及数据处理模块、数据库模块，所述用户界面模块用于输入样本数据，所述样本数据包括刀具机械参数、地层参数、刀具状态参数，所述通讯及数据处理模块与所述用户界面模块、所述可编程逻辑控制器、所述数据库及所述神经网络相连接，所述通讯及数据处理模块用于接受所述用户界面模块发送的样本数据及所述可编程逻辑控制器发送的钻进参数，并对所述样本数据及所述钻进参数进行整合处理，生成样本数据集后发送至所述数据库模块进行存储；
[0006]所述神经网络模块为BP神经网络模块，所述神经网络模块与所述数据库模块相连接；在所述神经网络模块收到训练指令后，所述神经网络模块利用所述数据库模块内存储的所述样本数据集进行训练验证，形成预测模型；在所述神经网络模块收到预测指令时，所述神经网络模块根据所述通讯及数据处理模块收集的所述刀具机械参数、所述地层参数、所述钻进参数，利用所述预测模型预测刀具磨损量，并将其通过所述通讯及数据处理模块反向发送至所述用户界面模块进行显示。
[0007]优选地，所述刀具机械参数至少包括刀具尺寸、安装半径、使用时长、刀刃宽度、刀
刃屈服强度。
[0008]优选地，所述地层参数至少包括岩石单轴抗压强度和岩石质量指标值。
[0009]优选地，所述刀具状态参数为人工检查刀具后得到的实际磨损量。
[0010]优选地，所述钻进参数至少包括钻进压力、钻进速度、刀盘转速、刀盘深度、刀盘扭矩。
[0011]进一步优选地，所述样本数据集分为训练集和验证集，所述训练集与所述验证集的比例为6:4。
[0012]为达到上述目的，本专利技术采用的技术方案中的方法是，竖井钻机刀具磨损量预测方法，采用上述竖井钻机刀具磨损量预测系统进行预测，所述预测方法包括以下步骤：
[0013]S1.向所述用户界面模块输入所述样本数据；
[0014]S2.利用所述通讯及数据处理模块整合处理所述样本数据及所述钻进参数，得到所述样本数据集，所述整合处理包括以米为单位采用加权平均法进行的处理，以及，对缺少的数据采用插值补充法进行的处理；
[0015]S3.将所述样本数据集在所述数据库模块内随机分成训练集和验证集，所述训练集与所述验证集的比例为6:4；
[0016]S4.所述神经网络模块根据所述训练集中的样本数量随机生成N组超参数组合，并根据每组所述超参数组合初始化一个BP神经网络；
[0017]S5.利用所述训练集中的样本训练每个所述BP神经网络，并结合高斯
‑
牛顿法优化调整每个所述BP神经网络中的权值矩阵和阈值矩阵；
[0018]S6.利用所述验证集验证训练后的每个所述BP神经网络，计算各个所述BP神经网络预测的刀具磨损量的均方误差值，并选出所有均方误差中的最小值作为评判函数，若评判函数值符合标准，则进行下一步，若评判函数不符合标准，则进行遗传算法的选择、交叉、变异操作调整所述BP神经网络的超参数，并返回至S5；
[0019]S7.选取验证后均方误差最小的所述BP神经网络作为所述预测模型；
[0020]S8.通过所述预测模型根据所述刀具机械参数、所述地层参数、所述钻进参数的实时值得到刀具磨损量的预测值并反馈至所述用户界面进行显示。
[0021]优选地，步骤S6中所述遗传算法调整的所述超参数包括隐藏层节点数、迭代步数、学习率。
[0022]优选地，步骤S6中所述遗传算法的目标函数为所述验证集产生的均方误差。
[0023]由于上述技术方案运用，本专利技术提供的竖井钻机刀具磨损量预测系统与现有技术相比具有下列优点：
[0024]通过借助BP神经网络模块形成预测模型，能够根据实时刀具机械参数、地层参数、钻进参数对刀具磨损量进行预测。
[0025]由于上述技术方案运用，本专利技术提供的竖井钻机刀具磨损量预测方法与现有技术相比具有下列优点：
[0026]1.能够综合考虑刀具特性、地层和钻进等各方面的影响，以BP神经网络为主要工具，建立贴合实际的竖井钻机刀具磨损量预测模型。
[0027]2.在建立预测模型时，通过以米为单位的加权平均法及插值补充法对数据进行预处理，再利用处理后得到的数据集对BP神经网络模块进行训练验证，在训练时，结合高斯
‑
牛顿法对神经网络进行优化调整，在验证时，通过各神经网络预测值与实际值的均方误差值进行评判，能够适应竖井钻机钻进过程中地层复杂多变的特性，遴选出最贴合实际的预测模型，从而提升预测准确性。
附图说明
[0028]图1是本专利技术中竖井钻机刀具磨损量预测系统的结构示意图。
[0029]图2是本专利技术中竖井钻机刀具磨损量预测方法的流程图。
[0030]图3是本专利技术中BP神经网络输入层参数示意图。
具体实施方式
[0031]下面结合附图对本专利技术的较佳实施例进行详细阐述，以使本专利技术的优点和特征更易于被本领域技术人员理解，从而对本专利技术的保护范围做出更为清楚明确的界定。
[0032]如图1所示，本专利技术提供竖井钻机刀具磨损量预测系统，包括掘进管理系统、可编程逻辑控制器(PLC)和神经网络模块，掘进管理系统包括用户界面模块、通讯及数据处理模块、数据库模块，用户界面模块用于输入样本数据，样本数据包括刀具机械参数、地层参数、刀具状态参数，通讯及数据处理模块与用户界面模块、可编程逻辑控制器、数据库及神经网络相连接，通讯及数据处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种竖井钻机刀具磨损量预测系统，包括掘进管理系统、可编程逻辑控制器和神经网络模块，其特征在于：所述掘进管理系统包括用户界面模块、通讯及数据处理模块、数据库模块，所述用户界面模块用于输入样本数据，所述样本数据包括刀具机械参数、地层参数、刀具状态参数，所述通讯及数据处理模块与所述用户界面模块、所述可编程逻辑控制器、所述数据库及所述神经网络相连接，所述通讯及数据处理模块用于接受所述用户界面模块发送的样本数据及所述可编程逻辑控制器发送的钻进参数，并对所述样本数据及所述钻进参数进行整合处理，生成样本数据集后发送至所述数据库模块进行存储；所述神经网络模块为BP神经网络模块，所述神经网络模块与所述数据库模块相连接；在所述神经网络模块收到训练指令后，所述神经网络模块利用所述数据库模块内存储的所述样本数据集进行训练验证，形成预测模型；在所述神经网络模块收到预测指令时，所述神经网络模块根据所述通讯及数据处理模块收集的所述刀具机械参数、所述地层参数、所述钻进参数，利用所述预测模型预测刀具磨损量，并将其通过所述通讯及数据处理模块反向发送至所述用户界面模块进行显示。2.根据权利要求1所述的竖井钻机刀具磨损量预测系统，其特征在于：所述刀具机械参数至少包括刀具尺寸、安装半径、使用时长、刀刃宽度、刀刃屈服强度。3.根据权利要求1所述的竖井钻机刀具磨损量预测系统，其特征在于：所述地层参数至少包括岩石单轴抗压强度和岩石质量指标值。4.根据权利要求1所述的竖井钻机刀具磨损量预测系统，其特征在于：所述刀具状态参数为人工检查刀具后得到的实际磨损量。5.根据权利要求1所述的竖井钻机刀具磨损量预测系统，其特征在于：所述钻进参数至少包括钻进压力、钻进速度、刀盘转速、刀盘深度、刀盘扭矩。6.根据权利要求1至5中任意一项所述的竖井钻机刀具磨损量预测系统，其特征在于：所述样本数据集...

【专利技术属性】
技术研发人员：吴志洋，张连昊，丁晓辉，张新，徐胜，王龙驹，杨正凡，王慈航，付凯凯，王正，
申请(专利权)人：中交天和机械设备制造有限公司，
类型：发明
国别省市：