一种盾构机刀盘健康评估与退化预测方法技术

本发明专利技术属于盾构机刀盘健康评估与退化预测技术领域，公开了一种基于深度学习的盾构机刀盘健康评估与退化预测方法

【技术实现步骤摘要】
一种盾构机刀盘健康评估与退化预测方法、系统及设备


[0001]本专利技术属于盾构机刀盘健康评估与退化预测
，尤其涉及一种基于深度学习的盾构机刀盘健康评估与退化预测方法
。

技术介绍

[0002]刀盘系统是盾构机实现破岩掘进中最核心的部件之一
。
由于复杂恶劣的施工环境，刀具过度磨损与异常破坏成为盾构机故障停机的最主要原因，严重影响盾构安全高效掘进
。
因此开展盾构机刀盘健康状态监测评估，掌握刀盘当前健康状态，并对其退化趋势进行预测，从而辅助刀盘维修决策，对提高盾构掘进效率和安全性，降低施工风险和成本具有非常重大的研究意义和应用价值
。
虽然基于数据驱动的盾构机刀盘评估预测研究已取得一定成果，但是由于盾构掘进数据本身具有样本大量性
、
特征多变性
、
信息稀疏性
、
多源异构性等特点，为盾构大数据分析建模带来了极高的难度和挑战
。
[0003]西安电子科技大学在其申请的专利文献“基于无监督学习的复杂地层下盾构机刀盘健康评估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的盾构机刀盘健康评估与退化预测方法，其特征在于，该方法利用大规模盾构掘进数据
、
地质勘探数据和刀具磨损测量维护数据，经过专家经验和退化机理进行筛选和预处理，并结合深度学习方法，构造出一种能够评估刀盘健康状态并预测其退化趋势的模型
。2.
如权利要求1所述基于深度学习的盾构机刀盘健康评估与退化预测方法，其特征在于，具体包括：
S1
：盾构掘进大数据收集；
S2
：数据预处理；
S3
：进行机理特征构造；
S4
：计算刀盘健康指标
HI
；
S5
：构建刀盘健康评估模型；
S6
：刀盘健康状态退化曲线平滑处理；
S7
：构建刀盘退化预测模型，并进行退化预测
。3.
如权利要求1所述基于深度学习的盾构机刀盘健康评估与退化预测方法，其特征在于，所述
S1
具体包括：由监控与数据采集
SCADA
系统采集的盾构机运行数据
、
地质勘探得到的隧道沿线地质数据以及刀具磨损测量和维护记录数据
。4.
如权利要求1所述基于深度学习的盾构机刀盘健康评估与退化预测方法，其特征在于，所述
S2
具体包括：
1)
根据专家经验与退化机理删除与刀盘健康状态无关的参数，然后根据换刀记录中的时间节点划分数据，得到若干刀盘健康退化数据段，选取完整的刀盘全生命周期退化数据段作为模型训练数据集，即刀盘从健康状态到严重退化不能继续使用；
2)
以贯入度参数大于0为依据，挑选出掘进状态数据进行后续分析建模；
3)
数据降噪和异常值处理，具体处理方法为每
M
条数据求取均方根
RMS
值，在降噪的同时减小数据总量，提高模型计算效率；使用3σ
准则和箱线图进行异常值检测，对检测出的异常值使用均值进行填补
。5.
如权利要求1所述基于深度学习的盾构机刀盘健康评估与退化预测方法，其特征在于，所述
S3
具体包括：根据专家经验构造新的特征：场切深指数
FPI
和扭矩切深指数
TPI
；
1)FPI
，场切深指数，是刀盘总推进力与贯入度的比值，其数值反映了刀盘掘进过程中所需要的正向力，表达式如下所示：式中，
F
为总推进力，单位为
kN
；
P
为贯入度，单位为
mm/r
；
2)TPI
，扭矩切深指数，是刀盘扭矩与贯入度的比值，其数值反映了刀盘掘进过程中所需要的切向力，表达式如下所示：式中，
T
为刀盘扭矩，单位为
kNm
；
P
为贯入度，单位为
mm/r。6.
如权利要求1所述基于深度学习的盾构机刀盘健康评估与退化预测方法，其特征在于，所述
S4
具体包括：
选择一段完整的刀盘全生命周期退化数据进行分析，利用固定窗长，步长为1的滑动窗口截取一个个子序列形成刀盘健康评估样本空间，代入如下健康指标
HI
计算公式中，获得每个样本对应的
HI
作为标签；式中，
y
HI
为刀盘系统的健康指标值，
x
为当前样本序号，
T
为样本总数，即刀盘的使用寿命
。7.
如权利要求1所述基于深度学习的盾构机刀盘健康评估与退化预测方法，其特征在于，所述
S5
具体包括：构建基于卷积神经网络
‑
门控循环单元
CNN
‑
GRU
的刀盘健康评估模型，输入序列样本先经过一维卷积神经网络
CNN
中的卷积层，提取刀盘的退化特征，再经过池化层降低数据维度，保...

【专利技术属性】
技术研发人员：刘尧，焦点，徐铂雯，李梦凡，陈改革，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：