【技术实现步骤摘要】
本专利技术属于盾构机滚刀磨损检测，更具体的说是涉及基于acmpso-lstm模型的滚刀磨损量检测方法。
技术介绍
1、滚刀是盾构机的重要组成部分，滚刀的磨损状态最直接的影响作业效率和进度。目前的滚刀磨损检测研究，主要是基于模型的方法，建立起磨损力学模型或者是一套经验理论公式，根据实际数据进行磨损量的检测。但是诸如此类方法尝尝受到限制。实际工程中对于不同作业环境、地质类型，建立磨损模型的方法并不具有通用性，无法应对复杂多变的情况；建立磨损模型需要专业的摩擦学、力学以及数学知识，对于技术人员难度大、要求高；直接求得现存公式概念所需要的理论数据比较困难，并且结果通常是近似拟合。因此，如何提高磨损检测的准确率，成为了本领域相关工作的重中之重。
2、目前，现有技术中存在将粒子群算法和lstm网络结合寻找最优解的技术，但是传统的粒子群算法使用固定权重，全局寻优能力和收敛速度被大大削弱，经常在计算过程中出现局部最优解的不良现象。
3、因此，如何提高磨损检测的准确率，同时防止出现局部最优解，是本领域技术人员亟需解决的问题。
技术实现思路
1、鉴于上述问题，本专利技术提供一种基于acmpso-lstm模型的滚刀磨损量检测方法，以至少解决上述
技术介绍
中提到的部分技术问题。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、基于acmpso-lstm模型的滚刀磨损量检测方法，其特征在于，包括如下步骤：
4、获取目标滚刀数据；
6、将预处理后的目标滚刀数据输入至训练好的acmpso-lstm模型中，输出对应的单环滚刀磨损量。
7、进一步地，所述目标滚刀数据包括刀盘扭矩、刀盘转速、盾构机推力、滚刀安装半径和时序数。
8、进一步地，所述标准化预处理包括：
9、
10、其中，xi表示第i个目标滚刀数据的值；xi'表示标准化处理后的第i个目标滚刀数据的值；xmax表示目标滚刀数据中的最大值；xmin表示目标滚刀数据中的最小值。
11、进一步地，所述acmpso-lstm模型包括lstm网络模型和改进粒子群算法；采用所述改进粒子群算法对所述lstm网络模型进行优化。
12、进一步地，所述采用所述改进粒子群算法对所述lstm网络模型进行优化，具体实现步骤包括：
13、s1、获取大量滚刀数据；并对所述滚刀数据进行标准化预处理；将预处理后的滚刀数据划分为训练样本和测试样本；
14、s2、将每个滚刀数据值作为一个粒子，对粒子群参数进行初始化处理；所述粒子群参数包括种群规模、最大迭代次数、学习因子、粒子位置和粒子速度；
15、s3、基于所述粒子群参数，构建lstm网络模型：
16、s4、基于所述训练样本和测试样本，计算带有lstm网络模型的种群个体适应度；
17、s5、根据所述种群个体适应度，获得粒子的个体最优值和全局最优值；
18、s6、根据所述粒子的个体最优值和全局最优值，更新粒子速度和粒子位置，并将更新后的粒子速度和粒子位置作为当前最优参数值；
19、s7、循环执行步骤s5-s6，直至达到所述最大迭代次数后，将当前最优参数值应用于所述lstm网络模型，实现对lstm网络模型的优化。
20、进一步地，所述种群个体适应度具体表示为：
21、
22、其中，fiti表示种群个体适应度；p表示训练样本的数量；q表示测试样本的数量；yp表示训练样本的实际值；yp∧表示训练样本的检测值；yq表示测试样本的实际值；yq∧表示测试样本的检测值。
23、进一步地，所述acmpso-lstm模型采用霍尔姆磨损量计算法来实现扩充磨损数据量。
24、进一步地，所述单环滚刀磨损量表示为：
25、
26、其中，q表示滚刀的磨损量；f表示垂直作用力；i表示第i层滚刀数据；j表示第j层滚刀数据；n表示刀盘转速；v表示推进速度。
27、进一步地，还包括：
28、对所述滚刀磨损量进行正向检测；
29、基于正向检测结果和实际结果获得误差函数；
30、基于所述误差函数对所述acmpso-lstm模型进行反向传播优化处理。
31、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于acmpso-lstm模型的滚刀磨损量检测方法，具有如下有益效果：充分发挥循环神经网络(lstm)的特点优势，结合改进粒子群算法对网络模型进行最优参数寻找，提高盾构机滚刀磨损检测准确率。
本文档来自技高网...【技术保护点】
1.基于ACMPSO-LSTM模型的滚刀磨损量检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于ACMPSO-LSTM模型的滚刀磨损量检测方法，其特征在于，所述目标滚刀数据包括刀盘扭矩、刀盘转速、盾构机推力、滚刀安装半径和时序数。
3.根据权利要求1所述的基于ACMPSO-LSTM模型的滚刀磨损量检测方法，其特征在于，所述标准化预处理包括：
4.根据权利要求1所述的基于ACMPSO-LSTM模型的滚刀磨损量检测方法，其特征在于，所述ACMPSO-LSTM模型包括LSTM网络模型和改进粒子群算法；采用所述改进粒子群算法对所述LSTM网络模型进行优化。
5.根据权利要求4所述的基于ACMPSO-LSTM模型的滚刀磨损量检测方法，其特征在于，所述采用所述改进粒子群算法对所述LSTM网络模型进行优化，具体实现步骤包括：
6.根据权利要求5所述的基于ACMPSO-LSTM模型的滚刀磨损量检测方法，其特征在于，所述种群个体适应度具体表示为：
7.根据权利要求1所述的基于ACMPSO-LSTM模型的滚刀磨损
8.根据权利要求1所述的基于ACMPSO-LSTM模型的滚刀磨损量检测方法，其特征在于，所述单环滚刀磨损量表示为：
9.根据权利要求1所述的基于ACMPSO-LSTM模型的滚刀磨损量检测方法，其特征在于，还包括：
...【技术特征摘要】
1.基于acmpso-lstm模型的滚刀磨损量检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于acmpso-lstm模型的滚刀磨损量检测方法，其特征在于，所述目标滚刀数据包括刀盘扭矩、刀盘转速、盾构机推力、滚刀安装半径和时序数。
3.根据权利要求1所述的基于acmpso-lstm模型的滚刀磨损量检测方法，其特征在于，所述标准化预处理包括：
4.根据权利要求1所述的基于acmpso-lstm模型的滚刀磨损量检测方法，其特征在于，所述acmpso-lstm模型包括lstm网络模型和改进粒子群算法；采用所述改进粒子群算法对所述lstm网络模型进行优化。
5.根据权利要求4所述的基于acmpso-ls...
【专利技术属性】
技术研发人员：黄书华，苏颂，王文达，田兆平，张良，葛晶晶，薛强，盛健，
申请(专利权)人：中铁十四局集团大盾构工程有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。