System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及盾构机,更具体的说是涉及一种基于bp神经网络的盾构机滚刀磨损量检测方法及系统。
技术介绍
1、滚刀是盾构机的常用刀具,滚刀的实际磨损状态对盾构机的工作效率有较大影响。
2、目前主流的盾构机滚刀磨损量检测方法是直接检测法。直接检测法主要为人为开舱检测,这种方法的优点是检测结果直观,缺点是检测效率低,且频繁开舱检查刀具磨损状态会使施工风险提升,安全性较差,如果不能及时发现潜在的风险并及时采取有效措施,则会造成不可估量的损失。
3、因此,如何实现及时检测盾构机滚刀的磨损量,提高检测工作的效率及安全性,保证盾构机的高效运行,是本领域技术人员亟需解决的技术问题。
技术实现思路
1、有鉴于此,本专利技术提供至少解决上述部分技术问题的一种基于bp神经网络的盾构机滚刀磨损量检测方法和系统,通过bp神经网络模型对盾构机实际工作中的数据进行分析,从而实现及时对滚刀实际磨损量的判断以及对滚刀下一阶段的磨损量检测,提高了检测工作的效率及安全性,便于及时维修或者更换滚刀,有助于确保盾构机的高效运行。
2、为实现上述目的,本专利技术采取的技术方案为:
3、第一方面,本专利技术实施例提供一种基于bp神经网络的盾构机滚刀磨损量检测方法,包括以下步骤:
4、s1、获取盾构机滚刀的相关数据,并对数据进行分组,分为训练组数据和测试组数据;
5、s2、基于bp神经网络构建滚刀磨损量检测模型,并利用训练组数据和测试组数据对所述滚刀磨损量检
6、s3、利用训练好的滚刀磨损量检测模型对盾构机滚刀的磨损量进行实时检测计算,输出盾构机滚刀磨损量检测结果。
7、进一步地,所述步骤s1中,所述步骤s1中,所述盾构机滚刀的相关数据包括:刀盘转速、刀盘推力、安装半径和刀盘扭矩。
8、进一步地,所述步骤s2中,在进行模型训练之前,对数据进行标准化处理,标准化处理的计算公式为:
9、
10、其中,xi表示第i个样本数据的值,xi′表示标准化处理后的值,xmax表示样本数据中最大值,xmin表示样本数据中最小值。
11、进一步地,所述步骤s2中,所述bp神经网络的输入层的神经元个数设置为m,输出层的神经元个数设置为n;
12、隐藏层层数设置为1,隐藏层的神经元个数为s,隐藏层神经元数目的计算公式为:
13、
14、s=log2n
15、其中,s表示隐藏层的神经元个数,m表示输入层神经元个数,n表示的是输出层神经元个数,α表示2-10之间的任意常数。
16、进一步地,所述步骤s2中,所述滚刀磨损量检测模型为:
17、
18、其中,q表示滚刀的磨损量,f为垂直作用力,i为第i层数据,j为第j层数据,n为刀盘转速,lr为安装半径为r的滚刀绕刀盘中心旋转一周的距离,v为推进速度,h′为表面强度。
19、进一步地,所述步骤s2中,在模型的训练学习过程中,利用梯度下降速度和均方误差作为评价标准,选取下降平缓的学习率。
20、第二方面,本专利技术实施例还提供一种基于bp神经网络的盾构机滚刀磨损量检测系统,应用上述的一种基于bp神经网络的盾构机滚刀磨损量检测方法,实现盾构机滚刀磨损量实时检测,该系统包括:
21、数据获取模块,用于获取盾构机滚刀的相关数据,并对数据进行分组,分为训练组数据和测试组数据;
22、模型构建模块,用于基于bp神经网络构建滚刀磨损量检测模型,并利用训练组数据和测试组数据对所述滚刀磨损量检测模型分别进行训练学习及测试验证;
23、检测输出模块,利用训练好的滚刀磨损量检测模型对盾构机滚刀的磨损量进行实时检测计算,输出盾构机滚刀磨损量检测结果。
24、与现有技术相比,本专利技术至少具有如下有益效果:
25、本专利技术提供了一种基于bp神经网络的盾构机滚刀磨损量检测方法及系统,通过bp神经网络模型对盾构机实际工作中的数据进行分析,从而实现及时对滚刀实际磨损量的判断以及对滚刀下一阶段的磨损量检测,提高了检测工作的效率及安全性,便于及时维修或者更换滚刀,有助于确保盾构机的高效运行。
26、本专利技术的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
27、下面通过附图和实施例,对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于BP神经网络的盾构机滚刀磨损量检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于BP神经网络的盾构机滚刀磨损量检测方法,其特征在于,所述步骤S1中,所述盾构机滚刀的相关数据包括:刀盘转速、刀盘推力、安装半径和刀盘扭矩。
3.根据权利要求1所述的一种基于BP神经网络的盾构机滚刀磨损量检测方法,其特征在于,所述步骤S2中,在进行模型训练之前,对数据进行标准化处理,标准化处理的计算公式为:
4.根据权利要求1所述的一种基于BP神经网络的盾构机滚刀磨损量检测方法,其特征在于,所述步骤S2中,所述BP神经网络的输入层的神经元个数设置为m,输出层的神经元个数设置为n;
5.根据权利要求2所述的一种基于BP神经网络的盾构机滚刀磨损量检测方法,其特征在于,所述步骤S2中,所述滚刀磨损量检测模型为:
6.根据权利要求1所述的一种基于BP神经网络的盾构机滚刀磨损量检测方法,其特征在于,所述步骤S2中,在模型的训练学习过程中,利用梯度下降速度和均方误差作为评价标准,选取下降平缓的学习率。
7.一种基
8.根据权利要求7所述的一种基于BP神经网络的盾构机滚刀磨损量检测系统,其特征在于,该系统包括:
...【技术特征摘要】
1.一种基于bp神经网络的盾构机滚刀磨损量检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于bp神经网络的盾构机滚刀磨损量检测方法,其特征在于,所述步骤s1中,所述盾构机滚刀的相关数据包括:刀盘转速、刀盘推力、安装半径和刀盘扭矩。
3.根据权利要求1所述的一种基于bp神经网络的盾构机滚刀磨损量检测方法,其特征在于,所述步骤s2中,在进行模型训练之前,对数据进行标准化处理,标准化处理的计算公式为:
4.根据权利要求1所述的一种基于bp神经网络的盾构机滚刀磨损量检测方法,其特征在于,所述步骤s2中,所述bp神经网络的输入层的神经元个数设置为m,输出层的神经元个数设置为n;<...
【专利技术属性】
技术研发人员:黄书华,张良,苏颂,王文达,田兆平,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。