[發明專利]一種基于現場參數的硬巖TBM刀盤滾刀磨損實時評估方法

有效

• 申請號: 202011023864.7
• 申請日: 2020-09-25
• 公開（公告）號: CN112160761B
• 公開（公告）日: 2022-01-14
• 發明（設計）人: 劉成良;余宏淦;陶建峰;覃程錦;孫浩;丁浩倫;雷軍波;徐孜;高浩寒
• 申請（專利權）人: 上海交通大學;上海智能制造功能平臺有限公司
• 主分類號: E21D9/08
• 分類號: E21D9/08;E21D9/10
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 劉靜

1.一種基于現場參數的硬巖TBM刀盤滾刀磨損實時評估方法，其特征在于，包括以下步驟：

步驟1：將刀盤滾刀掘進距離劃分若干個長度相等區間，并將區間內滾刀在隧道開挖面上的滾動距離與其最大滾動距離的比值定義為位每把滾刀磨損的健康因子，表示該區間內掘進距離對滾刀磨損的貢獻；

步驟2：獲取健康因子的影響因素，包括巖石參數、滾刀安裝半徑和刀間距；所述巖石參數利用與巖石參數有關的TBM現場參數來間接獲取實時的巖石信息，這些現場參數由TBM自帶的監控系統每隔一定時間或掘進距離進行采集，包括總推力、刀盤扭矩、刀盤轉速、掘進速度以及與推力和扭矩有關的液壓缸和刀盤驅動電機的參數；

步驟3：將步驟2獲取的參數和采集的數據作為特征集，將對應的健康因子作為目標變量，構造包含刀盤上所有滾刀數據的數據集，利用滾刀第一次更換前的數據構造訓練集，利用滾刀第二次更換前、第一次更換后的數據構造測試集，其中訓練集訓練模型，測試集檢驗模型有效性；

步驟 4：將訓練集數據輸入到一維卷積神經網絡模型中，以評估的目標變量與真實的目標變量之間的均方根誤差（RMSE）最小化為目標優化模型參數，得到訓練好的一維卷積神經網絡模型，并建立特征集與目標變量之間的非線性映射關系，并用測試集數據驗證該滾刀磨損評估模型的有效性；

步驟 5：將待評估滾刀的特征集輸入到訓練好的一維卷積神經網絡模型中，評估所有開挖區間的健康因子；

步驟6：將待評估滾刀所有開挖區間的健康因子累加得到滾刀當前的健康狀態（healthstatus）值；如果健康狀態值達到設定閾值，表明滾刀需要更換。

2.根據權利要求1所述的一種基于現場參數的硬巖TBM刀盤滾刀磨損實時評估方法，其特征在于，所述步驟1中，區間的長度為10cm~100cm之間，根據需求的評估精度確定，區間長度越小，評估精度越高。

3.根據權利要求1所述的一種基于現場參數的硬巖TBM刀盤滾刀磨損實時評估方法，其特征在于，所述步驟2中，與推力和扭矩有關的液壓缸和刀盤驅動電機參數具體為：液壓缸壓力、液壓缸行程和液壓缸速度、電機電壓、電機電流和電機轉速。

4.根據權利要求1所述的一種基于現場參數的硬巖TBM刀盤滾刀磨損實時評估方法，其特征在于，所述步驟3中，數據集構造過程如下：

步驟3-1：將選定的現場參數在區間掘進距離內的平均值作為數據集特征集的一部分；

步驟3-2：對區間掘進距離內的總推力、刀盤扭矩、刀盤轉速、掘進速度、電機電壓、電機電流和電機轉速進行數據增強，將這些參數的峰值、均方根值、方差、峰值因子、峭度指標、波形因子和脈沖指標一并作為特征；

步驟3-3：將滾刀安裝半徑、滾刀間距也添加為特征，并將滾刀安裝半徑和滾刀間距進行特征向量處理；

步驟3-4：將步驟3-1、3-2、3-3獲得的特征串聯起來得到一維向量特征集，為了消除各特征數值尺度差異對模型訓練的影響，對特征集進行歸一化處理，使得每個特征的取值在0~1之間；

步驟3-5：數據集目標變量為步驟1中構建的健康因子，與特征集對應；并對目標變量進行取對數處理。

5.根據權利要求1所述的一種基于現場參數的硬巖TBM刀盤滾刀磨損實時評估方法，其特征在于，所述步驟6中，所述設定閾值根據需求選取，取為0.95。