一种钻具磨损预测模型的建立方法及钻具磨损预测系统与流程

本发明涉及凿岩施工，具体涉及一种钻具磨损预测模型的建立方法及钻具磨损预测系统。

背景技术：

1、在以钻爆法施工作为主要掘进方式的工程中，数字化、智能化的凿岩台车取代了传统人工粗放的作业模式，可达到更精准、更高效、更安全的目标。在凿岩施工过程中，凿岩台车的钻头与钻杆是与岩石直接接触的部件，通过在凿岩台车的控制系统中设定推进压力、回转压力、打击压力、钻进速度等随钻参数，在液压推进系统和液压凿岩机的共同作用下，产生推进、回转、打击等动作，实现对岩石的破碎功能。然而，由于隧道施工环境复杂，地质勘测信息有限，导致钻头和钻杆的实际服役过程经常出现岩体裂隙和空洞、岩石硬度不均、土体质量欠佳等情况，出现卡钎、钻具磨损、钎杆弯曲等情况，频繁的更换钻具需要中断施工进程，如果出现断杆或由于钻具磨损引发较严重的设备故障将进行停机检修，严重影响工期，因此，有必要在施工过程中实时监测钻具健康度及钻具损耗情况，以此来判断是否需要提前更换钻具，进行有效的预测性维护。

2、依据行业的不同，钻具的应用场景也千差万别，如在地质勘探、石油工业、煤炭工业、隧道施工等，所采用的钻具在材料、工艺、形状、尺寸及施工环境等方面都有所不同，因此环境的复杂性导致难以实现一种通用有效的方法对钻具的健康度进行识别，也由于钻具的服役环境恶劣，运动形式复杂，难以在钻具上直接部署传感器测量其磨损情况，因此，通过间接方式对钻具的健康度进行监测或预测是需要解决的一大难题。

3、综上所述，急需一种钻具磨损预测模型的建立方法及钻具磨损预测系统以解决现有技术中钻具磨损预测的问题。

技术实现思路

1、本发明目的在于提供一种钻具磨损预测模型的建立方法及钻具磨损预测系统以解决现有技术中钻具磨损预测的问题，具体技术方案如下：

2、一种钻具磨损预测模型的建立方法，包括以下步骤：

3、步骤s1、获取当前班次的所有单次钻孔数据以及单次钻孔工作完成后的钻具磨损照片；

4、步骤s2、对所有单次钻孔数据进行预处理；

5、步骤s3、对单次钻孔数据中的随钻参数进行特征提取，得到随钻参数的数据特征；

6、步骤s4、根据步骤s1中钻具磨损照片计算钻具进行单次钻孔后的磨损量，根据磨损量定义钻具每次钻孔后的健康度；

7、步骤s5、基于深度学习方法，建立随钻参数的数据特征和健康度的映射关系，构建出钻具的磨损预测模型。

8、以上技术方案优选的，所述步骤s2中，单次钻孔数据中的随钻参数包括推进压力、回转压力、打击压力、钻进速度中的一个或多个。

9、以上技术方案优选的，步骤s2包括步骤s2.1以及步骤s2.2；

10、步骤s2.1：对所有单次钻孔数据进行数据清洗，清洗规则是：判断单次钻孔数据的数据长度，若单次钻孔数据的数据长度在[300,500]范围内，则保留该单次钻孔数据，反之则剔除该单次钻孔数据；

11、步骤s2.2：根据单次钻孔数据中的钻进速度判断是否剔除该单次钻孔数据，规则是：

12、若单次钻孔数据中出现钻进速度大于n m/min时，且后续钻进速度在t秒内均保持大于n m/min时，则剔除该单次钻孔数据。

13、以上技术方案优选的，步骤s2还包括步骤s2.3，对保留下来的单次钻孔数据进行钻进状态区分处理，具体如下：

14、第一步：根据单次钻孔数据中的钻进速度，将该单次钻孔数据沿时域分为多个钻进状态；

15、第二步：将单次钻孔数据中，相同钻进状态下的数据集中作为同类样本，将该包含了多个同类样本的单次钻孔数据作为下一步骤的处理样本。

16、以上技术方案优选的，步骤s3中，随钻参数的数据特征包括随钻参数的统计特征和随钻参数的时域/频域特征；

17、提取随钻参数的统计特征：提取随钻参数的最大值、最小值、平均值、方差、原点矩以及中心矩，得到随钻参数的统计特征；

18、提取随钻参数的时域/频域特征：采用基于小波变换的多尺度空间的模极大值特征提取方法进行提取，得到随钻参数的时域/频域特征。

19、以上技术方案优选的，所述步骤s4包括：

20、步骤s4.1：当前单次钻孔工作完成后的钻具磨损照片进行降噪和去除冗余成分；

21、步骤s4.2：基于特征的图像对齐方法，将待对齐钻具磨损照片的所有像素映射到标准的钻具照片上从而对齐两照片；

22、步骤s4.3：以标准的钻具照片为基准，分别测量钻具磨损照片径向尺寸di和钻齿到测量基准的轴向尺寸hi；通过径向尺寸di和轴向尺寸hi计算当前单次钻孔工作完成后钻具的实际轴向尺寸hi；

23、步骤s4.4：根据实际轴向尺寸hi计算当前单次钻孔工作完成后的磨损量；

24、步骤s4.5：根据磨损量定义当前单次钻孔工作完成后钻具的健康度。

25、以上技术方案优选的，所述步骤s4.3中，实际轴向尺寸hi如式1)所示：

26、

27、其中，d表示标准钻具的径向尺寸。

28、以上技术方案优选的，所述步骤s4.4中，磨损量weari如式2)所示；

29、

30、其中，hi表示当前单次钻孔工作完成后钻具的实际轴向尺寸；hi-1表示上一次单次钻孔工作完成后钻具的实际轴向尺寸；h表示全新的钻具的实际轴向尺寸；s＝1表示该当次钻孔完成后的钻具为新更换的钻具；s＝0表示该当次钻孔完成后的钻具为未更换的旧钻具；

31、步骤s4.5中，定义健康度的规则如下：

32、当0≤weari≤0.1mm时，钻具的健康度为无磨损；

33、当0.1mm＜weari≤1mm时，钻具的健康度为轻微磨损；

34、当1mm＜weari≤2mm时，钻具的健康度为中度磨损；

35、当2mm＜weari≤4mm时，钻具的健康度为严重磨损；

36、当weari＞4mm时，钻具的健康度为损坏。

37、以上技术方案优选的，所述步骤s5中，

38、基于深度学习方法，以步骤s3中单次钻孔数据的随钻参数的数据特征作为预测模型的输入参数，步骤s4中钻具的健康度作为预测模型的输出，构建深度学习的训练集，从而得到钻具磨损预测模型。

39、一种钻具磨损预测系统，包括数据采集单元、磨损预测单元以及显示单元；

40、所述数据采集单元用于采集钻进工作中的随钻参数；所述磨损预测单元设置有根据钻具磨损预测模型的建立方法得到的预测模型；预测模型与数据采集单元连接；预测模型与显示单元连接，显示单元用于显示钻具的磨损量以及健康度。

41、应用本发明的技术方案，具有以下有益效果：

42、(1)本发明中的钻具磨损预测模型建立方法，通过建立随钻参数与钻具磨损量之间的映射关系，基于深度学习，以随钻参数作为输入，钻具健康度以及磨损量作为输出，训练得到钻具的预测模型，能够解决现有技术中工况复杂难以测量钻具磨损情况的问题，并且后续应用时，通过采集随钻参数即可获取钻具的健康情况，无需布设传感器等部件，实用性好。

43、(2)本发明中，能够将随钻参数识别、归类、标签化，具体是：识别完成单次钻孔开始与结束时间点，对应钻具的磨损量；归类钻进过程中的多种工况，对随钻参数分类，进行更好的后续异常数据处理与模型训练鲁棒性；标签化钻进过程，将相同钻进状态下的数据集中作为同类样本进行分析将有助于提高分析的准确性，避免由于钻进方式不同带来无法预测的误差。

44、(3)本发明中，使用图像参数作为钻具磨损量的判断依据，每次钻孔后的钻具磨损量可以依次通过算法获得，与钻孔时的随钻参数一一对应，提高模型训练的准确率，本发明可以通过不同训练模型采用逐钻具等多种方式对钻具损耗值、钻具健康度进行预测与识别。

45、(4)本发明的钻具磨损预测系统，只需采集随钻参数输入磨损预测单元的钻具磨损预测模型，即可在显示单元显示钻进的磨损量和健康度，实现对钻具磨损情况的监测和把控。

46、除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。