掘进机扁齿滚刀阵列磨损状态预测方法与流程

本发明属于高端装备制造和地下工程，具体涉及掘进机关键部件选型设计及寿命预测。

背景技术：

1、在岩石隧道的建造过程中，如地铁隧道、铁路/公路隧道、采矿巷道、地下粒子观测实验室等，掘进机掘进复合岩层，掌子面岩体阻碍掘进机刀具的贯入，掘进机刀具的种类是高效破岩的关键之一。扁齿滚刀的刃部截面积小，相邻扁齿之间在连续破岩过程中产生临空面，这些都是其具有较高破岩能力的原因。然而，对于单具扁齿滚刀，各扁齿的磨损状态存在差异，会导致同具滚刀刃部磨损不均匀，从而缩短了刀具的使用寿命；刀盘上扁齿滚刀阵列中各滚刀的磨损状态也有差异，对导致刀盘上滚刀阵列中各滚刀之间的磨损状态产生不规律的悬殊，从而降低整体掘进的破岩效率，并提高整体刀具使用的成本。目前，尚缺乏对扁齿滚刀阵列磨损状态预测的研究，尚无可用于定性或定量预测扁齿滚刀阵列磨损状态的模型或算法。

技术实现思路

1、为解决上述技术问题，本发明提出了掘进机扁齿滚刀阵列磨损状态预测方法，具体包括如下步骤：

2、步骤一、生成原始工作参数函数

3、原始工作参数函数包含 tk( t+ tk)、 vk( t+ tk)、 nk( t+ tk)、 fk( t+ tk)和 αi,k( l)；

4、步骤二、原始工作参数函数分解

5、以基于最优母小波函数的多分辨率分析，实现针对原始工作参数函数的离散小波变换；

6、步骤三、提取扁齿滚刀阵列磨损状态特征

7、以各扁齿滚刀上扁齿磨损量分布情况的差异程度，表征扁齿滚刀阵列磨损状态，实现对扁齿滚刀阵列磨损状态特征的定量提取；

8、步骤四、提取掘进参数特征

9、根据各类掘进参数的低频部分函数之间的内积，得到掘进参数低频内积组，再根据掘进参数低频内积组生成掘进参数特征向量；

10、步骤五、预测扁齿滚刀阵列磨损状态

11、构造并训练各扁齿滚刀的磨损状态特征预测模型，根据各扁齿滚刀的磨损状态特征预测模型预测结果汇总得到扁齿滚刀阵列磨损状态预测结果。

12、进一步地，步骤一具体如下：

13、记开仓刀具磨损观测次序k∈{1,2,3,…,k}，第k次开仓刀具磨损观测前的掘进机最后运行时刻为 tk，

14、导出并存储掘进机plc系统内的掘进参数，掘进参数包含刀盘扭矩、掘进速率、刀盘转速、总推力，对时间 t∈[ tk, tk+1]时的刀盘扭矩、掘进速率、刀盘转速、总推力分别进行最小-最大规范化处理，绘制各掘进参数在时间 t∈[ tk, tk+1]时的掘进参数时程散点图，

15、对于单种掘进参数，将时间 t∈[ tk, tk+1]时的该掘进参数时程散点图中的散点按时刻顺序以直线段顺次连接得到该掘进参数时程变化折线图，

16、记[ tk, tk+1]为第k段的时程范围，记第k段内刀盘扭矩、掘进速率、刀盘转速、总推力的时程变化折线图中的刀盘扭矩函数、掘进速率函数、刀盘转速函数、总推力函数平移至0时刻作为起点时得到的刀盘扭矩平移函数、掘进速率平移函数、刀盘转速平移函数、总推力平移函数分别为 tk( t+ tk)、 vk( t+ tk)、 nk( t+ tk)、 fk( t+ tk)。

17、进一步地，步骤一还包括：

18、对于单具扁齿滚刀，将其刃部各扁齿进行从1开始的顺序编号，扁齿序号j∈{1,2,3,…,j},j为单具扁齿滚刀上的扁齿个数，

19、记单个扁齿刃部磨损量为 αi,j,k，i为扁齿所在扁齿滚刀的序号，i∈{1,2,3,…,i}，i为单台掘进机刀盘上扁齿滚刀个数，

20、对于单具扁齿滚刀，将j∈{1,2,3,…,j}时的扁齿磨损量散点（ li,j, αi,j,k）按扁齿序号顺序以直线段顺次连接得到该具扁齿滚刀扁齿磨损量变化折线图，记第i具扁齿滚刀在被第k次观测得到的扁齿磨损量变化折线所表示的函数为 αi,k( l)，

21、 li,j为第i具扁齿滚刀上第j号扁齿的未磨损时的扁齿的扁齿轴线远端点轨迹位置。

22、进一步地，步骤二具体如下：

23、母小波函数依次取biorthogonal小波、mexican hat小波、daubechies小波、coiflets小波、meyer小波，在同种母小波函数条件下对原始工作参数函数 y( x)进行n级分解后经重构得到工作参数函数 y’( x)，按式（1）计算同种母小波函数条件下 y’( x)逼近 y( x)的精度 δf.h.n，n为不小于3的正整数，整数f取值1、2、3、4、5分别对应 y( x)分别取 tk( t+ tk)、 vk( t+ tk)、 nk( t+ tk)、 fk( t+ tk)、 αi,k( l)， x∈[0, x]，整数h取值1、2、3、4、5分别对应以biorthogonal小波、mexican hat小波、daubechies小波、coiflets小波、meyer小波作为母小波函数，n为小波分解总级数，

24、整数f取值为1、2、3、4时 y( x)的 x自变量为 t+ tk、定义域上限x为k∈{1,2,3,…,k}范围内持续工作时长最长的段的段内持续工作时长，

25、整数f取值为5时 y( x)的 x自变量为 l、定义域上限x为 li,j，

26、（1）。

27、进一步地，步骤二还包括：

28、在h∈{1,2,3,4,5}中取总体精度最大值所对应的母小波函数为最优母小波函数，h类母小波函数的总体精度 δh.n按式（2）计算，

29、（2）。

30、进一步地，步骤三具体如下：

31、以最优母小波函数对 αi,k( l)进行离散小波变换，得到第n级小波分解中的磨损低频部分函数 li,k.n( l)，

32、在同一k（同一次开仓观测）的条件下，计算i∈{1,2,3,…,i}内任意两个 li,k.n( l)之间的内积 ai,i’,k， ai,i’,k表示第k次观测下i号扁齿滚刀的 li,k.n( l)和i’号扁齿滚刀的 li,k.n( l)之间的内积，i’∈{1,2,3,…,i},

33、遍历完所有的滚刀，得到i×i个内积 ai,i’,k，

34、以 ai,i’,k为元素构成i×i矩阵[ ai,i’,k]，记矩阵[ ai,i’,k]在第i行的主对角线元素为 pi,k， pi,k表示同一个 li,k.n( l)自身与自身的相似程度，记 ei,i’,k= ai,i’,k- pi,k，以 ei,i’,k为元素构成矩阵[ ei,i’,k]，

35、记第k次观测下的扁齿滚刀阵列磨损状态特征为矩阵[ ei,k]，i∈{1,2,3,…,i}，矩阵[ ei,k]中的元素 ei,k为第k次观测下i号扁齿滚刀的磨损状态特征， ei,k与各扁齿滚刀磨损差异程度正相关，按式（3）计算，

36、（3）。

37、进一步地，步骤四具体如下：

38、以最优母小波函数分别对 tk( t+ tk)、 vk( t+ tk)、 nk( t+ tk)、 fk( t+ tk)进行离散小波变换，得到第n级小波分解中的扭矩低频部分函数 ltk.n( t’)、速率低频部分函数 lvk.n( t’)、转速低频部分函数 lnk.n( t’)、推力低频部分函数 lfk.n( t’)， t’= t+ tk,

39、在第k段的时程范围内，求各类掘进参数的低频部分函数之间的内积，得到掘进参数低频内积组，根据掘进参数低频内积组生成掘进参数特征向量。

40、进一步地，步骤五具体如下：

41、（1）生成扁齿磨损状态预测训练样本

42、以段为划分，构建掘进参数特征向量向各扁齿滚刀磨损状态特征的映射，即在同一k条件下，将步骤四中得到的掘进参数特征向量以及步骤三中得到的磨损状态特征 ei,k，作为对第i号扁齿滚刀的扁齿磨损状态预测训练样本，i∈{1,2,3,…,i}，k∈{1,2,3,…,k}，

43、（2）构造预测模型结构

44、各扁齿滚刀的磨损状态特征预测模型均采用反向传播神经网络结构，包括一个输入层、 λ个隐藏层和一个输出层。相邻两层中的神经元完全连接，每个连接都被赋予一个乘以输入值的可训练权重。所有隐藏层都使用sigmoid激活函数，然后进行批量归一化，

45、使用xavier初始化来初始化权重和偏差值，

46、 λ为不小于3的正整数。

47、进一步地，步骤五还包括：

48、（3）训练各扁齿滚刀的磨损状态特征预测模型

49、在同一i条件下，利用扁齿磨损状态预测训练样本，训练集使用掘进参数特征向量作为输入，对应的训练集标注为 ei,k，k∈{1,2,3,…,k}，训练i号扁齿滚刀的磨损状态特征预测模型，i号扁齿滚刀的磨损状态特征预测模型能够根据输入变量得到对i号扁齿滚刀的磨损状态特征的点估计 gi,k，从而实现根据掘进参数定量预测i号扁齿滚刀的磨损状态特征，

50、（4）预测扁齿滚刀阵列磨损状态

51、扁齿滚刀阵列磨损状态的预测结果为集合{ gi,k, i∈{1,2,3,…,i}}，即各扁齿滚刀的磨损状态特征预测模型预测结果汇总得到扁齿滚刀阵列磨损状态预测结果。

52、有益效果

53、本发明所提供的技术方案有助于根据盾构/tbm直接采集的掘进参数，定量预测刀盘上扁齿滚刀阵列磨损状态，量化识别刀盘上滚刀阵列中各滚刀之间的磨损状态不规律的差异。