一种机理和数据联合驱动的TBM滚刀磨损预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115774912A(43)申请公布日2023.03.10(21)申请号202211578613.4G06N3/084(2023.01)(22)申请日2022.11.21G06F111/10(2020.01)(71)申请人盾构及掘进技术国家重点实验室地址450001河南省郑州市国家高新技术产业开发区科学大道99号申请人浙江大学(72)发明人张合沛张亚坤周星海龚国芳孙佳椿李叔敖李治国周建军李凤远郭璐(74)专利代理机构杭州求是专利事务所有限公司33200专利代理师郑海峰(51)Int.Cl.G06F30/17(2020.01)G06F30/27(2020.01)权利要求书2页说明书5页附图1页(54)发明名称一种机理和数据联合驱动的TBM滚刀磨损预测方法(57)摘要本发明公开了一种机理和数据联合驱动的TBM滚刀磨损预测方法，属于滚刀磨损量预测领域。本发明一方面由滚刀与岩体的磨粒磨损、黏着磨损及疲劳磨损等磨损机理推导出的滚刀磨损量计算公式，另一方面采用数据模型对机理磨损量与实际磨损量的残差部分进行建模，将TBM掘进参数也作为滚刀磨损量的影响因素。本发明的预测方法充分结合了理论机理模型和数据模型的各自优点，能够根据TBM规格参数和现场工程数据高精度的预测出每把滚刀的实际磨损程度，较纯数据模型有更好的泛化特性，较纯机理模型有更好的拟合精度，为现场操作人员掌握滚刀信息提供帮助，为及时换刀提供数据依据，提升了滚刀的利用率和掘进机的工作效率。CN115774912ACN115774912A权利要求书1/2页1.一种机理和数据联合驱动的TBM滚刀磨损预测方法，其特征在于，包括如下步骤：n1)计算刀盘滚刀所受垂直载荷Fn；2)根据滚刀所受垂直载荷，计算由磨损机理引起的磨损量Qt，所述由磨损机理引起的磨损量包括滚刀和硬岩摩擦引起的磨粒磨损量δAbr、硬质磨粒脱落引起的黏着磨损量δAdh、滚刀与岩土在交变接触应力作用下的疲劳磨损量δFat；3)构建并训练数据模型；所述数据模型以推进速度v、刀盘转速n、刀盘扭矩Tc、总推进力F、滚刀转速ns作为输入，实际磨损量与由磨损机理引起的磨损量Qt的差值为输出，采用历史数据进行训练；4)建立TBM滚刀磨损预测模型，根据实时数据进行TBM刀盘每把滚刀实际磨损程度预测。2.根据权利要求1所述的机理和数据联合驱动的TBM滚刀磨损预测方法，其特征在于，所述的步骤1)中，式中，C为无量纲参数；ψ为滚刀刀刃上的压力分布系数；S为滚刀的刀间距，单位mm；R为盘型滚刀半径，单位mm；σc为岩石单轴抗压强度，单位Mpa；σt为岩石抗拉强度，单位Mpa；p为贯入度，单位mm；T为刀尖宽度，单位mm；β为刀具的分布角，单位rad。3.根据权利要求1所述的机理和数据联合驱动的TBM滚刀磨损预测方法，其特征在于，所述的步骤2)中，刀盘中第i把滚刀掘进L后，和硬岩摩擦引起的磨粒磨损量δAbr，计算公式如下：式中，Ni为第i把刀转过的圈数，其中L为TBM掘进距离，单位mm，Ri为第i把刀的安装半径，单位mm，R为盘型滚刀半径，单位mm；KAbr为磨粒磨损系数，其中，θ为微量切削假说中的圆锥体的半角，单位rad，K为概率常数；σs为受压屈服极限，单位Mpa；l为滚刀一圈所走过的距离，单位mm。4.根据权利要求1所述的机理和数据联合驱动的TBM滚刀磨损预测方法，其特征在于，所述的步骤2)中，刀盘中第i把滚刀掘进L后，硬质磨粒脱落引起的黏着磨损量δAdh，计算公式如下：式中，KAdh为黏着磨损系数。5.根据权利要求1所述的机理和数据联合驱动的TBM滚刀磨损预测方法，其特征在于，所述的步骤2)中，刀盘中第i把滚刀掘进L后，与岩土在交变接触应力作用下的疲劳磨损量δFat，计算公式如下：2CN115774912A权利要求书2/2页式中，KFat为疲劳磨损系数，KFat＝1/nFat，其中nFat为产生疲劳破坏的应力循环数，即滚刀圈数。6.根据权利要求1所述的机理和数据联合驱动的TBM滚刀磨损预测方法，其特征在于，所述步骤3)中，数据模型为机器学习模型，选自多元线性回归模型(MLR)、支持向量机回归模型(SVR)，反向传播神经网络(BPNN)。7.根据权利要求1所述的机理和数据联合驱动的TBM滚刀磨损预测方法，其特征在于，所述步骤3)中，数据模型的训练，包括如下步骤：步骤一：处理实际施工历史数据，包括筛除异常值、采用二值函数筛除非工作点，将时间序列数据转换为距离序列数据；步骤二：选定数据模型，以推进速度v、刀盘转速n、刀盘扭矩Tc、总推进力F、滚刀转速ns作为输入，实际磨损量与步骤2)计算得到的由磨损机理引起的磨损量Qt的差值为输出进行模型训练；步骤三：利用步骤一得到的距离序列数据对步骤二的