基于Elman神经网络的盾构滚刀磨损预测方法研究

1、基于Elman神经网络的盾构滚刀磨损预测方法研究第29卷第6期辽宁工程技术大学(自然科学版)JournalofLiaoningTechnicalUniversity(NaturalScience)20l0年12月文章编号:1008-0562(2021)06-112104基于Elman经网络的盾构滚刀磨损预测方法研究李笑,苏小江f1.,东T.,Jk大学机电工程学院,广东广州510006;2.西安市地F铁道有限责任公司,陕西西安710018)损状况的方法.利用滚刀换刀后正常磨损阶段的盾构掘进参数数据,建JIElman神经网络预测模型,根据依此模型得到的预测掘进速度与实际掘进速度的偏差来预测滚刀的磨

2、损状况.文中分析了滚刀磨损影响因素,确定了Elman神经网络预测模型结构,给出了滚刀磨损判断依据.结合,州1地铁五号线草淘区间左线盾构工程工程研究说明,预测结果与实际换刀情况相符.该方法建模简单,模型有效且适应性强,研究结论可为类似地质条件下的盾构滚刀磨损检测和更换提供有益的指导.关键词:盾构;滚刀;磨损;预测;神经网络中图分类号:U455I3:TP206文献标识码:AAnewmethodforforecastingshieldSdisccutterswearingbasedonElmanneuralnetworkLIXiao,SUXiaojiang<1.FacultyofElectro

3、mechanicalEngineering,GuangdongUniversityofTechnology,Guangzhou510006,China;2.XianMetroCo.Ltd.,Xian710018,China)Abstract:ToovercomethedifficultyinestimatingthewearingofsNeldSdisccuttersincompositegeologicalgroundconditions,anewmethodforforecastingthewearingofdisccuffeusingElmanneuralnetworkmodelispr

4、oposedinreplaceddisccutterswearingisforecastedaccordingtothedifferencebetweenthepredicteddiscdisccuttersreplacment.Tl1emodelissimple.effectiveandfeasible.Alsoithasstrongadaptiveability.f11jsstudycanprovideausefulguidanceforestimatingdisccutterswearingandreplacingundersimilargeologicalconditions.Keyw

5、ords:shield;disccutters;Wearing;forecast;Elmanneuralnetwork引言盾构在复合地质掘进时常遇到强度,硬度和研损到一定程度时,需要立即更换,否那么会DilU其他磨损状况对指导刀具更换:具有重要的意义.目前,刀具磨损检测主要有开仓检测法,异味添,DNN法,动态磨损检测法和掘进参数分析法n】.开仓检测法直观高效,但可能造成开挖面坍塌,施工风险较大.异昧添DriU法对于土压平衡盾构和泥测法仅检测局部安装有感应装置的刀具的磨损踅,献【1】根据掘进速度与刀盘转速,总推力和总扭矩之问的半理论半经验非线性函数式,利用掘进参数数据建立了滚刀磨损回归预测模型,

6、依此预测滚刀磨损失效.文献2】依据掘进速度与刀盘转速,千斤顶总推力和刀盘转矩之间的多元非线性函数的泰勒展开式,利用掘进参数数据建立了多元非线性回归明,利用掘进参数数据建立回归预测模型来预测滚刀磨损状况的方法是可行的,但需预先确定主要掘基金工程:广东省自然科学基金资助工程(32484)作者简介:李笑(1962.),男,辽宁阜新市人,博士,教授,主要从事机电液控制工程,设备故障智能诊断等研究.本文编校:焦丽1122辽宁工程技术大学(自然科学版)第29卷之间尚无准确的建模理论且存在时变性,建立准确的非线性函数式非常困难.而且,利用回归分析法建立回归预测模型又极为繁烦.因此,有必要研究简便,有效的预测

7、模型建模方法.BP神经网络具有很强的非线性函数映射能力,但其为静态网络,对动态系统辨识,收敛速度相对较络因其存储内部状态,具备映射动态特征的功能和适应时变特性的能力【5.因此,本文提出建立Elman神经网络预测模型,依此模型预测滚刀磨损的状况.1Elman神经网络预测模型滚刀的磨损与各掘进参数,地质条件,掘进距离不变的情况下,掘进速度和刀盘转矩主要受岩层性质和刀具磨损状况的影响.刀具磨损后,掘进速度一般会减小,刀盘转矩也会发生相应的变化,故可以通过分析掘进速度的变化来预测刀具的磨损状况.盾构掘进速度通常是刀盘转速,千斤顶总推力,刀盘转矩,土仓压力及各种阻力的非线性函数.但由于盾构在硬岩段掘进时

8、常采用敞开模式,盾构的土仓压力和摩擦力等阻力的变化均较小,可看作常数,故可将掘进速度简化成刀盘转速,千斤顶总推力和刀盘转矩的函数.假设能建立此函数模型,即可据此计算出掘进速度,并根据其与实际掘进速度测模型比拟困难,本文采用Elman神经网络对其进的掘进参数数据建立Elman神经网络预测模型.Elman神经网络是Elman于l990年提出的,其结构91如图l,由输入层,隐含层,承接层和输出层构成.输入层的神经元起信号传输作用,输出层神经元起线性加权作用,隐含层神经元的传递函层神经元前一时刻的输出值并返回给输入,是一个一步延时算子Il.该网络结构将隐含层的输出通过承接层的延时与存储自联到隐含层的输

9、入,使其对历史状态的数据具有敏感性,从而增加了处理动态信息的能力,可实现动态建模.输出层隐含层输入层承接层图1Elman神经网络Elman神经网络的非线性状态空间表达式为y(/O=g(w(七)(1)()=f(wxc(k)+Wu(k1)(2)(七)=x(k1)(3)式中,Y,Xc分别为m维输出节点向量,n维隐含层节点单元向量,r维输入向量和n维反应状态向量.w,w,w分别为隐含层到输出层,输入层到隐含层,承接层到隐含层的连接权重.?)为输出层神经元的传递函数,是隐含层输出的线性组合.-)为隐含层神经元的传递函数,常采用S型函数.学习指标函数采用误差平方和函数(七):【()一()】(4)i=1式中

10、,(七)为目标输出向量.利用Elman神经网络建立预测模型时,输入为由刀盘转速,刀盘转矩和千斤顶总推力构成的三维向量,输出为预测掘进速度.2滚刀磨损判断依据一般来说,滚刀在正常磨损阶段,掘进速度的预测值与实际值偏差Av较小,磨损后Av将增大,因此可根据Av来预测滚刀磨损状况.如图2(a),(b),(C)所示,在正常磨损阶段,v曲线将绕横坐标上下波动;当磨损逐渐增大时,v曲线将逐渐偏离横坐标,向纵坐标正方向偏移;当出现严重磨损时,曲线Av将大幅度偏离横坐标.(a)正常磨损(b)磨损加剧(c)严重磨损图2预测与实际掘进速度偏差随滚刀磨损的变化excavationvelocitieswithdisc

11、cutterswear第6期李笑,等:基于Elman神经网络的盾构滚刀磨损预测方法研究1123虽然由偏差曲线可以看出刀具的磨损状况,但如何根据偏差或偏差曲线的位置来判定刀具磨损失效尚无依据.为此,本文提出采用平均速差法来判定刀具磨损失效.即以掘进每一环为研究周期,用单位时问内曲线A与横坐标所围成的面积来判定(规定横坐标以上的面积为正,以下的面积为负).由于每环的掘进时间,数据采样点数不同,以每环做研究周期求出的平均速差,可以消除波动带来的影响,能够反映出刀具的磨损状况.假设盾构在采样时间f内速度不变,每环的采样点数为rl,那么平均速差为一:TnAf式中,1,i一第i个采样点时的速度偏差:一每环

12、的总掘进时间.根据式(5)可得出判定刀具磨损失效的表达式f0(正常磨损)AvaS:1(磨损力口居4)<Av6(6)I2(严重磨损)Av>b式中,为刀具磨损状况,a,b分别为刀具由正常磨损过渡到磨损加剧和严重磨损阶段的临界值,由工程经验获得.3工程实例本文以广州市地铁五号线草淘区间左线盾构要穿越II,III类围岩,局部洞身穿越,V类围岩,构刀盘直径6.28rn,刀盘中心区配备4把l7双刃滚刀,正面区配备40把刮刀和22把17单刃滚刀,边缘区配备10把17单刃滚刀.在微风化花岗岩和微风化石英砂岩地质区掘进时,滚刀磨损严重.当掘进744环时,千斤顶总推力急剧增大,铰接油缸压力加大,出现盾

13、构被卡的掘进数据,经滤波和归一化处理后,对Elman神经网络进行训练.经过对训练误差比拟,综合考虑网络性能和速度,本例Elman神经网络隐含层神经元个数取为7.图3为由Elman神经网络输出的预测掘进速度与用于训练的实际掘进速度比照曲线.可以看出,Elman神经网络有很强的非线性映射能力,成功地记住了输此,利用该网络可建立滚刀磨损判断的预测模型.15o篝s辖0一掘进环数1一实际掘进速度2一预测掘进速度图3预测与实际掘进速度比照曲线本研究选取744765环的l100组测试数据(每环的50组)测试Elman模型对滚刀磨损的预速度,并与实际掘进速度比照,比照曲线如图4,速度偏差曲线如图5.量暑gg里

14、1一实际掘进速度2一预测掘进速度velocitiesofrings744765i201510鉴s.5:医744746748750752754756758760762764掘进环数图5744765环实际掘进速度与预测速度偏差曲线excavationvelocitiesofrings744765从图4可看出,744环,745环的预测掘进速度远大于实际掘进速度,746环盾构掘进逐步恢复正1124辽宁工程技术大学(自然科学版)第29卷常,748756环预测掘进速度与实际掘进速度根本吻合.757环后预测掘进速度逐渐大于实际掘进速度,说明757环后滚刀出现严重磨损.观察762765环,可以发现实际掘进速度

15、与预测速度又逐渐接近.从图5可以看出,速度偏差从744环换刀后逐渐递减,到746环接近于零,746756环偏差曲线绕横坐标上下波动,从757环开始逐渐偏离横坐标,现场实际开仓检查和744环,762环换刀情况看,这种趋势根本反映了滚刀磨损情况.根据预测掘进速度曲线和实际掘进速度曲线可大致判断出滚刀是否磨损失效,但滚刀磨损后速度波动较大.为了能准确地判断出滚刀磨损状况,本研究采用平均速差法,依据表1所示的笔者对不同的工程数据分析得出的经验数据进行判定.表1判定数据平均速差(mm?min.)滚刀磨损状况I22<3>30正常磨损1磨损加剧2严重磨损利用表1中的判定数据对744765环的滚刀

16、磨损状况进行判定,如图6,判定结果如表2.从表1,2可以看出Elman神经网络预测模型的判定结果:从757环起平均速差大于2,说明有局部滚刀磨损开始加剧;从759环起平均速差大于3,说明有局部滚刀出现严重磨损;在762环换刀后平均速差逐渐小于2,说明滚刀已由磨合进入正常磨损阶段.在磨合阶段后,Elman神经网络预测模型又进入下一个训练学习阶段.从以上预测结果与实际情况比照看出,采用Elman神经网络预测模型判断盾构滚刀磨损情况与实际情况是吻合的.三20-15105.744746748750752754756758760762764掘进环数图6744765环的平均速差excavationvelo

17、citiesofring744765表2判定结果环号测点AV/(mm/min)S环号测点A,/(mrn/min)S7478360-2707588982l30l751667.2.00076212174.602(换刀)752642753813.0.1207647792.37(磨合)3结论本文提出了基于Elman神经网络的盾构滚刀磨损预测方法,通过对预测结果与工程实际情况比照分析说明:利用盾构掘进参数数据建立滚刀磨损神经网络预测模型,建模简便,模型有效:利用Elamn神经网络的学习能力和映射动态特征功能,预测模型适应性强.该方法预测准确,使用方便,能够为类似地质条件下的盾构滚刀磨损检测和更换提供有益指导.参考文献:【1张厚美.复合地层中盾构刀具磨损的检测方法研究Cl/2005年上海国际隧道工程研讨会文集.上海:同济大学出版社,2005,46l_471.f21夸笑,苏小江.盾构滚刀磨损的多元非线性回归预测【J】.辽宁工程技术大学:自然科学版,2021,28(2):281283.【3】张明富,袁大军,黄清1I,等.砂卵石地层盾构刀具动态磨损分析J.岩石力学与一I程,2021,27(2):397-402.马广州.盾构掘进中刀具磨损的跟踪检测J1_隧道建设,2006,26($