[发明专利]盾构刀具磨损检测方法及系统

说明书

本发明提供了一种盾构刀具磨损检测方法及系统，包括如下步骤：根据盾构刀具最初使用时的掘进参数数据，建立掘进速度预测模型；根据所述掘进速度预测模型生成多个观测序列；根据多个所述观测序列训练生成HMM模型；将多个测试样本数据分别输入HMM模型，计算出相应的对数似然概率，根据最大的对数似然概率确定刀具的磨损状态。本发明通过将马尔可夫模型算法与掘进参数分析结合，减少盾构特殊情况下对刀具磨损检测造成的影响，从而检测出盾构刀具准确的磨损状况，以便于及时更换达到磨损极限的刀具，从而避免换刀不及时的恶性循环，确保盾构机的正常掘进和掘进效率。

技术领域

本发明涉及盾构刀具磨损状态的检测，具体地，涉及一种盾构刀具磨损检测方法及系统。

背景技术

随着盾构法在国内的广泛使用，刀具磨损已经成为一个影响工程质量和进度的关键问题。盾构刀盘上的刀具属于易损件、易耗件，而且成本比较高，在掘进过程中，刀具的损耗在整个工程耗资占比较高，并且刀具进货周期比较长，刀具的检查、维修、更换都很复杂困难。换刀过早会造成资源的浪费，换刀不及时又会加剧其他刀具的磨损，造成恶性循环。因此需要一种有效的磨损检测方法，能够实时的掌握盾构刀盘的切削情况，准确地判断刀具的磨损状态，及时更换达到磨损极限的刀具，从而避免换刀不及时的恶性循环，对盾构机的正常掘进和掘进效率具有重要意义。

目前检测盾构刀具磨损的方法主要有：开仓检查、异味检测、油压检测、掘进参数分析等。开仓检查危险系数高，可能会造成开挖面坍塌严重的还会造成人员伤亡，并且工作效率低，异味检测能够很灵敏地报告刀具磨损的信息，但是这种方法只适合用在TBM(Tunnel Boring Machine，隧道掘进机)中，在盾构机中无效。在刀盘内安装液压或者电子传感器系统，还有一些采用光纤维短路或超声波等方式来判断滚刀磨损程度，一旦磨损到一定程度就会自动报警，海瑞克公司曾提出带有磨损探测器的刮刀，但是感应装置只能安在少部分刀具上，应用范围小。也有采用声发射检测刀具的磨损状况，将声发射信号作为人工神经网络的输入，并由神经网络自动判断刀具是否已经磨损失效，但是该方法没有解决磨损部分的尺寸测量问题。在油压磨损检测中，由于油路有限，受到油路数量的限制，只能将其安装于少部分刀具上，无法得知其他刀具是否磨损，而且无法获取刀具的具体磨损量。

在刀具磨损检测中，掘进参数分析法是对一些最基本和最重要的掘进参数，如对掘进速度、斤顶总推力、刀盘扭矩、刀盘转速、土舱压力等进行分析后，建立掘进过程中总推力、总扭矩与掘进速度之间的关系。通过关系式将滚刀完好时的掘进环作为基准环，直接采用该环掘进过程记录的总推力、总扭矩、掘进速度以及刀盘转速建立速度预测模型。一般滚刀完好情况下，预测值与实际值之间的偏差值比较小；滚刀磨损后，预测值与实际值之间的偏差值将增大，故可以通过对掘进速度或扭矩的预测值与实际值之间的偏差来估计刀具的磨损情况。

但是掘进参数分析法只能粗略估计刀具的磨损状态，而且在一些特殊情况时，掘进参数分析法不能有效地分析盾构刀具的具体磨损状态，当某一环预测值与实际值之间出现较大偏差时，还需要对该环的掘进数据进行具体分析，进一步寻找偏差过大的原因。

隐马尔科夫模型(Hidden Markov Model，HMM)最初作为语音识别领域中的关键技术，具有严谨的数据结构和可靠的计算性能。HMM模型已经引入状态监测和故障诊断领域中，发现HMM所需的训练样本容量较小，HMM的自学习与模式识别能力要优于神经网络，取得了很好的应用效果。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种盾构刀具磨损检测方法及系统。

根据本发明提供的盾构刀具磨损检测方法，包括如下步骤：

步骤S1：根据盾构刀具最初使用时的掘进参数数据建立掘进速度预测模型；

步骤S2：根据所述掘进速度预测模型生成多个观测序列；

步骤S3：根据多个所述观测序列训练生成多个HMM模型；