[发明专利]基于碴片形貌的盾构滚刀磨耗监测装置及方法

权利要求书

1.一种基于碴片形貌的盾构滚刀磨耗监测方法，应用于一种基于碴片形貌的盾构滚刀磨耗监测装置，包括：数据采集箱，所述数据采集箱设置在盾构机传送带的一侧；工控机，所述工控机设置在所述数据采集箱的一侧，所述工控机的第一端与所述数据采集箱的第一端电连接，所述工控的第二端与电脑电连接；桁架，所述桁架的第一端架设在盾构机传送带上，所述桁架的第二端架设在地面上；照明装置，所述照明装置设置有两个，两个所述照明装置对称设置在所述桁架的两端上，两个所述照明装置均与所述桁架可拆卸连接；摄像机，所述摄像机设置在所述桁架的顶端，所述摄像机与所述桁架可拆卸连接，所述摄像机与所述数据采集箱的第二端电连接；红外测温仪，所述红外测温仪设置在所述桁架的顶端，所述红外测温仪与所述桁架可拆卸连接，所述红外测温仪与所述数据采集箱的第三端电连接，其特征在于，包括：

步骤1，获取电脑中已知的盾构工程案例并构建数据库；

步骤2，采用GRNN神经网络分析数据库中的滚刀结构参数、工程地质参数、盾构掘进参数、碴片形貌参数和温度参数与滚刀磨损量的映射关系，得到映射关系分析结果；

步骤3，基于数据库、GRNN神经网络和映射关系分析结果构建滚刀磨耗预测系统并设定滚刀磨损量报警阈值；

步骤4，采集当前盾构机施工前的滚刀结构参数和工程地质参数并输入滚刀磨耗预测系统；

步骤5，实时采集当前盾构机施工时的盾构掘进参数、碴片形貌参数和温度参数并输入滚刀磨耗预测系统中；

步骤6，滚刀磨耗预测系统根据输入的滚刀结构参数、工程地质参数、盾构掘进参数、碴片形貌参数和温度参数进行滚刀磨损量预测并将预测的滚刀磨损量与设定的滚刀磨损量报警阈值进行比较；

步骤7，当预测的滚刀磨损量超出滚刀磨损量报警阈值时，滚刀磨耗预测系统发出警报，盾构机停止运行，更换滚刀，测量已磨损滚刀的磨损量并输入滚刀磨耗预测系统；

步骤8，根据已磨损滚刀的磨损量和预测的滚刀磨损量采用粒子群优化算法对GRNN神经网络进行自适应优化；

步骤9，换刀完成后重新启动盾构机，跳转到步骤4继续执行，直到整个盾构工程工作完成，结束监测；

步骤10，当预测的滚刀磨损量未超出滚刀磨损量报警阈值时，跳转到步骤5继续执行，直到整个盾构工程工作完成，结束监测。

2.根据权利要求1所述的基于碴片形貌的盾构滚刀磨耗监测方法，其特征在于，所述步骤1具体包括：

盾构工程案例包括多条换刀记录，换刀记录包括滚刀结构参数、工程地质参数、盾构掘进参数、碴片形貌参数、温度参数和滚刀磨损量，其中，滚刀结构参数包括刀刃结构参数、滚刀半径、刀间距和载荷重量，工程地质参数包括岩石力学参数、岩石材料参数、岩石的节理和断层参数和岩性参数，盾构掘进参数包括盾构机的贯入度、盾构机刀盘转速、盾构机推力、盾构机工作转矩、盾构机土仓压力和盾构机推进速度，碴片形貌参数包括碴片粒径分布指标、碴片长短轴比值指标和碴片纹理指标，温度参数包括碴片温度。

3.根据权利要求2所述的基于碴片形貌的盾构滚刀磨耗监测方法，其特征在于，所述步骤2具体包括：

将盾构机的贯入度、推进速度、刀盘转速、盾构机推力、盾构机工作转矩、盾构机土仓压力和滚刀半径作为GRNN神经网络的输入层的7个神经元，将刀具磨损量作为输出层的神经元，构成GRNN神经网络；

将数据库中的数据分为100组，采用随机抽样的方法在100组数据内选取10组数据作为测试集，剩余的90组数据作为训练集；

将训练集随机分为9个单元，每个单元包括10组数据，采用交叉验证法从9个单元中随机选取8个单元作为训练集输入样本，剩余1个单元作为训练集输出样本，并将训练集输入样本数据归一化到[-1,1]之间，在(0,1]内以步长0.01验证搜索，寻找使得预测值与样本值的均方误差最小的光滑因子σ，并记录当前光滑因子对应的最佳输入样本与最佳输出样本；

将测试集数据归一化，将获取的光滑因子σ、最佳输入样本和最佳输出样本作为输入变量，构建4层GRNN神经网络，输出层输出刀具磨损量。