一种基于滚刀服役状态的TBM掘进参数与耐磨剂协同调控方法

摘要: 本发明涉及隧道掘进机智能控制,特别是涉及一种基于滚刀服役状态的tbm掘进参数与耐磨剂协同调控方法。背景技术:1、滚刀作为全断面硬岩隧道掘进机(tbm)的核心破岩...
一种基于滚刀服役状态的TBM掘进参数与耐磨剂协同调控方法

本发明涉及隧道掘进机智能控制,特别是涉及一种基于滚刀服役状态的tbm掘进参数与耐磨剂协同调控方法。

背景技术:

1、滚刀作为全断面硬岩隧道掘进机(tbm)的核心破岩工具,其服役状态直接影响tbm破岩效率、掘进稳定性及连续施工能力。在高强、高磨蚀的硬岩地层中,滚刀磨损速率快、失效模式复杂,频繁的非计划开仓换刀不仅施工成本激增,还可能诱发掌子面失稳、刀盘卡死等工程事故。因此,亟需发展一种高效的tbm滚刀磨损防控技术,以降低滚刀异常磨损、延长滚刀服役寿命。

2、现有防控措施主要包括掘进参数调控和材料防护两类技术路径。一方面,根据地层变化、刀盘振动异响或扭矩波动等信号,调整刀盘推力、转速与贯入度等参数,以降低滚刀磨损量;另一方面,通过向刀盘-掌子面界面注入耐磨剂,降低刀圈与岩屑间的摩擦系数以延长滚刀服役寿命。

3、然而,现有tbm滚刀磨损防控技术仍存在以下不足:

4、1)现有智能调控方法主要通过调整刀盘推力、转速与贯入度等参数降低滚刀负荷,而耐磨剂注入仍采用预设流量,机械降载与材料减磨相互独立,尚未实现掘进参数与耐磨剂注入参数的协同优化;

5、2)滚刀磨损加剧可能由参数失配、热积累或转动异常等因素引起。若采用单一降载或增加耐磨剂的方式,容易造成过度调参、耐磨剂无效消耗及掘进效率下降,现有方法缺乏对滚刀服役状态判别与参数差异化调控;

6、3)现有方法对调控后的滚刀状态和耐磨剂作用效果缺乏持续评价,难以动态修正后续掘进参数与耐磨剂投放策略,尚未形成闭环控制体系。

技术实现思路

1、为解决现有技术存在的问题,本发明提供一种基于滚刀服役状态的tbm掘进参数与耐磨剂协同调控方法,能够根据滚刀服役状态对tbm掘进参数和耐磨剂注入参数进行协同调控,降低滚刀磨损,提高tbm掘进效率和连续掘进能力。

2、为实现上述目的,本发明提供了如下方案:

3、一种基于滚刀服役状态的tbm掘进参数与耐磨剂协同调控方法,包括:

4、获取tbm掘进参数、滚刀温度与振动信息及耐磨剂注入参数;

5、基于所述滚刀温度与振动信息,提取滚刀温度特征和振动特征,通过预设的对应判别阈值进行比较,确定滚刀服役状态;

6、结合所述tbm掘进参数和耐磨剂注入参数,分别构建滚刀磨损预测模型和掘进速率预测模型,用于预测滚刀磨损量和不同掘进参数组合下的掘进速率;

7、以掘进速率最大、滚刀磨损量最小及耐磨剂用量最小为优化目标,构建协同优化模型,获取帕累托最优方案集;

8、基于所述帕累托最优方案集,根据滚刀服役状态,确定最优执行方案,采用相应控制系统执行调控;

9、获取调控后的滚刀状态信息,修正下一控制周期的调控方案。

10、可选地,所述tbm掘进参数包括:总推力、刀盘转速、刀盘扭矩、掘进速率和贯入度;

11、所述振动信息包括:振动加速度信号;

12、所述耐磨剂注入参数包括:耐磨剂注入流量。

13、可选地,获取tbm掘进参数、滚刀温度与振动信息及耐磨剂注入参数包括:

14、对获取的tbm掘进参数、滚刀温度与振动信息及耐磨剂注入参数进行时间同步、异常值剔除、滤波和归一化处理,并按照设定时间窗口进行数据划分,使同一时间窗口内的tbm掘进参数、滚刀状态信息和耐磨剂注入参数相互对应,形成训练数据集。

15、可选地,确定所述滚刀服役状态包括:

16、对实时监测的所述滚刀温度与振动信息提取滚刀温度特征和振动特征;其中,所述滚刀温度特征包括:滚刀温度及温升速率,所述振动特征包括:振动均方根值、峰值及周期性特征;

17、通过将所述滚刀温度特征和振动特征与预设的对应判别阈值进行比较,确定滚刀服役状态;所述滚刀服役状态是指滚刀在掘进过程中的运行状态,包括正常滚动状态、温升异常状态、异常滚动状态及偏磨状态。

18、可选地,构建所述滚刀磨损预测模型包括:

19、以tbm掘进参数和耐磨剂注入参数作为输入特征,以开仓检查获得的滚刀实际磨损量作为训练标签,并引入滚刀磨损演化规律作为物理约束,训练物理信息神经网络,构建滚刀磨损预测模型,输出滚刀预测磨损量;滚刀磨损演化规律包括:基于archard磨损定律约束、磨损单调性约束以及物理边界约束;其中,所述tbm掘进参数包括总推力、刀盘转速、刀盘扭矩、掘进速率和贯入度。

20、可选地,构建所述掘进速率预测模型包括:

21、将所述总推力、刀盘转速、刀盘扭矩和贯入度作为模型输入,以对应工况下的实际掘进速率作为训练标签,训练bp神经网络,构建掘进速率预测模型,用于输出不同掘进参数组合下的预测掘进速率。

22、可选地,获取所述帕累托最优方案集包括:

23、以所述tbm掘进参数和耐磨剂注入参数作为决策变量,将所述滚刀磨损预测模型和掘进速率预测模型作为评价模型,计算不同参数组合对应的滚刀磨损量和掘进速率;

24、以掘进速率最大、滚刀磨损量最小及耐磨剂用量最小为优化目标,采用nsga-ii多目标优化算法进行求解,获得由不同总推力、刀盘转速和耐磨剂注入流量组成的所述帕累托最优方案集。

25、可选地,基于所述帕累托最优方案集,根据滚刀服役状态,确定最优执行方案包括:

26、根据当前所述滚刀服役状态,从所述帕累托最优方案集中筛选对应的执行方案;

27、当滚刀处于正常滚动状态时,选择预测掘进速率高于预设速率阈值且滚刀预测磨损量满足约束条件的方案;当滚刀出现温升异常时,选择滚刀预测磨损量低于预设磨损量阈值且耐磨剂注入流量高于正常工况设定值的方案;当滚刀出现异常滚动或偏磨状态时,选择总推力和刀盘转速低于当前工况设定值且耐磨剂注入流量高于正常工况设定值的方案;

28、确定执行方案后,按照执行方案对tbm总推力、刀盘转速和耐磨剂注入流量进行调节。

29、可选地,获取调控后的滚刀状态信息,修正下一控制周期的调控方案包括:

30、获取调控后的滚刀状态信息;将调控前后的服役状态进行对比,当滚刀状态改善时,保持当前调控参数或进入下一控制周期;当滚刀状态未改善或进一步恶化时,以更新后的滚刀状态重新进行滚刀磨损预测、掘进速率预测及多目标优化,获得下一控制周期的总推力、刀盘转速和耐磨剂注入流量。

31、一种基于滚刀服役状态的tbm掘进参数与耐磨剂协同调控装置,包括:

32、数据获取模块,用于获取tbm掘进参数、滚刀温度与振动信息及耐磨剂注入参数,并进行数据预处理,形成训练数据集;其中,所述tbm掘进参数包括总推力、刀盘转速、刀盘扭矩、掘进速率和贯入度,所述耐磨剂注入参数包括耐磨剂注入流量;

33、滚刀状态判别模块,用于基于所述滚刀温度与振动信息,提取滚刀温度特征和振动特征,通过预设的对应判别阈值进行比较,确定滚刀服役状态;

34、参数预测模块,用于结合所述tbm掘进参数和耐磨剂注入参数,分别采用物理信息神经网络和bp神经网络构建滚刀磨损预测模型和掘进速率预测模型,用于预测滚刀磨损量和不同掘进参数组合下的掘进速率;

35、协同优化模块,用于以总推力、刀盘转速和耐磨剂注入流量作为决策变量,以掘进速率最大、滚刀磨损量最小及耐磨剂用量最小为优化目标,采用nsga-ii多目标优化算法进行求解,获得由不同总推力、刀盘转速和耐磨剂注入流量组成的帕累托最优方案集;

36、调控决策模块,用于基于所述帕累托最优方案集,根据滚刀服役状态,确定最优执行方案,即确定总推力、刀盘转速和耐磨剂注入流量,并采用相应控制系统执行调控;

37、反馈修正模块,用于获取调控后的滚刀状态信息,修正下一控制周期的调控方案。

38、本发明的有益效果为:

39、1)本发明利用滚刀温度和振动信息确定滚刀服役状态,可识别滚刀正常滚动、异常滚动及偏磨等状态,并将滚刀状态作为后续参数调控的依据,使tbm调控过程能够考虑滚刀实际工作状态;

40、2)本发明分别建立滚刀磨损预测模型和掘进速率预测模型,对不同掘进参数及耐磨剂注入参数组合下的滚刀磨损量和掘进速率进行预测,为后续参数优化提供评价依据;

41、3)本发明将tbm总推力、刀盘转速和耐磨剂注入流量纳入同一优化过程,以掘进速率最大、滚刀磨损量最小及耐磨剂用量最小为目标获得pareto最优方案,并依据滚刀服役状态确定执行方案,实现tbm掘进参数与耐磨剂注入参数的协同调控。