一种刀盘结泥饼检测方法与流程

1.本发明涉及盾构机刀盘检测的技术领域，尤其涉及一种刀盘结泥饼检测方法。


背景技术：

2.盾构施工过程中，盾构机在硬粘土、粉质粘土、泥岩等地层中掘进时，由于部分盾构司机理论和经验知识缺乏，可能导致掘进参数调节不及时，致使地层中粘性颗粒附着在刀盘表面，在盾构机推力作用下被压缩、固结，在刀具上形成坚硬的泥饼。刀盘一旦出现结泥饼，降低盾构机掘进效率的同时，还会导致滚刀出现卡转、偏磨等异常，严重损坏刀具、降低刀盘使用寿命。
3.在盾构施工过程中，温度作为盾构机刀具和刀盘状态的一个重要参数，盾构司机可以根据温度的异常升高判断出刀具可能处于非正常状态，现阶段盾构司机仅能从刀具列表中对刀具温度进行逐一观察，无法形成对刀盘和刀具的整体判断。
4.公开号为cn112031798a的一种刀盘结泥饼预警系统及方法，仅通过神经网络对盾构机关键参数数据进行判断，在数据量较少时无法取得较好的效果。公开号为cn108548604a的一种基于红外热成像的盾构刀盘结泥饼实时监测方法，在盾构机内部安装红外热成像装置，仅能判断刀盘发生结泥饼的部位，无法精准判断具体发生结泥饼的刀具。
5.公开号为cn106885642a、cn107355227a的发明专利，通过预设刀盘最高温度阈值，仅通过设定固定的刀盘温度阈值，当刀盘温度超过此阈值时认为刀盘发生结泥饼，无法判断发生结泥饼的刀具的具体位置，此外，刀盘刀具温度与掘进速度，刀盘推力、扭矩、地层等有较大的关系，不能仅从刀盘温度超过某个阈值判断刀盘发生结泥饼，方法判断的准确率较低。


技术实现要素：

6.针对现有判断刀盘结泥饼的方法无法实现对刀具的精准定位，且计算复杂的技术问题，本发明提出一种刀盘结泥饼检测方法，通过图像识别和温度差值能够快速识别盾构机刀盘在掘进过程中是否发生结泥饼，并迅速确定发生结泥饼的刀具位置，避免刀具因结泥饼发生卡转、偏磨等导致刀盘刀具寿命降低，提高盾构机掘进效率，保障盾构机安全稳定运行。
7.为了达到上述目的，本发明的技术方案是这样实现的：一种刀盘结泥饼检测方法，其步骤如下：
8.步骤一：在刀具数据库里建立正常数据表和故障数据表，利用温度传感器采集刀盘上每把刀具的温度；
9.步骤二：根据步骤一测量的温度对刀盘上未安装温度传感器的各个点的温度进行预测，生成刀盘热力图；
10.步骤三：判断刀具数据库中正常数据表和故障数据表中的数据个数是否达到预设的满足卷积神经网络训练的数量，如果是则进入步骤a1，否则进入步骤s1；
11.步骤s1：根据测量的刀具温度计算刀具的温度差值，当温度差值超过预设阈值时，则该把刀具发生了结泥饼，并把刀具温度信息存储在故障数据表中；否则，将刀具的温度信息存储在正常数据表中，并调整预设阈值；
12.步骤a1：构建卷积神经网络，利用故障数据表和正常数据表中的数据训练卷积神经网络，得到卷积神经网络模型；
13.步骤a2：利用卷积神经网络模型对步骤二生成的刀盘热力图进行图像识别，判断整个刀盘是否发生结泥饼，如果刀盘未发生结泥饼，将刀盘刀具的温度信息存储在正常数据表中；否者，进入步骤s1；
14.步骤a3：当刀具数据库中故障数据表中新增数据大于等于上次模型训练所用的故障数据表中的数据时，利用故障数据表和正常数据表中的全部数据重新对卷积神经网络模型进行训练，得到新的卷积神经网络模型，返回步骤a2利用新的卷积神经网络模型对刀盘热力图进行图像识别。
15.进一步地，所述步骤二中生成刀盘热力图的方法为：将刀盘结构渲染图作为刀盘图片，根据温度传感器采集的刀具的温度信息更新刀盘图片中相应区域的温度；同时，将刀盘图片上2
×
2、3
×
3、4
×4…
的像素点区域作为一个整体，对像素点区域中某像素点的温度进行预测，以此像素点的温度大小填充此像素点区域的颜色，生成刀盘热力图；采用rgb颜色系统根据温度高低调节r、g、b的值。
16.进一步地，将刀盘图片上3
×
3的像素点区域作为一个整体，采用克里金插值，计算像素点区域的中心的像素点的温度填充像素点区域的颜色，生成刀盘热力图。
17.进一步地，所述步骤s1中计算刀具的温度差值的方法为：将刀盘上所有温度传感器采集的温度数据求平均值得到刀盘上所有刀具的平均温度t；计算刀盘上低于平均温度t的部分刀具的平均温度t0；计算刀盘上高于平均温度t的部分刀具中每把刀具的温度与平均温度t0的差值δ0、δ1、δ2…
；判断差值δ0、δ1、δ2…
与预设阈值δ的大小，当某把刀具的温度和平均温度t0的差值大于预设阈值δ时，判断此把刀具发生了结泥饼。
18.进一步地，所述预设阈值δ的初始值根据刀具的布置形式、工作环境或地层进行确定，或者预设阈值δ设置为10℃；所述预设阈值δ的调整方法为：若抽出刀具后，确认抽出刀具全部发生结泥饼，保持现有阈值不变；若抽出刀具有部分未发生结泥饼，设抽出后出现结泥饼的部分刀具的最低温度a2，抽出后正常的部分刀具的最高温度b2，调整预设阈值δ＝(a2 b2)/2-t0；若抽出刀具后，所有刀具均未发生结泥饼，适当提高预设阈值δ，预设阈值δ的调整可结合现场刀具工程师的经验而定；若无法判断预设阈值δ的调整幅度，将温度最高的刀具的温度与温度基准的差值作为预设阈值δ的值。
19.进一步地，所述卷积神经网络包含输入层、至少一个卷积层和池化层、全连接层和输出层，每个卷积层含有至少一个卷积核，卷积核大小为3
×
3或5
×
5的矩阵，卷积核对刀盘热力图进行特征提取后，得到多层特征矩阵；池化层对多层特征矩阵进行扫描，得到降维矩阵，将降维矩阵输入到全连接层。
20.进一步地，所述全连接层的训练过程包括前向传播和反向传播，前向传播将信号输入到卷积神经网络中得到输出结果，反向传播首先计算卷积神经网络输出与实际结果之间的误差，将得到的差值反向传播，得到各层的误差，利用梯度下降调整卷积神经网络的参数，直至卷积神经网络的准确率v满足设定的目标准确率p，即v≥p，得到卷积神经网络模
型；其中，目标准确率p≥90％。
21.进一步地，所述步骤a2中若卷积神经网络模型判断刀盘处于正常状态，判断此时刀盘的刀具未发生结泥饼，则将刀盘刀具的温度信息存储在正常数据表中，刀盘状态标记为正常；若卷积神经网络模型判断刀盘出现了结泥饼，则将刀盘刀具温度信息输入到步骤s1的温度差值法，判断发生结泥饼的刀具号，并更新刀盘数据库中的数据。
22.进一步地，所述步骤a2中利用步骤的温度差值法无法判断出现结泥饼的刀具号，则对温度最高的刀具进行停机更换，若该把刀具未出现结泥饼，则将刀盘刀具的温度信息存储在正常数据表中，刀盘状态标记为正常，重新对卷积神经网络模型进行训练；若该把刀具出现了结泥饼，则继续对除了该把刀之外的最高温度的刀具进行更换，若刀具仍然出现了结泥饼，继续重复更换刀具，直至抽出刀具没有出现结泥饼，此时降低预设阈值δ。
23.进一步地，所述调整预设阈值δ的方法为：设最后出现结泥饼的刀具的温度为a1，最后抽出未出现结泥饼刀具温度为b1，则并根据抽出刀具的情况更新数据库中的正常数据表和故障数据表；其中，t0为刀盘上低于平均温度t的部分刀具的平均温度。
24.进一步地，所述步骤a2中若步骤s1的温度差值法判断一把或多把刀具出现了结泥饼，刀具抽出后，若抽出刀具均发生结泥饼，将刀盘温度信息存储在数据库中的故障数据表中，刀盘状态标记为结泥饼；若抽出刀具未出现结泥饼，则将刀盘刀具的温度信息存储在数据库的正常数据表中，刀盘状态标记为正常，重新对卷积神经网络模型进行训练；若存在部分刀具未出现结泥饼，提高预设阈值δ。
25.进一步地，所述提高预设阈值δ的方法为：设抽出后出现结泥饼的部分刀具的最低温度为a2，抽出后正常的部分刀具的最高温度为b2，则预设阈值其中，t0为刀盘上低于平均温度t的部分刀具的平均温度。
26.与现有技术相比，本发明的有益效果：
27.(1)本发明根据传感器检测的刀具温度生成刀盘整体热力图，使盾构司机能够直观的观察到盾构机的刀盘和刀具的温度分布及总体情况。
28.(2)本发明在生成刀盘整体热力图时，通过划分将刀盘图片上的像素点区域作为一个整体，进行温度预测时，仅对此区域中某点的温度进行预测，以此点的温度大小填充此区域颜色，生成热力图，可大大地提高热力图生成效率，降低热力图生成时间。
29.(3)本发明在刀具数据库中未满足预设的训练卷积神经网络的条件时，以低于所有刀具平均温度的部分刀具的平均温度为基准，计算高于所有刀具平均温度的每把刀具的温度和基准的差值，对刀具状态进行判断；当数据库数量满足预设的训练卷积神经网络条件时，将数据库中数据生成的刀盘热力图输入卷积神经网络，训练卷积神经网络模型，当系统中存在训练好的卷积神经网络模型时，首先使用图像识别的方法判断刀盘整体是否有结泥饼发生，若图像识别认为当前刀盘存在结泥饼，则继续用上述温度差值的判断方法定位发生结泥饼的刀具号，对结泥饼刀具进行精准定位，本发明克服了原有技术方案在数据量较少时无法训练神经网络模型，进而无法对刀盘刀具结泥饼进行有效检测的劣势，在数据量较少时仍能对刀盘刀具结泥饼进行有效判断。
30.(4)本发明在使用温度差值对发生结泥饼的刀具进行精准判断时，以低于所有刀
具平均温度的部分刀具的平均温度为基准，计算高于所有刀具平均温度的刀具的温度和基准的差值，对刀具状态进行判断，一旦发生误判，能够适应性调整预设阈值，克服了原技术方案采用单一固定阈值易导致的漏报与误报，提高了结泥饼识别的准确率。
附图说明
31.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
32.图1为本发明的流程示意图。
33.图2为本发明热力图像素点填充方法的示意图。
具体实施方式
34.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
35.如图1所示，一种刀盘结泥饼检测方法，步骤如下：
36.步骤一：在刀具数据库里建立正常数据表和故障数据表，利用温度传感器采集刀盘上每把刀具的温度信息。
37.温度传感器一般安装在刀具的刀筒中，一般情况下每个刀具的刀筒都安装有温度传感器，不需要新增温度传感器。
38.步骤二：根据步骤一测量的温度对刀盘上未安装温度传感器的各个点的温度进行预测，生成刀盘热力图。
39.为提高热力图生成效率，在不影响热力图视觉效果的情况下，根据盾构机图纸做的刀盘结构渲染图作为刀盘图片，刀盘图片上2
×
2、3
×
3、4
×4…
等的像素点区域作为一个整体，仅对此像素点区域中某点的温度进行预测，以此点的温度大小填充此像素点区域的颜色，生成热力图，可大大的提高热力图生成效率，降低热力图生成时间。采用rgb颜色系统，根据温度高低调节r、g、b的值，如采用rg调色方案，温度越高的部分越红，越低的部分越绿，温度从高到低从红到黄再到绿进行渐变。
40.如图2所示，将刀盘图片上3
×
3的像素点区域作为一个整体，如方框内的区域1、2为划分好的区域，再对区域1、2颜色进行填充时，采用克里金插值，仅计算区域1、2内中心框内的像素点的温度，以此点的温度大小，填充此区域1、2颜色，生成热力图，提高热力图生成效率，降低热力图生成时间。
41.步骤三：判断刀具数据库中故障数据表中的数据个数是否小于300组或者正常数据表中数据个数小于700组，则进入步骤s1，否则进入步骤a1。
42.判断刀具数据库中故障数据表和正常数据表中的数据是否达到预设的满足卷积神经网络训练的数量，预设数量根据现场情况而定。在具体实施中，选择300组故障数据和700组正常数据表。
43.步骤s1：根据测量的刀具温度计算刀具的温度差值，当温度差值超过预设阈值时，则该把刀具发生了结泥饼，并把刀具温度信息存储在故障数据表中；否则，将刀具的温度信息存储在正常数据表中，并适当调整预设阈值。
44.计算刀盘上所有刀具的平均温度t，即根据刀盘上所有温度传感器采集的温度数据求平均值得到。计算刀盘上低于平均温度t的部分刀具的平均温度t0，平均温度t0为所有低于平均温度t的刀具上的温度传感器测量的温度值的平均值；计算刀盘上高于平均温度t的部分刀具中每把刀具的温度与平均温度t0的差值δ0、δ1、δ2…
；判断差值δ0、δ1、δ2…
与预设阈值δ的大小，当某把刀具的温度和平均温度t0的差值大于预设阈值δ时，判断此把刀具发生了结泥饼。
45.预设刀盘最高温度阈值或刀具最高温度阈值的方法采用单一固定的温度标准，仅根据刀盘或刀具温度超过某个阈值就判断刀盘或刀具发生了结泥饼，但刀盘刀具的温度与掘进速度、刀盘推力、扭矩、地层等有较大的关系，当刀盘推力、扭矩等过大时，会导致刀盘或刀具温度上升，但此时刀具仍处于正常状态，所以不能仅从刀盘或刀具温度超过某个固定最高阈值判断刀盘或刀具发生结泥饼，这种方法判断的准确率较低。本发明所提出的温度差值法，认为一个刀盘上总有刀具没有发生结泥饼，所以没有发生结泥饼的刀具的温度一定低于所有刀具的平均温度，在实际应用中，某把刀可能因为刀具本身磨损或地层原因与掌子面(刀具和地层摩擦切割的平面)未接触，故可能出现温度过低的情况，为了排除这种可能性导致的故障误判，所以采用低于所有刀具平均温度的那部分刀具的平均温度作为温度基准，对高于所有刀具平均温度的那部分刀具进行判断，判断其是否发生结泥饼，提高了结泥饼识别的准确率。此外当由于施工地层等外部条件发生变化时，本发明的温度差值判断方法一旦发生漏盘和误判，可根据本发明的预设阈值调整方法适应性的调整温度预设阈值，进一步提高结泥饼识别的准确率。
46.预设阈值δ应根据刀具的布置形式、工作环境、地层等进行确定，若无法确定当前状态下的预设阈值δ的取值，可将预设阈值δ设置为10℃，10℃只作为一种初始参考，实际阈值由现场工况决定。
47.若通过步骤s1的温度差值法中差值δ0、δ1、δ2…
均小于预设阈值δ的大小，判断所有刀具均处于正常状态，则将刀盘刀具的温度信息存储在数据库正常数据表中，刀盘状态标记为正常。若判断刀盘上有一把或多把刀具出现了结泥饼即差值δ0、δ1、δ2…
中一个或多个超过预设阈值δ时，应立即停机检修，抽出刀具，确认此时刀具确实发生结泥饼之后，更换刀具，将刀盘温度信息存储在数据库的故障数据表中，刀盘状态标记为结泥饼。若停机检修后刀盘刀具未发生结泥饼，则将刀盘刀具的温度信息存储在数据库的正常数据表中，刀盘状态标记为正常，同时适当调整预设阈值δ，预设阈值δ的调整可结合现场刀具工程师的经验而定。若无法判断预设阈值δ的调整幅度，可将温度最高的刀具的温度与温度基准的差值作为预设阈值δ的值。若抽出刀具有部分未发生结泥饼，调整预设阈值δ，设抽出后出现结泥饼的此部分刀具的最低温度a2，抽出后正常的此部分刀具的最高温度b2，预设阈值δ＝(a2 b2)/2-t0，并根据抽出刀具情况更新数据库。
48.步骤a1：构建卷积神经网络，利用故障数据表和正常数据表中的数据训练卷积神经网络，得到卷积神经网络模型。
49.当数据库中故障数据表中数据大于等于300组且刀具正常数据表数据大于等于
700组，则提取故障数据表与正常数据表中数据，通过图像识别对利用步骤二所述方法生成的刀盘热力图判断刀盘是否发生结泥饼，本实施例中，刀盘结泥饼数据为300组，刀盘正常数据为700组。
50.通过神经网络模型对生成的热力图进行图像识别，神经网络模型采用卷积神经网络，卷积神经网络模型训练过程如下：
51.将刀盘刀具正常数据和结泥饼数据即故障数据表和正产数据表中的数据分别按一定比例划入到训练集、验证集和测试集，验证集不是必须存在的，可根据此比例设为训练集：验证集：测试集：验证集＝6：2：2。本实施例中，将刀盘结泥饼的300组数据中，随机选择180组作为训练集，60组作为验证集，60组作为测试集，刀盘正常数据的700组数据中，随机选择420组作为训练集，140组作为验证集，140组作为测试集，训练集、验证集和测试集中刀具正常和发生结泥饼分别用0和1表示。设定模型目标准确率p≥90％。
52.构建包含输入层、卷积层、池化层、全连接层和输出层的卷积神经网络。
53.由于步骤二生成的刀盘热力图为rgb图片，若采用rg、gb或rb调色方案，卷积神经网络的输入层通道数设为2，若采用rgb调色方案输入层通道数设为3。
54.所述卷积神经网络至少含有一个卷积层，每个卷积层含有至少一个卷积核，卷积核大小为3
×
3或5
×
5等的矩阵，由卷积核对刀盘热力图进行特征提取后，得到多层特征矩阵。池化层对多层特征矩阵进行扫描，池化层可以选择maxpooling、averagepooling等，大小可以设置为2
×
2、3
×
3等，得到降维矩阵，经至少一个卷积层和池化层处理后，将降维矩阵输入到全连接层。
55.全连接层训练过程包括前向传播和反向传播，前向传播是将信号输入到卷积神经网络模型中得到输出结果，反向传播过程首先计算网络输出与实际结果之间的误差，将得到的差值反向传播，得到各层的误差，利用梯度下降等算法调整网络的参数，直至卷积神经网络的准确率v满足设定的目标准确率，即v≥p，得到卷积神经网络模型。
56.步骤a2：利用训练好的卷积神经网络模型对步骤二生成的刀盘热力图进行图像识别，判断刀盘中的刀具是否发生结泥饼，如果刀具未发生结泥饼，将刀盘刀具的温度信息存储在正常数据表中；否者，进入步骤s1。
57.当系统中存在训练好的卷积神经网络模型后，利用温度传感器采集刀盘上每把刀具的温度采用步骤二的方法生成刀盘热力图，卷积神经网络池化层将模型输出分为刀盘发生结泥饼和刀盘未发生结泥饼两类，将刀盘热力图输入到训练好的卷积神经网络模型中，卷积神经网络模型能够对刀盘上是否有结泥饼发生进行判断。若卷积神经网络模型判断刀盘处于正常状态，则系统判断此时刀盘的刀具未发生结泥饼，则将刀盘刀具的温度信息存储在数据库的正常数据表中，刀盘状态标记为正常，若卷积神经网络模型判断刀盘出现了结泥饼，则将刀盘刀具温度信息输入到步骤s1的温度差值法，判断发生结泥饼的刀具号，并更新数据库数据。图像识别方法只能判断整个刀盘的情况，当图像识别判断刀盘有结泥饼发生时，触发温度差值判断是哪把刀具发生了结泥饼。
58.若经图像识别法判断刀盘出现了结泥饼，但步骤s1所述方法无法判断出现结泥饼的刀具号，则对温度最高的刀具进行停机更换，若该把刀具未出现结泥饼，则将刀盘刀具的温度信息存储在数据库正常数据表中，刀盘状态标记为正常，重新对卷积神经网络模型进行训练。判断温度最高的刀具没有结泥饼即所有的刀具均没有结泥饼，通过手动处理排除
刀盘刀具发生结泥饼的危险，并通过重新训练卷积神经网络模型，提高模型准确率。若该把刀具出现了结泥饼，则继续对除了该把刀之外的最高温度的刀具进行更换，若刀具仍然出现了结泥饼，继续重复该方法更换刀具，直至抽出刀具没有出现结泥饼，此时需适当降低步骤s1的温度差值法的预设阈值δ，调整预设阈值δ的方法为：设最后出现结泥饼的刀具的温度为a1，最后抽出未出现结泥饼刀具温度为b1。则预设阈值并根据抽出刀具情况更新数据库中的正常数据表和故障数据表。通过降低预设阈值可以进一步提高检测刀具结泥饼的精度。
59.若步骤s1所述温度差值法判断一把或多把刀具出现了结泥饼，刀具抽出后，若抽出刀具均发生结泥饼，将刀盘温度信息存储在数据库中故障数据表中，刀盘状态标记为结泥饼；若该把刀具未出现结泥饼，则将刀盘刀具的温度信息存储在数据库正常数据表中，刀盘状态标记为正常，重新对卷积神经网络模型进行训练。若抽出刀具存在部分刀具未出现结泥饼，则说明设置的预设阈值偏高，将未结泥饼的刀具判断为结泥饼，此时应提高预设阈值δ，设抽出后出现结泥饼的此部分刀具的最低温度a2，抽出后正常的此部分刀具的最高温度b2，则预设阈值
60.步骤a3：数据库的数据更新达到一定量后，重新对卷积神经网络模型进行训练，得到新的卷积神经网络模型，利用新的卷积神经网络模型对刀盘热力图进行图像识别。
61.数据库的数据更新达到一定量即当刀具数据库中故障数据表中新增数据大于上次模型训练所用的故障数据表中的数据时，利用故障数据表和正常数据表中的全部数据重新对卷积神经网络模型进行训练。
62.本发明在故障数据表和正常数据表中的数据数量未满足预设的满足卷积神经网络训练的数量时，用温度差值方法对刀具是否发生结泥饼进行判断；当数据数量满足预设的满足卷积神经网络训练的数量时，利用故障数据和正常数据生成的刀盘热力图训练卷积神经网络模型，当系统中存在训练好的卷积神经网络模型时，卷积神经网络模型首先根据热力图判断刀盘是否发生结泥饼，若卷积神经网络模型判断刀盘未发生结泥饼，则认为刀盘所有刀具未发生结泥饼，若卷积神经网络模型判断刀盘发生结泥饼，进一步使用温度差值的方法定位发生结泥饼的刀具。
63.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。