一种盾构机刀具状态分析与诊断方法与流程

1.本发明涉及大型机电液设备盾构机刀具状态检测技术领域，更具体的说是涉及一种盾构机刀具状态分析与诊断方法。


背景技术：

2.对于盾构机来说，刀具是其工作最重要的部件之一，更是盾构机推进的重要工具。当刀具出现模损及状态时，盾构机需要停机换刀，会造成巨大的经济损失甚至是安全问题，刀具崩坏甚至会损毁刀筒甚至是盾构机刀盘造成不可弥补的损失。且刀具磨损检测信号为非线性信号，非线性状态信号往往是非高斯、非平稳、强耦合的复杂信号，这就导致状态特征难以准确提取和识别，尤其是在强干扰及多工况情况下，问题尤为突出。在盾构机上，刀具置于泥浆内，工作环境恶劣，对检测系统可靠性要求极高。刀具状态诊断的准确性很大程度上依赖于目标系统状态特征提取的有效性、完备性和准确性。同时，在数据量巨大且复杂的情况下，对状态识别网络的稳定性、训练速度和精度等方面也提出了更高的要求。
3.目前，盾构机刀具状态主要集中于刀具磨损，刀齿崩坏，刀具螺栓崩坏等问题。针对此类问题，国内外研究学者们运用了以下方法：国内外的盾构行业者在刀具磨损检测方面的研究从来没有间断，盾构刀具磨损检测按照检测方式分为电气检测、液压检测、气体检测3种，按照检测特点分为极限式和连续式2种。极限式检测即刀具磨损到某一定值时，产生一个报警信号，目前电气检测、液压检测、气体检测3种方式均可作为极限式检测刀。连续式检测目前只有电气检测的方式可作为连续式检测刀。以上几种磨损检测技术无法兼顾多点检测和准确可靠性两方面。
4.因此，如何对数据进行预处理及深度挖掘，完整准确地提取状态特征，抑制随机干扰和工况变化的影响；如何建立更优的网络模型以提高状态诊断的准确性，是本领域亟需解决的难点问题。


技术实现要素：

5.有鉴于此，本发明提供了一种盾构机刀具状态分析与诊断方法，能够抑制随机干扰和工况变化的影响，提高状态诊断的准确性。
6.为了实现上述目的，本发明采用如下技术方案：
7.一种盾构机刀具状态分析与诊断方法，，包括以下步骤：
8.获取盾构机刀具的振动数据、转速数据和温度数据；
9.通过经验模态分解算法对所述振动数据进行信号分解，得到多个第一分解信号；
10.对所述第一分解信号进行希尔伯特变换，得到第一解析信号；
11.分别对所述第一解析信号、所述转速数据和所述温度数据进行独立成分分析，对应得到第一特征向量、第二特征向量和第三特征向量，构成待识别样本；
12.将所述待识别样本，输入至预先训练好的识别模型进行检测，得出刀具状态。
13.进一步的，所述获取盾构机刀具的转速数据包括：
14.在所述盾构机刀具边缘位置上设置磁铁；
15.通过霍尔传感器获取磁感应强度的周期性变化，得到脉冲信号周期；
16.将所述脉冲信号周期作为所述盾构机刀具的转动周期，得到转速数据。
17.进一步的，通过经验模态分解算法对所述振动数据进行信号分解，步骤包括：
18.提取出所述振动数据中的极大值点和极小值点；
19.对所述极小值点进行插值，形成下包络；对所述极大值点进行插值，形成上包络；
20.计算所述上包络和所述下包络的均值，得到具有单调性的最高频imf分量作为第一分解信号。
21.进一步的，将所述第一特征向量、第二特征向量和第三特征向量，输入至预先训练好的识别模型进行检测，得出刀具状态，步骤包括：
22.所述识别模型为最近邻分类器；
23.根据刀具在不同状态下的振动数据、转速数据和温度数据，得到标准状态样本；
24.将标准状态样本中的独立分量作为基函数，
25.将待识别样本中独立分量的系数作为该识别样本的特征向量；
26.根据所述基函数和所述识别样本的特征向量，计算所述标准状态样本和所述待识别样本的余弦距离；
27.将所述余弦距离作为两个样本相似度之间的度量，通过所述最近邻分类器进行状态识别。
28.进一步的，还包括采用adcs-elm算法训练自适应诊断模型，并通过所述自适应诊断模型对所述识别模型进行更新。
29.进一步的，所述训练自适应诊断模型，步骤包括：
30.随机获取n组状态识别结果，作为第一代鸟窝；
31.通过式(1)更新缩放步长：
[0032][0033]
其中，a
t 1
为第t 1次的缩放步长，t为当前迭代次数，t为总的迭代次数，x
best
为当前最优解；
[0034]
根据更新后的搜索幅度通过式(2)产生新解，作为第二代鸟窝：
[0035]
a＝a0(x
t-x
best
)
ꢀꢀꢀ
(2)
[0036]
其中，常数a0取值0.01，a为更新后的缩放步长；
[0037]
比较所述第一代鸟窝和所述第二代鸟窝，保留更优结果；
[0038]
更新迭代次数，直到迭代结束并输出最优鸟窝位。
[0039]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种盾构机刀具状态分析与诊断方法，依据刀具的振动数据，基于经验模态分解与希尔伯特变换的数据预处理对噪声较大的振动数据进行降噪，之后利用独立向量分析方法分析预处理过后的振动数据与压力数据及温度数据进行特征提取获得相应的特征向量，后基于adcs-elm布谷鸟学习算法-极限学习机的状态诊断模式识别方法，进行状态识别与诊断模式识别，目的在于能自适应的动态的搜索步长，对状态信号有很好的函数极值寻优效果，可以更快的收敛或接
近最优值。
附图说明
[0040]
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，还可以根据提供的附图获得其他的附图。
[0041]
图1附图为本发明提供一种盾构机刀具状态分析与诊断方法示意图；
[0042]
图2附图为本发明中通过经验模态分解算法进行信号分解示意图。
具体实施方式
[0043]
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做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。
[0044]
如图1，本发明实施例公开了一种盾构机刀具状态分析与诊断方法，包括以下步骤：
[0045]
s1：获取盾构机刀具的振动数据、转速数据和温度数据；
[0046]
在所述盾构机刀具边缘位置上设置磁铁；通过霍尔传感器获取磁感应强度的周期性变化，得到脉冲信号周期将所述脉冲信号周期作为所述盾构机刀具的转动周期，得到振动数据。
[0047]
在刀具边缘上端安置一小型磁铁，当磁铁随着刀具转动时，会使霍尔传感器附近的磁感应强度周期性变化，设置磁感应强度最小值为brp，磁感应强度最大值为bnp，则可以由3144霍尔传感器工作原理得到脉冲信号，脉冲信号的周期就是刀具转动的周期，由此测得刀具的转速数据。
[0048]
本发明测量三个数据，转速数据，温度数据，振动数据，其中一个振动传感器与一个温度传感器为一个模块测量，该测量模块可以形成c型垫块的样式安装在刀具轴承上。
[0049]
上述两个模块为一个刀具上的传感模块。根据不同的刀盘刀具分部情况，将情况相近的刀具分为一个区域，一般的刀盘可以分出8个到24个区域不等，因为区域内的刀具情况相近，所以只需有一个刀具安装传感模块。
[0050]
s2：通过经验模态分解算法对所述振动数据进行信号分解，得到多个第一分解信号；对第一分解信号进行希尔伯特变换，得到第一解析信号；
[0051]
针对盾构机刀具的振动数据利用经验模态方法emd对振动数据做降噪处理，流程如下：
[0052]
如图2，其中，原始信号为刀具振动信号；信号emd分解是先寻找振动信号的最大值点与最小值点，做相应的包络图，求取所获包络线的平均值，对于振动数据x(t)，进行如下步骤：
[0053]
找出x(t)所有极值点；
[0054]
用插值法对极小值点形成下包络emi(t)，对极大值点形成上包络ema(t)；
[0055]
得出均上包络ema(t)与下包络emi(t)的均值m(t)：
[0056][0057]
将m(t)作为emd分解的imf分量，对当前的m(t)进行条件判断：对最高频imf分量进行抽离细节得到待输出信号d(t)，对非最高频imf分量重新进行emd分解；
[0058]
d(t)＝x(t)-m(t)；
[0059]
当待输出信号d(t)单调时，输出信号进行希尔伯特变换；当待输出信号d(t)不单调时，将d(t)作为原始信号重新进行emd分解。
[0060]
hilbert变换其本质为一个90
°
的相移器，对上述进行分解的信号进行希尔伯特变换。
[0061]
假设，现有信号即经过emd分解后的单调的m(t)的hilbert变换为h[m(t)]；
[0062][0063]
其中，h[m(t)]表示为对m(t)进行的希尔伯特变换，该变换相当于m(t)与的卷积结果；m(τ)表示在极小时间内τ内的m(t)的值；
[0064]
根据傅里叶变换可以求得：
[0065][0066]
希尔伯特变换的意义就是将原始信号的s(t)的正频谱反转90度，负频谱正转90度，零频谱置为零。该步骤的目的在于分析非平稳的信号，且该方法具有很高的信噪比。经验模态方法具有多尺度行，结合自适应滤波的适用性强，实现简单等特点可以实现自适应信号处理。该方法具有很好的信噪比，在盾构机刀具所处的复杂环境下，采集振动数据噪音过大，利用该方法能很好的处理信号，能够更优的采集振动数据。为之后做数据处理打好良好的基础。
[0067]
s3：分别对所述第一解析信号、所述转速数据和所述温度数据进行独立成分分析，对应得到第一特征向量、第二特征向量和第三特征向量，构成待识别样本；
[0068]
待识别样本s(t)：s(t)＝[s1(t),s2(t),s3(t)]
[0069]
其中，s1(t)、s2(t)和s3(t)分别表示第一特征向量、第二特征向量和第三特征向量；
[0070]
设随机向量x为观测信号向量；ica的目的是寻求一个线性变换矩阵w也就是分离矩阵，通过w可以由观测信号恢复源信号，假设存在矩阵a为3
×
3维混合矩阵使x＝as(t)。
[0071]
w＝a-1
[0072]
求取观测信号x的联合概率密度p(x)：
[0073][0074]
其中，ps(w
x
)表示分离矩阵w所对应的观测信号向量x中，所有横向量的列向量概率分布联合密度，ps(w
it
x)表示中单个横向量中列向量的概率分布密度。
[0075]
这一步是将模型中的联合分布拆解为边界分布的乘积进而得出每个信号源都是独立的假设，然后接下来要确定每一个独立信号源的密度函数p(s)。
[0076]
假定原始信号矩阵s的累积分布函数符合sigmoid函数
[0077][0078]
求导可得s的概率分布函数p(s)：
[0079][0080]
接下来根据观测信号矩阵x的概率分布函数函数求得w的似然函数得：
[0081][0082]
将s的概率分布函数p(s)代入w的似然函数中可得w的最优解为：
[0083][0084]
其中，α是学习速率，n＝3，这一步能得出随机梯度上升的学习规则；基于该方法下，可以把每个训练样本当作一个随机序列来访问，实现收敛过程的加速。
[0085]
s4：将所述待识别样本，输入至预先训练好的识别模型进行检测，得出刀具状态；
[0086]
步骤包括：所述识别模型为最近邻分类器；
[0087]
将标准状态样本得到的独立分量作为基函数，
[0088]
将待识别样本表示为这些独立分量的形式，并将各独立分量的系数作为该待识别样本的特征向量；
[0089]
计算所述标准状态样本和所述待识别样本的余弦距离；
[0090]
将所述余弦距离作为两个样本相似度之间的度量，通过所述最近邻分类器进行状态识别。
[0091]
在另一实施例中，还包括
[0092]
s5：采用adcs-elm算法训练自适应诊断模型，并通过所述自适应诊断模型对所述识别模型进行更新。以盾构机的特征向量为对象，基于adcs-elm布谷鸟学习算法-极限学习机的状态诊断模式识别方法，该方法从提高极限学习机网络稳定性、训练精度的角度出发，研究智能优化改进策略，建立鲁棒性更强、训练精度更高的adcs-elm网络。
[0093]
在本实施例中，所述训练自适应诊断模型，步骤包括：
[0094]
s51：获取盾构机刀具的温度数据和转速数据；对所述温度数据和所述转速数据进行独立成分分析，分别提取得到第二特征向量和第三特征向量；
[0095]
s52：由所述第一特征向量、所述第二特征向量和所述第三特征向量构成向量组，并根据所述向量组随机产生n组解作为第一代鸟窝；
[0096]
s53：通过式(1)获取最新的缩放步长，并将更新的缩放步长代入式(2)产生新解，作为第二代鸟窝；
[0097][0098]at 1
＝a0(x
t 1-x
best
)
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0099]
其中，t为当前迭代次数，t为总的迭代次数；a
t
为第t次的缩放步长；a
t 1
为第t 1次的缩放步长，及更新的缩放步长；x
t
为第一代鸟窝中的解；x
t 1
为第二代鸟窝中的新解；x
best
为当前最优解，式(2)中常数a0取值0.01，x
best
为当前最优解。
[0100]
s54：比较所述第一代鸟窝和所述第二代鸟窝，保留更优结果；
[0101]
从[0,1]中均匀分布中抽取随机数ε并对比预设的被发现概率pa，若ε＞pa，则通过下式产生新解，即抛弃被发现的鸟窝；否则，不产生新解，转至下一步；
[0102][0103]
式中，h(
·
)为heaviside函数，与为两个随机选择的不同解。
[0104]
s55：更新迭代次数，重复s53和s54直到迭代结束并输出最优鸟窝位。
[0105]
本发明依据刀具的振动数据，基于经验模态分解与希尔伯特变换的数据预处理对噪声较大的振动数据进行降噪，之后利用独立向量分析方法分析预处理过后的振动数据与压力数据及温度数据进行特征提取获得相应的特征向量，后基于adcs-elm布谷鸟学习算法-极限学习机的状态诊断模式识别方法，进行状态识别与诊断模式识别，目的在于能自适应的动态的搜索步长，对状态信号有很好的函数极值寻优效果，可以更快的收敛或接近最优值。
[0106]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0107]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。