基于机器学习的常压刀盘盾构滚刀故障诊断方法研究

(整期优先)网络出版时间:2023-03-20
/ 2

基于机器学习的常压刀盘盾构滚刀故障诊断方法研究

谭旭

中铁隧道股份有限公司  浙江省杭州市  310024

摘要:盾构是轨道交通施工的主要机械设备,其工作性能质量对地铁隧道施工效率有重要影响。土层是地铁开挖施工中经常遇到的复杂土层,其中盾构刀盘强度复杂多变,容易导致盾构刀盘磨损和变形,甚至导致刀盘死亡,这本文分析了盾构配置机刀板在土层施工中的缺陷及可能原因,具体提出了刀板结构优化,为提高盾构结构施工效率提供信息

关键词:常压刀盘盾构滚刀故障诊断

引言

随着经济水平的不断提高,我国城镇化不断推进,城市人口急剧增多,为解决城市发展带来的交通压力剧增、环境污染等问题,地下空间开发和利用就显得十分重要,盾构机因其安全、快速、经济、优质等优点被广泛应用于地下空间开发中,盾构机施工过程中会遇到各种不同的地质条件,如地层、复合地层等,坚硬的地层会导致盾构机刀具磨损加快,甚至可能导致盾构机刀具损坏,一旦刀盘上某把刀出现故障,会迅速影响相邻刀具,致使相邻刀具的使用寿命降低,进一步影响整个刀盘及盾构机掘进效率,这就需要当盾构机刀盘上某把刀磨损较大或出现故障时,能够及时得到更换。

1刀具磨损故障诊断技术研究

刀具是标志启动时切削工作面的重要工具。磨损程度是评价招牌操作高性能的重要指标。当盾牌机构工作时,如果能及时检测到刀具磨损程度,则防止刀具过早更换,减少因过载而加剧刀具磨损的连锁反应;另一方面,可以加快换刀速度,提高开挖效率。因此,研究磨损量是确保盾构有效运行的重要任务之一。刀具磨损故障排除主要通过预测进行,其中基于数据源的预测方法主要分为分析模型、实验模型和基于机器学习的软测量模型。分析模型是根据理论假设(如力平衡和载荷分布理论)为每个参与变量创建刀具密封和数学方程的方法。该试验模型需要进行地质实验,以确定地质参数,并在参数和场数据汇总公式的框架内解决磨损检测问题。基于机器的软测量模型通过机器学习建立了刀具寿命及其影响因素之间的线性或非线性关系,从而能够预测刀具磨损。

2滚刀常见故障及其特征

盾构机在掘进过程中,液压马达驱动刀盘旋转,推进油缸将盾构机向前推进,盾构机受到推进油缸顶推力,刀盘将压力作用于隧道掌子面上,随着刀盘的旋转,盾构机刀盘刀具不断对隧道掌子面土层、岩石等进行切削,由螺旋输送机将掉落的渣土、石块等输送到皮带输送机上而后运送到地面。在盾构机掘进过程中,滚刀与隧道掌子面直接接触对掌子面进行切削,因此滚刀极易发生故障,滚刀一旦发生故障,将会导致周围刀具寿命降低,进而影响盾构机施工效率,常见的滚刀故障有磨损超限、卡转和偏磨。滚刀磨损超限为刀具在正常工作状态下,由于对掌子面的不断切削,导致的刀具正常磨损超过允许的最大限度。当刀具磨损达到一定值时,刀具破岩能力下降,若不及时更换刀具将会影响盾构机破岩能力和掘进效率,甚至有可能损坏刀毂。两把滚刀在正常磨损状态下磨损超限,磨损值分别为27mm和28mm,当滚刀正常磨损状态下磨损超限,在刀盘转速不变的情况下,由于刀具磨损,刀具周长变小,滚刀实时转速和平均转速会相应提高,刀具转速的提高,会导致刀具温度提高。分滚刀卡转是由于盾构机在掘进过程中,由于对掌子面的不断切削,土体、岩石等掉落进入刀筒中,导致滚刀旋转异常甚至卡死。滚刀卡转将会导致刀具迅速损坏,降低刀具使用寿命。当滚刀出现卡转时,刀具实时转速和平均转速会迅速降低甚至为零,刀具温度升高。滚刀偏磨是由于盾构机掘进过程中,由于卡转等原因,导致的刀具磨损不均。滚刀偏磨将会导致刀具寿命降低,偏磨严重时甚至有可能损坏刀毂和刀圈。两把滚刀偏磨分别为55mm、52mm。当滚刀出现偏磨时滚刀温度将会升高,滚刀实时速度波动较大,平均转速减小;当偏磨较为严重时刀具实时转速和平均可能为0,当滚刀发生偏磨且刀具实时转速为0时,刀具平均转速几乎为0;当滚刀发生偏磨但刀具速度不为0时,此时刀具瞬时转速波动较大,平均转速明显减小。

3基于机器学习的常压刀盘盾构滚刀故障诊断方法

3.1工况识别降低虚警率

在滚齿机床加工过程中,由于工艺需求或临时停机等情况,机床的工况会发生变化,随之发生滚刀转速变化、进给量变化等。这将直接引起编码器速度、加速度及电流的幅值变化,尤其是工况变化瞬间,瞬时波动尤为明显,引起刀具状态的误判,造成虚警。因此,首先需要对滚齿机床的加工状态进行判别,消除由于工况变化导致的异常情况的影响。实际加工时,滚刀轴转速通常在一定范围内进行调节,通过设定滚刀转速最低阈值,可以对机床是否处于加工状态进行初步判定,当滚刀处于加速或减速过程中时,电流、转速数据将发生突变。为了消除这种情况的干扰,利用样本极值与均值偏差进行判断,当偏差大于阈值时,则视为样本数据处于转速变化阶段。

3.2基于机器学习的滚刀故障诊断模型

如图1所示为基于机器学习的滚刀故障诊断模型,首先将特征数据送入训练好的机器学习模型1,用以判断滚刀是否发生故障,若机器学习模型1判断滚刀处于正常状态,则盾构机继续运行;若机器学习模型1判断某把滚刀处于故障状态,则将特征数据送入训练好的机器学习模型2,用以判断滚刀发生故障类型,若机器学习模型2判断滚刀发生卡转,则停机进行故障排除;若机器学习模型2判断滚刀磨损超限,则现场工作人员准备新的刀具,进行停机更换;若机器学习模型判断滚刀发生偏磨,则需根据现场拆刀情况,对刀具进行维修或更换刀具。

图1样本峭度指标

3.3刀盘结构优化

为了提高直升机的使用效率,降低故障率,对机箱进行了以下改进:车轮磨损率、车轮重心位移和透射比设计变量、使用遗留算法求解的目标优化功能,最初为100个单位,迭代= 100,算法设置为圆形行业,概率为0.6或0.6。0.1表示偏差和偏差概率。为了清楚了解前端和后端刀片的工作状态,同时准确评估刀片结构优化,请使用SolidWorks有限元分析软件创建圆盘的三维实体模型。为了减少有限元分析所需的时间,简化了有限元模型,而不影响分析结果。该过程与射出泡沫、磨损、滑块、刀把和刀具一样简单,不考虑对分析结果影响较小的结构,例如。b .工具开口、螺丝、磨损监测装置。施工现场分为四类:基于施工现场条件和遇到的不确定性的正常条件。刀把现在具有前阻力和公称扭矩。第二个是静止状态。在这种情况下,必须将刀具作为大扭矩使用。三是洞穴壁画。回圈刀把不再旋转,只会透过提刀至系统以完成开口的推力来衍生剩馀的开口。四是封锁。此时直升机的切削力矩不足,难以克服摩擦损失,使刀具停止响应。通常需要相应地向后拉防护板,减少刀具执行量,然后开始盾构施工。正常运行、阻塞压力和休眠状态下的最大应力和总变形比优化前要小,表明优化前的最大总变形比优化前要小得多,表明优化后的滑板结构更适合在砂岩层面上应用。

结束语

基于机器学习的常压刀盘盾构机滚刀故障诊断方法,经现场应用,验证了方法的准确性和可靠性,但该方法仅能对刀具常见的偏磨、卡转、磨损超限等故障进行定性分析,并不能判断刀具故障的严重程度。下一步,项目团队将在本文研究的基础上,继续对盾构机滚刀故障进行深入探究,对刀具当前故障程度进行识别和判断,为盾构机换刀提供更加精确的指导。

参考文献

[1]周涵.滚刀振动信号分析及故障状态识别方法研究[D].重庆大学,2020.

[2]刘洋.基于外倾式安装盘型滚刀的数值模拟与滚刀优化研究[D].华北水利水电大学,2020.

[3]贾森.盘形滚刀破岩滚动力与岩石破碎比能特性研究[D].沈阳建筑大学,2020.

[4]赵军军.地铁盾构设备滚刀性能动态检测装置的研究应用[J].工程机械与维修,2020(01):50-51.

[5]许静飞.盾构滚刀磨损涡流法检测研究[D].沈阳工业大学,2019.