原文传递
基于深度学习的盾构滚刀磨损检测
| 论文题名： | 基于深度学习的盾构滚刀磨损检测 |
| 关键词： | 隧道施工;盾构机;滚刀磨损检测;BP神经网络;深度学习 |
| 摘要： | 本文针对影响盾构施工效率的关键部件盘形滚刀进行研究，依托于广州轨道交通十八号线和二十二号线项目，分析深度学习的方法对滚刀磨损定量检测的可行性与实用性，主要研究内容如下： 论述课题背景以及研究意义，阐述国内外盾构刀具磨损检测的研究现状，综述了盾构机组成以及工作原理，讨论了滚刀的分类：单刃滚刀、双刃滚刀、三刃滚刀。介绍了滚刀的磨损特征，以及应用较为广泛的几种滚刀与岩石作用的力学模型。盾构施工过程中，为确保施工效率，滚刀磨损量可设置为：正面滚刀25mm，边缘滚刀15mm，中心滚刀25mm，超出该范围即可换刀。 由于盘形滚刀磨损量的数据非常有限，采用霍尔姆磨损量计算公式，将磨损量分配到每一环，扩充了用于建立神经网络模型的数据集。利用灰度分析法，分析出滚刀磨损量与刀盘转速、刀盘推力、安装半径和刀盘扭矩变量关系密切，并以之作为神经网络的输入特征。 采用数据标准化的方法，利用刀盘转速、刀盘推力、安装半径、刀盘扭矩和滚刀单环磨损预测量构建五维数据集制作，减小了计算误差。搭建 BP 神经网络，通过讨论网络的学习率、隐藏节点数优化网络，对滚刀磨损量进行定量预测，验证了BP神经网络在滚刀磨损检测方面的可行性。 提出基于自适应柯西变异粒子群算法和长短期记忆神经网络（ ACMPSO-LSTM）的磨损检测方法。通过 ACMPSO 算法优化 LSTM 网络的隐层神经元个数、学习率、训练迭代次数，通过实验验证了该方法在滚刀磨损定量检测方面的有效性和优越性，平均检测误差控制在7%左右。 |
| 作者： | 刘博 |
| 专业： | 机械工程 |
| 导师： | 仲志丹;滕飞 |
| 授予学位： | 硕士 |
| 授予学位单位： | 河南科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
