基于BP神经网络的全断面岩石隧道掘进机刀具系统故障预测研究
2021-12-29孙晓繁白晓天何恩光
沈阳建筑大学学报(自然科学版) 2021年6期
周 鹏,孙晓繁,白晓天,何恩光,3
(1.沈阳建筑大学机械工程学院,辽宁 沈阳 110168;2.沈阳建筑大学科学技术研究院,辽宁 沈阳 110168;3.全断面掘进机国家重点实验室,辽宁 沈阳 110027)
全断面岩石隧道掘进机(Tunnel Boring Machine,TBM)是集机械、电子、液压、激光技术为一体的大型工厂化隧道施工作业系统,具有掘进速度快、施工工期短、作业环境好、益于生态环境、综合效益高等优点[1]。但在TBM施工过程中,由于隧道工程作业环境恶劣,刀具系统自身结构复杂、高度集成,使得设备的故障发生率很高。其中,滚刀正常磨损占比TBM刀盘故障的80%,是致使掘进机刀具系统失效的主要原因。而且对这些故障进行排除存在一定的难度,目前对其故障排除主要依赖于停机后的人工检修[2]。因此,如何提前预测故障是解决TBM刀具系统维护管理的首要问题。
针对TBM滚刀的磨损变形研究与故障检测国内外研究者均做出了许多研究。国外对于全断面掘进机的研究主要是关于施工性能进行检测。M.Satar[3]提出了应用支持向量回归模型对全断面掘进机进行主驱动电机性能进行评估;M.Reza等[4]利用模糊逻辑和多因素模糊的方法对全断面掘进机渗透性分类进行评价;J.Hassanpour等[5]通过观察在特定地层中全断面掘进机机器性能的现场数据,评价常见的TBM性能预测模型;但在施工过程中,他们仍然依靠全断面掘进机自身带有的检测系统和工作人员累积的经验监测设备的运行状态。国内有关TBM刀具系统的故障检测也积极进行大量研究。……
登录APP查看全文