改进CNN在TBM变速箱磨损状态识别中的应用.pdf
《改进CNN在TBM变速箱磨损状态识别中的应用.pdf》由会员分享,可在线阅读,更多相关《改进CNN在TBM变速箱磨损状态识别中的应用.pdf(9页珍藏版)》请在咨信网上搜索。
1、收稿日期:2023-06-20;修回日期:2023-08-28基金项目:国家自然科学基金项目(51668037,72261026)第一作者简介:顾伟红(1975),女,甘肃兰州人,1994 年毕业于兰州大学,工商企业管理专业,硕士,副教授,主要从事铁路隧道 TBM 施工组织管理优化方面的研究工作。E-mail:lzgwh 。通信作者:毛梦薇,E-mail:m15937993329 。引用格式:顾伟红,毛梦薇.改进 CNN 在 TBM 变速箱磨损状态识别中的应用J.隧道建设(中英文),2023,43(11):1853.GU Weihong,MAO Mengwei.Application of i
2、mproved convolution neural network in gearbox wear status recognition of tunnel boring machinesJ.Tunnel Construction,2023,43(11):1853.改进 CNN 在 TBM 变速箱磨损状态识别中的应用顾伟红,毛梦薇(兰州交通大学土木工程学院,甘肃 兰州 730070)摘要:全断面硬岩隧道掘进机(TBM)变速箱在运行过程中长期承受强转矩作用,导致其磨损故障率较高,为准确识别出变速箱的磨损状态,避免更大故障的发生,提出一种基于改进卷积神经网络(CNN)的 TBM 变速箱磨损状态识
3、别方法。首先,根据变速箱的磨损状态识别机制,选取光谱分析结果中 9 种元素的质量分数值作为变速箱磨损状态识别的指标;然后,建立改进的卷积神经网络模型,使用 2 层卷积层堆叠代替传统模型中的 1 层卷积层深度提取数据特征,并使用 2 个尺寸不同的卷积核提取不同层级的特征;最后,将该模型应用于实际工程中,将采集到的部分 TBM 变速箱油液光谱数据和磨损状态标签输入模型进行训练,使用训练好的模型对测试集数据进行磨损状态识别。研究结果表明,该方法能准确识别出 TBM 变速箱的磨损状态,准确率达到 95%,可为实际施工中 TBM 变速箱的维护保养提供决策支持。关键词:隧道掘进机;变速箱磨损;光谱分析;卷
4、积神经网络DOI:10.3973/j.issn.2096-4498.2023.11.005文章编号:2096-4498(2023)11-1853-09中图分类号:U 455.31 文献标志码:A开放科学(资源服务)标识码(OSID):A Ap pp pl li ic ca at ti io on n o of f I Im mp pr ro ov ve ed d C Co on nv vo ol lu ut ti io on n N Ne eu ur ra al l N Ne et tw wo or rk k i in n G Ge ea ar rb bo ox x WWe ea ar r S
5、 St ta at tu us s R Re ec co og gn ni it ti io on n o of f T Tu un nn ne el l B Bo or ri in ng g MMa ac ch hi in ne es sGU Weihong,MAO Mengwei*(School of Civil Engineering,Lanzhou Jiaotong University,Lanzhou 730070,Gansu,China)A Ab bs st tr ra ac ct t:The gearbox of tunnel boring machines(TBMs)is su
6、bjected to continuous strong torque during operation,resulting in a high wear failure rate.Therefore,to accurately identify the wear state of the gearbox and avoid further faults,a convolutional neural network(CNN)-based TBM gearbox wear state recognition method is proposed.First,based on the wear s
7、tate identification mechanism of the gearbox,the concentration values of nine elements in the spectral analysis results are selected as indicators for identifying the wear state of the gearbox.Next,an improved CNN model is established.Two convolutional layers are stacked to replace the depth of one
8、convolutional layer in the traditional model to extract data features,and two convolutional kernels with different sizes are used to extract features at different levels.Finally,the model is applied to a practical engineering project,and the collected TBM gearbox oil spectral data and wear state lab
9、els are put into the model for training.The trained model is used to identify the wear state of the test set data.By achieving 95%accuracy rate,the research results suggest that the proposed method can accurately identify the wear state of TBM gearboxes,providing decision-making support for maintena
10、nce in actual construction.K Ke ey yw wo or rd ds s:tunnel boring machine;gearbox wear;spectral analysis;convolutional neural network0 引言近年来,我国地下交通工程取得了巨大进展,全断面硬岩隧道掘进机(TBM)开挖工法由于其安全高效的优点得到了广泛应用。但是 TBM 的施工环境恶劣隧道建设(中英文)第 43 卷且复杂多变,在掘进过程中常受到频繁的冲击和振动,设备零部件难免会逐渐劣化,从而埋下安全隐患,同时TBM 系统结构较为复杂,各部件之间相互关联,无论哪个部位
11、出现问题都会对 TBM 的正常运行造成影响。变速箱作为 TBM 的核心部件之一,主要由齿轮、轴承、轴和箱体等部件组成,是复杂的行星齿轮结构,由于在运行过程中长期承受来自 TBM 和外界的强转矩作用,致使其故障率极高,而故障发生早期通常以磨损形式出现,大多数设备的失效也是由磨损引起的。因此,监控变速箱的磨损状态可以在故障发生早期做出判断,及时处理并制定维护保养策略,防止其带“病”作业而造成更大的损失,对维持 TBM 安全稳定运行具有重要意义。目前已有很多国内外学者对 TBM 重要部件的状态监测进行了研究:Sutherland1通过比较计算电机处的电压与隧道中的测量电压,对 TBM 电机的性能做出
12、诊断;Simoes 等 2运用模糊逻辑理论建立了 TBM利用率预测模型;Alvarez 等 3阐述了依托神经模糊方法对 TBM 性能建模的研究结果;左庆林4通过分析盾构关键设备的故障机制和状态检测方法,开放了故障诊断系统;Yagiz 等 5通过构建非线性多变量预测模型,对盾构性能做出评估;陈文远等6通过融合盾构各监测技术,基于互联网开发了信息管理系统;乔世范等7在推导出掘进参数与刀具磨损关系的基础上,提出了一种小波包分解掘进参数信号的盾构刀具磨损识别方法;刘尧等8结合机器学习和盾构掘进参数,基于关联规则数据挖掘对刀盘的健康状态做出评估;李宏波等9基于声发射和改进灰关联度分析的方法对 TBM 滚
13、刀的磨损状态做出评估;夏燕冰等10介绍了油液监测技术的原理和程序,并将其应用于TBM 刀盘主轴承、主变速箱和主液压油箱。通过对上述文献的学习发现,国外对于 TBM 状态监测的研究集中于掘进机运行性能评价、模型适用性等方面,国外公司主要通过在关键设备上装置各种传感器,通过传感器参数的变化来发现故障;国内对于TBM 状态监测的研究大多为介绍各种监测技术在施工中的应用,以及开发相关信息管理系统。实际施工中会采用各种监测技术对 TBM 零部件的运行状态进行监测,并记录相关数据,但缺乏对记录数据的分析。振动和油液监测是机械故障诊断的常用方法,但振动监测多用于识别表面损伤类故障,对早期磨损故障敏感性较差,
14、而油液监测对磨损故障更为敏感,识别率更高。光谱分析是油液监测的一种方法,它可以检测出润滑油中元素的种类和质量分数,从而判断机械设备的磨损状态,施工中常用三线值法对油液光谱数据进行分析(三线值法是对历次变速箱油样光谱分析数据进行线性分析,确定 3 条控制线,根据数据曲线的走势判断变速箱当前的磨损状态),但这种方法需要结合历次数据进行分析,存在数据量大、计算困难的问题,并且该方法对工程经验的依赖性较强,需要人为选择所用历次数据的组数,不同选择确定的 3 条线也不同,大大增加了人为因素对结果的影响,可能会存在误诊和漏诊的情况,给正常施工带来损失。近年来,深度学习在学术界引发了研究热潮,相较于浅层网络
15、,深层网络可以自适应地提取数据中的深层特征。其中,卷积神经网络(CNN)是一种经典的深度学习网络模型,由于其稀疏连接和权值共享的特点,在提取数据特征时具有很大优势11。并且也有学者将卷积神经网络应用于解决小样本问题,如钟建华等12基于小样本数据,使用一维卷积神经网络对齿轮箱进行故障诊断;林年添等13使用卷积神经网络深度学习方法,用于在小样本条件下智能提取、分类并识别地震油气特征。基于此,本文提出使用改进的卷积神经网络对 TBM 变速箱进行磨损状态识别(wear state recognition based on improved convolution neural network,WSRC
16、NN),并结合工程实际数据验证模型识别性能,通过模型对比分析证明本研究所提出方法的有效性,以期为实际施工中 TBM 变速箱的安全稳定运行提供可靠保障。1 卷积神经网络结构卷积神经网络是一种深度前馈神经网络,本质是多层感知机,包括前向提取拓扑和后向传播优化 2 部分,最早是在 1998 年针对手写数字分类问题提出的,在处理图像问题时具有很大优势14-15。因此,最初的卷积神经网络只能解决二维图像问题。后来由于输入数据的类型不同,专家学者对网络模型结构做了改动,可用于处理一维数据、图像和视频,虽然应用的领域不同,但结构和原理相同。1.1 卷积层卷积层的作用是提取数据特征,其中最重要的就是卷积核。卷
17、积结构中一般包括多个卷积核,在训练前预设好卷积核的步长和边长,通过多次迭代不断更新各自的权值。使用卷积核在输入特征上按步长移动做卷积运算,遍历后输出提取到的特征图16-17。具体的卷积运算公式为:xlj=Mi=1xl-1iklij+blj。(1)式中:xlj为第 l 层第 j 个卷积核提取到的特征向量;M为特征向量的个数;xl-1i为第 l-1 层的第 i 个输出特征向量;为相关卷积运算;klij为第 l 层的第 j 个卷积核第 i 个特征向量的权值;blj为第 l 层的第 j 个偏置向量。4581第 11 期顾伟红,等:改进 CNN 在 TBM 变速箱磨损状态识别中的应用1.2 激活函数激活
18、函数用于对卷积运算的结果做非线性处理,可以帮助模型学习数据中复杂的模式。本文选用ReLU 函数,因为其运算量低,且比 sigmoid 函数和 tanh函数更能加快梯度下降和网络模型训练的速度18,具体的计算公式为:yl=f(xl)=max 0,xl。(2)式中:xl为卷积运算后得到的特征图;yl为 xl经ReLU 函数激活后得到的输出值。1.3 池化层池化层的作用是通过压缩卷积层的输出提取关键特征,从而简化模型结构,避免过拟合现象的发生。最大池化和平均池化是最常用的 2 种池化方式,最大池化是将计算区域中的最大值作为池化后的值,平均池化是将计算区域中的平均值作为池化后的值,本文选用最大池化方式
19、19-20。最大池化和平均池化的计算公式分别如式(3)和式(4)所示。pl+1j(i)=max(i-1)w+1tiwylj(t);(3)pi+1j(i)=1wjwt=(j-1)w+1ylj(t)。(4)式(3)(4)中:pl+1j(i)为第 l+1 层神经元的池化输出;w 为池化区域的宽度;ylj(t)为第 l 层中第 j 个特征向量的第 t 个神经元的激活值。1.4 全连接层和输出层卷积层和池化层交替后进入全连接层,其作用是将提取到的多维特征展开平铺为一维向量,并进一步提取特征后传给输出层,输出层使用 Softmax 分类器完成分类任务。计算公式分别如式(5)和式(6)所示。zlj=ni=1
20、wlijal-1i+blj。(5)qj=softmax(zlj)=ezljCk=1ezlk。(6)式(5)(6)中:zlj为第 l 层第 j 个神经元的输出;wlij为神经元权重系数;al-1i为第 l-1 层第 i 个神经元的输出;qj为输出层第 j 个类别的概率;C 为类别数,所有类别概率之和为 1。2 变速箱磨损识别机制变速箱是 TBM 主驱动中负责变速以及传递力和力矩的重要部件,且在运行过程中易发生磨损,而油液检测对磨损类故障的识别率较高21。因此,本文使用油液检测对变速箱的磨损状态做出判断。2.1 磨损的定义磨损是指机械设备运行时,相互接触的零部件发生相对运动,接触表面在交变接触应变
21、力的作用下产生零件表面材料损失。当变速箱处于超载荷工作时,因加工装配不当、人为操作不当等原因造成的杂质异物侵入都会导致磨损,产生的磨损产物也会参与磨损;当磨损发展至严重状态时,会使得变速箱故障失效停止工作。2.2 油液检测根据磨损的定义可知,磨损会造成零件表面损失,产生的磨损产物都会随机器运转进入到油液中,因此对油液的检测可以获得许多关于设备磨损的信息。油液检测包括润滑油分析和磨损颗粒分析 2 部分22。其中,润滑油分析是指分析油液的理化性能指标,用于判断对象的润滑状态;磨损颗粒分析是指分析油液中磨粒大小、形状、质量分数等参数,用于判断对象的磨损状态,包括铁谱分析和光谱分析。分析润滑油中的磨粒
22、可以在不拆机的情况下对 TBM 变速箱磨损状态做出判断,本文使用光谱分析的结果作为磨损识别依据。2.3 光谱分析2.3.1 光谱分析原理光谱分析技术主要有红外光谱和发射光谱 2 种,其中发射光谱分析常被用于机械设备的状态监测。光谱分析能快速准确地检测到油液中 21 种金属、非金属元素质量分数。根据变速箱的材料化学成分,本文选取了 Fe、Al、Cr、Ni、Si、Cu、Ti、Zn、Ba 9 种元素,以变速箱润滑油光谱分析结果中这 9 种元素的质量分数为指标,识别出变速箱的磨损状态。2.3.2 光谱三线值法实际 TBM 施工过程中会定期采集油样做光谱检测,通常采用三线值法对检测结果进行分析。三线指的
23、是正常线、警告线和危险线 3 条控制线,由于油液中的磨粒元素质量分数随机械设备运行而不断增加,因此 3 条控制线也以一定的斜率呈现:正常线 V1=0.8(P+2S),警告线 V2=P+2S,危险线 V3=P+3S,其中,P为基准值,P=a+bx;S 为标准差。基线通过线性回归法对样本点进行拟合确定,计算公式如式(7)(9)所示。b=ni=1XiYi-nXY ni=1X2i-nX2。(7)a=Y-bX-。(8)S=ni=1Y2i-(ni=1Yi)2/nn-1。(9)式(7)(9)中:(Xi,Yi)为设备测得的元素质量分数值经过变换得到的回归系数;a、b 为最小二乘法求得的拟合系数。建立的控制线如
24、图 1 所示。5581隧道建设(中英文)第 43 卷图 1 光谱分析三线值法Fig.1 Spectral analysis three line value method使用光谱三线值法的判别标准如下:1)当本次检测的特征参量 PV1时,说明设备磨损在正常范围内,尚可以保持平稳正常运行。2)当 V1PV2时,油液中磨粒的质量分数有所增加,说明设备磨损属于轻度范围,但有加剧的趋势,此时应该增加人工对设备的检查,如果发现异常,可以及时处理。3)当 V2PV3时,说明设备磨损已属于危险范围,此时油液中磨粒的质量分数很大,设备磨损严重将导致故障失效无法运转。使用三线值法可以对变速箱的磨损状态做出判断,
25、但使用这种方法主要结合历次所有光谱分析数据,所需的数据和计算量比较大,而且一定程度上会受到人为因素的影响。因此,本文选用可以自适应提取数据特征的卷积神经网络,该方法可以更加准确地对TBM 变速箱磨损状态做出识别。根据元素质量分数的大小,将 TBM 变速箱的磨损状态分为正常、轻度磨损、异常磨损和严重磨损。3 WSRCNN 方法3.1 WSRCNN 模型建立本文以变速箱油液光谱分析的 9 种元素的质量分数值作为模型输入,因此选用一维卷积神经网络,并通过对传统网络模型作出调整,提出了基于改进卷积神经网络的 TBM 变速箱磨损状态识别模型(WSRCNN),最终构建的模型如图 2 所示。其中包含 4 个
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 改进 CNN TBM 变速箱 磨损 状态 识别 中的 应用
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。