基于掘进参数的盾构滚刀磨损预测研究,   中山坦洲登高车出租, 中山坦洲登高车, 中山坦洲登高车公司      由于地质条件、刀具材质、掘进参数等施工情况的不同，刀具磨损的状态规律也会不同。以东莞虎长区左线掘进数据为实验数据进行模型的建立，这些刀具均是在中分化花岗岩中掘进，刀盘牛腿外为日本滚刀，刀盘牛腿内为国产滚刀。在建立刀具磨损检测HMM时，只建立刀具正常磨损状态下的HMM，然后将推进力和扭矩的能量谱量化序列输入到建立好的HMM，HMM的概率输出值可反映盾构滚刀在不同磨损状态下的变化趋势，实现盾构滚刀磨损状态的检测。

    盾构掘进信号能量谱的提取,  根据Hilbert-Huang变换原理，将掘进过程中1357-1380环的扭矩与推进力进行Hilbert-Huang变换，随着掘进机的掘进，以及刀具磨损量的增加，扭矩与推进力的IMF4的能量谱都有明显的增加。其他能量谱没有明显变化，说明磨损信息存在于IMF4分量中。在刀具正常磨损状态下，信号的特征量几乎完全随机波动，当磨损量较大时，IMF4的能量谱急剧增大。

      中山坦洲登高车出租, 中山坦洲登高车, 中山坦洲登高车公司 http://www.zhongshanludengchechuzu.com/

      刀具磨损状态HMM的训练,  隐马尔可夫(HMM)是序列数据的处理和统计学习中一种重要概率模型。隐马尔可夫过程是一个双重的随机过程：一重用于描述非平稳信号的短时平稳阶段的统计特性，也就是信号的瞬态特征，这个特征可以直接观察到，称为随机过程；另一重描述每个短时平稳阶段如何转到下一个，即短时统计特征的动态特性，隐含在观察序列中，又称为隐过程。利用这两重随机过程，HMM可以有效地解决怎样辨识具有不同参数的短时平稳信号段，以及怎样跟踪他们之间的转化预测下一状态等问题。一个隐马尔可夫模型可以用一个五元组(A,B,N,M)表示。其中是初始化概率向量；是状态转移矩阵；是混淆矩阵；N是HMM-17-的状态个数；M是可观测状态的个数。在混淆矩阵和状态转移矩阵中的每一个概率都是与时间没有关系的，这也就是说，当系统演化时这些矩阵们并不会随着时间的变化而变化。对于一个N和M固定的HMM模型五元组可以简写成三元组),,(BA来表示。利用HMM描述盾构滚刀磨损观察序列的时序结构，建立扭矩与推进力与磨损之间的模型。将盾构滚刀正常磨损状态下的数据作为训练数据，从每环数据中提取扭矩和推进力的4组能量谱，将其量化成码本序列然后运用Baum-Welch算法[31]训练出模型。Baum-Welch算法是用于HMM模型参数训练的最基本方法之一，也称为前向后向算法。这种算法首先估计HMM的参数，然后评估这些参数的价值并减少这些参数所引起的错误，然后重新修订这些参数，这种评估是根据这些给定的数据来评估的。这个过程是寻找一种最小误差方法，这种方法是以一种梯度下降的形式来查找的。

    盾构刀具磨损的检测,  将未知观察序列输入到已经训练好的HMM中，根据其输出的概率值可以预测刀具磨损的趋势。将1357-1380环的扭矩与推进力的能量谱分别输入到此HMM中，如图2-8和图2-9所示，分别为扭矩和推力的输出loglik(loglik表示位置观测序列与模型的吻合程度)，发现随着盾构机掘进环数的增加即滚刀磨损量的增加loglik值逐渐减小，并且推进力的变化对输出值的影响比扭矩的影响大，当1375环以后输出对数概率值迅速减小，也就是说1375环以后磨损量增加，偏离了正常磨损状态。 将未知观察序列输入到已经训练好的HMM中，根据其输出的概率值可以预测刀具磨损的趋势。若输出对数概率值与训练好的模型相似，可预测其磨损为正常磨损，若偏离训练模型，则刀具磨损量已经过大，应该换刀。因此，根据对数概率输出值的大小可判断刀具磨损量的变化趋势，从而实现刀具的寿命预测，进行视情换刀，减少过早或过晚换刀带来的困扰。

    中山坦洲登高车出租, 中山坦洲登高车, 中山坦洲登高车公司