基于BP神经网络的滚刀载荷解耦方法、系统及设备与流程

基于bp神经网络的滚刀载荷解耦方法、系统及设备
技术领域
1.本公开实施例涉及数据处理技术领域，尤其涉及一种基于bp神经网络的滚刀载荷解耦方法、系统及设备。


背景技术：

2.目前，盘形滚刀作为一种挖掘坚硬岩石的刀具，常应用于盾构机和tbm等大型掘进设备上，滚刀的工作性能直接影响着隧道掘进机的掘削效果和施工速度。对滚刀载荷进行实时监测，有助于及时对掘进机的掘进参数(如推力、转矩、转速、贯入度)进行调整，有助于提高破岩效率和加快掘进速度；同时，可通过不同刀位的滚刀载荷情况掌握掌子面岩体参数；此外，获取滚刀载荷信息还可以优化滚刀在刀盘上的布置，使刀盘载荷更加均匀。
3.在滚刀运行监测方面，国内外学者开展了大量的研究，殷谦、马强等提出了常压换刀盾构的滚刀监测系统，用于监测滚刀转速、温度以及磨损量等信息，未能获取滚刀载荷信息；龚秋明、丁世鹏等通过监测滚刀破岩实验过程中的声发射特征，发现滚刀载荷与监测到的声发射能率具有相似的变化规律，该方法无法直接获取滚刀载荷；张晓波、许静飞等提出了采用电涡流传感器的滚刀磨损和转速无损检测方法，但无法获取滚刀载荷；王少华等采用在滚刀垫块内置应变计、表面粘贴应变片的方法监测滚刀载荷，该方法虽然实现了滚刀载荷的获取，但测量准确性难以保证。基于此，虽然相关的研究很多，但是仍然存在测量准确度无法保证、测量方法复杂、适用性差等难题。
4.由此，国内外很多学者针对上述问题，研发了各具特色的tbm滚刀受力实时监测系统，大部分的滚刀应力监测系统，每个传感器(一般为电阻应变式传感器)一般只实现对一种力的测量(垂直力、滚动力或者侧向力)，测量数据与载荷之间不存在复杂的耦合关系，一般呈一对一关系，可以直接进行滚刀受力标定试验。当测量数据与载荷之间存在较为复杂的耦合关系时，上述的方法将不再适用。
5.可见，亟需一种适用于测量数据和载荷存在强耦合情况的基于bp神经网络的滚刀载荷解耦方法。


技术实现要素：

6.有鉴于此，本公开实施例提供一种基于bp神经网络的滚刀载荷解耦方法、系统及设备，至少部分解决现有技术中存在解耦效率、测量效率和精准度较差的问题。
7.第一方面，本公开实施例提供了一种基于bp神经网络的滚刀载荷解耦方法，在滚刀受力传递路径的多个标注点上对应安装一个传感器，所述方法包括：
8.对所述滚刀应力分析装配体的应变进行数值模拟，依次以两个所述传感器为一组，获得不同实验工况下多组传感器的应变数据，其中，所述应变数据包括两个所述传感器之间的应变和与应变差；
9.使用bp神经网络建立以所述应变和与所述应变差为输入，垂直力和滚动力为输出的应变载荷解耦模型；
10.对所述滚刀进行载荷实验，得到可模拟工况下的实测电压数据，其中，所述电压数据包括两个所述传感器之间的电压和与电压差；
11.根据所述电压数据和所述应变数据，建立电压-应变函数；
12.将所述电压-应变函数代入所述应变载荷解耦模型，得到以电压数据为输入，垂直力和滚动力为输出的电压载荷解耦模型。
13.根据本公开实施例的一种具体实现方式，所述滚动力fr和所述垂直力fv的计算公式如下；
[0014][0015][0016]
其中，滚刀与岩石的接触角的计算公式如下；
[0017][0018]
式中，fv表示垂直力，fr表示所述滚动力，m表示所述弯矩，r表示所述滚刀的半径，h是滚刀贯入度，fv是垂直力，r为滚刀半径，t为滚刀刀圈顶刃宽度，为刀圈顶刃压力分布系数,σc岩石的单轴抗压强度,σ
t
为岩石抗拉强度。
[0019]
根据本公开实施例的一种具体实现方式，所述实验工况包括垂直力单独作用、弯矩单独作用，以及，垂直力和弯矩同时作用。
[0020]
根据本公开实施例的一种具体实现方式，所述可模拟工况包括垂直力单独作用，以及，垂直力和滚动力同时作用。
[0021]
根据本公开实施例的一种具体实现方式，所述根据所述电压数据和所述应变数据，建立电压-应变函数的步骤，包括：
[0022]
将所述电压数据与其对应工况下的应变和与应变差进行线性拟合，得到所述电压-应变函数。
[0023]
第二方面，本公开实施例提供了一种基于bp神经网络的滚刀载荷解耦系统，包括：
[0024]
模拟模块，用于对所述滚刀应力分析装配体的应变进行数值模拟，依次以两个所述传感器为一组，获得不同实验工况下多组传感器的应变数据，其中，所述应变数据包括两个所述传感器之间的应变和与应变差；
[0025]
训练模块，用于使用bp神经网络建立以所述应变和与所述应变差为输入，垂直力和滚动力为输出的应变载荷解耦模型；
[0026]
实验模块，用于对所述滚刀进行载荷实验，得到可模拟工况下的电压数据，其中，所述电压数据包括两个所述传感器之间的电压和与电压差；
[0027]
建立模块，用于根据所述电压数据和所述应变数据，建立电压-应变函数；
[0028]
预测模块，用于将所述电压-应变函数代入所述应变载荷解耦模型，得到以电压数据为输入，垂直力和滚动力为输出的电压载荷解耦模型。
[0029]
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
[0030]
至少一个处理器；
[0031]
以及，与该至少一个处理器通信连接的存储器；
[0032]
其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于bp神经网络的滚刀载荷解耦方法。
[0033]
本公开实施例中的基于bp神经网络的滚刀载荷解耦方案，包括：对所述滚刀应力分析装配体的应变进行数值模拟，控制两个所述传感器获得不同实验工况下两个所述传感器的应变数据，其中，所述应变数据包括两个所述传感器之间的应变和与应变差；使用bp神经网络建立以所述应变和与所述应变差为输入，垂直力和滚动力为输出的应变载荷解耦模型；对所述滚刀进行载荷实验，得到可模拟工况下的电压数据，其中，所述电压数据包括两个所述传感器之间的电压和与电压差；根据所述电压数据和所述应变数据，建立电压-应变函数；将所述电压-应变函数代入所述应变载荷解耦模型，得到以电压数据为输入，垂直力和滚动力为输出的电压载荷解耦模型。
[0034]
本公开实施例的有益效果为：通过本公开的方案，将bp神经网络与滚刀载荷解耦相结合，适用于tbm滚刀载荷监测方法电压与载荷之间存在强耦合情况下的载荷解耦，提高了解耦效率、测量效率和精准度。
附图说明
[0035]
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0036]
图1为本公开实施例提供的一种基于bp神经网络的滚刀载荷解耦方法的流程示意图；
[0037]
图2为本公开实施例提供的一种滚刀标注点示意图；
[0038]
图3为本公开实施例提供的一种不同的可模拟工况下的电压数据示意图；
[0039]
图4为本公开实施例提供的一种电压-应变函数示意图；
[0040]
图5本公开实施例提供的一种基于bp神经网络的滚刀载荷解耦系统的结构示意图；
[0041]
图6为本公开实施例提供的电子设备示意图。
具体实施方式
[0042]
下面结合附图对本公开实施例进行详细描述。
[0043]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0044]
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
[0045]
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0046]
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
[0047]
本公开实施例提供一种基于bp神经网络的滚刀载荷解耦方法，所述方法可以应用于滚刀性能预测过程中。
[0048]
参见图1，为本公开实施例提供的一种基于bp神经网络的滚刀载荷解耦方法的流程示意图。如图1所示，在滚刀受力传递路径的多个标注点上对应安装一个传感器，所述方法主要包括以下步骤：
[0049]
s101，对所述滚刀应力分析装配体的应变进行数值模拟，依次以两个所述传感器为一组，获得不同实验工况下多组传感器的应变数据，其中，所述应变数据包括两个所述传感器之间的应变和与应变差；
[0050]
可选的，所述滚动力fr和所述垂直力fv的计算公式如下；
[0051][0052][0053]
其中，滚刀与岩石的接触角的计算公式如下；
[0054][0055]
式中，fv表示垂直力，fr表示所述滚动力，m表示所述弯矩，r表示所述滚刀的半径，h是滚刀贯入度，fv是垂直力，r为滚刀半径，t为滚刀刀圈顶刃宽度，为刀圈顶刃压力分布系数,σc岩石的单轴抗压强度,σ
t
为岩石抗拉强度。
[0056]
可选的，所述实验工况包括垂直力单独作用、弯矩单独作用，以及，垂直力和弯矩同时作用。
[0057]
具体实施时，如图2所示，可以在滚刀受力传递路径的多个标注点上对应安装一个传感器，根据传感器的安装位置，选择两两所述传感器作为一组，每一组的电压数据实现间接反映一种或两种力的目标，以vn1和vn2表示第n组传感器。所述多个标注点如图2所示，若
以安装在1位置左右两侧的两个传感器作为一组，其电压和、电压差可分别间接反映两滚刀所受垂直力、滚动力，若以分别安装2、3位置的两个传感器作为一组，其电压差可间接反映两滚刀滚动力，若以分别安装在4、5位置的两个传感器作为一组，其电压差可间接反映两滚刀的侧向力。本实施例简述n为1的情况，n大于1时方法同理。
[0058]
在本实施例中，在滚刀压块中间梁位置安装两个传感器，进行滚刀载荷试验，例如，接头座嵌套于压块中间梁的下侧，电控盒与接头座通过螺栓紧固，传感器内嵌于压块中间梁中心位置，两个传感器对称安装在接头座两侧。
[0059]
处理分析两个传感器的电压和及电压差数据实现对滚刀所受垂直力、滚动力的预测，而电压和、电压差与载荷之间存在较为复杂的耦合关系，然后获取足够的电压数据用于建立bp神经网络，目前不存在加载滚动力的装置，基于滚动力-弯矩之间的转换关系，考虑以加载弯矩的形式实现滚动力的加载。
[0060]
滚刀进行应变的有限元计算，主要记录两个应变片位置处的应变数据。实验工况仍为垂直力、弯矩单独作用和同时作用三种，但是为了探索两应变组的应变和、应变差随载荷的变化规律，应变-载荷数据应当尽量含括所有类型的工况并能反映其变化规律，基于上述要求，在本实施例中，共包括7个系列的数据，共得35组数据。
[0061]
s102，使用bp神经网络建立以所述应变和与所述应变差为输入，垂直力和滚动力为输出的应变载荷解耦模型；
[0062]
具体实施时，考虑到滚刀载荷试验只能在加载垂直力的前提下加载弯矩，无法获得弯矩单独作用下的电压数据，则可以用两传感器的应变和、应变差和垂直力、弯矩建立bp神经网络解耦模型，所述应变载荷解耦模型的输入为所述应变和与所述应变差，所述解耦模型的输出为所述垂直力和滚动力。
[0063]
例如，将上述步骤得到的35组数据作为bp神经网络预测模型的训练集，建立应变-载荷对应的应变载荷解耦模型。由于预测值有两个，建立预测模型有两个方案：建立一个双输入双输出的预测模型；建立两个双输入单输出的预测模型。通过对比分析，方案二的预测结果更准确。两个预测模型的网络训练目标为0.001，设置学习率为0.01，最大迭代次数为1000次，传递函数、输出函数、训练函数采用默认值。决定系数的范围在[0,1]内，越接近一，表明模型的性能越好；反之，越趋近于零，表明模型的性能越差。本公开实施例中垂直力预测模型的决定系数为0.99229，弯矩预测模型的决定系数为0.98796，因此，两模型的性能较好。
[0064]
s103，对所述滚刀进行载荷实验，得到可模拟工况下的电压数据，其中，所述电压数据包括两个所述传感器之间的电压和与电压差；
[0065]
可选的，所述可模拟工况包括垂直力单独作用，以及，垂直力和滚动力同时作用。
[0066]
具体实施时，根据实际需要进行相应工况下的滚刀受力试验，所述可模拟工况包括垂直力o点加载单独作用，以及，垂直力和a点加载弯矩同时作用，然后得到不同的可模拟工况下的电压数据，如图3所示，
[0067]
s104，根据所述电压数据和所述应变数据，建立电压-应变函数；
[0068]
进一步的，步骤s104所述的，根据所述电压数据和所述应变数据，建立电压-应变函数，包括：
[0069]
将所述电压数据与其对应工况下的应变和与应变差进行线性拟合，得到所述电
压-应变函数。
[0070]
具体实施时，可以根据所述电压和、所述电压差、所述应变和与所述应变差建立多个所述电压-应变关系曲线，考虑到多个所述电压-应变关系曲线之间基本呈线性关联，则可以将所述电压和与所述电压差，及与其对应的应变和与应变差进行线性拟合，得到所述电压-应变函数进行线性拟合，得到所述电压-应变函数如图4所示。
[0071]
s105，将所述电压-应变函数代入所述应变载荷解耦模型，得到以电压数据为输入，垂直力和滚动力为输出的电压载荷解耦模型。
[0072]
具体实施时，在得到所述电压-应变函数后，可以将所述电压-应变函数代入所述应变载荷解耦模型，得到以电压数据为输入，垂直力和滚动力为输出的电压载荷解耦模型，在所述滚刀的实际使用过程中，当需要对其进行性能预测时，则可以采集所述滚刀的实测电压，输入所述电压载荷解耦模型，运用电压-应变拟合曲线，将所述实测电压数据化为应变，然后根据应变得到垂直力和滚动力，当实验装置加载滚动力不方便的时候，可以采用加载弯矩的形式来实现加载滚动力，即运用公式fr＝m/2r，将弯矩化为滚动力，即实现了由所述实测电压得到滚刀所受垂直力和滚动力。本实施例中，由建立的电压载荷解耦模型预测垂直力误差控制在17.62％之内，滚动力误差控制在19.78％之内，因此电压载荷解耦模型的整体误差可以控制在20％之内。
[0073]
本实施例提供的基于bp神经网络的滚刀载荷解耦方法，通过将bp神经网络与滚刀载荷解耦相结合，适用于tbm滚刀载荷监测方法电压与载荷之间存在强耦合情况下的载荷解耦，提高了解耦效率、测量效率和精准度。
[0074]
与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种基于bp神经网络的滚刀载荷解耦系统50，包括：
[0075]
模拟模块501，用于对所述滚刀应力分析装配体的应变进行数值模拟，依次以两个所述传感器为一组，获得不同实验工况下多组传感器的应变数据，其中，所述应变数据包括两个所述传感器之间的应变和与应变差；
[0076]
训练模块502，用于使用bp神经网络建立以所述应变和与所述应变差为输入，垂直力和滚动力为输出的应变载荷解耦模型；
[0077]
实验模块503，用于对所述滚刀进行载荷实验，得到可模拟工况下的电压数据，其中，所述电压数据包括两个所述传感器之间的电压和与电压差；
[0078]
建立模块504，用于根据所述电压数据和所述应变数据，建立电压-应变函数；
[0079]
预测模块505，用于将所述电压-应变函数代入所述应变载荷解耦模型，得到以电压数据为输入，垂直力和滚动力为输出的电压载荷解耦模型。
[0080]
图5所示系统可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
[0081]
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的基于bp神经网络的滚刀载荷解耦方法。
[0082]
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的基于bp神
经网络的滚刀载荷解耦方法。
[0083]
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于bp神经网络的滚刀载荷解耦方法。
[0084]
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0085]
如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0086]
通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0087]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
[0088]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的
程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0089]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0090]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
[0091]
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
[0092]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0093]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0094]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
[0095]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
[0096]
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。