改进CNN在TBM变速箱磨损状态识别中的应用

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、卷积神经网络

所属期刊栏目：43

分类号：U455.31(隧道工程)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2023-12-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1853-1861