一种掘进机刀盘滚刀全周期管理系统

1.一种掘进机刀盘滚刀全周期管理系统，其特征在于，包括：滚刀状态跟踪模块，用于采用先标定后跟踪的方式，对每把滚刀的位置与使用里程进行实时跟踪记录，从而把控每把滚刀的实时状态；语音控制模块，用于根据语音信息得到相应滚刀当前磨损实测值或控制刀盘旋转角度；滚刀磨损预测模块，用于根据预设的预测模型实时预测滚刀当前的磨损值，得到当前时刻滚刀磨损预测值 k i (t) ；状态异常预警模块，用于根据预测值 k i (t) 判断刀盘滚刀是否出现异常磨损情况，并在出现异常磨损情况时及时发出预警，所述状态异常预警模块包括：限制值设置模块，用于设置刀盘滚刀磨损量限制值一 h max1 、滚刀磨损量限制值二 h max2 、推力限制值 F max 、扭矩限制值 T min 、掘进速度限制值 V min ；滚刀磨损估测值计算模块，用于根据最新一次查刀时测得的滚刀磨损实测值 h i (j) 及其对应的滚刀使用里程 S i (j) ，结合当前时刻滚刀使用里程 S i (t) 计算滚刀磨损估测值 h gi (t) ：h gi (t) = h i (j) *( S i (t)-S i (j) )/ S i (j) ；滚刀状态异常判断模块，用于判断滚刀状态异常情况，包括：预测值异常判断：若当前时刻滚刀磨损预测值 k i (t) > h max2 ，则状态异常预警模块发出滚刀磨损到位预测值异常警报；实测值异常判断：若当前时刻滚刀磨损预测值 k i (t) > h max1 且 h i (j) + h gi (t) > h max2 ，则状态异常预警模块发出滚刀磨损到位实测值异常警报；掘进参数异常判断：若推力 F > F max 且扭矩 T < T max ，或推力 F > F max 且推进速度 V < V max ，则状态异常预警模块发出滚刀磨损到位掘进参数异常警报；数据处理存储模块，用于接收并记录各模块输出的数据，并将滚刀数据与围岩参数、掘进参数、刀具维修情况实时匹配对应，自动生成表单存入数据库。 2.根据权利要求1所述的掘进机刀盘滚刀全周期管理系统，其特征在于，所述滚刀状态跟踪模块具体包括：初始位置标定模块，用于首先按照习惯设定刀盘初始位置，包括0°位置与旋转方向，然后对每把滚刀进行编号，并标定每把滚刀的初始位置，包括初始角度 θ i 和距刀盘中心距离 ψ i ， i 为滚刀编号；跟踪记录模块，用于刀盘运转时，实时跟踪记录每把滚刀的当前状态 B i （ δ i ， S i ）其中：滚刀当前角度 δ i ：δ i =MOD （ MOD （ α - β，360 ） +θ i ，360 ）；滚刀当前使用里程 S i ：S i =2πψ i （ α+β ） /360 ；其中， α 为刀盘从初始掘进到当前时刻正转角度总和， β 为刀盘从初始掘进到当前时刻反转角度总和， MOD （ x，y ）为求余函数。 3.根据权利要求1所述的掘进机刀盘滚刀全周期管理系统，其特征在于，所述语音控制模块包括：语音识别单元，用于对工人给出的语音控制指令进行识别处理，获得相应的控制参数，包括滚刀编号、滚刀当前半径、目标角度；刀盘点动操作箱，用于当语音识别单元识别的控制参数中包括有 “旋转”字样时控制刀盘旋转相应角度；控制器，用于当语音识别单元识别的控制参数中包括有 “半径”字样时，将识别的半径值存储对应编号滚刀的当前半径，并根据对应编号滚刀的初始半径计算得到应编号滚刀的当前磨损实测值。 4.根据权利要求3所述的掘进机刀盘滚刀全周期管理系统，其特征在于，所述刀盘点动操作箱具体用于：当语音识别单元识别的控制参数中包括有 “旋转”字样时，接收语音识别单元识别的滚刀编号 i 和对应的目标角度 φ i ，自动计算刀盘旋转角度 λ=φ i - δ i ，并控制刀盘旋转。 5.根据权利要求4所述的掘进机刀盘滚刀全周期管理系统，其特征在于，所述刀盘点动操作箱控制刀盘旋转时，控制刀盘以最短路径旋转，其中，所述最短路径为：若0≤ λ ≤180，控制刀盘顺时针旋转角度 λ ；若180< λ <360，控制刀盘逆时针旋转角度360- λ ；若-180≤ λ ≤0，控制刀盘逆时针旋转角度| λ |；若-360< λ <-180，控制刀盘顺时针旋转角度360+ λ 。 6.根据权利要求1所述的掘进机刀盘滚刀全周期管理系统，其特征在于，数据处理存储模块包括：数据接收单元，用于接收并记录滚刀状态跟踪模块、语音控制模块、滚刀磨损预测模块、状态异常预警模块输出的数据；数据处理单元，按时间顺序将滚刀数据与围岩参数、掘进参数、刀具维修情况实时匹配关联，自动生成表单，所述掘进参数包括刀盘转速、推进速度、推进力、刀盘扭矩、贯入度，所述围岩参数包括围岩级别，所述刀具维修情况包括维修状态、维修原因；数据存储单元，用于存储生成的表单。 7.根据权利要求6所述的掘进机刀盘滚刀全周期管理系统，其特征在于，自动生成的表单内容包括：滚刀编号 i 、初始角度 θ i 、当前角度 δ i 、距刀盘中心距离 ψ i 、初始半径 r i 、当前半径 d i 、使用里程 S i 、磨损实测值 h i 、磨损预测值 k i 、滚刀状态。 8.根据权利要求1所述的掘进机刀盘滚刀全周期管理系统，其特征在于，所述滚刀磨损预测模块包括：预测模型建立模块，用于建立并训练得到滚刀磨损值预测模型；在线预测模块，用于将实时采集的特征信息参数输入滚刀磨损值预测模型中，进行在线预测，得到滚刀磨损预测值；预测模型离线优化模块，在实际掘进中，每隔一段时间从刀盘滚刀全周期管理系统的历史数据库中，调取该段时间内新产生的历史数据作为输入样本，对滚刀磨损值预测模型离线优化，从而使得该预测模型越来越符合当前的掘进情况，从而进一步提高预测精度。 9.根据权利要求8所述的掘进机刀盘滚刀全周期管理系统，其特征在于，所述预测模型建立模块具体用于：依据历史数据库筛选模型特征信息数据，包括：滚刀编号及每把滚刀对应的刀盘转速、推进速度、推力、推进速度、贯入度、围岩级别、滚刀距刀盘中心距离、滚刀使用里程、滚刀磨损实测值；基于卷积神经网络构建滚刀磨损值预测模型，该模型由4组卷积编码器和3个全连接层组成，输入整理后的数据，经过模型内卷积编码器和全连接层计算直接输出各刀具磨损量值 Z= （ Z 1 ，Z 2 , … Z i ）；将各个特征信息数据按时间顺序依次分段整理为一个包括特征信息加刀具位置信息的 X × Y 的2维矩阵作为该模型的输入， X 的大小取决于整理数据时的时间序列长度，输出为刀具的磨损量 Z=（Z 1 ，Z 2 , … Z i ） ，则由网络结构可得，在正向传播时第 l 层卷积编码器映射 L l 的结果为： ；其中， x ij (l) 为第 l 层卷积编码器输出， g(x) 为激活函数， b i (l) 为第 l 层卷积编码器阈值， 为卷积编码器的一个卷积核（Kernel），该方式允许网络可只通过稀疏交互的计算来高效地描述多个变量的复杂交互，基于此在上一层编码器计算结果的基础上以同样方式运算到最后一层卷积编码器，将最后一层编码器计算结果转换为一个一维数组输入到全连接层，全连接层由多个神经元节点组成，全连接层输出： ；其中，g(x)=max{0,x}为激活函数， b s l 为隐含层阈值， l 为输入层权值矩阵；求滚刀磨损值预测模型的误差函数： ；其中， e q 为误差函数期望值，即历史样本数据中的滚刀磨损实测值， f q 为误差函数实际输出，即卷积神经网络全连接层输出 y s ；使用反向传播算法优化卷积神经网络参数减小误差，对输入层和隐含层的权值求偏导，求得权值更新矩阵： ；式中， w i,j 为卷积神经网络权值， b j 为卷积神经网络阈值，η为神经网络的学习率；当△ w i,j ≤ ε 且△ b j ≤ ε 时， ε 大于零且足够小时，神经网络模型训练结束，将此时的权值矩阵 w i,j 、 b j 和作为卷积神经网络经过学习后的最优权值参数，从而得到滚刀磨损值预测模型。