基于极端学习机器的TBM构造中的磁盘切割机异常磨损的智能识别和警告方法
Qingwei Li1, Lijie Du2, Yalei Yang1
1School of Mechanical Engineering, Shijiazhuang Tiedao University, Shijiazhuang, 050043, China.
Scientific reports
|December 27, 2024
概括
在道钻机 (TBM) 中异常的切割器磨损会导致设备故障. 这项研究提出了一个极端学习机器 (ELM) 模型来预测和警告异常的切割器磨损,确保更安全的TBM构造.
科学领域:
- 地质技术工程 地质技术工程
- 机械工程 机械工程
- 人工智能的人工智能
背景情况:
- 异常的切割器磨损显著影响了道钻机 (TBM) 施工.
- 检测不到磨损可能会导致灾难性的切割头故障.
- 早期识别和预警系统对于TBM的运营效率和安全至关重要.
研究的目的:
- 开发一种可通用的模型,用于识别和警告异常的TBM切割器磨损.
- 为了利用极端学习机器 (ELM) 来进行切割器磨损的预测分析.
- 为及时干预和更换磨损的TBM切割机提供一种方法.
主要方法:
- 利用来自多个TBM项目的数据.
- 基于正常的切割器磨损参数,开发了一种ELM预测模型来预测前进速度.
- 通过比较预测和实际的前进速度来确定异常磨损.
- 确定了异常切割器磨损的早期预警值.
主要成果:
- 该ELM模型准确地预测了TBM的前进速度.
- 该模型的预测与实际的切割机更换事件保持一致.
- 拟议的方法在识别异常的切削磨损方面表现出有效性和通用性.
- 成功建立了预警值.
结论:
- 提出的基于ELM的方法是有效的识别和警告异常的TBM切割器磨损.
- 这种方法为TBM切割机的管理和维护提供了有价值的指导.
- 该模型的通用性使其适用于各种TBM项目.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.1K
08:20Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
1.2K
