摘要
首先介绍了全断面掘进机(Tunnel Boring Machine,TBM)主要系统部件的状态参数,通过分析TBM特征参数时间序列的变化趋势,确定了采用灰色预测和神经网络预测相结合的方法对TBM关键部件状态特征参数的变化趋势进行预测,建立了基于灰色理论和神经网络的全断面掘进机状态特征参数预测模型。通过实例计算,给出了预测模型的改进措施。经过改进的预测模型,能够保证设备达到1级预测精度,预测10小时后的设备运行情况。最后,介绍了开发的全断面掘进机故障诊断系统中参数预测的部分,使得预测结果更直接地呈现在操作者面前,具有很好的指导意义。
Firstly, the key component state parameters of tunnel goring machine （TBM） system are in- troduced. By analyzing the variation tends on TBM feature parameter time series, a prediction model is established by integrating the grey theory and neural network. Through computational cases, the im- proved prediction metrics are postulated. To this end, this model can ensure the extrafinegrade prediction on 10-hour running conditions. As a result, the prediction results can be provided for operators more di- rectly.
出处
《中国工程机械学报》
2013年第6期474-479,共6页
Chinese Journal of Construction Machinery
基金
国家"973"计划资助项目(2010CB736007)
教育部基本科研业务费专项资金资助项目(N110603007)
关键词
全断面掘进机
灰色理论
神经网络
特征参数
预处理
tunnel boring machine, grey theory
neural network~ feature parameter ~ preprocessing
