截齿筒钻的优化方法、装置及电子设备

技术领域

本发明涉及旋挖钻机施工技术领域，具体涉及截齿筒钻的优化方法、装置及电子设备。

背景技术

现阶段对于旋挖钻截齿筒钻中截齿的排布，没有现成的试验与仿真方法可以直接得到最优值，而且由于各个工地的岩层硬度不一样，各个工地的截齿排布方式全靠现场工地施工摸索、成本高、耗时长。而旋挖钻截齿筒钻中截齿的排布的试验或仿真优化方法是很难开发的，这是因为，合理进行截齿排布提升旋挖钻机的效率、需要考虑到岩石材质、截齿切削角度、截齿下压深度(旋挖钻加压力)、截齿切削速度(扭矩)、截齿尺寸、两组截齿的横向间距这六项因素的共同优化，由于因素与因素间的交互影响，采用单个因素是无法表征优化方案的。文献CN111914372A公开了一种单齿切削的裂纹扩展深度计算方法，不考虑本研究中的截齿尺寸、两组相邻截齿的横向间距，不能实现齿的排布计算，而且，该方法仅能输出裂纹扩展深度这一个结果值，难以客观的表征切削效率。不仅如此，截齿筒钻的切削效率是由岩石的裂纹扩展与破碎、旋挖钻机做的功(关系到油耗成本)、切削比能耗、截齿本身的磨损(换齿消耗时间与金钱成本)等多个结果的共同表现，各个输出的趋势是各不相同的，需要平衡各个输出结果，得到优化方案。

现有的试验和仿真都是针对单因素或者单输出结果的，无法进行多输入因素多输出结果的优化设计。而现有的单截齿切削岩石试验，但是只能得到对应岩石样品的切削(样品需要切成巨型方块，重量至少2吨)，用于分析截齿的角度对切削的影响，并且输出只有岩石的破碎和切削功以及比能耗等因素，不能输出岩石裂纹扩展和截齿本身损耗。

发明内容

有鉴于此，本发明实施例提供了一种截齿筒钻的优化方法、装置及电子设备，以解决现有技术中存在的问题。

第一方面，本发明提供一种截齿筒钻的优化方法，包括如下步骤：获取单截齿筒钻和多截齿筒钻的多种切削参数以及相应的多种切削效率数据；建立样本数据库，所述样本数据库包括切削参数组合以及相应的所述切削效率数据；搭建用于训练所述样本数据的神经网络；采集所述样本数据库并输入至所述神经网络中训练得到切削效率模型；输入多组目标参数组合至所述切削效率数据模型中，输出得到相应的目标切削效率数据，每组目标参数组合对应输出多种目标切削效率数据；以及根据所述目标切削效率数据确定所述多个目标参数组合中的最优组合。

进一步地，所述获取单截齿筒钻和多截齿筒钻的多种切削参数组合以及相应的切削效率数据的步骤中，具体包括如下步骤：通过有限元分析方法搭建单截齿筒钻和多截齿筒钻的切削岩石模型；输入多种切削参数至所述切削岩石模型中得到所述切削效率数据。

进一步地，所述截齿筒钻为三维六面体网格，所述岩石模型包括：拉格朗日网格以及零厚度内聚力网格，所述零厚度内聚力网格的混合网格插入相邻的三维四面体的所述拉格朗日网格之间。

进一步地，所述多种切削参数包括：岩石材质、截齿切削角度、截齿下压深度、截齿切削速度、截齿尺寸及相邻两组截齿的横向间距；所述切削效率数据包括：旋挖钻机做的功、岩石的破碎体积、切削比能耗、截齿合金头部分的损耗、截齿齿体部分的损耗以及岩石的裂纹扩展深度。

进一步地，在采集所述样本数据库并输入至所述神经网络中训练得到切削效率模型的步骤中，具体包括如下步骤：根据所述样本数据库构建一样本集；随机划分所述样本集为训练样本及测试样本；读取所述训练样本中的数据，输入所述训练样本至所述神经网络中，以执行训练操作；在训练过程中对所述神经网的网络参数权重进行调整，以获得训练后的第一神经网络模型；输入所述测试样本至所述第一神经网络模型中进行验证操作，得到验证结果；根据所验证结果对所述第一神经网络模型进行优化，以获得切削效率模型。

进一步地，输入所述测试样本至所述第一神经网络模型中进行验证操作的步骤中，具体包括如下步骤：输入X个测试样本至第一神经网络模型，获取X个第一结果；将所述X个第一结果与所述X个测试样本的切削效率数据比较，统计所述第一结果与所述切削效率数据之差的绝对值大于一阈值的样本个数Y；计算第一验证结果，所述计算第一验证结果为样本个数Y与样本个数X的比值。

进一步地，在根据所述目标切削效率数据确定所述多个目标参数组合中的最优组合的步骤中，具体包括如下步骤：将输出的所述多种目标切削效率数据分别进行百分制转换；根据预设的加权权重进行加权平均得到加权分数，所述加权分数最高的为所述最优组合。

第二方面，本发明提供一种截齿筒钻的优化装置，包括：获取模块，获取单截齿筒钻和多截齿筒钻的多种切削参数以及相应的多种切削效率数据；建立模块，建立样本数据库，所述样本数据库包括切削参数组合以及相应的所述切削效率数据；搭建模块，搭建用于训练所述样本数据的神经网络；采集模块，采集所述样本数据库并输入至所述神经网络中训练得到切削效率模型；输入模块，输入多组目标参数组合至所述切削效率数据模型中，输出得到相应的目标切削效率数据，每组目标参数组合对应输出多种目标切削效率数据；以及确定模块，根据所述目标切削效率数据确定所述多个目标参数组合中的最优组合。

第三方面，本发明提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行所述的截齿筒钻的优化方法。

第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机所述的截齿筒钻的优化方法。

本发明技术方案，具有如下优点：

本发明提供一种截齿筒钻的优化方法，通过获取得到的单截齿筒钻和多截齿筒钻的多种切削参数以及相应的多种切削效率数据，进行神经网络模型训练得到切削效率模型。输入多组目标参数组合至所述切削效率数据模型中输出得到相应的目标切削效率数据，根据所述目标切削效率数据确定所述多个目标参数组合中的最优组合。

本发明的多组目标参数组合同时考虑旋挖钻机的截齿筒钻多个目标参数之间的相互关联作用，最后给出优化组合，并且将表现切削效率数据的不同趋势、不同数量级、不同单位的切削效率数输出整合成一个值。并且可以可视化的输出特定输入因子的切削效率趋势图与表，可直观表示切削效率与输入因子的关系。

本发明采用了一种带有粘聚力网格的三维有限元方法对截齿切削进行仿真，引入这种内聚力网格后，分别通过内聚力网格、以及被内聚力网格黏在一起的普通三维拉格朗日网格在作用力下的单元失效，可表现出岩石脆性断裂和塑性粉碎这两种破坏方式。由于岩石切削仿真本身网格数量多，接触多，计算量大，因此不适合进行有新输入，重新计算一组输出的试错型仿真计算。所以为了得到优化结果，需要先建立变参数数据库，再对数据库结果进行模型训练处理。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。

图1是根据本发明实施例提供的截齿筒钻的优化方法的流程图；

图2是根据本发明实施例提供的截齿筒钻的优化方法的流程图；

图3是根据本发明实施例提供的单截齿筒钻切削岩石模型的示意图；

图4是根据本发明实施例提供的多截齿筒钻切削岩石模型的示意图；

图5是根据本发明实施例提供的旋挖钻截齿筒钻的示意图；

图6是根据本发明实施例提供的截齿筒钻的优化方法的流程图；

图7是根据本发明实施例提供的软件封装的用户界面图；

图8是根据本发明实施例提供的截齿筒钻的优化方法的流程图；

图9是根据本发明实施例提供的单个输入因子的坐标图；

图10是根据本发明实施例提供的多个输入因子的坐标图；

图11是根据本发明实施例的截齿筒钻的优化装置的结构框图；

图12是本发明实施例提供的电子设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1所示，一种截齿筒钻的优化方法，针对不同地质的优化旋挖钻截齿筒钻排布的仿真方法。针对不同地质，能够一键得出最高的切削效率的参数组合，直接应用于现场工地工法，比起现场工地试错试验省下时间和成本。所述优化方法包括如下步骤S1～S6。

S1、获取单截齿筒钻和多截齿筒钻的多种切削参数以及相应的多种切削效率数据。如图2所示，所述获取单截齿筒钻和多截齿筒钻的多种切削参数组合以及相应的切削效率数据的步骤中，具体包括如下步骤S101～S102。

S101、通过有限元分析方法搭建单截齿筒钻(图3所示)和多截齿筒钻(图4所示)的切削岩石模型。所述截齿筒钻为三维六面体网格(如图5所示)，所述岩石模型包括：拉格朗日网格以及零厚度内聚力网格，所述零厚度内聚力网格的混合网格插入相邻的三维四面体的所述拉格朗日网格之间。针对岩石模型的网格而言，因为内聚力网格是相当于粘结普通单元的零厚度的类似“胶水”作用一样的网格。“胶水”网格一旦失效则说明相邻的两个普通岩石单元分离开了，说明岩石开裂。而在进一步的筒钻切削下普通的三维四面体岩石网格失效说明岩石的粉碎。所以本发明的切削岩石模型可同时表现出岩石脆性断裂和塑性粉碎这两种破坏方式，因此适合表现旋挖钻截齿切削岩石效率。

S102、输入多种切削参数至所述切削岩石模型中得到所述切削效率数据。

所述多种切削参数包括：岩石材质、截齿切削角度、截齿下压深度、截齿切削速度、截齿尺寸及相邻两组截齿的横向间距；所述切削效率数据包括：旋挖钻机做的功、岩石的破碎体积、切削比能耗、截齿合金头部分的损耗、截齿齿体部分的损耗以及岩石的裂纹扩展深度。所述岩石材质包括岩石抗压强度以及岩石种类。

如下提供关于切削岩石模型中计算切削效率数据的方法：

1、关于切削功：获取的方法为切向力(用有限元结果中截齿受到的反作用力)对切削长度路径的积分。

2、切削岩石体积：统计切削前后岩石单元的整体位移值范围为[0,1]的单元的体积列表(若位移在此区间则判定未脱离主体的岩石，若位移在此区间外为图中飞散的岩石单元)；将切削前后岩石单元编号并进行比较，无法对应的飞散的岩石单元编号的切削前的体积总和为切削岩石体积。

3、铣削比能耗：切削功除以切削岩石体积的值，如下公式：

4、截齿合金头部分的损耗：由于切削仿真本身岩石部分采用了粘聚力单元，因此整个仿真模型较大，所以截齿部分在切削仿真中使用刚体模型。刚体本身是没有损伤的，但是从切削仿真中可以得到刚体截齿的所有表面节点在每个时间步受到的接触力。将这部分接触力提取出来，单独建立截齿的柔性体仿真模型，接触力作为所有表面节点的每个时间步的节点在XYZ方向的节点力分别赋予。将合金钻头赋予标准WC(碳化钨)材料，计算结果中失效的单元为截齿合金头的损耗。输出仿真前后合金钻头的有效单元的体积列表，将仿真前后的单元编号进行比较，无法对应的单元编号的仿真前体积总和为合金头的损耗体积。

5、截齿齿体部分的损耗：具体方法如截齿合金钻头部分的损耗计算方式相同，齿体部分赋予标准42CrMo钢材材料。

6、岩石的裂纹扩展深度，通过获取切削前和切削后切削路径上的内聚力网格的像素点比值、切削前切削路径上的内聚力网格的面积以及所述切削路径的长度；根据所述像素点比值和切削前所述切削路径上的所述内聚力网格的面积确定切削后所述切削路径上的所述内聚力网格的面积；根据切削前和切削后所述切削路径上的所述内聚力网格的面积差值以及所述切削路径的长度确定所述裂纹扩展深度。

S2、建立样本数据库，所述样本数据库包括切削参数组合以及相应的所述切削效率数据。由于单齿切削岩石仿真模型比多齿切削岩石仿真模型小、计算速度快，所以除了考虑截齿的横向间距必须要多截齿切削仿真，其余因素的切削效率可用单齿切削岩石仿真获得。单截齿切削岩石仿真可以分析岩石材质、截齿切削角度、截齿下压深度(旋挖钻加压力)、截齿切削速度(扭矩)、截齿尺寸这五个因素。多截齿切削仿真可以分析岩石材质和两组截齿的横向间距这两个因素。针对同种岩石材质的情况下，单截齿的切削相当于多截齿中两组截齿横向间距在50mm的情况(相邻两组截齿的距离最远，互相之间不会干涉影响)，这样可以将单截齿和多截齿的切削效率数据结果关联在一个数据库之中。

S3、搭建用于训练所述样本数据的神经网络。人工神经网络(Artificial NeuralNetworks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

S4、采集所述样本数据库并输入至所述神经网络中训练得到切削效率模型。

如图6所示，在采集所述样本数据库并输入至所述神经网络中训练得到切削效率模型的步骤中，具体包括如下步骤S401～S406。

S401、根据所述样本数据库构建一样本集。

S402、随机划分所述样本集为训练样本及测试样本。

S403、读取所述训练样本中的数据，输入所述训练样本至所述神经网络中，以执行训练操作。

S404、在训练过程中对所述神经网的网络参数权重进行调整，以获得训练后的第一神经网络模型。

S405、输入所述测试样本至所述第一神经网络模型中进行验证操作，得到验证结果。步骤S405具体包括如下步骤：S4051、输入X个测试样本至第一神经网络模型，获取X个第一结果；S4052、将所述X个第一结果与所述X个测试样本的切削效率数据比较，统计所述第一结果与所述切削效率数据之差的绝对值大于一阈值的样本个数Y；S4053、计算第一验证结果，所述计算第一验证结果为样本个数Y与样本个数X的比值。

S406、根据所验证结果对所述第一神经网络模型进行优化，以获得切削效率模型。

S5、输入多组目标参数组合至所述切削效率数据模型中，输出得到相应的目标切削效率数据，每组目标参数组合对应输出多种目标切削效率数据。

本发明的输出结果可以得到旋挖钻机做的功、岩石的破碎体积、切削比能耗、截齿合金头部分的损耗、截齿齿体部分的损耗以及岩石的裂纹扩展深度这六个结果。本发明还可将输出结果封装成可视化软件(如图7所示)，直观对应输入目标参数和输出结果的可视化。然而这六个输出结果的趋势并非相同，比如旋挖钻机做的功少、耗能低是优势，但同时切削岩石的破碎体积小、岩石裂纹扩展浅则是劣势。并且所有输出结果的数值量级和单位不同，因此需要如下步骤进行量化的统一处理。

S6、根据所述目标切削效率数据确定所述多个目标参数组合中的最优组合。

如图8所示，在根据所述目标切削效率数据确定所述多个目标参数组合中的最优组合的步骤中，具体包括如下步骤S601～S602。

S601、将输出的所述多种切削效率数据分别进行百分制转换。

S602、根据预设的加权权重进行加权平均得到加权分数，所述加权分数最高的为所述最优组合。

在本实施例中，先将六个输出结果分别进行百分制转换。然后引入比例判定因子(即加权权重)计算加权总分，将六个结果合并为一个加权分数来表征切削效率(图7所示)。例如，在一实施例挖掘场景中，不顾油耗不顾截齿损伤，给筒钻加大压力，那么可以将岩石体积和裂纹扩展深度这两项设置比较大的权重，而切削功、比功耗、截齿合金头和齿体的损伤体积设置比较小的权重。而一般考虑到把筒钻升出地面换齿很花时间(截齿本来就是消耗品，但是换的太频繁不但购买截齿成本上升，重要的是由于截齿摩擦生热、等于要在高温条件下换齿、换齿时间影响整体效率)，因此切削功、比功耗、截齿合金头和齿体的损伤体积需要设置较大的权重。

在本实施例中，步骤S5还具有遍历数据的功能，分别遍历除了岩石材质外的其他目标参数，可以得到对应的切削效率数据，排除岩石材质是因为工地一经确定，则岩石材质值固定。以目标参数组合中单个输入因子为例，固定其他五个输入因子，遍历需要分析的单个输入因子数据，绘制单因子的切削效率图(图9)，横轴为输入因子(Degree，截齿切削角度)、纵轴为切削效率(Score，分数)，曲线的峰值切削效率最高，找到峰值对应的横轴的输入因子，说明在这个值附近范围切削效率高。

如图10所示，在本实施例中，也可以固定目标参数组合中的四个输入因子，同时遍历两个输入因子(Degree，截齿切削角度；Distance of CT(mm)，相邻两组截齿的横向间距)绘制三维图，曲面的低谷处切削效率低、曲面的峰值处切削效率高，这可以研究两个输入因子的优化组合。在绘制图的同时，还会将输出数据结果以excel(图7中的一键可以导出)表呈现，可以方便后续的精确对比。采用这种方法两两组合几次，即可搭配出适合对应工地(岩石材质)的最优化截齿排布方法。

本发明提供一种截齿筒钻的优化方法，通过获取得到的单截齿筒钻和多截齿筒钻的多种切削参数以及相应的多种切削效率数据，进行神经网络模型训练得到切削效率模型。输入多组目标参数组合至所述切削效率数据模型中输出得到相应的目标切削效率数据，根据所述目标切削效率数据确定所述多个目标参数组合中的最优组合。

本发明的多组目标参数组合同时考虑旋挖钻机的截齿筒钻多个目标参数之间的相互关联作用，最后给出优化组合，并且将表现切削效率数据的不同趋势、不同数量级、不同单位的切削效率数输出整合成一个值。并且可以可视化的输出特定输入因子的切削效率趋势图与表，可直观表示切削效率与输入因子的关系。

本发明采用了一种带有粘聚力网格的三维有限元方法对截齿切削进行仿真，引入这种内聚力网格后，分别通过内聚力网格、以及被内聚力网格黏在一起的普通三维拉格朗日网格在作用力下的单元失效，可表现出岩石脆性断裂和塑性粉碎这两种破坏方式。由于岩石切削仿真本身网格数量多，接触多，计算量大，因此不适合进行有新输入，重新计算一组输出的试错型仿真计算。所以为了得到优化结果，需要先建立变参数数据库，再对数据库结果进行模型训练处理。

实施例2

如图11所示，本发明还提供一种截齿筒钻的优化装置，包括：获取模块11、建立模块12、搭建模块13、采集模块14、输入模块15以及确定模块16。

所述获取模块11用以获取单截齿筒钻和多截齿筒钻的多种切削参数以及相应的多种切削效率数据。

所述建立模块12用以建立样本数据库，所述样本数据库包括切削参数组合以及相应的所述切削效率数据。

所述搭建模块13用以搭建用于训练所述样本数据的神经网络。

所述采集模块14用以采集所述样本数据库并输入至所述神经网络中训练得到切削效率模型。

所述输入模块15用以输入多组目标参数组合至所述切削效率数据模型中，输出得到相应的目标切削效率数据，每组目标参数组合对应输出多种目标切削效率数据。

所述确定模块16用以根据所述目标切削效率数据确定所述多个目标参数组合中的最优组合。

在本实施例中还提供了一种截齿筒钻的优化装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本实施例中的截齿筒钻的优化装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。

上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。

本发明实施例还提供一种电子设备，具有上述图11所示的接入网络的认证装置。

请参阅图12，图12是本发明可选实施例提供的一种电子设备的结构示意图，该电子设备可以包括：至少一个处理器51，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口53，存储器54，至少一个通信总线52。其中，通信总线52用于实现这些组件之间的连接通信。其中，通信接口53可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口53还可以包括标准的有线接口、无线接口。存储器54可以是高速RAM存储器(RandomAccess Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。其中处理器51可以结合图11所描述的装置，存储器54中存储应用程序，且处理器51调用存储器54中存储的程序代码，以用于执行上述任一方法步骤。

其中，通信总线52可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示，图12中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器54可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器54还可以包括上述种类的存储器的组合。

其中，处理器51可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。

其中，处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。

可选地，存储器54还用于存储程序指令。处理器51可以调用程序指令，实现如本发明所示的截齿筒钻的优化方法。

本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的截齿筒钻的优化方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。