85、基于去噪自动编码器的隧道掘进机盘形刀具更换预测

基于去噪自动编码器的隧道掘进机盘形刀具更换预测

1. 引言

随着城市化的发展，隧道运输的需求日益增长。传统的钻爆法难以满足高效和高安全的要求，因此隧道掘进机（TBM）在隧道工程中得到了更广泛的应用。在TBM掘进过程中，刀盘上的盘形刀具会同时受到两个垂直方向的阻力，在高且变化的负载下，盘形刀具经常失效。刀具失效不仅会导致掘进效率低下，还会损坏TBM的其他部件。如果不及时更换刀具，TBM的效率、使用寿命和安全性都会受到影响。

目前获取刀具状态的方法主要有手动检查、基于传感器的方法和间接方法。手动检查耗时且不经济；基于传感器的方法虽然可以实时获取刀具状态，但传感器工作环境恶劣，可靠性低；间接方法则通过其他数据间接获取刀具状态，包括统计方法、动力学方法和机器学习方法。不过，这些方法在数据处理过程中需要大量的人工工作，降低了算法在隧道工程中的实用性。

去噪自动编码器（DAE）可以在有噪声的情况下自动学习数据的深层特征并重建原始数据。本文将构建一个基于现场数据的DAE刀具更换预测模型。

2. 预测框架

2.1 刀具健康指标及相关参数

通常使用刀具健康指标来描述盘形刀具的状态。最直观的健康指标是刀圈的磨损量，但在掘进过程中很难获取。因此，许多间接的刀具健康指标被用于表示刀具状态，常见的刀具健康指标如下表所示：
| 研究 | 健康指标 |
| — | — |
| Bruland [5] | (Hm = \frac{l}{N})，(Hf = Hm·\frac{\pi·d^2}{4}) |
| Hassanpour [4] | (Hri = \frac{\sum Hni}{N·Hni}) |