滚刀实际工作时间确定、磨损量实时预测方法及终端
1.本发明属于隧道施工领域，具体地，涉及一种滚刀实际工作时间确定、磨损量实时预测方法及终端。
背景技术：
2.盾构法是地下隧道建设常采用的方法之一。盾构机刀盘前方的滚刀在盾构推力和刀盘扭矩作用下旋转切割地层，并将开挖后的渣土通过渣土车转移出隧道，从而达到隧道开挖的目的。随着盾构机向前掘进，滚刀不可避免的发生磨损，导致盾构掘进效率的降低。在硬岩地层中施工时，滚刀磨损严重还将大幅增加盾构机卡顿的风险，进而影响施工工期，增加施工成本。因此，需要对磨损量接近或达到限值的滚刀及时进行更换。目前，工程现场换刀作业主要依靠人工进入开挖舱，通过对滚刀磨损量进行逐一测量后再确定需要更换的滚刀。在不良地质中进行开舱检查时，需要增大土舱内气压以维持开挖面稳定，造成换刀作业环境恶劣，极大的降低工作效率，增加了换刀作业风险。因此，有必要对刀具磨损量进行预测，从而提高换刀效率。现有滚刀磨损量预测方法大多考虑刀盘滚刀整体磨损情况，然而换刀作业中需要确定某单把滚刀的磨损状态从而判断其是否需要更换。由此可见，急需一种盾构滚刀磨损量预测方法，实现对单把滚刀的磨损预测，从而减少开舱换刀作业时间和次数，进而有效降低换刀作业风险，提高盾构施工效率。
3.经对现有技术文献的检索发现，中国发明专利申请号为cn201310134258.6，公开号为cn103235880a，专利名称为：用径向磨损系数对盘形滚刀寿命进行预测的方法，该专利自述为：“通过计算全断面隧道掘进机刀盘上盘形滚刀径向磨损系数、对盘形滚刀径向磨损系数进行修正、对全断面隧道掘进机刀盘上盘形滚刀寿命进行预测。”该专利所述的滚刀磨损量预测方法基于刀盘上正面滚刀、边缘滚刀整体角度考虑，无法对某单把滚刀磨损量进行预测。当盾构处于复杂地层条件下施工时，滚刀磨损量随盾构开挖过程变化迅速，地质情况无法做到准确实时更新，因此，该方法难以实现滚刀磨损量的实时预测。此外，该方法仍需要人工进入开挖舱内通过测量滚刀磨损情况再确定某把滚刀更换与否，无法对换刀作业提供准确依据，导致换刀作业效率低下，实用性差，施工风险高。
技术实现要素：
4.针对现有方法中的缺陷，本发明的目的是提供一种滚刀实际工作时间确定、磨损量实时预测方法及终端，通过准确确定滚刀实际工作时间，实现对盾构掘进过程中某单把滚刀磨损量的实时预测，提高预测结果的准确性和可靠性。
5.本发明的第一方面，提供一种滚刀实际工作时间确定方法，包括：
6.s1，获取一滚刀截止到当前，在检查中磨损量记录的次数；
7.s2，在获得的滚刀磨损量记录的次数中，出相邻第i次滚刀磨损量和第i-1次的滚刀磨损量记录数据，其中i为大于1的自然数；
8.s3，过滤掉滚刀第i次磨损量记录与第i-1次磨损量记录区段内盾构机非工作时间
的数据；
9.s4，在s3过滤后的数据中，再过滤掉第i次磨损量记录与第i-1次磨损量记录区段内盾构机每环掘进过程中的起始段和结束段数据，保留稳定阶段数据；
10.s5，根据s4保留的稳定阶段数据，确定第i次磨损量记录与第i-1次磨损量记录区段内滚刀与地层相互作用时间，该时间即为第i次和第i-1次滚刀磨损量对应的滚刀实际工作时间。
11.本发明的第二方面，提供一种盾构滚刀寿命评价标准构建方法，包括：
12.获取滚刀的累计磨损量；
13.采用上述的滚刀实际工作时间确定方法获取所述累计磨损量对应的滚刀实际工作时间；
14.根据滚刀的所述累计磨损量和对应的所述实际工作时间构建滚刀寿命评价标准，所述滚刀寿命评价标准由下式确定：
15.cl＝wa/tw
16.式中，cl为滚刀寿命评价标准，单位为mm/min；wa为滚刀的累计磨损量，单位为mm；tw为滚刀的累计磨损量所对应的实际工作时间，单位为min。
17.本发明的第三方面，提供一种盾构滚刀磨损量实时预测方法，包括：
18.建立cnn深度学习网络模型；
19.构建滚刀磨损参数训练集，对所述参数训练集进行归一化处理；
20.将归一化处理后的所述参数训练集和盾构滚刀寿命评价标准输入所述cnn深度学习网络模型进行训练，训练后得到用于滚刀磨损量预测的cnn深度学习预测模型；所述盾构滚刀寿命评价标准采用所述的盾构滚刀寿命评价标准构建方法构建；
21.将待测试的滚刀磨损参数输入所述cnn深度学习预测模型，输出滚刀磨损量预测值。
22.本发明的第四方面，提供一种盾构滚刀磨损量实时监测终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，所述处理器执行所述程序时用于执行如下任一项方法：
[0023]-上述的滚刀实际工作时间确定方法；
[0024]-上述的盾构滚刀寿命评价标准构建方法；
[0025]-上述的盾构滚刀磨损量实时预测方法。
[0026]
本发明的第五方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行如下任一项方法：
[0027]-上述的滚刀实际工作时间确定方法；
[0028]-上述的盾构滚刀寿命评价标准构建方法；
[0029]-上述的盾构滚刀磨损量实时预测方法。
[0030]
与现有技术相比，本发明具有如下至少一种的有益效果：
[0031]
本发明提出的滚刀实际工作时间确定方法，对盾构机工作时间进行处理，确定与滚刀磨损量对应的滚刀实际工作时间，为构建滚刀寿命评价标准提供了前提条件，能更好地评价单把滚刀磨损量状态。
[0032]
本发明提出的盾构滚刀寿命评价标准构建方法，构建的滚刀寿命评价标准充分考
虑了盾构施工中掘进参数变化对滚刀磨损的影响，能够准确提前预测滚刀磨损量变化情况。
[0033]
本发明提出的盾构滚刀磨损量实时预测方法，通过建立盾构掘进施工过程中滚刀寿命评价标准，同时结合cnn深度学习网络，能够随着施工进展对单把滚刀磨损量进行实时预测，可以帮助盾构现场施工人员判断刀具检查时机；采用cnn深度学习网络能够减少模型预测所需时间，降低模型计算成本，减少盾构机停机次数和每次停机时长，从而提高施工效率，降低施工成本。
[0034]
本发明所提出的方法简洁高效，准确性高，具有很大的应用和推广价值。
附图说明
[0035]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0036]
图1为本发明一实施例滚刀实际工作时间确定方法流程图；
[0037]
图2为本发明一实施例盾构滚刀寿命评价标准构建方法流程图；
[0038]
图3为本发明一实施例的滚刀磨损量预测流程原理图；
[0039]
图4为本发明一应用实施例盾构滚刀磨损量实时预测操作顺序图；
[0040]
图5为本发明一实施例滚刀累计磨损量随工作时间变化图；
[0041]
图6为本发明一实施例cnn深度学习网络结构图；
[0042]
图7为本发明一实施例滚刀磨损量预测结果图。
具体实施方式
[0043]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
[0044]
参照图1所示，本发明实施例提供一种滚刀实际工作时间确定方法，包括：
[0045]
s101，获取一滚刀截止到当前，在检查中磨损量记录的次数；
[0046]
s102，在获得的滚刀磨损量记录的次数中，出相邻第i次滚刀磨损量和第i-1次的滚刀磨损量记录数据，其中i为大于1的自然数；
[0047]
s103，过滤掉滚刀第i次磨损量记录与第i-1次磨损量记录区段内盾构机非工作时间的数据；
[0048]
s104，在s103过滤后的数据中，再过滤掉第i次磨损量记录与第i-1次磨损量记录区段内盾构机每环掘进过程中的起始段和结束段数据，保留稳定阶段数据；
[0049]
s105，根据s104保留的稳定阶段数据，确定第i次磨损量记录与第i-1次磨损量记录区段内滚刀与地层相互作用时间，该时间即为第i次和第i-1次滚刀磨损量对应的滚刀实际工作时间。
[0050]
本发明上述实施例通过准确确定滚刀磨损量的实际工作时间，从而为准确预测滚刀的磨损量提供了前提条件。
[0051]
在一些实施例中，s103的盾构机非工作时间的数据，按照以下步骤确定：
[0052]
s1021，采集盾构机的工作参数，工作参数包括掘进速度、贯入度和刀盘转速；
[0053]
s1022，判断工作参数中是否有零值，其中，若工作参数中任一个或多个为零值，则判断为盾构机非工作时间。
[0054]
在一些实施例中，上述s104的稳定阶段数据，满足的标准如下：
[0055][0056]
式中，为掘进第k环过程中变量j的平均值；为掘进第k环过程中变量j的标准差；gj为盾构机每环稳定掘进段数据中变量j的值；m为掘进环数；pr为贯入度；ar为掘进速度；tf为盾构推力；to为盾构刀盘扭矩；crs为盾构刀盘转速。
[0057]
在一些实施例中，上述s105的滚刀的累计磨损量所对应的实际工作时间，通过下式确定：
[0058][0059]
式中，tw表示滚刀累计磨损量对应的实际工作时间；ti表示第i次磨损量记录与第i-1次磨损量记录区段内滚刀实际工作时间；n表示滚刀磨损量记录的次数。
[0060]
参照图2所示，本发明另一实施例中，提供一种盾构滚刀寿命评价标准构建方法，包括：
[0061]
s201,获取滚刀的累计磨损量；滚刀是指盾构机某固定安装位置处的单把滚刀；累计磨损量可以通过人工测量方法或图像处理方法获得。
[0062]
s202,采用图1所示实施例中的滚刀实际工作时间确定方法，获取累计磨损量对应的滚刀实际工作时间；
[0063]
s203,根据s201得到的滚刀的累计磨损量和s202得到的累计磨损量对应的实际工作时间，构建滚刀寿命评价标准，其中，滚刀寿命评价标准由下式确定：
[0064]
cl＝wa/tw[0065]
式中，cl为滚刀寿命评价标准，单位为mm/min；wa为滚刀的累计磨损量，单位为mm；tw为滚刀的累计磨损量所对应的实际工作时间，单位为min。
[0066]
本实施例中，滚刀的累计磨损量是指一安装位置处滚刀从安装截止到当前的磨损量之和。本发明实施例能够随着施工进展对单把滚刀磨损量进行实时预测。滚刀寿命评价标准充分考虑了盾构施工中掘进参数变化对滚刀磨损的影响。
[0067]
参照图2所示，本发明另一实施例中，提供一种盾构滚刀磨损量实时预测方法，具体的可以按照步骤进行：
[0068]
s301,建立cnn深度学习网络模型；
[0069]
s302,构建滚刀磨损参数训练集，对参数训练集进行归一化处理；滚刀磨损参数训练集包括如下参数：盾构机动力系统参数、刀盘系统参数、排渣系统参数、渣土调节系统参数以及盾构隧道几何参数；
[0070]
s303,将归一化处理后的参数训练集和盾构滚刀寿命评价标准输入cnn深度学习网络模型进行训练，训练后得到用于滚刀磨损量预测的cnn深度学习预测模型；盾构滚刀寿命评价标准采用图2所示的方法构建；
[0071]
s304,将待测试的滚刀磨损参数输入cnn深度学习预测模型，输出滚刀磨损量预测值。
[0072]
在一些实施例中，s303中，将滚刀磨损参数训练集代入cnn深度学习网络模型输入层，将滚刀寿命评价标准代入cnn深度学习网络模型输出层，对cnn深度学习网络模型进行迭代训练，更新模型中的权重矩阵和偏置矩阵，训练完成后得到最终预测模型。滚刀寿命评价标准是cnn深度学习网络模型输出，其在迭代过程中与cnn深度学习网络模型输出值之差作为模型误差反向传播，从而更新权重矩阵和偏置矩阵，得到优化后的模型用于滚刀磨损量预测。
[0073]
本发明实施例盾构滚刀磨损量实时预测方法，通过构建cnn深度学习网络和盾构滚刀寿命评价标准，能够随着施工进展对单把滚刀磨损量进行实时预测。滚刀寿命评价标准充分考虑了盾构施工中掘进参数变化对滚刀磨损的影响，能够提前预测滚刀磨损量变化情况，可以帮助盾构现场施工人员判断刀具检查时机，减少盾构机停机次数和每次停机时长，从而提高施工效率，降低施工成本。
[0074]
本发明另一实施例中，还提供一种盾构滚刀磨损量实时监测终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，所述处理器执行所述程序时用于执行：上述实施例中所述的滚刀实际工作时间确定方法；或者上述实施例中所述的盾构滚刀寿命评价标准构建方法；或者，上述实施例所述的盾构滚刀磨损量实时预测方法。
[0075]
本发明另一实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行：上述实施例中所述的滚刀实际工作时间确定方法；或者上述实施例中所述的盾构滚刀寿命评价标准构建方法；或者，上述实施例所述的盾构滚刀磨损量实时预测方法。
[0076]
为了更好地说明本发明上述技术方案，以下结合具体的应用为例来说明实现的过程，但是应该理解的是，本发明并不局限于以下具体例。
[0077]
以某城市某盾构隧道施工为例，土压平衡盾构机开挖直径为9.15m，管片内外径分别为8m和8.8m，宽度为1.8m。刀盘开口率约为35％，共安装有56把恒截面盘形滚刀，包括6把双刃中心滚刀，38把单刃正面滚刀以及12把单刃边缘滚刀。双刃滚刀直径为432mm；单刃滚刀直径为483mm。本实施例以预测正面36号单刃滚刀磨损量为例，对本发明进行详细说明。
[0078]
具体的，参照图4所示，本实施例中为了实现盾构滚刀磨损量实时预测，在确定36号滚刀的累计磨损量后，进行如下操作：
[0079]
s401，进行滚刀实际工作时间确定；
[0080]
s402，基于确定的滚刀实际工作时间和磨损量建立评价标准；
[0081]
s403，再建立cnn深度学习预测模型并训练；
[0082]
s404，采用cnn深度学习预测模型进行预测，得到滚刀磨损量预测值。
[0083]
以下实施例中，36号滚刀的累计磨损量，是盾构掘进过程中36号滚刀更换时，利用19寸滚刀磨损量的量刀卡尺测量得到的滚刀径向磨损量之和。当然，在其他实施例中也可以使用图像处理的方法，比如获取前后滚刀图像，然后处理得到滚刀的轮廓线，经过轮廓线的比对得到滚刀累计磨损量。
[0084]
本实施例中，为了确定滚刀实际工作时间，s401可以采用以下步骤：
[0085]
第一步、获取36号滚刀截止到当前，在检查中磨损量记录的次数；
[0086]
第二步，在获得的滚刀磨损量记录的次数中，过滤掉36号滚刀的第i次磨损量记录与第i-1次磨损量记录区段内盾构机非工作时间；
[0087]
具体的，盾构机非工作时间通过下式确定：
[0088]
f＝f(ar)
×
f(pe)
×
f(crs)
[0089]
式中，f值为零则表示盾构机处于非工作状态，ar为掘进速度，pe为贯入度，crs为刀盘转速。f(x)为判断掘进速度、贯入度、刀盘转速中是否包含零值的函数，如下式所示：
[0090][0091]
第三步，再过滤掉36号滚刀的第i次磨损量记录与第i-1次磨损量记录区段内盾构机每环掘进过程中的起始段和结束段数据，保留稳定掘进段数据。
[0092]
具体的，稳定阶段数据所满足的标准通过下式确定：
[0093][0094]
式中，为掘进第k环过程中变量j的平均值；为掘进第k环过程中变量j的标准差；gj为盾构机每环稳定掘进段数据中变量j的值；m为掘进环数；tf为盾构推力；to为盾构刀盘扭矩；crs为盾构刀盘转速。
[0095]
36号滚刀与地层相互作用时间ti等于经过第一步和第二步处理过后，36号滚刀的第i次磨损量记录与第i-1次磨损量记录区段内剩余的数据样本量，即保留的稳定阶段数据。
[0096]
第四步，确定第i次磨损量记录与第i-1次磨损量记录区段内滚刀与地层相互作用时间，该时间即为第i次和第i-1次滚刀磨损量对应的滚刀实际工作时间。
[0097]
实际工作时间代表了36号滚刀在盾构掘进过程中与地层相互作用的时间，通过下式确定：
[0098][0099]
式中，tw表示36号滚刀实际工作时间；ti表示36号滚刀的第i次磨损量记录与第i-1次磨损量记录区段内滚刀与地层相互作用时间；n表示36号滚刀磨损量记录的次数。本实施例中，36号滚刀磨损量记录次数n为28。
[0100]
通过上述的第一步到第四步，可以得到对应滚刀磨损量的滚刀的实际工作时间。
[0101]
在获得上述36号滚刀实际的实际工作时间之后，本实施例进一步执行s402，建立36号滚刀寿命评价标准。
[0102]
36号滚刀累计磨损量随工作时间变化情况如图5所示。本实施例中，根据上述的36号滚刀磨损量以及其对应的实际工作时间，建立36号滚刀寿命评价标准。具体的，36号滚刀寿命评价标准，由下式确定：
[0103]
cl＝wa/tw[0104]
式中，cl为36号滚刀寿命评价标准，单位为mm/min；wa为36号滚刀的累计磨损量，单位为mm；tw为36号滚刀的累计磨损量所对应的工作时间，单位为min。
[0105]
本实施例中通过上述公式确定的标准，来作为盾构掘进过程中衡量36号滚刀磨损状况的指标。
[0106]
在确定36号滚刀寿命评价标准之后，本实施例再执行s403和s404，建立cnn深度学习预测模型并训练，并采用训练后的cnn深度学习预测模型进行预测，得到滚刀磨损量预测值。
[0107]
具体的，建立cnn深度学习预测模型并训练，其中，
[0108]
(1)建立cnn深度学习网络模型
[0109]
所述cnn深度学习网络模型结构如图6所示，由输入层、卷积层、池化层、flattern层、全连接层以及输出层组成。这些层依次串联，构成cnn深度学习网络模型。
[0110]
cnn深度学习网络模型的参数包括：输入层、全连接层、输出层中神经元的数量，迭代次数，代价函数以及优化器。
[0111]
输入层神经元数量等于第四步中滚刀磨损参数集中参数的数量。本实施例中，输入层神经元数量为43。全连接层和输出层神经元数量在步骤六中确定。
[0112]
卷积层通过卷积核深度、卷积核大小以及卷积步长确定，池化层通过池化区域大小以及池化步长确定，flattern层将池化层的输出结果在输入全连接层之前转换为一维。本实施例中，卷积层中卷积核深度为24，卷积核大小为6，步长为2。池化层中池化区域大小为2，步长为1。
[0113]
迭代次数是将滚刀磨损参数集和滚刀寿命评价标准代入cnn深度学习网络模型计算的次数，本实施例中迭代次数设定为200次。当然，在其他实施例中也可以是其他的迭代次数。
[0114]
代价函数是衡量cnn深度学习网络模型预测值与测量值误差大小的函数。本实施例中，采用均方差函数(mse)作为代价函数。
[0115]
上述优化器是在每一次迭代过程中优化cnn深度学习网络模型中权重矩阵和偏置矩阵的算法。本实施例中，采用adam算法作为权重矩阵和偏置矩阵的优化算法。
[0116]
(2)构建滚刀磨损参数训练集，对参数训练集、滚刀寿命评价标准进行归一化处理。
[0117]
本步骤中，上述滚刀磨损参数训练集是指盾构施工中影响滚刀磨损的掘进参数随时间变化的数据样本。影响滚刀磨损的掘进参数包括盾构机动力系统参数、刀盘系统参数、排渣系统参数，渣土调节系统参数以及盾构隧道几何参数。
[0118]
具体的，本实施例中，动力系统参数包括盾构推力、推进速度、贯入度、土舱压力以及六组盾构液压油缸顶推力；刀盘参数包括刀盘转速和刀盘扭矩；排渣系统参数包括螺旋机转速、螺旋机扭矩、螺旋机土压；渣土调节系统参数包括九组泡沫管压力、九组泡沫流速以及九组空气流速；盾构隧道几何参数取为隧道顶板至地面的距离。
[0119]
本步骤中，归一化处理是指将滚刀磨损参数训练集和滚刀寿命评价标准进行无量纲化处理，归一化公式如下式所示：
[0120][0121]
x为归一化处理后的数据样本；x
min
和x
max
分别为滚刀磨损参数集中各个变量的最小和最大值；x为原数据样本。
[0122]
(3)将归一化处理后的的滚刀磨损训练集和滚刀寿命评价标准代入cnn深度学习网络模型，确定预测模式，全连接层和输出层神经元数量，并利用优化器更新模型训练参数。
[0123]
本步骤中，上预测模式是指cnn模型预测滚刀磨损所考虑的历史信息量和输出信息量。具体的，历史信息量和输出信息量通过下式确定：
[0124][0125][0126]
式中，ti为历史信息量；to为输出信息量；t为盾构掘进一环所需平均时间。
[0127]
本实施例中，盾构隧道掘进一环平均时间t＝225min；历史信息量ti＝5min；输出信息量to＝3min。
[0128]
输出层神经元数量等于输出信息量。本实施例中输出层神经元数量为3。
[0129]
全连接层神经元数量通过下式确定：
[0130]
q＝3p-1
[0131]
式中，q为全连接层神经元数量，p为输出层神经元数量。本实施例中，全连接层神经元数量q＝8。
[0132]
重复直至cnn深度学习模型迭代次数达到200次，并输出滚刀磨损量预测值。图7为本实施例36号滚刀磨损量预测结果图。
[0133]
由图7可知，盾构机工作时间达到10000min时，36号位置滚刀累计磨损量预测值为130mm，该时刻上一次滚刀累计磨损测量值为127mm，两者之差为3mm，小于36号滚刀磨损限值15mm，因此盾构机工作时间达到10000min时不需要更换36号滚刀，若上述两者之差大于或等于15mm，则需要更换36号滚刀。若两者之差接近15mm(例如达到了13或14mm)，则可以根据现场情况提前准备换刀事宜。
[0134]
本发明上述实施例，通过准确确定滚刀实际工作时间，并进一步构建滚刀寿命评价标准，结合cnn深度学习网络模型，可以实现对盾构掘进过程中某单把滚刀磨损量的实时预测，提高预测结果的准确性和可靠性，减少施工中刀具检查维护次数和时间，有效盾构隧道施工效率，降低换刀过程的风险。
[0135]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质。
技术特征：
1.一种滚刀实际工作时间确定方法，其特征在于，包括：s1，获取一滚刀截止到当前，在检查中磨损量记录的次数；s2，在获得的滚刀磨损量记录的次数中，出相邻第i次滚刀磨损量和第i-1次的滚刀磨损量记录数据，其中i为大于1的自然数；s3，过滤掉滚刀第i次磨损量记录与第i-1次磨损量记录区段内盾构机非工作时间的数据；s4，在s3过滤后的数据中，再过滤掉第i次磨损量记录与第i-1次磨损量记录区段内盾构机每环掘进过程中的起始段和结束段数据，保留稳定阶段数据；s5，根据s4保留的稳定阶段数据，确定第i次磨损量记录与第i-1次磨损量记录区段内滚刀与地层相互作用时间，该时间即为第i次和第i-1次滚刀磨损量对应的滚刀实际工作时间。2.根据权利要求1所述的滚刀实际工作时间确定方法，其特征在于，所述盾构机非工作时间的数据，按照以下步骤确定：采集盾构机的工作参数，所述工作参数包括掘进速度、贯入度和刀盘转速；判断所述工作参数中是否有零值，其中，若所述工作参数中任一个或多个为零值，则判断为盾构机非工作时间。3.根据权利要求1所述的滚刀实际工作时间确定方法，其特征在于，所述稳定阶段数据，满足的标准如下：式中，为掘进第k环过程中变量j的平均值；为掘进第k环过程中变量j的标准差；g
j
为盾构机每环稳定掘进段数据中变量j的值；m为掘进环数；pr为贯入度；ar为掘进速度；tf为盾构推力；to为盾构刀盘扭矩；crs为盾构刀盘转速。4.根据权利要求1所述的滚刀实际工作时间确定方法，其特征在于，所述滚刀的累计磨损量所对应的实际工作时间，通过下式确定：式中，t
w
表示滚刀累计磨损量对应的实际工作时间；t
i
表示第i次磨损量记录与第i-1次磨损量记录区段内滚刀实际工作时间；n表示滚刀磨损量记录的次数。5.一种盾构滚刀寿命评价标准构建方法，其特征在于，包括：获取滚刀的累计磨损量；采用权利要求1-4任一项所述的方法获取所述累计磨损量对应的滚刀实际工作时间；根据滚刀的所述累计磨损量和对应的所述实际工作时间构建滚刀寿命评价标准，所述滚刀寿命评价标准由下式确定：cl＝w
a
/t
w
式中，cl为滚刀寿命评价标准，单位为mm/min；w
a
为滚刀的累计磨损量，单位为mm；t
w
为滚刀的累计磨损量所对应的实际工作时间，单位为min。6.根据权利要求5所述的盾构滚刀寿命评价标准构建方法，其特征在于，所述滚刀的累计磨损量是指一安装位置处滚刀从安装截止到当前的磨损量之和。7.一种盾构滚刀磨损量实时预测方法，其特征在于，包括：
建立cnn深度学习网络模型；构建滚刀磨损参数训练集，对所述参数训练集进行归一化处理；将归一化处理后的所述参数训练集和滚刀寿命评价标准输入所述cnn深度学习网络模型进行训练，训练后得到用于滚刀磨损量预测的cnn深度学习预测模型；所述滚刀寿命评价标准采用权利要求5或6所述的方法构建；将待测试的滚刀磨损参数输入所述cnn深度学习预测模型，输出滚刀磨损量预测值。8.根据权利要求5所述的盾构滚刀磨损量实时预测方法，其特征在于，所述滚刀磨损参数训练集包括如下参数：盾构机动力系统参数、刀盘系统参数、排渣系统参数、渣土调节系统参数以及盾构隧道几何参数。9.一种盾构滚刀磨损量实时监测终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时用于执行如下任一项方法：-权利要求1-4任一项所述的滚刀实际工作时间确定方法；-权利要求5或6所述的盾构滚刀寿命评价标准构建方法；-权利要求7或8所述的盾构滚刀磨损量实时预测方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时用于执行如下任一项方法：-权利要求1-4任一项所述的滚刀实际工作时间确定方法；-权利要求5或6所述的盾构滚刀寿命评价标准构建方法；-权利要求7或8所述的盾构滚刀磨损量实时预测方法。
技术总结
本发明提供一种滚刀实际工作时间确定、磨损量实时预测方法及终端，包括：获取一滚刀在检查中磨损量记录的次数；出相邻第i次滚刀磨损量和第i-1次的滚刀磨损量记录数据；过滤掉滚刀第i次磨损量记录与第i-1次磨损量记录区段内盾构机非工作时间的数据；再过滤掉第i次磨损量记录与第i-1次磨损量记录区段内盾构机每环掘进过程中的起始段和结束段数据，保留稳定阶段数据；确定第i次磨损量记录与第i-1次磨损量记录区段内滚刀与地层相互作用时间，该时间即滚刀实际工作时间。本发明实现对盾构掘进过程中某单把滚刀磨损量的实时预测，提高预测结果的准确性和可靠性，减少施工中刀具检查维护次数和时间。维护次数和时间。维护次数和时间。
