一种融合物理信息神经网络与跨工况迁移学习的TBM滚刀磨损预测方法

本发明属于tbm滚刀磨损智能监测，尤其涉及一种融合物理信息神经网络与跨工况迁移学习的tbm滚刀磨损预测方法。

背景技术：

1、全断面硬岩掘进机（tbm）是长大深埋隧道施工的核心装备，广泛应用于铁路、公路及城市地下空间开发等工程领域。在硬岩地层掘进过程中，滚刀作为直接破岩的关键部件，其磨损状态直接决定掘进效率、施工成本及工程安全。滚刀磨损量过大将导致破岩效率急剧下降、刀盘扭矩异常升高，严重时引发刀盘卡死、掌子面失稳等灾难性工程事故。因此，亟需发展一种滚刀磨损状态智能感知与预警技术，以减少停机时间并提升开挖效率。

2、现有滚刀磨损预测技术主要包括理论模型法以及纯数据驱动法。然而，理论模型法依赖大量理想化假设与简化条件，导致其工程适用性与预测精度受限。纯数据驱动法因缺乏物理约束而易产生非物理预测，且对未参与训练的新工程适用性差，需重新采集大量样本进行训练，难以满足预测的实时性需求。

3、物理信息神经网络通过将偏微分方程或代数物理约束嵌入神经网络损失函数，实现了数据驱动与物理机理的端到端融合。然而，将物理信息神经网络技术应用于滚刀磨损预测场景仍面临以下不足：

4、（1）跨域迁移能力弱，不同工程地质条件差异显著，源域模型难以直接应用于目标域，且新工程初始掘进阶段通常仅能获得少量开仓检测数据，传统物理信息神经网络在小样本条件下从头训练收敛困难，导致新工程适用性差；（2）缺乏工程应用价值，现有模型仅输出磨损量而未能给出明确的换刀决策方案，难以直接指导现场施工；（3）物理约束覆盖不全，滚刀磨损涉及多物理场耦合，单一物理约束难以刻画全部磨损规律。（4）已有方法主要依据滚刀磨损量或剩余寿命确定换刀时机，未进一步综合考虑刀盘不同刀位的磨损差异、最大换刀数以及前方围岩条件，难以确定适宜的换刀里程位置和组合换刀方案。

技术实现思路

1、为解决上述技术问题，本发明提出了一种融合物理信息神经网络与跨工况迁移学习的tbm滚刀磨损预测方法，能够实现滚刀磨损精准预测与换刀时机智能决策，降低非计划停机风险，提高模型在复杂地质条件下的适应能力和预测可靠性。

2、为实现上述目的，本发明提供了一种融合物理信息神经网络与跨工况迁移学习的tbm滚刀磨损预测方法，包括：

3、根据历史tbm施工过程中的地质参数、掘进参数及滚刀配置参数，构建源域样本数据集；

4、将滚刀磨损演化规律作为物理约束项嵌入物理信息神经网络模型，基于所述源域样本数据集对嵌入所述物理约束项的物理信息神经网络模型进行预训练，获得预训练模型；

5、将所述预训练模型迁移至目标工程并固定部分网络层参数，利用目标工程少量样本数据对未冻结参数进行训练更新，获得目标工程滚刀磨损预测模型；

6、获取待预测工程实时掘进数据，将所述待预测工程实时掘进数据输入至所述目标工程滚刀磨损预测模型，获得滚刀磨损预测结果。

7、可选的，构建源域样本数据集包括：

8、根据历史tbm施工过程中的连续掘进参数，按时间戳进行排序，并剔除设备停机、通信异常及超出正常工作范围的异常数据，获得清洗后的掘进参数；

9、根据所述清洗后的掘进参数，建立时间与掘进距离的对应关系，作为多源数据统一对齐基准；

10、根据地质勘察资料和所述多源数据统一对齐基准，将岩石单轴抗压强度和cerchar磨蚀性指数按地层里程区间映射至连续掘进时间序列，获得地质参数时序数据；

11、根据滚刀更换记录，在发生滚刀更换时终止当前服役周期并以新安装滚刀作为磨损演化起点，结合所述地质参数时序数据、清洗后的掘进参数及滚刀配置参数，构建所述源域样本数据集。

12、可选的，获取所述物理约束项包括：

13、根据滚刀径向磨损理论，确定滚刀在对应工况下的理论径向磨损速率，构建磨损演化约束；

14、根据滚刀正常磨损的不可逆累积特性，构建径向磨损单调演化约束；

15、根据滚刀正常服役过程中的径向磨损范围及允许的最大径向磨损量，构建物理边界约束；

16、根据所述磨损演化约束、径向磨损单调演化约束和物理边界约束，加权组合构建所述物理约束项。

17、可选的，基于所述源域样本数据集对嵌入所述物理约束项的物理信息神经网络模型进行预训练，获得预训练模型包括：

18、根据所述源域样本数据集中开仓检测获得的滚刀实际径向磨损数据，构建数据损失函数；

19、基于所述物理约束项，构建物理约束损失函数；

20、基于所述数据损失函数和物理约束损失函数，构建源域预训练阶段的总损失函数；

21、根据所述总损失函数，采用反向传播算法更新网络权重和偏置参数进行迭代训练，获得所述预训练模型。

22、可选的，利用目标工程少量样本数据对未冻结参数进行训练更新包括：

23、将所述预训练模型的网络参数加载至目标工程物理信息神经网络作为初始参数，冻结靠近输入端的预设数量的网络层参数，仅训练靠近输出端的后部隐藏层及输出层，进行快速适应训练；

24、根据所述快速适应训练后的模型，按照由输出端向输入端、由深层向浅层的顺序逐步解除被冻结网络层的冻结状态，使新解冻层与原可训练网络层共同参与训练，进行渐进解冻训练；

25、根据所述渐进解冻训练的结果，解除全部网络层参数的冻结状态，使全部网络参数参与目标域损失函数优化，进行全网络精细收敛训练，获得所述目标工程滚刀磨损预测模型。

26、可选的，将所述待预测工程实时掘进数据输入至所述目标工程滚刀磨损预测模型，获得滚刀磨损预测结果包括：

27、根据待预测工程实时掘进数据，利用所述目标工程滚刀磨损预测模型，获得各滚刀在对应时刻的径向磨损预测值；

28、根据所述径向磨损预测值及对应滚刀允许的最大径向磨损量，计算磨损程度系数；

29、根据所述磨损程度系数，获得滚刀磨损预测结果。

30、可选的，所述方法还包括：

31、根据所述滚刀磨损预测结果，对滚刀磨损状态进行评估，生成换刀决策方案。

32、可选的，根据所述滚刀磨损预测结果，对滚刀磨损状态进行评估包括：

33、根据所述滚刀磨损预测结果，将滚刀磨损状态划分为轻微磨损、中等磨损及严重磨损；

34、根据所述滚刀磨损状态，将处于严重磨损状态的滚刀加入待换滚刀集合；

35、根据所述待换滚刀集合，结合当前掌子面及待掘进区段的地质条件，判断是否具备开仓换刀条件。

36、本发明还提供了一种融合物理信息神经网络与跨工况迁移学习的tbm滚刀磨损预测系统，包括：

37、数据获取模块，用于根据历史tbm施工过程中的地质参数、掘进参数及滚刀配置参数，构建源域样本数据集；

38、模型预训练模块，用于将滚刀磨损演化规律作为物理约束项嵌入物理信息神经网络模型，基于所述源域样本数据集对嵌入所述物理约束项的物理信息神经网络模型进行预训练，获得预训练模型；

39、跨工况迁移模块，用于将所述预训练模型迁移至目标工程并固定部分网络层参数，利用目标工程少量样本数据对未冻结参数进行训练更新，获得目标工程滚刀磨损预测模型；

40、滚刀磨损预测模块，用于获取待预测工程实时掘进数据，将所述待预测工程实时掘进数据输入至所述目标工程滚刀磨损预测模型，获得滚刀磨损预测结果；

41、评估模块，用于根据所述滚刀磨损预测结果，对滚刀磨损状态进行评估，生成换刀决策方案。

42、本发明还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序在运行时执行一种融合物理信息神经网络与跨工况迁移学习的tbm滚刀磨损预测方法的步骤。

43、与现有技术相比，本发明具有如下优点和技术效果：

44、（1）本发明通过源域预训练与目标域迁移微调，仅需少量开仓样本即可快速适配新工程，显著降低对大量实测数据的依赖，有效解决不同地质与掘进工况下模型适用性差的问题。（2）本发明将磨损演化规律、单调性及有界性约束嵌入损失函数，使预测结果严格满足磨损不可逆等物理本质，有效抑制非样本区域的非物理异常，提升模型泛化能力与工程可信度。（3）本发明结合滚刀磨损状态、前方地质条件生成以及最多换刀量约束生成组合换刀方案，实现由滚刀状态预测向滚刀维护决策的拓展，降低非计划停机风险。