一种盾构滚刀磨损量实时监测系统、方法、终端及介质

1.本发明涉及隧道施工领域的监测系统，具体地，涉及一种盾构滚刀磨损量实时监测系统、方法、终端及介质。


背景技术：

2.在地下隧道开挖过程中，盾构机通过施加顶推力和刀盘扭矩，使滚刀不断对前方地层进行挤压和切割。滚刀由于受到地层的磨蚀作用逐渐发生磨损，导致滚刀刀圈直径缩减，造成开挖效率大幅降低，因而需要定期对滚刀磨损情况进行检查，对达到磨损限值的滚刀进行更换。盾构施工中由于地质条件复杂，开挖土舱中往往需要在带压条件下进行，具有较高风险。由于受到舱内有压环境的限制，换刀作业需要通过接力的方式进行，大大降低换刀效率，增加换刀作业风险。此外，施工人员需要逐个检查每把滚刀磨损状况，从而确定需要更换的滚刀，费时费力，效率低下。因此，需要对单把滚刀磨损情况进行预测，从而精准判断需要更换的滚刀，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，加快盾构施工中有效推进时间占比，提高盾构施工效率。
3.经对现有技术文献的检索发现，中国发明专利申请公开号为cn108256168a，专利名称为：一种复合地层盾构滚刀磨损量确定方法，该专利通过地质勘察确定复合地层地质条件，根据摩擦能与磨损量的线性关系以及前期施工收集的换刀数据建立滚刀磨损预测模型，再结合盾构参数计算滚刀累计磨损量，依据盾构滚刀的额定磨损量限值确定换刀时间和开仓地点，从而实现合理安排开仓换刀、降低换刀成本的目的。该方法的预测结果的准确性和可靠性还可以进一步提升。


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盾构滚刀磨损量实时监测系统、方法、终端及介质，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。本发明还考虑了实际施工中的地层条件的影响，能进一步提高预测结果的准确性。
5.本发明的第一方面，提供一种盾构滚刀磨损量实时监测系统，包括：
6.参数获取模块，该模块获取盾构施工过程中滚刀磨损参数，形成滚刀磨损参数集；
7.标准建立模块，该模块基于滚刀的累计磨损量、该磨损量对应的滚刀实际工作时间以及该滚刀刀圈直径，建立滚刀寿命评价标准；
8.模型构建模块，该模块构建预测滚刀磨损量的cnn-rnn预测模型；
9.训练预测模块，将所述滚刀磨损参数集和所述滚刀寿命评价标准代入cnn-rnn预测模型，对所述cnn-rnn预测模型进行迭代训练，训练完成后得到最终预测模型，采用该最终预测模型得到滚刀磨损量预测值；
10.监测模块，根据所述预测模块的滚刀磨损量预测值对盾构滚刀磨损量实时监测。
11.可选地，所述标准建立模块，其中所述滚刀寿命评价标准为：滚刀寿命指标＝地层磨蚀性系数*滚刀的累计磨损量/(滚刀刀圈直径*滚刀实际工作时间)；所述滚刀的累计磨损量是滚刀更换时的磨损量之和；所述滚刀实际工作时间是对应于所述的滚刀的累计磨损量，该滚刀在盾构掘进过程中与地层相互作用的时间。
12.本发明的第二方面，提供一种盾构滚刀磨损量实时监测方法，包括：
13.获取盾构施工过程中滚刀磨损参数，形成滚刀磨损参数集；
14.基于滚刀的累计磨损量、该磨损量对应的滚刀实际工作时间以及该滚刀刀圈直径，建立滚刀寿命评价标准；
15.构建预测滚刀磨损量的cnn-rnn预测模型；
16.将所述滚刀磨损参数集和所述滚刀寿命评价标准代入cnn-rnn预测模型，对所述cnn-rnn预测模型进行迭代训练，训练完成后得到最终预测模型，采用该最终预测模型得到滚刀磨损量预测值；
17.根据所述预测模块的滚刀磨损量预测值对盾构滚刀磨损量实时监测。
18.本发明的第三方面，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运行所述的盾构滚刀磨损量实时监测系统，或执行所述的盾构滚刀磨损量实时监测方法。
19.本发明的第四方面，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运行所述的盾构滚刀磨损量实时监测系统，或执行所述的盾构滚刀磨损量实时监测方法。
20.与现有技术相比，本发明实施例具有如下至少一种的有益效果：
21.本发明提供的盾构滚刀磨损量实时监测系统及方法，基于盾构掘进施工过程中滚刀寿命评价标准，采用cnn-rnn组合深度学习网络实现盾构滚刀磨损量实时确定，能够随着施工进展对单把滚刀磨损量进行实时预测。cnn-rnn模型可以有效识别滚刀磨损参数集中与滚刀寿命评价标准关联性强的参数，并在模型迭代计算中更多保留这些参数的特征信息，同时滤除关联性差的参数在迭代计算过程中的参与度，从而加快模型收敛速度，减低模型计算成本。
22.本发明提供的盾构滚刀磨损量实时监测系统及方法，其中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，评价标准中结合了地层磨蚀性系数，可以定量的反映换刀位置地层磨蚀性对滚刀磨损的影响，从而能够提前更准确预测实际应用工况下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。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
23.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：
24.图1为本发明一实施例盾构滚刀磨损量实时监测系统模块框图；
25.图2为本发明一实施例盾构滚刀磨损量实时监测方法流程图；
26.图3为本发明一实施例滚刀累计磨损量随工作时间变化图；
27.图4为本发明一实施例cnn-rnn深度学习网络结构图；
28.图5为本发明一实施例滚刀磨损量预测结果图。
具体实施方式
29.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。
30.参照图1所示，本实施例中提供一种盾构滚刀磨损量实时监测系统，包括：参数获取模块、标准建立模块、模型构建模块、训练预测模块和监测模块，其中，参数获取模块用于获取盾构施工过程中滚刀磨损参数，形成滚刀磨损参数集；标准建立模块基于滚刀的累计磨损量、该磨损量对应的滚刀实际工作时间以及该滚刀刀圈直径，建立滚刀寿命评价标准；模型构建模块构建预测滚刀磨损量的cnn-rnn预测模型；训练预测模块将滚刀磨损参数集和滚刀寿命评价标准代入cnn-rnn预测模型，对cnn-rnn预测模型进行迭代训练，训练完成后得到最终预测模型，采用该最终预测模型得到滚刀磨损量预测值；监测模块根据预测模块的滚刀磨损量预测值对盾构滚刀磨损量实时监测。
31.本实施例克服了现有技术仅考虑刀盘整体滚刀健康程度的不足，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。
32.本发明实施例中，参数获取模块，用于获取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，其中，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；盾构隧道几何参数。在有些优选实施例中，参数获取模块还包括归一化处理子模块，将滚刀磨损参数集进行无量纲化处理，然后输入训练预测模块。
33.研究过程中发现，在实际施工中，滚刀磨损量会受到不同地层情况的影响，尤其是复杂地层情况时，为了更好准确评价，本发明在建立评价标准中考虑了地层磨蚀性系数。具体的，本发明一优选实施例中，标准建立模块建立的滚刀寿命评价标准为：滚刀寿命指标＝地层磨蚀性系数*滚刀的累计磨损量/(滚刀刀圈直径*滚刀实际工作时间)；其中，所述滚刀的累计磨损量是滚刀更换时的磨损量之和；所述滚刀实际工作时间是对应于所述的滚刀的累计磨损量，该滚刀在盾构掘进过程中与地层相互作用的时间。本实施例中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，可以提供准备的监测结果，以便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。
34.在一些实施例中，上述的滚刀的累计磨损量通过测量模块得到，测量模块将得到的滚刀的累计磨损量输出给标准建立模块，用于滚刀寿命评价标准的建立。
35.在一些实施例中，上述的滚刀实际工作时间可以通过工作时间确定模块来确定，得到滚刀的累计磨损量对应的滚刀实际工作时间，输出给标准建立模块，用于滚刀寿命评价标准的建立。
36.具体的，在一优选实施例中，对于滚刀从安装开始到当前的时间段，工作时间确定
模块进一步包括盾构非工作时间过滤子模块、盾构稳定阶段数据保留子模块和滚刀实际工作时间确定子模块，其中，盾构非工作时间过滤子模块，用于过滤掉滚刀第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；盾构稳定阶段数据保留子模块，用于过滤掉第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，保留稳定掘进段数据；滚刀实际工作时间确定子模块根据盾构机非工作时间过滤子模块和盾构稳定阶段数据保留子模块处理后，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，该剩余的数据样本量对应的盾构工作时间即滚刀累计磨损量所对应的实际工作时间。通过该滚刀累计磨损量所对应的实际工作时间可以进一步准确预测滚刀的状态，为提高预测结果的准确性和可靠性提高条件。
37.在一些实施例中，模型构建模块构建cnn-rnn预测模型，cnn-rnn预测模型包括依次串联的输入层、卷积层、池化层、rnn网络层、全连接层以及输出层，其中：
38.输入层，输入为滚刀磨损参数集数据；
39.卷积层，对输入的滚刀磨损参数集数据进行一维卷积处理；
40.池化层，对卷积处理后的滚刀磨损参数集数据进行特征提取处理；
41.rnn网络层，更新池化处理后的滚刀磨损参数集时间序列数据的历史信息；
42.全连接层，对时间序列变换后的滚刀磨损参数集数据进行校准处理；
43.输出层，输出滚刀寿命评价标准数据。
44.在一些实施例中，训练预测模块将滚刀磨损参数集代入cnn-rnn预测模型输入层，将滚刀寿命评价标准代入cnn-rnn预测模型输出层，对cnn-rnn预测模型进行迭代训练，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-rnn预测模型的输出，其在迭代过程中与cnn-rnn预测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，采用优化后的模型得到最终预测结果。
45.以上没有特别说明的部分，均可以采用现有技术实现，在此不再赘述。
46.基于相同的技术构思，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方法。具体的，参照图2所示，本实施例中盾构滚刀磨损量实时监测方法，包括如下步骤：
47.s1,获取盾构施工过程中滚刀磨损参数，形成滚刀磨损参数集；
48.s2,基于滚刀的累计磨损量、该磨损量对应的滚刀实际工作时间以及该滚刀刀圈直径，建立滚刀寿命评价标准；
49.s3,构建预测滚刀磨损量的cnn-rnn预测模型；
50.s4,将滚刀磨损参数集和滚刀寿命评价标准代入cnn-rnn预测模型，对cnn-rnn预测模型进行迭代训练，训练完成后得到最终预测模型，采用该最终预测模型得到滚刀磨损量预测值；
51.s5,根据预测模块的滚刀磨损量预测值对盾构滚刀磨损量实时监测。
52.上述实施例中，在s2之前，还可以包括对滚刀的累计磨损量的测量，以及对盾构实际工作时间的确定，用于分别得到滚刀的累计磨损量、该磨损量对应的滚刀实际工作时间。
53.具体的，滚刀的累计磨损量是指某安装位置处滚刀更换时的磨损量之和。在一些实施例中，该磨损量通过人工测量方法或者也可以通过其他图像处理等方法获得。比如，人工测量可以采用与滚刀刀圈尺寸相匹配的量刀卡尺在盾构机开舱检查时测量滚刀径向磨
损量。图像处理可以通过获取前后滚刀的图像进行处理，获得前后图像中的滚刀轮廓线，从而确定滚刀径向磨损量。
54.具体的，实际工作时间是指某安装位置处滚刀在盾构掘进过程中与地层相互作用的时间，具体确定可以参照上述系统中的工作时间确定模块的方法。
55.具体的，s2中建立滚刀寿命评价标准，其中滚刀磨损状态评价标准，具体可以用以下公式表示：
56.cli＝αwa/(d
·
tw)
57.式中，cli为滚刀磨损状态指标，单位为1/min；α为换刀位置地层的磨蚀性系数，取0.5-1，从工程地质勘探报告中查询得到；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；d为滚刀刀圈直径，单位为mm。具体的，换刀位置地层的磨蚀性系数可以根据工程地质勘探报告中获取。
58.上述滚刀磨损状态评价标准考虑了滚刀磨损量以及其对应的实际工作时间，能提高评价的准确性，同时，还结合了换刀位置地层的磨蚀性系数，考虑了盾构机实际工作的环境参数，能进一步提高对滚刀磨损量预测的效果，使得预测效果更符合滚刀的实际情况。
59.在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运行执行上述实施例中的盾构滚刀磨损量实时监测系统，或执行上述实施例中的盾构滚刀磨损量实时监测方法。
60.在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运行执行上述实施例中的盾构滚刀磨损量实时监测系统，或执行上述实施例中的盾构滚刀磨损量实时监测方法。
61.为了更好理解本发明的技术方案，以下结合一个具体的应用试验作为实施例进行详细说明。
62.以某城市穿越城市核心区的泥水盾构隧道施工为例，该隧道全长3.603km，埋深为22-62m，泥水平衡盾构机开挖直径为15.81m，管片内外径分别为13.9m和15.2m，宽度为2.0m。刀盘开口率约为29％，共安装有82把盘形滚刀，中心区域采用双轴双刃滚刀，直径为17寸，正面和边缘区域采用双轴双刃滚刀，直径为19寸，最外侧采用单刃滚刀，直径19寸。本实施例以预测最外侧81号单刃滚刀磨损量为例，对盾构滚刀磨损量实时监测的实现进行详细说明。
63.如图3-图5所示，本实施例提供一种基于cnn-rnn组合深度学习网络的盾构滚刀磨损实时监测方法，可以按照以下具体步骤进行：
64.步骤一、采用参数获取模获取盾构施工过程中滚刀磨损参数，形成滚刀磨损参数集；
65.上述滚刀磨损参数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。
66.本实施例中，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。其中，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。
67.进一步的，采用归一化处理子模块将滚刀磨损参数集进行无量纲化处理。本实施例中，归一化处理是指将滚刀磨损参数集进行无量纲化处理，归一化公式如下式所示：
[0068][0069]
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。归一化可以使后续模型更容易收敛，防止过拟合。
[0070]
步骤二、采用标准建立模块，基于滚刀的累计磨损量、该磨损量对应的滚刀实际工作时间以及该滚刀刀圈直径，建立滚刀寿命评价标准；
[0071]
本步骤中，通过标准建立模块建立81号滚刀寿命评价标准。81号滚刀累计磨损量随工作时间变化情况如图3所示。本步骤中，上述81号滚刀寿命评价标准是指盾构掘进过程中衡量81号滚刀磨损状况的指标，由下式确定：
[0072]
cl＝αwa/(d
·
tw)
[0073]
式中，cl为81号滚刀寿命指标，单位为mm/min；α为81号滚刀换刀位置地层的磨蚀性系数，取0.5-1；wa为81号滚刀的累计磨损量，单位为mm；tw为81号滚刀的累计磨损量所对应的工作时间，单位为min；d为81号滚刀刀圈直径，单位为mm。本实施例工程中，81号滚刀刀圈直径为483mm，地层磨蚀性系数取1。
[0074]
由于盾构机实际工作中，滚刀会受到地层的磨蚀作用逐渐发生磨损，但是现有对滚刀寿命评估中没有考虑到这一点，为了更准确评估和监测滚刀的寿命，本实施例中，建立的滚刀寿命评价标准中考虑了滚刀换刀位置地层的磨蚀性系数，可以定量的反映换刀位置地层磨蚀性对滚刀磨损的影响，有利于盾构施工现场实际应用。此外，施工现场盾构机刀盘上滚刀直径往往存在差别，滚刀寿命评价标准考虑了需要预测磨损情况的滚刀的几何尺寸，更符合现场盾构施工实际情况，具有较强的实用性。
[0075]
本步骤中，采用测量模块来测量81号滚刀累计磨损量，即：盾构掘进过程中81号滚刀更换时，利用19寸滚刀磨损量专用的量刀卡尺测量得到的滚刀径向磨损量之和。
[0076]
本步骤中，采用实际工作时间确定模块来确定步骤一中81号滚刀累计磨损量所对应的实际工作时间。具体的，实际工作时间是指81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：
[0077][0078]
式中，tw表示81号滚刀实际工作时间；ti表示81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81号滚刀磨损量记录的次数，本实施例中，81号滚刀磨损量记录次数n为28。
[0079]
本实施例中，采用盾构非工作时间过滤子模块来过滤81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，具体盾构机非工作时间通过下式确定：
[0080]
f＝f(ar)
×
f(pe)
×
f(crs)
[0081]
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：
[0082][0083]
进一步的，采用盾构稳定阶段数据保留子模块过滤掉81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。稳定阶段数据所满足的标准通过下式确定：
[0084][0085]
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。
[0086]
滚刀实际工作时间确定子模块在81号滚刀与地层相互作用时间ti等于经过盾构非工作时间过滤子模块、盾构稳定阶段数据保留子模块处理过后，81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，该剩余的数据样本量对应的盾构工作时间即81号滚刀累计磨损量所对应的实际工作时间。
[0087]
步骤三、采用模型构建模块建立cnn-rnn深度学习网络模型。
[0088]
本步骤中，cnn-rnn深度学习网络模型网络结构如图4所示，由输入层、卷积层、池化层、rnn网络层、全连接层以及输出层组成。
[0089]
模型参数包括输入层、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。
[0090]
输入层神经元数量等于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。
[0091]
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。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。
[0092]
rnn深度学习网络的计算公式如下：
[0093]ot
＝tanh(vs
t
)
[0094]st
＝σ(ux
t
ws
t-1
)
[0095]
式中，u、v、w分别为当前输入、当前时刻隐藏状态、上一时刻隐藏状态的权重矩阵；s
t
为t时刻的隐藏状态；s
t-1
为t-1时刻的隐藏状态；o
t
为t时刻rnn单元的输出；tanh为双曲切线函数；σ为sigmoid函数。
[0096]
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-rnn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。
[0097]
代价函数是衡量cnn-rnn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。
[0098]
优化器是在每一次迭代过程中优化cnn-rnn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。
[0099]
步骤四、采用训练预测模块将输入滚刀磨损参数集和滚刀寿命评价标准代入cnn-rnn深度学习网络模型，利用优化器更新模型训练参数。
[0100]
本步骤中，将输入滚刀磨损参数集和滚刀寿命评价标准代入cnn-rnn深度学习网
络模型后，进一步确定预测模式，全连接层和输出层神经元数量，预测模式是指cnn-rnn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：
[0101][0102][0103]
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。
[0104]
本实施例中，盾构隧道掘进一环平均时间t＝200min；历史信息量ti＝5min；输出信息量to＝3min。
[0105]
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。
[0106]
全连接层神经元数量通过下式确定：
[0107]
q＝p
2-1
[0108]
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。
[0109]
步骤五、重复步骤四直至cnn-rnn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。根据所滚刀磨损量预测值实现对盾构滚刀磨损量实时监测
[0110]
如图5所示，为本实施例81号滚刀磨损量预测结果图，根据该结果可以进行滚刀状态的监测，比如，将结果发送到显示界面，供工作人员参考，提前预测滚刀磨损量变化情况，或者，当达到或超过该滚刀磨损量阈值，则进行报警，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。
[0111]
例如，由图5可知，盾构推进时长为9000min时，81号位置滚刀累计磨损量预测值为129mm，该时刻上一次滚刀累计磨损测量值为127mm，两者之差为2mm，小于81号滚刀磨损限值5mm，因此盾构机工作时间达到9000min时不需要更换81号滚刀，若上述两者之差大于或等于5mm，则需要更换81号滚刀。若两者之差接近5mm(例如达到了4mm)，则可以根据现场情况提前准备换刀事宜。
[0112]
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。