利用伪标记、多任务学习和半监督学习技术对TBM（隧道掘进机）刀具磨损率进行实时预测

《AUTOMATION IN CONSTRUCTION》：Real-time prediction of TBM cutter wear rate using pseudo-labeling, multi-task learning, and semi-supervised learning

实时预测隧道掘进机（TBM）刀具磨损的挑战源于数据稀缺，本文提出PL-MTL-SSL框架，通过多视角伪标签生成、混合卷积自注意力特征提取及多任务学习增强模型，定义瞬时磨损率（mm/h）指标，实验显示R2达0.867，显著优于传统和现有半监督方法。

　　
隧道掘进机（TBM）刀具磨损实时预测技术研究进展

硬岩隧道掘进机（TBMs）作为现代隧道工程的核心装备，其刀具磨损状态直接影响工程效率与安全。本文针对传统检测方法存在的效率低下、成本高昂等痛点，提出基于伪标签增强、多任务协同与半监督学习的综合预测框架（PL-MTL-SSL）。该技术体系通过融合多源传感器数据与先进机器学习方法，有效解决了实际工程中标注数据稀缺与复杂工况适应性的双重挑战。

在技术背景方面，当前刀具磨损评估主要依赖人工周期性检测，存在安全风险高（约30%的事故源于刀具失效）、成本占比大（可达总项目支出的1/3）、效率低下等显著缺陷。传统理论模型虽能建立地质参数与磨损程度的显式关联，但受限于特定地质条件假设和简化的力学模型，难以适应动态变化的隧道工况。数据驱动方法虽取得进展，但现有研究普遍存在标注数据不足的问题，如Yu等采用1D-CNN模型时仅依赖10次人工检测记录，Kilic等在预测模型中仅包含4个关键监测点的磨损数据，这些局限导致模型泛化能力受限。

针对上述痛点，研究团队构建了包含三个核心创新点的技术框架：首先，设计了双阶段伪标签生成机制，通过多视角数据一致性校验与高斯过程不确定性量化相结合，有效提升伪标签可靠性；其次，构建了多任务学习架构，将刀具磨损预测与时间序列重构任务协同优化，增强模型对时空特征的捕捉能力；最后，创新性地提出瞬时磨损速率（mm/h）的量化指标，实现磨损状态的动态监测。

在数据构建方面，研究团队采集了某真实隧道工程中的多源传感器数据，涵盖11个关键运行参数。通过建立刀具磨损分布函数，结合局部监测数据与整体分布特征，成功将4个重点监测刀具的磨损信息扩展到整个刀具阵列。这种数据增强策略既保留了物理模型的工程直觉，又充分利用了海量未标注数据的有效信息。

模型架构的创新体现在三个方面：1）伪标签生成阶段采用跨传感器数据融合策略，通过对比不同传感器对同一物理量的测量结果，建立多视角一致性约束，有效规避单一传感器噪声干扰；2）多任务学习框架设置主任务（刀具磨损预测）与辅助任务（时序数据重构），利用任务间信息传递机制提升模型鲁棒性；3）特征提取器融合卷积神经网络与多头自注意力机制，前者捕捉局部时序特征，后者协调全局时空关联，形成多层次特征表征体系。

实验验证部分采用工业级真实数据集进行对比测试，结果显示PL-MTL-SSL框架在四个关键监测刀具上分别取得R2值0.811、0.856、0.887和0.910的预测精度，整体表现优于传统监督学习模型（提升约23%）和现有半监督基准（提升约18%）。消融实验表明，伪标签生成阶段贡献度达42%，多任务协同提升效果占35%，混合特征提取器则使模型复杂度降低30%的同时保持预测精度稳定。

在工程应用方面，该框架展现出显著优势：1）通过瞬时磨损速率指标，实现磨损状态的毫秒级动态感知，为提前干预提供理论支撑；2）半监督学习机制将标注数据需求降低至传统方法的1/5，显著降低数据采集成本；3）多任务协同优化使模型对极端工况的适应能力提升40%，验证了其在复杂地质条件下的泛化潜力。实际应用表明，该技术可将刀具更换计划提前3-5天，减少非计划停机时间达60%，在具体工程案例中实现年维护成本降低约120万元。

未来研究方向聚焦于三个方面：首先，探索联邦学习机制在跨工程数据共享中的应用，解决数据孤岛问题；其次，开发轻量化边缘计算模型，满足TBM井下实时推理需求；最后，构建数字孪生系统，将预测模型与TBM控制系统深度融合，实现闭环智能维护。这些技术演进将推动刀具磨损预测从辅助决策向自主决策阶段跨越，为智能掘进装备发展提供关键技术支撑。

该研究成果标志着TBM状态监测技术进入新阶段，其核心创新点包括：建立可扩展的刀具磨损分布模型、设计动态伪标签增强机制、开发时空融合的特征提取框架。这些技术突破不仅解决了现有方法的数据稀缺性难题，更为智能装备的自主健康管理提供了新范式。研究团队后续计划将框架拓展至盾构机刀盘磨损预测领域，并探索与数字孪生系统的深度集成方案，推动隧道工程装备智能化进程。