基于物理原理的数据驱动方法用于智能圆盘切割机磨损多源信息监测

《Engineering Applications of Artificial Intelligence》：Physics-informed data-driven method for intelligent disc cutter wear multi-source information monitoring

　　摘要：圆盘切割器是隧道掘进机中的关键部件，但现有的磨损监测方法往往受到恶劣工作环境的限制，同时还存在算法上的缺陷，如物理可解释性弱、在不同工况下的泛化能力不足，以及依赖单一传感器信号时稳定性较差。本研究提出了一种新型智能圆盘切割器，该切割器配备了集成式的温度和振动传感器。通过建立圆盘切割器的动态模型，利用工程优化型物理数据神经网络来重构实际的切割环载荷。此外，还构建了一种决策级信息融合框架，结合振动、载荷和温度信号来预测切割器的磨损状态。所提出的监测算法仅依赖于局部的切割器数据。在全尺寸旋转切割平台上的实验验证表明，在不同参数条件下，EOPD-NN重构的序列样本中有94.29%的判定系数R2大于0.95。而且，所提出的融合策略的磨损状态识别准确率可达约96.5%，同时在相关领域也展现出出色的可解释性。最终，这种智能圆盘切割器系统为切割器磨损监测提供了实用且可靠的解决方案。

引言：随着地下空间开发利用的不断增加，各种直径的隧道掘进机被广泛应用于各类地下施工场景中。为了提高施工效率并保障作业安全，近年来人们在隧道掘进机关键部件的故障诊断、机器自动化控制以及隧道环境感知方面进行了大量研究。在挖掘过程中，安装在刀盘上的圆盘切割器是隧道掘进机中的重要组成部分，它们直接与岩体接触，承担着岩石破碎的主要任务。这一过程涉及岩石破碎力学与金属摩擦学等多学科理论。由于钝头切割器会导致掘进速度大幅下降，因此圆盘切割器的磨损状况成为决定整体施工效率的关键因素。传统的维护策略通常依靠定期停机让操作员进行人工检查，但这不仅会增加项目成本，还会带来人员安全风险，因此对圆盘切割器磨损情况的监测已成为一项重要的研究课题。

圆盘切割器磨损监测技术主要涵盖两个方面：传感器选型与部署，以及切割环磨损预测。Lan等人（2019）采用涡流传感器直接测量磨损高度；与基于激光和视觉的传感技术相比，这种方法具有更强的穿透能力，能够穿透岩石碎片和泥水混合物等障碍物。不过，直接测量方法存在缺陷，因为传感器暴露在恶劣的施工环境中容易受损，且无法检测到异常磨损情况。相比之下，通过结合加速度、力和温度传感器以及磨损预测算法来间接评估圆盘切割器的磨损状况，是一种更为实用的工程方法。Zhang等人（2025）提出了一个经验模型，将加速度信号特征与磨损指标相对应。Sun等人（2025）则建立了岩石破碎的耦合分析模型，用于研究不同条件下的切割器载荷特性。尽管这些研究为理解圆盘切割器的岩石破碎机制提供了宝贵的统计或仿真依据，但要想满足在线监测系统的工业精度要求，仍需进一步研究。目前，由于空间限制，将传感器直接嵌入圆盘切割器内的研究还比较少见。大多数预测方法的数据来源都是来自切割器支架、刀盘、人工检查，或是试验台上的传感器。目前尚未出现一种既能满足工业需求又能保证数据精度的实用工程解决方案。Akhlaghi等人（2025）利用安装在试验台上的麦克风和加速度计，对不同磨损程度的圆盘切割器发出的信号进行分类。Wang等人（H. Wang等人，2025）则利用人工停机检查获得的项目数据来预测刀盘上切割器的累积磨损情况。然而，单个传感源的反应并不能唯一反映切割器的磨损状况或局部故障。在实际隧道施工中，操作员可能会调整推力或掘进速度以弥补挖掘效率的下降，这会改变切割器的运行状态，从而产生类似因切割器损耗而导致的信号变化。因此，仅依靠单一传感器数据可能会误判切割器的实际状态，需要多源信息才能实现更可靠的监测。Liu等人（2025）结合位移传感器、激光和倾角仪来测量相邻盾构机之间的相对姿态。但在实际项目中，如果在圆盘切割器内安装过多的传感器，会影响其结构完整性，因此需要新的方法来在这些限制条件下获取多源切割器信息。

圆盘切割器磨损预测方法大致可分为数据拟合和理论建模两类。数据拟合方法是根据现场或实验数据建立影响因素与磨损指标之间的关系。Karami等人（2021）运用回归分析，将磨损量与两个关键的岩石参数——磨蚀性指数和岩体强度指数——联系起来。虽然经验模型简便实用，但由于它们严重依赖大规模、高质量的数据集，且泛化能力相对较弱，这促使研究人员不断探索更深层次的机理。理论模型则包括用函数和代数方程表示的工程计算公式，以及需要通过离散化处理才能进行数值计算的由偏微分方程描述的物理模型。这两种方法之间的桥梁就是等价变换和解耦运算，这类运算可以简化符号关系，便于计算。Su等人（2025）引入了磨料磨损中的塑性去除原理，用来解释圆盘切割器最常见的磨损形态——均匀磨损。有限元法（FEM）和离散元法（DEM）等数值模拟方法有助于加深对切割器与岩石相互作用的理解，但它们的计算成本较高，且对参数的精度要求很高，因此难以直接用于监测。Wang等人（2026）将颗粒流离散元模型与动态模型相结合，对岩石破碎和切割器振动进行了耦合分析。同时，将数据校正纳入物理公式中也是一种常见的做法。无论是确定公式系数还是通过实验估算物理量，这种整合都能显著提升特定工程项目中预测方法的准确性。随着并行计算能力的提升，传统的预测方法开始向相应的人工智能算法过渡，比如数据驱动的深度学习方法和基于物理的神经网络方法。Wang等人（2025）将时频域的传感器信号输入到加权融合神经网络模型中，用于预测圆盘切割器的磨损情况。尽管深度学习提升了处理非线性数据关系的能力，避免了有用信息的丢失，但纯数据驱动的模型在面对复杂的工程场景时，仍然存在泛化能力不足、外推预测效果差以及可解释性低等问题。理论模型则是对大量数据及工程知识的高度提炼。通过将物理公式作为约束条件嵌入模型架构或损失函数中，神经网络就能够同时兼顾物理规律和数据中的复杂细节，从而大幅提升人工智能算法在工程分析中的适用性和可靠性。与那些通过融合多种类型的信息来提升可解释性的多模态推理方法不同，基于物理的神经网络方法强调在模型训练和解释过程中明确融入物理机制和领域知识。Lin等人（2024）将土压平衡方程纳入强化学习算法中，以提高隧道掘进机的挖掘效率。Zhang等人（L. Zhang等人，2025）则将液压系统动力学理论与遗传算法相结合，用于优化隧道掘进机的姿态控制。显然，基于物理的人工智能技术正在逐步应用于隧道施工领域。不过，仍需进一步研究，以确定如何更好地将这些现有的机理研究与工程经验融入到这些算法中，以及如何在可解释性分析中有效运用领域知识，而非仅仅依赖通用的数据分析工具。现有研究中还存在一些尚未解决的问题。首先，直接测量方法容易受到恶劣挖掘环境的影响，而现有间接测量方法所使用的传感器往往安装在远离切割环的位置。其次，圆盘切割器内部的空间限制使得难以安装多个传感器。第三，当工况参数发生变化时，数据驱动的模型往往表现出较差的泛化能力。这些问题都表明，需要一种紧凑、局部化、以物理原理为指导的圆盘切割器磨损评估监测框架。基于以上分析，本研究开发了一种配备温度-振动传感模块的智能圆盘切割器，用于实现局部化的磨损监测。为了在有限的安装空间内获取准确的切割环数据，本研究提出了圆盘切割器的动态模型，并将其纳入EOPD-NN框架中，通过跨传感器反演来重构实际的切割环载荷。所提出的方法结合了理论约束和数据驱动约束，使得能够从局部可测量的信号中推断出切割环载荷。此外，还将振动信号、重构的载荷信号和温度信号进行融合，从而判断圆盘切割器的磨损状态。由于这些信号是从切割器自身就地采集的，因此该方案无需与控制室通信即可实现切割器磨损的监测。本研究的主要贡献如下：1. 开发了一种配备集成式温度-振动传感模块的智能圆盘切割器，并提出了一种基于物理原理的载荷反演方法，能够从可测量的信号中重构切割环载荷。2. 提出了一种决策级融合模型，通过静态权重矩阵和动态权重矩阵的乘积，结合振动信号、重构载荷信号和温度信号，用于识别圆盘切割器的磨损状态。3. 在全尺寸旋转切割平台上对所提出的智能切割器及监测方法进行了验证，并基于领域知识进一步分析了磨损识别机制。本文的其余部分安排如下：第2节阐述智能圆盘切割器的结构设计以及磨损监测工作的整体方法流程。第3节详细介绍实验用试验台的配置情况。第4节通过实验结果展示所提方法的有效性与可解释性。最后，第5节总结本研究的主要结论。

方法论：这种智能圆盘切割器在切割轴上内置了传感器，这些传感器与刀盘处的嵌入式边缘计算模块以及控制室中的辅助决策平台相连接，从而构成一个端边云一体化监测系统。如图1所示，得益于微电机械系统技术，工业级的传感器阵列能够以较低的成本被集成到极其狭小的空间中，从而实现圆盘切割器的自我监测。

实验：为了验证所提出的智能圆盘切割器的性能，尤其是磨损监测方法的可行性和有效性，我们开展了系统的岩石破碎实验。这些实验使用了由我们研究团队自主研发的全尺寸旋转切割平台，用于对所提出的模型进行预训练和性能评估。

结果与讨论：在本研究中，监测数据是通过实验获取的。在掘进速度为3毫米/分钟、旋转速度为3转/分钟的实验条件下，将处理后的数据分为70%的训练集和30%的验证集，以此提取不同磨损状态下的载荷、振动和温度信号的特征，进而评估圆盘切割器的实际磨损程度。为了验证所提方法在动态工况下的稳定性……

结论：为了满足实际隧道掘进机作业中对圆盘切割器磨损情况的监测需求，本研究开发了一种集成温度和振动传感功能的智能硬件系统，同时提出了一种结合EOPD-NN方法与多源信息融合的定制化监测算法。所提出的EOPD-NN模型能够通过将有限的振动响应映射到实际的切割环载荷上，实现有效的跨传感器信号反演，其性能优于纯数据驱动的模型以及未经优化的基于物理的神经网络模型。

CRediT作者贡献说明：Runqi Li：概念构思、形式分析、方法论、软件开发、可视化、初稿撰写。Guangyuan Liu：验证工作。Huiping Zhang：可视化处理。Hongfei Xie：实验研究。Bright Liu：资源协调。Siyong Zhang：数据整理。Guizhen Liu：实验研究。Hongtao Zhu：概念构思、资金申请、项目管理、审稿与编辑工作。Dun Liu：总体监督。马赛：数据整理。利益冲突声明作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢本研究得到了泰山产业领军人才专项基金的支持。李润奇|刘光远|张慧萍|谢鸿飞|刘布莱特|张思勇|刘桂珍|朱洪涛|刘敦|马赛中国山东省济南市山东大学机械工程学院，高效清洁机械制造重点实验室（教育部），国家实验机械工程教育示范中心，邮编250061。