基于遗传规划的复杂地层中盾构滚刀磨损寿命预测(1).pdf

第44卷 第“期 2018年9月 工矿自动化 Industry and Mine Automation Vol. 44 No. 9 Sep. 2018 文章编号671-251X201809-0051-08 D O I 10. 13272/j. issn. 1671-251x. 2018020048 基 于 遗 传 规 划 的 复 杂 地 层 中 盾 构 滚 刀 磨 损 寿 命 预 测 乔金丽1 孟秋杰1 刘建琴2 金建星1 1.河北工业大学土木与交通学院， 天 津 300401 2. School of Mechanical Engineering, Tianjin University, Tianjin 300072, China Abstract In process of shield tunneling in complex ation, wear of disc cutter is extremely serious and service life is hard to predict, and influence factors of the disc cutter wear are multi-dimensional and uncertain. In view of above problems, main influence factors of disc cutter wear life such as cutter installation raduis, excavation distance, penetration depth, cutter spacing width, rotating speed were analyzed, prediction model of wear life of shield disc cutter in complex ations based on genetic programming was established. Genetic programming can trans the problem of wear life prediction into the inductive problem of programs. The tree-shaped expression can reflect relationship between the influencing factors and the wear life under complex geological conditions. The engineering test results show that the average prediction error of the model is 16.07 and the mean square error of the model is 0.001 6, which are better than the simplified C S M model. The model solves the problem that the wear life of the disc cutter is difficutt to predict, and provides a new solution for prediction of wear life of the disc cutter. Key words complex ation ； shield disc cutter; genetic programming； prediction of cutter wear life 收稿日期2018-02-27;修回日期2018-04-13;责任编辑张强。 基金项目国家自然科学基金项目（5167050969。 作者筒介乔金丽（1978 女，河北行唐人，副教授，博 士，主要研究方向为隧道工程与结构抗震，E-mailqiaajiiili126. com。 引用格式乔金丽，孟 秋 杰，刘 建 琴 ， 等.基 于 遗 传 规 划 的 复 杂 地 层 中 盾 构 滚 刀 磨 损 寿 命 预 测 工 矿 自 动 化，2018，4491-58. QIAO Jinli，MENG Qiujie，LIU Jianqin，et al. Prediction of wear life of shield disc cutter in complex ations based on genetic programming[J]. Industry and Mine Automation,2018,449 51-58. 52 工 矿 自 动 化2 0 1 8 年 第 4 4 卷 〇 引言 安全高效的盾构施工法在矿藏开采和隧道开挖 中得到了广泛应用。滚刀作为盾构破岩的主要工 具 ， 在高温、 节理、 岩溶和地应力等复杂地质条件下 持续工作， 其易损耗、 成本高、 更换复杂等特点使之 成为影响工期和造价的重要因素。因此， 滚刀生命 周期的准确预测对及时掌握盾构机工作状态、 提高 掘进效率和降低施工成本具有重要意义[1 2]。 近半个世纪以来， 国内外众多学者不断开展了 对滚刀磨损寿命预测模型的研究， 先后从力学角度 得出了理论模型、 半理论模型、 实验模型和工程经验 模型） ]。在掌握破岩机理的基础上，G. Wijk[4]于 1992年 提 出 了 滚 刀 磨 损 量 与CAI Cerchar Abrasivity Index值 有 关 的 半 理 论 半 经 验 公 式 。 J. R 〇 stami[5]于 1997年提出了美国科罗拉多矿业 学院（Colorado School of Mines，C S M滚刀磨损寿 命预测模型。A. Bmland]于 1998年提出滚刀磨 损量与可钻性指数D R I、 磨蚀值A V有关， 并提出经 验法和图表法相结合的挪威科技大学（Norwegian University of Science and Technology, N T N U滚 刀磨损寿命预测模型。上述文献对滚刀磨损寿命预 测模型的发展做出了重要贡献， 但目前的磨损寿命 预测模型的工程实际应用效果并不能令人满意。 龚秋明等[7]分 别 采 用C S M模 型 和N T N U模型对 锦屏二级水电站引水涵洞工程的单把滚刀使用寿命 和掘进距离进行了预测， 结 果 表 明 2 个模型的计算 结果与真实值相差较大， 原因是目前模型普遍是针 对均勻地质， 无法应用于岩石特性不均勻的复杂地 层 ， 又因岩体参数、 机械参数、 掘进参数） ]等诸多影 响因素与滚刀磨损寿命预测之间无明确的数学关系 且具有时变性， 使固定不变的数学函数表达式难以 适应多变的工况） ]。进 人 21世纪后， 除了以去除机 制 为 理 论 基 础 的 磨 料 磨 损 模 型 ） ] 和 以C S M和 N T N U 模 论 发 命预 测模型之外[10]， 利用计算机的数值处理能力来研究 滚刀磨损问题开始得到人们重视。徐玲等[11]将经 过遗传算法（Genetic Algorithm，G A优化过的反 向传播（Back-Propagation, B P神经网络应用于高 速切削刀具的寿命预测中， 解 决 了 单 纯 应 用B P神 经网络时存在的收敛速度慢和过拟合等缺点， 并通 过刀具寿命预测实现了对切削参数的优化选择。 李笑等[12]提出将E l m a n神经网络应用于盾构滚刀 磨损量的预测， 通过工程实际数据的训练和检验， 得 到了同类地质条件下的E l m a n神经网络盾构滚刀 磨损寿命预测模型， 拟合效果良好。以上研究表明， 利用人工智能算法建立回归模型可以预测滚刀的磨 损量， 然而神经网络的弊端是会出现过拟合情况， 所 得结果往往是非全局最优解； 又因神经网络模拟人 类大脑的思维方式进行训练， 无法得出显性的预测 数表 ， 工程应 。 遗传规划（GeneticProgramming，G P在随机 产生初始种群、 形成算法搜索空间的基础上， 运用进 化论中适者生存与随机信息交叉原理， 通过适应度 指导的非线性搜索得出最适应研究对象的函数表达 。 G P 人 选择预测 数 结构类 成 要素， 摆脱了以往经验的影响， 还可以自动生成和寻 找函数关系[1314]来体现各影响因素与预测目标之 间的变化规律， 适合针对众多影响因素之间复杂关 系的研究。鉴此， 本文根据复杂地层中盾构掘进时 滚刀磨损量较大， 并且其寿命难以预测的复杂性特 点 ， 将G P应用于复杂地层中盾构滚刀磨损寿命预 测 ， 建立 G P 构滚 命预测模 。 该模型通过G P将磨损寿命预测问题转化为程序的 归纳问题， 通过树状函数表达式可反映出在复杂地 质条件下滚刀寿命影响因素与磨损寿命之间的关 系。工程实例和简化的C S M模型的计算结果验证 了该模型的可行性。 1遗传规划及可行性验证 1. 1 遗传规划 遗传规划是1989年美国学者R.K. John对遗 传算法进行延伸和扩展后提出的一种创造性的全局 寻优技术。遗传规划随机生成的初始解通过复制、 交换、 突变等遗传操作不断迭代进化并自动寻找最 解[15*， 好地适应 工 各 因素与 之间 非 关 ， 发 反 问 题 实质并 地表 解 。 1.2 遗传规划计算流程 1 . 2 . 1 函数集的选取 待确定函数集由w个终止符（ ， ， ， c„和 t o个函数/， /2， ， /m构成。本例中终止符c,为 地层中滚 命 各主要 因素。 数 集类型/,示例如下 ⑴ 算 术 运 算 符 ， 如 ， 一，X， /等 。 2 数学标准函数， 如sin, cos, log, exp等 。 3 条 件 表 达 式 ， 如 I--then-else，Switch- Case 。 2 0 1 8 年 第 9 期乔 金 丽 等 基 于 遗 传 规 划 的 复 杂 地 层 中 盾 构 滚 刀 磨 损 寿 命 预 测 53 布尔运算， 如A N D，O R，N O T等 。 5 控 制 转 移 说 明 语 句 ，如Goto, Call， Jump 等。 “ 循 环 表 达 式 ， 如 D〇 -until，While-do, For do 等。 “ 其他可定义函数。 1. 2. 2生成初始群体 以随机组合的方式将基本元素组合成为初始个 体 ， 初始个体达到规定数目之后组成初始群体。个 体树根节点为程序在函数集F {/， /， ， /„}中 按照均勻分布的方式随机选取的某一个函数。选择 根节点的目的是为了产生一个复杂的、 层次化的函 数结构， 因而无需人为选择预测函数的结构类型和 组成要素， 无需研究者对磨损规律有太深的研究， 摆 脱了以往经验的影响。 2. 3适应度与进化方式 “ 适应度 进化计算过程中自然选择的驱动 力被称为适应度， 充当控制器的作用。适应度值越 小 ， 则个体越优良。个体对环境的适应能力可以通 过多种方式来进行度量， 原始适应度是其中之一。 在群体中， 子 代f中 某 一 个 个 体z的原始适应度 ri，t定 义 为 ri，t 0 [ ; “ ， 0“] “ O凡为适应度计算代数0 “ 为O的实测值。 2个体的进化方式 主要有复制、 交叉和突 变 。本文所采用的个体复制选择方法是适应度比例 选择法， 也就是个体适应度值越高， 那么被选中的概 率就越大。个体被选中的概率为 /玖 ⑴ ） 0 [ / 尻 ⑴ ] 〇 “ /， \ ，， ） ，” 为 亲 代 2的 5个 终 止 符 。 突变时， 亲代的突变点是树的函数点， 删除突变 点以下的子树， 随机生成一棵子树插入突变点。突 变如图2 所示， 其 中 1一5 为终止符。 Fig. 1 The graph of crossover 图2突变 Fig. 2 The graph of mutation 1.2. 终止准则与结果输出 一 旦G P输出值满足设定的终止准则， 进化过 程应立刻终止。本文采用的终止准则 当运行进化 到允许误差之内或达到最大树深时终止迭代。结果 标定方法是选择出一个全局最佳个体。一旦终止规 则满足， 则进化终止， 当前计算机缓冲区中的个体就 作为全局最佳个体进行输出[1617]。 本文所用遗传规划流程如图3 所示。 图3遗传规划流程 Fig. 3 Flow of genetic programming 1. 3 遗传规划非线性回归的可行性验证 1. 3. 1 准备工作 为验证遗传规划对于非线性函数的解决能力和 初步确定函数集， 首 先 对 给 定 实 验 函 数 2x2 进行程序可行性验证。使 用Matlab作为实验平台 编制遗传规划程序[1819]， 用 20组示例样本（ 表 1对 54 工 矿 自 动 化2 0 1 8 年 第 4 4 卷 程序进行训练。表 1 中，x，x2 为输入，Y为输出。 选取适合的基本参数[20]，G P模型参数设置见表2 运行程序并以返回的方差的大小对结果进行衡量。 表1测试的数据样本 Table 1 Testing data samples 序 号 Z1 2 1 0. 1 0. 5 2 0. 2 0. 6 3 0. 3 0. 7 4 0. 4 0. 8 5 0. 5 0. 9 6 0. 6 1. 0 7 0.7 1.1 8 0.8 1.2 9 0.9 1.3 10 1.0 1.4 y 序 号 1. 01111.1 1. 24121.2 1. 49131.3 1. 76141.4 2. 05151.5 2. 36161.6 2. 69171.7 3. 04181.8 3. 41191.9 3. 80202.0 1.7 1.8 2.4 y 4.21 4.64 5.09 5.56 6.05 6.56 7.09 7.64 8.21 8.80 表2 G P模型参数设置 Table 2 Setting parameter of GP model 参 数参 数值参 数参 数 值 函 数 集m， 一，x， /突 变 概率动 态 终止符集1 2选择方法选 择 法 初始种群 混 合 法终 止 准则 大 允 许 生成方法代数、 树 深 群体规模 50 最大允许代数10 复制概率动 态最大突变深度17 交叉概率动 态 1.3. 2输出结果 适应度优化过程和树状表达式如图4、 图 5 所 示 。从 图 4 可 以 看 出 ， 初 始 种 群 的 适 应 度 值 为 15. 673,进化一代之后， 适 应 度 值 下 降 到 6. 920 3。 随着进化代数的增加， 训练样本和检验样本的方差 逐 代 减 小 ， 第 9代时得到了最佳适应度（ 适应度为 图4适应度优化过程 Fig. 4 Fitness optimization process Fig. 5 Tree-shaped expression of GP 0的个体。化简该树状图可得yx2 2x2,真实地 反映了函数关系表达式。可见， 在表达式未知的情 况下使用G P拟合非线性问题是可行的。 2基于遗传规划的复杂地层中盾构滚刀磨损寿命 预测模型 2.1 工 本文以某砂卵石地层盾构开挖工程为研究对 象） 1]。该工程采用12. 04 m盾构机， 初装刀盘是开 口 率 为 3 0 的 复 合 式 刀 盘 ， 滚 刀 直 径 均 为 431.8 m m。穿越地层主要以砂卵石为主， 最大粒径 为650 m m，在地下水位变化带存在1〜2 m的砂卵 石胶结层， 取样得其最大强度可达23 M P a。掘进区 间的地层可分3 种 第 1 种地层以粉质黏土为主， 另 加粉土和粉、 细砂， 约 占 4. 7 ; 第 2 种地层主要为 砂层及圆烁、 卵石土层， 约 占 0. 10;第 3 种地层以 卵石土、 圆砾、 土为主， 另加中砂、 粗砂、 粉质黏土和 粉土， 占 95.20。局部地段穿越几种地层交杂的 复杂地层段并长距离富水。以 3 次换刀磨损测量值 作为训练数据。由于砂卵石地层中刀具受力复杂， 砾石冲撞和偏磨作用使得非正常磨损占有一定比 例 ， 训练模型前应去除。整理后的径向累计磨损量 X与安装半径R的关系如图6 所示， 滚刀编号和安 装半径见表3。 0.030 0.025 0.020 0.015 0.010 0.005 图6滚刀径向累计磨损量与安装半径的关系 Fig. 6 Relation between cumulative wear and installation radius of disc cutter 2 0 1 8 年 第 9 期乔 金 丽 等 基 于 遗 传 规 划 的 复 杂 地 层 中 盾 构 滚 刀 磨 损 寿 命 预 测 55 表 3滚刀编号和安装半径 Table 3 Disc cutter numbering and installation radius 滚刀编号 M05 M07 M10 Mil M12 M13 M14 M15 M16 M17 安装半径 R /m 滚号 64 44 76 24 40 56 M18 Ml 9 M20 M21 M22 M2 3 M24 M25 M26 M27 M28 M29 安装半径 R/m 382 388 484 480 486 482 488 484 580 586 582 588 2 8 基于遗传规划的滚刀磨损寿命预测 28. 1主要影响因素 在盾构机械参数相同时， 滚刀磨损量与地质参 数、 掘进参数密切相关。由于复杂地层中各地层的 强度、 研磨性等均对滚刀磨损有直接影响， 本文仅以 某砂卵石地层为例对基于遗传规划的滚刀磨损寿命 预测的可行性进行研讨。 滚刀磨损寿命主要影响因素包括滚刀安装半径 和掘进参数， 掘进参数又包括掘进距离、 刀具贯人 度、 刀间距、 刀盘转速及掘进推力等。 1安装半径在掘进距离相同的情况下， 滚刀 掘进轨迹与安装半径成正比， 故滚刀磨损量与安装 半径成正比） 1]。 “ 掘进距离 衡量磨损量不可缺少的影响因 素之一。在滚刀对岩土进行切削时会产生大量可磨 蚀滚刀的渣土， 随着距离延长， 岩渣与滚刀接触时间 增加， 是加快滚刀磨损的重要因素。 “ 贯人度 由磨粒磨损理论可知， 贯人度和滚 刀的磨损量之间的关系为正相关） ]。当采用小贯人 度掘进时， 同样的掘进距离需要更多的刀盘转动圈 数 ， 增加了岩石与刀圈相对滑动的摩擦耗能， 并最终 导致磨损量的增加。 “ 刀间距 刀间距的大小决定着开挖面岩土 块的剥离形式， 是影响掘进的重要参数。不同的刀 间距会导致碎石体积不同， 引起磨损机理的变化， 影 响滚刀正常磨损和非正常磨损的比例。 “ 刀盘转速转速较高时， 同时间段内滚刀掘 进距离延长， 同时增加了工作面的摩擦作用， 从而产 生热量， 导致刀圈温度提高、 金属材料回火， 进而降 低表面强度， 促进磨损进一步发生。此外， 高温条件 会加速刀圈氧化， 加剧对滚刀材料的腐蚀。刀盘转 速与滚 成 。 2 8 8 预测模型建立 首先， 根据所研究的问题确定终止符集合。由 上文可知， 本工程实例中作为输人变量的5 个主要 影 响 因 素 为 安装半径R，m;r2 掘进距离L，m; 工 3 贯人度L m/rev; 刀间距S，m;c5 刀盘转速 N， min， 再加上一个临时随机常数J， 可得终止符 集 T { 1 , , 3， ， 5， / }。本问题函数集可定 义为 F { ， 一，X， / ，sin，cos，exp，mylog}。 其中， 每个函数所需的自变量个数为2,2,2,2， 1， 1， 1， 1。 从 图 6 中 的 4 3 组实测值中抽取滚刀编号为奇 数 的 10组数据作为检验样本（ 表 4， 其 余 3 3 组数 据代人G P程序中作为训练样本。这里采用实测值 的组数作为适应度示例值， 即 33个 。原始适应度定 义为实测值与返回值的绝对误差的平均值。 当计算个体的适应度值时， 如果实测值与返回 值的差小于某一事先给定的精度要求， 该个体得 1 分 。故终止条件 至少有一个个体的得分等于33, 或迭代次数达到最大代次。最后， 找出当前代中适 应度最好的个体作为问题的解。 G P在复杂地层中滚刀磨损寿命预测中的主要 参数是在考虑计算节约机时的基础上， 根据多次试 验确定的。设定终止准则 个体树嵌套深度达到32 或迭代次数达到最大设定值。对于群体规模和最大 迭代次数的设定宜由小到大尝试， 使计算所得的适 应度值最小， 即拟合效果最好。经测试后确定模型 参数设置， 见 表 5。其 中my l o g函数是指当子树的 值H等 于 0 时 ， 函数返回0,当子树的值H不等于 0 时 ， 返 回l〇gabsH。具体算法如下 “ 生成初始群体。在模型的函数集F和终止 符 集T中， 对 函 数 集 类 型 力 和 终 止 符 进 行 随 机 合构成群 规模 40 群 。 群 中 机生 成 树 。 生 成 树 时 从函数集F中随机地选取一个/。 作为个体树的树 根 。根据函数/。 所需自变量的数目1〜2,产生1 “ 2 条辐射线。接着从函数集和终止符的并集中随机 选取一个元素作为每条辐射线的节点， 若终止符被 选作为节点， 则该点就成为树的终止生长的点， 也称 为叶子节点； 若辐射线的节点选择的是一个函数， 就 按上述过程递归地继续生长， 直到所有辐射线的节 56 工 矿 自 动 化2 0 1 8 年 第 4 4 卷 表4检测样本 Table 4 Testing samples 安装半径掘进 距 离贯 入 度刀 间 距刀盘转速累计磨损量 浓y J颁” H/mL/mh/m rev 1S/mN/r min 1X/m MO 31 . 323540.018 180 . 161 . 100.00660 MO 51 . 644420.018 180 . 161 . 10 0.01420 MO 71 . 964420.018 180 . 16 1.050.01580 MO 92 . 28 220 0.014 290 . 161 . 10 0.01760 Mil2 . 60 88 0.014 290 . 16 1.050.00790 M153 . 24880.014 290 . 161.050.00802 M193 . 88 88 0.014 290 . 16 1.050.00870 M214 . 20 88 0.014 290 . 16 1.050.01020 M2 34 . 521300.014 290 . 161.050.00850 M2 54 . 841300.014 290 . 161.050.01200 表5基于G P的复杂地层中盾构滚刀磨损寿命 预测模型的参数设置 Table 5 Setting parameter of shield disc cutter wear life prediction model in complex ations based on GP 参 数参数值 函 数 集 ， ， X，/，sin，cos，exp， mylog 终止符集1 2 3 4 5 初始种群生成混 合 法 群体规模40 复制概率动 态 交叉概率动 态 突变 概 率动 态 选择方法轮 盘 赌 终止 准 则最大允许代数、 嵌套深度 最大迭代次数25 最大突变深度17 点均为叶子节点。 2 计算所生成的个体树的适应度值。 3 根据适应度的选择方式， 从群体中选出适 应度较好的个体， 即亲代。对亲代进行复制、 交叉、 变异等遗传操作， 生成一个子代群体， 通过淘汰适应 度值低的个体， 保持群体规模不变。 重复步骤2、步骤（ 3，直到满足设定的终止规 则 。计算进化达到25代时结束， 并将终止前进化所 得的最后一代作为全局最优个体输出， 得到遗传规 划的最佳个体树（ 图 7， 所得函数关系式转换为 3 。 X sinsinsin cossinL X mylogS sin S cos H N H X H X coscoscos 3 式（ 3即为基于G P的复杂地层中盾构滚刀磨 损寿命预测模型。 3 实验验证 3.1 简 化C S M磨损预测模型与遗传规划模型 验证 科罗拉多矿业大学基于室内滚刀破岩实验得来 的C S M模型 在 目 前 的 工 程 中 应 用 广 泛 。利用文 献[10,22]中的C S M滚刀磨损寿命预测模型进行 相近参数的简化可得 X 0. 16K s Si3cHLi ⑷ T 6sD〇h 式中X 为掘进距离L后的滚刀径向累计磨损量； 2 0 1 8 年 第 9 期乔 金 丽 等 基 于 遗 传 规 划 的 复 杂 地 层 中 盾 构 滚 刀 磨 损 寿 命 预 测 57 K s为磨粒磨损系数。 为岩石单轴抗压强度； 为 刀刃屈服强度； T为滚刀的刀刃宽度； 认 为 刀 直 径 。 根据式（ 计算正常磨损量。参数设置如下 刀 间 距S为 0.16 m， 刀 直 径 为 0. 4318 m， 刀刃宽 度 了 取 0. 02 m， 刀刃屈服强度仏取149 4 M P a， 岩 石 单 轴 抗 压 强 度 〜 取 地 层 的 均 值 11. 25 M P a。 第 1 、 2次换刀的贯入度为0. 0142 9 m/rev， 第 3 次 换刀的贯入度为0.018 18 m/rev。由于岩石对钢制 滚 刀 的 磨 损 为 三 体 磨 损 ， 磨 粒 直 径 为 80 ,m左 右[2]， 故 K 为 4X 10-3。 3.2 结果对比分析 将测试样本表4分别代入式（ 3中的基于S P 的复杂地层中盾构滚刀磨损寿命预测模型（ 以下简 称S P预测模型） 和式（ 4 中的简化C S M磨损预测 模型并计算出寿命预测结果（ 图 8， 分别计算平均 误差和均方差（ 表 6， 以评定所建模型的精度。 图8 2 种滚刀磨损寿命预测模型的预测值与测量值对比 Fig. 8 Comparison between the predicted values and the measured values of two cutter wear life prediction models 表6 2种模型拟合精度比较 Table 6 Comparison of fitting precisions of the two models 模 型平均误差/n均 方 差 CSM29. 080. 004 3 GP16. 070.0016 从结果的偏离程度可知， 2 种模型的总体趋势 与实际情况相同。简 化C S M磨损预测模型中参数 取值的准确与否是影响滚刀磨损寿命预测精度的关 键问题， 但岩石单轴抗压强度〜等参数却由于复杂 地层的不均匀性难以测得准确值， 因而计算偏差相 对较大。S P预测模型在复杂地层中计算出的拟合 值比较理想地反映了滚刀磨损规律， 精度明显优于 前者， 成功解决了具有高度非线性特点的盾构滚刀 寿命的预测问题。 4结论 “ 在对影响滚刀磨损寿命的各主要影响因素 进行合理分析和选择的基础上， 将遗传规划引入到 滚刀磨损寿命预测中， 建立了基于遗传规划的复杂 地层中盾构滚刀磨损寿命预测模型。利用工程实例 的实测数据进行模型训练， 并用测试的工程实例数 据和简化C S M磨损预测模型进行验证， 结果表明， 该模型平均误差小、 均方差小。 2 传 规 划 地 层 中 构 滚 寿命预测模型通过个体树和函数表达式的形式表达 结果， 更为直观， 能更好地预测复杂地质条件下的滚 刀磨损寿命， 达到了减少停机检查的次数、 加快施工 效率和减少工程成本的目的， 为盾构滚刀磨损寿命 的分析和预测开辟了一条新的途径。 参考文献（References [ 1 ] 赵海鸣， 舒标， 夏毅敏， 等.基于磨料磨损的T B M滚 刀磨损预测研究）].铁道科学与工程学报， 2014, 11“ 52-158. Z H A O Haiming， S H U Biao， XIA Yimin， et al. Study of wear prediction for T B M cutter based on abrasive wear model [J]. Journal of Railway Science and Engineering,201411 4 152-158. [2 ]孙汝继， 王水生， 王海舰.掘进机截齿磨损程度分析及 识别方法）].工矿自动化， 2016,42128-71. SUN Ruji，W A N G Shuisheng，W A N G Haijian. Analysis and recognition of wear degree of roadheader cutting picks [J]. Industry and Mine Automation, 2016 42 12 68-71. [3 ] BALCI C. Correlation of rock cutting tests with field perance of a T B M in a highly fractured rock ation a case study in Kozyatagi-Kadikoy metro tunnel Turkey[J]. Tunnelling j Underground Space Technology Incorporating Trenchless Technology Research， 2009,244 423-435. [4 ] WIJK G. A model of tunnel boring machine perance [ J ]. Geotechnical j Geological Engineering 1992,101 19-40. [5 ] ROSTAMI J. Development of a force estimation model for rock fragmentation with disc cutters through theoretical modeling and physical measurement of crushed zone pressure[D]. Colorado Colorado School of Mines， 1997. [6 ] BRULAND A. Hard rock tunnel boring advance rate and cutter wear[R] . Trondheim Norwegian Institute of Technology， 1999. [7 ]龚秋明， 王继敏， 佘祺锐.锦屏二级水电站1 ， 3 引 水隧洞T B M施工预测与施工效果对比分析[J].岩石 力学与工程学报， 2011， 308 1652-1662. 58 工 矿 自 动 化2 0 1 8 年 第 4 4 卷 G O N G Qiuming, W A N G Jimin, SHE Qirui. Comparison of T B M perance prediction with actual T B M operation results in headrace tunnels No. 1 and No. 3 of Jinping II hydropower station [J]. Chinese Journal of Rock Mechanics and Engineering, 2011， 308652-1662. [8 ] OIHCMB M, SCHMID L, RITZ W, et l Hardrock tunnel boring machines[M]. Ernst j Sohn， 2008. [9 ] ROSTAMI J， OZDEMIR L ， NILSEN B. Comparison between CMS and N T H hard rock T B M perance prediction models[C]//Annual Technical Meeting of the Institute of Shaft D-iling and Technology ISDT,1996 -11. 0 ] 杨延栋， 陈馈， 李凤远， 等.盘形滚刀磨损预测模型 [J].煤炭学报， 2015,406290-1296. Y A N G Yandong, C H E N Kui, LI Fengyuan, et al. Wear prediction model of disc cutter [J]. Journal of China Coal Society,2015,406 1290-1296. 1 ] 徐玲， 杨丹， 王时龙， 等.基于进化神经网络的刀具寿 命预测[J].计算机集成制造系统， 2008, 14 1 167-171. X U Ling，Y A N G Dan，W A N G Shilong，et al. Prediction of cutting tool life based on evolutionary neural network [ J ]. Computer Integrated Manufacturing Systems , 2008,141 167-171. 2 ] 李笑， 苏小江.基于Elman神经网络的盾构滚刀磨损 预测方法研究[J].辽宁工程技术大学学报（ 自然科学 版） ， 2010， 296121-1124. LI Xiao , SU Xiaojiang. A new for forecasting shield disc-cutters wearing based on Elman neural network[J] . Journal of Liaoning Technical University Natural Science , 2010,296 1121-1124. [ 13]乔金丽， 张义同， 谢晓晖.基于遗传规划的盾构隧道开 挖地表最大沉降预测[J].天津大学学报， 2009, 429 790-795. QIAO Jinli Z H A N G Yitong XIE Xiaohui8Genetic