基于神經(jīng)網(wǎng)絡(luò)算法的滾刀磨損量預(yù)測(cè)方法

丁小彬， 謝宇軒， 薛皓文， 李世佳

(1.華南理工大學(xué) 土木與交通學(xué)院，廣東 廣州 510640； 2.華南理工大學(xué) 華南巖土工程研究院，廣東 廣州 510640； 3.廣州軌道交通建設(shè)監(jiān)理有限公司，廣東 廣州 510010)

在硬巖地層采用盾構(gòu)法進(jìn)行隧道施工時(shí)，分布在刀盤(pán)上的盾構(gòu)滾刀與巖面直接接觸，是破巖的關(guān)鍵工具。滾刀的磨損形式和磨損快慢對(duì)施工進(jìn)度和工程造價(jià)有很大影響[1]。磨損嚴(yán)重的滾刀會(huì)降低破巖效率，甚至導(dǎo)致機(jī)器損壞。目前開(kāi)倉(cāng)換刀仍需依靠工程經(jīng)驗(yàn)人為判斷[2]，具有較大主觀性和不確定性。頻繁開(kāi)倉(cāng)會(huì)增加工程風(fēng)險(xiǎn)、延誤工期、增加滾刀采購(gòu)成本與工程總造價(jià)。

當(dāng)前滾刀磨損預(yù)測(cè)模型按照理論基礎(chǔ)可分為經(jīng)驗(yàn)公式和半經(jīng)驗(yàn)公式。經(jīng)驗(yàn)公式基于大量工程實(shí)踐數(shù)據(jù)，通過(guò)經(jīng)驗(yàn)系數(shù)反映各類(lèi)復(fù)雜參數(shù)的影響，或通過(guò)巖石參數(shù)間比值關(guān)系[3]計(jì)算刀具磨損量。經(jīng)驗(yàn)公式的使用范圍深受數(shù)據(jù)影響，需要加以調(diào)整才可應(yīng)用于類(lèi)似工程項(xiàng)目[4]。半經(jīng)驗(yàn)公式多數(shù)以金屬摩擦學(xué)理論為基礎(chǔ)，結(jié)合經(jīng)驗(yàn)系數(shù)進(jìn)行修正[5]，難以關(guān)聯(lián)盾構(gòu)施工參數(shù)，不利于及時(shí)判斷刀具磨損狀況。另一種思路是采用盾構(gòu)中可快速獲得的參數(shù)間接判斷刀具磨損狀態(tài),常用的判斷依據(jù)是盾構(gòu)機(jī)的掘進(jìn)速度[6]。

不論是公式計(jì)算還是間接判斷，滾刀磨損預(yù)測(cè)難點(diǎn)在于其受盾構(gòu)機(jī)管理、機(jī)械以及地質(zhì)[7]等多方面因素的相互作用。該關(guān)系可以被簡(jiǎn)化為多元非線性問(wèn)題，而神經(jīng)網(wǎng)絡(luò)算法具有強(qiáng)大的多元非線性分析能力，可作為研究滾刀磨損規(guī)律的有效方法。李笑等[8]結(jié)合Elman神經(jīng)網(wǎng)絡(luò)對(duì)掘進(jìn)速度進(jìn)行預(yù)測(cè)，并通過(guò)預(yù)測(cè)誤差判斷刀具磨損情況。陳子義[9]采用線磨損速率預(yù)測(cè)公式推算單環(huán)內(nèi)的滾刀磨損量，分析相關(guān)工藝參數(shù)與滾刀磨損間的非線性關(guān)系。

邊緣滾刀和中心滾刀的磨損還受偏磨和泥餅等附加因素干擾，而正面滾刀的磨損則相對(duì)規(guī)律，適合用于神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練[10]。復(fù)合地層中滾刀磨損研究還較為缺乏，滾刀偏磨頻繁[11]，數(shù)據(jù)不利于進(jìn)行滾刀正常磨損規(guī)律研究。

綜上所述，從硬巖地層盾構(gòu)正面滾刀的磨損規(guī)律入手進(jìn)行研究，提出一種基于神經(jīng)網(wǎng)絡(luò)算法的滾刀磨損量預(yù)測(cè)方法，為現(xiàn)場(chǎng)施工提供較為準(zhǔn)確的換刀時(shí)間及理論指導(dǎo)。

1 滾刀磨損量分析預(yù)測(cè)方法

1.1 算法原理簡(jiǎn)介

BP(back propagation)神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別、自動(dòng)駕駛、黑盒等復(fù)雜非線性問(wèn)題上具有卓越表現(xiàn)，近八成涉及神經(jīng)網(wǎng)絡(luò)的研究課題以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)方法[12]。

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)存在諸如誤差收斂速度慢、易陷入局部最小值、網(wǎng)絡(luò)結(jié)構(gòu)的確定缺乏可靠理論依據(jù)等問(wèn)題[13-14]。采用各類(lèi)優(yōu)化算法可有效提高神經(jīng)網(wǎng)絡(luò)模型的表現(xiàn)[15-16]。本研究借助LM(Levenberg-Marquadt)算法進(jìn)行參數(shù)更新，使用SMBO(sequential model-based optimization)方法搜尋模型最佳超參數(shù)組合。

LM算法在高斯牛頓算法的基礎(chǔ)上增加阻尼系數(shù)μ以解決最小二乘法問(wèn)題。該方法在迭代初期使用較大的μ，使梯度迅速下降；在迭代后期，使μ的值趨近于0，以實(shí)現(xiàn)參數(shù)微調(diào)，達(dá)到良好的收斂效果。

式(1)為一組阻尼系數(shù)調(diào)整方案，按增益比ρ來(lái)調(diào)整阻尼系數(shù)μ，ν為輔助放縮系數(shù)。重復(fù)上述過(guò)程，直至達(dá)到設(shè)定的嘗試步數(shù)或模型預(yù)測(cè)誤差小于目標(biāo)值。

(1)

SMBO方法[17]是貝葉斯優(yōu)化的一種形式化定義，該算法借助以往模型評(píng)估產(chǎn)生的參數(shù)及結(jié)果組成的歷史信息，在指定的參數(shù)空間內(nèi)快速搜索使目標(biāo)函數(shù)取得最小值的參數(shù)組合；SMBO不需要進(jìn)行梯度計(jì)算，具有較好的平滑性，支持多變量并行優(yōu)化，被廣泛應(yīng)用于各類(lèi)數(shù)據(jù)分析任務(wù)。

目標(biāo)函數(shù)為BP神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，所采用的SMBO方法借助TPE(tree-structured Parzen estimator)模型，以基于貝葉斯理論建立的高斯混合模型為替代函數(shù)；以常用的EI(expected improvement)為采集函數(shù)，選取下一組超參數(shù)。減少對(duì)目標(biāo)函數(shù)的調(diào)用次數(shù)，提高超參數(shù)優(yōu)化效率。

1.2 數(shù)據(jù)分析框架

在盾構(gòu)施工過(guò)程中，通常數(shù)十至數(shù)百環(huán)開(kāi)倉(cāng)測(cè)量一次刀具磨損量，無(wú)法得知滾刀每環(huán)的磨損量。而盾構(gòu)機(jī)在掘進(jìn)過(guò)程中采集了大量對(duì)刀具磨損量存在潛在影響的數(shù)據(jù)。分析思路是將相對(duì)稀少的滾刀磨損量實(shí)測(cè)數(shù)據(jù)和豐富的盾構(gòu)運(yùn)轉(zhuǎn)(管理)、刀具布置(機(jī)械)、地質(zhì)條件(地質(zhì))參數(shù)關(guān)聯(lián)起來(lái)，探究其中的聯(lián)系，提高模型預(yù)測(cè)的準(zhǔn)確性。

滾刀磨損量分析預(yù)測(cè)方法分為3個(gè)主要步驟，各步驟介紹如下。

(1)數(shù)據(jù)標(biāo)定。排除原始數(shù)據(jù)中的異常值。以掘進(jìn)環(huán)為最小單位，將各類(lèi)數(shù)據(jù)統(tǒng)一為每掘進(jìn)環(huán)一條數(shù)據(jù)。對(duì)每環(huán)有多個(gè)值的數(shù)據(jù)取代表值，對(duì)多環(huán)一個(gè)值的數(shù)據(jù)進(jìn)行合理外推和插值。參考現(xiàn)有滾刀磨損量計(jì)算公式標(biāo)定各環(huán)磨損量。

(2)模型訓(xùn)練。以BPNN算法模型為基礎(chǔ)，采用LM算法優(yōu)化BPNN模型的權(quán)值和閾值參數(shù)，再通過(guò)SMBO方法優(yōu)化LM-BPNN算法中的部分超參數(shù)。

(3)模型預(yù)測(cè)能力評(píng)價(jià)。將預(yù)留樣本輸入神經(jīng)網(wǎng)絡(luò)模型中，對(duì)比神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)磨損量和真實(shí)磨損量的誤差，分析網(wǎng)絡(luò)所學(xué)習(xí)到的規(guī)律，并對(duì)模型開(kāi)發(fā)方案提出調(diào)整意見(jiàn)。

2 工程概況

廣州市軌道交通18號(hào)線和22號(hào)線工程項(xiàng)目包含9個(gè)施工分部，其中18號(hào)線“番禺廣場(chǎng)站—南村萬(wàn)博站”分段共包含1個(gè)中間風(fēng)井和2個(gè)盾構(gòu)井，該分段“番南2號(hào)盾構(gòu)井—番南中間風(fēng)井盾構(gòu)區(qū)間”(以下簡(jiǎn)稱(chēng)“2—中區(qū)間”)是本文研究和分析所依托的工程背景，如圖1所示。

圖1 番禺廣場(chǎng)站至南村萬(wàn)博站盾構(gòu)線網(wǎng)圖Figure 1 Plan of tunnel section from Panyu Square Station to Nancun Wanbo Station

2—中區(qū)間由1 552環(huán)盾構(gòu)管片組成，管片寬1 600 mm，即為每個(gè)掘進(jìn)環(huán)的縱向長(zhǎng)度；盾構(gòu)途徑地層以花崗巖和混合花崗巖地層為主，采用土壓平衡盾構(gòu)法施工。

原始數(shù)據(jù)來(lái)自365～523環(huán)，該區(qū)段開(kāi)倉(cāng)密集，地質(zhì)分布較均勻，其地質(zhì)剖面圖見(jiàn)圖2。該區(qū)段共159環(huán)，開(kāi)倉(cāng) 7次，將該段落劃分為6個(gè)開(kāi)倉(cāng)段。圖2中以虛線標(biāo)出開(kāi)倉(cāng)位置并注明對(duì)應(yīng)環(huán)號(hào)(365環(huán)為啟始環(huán))。陰影區(qū)域?yàn)槎軜?gòu)路線，途經(jīng)中風(fēng)化混合花崗巖(<8Z>)地層和微風(fēng)化混合花崗巖(<9Z>)地層，折線為地層分界線。查閱該段落內(nèi)鉆孔勘探報(bào)告，未見(jiàn)不良地質(zhì)現(xiàn)象。

圖2 番南區(qū)間右線365～523環(huán)地質(zhì)剖面示意圖Figure 2 Geological profile of ring 365 to 523 on the right line of Pan-nan section

3 數(shù)據(jù)分析框架有效性驗(yàn)證

3.1 數(shù)據(jù)獲取

本研究將輸入?yún)?shù)分為盾構(gòu)掘進(jìn)參數(shù)、滾刀機(jī)械參數(shù)、地質(zhì)參數(shù)3類(lèi)，分別反映管理、機(jī)械、地質(zhì)因素。參考現(xiàn)有研究考慮的滾刀磨損影響因素，綜合考慮數(shù)據(jù)來(lái)源以及施工實(shí)際情況，篩選3類(lèi)共14種參數(shù)為輸入?yún)?shù)，如圖3所示。參數(shù)單位與采集系統(tǒng)保持一致，開(kāi)發(fā)模型時(shí)將對(duì)數(shù)據(jù)進(jìn)行歸一化處理排除單位影響。

圖3 BP神經(jīng)網(wǎng)絡(luò)輸入層參數(shù)Figure 3 Input parameters of BP neural network

盾構(gòu)掘進(jìn)參數(shù)包括土壓、盾構(gòu)推力、刀盤(pán)扭矩、掘進(jìn)速度、貫入度和盾構(gòu)深度，均可通過(guò)廣州地鐵18、22號(hào)線盾構(gòu)監(jiān)控系統(tǒng)獲取。該系統(tǒng)以秒為單位進(jìn)行數(shù)據(jù)采集。將各環(huán)內(nèi)掘進(jìn)數(shù)據(jù)按照95%置信區(qū)間篩選并剔除奇異值，取剩余數(shù)據(jù)中值為各環(huán)掘進(jìn)數(shù)據(jù)代表值錄入數(shù)據(jù)集。

滾刀機(jī)械參數(shù)包括滾刀尺寸、安裝半徑、新舊刀、HRC硬度、刀刃寬度及刀刃屈服強(qiáng)度。滾刀尺寸和安裝半徑從DL523型刀盤(pán)設(shè)計(jì)圖上獲取，新舊刀、HRC硬度、刀刃寬度和刀刃屈服強(qiáng)度由施工方提供的刀盤(pán)刀具檢測(cè)情況整理得到。因滾刀更換需要開(kāi)倉(cāng)，在兩次開(kāi)倉(cāng)間的各環(huán)滾刀參數(shù)一般為常數(shù)。

地質(zhì)參數(shù)包括巖石的單軸抗壓強(qiáng)度和RQD值。參考詳勘報(bào)告以及鉆孔柱狀附圖，根據(jù)地層占比對(duì)地質(zhì)參數(shù)做加權(quán)平均后用作各環(huán)地質(zhì)參數(shù)代表值。

模型輸出參數(shù)為滾刀磨損量，具體定義為刀圈半徑的減少量，由工人在開(kāi)倉(cāng)檢查時(shí)使用專(zhuān)用卡尺測(cè)量得到(圖4)。受施工條件限制，無(wú)法直接測(cè)得滾刀單環(huán)磨損量。以盾構(gòu)開(kāi)倉(cāng)時(shí)測(cè)得磨損量為準(zhǔn)，參考楊延棟等[6]提出的正面滾刀正常磨損速率預(yù)測(cè)公式標(biāo)定各環(huán)磨損量：

(2)

式中：ω為刀圈徑向磨損量；Ks為磨粒磨損系數(shù)；S為刀間距；σc為巖石UCS；Ri為滾刀安裝半徑；T和σs為刀刃寬度與屈服強(qiáng)度；D0為滾刀直徑；h為貫入度。其中磨粒磨損系數(shù)Ks與破碎顆粒的硬度、幾何尺寸和數(shù)量等參數(shù)有關(guān)。參考趙海鳴等[18]滾刀磨料磨損的室內(nèi)實(shí)驗(yàn)結(jié)果，代入已整理的工程數(shù)據(jù)集試算，當(dāng)磨粒磨損系數(shù)Ks取80時(shí)，式(2)計(jì)算值與滾刀磨損量實(shí)測(cè)值誤差較小。

圖4 刀圈磨損量測(cè)量示意圖Figure 4 Illustration of cutter ring wear measurement

標(biāo)定單環(huán)磨損量時(shí)，將根據(jù)式(2)計(jì)算得到的磨損量根據(jù)實(shí)測(cè)值進(jìn)行縮放。以正面滾刀S47為例，結(jié)合圖5演示其具體步驟：按照開(kāi)倉(cāng)位置(由虛線表示)劃分為多個(gè)段落，根據(jù)所選公式計(jì)算各環(huán)磨損量(由方形標(biāo)記的折線表示)，將各段磨損量按照計(jì)算值之和與開(kāi)倉(cāng)實(shí)測(cè)值的比值縮放。開(kāi)倉(cāng)環(huán)號(hào)和對(duì)應(yīng)磨損量見(jiàn)表1。標(biāo)定結(jié)果用圓形標(biāo)記的折線表示。

圖5 滾刀S47單環(huán)磨損量推算Figure 5 Cutter wear labeling of each ring for cutter S47

表1 滾刀S47磨損量分段統(tǒng)計(jì)表Table 1 Cutter wear of S47 in each section

本例中測(cè)量35把正面滾刀掘進(jìn)共159環(huán)的磨損情況，經(jīng)過(guò)上述步驟標(biāo)定后獲得159×35=5 565條數(shù)據(jù)樣本。每條樣本包含14個(gè)輸入?yún)?shù)和1個(gè)輸出參數(shù)，共計(jì)15個(gè)參數(shù)。但在實(shí)際工程中，部分正面滾刀存在刀圈崩裂、嚴(yán)重偏磨等非正常磨損，人工無(wú)法準(zhǔn)確測(cè)量這類(lèi)磨損。篩除這類(lèi)數(shù)據(jù)后，獲得形如2 386×15的矩陣作為后續(xù)模型開(kāi)發(fā)數(shù)據(jù)集。表2展示了該數(shù)據(jù)集所采用的滾刀刀號(hào)和開(kāi)倉(cāng)段。滾刀S19所有區(qū)間磨損量均存在異常，故數(shù)據(jù)集中實(shí)際包含正面滾刀共34把。共采用81次實(shí)測(cè)磨損量進(jìn)行標(biāo)定。

表2 數(shù)據(jù)集滾刀刀號(hào)與盾構(gòu)區(qū)間對(duì)應(yīng)關(guān)系表Table 2 Selected tunnel sections and cutters

為保證模型預(yù)測(cè)結(jié)果可與真實(shí)值比較，劃分?jǐn)?shù)據(jù)時(shí)將各開(kāi)倉(cāng)段內(nèi)樣本作為整體，隨機(jī)將樣本劃分為訓(xùn)練集和測(cè)試集，并保證訓(xùn)練集樣本量占比高于50%，以保證模型得到充分訓(xùn)練。

使用最大最小歸一化，公式見(jiàn)式(3)：

xnorm=(x-xmin)/(xmax-xmin) 。

(3)

式中：xnorm為歸一化值；x為原始值；xmin為最小值；xmax為最大值。處理后各參數(shù)數(shù)據(jù)均分布在0～1，消除了單位和量級(jí)對(duì)訓(xùn)練的影響，方便數(shù)據(jù)計(jì)算與二次處理。

3.2 模型訓(xùn)練與評(píng)價(jià)

Kolmogorov定理指出3層網(wǎng)絡(luò)可以精確描述任意連續(xù)函數(shù)。構(gòu)建1個(gè)包含1個(gè)輸入層、1個(gè)隱藏層和1個(gè)輸出層的神經(jīng)網(wǎng)絡(luò)。輸入層的節(jié)點(diǎn)個(gè)數(shù)為14，對(duì)應(yīng)14種輸入?yún)?shù)。輸出層節(jié)點(diǎn)個(gè)數(shù)為1，對(duì)應(yīng)1種輸出參數(shù)。激活函數(shù)為sigmoid函數(shù)，損失函數(shù)為擬合常用的均方誤差函數(shù)，采用LM算法優(yōu)化網(wǎng)絡(luò)權(quán)值和閾值。

將隱藏層節(jié)點(diǎn)個(gè)數(shù)、LM算法阻尼系數(shù)和迭代次數(shù)3項(xiàng)超參數(shù)作為SMBO方法優(yōu)化對(duì)象。SMBO優(yōu)化目標(biāo)函數(shù)為神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)。試算確定超參數(shù)范圍，阻尼系數(shù)取值為2～10，步長(zhǎng)為1；迭代次數(shù)50～200次，步長(zhǎng)為10；隱節(jié)點(diǎn)數(shù)5～14個(gè)，步長(zhǎng)為1，設(shè)定SMBO最大搜索次數(shù)為100次。

評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)模型的擬合結(jié)果，通常使用均方差MSE以及決定系數(shù)R2，其計(jì)算公式分別為

(4)

(5)

開(kāi)倉(cāng)測(cè)得的滾刀磨損量是評(píng)價(jià)預(yù)測(cè)準(zhǔn)確度的直觀指標(biāo)，因此將開(kāi)倉(cāng)段內(nèi)預(yù)測(cè)磨損量累積值和實(shí)際磨損量間差值占實(shí)際磨損量的比值定義為“預(yù)測(cè)誤差”，作為評(píng)價(jià)指標(biāo)之一。最優(yōu)超參數(shù)組合為隱節(jié)點(diǎn)數(shù)5個(gè)，阻尼修正系數(shù)為8，迭代130次，對(duì)應(yīng)R2最高。

分別用式(2)和訓(xùn)練中表現(xiàn)最佳的模型預(yù)測(cè)測(cè)試集的滾刀磨損量。將測(cè)試集數(shù)據(jù)開(kāi)倉(cāng)段、滾刀號(hào)、實(shí)際磨損量、預(yù)測(cè)磨損量與預(yù)測(cè)誤差列于表3。預(yù)測(cè)誤差為正時(shí)，表明預(yù)測(cè)值高于實(shí)際值，反之公式預(yù)測(cè)值低于實(shí)際值。測(cè)試集共包含22個(gè)實(shí)測(cè)值，公式預(yù)測(cè)高估了8個(gè)，模型預(yù)測(cè)高估了5個(gè)。

式(2)對(duì)于15個(gè)實(shí)測(cè)值的預(yù)測(cè)誤差絕對(duì)值大于模型預(yù)測(cè)。式(2)和模型的預(yù)測(cè)誤差平均值分別為20.09%和11.24%。模型相較公式考慮了更多的影響因素，多考慮的因素可能提高了模型預(yù)測(cè)的準(zhǔn)確度。

表3 區(qū)間滾刀磨損預(yù)測(cè)匯總表Table 3 Cutter wear prediction for each section

圖6展示了各開(kāi)倉(cāng)段的決定系數(shù)R2和均方差MSE。開(kāi)倉(cāng)段1的R2高達(dá)0.992，對(duì)應(yīng)的MSE僅有4.133×10-5；該區(qū)段內(nèi)2、3、4、6這4個(gè)開(kāi)倉(cāng)段R2幾乎一致，均在0.87附近，MSE則為20×10-5～40×10-5不等；開(kāi)倉(cāng)段3的MSE約為開(kāi)倉(cāng)段2、4、6的4～5倍；開(kāi)倉(cāng)段5的R2僅為0.636，顯著低于其他段落，其MSE為423.5×10-5，相比MSE第2高的第3環(huán)高出近3倍。

圖6 開(kāi)倉(cāng)段評(píng)價(jià)指標(biāo)Figure 6 Statistical evaluation of each section

R2和MSE反映出模型對(duì)磨損量的總體預(yù)測(cè)結(jié)果良好。雖然R2最高的開(kāi)倉(cāng)段具有最低MSE，且R2最低區(qū)段具有最高M(jìn)SE，但其他區(qū)段的預(yù)測(cè)結(jié)果R2和MSE未見(jiàn)明顯的相關(guān)性。

結(jié)合表3中預(yù)測(cè)誤差和圖2地質(zhì)剖面進(jìn)一步分析模型預(yù)測(cè)誤差來(lái)源。開(kāi)倉(cāng)段3對(duì)應(yīng)395～439環(huán)，共包含7把滾刀開(kāi)倉(cāng)數(shù)據(jù)，其中4把滾刀預(yù)測(cè)誤差為負(fù)值。注意到圖2中該區(qū)段微風(fēng)化花崗巖地層占比沿掘進(jìn)方向逐漸增加，在均勻變化地質(zhì)條件下，模型傾向于低估磨損量。表3中開(kāi)倉(cāng)段5內(nèi)各滾刀預(yù)測(cè)誤差均為負(fù)數(shù)，反映該區(qū)段模型低估了滾刀磨損量?；仡檲D2中的地層組成，注意到該開(kāi)倉(cāng)段在465～480環(huán)區(qū)間內(nèi)，掌子面上的巖層占比存在突變，導(dǎo)致模型低估該區(qū)段單環(huán)磨損量?？赡艿母倪M(jìn)方法是細(xì)化磨損量標(biāo)定的最小單位，例如構(gòu)建數(shù)據(jù)集時(shí)以每分鐘的掘進(jìn)參數(shù)作為一條樣本，從而讓模型可以更充分地學(xué)習(xí)較為復(fù)雜地層下的磨損量積累過(guò)程。

4 結(jié)論

本文利用神經(jīng)網(wǎng)絡(luò)算法多元非線性擬合的優(yōu)勢(shì)，建立滾刀磨損量預(yù)測(cè)模型，綜合考慮機(jī)械、地質(zhì)以及管理3大類(lèi)共14種參數(shù)對(duì)滾刀磨損量的影響，采用SMBO-LM-BPNN算法構(gòu)建了滾刀磨損量數(shù)據(jù)分析框架，建立了尺寸為2 386×15的數(shù)據(jù)集。所得模型在測(cè)試集上的預(yù)測(cè)誤差平均值為11.24%，采用的標(biāo)定公式預(yù)測(cè)誤差為20.09%。模型在測(cè)試集上5個(gè)區(qū)段的預(yù)測(cè)值R2超過(guò)0.86。進(jìn)一步細(xì)化樣本采樣區(qū)間，或?qū)⑺?xùn)練模型用于標(biāo)定單環(huán)磨損量進(jìn)行新一輪訓(xùn)練，有望進(jìn)一步減小模型預(yù)測(cè)誤差。

采用SMBO-LM-BPNN算法開(kāi)發(fā)模型和公式標(biāo)定單環(huán)磨損量，僅是當(dāng)前案例下的一種可行組合。本文的數(shù)據(jù)訓(xùn)練僅局限于花崗巖地層，但所構(gòu)建的數(shù)據(jù)分析框架具有良好拓展性，可結(jié)合工程特點(diǎn)采用其他易于獲得影響參數(shù)和標(biāo)定公式建立數(shù)據(jù)庫(kù)。