新型盾构刀具检测技术

李宏波，周建军，王助锋

（1.盾构及掘进技术国家重点实验室，郑州 450001；2.中铁隧道集团有限公司，河南 洛阳 471009）

盾构施工法广泛用于城市隧道、水排放隧道、引水供水隧道、江河湖海底隧道、电力电讯及供气工程，但由于地下工况复杂，在盾构掘进过程中盾构机的刀具磨损已经成为严重影响工程质量、进度的关键问题。盾构施工中对盾构刀具磨损状态检测及评判为当前研究热点。施工中不同硬度地层对刀具影响差异性较大，跟踪检测水平不高会给盾构刀具检测造成巨大困难［1－2］。施工中若不能及时了解盾构刀具的磨损信息，对刀具状态做出合理评判，一旦刀具磨损严重甚至报废更换更困难，且成本高、进货周期长，不但影响工程质量亦会拖延工期。因此对盾构刀具磨损检测、评估为研究盾构刀具磨损亟待解决之问题。

声发射（Acoustic Emission，AE）技术作为动态无损检测技术对各种金属材料及内部微细裂纹较敏感、能发现被测件材料的早期变化因而广泛用于机械设备检测［3－6］。本文以盾构滚刀岩机作用实验台为研究对象，在该台安装不同磨损状态刀具，采集破岩时的声发射信号，将自适应滤波及信息熵多特征融合技术相结合评估不同磨损程度刀具信息熵值，获得信息熵值及刀具磨损程度曲线。对不同程度磨损刀具进行信息熵区分，建立刀具磨损状态信息熵数据库模型，以便在盾构刀具实际检测中通过声发射多特征信息熵值对应划分的刀具磨损区间获得被检刀具磨损状态。

1 基于自适应滤波的信号处理

1.1 自适应滤波理论

自适应滤波依据前一时刻所得滤波器参数结果自动调整滤波器参数以适应信号或噪声未知或随时间变化的统计特征，从而实现最优滤波结果［7－9］。采集的原始信号x（n）主要由真实有用信号s（n）与背景噪声v（n）构成，s（n）与 v（n）不相关。参考信号 r（n）可与s（n）或 v（n）相关。＾v（n）为背景噪声 v（n）的最佳估计，见图1。

图1 自适应消噪原理图Fig.1 Adaptive filtering principle diagram

设滤波器阶数为M，自适应算法通过系统输出误差e（n）自动调节滤波器的权系数w（n），使系统输出误差的某个代价函数达到最小。经典代价函数为利用均方误差（Mean Square Error，MSE）作为代价函数，见图2。

图2 滤波器算法原理图Fig.2 Filter algorithm principle diagram

代价函数均方误差可表示为

设第k个滤波器权系数为wk，滤波器阶数为M，各延迟单元被接入点称为抽头点，每个抽头的输入为r（n），r（n－1），…，r（n－M＋1），则横向滤波器输出r（n）为抽头输入与抽头权值的内积之和。系统输出误差为

式中：M为滤波器阶数；r（n－m），r（n）由延时获得。

使代价函数均方误差J（n）取得最小值，此时均方误差梯度为零，即

得最小均方算法权重的迭代规则为

式中：μ为迭代步长。

1.2 自适应滤波有效性仿真

为验证自适应滤波降噪对声发射信号的降噪效果，利用模拟声发射信号验证该算法的有效性。模拟AE信号表达式为

模拟声发射为4个突发型AE信号。模拟AE信号幅值为8，信号长度为1 024，见图3。模拟的噪声信号为高斯白噪声信号。噪声信号与AE信号叠加后见图4。通过自适应滤波后信号见图5。由诸图看出，通过自适应滤波降噪后能较干净去除模拟的白噪声信号，获得真实的声发射信号。

图3 模拟的AE信号Fig.3 Simulation of AE signal

图4 模拟AE＋白噪声信号Fig.4 AE signal＋white noise signal

图5 滤波后信号Fig.5 The filtered signal

2 基于信息熵的盾构刀具AE信号评估

2.1 信息熵原理

熵为热力学名词，在信息论中亦称平均信息量，为信息无序度的度量。信息熵越大信息无序度越高，信息的效用值越小；反之，信息熵越小信息无序度越小，信息的效用值越大。熵值法为据各项指标观测值提供的信息量大小确定指标权数的方法。在综合评估中可用信息熵多特征融合法评估所得系统信息的效用值［10－11］。据信息学定义，在一个信息通道中传输的第i个信号的信息量为

式中：pi为该信号出现概率。

设n个信号出现的概率分别为p1，p2，…，pn，其平均信息量即熵E为

2.2 信息熵参数权重计算

设 xij（i＝1，2，…，n，j＝1，2，…，m）为第 i次观察评价中第j项指标的观察数据，对给定j，xij的差异越大该项指标对被评价对象的作用越大，即该项指标包含、传输的信息越多。信息增加表明熵的减少，熵可度量该信息量大小［12］。

（1）计算第j项指标下第i个被评价对象的特征比重，即

（2）计算第j项指标的熵值，即

（3）计算指标xj的差异性系数，即

gj越大越应重视该指标作用。式（12）中需确定常数项k。设xij与给定的j相同，则特征比重即熵值为

此时指标对被评价对象作用最小，取gi＝0，可推算出k为

式中：wj为归一化后权重系数。

3 盾构刀具检测流程

盾构刀具检测模型算法流程图见图6，试验步骤为：① 将不同磨损程度的盾构滚刀安装在盾构滚刀岩机作用试验台上，利用声发射数据采集设备采集刀具破岩的声发射信息，并通过设置声发射高门槛值去除破岩干扰信号，实现一次降噪。② 将采集的刀具声发射信号进行自适应滤波处理，实现二次降噪。③ 将滤波后声发射信号归一化处理，提取声发射特征参数。④ 利用信息熵法对声发射的特征信息量进行评估，给出声发射参数量权重，且对参数量打分得出其重要程度，利用多特性信息参量融合法求出刀具的信息熵值。⑤ 利用声发射信号多特征融合信息熵值绘制曲线，并与盾构刀具磨损状况比较，建立盾构刀具磨损信息熵评估数据库。

图6 刀具检测流程图Fig.6 The tool detection process

4 盾构滚刀破岩声发射信号试验

4.1 试验对象介绍

盾构滚刀岩机作用试验台为模拟盾构地下施工而设计台，该平台用于盾构滚刀破岩机理试验，为盾构刀盘刀具的关键参数提供数据基础，以便对不同磨损状态滚刀的破岩效果进行研究。该试验台一次可安装3把盾构刀具模拟盾构破岩机理，可对盾构刀具磨损状态分析研究。在该试验台上电机经减速器驱动岩石箱体水平旋转，盾构刀具安装于刀架平台，通过液压驱动对刀架施加轴向力实现轴向推进模拟盾构地下施工掘进过程。将由施工现场处于磨损报废状态的单刃滚刀2把、完好状态单刃滚刀2把、部分磨损状态滚刀1把安装于试验平台刀架上进行试验，见图7。

图7 盾构滚刀岩机作用试验台Fig.7 The comprehensive experiment platform of rock and machine

4.2 检测系统及参数设置

用美国PAC的多通道声发射数据采集系统进行数据采集，通过磁力座将声发射传感器固定在试验台的3个刀箱上，传感器测点布置及试验台受力旋转示意图见图8。据声发射参数设置及声发射传感器安装位置采集盾构滚刀破岩石的声发射信号，试验台每次可安装3把滚刀，在刀箱中安装报废、磨损及正常状态滚刀各1把采集声发射信号。再按相同步骤采集最后2把滚刀的声发射信号，见表1。

图8 测点及试验台运动简图Fig.8 Test points and test motion diagram

表1 采集参数Tab.1 The collect Parameters

4.3 数据处理与结果分析

采集滚刀破岩声发射信号时，为去除干扰信号采取二次滤波处理方法：① 通过在数据采集前设置高门槛进行信号滤波；② 用自适应滤波降噪处理方法。在盾构岩机作用试验台上高门槛采集的盾构滚刀破岩声发射信号自适应滤波后所得信号见图9～图11。

图9 正常滚刀声发射信号Fig.9 The AE signal of normal hob

图10 磨损滚刀声发射信号Fig.10 The AE signal of wear hob

图11 报废滚刀声发射信号Fig.11 The AE signal of scrap hob

滤除声发射信号中干扰信号以便提取其特征参数时能获得真实反应被测件信息。利用声发射信号丰富的多特性信息用信息熵对特征量进行权重分配及打分，利用信息熵多特征融合法对盾构磨损进行评判。通过信息熵法发现声发射信号中绝对能量、峰值频率、信号强度、上升时间、RMS值等对反应真实刀具的磨损信息具有更重要作用，见表2、图12。进行多特征信息融合时将其分配更多权重，用信息熵法获得5把盾构滚刀的多特征信息融合熵值曲线见图13。

表2 声发射特征参数评分Tab.2 The characteristic parameters score

图12 AE特征信息参量评分Fig.12 The characteristic parameters score

图13 熵值法刀具评估磨损曲线图Fig.13 Entropy evaluation tool wear graph

表3 刀具信息熵数据库Tab.3 The tool information entropy database

由试验知声发射多特征信息熵评估的刀具磨损状态有效，信息熵值大小及刀具磨损程度相对应。据声发射信号多特征融合后信息熵值及刀具磨损状态建立信息熵值数据库，见表3。对信息熵值进行界定，划分刀具的3个磨损区间，在实际刀具检修中，通过信息熵值及信息熵值数据库即可界定盾构刀具的磨损状态，且可通过熵值区间与数据库中对应的实际刀具磨损图片对刀具磨损有直观认识。

由于实测样本较少，信息熵值数据库建立尚不完善，据信息熵值界定的刀具磨损程度区间不够详细，故应针对不同磨损状态的刀具样本进行研究，使刀具磨损区间界定更精确，层次区分度更明显，以便对不同磨损程度刀具进行试验，丰富信息熵值数据库。

5 结 论

（1）利用声发射信号对故障的敏感性将声发射检测技术用于盾构刀具检测。利用自适应滤波降噪处理方法剔除声发射信号的干扰源可提高信号特征值提取的准确度，为声发射信号处理奠定基础。

（2）将信息熵多特征融合评估法与声发射信号多特征量相结合，提出基于声发射多特征融合信息熵的刀具评估预测方法。通过建立盾构刀具磨损状态及信息熵值对应关系数据库，对盾构刀具声发射信号多特征融合后信息熵进行计算，结合信息熵值曲线及刀具信息熵值数据库可对刀具磨损状态进行界定。基于声发射多特征信息熵融合法可有效区分评判盾构刀具的磨损状态。

［1］Pellet Beaucour A L，Kastner R.Experimental and analytical study of friction forces during microtunneling operations［J］.Tunnelling and Underground Space Technology，2002，5（3）：23－24.

［2］Toshiharub T，Katsuhiko M.Development of a new composite structure segment for large diameter shield tunnel［J］.Tunnelling and Underground Space Technology，2004，12（2）：58－70.

［3］Mba D，Alfayez L.Detection of incipient cavitation and determination of the best efficiency point for centrifugal pumps using acoustic emission［J］.Journal of Mechanical Process Engineering，Part E，IMechE，2005，25（9／10）：342－343.

［4］郝如江，卢文秀.声发射检测技术用于滚动轴承故障诊断的研究综述［J］.振动与冲击，2008，27（3）：75－79.HAO Rujiang，LU Wenxiu.Review of diagnosis of rolling element bearing defaults by means of acoustic emission technique［J］.Journal of Vibration and Shock，2008，27（3）：75－79.

［5］Rogers L M.The application of vibration analysis and acoustic emission source location to online condition monitoring of antifriction bearings［J］. Tribology international，2004，12（2）：51－59.

［6］Tim Toutountzakis，David Mba.Observations of acoustic emission activity during gear defect diagnosis［J］.NDT＆E International，2003，40（2）：471－477.

［7］Mader A，Schmidt G U.Stepsize control for acoustic echo cancellation filters an overview［J］.Signal Processing，2000，9（1）：25－28.

［8］Choudhury A，Tandon N.Application of acoustic emission technique for the detection of defects in rolling element bearings［J］.Tribology Internationa－l，2000（33）：39－45.

［9］AlGhamdi S M，Mba D.Estimation of bearing defect size with acoustic emission［J］.Insight，2004，46（12）：758－761.

［10］Korenaga A，Yoshioka T.Development and application of stresswave acoustic diagnostics for roller bearings［J］.Proceedings of SPIE，The International Society for Optical Engineering，2000，28：58－70.

［11］ Lavie N，Hirst A，Fockert J W.Load theory of selective attention and cognitive control［J］.Journal of Experimental Psychology：General，2004，133（3）：304－310.

［12］谢平.基于信息熵的裂纹转子动力学特征分析与诊断方法［J］.机械工程学报，2009，45（1）：195－199.XIU Ping.Crack rotor dynamic feature analysis and diagnosis method based on information entropy［J］. Journal of Mechanical Engineering，2009，45（1）：195－199.