盾构机刀具磨损检测技术研究

□ 李 超 □ 孙 昊 □ 李庆党

青岛科技大学 机电工程学院 山东青岛 266061

1 研究背景

盾构机作为道路掘进中的重要工具，具有施工速度快、对环境影响小、施工安全等优点。随着城市化进程的加快，盾构机的需求量也在不断增加。据报告显示，2017年盾构机需求量为344台，而2018、2019年盾构机的需求量分别将为410台和477台［1］。在每一台盾构机上，都至少安装几十把刀具。在盾构机掘进过程中，刀盘上的刀具通过切削、挤压等行为使岩石产生裂缝，进而对岩体造成破坏，从而实现道路掘进。刀具在掘进过程中会产生磨损，影响施工效率和施工安全，因此，对盾构机刀具进行磨损检测研究，具有重要的现实意义。

对于目前已经存在的刀盘结构、刀具结构、刀具布局均已固定的盾构机而言，通过改造刀盘或刀具结构的方式来完成对刀具磨损情况的检测是不可行的，而对于可进行改造的刀具而言，其磨损检测相对容易实现。笔者通过对盾构机刀具磨损检测方法及预估模型进行研究，对现有检测方法及预估模型进行分析，为相关技术发展提供参考。

2 不同刀具磨损检测方法

随着城市化进程的加快，道路建设由平面向立体化方向发展，盾构机作为城市道路建设的主要机械，在开挖断面、深度、距离等方面发展快速，其结构、性能、刀具等要求也越来越高。因此，在盾构机施工过程中，需要及时掌握刀具的磨损情况，并在现有技术的基础下，提高检测精度。现有盾构机刀具磨损检测方法的优缺点及检测过程见表1［2-5］。

表1 现有盾构机刀具磨损检测方法优缺点及检测过程

3 滚刀检查与更换原则

3.1 外观检查

在进行滚刀磨损检测之前，需要先对滚刀外观进行检查，包括滚刀螺栓、挡圈、刀圈、刀体，以及轴承等。当上述部件出现损坏或松动时，需要进行记录，并合理决定是否更换部件。

3.2 磨损量检测

在滚刀刀圈未发生刀圈断裂和损坏的情况下，需要检测滚刀的磨损情况。

3.3 更换原则

受盾构机型号、施工环境、刀盘尺寸、刀盘上滚刀分布情况，以及滚刀外观检查等因素的影响，盾构机滚刀的更换并没有一个明确的磨损更换值。在实际施工时，为了尽可能减小对施工效率的影响，形成了基本更换原则：①根据最大极限磨损值判断，中心刀、双刃正滚刀、单刃正滚刀的最大极限磨损值是25 mm，单刃边滚刀的最大极限磨损值是15 mm；②根据相邻刀具磨损量高度差判断，磨损量高度差大于15 mm；③ 根据极限情况判断，包括刀圈断裂、平刀圈、刀体漏油、刀圈剥落、挡圈断裂或脱落、刀轴或刀体损伤等［6］。

4 刀具磨损预估模型

4.1 Elman神经网络预测模型

Elman神经网络由Elman于1990年提出，包含输入层、隐含层、承接层和输出层。在Elman神经网络的基础上，李笑等［7-8］提出了针对盾构机滚刀磨损的Elman神经网络预测模型。Elman神经网络预测模型通过由刀盘转速、刀盘扭矩和千斤顶总推力构成的三维向量来预测掘进速度，通过掘进速度预测值和实际值的偏差Δv来预测滚刀的磨损状况。判断滚刀磨损情况的依据是：在滚刀正常磨损时，偏差Δv较小，围绕某一基准线上下波动；当磨损增大时，偏差Δv增大，偏离基准线，向Y轴正方向移动；当出现严重磨损时，偏差Δv将大幅度偏离基准线。为了根据偏差或偏差曲线的位置来判断刀具磨损的状况，提出了平均速差法，磨损状况的判断公式为：

式中：S为刀具磨损状况；a为根据工程经验设定的由正常磨损阶段过渡到磨损加剧阶段的临界值；b为根据工程经验设定的由磨损加剧阶段过渡到严重磨损阶段的临界值；Δvi为第i个采样点的速度偏差；T为每环的总掘进时间。

李笑等以广州市地铁五号线草淘区间左线盾构工程为例，验证Elman神经网络预测模型的准确性，确认通过Elman神经网络预测模型得出的磨损情况与实际磨损情况相吻合，并且方法简单，对于刀具的磨损预测有重要参考价值。在采用此模型判断滚刀磨损情况时，需要单独考虑刀具更换后一段时间内偏差Δv较大的情况，以避免对磨损情况的错误判断。Elman神经网络预测模型只能完成对刀具磨损情况的粗略判断，包括正常磨损、磨损加剧和严重磨损三种情况，并不能够完成对刀具磨损量的预测，因此此种刀具磨损预估模型误差较大。

4.2 CSM滚刀磨损预测模型

利用CSM预测模型对滚刀工作过程中所受的合力进行预估，从而建立比能预测模型，而CSM滚刀磨损预测模型的建立就是以比能预测模型为基础的。可以利用CSM滚刀磨损预测模型，实现对滚刀磨损量的计算［9］。在假定盾构机刀盘具有相同的n把滚刀，每把滚刀受到相同推力的条件下，根据下式计算刀具的比能值Es：

式中：L为贯入量；Rt为开挖隧道的半径；Fn为滚刀的法向作用力；Fr为滚刀的切向作用力；ri为第i把滚刀在刀盘上的安装半径。

刀具的比能预测值Es′为：

式中：C为类似于φ角的量纲因数，其值约为2.12；R为滚刀半径；B为滚刀刀尖宽度；s为滚刀间距；φ为滚刀与岩石的接触角；ψ为刀尖压力分布因数，-0.2≤ψ≤0.2；σc为岩石抗压强度。

式中：W为滚刀磨损量；R0为滚刀的初始半径；Re为滚刀磨损后的半径。

式中：rm、rn分别为第m、第n把刀具在刀盘上的安装半径；wm、wn分别为第m、第n把刀具的磨损量。

根据式（5）得出磨损后的滚刀半径Re，根据式（6）得出滚刀的磨损量W，根据式（7）得出失效滚刀的安装位置。在限定某些条件的基础上，CSM滚刀磨损预测模型能够对滚刀的磨损位置进行预测，也能够完成对滚刀磨损量的预测，但仍存在一些问题。首先，通过比能计算值Es来计算比能估测值Es′中的φ，具有一定的误差。其次，通过式（7）只能得到失效滚刀的安装半径，并不能准确了解是在同一半径上的哪一把滚刀发生磨损，当磨损刀具达到更换条件时，需要进行二次检测。

5 磨损量检测试验设备

在实际施工过程中，难以完成对盾构机刀具磨损情况的实时检测，因此，可以在实验室中模拟刀具的工作过程，并对工作过程中产生的参数进行记录，分析刀具的磨损过程，完成实验室条件下的磨损量准确测量。现阶段常用的试验为滚动压痕磨损试验（RIAT），RIAT的设备如图1所示［10］。此试验设备通过驱动单元控制扭矩、转速及竖直压力，在扭矩、转速及竖直压力保持恒定的条件下，微小刀环在未磨损岩石上绕恒定方向旋转一定的时间，在相同的时间间隔下，对刀具的磨损量进行测量。通过参数Ra和Ri来描述磨损情况，Ra表示刀环的质量损失，Ri表示刀环在未磨损岩石上产生的压痕深度。

▲图1 RIAT试验设备

式中：m为刀环的实时质量；m0为刀环的初始质量。

式中：dn为第n次测量得到的压痕深度。

RIAT具有以下优点：

（1）通过滚动产生磨损，相对于滑动或撞击产生的磨损，滚动产生磨损更接近于盾构机滚刀的实际工作情况；

（2）采用微小刀环模型代替实际滚刀，节约成本，降低试验难度；

（3）测量多个试验量，由多次测量取平均值，试验可靠性高。

6 结论

基于对现有资料进行分析，概括了现有盾构机刀具磨损检测方法的优缺点及检测过程，并对刀具磨损检测及更换原则进行了总结。

分析概括了盾构机刀具磨损预估模型，包括Elman神经网络预测模型和CSM滚刀磨损预测模型。对预估模型的原理、优缺点及在实际工程中的应用效果进行了总结。

RIAT试验设备在实验室条件下使用方便，并且能够同时完成刀具磨损量和未磨损岩石上产生压痕深度的检测，为实验室条件下进行刀具磨损检测提供了技术参考。