Dun-0001​

预测模型

地质适应性

基于历史数据与实时TBM数据的混合模型

盾构推力与扭矩多元非线性回归预测模型

1. 问题定义：建立推力(F)和扭矩(T)与地质参数、盾构机参数之间的函数关系。
2. 变量选择：选取关键影响参数：贯入度(PI)、刀盘转速(ω)、土仓压力(Pr)、岩土体单轴抗压强度(UCS)、刀盘开口率(λ)。
3. 模型假设：假设F和T可表示为这些参数的幂函数乘积形式。
4. 模型建立：
F = α_F * (PI)^{β_F1} * (ω)^{β_F2} * (Pr)^{β_F3} * (UCS)^{β_F4} * (λ)^{β_F5} + C_F
T = α_T * (PI)^{β_T1} * (ω)^{β_T2} * (Pr)^{β_T3} * (UCS)^{β_T4} * (λ)^{β_T5} + C_T
其中，α, β, C 为待定系数和指数。
5. 参数优化：使用现场采集的时序数据集 {F_i, T_i, PI_i, ω_i, Pr_i, UCS_i, λ_i}，通过最小二乘法或梯度下降法最小化损失函数L：
L(α, β, C) = Σ [ (F_i{pred} - F_i{meas})^2 + (T_i{pred} - T_i{meas})^2 ]
优化得到最优参数集{α, β, C*}。

预测误差（RMSE）：推力±5-15%，扭矩±8-20%。决定系数R² > 0.85。

岩土力学、机械动力学、统计回归理论、最小二乘原理。

场景：软土、复合地层盾构掘进参数预设定与实时校验。
特征：输入为可实时获取或预先勘察的参数，输出为关键装备负荷预测，用于预警和能效优化。

变量：F(推力，kN)，T(扭矩，kN·m)，PI(贯入度，mm/r)，ω(转速，rpm)，Pr(土仓压力，bar)，UCS(单轴抗压强度，MPa)，λ(刀盘开口率，无量纲)。
常量/参数：α_F, α_T (比例系数)，β_F1~5, β_T1~5 (指数)，C_F, C_T (截距，与基础阻力/扭矩相关)。

集合与逻辑：输入参数构成实数集R的子集。
概率与统计：基于大量样本的统计推断。
优化：通过最小化损失函数L求解最优参数。
非线性：模型为非线性乘幂形式。
代数：涉及指数运算和线性组合。

形式化、参数化、基于数学符号。输入输出有明确的物理意义和量纲。

1. 数据采集时序：每环掘进过程中，以1Hz频率同步采集{F, T, PI, ω, Pr}，地质参数{UCS, λ}每环或每数环更新一次。
2. 模型调用时序：掘进前，根据超前地质预报输入预计的{UCS, λ}，结合设定的{PI, ω, Pr}，预测{F_pred, T_pred}，用于设备检查。掘进中，将实时{Pi_i, ω_i, Pr_i}与勘察{UCS, λ}输入模型，计算得到{F_est, T_est}，与实测值比较，残差超阈值则报警。
方程式*：如上步所述。

不适用（本模型为静态输入-输出关系）。

牛顿力学（力与运动）、岩土材料本构关系（强度参数）、数理统计（回归分析）。

工业基础：盾构机传感器系统（油压、转速、位移传感器）、地质勘察报告。
信息化基础：SCADA系统、隧道BIM模型集成地质信息。
数字化基础：参数数据库、回归分析算法库、实时数据流处理平台。

Dun-0002​

控制算法

姿态控制

基于模型预测控制（MPC）与PID的串级控制

盾构姿态与纠偏模型预测控制算法

1. 系统建模：建立盾构机姿态（俯仰角θ，偏航角ψ）与铰接油缸行程差(ΔL)、推进油缸分区压力差(ΔP)之间的离散状态空间模型：
x(k+1) = A x(k) + B u(k) + w(k)
y(k) = C x(k) + v(k)
其中，状态x = [θ, ψ, θ_dot, ψ_dot]^T，输入u = [ΔL, ΔP]^T，输出y = [θ, ψ]^T，w, v为过程与测量噪声。
2. 优化问题构建：在预测时域Np内，最小化代价函数J：
J = Σ_{i=1}^{Np}

y(k+i

k) - y_ref(k+i)

Q^2 + Σ{i=0}^{Nc-1}

Δu(k+i

k)

_R^2
约束：u_min ≤ u(k+i) ≤ u_max, Δu_min ≤ Δu(k+i) ≤ Δu_max。
3. 滚动优化：在每个采样时刻k，求解上述带约束的二次规划（QP）问题，得到最优控制序列{u*(k

Dun-0003​

本构模型

渣土力学

连续介质力学模型

盾构渣土改良泡沫砂浆的Herschel-Bulkley流变模型

1. 模型选择：泡沫改良土在剪切下表现剪切稀化和屈服特性，选用Herschel-Bulkley模型。
2. 本构方程：描述剪切应力τ与剪切速率γ_dot的关系：
τ = τ_y + K * (γ_dot)^n (当 τ > τ_y)
γ_dot = 0 (当 τ ≤ τ_y)
其中，τ_y为屈服应力，K为稠度系数，n为流动指数。
3. 参数物理意义：
- τ_y：启动流动所需最小应力，反映“可泵性”。
- n: n<1为剪切稀化（常见于泡沫土），n>1为剪切增稠。
- K: 与流体“厚度”相关，n=1时退化为Bingham模型的塑性粘度。
4. 参数确定：通过流变仪实验，测量不同剪切速率下的剪切应力，采用非线性回归拟合(τ_y, K, n)。

模型拟合实验数据的决定系数R²通常>0.95。参数范围：τ_y (50-1000 Pa), K (1-50 Pa·s^n), n (0.2-0.8)。

非牛顿流体力学、流变学、连续介质力学。

场景：土压平衡盾构（EPB）中泡沫改良渣土的流动性分析、螺旋输送机排土和管道泵送阻力计算。
特征：描述流体在屈服前后的应力-应变率关系，是计算管道输送压损的核心。

变量：τ(剪切应力，Pa)，γ_dot(剪切速率，1/s)。
参数：τ_y(屈服应力，Pa)，K(稠度系数，Pa·s^n)，n(流动指数，无量纲)。

连续性：假设介质连续。
微分：本构关系是剪切应力和应变率之间的函数关系。
非线性：当n≠1时，方程为非线性。
分段函数：根据应力是否超过屈服应力分段定义。

物理学术语，描述物质的本构行为。

1. 实验测量时序：在流变仪上，对渣土样本施加线性增加的剪切速率，同时测量剪切应力，得到一系列(γ_dot_i, τ_i)数据点。
2. 参数拟合时序：将实验数据代入H-B模型方程，利用优化算法（如Levenberg-Marquardt）寻找最优(τ_y, K, n)，使预测应力与实测应力的残差平方和最小。
方程式：如上所述本构方程。

流动模型：在圆管（螺旋输送机或管道）中，结合H-B本构方程和力平衡，可推导出流速分布v(r)和压力梯度dp/dz的表达式。例如，对于圆管层流：
当 r ≤ r0 (屈服区)， v(r) = 常数；
当 r0 < r ≤ R (剪切区)， dv/dr = -[(Δp/(2L)) * r - τ_y/K]^{1/n}， 积分得到流速分布。
其中r0 = 2L τ_y / Δp 为屈服半径。

非牛顿流体力学、塑性力学、输运现象。

工业基础：土仓添加剂注入系统、渣土改良实验设备（流变仪）。
信息化基础：实验数据采集系统。
数字化基础：流体仿真软件（如Fluent中可嵌入UDF实现H-B模型）、参数数据库。

Dun-0004​

预测模型

刀具管理

基于物理模型与数据驱动的融合模型

盾构滚刀磨损量预测模型（CSM模型扩展）

1. 基础物理模型：采用科罗拉多矿业学院（CSM）滚刀受力与磨损模型基础。
法向力：F_n = C * S * T * φ * σ_c^{2/3} * ψ^{1/3} * d^{2/3} * p^{1/3}
切向力：F_r = η * F_n
其中，C为常数，S为间距，T为刃宽，φ为接触角，σ_c为岩石单轴抗压强度，ψ为刀刃钝化系数，d为贯入度，p为刀刃压力。
2. 磨损率模型：假设磨损量与摩擦功成正比。
磨损体积 V_w = k_w * (F_r * s) = k_w * (η * F_n * s)
其中，s = π * D * N * t 为刀圈滚动总路程，D为刀盘直径，N为累计转数，t为时间。
3. 数据驱动修正：引入与地质（如石英含量Q）、操作（如刀盘转速ω）相关的修正因子f_c。
实际磨损预测：V_w‘ = V_w * f_c(Q, ω, ...)
f_c通过机器学习（如随机森林）从历史磨损数据中学习得到，表示为：f_c = RF_Model(Q, ω, F_n, 岩体完整性指数RQD, ...)。
4. 逐步计算：输入实时地质和掘进参数，先由物理模型计算基础磨损V_w，再由数据驱动模型计算修正因子f_c，得到最终预测磨损量V_w‘。

物理模型单独预测误差较大（±30-50%）。融合数据驱动修正后，预测误差可降低至±15-25%。

岩石断裂力学、摩擦学、能量原理、统计学习理论。

场景：硬岩地层盾构掘进的刀具更换计划制定、刀具采购与库存管理优化。
特征：结合了第一性物理原理（可解释性）和数据驱动（适应性），适用于复杂地质。

变量：V_w(基础预测磨损体积，mm³)，s(滚动路程，m)，t(掘进时间，h)。
参数：C, S, T, φ, σ_c, ψ, d, p, η, D, N (定义见上)，k_w(磨损系数，与刀具材料相关)，Q(石英含量，%)，ω(刀盘转速，rpm)，RQD(岩石质量指标，%)。

物理建模：基于力学原理。
统计与概率：数据驱动部分基于统计学习。
非线性：物理模型中存在指数关系（2/3, 1/3），数据驱动部分为非线性函数。
融合模型：物理与数据驱动结合。
优化：通过历史数据训练优化f_c模型参数。

混合了物理公式和机器学习术语。

1. 实时数据流：持续采集掘进参数{d, ω, F_n(估算), N}，地质参数{σ_c, RQD, Q}（可间歇更新）。
2. 物理模型计算：每分钟或每环计算一次基础磨损增量 ΔV_w = k_w * η * F_n * (πDωΔt)。
3. 数据驱动修正：每分钟或当地质参数更新时，调用训练好的RF_Model，输入当前{Q, ω, F_n, RQD, ...}，得到当前修正因子f_c(t)。
4. 磨损累计：累计磨损量 V_w‘total(k) = Σ{i=1}^{k} [ΔV_w(i) * f_c(i)]。
5. 预警判断：当V_w‘_total达到预设阈值（如刀具设计允许磨损体积的80%），发出换刀预警。
方程式*：如上所述。

不适用（本模型为磨损预测，非流动）。

岩石切削力学、Archard磨损理论、机器学习。

工业基础：盾构刀盘刀具系统、随钻测量系统、地质勘察与测试报告。
信息化基础：刀具管理信息系统、掘进数据历史库。
数字化基础：机器学习平台（如Python Scikit-learn）、数字孪生模型（集成刀具磨损状态）。

Dun-0005​

优化算法

施工调度

离散事件仿真与遗传算法结合

盾构隧道管片拼装与运输循环调度优化模型

1. 系统抽象：将“掘进-拼装-运输”循环抽象为离散事件系统。事件包括：掘进完成、拼装机就位、管片运抵、拼装完成等。
2. 目标函数：最小化循环总时间T_cycle，或最大化平均掘进速度V_avg。
Min T_cycle = t_excavate + t_erection + t_wait
其中，t_wait为因资源（管片、电车）等待造成的空闲时间。
3. 决策变量：电车的调度序列（发车间隔、装载管片类型）、管片库存策略、拼装顺序（标准环与转弯环的编排）。
4. 仿真建模：建立离散事件仿真（DES）模型，模拟电车运行、管片库存、拼装流程的随机性（如运输延迟、设备故障）。
5. 优化求解：使用遗传算法（GA）优化决策变量。
- 编码：将电车调度表和管片拼装序列编码为染色体。
- 适应度：个体适应度 = 1 / (DES模型模拟得出的平均T_cycle)。
- 遗传操作：选择、交叉、变异，迭代进化。
- 终止：达到最大迭代次数或适应度收敛。

优化后的调度方案可比经验方案提升循环效率10-25%。仿真模型需校准，与实际误差在5-15%内。

运筹学、排队论、系统仿真、进化计算。

场景：长距离隧道掘进中，对管片生产、运输、拼装这一复杂物流系统进行优化。
特征：处理离散事件、资源约束、随机性，追求系统整体效率最优。

变量：T_cycle(单环作业时间，min)，t_excavate(掘进时间)，t_erection(拼装时间)，t_wait(等待时间)。
参数：电车速度、容量、数量；管片生产速率、类型比例；拼装机各动作时间；故障间隔时间与修复时间（随机分布）。
决策变量：电车出发时间表、管片库存水平、拼装序列。

离散：事件和状态变化发生在离散时间点。
随机性：引入随机变量（如运输时间、故障）模拟不确定性。
优化：遗传算法进行全局搜索。
组合优化：拼装序列是组合问题。
模拟：离散事件仿真评估方案。

运筹学、工业工程、仿真领域的术语。

1. 初始化：GA随机生成初始种群（一组调度方案染色体）。
2. 评估循环：对种群中每个个体：
a. 解码：将染色体解码为具体的调度规则和序列。
b. 仿真：将规则输入DES模型，运行仿真（如模拟100环掘进）。
c. 计算适应度：从仿真结果中提取平均T_cycle，计算适应度值。
3. 进化：基于适应度进行选择、交叉、变异，产生新一代种群。
4. 迭代：重复步骤2-3，直至终止条件满足。
5. 输出：输出最优染色体及其对应的调度方案。
方程式：GA操作如轮盘赌选择概率 P_i = f_i / Σ f_j；两点交叉；均匀变异等。

流向方法：物流网络流。可用最大流-最小割定理分析运输网络瓶颈，或用排队网络模型分析管片在竖井、水平运输线上的等待情况。数学描述为：
系统中每个节点（如竖井底部、隧道内交叉点）的服务台数量c，到达率λ，服务率μ。用排队模型（如M/M/c）计算平均排队长度L_q和等待时间W_q，优化c和μ。

离散事件系统仿真、遗传算法、排队论、网络流优化。

工业基础：管片预制厂、电瓶车/机车水平运输系统、管片吊机与拼装机。
信息化基础：施工进度管理软件（如Primavera P6）、物流跟踪系统（RFID/UWB）。
数字化基础：离散事件仿真软件（如FlexSim, AnyLogic）、优化算法库。

Dun-0006​

分析模型

结构安全

弹性地基梁与有限元结合

盾构管片衬砌收敛变形与内力分析模型

1. 简化模型（初期估算）：将管片环视为置于Winkler弹性地基上的圆环。地基抗力系数为k。
荷载：垂直土压力P_v，水平土压力P_h（梯形分布），自重，地基反力。
控制方程：圆环的弹性曲线微分方程。
EI * (d^4w/dθ^4 + 2d^2w/dθ^2 + w) = q(θ) - k * w(θ) * R^4
其中，w(θ)为径向位移，E为弹性模量，I为惯性矩，R为环半径，q(θ)为外荷载分布，θ为环向角度。
2. 数值模型（详细设计）：建立三维有限元（FE）模型。
- 几何：精确建立管片、螺栓、密封条的几何模型。
- 材料：赋予混凝土（弹塑性）、螺栓（弹性）、接头（非线性弹簧）本构模型。
- 接触：定义管片之间、环之间的接触关系。
- 荷载与边界：施加地层弹簧（仅压）边界，施加上覆荷载和侧向土压力。
- 求解：求解总体平衡方程 [K]{U} = {F}，其中[K]为整体刚度矩阵，{U}为节点位移向量，{F}为节点荷载向量。
- 后处理：从{U}和应变结果计算管片内力（弯矩M，轴力N，剪力Q）。

弹性地基梁解析解可快速估算，误差较大（±20-40%）。三维有限元模型精度高，误差在±5-10%内，但计算成本高。

结构力学、弹性力学、材料力学、有限元方法、接触力学。

场景：盾构隧道管片结构设计、施工期和运营期衬砌健康状态评估、异常变形原因分析。
特征：从简单解析解到复杂数值模拟的多尺度分析，关注结构内力、变形和接缝张开。

变量：w(径向位移)，θ(环向角)，M(弯矩)，N(轴力)，Q(剪力)，{U}(位移向量)，{F}(力向量)。
参数：E(弹性模量，MPa)，I(截面惯性矩，m⁴)，R(半径，m)，k(地基抗力系数，MPa/m)，P_v, P_h(土压力，kPa)，K。

微分方程：弹性地基梁控制方程为四阶常微分方程。
线性代数：有限元最终归结为求解大型线性方程组[K]{U}={F}。
连续性：假设材料连续。
离散化：有限元法将连续体离散为有限单元。
数值分析：求解方程组需数值方法（如共轭梯度法）。

结构工程、固体力学、有限元分析的术语。

1. 解析模型时序：输入荷载参数和结构参数 -> 求解微分方程（通常用傅里叶级数展开法） -> 得到位移w(θ)的解析表达式 -> 通过力学公式计算内力M(θ), N(θ)。
2. 有限元分析时序：
a. 前处理：几何建模、网格划分、材料属性赋值、定义接触、施加荷载和边界条件。耗时最长。
b. 求解：组装总刚[K]和总载{F}，求解[K]{U}={F}。计算核心。
c. 后处理：可视化位移云图，提取关键截面内力。

不适用（本模型为结构静力学分析）。

梁理论、板壳理论、弹性地基理论、有限元法、混凝土结构设计原理。

工业基础：管片设计图纸、混凝土和钢材材料性能测试报告、地质勘查报告（提供土压力参数）。
信息化基础：计算机辅助设计（CAD）软件、结构分析软件（如ANSYS, ABAQUS, MIDAS）。
数字化基础：BIM模型（包含几何和材料信息）、参数化建模脚本、高性能计算（HPC）集群。

Dun-0007​

诊断算法

故障预警

基于振动信号时频分析与机器学习

盾构主轴承故障早期预警算法

1. 信号采集：在主轴承座布置振动加速度传感器，采集高频振动信号x(t)。
2. 特征提取：
a. 时域特征：均值、均方根(RMS)、峰值、峭度(Kurtosis)。
RMS = sqrt( (1/N) Σ{i=1}^{N} x_i^2 )
峭度 = [ (1/N) Σ{i=1}^{N} (x_i - μ)^4 ] / σ^4
b. 频域特征：对x(t)进行快速傅里叶变换（FFT）得到频谱X(f)。计算轴承故障特征频率（如内圈、外圈、滚动体通过频率）处的幅值能量。
故障频率根据轴承几何参数和转速计算得出。
c. 时频域特征：对非平稳信号，进行短时傅里叶变换（STFT）或小波包变换（WPT），提取不同频带能量。
3. 健康基线建立：在轴承健康状态下，长期收集特征向量，计算其多元高斯分布参数（均值向量μ_health，协方差矩阵Σ_health）。
4. 异常检测：对于新样本特征向量z，计算其到健康分布的马氏距离（Mahalanobis Distance）D_M：
D_M = sqrt( (z - μ_health)^T * Σ_health^{-1} * (z - μ_health) )
5. 预警决策：设定阈值D_th。若D_M > D_th，则触发预警。可利用控制图（如Shewhart控制图）判断是否为持续异常。

检测率（真阳性率）> 90%，误报率（假阳性率）< 5%。能够提前数天至数周预警严重故障。

信号处理、统计学、模式识别、机械故障诊断学。

场景：盾构主驱动、刀盘轴承等关键旋转部件的状态监测与预测性维护。
特征：从高频振动信号中提取微弱故障特征，实现早期预警，避免灾难性停机。

变量：x(t) (振动加速度时域信号)，X(f) (频谱)，z (特征向量)。
参数：采样频率Fs，FFT点数N_FFT，STFT窗长与重叠，小波基函数，轴承几何参数（节圆直径、滚动体数量、接触角等），转速ω，阈值D_th。

概率与统计：基于多元高斯分布建模，使用马氏距离进行异常检测。
傅里叶分析：FFT将信号从时域变换到频域。
时频分析：STFT或小波变换处理非平稳信号。
线性代数：涉及向量、矩阵、逆矩阵运算（马氏距离）。
优化：阈值D_th可通过ROC曲线优化确定。

信号处理、故障诊断领域的专业术语。

1. 实时数据流：振动传感器以20kHz采样率持续采集数据。
2. 特征计算时序：每10秒（可配置）取一帧数据（如2秒长），计算该帧的时域、频域、时频域特征，构成特征向量z_k。
3. 异常评分时序：对每个z_k，计算其马氏距离 D_M(k)。
4. 决策与时序过滤：
a. 若 D_M(k) > D_th，触发一个“异常点”。
b. 使用滑动时间窗（如过去1小时），若窗内“异常点”比例超过阈值（如80%），则触发“一级预警”。
c. 若“一级预警”持续超过一定时间（如4小时），升级为“二级警报”，提示运维人员检查。
方程式：如上RMS、峭度、马氏距离公式。

不适用（本算法处理信息流，非物质流）。

数字信号处理、统计过程控制、模式识别、旋转机械动力学。

工业基础：振动加速度传感器、数据采集卡、主轴承。
信息化基础：状态监测系统（CMS）、实时数据流处理平台。
数字化基础：信号处理算法库（如Python SciPy）、机器学习库（如Scikit-learn）、历史故障案例数据库。

Dun-0008​

流体模型

泥水循环

计算流体动力学（CFD）与颗粒流耦合

泥水盾构环流系统携渣流动与管道磨损CFD-DEM耦合模型

1. 多相流建模：将泥浆（液相）视为连续相，采用欧拉方法求解Navier-Stokes方程。将渣土颗粒（固相）视为离散相，采用离散元法（DEM）跟踪每个颗粒运动。
2. 控制方程：
- 流体相（N-S方程）：
∂(ρ_f)/∂t + ∇·(ρ_f u) = 0 （连续性方程）
∂(ρ_f u)/∂t + ∇·(ρ_f u u) = -∇p + ∇·τ + ρ_f g + S_p （动量方程）
其中，τ为应力张量，S_p为流体-颗粒相互作用源项（由DEM计算得到）。
- 颗粒相（DEM）：对每个颗粒i，根据牛顿第二定律：
m_i dv_i/dt = Σ F{c,ij} + F{d,i} + F{g,i} + ...
I_i dω_i/dt = Σ (T{c,ij} + T_{r,ij})
其中，F_c为接触力，F_d为流体拖曳力，F_g为重力，T_c和T_r为接触扭矩和滚动摩擦扭矩。
3. 耦合机制：流体相计算流场，为每个颗粒提供拖曳力F_d；颗粒的运动通过S_p项将动量和能量反馈给流体相。每一时间步进行双向耦合。
4. 磨损预测：采用Finnie磨损模型，管道壁面磨损率E与颗粒冲击速度、角度、材料属性相关：E ∝ v_p^n * f(α)。

模型可定性和定量分析颗粒分布、流速场、压力损失。磨损预测为相对趋势，需实验标定。计算量大，需高性能计算。

计算流体力学、离散元法、多相流理论、颗粒力学、冲蚀磨损理论。

场景：泥水盾构泥浆循环管路设计优化、弯头和阀门等易磨损部位寿命预测、泥浆配比（密度、粘度）对携渣能力影响的模拟。
特征：揭示细观尺度下颗粒-流体-管壁的相互作用，是宏观经验公式的补充。

变量：u(流体速度场)，p(压力场)，v_i(颗粒i速度)，ω_i(颗粒i角速度)，x_i(颗粒i位置)。
参数：ρ_f(流体密度)，μ(流体粘度)，颗粒粒径分布、密度、恢复系数，管壁材料磨损常数，时间步长Δt，网格尺寸。

偏微分方程：N-S方程为非线性偏微分方程组。
离散化：空间（有限体积法FVM）和时间离散求解N-S方程；DEM离散跟踪每个颗粒。
耦合：双向流固耦合。
非线性：N-S方程对流项非线性，颗粒接触力非线性。
大规模计算：涉及数百万网格和数十万颗粒的计算。

计算流体力学、离散元领域的专业术语。

1. 初始化：建立管道三维几何模型并划分网格，在入口初始化流体条件和颗粒群。
2. 时间步进循环：
a. DEM步：计算所有颗粒受到的合力与合力矩，更新每个颗粒的速度和位置（显式积分）。
b. CFD步：根据颗粒位置和速度，计算流体-颗粒相互作用源项S_p。
c. CFD求解：求解考虑S_p的N-S方程，得到新的流场(u, p)。
d. 耦合：根据新的流场(u, p)计算作用在每个颗粒上的流体拖曳力F_d，用于下一个DEM步。
e. 磨损计算：根据颗粒冲击管壁的速度和角度，累计计算壁面磨损量。
f. 时间推进：t = t + Δt，返回步骤a，直至模拟结束时间。
方程式：如上N-S方程和DEM运动方程。

流动模型：本模型本身就是泥浆-渣土颗粒两相流的详细数学描述。流向方法的数学体现在Navier-Stokes方程的对流项 ∇·(ρ_f u u) 中，描述了动量的对流输运。颗粒的流向由DEM运动方程控制，受流体拖曳力主导。

流体动力学、颗粒系统力学、数值方法（FVM， DEM）、并行计算。

工业基础：泥水盾构环流系统（进浆管、排浆管、泵、泥水分离站）。
信息化基础：三维CAD管道模型、高性能计算集群。
数字化基础：商用CFD-DEM耦合软件（如EDEM-Fluent耦合，或开源CFDEM）计算平台。

Dun-0009​

预测模型

地表环境

基于随机介质理论与Peck公式的修正模型

盾构掘进引发地层损失与地表沉降的随机介质理论预测模型

1. 基本假设：将地层移动视为随机过程，土体单元损失符合正态分布。
2. 单元沉降公式：假定在深度z处，一个单位地层损失（面积为A）引起地表点(x,y)的沉降为：
dS(x, y) = [A / (2π * i(z)^2)] * exp[ - (x^2 + y^2) / (2 * i(z)^2) ] dz
其中，i(z) = K * z 为沉降槽宽度系数，K为地层主要影响角的正切值。
3. 总体沉降计算：对盾构掘进引起的地层损失区（通常近似为椭圆）进行积分，得到总沉降。
4. Peck公式形式：对于横向沉降槽，简化为经典的Peck公式：
S(x) = S_max * exp[ -x^2 / (2 * i^2) ]
其中，最大沉降 S_max = V_l / (√(2π) * i)， V_l 为沿隧道轴向单位长度的地层损失体积，i = K * (H - R)。H为覆土深度，R为隧道半径。
5. 参数确定：K值通过反分析现场监测数据获得，或根据土体类型经验选取（如砂土K≈0.25~0.45，粘土K≈0.4~0.7）。V_l 与盾构类型、施工控制质量密切相关，通常以隧道理论开挖体积的百分比表示。

预测沉降槽形状与实测吻合较好，但最大沉降量S_max预测误差在±30%以内，取决于V_l和i的取值准确性。

随机介质理论、概率统计、土体连续介质力学。

场景：预测盾构隧道沿线地表沉降分布，评估对邻近建筑物、管线的影响。
特征：给出沉降槽的显式解析表达式，计算快捷，是工程中应用最广的经验-理论模型。

变量：S(x) (地表沉降量)， x (距隧道中心线的水平距离)， z (深度)。
参数：V_l (单位长度地层损失体积，m³/m)， i (沉降槽宽度参数，m)， K (地层主要影响角的正切)， H (隧道中心埋深，m)， R (隧道半径，m)， A (单元损失面积)。

概率与统计：基于随机介质思想，沉降分布采用正态（高斯）分布形式。
积分：总体沉降通过对单元沉降积分得到。
指数函数：沉降槽轮廓为指数衰减形式。

岩土工程术语，描述空间分布场。

1. 设计阶段：根据地质勘察报告确定土体类型，选取经验K值。根据设计资料确定H, R。
2. 施工前预测：根据类似工程经验预估地层损失率η (如0.5%~2.5%)，计算 V_l = πR² * η。代入Peck公式，计算整个线路的沉降预测曲线S(x)。
3. 施工中修正：根据前50-100环的实测沉降数据，反演得到当前地层更准确的K和V_l值，修正后续预测。
方程式：S(x) = [πR²η / (√(2π)K(H-R))] * exp{ -x² / [2(K(H-R))²] }

不适用（本模型描述由地层损失引发的土体“流动”，但非流体运动，是位移场传播）。

随机介质理论、半经验公式（Peck公式）、土力学。

工业基础：盾构掘进参数控制系统、地表沉降监测系统（水准仪、静力水准仪）。
信息化基础：监测数据管理平台、地理信息系统（GIS）。
数字化基础：沉降预测软件、基于BIM的沉降云图可视化。

Dun-0010​

控制模型

压力平衡

基于质量守恒与压力反馈的鲁棒控制

土压平衡盾构密封舱压力模糊PID复合控制模型

1. 被控对象建模：密封舱压力动态模型简化为：
(V/β_e) * (dP_c/dt) = Q_in - Q_out + A_p * v_t
其中，P_c为密封舱压力，V为密封舱容积，β_e为土体有效体积模量，Q_in为螺旋输送机进土流量，Q_out为螺旋输送机排土流量，A_p为盾构开挖面面积，v_t为盾构推进速度。
2. 控制目标：使P_c跟踪设定值P_set，以稳定开挖面。
3. 复合控制器设计：
- 内环（流量前馈）：根据盾构推进速度v_t，计算维持压力平衡所需的排土流量基础值 Q_out_base = A_p * v_t。
- 外环（压力反馈）：采用模糊自适应PID控制器。输入为压力误差e = P_set - P_c及其变化率ec = de/dt。输出为排土流量的修正值ΔQ。
模糊规则：如“若e为负大且ec为正小，则ΔQ为负大”，以调整螺旋输送机转速。
- 总控制量：螺旋输送机目标转速n_screw = K * (Q_out_base + ΔQ)， K为转换系数。
4. 参数优化：模糊规则和PID参数（Kp, Ki, Kd）通过试凑法或基于历史数据的遗传算法优化整定。

压力控制波动范围可达设定值的±0.5~1 bar。相比传统PID，模糊PID能更好适应土体渗透性变化，超调减少约30%。

流体力学质量守恒、自动控制理论、模糊逻辑、PID控制原理。

场景：EPB盾构掘进时密封舱压力的精确、稳定控制，防止开挖面失稳或地表过大沉降。
特征：结合了基于模型的前馈补偿和基于规则的模糊自适应反馈，抗扰动能力强。

变量：P_c(密封舱压力，bar)， e(压力误差)， ec(误差变化率)， Q_in/ Q_out(进/排土流量，m³/s)， v_t(推进速度，m/s)， n_screw(螺旋机转速，rpm)。
参数：V(密封舱容积，m³)， β_e(土体有效体积模量，Pa)， A_p(开挖面面积，m²)， K(流量-转速转换系数)， Kp, Ki, Kd(PID参数)， 模糊隶属度函数参数。

微分方程：压力动态模型为一阶微分方程。
反馈控制：基于误差e的闭环控制。
模糊逻辑：将经验规则转化为数学上的隶属度函数和模糊推理。
优化：控制器参数可优化。
非线性：模糊控制器本质非线性。

控制工程、流体力学术语，结合经验规则描述。

1. 采样：以10-100Hz频率采集密封舱多个压力传感器数值，滤波后得P_c。
2. 计算误差：e(k) = P_set(k) - P_c(k)， ec(k) = [e(k) - e(k-1)] / Δt。
3. 模糊推理：将e(k)和ec(k)模糊化，根据模糊规则库进行推理（如Mamdani推理），再将输出量ΔQ去模糊化（如重心法）得到精确值ΔQ(k)。
4. PID计算：同时计算PID输出 ΔQ_PID(k) = Kpe(k) + KiΣe(j) + Kdec(k)。
5. 合成控制量：总排土流量设定 Q_out_set(k) = A_p * v_t(k) + αΔQ(k) + (1-α)ΔQ_PID(k) （α为模糊权重）。
6. 输出：将Q_out_set(k)转换为螺旋输送机转速指令下发。
7. 循环：k=k+1， 返回步骤1。
方程式*：如上动态模型及控制律。

流动模型：密封舱内渣土被视为可压缩流体，其压力变化由流入流量（刀盘切削产生）、流出流量（螺旋机排出）和体积变化（推进挤压）共同决定，遵循质量守恒方程。

流体质量守恒、经典PID控制、模糊集合论、李雅普诺夫稳定性（用于分析）。

工业基础：土压平衡盾构密封舱、螺旋输送机及其变频驱动、高精度压力传感器。
信息化基础：可编程逻辑控制器（PLC）、模糊控制算法模块。
数字化基础：控制器参数整定软件、实时控制代码。

Dun-0011​

优化模型

路径规划

基于几何约束与动力学约束的样条曲线优化

盾构隧道轴线平滑与纠偏路径B样条曲线优化模型

1. 问题描述：给定起始点P0（当前盾构机位姿）和目标点Pn（设计轴线上的目标点），在考虑盾构机最小转弯半径R_min、最大曲率变化率（铰接角度变化率）等约束下，寻找一条平滑的过渡曲线C(u)。
2. 曲线表示：采用三次均匀B样条曲线，其表达式为：
C(u) = Σ{i=0}^{n} N{i,3}(u) * P_i, u ∈ [u_3, u{n+1}]
其中，P_i为控制点，N{i,3}为三次B样条基函数。
3. 优化目标：最小化曲线长度（接近最短路径），同时最小化曲率平方的积分（保证平滑）。目标函数J：
J = w1 * ∫

C'(u)

du + w2 * ∫ κ(u)^2 du
其中，κ(u)为曲率，w1, w2为权重。
4. 约束条件：
- 几何约束：C(u)必须通过（或非常接近）P0和Pn，且初始/末端切线方向与盾构机当前朝向/设计轴线方向一致。
- 动力学约束：曲率κ(u) ≤ 1/R_min，曲率变化率

dκ/ds

≤ J_max（s为弧长）。
5. 求解：将控制点P_i作为优化变量，将目标函数和约束离散化，转化为非线性规划问题，用序列二次规划（SQP）求解。

生成的路径满足盾构机机械约束，曲率连续。与直接直线纠偏相比，可减少铰接油缸的频繁动作和管片受力。

计算几何、样条曲线理论、最优控制理论、非线性规划。

场景：盾构机在掘进过程中发生较大偏离后，规划一条平滑、可行的路径使其安全、平稳地回归设计轴线。
特征：生成曲率连续的平滑路径，满足运动学约束，避免急弯。

变量：C(u)(曲线路径，三维坐标)， u(曲线参数)， P_i(控制点坐标)。
参数：R_min(盾构机最小转弯半径，m)， J_max(最大曲率变化率，1/m²)， w1, w2(权重系数)， 起点P0和终点Pn的位姿（位置+方向）。

Dun-0012​

诊断模型

刀具状态

基于多源信息融合与贝叶斯网络的诊断

盾构刀盘刀具异常状态（损坏、脱落）的贝叶斯网络诊断模型

1. 网络结构构建：基于专家知识和历史故障案例，确定关键征兆节点和故障节点，并建立有向无环图（DAG）。
- 故障节点（父节点）：刀具崩刃、刀具断裂、刀具脱落、刀具偏磨等。
- 征兆节点（子节点）：掘进推力异常、扭矩异常、振动信号特征频率能量升高、异响、出土温度异常、渣土中发现金属碎屑等。
2. 条件概率表（CPT）确定：为每个节点填充CPT。例如，P(扭矩异常=高 |刀具脱落=是) = 0.9， P(扭矩异常=高 |刀具脱落=否) = 0.1。概率值来自历史统计数据或专家经验。
3. 诊断推理：当观察到一系列征兆证据E时（如推力增大、扭矩波动大、有异响），计算各种故障假设H_i的后验概率P(H_i |E)。根据贝叶斯公式：
P(H_i |E) = [P(E |H_i) * P(H_i)] / Σ_j [P(E |H_i) * P(H_i)]
其中，先验概率P(H_i)来自历史故障率。
4. 决策：选择后验概率最大的故障假设作为诊断结果，并可计算其置信度。

诊断准确率依赖于CPT的准确性。在征兆齐全的情况下，对典型故障的诊断准确率可达85%以上。可提供概率化的诊断结果，而非二值判断。

概率论、贝叶斯统计、图模型、信息融合。

场景：综合掘进参数、振动、声音、渣土等多源信息，在线诊断刀盘上可能发生的刀具故障类型。
特征：处理不确定性和不完全信息，能够融合定量和定性证据，进行概率推理。

变量：节点状态（如“刀具脱落”的状态为{是， 否}）。
参数：所有节点的条件概率表（CPT）中的概率值，先验概率P(H_i)。
结构参数：贝叶斯网络的拓扑连接关系。

概率与统计：核心是贝叶斯条件概率计算。
图论：用有向无环图表示变量间的依赖关系。
不确定性：明确处理事件发生的不确定性。
推断：根据证据进行概率推断。

概率图模型、故障诊断术语。

1. 数据采集与征兆提取：实时采集多源传感器数据，通过阈值或特征提取算法，将连续数据转化为离散的征兆状态（如“推力：正常/偏高/异常高”）。
2. 证据输入：将转化后的征兆状态（证据E）输入贝叶斯网络。
3. 概率传播：在网络中进行概率传播（如使用联结树算法），更新所有节点的后验概率。
4. 诊断输出：查询故障节点的后验概率分布，按概率排序输出最可能的故障类型及其概率。
5. 历史更新：将最终确认的故障结果反馈，用于更新CPT中的概率（学习）。
方程式：贝叶斯公式 P(H|E) = P(E|H)P(H)/P(E)。

不适用（本模型处理信息融合与推理流）。

贝叶斯概率理论、图模型推理、模式识别。

工业基础：刀盘刀具系统、多源传感器（推力/扭矩传感器、振动加速度计、声学传感器、温度传感器）。
信息化基础：数据采集与监控系统、专家经验知识库。
数字化基础：贝叶斯网络建模与推理软件（如GeNIe, Hugin）、历史故障案例数据库。

Dun-0013​

流体模型

泥浆性能

基于流体力学与电化学的耦合模型

泥水盾构泥浆在开挖面的泥膜形成与渗透解析模型

1. 泥膜形成过程：泥浆在压力（P_m）下渗入多孔地层，其中的膨润土等颗粒在地层孔隙入口处被筛滤，形成低透水性的泥膜。该过程类似滤饼形成。
2. 渗透模型：使用达西渗流定律描述泥浆滤液在泥膜和地层中的流动：
q = (k/μ) * (ΔP / L)
其中，q为渗流速度，k为渗透系数，μ为滤液粘度，ΔP为压力差，L为渗透路径长度。
3. 泥膜增长方程：假设泥膜厚度δ随时间t增长，遵循平方根定律：
δ(t) = α * √t
其中，α为泥膜形成系数，与泥浆颗粒浓度、粒径分布、地层孔隙率有关。
4. 压力传导：开挖面稳定时，泥浆压力P_m通过泥膜支撑土体，有效支撑压力P_eff = P_m - π，其中π为泥浆渗透产生的渗透压力（与泥浆和地下水化学势差有关）。
5. 平衡条件：为保持开挖面稳定，需满足 P_eff ≈ σ_h，其中σ_h为水平地应力。

模型可定性解释泥膜形成机理。预测泥膜厚度和渗透量的精度受地层非均质性影响大，误差可达±30-50%。

渗流力学、胶体化学、过滤理论、土力学有效应力原理。

场景：泥水盾构掘进时，泥浆配比（粘度、颗粒级配）的选择与优化，以在开挖面快速形成优质泥膜。
特征：耦合了流体渗流和颗粒堵塞的物理化学过程，是分析泥水盾构开挖面稳定的核心微观模型。

变量：δ(泥膜厚度，m)， t(时间，s)， q(渗流速度，m/s)， P_eff(有效支撑压力，Pa)。
参数：α(泥膜形成系数，m/√s)， k(泥膜/地层渗透系数，m²)， μ(滤液粘度，Pa·s)， ΔP(压力差，Pa)， P_m(泥浆压力，Pa)， π(渗透压力，Pa)， σ_h(水平地应力，Pa)。

微分：渗流速度与压力梯度成正比。
幂律：泥膜增长与时间的平方根成正比。
耦合：流体流动与颗粒堵塞的物理化学过程耦合。

渗流力学、胶体化学、岩土工程术语。

1. 掘进开始：刀盘开挖，泥浆循环开始，高压泥浆接触开挖面地层。
2. 泥膜形成阶段：泥浆中细颗粒随滤液渗入地层，粗颗粒在孔口被截留，泥膜开始形成并增厚δ(t)。此阶段渗流量较大。
3. 稳定阶段：泥膜基本形成，渗透系数k急剧下降，渗流量q趋于稳定且很小。泥浆压力P_m通过泥膜有效传递为P_eff，支撑开挖面。
4. 动态平衡：随着盾构推进，新鲜开挖面不断暴露，上述过程在开挖面不同位置重复发生，维持动态平衡。
方程式：如上δ(t) = α√t 及 q = (k/μ)*(ΔP/L)。

流动模型：泥浆滤液在地层孔隙中的渗流，遵循达西定律。泥浆颗粒的运移和堵塞，可以用过滤方程描述：∂c/∂t + u * ∂c/∂x = -λ * c，其中c为颗粒浓度，u为渗流速度，λ为堵塞系数。

达西渗流定律、滤饼过滤理论、有效应力原理、电化学双电层理论（影响渗透压力π）。

工业基础：泥水盾构泥浆循环系统、泥浆性能测试设备（粘度计、滤失仪）。
信息化基础：泥浆配比数据库、地层孔隙率与渗透系数数据库。
数字化基础：多物理场耦合仿真软件（如COMSOL，用于模拟泥浆-地层相互作用）。

Dun-0014​

预测模型

寿命预测

基于Paris律与雨流计数的疲劳损伤累积模型

盾构主驱动大轴承疲劳寿命预测模型

1. 载荷谱获取：通过传感器测量或动力学仿真，获得轴承在运行过程中承受的时变载荷（径向力Fr(t)、轴向力Fa(t)）。
2. 载荷谱简化：采用雨流计数法，将复杂的随机载荷-时间历程，分解为一系列完整的应力循环（幅值S_a，均值S_m）。
3. 等效应力计算：根据轴承力学模型（如ISO 281标准），将Fr和Fa转化为轴承滚道接触处的最大赫兹应力S_max。对于每个载荷循环，计算其应力幅S_a。
4. 疲劳裂纹扩展模型：采用Paris律描述裂纹扩展速率：
da/dN = C * (ΔK)^m
其中，a为裂纹长度，N为循环次数，C和m为材料常数，ΔK为应力强度因子幅，ΔK = Y * S_a * √(πa)，Y为几何形状因子。
5. 寿命积分：从初始裂纹尺寸a_i积分到临界裂纹尺寸a_c，得到疲劳寿命N_f：
N_f = ∫_{a_i}^{a_c} [1 / (C * (Y * S_a * √(πa))^m)] da
6. 损伤累积：根据Miner线性累积损伤准则，总损伤D = Σ (n_i / N_fi)，其中n_i为应力水平S_ai下的实际循环次数，N_fi为该应力水平下的疲劳寿命。当D≥1时，预测发生疲劳失效。

预测寿命为数量级估计，分散带较大（误差因子可达3-10）。但可相对准确地评估不同工况、不同设计对寿命的影响趋势。

断裂力学、材料疲劳、概率统计、线性累积损伤理论。

场景：盾构主轴承的设计选型、维修策略制定（计划性更换）、以及评估超载掘进对轴承寿命的影响。
特征：基于断裂力学原理，考虑载荷的随机性和循环特性，预测裂纹萌生和扩展的寿命。

变量：a(裂纹长度)， N(载荷循环次数)， S_a(应力幅)， ΔK(应力强度因子幅)， D(累积损伤)。
参数：C, m(Paris律材料常数)， Y(几何因子)， a_i(初始缺陷尺寸，基于无损检测能力或经验)， a_c(临界裂纹尺寸，基于断裂韧性K_IC)， S-N曲线参数。

积分：对裂纹扩展速率积分得到总寿命。
统计：载荷谱具有随机性，雨流计数法进行统计分析。
幂律：Paris律是幂函数形式。
累积：Miner法则是线性累积。
微积分：da/dN是微分形式。

固体力学、疲劳与断裂、可靠性工程术语。

1. 载荷数据采集：在典型地层和掘进参数下，采集足够长时间（如100环）的主轴承载荷时程数据{Fr(t), Fa(t)}。
2. 雨流计数：对载荷时程进行雨流计数，得到一系列载荷循环块（S_a, S_m, n）。
3. 应力转换：对每个载荷循环，计算轴承滚道最大接触应力幅S_a。
4. 寿命计算：对每个应力水平S_ai，通过积分Paris律公式计算在该恒定幅值下的疲劳寿命N_fi。
5. 损伤计算：计算该载荷循环块造成的损伤 d_i = n_i / N_fi。
6. 总损伤与寿命预测：假设载荷谱代表一个“典型块”，总损伤D_block = Σ d_i。则预测的总寿命（以循环数计）N_total = 1 / D_block。
7. 转换为时间：根据平均掘进速度，将循环寿命N_total转换为运行小时或掘进里程。
方程式：Paris律及积分形式， Miner准则 D = Σ (n_i/N_fi)。

不适用（本模型为固体疲劳损伤累积）。

赫兹接触理论、断裂力学（Paris律）、材料S-N曲线、Miner线性累积损伤法则。

工业基础：主驱动轴承、高精度载荷传感器（或通过电机电流、油压推算）、状态监测系统。
信息化基础：载荷谱数据库、材料疲劳性能数据库。
数字化基础：疲劳分析软件（如nCode DesignLife, FE-SAFE）、雨流计数算法库。

Dun-0015​

调度算法

物资管理

基于库存论与动态规划的优化

盾构隧道管片生产与运输协同动态规划模型

1. 系统状态定义：在时间阶段k（如以“天”或“班”为单位），系统状态S_k定义为：
S_k = (I_k, P_k, D_k)
其中，I_k为工地现场管片库存量，P_k为预制厂库存量，D_k为未来N天的预计需求量（随机变量，已知概率分布）。
2. 决策变量：每个阶段需要做出的决策a_k：从预制厂向工地运输的管片数量x_k（受运输能力限制）。
3. 状态转移：状态从S_k转移到S{k+1}：
I{k+1} = I_k + x_k - d_k
P{k+1} = P_k - x_k + p_k
其中，d_k为阶段k的实际消耗量（由D_k实现），p_k为阶段k的管片生产量（决策变量之一，通常可控制）。
4. 阶段成本：成本C_k(S_k, a_k)包括：库存持有成本(h_iI_k + h_pP_k)、运输成本(c_tx_k)、缺货惩罚成本(c_smax(0, d_k - I_k))、生产启动成本等。
5. 优化目标：寻找策略π（从每个状态S_k到行动a_k的映射），最小化从阶段0到阶段K的总期望成本：
Min E[ Σ{k=0}^{K} C_k(S_k, a_k) ]
6. 求解：使用随机动态规划（SDP）或近似动态规划（ADP）求解贝尔曼方程，得到最优策略。

模型可优化平均总成本，相比“按需运输”的经验策略，可降低物流与库存总成本10-25%。计算复杂度随状态和决策空间增大而指数增长。

运筹学、动态规划、库存理论、随机过程。

场景：长距离隧道施工中，协调管片预制厂生产计划和工地运输计划，在不确定的日消耗量下，最小化总成本并保证供应。
特征：处理多阶段、带随机需求（掘进速度波动）的决策问题，寻求全局最优策略。

变量：S_k(系统状态)， a_k(决策行动)， d_k(实际需求，随机变量)， C_k(阶段成本)。
参数：h_i, h_p(工地/工厂单位库存持有成本)， c_t(单位运输成本)， c_s(单位缺货惩罚成本)， 运输能力上限x_max， 生产能力上限p_max， 需求分布参数。

动态规划：多阶段决策过程的最优化。
随机性：未来需求为随机变量。
优化：最小化总期望成本。
递推：贝尔曼方程具有递推形式。
离散：状态、决策、时间通常是离散的。

运筹学、物流与供应链管理术语。

1. 初始化：在k=0时，给定初始库存I_0, P_0，获取未来需求预测（概率分布）。
2. 逆向归纳：从最终阶段K开始，向后递推计算每个可能状态S_k的“成本至完成”函数J_k(S_k) = Min{a_k} E[ C_k(S_k, a_k) + J{k+1}(S{k+1}) ]。
3. 策略提取：记录每个状态对应的最优决策a*k(S_k)，构成最优策略π。
4. 在线执行：在实际施工中，每天开始时观察当前状态S_k（实际库存），根据最优策略π查找应执行的运输量x_k，并下达指令。
5. 滚动更新：每天结束时，观察实际消耗d_k，更新状态到S{k+1}。同时，更新未来需求预测，并重新求解或微调度策略（滚动时域控制）。
方程式：贝尔曼方程 J_k(S_k) = Min{a_k} E[ C_k + J{k+1}(S{k+1}) ]。

流向方法：物资（管片）的流动。可用网络流模型描述，节点代表工厂、工地、在途库存，弧代表运输和生产活动，目标是在满足流量平衡约束下最小化总成本。数学上是一个带随机需求的动态网络流问题。

随机动态规划、库存论、供应链管理。

工业基础：管片预制厂、运输车队、工地管片存储区。
信息化基础：企业资源计划（ERP）系统、运输管理系统（TMS）、施工进度计划。
数字化基础：优化求解器（如CPLEX, Gurobi用于求解确定性近似问题）、仿真平台（用于评估策略）。

Dun-0016​

分析模型

结构稳定

极限平衡法与强度折减法结合

盾构始发/到达端头土体加固范围稳定性分析模型

1. 问题简化：将端头加固土体视为一个三维棱柱体，分析其在开挖面卸载后的稳定性。常用二维平面应变简化，采用极限平衡法（如楔形体模型）。
2. 楔形体模型：假设滑动面为通过加固区底部的平面，与水平面夹角θ。
- 下滑力：W * sinθ， W为楔形体自重。
- 抗滑力：c * L + (W * cosθ * tanφ)，其中c为土体粘聚力，φ为内摩擦角，L为滑动面长度。
- 安全系数 F_s = 抗滑力 / 下滑力 = [cL + (Wcosθtanφ)] / (Wsinθ)。
3. 强度折减法（数值）：在有限元模型中，逐步降低土体的抗剪强度参数（c, φ），直至计算不收敛（即发生破坏）。此时的折减系数即为整体的安全系数F_sr。
折减后参数：c' = c / F_sr, φ' = arctan( tanφ / F_sr )。
4. 加固范围优化：变化加固体的长度L和宽度B，计算对应的F_s或F_sr，寻找满足安全要求（如F_s > 1.5）的最小加固范围，以节省成本。

楔形体模型计算快捷，但较保守，误差较大。有限元强度折减法结果更接近实际，精度较高，但计算量大。

土力学极限平衡理论、塑性力学、有限元法、强度折减技术。

场景：设计盾构始发和到达洞口时，端头土体的加固方案（如旋喷桩、冷冻法），确定合理的加固范围。
特征：分析土体在局部卸载下的整体稳定性，是典型的地基稳定性问题。

变量：F_s(安全系数)， θ(潜在滑动面倾角)， W(楔形体重量， kN/m)。
参数：c(土体粘聚力， kPa)， φ(土体内摩擦角， °)， γ(土体重度， kN/m³)， H(覆土深度， m)， L(加固区长度， m)， B(加固区宽度， m)， 折减系数F_sr。

几何：楔形体几何参数计算。
三角函数：下滑力和抗滑力的分解。
优化：寻找最危险滑动面（θ使F_s最小）。
数值分析：强度折减法涉及非线性有限元迭代求解。
极限状态：分析土体处于极限平衡状态的条件。

土力学、极限平衡、有限元分析术语。

1. 楔形体分析法时序：
a. 输入地质参数(c, φ, γ)和初步加固尺寸(L, B, H)。
b. 假设一系列滑动面倾角θ。
c. 对每个θ，计算楔形体重量W和滑动面长度L，进而计算安全系数F_s(θ)。
d. 找到最小的F_s_min，对应的θ为最危险滑动面。若F_s_min满足要求，则设计通过；否则，增大L或B，重复b-d。
2. 有限元强度折减法时序：
a. 建立二维或三维有限元模型，包含原状土和加固区（赋予较高强度参数）。
b. 施加边界条件和初始地应力。
c. 定义折减系数F_sr，初始设为1.0。将土体参数折减后输入模型。
d. 进行非线性静力分析。若计算收敛，则增加F_sr（如步长0.05），重复c-d；若计算不收敛（位移突变），则上一个收敛的F_sr即为整体安全系数。
方程式：极限平衡公式 F_s = [cL + (Wcosθ)tanφ] / (Wsinθ)。

不适用（本模型为土体稳定性分析，非流动）。

摩尔-库伦强度准则、极限平衡分析法、有限元法、强度折减技术（SRM）。

工业基础：地质勘查报告、端头加固施工工艺（旋喷、冻结）。
信息化基础：岩土工程计算软件（如GeoStudio, PLAXIS, MIDAS GTS）。
数字化基础：参数化建模脚本、自动化强度折减分析流程。

Dun-0017​

融合模型

地质识别

基于掘进参数与机器学习的地层智能识别模型

盾构掘进过程实时地层识别（CNN-LSTM融合网络）模型

1. 数据准备：收集历史数据，包括掘进参数时序数据（推力F，扭矩T，转速ω，推进速度v，土仓压力P等）和对应的已知地层标签（如粘土、粉砂、卵石等）。
2. 特征提取与序列建模：采用卷积神经网络-长短期记忆网络（CNN-LSTM）混合模型。
- CNN层：对滑动时间窗口内的多维参数数据进行一维卷积，自动提取局部特征，捕捉参数间的空间关联。卷积核在时间维度上滑动。
Conv1D输出: h_t = ReLU(W * x{t:t+k} + b)
- LSTM层：将CNN提取的序列特征输入LSTM，捕捉掘进参数在时间上的长期依赖关系，识别地层变化的时序模式。
LSTM单元: i_t, f_t, o_t, g_t = σ, σ, σ, tanh (W * [h{t-1}, x_t] + b)
c_t = f_t ⊙ c_{t-1} + i_t ⊙ g_t
h_t = o_t ⊙ tanh(c_t)
- 全连接层：将LSTM最后一个时间步的输出映射到各地层类别的概率分布，使用Softmax激活函数。
3. 训练：使用带标签的历史数据训练网络，最小化交叉熵损失函数，优化网络权重。

在训练数据充分且代表性好的情况下，对主要地层的在线识别准确率可达85%-95%。识别延迟为几环到十几环。

深度学习、信号处理、模式识别、时间序列分析。

场景：在缺乏超前地质预报或预报不准时，利用盾构机自身掘进参数实时识别当前正在挖掘的地层类型。
特征：端到端学习，自动从原始时序数据中提取特征，无需复杂手工特征工程，能处理高维非线性关系。

变量：x_t (t时刻的多维掘进参数向量)， y_t (t时刻的地层类别标签)。
参数：CNN的卷积核权重W_conv、偏置b_conv、核大小、数量；LSTM的权重矩阵W_i, W_f, W_o, W_g及对应偏置；全连接层权重；学习率。

时序分析：处理时间序列数据。
非线性：CNN和LSTM具有强大的非线性拟合能力。
概率：输出为地层类别的概率分布。
优化：通过反向传播和梯度下降优化网络参数。
特征学习：自动学习数据的层次化特征表示。

深度学习、数据科学术语。

1. 数据流：实时采集盾构掘进参数，以1Hz频率构成多通道时间序列。
2. 滑动窗口：设置一个固定长度的滑动窗口（如60秒），将最新的窗口数据标准化后输入训练好的CNN-LSTM模型。
3. 前向传播：数据依次通过CNN层（提取局部特征）、LSTM层（捕获时序依赖）、全连接层，得到当前窗口内地层类别的概率分布P = {p_1, p_2, ..., p_n}。
4. 决策输出：取概率最大的类别作为当前时刻的地层识别结果。可结合过去几个窗口的结果进行投票滤波，提高稳定性。
5. 模型更新：定期（如每掘进100环）用新标注的数据对模型进行微调（在线学习），以适应地层变化和刀具磨损的影响。
方程式：CNN卷积公式及LSTM单元公式如上。

不适用（本模型处理信息流）。

卷积神经网络、循环神经网络（LSTM）、监督学习、时间序列分类。

工业基础：盾构机传感器系统、地质勘察报告（用于数据标注）。
信息化基础：实时大数据平台、数据存储与处理系统。
数字化基础：深度学习框架（如TensorFlow, PyTorch）、GPU计算资源。

Dun-0018​

控制算法

同步注浆

基于压力-流量双闭环的PID控制

盾构同步注浆压力与流量解耦控制算法

1. 被控对象：同步注浆系统，主要控制注浆压力和注浆流量两个相互耦合的变量。
2. 解耦设计：注浆压力P主要由注浆泵的泵送压力决定，注浆流量Q主要由注浆泵的转速决定，但两者存在耦合（高压会限制流量）。设计前馈补偿解耦。
3. 双闭环控制结构：
- 外环（压力环）：压力控制器G_PID_P接收压力设定值P_set和实际压力反馈P_fb，输出流量修正值ΔQ_set。
- 内环（流量环）：流量控制器G_PID_Q接收流量设定值Q_set（= Q_base + ΔQ_set）和实际流量反馈Q_fb，输出控制注浆泵转速的指令。
- 前馈补偿：根据盾构推进速度v_t，计算基础流量Q_base = k * v_t， k为与盾尾间隙和浆液收缩率相关的系数。
4. 控制器设计：压力环和流量环均采用PID控制器，参数分别整定。压力环响应应比流量环慢，以实现解耦。
PID控制律：u(t) = K_pe(t) + K_i∫e(τ)dτ + K_d*de(t)/dt。

压力控制精度可达设定值的±0.2 bar，流量控制精度可达设定值的±5%。能有效减少压力与流量之间的相互干扰。

自动控制理论、流体力学、PID控制、前馈解耦控制。

场景：盾构同步注浆过程的自动控制，确保浆液能及时、足量、压力适当地填充盾尾间隙，防止地表沉降和管片受力不均。
特征：双闭环结构，内环流量控制保证填充量，外环压力控制防止击穿地层或压力不足，结合前馈克服主要扰动（推进速度）。

变量：P_set/P_fb(注浆压力设定/反馈， bar)， Q_set/Q_fb(注浆流量设定/反馈， L/min)， v_t(推进速度， mm/min)， ΔQ_set(流量修正值)。
参数：K_p_P, K_i_P, K_d_P(压力PID参数)， K_p_Q, K_i_Q, K_d_Q(流量PID参数)， k(基础流量系数， L/m)。

反馈控制：双闭环PID反馈。
解耦：通过前馈和控制器参数设计实现压力与流量的近似解耦。
积分：PID中的积分项消除静差。
微分：PID中的微分项提供超前调节。

过程控制、液压传动术语。

1. 采样：以10-50Hz频率同步采集注浆压力P_fb和注浆流量Q_fb。
2. 前馈计算：根据实时推进速度v_t，计算基础流量Q_base = k * v_t。
3. 压力控制外环：计算压力误差e_P = P_set - P_fb，经压力PID控制器计算输出流量修正值ΔQ_set。
4. 流量设定合成：总流量设定值Q_set = Q_base + ΔQ_set。
5. 流量控制内环：计算流量误差e_Q = Q_set - Q_fb，经流量PID控制器计算输出，转换为注浆泵电机转速（或比例阀开度）指令。
6. 执行：控制器输出驱动执行机构（变频器或比例阀），改变注浆流量。
7. 循环：返回步骤1，持续调节。
方程式：PID控制律及Q_base = k * v_t。

流动模型：浆液在管道和盾尾间隙中的流动，近似为不可压缩流体的管内流动，压力损失可用达西-魏斯巴赫公式估算：ΔP = f * (L/D) * (ρv²/2)，其中f为摩擦系数，L为管长，D为管径，ρ为密度，v为流速。流量Q = A * v， A为截面积。

流体力学、经典控制理论（PID）、前馈控制。

工业基础：同步注浆系统（注浆泵、压力/流量传感器、控制阀）、盾构推进系统。
信息化基础：PLC控制器、人机界面（HMI）。
数字化基础：PID控制算法块、数据记录与监控。

Dun-0019​

评估模型

风险分析

基于模糊综合评价与AHP的定量模型

盾构隧道施工邻近风险源安全风险模糊层次综合评价模型

1. 评价指标体系建立：基于“人-机-料-法-环”理论，构建多层次风险评价指标体系。例如：
- 目标层A：邻近施工安全风险。
- 准则层B：B1环境风险，B2技术风险，B3管理风险。
- 指标层C：在B1下包含C1距离、C2沉降敏感度等；B2下包含C3地质条件、C4施工参数等。
2. 权重确定：采用层次分析法（AHP）确定各层指标权重。
- 构建判断矩阵，进行两两比较（1-9标度法）。
- 计算权重向量W，并进行一致性检验（CR<0.1）。
3. 模糊综合评价：
- 确定评语集V={低，较低，中等，较高，高}。
- 对每个底层指标C_i，由专家打分确定其隶属于各评语的隶属度，构成模糊评价矩阵R。
- 进行模糊合成运算：B = W ∘ R，其中“∘”为模糊合成算子（如加权平均型）。
- 对B进行归一化，得到最终的风险等级模糊分布。
4. 风险决策：根据最大隶属度原则或加权评分法确定最终风险等级。

模型能综合定量与定性因素，处理模糊信息。评价结果依赖于专家打分和AHP判断矩阵的主观性，需结合客观数据校准。

模糊数学、层次分析法、系统工程、风险评估理论。

场景：盾构隧道穿越重要建筑物、管线、河流等风险源前的施工前风险等级评估，用于制定专项施工方案。
特征：将难以精确量化的风险因素（如管理水平、环境敏感度）进行模糊量化，综合成总体风险评价。

变量：权重向量W，模糊评价矩阵R，模糊评价结果向量B。
参数：AHP判断矩阵的标度值，模糊隶属函数的参数（如三角形隶属函数的顶点）。
评语集：V = {v1, v2, v3, v4, v5}。

集合与逻辑：模糊集合理论，处理“亦此亦彼”的隶属关系。
矩阵运算：AHP涉及判断矩阵的特征向量求解，模糊评价涉及矩阵合成。
层次化：指标体系具有层次结构。
权重：AHP用于计算各因素的相对权重。
综合评价：将多指标信息聚合成一个总体评价。

系统工程、风险评估、模糊数学术语。

1. 准备阶段：识别风险源，建立风险评价指标体系树。
2. 权重计算：组织专家对同层指标两两比较打分，构造判断矩阵，计算权重并检验一致性。若不满足，需调整判断矩阵。
3. 单因素模糊评价：组织另一批专家，对具体工程项目的每个底层指标C_i进行评价（如“沉降敏感度：高（0.1）， 较高（0.4）， 中等（0.3）， 较低（0.2）， 低（0）”），形成模糊评价矩阵R。
4. 多级模糊合成：从指标层向准则层，再向目标层逐层进行模糊合成运算。例如，准则层B1的评价向量B1 = W_B1 ∘ R_C（其中C是B1下的指标集合）。
5. 最终评价：目标层A的评价向量A = W_A ∘ [B1; B2; B3]^T。对A进行归一化。
6. 结果解读：根据最大隶属度原则，A中最大值对应的评语即为最终风险等级。或计算加权分数：Score = Σ (A_i * S_i)， S_i为评语v_i的分数（如1,2,3,4,5）。
方程式：模糊合成 B_i = min(1, Σ (w_j * r_ij)) （对于加权平均型算子）。

不适用（本模型为风险评价与决策流）。

模糊集合论、层次分析法、多准则决策分析。

工业基础：工程勘察报告、邻近建构筑物调查资料、施工组织设计。
信息化基础：风险评估软件、专家打分系统。
数字化基础：AHP和模糊综合评价算法程序、历史风险案例库。

Dun-0020​

热力学模型

温度控制

基于能量守恒的传热模型

盾构主驱动齿轮箱热平衡与温升预测模型

1. 热源分析：齿轮箱主要热源为齿轮啮合功率损失、轴承摩擦功率损失、搅油损失转化的热量Q_gen。
Q_gen = (1 - η) * P_in， 其中η为传动效率，P_in为输入功率。
2. 散热分析：散热途径主要包括：
- 表面自然对流散热Q_conv = h * A * (T_oil - T_air)
- 表面辐射散热Q_rad = ε * σ * A * (T_oil^4 - T_air^4)
- 循环油冷却（如有）Q_cool = c_p * ρ * q * (T_oil_out - T_oil_in)
其中，h为对流换热系数，A为表面积，T为温度，ε为发射率，σ为斯特藩常数，c_p为油比热容，ρ为油密度，q为油流量。
3. 热平衡方程：齿轮箱内润滑油（假设均匀混合）的温度变化由热平衡决定：
M * c_p * (dT_oil/dt) = Q_gen - Q_conv - Q_rad - Q_cool
其中，M为润滑油质量。
4. 稳态温度：当dT_oil/dt = 0时，得到稳态油温T_oil_steady。
5. 温升瞬态：若忽略辐射和冷却，假设初始温度与环境温度相同，对上述方程积分可得温升曲线：
T_oil(t) = T_air + (Q_gen/(hA)) * (1 - exp(- (hAt)/(Mc_p)))。

模型可预测稳态油温，精度受换热系数h、效率η等参数影响较大，误差约±10-20%。但能准确反映各因素（输入功率、环境温度、冷却流量）对温升的影响趋势。

热力学第一定律（能量守恒）、传热学（对流、辐射）、流体力学。

场景：盾构主驱动齿轮箱的热设计、冷却系统选型、以及预警异常温升（如润滑不良、冷却失效）。
特征：基于能量守恒，分析系统产热与散热的平衡，预测稳态温度和升温过程。

变量：T_oil(润滑油温度， °C或K)， t(时间， s)， Q_gen(生热率， W)， Q_conv/Q_rad/Q_cool(散热率， W)。
参数：η(传动效率)， P_in(输入功率， W)， h(对流换热系数， W/(m²·K))， A(散热表面积， m²)， ε(表面发射率)， σ(斯特藩常数， 5.67e-8 W/(m²·K⁴))， c_p, ρ, M, q(油的性质和流量)， T_air(环境温度， K)。

微分方程：热平衡方程是一阶常微分方程。
能量守恒：系统内能变化等于净热流率。
非线性：辐射散热与温度的四次方相关。
指数：瞬态温升解为指数形式。
稳态：令微分项为零得到稳态解。

热力学、传热学、能量平衡术语。

1. 设计阶段：给定输入功率P_in、环境温度T_air等，估计生热量Q_gen。根据设计散热面积A、预估换热系数h，计算稳态温度T_oil_steady，校核是否在润滑油允许温度范围内。若不满足，需增加散热面积或强制冷却。
2. 运行监测：实时监测油温T_oil(t)。
3. 异常诊断：若T_oil持续高于模型预测的稳态温度，可能原因包括：实际输入功率超限（Q_gen增大）、冷却系统失效（Q_cool减小）、油位过低（M减小导致热容变小）、换热表面污垢（h减小）。结合其他参数（如电流、冷却水温度）进行诊断。
4. 预测：在计划高负荷掘进前，利用模型预测油温将达到的峰值，评估风险。
方程式：热平衡微分方程 Mc_pdT_oil/dt = Q_gen - hA(T_oil - T_air) - εσA(T_oil^4 - T_air^4) - c_pρq*(T_oil - T_cool_in) （假设T_oil_in = T_oil）。

流动模型：润滑油在齿轮箱内的飞溅和循环，冷却油在冷却器中的流动。热量通过热对流（油与齿轮/箱体之间，箱体与空气之间）和热传导（箱体壁面）传递。

能量守恒定律、牛顿冷却定律、斯特藩-玻尔兹曼定律、热阻网络分析。

工业基础：齿轮箱、润滑油、温度传感器、冷却系统（如有）。
信息化基础：热工参数数据库（油的c_p, ρ，材料的ε等）、设备监控系统。
数字化基础：热仿真软件（如ANSYS Thermal）、简单的热平衡计算程序。

Dun-0021​

协同算法

多机控制

基于一致性协议的多盾构协同推进控制算法

双线/多线盾构隧道近距离并行施工的协同推进控制模型

1. 系统建模：将N台并行掘进的盾构机视为多智能体系统。每台盾构i的状态为其关键掘进参数，如推力F_i、扭矩T_i、姿态偏差e_i。
2. 控制目标：
- 个体目标：每台盾构跟踪其自身的设定参数和轴线。
- 协同目标：使相邻盾构机的状态（特别是对地层扰动相关的参数，如推力差、土仓压力差）保持一致，以减少相互干扰。
3. 一致性协议设计：在个体控制器（如PID）的基础上，增加基于邻居信息的协同控制项u_i^c：
u_i^c = k_c * Σ{j∈N_i} a{ij} * (x_j - x_i)
其中，x_i是盾构i的状态（如归一化的推力），N_i是盾构i的“邻居”集合（如距离最近的其他盾构），a_{ij}是邻接矩阵元素（表示通信或耦合强度），k_c是协同增益。
4. 总体控制律：每台盾构的总控制输入u_i = u_i^l + u_i^c，其中u_i^l是本地控制器输出。
5. 稳定性分析：利用图论和李雅普诺夫方法分析闭环系统的稳定性，确定k_c的取值范围。

该算法能使多盾构的关键参数差异减少30-50%，从而降低因施工不同步引起的地表沉降叠加风险。需要可靠的机间通信。

多智能体系统、一致性控制、图论、分布式控制、李雅普诺夫稳定性。

场景：城市地铁中两条或多条盾构隧道近距离平行或交叉推进，需要协调各盾构的掘进参数，以控制地层扰动叠加。
特征：分布式控制，每台盾构仅与邻近盾构通信，系统具有可扩展性和鲁棒性。

变量：x_i(盾构i的状态向量，如[F_i, T_i, e_i]^T)， u_i(盾构i的总控制输入)， u_i^c(协同控制项)。
参数：k_c(协同控制增益)， a_{ij}(邻接权重，可根据盾构间距设定)， 通信拓扑图G。

图论：用图表示盾构间的通信拓扑。
代数：一致性协议涉及向量/矩阵运算。
稳定性理论：分析系统收敛性。
分布式控制：每个智能体基于本地和邻居信息计算控制律。
优化：可通过优化协同增益k_c和拓扑权重a_{ij}来改善性能。

多智能体系统、协同控制术语。

1. 初始化：确定盾构数量N，通信拓扑（谁与谁通信），设定协同增益k_c和邻接权重a{ij}。
2. 本地测量：每台盾构i周期性地测量自身状态x_i。
3. 信息交换：每台盾构i通过通信网络，向其邻居发送自身的状态x_i，并接收邻居的状态{x_j, j∈N_i}。
4. 控制计算：每台盾构i计算：
a. 本地控制量u_i^l（基于自身设定值与测量值的偏差，由本地PID等控制器计算）。
b. 协同控制量u_i^c = k_c * Σ a{ij}(x_j - x_i)。
c. 总控制量u_i = u_i^l + u_i^c。
5. 执行：将u_i下发给盾构的执行机构（如推进油缸、螺旋机）。
6. 循环：以固定控制周期（如1秒）重复步骤2-5。
方程式：一致性协议 u_i^c = k_c * Σ{j∈N_i} a{ij}(x_j - x_i)。

不适用（本算法控制信息流，协同调整各盾构的掘进行为，物质流是独立的）。

多智能体系统一致性理论、图论、分布式控制、线性系统理论。

工业基础：多台盾构机及其控制系统、可靠的无线或有线通信网络（如5G、工业以太网）。
信息化基础：分布式控制系统架构、时钟同步服务。
数字化基础：协同控制算法库、网络仿真平台（用于测试通信延迟的影响）。

Dun-0022​

预测模型

性能退化

基于维纳过程的可靠性预测模型

盾构关键部件（如主泵）性能退化与剩余有用寿命预测

1. 性能退化建模：假设部件性能退化量X(t)（如泵的容积效率损失、振动幅值增加）是一个带漂移的维纳过程：
X(t) = x_0 + μ * t + σ * B(t)
其中，x_0为初始退化量，μ为漂移系数（平均退化率），σ为扩散系数（退化过程随机波动强度），B(t)为标准布朗运动。
2. 首达时间失效：定义失效阈值为L。部件寿命T为退化过程首次达到L的时间，即T = inf{t: X(t) ≥ L |X(0)=x_0}。
3. 寿命分布：首达时间T服从逆高斯分布（Inverse Gaussian），其概率密度函数为：
f(t |μ, σ, L) = (L/(σ√(2πt³))) * exp( - (L - μt)²/(2σ²t) )
4. 参数估计：基于历史性能监测数据（在时间t_1, t_2, ..., t_n测得的退化量x_1, x_2, ..., x_n），用极大似然估计法估计参数μ和σ：
μ_hat = (x_n - x_0)/t_n
σ_hat² = (1/n) * Σ_{i=1}^{n} [(x_i - x_0 - μ_hat * t_i)² / t_i]
5. RUL预测：在当前时间t，观测到当前退化量X(t)=x，则剩余有用寿命RUL = T - t的条件分布仍为逆高斯分布，其参数更新为：漂移系数仍为μ，新的阈值变为L - x。

预测精度依赖于退化过程是否符合维纳过程假设。在轴承、泵等部件上应用，RUL预测误差（与真实寿命相比）在±20%-30%以内。提供概率分布而非单点估计。

随机过程（维纳过程）、可靠性工程、首达时间理论、数理统计。

场景：预测盾构液压主泵、主轴承等关键部件的剩余使用寿命，实现预测性维护，避免突发故障。
特征：将退化视为随机过程，可融合历史数据和实时监测数据，提供剩余寿命的概率分布，量化预测的不确定性。

变量：X(t)(性能退化量)， t(时间)， T(寿命，首次到达阈值的时间)， RUL(剩余有用寿命)。
参数：x_0(初始退化)， μ(漂移系数)， σ(扩散系数)， L(失效阈值)。
分布参数：逆高斯分布的均值、形状参数。

随机过程：退化路径是随机、连续的。
概率分布：寿命T和RUL服从逆高斯分布。
统计推断：用极大似然法估计过程参数。
条件概率：基于当前状态的RUL预测是条件概率。
非线性：逆高斯分布密度函数形式复杂。

可靠性工程、随机过程、统计预测术语。

1. 数据采集：定期（如每天）采集部件的性能退化指标X(t)（如泵的流量效率、振动总值）。
2. 参数学习：当积累了一定量的历史数据后，用极大似然估计法估计该部件的μ和σ。
3. 在线更新：在任意监测时刻t，获取当前退化量x。将阈值更新为L' = L - x。
4. RUL分布计算：计算RUL的概率密度函数f_RUL(r) = f(r |μ, σ, L')，其中r≥0。可计算RUL的期望值E[RUL] = (L-x)/μ，以及置信区间（如90%置信度的RUL范围）。
5. 维护决策：当E[RUL]小于预定值（如两周），或故障概率超过阈值时，触发预防性维护工单。
方程式：维纳过程模型 X(t) = x_0 + μt + σB(t)； RUL分布为逆高斯分布。

不适用（本模型描述性能参数的随机“漂移”，非物质流动）。

维纳过程、首达时间理论、逆高斯分布、可靠性预测。

工业基础：关键部件的状态监测传感器（振动、压力、流量传感器）、数据采集系统。
信息化基础：设备历史维护记录、状态监测数据库。
数字化基础：可靠性预测分析软件、统计计算工具（如R, Python的SciPy）。

Dun-0023​

优化模型

能量管理

基于动态规划的全局能耗优化

盾构掘进过程多系统协同运行能耗优化模型

1. 系统建模：将盾构能耗主要部分建模为：推进系统能耗E_prop、刀盘驱动系统能耗E_cutter、螺旋输送机（或泥浆循环）能耗E_screw、辅助系统（液压、冷却等）能耗E_aux。总能耗E_total = Σ E_i。
2. 决策变量：在每一掘进阶段（如每环），可控制的决策变量包括：推进速度v、刀盘转速ω、刀盘扭矩T（或推力F）、螺旋机转速n_s等。
3. 约束条件：
- 性能约束：满足掘进进度要求（总时间或平均速度）。
- 操作约束：设备能力限值（最大推力、扭矩、转速等）。
- 过程约束：土仓压力、姿态偏差等在允许范围内。
- 耦合约束：推进速度v、扭矩T、推力F之间存在耦合关系（如Dun-0001模型）。
4. 目标函数：最小化完成一段隧道（如N环）的总能耗：
Min J = Σ_{k=1}^{N} E_total(v_k, ω_k, T_k, ...)
s.t. 上述所有约束。
5. 求解：这是一个多阶段决策优化问题。可采用动态规划（DP）求解，将每环作为一个阶段，状态变量可以是累计时间、当前位置、设备负荷状态等，决策变量为操作参数，代价函数为当环能耗。由于状态空间大，常使用近似动态规划（ADP）或直接转录法转化为非线性规划（NLP）求解。

优化后可实现节能5%-15%，具体效果取决于地质条件和设备效率曲线。计算复杂度高，通常离线进行，得到优化操作曲线后在线参考执行。

最优化理论、动态规划、系统工程、能量守恒。

场景：在满足施工进度和质量要求的前提下，优化盾构各子系统的运行参数，降低整体能耗，节约运营成本。
特征：多变量、多约束、多阶段优化，考虑系统间的耦合和时序关联。

变量：v(推进速度)， ω(刀盘转速)， T(刀盘扭矩)， n_s(螺旋机转速)， E_total(总能耗)。
参数：各设备的效率曲线（如电机效率-负载关系）、地质参数、隧道设计参数、各阶段（环）的能耗函数E_k(...)。
状态变量：在DP中表示系统状态的变量，如累计时间t_sum。

动态规划：多阶段决策过程的优化。
优化：在约束下最小化目标函数。
耦合：决策变量间存在物理耦合约束。
非线性：能耗函数通常是非线性的。
全局优化：寻求整个掘进过程的全局最优操作序列。

能源管理、最优控制、运筹学术语。

1. 离线优化：
a. 问题定义：给定一段隧道的地质分段和设计参数，定义阶段数N（环数），确定每阶段的能耗模型和约束。
b. 离散化：将决策变量（v, ω等）在可行域内离散化，生成有限的选择集。
c. 动态规划求解：从最后一环倒推，计算每个可能状态下的“成本至完成”函数（即剩余最小能耗），并记录最优决策。或使用直接转录法将问题转化为NLP，用求解器（如IPOPT）求解。
d. 得到策略：得到一条最优的操作参数序列{v_k, ω_k, ...}， k=1 to N。
2. 在线执行：
a. 在实际掘进中，根据当前环的地质类型，调用对应段的最优操作参数作为设定值。
b. 下发给各子系统控制器执行。
c. 根据实际偏差进行微调。
方程式：目标函数 J = Σ E_k(v_k, ω_k, T_k, ...)。

不适用（本模型为能量流的优化分配）。

最优控制理论、动态规划、非线性规划、系统能效分析。

工业基础：盾构机各子系统（推进、刀盘、螺旋机等）的电机和变频器、电能计量系统。
信息化基础：掘进过程数据库、设备效率特性曲线库。
数字化基础：优化求解器、能源管理平台。

Dun-0024​

分析模型

密封机制

基于接触力学的非线性有限元分析

盾尾刷密封系统接触压力与磨损分析模型

1. 几何与材料：建立盾尾刷、钢板、油脂的三维精细有限元模型。盾尾刷钢丝视为超弹性材料（如Mooney-Rivlin模型），油脂视为粘弹性或塑性材料。
2. 接触定义：定义钢丝与钢板、钢丝与钢丝、钢丝与油脂之间的接触对。接触行为包括法向硬接触和切向摩擦（库伦摩擦）。
3. 载荷与边界：施加盾尾刷的预压缩位移（安装压缩量），以及外部水土压力P_ext。考虑盾构转弯时的相对错

Dun-0025​

力学模型

岩机作用

基于岩石断裂力学的机理模型

盘形滚刀破岩的RIP（Roxborough & Phillips）模型

1. 基本假设：岩石为脆性材料，滚刀压入时产生径向裂纹，相邻滚刀轨迹间的岩石在剪切作用下形成岩片。
2. 滚刀受力：法向力F_n与切向力F_r的比值定义为切割系数：CEI = F_r / F_n。对于盘形滚刀，典型CEI≈0.15~0.25。
3. 临界贯入度：产生有效破碎所需的最小刀间距S与贯入度p满足：
p_cr = (S / (2 * tan(θ/2)))
其中，θ为滚刀刃尖角。
4. 破岩比能：单位体积岩石破碎所消耗的能量SE（Specific Energy），是评价破岩效率的关键指标。
SE = (F_n * CEI * π * D * N) / (A * v) ≈ (F_r * v_t) / (S * p * v)
其中，D为刀盘直径，N为转速，A为开挖面积，v为推进速度，v_t为刀圈线速度。
5. 参数关联：最优刀间距S_opt与贯入度p、岩石单轴抗压强度σ_c相关，经验公式：S_opt / p ≈ 10 ~ 20， 且S_opt ∝ 1/√σ_c。

模型能有效预测硬岩掘进条件下的推力和扭矩趋势。预测破岩比能与实测值的误差在±20%~35%之间，取决于岩体节理等地质不连续面。

岩石力学、断裂力学、能量守恒原理。

场景：硬岩隧道掘进机（TBM）刀盘设计与刀具布置优化，预测在特定岩石下的掘进性能（贯入度、推力、比能）。
特征：基于岩石脆性断裂的物理机制，建立了刀具几何、布置参数与破岩效率、载荷间的定量关系。

变量：F_n(单刀法向力，kN)， F_r(单刀切向力，kN)， p(贯入度，mm/r)， S(刀间距，mm)， SE(破岩比能，MJ/m³)。
参数：θ(滚刀刃尖角，°)， CEI(切割系数)， σ_c(岩石单轴抗压强度，MPa)， D(刀盘直径，m)， 刀圈直径d。

几何关系：贯入度、刀间距与刀刃角度的三角关系。
能量计算：破岩比能是功率与破岩体积的比值。
比例关系：经验比例关系（S/p, S∝1/√σ_c）。
力学平衡：刀具受力与岩石反力平衡。

岩石力学、机械破岩的专业术语，强调力、能量、几何关系。

1. 设计阶段：输入岩石强度σ_c，选择目标贯入度p。根据经验公式S_opt ≈ k * p (k=10~20) 计算最优刀间距。根据总推力要求和单刀承载能力，确定刀具数量。计算预测总推力F_total = n * F_n， 总扭矩T_total = n * F_r * (d/2)。
2. 性能预测阶段：给定刀盘设计（n, S, D）和操作参数（p, N）， 计算破岩比能SE，评估能效。预测推进速度v = p * N。
方程式：SE ≈ (F_r * π D N) / (π (D/2)² * p * N) = (2 F_r) / (D * p) （简化形式）。

不适用（本模型为固体间的破坏作用，非流动）。

岩石断裂力学、赫兹接触理论、线性切割机试验（LCM）标定。

工业基础：TBM刀盘与盘形滚刀、岩石力学实验室（单轴抗压试验、巴西劈裂试验）。
信息化基础：刀具数据库、岩石力学参数数据库。
数字化基础：基于RIP模型的刀盘设计辅助软件、掘进性能预测模块。

Dun-0026​

渗流模型

地下水

基于达西定律与地下水动力学

盾构隧道施工降水/排水引起的地下水漏斗预测模型

1. 模型概化：将隧道视为一条汇水线（或汇水圆柱），周围含水层为均质、各向同性，初始水位水平。采用稳定流或非稳定流模型。
2. 稳定流模型（Dupuit-Forchheimer）：对于无压含水层，距隧道中心r处的降深s(r)为：
s(r) = H_0 - √( H_0² - (Q/(πK)) * ln(R/r) )
其中，H_0为初始含水层厚度，Q为隧道单位长度涌水量，K为渗透系数，R为影响半径（可用库萨金公式R=3000s√K估算）。
3. 非稳定流模型（Theis公式）：将隧道视为抽水井，任意点任意时刻的降深s(r,t)：
s(r,t) = (Q / (4πT)) * W(u)
u = (r² S) / (4T t)
其中，T=KH_0为导水系数，S为贮水系数，W(u)为泰斯井函数（指数积分）。
4. 参数确定*：K, S通过抽水试验获得。Q可通过勘察报告估算或施工中实测。

稳定流模型计算简便，但精度较低，适用于初步估算。非稳定流模型更符合实际，在参数准确时，预测降深与实测误差可在±20%内。影响半径R的估算误差较大。

地下水动力学、渗流力学、质量守恒定律。

场景：评估盾构隧道开挖前降水或施工中排水对周边地下水位的影响，预测地面沉降和建筑物基础风险。
特征：预测以隧道为中心的地下水位降落漏斗形态和随时间的发展过程。

变量：s(r，t) (距隧道r处在t时刻的水位降深，m)， Q(隧道涌水量，m³/d/m)， r(距隧道中心的水平距离，m)， t(时间，d)。
参数：K(渗透系数，m/d)， H_0(初始含水层厚度，m)， T(导水系数，m²/d)， S(贮水系数，无量纲)， R(影响半径，m)。

微分方程：地下水非稳定流遵循扩散方程：∂²s/∂r² + (1/r)∂s/∂r = (S/T)∂s/∂t。
积分：泰斯解是指数积分解。
对数：稳定流解包含对数项。
稳态/瞬态：分稳态和非稳态两种模型。

水文地质、渗流力学术语，描述空间分布场随时间演化。

1. 勘察阶段：通过抽水试验获取含水层参数K, T, S。
2. 施工前预测：估算隧道可能的最大涌水量Q_max（根据经验公式或数值模拟）。将Q_max、K、T、S代入Theis公式，计算隧道中心线不同距离处（r=10,20,50...m）在不同时间（t=1,7,30...d）的水位降深s(r,t)，绘制等降深线图。
3. 施工中监测与修正：监测实际涌水量Q_actual和周边水位s_measure。用实测数据反演修正含水层参数，并更新预测。
方程式：Theis公式 s(r,t) = (Q/(4πT)) ∫_{u}^{∞} (e^{-x}/x) dx。

流动模型：地下水在孔隙介质中的渗流，遵循达西定律：v = -K * ∇h， 其中v为渗流速度，h为水头。水流从四周向隧道（汇线）汇集，形成径向流动。连续性方程：∇·(K∇h) = S_s ∂h/∂t， 其中S_s为单位贮水系数。

达西定律、质量守恒、地下水非稳定流理论、井流理论。

工业基础：地质与水文地质勘察报告、抽水试验设备、隧道内排水系统。
信息化基础：地理信息系统（GIS，含含水层分布）、地下水模拟软件（如Visual MODFLOW）。
数字化基础：参数反演算法、地下水-地层沉降耦合分析模块。

Dun-0027​

规划算法

施工组织

基于关键路径法（CPM）与资源约束

盾构隧道施工全过程关键路径与资源均衡优化模型

1. 工作分解结构（WBS）：将盾构施工分解为工序，如：始发准备、掘进与拼装、到达、转场等。掘进与拼装可进一步分解为单环循环工序。
2. 网络计划图：确定各工序的紧前紧后关系，绘制双代号网络图。定义工序(i,j)，其持续时间为D{ij}。
3. 时间参数计算：
- 最早开始时间ES，最早完成时间EF：正向计算，EF{ij}=ES{ij}+D{ij}。
- 最迟开始时间LS，最迟完成时间LF：反向计算，LS{ij}=LF{ij}-D{ij}。
- 总时差TF{ij}=LS{ij}-ES{ij}=LF{ij}-EF{ij}。
- 关键路径：总时差TF=0的工序组成的路径，决定了项目总工期T。
4. 资源约束与均衡：考虑关键资源（如管片电车、拼装机、劳动力）数量有限。在资源约束下，对非关键工序在其时差内进行调整，以平滑资源需求曲线。目标是最小化资源需求峰值或方差。
Min Z = Σ_{t} (R_t - R_avg)²， 其中R_t为t时刻资源总需求。

CPM能准确计算理论最短工期。资源均衡优化可将资源需求峰值降低10-30%，提高资源利用率。模型未考虑工期不确定性。

运筹学、网络计划技术、关键路径法、资源约束项目调度。

场景：盾构隧道项目总体施工组织设计、工期制定、资源（设备、人员）配置计划优化。
特征：图形化表示工序逻辑，识别影响总工期的关键工序，并在资源限制下优化进度安排。

变量：ES, EF, LS, LF, TF (时间参数)， D_{ij}(工序持续时间)， T(项目总工期)， R_t(t时刻资源需求量)。
参数：工序逻辑关系（网络拓扑）， 各工序资源需求量， 资源总量限制。

图论：工序网络是有向无环图（DAG）。
最长路径：关键路径是网络中的最长路径。
递归计算：时间参数通过前向和后向递归计算。
优化：资源均衡是二次优化问题。
离散：时间和资源是离散的。

项目管理、网络计划术语。

1. 计划编制：识别所有工序，确定逻辑关系和持续时间，绘制网络图。
2. 计算关键路径：进行正向和反向计算，找出所有TF=0的关键工序，得到理论总工期T。
3. 加载资源：为每个工序分配资源需求，生成初始的资源需求直方图。
4. 资源均衡优化：在总工期不变的前提下，依次将非关键工序在其时差范围内向右移动，观察并选择能使资源需求曲线更平滑的移动方案。可采用启发式算法（如最小化峰谷差算法）自动进行。
5. 输出计划：输出优化后的进度横道图（甘特图）和资源需求计划。
方程式：时间参数递归公式，如 EF_j = max_{i∈P(j)} (EF_i) + D_j， 其中P(j)是j的紧前工序集合。

不适用（本模型为工作流和资源流规划）。

网络计划技术（CPM/PERT）、资源受限项目调度问题（RCPSP）、启发式优化。

工业基础：施工组织设计经验、设备与人员配置方案。
信息化基础：项目管理软件（如Microsoft Project, Primavera P6）。
数字化基础：进度计划BIM 4D/5D模拟、资源优化算法模块。

Dun-0028​

控制算法

导向纠偏

基于预瞄与曲率跟踪的智能控制

盾构自动导向系统的预瞄-模糊PID纠偏控制算法

1. 预瞄模块：从设计轴线中，提取当前盾构机头前方一定距离L（预瞄距离）处的目标点P_target的坐标和切线方向。
2. 偏差计算：计算当前机头中心位置P_current与设计轴线的横向偏差e_y， 方位角偏差e_θ。同时，计算预瞄点处的横向偏差e_y_preview。
3. 模糊决策：将e_y, e_θ, e_y_preview作为模糊控制器输入，输出为期望的盾构机瞬时转弯曲率κ_des。模糊规则例如：“若当前偏差为正大且预瞄偏差为正大，则期望曲率为正大”（即需要向左转弯纠正）。
4. 曲率跟踪控制：将κ_des与通过铰接角传感器估算的实际瞬时曲率κ_actual比较，其误差e_κ输入一个PID控制器，输出为铰接油缸行程差调整量ΔL，控制盾构机实现期望的转弯曲率。
5. 参数优化：预瞄距离L、模糊规则、PID参数通过仿真或现场数据优化。L通常与盾构机长度、掘进速度相关。

相比传统仅基于当前位置偏差的控制，预瞄控制能减少超调，使纠偏过程更平稳，轨迹跟踪精度提高约20-40%。

自动控制理论、模糊逻辑、预瞄控制思想、几何跟踪。

场景：盾构机在曲线段，特别是小半径曲线隧道的自动精确导向，实现平滑、高精度轨迹跟踪。
特征：引入前方路径信息（预瞄），使控制具有前瞻性，类似于驾驶员看远方道路开车，避免“画龙”现象。

变量：e_y(横向位置偏差，mm)， e_θ(角度偏差，°)， e_y_preview(预瞄点横向偏差，mm)， κ_des(期望曲率，1/m)， κ_actual(实际曲率，1/m)， ΔL(铰接油缸行程差，mm)。
参数：预瞄距离L(m)， 模糊控制器的隶属度函数参数和规则库， PID控制器参数， 盾构机铰接点位置。

几何：基于空间曲线（设计轴线）的几何计算。
模糊逻辑：将驾驶经验转化为模糊规则。
反馈控制：内环为曲率跟踪PID控制。
前馈：预瞄本质上是一种前馈补偿。
非线性：模糊控制器是非线性的。

自动导向、智能控制术语，结合几何和驾驶类比。

1. 定位测量：全站仪测量得到盾构机当前位置P_current和方位角θ_current。
2. 预瞄与偏差计算：从设计轴线数据库中，查找前方距离L处的点P_target及其切线方向。计算e_y, e_θ, e_y_preview。
3. 模糊推理：将三个偏差模糊化，进行模糊推理，去模糊化得到精确的κ_des。
4. 曲率控制：根据当前铰接角α和盾构机几何，计算κ_actual ≈ sin(α) / L_h（L_h为铰接点到机头距离）。计算e_κ = κ_des - κ_actual， 经PID控制输出ΔL。
5. 执行：将ΔL下发给铰接油缸控制系统执行。
6. 循环：以固定控制周期（如1-5秒）重复以上步骤。
方程式：κ_actual ≈ α / L_h （小角度近似）。

不适用（本算法控制盾构机空间轨迹的“流向”）。

预瞄跟踪控制、模糊控制、PID控制、空间曲线微分几何。

工业基础：盾构自动导向系统（全站仪、倾角仪、棱镜）、铰接系统。
信息化基础：隧道设计轴线数据库、实时定位与姿态解算软件。
数字化基础：模糊控制算法模块、预瞄路径查询算法。

Dun-0029​

耦合模型

流固土

基于Biot固结理论的数值模型

盾构施工诱发地层变形与孔隙水压力消散耦合模型

1. 控制方程：采用Biot固结理论，描述饱和土体中骨架变形与孔隙水流动的耦合。
- 平衡方程：∇·σ' - α ∇ p + ρ g = 0， 其中σ'为有效应力，p为超静孔隙水压力，α为Biot系数（≈1），ρ为饱和土密度。
- 渗流连续方程：∇·[ (k/γ_w) ∇ p ] = α ∂(∇·u)/∂t + (1/Q) ∂p/∂t， 其中k为渗透系数，γ_w为水重度，u为位移矢量，Q为耦合模量。
2. 本构模型：土骨架采用弹塑性模型，如修正剑桥模型，其屈服函数为：
f = q² - M² p' (p_c - p') = 0， 其中q为偏应力，p'为平均有效应力，p_c为前期固结压力，M为临界状态线斜率。
3. 施工过程模拟：通过“单元生死”或“应力释放”技术模拟盾构开挖、支护、注浆等步骤。开挖面应力释放率是重要参数。

模型能较真实地再现盾构施工引起的土体沉降随时间发展的全过程（瞬时沉降、固结沉降）。预测最终沉降量与实测的误差可控制在±20%内，但计算非常耗时。

多孔介质力学、Biot固结理论、弹塑性土力学、有限元法。

场景：高精度预测软土地区（如淤泥、粘土）盾构隧道长期沉降，特别是对工后沉降敏感的重大工程评估。
特征：考虑土体骨架变形与孔隙水压力消散的相互作用，能模拟沉降随时间发展的固结过程。

变量：u(位移场，m)， p(超静孔隙水压力场，Pa)， σ'(有效应力场，Pa)。
参数：土体弹性模量E、泊松比ν， 渗透系数k， 剑桥模型参数（λ, κ, M, p_c0）， Biot系数α， 耦合模量Q。

偏微分方程组：Biot方程是位移u和孔压p耦合的偏微分方程组。
耦合：力学平衡与渗流方程强耦合。
非线性：土体本构（剑桥模型）是非线性的。
瞬态：孔压消散和变形是时间相关的。
数值求解：需用有限元等数值方法求解。

岩土工程、多物理场耦合的术语，描述场变量的时空演化。

1. 初始地应力平衡：建立包含隧道区域的二维/三维地质模型，施加重力，计算初始地应力场和静止孔隙水压力场，达到平衡。
2. 开挖模拟：
a. 应力释放：移除隧道单元，并在开挖边界施加一个释放荷载，模拟应力释放比例β（如40%）。
b. 盾尾间隙：收缩隧道边界，模拟盾尾间隙。
c. 注浆压力：在管片外围施加随时间衰减的注浆压力荷载。
d. 管片安装：“激活”管片单元，并考虑与土体的接触。
3. 固结计算：在施工扰动后，进行固结计算，模拟孔压消散和土体变形随时间（数月到数年）的发展。
方程式：Biot方程如上。

流动模型：孔隙水在土体骨架中的渗流，遵循达西定律。固相（土骨架）的变形与液相（水）的流动相互耦合，质量守恒方程中包含了土骨架体积变化引起的源汇项（α ∂(∇·u)/∂t）。

多孔介质弹性力学（Biot理论）、弹塑性土力学、有限元法、固结理论。

工业基础：详细的地质勘察与土工试验报告（提供全套土力学参数）。
信息化基础：高级岩土工程有限元软件（如ABAQUS, PLAXIS 2D/3D）。
数字化基础：复杂的多物理场耦合分析脚本、高性能计算资源。

Dun-0030​

评估模型

设备健康

基于振动频谱与包络分析的诊断

盾构主驱动变速箱齿轮故障特征频率提取与诊断模型

1. 故障特征频率计算：根据变速箱齿轮齿数、轴转速，计算理论故障特征频率。
- 轴转频：f_r = RPM / 60
- 齿轮啮合频率：f_m = Z * f_r （Z为齿数）
- 局部故障（如剥落）特征：在频谱上表现为f_m及其谐波两侧出现边带，边带间隔为故障齿轮所在轴的转频f_r。
2. 信号预处理：采集振动加速度信号a(t)。对高频共振频带信号进行包络解调分析：先对a(t)带通滤波（围绕共振频率），然后进行希尔伯特变换得到解析信号，再取模得到包络信号e(t)。
3. 频谱分析：对包络信号e(t)进行快速傅里叶变换（FFT），得到包络谱。在包络谱中寻找与理论故障特征频率（特别是轴转频f_r及其倍频）对应的峰值。
4. 诊断指标：计算故障特征频率处的幅值A_f与基线幅值A_base的比值，或计算该频率成分的能量占总能量的比例作为诊断指标。

包络解调能有效提取淹没在高频噪声中的低频故障特征。对齿轮局部故障（点蚀、剥落）的早期检测有很高灵敏度，可提前数周预警。诊断准确率依赖频谱分辨率和基线数据的质量。

机械故障诊断学、信号处理、希尔伯特变换、齿轮动力学。

场景：盾构主驱动变速箱齿轮、轴承的故障在线监测与诊断，实现预测性维护。
特征：针对齿轮故障引起的周期性冲击信号，通过包络分析将高频共振调制信号解调，在低频段清晰呈现故障特征频率。

变量：a(t)(振动加速度时域信号，m/s²)， e(t)(包络信号)， A_f(故障特征频率幅值)。
参数：各齿轮齿数Z， 各轴转速RPM， 共振频带中心频率f_c及带宽B， 采样频率Fs， FFT点数N_FFT。

傅里叶分析：FFT得到频谱，寻找特征频率。
希尔伯特变换：用于计算解析信号和包络。
调制解调：故障冲击调制了高频载波（共振频率），需解调。
频率计算：基于齿轮几何和运动学计算特征频率。

旋转机械故障诊断、信号处理专业术语。

1. 数据采集：在变速箱轴承座处，以足够高的采样率（如20kHz）采集振动信号。
2. 包络解调流程：
a. 带通滤波：选择包含变速箱主要共振频率的频带（如2-5kHz），对原始信号a(t)滤波得到a_bp(t)。
b. 希尔伯特变换：计算a_bp(t)的希尔伯特变换H{a_bp(t)}。
c. 求包络：e(t) = √[a_bp(t)² + H{a_bp(t)}²]。
d. 频谱分析：对e(t)做FFT，得到包络谱E(f)。
3. 故障识别：在包络谱E(f)中，查找与计算的齿轮/轴承故障特征频率（f_r, 2f_r, ...）一致的显著峰值。
4. 趋势分析与报警：跟踪该峰值幅值或能量的时间趋势，超过阈值则报警。
方程式：包络信号 e(t) =

a_bp(t) + j * H{a_bp(t)}

。

不适用（本模型处理振动信号，信息流）。

Dun-0031​

优化模型

刀具布置

基于覆盖与力均衡的多目标优化

盾构/TBM刀盘刀具平面布置多目标优化模型

1. 设计变量：每把刀具在刀盘平面上的极坐标位置(r_i, θ_i)， i=1,2,...,N（刀具总数）。
2. 约束条件：
- 几何约束：刀具间最小间距δ_min（防止干涉），刀具必须在开挖轮廓内（r_i ≤ R）。
- 覆盖约束：刀盘旋转一周，刀具轨迹应覆盖整个开挖面，无“盲区”。可通过计算刀具轨迹的并集面积是否等于开挖面积来评估。
3. 目标函数（多目标）：
- 目标1：载荷均匀性：最小化各刀具径向力之和的波动方差。通过力学模型（如CSM模型）估算各刀受力F_i，计算总推力F_total = Σ F_i，目标是使F_total在刀盘旋转过程中波动最小。
- 目标2：力矩平衡：最小化刀盘倾覆力矩。计算刀具力对刀盘中心的力矩M = Σ (r_i × F_i)， 目标是使合力矩M的模最小（理想为0）。
- 目标3：刀盘刚度：最大化刀具布置的“包络”刚度，可近似为最小化刀具到刀盘支撑圈的最大距离。
4. 求解：这是一个复杂的多约束、多目标、非线性组合优化问题。采用多目标遗传算法（如NSGA-II）求解Pareto最优解集。

优化后的刀盘布局可使推力波动减少15-30%，倾覆力矩降低20-50%，提高刀盘运行平稳性和轴承寿命。

机械优化设计、多目标优化、计算几何、力学平衡。

场景：盾构/TBM刀盘新设计或改造时的刀具平面布局优化。
特征：在满足几何和覆盖约束的前提下，追求载荷均匀、力矩平衡等多个性能目标的协同优化。

变量：r_i(刀具i的安装半径，m)， θ_i(刀具i的安装角度，rad)， F_i(刀具i的受力向量)， M(合力矩向量)。
参数：刀具总数N， 刀具类型（中心刀、正面刀、边缘刀）， 刀盘半径R， 最小间距δ_min， 地层参数（用于估算F_i）。

几何优化：在二维平面内布置点（刀具）。
多目标优化：存在多个相互冲突的目标。
组合优化：刀具位置是离散或连续的组合选择。
力学计算：基于力学模型计算目标函数。
Pareto最优：寻求非支配解集。

机械设计、优化理论术语。

1. 初始化：设定刀具类型和数量，确定设计空间（r, θ的范围）。随机生成初始种群（多个刀具布局方案）。
2. 评估：对种群中每个个体（一个布局方案）：
a. 检查几何约束和覆盖约束，违反则施加惩罚。
b. 根据给定的典型掘进参数和地层，计算每把刀的受力F_i。
c. 计算三个目标函数的值（推力波动方差、合力矩模、最大力臂）。
3. 多目标进化：使用NSGA-II算法：计算个体的非支配排序和拥挤度距离；通过锦标赛选择、模拟二进制交叉、多项式变异产生子代种群。
4. 迭代：合并父代和子代，重复选择、评估、进化过程，直至达到最大代数。
5. 决策：从最终得到的Pareto前沿中，由设计师根据偏好选择一个或几个折衷方案进行详细设计。
方程式：目标函数1：Min Var( Σ F_i(θ) )， 其中θ是刀盘旋转角。

不适用（本模型为结构布局优化）。

多目标进化算法（NSGA-II）、力学静平衡原理、覆盖理论。

工业基础：刀盘设计图纸、刀具数据库、地层参数。
信息化基础：计算机辅助设计（CAD）软件、参数化建模工具。
数字化基础：多目标优化算法库（如PyGMO, Platypus）、刀盘力学分析脚本。

Dun-0032​

预测模型

工期成本

基于系统动力学（SD）的仿真模型

盾构隧道工程项目工期-成本-质量系统动力学模型

1. 系统边界与变量：确定影响工期、成本、质量的核心变量，如：施工进度、返工率、资源投入强度、员工经验水平、管理力度等。
2. 因果回路图：绘制变量间的因果反馈关系。例如：
- “加快进度” → “工作压力增大” → “施工质量下降” → “返工率上升” → “实际进度延迟”（负反馈）。
- “增加资源投入” → “施工能力提升” → “进度加快”（正反馈）。
3. 存量流量图：明确存量（如“已完成工作量”、“累计成本”）和流量（如“工作效率”、“成本消耗率”），并建立数学关系。
- 存量方程（积分）：Work_Done(t) = ∫_0^t Productivity(τ) dτ
- 流量方程：Productivity = f(Workforce, Experience, Rework_Rate, ...)
- 辅助变量方程：Rework_Rate = g(Quality_Level, ...)
4. 仿真：在Vensim/Stella等SD软件中构建模型，设定参数初始值和外部输入（如计划变更、地质风险事件），进行动态仿真，输出工期、成本、质量指标的随时间变化曲线。

模型能定性和半定量地揭示管理政策（如赶工、增加质检）的长期动态影响，而非精确预测具体数值。有助于理解复杂相互作用和延迟效应。

系统动力学、控制理论、反馈思想、存量流量分析。

场景：项目管理层分析不同管理策略（如赶工、增加资源、加强培训）对项目工期、总成本和最终质量的综合、动态影响，辅助决策。
特征：关注变量间的因果反馈关系和时滞效应，擅长处理非线性、动态复杂的软系统问题。

变量：存量（Level）：L(t)（如已完成工作量，累计成本）；流量（Rate）：R(t)（如工作效率，成本速率）；辅助变量（Auxiliary）：如质量水平，返工率。
参数：各种转换系数、表函数参数、延迟时间常数。

微分/积分方程：存量流量本质是微分/积分方程。
反馈：系统包含正/负反馈环。
非线性：变量间关系常为非线性（用表函数表示）。
时滞：明确考虑决策到效果之间的延迟。
动态模拟：求解微分方程组得到系统随时间演变。

系统动力学、管理科学术语，强调因果、反馈、动态。

1. 建模阶段：界定问题，确定关键变量，绘制因果回路图和存量流量图，用方程或表函数定义变量间关系。
2. 参数设定：根据历史数据或专家估计，设定初始参数（如初始工作效率、单位工作量成本）。
3. 策略测试：
a. 基准情景：按原计划运行仿真，得到基准的工期、成本曲线。
b. 赶工策略：在模型中增加“资源投入”变量，模拟中期赶工的影响。
c. 质量加强策略：增加“质量管理投入”，模拟其对返工率和最终工期、成本的影响。
4. 对比分析：对比不同策略下，总工期、总成本、最终质量指标（如缺陷密度）的仿真结果，分析权衡关系。
方程式：例如，存量方程：d(Work_Done)/dt = Productivity - Rework_Rate * Work_Done。

流向方法：模型中包含工作流（工作量积累）、资金流（成本积累）和质量信息流（质量水平影响返工流）。这些流动由速率变量控制，形成反馈回路。

系统动力学、控制论、管理反馈理论。

工业基础：项目管理经验、历史项目数据。
信息化基础：系统动力学建模与仿真软件（如Vensim, Stella）。
数字化基础：项目管理数字孪生的雏形，用于策略实验。

Dun-0033​

诊断算法

电气系统

基于小波包变换与支持向量机（SVM）

盾构变频驱动电机早期电气故障诊断模型

1. 信号选择：采集电机定子三相电流信号i_a(t), i_b(t), i_c(t)。电气故障（如转子断条、偏心、绕组短路）会在电流中引入特征频率成分。
2. 特征提取：对电流信号进行小波包变换（WPT），分解到多个频带。计算每个频带j的能量E_j：
E_j = Σ_{k=1}^{N}

C_{j,k}

²， 其中C{j,k}为小波包系数。
构造特征向量T = [E_1, E_2, ..., E_m] / Σ E_j，即归一化的小波包能量谱。
3. 故障分类：使用支持向量机（SVM）作为分类器。对于非线性可分问题，使用核函数（如径向基函数RBF）将特征映射到高维空间，寻找最优超平面。
SVM决策函数：f(T) = sign( Σ{i=1}^{l} α_i y_i K(T_i, T) + b )
其中，α_i是拉格朗日乘子，y_i是样本标签，K(·,·)是核函数，b是偏置。
4. 模型训练：使用历史数据（包含正常和各种故障状态的电流样本及其标签）训练SVM，优化参数（如RBF核的γ，惩罚因子C）。

小波包能量谱对早期微弱故障特征敏感。SVM分类器在小样本下表现良好。对转子断条等典型电气故障的诊断准确率可达90%以上。

信号处理（小波分析）、模式识别、统计学习理论、电机学。

场景：盾构主驱动、螺旋机等大功率变频电机的在线状态监测与早期故障诊断。
特征：从电流信号中提取频带能量特征，利用SVM进行高维空间分类，实现故障类型的自动识别。

变量：i(t)(定子电流信号，A)， C_{j,k}(小波包系数)， E_j(频带能量)， T(特征向量)， f(T)(SVM决策输出)。
参数：小波基函数类型（如db4）， 分解层数， SVM的核函数参数（γ, C）。

小波变换：时频局部化分析，提取频带能量。
特征向量：构造用于分类的特征。
核方法：SVM使用核函数处理非线性分类。
优化：SVM训练是求解一个凸二次规划问题。
模式识别：区分正常与多种故障模式。

电气故障诊断、信号处理、机器学习术语。

1. 数据采集：在电机运行时，同步采集三相电流信号。
2. 特征提取（在线）：对每相电流，进行N层小波包分解，得到2^N个频带。计算每个频带的能量并归一化，将三相的特征拼接成一个长特征向量T_k。
3. 故障分类：将特征向量T_k输入已训练好的SVM模型。SVM输出一个分类标签（如“正常”、“转子断条”、“轴承偏心”等）和可能的置信度。
4. 报警：如果分类结果为故障状态，则触发报警，并提示可能的故障类型。
方程式：小波包能量 E_j = Σ

C_{j,k}

Dun-0034​

注浆模型

浆液扩散

基于柱状渗透理论的解析模型

盾构同步注浆浆液在盾尾间隙中的二维柱状扩散模型

1. 模型假设：浆液在盾尾环形间隙中为牛顿流体，做稳定、层流的径向流动。忽略重力影响，间隙厚度δ远小于隧道半径R。
2. 控制方程：简化纳维-斯托克斯方程，在柱坐标系(r, θ, z)下，考虑主要沿隧道轴向（z方向）的压力梯度dp/dz，以及沿径向（r方向）的速度变化。
3. 速度分布：求解得到浆液在间隙中的速度分布为抛物线型（类似平面泊肃叶流）：
v_z(r) = (1/(2μ)) * (dp/dz) * [ (r - R)(r - (R+δ)) ]
其中，μ为浆液粘度，r ∈ [R, R+δ]。
4. 流量计算：对速度分布在间隙截面上积分，得到单位弧度上的流量q：
q = ∫_{R}^{R+δ} v_z(r) dr = - (δ³ / (12μ)) * (dp/dz)
总流量 Q = 2πR * q = - (π R δ³ / (6μ)) * (dp/dz)。
5. 压力分布：假设注浆口压力为p0，沿隧道轴向（z方向，从注浆口向后）压力线性衰减：
p(z) = p0 - (6μ Q / (π R δ³)) * z。

模型给出了注浆压力沿隧道纵向衰减的清晰解析关系。由于实际浆液为非牛顿流体、地层渗透、间隙不均匀，模型预测压力与实测有较大偏差，主要用于定性分析和初步估算。

流体力学、纳维-斯托克斯方程、泊肃叶流动理论。

场景：分析同步注浆浆液在盾尾均匀环形间隙中的流动规律，理解注浆压力沿隧道纵向的消散规律。
特征：简化条件下的解析解，揭示了流量、粘度、间隙厚度、压力梯度之间的定量关系。

变量：v_z(r) (浆液轴向速度分布，m/s)， p(z) (浆液压力沿轴向分布，Pa)， Q(总注浆流量，m³/s)。
参数：μ(浆液动力粘度，Pa·s)， δ(盾尾间隙厚度，m)， R(隧道半径，m)， p0(注浆口压力，Pa)， dp/dz(轴向压力梯度，Pa/m)。

微分方程：从N-S方程简化得到。
积分：对速度分布积分得到流量。
抛物线分布：间隙内速度呈抛物线分布。
线性分布：压力沿轴向线性衰减。
解析解：在简化条件下得到封闭形式的解。

流体力学、输运现象术语。

1. 设计阶段：给定目标注浆压力p0（通常略高于水土压力），估计浆液粘度μ，根据盾尾间隙设计值δ，利用公式Q = (π R δ³/(6μ)) * (p0/L)估算所需注浆流量Q，其中L为注浆点至盾尾末端的距离。
2. 施工阶段：根据实际注浆流量Q和实测注浆口压力p0，反推实际有效间隙δ_eff或浆液有效粘度μ_eff，用于施工质量控制。
方程式：Q = - (π R δ³ / (6μ)) * (dp/dz)； p(z) = p0 + (dp/dz)*z。

流动模型：浆液在环形狭缝中的压力驱动流。流动是轴向的，速度在径向呈抛物线分布。流动由轴向压力梯度驱动，遵循简化的N-S方程：μ (∂²v_z/∂r² + (1/r)∂v_z/∂r) = dp/dz。

粘性流体力学、层流理论、环形管道流动。

工业基础：盾尾密封系统、同步注浆系统、浆液粘度测试仪。
信息化基础：注浆施工记录。
数字化基础：简单的流体计算程序。

Dun-0035​

决策模型

设备选型

基于多准则决策（MCDM）的AHP-TOPSIS法

盾构机/TBM选型多属性综合评价与决策模型

1. 评价指标体系建立：从技术性、经济性、可靠性、环境适应性等方面构建多层次指标。例如：
- 技术性：推力扭矩储备、刀盘转速范围、纠偏能力等。
- 经济性：设备价格、运行能耗、维护成本等。
- 可靠性：故障率、关键部件寿命等。
- 适应性：地质适应性范围、转弯半径等。
2. 权重确定（AHP）：采用层次分析法，由专家对同层指标两两比较，构建判断矩阵，计算各指标权重w_j。
3. 构造决策矩阵：对m个备选盾构机型（方案），针对n个定量/定性指标进行评分，形成决策矩阵X = [x{ij}]{m×n}。定性指标需量化（如1-5分）。
4. TOPSIS排序：
a. 归一化：对决策矩阵进行向量归一化：r{ij} = x{ij} / √(Σ_i x{ij}²)。
b. 加权：构成加权规范化矩阵V：v{ij} = w_j * r{ij}。
c. 确定理想解：正理想解A+ = (max v{1j}, max v{2j}, ...)，负理想解A- = (min v{1j}, min v_{2j}, ...)。
d. 计算距离：各方案到正负理想解的距离D_i+和D_i-。
e. 计算贴近度：C_i = D_i- / (D_i+ + D_i-)。
5. 决策：按C_i从大到小排序，C_i最大者为最优方案。

模型将主观判断（AHP权重）与客观数据（方案指标）结合，提供系统化的选型决策支持。结果依赖于指标体系的完整性和专家打分的一致性。

多准则决策分析、层次分析法、逼近理想解排序法。

场景：针对特定隧道工程，从多个盾构机制造商的不同型号中，选择最合适的设备。
特征：综合考虑多种定性和定量因素，将复杂的选型问题结构化、定量化，辅助群体决策。

变量：x{ij}(方案i在指标j下的评价值)， w_j(指标j的权重)， r{ij}(规范化值)， v_{ij}(加权规范化值)， C_i(贴近度)。
参数：AHP判断矩阵， 理想解A+和A-。

矩阵运算：涉及决策矩阵的构造、归一化、加权。
距离计算：计算欧几里得距离。
多属性：同时评估多个属性。
排序：对方案进行全序排列。
主观与客观结合：AHP处理主观权重，TOPSIS处理客观数据。

决策科学、管理科学术语。

1. 建立指标体系与权重：组织专家讨论确定评价指标层次结构，并通过AHP获得各指标权重w_j。
2. 收集方案数据：针对各备选盾构机型，收集或评估其在每个底层指标上的值x{ij}（定量值或打分）。
3. TOPSIS计算：
a. 构建决策矩阵X，并归一化得到R。
b. 计算加权矩阵V。
c. 确定正负理想解A+, A-。
d. 计算每个方案到A+和A-的距离D_i+, D_i-。
e. 计算贴近度C_i。
4. 结果分析：输出各方案的C_i值及排名。可进行敏感性分析，检验权重变化对排名稳定性的影响。
方程式：贴近度 C_i = D_i- / (D_i+ + D_i-)， 其中 D_i+ = √[ Σ_j (v{ij} - v_j^+)² ]。

不适用（本模型为评价与决策流）。

层次分析法（AHP）、逼近理想解排序法（TOPSIS）、多属性效用理论。

工业基础：盾构机厂家技术资料、工程地质资料、造价与运维成本数据。
信息化基础：专家打分系统、设备选型数据库。
数字化基础：MCDM计算软件或脚本。

Dun-0036​

力学模型

管片接头

基于梁-弹簧模型的数值简化

盾构管片衬砌梁-弹簧模型力学分析

1. 模型简化：将管片主梁简化为一维弹性直梁（或曲梁）单元，将管片之间的环向接头、环与环之间的纵向接头简化为弹簧单元。主梁承受弯矩、轴力、剪力，弹簧模拟接头的转动、压缩、剪切刚度。
2. 单元刚度矩阵：
- 梁单元：基于欧拉-伯努利梁理论，形成局部坐标系下的刚度矩阵[K_b] (6×6)。
- 弹簧单元：根据接头试验数据，确定其转动刚度k_θ、轴向刚度k_n、剪切刚度k_s。弹簧刚度矩阵是对角阵。
3. 总体平衡方程：组装所有梁单元和弹簧单元，形成总体刚度矩阵[K]。施加荷载（土压力、水压力、自重等）形成节点荷载向量{F}。求解线性方程组：
[K] {U} = {F}
得到所有节点的位移{U}（包括线位移和转角）。
4. 内力计算：由节点位移{U}，通过单元刚度方程计算每个梁单元端部的内力（弯矩、轴力、剪力）。

计算效率远高于三维实体有限元模型，能在几分钟内完成分析。对于常规设计，其内力计算结果与三维精细模型误差在±10-15%以内，满足工程精度要求。

结构力学、矩阵位移法、有限元法、弹簧模型。

场景：盾构管片衬砌结构的快速内力计算与设计，特别适用于方案比选和参数敏感性分析。
特征：用一维梁和零维弹簧模拟复杂的二维壳体结构，极大地简化了计算，同时抓住了管片受力和接头变形的关键特征。

变量：{U}(节点位移向量)， {F}(节点荷载向量)， M, N, Q(梁单元内力)。
参数：梁单元弹性模量E， 截面面积A， 惯性矩I； 接头弹簧刚度k_θ, k_n, k_s； 荷载大小与分布。

线性代数：求解大型线性方程组[K]{U}={F}。
矩阵组装：由单元刚度矩阵组装总刚。
梁理论：基于欧拉-伯努利梁理论。
离散化：将连续结构离散为有限个单元。
弹簧模型：用离散弹簧模拟局部非线性行为。

结构力学、有限元法术语。

1. 前处理：根据管片分块方式和拼装图，建立梁-弹簧网络模型。每个管片用一个或几个直梁单元模拟，接头处用弹簧单元连接。
2. 赋值：为梁单元赋值材料属性(E, A, I)，为弹簧单元赋值刚度(k_θ, k_n, k_s)。
3. 加载：将水土压力等外荷载转换为等效节点荷载，施加到对应节点上。
4. 求解：组装总刚[K]和总载{F}，调用线性方程组求解器，计算节点位移{U}。
5. 后处理：由{U}计算每个梁单元的内力，绘制弯矩图、轴力图。
方程式：梁单元在局部坐标系下的刚度矩阵为：
[K_b] = [EA/L, 0, 0, -EA/L, 0, 0; 0, 12EI/L³, 6EI/L², 0, -12EI/L³, 6EI/L²; ...] （对称）。

不适用（本模型为结构力学分析）。

矩阵结构分析、有限元法、梁理论、接头力学试验。

工业基础：管片设计图纸、管片接头力学性能试验报告。
信息化基础：结构分析软件（可自编程或使用通用FEA软件的前后处理）。
数字化基础：梁-弹簧模型参数化自动生成脚本、内力计算核心程序。

Dun-0037​

监测模型

数据分析

基于时间序列分解与变点检测

盾构施工长期监测数据（沉降、收敛）的自动预警模型

1. 数据预处理：对长期的监测数据序列（如地表沉降S(t)）进行清洗，处理缺失值。
2. 时间序列分解：使用STL（Seasonal-Trend decomposition using Loess）或类似方法，将序列分解为趋势项T_t、季节项S_t（如有，如昼夜温度影响）、残差项R_t：
Y_t = T_t + S_t + R_t
3. 趋势项分析：对趋势项T_t进行变点检测，识别其发生显著变化的时刻（变点）。常用方法如PELT（Pruned Exact Linear Time）算法，最小化以下成本函数：
Σ{i=1}^{m+1} [ C(y{(τ_{i-1}+1):τ_i}) ] + β f(m)
其中，C是段内成本（如负对数似然），τ_i是变点位置，β是惩罚项防止过拟合。
4. 残差项分析：计算残差项R_t的统计特性（均值、标准差）。使用控制图（如Shewhart X-bar图）设置控制限（如±3σ）。连续几点超出控制限或呈现非随机模式则报警。
5. 综合预警：当趋势项T_t检测到向上的变点（沉降加速），或残差项R_t连续异常，则触发预警。

能自动识别沉降加速的起始时刻，比单纯阈值报警更早、更灵敏。误报率依赖于惩罚参数β和控制限的选择，需根据历史数据调整。

时间序列分析、变点检测理论、统计过程控制。

场景：对隧道施工期和运营期长期、自动化的监测数据（地表沉降、隧道收敛）进行智能分析，及时发现异常变化趋势。
特征：分离趋势和噪声，聚焦于趋势的突变点和残差的异常模式，实现基于数据驱动的智能预警。

变量：Y_t(原始监测序列)， T_t(趋势项)， S_t(季节项)， R_t(残差项)， τ_i(变点位置)。
参数：STL分解的周期参数、平滑参数；PELT算法的成本函数C和惩罚系数β；控制图控制限系数k（如3）。

时间序列：处理带时间戳的数据序列。
分解：将序列分解为不同成分。
优化：变点检测是优化分割问题。
统计过程控制：使用控制图监测随机波动。
自动预警：基于统计规则自动触发。

时间序列分析、统计质量控制术语。

1. 数据输入：系统每天自动导入最新的监测数据，追加到历史序列末尾。
2. 在线分解：对加长的序列进行滚动STL分解，得到最新的趋势项T_t和残差项R_t估计值。
3. 变点检测：对最近一段时间（如过去30天）的趋势项序列，运行PELT算法，检查是否有新的变点出现。
4. 控制图检查：计算近期残差项R_t的均值和标准差，检查最新一点或连续几点是否超出控制限（如±3σ）。
5. 预警逻辑：IF (发现新变点且趋势向上) OR (残差连续3点超±3σ) THEN 触发预警，发送报警信息。
6. 模型更新：每季度或每年，用更长的历史数据重新校准分解和变点检测参数。
方程式：PELT 最小化 Σ C(段) + β m。

不适用（本模型处理数据流，监测值的时间序列）。

时间序列分解（STL）、变点检测算法（PELT/BinSeg）、统计过程控制（SPC）。

工业基础：自动化监测系统（静力水准仪、收敛计、全站仪）。
信息化基础：监测数据管理平台、时序数据库。
数字化基础：时间序列分析算法库（如Python的statsmodels， ruptures）。

Dun-0038​

评估模型

再制造性

基于模糊层次分析与生命周期成本

盾构机再制造性与经济性综合评估模型

1. 再制造性评价指标体系：从技术、经济、环境、资源四个维度构建。技术性包括核心部件剩余寿命、技术升级可行性等；经济性包括再造成本、预期新机价值比例等；环境性包括材料可再利用率、节能性等；资源性包括关键件备件可获得性等。
2. 模糊综合评价：对待评估的旧盾构，由专家对各项指标进行模糊评分（如“很好、好、一般、差、很差”）。采用模糊综合评价法（如Dun-0019）计算综合再制造性指数R。
3. 生命周期成本分析：比较再制造方案与购置新机方案的总成本。
- 再制造总成本LCC_r = C_acquisition + C_remanufacture + C_operation_r + C_disposal_r - S_residual_r
- 新购总成本LCC_n = C_new + C_operation_n + C_disposal_n - S_residual_n
其中，C_acquisition是旧机收购成本，C_remanufacture是再制造成本，C_operation是运营成本（考虑能效差异），C_disposal是报废处理成本，S_residual是残值。
4. 综合决策：设定再制造性阈值R_min和经济性阈值（如LCC_r / LCC_n < 0.7）。同时满足技术可行（R > R_min）且经济合理（LCC_r显著低于LCC_n）的盾构，适合进行再制造。

评估结果依赖于专家对旧机状态的评估和未来市场、成本的预测，具有一定不确定性。但能为盾构机资产处置（再制造、大修、报废）提供系统化的决策框架。

再制造工程、全生命周期成本分析、模糊综合评价、可持续发展理论。

场景：盾构机制造商或大型施工企业评估一台旧盾构是否值得进行再制造（翻新升级），而非直接报废或进行传统大修。
特征：综合考虑技术可行性、经济效益、环境效益，支持绿色制造和循环经济决策。

变量：R(综合再制造性指数)， LCC_r(再制造方案生命周期成本)， LCC_n(新购方案生命周期成本)。
参数：各层指标权重， 模糊评价矩阵， 成本估算参数（人工、物料、能耗价格， 折现率）。

模糊评价：处理再制造性中的模糊信息。
成本分析：现金流折现计算生命周期成本。
多准则决策：结合技术指数和成本比进行决策。
比较分析：对比不同方案的总成本。

再制造工程、生命周期评估、技术经济分析术语。

1. 旧机状态检测：对待评估盾构机进行详细检测，记录各核心部件（主轴承、变速箱、液压泵等）的磨损、老化状态。
2. 再制造性模糊评价：组织技术专家，根据检测报告，对再制造性指标体系中的各项指标进行模糊打分，计算得到综合指数R。
3. 成本估算：
a. 估算再制造方案的直接成本（拆解、清洗、修复/更换、装配、测试）和旧机收购成本。
b. 估算新购方案的设备价格。
c. 预测两种方案在未来一个项目周期（如10km）内的运营能耗、维护成本差异。
d. 选择适当的折现率，计算两个方案的净现值LCC_r和LCC_n。
4. 综合判断：如果R > R_min 且 LCC_r < α * LCC_n (α为经济系数，如0.8)，则判定为“适合再制造”，否则为“不适合”。
方程式：LCC = Σ_{t=0}^{N} [C_t / (1+d)^t]， 其中d为折现率，C_t为第t年发生的成本。

不适用（本模型为技术-经济评估流）。

模糊数学、全生命周期成本（LCC）分析、再制造性设计。

工业基础：盾构机再制造工厂、设备检测与评估技术、备件供应链。
信息化基础：设备全生命周期管理（PLM）系统、成本估算模型。
数字化基础：再制造性评估软件、LCC计算模板。

Dun-0039​

混合模型

智能控制

基于深度强化学习（DRL）的参数自整定

盾构掘进过程关键参数深度确定性策略梯度（DDPG）自整定模型

1. 问题定义：将盾构掘进视为一个连续状态、连续动作的序贯决策问题。
2. 状态空间：s_t = [F_t, T_t, v_t, P_c_t, ω_t, e_t, σ_c, ...]，包含实时掘进参数、姿态误差、地质信息等。
3. 动作空间：a_t = [Δv_set, Δω_set, ΔP_set, ...]，即控制器设定值的调整量（推进速度、刀盘转速、土仓压力等）。
4. 奖励函数设计：精心设计奖励函数r_t，引导智能体学习优化目标。例如：
r_t = w1 * (v_t - v_low) (鼓励快速掘进) - w2 * (F_t - F_nom)² (惩罚推力波动) - w3 * e_t² (惩罚姿态偏差) - w4 * (P_c_t - P_set)² (惩罚压力偏差) + w5 * R_s (安全奖励，如无报警)。
5. 算法框架：采用DDPG算法，这是一种Actor-Critic架构的无模型深度强化学习算法。
- **Actor网络μ(s

θ^μ)：根据状态s输出确定性动作a。
-Critic网络Q(s,a

θ^Q)**：评估状态-动作对的价值。
- 目标网络：使用软更新稳定训练。
- 经验回放：存储转移(s_t, a_t, r_t, s_{t+1})，随机采样打破相关性。

通过大量仿真或历史数据训练后，DRL控制器能学习到复杂非线性控制策略，适应多变地质，综合性能可能超越传统PID和模糊控制。训练过程复杂，需要大量交互数据。

强化学习、深度学习、最优控制、马尔可夫决策过程。

场景：实现盾构掘进过程多参数（推进速度、刀盘转速、土压/泥水压力）的智能协同自适应控制，在保证安全质量下追求高效率、低能耗。
特征：端到端学习，无需精确的被控对象模型，能从与环境的交互中通过试错学习最优控制策略。

变量：s_t(状态向量)， a_t(动作向量)， r_t(奖励值)。
参数：Actor网络参数θ^μ， Critic网络参数θ^Q， 奖励函数权重w_i， 学习率， 折扣因子γ， 软更新参数τ， 经验回放缓冲区大小。

强化学习：基于马尔可夫决策过程（MDP）。
深度学习：使用深度神经网络作为函数逼近器。
优化：通过策略梯度法优化Actor，通过时间差分误差优化Critic。
连续控制：输出连续的动作值。
离线/在线学习：可先离线仿真训练，再在线微调。

人工智能、强化学习、控制理论术语。

1. 仿真环境构建：建立一个盾构掘进的仿真环境（替代真实盾构），能根据动作a_t和当前状态s_t，计算下一状态s{t+1}和奖励r_t。
2. 训练阶段：
a. 初始化Actor、Critic网络及各自的目标网络。
b. 对于每个训练回合，初始化状态s_0。
c. Actor根据当前策略μ（加入探索噪声）选择动作a_t。
d. 在仿真环境中执行a_t，得到r_t和s{t+1}，存储到经验池。
e. 从经验池中采样一批数据，更新Critic网络（最小化时间差分误差），更新Actor网络（使用策略梯度）。
f. 软更新目标网络参数。
g. 重复c-f，直至策略收敛。
3. 部署阶段：将训练好的Actor网络参数部署到盾构控制器中，根据实时状态s_t输出控制动作a_t（此时不加探索噪声）。
方程式：Critic更新：L = E[(y - Q(s,a

θ^Q))²]， y = r + γ Q'(s', μ'(s'

Dun-0040​

框架模型

数字孪生

基于MBSE与数据融合的架构模型

盾构机数字孪生五维模型架构与运行逻辑

1. 五维模型定义：参考陶飞教授团队提出的理论，数字孪生（DT）包含物理实体（PE）、虚拟模型（VM）、孪生数据（DD）、连接（CN）与服务（SS）五个维度。
2. 模型映射：
- PE：真实盾构机及其施工环境。
- VM：包含几何模型、物理模型（Dun-0001~0039等）、行为模型、规则模型的多层次、多尺度虚拟映射。
- DD：贯穿全生命周期的数据，包括设计数据、制造数据、服役数据、运维数据。数据驱动VM演化。
- CN：实现PE与VM交互的通信与接口，如IoT、5G、OPC UA协议。
- SS：基于DT提供的功能，如状态监测、健康预测、决策支持、流程优化。
3. 运行逻辑：数据从PE通过CN实时同步到VM，VM在DD驱动下动态演化，通过仿真、分析、预测，将结果和建议通过CN反馈给PE或提供给用户（SS），实现闭环优化。

数字孪生是一个框架，其“精度”体现在虚拟模型对物理实体的保真度，以及数据同步的实时性和完整性上。是实现智能盾构的基础平台。

数字孪生理论、模型驱动工程、信息物理系统（CPS）、数据融合。

场景：构建覆盖盾构机设计、制造、施工、运维全生命周期的数字化镜像，实现虚实交互、智能决策。
特征：是多模型、多数据、多服务的集成框架，强调物理与虚拟空间的实时交互与闭环优化。

构成要素：PE, VM, DD, CN, SS。
关键参数：数据更新频率， 模型仿真速度， 服务响应时间。

系统架构：定义五个维度及其关系。
数据融合：集成多源异构数据。
模型集成：将不同领域模型集成在统一平台。
实时交互：要求物理与虚拟空间低延迟交互。
服务化：以服务形式提供功能。

数字化、系统工程、信息物理系统术语。

1. 数据流：物理盾构的传感器数据、控制指令、视频流等，通过工业网络/5G实时上传至数字孪生平台。
2. 虚拟同步：平台接收数据后，驱动虚拟盾构模型（三维可视化、物理仿真模型）同步状态（位置、姿态、参数）。
3. 仿真预测：基于当前状态和计划，调用预置的算法模型（如Dun-0001推力预测，Dun-0022 RUL预测）进行仿真、预测、分析。
4. 服务提供：将分析结果（如预警信息、优化参数建议、维修计划）通过HMI、移动端推送给工程师，或直接生成控制指令。
5. 指令执行：工程师确认或系统自动将优化指令下发至物理盾构执行，完成闭环。
6. 模型更新：根据物理实体的变化（如刀具磨损、部件更换），更新虚拟模型的参数，保持一致性。

流向方法：数字孪生框架内流动着数据流（从物理到虚拟，和从虚拟到物理/用户）、模型演化流（数据驱动虚拟模型状态更新）、服务流（虚拟空间产生的信息以服务形式流向用户）。这是一个复杂的信息循环流动系统。

数字孪生、信息物理系统、模型驱动工程、数据驱动科学。

工业基础：高度数字化的盾构机（丰富传感器、可远程控制）、高速可靠的工业网络。
信息化基础：物联网（IoT）平台、云边协同计算架构、统一数据中台。
数字化基础：三维建模与渲染引擎、多物理场仿真软件集成、大数据与AI分析平台。

Dun-0041​

监测模型

结构健康

基于光纤光栅传感与应变反演

盾构管片结构健康光纤光栅应变监测与内力反演模型

1. 传感原理：光纤光栅中心波长漂移Δλ_B与应变ε和温度ΔT线性相关：Δλ_B/λ_B = k_ε * ε + k_T * ΔT。通过温补光栅分离温度影响，得到纯应变ε。
2. 测点布置：在管片内弧面关键位置（拱顶、拱腰、拱底、接缝附近）预埋或表面粘贴FBG传感器，构成传感网络。
3. 内力反演：基于材料力学和有限元思想，将管片离散为梁单元。测得关键点应变后，假设应变沿截面高度线性分布（平截面假定），可由应变计算截面曲率κ。对于梁单元，弯矩M与曲率κ关系为：M = E * I * κ， 其中E为弹性模量，I为截面惯性矩。轴力N由截面平均应变ε_avg计算：N = E * A * ε_avg。
4. 分布拟合：利用多个测点的应变/内力，通过插值或拟合得到整环内力（弯矩M(θ)、轴力N(θ)）的分布。

光纤传感器测量应变精度可达±1με， 长期稳定性好。内力反演精度受传感器数量、位置及平截面假定影响，弯矩反演误差约±10%，轴力误差约±5%。

光纤传感技术、材料力学、平截面假定、结构反分析。

场景：盾构隧道运营期管片结构长期健康监测，实时获取管片内力分布，评估结构安全状态。
特征：分布式、长期、实时监测，将应变物理量转化为工程内力，直接服务于结构安全评估。

变量：Δλ_B (波长漂移)， ε (应变)， κ (截面曲率)， M (弯矩)， N (轴力)。
参数：FBG波长λ_B， 应变灵敏度系数k_ε， 温度灵敏度系数k_T， 管片材料E， 几何参数A, I， 传感器位置坐标。

线性关系：波长漂移与应变、温度呈线性。
几何关系：平截面假定建立应变-曲率关系。
力学关系：弯矩-曲率为线性（弹性）。
反演：由测量输出（应变）推算输入原因（内力）。

传感技术、结构健康监测、反分析术语。

1. 数据采集：解调仪以固定频率（如1Hz）采集所有FBG传感器的中心波长。
2. 温漂补偿：读取温补FBG的波长变化，计算温度变化ΔT，并从测量应变FBG的波长变化中扣除温度影响，得到真实应变ε_i。
3. 截面内力计算：对每个有应变传感器的截面，根据上下缘应变值ε_top, ε_bottom计算曲率κ = (ε_bottom - ε_top) / h， 平均应变ε_avg = (ε_top + ε_bottom)/2。进而计算M = EIκ， N = EAε_avg。
4. 环向分布拟合：将各截面的M, N值按环向角度θ_i排列，采用傅里叶级数拟合：M(θ) = a_0 + Σ[a_n cos(nθ) + b_n sin(nθ)]， 得到内力连续分布函数。
5. 安全评估：将M(θ), N(θ)与管片承载力包络图比较，评估安全裕度。
方程式：M = EI(ε_b - ε_t)/h; N = EA(ε_b+ε_t)/2。

不适用（本模型处理应变信号与内力信息流）。

光纤Bragg光栅原理、材料力学、梁理论、傅里叶级数。

工业基础：预埋/粘贴FBG传感器的管片、光纤解调仪、传输光缆。
信息化基础：结构健康监测云平台、数据存储与处理系统。
数字化基础：FBG波长-应变解算算法、内力可视化软件。

Dun-0042​

决策模型

渣土处理

基于多属性决策与生命周期评价

盾构渣土资源化利用路径多准则决策模型

1. 可选路径：定义渣土处理潜在路径，如：制砖、路基填料、注浆材料、生态回填、简单弃置。
2. 评价准则：建立经济、技术、环境、社会四维评价体系。经济性：处理成本C、产品收益B；技术性：工艺成熟度T_m、渣土适应性T_a；环境性：碳减排量E_c、土地占用E_l；社会性：政策符合度S_p、公众接受度S_a。
3. 量化与标准化：对各路径的定性准则（如成熟度）进行量化评分（1-5分），定量准则（如成本）统一量纲并标准化（如成本型指标取倒数或最小-最大归一化）。
4. 权重确定：采用序关系分析法（G1法）或熵权法确定各准则权重w_j。G1法由专家对准则重要性排序并给出相邻准则重要性比值r_k， 计算权重。
5. 综合评价：采用加权和模型计算各路径综合得分U_i = Σ w_j * v{ij}， 其中v{ij}为标准化后的准则值。得分最高者为推荐路径。

模型提供系统化比选框架，决策结果依赖准则权重和量化评分的准确性。可用于项目前期策划，支持绿色施工决策。

多准则决策分析、生命周期思维、系统工程、可持续发展理论。

场景：针对特定盾构工程产生的渣土，评估其多种资源化利用方案的可行性，选择最优路径。
特征：综合考虑技术经济环境社会因素，将可持续理念融入施工副产品管理决策。

变量：U_i (路径i的综合效用值)， v_{ij} (路径i在准则j下的标准化值)。
参数：各路径在各准则下的原始评价值， 准则权重w_j， G1法中的重要性比值r_k。

多属性决策：在多个准则下比较有限个方案。
标准化​

资源管理、环境工程、决策科学术语。

1. 信息收集：调研各资源化路径的技术参数、成本估算、环境效益数据、政策要求等。
2. 准则量化：组织专家对定性准则打分，对定量准则计算原始值，并进行标准化处理，得到决策矩阵V = [v{ij}]。
3. 权重计算：采用G1法，专家对准则按重要性排序，给出r_k，计算权重w_j = (1+Σ{k=j}^{m} Π{i=j}^{k} r_i)^{-1}。
4. 综合排序：计算U_i = Σ w_j * v{ij}， 按U_i降序排列，得到路径优劣排序。
5. 敏感性分析：变化权重w_j，检验排序稳定性，输出推荐路径及关键影响因素。
方程式：G1法权重计算 w{m} = (1+Σ{k=1}^{m-1} Π{i=1}^{k} r_i)^{-1}; w{k-1} = r_{k-1} * w_k。

不适用（本模型为决策流，但决策对象是物质“渣土”的流向和转化路径）。

多属性效用理论、序关系分析法、生命周期评价、循环经济。

工业基础：渣土成分分析报告、资源化处理厂技术资料、市场信息。
信息化基础：决策支持系统、专家打分工具。
数字化基础​

Dun-0043​

验收模型

设备制造

基于数字孪生与虚拟调试

盾构机数字孪生驱动虚拟工厂验收测试模型

1. 高保真虚拟样机：整合盾构机所有子系统的详细三维CAD模型、多体动力学模型、液压系统模型、电气控制模型，构建高精度数字孪生体。
2. 虚拟测试场景：在虚拟环境中模拟工厂验收测试（FAT）的全流程，包括空载运行、负载测试、安全联锁测试、各子系统功能测试等。
3. 硬件在环：将真实的PLC控制器、HMI与虚拟样机连接，形成硬件在环（HIL）测试环境。PLC输出控制信号驱动虚拟样机，虚拟样机的传感器反馈信号回传给PLC。
4. 测试自动化与评估：编写自动化测试脚本，执行预设的测试用例。自动记录虚拟样机的响应（速度、压力、位置等），并与设计规格、验收标准比对，生成测试报告，标识不合格项。

虚拟FAT能在物理样机装配前发现大部分设计缺陷和接口问题，减少现场整改成本和时间。测试覆盖度远高于传统FAT，但依赖于模型的精度。

数字孪生、虚拟调试、硬件在环仿真、模型验证与确认。

场景：盾构机制造商在设备出厂前，利用数字孪生进行全面的虚拟工厂验收，提前发现和解决问题，缩短交付周期，降低风险。
特征：虚实结合，将部分实物测试转移至虚拟空间，实现更早、更全、更安全的验证。

变量：虚拟样机状态（位置、速度、压力等）， 控制信号， 传感器反馈信号， 测试结果（通过/失败）。
参数：各子系统仿真模型参数， 验收标准阈值， 测试用例脚本。

多领域建模​

数字化设计、虚拟调试、测试工程术语。

1. 模型构建与集成：在仿真平台中集成机械、液压、电气、控制模型，形成可运行的虚拟盾构机。
2. HIL连接：将虚拟盾构机的I/O接口与真实PLC的I/O板卡通过实时仿真机连接。
3. 测试执行：
a. 启动自动化测试脚本。
b. 脚本向PLC发送“启动”指令，模拟操作员在HMI上的操作。
c. PLC执行控制逻辑，输出信号驱动虚拟盾构机。
d. 虚拟盾构机运行，仿真软件计算其动态响应，并将虚拟传感器信号反馈给PLC。
e. 测试脚本实时监测关键变量，与预期值比较。
4. 报告生成：测试完成后，自动生成详细测试报告，列出所有测试项结果、超差数据、问题点及建议。
5. 设计迭代​

不适用（本模型是信息流在虚实之间的闭环测试）。

数字孪生、模型集成、实时仿真、硬件在环技术。

工业基础：盾构机详细设计资料、PLC控制器、HMI、实时仿真机。
信息化基础：多学科系统仿真软件（如AMESim, SimulationX, Matlab/Simulink）、虚拟调试平台。
数字化基础​

Dun-0044​

预警模型

长期沉降

基于时间序列预测与机器学习

盾构隧道运营期纵向不均匀沉降智能预警模型

1. 数据基础：长期自动化监测获取隧道轴线高程的时序数据H(t)。计算相邻监测点间的差异沉降ΔS_ij(t) = H_i(t) - H_j(t)。
2. 特征提取：从差异沉降序列中提取趋势特征（如滑动平均、线性趋势斜率）、波动特征（标准差、极差）、以及可能与沉降相关的外部因素特征（如地下水位变化、附近施工活动、交通荷载）。
3. 预警指标构建：定义“不均匀沉降发展速率”V(t) = d(ΔS)/dt， 和“曲率变化率”K'(t) = d(ΔS / L)/dt， 其中L为测点间距。这些指标能敏感反映结构变形加剧。
4. 机器学习预测：使用LSTM或Transformer等序列模型，以历史差异沉降序列和外部特征为输入，预测未来一段时间（如30天）的差异沉降值ΔS_pred(t+Δt)。
5. 预警逻辑：若预测的ΔS_pred超过允许值[ΔS]，或预测的V(t)超过阈值[V]，则触发预警。预警级别可根据超限幅度和预测置信度划分。

模型可提前数天至数周预警不均匀沉降风险。预测精度依赖于监测数据质量和长度，以及外部特征的准确性。

时间序列分析、机器学习、结构健康监测、预测理论。

场景：地铁、公路盾构隧道运营期，对可能引发轨道不平顺、管片开裂的纵向不均匀沉降进行早期预警。
特征：基于长期监测数据学习沉降演化模式，结合外部因素，实现智能、前瞻性预警。

变量：H_i(t) (监测点高程)， ΔS_ij(t) (差异沉降)， V(t) (发展速率)， ΔS_pred (预测差异沉降)。
参数：LSTM网络参数（单元数、层数）， 时间窗口长度， 预测步长， 预警阈值[ΔS], [V]。

时间序列​

结构监测、预测性维护、机器学习术语。

1. 数据预处理：对原始高程数据H(t)进行粗差剔除、缺失值插补，计算各段的ΔS(t)。
2. 特征工程：滑动窗口截取历史ΔS序列，并拼接同期的外部特征（如水位、降雨），构成样本。
3. 模型训练​

不适用（本模型处理监测数据流并进行预测）。

长短期记忆网络、时间序列预测、结构损伤识别。

工业基础：运营隧道自动化监测系统（静力水准仪、测量机器人）、外部环境数据库。
信息化基础：监测数据管理平台、机器学习训练平台。
数字化基础​

Dun-0045​

核算模型

碳排放

基于实时数据与排放因子法

盾构隧道施工全过程碳排放实时核算与预测模型

1. 碳源识别：识别施工全过程直接排放（柴油燃烧、甲烷逸散）、间接排放（外购电力、热力）、以及隐含碳（建筑材料生产、运输）。
2. 活动水平数据：实时采集或从系统获取：柴油消耗量D(t)、耗电量E(t)、主要材料（钢材、水泥、管片）消耗量M_i(t)、运输距离等。
3. 排放因子：采用国家或行业发布的排放因子EF。例如，电网电力EF_e (kgCO2e/kWh)， 柴油EF_d (kgCO2e/kg)。
4. 实时核算：碳排放强度C(t) = Σ (活动水平数据_i(t) * EF_i)。可计算瞬时强度、日强度、环强度及累计排放量。
5. 预测与减排分析：基于施工进度计划，预测未来碳排放趋势。分析各碳源贡献率，识别减排重点，并可模拟不同节能措施（如使用电动设备、优化配合比）的减排效果。

核算精度主要取决于活动水平数据的准确性和排放因子的适用性。可实现施工碳排放的透明化、精细化管控。

碳排放核算方法论、生命周期评价、环境科学。

场景：盾构隧道施工阶段的碳足迹实时计量、报告与核查，支持绿色施工考核、碳交易和减排决策。
特征：基于物联网数据实时核算，动态可视化，支持“碳流”追踪与管理。

变量：C(t) (实时碳排放速率，kgCO2e/h)， C_cum (累计排放量)， EF_i (排放因子)。
参数：各类能源、材料的排放因子值， 施工机械的能耗特性参数。

线性计算：碳排放是活动数据与排放因子的线性组合。
实时累加​

碳核算、环境管理、物联网术语。

1. 数据接入：实时接入电表、油表、物料管理系统的消耗数据，或通过设备运行参数（功率、时间）估算。
2. 实时计算：以固定周期（如1小时）计算：C_hour = E_hourEF_e + D_hourEF_d + Σ M_i_hourEF_mi。
3. 累计与可视化：累计日、周、月、项目总排放，以图表形式实时展示。
4. 预警：设置碳排放强度阈值，超标时预警。
5. 报告生成：定期自动生成碳排放报告。
方程式*：C = Σ_i (AD_i * EF_i)。

不适用（本模型核算“碳”这种虚拟物质的流动和积累）。

IPCC碳排放核算指南、产品碳足迹标准、实时数据处理。

工业基础：智能电表、油量传感器、物料管理系统、施工机械。
信息化基础：物联网平台、能源管理系统、碳管理软件。
数字化基础​

Dun-0046​

学习模型

数据协同

基于联邦学习与隐私计算

多项目盾构施工数据联邦学习协同挖掘模型

1. 问题定义：多个施工企业或项目拥有本地盾构数据，希望协同训练一个更强大的全局模型（如地层识别、刀具磨损预测），但数据因隐私和竞争不能集中。
2. 联邦学习框架：采用横向联邦学习。设N个参与方。中央服务器协调，各参与方本地持有数据集D_i。
3. 训练过程：
a. 服务器初始化全局模型参数w_0，下发各方。
b. 各方用本地数据D_i训练本地模型，得到参数更新Δw_i。
c. 各方将加密的Δw_i上传至服务器。
d. 服务器安全聚合各方更新：Δw = Σ (n_i/n) * Δw_i， 其中n_i为本地数据量，n为总数据量。
e. 服务器更新全局模型：w = w + η * Δw， 下发新参数。
f. 重复b-e直至收敛。
4. 隐私保护：使用同态加密、差分隐私等技术保护上传的模型更新，防止反推原始数据。

联邦模型性能可逼近集中训练模型，同时保护数据隐私。通信开销和同步效率是关键挑战。

联邦学习、隐私计算、分布式优化、机器学习。

场景：行业协会、大型建筑集团内部，联合多家单位或项目，在数据不出本地的前提下，共同构建高质量的盾构施工AI模型。
特征：“数据不动模型动”，在保护数据主权和隐私的前提下实现数据价值共享。

变量：w (全局模型参数)， Δw_i (第i方本地参数更新)， D_i (第i方本地数据集)。
参数：本地训练轮数E， 本地批量大小B， 学习率η， 聚合算法参数。

分布式优化​

隐私计算、分布式机器学习、协同人工智能术语。

1. 初始化：服务器初始化全局模型，选定参与方。
2. 通信回合：
a. 广播：服务器将当前全局参数w发送给所有参与方。
b. 本地训练：每个参与方用w初始化本地模型，在本地数据集D_i上训练E个epoch，得到Δw_i。
c. 安全上传：各参与方对Δw_i进行加密或加噪，上传给服务器。
d. 安全聚合：服务器聚合所有加密的更新，得到Δw。
e. 模型更新：服务器更新全局参数w = w + ηΔw。
3. 迭代：重复步骤2，直到模型收敛或达到最大通信回合数。
4. 模型下发​

不适用（本模型处理分布式模型参数更新流）。

联邦平均算法、安全多方计算、差分隐私、分布式机器学习。

工业基础：各参与方本地的盾构施工数据与计算资源。
信息化基础：联邦学习开源框架（如FATE, PySyft）、安全通信协议。
数字化基础​

Dun-0047​

诊断模型

刀具状态

基于声发射与深度学习

盾构滚刀磨损状态声发射信号深度特征诊断模型

1. 信号采集：在刀盘或主轴承座上布置声发射传感器，采集刀盘旋转过程中的连续AE信号。滚刀磨损（崩刃、剥落）会产生独特的突发型AE信号。
2. 信号分割与增强：根据刀盘转速和刀具位置，将连续AE信号分割为与每个刀具通过传感器位置相对应的信号段。对信号段进行数据增强（加噪、伸缩）。
3. 深度特征学习：使用一维卷积神经网络（1D-CNN）自动从原始AE信号段中提取特征。CNN结构：多个卷积-池化层堆叠，最后接全连接层。卷积核在时间维度滑动，提取局部时域模式。
4. 状态分类：CNN输出层使用Softmax，将刀具状态分类为“正常”、“轻度磨损”、“重度磨损”、“损坏”。
5. 定位：结合刀盘编码器信号，可确定发生异常AE信号的刀具大致位置。

深度学习能自动学习AE信号中与磨损相关的复杂特征，诊断准确率可达85%-90%，优于传统特征提取方法。

声发射技术、深度学习、信号处理、模式识别。

场景：TBM在硬岩掘进时，在线监测滚刀磨损状态，实现基于状态的换刀，避免过度磨损或突发损坏。
特征：非接触、在线监测，利用深度学习处理非平稳、背景噪声强的AE信号，实现智能诊断。

变量：AE_raw(t) (原始声发射信号)， 信号段S_i， 分类概率P = [p_normal, p_light, ...]。
参数：采样频率， 刀盘转速， 刀具数量与位置， CNN结构参数（卷积核数量、大小、步长）。

一维卷积​

声发射、深度学习、状态监测术语。

1. 同步采集：同步采集AE信号和刀盘编码器脉冲信号。
2. 信号分段：根据编码器信号，将每个刀具旋转周期内的AE信号划分成N段（N为刀具数），每段对应一把刀经过传感器的时间窗。
3. 预处理​

不适用（本模型处理应力波信号流）。

卷积神经网络、声发射源识别、数字信号处理。

工业基础：声发射传感器、刀盘编码器、数据采集系统。
信息化基础：深度学习框架、实时信号处理模块。
数字化基础​

Dun-0048​

分析模型

开挖面稳定

基于流固耦合与强度折减

富水砂层盾构开挖面稳定流固耦合数值分析模型

1. 本构模型：土体采用考虑剪胀性的弹塑性模型（如摩尔-库伦）。地下水渗流服从达西定律。
2. 流固耦合控制方程：采用Biot固结理论或更一般的u-p形式（位移u-孔压p）。平衡方程：∇·σ' - α∇p + ρg = 0。渗流连续方程：∇·[k/γ_w ∇p] = α∂(∇·u)/∂t + (1/Q)∂p/∂t。
3. 开挖面模拟：采用“应力释放”或“收敛约束”法模拟盾构掘进。在开挖面施加泥水压力P_f或土压P_e作为面力边界。
4. 稳定判据：采用强度折减法（SRM）。逐步折减土体的抗剪强度参数（c, φ），直至计算不收敛（失稳）。此时的折减系数F_s即为安全系数。在流固耦合分析中，需同时考虑渗流场对有效应力和土体强度的影响。

模型能模拟地下水渗流对开挖面稳定的削弱作用，预测结果更符合富水地层实际。计算复杂，需精细的土水参数。

流固耦合理论、土塑性力学、强度折减法、有限元法。

场景：泥水盾构或土压平衡盾构在富水砂层、砂卵石层中掘进时，分析开挖面在泥水压力或土压作用下的稳定性，确定合理支护压力。
特征：耦合孔隙水压力与土骨架变形，考虑渗流力，真实反映水对稳定性的影响。

变量：u (位移场)， p (孔隙水压力场)， σ' (有效应力场)， F_s (安全系数)。
参数：土体渗透系数k， 弹性模量E， 粘聚力c， 内摩擦角φ， Biot系数α， 耦合模量Q， 支护压力P_f/P_e。

偏微分方程组​

岩土工程、多物理场耦合、稳定性分析术语。

1. 初始地应力与渗流场平衡：建立模型，施加重力和初始孔隙水压力（静水压力），计算得到平衡的初始应力场和渗流场。
2. 开挖与支护：移除开挖面土体单元，并在开挖面施加支护压力P_f。同时，在盾壳表面设置不排水或低排水边界。
3. 流固耦合计算：在支护压力下，进行流固耦合瞬态分析，计算土体位移和孔压变化。
4. 强度折减：在流固耦合计算收敛的基础上，逐步折减c, φ， 重复步骤3，直至计算发散。记录发散前的折减系数F_s。
5. 结果分析：分析失稳时的塑性区、位移场和孔压场，判断破坏模式。
方程式：Biot方程（见Dun-0029）。

流动模型：孔隙水在土体中的渗流与土骨架变形耦合。开挖面支护压力P_f与外部水土压力共同决定了水头边界，驱动地下水渗流，影响有效应力和土体强度。

Biot固结理论、达西定律、强度折减法、弹塑性土力学。

工业基础：详细的地质与水文地质勘察报告、土工试验数据。
信息化基础：高级岩土有限元软件（如PLAXIS, ABAQUS）。
数字化基础​

Dun-0049​

知识模型

故障维修

基于知识图谱与自然语言处理

盾构机故障维修知识图谱构建与智能问答模型

1. 知识抽取：从维修手册、故障案例、专家经验等非结构化文本中，利用自然语言处理技术抽取实体（设备、部件、故障、现象、原因、措施、工具）和关系（has_fault, caused_by, repaired_by, needs_tool）。
2. 知识图谱构建：以“实体-关系-实体”三元组形式存储知识，构建语义网络。例如：（主轴承， has_fault， 异常振动），（异常振动， caused_by， 润滑不良）。
3. 智能问答：用户以自然语言提问，如“主轴承振动大可能是什么原因？”。系统进行：
a. 意图识别与实体链接：识别问题中的实体“主轴承”和意图“查询原因”。
b. 图谱查询：在图谱中查询与“主轴承”相连的“has_fault”关系，找到故障节点，再查询故障节点的“caused_by”关系，返回原因实体列表。
c. 答案生成：将查询结果组织成自然语言回答。
4. 图谱更新：新的维修案例经处理后可自动或半自动更新知识图谱。

问答准确率取决于知识图谱的完整性和NLP理解的准确性。能快速提供精准维修指导，降低对专家经验的依赖。

知识图谱、自然语言处理、信息检索、语义网络。

场景：现场维修工程师快速查询故障原因、维修步骤、所需备件和工具，提高维修效率和准确性。
特征：将分散的、非结构化的维修知识结构化、语义化，支持语义搜索和智能问答。

变量：问题Q， 答案A， 三元组 (头实体, 关系, 尾实体)。
参数：NLP模型参数（如BERT用于实体识别和关系抽取）， 图谱数据库参数。

图论​

人工智能、知识工程、自然语言处理术语。

1. 知识获取：收集维修文档、案例报告等文本数据。
2. 知识抽取：使用预训练模型进行命名实体识别和关系抽取，形成三元组。
3. 知识存储​

不适用（本模型处理知识信息流）。

知识图谱技术、自然语言处理、信息抽取、图数据库。

工业基础：维修手册、故障案例库、专家经验记录。
信息化基础：自然语言处理平台、图数据库（如Neo4j）。
数字化基础​

Dun-0050​

识别模型

施工安全

基于计算机视觉与姿态估计

盾构施工现场人员不安全行为智能识别模型

1. 视频采集：在关键作业区域（如拼装区、设备检修区）部署监控摄像头。
2. 人体检测与跟踪：使用目标检测算法（如YOLO）检测视频帧中的施工人员，并使用多目标跟踪算法（如DeepSORT）进行跨帧跟踪，获得每个人员的运动轨迹。
3. 姿态估计：对检测到的人员边界框，使用姿态估计算法（如OpenPose, HRNet）提取其身体关键点（头、肩、肘、腕、髋、膝、踝等）的二维坐标。
4. 行为识别：基于关键点序列，定义不安全行为规则或训练分类器。例如：
- 未戴安全帽：头部关键点未被安全帽检测框覆盖。
- 闯入危险区域：人员脚踝关键点轨迹进入预设的电子围栏区域。
- 不规范姿势：如弯腰角度过大、手臂高举过肩持续时间过长，通过关键点角度计算判断。
5. 报警：识别到不安全行为时，实时触发声光报警或推送信息至管理人员。

识别准确率受光照、遮挡、摄像机视角影响。在较好条件下，对典型不安全行为（如未戴安全帽）识别率可达95%以上。

计算机视觉、深度学习、姿态估计、行为分析。

场景：盾构隧道施工现场人员安全自动监控，替代人眼巡检，实现24小时不间断安全管控。
特征：非接触、自动化、实时识别，可同时监控多人、多类不安全行为。

变量：人员边界框B， 关键点坐标K = {k_i}， 行为标签L。
参数：YOLO、姿态估计、行为分类模型参数， 电子围栏坐标， 姿势角度阈值。

目标检测​

计算机视觉、智能安防、人因工程术语。

1. 视频流输入：摄像头实时传输视频流至边缘服务器或云端。
2. 逐帧处理：
a. 检测：运行YOLO模型，检测帧中所有人员，得到边界框列表。
b. 跟踪​

不适用（本模型处理视频流，识别人的行为）。

深度学习目标检测、多目标跟踪、人体姿态估计、规则推理。

工业基础：网络摄像头、边缘计算设备、声光报警器。
信息化基础：视频管理平台、AI推理引擎。
数字化基础​

Dun-0051​

预测模型

材料性能

基于水化热与早期强度发展

盾构管片混凝土早期强度预测与蒸汽养护优化模型

1. 水化热模型：采用水泥水化动力学模型（如Krstulovic-Dabic模型）描述水化程度α(t)的发展。水化放热率Q(t)与水化速率dα/dt成正比：Q(t) = Q_total * dα/dt， 其中Q_total为总水化热。
2. 温度场计算：考虑混凝土绝热温升、与环境的换热以及蒸汽养护提供的热边界条件，求解一维/三维非稳态热传导方程，得到混凝土内部温度场T(x,t)。
ρc ∂T/∂t = ∇·(k∇T) + Q(t)
3. 成熟度与强度：采用成熟度法关联强度与温度历史。等效龄期t_e = ∫_0^t exp[E/R (1/T_ref - 1/T(τ))] dτ， 其中E为活化能。建立强度f_c与等效龄期t_e的经验关系，如f_c = a + b ln(t_e)。
4. 养护制度优化：以最短养护时间达到脱模强度f_demold为目标，优化蒸汽养护的温度-时间曲线（升温速率、恒温温度与时间、降温速率），约束条件包括防止温度应力开裂（内外温差ΔT_max）。

模型能较准确预测不同养护制度下的早期强度发展，优化方案可缩短养护周期10-30%，并保证质量。

水泥化学、传热学、成熟度理论、优化控制。

场景：管片预制厂蒸汽养护制度的优化设计，在保证质量前提下，加速模具周转，提高生产效率。
特征：耦合化学、热、力学过程，实现对混凝土早期性能的预测与主动控制。

变量：α(t) (水化程度)， T(x,t) (温度场)， t_e (等效龄期)， f_c(t) (预测强度)。
参数：水泥水化动力学参数， 混凝土热物理参数ρ, c, k， 活化能E， 强度-成熟度关系参数a,b， 脱模强度f_demold。

微分方程​

材料科学、热工过程、优化控制术语。

1. 参数标定：通过实验标定特定配合比混凝土的水化动力学参数和热物性参数。
2. 养护过程模拟：输入拟采用的蒸汽养护曲线（T_env(t)），求解水化放热和热传导耦合模型，得到混凝土内部温度历程T(t)。
3. 强度预测：由T(t)计算t_e(t)，代入强度-成熟度模型，得到f_c_pred(t)。
4. 优化迭代：以养护时间t_cure为目标函数，以f_c(t_cure) ≥ f_demold和ΔT(t) ≤ ΔT_max为约束，采用优化算法（如SQP）调整养护曲线参数，寻找最优解。
5. 应用与反馈​

不适用（本模型模拟热量和质量在混凝土内的传递与转化）。

水泥水化动力学、非稳态传热、成熟度法、数学优化。

工业基础：管片蒸养窑、温度传感器、混凝土配合比、材料性能测试设备。
信息化基础​

Dun-0052​

分析模型

环境振动

基于波动理论与有限元-边界元法

盾构施工引起邻近历史建筑振动传播与评估模型

1. 振源模型：将盾构掘进引起的振动简化为作用于隧道衬砌上的动力荷载，如刀盘不平衡力、推进脉冲力，用简谐函数或实测时程表示：F(t) = F_0 sin(ωt)。
2. 传播路径模型：建立包含地层、隧道、建筑物的二维/三维数值模型。采用有限元模拟近场（盾构附近），采用边界元或无限元模拟远场辐射，以模拟振动波在土层中的传播。控制方程为弹性波动方程：ρ ∂²u/∂t² = ∇·σ + f。
3. 建筑物响应：计算振动传播至建筑物基础处的振动速度v或加速度a。根据文物保护标准（如峰值速度PPV）进行评估。
4. 减振措施模拟：可模拟隔振沟、桩屏障等减振措施的效果，评估其必要性。

模型可预测振动对敏感建筑的影响，评估施工方案的可行性。预测精度受地质参数、振源模型准确性影响较大。

波动理论、土动力学、有限元法、边界元法。

场景：在城市中心区、邻近重点历史建筑或精密仪器场所进行盾构施工时，评估施工振动影响，优化施工参数或设计减振措施。
特征：考虑波动在地层中的传播衰减和与结构的相互作用，进行定量预测评估。

变量：u(x,t) (位移场)， v(t) (振动速度)， a(t) (加速度)， PPV (峰值粒子速度)。
参数：地层波速（V_p, V_s）、密度、阻尼比， 振源参数F_0, ω， 建筑物动力特性， 评估标准阈值。

波动方程​

振动工程、文物保护、环境评价术语。

1. 建立模型：建立包含盾构隧道、地层、邻近建筑物的数值模型，设置合理的边界条件（如粘性边界）。
2. 施加载荷：在隧道衬砌相应位置施加振源动力荷载F(t)。
3. 动力分析​

不适用（本模型模拟应力波在地层中的传播流动）。

弹性波理论、土-结构动力相互作用、数值计算方法。

工业基础：地质勘察报告、建筑物结构图纸、振动监测数据（用于校验）。
信息化基础​

Dun-0053​

管理模型

供应链

基于区块链与智能合约

盾构工程关键材料（管片）供应链可信溯源模型

1. 链上存证：将管片生产、运输、验收、拼装等关键环节的数据（生产批号、质检报告、运输轨迹、验收记录）哈希值上链存证，确保不可篡改。数据本身可存储在链下数据库，通过哈希指针关联。
2. 智能合约：编写自动执行的智能合约。例如，当运输GPS数据表明管片已送达工地，且物联网锁状态为“开启”，自动触发支付条款，向供应商支付部分款项。
3. 溯源查询：为每个管片赋予唯一数字身份（如RFID标签）。通过扫描标签，在区块链浏览器中查询其全生命周期数据，实现来源可查、去向可追。
4. 协同与信任：所有参与方（业主、施工、监理、供应商、物流）作为区块链节点，共享同一可信账本，减少纠纷，提高协同效率。

区块链确保了数据的真实性和可追溯性。系统性能（TPS）和存储成本是实际应用需考虑的问题。

区块链技术、分布式账本、智能合约、供应链管理。

场景：对盾构隧道管片等关键建材的全供应链进行透明化、可信化管理，保障工程质量，优化供应链金融。
特征：去中心化、不可篡改、可追溯、流程自动化，构建多方协同信任机制。

变量：区块数据Block_i， 交易Transaction， 智能合约状态State。
参数：区块链共识算法（如PBFT）、智能合约代码、数据上链频率。

密码学​

区块链、供应链金融、物联网术语。

1. 生产上链：管片出厂时，生成包含生产信息、质检报告的哈希值，上链存证。将链上地址写入管片RFID标签。
2. 运输上链：运输过程中，GPS位置、温湿度等数据定期上链。
3. 验收上链：工地验收时，扫描RFID，验收结果（合格/不合格）及签字信息上链。
4. 智能合约执行：当“生产完成”、“运输到达”、“验收合格”等事件均被记录上链，满足合约条件，自动执行支付。
5. 溯源查询​

不适用（本模型管理的是“信息流”和“资金流”在可信网络中的流动与验证）。

区块链原理、智能合约、哈希算法、分布式系统。

工业基础：管片RFID标签、GPS/物联网传感器、各参与方信息系统。
信息化基础​

Dun-0054​

决策模型

视情维修

基于剩余寿命预测与维修决策优化

盾构机主轴承剩余寿命预测与视情维修决策耦合模型

1. RUL预测：采用基于性能退化的随机过程模型（如Dun-0022）或物理-数据融合模型（如Dun-0042），得到未来一段时间内主轴承故障时间的概率密度函数f_T(t)。
2. 维修决策变量：决策在何时进行预防性维修（PM）。设当前时间为t_c， 计划一个维修时间t_p。若故障发生在t_p之前，则进行故障后维修（CM），成本高；若在t_p时未故障，则进行PM，成本低。
3. 成本模型：期望总成本率C(t_p) = [C_p * R(t_p) + C_f * (1-R(t_p))] / (MTT)， 其中C_p为PM成本，C_f为CM成本（C_f > C_p）， R(t_p)为到t_p时的可靠度，MTT为平均任务时间。
4. 优化求解：寻找最优预防性维修时间t_p， 最小化期望总成本率C(t_p)：t_p= argmin C(t_p)。考虑维修窗口、备件库存等约束。
5. 动态更新：随着设备运行和新监测数据到来，更新RUL预测，重新优化t_p*。

决策模型将不确定的RUL预测转化为具体、经济的维修行动计划。可降低总维修成本10-30%。

可靠性工程、维修决策优化、随机过程、更新理论。

场景：基于主轴承状态监测和寿命预测，制定最优的预防性维修更换计划，平衡维修成本与故障风险。
特征：耦合预测与决策，在不确定性下寻求经济最优的维护策略。

变量：t_p (计划维修时间)， C(t_p) (期望成本率)， f_T(t) (故障时间PDF)， R(t) (可靠度函数)。
参数：PM成本C_p， CM成本C_f， 故障时间分布参数。

优化​

维修优化、可靠性、决策分析术语。

1. RUL预测更新：根据最新监测数据，更新主轴承的故障时间分布f_T(t)。
2. 成本计算：对于候选的维修时间t_p (t_p > t_c)， 计算可靠度R(t_p)=∫_{t_p}^{∞} f_T(t) dt， 及期望成本率C(t_p)。
3. 寻优​

不适用（本模型处理维修决策流）。

以可靠性为中心的维修、更新过程理论、成本效益分析。

工业基础：主轴承状态监测系统、维修成本数据、备件库存信息。
信息化基础​

Dun-0055​

优化模型

水处理

基于反应动力学与流程模拟

盾构施工泥浆/废水处理系统流程模拟与优化模型

1. 流程建模：将废水处理流程（如沉淀、絮凝、压滤、中和）抽象为单元操作模型。每个单元有其输入输出关系和设计参数。
2. 物料衡算：对每个单元建立质量守恒方程。对于第i个单元，Σ输入流量 = Σ输出流量 + 累积量（稳态时为零）。对污染物（如SS）建立组分衡算。
3. 反应动力学：对化学处理单元（如絮凝），建立反应速率方程描述污染物去除。例如，一级反应：-dC/dt = kC。
4. 优化目标：在满足出水水质标准[C]{out} ≤ [C]{std}的前提下，最小化系统总成本（包括药剂费、能耗、污泥处置费）。决策变量包括各单元的设计参数（如反应器体积、加药量）和操作参数（如回流比）。
5. 求解*​

流程模拟可准确预测系统处理能力和出水水质。优化设计可比经验设计降低成本5-20%。

化工过程系统工程、反应工程、质量守恒、优化理论。

场景：泥水盾构泥浆处理系统或施工营地废水处理站的设计与运行优化，实现达标排放和成本节约。
特征​

Dun-0056​

多物理场模型

盾体制造

基于热-弹-塑性有限元与生死单元技术

盾体厚板焊接残余应力与变形预测模型

1. 热源模型：采用双椭球体热源模型或高斯热源模型描述焊接电弧的热输入。热流密度分布q(x,y,z,t)作为内热源施加。
2. 瞬态热传导：求解三维非稳态热传导方程，计算焊接过程中的温度场T(x,y,z,t)。控制方程：ρc ∂T/∂t = ∇·(k∇T) + Q， 其中Q为内热源（来自热源模型），ρ、c、k为与温度相关的材料密度、比热容和导热系数。
3. 热-力耦合：将计算得到的温度场作为载荷，施加到结构分析中。考虑热应变ε_th = α(T - T_ref)， 其中α为热膨胀系数。总应变ε_total = ε_el + ε_pl + ε_th。
4. 材料非线性：采用弹塑性本构模型，屈服准则（如Von Mises）， 以及随温度变化的材料力学性能（弹性模量E(T)、屈服强度σ_y(T)）。
5. 相变效应：对于低合金高强钢，考虑奥氏体向马氏体等相变带来的体积变化和相变诱导塑性（TRIP），引入相变应变项。
6. 生死单元技术：通过“杀死”和“激活”单元来模拟焊材的逐步填充过程。
7. 求解与后处理：采用顺序耦合方法，先热分析后应力分析。得到焊接后的残余应力场σ_res和变形场u。

模型能较准确预测焊接变形趋势和残余应力分布，变形预测误差约10-20%，应力峰值位置和趋势与实验吻合。精度受材料高温性能参数、热源模型参数准确性影响大。

传热学、弹塑性力学、材料相变动力学、有限元法。

场景：盾体（前、中、尾盾）厚板（>40mm）焊接工艺优化，预测和减小焊接变形与残余应力，保证结构尺寸精度和疲劳寿命。
特征：强非线性、多物理场（热-力-冶金）耦合、大梯度、瞬态过程模拟。

变量：T (温度场)， u (位移场)， σ (应力场)， ε (应变场)。
参数：焊接参数（电流I、电压U、速度v）、热源模型参数（椭球尺寸、能量分布系数）、材料热物理参数（ρ(T), c(T), k(T)）、力学参数（E(T), σ_y(T), α(T)）、相变动力学参数。

偏微分方程组​

焊接仿真、有限元、多物理场耦合、冶金术语。

1. 前处理：建立盾体焊缝区域的三维有限元模型，划分精细网格，定义材料随温度变化的属性。
2. 热分析步：
a. 定义焊接路径，将路径离散为多个点。
b. 在每个时间增量步Δt， 将移动的热源模型（如双椭球）载荷施加到当前焊点对应的单元上。
c. 求解热传导方程，得到该时刻的温度场T(t)。
d. 时间步进，重复b-c，直至焊接完成并冷却到室温。
3. 应力分析步：
a. 读取热分析得到的温度历史T(x,y,z,t)。
b. 将温度场作为体载荷，施加到结构模型上。
c. 考虑材料弹塑性和大变形几何非线性，求解平衡方程：∇·σ + f = 0， 其中f为体力（包括热应变等效力）。
d. 得到最终的残余应力σ_res和变形u。
方程式：热传导方程 ρc ∂T/∂t = ∂/∂x (k ∂T/∂x) + ∂/∂y (k ∂T/∂y) + ∂/∂z (k ∂T/∂z) + Q。

流动模型：热量流动：通过热传导、对流和辐射在工件和环境中传递。金属熔池流动：在高温区，熔融金属受Marangoni对流、电磁力等驱动流动，影响热分布，可采用计算流体动力学（CFD）耦合或等效热源模型近似。

有限元法、焊接物理、计算固体力学、相变理论。

工业基础：盾体焊接工艺规程、焊接设备、材料高温性能测试数据。
信息化基础：专业焊接仿真软件（如SYSWELD, Simufact.Welding, ABAQUS + Weld Interface）。
数字化基础：参数化焊接路径建模、自动化仿真流程、材料数据库接口。

Dun-0057​

电化学模型

盾体防护

基于电极动力学与腐蚀电化学

盾体钢结构地下环境腐蚀速率预测模型

1. 腐蚀电化学原理：金属在地下电解质（含水土层）中的腐蚀为电化学过程，包括阳极反应（Fe → Fe²⁺ + 2e⁻）和阴极反应（如O₂ + 2H₂O + 4e⁻ → 4OH⁻）。
2. 极化曲线与腐蚀电流：通过实验或理论模型获得金属在特定环境（pH、Cl⁻浓度、温度、氧含量）下的阳极和阴极极化曲线。两条曲线的交点对应的电流密度i_corr即为腐蚀电流密度，根据法拉第定律，腐蚀速率v_corr ∝ i_corr。
3. 环境因素模型：建立环境参数（如土壤电阻率ρ、氧化还原电位Eh、微生物活性）与腐蚀动力学参数（交换电流密度i₀、塔菲尔斜率b_a, b_c）之间的经验或半经验关系。
4. 多因素耦合：考虑不同因素（如应力、温度、杂散电流）对腐蚀电化学过程的加速作用。例如，应力腐蚀开裂（SCC）门槛值K_ISCC与溶液化学环境相关。

模型可预测长期平均腐蚀速率，误差约±30%，受环境参数时空变异性和模型简化影响。对局部腐蚀（点蚀、缝隙腐蚀）预测能力有限。

电化学腐蚀理论、电极动力学、能斯特方程、法拉第定律。

场景：评估盾构机盾体在富含地下水、氯离子、微生物或杂散电流的复杂地层中的腐蚀风险，为涂层选择、阴极保护设计提供依据。
特征：将宏观腐蚀现象与微观电化学反应关联，考虑多环境因子耦合作用。

变量：i (电流密度)， E (电极电位)， v_corr (腐蚀速率)， t (时间)。
参数：环境参数（[Cl⁻], pH, T, [O₂], ρ）、电化学参数（i₀, b_a, b_c, E_corr）、材料参数（化学成分、微观结构）。

非线性方程​

腐蚀科学、电化学、环境工程术语。

1. 环境表征：获取盾构穿越地层的土/水化学分析数据，确定主要腐蚀性离子浓度、pH、电阻率等。
2. 电化学测试/数据匹配：在实验室模拟该环境，对盾体用钢进行电化学测试（动电位极化），获得极化曲线；或从腐蚀数据库匹配相似环境下的曲线。
3. 腐蚀电流计算：从极化曲线读取或通过拟合Butler-Volmer方程计算腐蚀电位E_corr和腐蚀电流密度i_corr。
4. 腐蚀速率换算：根据法拉第定律，质量损失率 Δm/Δt = (M * i_corr * A) / (n * F)， 其中M为Fe的摩尔质量，n为价电子数，F为法拉第常数，A为面积。可进一步换算为年腐蚀深度。
5. 寿命预估：结合盾体钢板厚度，估算达到腐蚀减薄极限的时间。
方程式：Butler-Volmer方程 i = i₀ [exp((E-E_eq)/b_a) - exp(-(E-E_eq)/b_c)]。

流动模型：离子流动：腐蚀过程中，Fe²⁺从阳极区向电解质扩散，O₂、H⁺、Cl⁻等向阴极区迁移，形成离子流。电子流动：在金属内部，电子从阳极区流向阴极区，形成电流。

电化学、腐蚀工程、土壤化学、材料失效分析。

工业基础：盾体钢材样本、土壤/地下水腐蚀性检测报告、电化学测试设备。
信息化基础：腐蚀数据管理平台、电化学仿真软件（如COMSOL Electrochemistry模块）。
数字化基础：环境-腐蚀性映射模型、腐蚀速率预测算法库。

Dun-0058​

接触力学模型

盾体-地层作用

基于库伦摩擦与热-力耦合理论

盾体-地层接触摩擦生热与热-力耦合模型

1. 接触力学：将盾体外壳与地层视为两个接触体。接触压力p_c由地层压力（水土压力）和盾构姿态决定。采用库伦摩擦模型，切向摩擦力f_fric = μ * p_c， 其中μ为摩擦系数，与地层性质、盾壳材料、有无润滑剂有关。
2. 摩擦生热：盾体推进时，摩擦力做功转化为热能。热生成率q_gen = f_fric * v_adv， 其中v_adv为推进速度。该热量分配至盾壳和地层。
3. 热传导：在盾壳和地层中求解热传导方程，考虑摩擦热作为内热源，以及地层原始温度场和盾体内设备散热边界条件。
4. 热-力耦合：温度升高导致材料热膨胀，产生热应力σ_th。同时，温度可能改变地层和盾壳材料的力学性能（如μ, E），形成反馈。采用顺序耦合或完全耦合方法求解。

模型能估算盾体摩擦阻力和外壳温升，定性分析热影响。定量精度受地层参数（μ, k）不确定性、接触状态复杂性影响较大。

接触力学、摩擦学、传热学、热弹性理论。

场景：长距离、大埋深、高摩擦地层中盾构掘进时，评估盾体外壳与地层的摩擦阻力、预测盾壳温升及其对结构、密封材料的影响。
特征​

Dun-0058​

接触力学模型

盾体-地层作用

基于库伦摩擦与热-力耦合理论

盾体-地层接触摩擦生热与热-力耦合模型

1. 接触力学：将盾体外壳与地层视为两个接触体。接触压力p_c由地层压力（水土压力）和盾构姿态决定。采用库伦摩擦模型，切向摩擦力f_fric = μ * p_c， 其中μ为摩擦系数，与地层性质、盾壳材料、有无润滑剂有关。
2. 摩擦生热：盾体推进时，摩擦力做功转化为热能。热生成率q_gen = f_fric * v_adv， 其中v_adv为推进速度。该热量分配至盾壳和地层。
3. 热传导：在盾壳和地层中求解热传导方程，考虑摩擦热作为内热源，以及地层原始温度场和盾体内设备散热边界条件。
4. 热-力耦合：温度升高导致材料热膨胀，产生热应力σ_th。同时，温度可能改变地层和盾壳材料的力学性能（如μ, E），形成反馈。采用顺序耦合或完全耦合方法求解。

模型能估算盾体摩擦阻力和外壳温升，定性分析热影响。定量精度受地层参数（μ, k）不确定性、接触状态复杂性影响较大。

接触力学、摩擦学、传热学、热弹性理论。

场景：长距离、大埋深、高摩擦地层中盾构掘进时，评估盾体外壳与地层的摩擦阻力、预测盾壳温升及其对结构、密封材料的影响。
特征：考虑机械能与热能的转换，以及温度场与应力场的相互影响。

变量：p_c (接触压力)， f_fric (摩擦力)， T (温度场)， σ (应力场)。
参数：摩擦系数μ， 盾体推进速度v_adv， 地层与盾壳的热物理参数（k, ρ, c）， 热膨胀系数α， 水土压力分布。

偏微分方程组​

接触分析、摩擦热、热-力耦合术语。

1. 初始应力场：计算盾体静止时，由水土压力引起的盾体初始应力和与地层的接触压力。
2. 推进模拟：施加推进位移边界条件，在接触面上根据库伦摩擦定律计算摩擦力f_fric。
3. 热生成计算：根据f_fric和v_adv计算每个接触单元的热生成率q_gen。
4. 瞬态热分析：以q_gen为内热源，进行瞬态热传导分析，得到盾壳和附近地层的温度场演变T(x,t)。
5. 热应力分析：将温度场作为载荷，进行热弹性或热弹塑性分析，计算由温升引起的热应力σ_th，并与机械应力叠加。
6. 迭代（可选）：若考虑温度对μ或材料性能的影响，则需根据新温度更新参数，重复2-5步。
方程式：热传导方程 ρc ∂T/∂t = ∇·(k∇T) + q_gen； 热应变 ε_th = α ΔT I。

流动模型：热量流动：摩擦产生的热量通过热传导在盾壳和地层中扩散，形成温度梯度驱动的热流。动量传递：盾体推进的动量通过接触摩擦部分传递给地层，引起地层扰动。

接触力学有限元法、摩擦生热原理、热弹性力学、能量守恒。

工业基础：盾构推进参数、地层土力学参数、盾壳材料热物性。
信息化基础：多物理场耦合仿真软件（如COMSOL, ABAQUS）。
数字化基础：接触对自动生成、摩擦热载荷施加脚本。

Dun-0059​

动力学模型

盾体振动

基于模态叠加法与谐响应分析

盾体结构振动模态分析与谐响应分析模型

1. 模态分析：求解无阻尼自由振动方程 [M]{ü} + [K]{u} = {0}， 得到盾体结构的固有频率ω_i和相应的振型向量{φ}_i。用于评估结构动态特性，避免共振。
2. 谐响应分析：在频域内分析盾体在简谐激励力{F(ω)}作用下的稳态响应。运动方程：[M]{ü} + [C]{u̇} + [K]{u} = {F} e^{iωt}。假设响应为{u} = {U} e^{iωt}， 代入得：(-ω²[M] + iω[C] + [K]){U} = {F}。求解复数位移幅值{U}，得到位移、应力随频率变化的曲线。
3. 激励源识别：盾体主要振动激励源包括：刀盘旋转不平衡力、滚刀破岩冲击力、液压泵脉动、推进油缸换向冲击等。需对这些激励进行频谱表征。
4. 阻尼模型：采用瑞利阻尼 [C] = α[M] + β[K]， 系数α, β由材料阻尼比和关键频率确定。

模态频率计算误差一般在5%以内，取决于边界条件简化程度。谐响应幅值预测精度受阻尼参数和激励力谱准确性影响较大。

结构动力学、振动理论、有限元法、频响函数。

场景：评估盾体结构在刀盘旋转、破岩等周期性激励下的振动响应，预测振动烈度，为减振设计、设备布置和疲劳分析提供依据。
特征：在频率域研究结构的受迫振动，清晰揭示共振风险。

变量：{u} (位移向量)， {U} (位移幅值向量)， ω (圆频率)， t (时间)。
参数：质量矩阵[M]， 刚度矩阵[K]， 阻尼矩阵[C]， 激励力幅值谱{F(ω)}， 材料密度ρ， 弹性模量E， 泊松比ν， 阻尼比ξ。

特征值问题​

模态分析、谐响应、频域分析、振动工程术语。

1. 建立有限元模型：建立包含主要结构的盾体有限元模型，施加合理的约束（如与内部设备连接处的弹簧约束）。
2. 模态提取：运行Lanczos或子空间迭代法，提取前N阶（如20阶）固有频率和振型。
3. 激励力定义：根据刀盘转速、刀具数量等，将主要激励源简化为作用在刀盘驱动或盾体上的简谐力，定义其幅值、相位和频率范围。
4. 谐响应分析设置：设置频率扫描范围（覆盖主要激励频率和结构固有频率），定义阻尼。
5. 求解与后处理：计算位移、应力、加速度等响应随频率的变化，识别峰值频率和共振点。
方程式：特征值问题 ([K] - ω_i²[M]){φ}_i = {0}； 频响函数 H(ω) = (-ω²[M] + iω[C] + [K])⁻¹。

不适用（本模型分析振动能量在结构模态间的分布和传递）。

线性振动理论、有限元动力学、模态分析理论、傅里叶变换。

工业基础：盾体详细设计图纸、材料动力学参数、设备激励特性数据。
信息化基础：结构动力学分析软件（如ANSYS Mechanical, NASTRAN）。
数字化基础：参数化动力学模型、自动化模态与谐响应分析流程。

Dun-0060​

优化设计模型

盾体设计

基于变密度法与尺寸优化理论

盾体轻量化拓扑优化与尺寸优化协同设计模型

1. 拓扑优化：在给定的设计空间（盾体壳体）内，以结构柔度最小（刚度最大）或固有频率最大为目标，以材料体积分数为约束，寻找最优的材料分布。采用变密度法（SIMP），引入伪密度变量ρ_e (0~1)，单元刚度矩阵为[K_e] = (ρ_e)^p [K_0]， p为惩罚因子（通常p=3）。
2. 尺寸优化：在拓扑优化确定的宏观构型基础上，对板厚、肋板高度等尺寸参数进行优化，进一步减重或满足应力、位移约束。设计变量为尺寸参数d_i。
3. 多目标/多工况：考虑盾体在多种载荷工况（如最大水土压力、偏心载荷）下的性能，进行多目标优化。
4. 制造约束：在优化中考虑最小成员尺寸、拔模方向等工艺约束，确保结果可制造。

拓扑优化能给出创新的轻量化构型概念，减重潜力可达10-30%。尺寸优化可进一步精确满足强度要求。最终设计需经详细有限元分析验证。

结构优化理论、变分法、有限元法、数学规划。

场景：新型盾构机盾体结构的概念设计与详细设计阶段，在满足强度、刚度、动态特性要求的前提下，实现结构轻量化，降低材料和运输成本。
特征：从“材料分布”到“尺寸细化”的两阶段协同优化，实现从概念到可制造设计的无缝衔接。

变量：ρ_e (单元伪密度)， d_i (尺寸参数)， U (位移向量)， C (结构柔度)。
参数：惩罚因子p， 过滤半径r_min， 体积分数上限V_f， 许用应力[σ]， 许用位移[δ]， 载荷工况及组合。

优化问题​

拓扑优化、尺寸优化、轻量化设计、制造约束术语。

1. 定义设计空间与边界条件：建立盾体壳体的包络体有限元模型，施加实际载荷和约束。
2. 拓扑优化求解：设定目标（如最小柔度）、约束（体积分数≤30%），采用优化算法（如MMA）迭代求解，得到材料最优分布云图，识别出可去除材料的区域和加强肋的最佳位置。
3. 几何重构：根据拓扑优化结果，提取清晰、光滑的边界，重建可用于尺寸优化的参数化几何模型。
4. 尺寸优化求解：以板厚等为变量，以重量最小为目标，以应力、位移为约束，进行尺寸优化。
5. 验证分析：对优化后的详细模型进行强度、刚度、模态校核。
方程式：拓扑优化问题：Find ρ, min C = U^T K U, s.t. K U = F, V(ρ)/V_0 ≤ V_f, 0 < ρ_min ≤ ρ_e ≤ 1。

不适用（本模型优化材料在空间中的分布，可视为“材料流”的再分配）。

连续体结构拓扑优化、尺寸优化、灵敏度分析、序列凸规划。

工业基础：盾体设计规范、制造工艺能力、材料性能数据。
信息化基础：结构优化软件（如OptiStruct, TOSCA, ANSYS Topology Optimization）。
数字化基础：参数化几何建模与优化集成、基于AI的拓扑生成算法。

Dun-0061​

离散力学模型

刀盘-岩石作用

基于离散元法与粘结颗粒模型

盾构刀盘-岩石相互作用离散元仿真模型

1. 岩石建模：采用粘结颗粒模型（BPM），将岩石离散为大量球形或非球形颗粒，颗粒间通过平行粘结（具有法向、切向刚度和强度）连接，模拟岩石的宏观力学行为。
2. 刀盘建模：将刀盘简化为刚体集合（面板、刀具），赋予质量、转动惯量，并施加旋转和推进运动。
3. 接触模型：刀盘与岩石颗粒之间采用赫兹-明德林接触模型，计算法向力F_n和切向力F_s。当应力超过颗粒粘结强度时，粘结断裂，模拟岩石破碎。
4. 运动方程：对每个颗粒i，求解牛顿第二定律：m_i a_i = Σ F_contact + m_i g； I_i α_i = Σ M_contact。
5. 参数标定：通过单轴压缩、巴西劈裂等数值试验，调整微观参数（颗粒刚度、粘结强度、摩擦系数），使模拟的宏观应力-应变曲线、抗压/抗拉强度与实验室岩石试验匹配。

模型能再现岩石破碎的微观过程（裂纹萌生、扩展、贯通），预测宏观掘进速率和刀具受力趋势。定量精度受微观参数标定质量和计算规模限制，力预测误差约15-25%。

离散元法、接触力学、颗粒流理论、岩石断裂力学。

场景：硬岩地层盾构/TBM掘进时，模拟刀盘滚刀破岩过程，研究不同刀间距、贯入度下的破岩效率、岩渣块度分布和刀具载荷谱，优化刀盘布局。
特征：从微观颗粒尺度揭示宏观破碎现象，能模拟不连续、大变形问题。

变量：x_i, v_i, a_i (颗粒位置、速度、加速度)， F_c (接触力)， σ (应力)， ε (应变)。
参数：颗粒半径R、密度ρ_p、法向/切向刚度k_n, k_s、粘结强度σ_c, τ_c、摩擦系数μ、阻尼系数γ_n, γ_s。

微分-代数方程组​

离散元、颗粒流、岩石破碎、数值试验术语。

1. 模型生成：生成指定尺寸的岩石试样BPM，并平衡至初始应力状态。
2. 刀盘侵入：将刀盘模型以给定贯入度p和转速ω运动，与岩石试样接触。
3. 时步循环：在每个时间步Δt：
a. 检测所有颗粒-颗粒、颗粒-刀具接触。
b. 根据接触模型计算所有接触力。
c. 对每个颗粒，集成运动方程，更新位置和速度。
d. 更新刀盘位置（根据运动约束）。
4. 数据采集：记录刀具三向力、扭矩、破碎体积、岩渣颗粒分布等。
5. 后处理：分析力谱、比能、破碎模式。
方程式：运动方程 m dv/dt = Σ F; I dω/dt = Σ (r × F)。

流动模型：岩渣颗粒流：破碎后的岩渣颗粒在刀盘开口处流动，形成颗粒流，其流动性受颗粒形状、摩擦和刀盘旋转影响。

离散元法、接触动力学、计算岩土力学、粘结颗粒模型。

工业基础：岩石力学试验报告、刀具几何参数、掘进参数。
信息化基础：离散元仿真软件（如PFC, EDEM）。
数字化基础：参数化刀盘-岩石模型生成、自动化标定与仿真流程。

Dun-0062​

磨损模型

刀具寿命

基于Archard磨损理论与能量法

盾构滚刀磨损速率预测与寿命评估模型

1. 磨损机理：滚刀磨损主要为磨粒磨损和疲劳磨损。采用修正的Archard磨损公式：磨损体积V_w = K * (F_n * s) / H， 其中K为磨损系数，F_n为法向力，s为滑动距离，H为材料硬度。对于滚刀，滑动距离s与刀盘转速ω、刀具半径R、滚动摩擦系数μ_r相关。
2. 力模型：通过经验公式、数值模拟或现场数据获取滚刀在特定岩层中的平均法向力F_n和切向力F_t。
3. 能量法关联：将磨损与破岩比能（SE）关联。假设输入能量一部分用于破碎岩石，一部分消耗于刀具磨损。建立磨损系数K与岩石磨蚀性指数（如CAI）的经验关系。
4. 寿命预测：刀具允许磨损体积V_limit由刀圈几何尺寸决定。则刀具寿命L = V_limit / (dV_w/dt)， 其中dV_w/dt为单位时间的磨损体积。

模型可提供刀具寿命的数量级估计（如小时或掘进米数），在相似地质条件下预测误差约±30%。精度受力预测准确性、磨损系数K的变异性影响。

Archard磨损理论、摩擦学、能量守恒、疲劳理论。

场景：盾构/TBM项目策划和施工阶段，预测滚刀在特定岩层中的磨损速率和更换周期，制定换刀计划，估算刀具成本。
特征：将宏观掘进参数、岩石特性与微观磨损机理联系起来，实现刀具寿命的工程化预测。

变量：V_w (磨损体积)， F_n (法向力)， s (滑动距离)， L (寿命)。
参数：磨损系数K， 岩石单轴抗压强度UCS， 磨蚀性指数CAI， 刀圈材料硬度H， 刀圈几何尺寸（外径、内径、宽度）， 掘进参数（贯入度p、转速ω）。

积分方程​

磨损预测、寿命评估、摩擦学、岩石磨蚀性术语。

1. 输入地质与掘进参数：获取岩石UCS、CAI，以及计划贯入度p、转速ω。
2. 计算刀具受力：使用经验公式（如科罗拉多矿业学院公式）F_n = C * UCS * p * d， 其中C为系数，d为刀间距。
3. 计算滑动距离：s = 2πR * ω * t * μ_r， 其中μ_r为滚动摩擦系数，考虑滑移。
4. 计算磨损速率：dV_w/dt = K * (F_n * ds/dt) / H。
5. 计算寿命：L = (π(R_outer² - R_inner²)W - V_initial) / (dV_w/dt)， 其中W为刀圈宽度，V_initial为初始磨损。
6. 输出：预测寿命（小时或米），建议换刀里程。
方程式：Archard公式 V_w = ∫ (K * F_n * v_s / H) dt, 其中v_s = ds/dt。

流动模型：磨损颗粒流：磨损过程中，从刀圈表面脱落的磨屑随岩渣一起流动排出。

摩擦学、材料磨损、岩石力学、工程统计学。

工业基础：刀具图纸、材料证书、地质勘察报告、历史掘进数据。
信息化基础：刀具管理数据库、磨损预测计算工具。
数字化基础：基于数据的磨损系数K回归模型、寿命可视化仪表盘。

Dun-0063​

热流体模型

电机冷却

基于计算流体动力学与共轭传热

刀盘驱动电机定转子水冷散热CFD模型

1. 物理问题：大功率变频电机在密闭盾体内长时间运行，产生大量铜损和铁损（热源），需通过内部水冷套和外部风冷将热量带走，防止绝缘老化。
2. 控制方程：在流体域（冷却水、空气）求解Navier-Stokes方程和能量方程；在固体域（定子铁芯、绕组、机壳）求解热传导方程。在流-固交界面满足共轭传热条件：温度连续T_f = T_s， 热流连续 -k_f ∂T_f/∂n = -k_s ∂T_s/∂n。
3. 热源模型：根据电机设计参数和运行工况（负载率）计算损耗分布。铜损P_cu = 3 I² R， 均匀分布在绕组体积；铁损P_fe通过经验公式计算，分布与磁密平方相关，主要位于定子齿轭。
4. 湍流模型：冷却水在管道内为湍流，采用k-ε或SST k-ω模型。空气自然对流或强制对流采用合适的湍流或层流模型。

模型能较准确预测电机内部温度分布，热点温度预测误差约±5°C。精度受边界条件（环境温度、冷却水流量/温度）、材料热物性、损耗计算准确性影响。

计算流体动力学、传热学、共轭传热、电机学。

场景：刀盘驱动电机热设计校核与优化，评估在不同负载和冷却条件下电机的温升是否在绝缘等级允许范围内，防止过热故障。
特征：考虑流-固耦合传热，精细模拟冷却介质流动与固体导热的相互作用。

变量：u, v, w (速度分量)， p (压力)， T (温度)， q (热流密度)。
参数：冷却水流量Q_w、进口温度T_in、空气流速v_air、环境温度T_amb、材料导热系数k、比热容c、密度ρ、粘度μ、电机损耗分布P_loss(x,y,z)。

偏微分方程组​

计算流体力学、共轭传热、电机热管理、湍流模型术语。

1. 几何清理与网格划分：建立包含电机主要发热部件、水冷套、风道、周围空气域的详细三维模型，生成高质量体网格。
2. 边界条件设置：
a. 流体入口：冷却水质量流量、温度；空气流速、温度。
b. 流体出口：压力出口。
c. 固体外表面：自然对流散热系数或固定温度。
d. 热源：在绕组和铁芯区域施加体积热生成率。
3. 求解设置：选择湍流模型、启用能量方程、设置收敛准则。
4. 迭代求解：运行CFD求解器，直至残差收敛且监控点温度稳定。
5. 后处理：提取温度云图、流线图、关键点（如绕组热点、轴承）温度值，评估散热效果。
方程式：N-S方程 ρ(∂u/∂t + u·∇u) = -∇p + ∇·τ + f； 能量方程 ρc_p(∂T/∂t + u·∇T) = ∇·(k∇T) + Φ_v。

流动模型：冷却介质流动：冷却水在泵驱动下，流经水冷套，吸收热量，形成强制对流换热。空气在风扇或自然对流驱动下，流经电机外壳，带走热量，形成对流换热。

流体力学、传热学、有限体积法、电机设计理论。

工业基础：电机详细设计图纸、冷却系统参数、绝缘材料耐温等级。
信息化基础：CFD仿真软件（如Fluent, Star-CCM+, OpenFOAM）。
数字化基础：电机参数化热模型库、自动化仿真流程。

Dun-0064​

润滑模型

主轴承

基于弹流润滑理论与膜厚分析

盾构主轴承滚道-滚动体弹流润滑膜厚与压力分布模型

1. 润滑状态：主轴承在重载、低速工况下运行，润滑膜极薄，属于弹流润滑（EHL）范畴。需同时考虑接触体的弹性变形和润滑油的粘压效应。
2. Reynolds方程：描述润滑膜压力p分布的一维或二维简化方程。对于线接触，简化形式：∂/∂x (ρ h³/η ∂p/∂x) = 12 u ∂(ρ h)/∂x， 其中h为膜厚，η为粘度，ρ为密度，u为卷吸速度。
3. 膜厚方程：考虑接触体弹性变形后的膜厚：h(x) = h_0 + x²/(2R) + v(x)， 其中h_0为中心膜厚，R为当量曲率半径，v(x)为弹性变形量，由弹性半空间假设通过积分求得。
4. 粘压关系：采用Barus方程 η = η_0 exp(α p)， 或更精确的Roelands方程。
5. 载荷平衡：润滑膜压力积分必须与外载荷W平衡：∫ p(x) dx = W。
6. 数值求解：采用多重网格法或有限差分法迭代求解Reynolds方程、膜厚方程和载荷平衡方程。

模型能计算最小膜厚h_min和中心膜厚h_center，预测润滑状态（全膜、混合、边界）。膜厚预测与实验测量在量级上吻合，但绝对精度受输入参数（粗糙度、润滑油特性）影响。

弹流润滑理论、接触力学、流体力学、粘弹性。

场景：主轴承润滑设计校核，评估在最大设计载荷和最低工作转速下，能否形成足够厚的润滑油膜，避免金属直接接触，保证轴承长寿命。
特征：考虑高压力下接触变形和油品特性变化，是经典流体动力润滑向微观尺度的延伸。

变量：p(x) (压力分布)， h(x) (膜厚分布)， η (粘度)， ρ (密度)。
参数：外载荷W， 卷吸速度u， 当量曲率半径R， 综合弹性模量E'， 润滑油环境粘度η_0， 粘压系数α， 密度-压力系数。

积分-微分方程​

弹流润滑、膜厚比、粘压效应、接触疲劳术语。

1. 输入工况参数：轴承所受轴向力F_a、径向力F_r、倾覆力矩M，以及转速n，换算得到滚道接触处的法向载荷和卷吸速度。
2. 建立EHL模型：选择线接触或点接触模型，建立Reynolds方程、膜厚方程、粘压方程、载荷平衡方程构成的方程组。
3. 离散化与迭代求解：
a. 初始化压力分布p(x)猜测值。
b. 计算膜厚h(x)。
c. 求解Reynolds方程，更新压力p_new(x)。
d. 松弛迭代：p = ω p_new + (1-ω) p_old。
e. 检查载荷平衡，若不满足，调整h_0。
f. 重复b-e直至压力和载荷收敛。
4. 输出：得到压力峰、膜厚分布、最小膜厚h_min。
5. 评估：计算膜厚比λ = h_min / σ， σ为综合粗糙度，判断润滑状态（λ>3全膜，1<λ<3混合，λ<1边界）。
方程式：Reynolds方程（一维线接触稳态） d/dx (ρ h³/η dp/dx) = 12 u d(ρ h)/dx。

流动模型：润滑油流动：在滚道与滚动体形成的收敛间隙中，润滑油被拖曳形成压力流，产生承载压力。

润滑理论、接触力学、数值分析、轴承设计。

工业基础：主轴承设计图纸、载荷谱、润滑油品技术参数。
信息化基础：专业弹流润滑分析软件（如ANSYS Tribology, EHL软件包）。
数字化基础：轴承工况-膜厚快速计算工具、润滑状态监测数据关联模型。

Dun-0065​

系统动力学模型

液压推进

基于功率键合图与状态空间法

盾构推进液压系统动态特性建模与仿真模型

1. 系统分解：将推进液压系统分解为动力源（电机、泵）、控制阀（比例换向阀、溢流阀）、执行器（推进油缸）、负载（盾体-地层摩擦）和连接管路等环节。
2. 功率键合图建模：根据各元件的功率流向（势变量e如压力、力；流变量f如流量、速度），建立系统的功率键合图模型。识别0结（压力相同）、1结（流量相同）、阻性元R（节流、摩擦）、容性元C（油液压缩、油缸容腔）、惯性元I（油液质量、活塞质量）、变换器TF、回转器GY等。
3. 状态方程推导：选择容性元上的势变量（压力p）和惯性元上的流变量（流量q或速度v）作为状态变量x。根据键合图因果关系，推导出系统状态空间方程：ẋ = A x + B u， y = C x + D u。其中u为输入（如阀芯位移指令、泵排量），y为输出（如油缸推力、速度）。
4. 非线性处理：阀口流量方程、摩擦力等是非线性的，需线性化或直接求解非线性微分方程。

模型能模拟系统在阶跃、斜坡等输入下的压力、流量、速度动态响应，预测超调、稳定时间等。与实测数据对比，主要动态特征吻合，参数误差影响动态细节。

功率键合图理论、液压传动、系统动力学、状态空间法。

场景：推进液压系统控制器设计、参数整定、故障诊断。分析阀的响应速度、油缸的同步性、系统刚度对掘进姿态控制的影响。
特征：统一处理多能量域（电、液、机）耦合，系统化推导动态方程，便于控制器设计。

变量：x (状态向量，如[p1, p2, v]^T)， u (输入向量)， y (输出向量)。
参数：油泵排量D_p、电机转速ω_m、阀的流量系数C_d、阀口面积梯度w、油缸有效面积A、活塞质量m、油液体积模量β、管路液阻R、液感L、液容C。

状态空间方程​

键合图、液压系统、动态建模、状态变量术语。

1. 绘制功率键合图：
a. 识别系统各部分的功率端口和变量。
b. 用0结、1结连接，并添加R、C、I、TF、GY等元件。
c. 标注因果关系（因果划）。
2. 列写元件方程：根据因果关系，写出每个元件的本构关系（如C: e = (1/C)∫ f dt； R: e = R f）。
3. 推导状态方程：
a. 对每个C元，其势变量e为状态变量，其导数ė由流入的f决定。
b. 对每个I元，其流变量f为状态变量，其导数ḟ由施加的e决定。
c. 联立所有方程，消去中间变量，得到标准状态空间形式。
4. 仿真求解：在MATLAB/Simulink或Modelica中搭建模型，设置输入信号，进行时域仿真。
5. 分析结果：观察压力、速度响应曲线，评估动态性能。
方程式：状态方程 ẋ = A x + B u； 输出方程 y = C x + D u。

流动模型：液压油流动：在泵、阀、缸、管路构成的回路中，液压油在压力差驱动下流动，传递动力和信号。

液压系统建模、键合图方法、现代控制理论、多体系统动力学。

工业基础：推进液压系统原理图、元件样本（阀、泵、缸参数）、油液特性。
信息化基础：多域系统仿真平台（如AMESim, Simscape, Modelica）。
数字化基础：液压系统元件库、参数化模型、控制器设计接口。

Dun-0066​

颗粒流模型

排渣效率

基于离散元法与宏观本构

螺旋输送机排土过程颗粒流DEM-CFD耦合模型

1. 颗粒建模：采用DEM模拟渣土颗粒（可考虑粘性），设置粒径分布、摩擦系数、恢复系数。
2. 流体建模：采用CFD模拟土舱内的泥水或空气（若为土压平衡盾构，可简化为连续相）。
3. 耦合方法：通过孔隙率ε将DEM与CFD耦合。在CFD网格中，根据颗粒位置计算局部孔隙率，用于修正流体方程中的阻力项。流体对颗粒的拖曳力通过经验公式（如Ergun, Wen-Yu）计算并施加到颗粒上。
4. 螺旋机运动：将螺旋叶片定义为刚体，施加旋转运动，与颗粒发生接触。
5. 分析目标：计算排土率、扭矩、颗粒流动模式、堵塞风险。

能再现颗粒堵塞、架拱等现象，定性准确。定量预测排土率误差约10-20%，受颗粒参数和耦合模型简化影响。

离散元法、计算流体力学、多相流、颗粒物质力学。

场景：土压平衡盾构螺旋输送机设计优化，研究不同螺距、转速、渣土性质下的排土效率和稳定性，预防喷涌或堵塞。

变量：颗粒位置速度、流体速度压力、孔隙率ε、拖曳力F_d。
参数：颗粒物性、流体物性、螺旋几何参数、转速。

耦合微分方程​

DEM-CFD耦合、颗粒流、排土控制术语。

1. 分别建立DEM和CFD模型并初始化。2. 在每个耦合时间步：a. DEM计算颗粒运动，更新位置。b. 根据颗粒位置，映射计算CFD网格的孔隙率ε。c. CFD求解修正的N-S方程，得到流场。d. 根据流场和孔隙率，计算每个颗粒所受拖曳力。e. 将拖曳力施加到DEM颗粒上。3. 循环至模拟结束。​

流动模型：渣土颗粒流与渗流流体在螺旋机内的耦合运动。

多相流理论、接触动力学、数值耦合算法。

DEM/CFD软件、螺旋机设计参数、渣土特性数据。

Dun-0067​

非牛顿流体模型

泥浆循环

基于Herschel-Bulkley本构与湍流模型

泥水盾构泥浆环流管路压降与携渣能力计算模型

1. 本构方程：泥浆为屈服-假塑性流体，采用Herschel-Bulkley模型：τ = τ_y + K γ̇^n， 当τ > τ_y； γ̇=0， 当τ ≤ τ_y。其中τ_y为屈服应力，K为稠度系数，n为流变指数。
2. 管路流动：对于圆管层流，有解析解。对于湍流，需采用适用于非牛顿流体的摩擦因子公式或数值求解。
3. 携渣模型：考虑颗粒在非牛顿流体中的沉降速度修正公式，评估泥浆的悬浮携带能力。
4. 系统计算：建立整个泥浆循环系统（进浆管、排浆管、泵、泥水舱）的流动网络模型，计算各段压降、流量分配和泵所需功率。

压降计算在层流区较准，湍流区依赖经验关联式，误差约15%。携渣能力预测为定性或半定量。

非牛顿流体力学、流变学、管路水力学、颗粒沉降理论。

场景：泥水盾构泥浆系统设计，确定合适的泥浆配比、泵的选型、管路直径，保证环流畅通和有效携渣。

变量：τ (剪切应力)， γ̇ (剪切速率)， v (流速)， Δp (压降)。
参数：τ_y, K, n， 管路尺寸L, D， 泥浆密度ρ_m， 颗粒密度ρ_s, d_p。

非线性本构​

泥浆流变、环流系统、压降计算术语。

1. 获取泥浆流变参数。2. 判断流态（广义雷诺数Re_g）。3. 根据流态选择公式计算沿程阻力系数f。4. 计算管段压降Δp = f (L/D) (ρ v²/2)。5. 校核泵的扬程和功率。6. 计算颗粒沉降速度，校核携渣能力。​

流动模型：非牛顿泥浆在压力驱动下的管流，以及岩渣颗粒在其中的悬浮输运。

非牛顿流体力学、宾汉姆流体、管路传输理论。

泥浆配比实验数据、管路布置图、泵性能曲线。

Dun-0068​

运动学模型

管片拼装

基于D-H参数法与轨迹规划

管片拼装机运动学正解、逆解与精度分析模型

1. 机构建模：将拼装机视为多自由度机械臂（通常6自由度：回转、平移、提升、俯仰、横摇、抓取）。采用Denavit-Hartenberg (D-H) 法建立连杆坐标系和参数表（连杆长度a、扭角α、偏距d、关节角θ）。
2. 正运动学：通过相邻坐标系间的齐次变换矩阵相乘，得到末端执行器（吸盘/夹具）相对于基座的位置和姿态矩阵^0T_6。
3. 逆运动学：给定目标管片的位置姿态，求解各关节变量（θ_i, d_i）。可能有多解，需根据关节限位、奇异点选择最优解。
4. 误差模型：考虑连杆尺寸误差、关节间隙、变形等，建立误差传递模型，分析末端定位精度。

运动学模型在理想条件下精确。考虑误差后，末端定位精度预测可用于误差分配和补偿，但实际精度受制造、控制影响。

机器人学、多体运动学、D-H表示法、误差分析。

场景：拼装机控制系统开发、离线编程与仿真、精度设计与标定。确保管片能快速、精确地运动到目标拼装位姿。

变量：关节变量q， 末端位姿T。
参数：D-H参数表， 关节运动范围， 误差参数（Δa, Δα, Δd, Δθ）。

矩阵变换​

机器人运动学、位姿描述、误差补偿术语。

1. 建立D-H坐标系和参数表。2. 正运动学：T = A1(q1)A2(q2)...A6(q6)。3. 逆运动学：给定T，利用几何法或数值法求解q。4. 轨迹规划：在关节空间或笛卡尔空间规划平滑运动轨迹。5. 误差分析：基于微分运动学或蒙特卡洛法分析精度。*​

不适用（本模型描述机构运动，非物质流）。

机器人运动学、齐次变换、数值方法。

拼装机设计图纸、控制系统硬件、测量标定设备。

Dun-0069​

渗流-扩散模型

同步注浆

基于宾汉姆流体与多孔介质渗流

盾构同步注浆浆液在盾尾间隙中的渗流扩散与压力消散模型

1. 浆液本构：注浆浆液通常为宾汉姆流体：τ = τ_0 + μ_p γ̇， τ ≥ τ_0。
2. 渗流方程：将盾尾间隙（管片外壁与土体间）视为可变高度的平面缝隙或环状空间。浆液在其中流动服从广义达西定律或缝隙流方程。考虑浆液向地层的滤失（渗滤）。
3. 压力消散：浆液压力p需平衡地层水土压力，并随浆液凝固（强度增长）逐渐转移至管片。建立压力随时间消散的模型，与浆液凝结动力学耦合。
4. 扩散范围：预测浆液填充半径、厚度分布，评估填充效果。

模型能预测浆液压力分布和扩散趋势，但受地层不均匀性、浆液时变性影响大，定量精度有限。

渗流力学、非牛顿流体、多孔介质、浆液材料学。

场景：同步注浆工艺设计，确定注浆压力、流量、浆液配比，以有效填充间隙、稳定管片、控制地表沉降。

变量：p (浆压)， v (渗流速度)， R (扩散半径)， t (时间)。
参数：浆液τ_0, μ_p， 间隙高度h， 地层渗透系数k， 浆液凝结强度增长函数G(t)。

偏微分方程​

注浆扩散、压力消散、间隙填充术语。

1. 建立浆液在可变缝隙中的流动方程。2. 耦合浆液向地层的滤失方程。3. 设定注浆压力/流量边界条件。4. 数值求解得到压力场p(x,t)和速度场。5. 追踪浆液前锋，得到扩散范围R(t)。6. 结合G(t)计算有效支护压力。​

流动模型：非牛顿浆液在压力驱动下，在盾尾间隙中径向渗流扩散，并部分滤失进入地层孔隙。

渗流理论、非牛顿流体力学、浆液流变与凝结。

浆液配比实验数据、地质参数、盾尾间隙测量数据。

Dun-0070​

流变学模型

盾尾密封

基于粘弹性流体与本构方程

盾尾密封油脂压力分布与泵送阻力流变学分析模型

1. 油脂特性：密封油脂是高粘度的粘弹性非牛顿流体，具有触变性（剪切稀化）。可采用Herschel-Bulkley或带屈服应力的Carreau模型描述。
2. 泵送流动：在泵和注射管路中，油脂在压力下流动。计算管路沿程压降需使用非牛顿流体摩擦因子公式。
3. 盾尾腔室分布：油脂被注入盾尾钢丝刷之间的腔室。建立多个腔室连通的流动网络模型，考虑腔室容积、油脂压缩性、以及向地层可能的渗漏。
4. 压力维持：分析在盾构推进过程中，为维持密封效果所需的最小注脂压力和流量。

能估算泵送压力和腔室压力分布趋势。定量精度受油脂流变参数准确性和腔室实际填充状态影响较大。

流变学、非牛顿流体力学、管路传输、粘弹性理论。

场景：盾尾密封系统设计，油脂泵选型，注脂压力与频率设定，确保有效阻水防浆。

变量：τ, γ̇, p, Q。
参数：油脂流变参数（τ_y, K, n, λ）， 管路尺寸， 腔室几何尺寸， 渗漏阻力系数。

非线性本构​

油脂流变、泵送特性、密封压力术语。

1. 测试或获取油脂流变曲线和参数。2. 建立从泵到各注射点的流动网络模型。3. 根据流量Q，计算各管段压降。4. 计算各腔室压力，考虑并联路径的流量分配。5. 校核腔室压力是否大于外部水土压力加安全余量。​

流动模型：粘塑性油脂在泵压驱动下，在管路和腔室网络中流动，形成密封压力屏障。

非牛顿流体力学、流变测量学、网络流理论。

油脂技术参数、盾尾密封结构图纸、泵性能参数。

Dun-0071​

极限平衡模型

开挖面稳定

基于滑移线场理论与上限法

土压平衡盾构开挖面稳定极限分析模型

1. 破坏机制：假设开挖面前方土体沿某一滑裂面发生整体剪切破坏。常用机制包括：楔形体（用于砂土）、棱柱体（用于粘土）。
2. 上限定理：构造一个运动许可的速度场，使外功率等于内能耗散率，由此得到支护压力的上限解。对于关联流动材料，上限解等于真实解。
3. 计算过程：对假设的滑裂面几何参数（如楔形角）进行优化，寻找使所需支护压力最小的临界破坏面。
4. 水土合算/分算：根据土质和渗透性，选择总应力法或有效应力法。

模型提供支护压力的理论下限（主动土压力）和上限（破坏压力），用于确定合理支护压力范围。在均质地层中较准，复杂地层需修正。

土塑性力学、极限分析理论、上限定理、滑移线理论。

场景：土压平衡盾构支护压力设定，评估开挖面稳定性，为土压控制提供理论依据。

变量：支护压力σ_T， 滑裂面几何参数（角度α, β）， 速度v。
参数：土体重度γ， 粘聚力c， 内摩擦角φ， 开挖面直径D， 覆土深度C。

优化问题​

极限分析、滑裂面、支护压力、上限解术语。

1. 选择破坏机制（如楔形体）。2. 根据速度场计算外力功率W_ext = σ_T * A * v * cosδ。3. 计算沿滑裂面的内能耗散D_int = ∫ c v cosφ ds。4. 令W_ext = D_int， 解出σ_T。5. 对几何参数优化，求min(σ_T)。​

不适用（本模型分析极限平衡状态，非流动）。

土塑性力学、极限分析、岩土工程稳定性理论。

地质勘察报告、土工试验数据、盾构开挖面尺寸。

Dun-0072​

控制模型

姿态纠偏

基于模型预测控制与状态估计

盾构掘进姿态自适应模型预测控制模型

1. 预测模型：建立盾构姿态（偏航、俯仰、滚动）与推进油缸压力/行程差之间的简化动态模型，如状态空间形式。
2. 滚动优化：在每个控制周期，以未来N步预测期内姿态误差最小、控制量变化平滑为目标，在线求解一个带约束的优化问题，得到最优控制序列（油缸压力调整量），但只实施第一步。
3. 反馈校正：下一周期，测量实际姿态，与预测值比较，用误差修正预测模型，进行新的优化，形成闭环。
4. 约束处理：优化中考虑油缸压力限值、行程差限值、铰接角限值等物理约束。

MPC能较好处理多变量、带约束的控制问题，比传统PID更适应盾构非线性、时变特性。仿真和现场应用表明能有效减少超调，提高纠偏效率。

模型预测控制、最优控制、状态估计、系统辨识。

场景：盾构自动导向与姿态控制，实现平滑、精确的隧道轴线跟踪，减少人工干预和蛇行现象。

变量：状态x (姿态角、位置)， 控制输入u (油缸压力设定)， 输出y (测量姿态)。
参数：预测时域N， 控制时域M， 权重矩阵Q, R， 系统模型参数A, B, C。

优化控制​

模型预测控制、滚动优化、状态约束术语。

**1. 状态估计：根据传感器数据更新当前状态x_k。2. 优化求解：min_U Σ (

y_{k+i}-r

Dun-0073​

滤波模型

导向测量

基于卡尔曼滤波与多传感器融合

盾构导向系统全站仪测量误差补偿与姿态估计模型

1. 系统模型：建立盾构姿态和位置的运动学模型（状态方程），以及全站仪、倾角仪、里程计等传感器的观测模型（量测方程）。
2. 卡尔曼滤波：包括预测和更新两步。预测：根据上一时刻状态估计和运动模型，预测当前状态和协方差。更新：利用当前时刻的实际观测值，结合预测协方差和观测噪声协方差，计算卡尔曼增益K，用其加权融合预测值和观测值，得到最优状态估计，并更新协方差。
3. 误差模型：考虑全站仪的系统误差（如视准轴误差、竖轴倾斜）、偶然误差（大气扰动），以及盾体振动引起的棱镜抖动误差，将其纳入观测模型或作为状态的一部分进行估计。

KF能有效抑制测量噪声，提高姿态估计的平滑性和精度。在良好模型下，位置估计精度可优于单一传感器，但依赖于准确的噪声统计特性。

卡尔曼滤波理论、最优估计、多传感器信息融合、误差分析。

场景：盾构导向系统实时数据处理，融合多源传感器信息，补偿系统误差和随机误差，输出高精度、高可靠性的盾构实时姿态与位置。

变量：状态向量x (位置、姿态、速度等)， 观测向量z， 估计误差协方差P， 卡尔曼增益K。
参数：过程噪声协方差Q， 观测噪声协方差R， 状态转移矩阵Φ， 观测矩阵H。

递归估计算法​

卡尔曼滤波、传感器融合、状态估计术语。

1. 初始化：设置初始状态x_0和协方差P_0。2. 预测：x{k|k-1} = Φ x{k-1}; P{k|k-1} = Φ P{k-1} Φ^T + Q。3. 更新：计算新息，卡尔曼增益K_k = P{k|k-1} H^T (H P{k|k-1} H^T + R)^{-1}；状态更新 x_k = x{k|k-1} + K_k (z_k - H x{k|k-1})；协方差更新 P_k = (I - K_k H) P_{k|k-1}。4. 循环。​

不适用（本模型处理数据流）。

最优估计理论、随机过程、线性系统理论。

全站仪、倾角仪、里程计、数据采集与处理单元。

Dun-0074​

信号处理模型

刀具监测

基于小波变换与特征提取

盾构滚刀磨损声发射信号小波包分解与特征降维模型

1. 信号预处理：对采集的原始AE信号进行去噪、分段。
2. 小波包分解：对信号进行多层小波包分解，将信号频带进行精细划分，得到一系列子频带信号（节点）。
3. 特征提取：计算每个子频带信号的能量E_i = ∫

s_i(t)

² dt， 构成高维特征向量。还可提取其他特征如熵值、峰值等。
4. 特征降维：使用主成分分析（PCA）或线性判别分析（LDA）对高维特征向量进行降维，保留最能区分不同磨损状态的主成分。
5. 状态识别：将降维后的特征输入分类器（如SVM）进行磨损状态分类。

小波包能提取非平稳AE信号的时频局部特征，结合降维和分类，识别准确率可达85-90%。

小波分析、信号处理、模式识别、统计学习。

场景：基于声发射的刀具状态在线监测系统，实现滚刀磨损程度的自动识别与预警。

变量：原始信号s(t)， 子带信号s_i(t)， 特征向量F， 降维特征Z。
参数：小波基函数类型、分解层数、PCA保留主成分数。

变换与统计​

小波包、时频分析、特征工程术语。

1. 对信号s(t)进行N层小波包分解，得到2^N个子带。2. 重构各子带信号，计算能量特征E_i。3. 组成特征向量[E1, E2, ..., E_{2^N}]。4. PCA降维：求协方差矩阵，特征值分解，取前k个主成分。5. 用带标签数据训练分类器。6. 在线识别。​

不适用（本模型处理信号流）。

Dun-0075​

决策模型

参数优化

基于深度强化学习与仿真环境

盾构掘进参数智能推荐深度强化学习模型

1. 环境建模：构建盾构

Dun-0075​

决策模型

参数优化

基于深度强化学习与仿真环境

盾构掘进参数智能推荐深度强化学习模型

1. 问题建模：将盾构掘进过程建模为马尔可夫决策过程（MDP）。状态s包括地质参数（如UCS、CAI）、盾构状态（推力、扭矩、姿态）、历史参数。动作a为可调掘进参数（如推进速度、刀盘转速、土压设定值）。奖励r为综合指标（如掘进效率高、刀具磨损低、姿态偏差小、能耗低）。
2. 智能体设计：采用深度Q网络（DQN）或演员-评论家（A2C）算法。智能体（策略网络π(a|s)）根据当前状态输出动作概率分布。
3. 环境仿真：构建基于物理规则或数据驱动的盾构掘进仿真环境，模拟执行动作a后状态转移s→s'和奖励r。
4. 训练与探索：智能体与环境交互，收集经验(s,a,r,s')存入回放缓冲区。通过时间差分误差更新网络参数，最大化累积折扣奖励期望E[Σγ^t r_t]。
5. 在线学习/迁移：训练好的策略可用于新地层，或通过在线学习微调。

在仿真环境中能学习到接近最优的掘进策略。迁移到实际工程时，性能受仿真-现实差距影响，需在线适应。可提高掘进效率10-20%，降低异常工况发生率。

强化学习、马尔可夫决策过程、深度学习、最优控制。

场景：复杂地层条件下，盾构掘进参数的实时智能推荐与自适应调整，实现安全、高效、低耗的无人化/少人化掘进。
特征：端到端学习，能处理高维状态，探索复杂策略空间，适应时变环境。

变量：状态s， 动作a， 奖励r， 策略π_θ， 价值函数Q_φ。
参数：神经网络结构（层数、节点数）、学习率α、折扣因子γ、探索率ε、回放缓冲区大小。

随机优化​

强化学习、智能决策、策略梯度、价值迭代术语。

1. 初始化策略网络π和价值网络Q。2. 循环每个回合：a. 重置环境到初始状态s_0。b. 循环每一步：i. 根据当前策略选择动作a_t ~ π(·|s_t)。ii. 执行动作，环境返回奖励r_t和新状态s{t+1}。iii. 存储经验(s_t, a_t, r_t, s{t+1})。iv. 从缓冲区采样批次，计算目标y = r + γ max_a' Q(s', a')。v. 通过最小化(Q(s,a)-y)^2更新Q网络。vi. 通过策略梯度更新π网络。c. 直到回合结束。3. 输出训练好的策略π。​

不适用（本模型是信息流与决策流）。

强化学习理论、深度学习、动态规划、随机近似。

工业基础：历史掘进数据、盾构PLC数据、地质预报数据。
信息化基础：盾构掘进仿真平台、强化学习框架（如TensorFlow, PyTorch）。
数字化基础：数据采集与预处理管道、仿真-现实迁移学习算法。

Dun-0076​

疲劳寿命模型

结构健康

基于断裂力学与雨流计数法

盾体关键焊缝疲劳寿命预测与损伤累积模型

1. 应力谱获取：通过有限元分析或现场应变测量，获得关键焊缝热点处的应力-时间历程。
2. 循环计数：采用雨流计数法将复杂的变幅应力历程分解为一系列完整的应力循环（应力幅Δσ_i，平均应力σ_m,i）。
3. 疲劳损伤计算：采用Miner线性累积损伤法则。对于每个应力循环，根据其Δσ_i和σ_m,i，通过 Goodman 或 Gerber 公式修正为等效应力幅Δσ_eq,i。然后查询材料的S-N曲线（Δσ^m * N = C），得到该应力幅下导致破坏的循环次数N_f,i。该循环造成的损伤为D_i = 1/N_f,i。
4. 总损伤与寿命：总损伤D = Σ D_i。当D达到临界值（通常为1）时，预测发生疲劳破坏。预测寿命为总时间或总循环次数。
5. 裂纹扩展分析（可选）：对于已知初始缺陷，可采用Paris公式 da/dN = C (ΔK)^m 预测裂纹扩展寿命，其中ΔK为应力强度因子幅。

基于S-N曲线的预测在数量级上可靠，但分散性大，误差因子可达2-10。裂纹扩展模型精度依赖于初始缺陷尺寸的准确评估。

疲劳力学、断裂力学、累积损伤理论、雨流计数法。

场景：盾体结构（特别是高应力集中焊缝）的疲劳寿命评估，制定检测与维护计划，预防疲劳失效。
特征：将随机载荷历史转化为离散的疲劳损伤事件，进行线性累积。

变量：应力时间历程σ(t)， 应力幅Δσ， 平均应力σ_m， 损伤D， 寿命N。
参数：S-N曲线参数m, C， 疲劳极限σ_e， Goodman系数， 初始裂纹尺寸a_0， Paris参数C, m。

统计与积分​

疲劳分析、损伤累积、S-N曲线、雨流计数术语。

1. 获取应力时程σ(t)。2. 雨流计数，得到循环列表(Δσ_i, σ_m,i)。3. 对每个循环，计算等效应力幅Δσ_eq,i = Δσ_i / (1 - σ_m,i/σ_u)。4. 根据S-N曲线，计算N_f,i = C / (Δσ_eq,i)^m。5. 计算损伤D_i = 1/N_f,i。6. 总损伤D = Σ D_i。7. 预测寿命：N_total = 1 / (D / N_cycles)， 其中N_cycles为总循环数。​

不适用（本模型分析损伤的累积，非流动）。

材料疲劳、概率统计、载荷谱分析、损伤力学。

工业基础：盾体焊缝细节设计、材料疲劳性能数据、现场应变监测数据。
信息化基础：疲劳分析软件（如nCode, FE-SAFE）、应力测量系统。
数字化基础：自动化雨流计数与损伤计算脚本、数字孪生疲劳寿命模块。

Dun-0077​

多相流模型

开挖面稳定

基于VOF方法与界面追踪

泥水盾构开挖面泥膜形成动态过程VOF模拟模型

1. 多相流设置：采用VOF方法追踪水、泥浆、空气/土体之间的界面。控制方程为包含相分数的N-S方程。
2. 相分数方程：对第q相，体积分数α_q的输运方程：∂α_q/∂t + ∇·(α_q u) = 0。所有相分数之和为1。
3. 物性混合：在界面处，密度和粘度等物性按相分数加权平均：ρ = Σ α_q ρ_q, μ = Σ α_q μ_q。
4. 动量方程：求解混合物的N-S方程：∂(ρu)/∂t + ∇·(ρuu) = -∇p + ∇·[μ(∇u+∇u^T)] + ρg + F_s， 其中F_s为表面张力源项。
5. 泥浆渗滤：通过在多孔介质区域（土体）添加动量源项（达西项）模拟泥浆向地层的渗滤和泥膜形成。

能定性再现泥膜动态形成过程、压力传递。定量精度受网格分辨率、界面捕捉方法、渗滤模型参数影响。

计算流体力学、多相流、界面捕捉方法、渗流力学。

场景：泥水盾构泥膜形成机理研究，优化泥浆配比和压力设定，评估开挖面稳定性，防止泥水喷发或失稳。
特征：显式捕捉多相界面动态，模拟泥浆-水-土相互作用。

变量：速度u， 压力p， 相分数α_q。
参数：各相密度ρ_q、粘度μ_q， 表面张力系数σ， 土体渗透系数k， 孔隙率n。

偏微分方程组​

VOF、多相流、泥膜形成、渗滤术语。

1. 建立几何模型：包含泥水舱、开挖面土体区域。2. 初始化：泥水舱充满泥浆，土体为饱和/非饱和土。3. 设置边界条件：进浆压力、排浆压力、土体远场压力。4. 求解相分数方程和动量方程，每个时间步重构界面。5. 在土体区域添加达西阻力源项模拟渗滤。6. 模拟泥浆颗粒在开挖面沉积、滤水形成泥膜的过程。7. 后处理分析泥膜厚度、压力分布、滤失量。​

流动模型：泥浆在压力差驱动下流向开挖面，部分水相滤失进入地层，固体颗粒在开挖面沉积形成泥膜，这是一个多相（液-固-土）耦合输运过程。

多相流理论、界面追踪方法、计算流体力学、渗流理论。

工业基础：泥浆配比、开挖面土体参数、泥水舱压力控制逻辑。
信息化基础：CFD软件（如Fluent, OpenFOAM）及其多相流模块。
数字化基础：参数化泥膜形成仿真、与地质模型耦合。

Dun-0078​

电磁兼容模型

电气系统

基于有限元法与传输线理论

盾构内大功率变频器传导与辐射电磁干扰预测模型

1. 干扰源建模：变频器IGBT高速开关产生高频dv/dt和di/dt，是主要干扰源。建立其等效电路模型，包括寄生参数（杂散电感、电容）。
2. 传导干扰路径：干扰通过电源线、电机电缆传导。建立共模和差模等效电路，采用传输线理论或电路仿真分析干扰电流/电压在电缆上的传播。
3. 辐射干扰路径：高频电流流过电缆和机壳，产生辐射场。采用有限元法（FEM）或矩量法（MoM）求解麦克斯韦方程组，计算近场和远场分布。
4. 敏感设备耦合：分析干扰通过空间辐射或电缆耦合到敏感设备（如传感器、控制器）的机制，计算耦合电压/电流。
5. 标准符合性评估：将预测结果与EMC标准（如CISPR, EN）限值比较。

传导干扰预测在150kHz-30MHz频段相对较准，误差约±6dB。辐射干扰预测更复杂，精度受模型简化、环境反射影响大。

电磁场理论、传输线理论、电路理论、电磁兼容。

场景：盾构电气系统EMC设计与整改，预测变频器产生的电磁干扰，评估其对控制系统、通信系统的影响，确保系统可靠运行。
特征：涵盖传导与辐射、近场与远场、源-路径-受体全链路分析。

变量：干扰电压V_noise， 干扰电流I_noise， 电场强度E， 磁场强度H。
参数：开关频率f_sw， 上升时间t_r， 寄生电感L_par， 寄生电容C_par， 电缆参数（R,L,C,G）， 屏蔽效能SE。

偏微分方程/电路方程​

电磁兼容、传导发射、辐射发射、耦合路径术语。

1. 干扰源特性提取：通过测量或仿真获取变频器输出端的共模/差模干扰电压频谱V_dm(f), V_cm(f)。2. 建立系统模型：包括变频器、电缆、电机、滤波器、接地系统的等效电路/三维模型。3. 传导分析：在电路仿真软件中，计算流入电源线的干扰电流，与标准限值线比较。4. 辐射分析：在电磁场仿真软件中，设置辐射边界，计算3m/10m处的辐射场强。5. 敏感性分析：计算干扰在敏感设备端口感应的电压。6. 提出整改措施（如加滤波器、改善接地、屏蔽）。​

流动模型：高频电磁能量以传导电流形式沿电缆流动，或以电磁波形式通过空间辐射传播，形成干扰。

电磁场理论、微波工程、信号完整性、EMC标准。

工业基础：变频器电路图、电缆规格、机柜布局图、EMC测试设备。
信息化基础：电路仿真软件（如SPICE）、电磁场仿真软件（如CST, HFSS）。
数字化基础：EMC模型库、自动化仿真与合规性检查流程。

Dun-0079​

可靠性模型

系统安全

基于故障树分析与贝叶斯网络

盾构主驱动系统可靠性评估与故障诊断贝叶斯网络模型

1. 故障树构建：以“主驱动失效”为顶事件，向下逐层分解为中间事件和底事件（基本部件故障），用逻辑门（与、或）连接，形成故障树。
2. 贝叶斯网络转化：将故障树转化为贝叶斯网络（BN）。顶事件和中间事件转化为BN节点，逻辑门转化为条件概率表（CPT）。底事件作为根节点，赋予先验故障概率。
3. 可靠性计算：通过BN推理，计算顶事件的发生概率（系统不可靠度）。进行重要度分析（如Fussell-Vesely），识别关键部件。
4. 诊断推理：当观察到某些症状（证据）时，通过BN进行反向诊断推理，更新各部件故障的后验概率，定位最可能的故障源。
5. 动态贝叶斯网络：考虑部件老化、维修等时间因素，引入时间片，进行动态可靠性预测。

能定量评估系统可靠性和部件重要度。诊断准确性依赖于CPT的准确性和证据的完整性。先验概率来自历史数据或专家经验，存在不确定性。

可靠性工程、故障树分析、贝叶斯网络、概率推理。

场景：主驱动系统可靠性设计、预防性维护计划制定、以及发生故障时的快速诊断与定位。
特征：结合图形化故障逻辑和概率推理，既能正向预测，又能反向诊断。

变量：节点状态（正常/故障）， 节点概率P(X)， 条件概率表CPT。
参数：底事件先验故障率λ， 维修率μ， 逻辑门关系（与、或）。

概率图模型​

故障树、贝叶斯网络、可靠性、诊断推理术语。

1. 系统分析：确定系统边界、失效模式。2. 构建故障树：识别顶事件，逐层分解至底事件。3. 转化为贝叶斯网络：每个事件一个节点，根据逻辑门生成CPT。4. 输入先验概率：根据MTBF等数据设置根节点概率。5. 正向预测：计算顶节点概率，即系统失效概率。6. 重要度分析。7. 诊断推理：将观测到的症状作为证据输入，更新网络，计算各部件故障的后验概率。​

不适用（本模型描述故障逻辑与概率的信息流）。

概率论、图论、系统可靠性、诊断推理。

工业基础：主驱动系统FMEA报告、部件MTBF数据、维修记录。
信息化基础：可靠性分析软件（如ReliaSoft）、贝叶斯网络工具（如GeNIe）。
数字化基础：故障知识图谱、实时监测数据与BN诊断模型集成。

Dun-0080​

数字孪生模型

全系统集成

基于多物理场耦合与实时数据驱动

盾构全生命周期数字孪生构建与运行映射模型

1. 多维模型构建：几何模型：高保真CAD模型。物理模型：集成前述各专业模型（结构、流体、控制等）。行为模型：基于规则或AI的操作逻辑。规则模型：设计、施工、运维规范。
2. 数据感知与融合：通过IoT传感器实时采集掘进参数、姿态、应力、温度、振动等数据。与BIM、GIS数据融合。
3. 模型-数据双向驱动：正向仿真：物理模型在数字空间模拟盾构行为，预测状态。反向校准：利用实时数据通过数据同化（如卡尔曼滤波）校准模型参数，减少仿真-现实差距。
4. 服务层应用：支持虚拟调试、掘进模拟、故障预测、健康管理、远程专家指导等应用。
5. 生命周期管理：从设计、制造、调试、掘进到维护的全过程数据与模型追溯。

数字孪生的保真度和预测能力取决于模型精度、数据质量和融合算法。在良好校准下，关键状态预测误差可控制在5-10%以内，实现趋势性准确预测。

数字孪生、信息物理系统、数据同化、多物理场建模。

场景：盾构设计优化、虚拟调试、施工过程实时监控与预测性维护、人员培训、远程协作。
特征：虚实映射、实时交互、迭代优化、全生命周期管理。

变量：数字空间状态X_d， 物理空间状态X_p， 观测数据Z， 模型参数θ。
参数：传感器精度、采样频率、通信延迟、模型复杂度、同化算法参数。

混合模型​

数字孪生、信息物理系统、数据驱动、模型校准术语。

1. 构建初始数字孪生体：集成几何、物理、行为模型。2. 物理盾构施工，实时数据采集与传输。3. 数据预处理与融合。4. 模型校准：将观测数据Z与数字孪生预测输出H(X_d)比较，通过优化算法调整模型参数θ，使误差最小。5. 运行与预测：利用校准后的模型进行状态预测、故障预警、性能优化。6. 决策与执行：将优化建议反馈给物理盾构控制系统。7. 持续迭代更新。​

流动模型：数据流从物理实体传感器流向数字孪生体，信息流和决策流从数字孪生体反馈给物理实体，形成闭环。

系统工程、控制理论、数据科学、多物理场仿真。

工业基础：盾构全生命周期数据（设计BIM、制造数据、施工数据）、传感器网络、工业通信协议。
信息化基础：数字孪生平台（如ANSYS Twin Builder, Siemens MindSphere）、云计算、大数据分析。
数字化基础：统一数据模型、模型集成接口、实时数据流处理引擎。