随着城市地下空间的快速建设和发展,盾构法以其快速、安全、环保等固有优势在我国地下工程建设中得到了广泛应用,也逐渐成为城市地下隧道建设最主要施工方法之一。在盾构掘进过程中,刀具退化带来的问题是盾构施工过程中面临的主要难题之一。盾构机刀具的退化会增大事故的发生几率、影响施工效率、威胁人身安全,为了避免这些问题不得不高频率地开仓检查刀具。而高频率地开仓检查又会影响施工进度,浪费人力资源。针对这个矛盾,本文提出了盾构机刀具剩余使用寿命(Remaining Useful Life,RUL)预测方法,主要研究内容如下:(1)构建盾构机刀具RUL预测总体研究框架。梳理了盾构机的结构组成,分析总结了盾构机刀具常见的失效模式,在此基础上提出了基于大数据挖掘技术的盾构机刀具RUL预测方法:首先对数据进行预处理和特征工程处理,然后基于深度学习算法构建表征盾构机刀具健康状态的综合健康指标,最后使用时间序列分析算法预测健康指标未来的退化趋势。(2)盾构机刀具特征参数降维。针对盾构机数据维度大、噪声大的特点,一方面结合机理知识、专家经验对盾构机特征参数进行人工筛选,另一方面通过降维算法实现对数据的降维处理,为后续分析提供了良好的数据基础。(3)采用卷积神经网络(Convolutional Neural Networks,CNN)构建盾构机刀具的健康指标。针对盾构机施工掘进过程工况复杂多变、特征参数趋势性差、数据量大等特点,提出了基于CNN的盾构机刀具健康指标构建方法。利用深度学习的非线性变换,从趋势性差的数据中挖掘更深层的信息。利用CNN模型稀疏连接和权值共享的特点提高了模型构建的效率,同时也减弱了过拟合的风险,为后续健康指标的趋势预测提供支撑。(4)建立盾构机刀具RUL预测模型。基于健康指标,利用长短期记忆(Long Short-Term Memory,LSTM)网络预测健康指标的趋势,根据预测所得的退化轨迹计算距离失效阈值的时间,实现盾构机刀具的剩余使用寿命预测。根据以上研究内容,完成了盾构机刀具RUL预测实例分析,通过实际施工中记录的真实历史数据验证了本文方法的有效性。