简介在盾构/TBM隧道施工中滚刀磨损与故障直接决定工期和成本但传统人工巡检难以连续监测。机器学习技术为工业时序数据分类提供了新思路通过振动传感器、扭矩、贯入度等多通道信号采用CNN提取局部波形特征LSTM/GRU建模时间依赖结合SVM、随机森林处理小样本高维特征实现对正常、偏磨、崩刃、断裂等状态的自动识别。理解信号预处理、滑动窗口切分、标签对齐和数据划分是避免模型过拟合与泄漏的关键。从离线评估到现场部署需结合混淆矩阵、阈值调整和置信度规则构建数据闭环。本文面向设备管理与算法工程师讲解滚刀状态识别的完整技术路线与工程落地经验。1. 滚刀状态识别这件事为什么值得用机器学习来做盾构机和TBM在隧道施工中最头疼的不是推进参数怎么调而是刀盘上的滚刀什么时候坏、坏到什么程度。换刀一次动辄要停机几小时甚至几天误判一次就是工期和成本的双重损失。传统做法靠有经验的工程师听异响、看渣样、翻施工记录但这套经验很难复制也做不到连续监测。Python基于机器学习的滚刀状态识别要做的就是把振动信号、掘进参数这些时序数据变成分类模型的输入用CNN、LSTM、GRU、SVM、随机森林等模型判断滚刀当前处于正常磨损还是偏磨、崩刃、断裂状态。这篇文章适合两类人一类是做盾构/TBM设备管理的技术人员想搞清楚这套方案到底怎么落地另一类是搞机器学习的工程师想找一个真实工业时序分类项目来练手搞懂信号数据怎么预处理、模型怎么选、坑在哪里。2. 滚刀状态识别的五种模型是怎么选出来的数据形态与建模逻辑2.1 滚刀状态数据集的结构传感器信号与标签定义先搞清楚你手里会有什么数据。滚刀状态识别项目里的数据集绝大多数不是图像而是多通道的时间序列。常见的信号来源是加速度传感器、声发射传感器、刀盘扭矩、推进油缸压力和贯入度采样率从几百赫兹到几万赫兹不等。每个通道在某个时间窗口内的一段波形对应一个滚刀状态的标签。标签怎么定这是个容易被低估的问题。我见过不少项目把标签简单写成“正常”“磨损”“崩刃”三类但实际工程里“偏磨”和“正常磨损”的边界很模糊。更靠谱的做法是结合刀具巡检记录每次开仓检查时记录滚刀的实际状态照片和磨损量再把这段时间之前的传感器信号打上对应标签。这里有个关键点信号和标签之间有时间对应关系不是随便取一段信号就能打标签必须对齐到刀具真实的服役时间段。数据格式上常见组织方式是每个样本保存为一行特征向量或者每个样本是一个二维数组形状大概是通道数 序列长度。如果是原始波形通道数就是传感器数量序列长度就是窗口覆盖的采样点数。有些数据集会直接把时域特征提取好存成csv交给分类器用。拿到数据第一步永远是看数据字典确认每一列是什么、采样率多少、标签取值有哪些别急着跑模型。2.2 CNN、LSTM、GRU各自在处理哪类信号特征滚刀破岩产生的振动信号有很强的局部突变特征。刀圈崩刃时振动波形会出现尖峰偏磨时波形的高频成分分布会发生规律性变化。CNN在这种场景下的优势是它能自动学习局部波形模式不需要你手工设计“峰值是不是异常高”这种规则。一维卷积核在时间轴上滑动本质上是在搜索“什么样的小段波形对应什么样的状态”。即使把原始信号直接喂进去CNN也能提取出有区分度的特征。但滚刀信号毕竟是个时间序列状态变化是有前后文关系的。磨损是一个渐进过程前一段的振动特征在某种程度上预示了后一段的状态。LSTM就是为这种时间依赖设计的它通过门控机制把历史信息保留在隐状态里。GRU可以看成是LSTM的轻量变体参数更少训练更快在数据量不够大的时候往往比LSTM更稳。一个实用经验是如果数据是切片式的状态判断CNN足够如果数据是连续监测流需要结合窗口序列做趋势判断LSTM或GRU更合适。很多项目实际做的是先把信号切片用CNN提取空间特征再接LSTM建模时间依赖最后用全连接层分类。这种组合结构在滚刀识别里很常见不一定要从零发明什么新网络。2.3 SVM和随机森林在滚刀识别里的位置特征工程还是端到端深度学习固然热门但滚刀状态识别项目里SVM和随机森林从来不是摆设。原因很实际真实隧道工程能积累的有效故障样本很少崩刃和断裂样本可能只有几十条这种规模下深度学习很容易过拟合。SVM在小样本、高维特征下的分类能力依然能打随机森林则对特征噪声和过拟合的容忍度都很高。这两个模型的关键在于特征工程。常见做法是从每个信号窗口里提取时域特征均值、方差、均方根、峰值因子、峭度和频域特征FFT主频幅值、频谱能量占比再加上掘进参数推力、扭矩、贯入度作为补充特征。特征向量拼接好后做标准化喂给SVM或随机森林。跟端到端的CNN相比这条路线的优势是训练快、可解释性强——你可以直接看出“哪个特征对崩刃判断贡献最大”这会帮你反向验证传感器布局是否合理。3. 把原始信号变成模型能吃的输入预处理、窗口化与数据划分3.1 加载数据并清洗无效段原始采集信号里大量存在无效段停机保压阶段、换刀前后的空转阶段、传感器掉线导致的平线尖峰。这些数据如果不清理模型学会的不是滚刀状态而是“设备有没有在转动”。第一步先把这些无效段剔除。下面这段代码演示了从csv加载多通道信号并用简单的统计规则过滤掉明显异常段。import numpy as np import pandas as pd # 假设原始数据是逐行采样的多通道信号 # 列名: time, vib_x, vib_y, vib_z, torque, thrust df pd.read_csv(raw_signal.csv) # 去掉振动通道全为零的段传感器掉线常表现为平线 vib_cols [vib_x, vib_y, vib_z] df[vib_energy] df[vib_cols].pow(2).sum(axis1) # 一个滑动均值窗口把瞬间尖峰和掉线平线都暴露出来 df[energy_ma] df[vib_energy].rolling(window100, min_periods1).mean() # 保留能量高于下限的段数值需要根据实际信号均值调 valid_df df[df[energy_ma] 0.01].copy() # 再按刀盘转速过滤转速接近0说明刀盘没有正常掘进 valid_df valid_df[valid_df[rpm] 0.5].copy()这段代码的逻辑分三步先算振动能量的滑动均值用来过滤传感器掉线造成的平线再用刀盘转速判断是否处于掘进状态。参数window100和阈值0.01不是通用答案需要先画出信号总览图看正常掘进段的能量水平大概是多少再定阈值。这一步做得越仔细后面模型的准确率越靠谱。3.2 滑动窗口切分与标签对齐清洗完成后信号是连续的长序列不能直接当样本用。需要把长序列切成固定长度的窗口每个窗口对应一条样本和一个标签。窗口长度怎么选这取决于刀盘转速和信号采样率。假设采样率是10kHz刀盘转速是每分钟3转那么一转就是2000个采样点。窗口至少要覆盖一个完整旋转周期取2048或4096比较稳妥。步长可以设成窗口的一半这样相邻窗口有50%重叠样本量翻倍的同时保留时间连续性。def sliding_window(data, labels, window_size, step_size): samples [] sample_labels [] for i in range(0, len(data) - window_size, step_size): # 取一个窗口内的多通道信号形状为 (channels, window_size) window data[i:i window_size].T samples.append(window) # 标签取窗口中间时刻对应的标签避免边界突变 mid_idx i window_size // 2 sample_labels.append(labels[mid_idx]) return np.array(samples), np.array(sample_labels)注意这里标签的取法用的是窗口中间时刻的标签而不是窗口起始时刻。原因是刀具状态在窗口内可能正好发生切换起始标签未必能代表整个窗口的状态。中间时刻最稳妥。窗口形状设计成(channels, window_size)是为了方便后续喂给CNNConv1d的输入格式正是这个形状。如果后面要用LSTM需要转置成(batch, seq_len, features)代码里通过np.transpose调整即可。3.3 训练集/验证集/测试集怎么划分才不算泄漏时间序列项目最容易踩的坑就是随机打乱数据划分。相邻滑动窗口的重叠部分高度相似如果随机划分训练集里可能藏着测试集窗口的“复印件”验证出来的准确率虚高一到现场就原形毕露。正确的做法是按刀号或者按掘进段划分同一把刀的数据要么全部在训练集要么全部在测试集不能混。from sklearn.model_selection import GroupShuffleSplit # cutter_id 是每个窗口对应的刀具编号 groups window_labels_df[cutter_id].values splitter GroupShuffleSplit(n_splits1, test_size0.2, random_state42) train_idx, test_idx next(splitter.split(samples, labels, groups)) X_train, X_test samples[train_idx], samples[test_idx] y_train, y_test labels[train_idx], labels[test_idx]GroupShuffleSplit保证了同一组数据不会被切到两边。这里groups传的是刀具编号这是滚刀识别项目里最合理的分组维度。如果数据里没有刀具编号至少要按连续掘进段编号不要把一整段连续信号切开分到两边。另外random_state固定好以后不要频繁改动否则不同模型对比时的数据基础就变了。4. 在本地复现五种模型的最简实现从CNN到随机森林4.1 用一维CNN识别信号的局部磨损特征CNN模型是滚刀识别里最快见效的模型。输入是一段多通道波形输出是状态类别概率。网络结构不用太复杂三个卷积块加一个全连接层就足够作为初版。关键参数是卷积核大小和通道数核大小决定了模型观察的局部窗口宽度在10kHz采样率下kernel_size32相当于观察3.2毫秒内的波形通道数决定特征图数量不宜一开始就设太大64到128之间比较常见。import torch import torch.nn as nn class CnnClassifier(nn.Module): def __init__(self, n_channels, n_classes): super().__init__() self.features nn.Sequential( # 输入 (batch, n_channels, seq_len) nn.Conv1d(n_channels, 64, kernel_size32, stride2, padding16), nn.BatchNorm1d(64), nn.ReLU(inplaceTrue), nn.MaxPool1d(kernel_size2, stride2), nn.Conv1d(64, 128, kernel_size16, stride2, padding8), nn.BatchNorm1d(128), nn.ReLU(inplaceTrue), nn.AdaptiveAvgPool1d(output_size8), ) self.classifier nn.Sequential( nn.Flatten(), nn.Dropout(p0.3), nn.Linear(128 * 8, 64), nn.ReLU(inplaceTrue), nn.Linear(64, n_classes), ) def forward(self, x): return self.classifier(self.features(x))这个结构的意图是前两个卷积层逐步把原始波形压缩成高维特征图AdaptiveAvgPool1d把长度不固定的特征图池化成固定长度以便接入全连接层。Dropout(0.3)用来缓解小样本过拟合。训练时注意学习率不要一开始设太大我通常用1e-3配合AdamWbatch size在32到64之间。等模型收敛后再微调kernel_size32这个参数看看更小的核是否更关注局部尖峰或者更大的核是否能捕捉到磨损的周期模式。4.2 LSTM和GRU把时间顺序当作背景知识LSTM和GRU把每个采样点按顺序输入网络内部维护一个记忆状态让最后一个时间步的输出携带整个序列的历史信息。在滚刀振动信号上这意味着模型能捕捉到“振动幅值逐渐变大然后突然出现尖峰”这类渐进变化模式。但纯LSTM有个缺点它对局部特征的响应不如CNN敏锐。所以实际项目里常见做法是用CNN先降维把CNN提取的特征序列再输入LSTM。下面是一个可以单独运行的纯LSTM分类器。import torch import torch.nn as nn class LstmClassifier(nn.Module): def __init__(self, n_features, hidden_size, num_layers, n_classes): super().__init__() self.lstm nn.LSTM( input_sizen_features, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, bidirectionalTrue, dropout0.2 if num_layers 1 else 0.0, ) self.fc nn.Sequential( nn.Dropout(0.3), nn.Linear(hidden_size * 2, n_classes), ) def forward(self, x): # x 形状: (batch, seq_len, n_features) lstm_out, (h_n, c_n) self.lstm(x) # 取双向LSTM最后一步的隐状态拼接 last_h torch.cat((h_n[-2, :, :], h_n[-1, :, :]), dim1) return self.fc(last_h)这里的bidirectionalTrue是双刃剑。双向LSTM能同时利用窗口前后的上下文比单向更准但推理延迟也更高。在滚刀监测场景里如果是离线分析无所谓如果要做实时在线监测建议先试单向。hidden_size一般取64或128num_layers2处理复杂时序结构但如果训练样本少层数降为1反而更稳。GRU的实现几乎一模一样把nn.LSTM换成nn.GRU返回值的结构少一个c_n即可。4.3 SVM和随机森林手工特征加经典分类器如果数据量小或者你想快速看一个基线结果SVM和随机森林是最快的路。它们的输入不是原始波形而是手工提取的特征向量。特征提取这一步决定了模型上限。下面代码从每个窗口里提取时域和频域特征然后分别训练两个模型。import numpy as np from scipy.fft import rfft, rfftfreq from sklearn.svm import SVC from sklearn.ensemble import RandomForestClassifier from sklearn.preprocessing import StandardScaler from sklearn.pipeline import make_pipeline def extract_features(window): feats [] for channel in window: # 时域特征 feats.append(np.mean(channel)) feats.append(np.std(channel)) feats.append(np.sqrt(np.mean(channel ** 2))) # 均方根 feats.append(np.max(np.abs(channel))) # 峰值 feats.append(np.mean((np.abs(channel) np.std(channel)).astype(float))) # 峰值占比 # 频域特征 spectrum np.abs(rfft(channel)) freqs rfftfreq(len(channel), d1 / sample_rate) dominant_idx np.argmax(spectrum[1:]) 1 feats.append(freqs[dominant_idx]) # 主频 feats.append(spectrum[dominant_idx] / len(channel)) # 主频幅值归一化 return feats X_feat np.array([extract_features(w) for w in X_train]) X_test_feat np.array([extract_features(w) for w in X_test]) # SVMRBF核适合非线性边界C控制过拟合 svm_model make_pipeline(StandardScaler(), SVC(C10, gammascale, kernelrbf)) svm_model.fit(X_feat, y_train) # 随机森林n_estimators 用200max_depth 限制在10以内防止过拟合 rf_model RandomForestClassifier(n_estimators200, max_depth10, random_state42) rf_model.fit(X_feat, y_train)SVM对特征尺度敏感所以管道里必须先做StandardScaler。gammascale是根据特征数量自动计算核宽度的常用设定比手动调gamma稳得多。随机森林不需要标准化但max_depth一定要限制否则在特征维度高的时候很容易记住噪声。这两类模型训练完可以直接看feature_importances_如果主频相关的特征排在最前面说明滚刀状态确实在频域上有明显反映如果推力扭矩特征贡献很大也别意外这代表负载变化比振动更能区分状态。4.4 统一评估口径混淆矩阵与分类报告五个模型全部训练完之后评估方式不能各看各的准确率。准确率在类别不平衡时是骗人的要统一用每个类别的精确率、召回率和F1分数。下面的代码输出分类报告并绘制混淆矩阵。from sklearn.metrics import classification_report, confusion_matrix # 以测试集为例y_pred 替换成任意模型的预测结果 y_pred svm_model.predict(X_test_feat) print(classification_report(y_test, y_pred, target_names[正常, 偏磨, 崩刃, 断裂])) cm confusion_matrix(y_test, y_pred) print(cm) # 从混淆矩阵里提取最常见错误 # 每一行是真实类别每一列是预测类别 for i in range(len(cm)): for j in range(len(cm)): if i ! j and cm[i][j] 0: print(f真实类别 {i} 被误判为 {j} 的数量: {cm[i][j]})这里最关键的不是总准确率而是“崩刃被误判成正常”的数量。这个数字如果是两位数系统就不敢上线因为漏检的代价极高。对比模型时我会把每个模型的混淆矩阵单独保存重点看少数类别的召回率。CNN在数据量充足时通常能拿到最高的整体F1但SVM和随机森林在少数类上的稳定性有时反而更好这也是为什么项目里经常保留多个模型做最终投票。5. 滚刀状态识别项目的五个典型坑现象、原因、处理5.1 训练集acc很高现场换数据就翻车现象本地测试集准确率95%以上拿到另一台盾构机的数据或者换了传感器安装位置后准确率直接掉到60%以下。原因模型学到了当前工况和传感器布局特有的噪声模式而不是滚刀状态本身的规律。最典型的是不同标段岩石硬度不同振动幅值分布差异巨大传感器安装力矩不同频响特性也随之改变。模型只在单一分布上训练换场景自然失效。解决数据收集阶段就要刻意涵盖多种工况至少包括不同岩石硬度、不同刀盘转速、不同推进力区间。训练前对每个窗口做幅值归一化让振动信号除以该窗口的均方根值削弱绝对幅值差异。更兜底的做法是把“工况参数”也作为模型输入特征让模型学会在推力大、转速高的时候适当调高崩刃判断阈值。5.2 正常样本占九成少数类全被淹掉现象训练集里正常样本占了90%以上崩刃和断裂样本加一起不到5%。模型把所有样本都预测成正常准确率90%但完全没有实用价值。原因隧道工程里滚刀大部分时间确实是正常的故障本来就是小概率事件。模型在交叉熵损失下只要全预测成多数类就能把损失压得很低。解决先做类别重采样用imblearn的SMOTE对少数类过采样或者简单地把少数类样本复制几份。然后给损失函数加类别权重让少数类样本的梯度贡献变大。最后一个关键操作是改变评估指标不再看准确率改看少数类的召回率和F1。模型目标从“整体最准”变成“故障最不能漏”。5.3 LSTM比CNN慢很多精度反而不占优现象训练时间翻了几倍推理速度慢一个数量级最终F1还比CNN低一两个百分点。原因纯LSTM按时间步逐个处理顺序计算无法并行训练和推理天然就慢。滚刀振动信号里决定状态的关键特征更多是局部突变而不是长距离依赖。LSTM的优势没有发挥出来反而增加了过拟合风险。解决先用CNN跑一版看看结果再在CNN输出的特征序列上接一层单向、单层的LSTM。这样既保留了局部特征提取能力又只用少量参数建模时间趋势。如果加了LSTM后准确率没有提升超过1个百分点直接把LSTM去掉工业项目里差一个百分点的准确率换两倍推理性能不划算。5.4 标签是人工标的边界本身就模糊现象训练集里同一段振动波形A工程师标“偏磨”B工程师标“正常磨损”。模型训练时这两个标签互相打架loss降不下去。原因人工巡检记录的刀具状态本来就带有主观判断尤其是“偏磨”和“正常磨损”之间的过渡态连现场照片都很难说清。解决不要强行让模型学一个不存在的清晰边界。把容易混淆的类别合并比如只分“正常”和“异常”“异常”里再做二次细分类。另一个办法是清理标签把两个工程师标注不一致的样本挑出来人工复核确实模糊的直接丢掉。模型训练宁缺毋滥几十个干净样本好过几百个互相矛盾的样本。5.5 深度学习与传统模型对比时的不公平现象报告里写“CNN准确率93%SVM只有85%”然后得出SVM不行的结论。仔细一看CNN用了全部原始信号SVM却只用了三个手工特征。原因对比基线没有建立在同样的信息基础上。传统模型给的特征太少深度学习吃的是全量信息输了很正常但这不是公平的模型对比。解决给特征工程模型喂同样丰富的信息。把原始波形也做成特征比如把信号分帧后计算每一帧的均方根和峰值拼进特征向量。SVM和随机森林的优势本身就是处理高维特征模型对比时尽量让两边输入的信息量一致。统一数据划分和评估函数谁优谁劣才有说服力。6. 让模型下现场从离线指标到可用性验证6.1 嫌准确率不够直观先看混淆矩阵读错五个模型训练完不要只盯着一行准确率。我一般会做出每个模型的混淆矩阵打印成表格然后手工算两类代价误报警代价和漏报警代价。误报警意味着无谓停机开仓检查一次成本几十万漏报警意味着带着崩裂的滚刀硬推严重时刀圈碎块卡死刀盘成本是几百万起。所以判断模型能不能用先看漏检数字再看误检数字。如果混淆矩阵里“断裂被判成正常”不是0这个模型就还不具备上线条件。如果模型表现不好先试试调整判别阈值。分类模型输出的是概率默认阈值是0.5但对滚刀状态来说应该把“崩刃”和“断裂”的预测阈值调低比如0.3就触发告警宁可多看一次也别漏过一次。这个操作不需要重新训练模型只是换一个判别规则。prob cnn_model.predict_proba(X_window) # 返回各类别概率 cutter_break_prob prob[:, 2] prob[:, 3] # 崩刃断裂概率合并 alert_level np.where(cutter_break_prob 0.7, 2, 0) alert_level np.where((cutter_break_prob 0.3) (cutter_break_prob 0.7), 1, alert_level) # 0正常 1预警 2立即停机检查两级告警比单一分类更符合现场操作习惯。预警级别可以让工程师加密观察渣样和掘进参数立即停机级别才触发开仓检查。阈值0.3和0.7不是拍脑袋定出来的需要结合历史误报率反推如果频繁误报导致班组不再相信告警就把0.7往上调如果出现过漏报就把0.3往下调。这个调参过程本身就是对模型可靠性的验证。6.2 用置信度输出与维修决策联动模型下现场的最终形态不是一个孤立的预测脚本而是跟维修决策联动。我习惯在模型输出后加一个规则层模型输出“偏磨”且置信度高于0.8时系统自动将这条记录写入维修工单建议置信度在0.5到0.8之间时只推送预警消息给值班工程师低于0.5则不推送。这样做的目的是减少告警疲劳让工程师把注意力花在高置信度的异常事件上。这里还有一个长期经验每次开仓检修后把实际检查结果回填到数据集里形成新的训练样本。模型部署不是终点而是数据闭环的一个节点滚刀识别模型的准确率是靠不断回填真实检查结果迭代上去的。项目做到最后最值钱的部分往往不是某个模型有多先进而是你积累了一批带真实状态标签的难样本。我会把这些难样本单独存档每次模型迭代都拿同一批样本做回归测试防止新版本修了一个问题又引入另一个问题。这就是做工业识别的职业习惯模型再花哨不如数据闭环可靠。希望这些经验对你有用也祝你的滚刀识别项目少走弯路。本文还有配套的精品资源点击获取