李宏波, 孫振川, 周建軍, 張宏偉， 韓雪峰， 喻 偉

(1.盾構(gòu)及掘進技術(shù)國家重點實驗室，鄭州 450001；2.中鐵隧道集團有限公司，河南 洛陽 471009；3.中鐵建設(shè)投資集團有限公司，廣東 深圳 518000)

隨著隧道及地下空間工程的大發(fā)展，TBM(Tunnel Boring Machine)工法被越來越多的在城市地鐵隧道，引水供水隧道，穿江越海隧道，電力電訊及供氣工程中使用。TBM也被稱為隧道硬巖掘進機，在施工中更多的被應(yīng)用于硬巖地層，在硬巖地層掘進中，由于巖石強度高，刀具磨損劇烈，加之在隧道施工過程中，地質(zhì)工況復(fù)雜，如未能及時了解刀具磨損信息而對刀具狀態(tài)做出合理的評估，一旦刀具磨損報廢后，刀具更換復(fù)雜困難，成本巨大，不但會影響整個工程的質(zhì)量還會拖延工期。因此，對TBM刀具磨損狀態(tài)進行檢測和有效評估是當(dāng)前研究的一個熱點問題[1-4]。

目前TBM刀具檢測多依靠刀具制造商在制造刀具過程中內(nèi)置的傳感器電路或液壓油路來完成檢測，該檢測方法僅當(dāng)?shù)毒吣p到一定程度，出現(xiàn)內(nèi)置電路短路或油路泄壓后才有效，該方法僅作為一種更換刀具的參考判斷，無法評估在掘進過程中刀具的偏磨程度，刀圈磨損等過程狀態(tài)，本文提出的利用聲發(fā)射作為檢測手段，基于自適應(yīng)卡爾曼(Kalman)濾波和改進的信息熵值模型多散點多參量的權(quán)重融合刀具檢測是基于刀具磨損過程的檢測[5-9]。

刀具磨損在微觀上表現(xiàn)為材料內(nèi)部細微裂紋的擴展，聲發(fā)射(Acoustic Emission，AE)技術(shù)對裂紋的擴展非常敏感，能夠反映出裂紋的早期形成及發(fā)展裂化的過程[10-12]。以TBM模態(tài)掘進試驗臺搭載的不同刀具為研究對象，采集聲發(fā)射多散點信息，提出了一種基于改進的熵值賦權(quán)法來融合多特征參量的刀具狀態(tài)評估模型。聲發(fā)射信號的多散點及多特征參量的融合有效的消除了單個異常數(shù)據(jù)樣本點的影響。此外在聲發(fā)射特征輸入模型算法評估前，對AE散點采用門檻閾值濾波，對AE波形采用自適應(yīng)Kalman濾波，以便獲取更加真實有效的樣本原始信號，文章從刀具試驗和模型算法二方面進行研究，將熵權(quán)法刀具狀態(tài)評估值同實際的TBM刀具磨損狀態(tài)進行比對，從而后續(xù)為TBM刀具的現(xiàn)場檢修和保養(yǎng)提供指導(dǎo)，文章的整體研究結(jié)構(gòu)框架圖如圖1所示。

圖1 研究框架流程圖Fig.1 The study flow diagram

1 基于自適應(yīng)Kalman濾波的信號處理

Kalman濾波是在平穩(wěn)及非平穩(wěn)環(huán)境下利用基于狀態(tài)空間的最佳線性遞推方法來實現(xiàn)濾波，自適應(yīng)Kalman濾波則是在經(jīng)典Kalman濾波的基礎(chǔ)上進行改進，通過己知狀態(tài)方程和量測方程獲得的當(dāng)前的估計值和觀測值。在濾波過程的實現(xiàn)中，自適應(yīng)Kalman濾波一方面利用觀測值修正預(yù)測值，同時也對未知的或不確切的系統(tǒng)模型參數(shù)和噪聲統(tǒng)計參數(shù)進行修正，自動調(diào)整濾波器參數(shù)，以適應(yīng)信號或噪聲未知的或隨時間變化的統(tǒng)計特征，從而達到最優(yōu)的濾波結(jié)果[13-15]。自適應(yīng)Kalman濾波原理圖如圖2所示。

圖2 自適應(yīng)Kalman濾波Fig.2 Adaptive Kalman filter

z(k)為采集的原始信號k時刻數(shù)值，z(k)由能夠反映出被測評對象的真實有用信號x(k)和噪聲v(k)構(gòu)成的，x(k)和v(k)不相關(guān)。自適應(yīng)Kalman濾波利用量測數(shù)據(jù)進行遞推濾波時，實時估計和修正系統(tǒng)噪聲和量測噪聲的統(tǒng)計特性，從而達到降低系統(tǒng)模型誤差、抑制濾波器發(fā)散提高濾波精度，該濾波的模型如下，假設(shè)

xk=Φk, k-1xk-1+wk

(1)

zk=Hkxk+vk

(2)

(3)

通過對濾波器模型參數(shù)的實時估計，得出各個參量的估計量為

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

式中，N為濾波器平滑窗口寬度。

2 基于改進信息熵值賦權(quán)法狀態(tài)評估

2.1 改進熵權(quán)法模型

熵的概念起源于熱力學(xué)，又稱為平均信息量，表征信息的無序程度，信息熵越大，信息無序度越高，信息效用值越小。信息熵越小，信息的無序度越小，信息的效用值越大，利用熵值法這一特征信息可區(qū)分信息的多參量權(quán)重層次[16-20]。

傳統(tǒng)信息熵值模型僅針對一路被測信號多特征來賦權(quán)評估，當(dāng)被評估預(yù)測對象為多組信息時，熵權(quán)法無法有效使用。由于聲發(fā)射信號的特殊性，每次數(shù)據(jù)采集可以得到多個聲發(fā)射散點，每個AE散點均可看成一組完整信息，每個散點均均包含多個特征信息參量。并且每個AE散點包含的故障信息不同，對評估對象的狀態(tài)信息貢獻度也不同。此外，還考慮到多組AE散點中有一些偏離真實狀態(tài)的異常樣本點，因此對傳統(tǒng)信息熵權(quán)法模型進行改進，將被評估對象的多個數(shù)據(jù)樣本點和其對應(yīng)的多個特征信息參量進行融合，提出了一種基于聲發(fā)射信號的多散點多特征融合的熵權(quán)法模型算法，該算法模型可有效的對AE多特征參量進行融合，且消除AE異常樣本點的影響?，F(xiàn)將該模型算法介紹如下。

傳統(tǒng)的信息熵模型可簡單表示為在一個信息通道中傳輸?shù)牡趇個信號的信息量Ii

Ii=-lnpi

(12)

式中，pi為該信號出現(xiàn)的概率，如果有n個信號，其出現(xiàn)的概率分別為p1,p2, …，pn,那么這n個信號的平均信息量即熵

(13)

改進熵權(quán)法AE信號評估則針對多組信號，多特征參量進行融合，假設(shè)被測評對象為n，每個測評對象包含r個數(shù)據(jù)樣本，構(gòu)造測評向量{p1,p2, …,pn}，數(shù)據(jù)樣本向量{Q1,Q2, …,Qr}，AE數(shù)據(jù)樣本點Q和特征值T可以組成設(shè)備狀態(tài)評價樣本特征矩陣。

(14)

(15)

(16)

(17)

(18)

(19)

(20)

2.2 熵權(quán)法狀態(tài)評估

依托TBM模態(tài)掘進試驗臺采集不同刀具的聲發(fā)射信號，獲得聲發(fā)射信號源，針對聲發(fā)射多散點和多特征參量構(gòu)造評價矩陣Xr×m，Xr×m為r個數(shù)據(jù)樣本點，每個樣本點對應(yīng)m個特征值。利用模型算法得出Vr×m賦權(quán)矩陣，故聲發(fā)射的多散點和多特征信號后得出的狀態(tài)評估數(shù)值Fn可以表示為

(21)

式中，F(xiàn)n作為被評估對象的綜合評估值融合了r個聲發(fā)射事件樣本散點和其對應(yīng)m個特征量，有效的減少了異常AE樣本點的影響，剔除異常數(shù)據(jù)散點的差異。

3 TBM刀具聲發(fā)射信號實驗分析

TBM模態(tài)掘進試驗臺(見圖3)是為真實模擬實際TBM掘進施工而設(shè)計的硬巖掘進平臺，該平臺可以搭載不同的TBM刀具，模擬不同狀態(tài)的刀具破巖機理，TBM模態(tài)掘進試驗臺巖石箱體是固定的，電機通過減速器、安全軸、小齒輪、大齒圈、主軸承各個部件帶動刀盤旋轉(zhuǎn)和刀盤推進。實驗平臺的額定扭矩和加載推力大，能夠真實反映出硬巖掘進施工TBM的狀態(tài)信息。為了驗證基于自適應(yīng)Kalman濾波和改進的信息熵值模型多散點多參量的權(quán)重融合方法可清晰有效的反映出刀具的不同磨損狀態(tài)，以TBM模態(tài)掘進試驗臺搭載的不同刀具為研究對象進行刀具聲發(fā)射信號采集。

圖3 TBM模態(tài)掘進試驗臺Fig.3 TBM mode driving test bench

3.1 試驗設(shè)計及參數(shù)設(shè)置

為了驗證該模型評估算法的有效性以期對實際TBM刀具磨損狀態(tài)進行有效的評估和檢測。考慮到試驗的比對效果，設(shè)計3組試驗分別對不同磨損狀態(tài)的TBM滾刀狀態(tài)進行評估檢測、對不同磨損狀態(tài)的TBM切刀狀態(tài)進行評估檢測、對完好狀態(tài)的不同TBM刀具進行狀態(tài)評估檢測。通過在刀箱中安裝不同磨損狀態(tài)的刀具，搭載聲發(fā)射數(shù)據(jù)采集設(shè)備采集TBM刀具破巖聲發(fā)射信號。在TBM掘進試驗臺上設(shè)置好設(shè)備參數(shù)，為了有所比對，每次測試設(shè)備參數(shù)保持一致。特別需要說明的是，由于試驗均是單刀進行破巖，刀具承受的載荷很大，推進速度不宜過快。在破巖掘進過程中，TBM模態(tài)掘進試驗臺設(shè)備參數(shù)設(shè)置如表1所示。

表1 TBM模態(tài)試驗臺掘進參數(shù)

檢測系統(tǒng)采用美國PAC的多通道聲發(fā)射數(shù)據(jù)采集系統(tǒng)進行數(shù)據(jù)采集，通過磁力座將聲發(fā)射傳感器固定在刀箱上。在聲發(fā)射數(shù)據(jù)采集設(shè)備中設(shè)置好采集參數(shù)，進行AE數(shù)據(jù)采集。連續(xù)采集240 s的聲發(fā)射信號。然后更換刀具，按照相同的步驟依次采集其它刀具的聲發(fā)射信號，AE設(shè)備采集參數(shù)如表2所示。

表2 采集參數(shù)

3.2 數(shù)據(jù)處理及結(jié)果分析

每次試驗對刀具破巖的聲發(fā)射信號進行采集，作為一次狀態(tài)評估樣本，采集到的聲發(fā)射散點信號如圖4所示，圖中每個聲發(fā)射散點均為一個完整的AE波形信號，相應(yīng)的每個散點均可以提取聲發(fā)射多個特征參量。

試驗提取聲發(fā)射信號的12個特征參量：上升時間、持續(xù)時間、信號強度、RMS(Root Mean Square)、幅值、峰頻、平均頻率、ASL(Automatic Shift Lock)、峰值頻率、能量、絕對能量、中心頻率。提取聲發(fā)射特征參量前，為了被測試對象的狀態(tài)評估的準(zhǔn)確性，需要盡可能的減少噪聲等干擾信號的影響。采取了二次濾波處理方法，一次濾波是通過在聲發(fā)射數(shù)據(jù)采集時門檻閾值進行濾波，通過環(huán)境背景噪聲的測試，設(shè)置門檻閾值為35 db，即AE散點在該門檻閾值以下的信號直接去除。二次濾波則是采用自適應(yīng)Kalman濾波降噪處理方法，該濾波算法特別適應(yīng)信號隨時間變化的統(tǒng)計特征，如圖5所示，可以看出通過濾波后去除了干擾信號，聲發(fā)射信號的峰值等特征信息更加明顯。

圖4 AE散點圖Fig.4 AE scatter diagram

圖5 自適應(yīng)Kalamn濾波Fig.5 Adaptive Kalman filter

針對不同磨損狀態(tài)的滾刀破巖實驗，現(xiàn)有從施工現(xiàn)場得到的處于磨損或報廢狀態(tài)的單刃17英寸滾刀共5把，完好狀態(tài)的滾刀1把。分別將這些不同磨損狀態(tài)的滾刀安裝在刀箱上，采集AE信號，通過自適應(yīng)Kalman濾波和改進的信息熵值模型多散點多參量的權(quán)重融合后得到評估結(jié)果如表3所示。

表3 不同磨損狀態(tài)滾刀模型評估檢測

通過表3發(fā)現(xiàn)不同磨損狀態(tài)的滾刀在測試過程中產(chǎn)生的AE事件是不同的，本文提出的模型在有效濾波的前提下，最大限度的利用了AE散點數(shù)據(jù)，區(qū)分了每個事件的特征參量的權(quán)重，通過多散點，多特征參量的融合，綜合考慮每個AE散點和其對應(yīng)的特征量的作用，該方法不僅可以消除偏差大的異常點的影響，而且在賦權(quán)過程中，突出了重要特征參數(shù)的賦權(quán)數(shù)值,進而準(zhǔn)確反映出滾刀的磨損劣化趨勢及不同磨損狀態(tài)的滾刀狀態(tài)，整個滾刀磨損的趨勢圖如圖6所示。

圖6 不同狀態(tài)滾刀狀態(tài)評估檢測值Fig.6 Different hob evaluation values

此外，通過表3中No.5滾刀和No.6滾刀的對比分析，發(fā)現(xiàn)如果單一采用磨損量來評估檢測滾刀磨損狀態(tài)，No.5滾刀的最大磨損量為9.3 cm，No.6滾刀最大磨損量為8.7 cm。No.5滾刀的損壞程度應(yīng)該更加嚴(yán)重，但是No.6滾刀實際中發(fā)生了多面偏磨，損壞程度更為劇烈，通過熵權(quán)法評估值可以將其有效的區(qū)分。

為了進一步驗證該評估模型算法對其它刀具的有效性，針對不同磨損狀態(tài)的切刀開展破巖實驗，目前現(xiàn)有施工現(xiàn)場收集的故障切刀2把，完好狀態(tài)的切刀1把，通過該評估算法得出的結(jié)果如表4所示。

表4 不同磨損狀態(tài)切刀模型評估檢測

局限于切刀的樣本少，本次實驗僅取了3把刀具進行試驗。區(qū)別于滾刀的滾壓破巖，切刀在與巖石相同接觸后更多的是嵌入后的撕裂，因此在相同的35 db門檻閾值濾波下，產(chǎn)生的AE事件更多，但是通過AE多散點多特征融合后依然能夠反映出切刀的故障程度和劣化趨勢，趨勢如圖7所示。后續(xù)研究過程中需要進一步的積累不同損傷程度的切刀樣本來增加試驗的可靠性。

圖7 不同狀態(tài)切刀狀態(tài)評估檢測值Fig.7 Different cutter evaluation values

為了更進一步的驗證該模型的通用性，結(jié)合本文提出的刀具檢測技術(shù)，對完好的不同的刀具進行狀態(tài)檢測評估。試驗采用17英寸滾刀、19英寸滾刀及雙刃滾刀進行試驗。試驗結(jié)果如表5所示。

表5 不同刀具模型評估檢測

通過表5發(fā)現(xiàn)，如果是正常狀態(tài)的刀具通過該方法后得到的綜合評估值都相對較小，該數(shù)值可以作為正常刀具檢測的初始數(shù)值，即刀具沒有磨損的原始狀態(tài)。

基于自適應(yīng)Kalman濾波和改進的信息熵值模型多散點多參量的權(quán)重融合刀具檢測的最終的目的是利用該刀具檢測方法，將TBM上配置的不同的刀具實際磨損狀態(tài)同該熵權(quán)法評估值在區(qū)間上進行對應(yīng)，然后同實際的刀具磨損圖片進行對應(yīng)，以便對整個刀具的狀態(tài)有直觀的了解。后續(xù)需要針對更多的不同的刀具磨損故障樣本進行研究，建立熵權(quán)法評估數(shù)值同刀具磨損樣本的區(qū)間對應(yīng)關(guān)系，進而為TBM刀具現(xiàn)場檢修和保養(yǎng)提供指導(dǎo)。

4 結(jié) 論

(1)利用聲發(fā)射信號的多散點多特征信息，將聲發(fā)射技術(shù)應(yīng)用于TBM刀具檢測領(lǐng)域，利用自適應(yīng)卡爾曼濾波對聲發(fā)射信號進行濾波處理，排除噪聲等干擾信號，在此基礎(chǔ)上提取聲發(fā)射信號的多特征信息，保證了信號處理的真實有效性，為聲發(fā)射信號的后期處理奠定基礎(chǔ)。

(2)提出了一種基于改進信息熵值賦權(quán)狀態(tài)評估新方法，該方法綜合考慮了聲發(fā)射數(shù)據(jù)樣本點的差異和多特征值的影響，對多個數(shù)據(jù)樣本點對應(yīng)的多個特征值進行賦權(quán)，強化了對狀態(tài)評估貢獻度大的特征值賦權(quán)，突出關(guān)鍵特征參量的作用，消除了偏差較大異常樣本點的影響，該方法能夠有效的區(qū)分和評估TBM刀具的磨損狀態(tài)?；诟倪M的信息熵值模型多散點多參量的權(quán)重融合刀具檢測技術(shù)可為現(xiàn)場TBM刀具的檢維和保養(yǎng)提供數(shù)據(jù)參考。

[ 1 ] MBA, ALFAYEZ. Detection of incipient cavitationand determination of the best efficiency point forcentrifugal pumps using acoustic emission[J]. Journal of Mechanical Process Engineering, 2013, 25(9/10): 342-343.

[ 2 ] NEILL, REUBEN. Detection of recirculation in pumps using acoustic emission[C]∥ Comadem. Monash: Monash University, 1998.

[ 3 ] 宗源,張夢.基于趨勢分析的AMDF基音檢測改進算法[J].振動與沖擊，2014, 33(20): 35-38.

ZONG Yuan，ZHANG Meng.Modified ADMF pitch detection algorithm based on trend analysis[J].Journal of Vibration and Shock, 2014, 33(20): 35-38.

[ 4 ] 孫金山，陳明.TBM滾刀破巖過程影響因素數(shù)值模擬研究[J].巖土力學(xué),2011, 32(6): 1892-1897.

SUN Jinshan,CHEN Ming. Numerical simulaition of influence factors for rock fragmentation by TBM cutters[J]. Rock and Soil Mechanics, 2011, 32(6): 1892-1897.

[ 5 ] TOUTOUNTZAKIS T, MBA D.Observations of acoustic emission activity during gear defect diagnosis[J].NDT&E International, 2003, 36(7): 471-477.

[ 6 ] MIETTINEN J,ANDERSSON P. Methods to monitor the running situation of grease . lubricated rolling bearings[J]. Lubricated Rolling Bearings, 2015: 92-101.

[ 7 ] TAN C K, MBA. Identification of the acoustic emission source during a comparative study on diagnosis of a spur gearbox[J]. Tribology International, 2005, 38(5): 469-480.

[ 8 ] 胡曉依.基于濾波器組分解的周期性振動沖擊信號解調(diào)方法及其應(yīng)用[J].振動與沖擊，2008, 27(8): 132-135.

HU Xiaoyi. Demodulation method and its application of periodic vibration signal based on filter bank decomposition[J]. Journal of Vibration and Shock, 2008, 27(8): 132-135.

[ 9 ] MARTYR A J. Engine testing[M]. Holland: Elsevier, 2007: 170-196．

[10] BARAN G, TSNDA I. A new method for computing Lyapunov exponents[J]. Physics Letters A, 2013, 175(6): 421-427.

[11] 郭瑜,遲毅林.弗德卡曼濾波階比跟蹤解耦新方法[J]. 振動與沖擊，2009, 28(7): 66-68.

GUO Yu, CHI Yilin. New decoupling approach for Vold-Kalman-filtering order tracking[J]. Journal of Vibration and Shock, 2009, 28(7): 66-68.

[12] CAO Liangyue. Practical method for determining theminimum embedding dimension of a scalar times ries[J]. Physical D, 1997, 110 (122): 43-50.

[13] ALBANO A M, MUENCH J. SVD and grassberger procaccia algorithm[J]. Physical Review A, 2011, 38: 3017-3026.

[14] ROGERS L M. The application of vibration analysis and acoustic emission source location to on-line condition monitoring of antifriction bearings [J]. Tribology International,2004, 12(2) : 51-59.

[15] ABDULALLH M, AL-GHANDI, MBA. Estimation of bearing defect size with acoustic emission[J].Insight-Non-Destructive Testing and Condition Monitoring, 2004,46(12): 758-761.

[16] TAKEO, YOSHIOKA. A detection of rolling contact subsurface fatigue cracks using acoustic emission technique [J]. Lubrication Engineering, 1993, 49 (4) : 303-308.

[17] TAKENS F. Detecting strange attractors in turbulence[J]. Lecture Notes in Math, 1981, 898： 366-381.

[18] KIM H S, EYKHOLT R, SALAS J D. Nonlinear dynamics,delay times, and embedding windows[J]. Physica D, 2009, 127(1/2): 48-59.

[19] SATOSHI O D A. Acoustic emission of bending fatigue process of super-carburised spur gear teeth[J]. Progress in Acoustic Emission XI, 1992, 89: 304-310.

[20] MIYACHIKA K, ODA S, KOIDE T. Acoustic emission of bending fatigue process of spur gear teeth [J]. Journal of Acoustic Emission, 2005, 58: 47-53.