劉高宏 吳恩啟 閔銳 侯天凡 王曉輝

摘 要：為實時監(jiān)控類矩形盾構(gòu)偏心刀盤工作狀態(tài)，提出一種基于遺傳算法（GA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的在線故障預(yù)測方法。首先，利用現(xiàn)場檢測的相關(guān)測量數(shù)據(jù)，建立“特征—故障”數(shù)據(jù)集;然后，利用最優(yōu)權(quán)值與閾值由遺傳算法獲取的BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)集進行自我學(xué)習(xí)，構(gòu)建工作期故障預(yù)測模型;最后，開發(fā)偏心刀盤監(jiān)控系統(tǒng)，對刀盤工作狀態(tài)進行在線預(yù)測。實驗結(jié)果表明，GA-BP網(wǎng)絡(luò)模型預(yù)測準確率達到93.3%，與傳統(tǒng)BP網(wǎng)絡(luò)模型相比提高6%?；贕A-BP網(wǎng)絡(luò)的偏心刀盤在線故障預(yù)測方法可精準預(yù)測刀盤工作狀態(tài)，滿足應(yīng)用設(shè)計要求，為盾構(gòu)施工安全提供有力保障。

關(guān)鍵詞：偏心刀盤;故障預(yù)測;遺傳算法;BP神經(jīng)網(wǎng)絡(luò)

DOI：10. 11907/rjdk. 201213

中圖分類號：TP301文獻標識碼：A 文章編號：1672-7800（2020）010-0111-05

Abstract：In order to effectively monitor the working status of eccentric cutterhead of quasi-rectangular shields， an online failure prediction method based on genetic algorithm to optimize BP neural network model is proposed. First， the “feature- failure” data sets are established using the relevant measurement data of the field inspection. Then， the BP neural network which obtains the optimal weights and thresholds through the genetic algorithm， performs self-learning on the data sets to construct a failure prediction model during the work period. Finally， the eccentric cutterhead condition monitoring system is developed to predict the working state of the cutterhead online. The experimental results show that the accuracy of GA-BP network model is 93.3% which is 6% higher than that of traditional BP network model. The on-line fault prediction method of eccentric cutterhead based on GA-BP can accurately predict the working state of cutterhead， meet the requirements of application design and provide strong guarantee for shield construction safety.

Key Words：eccentric cutterhead; failure prediction; genetic algorithm; BP neural network

0 引言

隨著城市的快速發(fā)展，充分利用地下空間、積極推進隧道建設(shè)的重要性日益凸顯。盾構(gòu)施工法憑借高效、安全等特點，普遍應(yīng)用于城市軌道交通的開挖施工[1-3]。類矩形盾構(gòu)是一種單峒雙線隧道挖掘機械，相比圓形盾構(gòu)具有挖掘效率高、安全性強、操作簡單等優(yōu)點，應(yīng)用廣泛。刀盤系統(tǒng)是類矩形盾構(gòu)施工的核心部件，主要由大刀盤和偏心刀盤組成。在實際工程中，由于偏心刀盤結(jié)構(gòu)力學(xué)性能遠不如大刀盤，易發(fā)生機械故障，造成極大的經(jīng)濟損失甚至人員傷亡。因此，對偏心刀盤故障發(fā)生趨勢進行研究，實現(xiàn)提早預(yù)警具有重要意義。

近年來，傳感技術(shù)得到飛速發(fā)展，由傳感技術(shù)實時獲取的監(jiān)測數(shù)據(jù)能夠及時反映被監(jiān)測設(shè)備的運行狀態(tài)，基于數(shù)據(jù)驅(qū)動的智能故障預(yù)測技術(shù)應(yīng)運而生并被廣泛應(yīng)用到諸多工程領(lǐng)域。目前典型的智能故障預(yù)測方法有專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、支持向量機、隱馬爾科夫模型等[4-6]。其中，基于神經(jīng)網(wǎng)絡(luò)模型的故障預(yù)測是智能預(yù)測理論和方法的核心內(nèi)容之一，它具有強大的自我學(xué)習(xí)、聯(lián)想及推理能力，在故障診斷和預(yù)測領(lǐng)域得到廣泛應(yīng)用。胡杰等[7]采用BP神經(jīng)網(wǎng)絡(luò)對發(fā)動機狀態(tài)進行診斷，可有效識別不同模式下發(fā)動機失火故障;毛君等[8]提出改進螢火蟲算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，應(yīng)用于刮板輸送機狀態(tài)診斷;莫納什大學(xué)Amar等[9]采用基于振動譜圖的神經(jīng)網(wǎng)絡(luò)實現(xiàn)了軸承故障有效識別;李斌等[10]應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對飛機舵面故障趨勢進行了有效預(yù)測;張東來等[11]應(yīng)用神經(jīng)網(wǎng)絡(luò)預(yù)測液壓支架用電磁閥緩變失效問題;吳天舒等[12]提出融合應(yīng)力波分析技術(shù)與神經(jīng)網(wǎng)絡(luò)的故障預(yù)測系統(tǒng)，能夠有效預(yù)測設(shè)備運行狀態(tài)。

綜上所述，神經(jīng)網(wǎng)絡(luò)在發(fā)動機等設(shè)備故障預(yù)測中的應(yīng)用較多，并且取得了較好效果，但是尚未應(yīng)用于盾構(gòu)機故障預(yù)測。本文以類矩形盾構(gòu)偏心刀盤為研究對象，提出一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的偏心刀盤在線故障預(yù)測方法，并開發(fā)相關(guān)狀態(tài)監(jiān)控系統(tǒng)，對實時采集的傳感器數(shù)據(jù)進行分析，實現(xiàn)刀盤實時工作狀態(tài)及故障預(yù)警在線預(yù)測。

1 在線應(yīng)力檢測與訓(xùn)練模式預(yù)處理

1.1 應(yīng)力檢測方法

對于一個復(fù)雜系統(tǒng)而言，能夠反映其工作狀態(tài)主要特征參數(shù)是實現(xiàn)智能故障預(yù)測的關(guān)鍵點及難點。理想狀態(tài)下，偏心刀盤工作狀態(tài)可由一組掘進參數(shù)向量進行描述，典型的掘進參數(shù)包括推力、掘進速度、輸出扭矩、轉(zhuǎn)速等。但是，由于盾構(gòu)法施工的各種限制，實時獲取準確的掘進參數(shù)值可能性微乎其微。

本文采用應(yīng)力檢測的方法獲取準確的偏心刀盤狀態(tài)參數(shù)值，應(yīng)力檢測系統(tǒng)如圖1所示。盾構(gòu)掘進過程中，偏心刀盤同時承受推力、扭矩等載荷，各種載荷力相互疊加，經(jīng)刀盤驅(qū)動傳遞至盾構(gòu)后胸板，致使胸板發(fā)生機械結(jié)構(gòu)局部變形，變形越大，則表示當前刀盤承受載荷力越大。運用有限元分析方法并結(jié)合施工現(xiàn)場具體情況，在盾構(gòu)后胸板標定最大可能表征當前偏心刀盤掘進狀態(tài)的應(yīng)力采集點，測點分布如圖2所示，其中測點1、2、3表示上偏心刀盤，測點4、5、6表示下偏心刀盤。通過在標定點粘貼應(yīng)變片的方法實時獲取偏心刀盤當前狀態(tài)參數(shù)值，并經(jīng)由應(yīng)力采集裝置傳輸至上位監(jiān)控系統(tǒng)。

1.2 訓(xùn)練模式預(yù)處理

以某工程類矩形盾構(gòu)為數(shù)據(jù)來源，將從現(xiàn)場采集到的1 000組具有代表意義的樣本數(shù)據(jù)作為故障預(yù)測網(wǎng)絡(luò)模型訓(xùn)練集。為了能夠以定量形式表示當前偏心刀盤工作狀態(tài)及故障程度，將特征輸出劃分為兩個級別。取若干組正常工作狀態(tài)下的輸入特征向量作為刀盤正常狀態(tài)下訓(xùn)練集，對該訓(xùn)練集歸一化處理并對每組特征向量求和，最小值和最大值分別賦予輸出特征值0和0.7，其余輸入特征向量對應(yīng)特征，輸出按均勻插值法進行賦值，賦值區(qū)間為[0 0.7]。因故障發(fā)生為連續(xù)性過程，取故障發(fā)生前輸入特征向量作為刀盤警戒狀態(tài)訓(xùn)練集，按上述賦值方法賦予對應(yīng)特征輸出介于區(qū)間（0.7 1]，這樣即可實現(xiàn)以定量的方式識別偏心刀盤當前掘進狀態(tài)與故障程度。以偏心刀盤故障數(shù)據(jù)集為分析對象，對不同狀態(tài)下的樣本訓(xùn)練集作歸一化處理，部分偏心刀盤“特征—故障”數(shù)據(jù)集如表1所示。

2 偏心刀盤故障預(yù)測模型構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于偏心刀盤故障預(yù)測，即通過神經(jīng)網(wǎng)絡(luò)對刀盤預(yù)警狀態(tài)和正常工作狀態(tài)下特征向量進行自我學(xué)習(xí)，儲存相關(guān)特征模式信息。神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練成熟之后，可作為故障預(yù)測機，當輸入一組狀態(tài)特征向量，神經(jīng)網(wǎng)絡(luò)模型相應(yīng)輸出當前刀盤工作狀態(tài)[13]。

由于BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值是隨機生成的，每次訓(xùn)練后的結(jié)果差異較大，并且取值不當會導(dǎo)致網(wǎng)絡(luò)振蕩、引起不易收斂、易陷入局部極小值等問題。遺傳算法作為一種自適應(yīng)啟發(fā)式全局搜索算法，其搜索策略有利于避免陷入局部最優(yōu)解，得到全局最優(yōu)解。將遺傳算法應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)，對網(wǎng)絡(luò)權(quán)值、閾值進行優(yōu)化，能夠很好地克服BP神經(jīng)網(wǎng)絡(luò)易陷入局部極小值的缺陷，提高故障預(yù)測精度[14]。本文故障預(yù)測算法流程如圖3所示。

GA-BP偏心刀盤故障預(yù)測模型輸入層節(jié)點、輸出層節(jié)點分別對應(yīng)刀盤狀態(tài)表征參數(shù)與工作狀態(tài)。如表1所示，測點1、測點2、測點3對應(yīng)神經(jīng)網(wǎng)絡(luò)輸入層，因此神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點數(shù)為3。通過將定量化后的刀盤工作狀態(tài)作為神經(jīng)網(wǎng)絡(luò)輸出層，故神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點數(shù)為1。根據(jù)Kolmogorov定理，本文采用3層BP神經(jīng)網(wǎng)絡(luò)作為故障預(yù)測機，因此神經(jīng)網(wǎng)絡(luò)隱含層為單隱層。為確定隱含層節(jié)點數(shù)，首先根據(jù)經(jīng)驗公式確定節(jié)點數(shù)大致范圍，以最小預(yù)測誤差作為評價標準，運用試湊法確定隱含層最佳節(jié)點數(shù)為9。故網(wǎng)絡(luò)結(jié)構(gòu)為3—9—1，網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖4所示。

合適的激勵函數(shù)與訓(xùn)練函數(shù)是保證神經(jīng)網(wǎng)絡(luò)模型性能的重要指標。為解決學(xué)習(xí)率選擇不當造成的網(wǎng)絡(luò)性能下降等問題，采用自適應(yīng)學(xué)習(xí)率梯度下降反向傳播算法traingda，網(wǎng)絡(luò)訓(xùn)練目標0.000 1，激勵函數(shù)選擇Tansig-Logsig組合。

本文采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進行尋優(yōu)，目的是找出最佳染色體，使神經(jīng)網(wǎng)絡(luò)輸出誤差平方和最小，所以遺傳算法適應(yīng)度函數(shù)被選取為BP神經(jīng)網(wǎng)絡(luò)輸出誤差平方和，即遺傳算法適應(yīng)度函數(shù)為：

其中，M為訓(xùn)練模式總數(shù)，K為輸出神經(jīng)元節(jié)點數(shù)，T、P分別為第K個輸出神經(jīng)元真實值和預(yù)測值。

為了保證遺傳算法終止時得到的結(jié)果為歷代出現(xiàn)的最佳適應(yīng)度個體，采用最佳保留選擇，即首先執(zhí)行輪盤賭法進行遺傳選擇操作，隨后將適應(yīng)度最高的個體直接復(fù)制到下一代群體中。以本文數(shù)據(jù)集為樣本空間，經(jīng)過大量實驗，最終確定種群規(guī)模為40，變異概率和交叉概率分別為0.1、0.3，編碼方式采用實數(shù)編碼進行自然搜索[15]。

3 仿真分析

神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)和參數(shù)設(shè)定完成，從1 000組訓(xùn)練模式中隨機抽取940組數(shù)據(jù)作為網(wǎng)絡(luò)模型訓(xùn)練集，其余60組數(shù)據(jù)作為網(wǎng)絡(luò)模型性能測試集。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)適應(yīng)度變化曲線如圖5所示，算法迭代8次后，適應(yīng)度值處于穩(wěn)定狀態(tài)，最佳適應(yīng)度值為0.92。經(jīng)過10次迭代以后，遺傳算法獲得最優(yōu)權(quán)值與閾值，將其作為神經(jīng)網(wǎng)絡(luò)初始化參數(shù)。

網(wǎng)絡(luò)訓(xùn)練集和測試集在預(yù)測效果上的回歸分析如圖6所示，從中可以看出，無論是測試集還是訓(xùn)練集，網(wǎng)絡(luò)擬合度均表現(xiàn)出較高水平。

圖7分別顯示了本文提出的GA-BP故障預(yù)測模型與單純的BP故障預(yù)測模型均方誤差收斂曲線。從中可以看出，BP故障預(yù)測模型校驗誤差在迭代45次時達到最佳值1.897 1e-05，網(wǎng)絡(luò)存在震蕩不收斂現(xiàn)象;GA-BP故障預(yù)測模型校驗誤差在迭代22次時達到最佳值1.289 9e-05，誤差曲線收斂趨于平穩(wěn)。從以上數(shù)據(jù)可以看出，在網(wǎng)絡(luò)參數(shù)設(shè)置、訓(xùn)練集與測試集相同的情況下，GA-BP故障預(yù)測模型與BP故障預(yù)測模型相比誤差更小、運行時間更短，并且很大程度上解決了BP神經(jīng)網(wǎng)絡(luò)易陷入震蕩不易收斂的問題，提高了偏心刀盤故障預(yù)測模型可靠性。

相同測試集狀態(tài)下GA-BP故障預(yù)測模型和BP故障預(yù)測模型在測試集上的預(yù)測效果如圖8所示。從中可以看出，兩種網(wǎng)絡(luò)模型預(yù)測值與真實值契合度均表現(xiàn)較高水平，說明應(yīng)用神經(jīng)網(wǎng)絡(luò)對偏心刀盤進行故障預(yù)測是可行的。

兩種故障預(yù)測模型預(yù)測值與真實值統(tǒng)計學(xué)結(jié)果對比如表2所示，從中可以得到兩種預(yù)測模型均可實現(xiàn)故障有效預(yù)測，且GA-BP故障預(yù)測模型精度和準確度均優(yōu)于BP故障預(yù)測模型。對于第10組數(shù)據(jù)，兩種網(wǎng)絡(luò)模型均未有效識別，一是因為當前偏心刀盤處于正常運轉(zhuǎn)和預(yù)警復(fù)合狀態(tài)中，神經(jīng)網(wǎng)絡(luò)根據(jù)特征輸入難以準確判定其工作狀態(tài);另外訓(xùn)練樣本空間不足，導(dǎo)致神經(jīng)網(wǎng)絡(luò)未能充分學(xué)習(xí)，不能有效預(yù)測該類復(fù)合工況。

4 工程實驗

偏心刀盤故障預(yù)測模型訓(xùn)練成熟之后，即可應(yīng)用于具體工程實際。針對數(shù)據(jù)來源類矩形盾構(gòu)，應(yīng)用虛擬儀器開發(fā)平臺LABVIEW結(jié)合安卓技術(shù)開發(fā)偏心刀盤狀態(tài)監(jiān)控系統(tǒng)，其總體設(shè)計結(jié)構(gòu)如圖9所示。該監(jiān)控系統(tǒng)由應(yīng)力檢測系統(tǒng)、現(xiàn)場監(jiān)控客戶端、數(shù)據(jù)庫、云服務(wù)器、遠程手機監(jiān)控客戶端組成。由應(yīng)力檢測系統(tǒng)獲取的偏心刀盤狀態(tài)參數(shù)值被實時傳輸至現(xiàn)場監(jiān)控客戶端，通過LABVIEW與MATLAB混合編程的方式調(diào)用工作期神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)偏心刀盤在線故障預(yù)測。如果預(yù)測值處于預(yù)警區(qū)間，現(xiàn)場監(jiān)控客戶端控制相關(guān)儀器自動拉響警報，提示施工作業(yè)人員偏心刀盤目前處于故障發(fā)生狀態(tài)。

為進一步驗證模型魯棒性和可拓展性，將監(jiān)控系統(tǒng)應(yīng)用于同類型盾構(gòu)施工項目。隨機選取100組同類型盾構(gòu)刀盤狀態(tài)數(shù)據(jù)作為驗證集，預(yù)測結(jié)果如圖10所示。其中，圖10（a）顯示了預(yù)測值與真實值的曲線對比，從中可以看出，預(yù)測值與真實值契合度較高，趨勢基本保持一致，未出現(xiàn)越界情況;圖10（b）顯示了預(yù)測誤差百分比，最大預(yù)測誤差為13.65%，最小預(yù)測誤差1%，平均誤差8.35%。從結(jié)果可知，基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的在線故障預(yù)測方法開發(fā)系統(tǒng)可有效預(yù)測刀盤掘進狀態(tài)，具有較高的預(yù)測精度，可實時高效地監(jiān)控盾構(gòu)機偏心刀盤工作狀態(tài)，實現(xiàn)偏心刀盤在線故障預(yù)測。

5 結(jié)語

本文針對常規(guī)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部最優(yōu)解等問題，應(yīng)用遺傳算法對神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進行優(yōu)化，構(gòu)建了GA-BP偏心刀盤故障預(yù)測模型，并將LABVIEW與安卓技術(shù)結(jié)合，開發(fā)偏心刀盤狀態(tài)監(jiān)控系統(tǒng)，實現(xiàn)了偏心刀盤在線故障預(yù)測。仿真結(jié)果及實驗表明，GA-BP故障預(yù)測模型能夠準確預(yù)測偏心刀盤故障發(fā)生程度，與常規(guī)BP故障預(yù)測模型相比，提高了運行效率和預(yù)測結(jié)果可靠性。該模型可為現(xiàn)場施工人員提供性能評估和早期故障預(yù)警，保證施工安全性，提高工作效率。

參考文獻：

[1] 夏毅敏，卞章括，胡承歡，等. 復(fù)合式土壓平衡盾構(gòu)機刀盤性能綜合評價方法[J]. 機械工程學(xué)報，2014，50（21）：1-9.

[2] LAMBRUGHI A，MEDINA R L，CASTELLANZA R. Development and validation of a 3D numerical model for TBM-EPB mechanised excavations[J].? Computers and Geotechnics，2012（40）：97-113.

[3] PEILA D，PICCHIO A，CHIEREGATO A. Earth pressure balance tunnelling in rock masses：laboratory feasibility study of the conditioning process[J].? Tunnelling and Underground Space Technology，2013（35）：55-66.

[4] 季云，王恒，朱龍彪，等. 基于HMM的機械設(shè)備運行狀態(tài)評估與故障預(yù)測研究綜述[J]. 機械強度，2017，39（3）：511-517.

[5] 王國彪，何正嘉，陳雪峰，等. 機械故障診斷基礎(chǔ)研究“何去何從”[J]. 機械工程學(xué)報，2013，49（1）：63-72.

[6] 雷亞國，賈峰，孔德同. 大數(shù)據(jù)下機械智能故障診斷的機遇與挑戰(zhàn)[J]. 機械工程學(xué)報，2018，54（5）：94-104.

[7] 胡杰，顏伏伍. 基于BP神經(jīng)網(wǎng)絡(luò)的汽油機失火故障診斷方法的研究[J]. 汽車工程，2011，33（2）：101-105.

[8] 毛君，郭浩，陳洪月.? 基于改進螢火蟲算法神經(jīng)網(wǎng)絡(luò)的刮板輸送機減速器故障診斷[J]. 機械強度，2019，41（3）：544-550.

[9] AMAR M，GONDAL I，WILSON C. Vibration spectrum imaging：A novel bearing fault classification approach[J].? IEEE Transactions on Industrial Electronics，2015，62（1）： 494-502.

[10] 李斌，章衛(wèi)國，寧東方，等. 基于神經(jīng)網(wǎng)絡(luò)技術(shù)的飛機舵面故障趨勢預(yù)測研究[J]. 系統(tǒng)仿真學(xué)報，2008（21）：5840-5842，5847.

[11] 張東來，馬鑫. 基于驅(qū)動端電流的礦用液壓電磁閥緩變失效預(yù)測方法[J]. 電子學(xué)報，2010，38（12）：2805-2809.

[12] 吳天舒，陳蜀宇，吳朋. 基于應(yīng)力波分析的狀態(tài)監(jiān)控與故障預(yù)測研究[J]. 儀器儀表學(xué)報，2017，38（12）：3061-3070.

[13] ZAHER A， MCARTHUR S D J， INFIELD D G， et al. Online wind turbine fault detection through automated SCADA data analysis[J].? Wind Energy， 2009， 12（6）：574-593.

[14] 關(guān)永平，宋建，王述紅，等. 基于GA-BP算法的隧道圍巖力學(xué)參數(shù)反分析[J]. 東北大學(xué)學(xué)報（自然科學(xué)版），2012，33（2）：276-278，283.

[15] 楊新武，楊麗軍. 基于交叉模型的改進遺傳算法[J]. 控制與決策，2016，31（10）：1837-1844.

（責任編輯：江 艷）