全斷面掘進(jìn)機(jī)健康管理系統(tǒng)的建模與仿真

張?zhí)烊?魏銘琦,劉 彬

(1.沈陽大學(xué) 機(jī)械工程學(xué)院,遼寧 沈陽 110044; 2.東北大學(xué) 機(jī)械工程與自動化學(xué)院,遼寧 沈陽 110819)

鑒于高效、安全等諸多特點(diǎn),全斷面掘進(jìn)機(jī)(Tunnel Boring Machine,TBM)已在世界范圍內(nèi)被廣泛應(yīng)用.截止目前,政府批復(fù)的軌道交通建設(shè)規(guī)劃城市約36個,僅“十三五”期間總投資將超過2萬億元[1-2],運(yùn)營總里程預(yù)計將達(dá)到7 395 km.但是在施工過程中,常會出現(xiàn)諸如塌方、關(guān)鍵部件受損等務(wù)必暫停掘進(jìn)的事故[3-4].相關(guān)研究顯示:TBM因故停車后,排查故障原因與維修時間分別占70%～90%和10%～30%[5-6];分析維修成本,包括TBM在內(nèi)的復(fù)雜裝備經(jīng)歷了事后、定期和預(yù)測維修等階段,今后將向著預(yù)測評估和健康管理方向進(jìn)行發(fā)展[7-8].因此,從設(shè)備運(yùn)行中產(chǎn)生海量數(shù)據(jù)出發(fā),深度挖掘大數(shù)據(jù)信息,研究綠色再制造的TBM健康管理的關(guān)鍵技術(shù),以改善掘進(jìn)過程中的效率、效益和人員安全,意義深遠(yuǎn)[9].

1 系統(tǒng)總體設(shè)計

本文所構(gòu)建的系統(tǒng)以狀態(tài)監(jiān)測和故障診斷為基礎(chǔ),建立面向服務(wù)的健康管理系統(tǒng).圖1為基于Web的面向服務(wù)架構(gòu)(Service-Oriented Architecture,SOA)體系模型.

圖1 基于Web的SOA服務(wù)體系模型Fig.1 Web-based service system model for SOA

TBM健康管理是綜合考慮科學(xué)管理和技術(shù)服務(wù),以便于更好地為裝備的健康狀況進(jìn)行全方位管理[10].因此,基于圖2所示健康管理核心思想,結(jié)合SOA方法的特點(diǎn),建立包含操作層、服務(wù)組件層、服務(wù)層、業(yè)務(wù)流程層和表示層在內(nèi)的健康管理系統(tǒng)體系結(jié)構(gòu),如圖3所示.

圖2 TBM健康管理核心思想Fig.2 Core idea for health management of TBM

2 TBM狀態(tài)監(jiān)測分析

TBM掘進(jìn)狀態(tài)特征參數(shù)的時間序列與其掘進(jìn)模式緊密關(guān)聯(lián).縱然于相同掘進(jìn)模式下,設(shè)備特征參數(shù)時間序列的變化趨勢間有著較大差異,但仍能挖掘其存在的規(guī)律性[9].故其所有故障可分為突發(fā)型和漸發(fā)型.如齒輪折斷等,因零部件的突然損壞所引起的故障為突發(fā)型故障;而諸如齒輪點(diǎn)蝕等問題的出現(xiàn),使得設(shè)備性能循序變化,最終超出其許用值而導(dǎo)致的故障,為漸發(fā)型故障[11-14].

圖3 健康管理系統(tǒng)體系結(jié)構(gòu)圖Fig.3 Health management system architecture diagram

2.1 建立與求解狀態(tài)監(jiān)測模型

2.1.1灰色預(yù)測方法

以設(shè)備掘進(jìn)的時間序列為基礎(chǔ)建立運(yùn)行數(shù)據(jù)的灰色量,以數(shù)據(jù)累加和累減的方式使其灰色量形成白化量,進(jìn)而建立預(yù)測模型進(jìn)行狀態(tài)預(yù)測,即為基于灰色理論的灰色預(yù)測方法.鑒于TBM復(fù)雜多變的掘進(jìn)狀態(tài)難以獲取完整的設(shè)備信息,故定義為灰色系統(tǒng).應(yīng)用灰色預(yù)測方法對TBM掘進(jìn)過程中設(shè)備整體或零部件的劣化程度進(jìn)行科學(xué)預(yù)測,該預(yù)測流程如圖4所示.

圖4 灰色預(yù)測流程Fig.4 Grey prediction process

本文應(yīng)用GM(1,1)模型進(jìn)行預(yù)測,建立灰色預(yù)測的基本模型,以更好地反映TBM掘進(jìn)狀態(tài)變化趨勢.

設(shè)GM(1,1)的建模序列為X(0),即

X(1)為X(0)經(jīng)過一次累加生成的序列

令Z(1)為X(1)的緊鄰均值生成序列

GM(1,1)灰微分方程模型為

(1)

式中:a為發(fā)展系數(shù);b為灰色作用量.

(2)

式中:

(3)

GM(1,1)灰微分方程x(0)(k)+az(1)(k)=b的時間相應(yīng)序列為

(4)

取x(1)(0)=x(0)(1),則

(5)

還原值為

(6)

式(6)即為灰色預(yù)測方程,由該灰色預(yù)測方程進(jìn)行累減,對原始數(shù)據(jù)的預(yù)測值進(jìn)行還原,通過對相對誤差以及絕對誤差等運(yùn)算開展預(yù)測檢驗.

2.1.2建立并求解BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

人工神經(jīng)網(wǎng)絡(luò)模擬人腦神經(jīng)網(wǎng)絡(luò)及其思維方式,神經(jīng)元便為最基本的神經(jīng)網(wǎng)絡(luò)單元,大量最為基本的神經(jīng)網(wǎng)絡(luò)單元通過相互聯(lián)結(jié)構(gòu)成神經(jīng)網(wǎng)絡(luò).最基本的神經(jīng)元模型組成主要包括輸入、網(wǎng)絡(luò)權(quán)值和閾值、求和單元、傳遞函數(shù)、輸出等5部分[12].而BP神經(jīng)網(wǎng)絡(luò)可進(jìn)行雙向傳播,有其自身的優(yōu)越性,屬于人工神經(jīng)網(wǎng)絡(luò)的一種.

根據(jù)預(yù)測模型,若x(0),x(1),…,x(n)為已獲取到的某一掘進(jìn)狀態(tài)特征參數(shù)的n+1個時間序列樣本,并由前n個樣本觀測值對第n+1時刻的值x(n+1)進(jìn)行預(yù)測,圖5為其預(yù)測模型.通過BP網(wǎng)絡(luò)對TBM設(shè)備故障進(jìn)行學(xué)習(xí)預(yù)測包括4個步驟.

圖5 神經(jīng)網(wǎng)絡(luò)預(yù)測流程圖Fig.5 Neural network prediction flow chart

步驟1根據(jù)已知條件確定神經(jīng)網(wǎng)絡(luò)層的數(shù)量和各神經(jīng)網(wǎng)絡(luò)層包含的單元個數(shù).一般由輸入層、隱含層和輸出層構(gòu)成,其單元個數(shù)分別為m,1,1.

步驟2對時間序列樣本x(0),x(1),…,x(n)分組,各組包含m+1個值,其中輸入值為前m個,輸出值為第m+1個.具體表達(dá)如表1所示.

步驟3由BP算法對神經(jīng)進(jìn)行訓(xùn)練以確定其連接權(quán).

步驟4以x(n-m+1),x(n-m+2),…,x(n)等m個某狀態(tài)特征參數(shù)的時間序列作為神經(jīng)網(wǎng)絡(luò)輸入,通過訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行狀態(tài)預(yù)測,其輸出即為第n+1時刻的狀態(tài)預(yù)測值x(n+1).

表1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入輸出樣本Tab.1 Input and output samples of BP neural

2.1.3預(yù)測模型檢驗

該過程包含殘差檢驗和后驗差檢驗兩部分.

(1) 殘差檢驗是指對原始數(shù)據(jù)和預(yù)測數(shù)據(jù)之間的絕對誤差、相對誤差進(jìn)行計算.

絕對誤差為

相對誤差為

(2) 對于后驗差檢驗而言,先對原始序列x(0)(i)的均方差進(jìn)行計算,即

而

然后計算殘差序列ε(0)(i)的均方差，即

而

方差比為

(7)

小誤差概率為

(8)

表2為預(yù)測精度等級劃分表,據(jù)此確定預(yù)測模型的預(yù)測精度.

表2 預(yù)測精度等級表Tab.2 Prediction accuracy rating table

TBM的很多關(guān)鍵部件均采用液壓裝置作為其驅(qū)動力,而作為表征液壓裝置健康與否的液壓油溫度,其變化范圍是本文要考慮的關(guān)鍵因素之一.由于液壓油溫差波動相對較小,宜采用GM(1,1)模型進(jìn)行擬合以及預(yù)測;而TBM主軸承的振動幅值波動較大,適合由BP神經(jīng)網(wǎng)絡(luò)進(jìn)行擬合以及預(yù)測.以兩個特征狀態(tài)參數(shù)的30組歷史數(shù)據(jù)進(jìn)行實(shí)驗,數(shù)據(jù)源自甘肅引洮工程1期9#隧洞,對數(shù)據(jù)進(jìn)行抽取的頻率為1 h.其中,由前25組數(shù)據(jù)作為樣本進(jìn)行訓(xùn)練,訓(xùn)練后,由最后5組數(shù)據(jù)進(jìn)行模型檢驗,結(jié)果如表3所示.

表3 狀態(tài)特征參數(shù)預(yù)測結(jié)果Tab.3 Prediction results of state characteristic parameters

由表3可知：在誤差允許的范圍內(nèi),GM(1,1)預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型最大可對狀態(tài)參數(shù)進(jìn)行5步預(yù)測,獲知未來5 h內(nèi)的工作狀態(tài).但更長時間內(nèi)工作狀態(tài)的預(yù)測精度會隨預(yù)測步數(shù)增加而降低.其改進(jìn)措施包括灰色預(yù)測由殘差模型進(jìn)行修正,神經(jīng)網(wǎng)絡(luò)預(yù)測通過增加網(wǎng)絡(luò)輸出單元進(jìn)行修正.鑒于TBM設(shè)備為實(shí)時監(jiān)測,該模型可由1級預(yù)測精度對未來5 h內(nèi)設(shè)備的運(yùn)行情況給予預(yù)測,以滿足設(shè)備使用要求.

3 基于小波包算法的能量特征向量提取

本文以小波包能量譜為基礎(chǔ)進(jìn)行故障診斷,即以能量方式表示小波包的分解結(jié)果[12],并以各頻帶內(nèi)信號的平方和作為其標(biāo)志開展診斷過程.

(9)

表4 各特征信號頻率范圍Tab.4 Frequency range of each characteristic signal

(10)

因為離散點(diǎn)的個數(shù)是n,則j=1,2,…,n.

步驟4相對能量特征向量構(gòu)建.對小波包全部能量進(jìn)行定義：

(11)

對一頻段內(nèi)相對小波包能量進(jìn)行定義：

(12)

所構(gòu)建的小波包相對能量特征向量為

(13)

將式(13)作為神經(jīng)網(wǎng)絡(luò)輸入進(jìn)行故障診斷.

4 故障診斷方法建立

本文建立了一種不依賴于模型的神經(jīng)網(wǎng)絡(luò)故障診斷方案,即采用基于小波包-BP神經(jīng)網(wǎng)絡(luò)的方案開發(fā)狀態(tài)監(jiān)測與故障診斷系統(tǒng).

4.1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程概述

采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷:首先,獲取相當(dāng)數(shù)量的訓(xùn)練樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練,以得到確定期望權(quán)值、閾值等的故障診斷神經(jīng)網(wǎng)絡(luò);其次,由經(jīng)過學(xué)習(xí)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷,過程即采用神經(jīng)網(wǎng)絡(luò)前向計算的過程.

4.2 最快速下降BP學(xué)習(xí)算法

若迭代次數(shù)為k,則對各層權(quán)值和閾值進(jìn)行修正,即

(14)

式中:z(k)為連接各層間的權(quán)值或閾值;g(k)=?Ek/?z(k),為k次迭代后,輸出誤差相對權(quán)、閾值的梯度向量;“-”為梯度反方向,即最快速下降方向;α為學(xué)習(xí)速率常數(shù),由訓(xùn)練而定.

以只有1個輸入樣本的2層神經(jīng)網(wǎng)絡(luò)為例,若有p個輸入層神經(jīng)元,q個輸出層神經(jīng)元,則

式中:E(k)為k次迭代后的誤差;E[e(k)]為k次迭代誤差函數(shù);Ti為i階目標(biāo)輸入向量;ai(k)為k次迭代輸出向量;f為迭代誤差常數(shù);wi,j(k)為k次迭代神經(jīng)元權(quán)值;a為學(xué)習(xí)速率常數(shù);θ為權(quán)值修正量.

如果2層神經(jīng)網(wǎng)絡(luò)有n個輸入樣本,則

(17)

以上過程表明,權(quán)值和閾值是在所有樣本輸入并得出總誤差后給予修正的,即批處理法.該方法在樣本數(shù)較多時,可獲得較快的收斂速度.

2層神經(jīng)網(wǎng)絡(luò)權(quán)值空間維數(shù)nw=m×p+p×q,閾值空間維數(shù)nθ=p+q,故對所有權(quán)值和閾值誤差進(jìn)行修正,其誤差空間維數(shù)應(yīng)為nE=nw+nθ=m×p+p×q+p+q.

故神經(jīng)網(wǎng)絡(luò)誤差曲面是一個難以在三維空間進(jìn)行表示的極復(fù)雜超曲面.所以,經(jīng)過模型簡化,以僅有一個輸入神經(jīng)元的單層神經(jīng)網(wǎng)絡(luò)舉例,即經(jīng)由一個輸入樣本數(shù)繪制誤差曲線,可更直觀觀察并調(diào)整輸出誤差.

給定訓(xùn)練樣本集p=[-5.8 -5.1 -4.1 -4.04 4.1 5.2 5.1],輸出目標(biāo)集T=[00.9 0.89 0.14 0.11 0.03 1.06 1.07],由Matlab計算,獲得如圖6所示二維誤差的曲面圖.

圖6 計算獲得的權(quán)值和閾值二維誤差曲面圖Fig.6 Obtained weight and threshold two-dimensional

5 系統(tǒng)的搭建與運(yùn)行

本文搭建了可在網(wǎng)頁上進(jìn)行瀏覽的系統(tǒng),在地址欄中鍵入地址:http://xx.xx.xx.xx:8080/enginehealth /index.aspx,訪問系統(tǒng)主界面,主要功能有:用戶管理、項目管理、數(shù)據(jù)采集與分析、狀態(tài)監(jiān)測、故障診斷、遠(yuǎn)程培訓(xùn)、系統(tǒng)管理和輔助功能等子系統(tǒng).本文僅對故障診斷子系統(tǒng)功能展開介紹.

診斷過程包含“數(shù)據(jù)輸入” “分解結(jié)果”“樣本和待檢信號特征向量”3部分.輸入小波包分解層數(shù),分解通道信息和一次分解采樣點(diǎn)數(shù)，顯示樣本特征向量和待分析信號特征向量.實(shí)驗時,通道1，2和3對應(yīng)測點(diǎn)1,2和3,其輸入信息參見圖7.點(diǎn)擊“分解結(jié)果”,從“待檢信號”處獲得分解重構(gòu)后的3層小波包能量特征值.

圖7 能量特征值提取與顯示界面Fig.7 Interface for extracting and displaying

在故障診斷神經(jīng)網(wǎng)絡(luò)前,系統(tǒng)顯示圖8界面,根據(jù)提示設(shè)定參數(shù)后,點(diǎn)擊“確定”鍵進(jìn)行數(shù)據(jù)保存,進(jìn)而點(diǎn)擊“開始學(xué)習(xí)”鍵進(jìn)行神經(jīng)網(wǎng)絡(luò)對樣本的學(xué)習(xí)過程.完成學(xué)習(xí)后,獲得如圖9所示網(wǎng)絡(luò)誤差性能曲線圖.而后對監(jiān)測到的信號進(jìn)行診斷,直到出現(xiàn)診斷結(jié)果.

圖8 訓(xùn)練參數(shù)設(shè)定界面Fig.8 Training parameter setting interface

圖9 網(wǎng)絡(luò)誤差性能變化圖Fig.9 Network error performance variation diagram

若無期望結(jié)果,系統(tǒng)彈出提示界面.由人工檢查發(fā)現(xiàn)故障,并輸入特征值,完成BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程,以豐富故障診斷系統(tǒng)數(shù)據(jù)庫,為今后診斷提供判據(jù).

6 結(jié)論

本文以TBM主變速箱為例,對TBM的狀態(tài)監(jiān)測和故障診斷過程進(jìn)行了深入研究,得出以下結(jié)論:

(1) 文中采用了GM(1,1)和神經(jīng)網(wǎng)絡(luò)預(yù)測模型,通過預(yù)測分析預(yù)知掘進(jìn)狀況,以減少事故頻次.由計算實(shí)例可知,有效地提高了模型的預(yù)測精度,使得設(shè)備能夠達(dá)到1級預(yù)測精度預(yù)測5 h后的設(shè)備運(yùn)行情況.

(2) 介紹了基于小波包進(jìn)行數(shù)據(jù)采集提取能量特征向量的算法,達(dá)到了既能實(shí)時處理信號,又能保留完整信號高、低頻信息之目的.

(3) 設(shè)計BP神經(jīng)網(wǎng)絡(luò)最快速下降的學(xué)習(xí)算法.

(4) 利用虛擬儀器和Matlab軟件開發(fā)TBM狀態(tài)監(jiān)測與故障診斷系統(tǒng),運(yùn)行結(jié)果證明了本文所采用技術(shù)與理論的可行性、正確性.

(5) 通過二次學(xué)習(xí)影響系數(shù)加權(quán)算法對各特征權(quán)值的調(diào)整,解決了經(jīng)驗獲取模糊特征分量不準(zhǔn)確的問題.進(jìn)一步研究可考慮同時采集同一部件溫度、振動、壓力等信號進(jìn)行融合,已完成更為全面、準(zhǔn)確的診斷過程.