基于優(yōu)化BP網(wǎng)絡的類矩形盾構(gòu)偏心刀盤故障預測

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)絡模型的在線故障預測方法。首先，利用現(xiàn)場檢測的相關測量數(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)絡對數(shù)據(jù)集進行自我學習，構(gòu)建工作期故障預測模型;最后，開發(fā)偏心刀盤監(jiān)控系統(tǒng)，對刀盤工作狀態(tài)進行在線預測。實驗結(jié)果表明，GA-BP網(wǎng)絡模型預測準確率達到93.3%，與傳統(tǒng)BP網(wǎng)絡模型相比提高6%?；贕A-BP網(wǎng)絡的偏心刀盤在線故障預測方法可精準預測刀盤工作狀態(tài)，滿足應用設計要求，為盾構(gòu)施工安全提供有力保障。

關鍵詞：偏心刀盤;故障預測;遺傳算法;BP神經(jīng)網(wǎng)絡

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)測設備的運行狀態(tài)，基于數(shù)據(jù)驅(qū)動的智能故障預測技術(shù)應運而生并被廣泛應用到諸多工程領域。目前典型的智能故障預測方法有專家系統(tǒng)、神經(jīng)網(wǎng)絡、支持向量機、隱馬爾科夫模型等[4-6]。其中，基于神經(jīng)網(wǎng)絡模型的故障預測是智能預測理論和方法的核心內(nèi)容之一，它具有強大的自我學習、聯(lián)想及推理能力，在故障診斷和預測領域得到廣泛應用。胡杰等[7]采用BP神經(jīng)網(wǎng)絡對發(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，應用于刮板輸送機狀態(tài)診斷;莫納什大學Amar等[9]采用基于振動譜圖的神經(jīng)網(wǎng)絡實現(xiàn)了軸承故障有效識別;李斌等[10]應用BP神經(jīng)網(wǎng)絡對飛機舵面故障趨勢進行了有效預測;張東來等[11]應用神經(jīng)網(wǎng)絡預測液壓支架用電磁閥緩變失效問題;吳天舒等[12]提出融合應力波分析技術(shù)與神經(jīng)網(wǎng)絡的故障預測系統(tǒng)，能夠有效預測設備運行狀態(tài)。

綜上所述，神經(jīng)網(wǎng)絡在發(fā)動機等設備故障預測中的應用較多，并且取得了較好效果，但是尚未應用于盾構(gòu)機故障預測。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)絡的偏心刀盤在線故障預測方法，并開發(fā)相關狀態(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)及故障預警在線預測。

1 在線應力檢測與訓練模式預處理

1.1 應力檢測方法

對于一個復雜系統(tǒng)而言，能夠反映其工作狀態(tài)主要特征參數(shù)是實現(xiàn)智能故障預測的關鍵點及難點。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。

本文采用應力檢測的方法獲取準確的偏心刀盤狀態(tài)參數(shù)值，應力檢測系統(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)由應力采集裝置傳輸至上位監(jiān)控系統(tǒng)。

1.2 訓練模式預處理

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)作為故障預測網(wǎng)絡模型訓練集。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)下訓練集，對該訓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)訓練集，按上述賦值方法賦予對應特征輸出介于區(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 偏心刀盤故障預測模型構(gòu)建

BP神經(jīng)網(wǎng)絡應用于偏心刀盤故障預測，即通過神經(jīng)網(wǎng)絡對刀盤預警狀態(tài)和正常工作狀態(tài)下特征向量進行自我學習，儲存相關特征模式信息。神經(jīng)網(wǎng)絡模型訓練成熟之后，可作為故障預測機，當輸入一組狀態(tài)特征向量，神經(jīng)網(wǎng)絡模型相應輸出當前刀盤工作狀態(tài)[13]。

由于BP神經(jīng)網(wǎng)絡初始權(quán)值和閾值是隨機生成的，每次訓練后的結(jié)果差異較大，并且取值不當會導致網(wǎng)絡振蕩、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。將遺傳算法應用于BP神經(jīng)網(wǎng)絡，對網(wǎng)絡權(quán)值、閾值進行優(yōu)化，能夠很好地克服BP神經(jīng)網(wǎng)絡易陷入局部極小值的缺陷，提高故障預測精度[14]。本文故障預測算法流程如圖3所示。

GA-BP偏心刀盤故障預測模型輸入層節(jié)點、輸出層節(jié)點分別對應刀盤狀態(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對應神經(jīng)網(wǎng)絡輸入層，因此神經(jīng)網(wǎng)絡輸入層節(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)絡輸出層，故神經(jīng)網(wǎng)絡輸出層節(jié)點數(shù)為1。根據(jù)Kolmogorov定理，本文采用3層BP神經(jīng)網(wǎng)絡作為故障預測機，因此神經(jīng)網(wǎng)絡隱含層為單隱層。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)絡結(jié)構(gòu)為3—9—1，網(wǎng)絡拓撲結(jié)構(gòu)如圖4所示。

合適的激勵函數(shù)與訓練函數(shù)是保證神經(jīng)網(wǎng)絡模型性能的重要指標。為解決學習率選擇不當造成的網(wǎng)絡性能下降等問題，采用自適應學習率梯度下降反向傳播算法traingda，網(wǎng)絡訓練目標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)絡輸出誤差平方和最小，所以遺傳算法適應度函數(shù)被選取為BP神經(jīng)網(wǎng)絡輸出誤差平方和，即遺傳算法適應度函數(shù)為：

其中，M為訓練模式總數(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，隨后將適應度最高的個體直接復制到下一代群體中。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)絡模型結(jié)構(gòu)和參數(shù)設定完成，從1 000組訓練模式中隨機抽取940組數(shù)據(jù)作為網(wǎng)絡模型訓練集，其余60組數(shù)據(jù)作為網(wǎng)絡模型性能測試集。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡適應度變化曲線如圖5所示，算法迭代8次后，適應度值處于穩(wěn)定狀態(tài)，最佳適應度值為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)絡初始化參數(shù)。

網(wǎng)絡訓練集和測試集在預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練集，網(wǎng)絡擬合度均表現(xiàn)出較高水平。

圖7分別顯示了本文提出的GA-BP故障預測模型與單純的BP故障預測模型均方誤差收斂曲線。從中可以看出，BP故障預測模型校驗誤差在迭代45次時達到最佳值1.897 1e-05，網(wǎng)絡存在震蕩不收斂現(xiàn)象;GA-BP故障預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)絡參數(shù)設置、訓練集與測試集相同的情況下，GA-BP故障預測模型與BP故障預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)絡易陷入震蕩不易收斂的問題，提高了偏心刀盤故障預測模型可靠性。

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

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

4 工程實驗

偏心刀盤故障預測模型訓練成熟之后，即可應用于具體工程實際。針對數(shù)據(jù)來源類矩形盾構(gòu)，應用虛擬儀器開發(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)，其總體設計結(jié)構(gòu)如圖9所示。該監(jiān)控系統(tǒng)由應力檢測系統(tǒng)、現(xiàn)場監(jiān)控客戶端、數(shù)據(jù)庫、云服務器、遠程手機監(jiān)控客戶端組成。由應力檢測系統(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)絡模型，實現(xiàn)偏心刀盤在線故障預測。如果預測值處于預警區(qū)間，現(xiàn)場監(jiān)控客戶端控制相關儀器自動拉響警報，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，預測結(jié)果如圖10所示。其中，圖10（a）顯示了預測值與真實值的曲線對比，從中可以看出，預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）顯示了預測誤差百分比，最大預測誤差為13.65%，最小預測誤差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)絡模型的在線故障預測方法開發(fā)系統(tǒng)可有效預測刀盤掘進狀態(tài)，具有較高的預測精度，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測。

5 結(jié)語

本文針對常規(guī)BP神經(jīng)網(wǎng)絡收斂速度慢、易陷入局部最優(yōu)解等問題，應用遺傳算法對神經(jīng)網(wǎng)絡權(quán)值和閾值進行優(yōu)化，構(gòu)建了GA-BP偏心刀盤故障預測模型，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測。仿真結(jié)果及實驗表明，GA-BP故障預測模型能夠準確預測偏心刀盤故障發(fā)生程度，與常規(guī)BP故障預測模型相比，提高了運行效率和預測結(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的機械設備運行狀態(tài)評估與故障預測研究綜述[J]. 機械強度，2017，39（3）：511-517.

[5] 王國彪，何正嘉，陳雪峰，等. 機械故障診斷基礎研究“何去何從”[J]. 機械工程學報，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]. 機械工程學報，2018，54（5）：94-104.

[7] 胡杰，顏伏伍. 基于BP神經(jīng)網(wǎng)絡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)絡技術(shù)的飛機舵面故障趨勢預測研究[J]. 系統(tǒng)仿真學報，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測方法[J]. 電子學報，2010，38（12）：2805-2809.

[12] 吳天舒，陳蜀宇，吳朋. 基于應力波分析的狀態(tài)監(jiān)控與故障預測研究[J]. 儀器儀表學報，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] 關永平，宋建，王述紅，等. 基于GA-BP算法的隧道圍巖力學參數(shù)反分析[J]. 東北大學學報（自然科學版），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）