全斷面掘進機健康管理系統的建模與仿真

張天瑞,魏銘琦,劉 彬

(1.沈陽大學 機械工程學院,遼寧 沈陽 110044; 2.東北大學 機械工程與自動化學院,遼寧 沈陽 110819)

鑒于高效、安全等諸多特點,全斷面掘進機(Tunnel Boring Machine,TBM)已在世界范圍內被廣泛應用.截止目前,政府批復的軌道交通建設規劃城市約36個,僅“十三五”期間總投資將超過2萬億元[1-2],運營總里程預計將達到7 395 km.但是在施工過程中,常會出現諸如塌方、關鍵部件受損等務必暫停掘進的事故[3-4].相關研究顯示: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在內的復雜裝備經歷了事后、定期和預測維修等階段,今后將向著預測評估和健康管理方向進行發展[7-8].因此,從設備運行中產生海量數據出發,深度挖掘大數據信息,研究綠色再制造的TBM健康管理的關鍵技術,以改善掘進過程中的效率、效益和人員安全,意義深遠[9].

1 系統總體設計

本文所構建的系統以狀態監測和故障診斷為基礎,建立面向服務的健康管理系統.圖1為基于Web的面向服務架構(Service-Oriented Architecture,SOA)體系模型.

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

TBM健康管理是綜合考慮科學管理和技術服務,以便于更好地為裝備的健康狀況進行全方位管理[10].因此,基于圖2所示健康管理核心思想,結合SOA方法的特點,建立包含操作層、服務組件層、服務層、業務流程層和表示層在內的健康管理系統體系結構,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狀態監測分析

TBM掘進狀態特征參數的時間序列與其掘進模式緊密關聯.縱然于相同掘進模式下,設備特征參數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律性[9].故其所有故障可分為突發型和漸發型.如齒輪折斷等,因零部件的突然損壞所引起的故障為突發型故障;而諸如齒輪點蝕等問題的出現,使得設備性能循序變化,最終超出其許用值而導致的故障,為漸發型故障[11-14].

圖3 健康管理系統體系結構圖Fig.3 Health management system architecture diagram

2.1 建立與求解狀態監測模型

2.1.1灰色預測方法

以設備掘進的時間序列為基礎建立運行數據的灰色量,以數據累加和累減的方式使其灰色量形成白化量,進而建立預測模型進行狀態預測,即為基于灰色理論的灰色預測方法.鑒于TBM復雜多變的掘進狀態難以獲取完整的設備信息,故定義為灰色系統.應用灰色預測方法對TBM掘進過程中設備整體或零部件的劣化程度進行科學預測,該預測流程如圖4所示.

圖4 灰色預測流程Fig.4 Grey prediction process

本文應用GM(1,1)模型進行預測,建立灰色預測的基本模型,以更好地反映TBM掘進狀態變化趨勢.

設GM(1,1)的建模序列為X(0),即

X(1)為X(0)經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為發展系數;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)即為灰色預測方程,由該灰色預測方程進行累減,對原始數據的預測值進行還原,通過對相對誤差以及絕對誤差等運算開展預測檢驗.

2.1.2建立并求解BP神經網絡預測模型

人工神經網絡模擬人腦神經網絡及其思維方式,神經元便為最基本的神經網絡單元,大量最為基本的神經網絡單元通過相互聯結構成神經網絡.最基本的神經元模型組成主要包括輸入、網絡權值和閾值、求和單元、傳遞函數、輸出等5部分[12].而BP神經網絡可進行雙向傳播,有其自身的優越性,屬于人工神經網絡的一種.

根據預測模型,若x(0),x(1),…,x(n)為已獲取到的某一掘進狀態特征參數的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)進行預測,圖5為其預測模型.通過BP網絡對TBM設備故障進行學習預測包括4個步驟.

圖5 神經網絡預測流程圖Fig.5 Neural network prediction flow chart

步驟1根據已知條件確定神經網絡層的數量和各神經網絡層包含的單元個數.一般由輸入層、隱含層和輸出層構成,其單元個數分別為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.具體表達如表1所示.

步驟3由BP算法對神經進行訓練以確定其連接權.

步驟4以x(n-m+1),x(n-m+2),…,x(n)等m個某狀態特征參數的時間序列作為神經網絡輸入,通過訓練后的神經網絡模型進行狀態預測,其輸出即為第n+1時刻的狀態預測值x(n+1).

表1 BP神經網絡訓練的輸入輸出樣本Tab.1 Input and output samples of BP neural

2.1.3預測模型檢驗

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據和預測數據之間的絕對誤差、相對誤差進行計算.

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為預測精度等級劃分表,據此確定預測模型的預測精度.

表2 預測精度等級表Tab.2 Prediction accuracy rating table

TBM的很多關鍵部件均采用液壓裝置作為其驅動力,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)模型進行擬合以及預測;而TBM主軸承的振動幅值波動較大,適合由BP神經網絡進行擬合以及預測.以兩個特征狀態參數的30組歷史數據進行實驗,數據源自甘肅引洮工程1期9#隧洞,對數據進行抽取的頻率為1 h.其中,由前25組數據作為樣本進行訓練,訓練后,由最后5組數據進行模型檢驗,結果如表3所示.

表3 狀態特征參數預測結果Tab.3 Prediction results of state characteristic parameters

由表3可知：在誤差允許的范圍內,GM(1,1)預測模型和BP神經網絡預測模型最大可對狀態參數進行5步預測,獲知未來5 h內的工作狀態.但更長時間內工作狀態的預測精度會隨預測步數增加而降低.其改進措施包括灰色預測由殘差模型進行修正,神經網絡預測通過增加網絡輸出單元進行修正.鑒于TBM設備為實時監測,該模型可由1級預測精度對未來5 h內設備的運行情況給予預測,以滿足設備使用要求.

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進行故障診斷,即以能量方式表示小波包的分解結果[12],并以各頻帶內信號的平方和作為其標志開展診斷過程.

(9)

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

(10)

因為離散點的個數是n,則j=1,2,…,n.

步驟4相對能量特征向量構建.對小波包全部能量進行定義：

(11)

對一頻段內相對小波包能量進行定義：

(12)

所構建的小波包相對能量特征向量為

(13)

將式(13)作為神經網絡輸入進行故障診斷.

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網絡故障診斷方案,即采用基于小波包-BP神經網絡的方案開發狀態監測與故障診斷系統.

4.1 BP神經網絡學習過程概述

采用BP神經網絡進行故障診斷:首先,獲取相當數量的訓練樣本進行神經網絡訓練,以得到確定期望權值、閾值等的故障診斷神經網絡;其次,由經過學習的BP神經網絡進行故障診斷,過程即采用神經網絡前向計算的過程.

4.2 最快速下降BP學習算法

若迭代次數為k,則對各層權值和閾值進行修正,即

(14)

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

以只有1個輸入樣本的2層神經網絡為例,若有p個輸入層神經元,q個輸出層神經元,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;Ti為i階目標輸入向量;ai(k)為k次迭代輸出向量;f為迭代誤差常數;wi,j(k)為k次迭代神經元權值;a為學習速率常數;θ為權值修正量.

如果2層神經網絡有n個輸入樣本,則

(17)

以上過程表明,權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.該方法在樣本數較多時,可獲得較快的收斂速度.

2層神經網絡權值空間維數nw=m×p+p×q,閾值空間維數nθ=p+q,故對所有權值和閾值誤差進行修正,其誤差空間維數應為nE=nw+nθ=m×p+p×q+p+q.

故神經網絡誤差曲面是一個難以在三維空間進行表示的極復雜超曲面.所以,經過模型簡化,以僅有一個輸入神經元的單層神經網絡舉例,即經由一個輸入樣本數繪制誤差曲線,可更直觀觀察并調整輸出誤差.

給定訓練樣本集p=[-5.8 -5.1 -4.1 -4.04 4.1 5.2 5.1],輸出目標集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 計算獲得的權值和閾值二維誤差曲面圖Fig.6 Obtained weight and threshold two-dimensional

5 系統的搭建與運行

本文搭建了可在網頁上進行瀏覽的系統,在地址欄中鍵入地址:http://xx.xx.xx.xx:8080/enginehealth /index.aspx,訪問系統主界面,主要功能有:用戶管理、項目管理、數據采集與分析、狀態監測、故障診斷、遠程培訓、系統管理和輔助功能等子系統.本文僅對故障診斷子系統功能展開介紹.

診斷過程包含“數據輸入” “分解結果”“樣本和待檢信號特征向量”3部分.輸入小波包分解層數,分解通道信息和一次分解采樣點數，顯示樣本特征向量和待分析信號特征向量.實驗時,通道1，2和3對應測點1,2和3,其輸入信息參見圖7.點擊“分解結果”,從“待檢信號”處獲得分解重構后的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

在故障診斷神經網絡前,系統顯示圖8界面,根據提示設定參數后,點擊“確定”鍵進行數據保存,進而點擊“開始學習”鍵進行神經網絡對樣本的學習過程.完成學習后,獲得如圖9所示網絡誤差性能曲線圖.而后對監測到的信號進行診斷,直到出現診斷結果.

圖8 訓練參數設定界面Fig.8 Training parameter setting interface

圖9 網絡誤差性能變化圖Fig.9 Network error performance variation diagram

若無期望結果,系統彈出提示界面.由人工檢查發現故障,并輸入特征值,完成BP神經網絡的學習過程,以豐富故障診斷系統數據庫,為今后診斷提供判據.

6 結論

本文以TBM主變速箱為例,對TBM的狀態監測和故障診斷過程進行了深入研究,得出以下結論:

(1) 文中采用了GM(1,1)和神經網絡預測模型,通過預測分析預知掘進狀況,以減少事故頻次.由計算實例可知,有效地提高了模型的預測精度,使得設備能夠達到1級預測精度預測5 h后的設備運行情況.

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

(3) 設計BP神經網絡最快速下降的學習算法.

(4) 利用虛擬儀器和Matlab軟件開發TBM狀態監測與故障診斷系統,運行結果證明了本文所采用技術與理論的可行性、正確性.

(5) 通過二次學習影響系數加權算法對各特征權值的調整,解決了經驗獲取模糊特征分量不準確的問題.進一步研究可考慮同時采集同一部件溫度、振動、壓力等信號進行融合,已完成更為全面、準確的診斷過程.