改進CNN在TBM變速箱磨損狀態識別中的應用

顧偉紅, 毛夢薇

(蘭州交通大學土木工程學院, 甘肅 蘭州 730070)

0 引言

近年來,我國地下交通工程取得了巨大進展,全斷面硬巖隧道掘進機(TBM)開挖工法由于其安全高效的優點得到了廣泛應用。但是TBM的施工環境惡劣且復雜多變,在掘進過程中常受到頻繁的沖擊和振動,設備零部件難免會逐漸劣化,從而埋下安全隱患,同時TBM系統結構較為復雜,各部件之間相互關聯,無論哪個部位出現問題都會對TBM的正常運行造成影響。變速箱作為TBM的核心部件之一,主要由齒輪、軸承、軸和箱體等部件組成,是復雜的行星齒輪結構,由于在運行過程中長期承受來自TBM和外界的強轉矩作用,致使其故障率極高,而故障發生早期通常以磨損形式出現,大多數設備的失效也是由磨損引起的。因此,監控變速箱的磨損狀態可以在故障發生早期做出判斷,及時處理并制定維護保養策略,防止其帶“病”作業而造成更大的損失,對維持TBM安全穩定運行具有重要意義。

目前已有很多國內外學者對TBM重要部件的狀態監測進行了研究: Sutherland[1]通過比較計算電機處的電壓與隧道中的測量電壓,對TBM電機的性能做出診斷; Simoes等[2]運用模糊邏輯理論建立了TBM利用率預測模型; Alvarez等[3]闡述了依托神經模糊方法對TBM性能建模的研究結果; 左慶林[4]通過分析盾構關鍵設備的故障機制和狀態檢測方法,開放了故障診斷系統; Yagiz等[5]通過構建非線性多變量預測模型,對盾構性能做出評估; 陳文遠等[6]通過融合盾構各監測技術,基于互聯網開發了信息管理系統; 喬世范等[7]在推導出掘進參數與刀具磨損關系的基礎上,提出了一種小波包分解掘進參數信號的盾構刀具磨損識別方法; 劉堯等[8]結合機器學習和盾構掘進參數,基于關聯規則數據挖掘對刀盤的健康狀態做出評估; 李宏波等[9]基于聲發射和改進灰關聯度分析的方法對TBM滾刀的磨損狀態做出評估; 夏燕冰等[10]介紹了油液監測技術的原理和程序,并將其應用于TBM刀盤主軸承、主變速箱和主液壓油箱。

通過對上述文獻的學習發現,國外對于TBM狀態監測的研究集中于掘進機運行性能評價、模型適用性等方面,國外公司主要通過在關鍵設備上裝置各種傳感器,通過傳感器參數的變化來發現故障; 國內對于TBM狀態監測的研究大多為介紹各種監測技術在施工中的應用,以及開發相關信息管理系統。實際施工中會采用各種監測技術對TBM零部件的運行狀態進行監測,并記錄相關數據,但缺乏對記錄數據的分析。振動和油液監測是機械故障診斷的常用方法,但振動監測多用于識別表面損傷類故障,對早期磨損故障敏感性較差,而油液監測對磨損故障更為敏感,識別率更高。光譜分析是油液監測的一種方法,它可以檢測出潤滑油中元素的種類和質量分數,從而判斷機械設備的磨損狀態,施工中常用三線值法對油液光譜數據進行分析(三線值法是對歷次變速箱油樣光譜分析數據進行線性分析,確定3條控制線,根據數據曲線的走勢判斷變速箱當前的磨損狀態),但這種方法需要結合歷次數據進行分析,存在數據量大、計算困難的問題,并且該方法對工程經驗的依賴性較強,需要人為選擇所用歷次數據的組數,不同選擇確定的3條線也不同,大大增加了人為因素對結果的影響,可能會存在誤診和漏診的情況,給正常施工帶來損失。

近年來,深度學習在學術界引發了研究熱潮,相較于淺層網絡,深層網絡可以自適應地提取數據中的深層特征。其中,卷積神經網絡(CNN)是一種經典的深度學習網絡模型,由于其稀疏連接和權值共享的特點,在提取數據特征時具有很大優勢[11]。并且也有學者將卷積神經網絡應用于解決小樣本問題,如鐘建華等[12]基于小樣本數據,使用一維卷積神經網絡對齒輪箱進行故障診斷; 林年添等[13]使用卷積神經網絡深度學習方法,用于在小樣本條件下智能提取、分類并識別地震油氣特征。基于此,本文提出使用改進的卷積神經網絡對TBM變速箱進行磨損狀態識別(wear state recognition based on improved convolution neural network,WSRCNN),并結合工程實際數據驗證模型識別性能,通過模型對比分析證明本研究所提出方法的有效性,以期為實際施工中TBM變速箱的安全穩定運行提供可靠保障。

1 卷積神經網絡結構

卷積神經網絡是一種深度前饋神經網絡,本質是多層感知機,包括前向提取拓撲和后向傳播優化2部分,最早是在1998年針對手寫數字分類問題提出的,在處理圖像問題時具有很大優勢[14-15]。因此,最初的卷積神經網絡只能解決二維圖像問題。后來由于輸入數據的類型不同,專家學者對網絡模型結構做了改動,可用于處理一維數據、圖像和視頻,雖然應用的領域不同,但結構和原理相同。

1.1 卷積層

卷積層的作用是提取數據特征,其中最重要的就是卷積核。卷積結構中一般包括多個卷積核,在訓練前預設好卷積核的步長和邊長,通過多次迭代不斷更新各自的權值。使用卷積核在輸入特征上按步長移動做卷積運算,遍歷后輸出提取到的特征圖[16-17]。具體的卷積運算公式為:

(1)

1.2 激活函數

激活函數用于對卷積運算的結果做非線性處理,可以幫助模型學習數據中復雜的模式。本文選用ReLU函數,因為其運算量低,且比sigmoid函數和tanh函數更能加快梯度下降和網絡模型訓練的速度[18],具體的計算公式為:

yl=f(xl)=max{0,xl}。

(2)

式中:xl為卷積運算后得到的特征圖;yl為xl經ReLU函數激活后得到的輸出值。

1.3 池化層

池化層的作用是通過壓縮卷積層的輸出提取關鍵特征,從而簡化模型結構,避免過擬合現象的發生。最大池化和平均池化是最常用的2種池化方式,最大池化是將計算區域中的最大值作為池化后的值,平均池化是將計算區域中的平均值作為池化后的值,本文選用最大池化方式[19-20]。最大池化和平均池化的計算公式分別如式(3)和式(4)所示。

(3)

(4)

1.4 全連接層和輸出層

卷積層和池化層交替后進入全連接層,其作用是將提取到的多維特征展開平鋪為一維向量,并進一步提取特征后傳給輸出層,輸出層使用Softmax分類器完成分類任務。計算公式分別如式(5)和式(6)所示。

(5)

(6)

2 變速箱磨損識別機制

變速箱是TBM主驅動中負責變速以及傳遞力和力矩的重要部件,且在運行過程中易發生磨損,而油液檢測對磨損類故障的識別率較高[21]。因此,本文使用油液檢測對變速箱的磨損狀態做出判斷。

2.1 磨損的定義

磨損是指機械設備運行時,相互接觸的零部件發生相對運動,接觸表面在交變接觸應變力的作用下產生零件表面材料損失。當變速箱處于超載荷工作時,因加工裝配不當、人為操作不當等原因造成的雜質異物侵入都會導致磨損,產生的磨損產物也會參與磨損; 當磨損發展至嚴重狀態時,會使得變速箱故障失效停止工作。

2.2 油液檢測

根據磨損的定義可知,磨損會造成零件表面損失,產生的磨損產物都會隨機器運轉進入到油液中,因此對油液的檢測可以獲得許多關于設備磨損的信息。

油液檢測包括潤滑油分析和磨損顆粒分析2部分[22]。其中,潤滑油分析是指分析油液的理化性能指標,用于判斷對象的潤滑狀態; 磨損顆粒分析是指分析油液中磨粒大小、形狀、質量分數等參數,用于判斷對象的磨損狀態,包括鐵譜分析和光譜分析。分析潤滑油中的磨粒可以在不拆機的情況下對TBM變速箱磨損狀態做出判斷,本文使用光譜分析的結果作為磨損識別依據。

2.3 光譜分析

2.3.1 光譜分析原理

光譜分析技術主要有紅外光譜和發射光譜2種,其中發射光譜分析常被用于機械設備的狀態監測。光譜分析能快速準確地檢測到油液中21種金屬、非金屬元素質量分數。根據變速箱的材料化學成分,本文選取了Fe、Al、Cr、Ni、Si、Cu、Ti、Zn、Ba 9種元素,以變速箱潤滑油光譜分析結果中這9種元素的質量分數為指標,識別出變速箱的磨損狀態。

2.3.2 光譜三線值法

實際TBM施工過程中會定期采集油樣做光譜檢測,通常采用三線值法對檢測結果進行分析。三線指的是正常線、警告線和危險線3條控制線,由于油液中的磨粒元素質量分數隨機械設備運行而不斷增加,因此3條控制線也以一定的斜率呈現: 正常線V1=0.8(P+2S),警告線V2=P+2S,危險線V3=P+3S,其中,P為基準值,P=a+bx;S為標準差。基線通過線性回歸法對樣本點進行擬合確定,計算公式如式(7)—(9)所示。

(7)

(8)

(9)

式(7)—(9)中: (Xi,Yi)為設備測得的元素質量分數值經過變換得到的回歸系數;a、b為最小二乘法求得的擬合系數。

建立的控制線如圖1所示。

圖1 光譜分析三線值法

使用光譜三線值法的判別標準如下:

1)當本次檢測的特征參量P

2)當V1

3)當V2

4)當P>V3時,說明設備磨損已屬于危險范圍,此時油液中磨粒的質量分數很大,設備磨損嚴重將導致故障失效無法運轉。

使用三線值法可以對變速箱的磨損狀態做出判斷,但使用這種方法主要結合歷次所有光譜分析數據,所需的數據和計算量比較大,而且一定程度上會受到人為因素的影響。因此,本文選用可以自適應提取數據特征的卷積神經網絡,該方法可以更加準確地對TBM變速箱磨損狀態做出識別。根據元素質量分數的大小,將TBM變速箱的磨損狀態分為正常、輕度磨損、異常磨損和嚴重磨損。

3 WSRCNN方法

3.1 WSRCNN模型建立

本文以變速箱油液光譜分析的9種元素的質量分數值作為模型輸入,因此選用一維卷積神經網絡,并通過對傳統網絡模型作出調整,提出了基于改進卷積神經網絡的TBM變速箱磨損狀態識別模型(WSRCNN),最終構建的模型如圖2所示。其中包含4個卷積層(Conv)、2個池化層(Maxp)和1個全局平均池化層(GAP)。通過卷積層和池化層交替提取光譜數據特征,使用全局平均池化層對輸入的多維特征進行整合,并結合Dropout正則化隨機丟棄神經元,最后通過Softmax分類器輸出磨損狀態類別。

WSRCNN模型對傳統的卷積神經網絡做的改進為: 使用2個卷積層疊加代替傳統模型中的1個卷積層,可以更深層地提取數據特征; 并且使用2個不同尺寸的卷積核,可以學習不同級別的數據特征。

為優化模型性能,避免過擬合現象的發生,使用全局平均池化層代替全連接層,并引入Dropout正則化和批量歸一化,減少模型參數。

圖2 改進CNN模型結構

3.2 狀態識別流程

使用WSRCNN模型識別TBM變速箱磨損狀態的流程包括4個部分: 數據準備、模型搭建、模型訓練、模型預測。具體步驟如下:

1)將采集到的TBM變速箱油液光譜數據劃分為訓練集和測試集,并進行歸一化處理。

2)構建WSRCNN模型并初始化相關參數。

3)將訓練樣本數據批量輸入到構建好的WSRCNN模型中,逐層向前傳播提取數據特征,使用Softmax分類器輸出磨損狀態類別,并計算目標輸出與實際輸出的偏差。

4)誤差反向傳播,更新模型參數。

5)重復步驟3)、4),不斷調整模型參數,當誤差收斂至滿足要求或達到最大迭代次數時,即完成模型的訓練。

6)將測試集數據輸入訓練好的WSRCNN模型,進行TBM變速箱磨損狀態識別。

具體的識別流程如圖3所示。

圖3 磨損狀態識別流程圖

3.3 模型評價指標

為驗證模型識別性能,就要引入一些評價指標進行衡量。對于多分類模型的評價指標通常有4種。

3.3.1 準確率

準確率是指被正確分類的樣本數(ncorrect)與總樣本數(ntotal)的比值。計算公式為:

(10)

3.3.2 精確率

精確率是指分類正確的正樣本個數(TP)占分類器判定為正樣本的樣本個數(TP+FP)的比例。計算公式為:

(11)

3.3.3 召回率

召回率是指分類正確的正樣本個數(TP)占真正的正樣本個數(TP+FN)的比例。計算公式為:

(12)

3.3.4F1分值

F1分值是指精確率和召回率的調和平均值。計算公式為:

(13)

4 實例驗證

4.1 工程概況

本文獲取的TBM變速箱油液光譜數據主要來自于引漢濟渭工程秦嶺輸水隧洞。秦嶺輸水隧洞的主要任務是將從漢江流域調出的水自流至渭河流域關中地區,全長81.79 km,隧洞主要采用TBM工法,開挖斷面為圓形。

4.2 數據準備

4.2.1 數據采集

本文使用工程實際采集的TBM變速箱油液的光譜分析數據為依據識別變速箱的磨損狀態,但現場TBM變速箱潤滑油的取樣送檢間隔通常為1次/月,因此樣本量較少。TBM變速箱的磨損狀態分為正常、輕度磨損、異常磨損和嚴重磨損4種,采集到4種磨損狀態的油液光譜數據共100組,按類別對各組數據貼標簽,具體的類別標簽信息和樣本分布如表1所示,并按8∶2的比例將數據集劃分為訓練集和測試集。

4.2.2 數據預處理

TBM變速箱油液光譜數據的各元素質量分數值變化量較大,還有可能存在奇異數據,這會使得模型計算的復雜程度較高且訓練時間長。為了提高模型識別性能,先對奇異數據進行剔除,然后對樣本數據進行歸一化處理后再輸入模型,使得數據處于0～1范圍。對數據進行預處理后,可以減少梯度下降求最優解的時間,提高模型識別的準確度。具體的歸一化公式為:

(14)

式中:Xn為歸一化處理后的數據值;Xmax和Xmin分別為某一指標樣本數據中的最大值和最小值;X為原始數據值。

4.3 模型參數設置

卷積神經網絡模型中有許多參數,參數的選取對模型識別準確率有很大影響。因此,在構建WSRCNN模型過程中,需要對一些影響模型性能的參數進行選取。通過多次對比試驗,最終構建的WSRCNN模型參數如表2所示。變速箱的磨損狀態是根據選取的9種元素的光譜數據判斷的,因此,輸入層尺寸為9×1,2層卷積層的卷積核尺寸為5×1和3×1。Softmax分類器的神經元數即為變速箱的磨損狀態類別數,設置為4。模型中采用交叉熵損失函數計算目標輸出與實際輸出之間的誤差,優化器選用Adam調整模型參數,批處理量為20,學習率設置為0.001,最大迭代次數為200。損失值使用交叉熵損失函數進行計算,計算公式為:

(15)

式中:L為損失值;M為類別數;p(xi)為樣本的真實類別;q(xi)為預測為該類別的概率。

表2 WSRCNN模型結構參數

Dorpout層的參數通過對比試驗選取,分別將模型的Dropout率設為0.3、0.5和0.7,得到的模型損失曲線如圖4所示。由圖可知,當Dropout率為0.3時,模型收斂速度更快也更穩定,因此選擇Dropout率為0.3。

圖4 不同Dropout率的損失對比

4.4 模型訓練與測試

4.4.1 準確率與損失曲線

將訓練集數據歸一化處理后批量輸入到初始化參數的WSRCNN模型中,對模型進行200次迭代,得到的準確率和損失值變化如圖5所示。從圖中可以看出,模型在迭代75次后,準確率和損失值逐漸趨于穩定,并且在迭代100次后,準確率已經穩定于0.9以上,多次達到100%,并且模型的損失值也穩定于0.1以下。

(a) 準確率曲線

(b) 損失曲線

4.4.2 混淆矩陣

為了更直觀地觀察模型的識別效果,將測試集的數據輸入到已經訓練好的模型中進行磨損狀態識別,把模型識別的結果與實際磨損狀態的標簽進行混淆矩陣的繪制,得到的混淆矩陣如圖6所示。混淆矩陣是一種展示模型性能的可視化方法,其原理是將模型識別結果以矩陣形式表示出來,行表示模型預測類別,列表示真實類別,左上角到右下角對角線的值為分類正確的比例,其他位置為分類錯誤的比例。

圖6 混淆矩陣

因此,本文提出使用改進卷積神經網絡模型對TBM變速箱磨損狀態識別的效果較好。

4.4.3 特征可視化分析

為驗證本文模型提取數據特征的優勢,使用t分布隨機鄰域嵌入(t-distributed stochastic neighbor embedding,t-SNE)算法對本文模型的卷積層、全局平均池化層和輸出層學習到的特征進行分析和可視化[23],可視化結果如圖7所示,為WSRCNN模型各層提取到的特征分布狀態。從圖中可以看出,經過卷積層和池化層的交替,不同類別的特征呈現分離趨勢,同一類別的特征逐漸靠攏,在經過第4層卷積操作后,類別相同的特征都集中在一起,類別不同的特征基本可以區分開。在全局平均池化層和輸出層,各類別的特征已完全分離開,同一類別的所有特征也聚集在一起完成分類。

(a) 卷積層1

(b) 卷積層2

(c) 卷積層3

(d) 卷積層4

(e) 全局平均池化層

(f) 輸出層

4.5 模型對比

為驗證WSRCNN模型的有效性,將其與傳統的一維卷積神經網絡(CNN-1D)和BP神經網絡模型進行對比。其中CNN-1D模型包括2個卷積層、2個池化層、1個全連接層,2層卷積層的卷積核數目分別為16和32,卷積核尺寸為5×1,全連接層神經元個數為16,其余參數設置與本文一致。BP神經網絡的3層神經元數分別設置為9、13、4,輸入層和隱藏層分別使用tanh函數和sigmoid函數激活。模型識別結果對比如表3所示。

表3 模型識別結果對比

由表3可知,只有BP神經網絡的精確率是高于WSRCNN模型的,是因為BP神經網絡有3個樣本沒有判斷出類別,其余分類器輸出的均為正確分類的,因此精確率顯示為100%; 而WSRCNN模型的其余指標均高于傳統卷積神經網絡CNN-1D模型和BP神經網絡,證明改進后的卷積神經網絡更適合進行磨損狀態的識別,BP神經網絡屬于淺層模型,特征學習能力有限,因此其識別性能也較本文方法存在一定差距。

5 結論與討論

1)本文提出了一種基于改進卷積神經網絡的TBM變速箱磨損狀態識別方法。該方法以TBM變速箱的油液光譜分析結果作為模型輸入,通過建立光譜數據與磨損狀態標簽的非線性映射關系,可以在不拆機的情況下及時識別出變速箱的磨損狀態,避免發生更大故障,相較于傳統的三線值法計算簡便且準確。

2)通過對傳統卷積神經網絡模型做出改進,建立WSRCNN模型,使用2層卷積層堆疊代替傳統的1層卷積層,可以深度提取數據特征,并使用2個不同尺寸的卷積核提取不同層級的特征;為避免過擬合,使用全局平均池化層代替全連接層,并引入Dropout正則化,降低了模型的參數量和計算量。

3)將基于改進卷積神經網絡建立的TBM變速箱磨損狀態識別模型應用于工程實例中,并與傳統的CNN-1D模型和BP神經網絡模型進行對比,試驗結果表明,使用改進的卷積神經網絡能夠準確識別出TBM變速箱的磨損狀態,且本文模型的識別性能更優,驗證了所提方法的有效性。

4)本文使用光譜分析數據對變速箱的磨損狀態進行識別,但數據需要對油液進行光譜分析后才能得到,具有一定的滯后性,之后進一步的研究可以使用TBM運行時變速箱的監測數據對其運行狀態進行判斷,更具有實時性。