盾構機故障預測與健康管理研究進展

呂杰偉，徐啟圣，錢博文，王媛媛

（1.合肥學院能源材料與化工學院，安徽合肥 230601；2.合肥學院先進制造工程學院，安徽合肥 230601）

盾構機施工環境較為惡劣，在復雜地層中掘進距離一般只有10 km，且市場現存近1/3 盾構機將進入大修或報廢時段[1]。但是，進行盾構機設備定期檢查維修需要消耗大量資源，嚴重影響施工進度，其中僅刀具系統檢查維修耗時占施工總時間30%～40%[2]，維修費用超過整個盾構施工費用的l/3[3]，如廣州地鐵三號線某施工段累計耗時45 天，有效施工時間僅有20 天[4]。此外，盾構機維修難度大、危險性高，一旦發生故障可能造成嚴重后果，如2014 年10月南寧地鐵1號線進行土壓艙換刀時發生土體坍塌，造成1人死亡、2人失蹤。

隨著盾構機智能化水平的提高，傳統“事后維修”和“定期維修”等維修方式引起設備不必要拆卸安裝，且無法獲取全面故障信息，使盾構機常處于停機或半停機狀態，無法滿足對盾構機可靠性和經濟性的要求[5-6]。

基于此，將故障預測與健康管理（Prognostics Health Management，PHM）技術應用于盾構機故障維修和健康管理中，彌補“被動式維修”方式導致的計劃外停機與冗余維護，降低災難性事故和連帶損傷風險，提升整個系統的可靠性。

1 PHM理論研究內容

1.1 PHM系統的發展

1.1.1 PHM系統能力試驗驗證

近年來我國在PHM技術系統能力與現實需求的基礎上，開始從數據采集和處理、健康監測、異常預警、故障診斷、運行維護等方面進行PHM體系架構的搭建[7]，同時進行指標評價體系和健康監測驗證平臺建設，開發相應的智能傳感系統、嵌入式故障智能診斷系統、專家系統數據庫等[8]。

但是，在PHM系統能力驗證方面，除了需要積累海量數據資源、掌握大數據分析技術、完善集成驗證平臺和評價指標體系的建設，還需要結合行業知識和專家經驗實現PHM 綜合模型的建立與試驗驗證[9]。目前國內的研究更多停留在PHM 系統理論層面，對規則體系建設和驗證平臺搭建的相關研究較少，需要加大研發力度。

1.1.2 PHM系統健康診斷與預測

近年來，PHM 技術得到深度研究和快速推廣，各個國家已經把PHM系統健康診斷和預測技術應用于新一代航空、高鐵、風電機組、機床刀具等領域[10-11]，見表1。

表1 PHM 系統健康診斷與預測應用

隨著《中國制造2025》的深入推進，中國裝備制造業開始重視設備的診斷、預測、管理和服務一體化發展，并在故障診斷和健康預測方面取得突破[12]。但是，當前國內對PHM 系統研究和新型智能裝置研發投入較少，PHM 研究更多聚焦在狀態監測與故障預測領域，真正能實現從狀態感知、診斷預測到運維管理整個閉環的方案則更少，在一定程度上限制PHM的發展和企業對PHM價值的認可。

1.1.3 PHM系統管理

PHM 技術是一種基于設備運行狀態的先導式維修管理方法，能實時監測設備狀態的關鍵指標，并將實時采集信息與設備歷史數據進行對比分析，準確預測設備運行狀態和故障演變規律，對維修活動做出科學管理和決策，以此提升整個裝備系統的可靠性（風險降低50%），降低復雜系統運行過程中的意外風險[13-14]，見表2。

表2 傳統維修服務與PHM 智能管理服務的區別

復雜系統健康管理方面，國內裝備系統仍以周期性預防維護為主，對于PHM 技術的研究更多停留在故障預測和狀態監測的簡單應用層面；裝備自愈研究起步較晚，自愈材料與智能結構研究以理論為主，尚未開展工程化應用[15-16]。

1.2 PHM總體框架

PHM 系統由數據采集系統、數據處理系統、故障診斷評估系統、預后評估系統和健康管理系統組成[17]，其系統框架如圖1。數據采集系統（Data Acquisition，DA），通過選擇適配的多傳感器網絡，對傳感器的布局進行優化設計，實現關鍵設備狀態參數的全方位實時采集；數據處理系統（Data Processing，DP），對在線監測的數據進行預處理，達到后續所需的標準化數據格式；故障診斷評估系統（Fault Diagnostic Assessment，FDA），建立在失效機理和故障預測模型的基礎上，利用監測信息實現監測對象的故障診斷、嚴重度判別、定位與隔離；預后評估系統（Prognostic Assessment，PA），通過評估設備健康狀態和剩余壽命預測，為設備的后勤保障和健康管理（Health Management，HM）提供依據，從而制定科學的維修策略，最大限度促進設備效能的發揮。

圖1 PHM系統框架

1.3 PHM技術的應用

隨著智能化水平的不斷提高，設備的復雜性和不確定性也在增加，對復雜機械裝備的故障預測和診斷方法，不同研究機構分類依據不盡相同。綜合來看主要分為三種：基于機理模型的預測方法、基于專家系統的預測方法、基于數據驅動的預測方法[18-20]，見表3。

就這一現象，董同龢先生認為，“像這樣粹而不雜的現象到底不夠普遍的，很難引出什么推論。其實從音理方面講，舌面音就說是塞音的話，總難免帶一些塞擦音的色彩。由這一層關系，ts′-系字可以較多與ts-系接觸不是很自然的嗎？”[5]

表3 三種故障預測方法比較

但是，單一預測方法難以實現故障的快速精準預測。因此，有許多學者提出將人工智能、大數據與多種故障預測方法相結合，充分發揮數據資源和智能算法優勢，提高故障預測效率與精度。針對盾構機自身結構和服役性能特點，提出將PHM 技術應用到盾構機系統運維管理中。

2 盾構機PHM系統的研究內容

2.1 盾構機PHM綜合系統

為保證盾構機刀盤刀具、液壓系統、齒輪箱等關鍵設備的安全和健康要求。基于OSA-CBM 框架基礎[21-22]，提出盾構機PHM 綜合系統，該系統主要包括信息采集、數據處理、大數據診斷和健康管理，如圖2。

圖2 盾構機PHM系統結構

2.2 盾構機PHM系統關鍵技術

2.2.1 信息采集

盾構機施工環境復雜，掘進時刀具極易磨損，嚴重影響設備的使用壽命。在復雜地質條件下刀具失效類型主要有：正常磨損、偏磨、崩裂和移位脫落[23]。不同地區刀具承受不規則的載荷以及施工過程中掘進參數頻繁變化使盾構機關鍵設備使用壽命存在明顯差異。因此，需要建立足夠的監測位點，獲取盾構設備和施工環境較為全面的監測信息，準確反映盾構系統的運行狀態，實現設備的精確診斷。

盾構機運行過程中健康狀態會不斷發生變化，要實現盾構機運行狀態實時在線監測和智能診斷，需要建立一個完備的前端智能數據采集系統。Lan等[24]提出基于渦流傳感器在線監測系統，實時監測盾構機刀具磨損情況，為不同施工條件下掘進參數調整與盾構機零部件的維修、更換提供參考；在此基礎上，Wu[25]等提出結合盾構機隧道施工監測數據、原位滲透試驗數據和工程地質條件，實時預測刀具和主齒輪磨損情況。通過實時信息收集，有效反映盾構系統關鍵設備故障演變趨勢和性能衰退過程，及時進行故障診斷和預警，降低事故停機率和維護成本。

2.2.2 數據處理

傳感器與監測系統獲取的海量原始數據以一種隱藏的模式出現，且原始數據通常存在噪聲、錯誤和冗余，不能準確反映盾構機的健康狀況。若以原始數據集構建健康預測模型，會對設備健康狀態進行誤判，制定出錯誤的維修策略。因此，需要對原始數據進行處理[26-27]。

通過對原始數據進行降維處理，減少數據集變量數量，構建完備的數據存儲系統和共享平臺，實現數據的標準化和模塊化建設[28]，如圖3。但是，隨著數據量的激增，傳統的數據處理方法無法滿足數據質量增強和丟失數據填充的要求。鑒于此，Hu[29]等將傳統數據處理技術和智能仿真技術相結合，開發一種新的數據分析方法，并把分析結果通過界面前端顯示，提高數據質量和決策的可訪問性，使數據資源效益最大化。

圖3 數據標準化建設

大數據診斷是基于人工智能技術、專家系統理論和已有故障案例基礎上，進行故障特征提取、模型訓練和診斷評估，最終形成能夠進行計算的數據模型。大數據背景下的故障診斷技術，相較于傳統技術而言，在數據采集、特征提取和診斷決策等方面，具有識別精度高、自適應能力強、誤報和漏報率低等優點[30]，見表4。

表4 傳統故障診斷與基于大數據故障診斷的比較

在工業大數據時代，基于大數據的診斷方法通常將不同傳感器和監測系統的信息進行融合，以獲得決策診斷依據。Wang等[31]提出了一種基于多源信息融合與分形維數的液壓系統故障診斷方法，解決了復雜非線性系統中數據樣本量單一和診斷效率不足等問題，但對故障預測精度和決策診斷的實時性無法提供有效保障；Yang 等[32]在此基礎上，利用多傳感器信息采集系統，收集振動和噪聲信號，融合多源時空信息，提高故障預測的可靠性；Xu等[33]引入設備心電圖（DEKG），將融合后的多源信息以一種可視化的圖像呈現，根據DEKG 的變化趨勢實時監控設備運行狀態，分析故障演化機制，預測停機時間實現提前預警。

大數據故障診斷通過對設備信息的收集和深入分析，掌握盾構機服役性能在不同時間尺度上的衰退規律，實現對故障特征和失效類型的快速診斷和精準預測[34]。

2.2.4 健康管理

為保持設備健康狀態的持久性和穩定性，需要借助設備運行、維護、管理等監測信息，對涉及設備健康的因素進行全過程把控[35]。在功能性故障發生之前，采取過程監控和早期預警的措施，及時識別和預測盾構機系統中故障隱患，將其消滅在萌芽階段；若功能性故障已經發生，則通過快速識別故障元件、準確定位故障部位，及時排除故障隱患，減少潛在損失，確保盾構系統在“亞健康”和緊急情況下穩定工作，如圖4。

盾構系統由多個零部件耦合的統一整體，單個零部件的性能退化勢必“傳染”其他零部件，進而影響整個盾構機的健康運行。因此，通過構建健康指標、劃分健康等級、建立健康預測模型，實現由子系統到系統集合的健康管理。Jin 等[36]通過深度學習平臺TensorFlow，構建和訓練健康評估模型，實現設備運行狀態監測和健康等級劃分，確保盾構設備的健康狀態始終處于可控范圍，有效降低設備全生命周期維修成本。

此外，根據評估結果建立一個系統運行和備件管理集成系統，為盾構機健康管理提供動態應急策略。考慮到健康管理在時間和空間上的多尺度效應，建立多因素（時間、成本、修復能力、可靠性與便利性）、多尺度時空聯合決策模型，為結構、性能各異的盾構機系統提供定制化的健康管理方案，提高盾構機健康管理的實效性[37]。

3 盾構機PHM技術面臨的挑戰

隨著盾構機性能的提高和功能的完善，盾構機系統組成愈趨復雜，故障演化和機理分析也變得更加困難。根據當前盾構機系統維修的現實需求，發現盾構機PHM技術仍存在以下問題：

（1）數據采集系統。盾構機在軟土地面施工時，壓力室充滿淤泥，導致無線信號傳輸不穩定，長期連續監測會導致數據傳輸和用電困難；各種監測、傳輸設備來自不同的生產廠家，設備通信接口與協議各不相同，不易實現連接；智能化傳感器的開發、監測位點的優化布設，遠程智能化控制技術距離實際工程應用仍有很大距離。

（2）數據處理和標準化建設。盾構機系統所處施工環境比較復雜，在數據采集過程中容易受到地層結構、噪聲和傳感誤差等外部因素的干擾，采集到的數據常表現為背景噪聲大、數據來源不統一、多變量時間序列和不完整、不確定的“碎片化”數據，導致故障診斷效率和準確率較低。同時對數據預處理時缺乏統一的分類、存儲和評判標準，造成系統數據處理出現較多重復性工作。

（3）故障失效類型和演化機理分析。隨著數據的擴大和豐富，傳統的故障診斷方法出現診斷速度過慢、結果不完整或不準確，甚至無法產生結果，加之盾構機種類繁多，集成系統復雜，不同零部件故障演變機理和失效模型存在很大差異，很難對盾構機故障演變規律進和性能衰退趨勢進行準確把握和劃分。目前故障預測和診斷方法多為模型化分析和靜態診斷為主，沒有根據系統狀態和環境變化開發有效的性能預測和故障診斷模型，無法準確描述故障隨時間變化的動態趨勢。

（4）盾構機健康評估和維修管理技術。盾構機在復雜工況條件下施工具有高度的不確定性，各系統健康狀態難以準確把握，傳統維修技術不能滿足部分子系統僅適用“無創”治療方法的特殊需要。因此，需要有比預防性維護更先進的解決方案來優化資源配置，提高運維效率。

4 盾構機PHM技術展望

在盾構機制造業高速發展和自動化程度顯著提高的大背景下，單一類別數據源和故障診斷技術已經無法滿足現有故障診斷的需求，需要設計預測精度更高、診斷效果更好的健康管理系統，從而推動故障診斷技術向著模塊化、數字化、自動化、智能化的方向邁進。

（1）先進的傳感器技術和完善的狀態監測體系。以智能傳感器為技術支撐，依托微型化先進傳感器解決各系統組件適配及優化布設問題，建立可靠的傳感區域網格模型，并對這些網格分配不同的權重，實現對盾構機關鍵設備的全狀態、全過程、實時智能監測；通過收集盾構機關鍵設備正常、衰退、病態期間的監測數據，逐步實現壽命周期內原始數據的累積，為盾構機PHM 技術的發展提供準確可靠的數據支持。

（2）完善數據處理技術和標準化建設。針對目前盾構機信息不完備、樣本獲取困難、單一場景下樣本空間有限等問題，充分利用設備運行狀態監測數據，挖掘數據隱含信息，同時通過虛擬仿真技術獲取與原始樣本特征信息一致的樣本，結合深度遷移學習和數字孿生技術，實現數據庫的多樣性提升和樣本量的增加，有效解決盾構機故障數據不足，提升有限樣本集合和信息不完備情況下盾構機故障預測和診斷模型的魯棒性和泛化能力。

（3）發展基于大數據背景下的智能診斷和維修決策技術。在工業大數據環境中，利用海量實驗數據和數據共享平臺，挖掘多源信息的相關性和因果關系，揭示人機環境之間的不可見因素，對施工過程中的不確定性信息進行量化，明確盾構機關鍵設備與零部件之間故障演變過程，準確預測盾構系統性能退化趨勢，提高系統決策能力。

（4）研發設備的自愈調控和自我免疫。自愈調控技術能提前預測盾構機關鍵設備是否處于“亞健康”狀態，并通過開展三維可視化仿真技術研究刀具、軸承在不同工況條件下故障演變趨勢，綜合分析效率變化、資金投入、能源消耗等關鍵因素，為運維管理和維修決策提供科學支持，實現在不受外部干擾的情況下恢復系統的功能，最終實現盾構機自主保障、自助修復和自動管理。

5 結論

（1）通過綜述國內外PHM系統的研究進展，揭示了現有盾構機故障診斷理論與方法存在的問題與挑戰。

（2）提出盾構機PHM 綜合系統。通過傳感器網絡收集多源異構信號以全面反映設備狀態，分析挖掘數據隱含信息，建立標準化數據存儲系統和數據共享平臺，實現了信息資源共享和多源信息融合，為復雜多變的施工條件下實現盾構機故障預測與健康管理提供技術支撐。

（3）進一步研發設備自體免疫和自愈調控技術。在盾構機運行過程中，實時監測盾構機刀具、軸承等關鍵設備所處的健康等級，根據健康等級采用智能管理和主動控制方法，實現了設備的自我決策和自我維修，確保盾構機正常運行。