基于机器学习的常压刀盘盾构滚刀故障诊断方法研究.pdf

引用格式:孙浩,贾连辉,魏晓龙,等.基于机器学习的常压刀盘盾构滚刀故障诊断方法研究J.隧道建设(中英文),2023,43(增刊 1):550.SUN Hao,JIA Lianhui,WEI Xiaolong,et al.Fault diagnosis method of disc cutters of atmospheric shield cutterhead based on machine learningJ.Tunnel Construction,2023,43(S1):550.收稿日期:2022-08-01;修回日期:2022-12-01第一作者简介:孙浩(1995),男,河南周口人,郑州大学机械工程专业在读博士,工程师,现从事设备信号处理及故障诊断工作。E-mail:。基于机器学习的常压刀盘盾构滚刀故障诊断方法研究孙 浩1,2,贾连辉1,魏晓龙1,林福龙1,孟祥波1(1.中铁工程装备集团有限公司,河南 郑州 450000;2.郑州大学机械与动力工程学院,河南 郑州 450000)摘要:盾构在掘进过程中面临着极其复杂的地质条件,刀具极易损坏,而现有的刀具故障诊断方法无法对刀具故障进行全面、准确的判断。针对现有刀具故障诊断方法的不足,分析 SVM、BPNN、ELM、RF 等机器学习算法的原理及特点,研究常压刀盘盾构滚刀常见的磨损超限、卡转和偏磨等故障机制及特征,设计基于机器学习的常压刀盘盾构滚刀故障诊断模型,对滚刀故障进行分层诊断。选取对于滚刀故障较为敏感的温度、瞬时转速比、平均转速比等参数,使用盾构掘进现场数据进行试验,用于判断滚刀是否发生故障的第 1 层 SVM、BPNN、ELM 和 RF 算法模型准确率分别达到 87.49%、88.69%、78.27%和 96.45%,当滚刀发生故障时,用于判断滚刀具体故障形式的第 2 层 SVM、BPNN、ELM 和 RF 算法模型准确率分别达到 90.24%、86.76%、79.41%和 97.06%。验证了基于机器学习的常压刀盘盾构滚刀故障诊断模型的科学性和有效性,以及 RF 算法在判断滚刀是否发生故障以及发生故障后滚刀的故障类型具有较高的准确率,能够有效降低企业施工、换刀成本,提高盾构掘进效率。关键词:盾构;滚刀;常压刀盘;机器学习;故障诊断DOI:10.3973/j.issn.2096-4498.2023.S1.066中图分类号:U 45 文献标志码:A 文章编号:2096-4498(2023)S1-0550-08F Fa au ul lt t D Di ia ag gn no os si is s MMe et th ho od d o of f D Di is sc c C Cu ut tt te er rs s o of f A At tm mo os sp ph he er ri ic c S Sh hi ie el ld d C Cu ut tt te er rh he ea ad d B Ba as se ed d o on n MMa ac ch hi in ne e L Le ea ar rn ni in ng gSUN Hao1,2,JIA Lianhui1,WEI Xiaolong1,LIN Fulong1,MENG Xiangbo1(1.China Railway Engineering Equipment Group Co.,Ltd.,Zhengzhou 450000,Henan,China;2.School of Mechanical and Power Engineering,Zhengzhou University,Zhengzhou 450000,Henan,China)A Ab bs st tr ra ac ct t:The cutters of shield cutterhead are prone to damage due to complex geologies encountered,and the existing cutter fault diagnosis methods cannot comprehensively and accurately judge the cutter conditions.Therefore,the principles and characteristics of machine learning algorithms such as support vector machine(SVM),back propagation neural network(BPNN),extreme learning machine(ELM),and random forest(RF)are analyzed,the principle and characteristics of common faults such as wear overrun,stuck rotation,and eccentric wear of the disc cutter in atmospheric shield cutterhead are examined,and a fault diagnosis model of atmospheric shield cutterhead disc cutter based on machine learning is designed to conduct hierarchical fault diagnosis.The temperature,instantaneous speed ratio,and average speed ratio that are more sensitive to the disc cutter failure are selected,and the shield tunneling field data are used to conduct experiments,so as to determine whether the disc cutters fail.The accuracies of the first-layer SVM,BPNN,ELM,and RF algorithm models reach 87.49%,88.69%,78.27%,and 96.45%,respectively.When the disc cutters fail,the accuracies of the second-layer SVM,BPNN,ELM,and RF algorithm models reach 90.24%,86.76%,79.41%,and 97.06%,respectively.These validate the rationality and effectiveness of the designed machine learning-based atmospheric shield cutterhead disc cutter fault diagnosis model.It is found that the RF algorithm has a high accuracy in judging whether the disc cutters fail and the fail type.Thus,the cost of enterprise construction and tool change can be effectively reduced,and the tunneling efficiency of the shield can be improved.增刊 1孙 浩,等:基于机器学习的常压刀盘盾构滚刀故障诊断方法研究K Ke ey yw wo or rd ds s:shield;disc cutter;atmospheric cutterhead;machine learning;fault diagnosis0 引言伴随着经济水平的不断提高,我国城镇化进程不断推进,城市人口急剧增多,为解决城市发展带来的交通压力剧增、环境污染等问题,地下空间开发和利用就显得十分重要,盾构因其安全、快速、经济、优质等优点被广泛应用于地下空间开发中。盾构施工过程中会遇到各种不同的地质条件,如砂卵石地层、复合地层等,坚硬的地层会导致盾构刀具磨损加快,甚至可能导致盾构刀具损坏。一旦刀盘上的某把刀出现故障,会迅速影响相邻刀具,致使相邻刀具的使用寿命降低1,进一步影响整个刀盘及盾构掘进效率,这就需要当盾构刀盘上某把刀磨损较大或出现故障时能够及时得到更换。现阶段国内外学者针对滚刀状态监测开展了诸多研究。例如:任德志等2采用电涡流传感器设计了一种盾构滚刀磨损实时监测系统;龚秋明等3利用转速、温度等传感器实现了对滚刀磨损量及温度等的实时监测;石振明等4通过安装在盾构前舱的摄像装置采集刀具图像与原始三维模型相匹配,实现对刀具的磨损检测;罗宾斯通过滚刀转速的实时数据,研制出第1 套盾构刀具监测系统;海瑞克通过对盾构滚刀旋转与温度的监测,研制出了 DRCM 滚刀旋转监测系统5。然而,以上研究均主要针对盾构滚刀刀具的磨损检测,当刀具出现卡转、偏磨等故障时无法对故障进行诊断。本文提出基于机器学习的常压刀盘盾构滚刀故障诊断方法,应用机器学习算法,实现对盾构刀具故障进行分类,对提高盾构掘进效率、降低企业成本、保护工作人员安全具有重要意义。1 常压刀盘盾构滚刀故障诊断方法机器学习为专门研究计算机如何模拟或实现人类的学习行为,进而获得新的知识或技能,重新组织已有的知识结构以不断改善自身性能的多领域交叉学科6。常见的 7 种机器学习算法比较如表 1 所示。由于线性回归算法在低维空间分类时没有很好的效果,且不能很好地拟合非线性数据,而盾构刀具转速、温度等参数一般与刀具故障为非线性关系,故将线性回归算法进行排除。决策树算法在对系统进行分类时,结果偏向于具有更多数值的特征,且容易出现过拟合。最近邻算法由于计算量较大,故只适合小数据集的分类,随着盾构刀具故障数据的增加,不能很好地对刀具故障进行实时监测诊断。考虑到 7 种常见机器学习算法的优劣,综合常压刀盘盾构滚刀故障诊断数据的特点,选择支持向量机(support vector machine,SVM)、随机森 林(random forest,RF)、BP 神 经 网 络(back propagation neural network,BPNN)、极 限 学 习 机(extreme learning machine,ELM)4 种算法对常压刀盘盾构滚刀故障诊断进行研究。表 1 几种常见的机器学习算法比较Table 1 Comparison of several common machine learning algorithms算法优点缺点线性回归训练和预测速度快 用于低维空间分类时受限,不能很好地拟合非线性数据最近邻 简单、有效、重新训练代价较低 难以解决样本不平衡问题,计算量较大决策树 速度较快且不需要数据缩放 对于各类样本数量不一致的数据,结果偏向于具有更多数值的特征,容易出现过拟合支持向量机 可解决高维及非线性问题,泛化能力强、泛化错误率低对数据缺失敏感随机森林 训练速度快,对于不平衡数据集可以平衡误差 当随机森林中决策树量很多时会提高训练所需时间BP 神经网络 分类准确度高,鲁棒性强,能够充分逼近复杂的非线性关系 学习时间长,对数据缩放和参数选取敏感极限学习机 学习速度快,参数易 于 选 择,泛 化 性能好结果不稳定,非线性能力较差1.1 SVM 原理SVM 是一种以统计学理论为基础的机器学习方法。SVM 可以通过核方法进行非线性分类,核方法可以将数据投影到新的空间,使得投影后的数据线性可分,被广泛应用于故障诊断、决策分析等领域。SVM的核心思想是在高维空间找一个超平面,以实现各个类别之间的间隔最大化7-9。超平面方程为:w(xi)+b=0。(1)式中:为目标函数;w、b 均为常数。高维空间中 SVM 的最优超平面可以转化为以下方程求解:min(w,i)=12w2+Ci;w(xi)+b-1+i0,i1.0。(2)式中:i为松弛因子;C 为惩罚系数。通过不断优化求解,最终样本最优分类决策函数可以表达为:f(x)=sgnni=1iyiK(xi,yj)+b。(3)155隧道建设(中英文)第 43 卷式中:i为最优拉格朗日乘子;K(xi,yj)为核函数。设为输入空间,为特征空间,如果存在一个到 的映射(x):,对所有的 x,z,函数 K(x,z)满足 K(x,z)=(x)z(),则称(x)为输入空间到特征空间的映射函数,K(x,z)为核函数。常用的核函数有线性核、多项式核、高斯核等。1.2 BPNN 原理BPNN 是 一 种 有 监 督 的 多 层 前 馈 型 神 经 网络10-11,由非线性变换神经单元组成,具有优秀的非线性映射逼近能力与预测性能,主要用于函数逼近、模式识别、分类及数据压缩 4 个方面。BPNN 结构如图 1 所示。BPNN 一般由输入层、隐藏层和输出层组成,相邻两层之间通过节点进行连接,算法包含向前传播和误差的向后传播 2 个过程。数据在输入 BPNN 输入层之前需要进行标准化处理,数据经标准化输入到 BPNN 输入层后继续向前传播,到达隐藏层作用于输出节点,经过非线性变换产生输出信号,若此输出与期望信号不符,则 BPNN 进入反向传播。反向传播时,输出信号与期望信号的误差向隐藏层和输入层传播,调整各个神经元的权值,使误差沿梯度方向下降,使得误差信号最小。图 1 BPNN 结构图Fig.1 BPNN structure diagram1.3 ELM 原理ELM 是一种基于前馈性神经网络的机器学习方法12,既适用于监督学习,又适用于非监督学习问题。ELM 改进了单隐藏层前馈神经网络,具有较强的学习速率和泛化能力13。ELM 结构如图 2 所示。若有 N 个训练样本为(Xi,Ti),其中 1iN,第 i 个输入向量为 Xi=xi1,xi2,xinTRn,n 为输入向量维数,输出向量为Ti=ti1,ti2,timTRm,m 为输出向量维数。若隐藏层节点数为 l,则 ELM 网络可表示为:lf=1fg(WfXi+bf)=Oi。(4)式中:g(x)为激活函数;Wf=xf1,xf2,xfnT为输入权值;bf为第 f 个隐藏层神经元的阈值;f=f1,f2,fm为输出权值;Oi=oi1,oi2,oimT为第 i个训练样本的输出向量。图 2 ELM 结构图Fig.2 ELM structure diagram单隐层 ELM 网络学习的目标为:Ni=1Oi-Ti=0。(5)即需要找到一组合适的 f、Wf和 bf,使得H=T。(6)式中:H=g W1X1+b1()g WlX1+bl()g W1XN+b1()g WlXN+bl();=T1,T2,TlTlm;T=TT1,TT2,TTNTNm。利用最小二乘法,可通过求解式(7)计算网络输出矩阵,即:min()=H-T。(7)1.4 RF 原理RF 是一个包含多个决策树的机器学习分类器,是一种基于 Bootstrap 取样与 Bagging 投票的方法,其输出类别由各个决策树输出类别的众数决定14。算法构造步骤如下:1)从样本容量为 N 的样本中有放回的进行 N 次抽样,每次抽取 1 个样本,使用选择的 N 个样本训练一个决策树,作为决策树根节点处的样本。2)从每个样本 M 个属性中选择出 m 个属性,然后从 m 个属性中选择 1 个属性作为该节点的分裂属性。3)决策树形成过程中每个节点都按照步骤 2)来分裂,直到不能再分裂为止。4)按照步骤 1)3)建立大量决策树,构成随机森林。2 基于机器学习的常压刀盘盾构滚刀故障诊断盾构滚刀刀筒中一般安装有转速传感器和温度传感器。温度传感器用于测量刀具的实时温度。转速传感器通过感应安装在刀具的若干个磁铁产生脉冲信255增刊 1孙 浩,等:基于机器学习的常压刀盘盾构滚刀故障诊断方法研究号,可以测量刀具的实时转速和一段时间内的平均转速。本文设计的盾构故障诊断方法适用于刀筒中安装有转速传感器及温度传感器的盾构。2.1 滚刀常见故障及其特征盾构在掘进过程中,液压马达驱动刀盘旋转,推进油缸将盾构向前推进。盾构受到推进油缸顶推力15,刀盘将压力作用于隧道掌子面上,随着刀盘的旋转,盾构刀盘刀具不断对隧道掌子面土层、岩石等进行切削,由螺旋输送机将掉落的渣土、石块等输送到皮带输送机上,而后运送到地面16。在盾构掘进过程中,滚刀与隧道掌子面直接接触对掌子面进行切削,因此滚刀极易发生故障,滚刀一旦发生故障,将会导致周围刀具寿命降低,进而影响盾构施工效率。常见的滚刀故障有磨损超限、卡转和偏磨17。1)滚刀磨损超限为刀具在正常工作状态下,由于对掌子面的不断切削,导致的刀具正常磨损超过允许的最大限度。当刀具磨损达到一定值时,刀具破岩能力下降,若不及时更换刀具,将会影响盾构破岩能力和掘进效率,甚至有可能损坏刀毂。滚刀正常磨损超限如图 3 所示。2 把滚刀在正常磨损状态下磨损超限,磨损值分别为 27 mm 和 28 mm。当滚刀正常磨损状态下磨损超限,在刀盘转速不变的情况下,由于刀具磨损,刀具周长变小,滚刀实时转速和平均转速会相应提高,刀具转速的提高会导致刀具温度升高。2)滚刀卡转是盾构在掘进过程中由于对掌子面的不断切削,土体、岩石等掉落进入刀筒中,导致滚刀旋转异常甚至卡死。滚刀卡转将会导致刀具迅速损坏,从而降低刀具使用寿命。当滚刀出现卡转时,刀具实时转速和平均转速会迅速降低甚至为零,刀具温度升高。3)滚刀偏磨是由于盾构掘进过程中由于卡转等原因导致的刀具磨损不均。滚刀偏磨将会导致刀具寿命降低,偏磨严重时甚至有可能损坏刀毂和刀圈。滚刀偏磨如图 4 所示,2 把滚刀偏磨分别为 55 mm 和52 mm。当滚刀发生偏磨时温度将会升高,滚刀实时速度波动较大,平均转速减小;当偏磨较为严重时,刀具实时转速和平均转速可能为 0;当滚刀发生偏磨且刀具实时转速为 0 时,刀具平均转速几乎为 0;当滚刀发生偏磨但刀具转速不为 0 时,此时刀具瞬时转速波动较大,平均转速明显减小。(a)正常磨损超限(b)54 号刀正常磨损超限(c)56 号刀正常磨损超限图 3 滚刀正常磨损超限Fig.3 Normal wear of disc cutter exceeds limit (a)偏磨(b)22 号刀偏磨(c)24 号刀偏磨图 4 滚刀偏磨Fig.4 Eccentric wear of disc cutter2.2 特征参数的选择与数据处理如 2.1 节所述,滚刀发生磨损超限、卡转、偏磨等故障时,实时转速、温度、平均转速等参数均有较为明显的变化,所以,用于滚刀故障诊断的特征参数可选择为滚刀实时转速、温度、平均转速。但是考虑到对于盾构而言,常规刀盘直径一般在68 m,大直径盾构的刀盘直径甚至达到 15 m 以上。盾构刀盘示意图见图 5。由于常压刀盘盾构滚刀分布在刀盘从圆心到圆弧的各个不同位置上,且刀盘上中心刀和边刀半径不同,导致在同样的刀盘转速下不同轨迹半径和刀具半径的滚刀355隧道建设(中英文)第 43 卷转速会有很大差别,因此,不能直接使用刀具转速对滚刀状态进行评价。图 5 盾构刀盘示意图Fig.5 Schematic of shield cutterhead滚刀转速比为滚刀实时转速与理论转速之比,转速比计算公式如式(8)所示。Vr=Vc/(VsRs)/Rc100。(8)式中:Vr为转速比;Vc为刀具实时转速;Vs为刀盘转速;Rs为刀具轨迹半径;Rc为刀具半径。转速比将滚刀旋转状态统一到 0100%,相对于刀具实际转速,更能反映出刀具的旋转状态,故将滚刀实时转速比、温度、平均转速比作为滚刀故障诊断的特征参数。2.3 基于机器学习的滚刀故障诊断模型基于机器学习的滚刀故障诊断模型如图 6 所示。首先将特征数据送入训练好的机器学习模型 1,用以判断滚刀是否发生故障,若机器学习模型 1 判断滚刀处于正常状态,则盾构继续运行;若机器学习模型 1 判断某把滚刀处于故障状态,则将特征数据送入训练好的机器学习模型 2,用以判断滚刀发生故障的类型;若机器学习模型 2 判断滚刀发生卡转,则停机进行故障排除,若机器学习模型 2 判断滚刀磨损超限,则现场工作人员准备新的刀具,进行停机更换;若机器学习模型判断滚刀发生偏磨,则需根据现场拆刀情况,对刀具进行维修或更换。图 6 基于机器学习的滚刀故障诊断模型Fig.6Fault diagnosis model of disc cutter based on machine learning3 机器学习算法的训练测试结果与分析采用深圳妈湾隧道项目中铁 808 号盾构刀具数据,该盾构刀盘直径为 15.48 m,每个刀筒中均安装有独立的转速传感器和温度传感器。根据盾构数据库数据及换刀记录,共提取出 1 498 组数据,其中,正常数据 821组、磨损超限数据 220 组(换刀记录中正常磨损超过20 mm)、卡转数据 155 组、偏磨数据 302 组,每组数据包含盾构刀盘上滚刀的实时转速比、温度及平均转速比。3.1 机器学习模型 1 的训练测试结果与分析本文设计的滚刀故障诊断模型中,机器学习模型1 仅用于判断滚刀是否发生故障,如表 2 所示。将数据集划分为正常和故障 2 种类型,其中故障数据集包含磨损超限、卡转、偏磨 3 种,并将正常和故障数据按照 7 3 划分训练集和测试集。表 2 机器学习模型 1:数据集划分Table 2 Machine learning model 1:Data set partition组数据类型训练样本测试样本合计正常574247821故障473204677合计1 0474511 498用上述数据集将滚刀转速数据转化为转速比后,将特征数据输入到 SVM、BPNN、ELM、RF 4 种分类器中,对正常和故障 2 种刀具状态进行分类,并采用交叉验证和网格搜索对 4 种分类器进行参数寻优。对基于 SVM 的滚刀故障诊断模型进行网格搜索时,核函数 Kernel 选择为 RBF 或 Linear。当核函数选择为 RBF 时,目标函数惩罚系数 C=1,10,100,1 000,10 000,10 000,100 000,1 000 000,核函数系数 gamma=0.000 001,0.000 01,0.000 1,0.001,0.01,0.1,1。通过网格搜索和 5 折交叉验证,在核函数为 RBF,gamma=0.000 1,C=1 000 时,SVM 准确率达到最高,为 87.49%。SVM 算法最优参数下诊断结果如图 7 所示。图 7 机器学习模型 1:SVM 算法最优参数下诊断结果Fig.7 Machine learning model 1:SVM algorithm diagnosis results under optimal parameters455增刊 1孙 浩,等:基于机器学习的常压刀盘盾构滚刀故障诊断方法研究对基于 BPNN 的滚刀故障诊断模型进行网格搜索时,隐藏层神经元个数 n 的取值为 315,通过网格搜索和 5 折交叉验证,在隐藏层神经元个数为 11 时,BPNN 准确率达到最高,为 88.69%。BPNN 算法最优参数下诊断结果如图 8 所示。图 8 机器学习模型 1:BPNN 算法最优参数下诊断结果Fig.8 Machine learning model 1:BPNN algorithm diagnosis results under optimal parameters对基于 ELM 的滚刀故障诊断模型进行网格搜索时,隐藏层神经元个数 m 的取值为 5002 000,通过网格搜索和 5 折交叉验证,在隐藏层神经元为 550 时,ELM 准确率达到最高,为 78.27%。ELM 算法最优参数下诊断结果如图 9 所示。图 9 机器学习模型 1:ELM 算法最优参数下诊断结果Fig.9 Machine learning model 1:ELM algorithm diagnosis results under optimal parameters对基于 RF 的滚刀故障诊断模型进行网格搜索时,决策树个数 n-estimateors 的取值为 1100,最大分离特征数 max-fatures 的取值为 13,决策树最大深度max-depth 的取值为 110,通过网格搜索和 5 折交叉验证,在 n-estimateors=72、max-fatures=2、max-depth=9 时,RF 的准确率达到最高,为 96.45%。RF 算法最优参数下诊断结果如图 10 所示。3.2 机器学习模型 2 的训练测试结果与分析机器学习模型 2 用于判断滚刀发生故障时的类型,如表 3 所示,将磨损超限、卡转、偏磨 3 种滚刀故障类型数据按照 7 3 划分为训练集和测试集。图 10 机器学习模型 1:RF 算法最优参数下诊断结果Fig.10 Machine learning model 1:RF algorithm diagnosis results under optimal parameters表 3 机器学习模型 2:数据集划分Table 3 Machine learning model 2:Data set partition组数据类型训练样本测试样本合计磨损超限15466220偏磨 21291303卡转 10847155合计 474204678采用上述数据集,将滚刀转速数据转化为转速比后,将特征数据输入到 SVM、BPNN、ELM、RF 4 种分类器中,对磨损超限、卡转、偏磨 3 种滚刀故障状态进行分类,并采用交叉验证和网格搜索对 4 种分类器进行参数寻优。对基于 SVM 的滚刀故障诊断模型进行网格搜索时,核函数 Kernel 选择为 RBF 或 Linear。当核函数选择为 RBF 时,目标函数惩罚系数 C=1,10,100,1 000,10 000,10 000,100 000,1 000 000,核函数系数 gamma=0.000 001,0.000 01,0.000 1,0.001,0.01,0.1,1。通过网格搜索和 5 折交叉验证,在核函数为 RBF、gamma=0.1、C=1 000 时,SVM 准确率达到最高,为 90.24%。SVM 算法最优参数下诊断结果如图 11 所示。图 11 机器学习模型 2:SVM 算法最优参数下诊断结果Fig.11 Machine learning model 2:SVM algorithm diagnosis results under optimal parameters555隧道建设(中英文)第 43 卷对基于 BPNN 的滚刀故障诊断模型进行网格搜索时,隐藏层神经元个数 n 的取值为 315,通过网格搜索和 5 折交叉验证,在隐藏层神经元为 12 时,BPNN准确率达到最高,为 86.76%。BPNN 算法最优参数下诊断结果如图 12 所示。图 12 机器学习模型 2:BPNN 算法最优参数下诊断结果Fig.12Machine learning model 2:BPNN algorithm diagnosis results under optimal parameters对基于 ELM 的滚刀故障诊断模型进行网格搜索时,隐藏层神经元个数 m 的取值为 2001 000,通过网格搜索和 5 折交叉验证,在隐藏层神经元为 500 时,ELM 准确率达到最高,为 79.41%。ELM 算法最优参数下诊断结果如图 13 所示。图 13 机器学习模型 2:ELM 算法最优参数下诊断结果Fig.13 Machine learning model 2:ELM algorithm diagnosis results under optimal parameters对基于 RF 的滚刀故障诊断模型进行网格搜索时,决策树个数 n-estimateors 的取值为 1100,最大分离特征数 max-fatures 的取值为 13,决策树最大深度max-depth 的取值为 110,通过网格搜索和交叉验证,在 n-estimateors=41、max-fatures=1、max-depth=7 时,RF 的准确率达到最高,为 97.06%。RF 算法最优参数下诊断结果如图 14 所示。通过对 SVM、BPNN、ELM、RF 4 种不同类型的机器学习模型进行对比试验,RF 算法在 n-estimateors=72、max-fatures=2、max-depth=9 时,判断滚刀是否发生故障 的 准 确 率 最 高 达,到 96.22%;RF 算 法 在n-estimateors=41、max-fatures=1、max-depth=7 时,在滚刀发生故障后判断故障类型时的准确率最高,达到97.06%。图 14 机器学习模型 2:RF 算法最优参数下诊断结果Fig.14 Machine learning model 2:RF algorithm diagnosis results under optimal parameters4 结论与讨论本文研究的基于机器学习的常压刀盘盾构滚刀故障诊断方法,能够实现对常压刀盘盾构滚刀常见故障进行诊断,从而指导现场工作人员对出现故障的刀具进行及时更换,对提高盾构掘进效率、降低企业成本、保护工作人员安全具有重要的意义。得出的主要结论如下。1)提出了基于机器学习的常压刀盘盾构滚刀故障诊断模型,首先通过训练好的机器学习模型 1 判断滚刀是否发生故障,再通过训练好的机器学习模型 2判断发生故障的常压刀盘盾构滚刀的故障类型,对常压刀盘盾构滚刀故障进行实时诊断。2)通过对比 7 种机器学习算法的特点及其适用场景,使用 SVM、BPNN、ELM、RF 4 种机器学习算法用于常压刀盘盾构滚刀故障诊断。通过分析常压刀盘盾构滚刀常见的磨损超限、偏磨、卡转等故障原理及特征,选取盾构刀具温度、实时转速比和平均转速比作为特征参数,采集盾构掘进现场 1 498 组数据,通过交叉验证和网格搜索对 SVM、BPNN、ELM、RF等机器学习算法进行参数寻优。SVM、BPNN、ELM、RF 算法模型在判断滚刀是否发生故障时准确率分别达到了 87.49%、88.69%、78.27%和 96.45%。当滚刀发生故障时,SVM、BPNN、ELM、RF 算法模型判断滚刀发生故障类型的准确率分别达到了 90.24%、86.76%、79.41%和 97.06%。验证了设计的基于机器学习的常压刀盘盾构滚刀故障诊断模型的科学性和有效性,以及 RF 算法在判断滚刀是否发生故障以及发生故障后判断滚刀的故障类型具有较高的准确率。本文提出的基于机器学习的常压刀盘盾构滚刀故障诊断方法,经现场应用验证了方法的准确性和可靠655增刊 1孙 浩,等:基于机器学习的常压刀盘盾构滚刀故障诊断方法研究性,但该方法仅能对刀具常见的偏磨、卡转、磨损超限等故障进行定性分析,并不能判断刀具故障的严重程度。下一步,将在本文研究的基础上继续对盾构滚刀故障进行深入探究,对刀具当前故障程度进行识别和判断,为盾构换刀提供更加精确的指导。参考文献(R Re ef fe er re en nc ce es s):1 马强,孟祥波,魏晓龙,等.盾构机刀具磨损监测系统设计与开发J.电子技术与软件工程,2020(2):52.MA Qiang,MENG Xiangbo,WEI Xiaolong,et al.Design and development of tool wear monitoring system for shield machine J.Electronic Technology&Software Engineering,2020(2):52.2 任德志,孙晓平.基于 CC1101 的盾构滚刀磨损监测系统的设计J.矿山机械,2015,43(4):120.REN Dezhi,SUN Xiaoping.Design on wear detection system for TBM cutter based on CC1101 J.Mining Machinery,2015,43(4):120.3 龚秋明,王庆欢,王杜娟,等.盾构隧道施工刀盘状态实时监测系统研制J.现代隧道技术,2021,58(2):41.GONG Qiuming,WANG Qinghuan,WANG Dujuan,et al.Development of real-time monitoring system for cutter head condition in shield tunnel construction J.Modern Tunnelling Technology,2021,58(2):41.4 石振明,刘鎏,管圣功,等.盾构机前舱设备可视化检测系统研究与应用J.公路交通科技,2019,36(1):109.SHI Zhenming,LIU Liu,GUAN Shenggong,et al.Study on visualized detector of shield machine forecabin equipment and its application J.Highway and Transportation Research and Development,2019,36(1):109.5 魏晓龙,林福龙,孟祥波,等.滚刀状态实时诊断技术在超大直径泥水盾构中的应用:以汕头苏埃通道为例J.隧道建设(中英文),2021,41(5):865.WEI Xiaolong,LIN Fulong,MENG Xiangbo,et al.Real-time diagnosis application of disc cutter in super-large diameter slurry shield:A case study on Shantou Suai tunnelJ.Tunnel Construction,2021,41(5):865.6 陈琦.人工蜂群算法的研究及应用D.扬州:扬州大学,2016.CHEN Qi.Research on the artificial bee colony algorithms and applicationD.Yangzhou:Yangzhou University,2016.7CHEN Yuqi,HUANG Yunsong,HUANG Lianjie.Suppressing migration image artifacts using a support vector machine methodJ.Geophysics,2020,85(5):1.8NGUYEN S T,TO Q D,VU N M,et al.Predicting the electrical conductivity of brine-saturated rocks using machine learning methods J.Journal of Applied Geophysics,2020,184:99.9YUE Youxi,WANG Jun.SVM method for predicting the thickness of sandstoneJ.Applied Geophysics Springer,2007.10 张长青,杨楠.基于混合神经网络的车牌字符识别技术J.电子科技,2019,32(9):51.ZHANG Changqing,YANG Nan.License plate character recognition technology based on hybrid neural networkJ.Electronic Technology,2019,