軌道交通土建工程施工機械設備故障診斷方法

摘要：盾構機作為軌道交通土建工程施工的核心機械設備之一，一旦出現故障會導致整個施工進度嚴重滯后。闡述軌道交通土建工程施工機械設備故障診斷方法，針對不同故障形式下盾構機各參數的變化，提取盾構機故障信號特征，預處理故障信號特征，提升故障識別效果，基于故障信號特征的時間序列構建故障診斷模型。通過實際施工現場測試證明，本文所提方法的故障診斷準確率96.55%、漏報率5.52%，驗證了本文方法的可靠性。

關鍵詞：軌道交通；機械設備；故障診斷；盾構機

0" "引言

盾構機作為軌道交通土建施工中關鍵的機械設備，其穩定運行是工程施工的先決條件。盾構機結構復雜，在施工過程中一旦出現損壞，不僅維修難度大，而且會制約整個施工進度。所以，在軌道交通土建工程施工中，需要對盾構機進行實時故障診斷，以此保障盾構機的健康運轉。

機械設備故障診斷一直是土建工程中的熱點問題。林青云[1]等人通過非線調頻模態分解，有效實現了機械設備的故障診斷。何知義[2]等人設計一種熱成像診斷方法，可以精準地對機械設備進行故障診斷。本文借鑒相關資料，對軌道交通土建工程施工機械設備故障診斷進行深入研究，具有一定的實用性。

1" "提取盾構機故障信號特征

在軌道交通土建工程施工中，一般盾構機容易出現噴涌、滾刀磨損以及盾殼被卡這三種故障形式。盾構機出現噴涌問題時，掘進速度、螺旋輸送機旋轉速度以及土倉壓力等數據均會發生變化。盾構機出現滾刀磨損問題時，土倉壓力、滾刀扭矩以及滾刀旋轉速度等數據均會發生變化。盾構機出現盾殼被卡問題時，掘進速度、滾刀旋轉速度以及土倉壓力等數據均會發生變化。

當軌道交通土建工程施工中盾構機出現故障時，需要提取盾構機故障的多維信號特征[3]。但由于盾構機的體型巨大且結構較為復雜，當它出現故障時，不能保證準確無誤地提取到全部故障信號特征，且所提取的多維特征也不一定都是有效的，所以本文引入相關系數法進行盾構機故障信號特征的提取。

相關系數法可以對多維特征進行相關分析，然后根據分析結果，將表現較好的故障信號特征保留，將表現不好的故障信號特征去除，以此獲得有效的多維故障信號特征。特性分析的計算公式如下：

（1）

式中：g（m，zu）表示故障信號特征之間的相關系數；m表示故障信號特征的目標特性；zu、zv分別表示兩個不同的故障信號特征；n表示盾構機發生故障時全部故障信號特征的數量；m—、z—v表示平均數據。

通過此式得到的兩個故障信號特征之間的相關系數值越大，說明這兩個特征表現越好，對后續故障識別越有效。通過獲取不同故障特征之間的相關系數，可以提取盾構機的多維信號特征，以此獲取準確有效的故障特征。

2" "預處理故障信號特征

在盾構機故障信號采集過程中，會受到外界環境等因素的干擾，存在大量噪聲，造成信號特征呈非線性狀態。如果直接對提取的盾構機故障信號特征進行診斷分析，那么獲取的識別效果不會太好，所以本文先對故障信號特征進行預處理[4]，以提升故障診斷準確度，并減少診斷時間。

小波閾值降噪是當下最常用的信號降噪方法，其計算簡單且降噪效果較好，本文將采用小波降噪方法進行故障信號特征的預處理。假設原始故障信號特征數學模型如下：

（2）

式中：M（i）表示含有噪聲的盾構機故障信號特征；Y（i）表示盾構機故障信號特征中的有效數據；η表示噪聲故障信號特征的強度系數；X（i）表示噪聲信號特征。

由此式可知，在盾構機故障信號特征中，除有效特征之外就是噪聲成分，所以去故障信號特征進行去噪處理，其本質就是將信號特征去相關處理。因為在原始故障信號特征中，與這兩個成分的小波域能量分布狀態有所區別，可以利用小波變換函數，把盾構機故障信號特征中的與兩個成分均轉換為小波系數。

這些小波系數之間存在差異，故可以通過閾值化處理。在這些小波系數里挑選出可以有效表征故障信號特征的數據，最后將這些數據進行逆變換處理，就可以獲得降噪后的盾構機故障信號特征。小波變換的函數公式如下：

（3）

式中：B（s，β）表示盾構機故障信號特征中的Y（i）與X（i）兩個成分均轉換成的小波系數；s表示故障信號特征的伸縮量數據；β表示故障信號特征的平移量數據；h（z）表示故障信號特征的逆變換函數；*表示共軛；j（z）表示小波基函數。

關于小波基函數的選取沒有固定的要求，一般情況下會根據故障信號特征的相似性、正交性以及對稱性等特點，選取與實際盾構機故障信號特征相似度最高的小波基，以最大限度將原始故障信號特征中的噪聲成分去除，留下有效成分。

此公式的應用基礎在于，故障信號特征的有效成分與噪聲成分在小波域中呈分散狀態，且分布位置各不相同，所以通過重構此公式篩選出的信號特征有效成分，可以獲得預處理后的盾構機故障信號特征。

3" "構建故障診斷模型

關于軌道交通土建工程施工中盾構機的故障診斷，不僅需要考慮盾構機在某一時刻的運行狀態參數，還需要結合前后時間的狀態數據。所以在構建盾構機故障診斷數學模型時，需要從時間序列[5]的方向出發，以此通過分析盾構機各時刻的運行狀態，實現精準的故障診斷。

本文采取LSTM與BP神經網絡級聯形式來建立盾構機的故障診斷模型。首先將盾構機的故障信號特征輸入LSTM模型中，通過該診斷模型的記憶功能，分析故障信號特征的時間特性。然后利用BP神經網絡的隱藏層進行信號特征的傳輸。最后通過診斷模型的訓練學習，實現故障信號特征的分類識別，以此達到盾構機故障診斷目的。

把預處理后的故障信號特征構成一個訓練集合，并將該集合輸入診斷模型的隱藏層，此時診斷模型會根據集合中信號特征的時間序列對故障進行識別，然后輸出識別結果。 LSTM的數學模型如下：

（4）

式中：C表示故障診斷模型輸出的故障信號特征識別分類結果；Cn-1表示隱含層中上一個故障信號特征的輸出數據；Tn-1表示隱含層中上一個故障信號特征的細胞狀態數據。

然后通過梯度下降法對LSTM模型的權值進行調整，實現LSTM的優化。再將該模型輸出的故障信號特征當作BP網絡模塊的輸入信號，通過BP神經網絡的多次訓練，降低故障診斷誤差，直到誤差值符合設計需求時停止訓練。

4" "實際應用

本次測試以廣州市軌道交通二十二號線祈福站至廣州南站區間土建工程項目為依托，此工程包括祈福站至中間風井盾構區間、中間風井、中間風井至廣州南站盾構區間。因為該項目的施工技術較為復雜，且工期較短，所以對施工機械設備的要求較為嚴格，尤其是盾構機設備。為確保工期，必須對盾構機進行實時的故障診斷。

在測試之前，需要于施工現場搭建可使AD采集箱正常運行的電源。本次測試首先選取正在進行掘進任務的某盾構機作為測試平臺，利用AD采集箱的采樣通道采集盾構機的相關數據。在盾構機主軸承上選取5個不同位置作為測點，并在每個測點處采集包含正常軸承在內的10種故障類型的信號。然后將這些故障信號劃分為20個樣本數據集，每個數據集中包含2000個數據點，以此作為故障診斷的訓練集。

為了進一步驗證本文所提的機械設備故障診斷方法的有效性以及準確性，選取兩個傳統故障診斷方法：基于隨機森林算法的故障診斷方法，以及基于熱成像的故障診斷方法。將其與本文所提方法進行對比實驗，將20個訓練集分別使用3種方法進行訓練，獲得故障診斷的準確率結果如圖1所示。

由圖1可知，基于熱成像的故障診斷方法平均準確率為93.64%，基于隨機森林算法的故障診斷方法平均準確率為87.22%，本文所提故障診斷方法的平均準確率為96.55%，較傳統方法高出2.91%、9.33%。

故障診斷漏報率對比如圖2所示。由圖2可知，基于熱成像的故障診斷方法平均漏報率為9.76%，基于隨機森林算法的故障診斷方法平均漏報率為15.77%，本文所提故障診斷方法的平均漏報率為5.52%，較傳統方法低4.24%、10.25%。

綜上所述，本文所提軌道交通土建工程施工機械設備故障診斷方法比傳統隨機森林算法以及熱成像方法，具有更高的診斷準確率以及更低的診斷漏報率，進而表明本文方法更為有優勢、更加可靠。

5" "結語

本文基于廣州市軌道交通二十二號線祈福站至廣州南站區間土建工程施工中，機械設備的實際應用情況，對盾構機的故障診斷進行深入研究，并結合施工現場的實際應用測試，驗證了本文所提方法的可靠性。

本文所提方法雖然實現了盾構機的故障診斷，但在實際應用中仍存在一些不足，例如本文方法對盾構機故障早期微弱的信號識別效果較差。筆者后續將會對這方面進一步深入研究，完善故障診斷方法，使之在軌道交通土建工程施工中獲得更好應用。

參考文獻

[1] 林青云，魏連友，葉杰凱，等.非線性調頻模式分解及在機械設備故障診斷中的應用[J].機械設計與制造，2021（5）：77-81.

[2] 何知義，邵海東，程軍圣，等.基于彈性核凸包張量機的機械設備熱成像故障診斷方法[J].中國機械工程，2021，32（12）：1456-1461+1478.

[3] 郭遠晶，金曉航，魏燕定，等.改進TSA降噪與平方包絡譜分析"的故障特征提取[J].振動工程學報，2021，34（2）：402-410.

[4] 丁恩杰，俞嘯，廖玉波，等.基于物聯網的礦山機械設備狀態智能感知與診斷[J].煤炭學報，2020，45（6）：2308-2319.

[5] 邢義通，周鴻博，李志鵬，等.階次跟蹤和雙樹復小波的軸承在非穩定運行時的故障診斷研究[J].機械科學與技術，2020，39（3）：361-366.