基于兩級信息融合的隧道掘進機拆裝裝置作業安全預警模型

安小宇， 王德健， 李楠， 李剛， 時安琪， 楊洋， 陳傲松

(1.鄭州輕工業大學電氣信息工程學院， 鄭州 450002； 2.中鐵工程裝備集團盾構制造有限公司， 鄭州 450016)

隧道掘進機(tunnel boring machine，TBM)的拆裝維修一般采用開挖豎井或者洞內大面積擴容的方法來實現，其工程量巨大，造價高，還需要土方回填處理，工程周期長，循環經濟性差。目前，直接針對洞內TBM快速拆裝裝置的研發在國內外尚屬空白。

TBM拆裝裝置屬于大型起重設備，裝置在進行作業時需要緩慢地進行升降吊裝，其工作時間較長。而且作業過程中需要根據現場實際情況靈活調整工作模式，不同的工作時間段其工況參數的要求也不同。同時洞內空間有限、吊裝主機噸位大等致使裝置在作業時操作難度大、危險性高，具有極高的安全隱患，為保證拆裝裝置的作業安全，需要根據TBM拆裝裝置的結構特點和工藝要求對裝置作業時的安全狀況進行有效預警。

目前，國內外針對大型起重、吊裝設備上的安全預警模型已有一定數量的研究成果，如楊斌等[1]通過建立灰色綜合預測模型，結合歸一化數據處理的不同退化特征值，以實現起重機的安全預警；劉名強等[2]通過粗糙集(rough set，RS)屬性約簡算法確定模型安全預警因子，選用混合核函數構建關聯向量機(relevance vector machine，RVM)預警模型，并通過改進粒子群算法(improved particle swarm optimization，IPSO)尋優確定核參數，建立裝配式吊裝作業預警模型；Ren等[3]通過對起重機運動和位置的實時監測，以實時對象數據建立加權線性回歸模型對起重機安全進行預測；隨著人因失誤問題的凸顯，馬輝等[4]通過分析施工現場人、物以及環境及這3類危險源交叉關聯的情境，建立基于支持向量機(support vector machine，SVM)分類算法的空間單元安全預警模型；Shin[5]將塔機作業安全性研究的重點逐步從塔機本質安全與作業監測轉向人為因素方面進行分析；鄭霞忠等[6]運用模糊數學，結合認知可靠性與失誤分析方法(cognitive reliability and error analysis methods，CREAM)構建塔機作業人因可靠性分析模型，以提高塔式起重機作業的可靠性。

綜上所述，目前針對大型起重設備的安全預警研究成果相對有限，但國內外還沒有見諸TBM拆裝裝置安全作業預警模型的研究成果。因此現依托鄭州市重大專項“隧道掘進機(TBM)主機洞內快速拆裝400 t群控液壓舉撐轉運變位系統研制”對拆裝作業過程中的安全預警模型進行研究。結合裝置本身特點，使用TBM拆裝裝置上的拉力傳感器采集的兩組鋼絲繩拉力數據、壓力傳感器采集的四組液壓缸壓力數據、偏載傳感器采集的一組偏載角數據、位移傳感器采集的一組拆裝裝置起升高度數據，以此8類數據作為基礎，建立兩級信息融合安全預警模型。一級融合將前期采集的8類數據進行預處理，包括判斷錯誤數據和歸一化處理，之后將8類數據通過層次分析法-熵權法算法融合得出安全狀態系數，安全狀態系數可以對比拆裝裝置的作業警度與風險等級，以得到此時拆裝裝置的安全狀態。二級融合是將一級融合得出的安全狀態系數作為輸入，分別建立灰色模型(grey model，GM)、差分自回歸移動平均(autoregressive integrated moving average model，ARIMA)、長短期記憶網絡(long short-term memory，LSTM)3個單項預測模型，對后期拆裝裝置的安全狀態系數進行預測，同時根據單項預測模型建立基于簡單平均原理的簡單平均組合模型[7]和基于最小誤差平方與最小二乘法的最優加權組合模型[8]，通過三類模型所預測的安全狀態系數與真實值之間的比較，選出預測效果最好的安全預警模型。之后將一級融合與二級融合進行結合，建立兩級信息融合的TBM主機拆裝裝置安全作業的預警模型。

1 融合算法與安全狀態系數

1.1 層次分析法計算過程

層次分析法[9]是將各項指標進行比較，兩個指標間的重要程度通過尺度表來確定，尺度表如表1所示。

表1 1～9尺度表

根據尺度表打分規則，邀請大學教授、中鐵裝備以及新鄉江河起重機相關起重專家共10余人對安全預警各指標進行評定打分，打分結果相同的進行采納，結果不同的根據各個專家協商后的結果為準，以此建立判斷矩陣A。通過協商最后確定相同指標其尺度相同；拉力指標比壓力指標與偏載角指標稍顯重要，比起升高度指標十分重要；壓力指標比偏載角指標稍顯重要，比起升高度指標明顯重要；偏載角指標比起升高度指標明顯重要。通過上述打分結果即可建立判斷矩陣A。

(1)判斷矩陣A及權重向量計算公式。

(1)

(2)

(3)

(4)

(2)檢驗判斷矩陣A一致性。

(5)

(6)

式中：CI為判斷矩陣一致性指標；RI為隨機一致性指標，其值與判斷矩陣的階數有關；CR為一致性比率，當CR<0.1時，判斷矩陣滿足一致性檢驗；當CR>0.1時，需重新對安全預警各指標打分，直至CR<0.1。

1.2 熵權法計算過程

熵權法[10]是根據指標的變異性來最終確定各評估指標的權重[11]，其計算過程如下。

(1)數據標準化處理。

(7)

式(7)中：xij為原始數據i指標的第j個值；xmin為TBM拆裝裝置空載時i指標的最小值；xmax為i指標的最大值，例如4個壓力指標，其xmin為2.84 MPa，xmax為19.66 MPa。

(2)計算i指標的熵值。

(8)

(9)

式中：ri為i指標的比重；ei為i指標熵值。

(3)計算i指標的熵權βi。

(10)

1.3 融合算法

采用層次分析法與熵權法相結合的融合算法，可以得到更加科學準確的指標權重值[12]。組合權重的常用方法有乘法歸一法和平均值法，由于乘法歸一法存在權重含義模糊的缺點，可能導致權重極端化。因此為保證主觀與客觀的兼容性，避免權重極端化的發生，采用平均值法確定指標綜合權重。

(11)

式(11)中：ωi為i指標通過平均值法得到的綜合權重；αi為層次分析法得到的權重；βi為熵權法得到的權重。

根據矩陣A可以計算出層次分析法中各個指標的權重，通過TBM拆裝裝置所裝傳感器采集的54組共432個數據可以計算得出熵權法中各個指標的權重。融合算法所得的8個指標的權重分配如表2所示。

表2 各指標權重分配Table 2 Weight distribution of each indicator

1.4 安全狀態系數

首先將8類原始數據進行歸一化處理，歸一化處理就是將數據如同式(7)一樣進行標準化處理，將經過歸一化處理的某時刻指標數據分別與對應的融合算法確定的權重結合，將結合后的數據相加便得到了這一時刻的安全狀態系數，安全狀態系數的值的范圍在0～1，同時可以將此時刻的安全狀態系數與TBM拆裝裝置作業警度與風險等級進行對比，以此判斷此時TBM拆裝裝置作業是否安全。而拆裝裝置作業的警度分為無警與報警，風險等級分為安全、相對安全和不安全3個等級，具體劃分標準如表3所示。

表3 警度與風險等級劃分標準Table 3 Criteria for classification of warning degree and risk level

2 建立預測模型

2.1 灰色預測模型

灰色模型(GM)是最基本的灰色系統理論模型，其建模過程[13-14]如下。

(1)對原始數據序列x(0)進行一次累加計算，得到有規律的數據序列x(1)。

(5)模型精度檢驗。

2.2 ARIMA模型

ARIMA(p，d，q)模型又稱差分自回歸移動平均模型，通過線性自動回歸、移動平均和差分計算3種變量進行構建，對平穩時間序列進行定階和參數估計，運用信息準則法選擇合適參數[15]。

ARIMA模型[16-17]可通過差分原則將非平穩原始序列轉變為平穩序列，通過建立自相關與偏自相關圖對模型進行定階，即確定p、d、q的值。根據所選擇參數建立預測模型，根據擬合效果選出最優預測模型，并進行后期數據預測。

2.3 LSTM模型

LSTM是循環神經網絡(recurrent neural network，RNN)的一種變體結構，其信息流傳通過3個邏輯門(遺忘門、輸入門、輸出門)控制[18]。LSTM細胞單元結構如圖1所示。

xt為細胞單元輸入的偏置參數；ct-1為上一細胞狀態；ht-1為上一細胞隱藏狀態向量；ct為單元狀態；ht為隱藏狀態權重；ft為遺忘門權重；it為輸入門權重；zt為細胞狀態權重；ot為輸出門權重[19]圖1 LSTM細胞單元結構Fig.1 LSTM cell unit structure

2.4 組合預測模型

則第t時刻組合預測模型的預測值vt為

vt=k1v1t+k2v2t+k3v3t

(12)

使用組合模型是為了減少預測值與真實值之間的誤差平方和，那么最優組合模型權重分配問題就轉化為最小誤差平方和最小二乘法的數學規劃問題，即

(13)

式(13)中：J為組合模型預測值與真實值的誤差平方和；Kn為組合模型的權重系數向量；E(n)為組合模型預測值與真實值的誤差信息矩陣；Rn為n×1 的列陣。對式(13)進行拉格朗日乘子法求解得

(14)

結合式(13)與式(14)可得組合模型最小誤差平方和為

(15)

2.5 模型比較

最優預測模型是通過單項模型與組合模型的預測值與真實值之間的相關系數R、平均絕對誤差(mean absolute error，MAE)、平均相對誤差(mean absolute percentage error，MAPE)、均方根誤差(root mean square error，RMSE)4個指標和后期相對誤差決定的，4個指標及其表達式如下。

(1)相關系數(R)。表達式為

(16)

(2)平均絕對誤差(MAE)。表達式為

(17)

(3)平均相對誤差(MAPE)。表達式為

(18)

(4)均方根誤差(RMSE)。表達式為

(19)

3 實例分析

3.1 數據來源與信息融合

根據TBM拆裝裝置吊裝TBM主機時一段時間內所采集的2組鋼絲繩拉力數據、4組液壓缸壓力數據、1組偏載角數據、1組裝置起升高度數據共8類84組672個數據作為基礎，以前面54組共432個數據作為訓練樣本，以后期30組共240個數據作為檢驗樣本。首先進行一級融合，將8類數據進行歸一化處理，將歸一化處理后的8類數據與對應層次分析法-熵權法融合算法所得權重融合得出安全狀態系數，安全狀態系數可以對比拆裝裝置的作業安全等級，以得到此時拆裝裝置的安全狀態。將融合得出的前54個安全狀態系數作為二級融合輸入，根據所得的安全狀態系數數據，ARIMA模型參數為p=1，d=2，q=1；LSTM模型網絡結構為1×5×1。

3.2 模型驗證

根據所提出的預測模型，可建立3個單項預測模型，根據這3個單項預測模型，理論上可建立GM-ARIMA、GM-LSTM、ARIMA-LSTM共3個2維組合模型和GM-ARIMA-LSTM 1個3維組合模型。首先將一級融合后的安全狀態系數作為輸入，建立單項預測模型，模型建立好后對后期的安全狀態系數進行預測。根據單項預測模型建立基于簡單平均原理的簡單平均組合模型和基于最小誤差平方與最小二乘法的最優加權組合模型，然后利用模型比較的4個指標以及后期數據的相對誤差對組合模型的預測精度進行檢驗，選出擬合效果最好的TBM拆裝裝置安全預警模型。

建立的3個單項預測模型的預測結果與真實值之間的擬合效果如圖2所示。

圖2 單項預測模型擬合效果Fig.2 Fitting effect of single prediction model

單相預測模型GM、ARIMA和LSTM最大相對誤差分別為4.37%、4.40%和3.74%，LSTM模型的相對誤差最小，模型后期預測的結果比真實值稍小。GM和ARIMA模型的相對誤差較大，雖然小于5%，但根據圖2可以看出兩者在后期所預測的結果比真實值高，真實值與預測值的偏差也比LSTM模型的偏差大得多。

根據簡單平均原理，簡單平均組合模型中GM-ARIMA、GM-LSTM和ARIMA-LSTM中各單項模型權重均為0.5；GM-ARIMA-LSTM中各單項模型權重均為0.33。簡單平均組合模型與安全狀態系數真實值擬合效果如圖3所示。

圖3 簡單平均組合模型擬合效果Fig.3 Fitting effect of Simple average combined model

簡單平均組合模型GM-ARIMA、GM-LSTM、ARIMA-LSTM和GM-ARIMA-LSTM最大相對誤差分別為3.76%、3.43%、4.07%和4.71%，從圖3中可以明顯看出，4個簡單平均組合模型后期的預測值都比真實值大，后期擬合效果比較差。

通過最小誤差平方和最小二乘法可解決最優加權組合模型權重分配問題，求得GM-ARIMA的權重為k1=0.64，k2=0.36；GM-LSTM的權重為k1=0.29，k2=0.71；ARIMA-LSTM的權重為k1=0.18，k2=0.82；GM-ARIMA-LSTM的權重為k1=0.21，k2=0.10，k3=0.69。最優加權組合模型與安全狀態系數真實值擬合效果如圖4所示。

圖4 最優加權組合模型擬合效果Fig.4 Fitting effect of optimal weighted combination model

最優加權組合模型GM-ARIMA、GM-LSTM、ARIMA-LSTM和GM-ARIMA-LSTM最大相對誤差分別為3.78%、3.55%、3.85%和3.67%，從圖4可以看出，除GM-ARIMA后期預測的結果比真實值偏差較高外，其他3個組合預測模型都包含有LSTM模型，且后期預測的結果都接近真實值，其中GM-LSTM和GM-ARIMA-LSTM這兩個組合預測模型更貼近真實值，擬合效果更好。

根據模型所預測的結果，單相預測模型和組合預測模型預測精度的4個指標比較如表4所示。

表4 模型預測精度對比Table 4 Model prediction accuracy comparison

由表4可知，單項預測模型中GM模型的R最高，LSTM模型的MAE、MAPE、RMSE最小，結合圖2說明單項預測模型中LSTM模型擬合效果較好。簡單平均組合預測模型中GM-LSTM模型的4個指標均要好于其他3個模型，且R是所有模型的最大值(0.990 6)，在簡單平均組合模型中此模型的擬合效果最好。最優加權組合預測模型的4個指標數據大部分都要優于前兩類模型，而且最優加權組合預測模型中GM-LSTM模型的MAE、MAPE、RMSE的值比所有模型都要小，因此比單項預測模型和簡單平均組合模型穩定性更強，后期預測結果精度更高，效果更好。雖然GM-LSTM模型指標數據都比GM-ARIMA-LSTM模型要好，二者的預測值都比真實值大一些，都能及時反映TBM拆裝裝置吊裝TBM主機時的安全狀態。但由于二者的4個指標數據非常接近，且在圖4序號為20～30的后期預測數據組中，GM-ARIMA-LSTM模型的預測值與真實值之間的相對誤差比GM-LSTM模型的相對較小，其預測值更貼近真實值，后期擬合效果最好，同所有預測模型中后期預測精度相比也較好。因此根據以上分析，選擇最優加權組合預測模型中權重為(0.21，0.10，0.69)的GM-ARIMA-LSTM模型作為二級融合的安全預警模型。

4 結論

(1)根據拆裝裝置吊裝TBM主機時所采集的2組鋼絲繩拉力數據、4組液壓缸壓力數據、1組偏載角數據、1組裝置起升高度數據為基礎，通過與對應層次分析法-熵權法融合算法所得權重融合得出安全狀態系數，從而完成安全預警模型的一級融合，安全狀態系數可以對比作業警度與風險等級，得到此時拆裝裝置的安全狀態。

(2)組合預測模型利用單項預測模型的有效信息，有效彌補了單項預測模型的缺陷，通過R、MAE、MAPE、RMSE 4個指標的檢驗可以確定組合預測模型是優于單項預測模型，適合對TBM拆裝裝置安全作業狀態系數進行有效的預測分析。

(3)最優加權組合預測模型的擬合效果要明顯優于簡單平均組合模型，而且最優加權組合預測模型中GM-LSTM與GM-ARIMA-LSTM精度都非常高，但后者的后期擬合效果更好，因此選用最優加權組合預測模型中權重為(0.21，0.10，0.69)的GM-ARIMA-LSTM模型作為二級融合的安全預警模型，并與一級融合結合，構建基于兩級信息融合的TBM拆裝裝置作業安全預警模型。