亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于PCA-LSTM 的盾構(gòu)故障多標(biāo)簽預(yù)測(cè)模型研究

        2020-01-01 06:36:52劉麗莎章龍管段文軍劉綏美
        關(guān)鍵詞:故障模型施工

        徐 進(jìn),劉麗莎,章龍管,段文軍,劉綏美

        1.西南交通大學(xué)經(jīng)濟(jì)管理學(xué)院,四川 成都610031

        2.中鐵工程服務(wù)有限公司,四川 成都610083

        盾構(gòu)是在可移動(dòng)鋼結(jié)構(gòu)護(hù)盾掩護(hù)下完成開挖、排碴、襯砌等掘進(jìn)作業(yè)的機(jī)、電、液、傳感、信息一體化大型復(fù)雜裝備[1]。因其相對(duì)安全、快速、經(jīng)濟(jì)、機(jī)械化程度高、勞動(dòng)強(qiáng)度低、不受天氣影響等特點(diǎn),被廣泛地應(yīng)用于各類隧道和地下工程建設(shè)中。根據(jù)盾構(gòu)機(jī)各組成部分的功能特征,可將其分為不同的子系統(tǒng),如刀盤系統(tǒng)、驅(qū)動(dòng)系統(tǒng)、排土系統(tǒng)、管片安裝系統(tǒng)等等。由于盾構(gòu)系統(tǒng)構(gòu)成十分復(fù)雜且工作環(huán)境惡劣,盾構(gòu)在施工過程中經(jīng)常會(huì)出現(xiàn)各種故障。這些故障不但會(huì)影響項(xiàng)目進(jìn)度、造成經(jīng)濟(jì)損失,嚴(yán)重時(shí)還會(huì)危及到工作人員及工地周邊的安全。因此,如何對(duì)盾構(gòu)故障進(jìn)行有效預(yù)測(cè)是目前盾構(gòu)研究與應(yīng)用中較為關(guān)注的問題。

        隨著大數(shù)據(jù)技術(shù)的發(fā)展,一些企業(yè)通過盾構(gòu)大數(shù)據(jù)云平臺(tái)采集了盾構(gòu)施工運(yùn)行的全過程數(shù)據(jù),包括盾構(gòu)機(jī)本身的運(yùn)行參數(shù)、故障報(bào)警、工程進(jìn)度、地質(zhì)水文等數(shù)據(jù),積累了海量的盾構(gòu)施工過程數(shù)據(jù)。目前有關(guān)盾構(gòu)故障的研究可以分為兩類,一類是關(guān)于盾構(gòu)施工故障的成因分析,一類是關(guān)于盾構(gòu)故障的診斷或預(yù)測(cè)。前者關(guān)注的是盾構(gòu)機(jī)本身的運(yùn)行機(jī)理,根據(jù)故障形成的原因,討論可行的改進(jìn)方法[2,3]。后者從早期的神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等模型的應(yīng)用逐步過渡到利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)對(duì)盾構(gòu)故障進(jìn)行建模分析的階段[4-10],建立了一些基于故障知識(shí)的專家系統(tǒng)和基于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的預(yù)測(cè)模型,取得了一定的成績(jī)。其中,深度學(xué)習(xí)已經(jīng)成為學(xué)術(shù)界和工業(yè)界共同關(guān)注的焦點(diǎn),因其在特征提取和模式識(shí)別方面的獨(dú)特優(yōu)勢(shì),被廣泛地應(yīng)用于工業(yè)設(shè)備故障診斷領(lǐng)域[11]。綜合國(guó)內(nèi)外的相關(guān)研究發(fā)現(xiàn),雖然盾構(gòu)施工受到地層類型、機(jī)器參數(shù)、工人技能等多方面因素的影響,但是盾構(gòu)故障的發(fā)生依然是有跡可循的,盾構(gòu)施工參數(shù)和盾構(gòu)故障之間存在著密不可分的聯(lián)系。

        但在現(xiàn)有的研究中,多數(shù)學(xué)者都只研究了盾構(gòu)單一子系統(tǒng)的故障,如液壓系統(tǒng)故障、刀盤故障等等[9,10,12,13]。而在實(shí)際盾構(gòu)施工中,往往是多個(gè)子系統(tǒng)同時(shí)存在故障。即某一個(gè)時(shí)刻的盾構(gòu)施工數(shù)據(jù)可能對(duì)應(yīng)著多個(gè)不同類型的故障,這就屬于多標(biāo)簽數(shù)據(jù)類型[14],傳統(tǒng)的針對(duì)單一類型的故障預(yù)測(cè)方法難以對(duì)實(shí)時(shí)施工決策提供有效的幫助。另外,盾構(gòu)施工是一個(gè)持續(xù)的動(dòng)態(tài)的過程,這些施工時(shí)序數(shù)據(jù)反映了盾構(gòu)各系統(tǒng)的運(yùn)行狀態(tài),包含了故障發(fā)生前后的全部信息。而目前很少有學(xué)者對(duì)施工序列數(shù)據(jù)進(jìn)行挖掘分析。

        因此,本文研究了盾構(gòu)故障多標(biāo)簽預(yù)測(cè)的問題,根據(jù)某大型城市地鐵A 期工程B 標(biāo)段土壓平衡盾構(gòu)機(jī)的實(shí)際施工數(shù)據(jù)和故障報(bào)警數(shù)據(jù),針對(duì)經(jīng)常發(fā)生故障的刀盤系統(tǒng)、排土系統(tǒng)和注漿系統(tǒng),利用長(zhǎng)短期記憶網(wǎng)絡(luò)(Long-Short Term Memory,LSTM)善于處理時(shí)序數(shù)據(jù)的優(yōu)點(diǎn),對(duì)盾構(gòu)施工序列數(shù)據(jù)和這三類故障之間的關(guān)系進(jìn)行監(jiān)督學(xué)習(xí),探索利用盾構(gòu)施工序列數(shù)據(jù)對(duì)將要出現(xiàn)單類或多類故障進(jìn)行預(yù)測(cè)的方法。

        1 盾構(gòu)故障多標(biāo)簽預(yù)測(cè)模型

        基于PCA-LSTM 的盾構(gòu)故障多標(biāo)簽預(yù)測(cè)模型的整體框架見圖1。

        圖1 基PCA-LSTM 的盾構(gòu)故障多標(biāo)簽預(yù)測(cè)模型整體框架圖Fig.1 The framework of multi-label prediction model for shield faults based on PCA-LSTM

        首先獲取盾構(gòu)機(jī)施工數(shù)據(jù),進(jìn)行PCA 特征提取。然后將經(jīng)過PCA 處理得到的盾構(gòu)施工參數(shù)的主成分與地質(zhì)、風(fēng)險(xiǎn)源數(shù)據(jù)進(jìn)行集成,利用故障數(shù)據(jù)對(duì)集成后的施工數(shù)據(jù)進(jìn)行標(biāo)注,生成序列數(shù)據(jù),并進(jìn)行故障標(biāo)簽位移,得到LSTM 模型的輸入數(shù)據(jù),并劃分訓(xùn)練集和測(cè)試集。然后進(jìn)行LSTM 盾構(gòu)故障多標(biāo)簽預(yù)測(cè),包括模型的網(wǎng)絡(luò)結(jié)構(gòu)及超參數(shù)設(shè)置、模型的訓(xùn)練和測(cè)試。最后用基于多標(biāo)簽的模型評(píng)估指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。

        1.1 PCA 特征提取

        雖然深度學(xué)習(xí)在理論上能夠從原始數(shù)據(jù)中自動(dòng)提取有用的特征,但是有著良好特征的輸入數(shù)據(jù)往往能達(dá)到更好的效果,減少深度學(xué)習(xí)模型在訓(xùn)練時(shí)對(duì)其他資源的依賴[15]。主成分析法通過原有變量之間的線性組合代替原有變量,確保新組成變量間彼此互不相關(guān),從而將高維數(shù)據(jù)進(jìn)行壓縮,極少地?fù)p失原有信息。

        首先對(duì)盾構(gòu)機(jī)全部子系統(tǒng)采集的施工參數(shù)進(jìn)行篩選,去掉記錄設(shè)備狀態(tài)以及有關(guān)各種耗材的累積量的相關(guān)參數(shù),最后保留了166 個(gè)盾構(gòu)機(jī)施工參數(shù)。這些參數(shù)雖然從不同方面反應(yīng)了盾構(gòu)的施工狀態(tài),但是參數(shù)之間不可避免的會(huì)產(chǎn)生信息冗余和噪聲,因此需要對(duì)施工參數(shù)進(jìn)行主成分分析。根據(jù)特征值和累計(jì)貢獻(xiàn)率對(duì)主成分進(jìn)行選擇,將原來的166 個(gè)施工參數(shù)壓縮成20 個(gè)主元成分,保留了原始數(shù)據(jù)約89%的信息,得到部分主成分見表1。

        表1 PCA 特征提取部分結(jié)果Table 1 Partial results from PCA feature extraction

        1.2 數(shù)據(jù)集成和標(biāo)注

        地質(zhì)類型指的是盾構(gòu)掘進(jìn)過程中所處的地質(zhì)環(huán)境。盾構(gòu)施工風(fēng)險(xiǎn)源主要是指盾構(gòu)施工中通過重要建(構(gòu))筑物的情況。在現(xiàn)實(shí)環(huán)境中,地質(zhì)和風(fēng)險(xiǎn)源都會(huì)影響盾構(gòu)機(jī)施工參數(shù)的設(shè)置。首先將經(jīng)過PCA 特征提取得到的盾構(gòu)施工參數(shù)的主成分和地質(zhì)數(shù)據(jù)、風(fēng)險(xiǎn)源數(shù)據(jù)進(jìn)行集成,然后利用故障數(shù)據(jù)對(duì)集成的施工數(shù)據(jù)進(jìn)行標(biāo)注。其中,地質(zhì)和風(fēng)險(xiǎn)源數(shù)據(jù)利用數(shù)據(jù)采集環(huán)號(hào)與盾構(gòu)施工數(shù)據(jù)進(jìn)行集成;故障數(shù)據(jù)則根據(jù)故障的起始和結(jié)束時(shí)間對(duì)盾構(gòu)施工數(shù)據(jù)進(jìn)行故障類型的多標(biāo)簽標(biāo)注,每類故障標(biāo)簽的取值均為“0”和“1”,分別表示無該類故障和有該類故障。然后生成序列數(shù)據(jù),進(jìn)行故障標(biāo)簽位移,得到LSTM 模型的輸入數(shù)據(jù)。

        1.3 LSTM 多標(biāo)簽預(yù)測(cè)模型

        LSTM 是Hochreiter 和Schmidhuber 提出的一種循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的擴(kuò)展模型[16]。它在原始的RNN 中引入了記憶塊的概念,在記憶塊中包括CEC(Constant Error Carrousel)單元、輸入門(Input gate)、輸出門(Output gate),通過自循環(huán)形成了可以使梯度長(zhǎng)期流動(dòng)的路徑,解決了RNN梯度消失的問題。后來Gers 等人擴(kuò)展了記憶塊的思想,在記憶塊中加入了能夠控制CEC 的狀態(tài)的遺忘門(Forget gate),這讓網(wǎng)絡(luò)能夠丟棄不需要的信息,遠(yuǎn)離飽和狀態(tài)[17]。因此,LSTM 模型克服了RNN 的缺點(diǎn),解決了RNN 梯度消失和長(zhǎng)期依賴的問題,能夠?qū)r(shí)序數(shù)據(jù)進(jìn)行有效學(xué)習(xí)。

        基于LSTM 的盾構(gòu)故障多標(biāo)簽預(yù)測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示,整體可分為盾構(gòu)施工序列數(shù)據(jù)的輸入層、包含LSTM 和多個(gè)全連接的隱藏層以及最后預(yù)測(cè)值輸出的輸出層。

        圖2 LSTM 盾構(gòu)故障多標(biāo)簽預(yù)測(cè)模型結(jié)構(gòu)示意圖Fig.2 Schematic diagram of LSTM shield fault multi-label prediction model

        在該模型中,最重要的部分就是LSTM 層,通過LSTM 層對(duì)盾構(gòu)施工序列數(shù)據(jù)和盾構(gòu)系統(tǒng)故障之間的關(guān)系進(jìn)行學(xué)習(xí),將學(xué)習(xí)到的信息傳遞給后面的全連接層進(jìn)行處理。全連接層的每個(gè)神經(jīng)元都與上一層的全部節(jié)點(diǎn)相連接,因此它能夠?qū)⑶懊鍸STM 層學(xué)習(xí)到的所有特征綜合起來,逐層傳遞給輸出層。編譯模型時(shí)選擇Adam 優(yōu)化算法。為了適應(yīng)對(duì)多故障標(biāo)簽的學(xué)習(xí),本文通過基于Sigmoid交叉熵的多標(biāo)簽損失函數(shù)進(jìn)行盾構(gòu)故障多標(biāo)簽損失的計(jì)算,用損失函數(shù)最小作為目標(biāo)函數(shù)進(jìn)行網(wǎng)絡(luò)權(quán)值的優(yōu)化,其計(jì)算公式見式(1)[18]。其中,為模型輸出的第i個(gè)樣本第l個(gè)標(biāo)簽的概率估計(jì),Jml綜合考慮了全部標(biāo)簽的損失,使模型在訓(xùn)練階段能夠?qū)W習(xí)到故障標(biāo)簽之間的關(guān)系,提高故障多標(biāo)簽預(yù)測(cè)的準(zhǔn)確度。

        1.4 基于多標(biāo)簽的模型評(píng)估指標(biāo)

        關(guān)于多標(biāo)簽分類學(xué)習(xí)的評(píng)價(jià)方法主要有基于標(biāo)簽的評(píng)估方法和基于樣本的評(píng)估方法?;跇?biāo)簽的評(píng)估方法首先對(duì)每個(gè)標(biāo)簽的預(yù)測(cè)結(jié)果進(jìn)行評(píng)估,然后對(duì)整體結(jié)果進(jìn)行評(píng)估[14]。其中,對(duì)單個(gè)標(biāo)簽評(píng)價(jià)的常用的指標(biāo)有查全率、查準(zhǔn)率、F1 分?jǐn)?shù)等等。對(duì)整體標(biāo)簽的評(píng)價(jià)則是在單個(gè)標(biāo)簽評(píng)價(jià)的基礎(chǔ)上進(jìn)行的,評(píng)價(jià)指標(biāo)有宏觀平均和微觀平均[14]。

        基于樣本的評(píng)估方法將測(cè)試集中所有預(yù)測(cè)結(jié)果和實(shí)際值的差距取平均,差距越小說明模型預(yù)測(cè)結(jié)果越好。常用的指標(biāo)是分類準(zhǔn)確率(Accuracy),其計(jì)算公式見式(2)[19]。其中,Ypredi是第i個(gè)樣本的標(biāo)簽的預(yù)測(cè)結(jié)果,Ytruei是第i個(gè)樣本的標(biāo)簽的實(shí)際值,只有當(dāng)Ypredi和Ytruei完全相等時(shí),才有δ=0,否則δ=1。即對(duì)于多標(biāo)簽數(shù)據(jù)樣本,只有當(dāng)預(yù)測(cè)的多標(biāo)簽集合和該樣本的真實(shí)標(biāo)簽集合完全一致時(shí),才算預(yù)測(cè)正確。

        2 實(shí)驗(yàn)結(jié)果分析

        2.1 實(shí)驗(yàn)數(shù)據(jù)來源

        本文實(shí)驗(yàn)數(shù)據(jù)來源于某大型城市地鐵施工項(xiàng)目,施工數(shù)據(jù)的采集頻率為3 次/min。本文針對(duì)經(jīng)常出現(xiàn)故障的刀盤系統(tǒng)、排土系統(tǒng)和注漿系統(tǒng)(標(biāo)簽依次為A、B、C)進(jìn)行故障預(yù)測(cè),圖3 展示了數(shù)據(jù)預(yù)處理后的盾構(gòu)施工集成數(shù)據(jù)的分布情況,表2 統(tǒng)計(jì)了測(cè)試集上的樣本數(shù)量,其中Z 表示沒有故障發(fā)生。從圖3 可以看出,如果把每個(gè)標(biāo)簽集合都看作單標(biāo)簽來進(jìn)行預(yù)測(cè),不同標(biāo)簽樣本差異量較大,部分多標(biāo)簽數(shù)據(jù)量非常少,難以學(xué)到有效信息。

        圖3 數(shù)據(jù)集故障標(biāo)簽統(tǒng)計(jì)Fig.3 Data set fault label statistics

        表2 測(cè)試集故障標(biāo)簽統(tǒng)計(jì)Table 2 Test set fault label statistics

        2.2 模型預(yù)測(cè)結(jié)果評(píng)估

        分別用基于標(biāo)簽的方法和基于樣本的方法對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。基于標(biāo)簽的評(píng)估方法結(jié)果見表3。表3 分別統(tǒng)計(jì)了測(cè)試集上刀盤、排土系統(tǒng)、注漿系統(tǒng)以及這三類標(biāo)簽整體的故障預(yù)測(cè)的查準(zhǔn)率、查全率和F1 分?jǐn)?shù),即各標(biāo)簽值為“1”時(shí)對(duì)應(yīng)的評(píng)價(jià)指標(biāo)情況。其中,這三類標(biāo)簽整體的故障預(yù)測(cè)查準(zhǔn)率、查全率、F1 分?jǐn)?shù)的宏觀平均指標(biāo)分別為0.8727、0.9345、0.8988,說明該模型對(duì)故障樣本的整體預(yù)測(cè)效果較好。

        對(duì)多標(biāo)簽樣本的預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)(表4)。測(cè)試集上的多故障樣本完全預(yù)測(cè)正確的比例約為0.8135,并且大多數(shù)的多故障樣本都能至少預(yù)測(cè)到一類故障。用基于樣本的方法對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估,對(duì)于測(cè)試集上的全部樣本來講,包括單故障樣本和多故障樣本,模型的整體準(zhǔn)確率約為0.7495。說明該方法能夠建立起從盾構(gòu)施工序列數(shù)據(jù)到盾構(gòu)機(jī)故障的映射關(guān)系,提高盾構(gòu)故障處理的效率。

        表3 基于標(biāo)簽的整體評(píng)估結(jié)果Table 3 Assessment results based on label

        表4 多標(biāo)簽樣本的預(yù)測(cè)結(jié)果統(tǒng)計(jì)Table 4 Statistics of multi-label samples

        3 結(jié)語

        本文從實(shí)際的盾構(gòu)施工實(shí)踐出發(fā),發(fā)現(xiàn)盾構(gòu)在施工中經(jīng)常出現(xiàn)多類故障同時(shí)存在的情況,只針對(duì)單一類型的故障診斷方法無法解決多類故障同時(shí)存在的問題,同時(shí)發(fā)現(xiàn)現(xiàn)有研究缺乏對(duì)盾構(gòu)施工時(shí)序數(shù)據(jù)的挖掘分析。因此,本文針對(duì)盾構(gòu)施工中的多故障問題,設(shè)計(jì)了基于PCA-LSTM 的盾構(gòu)故障多標(biāo)簽預(yù)測(cè)模型,利用某大型城市地鐵施工項(xiàng)目收集的施工數(shù)據(jù)進(jìn)行實(shí)驗(yàn),結(jié)果表明該模型在單故障和多故障的預(yù)測(cè)中都有較好表現(xiàn),可以幫助施工人員及時(shí)進(jìn)行故障預(yù)警,合理進(jìn)行盾構(gòu)施工操作。未來進(jìn)一步的研究可以考慮對(duì)盾構(gòu)機(jī)故障進(jìn)行詳細(xì)分析,建立盾構(gòu)故障知識(shí)庫,輔助盾構(gòu)故障預(yù)測(cè),從而提高模型的準(zhǔn)確率和泛化能力。

        猜你喜歡
        故障模型施工
        一半模型
        土木工程施工技術(shù)創(chuàng)新探討
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        故障一點(diǎn)通
        3D打印中的模型分割與打包
        奔馳R320車ABS、ESP故障燈異常點(diǎn)亮
        土木工程施工實(shí)習(xí)的探討與實(shí)踐
        扶貧村里施工忙
        河南電力(2016年5期)2016-02-06 02:11:34
        故障一點(diǎn)通
        国模冰莲极品自慰人体| av免费一区在线播放| 亚洲一区二区精品在线| 无码人妻精品一区二区三区蜜桃 | 日韩精品免费视频久久| 亚洲精品国偷拍自产在线| 中文字幕av无码免费一区| 久久久99精品成人片中文字幕| 国产高清不卡在线视频| 中国国产不卡视频在线观看| 中文字幕天天躁日日躁狠狠躁免费 | 日本激情久久精品人妻热| 久久亚洲精品成人AV无码网址| 精品亚洲在线一区二区 | 免费操逼视频| 欧美日韩精品福利在线观看| 热门精品一区二区三区| 亚洲综合网国产精品一区| 亚洲精品成人网站在线播放| 亚洲欧美日韩国产综合一区二区| 国产视频嗯啊啊啊| 国产一级黄色片在线播放| 娜娜麻豆国产电影| 日韩A∨精品久久久久| 成人影院免费观看在线播放视频| 国产一区二区视频免费在| 国产精品免费精品自在线观看| 中文亚洲爆乳av无码专区| 翘臀诱惑中文字幕人妻| 亚洲综合色无码| 人妻精品无码一区二区三区| 成年女人片免费视频播放A| 亚洲精品一区二区高清| 大肉大捧一进一出视频| 成年女人A级毛片免| 天堂av国产一区二区熟女人妻| 无码aⅴ精品一区二区三区| 国产乱沈阳女人高潮乱叫老| 日韩偷拍一区二区三区视频| 久久精品亚洲国产成人av| av网站在线观看入口|