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。