盾构机作为重大地下工程装备的典型代表,在隧道建设过程中发挥着重要作用。掘进过程中由于某些难以去除的黏土附着在刀盘上而形成“泥饼”,严重影响盾构机的施工安全和效率。因此,对盾构机刀盘结泥饼状况进行在线监测和及时防护具有重要意义。
近日,上海交通大学机械与动力工程学院刘成良教授研究团队在Science China Technological Sciences发表了题为“A novel LSTM-autoencoder and enhanced transformer-based detectionmethod for shield machine cutterhead clogging”的论文,提出了基于长短期记忆网络自编码器和改进多头注意力机制的检测方法,实现了对盾构机刀盘结泥饼状况的精准诊断,并对未来的研究方向进行了展望。整个方法的流程如图1所示。
图1 盾构机刀盘结泥饼诊断流程
该研究工作通过理论分析与数据挖掘确定反映刀盘结泥饼状况的多种掘进参数,并从海量的盾构机历史掘进数据中筛选出处于掘进状态的数据进行处理。刀盘结泥饼诊断方法主要分为三个阶段,即预处理、特征工程和模型构建。
在数据预处理阶段,使用基于长短期记忆网络的自动编码器模型对输入信号进行重构和剔除数据中的异常值,使用变分模态分解和小波阈值方法对数据进行降噪,进而通过线性插值扩充样本量,提供更多的训练样本。在特征工程阶段,考虑到原始数据的采样频率较低,直接使用预处理后的数据作为输入难以提取有效特征,因而使用预处理后的数据的多种时域统计特征作为模型的输入。同时,考虑到结泥饼状况的数据相对较少,采用过采样算法对结泥饼数据进行增强,从而平衡数据集以达到提升模型的效果。最后,构建了基于改进多头注意力机制的神经网络模型,实现了对盾构机刀盘结泥饼状况的精准识别。结果表明,提出的方法在测试集上具有98.85%的准确率和0.9786的f1分数,相比传统的机器学习和深度学习方法,具有更高的诊断性能。
图2 所提方法与多种现有方法的效果对比
上海交通大学机械与动力工程学院覃程锦副教授为该文章的第一作者和通讯作者。该研究得到了国家重点研发计划、上海市人工智能重大专项和国家重点实验室自主课题的资助。
领取专属 10元无门槛券
私享最新 技术干货