文 |克己释法
编辑 |克己释法
序言
主驱动是盾构机中的核心驱动系统，电机是主驱动中主要的动力元件，对付盾构机安全高效的掘进有着重要影响，主驱动电机如果涌现非常，将影响刀盘切削作业，导致掌子面稳定性和安全性降落；
另一方面，部分电机性能衰退，将导致别的电机过载，加速主驱动电机的失落效，为了确保主驱动系统的康健，监测主驱动电机状态、预测其性能变革，具有十分主要的意义。
主驱动电机差异性度量
1.1基本事理一样平常的盾构机主驱动装置由主轴承、驱动电机、减速器及大小齿轮组成，轴承外圈通过连接法兰用螺丝与前体固定。
内（齿）圈用螺丝和刀盘连接，通过驱动电机、减速器、大小齿轮、轴承内齿圈直接驱动刀盘旋转。
目前能够获取到的电机干系旗子暗记有：电机的频率旗子暗记，电机的电流旗子暗记，电机的扭矩百分比旗子暗记，由于隧道掘进机在行进的过程中刀盘是迁徙改变的。
并且各个电机的分布都是环绕圆心对称分布，理论上来讲均匀负载该当是相同的，基于此可以设打算法实现非常电机的离群检测。
假设在主驱动电机组中与其他电机差异最大的电机为潜在的非常电机，以是电机的非常检测可以转化为电机韶光序列旗子暗记的差异性检测，基于电流旗子暗记剖析电机之间的差异性。
1.2差异性度量电机的电流旗子暗记是范例的韶光序列，描述两个韶光序列之间的相似性多种方法，例如欧几里得间隔，DTW间隔，曼哈顿间隔等。
对付高频韶光序列，相似旗子暗记之间可能会存在韶光刻度上的偏移，比较适宜利用DTW间隔来减小韶光位移的影响。
而对付低频韶光序列，欧几里得间隔可以描述序列之间的差异情形，PLC获取的电机电流旗子暗记是低频的永劫光序列，以是选择欧几里得间隔作为描述两个旗子暗记之间的差异性的基本方法。
考虑到旗子暗记长度不一定相同且韶光序列过长可能导致得出的欧几里得间隔很大，故选用两个韶光序列的绝对差序列的均方根作为其差异性度量，打算方法为：
式中：M(i，j)表示第i个旗子暗记与第j个旗子暗记的差异性度量值，n表示不同的旗子暗记数目，T表示韶光序列的长度，所利用的数据含有六个主驱动电机，故取n6为例，之后涉及到电机数目取值同此处理。
6个电机两两之间统共能构成퐶62=15种不同的组合，为了便于描述和数据剖析，采取6×6的矩阵来记录以上的间隔，称这样的矩阵为差异性矩阵。
多尺度循环自编码器方法
自编码器网络自动编码器构造分为编码器和解码器，编码器的浸染是将输入数据通过几层不同的卷积神经网络进行特色提取对输入数据进行降维；
解码器的浸染是对提取后的特色数据通过反卷积神经网络进行升维还原，通过比对还原后的数据与输入数据的差距可以判断编码器网络和解码器网络是否提取了演习集数据的精确特色。
自编码器网络以残差矩阵的元素均方根值作为丢失函数来最小化重构偏差，使得该自编码器能够记录演习数据的关键特色。
网络构造设计
由于对韶光序列的非常检测不能仅仅关注当前时候，还须要综合考虑前后相邻时候的干系数据对当前时候的影响。
以是对付每个时候t，选取当前时候和前四个时候t−4，t−3，t−2，t−1，t的共5个时候的差异性矩阵组成一个[5，3，6，6]的四维张量作为时候푡终极的编码器网络输入。
引入多韶光步长之后，编码器的输入输前程争码器的输入输出的维度就不匹配了，同时编码器的卷积神经网络提取的是电机电流旗子暗记之间的特色，并没有聚合时间尺度的特色，须要进一步地调度。
为理解决上述问题，选择在编码器和解码器中连接一层卷积是非时影象网络层（ConvLSTM）来完成韶光尺度的特色领悟和输入输出数据的维度匹配，并将打算结果合并到编码器下一层的输入中，新的网络称为多尺度循环自编码器。
在卷积核的选择上，过大的卷积核会使得特色信息丢失严重，过小的卷积核会导致特色提取不完备的情形，终极导致网络发散。
为办理上述问题，通过理论剖析和试验测试，终极在编码器中选择先利用维度为3卷积核合营(1×1)的移动步长做第一层卷积；
再利用维度为3的卷积核合营(2×2)的移动步长做第二层卷积；末了利用维度为2的卷积核和(2×2)的步长做第三层卷积。
在解码器中选择则是顺序相反的三层反卷积层，在连接编码器和解码器的卷积是非时神经网络的参数选择中，选择维度为3的卷积核合营输入数据的韶光步长，选择5层的内部构造。
非常检测流程
前两节先容了主驱动电机组的差异性度量方法和非常检测所利用的神经网络，本节将先容全体非常检测的流程。
包括数据的获取，预处理以及如何利用多尺度循环自动编码器神经网络完成非常检测。
一方面，通过正常运行期间康健电机的数据进行演习数据集的构建，演习多尺度循环自编码器，使得编码器记录正常良好运行时的数据特色。
另一方面，待检测数据通过数据预处理构建差异性矩阵，通过预先演习好的多尺度循环自编码器天生重构矩阵，通过判断重构矩阵与原始输入矩阵的残差判断该时段电机是否存在非常，如果非常则定位非常电机。
4.1数据获取和预处理
从PLC中获取的数据采样频率为1Hz，数据采集不区分事情韶光与非事情韶光，以是数据预处理的事情是要将事情韶光筛选出来，一个自然且朴素的想法是选取电机电流旗子暗记大于零的韶光段。
根据推进力是否为零可以将掘进阶段再细分为启动段，掘进段，停机段。
在电机启动段的时候，电机开始事情缓慢带动刀盘加速旋转直至加速到稳定的转速，刀盘尚未与岩壁打仗，期间存在一段电机带动刀盘稳定空转的过程，其旗子暗记特点是：
(1)刀盘开始旋转。(2)尚未产生推进力。(3)刀盘扭矩稳定。
此时系统的负载只取决于系统本身，为电机之间的差异性剖析供应了较为稳定的参照比较环境，选用该段旗子暗记作为电机之间的差异性剖析参照能够尽可能地减少工况不同带来的影响。
将截取到的电机电流旗子暗记按照第一节中描述的布局方法布局出相应的差异性矩阵就完成了全体数据的获取与预处理事情。
4.2非常检测
将正常运行数据经由上一小节中的预处理之后进行编码，天生差异性矩阵，构建演习集；再将演习数据输入多尺度循环自编码器中得到重构输出数据。
以演习输入数据和重构输出数据的残差的均方根值为丢失函数来演习网络参数，使得该自编码器模型学习并记录正常运行时电机电流旗子暗记差异性矩阵的数据特色。
模型演习完成后，将待检测数据同样经由预处理后构建差异性矩阵，将待检测数据的差异性矩阵输入演习后的自编码器模型中得到重构数据，根据待检测输入数据与重构输出数据的残差情形判断待检测输入数据的非常情形，
如果待检测输入数据是正常运行数据，由于模型是根据正常运行数据演习出来的，并以最小化残差为演习目标，以是末了得到的残差较小；
如果待检测输入数据是非常运行数据，由于模型在演习过程中没有学习记录非常数据的特色，以是末了得到的残差一样平常较大。
残差矩阵中每个元素为对应位置的原矩阵元素与重构矩阵元素的差值的平方，其数据分布上的特点是，正常数据与重构数据的残差矩阵的均值和峰值坚持在相对较低的水平；非常数据与重构数据的残差矩阵的均值和峰值一样平常较大，同时会涌现明显的非常元素。
正常数据与其重构矩阵的残差矩阵的峰值为0.13，均值为0.024；非常数据与其重构矩阵的残差矩阵的峰值为0.94，均值为0.126；
正常数据的残差矩阵的峰值和均值较小，而非常数据的残差矩阵的峰值和均值较大，并且会有明显的非常值涌现，如0.94，0.82，0.63等，在热力值图中不雅观察也能够快速准确定位非常电机的编号。
进一步地，在盾构机掘进的时候，如果在之前的事情过程中没有涌现非常，可以利用这些数据构建新的演习集对该网络进行迁移学习，使得得到的新模型更加符合目前的掘进状态和地质参数。
性能指标与可视化
性能评估与非常检测有着较大的差异，至少两者关心的韶光尺度是大不相同的，但是其也有着共通之处。
例如第一节中提到的非常检测中差异性度量仍是性能评估的一个主要参考指标，描述性能最主要的是要打消不同事情状态的滋扰，第三节中提到的选择启动段数据便是一个很好的思路。
综上所述，选择一天之内的所有启动段数据作为新的韶光序列构建差异性矩阵，再对矩阵的每一行求和表示当天该电机在系统中的相对差异性评分。
根据每个电机的差异性评分，将之取倒数之后再归一化后可以得到如结果，末了根据归一化的性能指标可以绘制当天电机之间的相对性能指标雷达图作为系统性能的可视化表达。
随意马虎看出，电机相对性能差异越大时，性能雷达图的面积越小。
由此可见，雷达图的面积就能够反响出系统的性能利害，将每天的性能雷达图面积打算出来可以形成一个随着韶光衰减的韶光序列。
个中，性能指标曲线表示的是真实打算出来的雷达图面积值变革曲线，性能变革曲线表示的是根据性能指标曲线滤波平滑后的变革曲线。
其拥有较好的单调特性，可以作为一种系统整体性能的度量，性能的评估与预测都可以基于性能变换曲线进行。
结论
(1)本文利用盾构机主驱动电机的同位特性，利用电机电流旗子暗记之间的差距构建描述系统性能的差异性矩阵，利用多尺度自动编码器网络完成电机的非常检测。
(2)选取电机启动段电流旗子暗记受工况载荷的滋扰小，利用差异性矩阵构建描述系统内相对性能的性能雷达图，通过雷达图面积描述系统性能的变革情形，给出一种描述主驱动电机组状态的性能指标。
(3)通过现场数据的验证和剖析，可以解释本文提出的方法供应了一种针对现场数据的电机非常检测方法，并且有着较高的准确率。
参考文献
[1]石来德.(2018).工程机器手册=Handbookofconstructionmachinery:隧道机器Tunnelmachinery.清华大学出版社.
[2]李兴高，袁大军，杨全亮.盾构施工范例故障诊断初步研究[J].岩土力学，2009，(102):377-381
[3]刘宣宇，王子文，邵诚，王玉栋，丛秋梅.盾构机机器类故障诊断研究进展综述[J].掌握工程，2022，第29卷(2):238-245
[4]常孔磊，赵新合，李大伟.盾构主驱动减速机失落效缘故原由剖析[J].隧道培植，2014，34(2):173-177.
