盾构机故障预测与健康管理研究进展

吕杰伟，徐启圣，钱博文，王媛媛

（1.合肥学院能源材料与化工学院，安徽合肥 230601；2.合肥学院先进制造工程学院，安徽合肥 230601）

盾构机施工环境较为恶劣，在复杂地层中掘进距离一般只有10 km，且市场现存近1/3 盾构机将进入大修或报废时段[1]。但是，进行盾构机设备定期检查维修需要消耗大量资源，严重影响施工进度，其中仅刀具系统检查维修耗时占施工总时间30%～40%[2]，维修费用超过整个盾构施工费用的l/3[3]，如广州地铁三号线某施工段累计耗时45 天，有效施工时间仅有20 天[4]。此外，盾构机维修难度大、危险性高，一旦发生故障可能造成严重后果，如2014 年10月南宁地铁1号线进行土压舱换刀时发生土体坍塌，造成1人死亡、2人失踪。

随着盾构机智能化水平的提高，传统“事后维修”和“定期维修”等维修方式引起设备不必要拆卸安装，且无法获取全面故障信息，使盾构机常处于停机或半停机状态，无法满足对盾构机可靠性和经济性的要求[5-6]。

基于此，将故障预测与健康管理（Prognostics Health Management，PHM）技术应用于盾构机故障维修和健康管理中，弥补“被动式维修”方式导致的计划外停机与冗余维护，降低灾难性事故和连带损伤风险，提升整个系统的可靠性。

1 PHM理论研究内容

1.1 PHM系统的发展

1.1.1 PHM系统能力试验验证

近年来我国在PHM技术系统能力与现实需求的基础上，开始从数据采集和处理、健康监测、异常预警、故障诊断、运行维护等方面进行PHM体系架构的搭建[7]，同时进行指标评价体系和健康监测验证平台建设，开发相应的智能传感系统、嵌入式故障智能诊断系统、专家系统数据库等[8]。

但是，在PHM系统能力验证方面，除了需要积累海量数据资源、掌握大数据分析技术、完善集成验证平台和评价指标体系的建设，还需要结合行业知识和专家经验实现PHM 综合模型的建立与试验验证[9]。目前国内的研究更多停留在PHM 系统理论层面，对规则体系建设和验证平台搭建的相关研究较少，需要加大研发力度。

1.1.2 PHM系统健康诊断与预测

近年来，PHM 技术得到深度研究和快速推广，各个国家已经把PHM系统健康诊断和预测技术应用于新一代航空、高铁、风电机组、机床刀具等领域[10-11]，见表1。

表1 PHM 系统健康诊断与预测应用

随着《中国制造2025》的深入推进，中国装备制造业开始重视设备的诊断、预测、管理和服务一体化发展，并在故障诊断和健康预测方面取得突破[12]。但是，当前国内对PHM 系统研究和新型智能装置研发投入较少，PHM 研究更多聚焦在状态监测与故障预测领域，真正能实现从状态感知、诊断预测到运维管理整个闭环的方案则更少，在一定程度上限制PHM的发展和企业对PHM价值的认可。

1.1.3 PHM系统管理

PHM 技术是一种基于设备运行状态的先导式维修管理方法，能实时监测设备状态的关键指标，并将实时采集信息与设备历史数据进行对比分析，准确预测设备运行状态和故障演变规律，对维修活动做出科学管理和决策，以此提升整个装备系统的可靠性（风险降低50%），降低复杂系统运行过程中的意外风险[13-14]，见表2。

表2 传统维修服务与PHM 智能管理服务的区别

复杂系统健康管理方面，国内装备系统仍以周期性预防维护为主，对于PHM 技术的研究更多停留在故障预测和状态监测的简单应用层面；装备自愈研究起步较晚，自愈材料与智能结构研究以理论为主，尚未开展工程化应用[15-16]。

1.2 PHM总体框架

PHM 系统由数据采集系统、数据处理系统、故障诊断评估系统、预后评估系统和健康管理系统组成[17]，其系统框架如图1。数据采集系统（Data Acquisition，DA），通过选择适配的多传感器网络，对传感器的布局进行优化设计，实现关键设备状态参数的全方位实时采集；数据处理系统（Data Processing，DP），对在线监测的数据进行预处理，达到后续所需的标准化数据格式；故障诊断评估系统（Fault Diagnostic Assessment，FDA），建立在失效机理和故障预测模型的基础上，利用监测信息实现监测对象的故障诊断、严重度判别、定位与隔离；预后评估系统（Prognostic Assessment，PA），通过评估设备健康状态和剩余寿命预测，为设备的后勤保障和健康管理（Health Management，HM）提供依据，从而制定科学的维修策略，最大限度促进设备效能的发挥。

图1 PHM系统框架

1.3 PHM技术的应用

随着智能化水平的不断提高，设备的复杂性和不确定性也在增加，对复杂机械装备的故障预测和诊断方法，不同研究机构分类依据不尽相同。综合来看主要分为三种：基于机理模型的预测方法、基于专家系统的预测方法、基于数据驱动的预测方法[18-20]，见表3。

就这一现象，董同龢先生认为，“像这样粹而不杂的现象到底不够普遍的，很难引出什么推论。其实从音理方面讲，舌面音就说是塞音的话，总难免带一些塞擦音的色彩。由这一层关系，ts′-系字可以较多与ts-系接触不是很自然的吗？”[5]

表3 三种故障预测方法比较

但是，单一预测方法难以实现故障的快速精准预测。因此，有许多学者提出将人工智能、大数据与多种故障预测方法相结合，充分发挥数据资源和智能算法优势，提高故障预测效率与精度。针对盾构机自身结构和服役性能特点，提出将PHM 技术应用到盾构机系统运维管理中。

2 盾构机PHM系统的研究内容

2.1 盾构机PHM综合系统

为保证盾构机刀盘刀具、液压系统、齿轮箱等关键设备的安全和健康要求。基于OSA-CBM 框架基础[21-22]，提出盾构机PHM 综合系统，该系统主要包括信息采集、数据处理、大数据诊断和健康管理，如图2。

图2 盾构机PHM系统结构

2.2 盾构机PHM系统关键技术

2.2.1 信息采集

盾构机施工环境复杂，掘进时刀具极易磨损，严重影响设备的使用寿命。在复杂地质条件下刀具失效类型主要有：正常磨损、偏磨、崩裂和移位脱落[23]。不同地区刀具承受不规则的载荷以及施工过程中掘进参数频繁变化使盾构机关键设备使用寿命存在明显差异。因此，需要建立足够的监测位点，获取盾构设备和施工环境较为全面的监测信息，准确反映盾构系统的运行状态，实现设备的精确诊断。

盾构机运行过程中健康状态会不断发生变化，要实现盾构机运行状态实时在线监测和智能诊断，需要建立一个完备的前端智能数据采集系统。Lan等[24]提出基于涡流传感器在线监测系统，实时监测盾构机刀具磨损情况，为不同施工条件下掘进参数调整与盾构机零部件的维修、更换提供参考；在此基础上，Wu[25]等提出结合盾构机隧道施工监测数据、原位渗透试验数据和工程地质条件，实时预测刀具和主齿轮磨损情况。通过实时信息收集，有效反映盾构系统关键设备故障演变趋势和性能衰退过程，及时进行故障诊断和预警，降低事故停机率和维护成本。

2.2.2 数据处理

传感器与监测系统获取的海量原始数据以一种隐藏的模式出现，且原始数据通常存在噪声、错误和冗余，不能准确反映盾构机的健康状况。若以原始数据集构建健康预测模型，会对设备健康状态进行误判，制定出错误的维修策略。因此，需要对原始数据进行处理[26-27]。

通过对原始数据进行降维处理，减少数据集变量数量，构建完备的数据存储系统和共享平台，实现数据的标准化和模块化建设[28]，如图3。但是，随着数据量的激增，传统的数据处理方法无法满足数据质量增强和丢失数据填充的要求。鉴于此，Hu[29]等将传统数据处理技术和智能仿真技术相结合，开发一种新的数据分析方法，并把分析结果通过界面前端显示，提高数据质量和决策的可访问性，使数据资源效益最大化。

图3 数据标准化建设

大数据诊断是基于人工智能技术、专家系统理论和已有故障案例基础上，进行故障特征提取、模型训练和诊断评估，最终形成能够进行计算的数据模型。大数据背景下的故障诊断技术，相较于传统技术而言，在数据采集、特征提取和诊断决策等方面，具有识别精度高、自适应能力强、误报和漏报率低等优点[30]，见表4。

表4 传统故障诊断与基于大数据故障诊断的比较

在工业大数据时代，基于大数据的诊断方法通常将不同传感器和监测系统的信息进行融合，以获得决策诊断依据。Wang等[31]提出了一种基于多源信息融合与分形维数的液压系统故障诊断方法，解决了复杂非线性系统中数据样本量单一和诊断效率不足等问题，但对故障预测精度和决策诊断的实时性无法提供有效保障；Yang 等[32]在此基础上，利用多传感器信息采集系统，收集振动和噪声信号，融合多源时空信息，提高故障预测的可靠性；Xu等[33]引入设备心电图（DEKG），将融合后的多源信息以一种可视化的图像呈现，根据DEKG 的变化趋势实时监控设备运行状态，分析故障演化机制，预测停机时间实现提前预警。

大数据故障诊断通过对设备信息的收集和深入分析，掌握盾构机服役性能在不同时间尺度上的衰退规律，实现对故障特征和失效类型的快速诊断和精准预测[34]。

2.2.4 健康管理

为保持设备健康状态的持久性和稳定性，需要借助设备运行、维护、管理等监测信息，对涉及设备健康的因素进行全过程把控[35]。在功能性故障发生之前，采取过程监控和早期预警的措施，及时识别和预测盾构机系统中故障隐患，将其消灭在萌芽阶段；若功能性故障已经发生，则通过快速识别故障元件、准确定位故障部位，及时排除故障隐患，减少潜在损失，确保盾构系统在“亚健康”和紧急情况下稳定工作，如图4。

盾构系统由多个零部件耦合的统一整体，单个零部件的性能退化势必“传染”其他零部件，进而影响整个盾构机的健康运行。因此，通过构建健康指标、划分健康等级、建立健康预测模型，实现由子系统到系统集合的健康管理。Jin 等[36]通过深度学习平台TensorFlow，构建和训练健康评估模型，实现设备运行状态监测和健康等级划分，确保盾构设备的健康状态始终处于可控范围，有效降低设备全生命周期维修成本。

此外，根据评估结果建立一个系统运行和备件管理集成系统，为盾构机健康管理提供动态应急策略。考虑到健康管理在时间和空间上的多尺度效应，建立多因素（时间、成本、修复能力、可靠性与便利性）、多尺度时空联合决策模型，为结构、性能各异的盾构机系统提供定制化的健康管理方案，提高盾构机健康管理的实效性[37]。

3 盾构机PHM技术面临的挑战

随着盾构机性能的提高和功能的完善，盾构机系统组成愈趋复杂，故障演化和机理分析也变得更加困难。根据当前盾构机系统维修的现实需求，发现盾构机PHM技术仍存在以下问题：

（1）数据采集系统。盾构机在软土地面施工时，压力室充满淤泥，导致无线信号传输不稳定，长期连续监测会导致数据传输和用电困难；各种监测、传输设备来自不同的生产厂家，设备通信接口与协议各不相同，不易实现连接；智能化传感器的开发、监测位点的优化布设，远程智能化控制技术距离实际工程应用仍有很大距离。

（2）数据处理和标准化建设。盾构机系统所处施工环境比较复杂，在数据采集过程中容易受到地层结构、噪声和传感误差等外部因素的干扰，采集到的数据常表现为背景噪声大、数据来源不统一、多变量时间序列和不完整、不确定的“碎片化”数据，导致故障诊断效率和准确率较低。同时对数据预处理时缺乏统一的分类、存储和评判标准，造成系统数据处理出现较多重复性工作。

（3）故障失效类型和演化机理分析。随着数据的扩大和丰富，传统的故障诊断方法出现诊断速度过慢、结果不完整或不准确，甚至无法产生结果，加之盾构机种类繁多，集成系统复杂，不同零部件故障演变机理和失效模型存在很大差异，很难对盾构机故障演变规律进和性能衰退趋势进行准确把握和划分。目前故障预测和诊断方法多为模型化分析和静态诊断为主，没有根据系统状态和环境变化开发有效的性能预测和故障诊断模型，无法准确描述故障随时间变化的动态趋势。

（4）盾构机健康评估和维修管理技术。盾构机在复杂工况条件下施工具有高度的不确定性，各系统健康状态难以准确把握，传统维修技术不能满足部分子系统仅适用“无创”治疗方法的特殊需要。因此，需要有比预防性维护更先进的解决方案来优化资源配置，提高运维效率。

4 盾构机PHM技术展望

在盾构机制造业高速发展和自动化程度显著提高的大背景下，单一类别数据源和故障诊断技术已经无法满足现有故障诊断的需求，需要设计预测精度更高、诊断效果更好的健康管理系统，从而推动故障诊断技术向着模块化、数字化、自动化、智能化的方向迈进。

（1）先进的传感器技术和完善的状态监测体系。以智能传感器为技术支撑，依托微型化先进传感器解决各系统组件适配及优化布设问题，建立可靠的传感区域网格模型，并对这些网格分配不同的权重，实现对盾构机关键设备的全状态、全过程、实时智能监测；通过收集盾构机关键设备正常、衰退、病态期间的监测数据，逐步实现寿命周期内原始数据的累积，为盾构机PHM 技术的发展提供准确可靠的数据支持。

（2）完善数据处理技术和标准化建设。针对目前盾构机信息不完备、样本获取困难、单一场景下样本空间有限等问题，充分利用设备运行状态监测数据，挖掘数据隐含信息，同时通过虚拟仿真技术获取与原始样本特征信息一致的样本，结合深度迁移学习和数字孪生技术，实现数据库的多样性提升和样本量的增加，有效解决盾构机故障数据不足，提升有限样本集合和信息不完备情况下盾构机故障预测和诊断模型的鲁棒性和泛化能力。

（3）发展基于大数据背景下的智能诊断和维修决策技术。在工业大数据环境中，利用海量实验数据和数据共享平台，挖掘多源信息的相关性和因果关系，揭示人机环境之间的不可见因素，对施工过程中的不确定性信息进行量化，明确盾构机关键设备与零部件之间故障演变过程，准确预测盾构系统性能退化趋势，提高系统决策能力。

（4）研发设备的自愈调控和自我免疫。自愈调控技术能提前预测盾构机关键设备是否处于“亚健康”状态，并通过开展三维可视化仿真技术研究刀具、轴承在不同工况条件下故障演变趋势，综合分析效率变化、资金投入、能源消耗等关键因素，为运维管理和维修决策提供科学支持，实现在不受外部干扰的情况下恢复系统的功能，最终实现盾构机自主保障、自助修复和自动管理。

5 结论

（1）通过综述国内外PHM系统的研究进展，揭示了现有盾构机故障诊断理论与方法存在的问题与挑战。

（2）提出盾构机PHM 综合系统。通过传感器网络收集多源异构信号以全面反映设备状态，分析挖掘数据隐含信息，建立标准化数据存储系统和数据共享平台，实现了信息资源共享和多源信息融合，为复杂多变的施工条件下实现盾构机故障预测与健康管理提供技术支撑。

（3）进一步研发设备自体免疫和自愈调控技术。在盾构机运行过程中，实时监测盾构机刀具、轴承等关键设备所处的健康等级，根据健康等级采用智能管理和主动控制方法，实现了设备的自我决策和自我维修，确保盾构机正常运行。