打开文本图片集

摘要：TBM工法广泛应用于山岭隧道、城市地铁、水工隧洞、管廊等地下工程项目，TBM连续皮带机是否发生故障直接影响TBM掘进效率。TBM连续皮带机常见的故障有皮带撕裂、皮带跑偏、皮带打滑、皮带过载。建立了TBM连续皮带机故障诊断随机森林模型进行模型测试评估，依托某引水隧洞项目TBM连续皮带机监测指标数据。结果显示模型的测试结果较优，模型评价指标，召回率、精确率、准确率、F1值分别能达到95.89%，94.36%，95%，94.76%，该模型经过充分的训练可以达到较高的精度，是一个理想的预测模型。

关键词：TBM连续皮带机；机器学习；故障诊断；随机森林；

中图分类号： U 455 文献标志码：A

引言

TBM是工厂化的隧道专用设备，能同时完成开挖、出渣、支护等作业，配合长距离连续皮带机可以完成连续掘进。机器学习被广泛运用于多种机械故障诊断中。吴定会等在分析D－S证据理论信息融合算法的基础上，将信息融合技术应用于带式输送机故障诊断中，提高故障诊断率[1]。为了提高故障诊断的准确率，丁瑞成等提出了基于粒子群优化的支持向量机故障诊断的方法。实验验证该方法能够有效的识别故障状态[2]。针对支持向量机对处理大样本数据和多分类问题以及核函数选择的局限性，尹召杰等提出LMD支持向量机故障诊断方法[3]。Wang Bingjun等基于深度学习网络获得了91.5 %的平均故障识别准确率。它可以实现智能特征选择、训练和检测的完全自动化[4]。输送机胶带跑偏是带式输送机使用过程中最常见的故障，武晓斌等为了减弱胶带跑偏对输送机使用造成的影响，对胶带跑偏进行治理。研究结果可以为矿井带式输送机胶带跑偏治理提供了一定借鉴[5]。综述这一领域已有研究，提出本文研究的必要、合理性。

1.TBM连续皮带机故障分析

1.1 皮带机常见故障类型及原因

1.1.1 皮带撕裂

连续皮带机输送物料中掺杂异物等，从落料口下落时对带体造成损伤，严重时直接穿透输送带卡在漏斗机架或托辊上造成输送带撕裂。

1.1.2 皮带跑偏

连续皮带接头不正，造成皮带中部跑偏。常用的皮带接头有机械接头和硫化接头两种形式。不论哪种方式，都要求接头处平整，如果接头不正，将使皮带两侧的拉力不一致，从而在运行中跑偏。

1.1.3 皮带打滑

皮带正常运转时，其速度应与驱动滚筒表面旋转的线速度相同，但在实际运行中，由于多种原因，造成皮带与驱动滚筒转速不同步，或是驱动滚筒转而皮带不转，这种现象就称为打滑。

1.1.4 皮带过载

皮带过载就是皮带机负重超过额定负重。形成原因是刮渣器没有将皮带上附着的泥石从皮带上刮下来，循环导致皮带负重增加，会加速皮带的磨损。

2.基于机器学习的TBM皮带机故障诊断

2.1 模型与算法

2.1.1 随机森林

随机森林是基于决策树学习的集成学习算法，集成算法的思想是集中群众的智慧，广泛吸收有益的意见。集成学习通过训练出多个估计器，当需要预测时通过结合器将多个估计器的结果整合起来当作最后的输出结果。

该算法基本原理如下：

1）随机采样：从数据集中有放回的采样出一部分样本即采用bootstrap采样方法。作为训练集。

2）随机选择特征：对于采集出的样本从全部M个特征中选择m个特征进行决策树构建。

3）决策树构建：对于每次采样的样本和选择的特征，构建一个决策树。在决策树节点分裂时，从m个特征中选择最佳特征作为分支节点。

随机森林结果：当新的数据点到达时，让随机森林中的每个决策树进行分类，并采用多数投票制来决定分类结果。

2.4.4 初始故障诊断分类器结果

本文基于python3.8.10使用jupyter建立了故障诊断分类器模型。作为基础分类算法对皮带机做状态识别。将皮带正常标签为0，皮带跑偏标签为1，皮带过载标签为2，皮带打滑标签为3，皮带撕裂标签为4。在模型中使用灰狼优化算法对模型进行优化。故障诊断分类器性能如表1所示。

4 结论

本文依托北疆某引水隧洞连续皮带机施工数据，建立了基于GWO-RF的TBM连续皮带机故障诊断模型，并通过优化比较得出以下结论：

传统机器学习算法，本文研究了随机森林故障诊断分类器，在默认参数下故障诊断分类器性能表现不能满足实际施工需要。

不管是在识别精度上，还是运行速度上都有着良好表现。召回率、精确率、准确率、F1值分别能达到79.35%，87.25%，85.73%，93.21%，证明该模型是一个可用的预测模型。

参考文献（References）：

[1]吴定会，王莉，纪志成.信息融合在带式输送机故障诊断中的应用[J].控制工程，2014，21（04）：483-486.

[2]丁瑞成，黄友锐，陈珍萍等.LMD和SVM相结合的电机轴承故障诊断研究[J].组合机床与自动化加工技术，2016（08）：81-84.

[3]尹召杰，许同乐，郑店坤.LMD支持向量机电机轴承故障诊断研究[J].哈尔滨理工大学学报，2018，23（05）：35-39.

[4]Bingjun W，Dongyang D，Ning S. An intelligent belt wear fault diagnosis method based on deep learning[J]. International Journal of Coal Preparation and Utilization，2023，43（4）.

[5]武晓斌.带式输送机跑偏故障治理技术研究[J].自动化应用，2020（06）：153-154+156.2020（06）：153-154+156.，

基金项目：国家自然科学基金（51668037；72261026）

作者简介：侯文鑫（1997—），男，汉，甘肃武威，硕士学历，730070，兰州交通大学，主要从事隧道TBM施工管理方面的研究侯文鑫