盾构螺旋输送机适应性设计智能决策

2022-03-10王碧海陈永亮彭庆金顾佩华

工程设计学报 2022年1期

王碧海，张健，陈永亮，彭庆金，顾佩华

（1.汕头大学工学院，广东汕头 515063；2.天津大学机械工程学院，天津 300072；3.曼尼托巴大学机械工程系，曼尼托巴温尼伯 R3T 2N2）

螺旋输送机是土压平衡式盾构的重要组成部分，是盾构实现渣土输送和土压保持的核心功能部件之一。然而，盾构螺旋输送机的设计开发过程常常受到地质情况、用户需求和制造条件等因素的制约［1］。例如，对于不同类型的地层（如富水粉砂层、富水砂卵石层、软黏土层、干细砂层和硬岩地层等），盾构螺旋输送机的排渣方式各不相同［2-7］，且实际的地质情况较为复杂，大多是由不同岩层组合而成的复杂地层。此外，不同类型隧道的开挖需求不一致，如地铁隧道、海底隧道和穿山公路隧道等对盾构螺旋输送机排渣量的要求也不同。另外，在制造工艺和耐磨块的选取等与地质条件不匹配的情况下，易出现盾构螺旋输送机的螺旋轴疲劳断裂和螺旋叶片磨损加剧的现象［8-9］。上述制约因素分别在结构、功能和性能等方面对盾构螺旋输送机提出不同的设计需求［10-12］。因此，在盾构螺旋输送机的设计过程中，常需要在已有设计方案的基础上进行设计调整，以快速适应新的需求。

设计调整广泛存在于产品的设计开发过程中。设计调整是指对产品指标和设计参数进行调整，以使产品和设计适应新的工作环境和用户需求［13-14］。对于盾构螺旋输送机的设计调整，通常是对其已有的、功能相似的设计进行指标、结构和参数上的调整，以满足排渣、保压和调速等方面的不同需求。传统的基于直觉和经验的设计调整往往容易导致产品指标发生变动，而过大的指标变动会对盾构螺旋输送机的可靠性、安全性和可维护性等产生负面影响。此外，产品指标变动导致的部分影响存在于盾构螺旋输送机的全生命周期中，且通常难以在设计开发阶段通过实验与检测发现，从而留下安全隐患。

重用已有的、经过工程验证的设计不但能够有效利用现有知识与资源以及大量减少设计、制造和运维等环节的重复性工作，而且能够保障产品的可靠性、安全性和可维护性等全生命周期性能［15］。为最大化重用已有设计方案和降低设计调整的负面影响，笔者基于已有的设计数据提出一种盾构螺旋输送机适应性设计智能决策方法。该方法通过对产品指标与设计参数的依赖性和相关性的分析，以实现以下目的：1）设计调整影响范围的准确标定；2）关键设计参数的有效识别；3）适应性设计方案的智能求解。

1 盾构螺旋输送机设计需求分析

1.1 盾构螺旋输送机的功能与结构

螺旋输送机是维持土压平衡式盾构密封舱土压平衡和开挖面稳定，以及控制地表沉陷的关键部件。尤其是在楼群密集、地下管线复杂等对地层稳定性要求很高的地区，螺旋输送机在盾构安全施工方面发挥着重要作用［16］。盾构螺旋输送机主要由螺旋轴、伸缩油缸、液压马达、观察口和出渣闸门等组成，其结构如图1所示。

图1 盾构螺旋输送机结构示意Fig.1 Structure diagram of shield screw conveyor

盾构螺旋输送机的结构与普通螺旋输送机基本一致，但是两者的使用工况有较大区别：第一，盾构密封舱内压力较大，盾构螺旋输送机处于有背压输送状态；第二，盾构螺旋输送机作为控制盾构密封舱压力的关键部件，其对密封性能有很高的要求；第三，为了能通过控制螺旋输送机的转速来实现对盾构密封舱压力的控制，要求盾构螺旋输送机能精确地输送渣土。

综上，盾构螺旋输送机的主要功能为：1）排渣，从盾构开挖舱内将开挖下的渣土排出盾构；2）保压，渣土通过螺旋叶片输送并被压缩成密封土塞，以阻止泥土中的水流失，从而保持盾构密封舱的土压稳定；3）调速，通过改变螺旋输送机的转速来调节排渣量，以实现盾构密封舱的土压动态平衡。

1.2 盾构螺旋输送机的产品指标和设计参数

盾构螺旋输送机的功能、性能和工况要求等的变动往往体现在产品指标的变动上。为满足新的产品指标需求，通常须对设计参数进行重新计算以及对零部件进行重新选配。

表1列举了盾构螺旋输送机的15个关键产品指标，其在一定程度上表征了盾构螺旋输送机在结构、功能和性能等方面的设计要求。例如：在结构方面，盾构的内部空间基本由开挖直径确定，内部空间的大小限制了盾构螺旋输送机的尺寸；在功能方面，渣土松散系数影响着盾构螺旋输送机在排土、保压和调速功能间的偏向，如沙砾漂石等地层条件下强调“排”，富水粉细砂层等地层条件下强调“塞”；在性能方面，盾构螺旋输送机的排渣能力必须与盾构的渣土切削量相匹配，而盾构的渣土切削量由其开挖直径和最大掘进速度所决定。

表1 盾构螺旋输送机的关键产品指标Table 1 Key product indicators of shield screw conveyor

表2列举了盾构螺旋输送机的13个设计参数，其涵盖盾构螺旋输送机的结构配置、动力配置和辅助配置三方面。其中：与结构配置相关的设计参数为筒体内径、螺旋直径、螺距、叶片厚度以及螺旋轴的长度、直径和壁厚等；与动力配置相关的设计参数为电机的转速、减速比、功率和扭矩等；与辅助配置相关的设计参数为油缸行程等；而排渣能力与结构、动力和辅助配置均相关。

表2 盾构螺旋输送机的主要设计参数Table 2 Main design parameters of shield screw conveyor

盾构螺旋输送机的产品指标与设计参数之间存在着复杂的相互影响关系。一方面，单个产品指标通常依赖于多个设计参数；另一方面，每个设计参数会对多个产品指标产生不同程度的影响。例如：盾构的渣土切削量主要依赖于盾构螺旋输送机的筒体内径、电机转速和螺距等设计参数；同时，筒体内径不仅会对盾构的渣土切削量产生直接影响，还会对盾构螺旋输送机的成本、质量等其他产品指标产生不同程度的影响。在对盾构螺旋输送机进行设计调整的过程中，仅靠人工经验有时难以准确判定产品指标与设计参数之间的复杂关系，且易受个人经验局限以及主观因素的影响。这种情况会导致设计调整过程中设计参数的选择及取值对产品全生命周期性能的影响难以得到有效评估。

1.3 盾构螺旋输送机的适应性设计需求

不规范的盾构螺旋输送机设计调整不仅会影响产品的可靠性、安全性和可维护性等全生命周期性能，而且无法充分利用现有的设计制造资源，这不利于产品设计开发效率的提升。

设计的适应性主要是指在设计调整过程中充分利用已有设计来满足新需求的能力。开展适应性设计能够提高设计调整后的方案在功能和性能、制造工艺以及运维条件等方面对原有方案的重用程度，减少大量重复性的设计开发工作，有效提升设计效率。此外，通过适应性设计能够有效重用经过工程实践验证的设计方案，这在一定程度上也保证了产品的可靠性、安全性和性能稳定性以及对新需求的响应速度，降低了制造成本与使用维修难度。

为实现盾构螺旋输送机的适应性设计，首先要根据新的需求，准确标定设计调整的影响范围，以避免不合理的、范围过广的设计调整，有效提高对已有设计的重用率。在此基础上，须准确识别关键设计参数，并开展关键设计参数的快速智能求解，在提高设计调整效率的同时避免不合理的设计决策，提高适应性设计对新需求的达成度。

2 盾构螺旋输送机适应性设计智能决策方法

盾构螺旋输送机的各项产品指标与设计参数之间的相互影响体现在产品历史数据中。为最大化重用已有的、经过工程验证的设计方案，降低设计调整的负面影响，本文提出了基于历史数据分析的盾构螺旋输送机适应性设计智能决策方法，其流程如图2所示。首先，收集盾构螺旋输送机的历史数据，包括产品指标与设计参数，以构成产品数据集。然后，根据产品指标依赖于设计参数的特征，通过逐步回归方法对其依赖性进行量化分析，得到对应的依赖性矩阵；同时，分析产品指标与设计参数之间的相关性，并通过相关性矩阵来描述两者之间相互影响的程度。接着，以相关性矩阵作为距离的度量进行层次聚类，并将产品指标和设计参数划分到不同的集群中，以此标定设计调整过程中产品指标变动的影响范围，并利用依赖性矩阵识别不同集群中产品指标所依赖的关键设计参数。最后，利用神经网络构建产品指标-设计参数回归预测模型，通过搜寻得到对新的产品指标需求具有较好适应性的设计方案。

图2 盾构螺旋输送机适应性设计智能决策流程Fig.2 Intelligent decision process for adaptive design of shield screw conveyor

2.1 数据准备

所需准备的数据有2种：一种是反映产品性能并在一定程度代表用户需求的产品指标S=（S1，S2，…，S15），另一种是产品的设计参数P=（P1，P2，…，P13）。

收集盾构螺旋输送机的产品指标和设计参数的原始数据，部分数据分别如表3和表4所示。其中，共采集了270台盾构螺旋输送机的原始数据。剔除数据集中的无关内容和不完整数据后，利用剩余数据进行进一步分析。

表3 盾构螺旋输送机产品指标的原始数据Table 3 Raw data of product indicators of shield screw conveyor

表4 盾构螺旋输送机设计参数的原始数据Table 4 Raw data of design parameters of shield screw conveyor

2.2 产品指标对设计参数的依赖性分析

本文通过因果关系分析算法来识别盾构螺旋输送机的产品指标对设计参数的依赖性。逐步回归算法是一种常用的因果关系分析算法。该算法针对单一产品指标，将设计参数逐个引入模型，且每引入一个设计参数时均进行F检验，并对已引入的设计参数逐个进行T检验，当已引入的设计参数因后续设计参数的引入而变得不再显著时，则将已引入的设计参数删除。通过显著性检验，逐步回归算法可对产品指标潜在依赖的设计参数进行系统地添加和删除［17］。

利用逐步回归算法构建盾构螺旋输送机的产品指标-设计参数回归方程，将显著变量标记为1，即认为该产品指标与设计参数之间存在依赖性，否则标记为0，即认为不存在依赖性。由此得到每个产品指标与设计参数之间的依赖关系。盾构螺旋输送机的产品指标与设计参数之间依赖性的热力图如图3所示。通过观察图3所示热力图中的深色区域即可获取存在依赖关系的产品指标和设计参数，其可为关键设计参数的识别提供依据。

图3 盾构螺旋输送机产品指标-设计参数依赖性热力图Fig.3 Heatmap of dependence between product indicators and design parameters of shield screw conveyor

2.3 产品指标与设计参数的相关性分析

相关性分析是利用统计数据来研究多个随机变量间相关关系的一种数据挖掘方法。相关关系可以用适当的统计指标来表示，比如相关性系数等。统计学中常见的3种相关性系数为Spearman相关系数、Pearson相关系数和Kendall相关系数。其中：Pearson相关系数可反映2组变量的线性相关程度，适用于定距变量的分析；Spearman相关系数可反映2组变量等级的线性相关程度，适用于定序变量的分析；Kendall相关系数可衡量2组变量等级的一致程度，适用于定类变量的分析［18-19］。Spearman相关系数和Kendall相关系数适用于复杂的产品指标与设计参数的相关性分析。

Pearson相关系数ρX，Y的计算式如下：

式中：X、Y为待计算的一对设计变量；cov(X，Y)为X、Y的协方差；σX、σY分别为X、Y的标准差。

Spearman相关系数ρ的计算式如下：

式中：di为X、Y中第i个数据之差；n为X、Y的数据个数。

Kendall相关系数τ的计算式如下：

式中：C为X、Y中拥有一致性的元素对数（2个元素为一对）；D为X、Y中拥有不一致性的元素对数。

本文选择Kendall相关系数对盾构螺旋输送机的产品指标与设计参数的相关性进行分析，对应的热力图如图4所示。在该热力图上，颜色越深表示两者之间的相关性越强；颜色越浅表示两者之间的相关性越弱。

图4 盾构螺旋输送机产品指标-设计参数相关性热力图Fig.4 Heatmop of correlation between product indicators and design parameters of shield screw conveyor

通过相关性分析可获得盾构螺旋输送机的产品指标与设计参数之间相关系数绝对值所构成的相关性矩阵，并将其作为距离的度量，用于后续的层次聚类分析，以支持设计调整影响范围的标定。

2.4 产品指标变动的影响范围标定

某一产品指标的变动可能会影响其他产品指标和设计参数。在这种情况下，有必要在调整某一产品指标的同时，分析该产品指标对其他产品指标和设计参数的潜在影响，以标定产品指标变动的影响范围。

层次聚类算法是按由远到近的方式逐步将所有元素聚类到一起的无监督学习方法。采用层次聚类方法可灵活地设置集群元素之间的距离阈值［20］。以相关性绝对值作为距离的度量值，对产品指标和设计参数进行层次聚类分析，可得到包含产品指标和设计参数的不同集群，并使同一集群中元素具有强相关性，不同集群间相关性弱或不相关。综上，集群可作为产品指标和设计参数的影响边界，修改集群中元素造成的影响仅限于集群元素之间。

本文设层次聚类方法中的距离阈值为1.55，将产品指标和设计参数划分到不同集群中，结果如图5所示。根据图5结果，可在一定规模上划分盾构螺旋输送机的产品指标和设计参数的原始数据间相互影响的边界。对图5结果进行整理，得到不同集群所包含的产品指标和设计参数，如表5所示。

表5 盾构螺旋输送机产品指标-设计参数的层次聚类结果Table 5 Hierarchical clustering result of product indicators and design parameters of shield screw conveyor

图5 盾构螺旋输送机产品指标-设计参数的层次聚类树状图Fig.5 Hierarchical clustering denalrogram of product indicators and design parameters of shield screw conveyor

2.5 关键设计参数识别

在标定产品指标变动的影响范围时，主要借助相关性分析和层次聚类分析。调整某一产品指标往往是改变与之密切相关的设计参数。然而，数据上的相关性存在偶然性，不足以说明其实际关系，因此考虑物理上的依赖性作为补充。若产品指标Sj(j=1，2，…，15)和设计参数Pi(i=1，2，…，13)属于同一个集群，且两者之间存在依赖关系，则定义设计参数Pi为产品指标Sj的关键设计参数。

结合盾构螺旋输送机产品指标对设计参数依赖性的分析结果以及层次聚类结果，可识别各产品指标所对应的关键设计参数。以集群1（C1={S1，S4，S6，S7，S10，S11，P1，P2，P3，P5}）为例，通过依赖性矩阵与层次聚类结果的相交，对该集群中各产品指标对应的关键设计参数进行识别，结果如下：

通过分析发现，产品指标S1、S7、S10对应的关键设计参数相同，均为P1、P2、P3和P5；S4对应的关键设计参数为P2；S6对应的关键设计参数为P3；S11对应的关键设计参数为P2、P3和P5。其他集群以此类推。由于产品指标与关键设计参数存在依赖关系，调整关键设计参数可以改变产品指标。同时，关键设计参数与其他集群中元素的相关性较低，改变关键设计参数对其他集群中元素产生的影响较小。因此，为调整产品指标并减小产品指标变动的影响范围，须对关键设计参数进行智能求解。

2.6 设计方案智能决策

为了对关键设计参数进行智能求解，首先，将集群中的设计参数作为输入，产品指标作为输出，训练神经网络并构建产品指标-设计参数回归预测模型。假设根据新的设计要求，盾构螺旋输送机的渣土切削量S4、最大通过颗粒长度S6和最大通过颗粒宽度S7发生变动，其具体数值的变化如下：

然后，在数据集范围内，针对变动的产品指标S4、S6、S7，为每个关键设计参数P1、P2、P3和P5分别采用20，3，200和150个离散值，并建立新的设计参数输入矩阵，从而产生1 800 000种不同的设计参数组合。在该输入矩阵中，非关键设计参数保持为当前设计值。最后，将设计参数矩阵输入到训练好的回归预测模型中，通过全局搜索获得多组产品指标预测值。将产品指标预测值与其需求值的平均绝对百分比误差（mean absolute percentage error，MAPE）作为衡量标准，可得到能够较好满足产品指标需求的10组适应性设计推荐方案，如表6所示。