安小宇， 王德健， 李楠， 李剛， 時(shí)安琪， 楊洋， 陳傲松

(1.鄭州輕工業(yè)大學(xué)電氣信息工程學(xué)院， 鄭州 450002； 2.中鐵工程裝備集團(tuán)盾構(gòu)制造有限公司， 鄭州 450016)

隧道掘進(jìn)機(jī)(tunnel boring machine，TBM)的拆裝維修一般采用開(kāi)挖豎井或者洞內(nèi)大面積擴(kuò)容的方法來(lái)實(shí)現(xiàn)，其工程量巨大，造價(jià)高，還需要土方回填處理，工程周期長(zhǎng)，循環(huán)經(jīng)濟(jì)性差。目前，直接針對(duì)洞內(nèi)TBM快速拆裝裝置的研發(fā)在國(guó)內(nèi)外尚屬空白。

TBM拆裝裝置屬于大型起重設(shè)備，裝置在進(jìn)行作業(yè)時(shí)需要緩慢地進(jìn)行升降吊裝，其工作時(shí)間較長(zhǎng)。而且作業(yè)過(guò)程中需要根據(jù)現(xiàn)場(chǎng)實(shí)際情況靈活調(diào)整工作模式，不同的工作時(shí)間段其工況參數(shù)的要求也不同。同時(shí)洞內(nèi)空間有限、吊裝主機(jī)噸位大等致使裝置在作業(yè)時(shí)操作難度大、危險(xiǎn)性高，具有極高的安全隱患，為保證拆裝裝置的作業(yè)安全，需要根據(jù)TBM拆裝裝置的結(jié)構(gòu)特點(diǎn)和工藝要求對(duì)裝置作業(yè)時(shí)的安全狀況進(jìn)行有效預(yù)警。

目前，國(guó)內(nèi)外針對(duì)大型起重、吊裝設(shè)備上的安全預(yù)警模型已有一定數(shù)量的研究成果，如楊斌等[1]通過(guò)建立灰色綜合預(yù)測(cè)模型，結(jié)合歸一化數(shù)據(jù)處理的不同退化特征值，以實(shí)現(xiàn)起重機(jī)的安全預(yù)警；劉名強(qiáng)等[2]通過(guò)粗糙集(rough set，RS)屬性約簡(jiǎn)算法確定模型安全預(yù)警因子，選用混合核函數(shù)構(gòu)建關(guān)聯(lián)向量機(jī)(relevance vector machine，RVM)預(yù)警模型，并通過(guò)改進(jìn)粒子群算法(improved particle swarm optimization，IPSO)尋優(yōu)確定核參數(shù)，建立裝配式吊裝作業(yè)預(yù)警模型；Ren等[3]通過(guò)對(duì)起重機(jī)運(yùn)動(dòng)和位置的實(shí)時(shí)監(jiān)測(cè)，以實(shí)時(shí)對(duì)象數(shù)據(jù)建立加權(quán)線(xiàn)性回歸模型對(duì)起重機(jī)安全進(jìn)行預(yù)測(cè)；隨著人因失誤問(wèn)題的凸顯，馬輝等[4]通過(guò)分析施工現(xiàn)場(chǎng)人、物以及環(huán)境及這3類(lèi)危險(xiǎn)源交叉關(guān)聯(lián)的情境，建立基于支持向量機(jī)(support vector machine，SVM)分類(lèi)算法的空間單元安全預(yù)警模型；Shin[5]將塔機(jī)作業(yè)安全性研究的重點(diǎn)逐步從塔機(jī)本質(zhì)安全與作業(yè)監(jiān)測(cè)轉(zhuǎn)向人為因素方面進(jìn)行分析；鄭霞忠等[6]運(yùn)用模糊數(shù)學(xué)，結(jié)合認(rèn)知可靠性與失誤分析方法(cognitive reliability and error analysis methods，CREAM)構(gòu)建塔機(jī)作業(yè)人因可靠性分析模型，以提高塔式起重機(jī)作業(yè)的可靠性。

綜上所述，目前針對(duì)大型起重設(shè)備的安全預(yù)警研究成果相對(duì)有限，但國(guó)內(nèi)外還沒(méi)有見(jiàn)諸TBM拆裝裝置安全作業(yè)預(yù)警模型的研究成果。因此現(xiàn)依托鄭州市重大專(zhuān)項(xiàng)“隧道掘進(jìn)機(jī)(TBM)主機(jī)洞內(nèi)快速拆裝400 t群控液壓舉撐轉(zhuǎn)運(yùn)變位系統(tǒng)研制”對(duì)拆裝作業(yè)過(guò)程中的安全預(yù)警模型進(jìn)行研究。結(jié)合裝置本身特點(diǎn)，使用TBM拆裝裝置上的拉力傳感器采集的兩組鋼絲繩拉力數(shù)據(jù)、壓力傳感器采集的四組液壓缸壓力數(shù)據(jù)、偏載傳感器采集的一組偏載角數(shù)據(jù)、位移傳感器采集的一組拆裝裝置起升高度數(shù)據(jù)，以此8類(lèi)數(shù)據(jù)作為基礎(chǔ)，建立兩級(jí)信息融合安全預(yù)警模型。一級(jí)融合將前期采集的8類(lèi)數(shù)據(jù)進(jìn)行預(yù)處理，包括判斷錯(cuò)誤數(shù)據(jù)和歸一化處理，之后將8類(lèi)數(shù)據(jù)通過(guò)層次分析法-熵權(quán)法算法融合得出安全狀態(tài)系數(shù)，安全狀態(tài)系數(shù)可以對(duì)比拆裝裝置的作業(yè)警度與風(fēng)險(xiǎn)等級(jí)，以得到此時(shí)拆裝裝置的安全狀態(tài)。二級(jí)融合是將一級(jí)融合得出的安全狀態(tài)系數(shù)作為輸入，分別建立灰色模型(grey model，GM)、差分自回歸移動(dòng)平均(autoregressive integrated moving average model，ARIMA)、長(zhǎng)短期記憶網(wǎng)絡(luò)(long short-term memory，LSTM)3個(gè)單項(xiàng)預(yù)測(cè)模型，對(duì)后期拆裝裝置的安全狀態(tài)系數(shù)進(jìn)行預(yù)測(cè)，同時(shí)根據(jù)單項(xiàng)預(yù)測(cè)模型建立基于簡(jiǎn)單平均原理的簡(jiǎn)單平均組合模型[7]和基于最小誤差平方與最小二乘法的最優(yōu)加權(quán)組合模型[8]，通過(guò)三類(lèi)模型所預(yù)測(cè)的安全狀態(tài)系數(shù)與真實(shí)值之間的比較，選出預(yù)測(cè)效果最好的安全預(yù)警模型。之后將一級(jí)融合與二級(jí)融合進(jìn)行結(jié)合，建立兩級(jí)信息融合的TBM主機(jī)拆裝裝置安全作業(yè)的預(yù)警模型。

1 融合算法與安全狀態(tài)系數(shù)

1.1 層次分析法計(jì)算過(guò)程

層次分析法[9]是將各項(xiàng)指標(biāo)進(jìn)行比較，兩個(gè)指標(biāo)間的重要程度通過(guò)尺度表來(lái)確定，尺度表如表1所示。

表1 1～9尺度表

根據(jù)尺度表打分規(guī)則，邀請(qǐng)大學(xué)教授、中鐵裝備以及新鄉(xiāng)江河起重機(jī)相關(guān)起重專(zhuān)家共10余人對(duì)安全預(yù)警各指標(biāo)進(jìn)行評(píng)定打分，打分結(jié)果相同的進(jìn)行采納，結(jié)果不同的根據(jù)各個(gè)專(zhuān)家協(xié)商后的結(jié)果為準(zhǔn)，以此建立判斷矩陣A。通過(guò)協(xié)商最后確定相同指標(biāo)其尺度相同；拉力指標(biāo)比壓力指標(biāo)與偏載角指標(biāo)稍顯重要，比起升高度指標(biāo)十分重要；壓力指標(biāo)比偏載角指標(biāo)稍顯重要，比起升高度指標(biāo)明顯重要；偏載角指標(biāo)比起升高度指標(biāo)明顯重要。通過(guò)上述打分結(jié)果即可建立判斷矩陣A。

(1)判斷矩陣A及權(quán)重向量計(jì)算公式。

(1)

(2)

(3)

(4)

(2)檢驗(yàn)判斷矩陣A一致性。

(5)

(6)

式中：CI為判斷矩陣一致性指標(biāo)；RI為隨機(jī)一致性指標(biāo)，其值與判斷矩陣的階數(shù)有關(guān)；CR為一致性比率，當(dāng)CR<0.1時(shí)，判斷矩陣滿(mǎn)足一致性檢驗(yàn)；當(dāng)CR>0.1時(shí)，需重新對(duì)安全預(yù)警各指標(biāo)打分，直至CR<0.1。

1.2 熵權(quán)法計(jì)算過(guò)程

熵權(quán)法[10]是根據(jù)指標(biāo)的變異性來(lái)最終確定各評(píng)估指標(biāo)的權(quán)重[11]，其計(jì)算過(guò)程如下。

(1)數(shù)據(jù)標(biāo)準(zhǔn)化處理。

(7)

式(7)中：xij為原始數(shù)據(jù)i指標(biāo)的第j個(gè)值；xmin為T(mén)BM拆裝裝置空載時(shí)i指標(biāo)的最小值；xmax為i指標(biāo)的最大值，例如4個(gè)壓力指標(biāo)，其xmin為2.84 MPa，xmax為19.66 MPa。

(2)計(jì)算i指標(biāo)的熵值。

(8)

(9)

式中：ri為i指標(biāo)的比重；ei為i指標(biāo)熵值。

(3)計(jì)算i指標(biāo)的熵權(quán)βi。

(10)

1.3 融合算法

采用層次分析法與熵權(quán)法相結(jié)合的融合算法，可以得到更加科學(xué)準(zhǔn)確的指標(biāo)權(quán)重值[12]。組合權(quán)重的常用方法有乘法歸一法和平均值法，由于乘法歸一法存在權(quán)重含義模糊的缺點(diǎn)，可能導(dǎo)致權(quán)重極端化。因此為保證主觀與客觀的兼容性，避免權(quán)重極端化的發(fā)生，采用平均值法確定指標(biāo)綜合權(quán)重。

(11)

式(11)中：ωi為i指標(biāo)通過(guò)平均值法得到的綜合權(quán)重；αi為層次分析法得到的權(quán)重；βi為熵權(quán)法得到的權(quán)重。

根據(jù)矩陣A可以計(jì)算出層次分析法中各個(gè)指標(biāo)的權(quán)重，通過(guò)TBM拆裝裝置所裝傳感器采集的54組共432個(gè)數(shù)據(jù)可以計(jì)算得出熵權(quán)法中各個(gè)指標(biāo)的權(quán)重。融合算法所得的8個(gè)指標(biāo)的權(quán)重分配如表2所示。

表2 各指標(biāo)權(quán)重分配Table 2 Weight distribution of each indicator

1.4 安全狀態(tài)系數(shù)

首先將8類(lèi)原始數(shù)據(jù)進(jìn)行歸一化處理，歸一化處理就是將數(shù)據(jù)如同式(7)一樣進(jìn)行標(biāo)準(zhǔn)化處理，將經(jīng)過(guò)歸一化處理的某時(shí)刻指標(biāo)數(shù)據(jù)分別與對(duì)應(yīng)的融合算法確定的權(quán)重結(jié)合，將結(jié)合后的數(shù)據(jù)相加便得到了這一時(shí)刻的安全狀態(tài)系數(shù)，安全狀態(tài)系數(shù)的值的范圍在0～1，同時(shí)可以將此時(shí)刻的安全狀態(tài)系數(shù)與TBM拆裝裝置作業(yè)警度與風(fēng)險(xiǎn)等級(jí)進(jìn)行對(duì)比，以此判斷此時(shí)TBM拆裝裝置作業(yè)是否安全。而拆裝裝置作業(yè)的警度分為無(wú)警與報(bào)警，風(fēng)險(xiǎn)等級(jí)分為安全、相對(duì)安全和不安全3個(gè)等級(jí)，具體劃分標(biāo)準(zhǔn)如表3所示。

表3 警度與風(fēng)險(xiǎn)等級(jí)劃分標(biāo)準(zhǔn)Table 3 Criteria for classification of warning degree and risk level

2 建立預(yù)測(cè)模型

2.1 灰色預(yù)測(cè)模型

灰色模型(GM)是最基本的灰色系統(tǒng)理論模型，其建模過(guò)程[13-14]如下。

(1)對(duì)原始數(shù)據(jù)序列x(0)進(jìn)行一次累加計(jì)算，得到有規(guī)律的數(shù)據(jù)序列x(1)。

(5)模型精度檢驗(yàn)。

2.2 ARIMA模型

ARIMA(p，d，q)模型又稱(chēng)差分自回歸移動(dòng)平均模型，通過(guò)線(xiàn)性自動(dòng)回歸、移動(dòng)平均和差分計(jì)算3種變量進(jìn)行構(gòu)建，對(duì)平穩(wěn)時(shí)間序列進(jìn)行定階和參數(shù)估計(jì)，運(yùn)用信息準(zhǔn)則法選擇合適參數(shù)[15]。

ARIMA模型[16-17]可通過(guò)差分原則將非平穩(wěn)原始序列轉(zhuǎn)變?yōu)槠椒€(wěn)序列，通過(guò)建立自相關(guān)與偏自相關(guān)圖對(duì)模型進(jìn)行定階，即確定p、d、q的值。根據(jù)所選擇參數(shù)建立預(yù)測(cè)模型，根據(jù)擬合效果選出最優(yōu)預(yù)測(cè)模型，并進(jìn)行后期數(shù)據(jù)預(yù)測(cè)。

2.3 LSTM模型

LSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)的一種變體結(jié)構(gòu)，其信息流傳通過(guò)3個(gè)邏輯門(mén)(遺忘門(mén)、輸入門(mén)、輸出門(mén))控制[18]。LSTM細(xì)胞單元結(jié)構(gòu)如圖1所示。

xt為細(xì)胞單元輸入的偏置參數(shù)；ct-1為上一細(xì)胞狀態(tài)；ht-1為上一細(xì)胞隱藏狀態(tài)向量；ct為單元狀態(tài)；ht為隱藏狀態(tài)權(quán)重；ft為遺忘門(mén)權(quán)重；it為輸入門(mén)權(quán)重；zt為細(xì)胞狀態(tài)權(quán)重；ot為輸出門(mén)權(quán)重[19]圖1 LSTM細(xì)胞單元結(jié)構(gòu)Fig.1 LSTM cell unit structure

2.4 組合預(yù)測(cè)模型

則第t時(shí)刻組合預(yù)測(cè)模型的預(yù)測(cè)值vt為

vt=k1v1t+k2v2t+k3v3t

(12)

使用組合模型是為了減少預(yù)測(cè)值與真實(shí)值之間的誤差平方和，那么最優(yōu)組合模型權(quán)重分配問(wèn)題就轉(zhuǎn)化為最小誤差平方和最小二乘法的數(shù)學(xué)規(guī)劃問(wèn)題，即

(13)

式(13)中：J為組合模型預(yù)測(cè)值與真實(shí)值的誤差平方和；Kn為組合模型的權(quán)重系數(shù)向量；E(n)為組合模型預(yù)測(cè)值與真實(shí)值的誤差信息矩陣；Rn為n×1 的列陣。對(duì)式(13)進(jìn)行拉格朗日乘子法求解得

(14)

結(jié)合式(13)與式(14)可得組合模型最小誤差平方和為

(15)

2.5 模型比較

最優(yōu)預(yù)測(cè)模型是通過(guò)單項(xiàng)模型與組合模型的預(yù)測(cè)值與真實(shí)值之間的相關(guān)系數(shù)R、平均絕對(duì)誤差(mean absolute error，MAE)、平均相對(duì)誤差(mean absolute percentage error，MAPE)、均方根誤差(root mean square error，RMSE)4個(gè)指標(biāo)和后期相對(duì)誤差決定的，4個(gè)指標(biāo)及其表達(dá)式如下。

(1)相關(guān)系數(shù)(R)。表達(dá)式為

(16)

(2)平均絕對(duì)誤差(MAE)。表達(dá)式為

(17)

(3)平均相對(duì)誤差(MAPE)。表達(dá)式為

(18)

(4)均方根誤差(RMSE)。表達(dá)式為

(19)

3 實(shí)例分析

3.1 數(shù)據(jù)來(lái)源與信息融合

根據(jù)TBM拆裝裝置吊裝TBM主機(jī)時(shí)一段時(shí)間內(nèi)所采集的2組鋼絲繩拉力數(shù)據(jù)、4組液壓缸壓力數(shù)據(jù)、1組偏載角數(shù)據(jù)、1組裝置起升高度數(shù)據(jù)共8類(lèi)84組672個(gè)數(shù)據(jù)作為基礎(chǔ)，以前面54組共432個(gè)數(shù)據(jù)作為訓(xùn)練樣本，以后期30組共240個(gè)數(shù)據(jù)作為檢驗(yàn)樣本。首先進(jìn)行一級(jí)融合，將8類(lèi)數(shù)據(jù)進(jìn)行歸一化處理，將歸一化處理后的8類(lèi)數(shù)據(jù)與對(duì)應(yīng)層次分析法-熵權(quán)法融合算法所得權(quán)重融合得出安全狀態(tài)系數(shù)，安全狀態(tài)系數(shù)可以對(duì)比拆裝裝置的作業(yè)安全等級(jí)，以得到此時(shí)拆裝裝置的安全狀態(tài)。將融合得出的前54個(gè)安全狀態(tài)系數(shù)作為二級(jí)融合輸入，根據(jù)所得的安全狀態(tài)系數(shù)數(shù)據(jù)，ARIMA模型參數(shù)為p=1，d=2，q=1；LSTM模型網(wǎng)絡(luò)結(jié)構(gòu)為1×5×1。

3.2 模型驗(yàn)證

根據(jù)所提出的預(yù)測(cè)模型，可建立3個(gè)單項(xiàng)預(yù)測(cè)模型，根據(jù)這3個(gè)單項(xiàng)預(yù)測(cè)模型，理論上可建立GM-ARIMA、GM-LSTM、ARIMA-LSTM共3個(gè)2維組合模型和GM-ARIMA-LSTM 1個(gè)3維組合模型。首先將一級(jí)融合后的安全狀態(tài)系數(shù)作為輸入，建立單項(xiàng)預(yù)測(cè)模型，模型建立好后對(duì)后期的安全狀態(tài)系數(shù)進(jìn)行預(yù)測(cè)。根據(jù)單項(xiàng)預(yù)測(cè)模型建立基于簡(jiǎn)單平均原理的簡(jiǎn)單平均組合模型和基于最小誤差平方與最小二乘法的最優(yōu)加權(quán)組合模型，然后利用模型比較的4個(gè)指標(biāo)以及后期數(shù)據(jù)的相對(duì)誤差對(duì)組合模型的預(yù)測(cè)精度進(jìn)行檢驗(yàn)，選出擬合效果最好的TBM拆裝裝置安全預(yù)警模型。

建立的3個(gè)單項(xiàng)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果與真實(shí)值之間的擬合效果如圖2所示。

圖2 單項(xiàng)預(yù)測(cè)模型擬合效果Fig.2 Fitting effect of single prediction model

單相預(yù)測(cè)模型GM、ARIMA和LSTM最大相對(duì)誤差分別為4.37%、4.40%和3.74%，LSTM模型的相對(duì)誤差最小，模型后期預(yù)測(cè)的結(jié)果比真實(shí)值稍小。GM和ARIMA模型的相對(duì)誤差較大，雖然小于5%，但根據(jù)圖2可以看出兩者在后期所預(yù)測(cè)的結(jié)果比真實(shí)值高，真實(shí)值與預(yù)測(cè)值的偏差也比LSTM模型的偏差大得多。

根據(jù)簡(jiǎn)單平均原理，簡(jiǎn)單平均組合模型中GM-ARIMA、GM-LSTM和ARIMA-LSTM中各單項(xiàng)模型權(quán)重均為0.5；GM-ARIMA-LSTM中各單項(xiàng)模型權(quán)重均為0.33。簡(jiǎn)單平均組合模型與安全狀態(tài)系數(shù)真實(shí)值擬合效果如圖3所示。

圖3 簡(jiǎn)單平均組合模型擬合效果Fig.3 Fitting effect of Simple average combined model

簡(jiǎn)單平均組合模型GM-ARIMA、GM-LSTM、ARIMA-LSTM和GM-ARIMA-LSTM最大相對(duì)誤差分別為3.76%、3.43%、4.07%和4.71%，從圖3中可以明顯看出，4個(gè)簡(jiǎn)單平均組合模型后期的預(yù)測(cè)值都比真實(shí)值大，后期擬合效果比較差。

通過(guò)最小誤差平方和最小二乘法可解決最優(yōu)加權(quán)組合模型權(quán)重分配問(wèn)題，求得GM-ARIMA的權(quán)重為k1=0.64，k2=0.36；GM-LSTM的權(quán)重為k1=0.29，k2=0.71；ARIMA-LSTM的權(quán)重為k1=0.18，k2=0.82；GM-ARIMA-LSTM的權(quán)重為k1=0.21，k2=0.10，k3=0.69。最優(yōu)加權(quán)組合模型與安全狀態(tài)系數(shù)真實(shí)值擬合效果如圖4所示。

圖4 最優(yōu)加權(quán)組合模型擬合效果Fig.4 Fitting effect of optimal weighted combination model

最優(yōu)加權(quán)組合模型GM-ARIMA、GM-LSTM、ARIMA-LSTM和GM-ARIMA-LSTM最大相對(duì)誤差分別為3.78%、3.55%、3.85%和3.67%，從圖4可以看出，除GM-ARIMA后期預(yù)測(cè)的結(jié)果比真實(shí)值偏差較高外，其他3個(gè)組合預(yù)測(cè)模型都包含有LSTM模型，且后期預(yù)測(cè)的結(jié)果都接近真實(shí)值，其中GM-LSTM和GM-ARIMA-LSTM這兩個(gè)組合預(yù)測(cè)模型更貼近真實(shí)值，擬合效果更好。

根據(jù)模型所預(yù)測(cè)的結(jié)果，單相預(yù)測(cè)模型和組合預(yù)測(cè)模型預(yù)測(cè)精度的4個(gè)指標(biāo)比較如表4所示。

表4 模型預(yù)測(cè)精度對(duì)比Table 4 Model prediction accuracy comparison

由表4可知，單項(xiàng)預(yù)測(cè)模型中GM模型的R最高，LSTM模型的MAE、MAPE、RMSE最小，結(jié)合圖2說(shuō)明單項(xiàng)預(yù)測(cè)模型中LSTM模型擬合效果較好。簡(jiǎn)單平均組合預(yù)測(cè)模型中GM-LSTM模型的4個(gè)指標(biāo)均要好于其他3個(gè)模型，且R是所有模型的最大值(0.990 6)，在簡(jiǎn)單平均組合模型中此模型的擬合效果最好。最優(yōu)加權(quán)組合預(yù)測(cè)模型的4個(gè)指標(biāo)數(shù)據(jù)大部分都要優(yōu)于前兩類(lèi)模型，而且最優(yōu)加權(quán)組合預(yù)測(cè)模型中GM-LSTM模型的MAE、MAPE、RMSE的值比所有模型都要小，因此比單項(xiàng)預(yù)測(cè)模型和簡(jiǎn)單平均組合模型穩(wěn)定性更強(qiáng)，后期預(yù)測(cè)結(jié)果精度更高，效果更好。雖然GM-LSTM模型指標(biāo)數(shù)據(jù)都比GM-ARIMA-LSTM模型要好，二者的預(yù)測(cè)值都比真實(shí)值大一些，都能及時(shí)反映TBM拆裝裝置吊裝TBM主機(jī)時(shí)的安全狀態(tài)。但由于二者的4個(gè)指標(biāo)數(shù)據(jù)非常接近，且在圖4序號(hào)為20～30的后期預(yù)測(cè)數(shù)據(jù)組中，GM-ARIMA-LSTM模型的預(yù)測(cè)值與真實(shí)值之間的相對(duì)誤差比GM-LSTM模型的相對(duì)較小，其預(yù)測(cè)值更貼近真實(shí)值，后期擬合效果最好，同所有預(yù)測(cè)模型中后期預(yù)測(cè)精度相比也較好。因此根據(jù)以上分析，選擇最優(yōu)加權(quán)組合預(yù)測(cè)模型中權(quán)重為(0.21，0.10，0.69)的GM-ARIMA-LSTM模型作為二級(jí)融合的安全預(yù)警模型。

4 結(jié)論

(1)根據(jù)拆裝裝置吊裝TBM主機(jī)時(shí)所采集的2組鋼絲繩拉力數(shù)據(jù)、4組液壓缸壓力數(shù)據(jù)、1組偏載角數(shù)據(jù)、1組裝置起升高度數(shù)據(jù)為基礎(chǔ)，通過(guò)與對(duì)應(yīng)層次分析法-熵權(quán)法融合算法所得權(quán)重融合得出安全狀態(tài)系數(shù)，從而完成安全預(yù)警模型的一級(jí)融合，安全狀態(tài)系數(shù)可以對(duì)比作業(yè)警度與風(fēng)險(xiǎn)等級(jí)，得到此時(shí)拆裝裝置的安全狀態(tài)。

(2)組合預(yù)測(cè)模型利用單項(xiàng)預(yù)測(cè)模型的有效信息，有效彌補(bǔ)了單項(xiàng)預(yù)測(cè)模型的缺陷，通過(guò)R、MAE、MAPE、RMSE 4個(gè)指標(biāo)的檢驗(yàn)可以確定組合預(yù)測(cè)模型是優(yōu)于單項(xiàng)預(yù)測(cè)模型，適合對(duì)TBM拆裝裝置安全作業(yè)狀態(tài)系數(shù)進(jìn)行有效的預(yù)測(cè)分析。

(3)最優(yōu)加權(quán)組合預(yù)測(cè)模型的擬合效果要明顯優(yōu)于簡(jiǎn)單平均組合模型，而且最優(yōu)加權(quán)組合預(yù)測(cè)模型中GM-LSTM與GM-ARIMA-LSTM精度都非常高，但后者的后期擬合效果更好，因此選用最優(yōu)加權(quán)組合預(yù)測(cè)模型中權(quán)重為(0.21，0.10，0.69)的GM-ARIMA-LSTM模型作為二級(jí)融合的安全預(yù)警模型，并與一級(jí)融合結(jié)合，構(gòu)建基于兩級(jí)信息融合的TBM拆裝裝置作業(yè)安全預(yù)警模型。