图源摄图网
摘要：工程装备智能化是发展智能建造的重要基础, 项目知识是工程装备智能化的知识源泉, 因此, 工程装备知识跨项目的有效共享与利用是实现智能建造的重要环节. 为了增强工程装备知识的跨项目利用效率与效果, 本文提出了一种基于特征差异增强的多源域迁移学习框架. 该框架利用混合深度神经网络提取源项目的通用时空特征表示, 基于项目相似度度量筛选可迁移源项目, 通过所设计的特征差异增强方法挖掘多源域的域特殊特征表示并进行集成, 在避免负迁移的同时实现工程装备知识的跨项目有效转移. 本文使用多个隧道工程项目的数据进行了实验, 在六个盾构设备姿态预测知识转移任务的两个预测目标上, 该框架相较于基线模型的预测准确性平均提升度分别为86. 48%、117. 01%, 并具有良好的稳健性和情景适应性. 实验结果表明:本文所设计的新框架可以挖掘多个源域项目的特性知识并整合其共性知识, 通过集成多源域迁移学习的知识来提高知识利用率, 为大型工程装备知识的跨项目转移提供了有效的方法和工具, 有助于提升施工项目的知识管理与智能建造水平.
关键词：工程项目; 项目知识转移; 工程装备知识; 多源域迁移学习; 深度学习
一、研究背景与意义
工程项目知识管理是工程项目管理研究的热点问题，也是智能建造研究与应用的重要领域。通过对已有项目的知识进行有效共享与利用，提高工程装备的智能化水平，不但可以规避项目建设过程中的潜在风险，而且有助于提升未来项目的管理绩效。一个大型的工程施工装备（例如盾构机、凿岩台车等）在其生命周期内往往会先后应用于多个同类或不同类的项目。工程装备知识的跨项目转移有助于工程人员及时地获取其它项目的施工经验和装备操作知识，避免重复创造知识和发生过往项目的失误，有利于提高工程施工效率，进而提高项目完工质量。然而，由于工程项目的背景与环境不同、工程项目的临时性和独立性等诸多原因，多个项目之间容易形成彼此隔绝的知识孤岛，这将阻碍有效的知识转移。因此，如何跨项目进行工程装备知识的有效转移，通过提高已有项目知识的重用率来提升当前项目的绩效，是工程项目知识管理亟待解决的研究难题。
相较于口口相传、文档学习、现场讲解等传统方式，迁移学习的研究为工程项目的知识转移提供了一种新途径，通过将知识从源域（知识发送方）自动化、智能化地转移到目标域（知识接收方），迁移学习可以利用在源域学到的先验知识来完成目标域的相关任务。在实际场景中，我们需要从多个源项目中学习、提取适用于目标项目的知识。然而，以往的迁移学习方法通常只聚焦于挖掘多源域的共性知识，较少关注不同源域之间的关系，没有充分利用源域的独特性，缺乏对每个源域所独有的差异特征进行深入挖掘，难以利用源项目内部隐含的独特知识来辅助目标项目决策。
为此，本文提出一种基于特征差异增强的多源域知识迁移框架（MTFF，multi-source transfer learning framework based on feature difference enhancement），实现以盾构机为代表的工程装备知识跨项目的有效转移，为各类施工情景下工程装备的安全高效运行提供更迅速、更有力的支持。首先，针对工程装备数据维度高、时序性强的特点，构建了一种混合深度神经网络模型来提取通用时空特征表示，它先通过卷积层提取到空间特征表示，再经LSTM层提取得到时空混合特征表示，并利用残差网络的跳跃链接来解决梯度消失问题，最终得到工程装备数据的时空高级特征表示。其次，设计了一种特征差异增强方法，通过提炼每个源项目相较于所有源项目的高级特征表示差异，然后结合原始特征表示和差异特征表示得到增强特征表示，最后融合每个源项目的增强特征表示，提取到域共性知识和域特殊知识，拓展了多源域迁移学习的知识利用类型，从而提升了对源项目可用知识的利用率。
二、主要内容
本文构建了一种基于特征差异增强的工程装备项目知识迁移框架（MTFF）。MTFF由四个模块组成：源项目知识模型初始化、源项目知识模型选择、基于特征差异增强的知识模型集成、以及模型适配。
首先，在源项目知识模型初始化模块中，为每个候选源项目构建装备知识提取模型，经过候选源项目数据训练后，得到基于不同项目背景的工程装备项目知识模型。然后，在源项目知识模型选择模块中，分别使用这些知识模型预测目标项目的装备施工项目数据，得到预测值。接下来，通过计算各源项目知识模型对目标项目数据的预测值与真实值之间的拟合优度，并选择拟合优度高的E个候选源项目作为可转移源项目。在上述情景下，目标项目需要同时从多个源项目中得到项目知识，每个源项目知识模型来源于施工环境和工况不尽相同的项目。考虑到每个源项目知识模型仅包含着从自身项目数据中学习到的知识经验，这些知识和经验受项目施工环境影响较大，不同的源项目知识可能存在知识共性，也可能存在知识差异。基于此，在基于特征差异增强的知识模型集成模块中，本文设计了特征差异增强的数据融合机制，对选取的E个可转移源项目知识模型进行特征融合，从而在多源项目知识转移过程中，强化共性知识以及有利于目标项目的差异性知识，用以处理好多个源项目知识模型的交互和冲突。最后，在模型适配模块中，为了使得通过不同源项目数据训练得到的特征提取器适配于目标项目类似任务的学习，使用目标项目数据对集成模型进行微调（fine-tune），使从多个源项目中提取的知识被保留并参与目标项目的模型训练。
三、主要结论及政策建议
本文利用位于我国西南、东北和南方三个城市的八个盾构施工项目的真实数据，对所提框架MTFF的准确性、稳健性和情景适应性进行了验证。得出如下结论：（1）在2个预测目标6个转移任务上，MTFF相较于基线模型的RMSE（Root Mean Square Error,均方根误差）平均提升度分别为86.48%、117.01%。这说明MTFF能够精准地捕捉到盾构姿态变化，为盾构司机完成纠偏操作提供支持。在实际盾构施工过程中，这将防止盾构机掘进偏差过大，保证其沿着设计轴线掘进，有效规避地面沉降等施工事故。（2）在5次随机试验中，MTFF的MAE（Mean Absolute Error,平均绝对误差）分别为0.1908、0.1835。这说明MTFF的预测性能的波动较小，能够在多个转移任务上保持良好的预测效果。在实际施工过程中，这将极大减少因调整模型所造成的施工成本耗费，保障盾构施工进度。（3）在4种知识转移情境下， MTFF的MAE方差值分别为0.1055、0.0397、0.3338。这说明MTFF能够在包含不同样本量的多个知识转移情境下保持良好的预测效果。在实际盾构施工过程中，MTFF可适用于不同施工进度的工程项目，实现包含不同施工数据的源项目与目标项目的知识转移，进而提升目标项目的工程绩效。
在实际施工过程中，工程装备的精确控制常常依赖于操作人员的经验知识。大型工程装备经常工作在不均匀、复杂的地质环境中，操作人员需要不断关注并及时调整它的施工参数。但由于缺乏有效的方法和手段来预判盾构机的施工参数，主要依靠经验的操作人员会出现操作不及时、不可靠的问题。因此，建议施工单位和企业考虑本文所提出的方式方法，通过智能化的知识转移手段，将其它项目的盾构施工知识，转移与复用到仅有少量施工数据的当前项目上，提高项目初期模型的预测能力，从而在不确定性因素众多的施工过程中辅助操作与管理人员进行高效的判断与决策。
四、边际贡献与未来拓展
本文提出了一种基于特征差异增强的多源域迁移学习框架MTFF，该研究对于学术界和工业界都具有一定的贡献。在多源域知识迁移的理论研究中，本文所设计的MTFF框架能够提取到域共性知识和域特殊知识，拓展了多源域迁移学习的知识利用类型，从而提升了对源项目可用知识的利用率。在多源域知识迁移的工业应用中，本文将所提MTFF方法应用于真实案例数据， MTFF能够精准地预测到盾构姿态轨迹变化大小，可以辅助盾构司机进行纠偏操作，有效规避由于盾构姿态偏差过大造成的施工事故，保障盾构施工过程安全并提高隧道建成质量。
未来拓展：虽然该模型在本文中仅用于处理盾构掘进位置偏差预测问题，但它可以很容易地扩展到其他工程项目装备管理场景中，如预测装备的掘进速率、预测电力负荷以及诊断故障等。此外，尽管本文设计的框架表现出良好的预测性能，但仍然是采用深度学习和迁移学习等技术手段实现工程装备项目知识转移的初步探索，在以下方面还能进行改进：（1）可转移源项目数量的阈值影响了源项目和目标项目的最大分布差异，但如何设置适当的阈值仍然是需要探索的。（2）本文仅使用了源项目知识模型在目标项目数据上的预测效果，作为源项目和目标项目相似性度量的参考标准，接下来可能需要进一步从人员、机器、材料、工法、环境等多个维度来衡量项目相似度，优化候选源项目的选择。
五、写作、投稿过程的心得体会
我们团队从2020年起开始关注大型工程装备知识的跨项目转移问题。团队多次到工程施工现场实地调研，与工程施工人员、管理人员及时沟通，与此同时梳理现有研究工作，确定最初的选题框架。我们进行了大量的实验工作并对论文进行了多轮的修改打磨，历时2年多形成了所提交的文章。
2023年5月，我们把论文投稿到《系统工程理论与实践》接受审稿。我们收到了三位匿名审稿专家提出的宝贵意见，这些意见对于稿件质量的提升有很大地帮助。在每一次修改过程中，团队成员都认真思考了审稿专家们的意见，并对所有意见进行修改和回复。2023年9月，我们接收到了《系统工程理论与实践》的稿件录用通知。
在写作、投稿、修改的整个过程中，团队全员通力协作，不断改进所提出的技术方法，打磨锤炼这篇文章，也不断修炼调理着心性和意志，功不唐捐、玉汝于成，整个过程虽漫长艰辛，但幸有所获。
最后，衷心感谢《系统工程理论与实践》编辑部各位编辑与审稿专家的辛勤劳动与建设性意见，我们团队将继续深耕工程装备项目知识转移的相关研究，在学术创新和工业实践上更上一层楼!
本文摘编自《系统工程理论与实践》2024年,第44卷,第3期论文《基于特征差异增强的工程装备知识跨项目多源域迁移学习研究》（点击题目链接全文）；
作者：徐进1,2, 副教授,博士生导师, 研究方向:信息管理、项目管理、智能交通、大数据分析与人工智能；赵慧祺1,2, 硕士研究生,研究方向:信息管理,大数据分析；张泽慧1,2, 硕士研究生,研究方向:信息管理,大数据分析；刘盾1,2，教授,博士生导师,研究方向:大数据决策分析
1. 西南交通大学 经济管理学院, 成都 610000;
2. 西南交通大学 服务科学与创新四川省重点实验室, 成都 610031