基于数据驱动支持向量回归机的TBM刀具寿命预测方法技术

本发明专利技术涉及隧道挖掘机技术领域，具体的说涉及一种基于数据驱动支持向量回归机的TBM刀具寿命预测方法，包括如下步骤：1.收集TBM刀具挖掘现场的数据；2.确定影响TBM刀具寿命的驱动因子，建立驱动因子的样本数据集作为训练集；3.构建多核支持向量回归机的预测模型，输入训练集，对所述预测模型进行训练从而确定各核函数所对应的最优参数以及惩罚函数C和不敏感损失函数参数ε；4.确定预测模型的最佳核函数；5.将待预测刀具的驱动因子的样本数据集作为预测样本集，输入预测模型，得出预测结果。本发明专利技术提供一种基于数据驱动支持向量回归机的TBM刀具寿命预测方法，选用大量现场挖掘的数据作为参变量，并在此基础上构建了基于支持向量回归机的模型，提高了预测道具寿命的精度。

TBM tool life prediction method based on data driven support vector regression

The present invention relates to the technical field of tunnel excavator, in particular to a method for predicting TBM tool life data driven based on support vector regression, which comprises the following steps: 1. to collect field data mining tool TBM; 2. to determine the influence of driving factors of TBM tool life, build the sample data set up driving factors as the training set; 3. to construct prediction model of multi kernel support vector regression, the input training set, so as to determine the optimal parameters corresponding to each kernel function and penalty function and C insensitive loss function parameters to train the prediction model; 4. to determine the optimal kernel function prediction model; 5. will be the prediction sample data driving factor of the tool as the prediction sample set, input prediction model, obtained the forecasting results. The present invention provides a method for predicting TBM tool life data driven based on support vector regression, selection of a large number of field data mining as a variable, and based on support vector regression model based on the improved prediction accuracy of tool life.

【技术实现步骤摘要】
基于数据驱动支持向量回归机的TBM刀具寿命预测方法
本专利技术涉及隧道掘进机
，具体的说涉及一种基于数据驱动支持向量回归机的TBM刀具寿命预测方法。
技术介绍
随着城市的快速发展，地铁作为立体交通的重要组成部分，成为解决城市拥堵的有效方式，拥有巨大的发展潜力。城市地质条件一般呈现多样性，针对硬岩隧道施工的全断面隧道掘进机(TunnelBoringMachine，TBM)，是集开挖、支护、出渣于一体的成套先进掘进设备，施工过程中刀具消耗巨大，而且更换刀具耗时耗力影响工期，能否缩短更换刀具的时间成为高效利用TBM的重要因素。对每把刀具磨损做准确预测，能够为TBM施工方找到节约成本的着力点，弥补TBM刀具寿命预测和刀具调度方面理论的不足。影响刀具磨损的因素复杂，主要分为静态因素和动态因素两大方面，静态因素包括刀具的成分、刀具的形状、安装的角度等，动态因素包括实际地质因素和人员操作因素等。当前国内外对TBM刀具磨损的研究，只是从力学和制作材料方面进行了研究，在动态因素研究方面没有实际的进展。而在实际中一旦TBM制造出来，静态因素我们是无法改变的，因此研究实际地质因素和人员操作因素对刀具磨损具有非常重要的实际意义。
技术实现思路
为了解决上述技术问题，本专利技术提供一种基于数据驱动支持向量回归机的TBM刀具寿命预测方法，选用大量现场挖掘的数据作为参变量，并在此基础上构建了基于支持向量回归机的模型，提高了预测道具寿命的精度。为了实现上述目的，本专利技术采用如下技术方案：一种基于数据驱动支持向量回归机的TBM刀具寿命预测方法，包括如下步骤：(1)收集TBM刀具挖掘现场的数据；(2)确定影响TBM刀具寿命的驱动因子，建立驱动因子的样本数据集作为训练集；(3)构建多核支持向量回归机的预测模型，输入训练集，对所述预测模型进行训练从而确定各核函数所对应的最优参数以及惩罚函数C和不敏感损失函数参数ε；(4)确定预测模型的最佳核函数；(5)将待预测刀具的驱动因子的样本数据集作为预测样本集，输入预测模型，得出预测结果。进一步地，所述的步骤(1)之后，步骤(2)之前还包括步骤(11)对收集的数据进行处理，所述的处理过程包括：(111)数据集成：把不同来源、格式、特点和性质的数据集中起来，统一数据格式；(112)数据清洗：针对施工遇到的突发状况和数据缺失采取如下措施，a.数据剔除：如果某刀数据出现数据异常的部分少于5％，则只剔除出现异常的部分数据，如果数据丢失超过30％，则将该刀号数据全部剔除；b.数据补全：利用人工填充、均值替换的方法补全部分异常的数据；(113)数据均值归一化：将数据的每个维度归一化为均值为0、方差为1且正态分布的数据集。进一步地，所述步骤(2)中确定的影响TBM刀具寿命的驱动因子有里程、岩石等级、刀盘推力、刀片磨损量、刀盘转速、掘进速度、半径和刀具损坏量。进一步地，所述步骤(2)中影响TBM刀具寿命的驱动因子是通过灰色关联分析法对收集的数据进行处理确定的。进一步地，所述步骤(4)是通过采用K-折交叉验证增加训练样本量，并利用网格搜索法使各组核函数的参数相互解耦从而确定该预测模型的各核函数所对应的最优参数。进一步地，所述步骤(5)中构建的多核支持向量回归机的预测模型的核函数包括多项式核函数、Gauss径向基核函数和多层感知机核函数。进一步地，所述预测模型的最佳核函数为多层感知机核函数。本文基于数据驱动支持向量回归机预测模型，以挖掘数据构建模型，弥补了以往只能从力学分析角度预测正常磨损导致刀具损坏的不足。此模型省略传统建模中寻找因子关系的过程，避免了复杂关系难表达的问题，提高了预测刀具寿命的精度。为操作员安排刀具的调度提供了理论指导，缩短了工期。本文以某市某条地铁挖掘中的记录数据为训练集，结合K-交叉检验与网格搜索寻找最优参数，最终确立的核函数为径向基核函数，预测的下一阶段刀具寿命与实际数据对比，通过误差可发现误差范围控制在4.5％以内，说明能够用这些简单易获取的数据预测刀具的寿命。附图说明图1为SVR参数选择的等高线图；图2为SVR参数选择的3D视图；图3为1号刀具测试集的实际寿命和测试集预测寿命图。具体实施方式下面结合具体实施方式详细介绍本专利技术的内容：数据驱动：数据驱动是在大数据的基础上产生的，它需要利用大数据的技术手段，对企业海量的数据进行分析处理，挖掘出这些海量数据的蕴含的价值，从而指导企业进行生产、销售、经营、管理。支持向量机回归机的原理：支持向量机(supportvectormachine,SVM)是CorinnaCortes等于1995年首先提出的,它在解决小样本、非线性以及高维识别中表现出了很多的优势。支持向量机方法是依据统计学习理论中的VC维理论和结构风险最小理论建立的，依据有限的样本信息在模型的复杂性(对特定训练样本的学习精度)和学习能力(无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的泛化能力)。统计学习的目标从经验风险最小化变为了寻求经验风险与置信风险的和最小，即结构风险最小,泛化误差界的公式为：其中R(ω)就是真实风险,Remp(ω)就是经验函数,就是置信区间。支持向量机针对分类问题和回归问题可以分为支持向量分类机和支持向量回归机(SVR)。本文主要运用了SVR做刀具寿命的预测，SVR作为一种处理非线性拟合回归的模型，主要是对训练数据的待预测向量与支持向量构建对应关系，对测试数据中的待预测向量进行仿真预测。对于信息集，假设给训练S＝{(x1,x2...xk,y1),(x1,x2...xk,y2)…(x1,x2...xk,yl)}，其中k代表样本的特征数量，l代表样本的个数，SVR根据内积核函数定义的非线性变换把数据映射到高维空间，在高维空间完成回归拟合，如下：其中为特征空间，ω为权重系数，c为偏置项。根据上文提到的结构误差最小化原则，ω和c可以根据求下面的函数实现最小化。式中：|f(xj)-yj|为损失函数，为了使‖ω‖2欧拉范数最小，也为了避免拟合误差的精度超出预定设置，加入松弛变量和进行调节，式(2)的优化问题就转变成了约束最小化问题，化简后得到：满足为了解决问题式(3)，引入拉格朗日乘子aj,ηj,构建拉格朗日方程。对拉格朗日函数分别求ω,b,ξj,的偏导数(值为0)。把求得的结果代入拉格朗日方程中，式(3)变成了：满足经过变换，问题变成了求解凸二次规划的的问题，按照解决二次规划的方法，最终的模型为：其中为核函数，xi表示训练样本的向量，x为测试样本的向量。针对不同的问题，选择不同核函数的精度差距很大，所以能否选择合适的核函数成为影响预测精度的关键因素。针对特定问题选择对应的核函数没有统一的方法，只能多次试验后对比，常用的核函数主要有：多项式核函数：K(xi,x)＝[γ(xi·x)+coef]d其中：d为多项式的阶，coef为偏执系数。RBF核函数(Gauss径向基核函数)K(xi,x)＝exp(-γ‖xi-x‖2)其中：γ表示核函数的半径。多层感知机核函数(Sigmoid核函数)K(xi,x)＝tanh(γ(xi·x)+coef)不同的核函数和函数内部的参数对SVR模型的精度有重要的影响。当训练样本的特征矩阵是高维时，多项式核函数中的d很大，会导致计算复杂度高，不容本文档来自技高网...

【技术保护点】
基于数据驱动支持向量回归机的TBM刀具寿命预测方法，其特征在于，包括如下步骤：(1)收集TBM刀具挖掘现场的数据；(2)确定影响TBM刀具寿命的驱动因子，建立驱动因子的样本数据集作为训练集；(3)构建多核支持向量回归机的预测模型，输入训练集，对所述预测模型进行训练从而确定各核函数所对应的最优参数以及惩罚函数C和不敏感损失函数参数ε；(4)确定预测模型的最佳核函数；(5)将待预测刀具的驱动因子的样本数据集作为预测样本集，输入预测模型，得出预测结果。

【技术特征摘要】
1.基于数据驱动支持向量回归机的TBM刀具寿命预测方法，其特征在于，包括如下步骤：(1)收集TBM刀具挖掘现场的数据；(2)确定影响TBM刀具寿命的驱动因子，建立驱动因子的样本数据集作为训练集；(3)构建多核支持向量回归机的预测模型，输入训练集，对所述预测模型进行训练从而确定各核函数所对应的最优参数以及惩罚函数C和不敏感损失函数参数ε；(4)确定预测模型的最佳核函数；(5)将待预测刀具的驱动因子的样本数据集作为预测样本集，输入预测模型，得出预测结果。2.根据权利要求1所述的基于数据驱动支持向量回归机的TBM刀具寿命预测方法，其特征在于：所述的步骤(1)之后，步骤(2)之前还包括步骤(11)对收集的数据进行处理，所述的处理过程包括：(111)数据集成：把不同来源、格式、特点和性质的数据集中起来，统一数据格式；(112)数据清洗：针对施工遇到的突发状况和数据缺失采取如下措施，a.数据剔除：如果某刀数据出现数据异常的部分少于5％，则只剔除出现异常的部分数据，如果数据丢失超过30％，则将该刀号数据全部剔除；b.数据补全：利用人工填充、均值替换的方法补全部分异常的数据；(113)数据均值归一化：将数据的每个维...

【专利技术属性】
技术研发人员：施红忠，
申请(专利权)人：中铁十八局集团隧道工程有限公司，
类型：发明
国别省市：重庆,50