基于kriging模型的TBM推进力主要影响因素的识别方法技术

本发明专利技术公开了一种基于kriging模型的TBM推进力主要影响因素的识别方法：收集TBM掘进过程中现场所记录的数据；确定数据中影响TBM推进力的推进力有关参数，构建数据集；确定数据集中的样本数据和目标变量；根据样本数据和目标变量以及样本数据的分布构建Kriging推进力模型，根据样本数据引入径向基函数，其包括未知参数；运用遗传优化算法进行求解，得到目标函数取得最优结果所对应的未知参数；对未知参数进行大小排序，确定其对应推进力有关参数的影响顺序，识别出对推进力有主要影响的参数。本发明专利技术为TBM在掘进过程推进力建模提供参考，保证TBM推进力模型的正确性，提高TBM掘进过程中的建模效率。

【技术实现步骤摘要】
基于kriging模型的TBM推进力主要影响因素的识别方法
本专利技术涉及隧道掘进机
，具体的说涉及一种基于kriging模型的TBM推进力主要影响因素的识别方法。
技术介绍
硬岩隧道掘进已经成为各类隧道掘进的一般方式，全断面岩石隧道掘进机(Tunnelboringmachine，TBM)被用于不同的地质条件下的隧道掘进，同时要求其具有更高的效率和合理的动力进行掘进。在TBM掘进过程中，掘进载荷中的推进力是一个很重要的参数，它对刀盘上刀具的寿命，结构的优化设计，掘进效率的提高，整体的经济成本估计有很大影响。使得对TBM掘进载荷中的推进力进行建模显得尤为重要。然而在对推进力进行建模过程中，其相关特征众多，计算量大，耗费时间长等等，成为了对推进力建模的一个限制，所以在对推进力进行建模过程中，识别对其推进力的主要影响特征或因素，去除对推进力影响较小的因素，可以在建模过程中实现特征降维，提高计算速度，提升推进力模型精度。TBM施工过程中的传感器和检测设备，可以提供广泛的实时质量测量数据，其中包括设备运行过程中关键控制变量信息，例如掘进速度，贯入度，撑靴压力、顶护盾压力等。而确定这些影响本文档来自技高网...

【技术保护点】
1.一种基于kriging模型的TBM推进力主要影响因素的识别方法，其特征在于具有如下步骤：S1、收集TBM掘进过程中现场所记录的数据；S2、确定步骤S1收集的数据中影响TBM推进力的推进力有关参数，构建与推进力有关参数的数据集；S3、确定步骤S2得到的数据集中的样本数据和目标变量；S4、根据步骤S3确定的样本数据和目标变量以及步骤S3确定的样本数据的分布构建Kriging推进力模型，根据步骤S3确定的样本数据引入径向基函数，所述径向基函数包括未知参数θi；S5、运用遗传优化算法进行求解，得到目标函数取得最优结果所对应的未知参数θi；S6、对步骤S5得到的未知参数θi进行大小排序，确定其对应推...

【技术特征摘要】
1.一种基于kriging模型的TBM推进力主要影响因素的识别方法，其特征在于具有如下步骤：S1、收集TBM掘进过程中现场所记录的数据；S2、确定步骤S1收集的数据中影响TBM推进力的推进力有关参数，构建与推进力有关参数的数据集；S3、确定步骤S2得到的数据集中的样本数据和目标变量；S4、根据步骤S3确定的样本数据和目标变量以及步骤S3确定的样本数据的分布构建Kriging推进力模型，根据步骤S3确定的样本数据引入径向基函数，所述径向基函数包括未知参数θi；S5、运用遗传优化算法进行求解，得到目标函数取得最优结果所对应的未知参数θi；S6、对步骤S5得到的未知参数θi进行大小排序，确定其对应推进力有关参数的影响顺序，识别出对推进力有主要影响的参数。2.根据权利要求1所述的方法，其特征在于：所述步骤S1的具体步骤如下：对TBM掘进周期进行划分，识别每一个掘进周期中的有效数据，完成对掘进周期的识别，将其每一个掘进周期中的数据进行统一数据格式，并收集。3.根据权利要求1所述的方法，其特征在于：所述步骤S2之前，需对步骤S1收集的数据进行处理，具体步骤如下：数据的筛选：针对TBM掘进过程中遇到的突发情况和数据缺失采取如下措施：a.数据剔除：根据TBM掘进过程中的特点，以掘进时间和掘进距离为参考，其掘进速度v，刀盘转速n，推进力F和刀盘扭矩T为评价指标，当四者乘积为零值时，对所对应的数据样本...

【专利技术属性】
技术研发人员：王林涛，李杰，孙伟，栾鹏龙，彭翔，张伟越，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21