基于机器学习的盾构机刀具磨损退化关联特征分析方法技术

提供了一种机器学习的盾构机刀具磨损退化关联特征分析方法，用于解决现有技术中存在的适用范围较窄的技术问题，同时提高对刀具健康状态监测和寿命预测的准确率，实现步骤包括：获取微风化地层下的原始特征数据集data3；获取数据资源集Data；构建LightGBM特征排序模型；获取重要特征子集Fea；对重要特征子集Fea进行离散化；对离散化的重要特征子集data_lsh进行关联规则挖掘；获取盾构机刀具磨损退化关联特征。本发明专利技术充分考虑所有采集的数据对盾构机刀具磨损的影响，适用范围广且准确率高。

Association feature analysis method of tool wear degradation for shield machine based on machine learning

【技术实现步骤摘要】
基于机器学习的盾构机刀具磨损退化关联特征分析方法
本专利技术属于机械设备维护
，涉及一种盾构机刀具磨损退化关联特征分析方法，具体涉及一种基于机器学习的盾构机刀具磨损退化关联特征分析方法，可用于对盾构机刀具刀盘故障表征参数的寻找和取值区间的估计。
技术介绍
随着城市地下空间的快速建设和发展以及隧道建设的需求不断增大，盾构法以其快速、安全、环保等固有优势在地下工程建设和隧道挖掘中得到了广泛应用。盾构机通过刀盘带动刀具来实现破岩，并把碎石沙土通过带入土仓后通过螺机运送到地面，从而在地下不断掘进，刀具是保证盾构机能正常可靠掘进以及高效运转的核心组件之一。但其在地下隧道施工中面临着许多复杂的工况，其中长距离复杂地层掘进、刀盘选型不合理、刀具设计不适应地质条件等原因导致刀具过度磨损及非计划换刀成为严重的工程问题之一，也是盾构法目前面临的主要难题之一。刀具磨损容易导致盾构刀具、刀盘甚至设备损坏，并且刀具更换还会影响工期进度，特别是在坚硬地质下如微风化地层的工程中刀具磨损问题更为突出，一旦处理不慎则会威胁生命安全、财产安全，这也是很多发达国家面临的共同的施工难题。因此，为了保障施工安全，提高施本文档来自技高网...

【技术保护点】
1.一种基于机器学习的盾构机刀具磨损退化关联特征分析方法，其特征在于包括如下步骤：(1)获取微风化地层下的原始特征数据集data3：(1a)提取盾构机SCADA系统中存储的PLC历史数据，并从中选取盾构机总推进力在区间Q，且刀盘转速大于0的数据data1，Q＝[10000,20000]，总推进力的单位为千牛；(1b)查找盾构机盾构区间的地质勘探记录中类型为微风化地层对应的环号h,并提取data1中与环号h对应的数据data2；(1c)将从盾构施工记录中提取的与环号h所对应的刀具健康状态作为标签值y,并将y添加到data2中，得到微风化地层下的原始特征数据集data3，data3＝{(data2...

【技术特征摘要】
1.一种基于机器学习的盾构机刀具磨损退化关联特征分析方法，其特征在于包括如下步骤：(1)获取微风化地层下的原始特征数据集data3：(1a)提取盾构机SCADA系统中存储的PLC历史数据，并从中选取盾构机总推进力在区间Q，且刀盘转速大于0的数据data1，Q＝[10000,20000]，总推进力的单位为千牛；(1b)查找盾构机盾构区间的地质勘探记录中类型为微风化地层对应的环号h,并提取data1中与环号h对应的数据data2；(1c)将从盾构施工记录中提取的与环号h所对应的刀具健康状态作为标签值y,并将y添加到data2中，得到微风化地层下的原始特征数据集data3，data3＝{(data2,y)}；(2)获取数据资源集Data：剔除原始特征数据集data3中的累计量特征和受盾构机司机控制影响的特征，得到数据资源集Data；(3)构建LightGBM特征排序模型：构建包括基学习器个数为num_tree、每个基学习器的最大深度为max_depth、箱子长度为max_bin的LightGBM特征排序模型A，num_tree≥100，max_depth≥5,max_bin≥len/4；(4)获取重要特征子集Fea；(4a)通过数据资源集Data对A进行训练，得到训练后的LightGBM特征排序模型B；(4b)对B中所有特征的分割次数进行降序排序，并将从Data中提取的与前a位分割次数对应的特征构成重要特征子集Fea，a≥20；(5)对重要特征子集Fea进行离散化：(5a)构建决策树深度为tree_depth的决策树模型R，并通过重要特征子集Fea对R进行训练，得到训练后的决策树模型S，其中，[log(tree_depth)]≤a，且tree_depth为整数，[·]表示向下取整；(5b)从训练后的决策树模型S中提取所有分割点及每个分割点对应的特征，并通过每一个分割点对其对应的特征进行分割，得到离散化的特征集Fea_lsh1；(5c)判断[log(tree_depth)]＝a是否成立,若是，将Fea_lsh1作为离散化的重要特征子集data_lsh，否则，执行步骤(5d)；(5d)对包含在Fea但不包含在Fea_lsh1中的特征进行等宽离散，离散为k个区间，得到特征子集Fea_lsh2，并将Fea_lsh1和Fea_lsh2组合后的数据集作为离散化的重要特征子集data_lsh，其中k≥4(6)对离散化的重要特征子集data_lsh进行关联规则挖掘：(6a)设定最小支持度为min_sup，最小置信度为min_conf，min_sup≥0.1，min_conf≥0.5；(6b)根据min_sup挖掘data_lsh的频繁项集fre，并根据min_conf从fre中挖掘强关联规则，得到强关联规则集Rules,其中Rules＝{ruleu|u＝1,2,3...len_rules}，len_rules为强关联规则的数目，ruleu＝Cu→Du，Cu为ruleu的前件，Cu中的每一个元素代表一个刀具磨损退化关联特征，Du为ruleu的后件，代表Cu对应的刀具健康状态；(7)获取盾构机刀具磨损退化关联特征：将Rules中所有关联规则的前件合并，得到刀具磨损退化关联特征集C，C＝{Cu|u＝1,2,3...,len_rules}。2.根据权利要求1所述的基于机器学习的盾构机刀具磨损退化关联特征分析方法，其特征在于：步骤(2)中所述的累计量特征和受盾构机司机控制影响的特征，其中：累计量特征，包括泡沫混合液总累计量、盾尾密封当前环累计量、注浆A液当前环累计量、盾尾密封总累计量、推进速度、注浆A液总累计量、电量环累计量、注浆右上A液当前环累计量、电量总累计量、注浆右下A液当前环累计量、VMT导向里程、注浆左下A液当前环累计量、VMT导向掘进环数、注浆左上A液当前环累计量、VMT导向推进油缸位移A、注浆B液当前环累计量、VMT导向推进油缸位移B、、注浆B液总累计量、VMT导向推进油缸位移C、注浆右上B液当前环累计量、VMT导向推进油缸位移D、注浆右下B液当前环累计量、注浆左下B液当前环累计量、螺机转速、注浆左上B液当前环累计量、膨润土流量设定、刀盘喷水当前环累计量、盾壳膨润土流量设定、刀盘喷水总累计量、膨润土当前环累计量、膨润土总累计量、、盾壳膨润土当前环累计量、盾壳膨润土总累计量、工作时间、刀盘当前累计工作时间、泡沫原液当前环累计量、刀盘总累计工作时间、泡沫原液总累计量、HBW密封油脂当前环累计量、工业水当前环累计量、HBW密封油脂总累计量、工业水总累计量、EP2润滑油脂当前环累计量、泡沫混合液当前环累计量、EP2润滑油脂总累计量；受盾构机司机控制影响的特征，包括刀盘转速设定、刀盘转速、推进压力A设定、A组推进压力、推进压力B设定、B组推进压力、推进压力C设定、C组推进压力、推进压力D设定、D组推进压力、螺机转速设定、A组推进位移、B组推进位移、C组推进位移、D组推进位移。3.根据权利要求1所述的基于机器学习的盾构机刀具磨损退化关联特征分析方法，其特征在于：步骤(4a)中所述的通过数据资源集Data对A进行训练，实现步骤为：(4a1)定义数据资源集Data＝{(xi,yi),i＝1,2,...,len}，其中,i为样本的序号，len为样本总个数，xi为第...

【专利技术属性】
技术研发人员：刘尧，孔宪光，刘振国，赵寄辰，陈改革，叶礼伦，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61