一种硬岩掘进机支护等级智能推荐方法技术

本发明专利技术公开了一种硬岩掘进机支护等级智能推荐方法，包括如下步骤：采集掘进数据及钢拱架支护类型数据；预处理掘进数据；将预处理后的掘进数据作为输入数据，根据掘进数据的桩号寻找对应桩号的钢拱架支护类型数据作为输出数据，建立钢拱架支护类型数据集；将钢拱架支护类型数据集随机分为训练集和测试集；基于智能分类算法并利用训练集数据建立钢拱架支护类型预测模型，将测试集数据输入钢拱架支护类型预测模型对钢拱架支护类型进行预测。本发明专利技术通过预测出的钢拱架支护类型可以实现当前掌子面情况的实时判断，便于提前做好支护方案和物料储备。

【技术实现步骤摘要】
一种硬岩掘进机支护等级智能推荐方法
本专利技术属于隧道工程隧道掘进机施工技术的
，具体涉及一种硬岩掘进机支护等级智能推荐方法。
技术介绍
隧道掘进机(TBM)施工具有安全、高效、环保等优点，已经成为长、大隧道施工的首选工法。TBM施工虽然高效，但其对地质条件的适应性较差，当遇到突发地质灾害时，TBM掘进受到的影响远大于传统施工工法，致使TBM掘进速度减缓、工期延迟，甚至会引发灾难性后果。对国内外大量TBM施工工程实例进行统计分析后，可以发现断层破碎带、突涌水、围岩大变形、岩爆是TBM施工中常见的工程地质问题，在施工过程中必须给予足够重视。在应对软岩大变形、塌方等不良地质时，选择合理的支护方式将大大降低施工风险。基于TBM施工项目的设备参数和钢拱架支护类型统计数据，建立钢拱架支护智能决策模型，一方面可以通过预测出的拱架间距对当前掌子面情况进行实时判断，另一方面可便于提前做好支护方案和物料储备。
技术实现思路
针对隧道掘进机掘进过程中钢拱架支护类型选择不合适可能会产生严重的施工风险问题，本专利技术提出了一种硬岩掘进机支护等级智能推荐方法，通过特征筛选与分类决策问题建模，实现了施工过程钢拱架支护类型智能决策的目标。为解决以上技术问题，本专利技术所采用的技术方案如下：一种硬岩掘进机支护等级智能推荐方法，包括如下步骤：S1，采集反映设备运行状态的隧道掘进机的掘进数据及对应的钢拱架支护类型数据；S2，对掘进数据进行数据预处理，剔除数据中的异常值；S3，将预处理后的掘进数据作为输入数据，并根据掘进数据的桩号寻找对应桩号的钢拱架支护类型数据作为输出数据，建立钢拱架支护类型数据集；S4，将钢拱架支护类型数据集随机分为训练集和测试集；S5，基于智能分类算法并利用训练集数据建立钢拱架支护类型预测模型，将测试集数据输入钢拱架支护类型预测模型对钢拱架支护类型进行预测。在步骤S1中，所述掘进数据包括顶护盾、左侧护盾、右侧护盾和撑靴的位移及压力数据、竖直偏差、水平偏差、滚动角、俯仰角，主机皮带机转速、主机皮带机泵电机电流、总推力、刀盘扭矩、推进速度或刀盘转速。在步骤S2中，所述掘进数据预处理包括如下步骤：a.基于掘进机是否处于正在掘进及刀盘接触掌子面后是否处于稳定掘进的状态，提取稳定段掘进数据；b.基于3σ准则对稳定段数据进行异常值剔除，即以稳定段数据均值替代超出μ±3σ的数据，其中μ为数据均值，σ为数据标准差；c.对稳定段数据进行中值滤波处理。在步骤S4中，所述训练集和测试集中的掘进数据是经特征重要度排序后，并对特征重要度排序后的掘进数据保留特征重要度占比超过80％的特征所得到；所述特征是指掘进数据中的顶护盾、左侧护盾、右侧护盾和撑靴的位移及压力数据、竖直偏差、水平偏差、滚动角、俯仰角，主机皮带机转速、主机皮带机泵电机电流、总推力、刀盘扭矩、推进速度或刀盘转速。所述特征重要度排序的实现方法为采用LightGBM算法，每一个特征的特征重要度是指LightGBM中所有决策树由对应特征进行节点划分所引起的Gini指数下降之和；；所述LightGBM是由M个基分类器经线性组合构建一个强分类器，所述强分类器FM(x)的计算公式为：其中，h(x)表示基分类器决策树，βm表示第m个分类器的权重系数，M表示基分类器的总个数，x表示掘进数据。所述基分类器决策树的决策树是一种非参数的有监督学习方法，决策树的构建过程通过选择使Gini指数下降程度最高的特征分割点以完成对节点的划分，Gini指数下降程度的计算公式为Gini(D)-Gini(D,A)；样本集D上概率分布的Gini指数Gini(D)的计算公式为：其中，D表示钢拱架支护类型数据集，K表示钢拱架支护类型的总分类数，pk表示第k类钢拱架支护类型的概率；在特征A的条件下，样本集D的Gini指数Gini(D,A)的计算公式为：其中，D1和D2分别表示选取样本集D中的特征A中的一个数据值后得到的两个子集。在步骤S5中，所述智能分类算法包括但不限于支持向量机、极限学习机或随机森林。所述训练集和测试集的数据是经过标准化的，所述标准化包括如下步骤：1)求出每个掘进数据的算术平均值μi和标准差σi；2)对每个掘进数据进行标准化处理；其中，xij为原始掘进数据，zij为标准化后的掘进数据。所述钢拱架支护类型预测模型对应的分类函数f(x)为：其中，wi表示第i个训练样本的权重系数，b表示偏置系数，l表示训练集的样本总数，k(x,xi)为核函数，xi表示第i个训练样本的掘进数据；若钢拱架支护类型的类别为k种，k种钢拱架支护类型对应于k个类别的样本，k个类别的样本构造出k个分类函数{f1(x)，f2(x)，…，fk(x)}；在确认未知样本分类时，将未知样本分别代入分类函数{f1(x)，f2(x)，…，fk(x)}中，得到不同钢拱架支护类型所对应的分类函数值，将未知样本分类为最大分类函数值所在的那一类钢拱架支护类型。本专利技术的有益效果：本专利技术通过对隧道掘进机掘进数据进行采集，同时对钢拱架支护类型进行统计，经过数据预处理、钢拱架支护类型数据集建立后，通过输入特征重要度对掘进数据特征进行筛选，大大缩短了建模时间，并在训练集数据上建立钢拱架支护预测模型，实现了施工过程钢拱架支护类型智能决策的目标；施工过程中通过预测出的钢拱架支护类型可以实现当前掌子面情况的实时判断，便于提前做好支护方案和物料储备。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的流程示意图。图2为经过LightGBM重要度排序后排名前20的特征。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。一种硬岩掘进机支护等级智能推荐方法，如图1所示，包括如下步骤：S1，采集反映设备运行状态的隧道掘进机的掘进数据及对应的钢拱架支护类型数据；所述掘进数据是通过将近200个传感器进行检测记录的隧道掘进机各功能模块的参数，采集频率为1次/秒，每天24h共完成86400次数据采集，只选取传感器记录数据中的总推力、刀盘扭矩、推进速度、刀盘转速、推进位移、刀盘转速电位器设定值、推进速度电位器设定值、贯入度、主机皮带机转速、主机皮带机泵电机电流、刀盘功率、左侧护盾位移、右侧护盾位移、顶护盾压力、左侧护盾压力本文档来自技高网...

【技术保护点】
1.一种硬岩掘进机支护等级智能推荐方法，其特征在于，包括如下步骤：/nS1，采集反映设备运行状态的隧道掘进机的掘进数据及对应的钢拱架支护类型数据；/nS2，对掘进数据进行数据预处理，剔除数据中的异常值；/nS3，将预处理后的掘进数据作为输入数据，并根据掘进数据的桩号寻找对应桩号的钢拱架支护类型数据作为输出数据，建立钢拱架支护类型数据集；/nS4，将钢拱架支护类型数据集随机分为训练集和测试集；/nS5，基于智能分类算法并利用训练集数据建立钢拱架支护类型预测模型，将测试集数据输入钢拱架支护类型预测模型对钢拱架支护类型进行预测。/n

【技术特征摘要】
1.一种硬岩掘进机支护等级智能推荐方法，其特征在于，包括如下步骤：
S1，采集反映设备运行状态的隧道掘进机的掘进数据及对应的钢拱架支护类型数据；
S2，对掘进数据进行数据预处理，剔除数据中的异常值；
S3，将预处理后的掘进数据作为输入数据，并根据掘进数据的桩号寻找对应桩号的钢拱架支护类型数据作为输出数据，建立钢拱架支护类型数据集；
S4，将钢拱架支护类型数据集随机分为训练集和测试集；
S5，基于智能分类算法并利用训练集数据建立钢拱架支护类型预测模型，将测试集数据输入钢拱架支护类型预测模型对钢拱架支护类型进行预测。


2.根据权利要求1所述的硬岩掘进机支护等级智能推荐方法，其特征在于，在步骤S1中，所述掘进数据包括顶护盾、左侧护盾、右侧护盾和撑靴的位移及压力数据、竖直偏差、水平偏差、滚动角、俯仰角，主机皮带机转速、主机皮带机泵电机电流、总推力、刀盘扭矩、推进速度或刀盘转速。


3.根据权利要求2所述的硬岩掘进机支护等级智能推荐方法，其特征在于，在步骤S2中，所述掘进数据预处理包括如下步骤：
a.提取掘进数据中的稳定段数据；
b.基于3σ准则对稳定段数据进行异常值剔除；
c.对稳定段数据进行中值滤波处理。


4.根据权利要求1-3任一项所述的硬岩掘进机支护等级智能推荐方法，其特征在于，在步骤S4中，所述训练集和测试集中的掘进数据是经特征重要度排序后，并对特征重要度排序后的掘进数据保留特征重要度占比超过80％的特征所得到；所述特征是指掘进数据。


5.根据权利要求4所述的硬岩掘进机支护等级智能推荐方法，其特征在于，所述特征重要度排序的实现方法为采用LightGBM算法，每一个特征的特征重要度是指LightGBM中所有决策树由对应特征进行节点划分所引起的Gini指数下降之和；所述LightGBM是由M个基分类器经线性组合构建一个强分类器，所述强分类器FM(x)的计算公式为：



其中，h(x)表示基分类器决策树，βm表示第m个分类器的权重系数，M表示基分类器的总个数，x表示掘进数据。

【专利技术属性】
技术研发人员：武颖莹，李建斌，王杜娟，李鹏宇，郑赢豪，荆留杰，杨晨，简鹏，杜孟超，
申请(专利权)人：中铁工程装备集团有限公司，
类型：发明
国别省市：河南;41