一种基于PCA-SVM的盾构机故障数据清洗方法及装置制造方法及图纸

本发明专利技术公开了一种基于PCA

【技术实现步骤摘要】
一种基于PCA
‑
SVM的盾构机故障数据清洗方法及装置


[0001]本专利技术涉及盾构机的数据处理领域，特别涉及一种基于PCA
‑
SVM的盾构机故障数据清洗方法及装置。

技术介绍

[0002]目前，随着社会的不断发展，人们对铁路、水利等复杂工程的需求不断地增加，对工程的安全性要求也不断地提升。盾构机是一种大型的高科技综合施工设备，它专门用来挖掘隧道，进行地下施工，具有开挖快、优质、安全、经济等优点。因此盾构机在隧道、水利工程等领域具有很大的应用潜力。而做好盾构机的故障诊断对于工程安全、进度和成本具有重要意义。
[0003]一般来说，在盾构机的工作过程中，其一般的故障种类包括液压系统故障、电器元件损坏、电机无法启动、变频调速系统故障、PLC故障、变压器故障、刀盘磨损等故障类型。而对上述故障类型的判断模型的建立一般是由盾构机运行过程中的各种掘进参数来确定的，这些掘进参数包括刀盘扭矩、掘进速度、总推力、注浆量、注浆压力、贯入度等。在进行故障诊断模型的建立时，主要利用以上状态参量。上述状态参量总数多且繁杂，且所使用数据一般存在过拟合现象，从而导致诊断器泛化能力低且诊断精度不高。

技术实现思路

[0004]鉴于上述问题，提出了本专利技术提供一种基于PCA
‑
SVM的盾构机故障数据清洗方法及装置，可解决目前的盾构机故障诊断模型泛化能力低、诊断精度不高的问题。
[0005]第一方面，本专利技术实施例提供一种基于PCA
‑
SVM的盾构机故障数据清洗方法，包括：
[0006]S10、获取待诊断盾构机运行过程中的各状态参量数据集：
[0007]S20、利用PCA算法对所述各状态参量数据集进行降维处理，完成一次数据清洗；
[0008]S30、利用SVM算法对PCA算法降维后的状态参量中的故障数据进行二次清洗。
[0009]在一个实施例中，S20步骤包括：
[0010]S201、根据所述各状态参量数据集，构造状态参量矩阵；所述状态参量矩阵中的每个状态参量均包括多个数据样本；
[0011]S202、对每个所述状态参量中的每个数据样本进行标准化处理，得到标准化处理之后的状态参量数据集；
[0012]S203、计算并获得所述标准化处理之后的状态参量数据集的相关系数矩阵；
[0013]S204、根据所述相关系数矩阵，获得所述相关系数矩阵的特征值和特征向量；
[0014]S205、根据所述特征值和特征向量，求取贡献率并得到降维后的状态参量矩阵，完成一次数据清洗。
[0015]在一个实施例中，S201步骤中，构造状态参量矩阵如下：
[0016]X＝{R1,R2,R3
…
Rm}，R表示状态参量，m表示状态参量总数；
[0017]其中，每个状态参量共包含数据样本数为n个，即：
[0018][0019]r表示数据样本。
[0020]在一个实施例中，S202步骤中，对每个所述状态参量中的每个数据样本进行标准化处理：
[0021][0022]其中，μ＝E(Rj),表示Rj状态参量数据的均值；σ＝D(Rj)表示Rj状态参量数据的方差；i∈[1,2,3,
…
n]；j∈[1,2,3,
…
m]；
[0023]经过上式(1)处理得到标准化处理之后的状态参量数据：
[0024][0025]其中，表示X集合中第j个状态参量标准化处理之后的状态参量；则所有状态参量的标准化处理之后的状态参量数据集：
[0026][0027]数据集中，每一个子集的均值均为0。
[0028]在一个实施例中，S203步骤包括：
[0029]计算数据集的相关系数矩阵P：
[0030]得到P为：
[0031]其中，
[0032]p
i,j
表示矩阵P中第i行、第j列的元素；i、j分别表示矩阵P中的行和列，取值范围为[1,m]；分别表示标准化数据集中第i列和第j列数据；cov表示协方差；表示求方差；表示求方差；表示求的均值；E(X
j
)表示求X
j
的均值。
[0033]在一个实施例中，S204包括：
[0034]根据下式计算相关系数矩阵P的特征值和特征向量：
[0035]|λI
‑
P|＝0
[0036]其中，λ表示待求特征值；I表示单位矩阵。
[0037]在一个实施例中，S205步骤包括：
[0038]求取贡献率并得到降维后的矩阵；定义贡献率如下：
[0039][0040]λ
k
表示第k个特征值；k的取值为[1,2,
…
m]；i表示序号，取值为[1,2,
…
m]；Q
count
(k)表示第k个主元的贡献率；定义累计贡献率如下：
[0041][0042]保留累计贡献率达到预设比例以上的前l个主元，得到新的相关系数矩阵P
new
；由此得到降维后的状态参量矩阵：X
new
＝X
·
P
new
[0043]P
new
表示相关系数矩阵；X表示状态参量矩阵；X
new
表示降维后的状态参量矩阵。
[0044]在一个实施例中，S30步骤包括：
[0045]S301、确定盾构机运行过程中的故障类型及故障发生时对应的状态参量数据，并根据不同故障类型对数据进行打标签；
[0046]S302、使用SVM算法对两种故障数据进行二分类，求出两种故障数据的分类超平面；
[0047]S303、计算所述两种故障数据点到所述超平面之间的距离；
[0048]S304、当所述距离小于预设阈值时，剔除对应的数据点，完成二次数据清洗。
[0049]第二方面，本专利技术实施例还提供一种基于PCA
‑
SVM的盾构机故障数据清洗装置，包括：
[0050]获取模块，用于获取待诊断盾构机运行过程中的各状态参量数据集：
[0051]降维处理模块，利用PCA算法对所述各状态参量数据集进行降维处理，完成一次数据清洗；
[0052]二次清洗模块，利用SVM算法对PCA算法降维后的状态参量中的故障数据进行二次清洗。
[0053]本专利技术实施例提供的上述技术方案的有益效果至少包括：
[0054]本专利技术实施例提供的一种基于PCA
‑
SVM的盾构机故障数据清洗方法，首先利用主成分分析(PCA)算法，降低盾构机运行过程中状态参量数据集的维度，减小数据集的繁杂度。之后利用SVM算法原理，利用分类得出的超平面方程，找出故障类型分类边界处不同故障类型的故障数据，将其剔除。经过以上两次数据清洗，找出了能正确盾构机运行过程中反应故障的状态参量，并剔除故障类型分类边界处的数据，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PCA
‑
SVM的盾构机故障数据清洗方法，其特征在于，包括：S10、获取待诊断盾构机运行过程中的各状态参量数据集：S20、利用PCA算法对所述各状态参量数据集进行降维处理，完成一次数据清洗；S30、利用SVM算法对PCA算法降维后的状态参量中的故障数据进行二次清洗。2.如权利要求1所述的一种基于PCA
‑
SVM的盾构机故障数据清洗方法，其特征在于，S20步骤包括：S201、根据所述各状态参量数据集，构造状态参量矩阵；所述状态参量矩阵中的每个状态参量均包括多个数据样本；S202、对每个所述状态参量中的每个数据样本进行标准化处理，得到标准化处理之后的状态参量数据集；S203、计算并获得所述标准化处理之后的状态参量数据集的相关系数矩阵；S204、根据所述相关系数矩阵，获得所述相关系数矩阵的特征值和特征向量；S205、根据所述特征值和特征向量，求取贡献率并得到降维后的状态参量矩阵，完成一次数据清洗。3.如权利要求2所述的一种基于PCA
‑
SVM的盾构机故障数据清洗方法，其特征在于，S201步骤中，构造状态参量矩阵如下：X＝{R1,R2,R3
…
Rm}，R表示状态参量，m表示状态参量总数；其中，每个状态参量共包含数据样本数为n个，即：r表示数据样本。4.如权利要求3所述的一种基于PCA
‑
SVM的盾构机故障数据清洗方法，其特征在于，S202步骤中，对每个所述状态参量中的每个数据样本进行标准化处理：其中，μ＝E(Rj),表示Rj状态参量数据的均值；σ＝D(Rj)表示Rj状态参量数据的方差；i∈[1,2,3,
…
n]；j∈[1,2,3,
…
m]；经过上式(1)处理得到标准化处理之后的状态参量数据：其中，表示X集合中第j个状态参量标准化处理之后的状态参量；则所有状态参量的标准化处理之后的状态参量数据集：
数据集中，每一个子集的均值均为0。5.如权利要求4所述的一种基于PCA
‑
SVM的盾构机故障数据清洗方法，其特征在于，S203步骤包括：计算数据集的相关系数矩阵P：得到P为：其中，p
i,j
表示矩阵P中第i行、第j列的元素；i、j分别表示矩阵P中的行和列，取值范围为[1,m]；分别表示标...

【专利技术属性】
技术研发人员：徐恒吉，杨民强，陈建福，陈鹏，周胜利，郭建豪，刘辉，刁目松，谢旭，孙小玉，高永军，张超，杨帆，
申请(专利权)人：中铁十四局集团大盾构工程有限公司，
类型：发明
国别省市：