一种基于机器学习的TBM新建工程数据增强方法技术

本发明专利技术提供了一种基于机器学习的TBM新建工程数据增强方法。该方法包括对历史工程和新建工程TBM循环段中关键破岩参数数据进行数据清洗；对历史工程清洗后的TBM关键破岩参数采用转换不变量进行转换；将经过转换不变量转换后的历史工程关键破岩数据和新建工程掘进初期的少量数据进行合并，统一到新建工程数据的框架下，得到数据增强后的新数据集；利用机器学习模型对所示新数据集进行训练，验证所述新数据集的准确性。本发明专利技术通过不变量转换，将不同工程的数据统一到同一个框架下进行数据增强，从而起到新建工程施工初期增加数据量的作用。用。用。

【技术实现步骤摘要】
一种基于机器学习的TBM新建工程数据增强方法


[0001]本专利技术涉及数据增强
，尤其涉及一种基于机器学习的TBM新建工程数据增强方法。

技术介绍

[0002]TBM(Tunnel Boring Machine，隧道掘进机)已经成为长大隧道掘进的利器。同时随着传感器技术的发展，一台TBM在掘进过程中会采集上百种信号，以引松工程TBM“永吉号”为例，该设备直径7.92m，以1Hz频率存储包含桩号、刀盘扭矩、刀盘推力、刀盘转速、推进速度和贯入度等在内的199列信号数据，至施工结束完备地记录了近八百天不同工况的施工数据，至掘进结束已经形成了200多亿条的大数据，给机器学习带来了便利。
[0003]根据TBM施工步骤，一个完整的循环段可以划分为空推段、上升段、稳定段和下降段，其中上升段和稳定段的数据至关重要，尤其是根据上升段和稳定段之间数据的相关性，利用上升段数据进行数据挖掘建立机器学习模型对稳定段的刀盘扭矩和刀盘推力的预测，分析与研究这些数据，可以实现操作参数的优化、围岩性质的判别、以及塌方预警等，从而实现TBM的辅助驾驶。但是在TB本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的TBM新建工程数据增强方法，其特征在于，包括：对历史工程和新建工程TBM循环段中关键破岩参数数据进行数据清洗；对历史工程清洗后的TBM关键破岩参数采用转换不变量进行转换；将经过转换不变量转换后的历史工程关键破岩数据和新建工程掘进初期的少量数据进行合并，统一到新建工程数据的框架下，得到数据增强后的新数据集；利用机器学习模型对所示新数据集进行训练，验证所述新数据集的准确性。2.根据权利要求1所述的方法，其特征在于，所述的对历史工程和新建工程TBM循环段中关键破岩参数数据进行数据清洗，包括：基于TBM循环段划分工作，对历史工程和新建工程TBM循环段中上升段、稳定段的关键破岩参数数据进行数据清洗；所述TBM关键破岩参数包括：刀盘推力(F)、刀盘扭矩(T)、刀盘转速(n)和推进速度(v)；所述数据清洗工作包括：对异常值、空缺值进行处理，对持续时间小于设定时间的的循环段予以删除；所述异常值处理为：对由推进油缸收缩导致的负值和传感器失灵导致的超高值，数据量为1，则由上下行数据均值替换；数据量≥1，则进行行间删除；所述空缺值处理为：对由传感器失灵导致的采集失败的数据，数据量为1，则由上下行数据均值填充；数据量≥1，则进行行间删除。3.根据权利要求1所述的方法，其特征在于，所述的对历史工程清洗后的TBM关键破岩参数采用转换不变量进行转换，包括：所述历史工程清洗后的数据集由上升段数据集和稳定段数据集组成；一个循环段数据的上升段数据和稳定段数据分布储存为CSV文件，上升段数据集由所有的循环段的上升段关键破岩参数数据CSV文件组成，稳定段数据集由所有的循环段的稳定段关键破岩参数数据CSV文件组成；设置历史工程清洗后的TBM关键破岩参数的转换不变量包括：刀盘推力转换不变量刀盘扭矩转换不变量和刀盘转速转换不变量n
V
；所述刀盘推力转换不变量刀盘扭矩转换不变量的计算过程包括：(1)假定边刀、过渡滚刀和正滚刀与中心双联滚刀的额定承载力一致且刀具受力一致；(2)假定边刀、过渡...

【专利技术属性】
技术研发人员：李旭，李海波，王玉杰，王双敬，李建斌，武雷杰，荆留杰，李鹏宇，原继东，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：