一种改善连续掘进盾构机掘进油缸应力集中的方法及系统技术方案

本发明专利技术属于盾构机优化技术领域，并具体公开了一种改善连续掘进盾构机掘进油缸应力集中的方法及系统

【技术实现步骤摘要】
一种改善连续掘进盾构机掘进油缸应力集中的方法及系统


[0001]本专利技术属于盾构机优化
，更具体地，涉及一种改善连续掘进盾构机掘进油缸应力集中的方法及系统，特别是涉及一种基于贝叶斯优化的
XGBoost
结合在线阿基米德优化方法的盾构管片安装场景下的油缸状态诊断与压力优化方法及系统
。

技术介绍

[0002]盾构机作为一类隧道施工设备，其在城市隧道
、
运输管道等领域有着较多的应用
。
盾构机主要的施工过程可以分为两个阶段，即隧道掘进阶段和管片安装阶段，前者主要完成岩土的开挖，保证隧道的空间尺寸，后者主要完成管道的铺设，保证隧道的结构样式
。
在以往的研究中，大多数研究均集中于隧道掘进阶段，通过各类先进的人工智能方法实现管片安装过程的可靠控制
。
然而，由于管片安装过程的复杂和各类安全事故频发，管片安装过程的高效控制也逐渐成为一个研究热点
。
特别是在管片安装时，由于部分管片拼装油缸需要缩回，可能会导致盾构机整体的失衡和部分油缸的应力集中，给管片和施工人员带来不利影响
。
在连续掘进盾构机中，由于管片安装和刀盘掘进同时进行，油缸应力集中现象更为明显
。
因此，如何准确识别油缸作业状态，并根据相应的场景进行油缸压力优化控制，保证盾构机的力学平衡和减少油缸的应力集中具有重要意义
。
[0003]多目标优化作为一类先进的工程决策方法，在各类控制问题中有较多的应用，特别是凭借其可靠
、
高效的优化结果，可以指导施工人员做出最佳决策
。
然而，由于管片安装是一类连续性的过程，传统的离线优化算法通常无法实时获得最优优化结果
。
因此，根据具体的管片安装场景，引入在线学习的思想，可以将优化结果实时反馈给油缸控制系统，保证整个管片安装过程油缸压力均处于安全可靠的区间
。
[0004]基于以上，针对连续掘进盾构机管片安装过程中油缸压力重分布优化这一研究，如何准确的分析不同油缸作业状态与各类管片安装场景，如何构建油缸压力优化模型并设计对应的优化目标函数，如何设计一套合适的在线多目标优化算法保证优化结果的实时可靠，是实现油缸压力重分布优化的关键问题
。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种改善连续掘进盾构机掘进油缸应力集中的方法及系统，针对连续掘进盾构机施工过程中存在的应力集中
、
盾体晃动
、
管片安装需求精度高等特点，引入在线优化这一关键思想，结合先进的状态诊断和在线优化方法，实现连续掘进盾构机管片安装过程的稳定
、
可靠，减少施工过程的应力集中现象
。
[0006]为实现上述目的，按照本专利技术的一个方面，提出了一种改善连续掘进盾构机掘进油缸应力集中的方法，包括以下步骤：
[0007]S1
根据管片安装与刀盘掘进的同步施工场景，分析管片安装过程中的不同管片形式以及对应的油缸作业状态，构建油缸动力学模型；
[0008]S2
根据油缸动力学模型确定连续掘进油缸施工场景的关键参数，构建基于
BO
‑
XGBoost
的油缸状态诊断模型；
[0009]S3
以油缸状态诊断模型为决策变量，以确保液压缸压力重新分配的效果和效率为目标函数，以油缸压力优化前后应实现力守恒和力矩守恒为约束条件，构建在线多目标场景优化的油缸压力优化模型；
[0010]S4
采用
TOPSIS
方法来筛选油缸压力优化模型的最优解，以获取最佳的油缸压力分布
。
[0011]作为进一步优选的，所述油缸动力学模型包括：
[0012]位于前盾
、
且与刀盘配合的开挖液压系统；以及
[0013]位于中盾
、
且通过管片安装液压系统和管片安装机完成管片安装的管片安装液压系统
。
[0014]作为进一步优选的，步骤
S2
包括以下步骤：
[0015]S21
根据连续掘进油缸施工场景的关键参数，构建基于
XGBoost
的油缸状态诊断模型，其中，所述油缸状态诊断模型的输入参数包括：掘进反力
、
油缸应力
、
拼装机角度，输出为油缸作业状态以及对用油缸作业状态下管片安装场景，然后采用贝叶斯优化算法来优化超参数，以获取优化的基于
BO
‑
XGBoost
的油缸状态诊断模型；
[0016]S22
根据油缸状态诊断模型诊断分类结果，引入精度
、
召回率
、F1
分数指标检验油缸状态诊断模型，用以衡量不同施工场景下的油缸状态诊断可靠性
。
[0017]作为进一步优选的，步骤
S21
中，所述油缸状态诊断模型中，
XGBoost
的正则化成本函数包括：
[0018][0019]式中，
i
是数据集的第
i
个样本，
F()
为损失函数，
m
是第
j
棵树的总数据，
n
是所有建立的树，
v
i
是真实的液压缸状态，为模型复杂度，
h
n
为第
n
个树模型的函数表达式
。
[0020]作为进一步优选的，步骤
S22
中，
[0021]所述精度模型包括：
[0022][0023][0024]所述召回率模型包括：
[0025][0026]所述
F1
分数指标模型包括：
[0027][0028]式中，
TP
i
是第
i
次分类中分类器预测结果为正样本，实际也为正样本，即正样本被正确识别的数量，
TN
i
是第
i
次分类中分类器预测结果为正样本，实际为负样本，即误报的负样本数量，
FP
i
是第
i
次分类中分类器预测结果为负样本，实际为负样本，即负样本被正确识别的数量，
FN
i
是第
i
次分类中分类器预测结果为负样本，实际为正样本，即漏报的正样本数量
。
[0029]作为进一步优选的，步骤
S3
中，所述目标函数包括：
[0030][0031]式中，
Y1
为第一个目标函数，该第一目标函数为重新分配后的液压缸压力的方差，
Y2
为第二目标函数，该第二目标函数为每个液压缸的压力变化前后的欧氏距离，
x
i...

【技术保护点】

【技术特征摘要】
1.
一种改善连续掘进盾构机掘进油缸应力集中的方法，其特征在于，包括以下步骤：
S1
根据管片安装与刀盘掘进的同步施工场景，分析管片安装过程中的不同管片形式以及对应的油缸作业状态，构建油缸动力学模型；
S2
根据油缸动力学模型确定连续掘进油缸施工场景的关键参数，构建基于
BO
‑
XGBoost
的油缸状态诊断模型；
S3
以油缸状态诊断模型为决策变量，以确保液压缸压力重新分配的效果和效率为目标函数，以油缸压力优化前后应实现力守恒和力矩守恒为约束条件，构建在线多目标场景优化的油缸压力优化模型；
S4
构建在线多目标阿基米德优化算法，并采用
TOPSIS
方法来筛选油缸压力优化模型的最优解，以获取最佳的油缸压力分布
。2.
根据权利要求1所述的一种改善连续掘进盾构机掘进油缸应力集中的方法，其特征在于，所述油缸动力学模型包括：位于前盾
、
且与刀盘配合的开挖液压系统；以及位于中盾
、
且通过管片安装液压系统和管片安装机完成管片安装的管片安装液压系统
。3.
根据权利要求1所述的一种改善连续掘进盾构机掘进油缸应力集中的方法，其特征在于，步骤
S2
包括以下步骤：
S21
根据连续掘进油缸施工场景的关键参数，构建基于
XGBoost
的油缸状态诊断模型，其中，所述油缸状态诊断模型的输入参数包括：掘进反力
、
油缸应力
、
拼装机角度，输出为油缸作业状态以及对用油缸作业状态下管片安装场景，然后采用贝叶斯优化算法来优化超参数，以获取优化的基于
BO
‑
XGBoost
的油缸状态诊断模型；
S22
根据油缸状态诊断模型诊断分类结果，引入精度
、
召回率
、F1
分数指标检验油缸状态诊断模型，用以衡量不同施工场景下的油缸状态诊断可靠性
。4.
根据权利要求3所述的一种改善连续掘进盾构机掘进油缸应力集中的方法，其特征在于，步骤
S21
中，所述油缸状态诊断模型中，
XGBoost
的正则化成本函数包括：式中，
i
是数据集的第
i
个样本，
F()
为损失函数，
m
是第
j
棵树的总数据，
n
是所有建立的树，
v
i
是真实的液压缸状态，为模型复杂度，
h
n
为第
n
个树模型的函数表达式
。5.
根据权利要求3所述的一种改善连续掘进盾构机掘进油缸应力集中的方法，其特征在于，步骤
S22
中，所述精度模型包括：所述精度模型包括：所述召回率模型包括：
所述
F1
分数指标模型包括：式中，
TP
i
是第
i
次分类中分类器预测结果为正样本，实际也为正样本，即正样本被正确识别的数量，
TN
i
是第
i
次分类中分类器预测结果为正样本，实际为负样本，即误报的负样本数量，
FP
i
是第
i
次分类中分类器预测结果为负样本，实际为负样本，即负样本被正确识别的数量，
FN
i
是第
i
次分类中分类器预测结果为负样本，实际为正样本，即漏报的正样本数量
。6.
根据权利要求1所述的一种改善连续掘进盾构机掘进油缸应力集中的方法，其特征在于，步骤
S3
中，所述目标函数包括：...

【专利技术属性】
技术研发人员：张立茂，李永胜，王堃宇，王开强，孙庆，王志云，冯文强，王迦淇，黄锦庭，邬毛志，朱晓冬，王畅，崔立山，肖仲华，吴贤国，邢朋飞，吴剑波，郭靖，刘汉凯，任文豪，
申请(专利权)人：中建三局集团有限公司，
类型：发明
国别省市：