CN109543268A - 基于kriging模型的TBM推进力主要影响因素的识别方法 - Google Patents

Abstract

本发明公开了一种基于kriging模型的TBM推进力主要影响因素的识别方法：收集TBM掘进过程中现场所记录的数据；确定数据中影响TBM推进力的推进力有关参数，构建数据集；确定数据集中的样本数据和目标变量；根据样本数据和目标变量以及样本数据的分布构建Kriging推进力模型，根据样本数据引入径向基函数，其包括未知参数；运用遗传优化算法进行求解，得到目标函数取得最优结果所对应的未知参数；对未知参数进行大小排序，确定其对应推进力有关参数的影响顺序，识别出对推进力有主要影响的参数。本发明为TBM在掘进过程推进力建模提供参考，保证TBM推进力模型的正确性，提高TBM掘进过程中的建模效率。

Description

基于kriging模型的TBM推进力主要影响因素的识别方法

技术领域

本发明涉及隧道掘进机技术领域，具体的说涉及一种基于kriging模型的TBM推进力主要影响因素的识别方法。

背景技术

硬岩隧道掘进已经成为各类隧道掘进的一般方式，全断面岩石隧道掘进机(Tunnel boring machine，TBM)被用于不同的地质条件下的隧道掘进，同时要求其具有更高的效率和合理的动力进行掘进。在TBM掘进过程中，掘进载荷中的推进力是一个很重要的参数，它对刀盘上刀具的寿命，结构的优化设计，掘进效率的提高，整体的经济成本估计有很大影响。使得对TBM掘进载荷中的推进力进行建模显得尤为重要。然而在对推进力进行建模过程中，其相关特征众多，计算量大，耗费时间长等等，成为了对推进力建模的一个限制，所以在对推进力进行建模过程中，识别对其推进力的主要影响特征或因素，去除对推进力影响较小的因素，可以在建模过程中实现特征降维，提高计算速度，提升推进力模型精度。

TBM施工过程中的传感器和检测设备，可以提供广泛的实时质量测量数据，其中包括设备运行过程中关键控制变量信息，例如掘进速度，贯入度，撑靴压力、顶护盾压力等。而确定这些影响因素和推进力的内在联系，建立一个能反映固有规律的推进力模型对TBM设备的设计，控制和安全运行具有重要意义。TBM在施工过程中，根据现场所记录的施工数据，在对推进力进行建立模型时，可以识别对推进力有主要影响的参数，提取所记录数据中的有价值的信息，来为推进力模型的建立做出前期数据信息的预处理。因此，一种基于kriging模型的TBM推进力主要影响因素的识别方法亟待研发。

发明内容

根据上述提出的技术问题，而提供一种基于kriging模型的TBM推进力主要影响因素的识别方法。本发明采用的技术手段如下：

一种基于kriging模型的TBM推进力主要影响因素的识别方法，具有如下步骤：

S1、收集TBM掘进过程中现场所记录的数据；

S2、确定步骤S1收集的数据中影响TBM推进力的推进力有关参数，构建与推进力有关参数的数据集；

S3、确定步骤S2得到的数据集中的样本数据和目标变量；

S4、根据步骤S3确定的样本数据和目标变量以及步骤S3确定的样本数据的分布构建Kriging推进力模型，根据步骤S3确定的样本数据引入径向基函数，所述径向基函数包括未知参数θ_i，即构建Kriging模型中包含有未知参数θ_i；

S5、运用遗传优化算法进行求解，得到目标函数取得最优结果所对应的未知参数θ_i；

S6、对步骤S5得到的未知参数θ_i进行大小排序，确定其对应推进力有关参数的影响顺序，识别出对推进力有主要影响的参数。

所述步骤S1的具体步骤如下：对TBM掘进周期进行划分，识别每一个掘进周期中的有效数据，完成对掘进周期的识别，将其每一个掘进周期中的数据进行统一数据格式，并收集。

所述步骤S2之前，需对步骤S1收集的数据进行处理，具体步骤如下：

数据的筛选：针对TBM掘进过程中遇到的突发情况和数据缺失采取如下措施：

a.数据剔除：根据TBM掘进过程中的特点，以掘进时间和掘进距离为参考，其掘进速度v，刀盘转速n，推进力F和刀盘扭矩T为评价指标，当四者乘积为零值时，对所对应的数据样本进行剔除；

假设四者指标为零值时记为0，非零值时记为1，四者乘积为零值时记为0，即对数据进行剔除，当乘积为非零记为1，数据样本进行保留。

如下式所示

D＝f(F)·f(v)·f(T)·f(n) (2)

b.数据补全：在一个掘进周期中，利用均值替换的方法补全缺失和异常的数据样本；

归一化数值：将步骤S1收集的数据的每个维度不同取值范围的数据值的取值范围处理到0到1之间。

所述步骤S2中，通过分析TBM结构和掘进过程中的掘进受力，对步骤S1收集的数据特征进行提取，确定影响TBM推进力的推进力有关参数；

所述推进力有关参数包括前盾俯仰角、前盾滚动角、左侧护盾压力、右侧护盾压力、顶护盾压力、左侧后支撑压力、右侧后支撑压力、撑靴压力、刀盘喷水压力、刀盘转速检测值、贯入度、推进速度，左撑靴俯仰角、左撑靴滚动角、右撑靴俯仰角、右撑靴滚动角、主机皮带机转速、桥架皮带机转速和转渣皮带机转速。

所述步骤S3中确定的样本数据的样本数大于20n，n为推进力有关参数的个数，目标变量为推进力。

所述步骤S4中，所述径向基函数为高斯核函数，采用Kriging差值法进行对样本数据进行插值，采用最大似然估计来构建与样本数据最大概率相同分布的模型。

所述步骤S5中，根据使Kriging推进力模型预测值与实际值之间的误差最小，构建优化目标函数，其中对于已给样本数据，根据已有样本数据分布估计未知样本值，即根据样本数据的先验概率进行对未知样本数据进行最大后验概率估计，运用最大似然估计函数进行对推进力有关参数进行估计，并将优化目标函数转化为求最大似函数值的最大值。

采用相同的测试函数，采用sobol灵敏度分析法得到推进力有关参数的影响大小排序，同时运用基于kriging模型的TBM推进力主要影响因素的识别方法，得出推进力有关参数的影响大小排序，进一步证明本发明的可行性。

本发明使用TBM施工现场记录数据，构建kriging模型，使记录的数据得到充分的利用，得到记录数据参数对推进力的影响大小，为TBM在掘进过程推进力建模提供参考，保证TBM推进力模型的正确性，提高TBM掘进过程中的建模效率。

附图说明

为了更清楚地说明本发明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做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的具体实施方式中相关性随着θ的变化图。

图2是本发明的具体实施方式中推进力有关参数对推进力的影响Kriging模型θ权重占比分布图。

图3是本发明的具体实施方式中测试函数sobol全局灵敏度分析图。

图4是本发明的具体实施方式中测试函数Kriging模型θ权重占比分析图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

数据处理和分析是在大数据的基础上产生的，他需要利用大数据的技术手段，对企业还量数据进行分析处理，挖掘出这些海量数据的蕴含的价值，从而为我们实现一定的目的。

Kriging模型的原理：

Kriging模型的函数表达式为下式：

其中，x表示已知样本点的数据，y(x)表示未知样本点的函数值，f_j(x)表示已知的近似函数，β_j是它的系数，z(x)表示随机高斯过程函数，其均值为0，方差为σ²，

E(z(x))＝0 (5)

E(z(x_i)z(x_j))＝σ²R(θ,x_i,x_j) (6)

其中R(θ,x_i,x_j)是关于x_i和x_j的相关函数，θ相关系数，是未知参数θ_i的集合。

假设有m个样本点，使(f(x)＝(f₁(x),f₂(x),...,f_p(x))^T，β＝(β₁,β₂,...,β_p)^T，Z＝(z₁,z₂,...,z_p)^T，F＝(f(x₁),f(x₂),...,f(x_m))^T)则对未知样本点的未知函数可以用下面表达式表示：

Y＝Fβ+Z (7)

假设所建立的模型没有偏差，并且已知的拟合函数对已知点的拟合完全正确，响应来自高斯分布，则Y-Fβ服从多维元正态分布，记为：Y-Fβ～N(0,∑)，其中∑＝σ²R_θ，参数σ²和β是使用最大似然估计(MLE)获得的，对应的似然函数为如下所示：

则对应的对数似然函数为：

根据上式对数似然函数，分别对σ²和β求导，并将其导数置于零，可得σ²：

而其中的参数θ_i(θ_i＞0)通过最大化式子得到

其中最大化上式(11)通过遗传优化算法得到。

主要参数识别原理：

其Kriging中所用的R(θ,x_i,x_j)相关函数一般为径向基函数组成的相关矩阵组成。

相关矩阵为式(12)：

其中k为推进力有关参数的个数，p_j为参数，高斯分布一般取值为p_j＝2.。

图1表明了θ对相关性的影响，当θ值较低时，表明Y(x^(j))跟样本点有很高的相关性，与已知的样本相似，然而当θ值较高时，表明Y(x^(j))之间存在显著差异，因此考虑用θ_i视为衡量所接近的函数的“活跃度”的指标。即当θ_i的值较低时，表明其对应的参数对函数影响作用小，当θ_i值较大时，由于其与已知样本点有较大差异，表明其对应的参数对函数影响大。故可以把θ_i作为建模过程中衡量有关参数影响大小的指标。即θ_i的大小排序对应其参数影响大小的排序。

一种基于kriging模型的TBM推进力主要影响因素的识别方法，具有如下步骤：

S1、收集TBM掘进过程中现场所记录的数据；

本实施例主要是以某供水隧道工程为研究对象，首先要收集TBM掘进过程中的现场挖掘数据，因为挖掘现场记录的数据来源不同，格式也不同，其特点和性质也不同，因此在数据收集中，统一数据格式是必须的，同时由于在数据记录过程中，针对掘进过程中遇到的突发情况，可能造成数据的缺失和突变，需要对缺失的数据进行补充和剔除。在数据的补充和剔除方面，将采用按掘进周期进行对数据处理，对TBM掘进周期进行划分，识别每一个掘进周期中的有效数据，完成对掘进周期的识别，将其每一个掘进周期中的数据进行统一数据格式，并收集；

在一个掘进周期中，将缺失的数据进行用平均值进行补充，数据的补全是通过人工填充，均值替换的方法补全不异常的数据。为了在计算机中更好的运算以及消除其在建模初始前的数据特征数据对结果的影响，对其数据进行归一化处理，使其变换区间为[0，1]的范围；

S2、确定步骤S1收集的数据中影响TBM推进力的推进力有关参数，构建与推进力有关参数的数据集；

TBM在掘进过程中的推进力是多个阻力相互作用的结果。结合某供水隧道工程的挖掘现状，对其TBM掘进过程中的所受的阻力进行分析，可以分为三类，一是其刀盘与岩石之间的破岩阻力，二是其护盾与隧道壁的摩擦力，三是后续输送岩渣的装置。对于这些阻力，其TBM在掘进过程中的所记录的数据可以反应，通过对现场掘进过程中所记录的数据进行分析，确定有19个影响TBM推进力的推进力有关参数。如下表1所示。进一步TBM在推进过程中的推进油缸是具有周期回缩与伸出，因此数据的记录可以以掘进过程中的推进周期进行划分，故推进力的模型也是周期性进行建立的。

表1 19个有关的设计变量

S3、确定步骤S2得到的数据集中的样本数据和目标变量；

确定样本数为2383，目标变量为推进力F。其原始样本的部分原始数据如下表2所示，其归一化的部分结果如下表3所示；

表格2原始样本的部分原始数据

表格1原始样本进行归一化(部分数据)

S4、根据步骤S3确定的样本数据和目标变量以及步骤S3确定的样本数据的分布构建Kriging推进力模型，根据步骤S3确定的样本数据引入径向基函数，所述径向基函数包括未知参数θ_i；

径向基函数为

其中在求解过程中令p_j＝2，根据上述原理，只需求解θ_i。

S5、运用遗传优化算法进行求解，得到目标函数取得最优结果所对应的未知参数θ_i：

其中R(θ,x_i,x_j)中包含未知参数θ_i(θ是未知参数θ_i的集合)，上述最优结果由遗传优化算法得到；

S6、对步骤S5得到的未知参数θ_i进行大小排序，确定其对应推进力有关参数的影响顺序，识别出对推进力有主要影响的参数，分别为撑靴压力、贯入度、推进速度、顶护盾压力。

根据步骤S5，得出其各推进力有关参数所对应的θ_i，如下表4所示：

表格4各推进力有关参数所对应的θ_i值

为了更加明显的显示对推进力有主要影响的参数，计算对应的θ_i的权重占比，计算公式如下式(14)所示，计算结果如表4和图2表示。

根据上述分析可以知道对推进力有主要影响的参数有撑靴压力、贯入度、推进速度、顶护盾压力。

通过步骤S1-S6可以确定本实施例可以进行对主要影响参数的识别，为了进一步证明此方法的有效性，选用一个测试函数，分别运用sobol全局灵敏度分析法和本实施例进行比较，最后得出结论。选用的测试函数为式(13)

其中x_i∈[0,1](i＝1,2,3,4)，对上式(13)分别进行sobol全局灵敏度分析法分析的参数全局灵敏度和基于kriging模型的TBM推进力主要影响因素的识别方法进行分析，两者的分析结果如下表5所示，其中θ权重占比的计算公式如下式(14)所示；

其中k为推进力有关参数的个数。

表格5 sobol法和Kriging法的对应值

从上表5可以得出其基于kriging模型的TBM推进力主要影响因素的识别方法与Sobol法对参数的重要硬性分析结果一致，影响最大的两个参数分别是X1和X2。通过对比的相同结果可以进一步说明基于kriging模型的TBM推进力主要影响因素的识别方法具有可行性。为了定性比较其两者的结果，将θ其进行权重占比分析可得对测试函数有重要影响的因素有X1和X2。关于sobol法和基于kriging模型的TBM推进力主要影响因素的识别方法的主要影响参数分析结果如图3和图4所示。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种基于kriging模型的TBM推进力主要影响因素的识别方法，其特征在于具有如下步骤：

S1、收集TBM掘进过程中现场所记录的数据；

S2、确定步骤S1收集的数据中影响TBM推进力的推进力有关参数，构建与推进力有关参数的数据集；

S3、确定步骤S2得到的数据集中的样本数据和目标变量；

S4、根据步骤S3确定的样本数据和目标变量以及步骤S3确定的样本数据的分布构建Kriging推进力模型，根据步骤S3确定的样本数据引入径向基函数，所述径向基函数包括未知参数θ_i；

S5、运用遗传优化算法进行求解，得到目标函数取得最优结果所对应的未知参数θ_i；

S6、对步骤S5得到的未知参数θ_i进行大小排序，确定其对应推进力有关参数的影响顺序，识别出对推进力有主要影响的参数。

2.根据权利要求1所述的方法，其特征在于：所述步骤S1的具体步骤如下：对TBM掘进周期进行划分，识别每一个掘进周期中的有效数据，完成对掘进周期的识别，将其每一个掘进周期中的数据进行统一数据格式，并收集。

3.根据权利要求1所述的方法，其特征在于：所述步骤S2之前，需对步骤S1收集的数据进行处理，具体步骤如下：

数据的筛选：针对TBM掘进过程中遇到的突发情况和数据缺失采取如下措施：

a.数据剔除：根据TBM掘进过程中的特点，以掘进时间和掘进距离为参考，其掘进速度v，刀盘转速n，推进力F和刀盘扭矩T为评价指标，当四者乘积为零值时，对所对应的数据样本进行剔除；

b.数据补全：在一个掘进周期中，利用均值替换的方法补全缺失和异常的数据样本；

归一化数值：将步骤S1收集的数据的每个维度不同取值范围的数据值的取值范围处理到0到1之间。

4.根据权利要求1所述的方法，其特征在于：所述步骤S2中，通过分析TBM结构和掘进过程中的掘进受力，对步骤S1收集的数据特征进行提取，确定影响TBM推进力的推进力有关参数；

所述推进力有关参数包括前盾俯仰角、前盾滚动角、左侧护盾压力、右侧护盾压力、顶护盾压力、左侧后支撑压力、右侧后支撑压力、撑靴压力、刀盘喷水压力、刀盘转速检测值、贯入度、推进速度，左撑靴俯仰角、左撑靴滚动角、右撑靴俯仰角、右撑靴滚动角、主机皮带机转速、桥架皮带机转速和转渣皮带机转速。

5.根据权利要求1所述的方法，其特征在于：所述步骤S3中确定的样本数据的样本数大于20n，n为推进力有关参数的个数，目标变量为推进力。

6.根据权利要求1所述的方法，其特征在于：所述步骤S4中，所述径向基函数为高斯核函数。

7.根据权利要求6所述的方法，其特征在于：所述步骤S5中，根据使Kriging推进力模型预测值与实际值之间的误差最小，构建优化目标函数，其中对于已给样本数据，根据已有样本数据分布估计未知样本值，即根据样本数据的先验概率进行对未知样本数据进行最大后验概率估计，运用最大似然估计函数进行对推进力有关参数进行估计，并将优化目标函数转化为求最大似函数值的最大值。