CN110069893A - 一种基于多项式回归的盾构机掘进参数的预测方法 - Google Patents

一种基于多项式回归的盾构机掘进参数的预测方法 Download PDF

Info

Publication number
CN110069893A
CN110069893A CN201910382960.1A CN201910382960A CN110069893A CN 110069893 A CN110069893 A CN 110069893A CN 201910382960 A CN201910382960 A CN 201910382960A CN 110069893 A CN110069893 A CN 110069893A
Authority
CN
China
Prior art keywords
data
regression
model
shield machine
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910382960.1A
Other languages
English (en)
Inventor
苏叶茂
段文军
路桂珍
章龙管
屈鸿
刘绥美
冯赟杰
周生喜
白江涛
李恒
龚晓林
廖珂
谭友荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
China Railway Engineering Service Co Ltd
Original Assignee
University of Electronic Science and Technology of China
China Railway Engineering Service Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China, China Railway Engineering Service Co Ltd filed Critical University of Electronic Science and Technology of China
Priority to CN201910382960.1A priority Critical patent/CN110069893A/zh
Publication of CN110069893A publication Critical patent/CN110069893A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明公开了一种基于多项式回归的盾构机掘进参数的预测方法。本发明首次将基于机器学习的大数据处理方法应用于盾构工程数据的处理中，通过将盾构工程大数据经过清洗和统计处理后经过机器学习方法进行特征学习的方法，借助于机器学习算法的数据高层特征抽取能力，对运行参数和运行效率高效建模，从而对工程中盾构的参数调节做出指导性的建议，具有人工智能的特性。

Description

一种基于多项式回归的盾构机掘进参数的预测方法
技术领域
本发明涉及一种基于多项式回归的盾构机掘进参数的预测方法。
背景技术
近年来，随着城市经济的快速发展，城市建设逐渐向空间扩展，地铁成为各个城市发展的重点。盾构机由于具有全封闭、快掘进、同时衬砌等优点，被广泛应用在地铁隧道施工工程。在均匀、单一的地层中，盾构法隧道施工因其掘进方式单一、掘进参数稳定，所以施工技术相对比较简单；但在复合地层中，由于地层的结构多变导致需要不断调整盾构机的掘进参数使其维持在一个稳定、高效的掘进速度上。而如何实现这一目标，在保证质量的前提下提高推进速度，是需要迫切解决的核心问题。
盾构机推进速度无论从宏观还是微观的角度分析都受众多因素影响，表现为典型的复杂非线形特征。为了提高推进速度预测精度，人们研究了多种预测方法，如通过研究刀盘扭矩、刀具布置对盾构机掘进的影响，但盾构机在掘进过程中参数众多，常见的参数如刀盘扭矩、刀盘压力、刀盘转速、推进压力等这些参数之间会相互影响，最终反映到掘进速度上。长久以来，盾构机掘进过程通过人工专家对盾构机掘进过程中的各种参数进行标定和分析，这种模式虽然稳定可靠，但人工经验的传授需要大量的时间，且无法根据地质段的微小变化进行实时的调整，这使得整个盾构机掘进过程的效率还有着较大的提升空间。
多项式回归可以处理相当一类非线性问题，它在回归分析中占有重要的地位，因为任一函数都可以分段用多项式来逼近。因此，在通常的实际问题中，不论依变量与其他自变量的关系如何，总可以用多项式回归来进行分析。因此通过使用多项式回归，发现可以有效的提高推进速度，预测掘进参数，能够有效地解决在复合地层中施工遇到的部分问题。
发明内容
本发明的目的是，针对上述问题，提供了一种基于多项式回归的盾构机掘进参数的预测方法。本发明的方案是基于多项式回归，多项式回归的最大优点就是可以通过增加x的高次项对实测点进行逼近，直至满意为止。事实上，多项式回归可以处理相当一类非线性问题，它在回归分析中占有重要的地位，因为任一函数都可以分段用多项式来逼近。因此，在通常的实际问题中，不论依变量与其他自变量的关系如何，总可以用多项式回归来进行分析。
为了便于理解本发明的技术方案，对本发明方案中采用的多项式回归技术进行以下说明：
研究一个因变量与一个或多个自变量间多项式的回归分析方法，称为多项式回归(Polynomial Regression)。如果自变量只有一个时，称为一元多项式回归；如果自变量有多个时，称为多元多项式回归。在一元回归分析中，如果依变量y与自变量x的关系为非线性的，但是又找不到适当的函数曲线来拟合，则可以采用一元多项式回归。
多项式回归的最大优点就是可以通过增加x的高次项对实测点进行逼近，直至满意为止。事实上，多项式回归可以处理相当一类非线性问题，它在回归分析中占有重要的地位，因为任一函数都可以分段用多项式来逼近。因此，在通常的实际问题中，不论依变量与其他自变量的关系如何，总可以用多项式回归来进行分析。
多项式回归在回归分析中很重要，因为任意一个函数至少在一个较小的范围内都可以用多项式任意逼近，因此在比较复杂的实际问题中，有时不问y与诸元素的确切关系如何，而用回归分析进行分析运算。
本发明的技术方案为：
步骤1:采集样本数据，结合实际的施工经验和历史数据记录，采集待预测盾构机型号的一段挖掘历史数据。历史数据包括所该盾构机的环号、总功率、刀盘扭矩、刀盘压力、刀盘转速、推进压力、总推进力、泡沫混合液当前累计量、左中土仓压力、左上土仓压力、左下土仓压力、右下土仓压力、右中土仓压力以及当前推进速度；
步骤2：将样本数据进行数据分和数据处理。
数据分析阶段对原始数据进行了数据降维、相关性分析与特征提取，并对提取特征的数据做了全面解析。数据处理阶段主要是对上述处理后的数据进行数据平滑操作。经过以上处理后，将会去除原始数据中不完整、不一致的边缘数据，提取出相关性较高的特征，从而提高数据质量和模型对数据的利用率。采用最大最小法分别对上述数据进行归一化处理,转化为[0,1]之间的值。
步骤3：在整个模型训练过程中,可以将参数分为观察指标和预测指标，观察指标为多项式回归模型中的自变量，其代表当前盾构机所处的状态的已知参数值，预测指标为多项式回归中的因变量，其代表在需要通过多项式回归模型所填补的未知量。通过建立的模型,利用观测指标作为输入最终得到预测指标。
步骤4：通过步骤3中模型获取的预测指标的预测值与该指标真实记录值进行比较,推导出训练集中每个样本的误差值以及回归算法的误差；其中,对于回归算法J,训练集中的列误差值则被称为误差J；
步骤5：采用分析方法将回归算法中的误差进行加权处理,通过加权回归组合构成集成回归预测模型；
步骤6：在训练完成后，将步骤5中的集成回归算法运用接入在掘进的盾构机的实时反馈数据中，将实时观察指标输入模型，得到实时的预测指标值，用于指导盾构机掘进。
本发明的有益效果为：
一、首次将基于机器学习的大数据处理方法应用于盾构工程数据的处理中，有别于基于统计的数据挖掘方法。
二、提出了将盾构工程大数据经过清洗和统计处理后经过机器学习方法进行特征学习的方法，借助于机器学习算法的数据高层特征抽取能力，对运行参数和运行效率高效建模，从而对工程中盾构的参数调节做出指导性的建议，具有人工智能的特性。
三、基于多项式回归预测参数，能够拟合非线性可分的数据，更加灵活的处理复杂的关系。利用机器学习强大的数据拟合学习能力可以实现有效提高盾构的运行效率，因此将机器学习应用于对工程效率的提升问题上是本发明的主要优点。
附图说明
图1为本发明的数据分析内容；
图2为本发明的数据处理内容；
图3为本发明的多项式回归模型的接收指标；
图4为本发明基于多项式回归的参数预测结果图
具体实施方式
下面将以预测指标为掘进速度为例并结合附图详细描述明本发明的技术方案。
为了直观体现本发明方案的实用性，在以下方案中，将数据同时分为训练集合测试集，通过对测试集的测试，来证明本发明方案的实用性；
基于多项式回归的盾构机掘进参数的预测方法如下所示：
(1)采集样本数据，结合实际的施工经验和历史数据记录，采集某市特定机型盾构机型号的一段挖掘历史数据。将样本数据进行数据分和数据处理。数据分析阶段，如图1，对原始数据进行了数据降维、相关性分析与特征提取，并对提取特征的数据做了全面解析。数据处理阶段，如图2，主要是对上述处理后的数据进行数据平滑操作。经过以上处理后，将会去除原始数据中不完整、不一致的边缘数据，提取出相关性较高的特征，从而提高数据质量和模型对数据的利用率。
(2)采用最大最小法分别对训练集和测试集进行归一化处理，最大最小法也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0，1]之间。转换函数如下：其中max为样本数据的最大值，min为样本数据的最小值。这种方法有个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。
(3)在所述训练集的操作过程中，通过建立的模型，多项式回归的方程为：
其中X是大小为m*(k+1)的矩阵，θ是大小为(k+1)*1的向量。然后利用接收指标预测推进速度，采用回归算法分别在特定子集上对训练集中的样本进行预测。其中模型的接收指标具体如图3所示。
(4)通过比较上述步骤(3)中模型获取的预测值与真实的推进速度值，推导出训练集中每个样本的误差值以及回归算法的误差。其中，对于回归算法J，训练集中的列误差值则被称为误差J。采用鲁棒加权最小二乘(robust weighted least square，RWLS)算法估算系数，以获得最小化加权均方误差(WSSE)，定义为
式中ui为标准残差，指每个响应点对应的测试误差，最终判断是否满足误差平方和最小，即WSSE最小,那么算法停止，最后通过MATLAB中nlinfit函数求解系数。
(5)采用分析方法将回归算法中的误差进行加权处理，通过加权回归组合构成集成回归预测模型。
(6)将步骤(5)中的集成回归算法运用于实际掘进环境测试中，检测基于训练集所得出的模型预测关系的准确性。具体数据是选取了某市某地某区间共计1693环的数据作为样本数据进行训练，并预测以后50环的数据。预测结果如图4所示。

Claims (2)

1.一种基于多项式回归的盾构机掘进参数的预测方法，其特征在于，包括以下步骤：
S1、对待预测的盾构机，根据其历史施工记录采集样本数据，所述样本数据包括该盾构机的环号、总功率、刀盘扭矩、刀盘压力、刀盘转速、推进压力、总推进力、泡沫混合液当前累计量、左中土仓压力、左上土仓压力、左下土仓压力、右下土仓压力、右中土仓压力；
S2、对样本数据进行数据分析和数据处理，所述数据分析是对样本数据进行数据降维、相关性分析与特征提取，所述数据处理是对数据分析后获得的数据进行数据平滑操作，从而去除原始数据中不完整、不一致的边缘数据，并提取出相关性较高的特征数据，构成训练数据，同时对训练数据进行归一化处理；
S3、将数据分为观测指标和预测指标，将观测指标作为输入，预测指标作为输出，通过建立多项式回归模型预测输入变量和输出变量的关系；在多项式回归中，设最高次方的次数为n，且只有一个特征时，建立多项式回归模型为：
方程可以改写成向量化的形式：
其中X是大小为m*(n+1)的矩阵，m为样本数，即输入特征变量，θ是大小为(n+1)*1的向量，即模型要学习的参数,为模型输出的预测指标。在这里虽然只有一个特征x以及x的不同次方，但是也可以将x的高次方当做一个新特征。
S4、根据训练数据,采用回归算法对建立的回归模型进行训练，获得回归模型的拟合系数。
S5、通过训练好的回归模型，对盾构机的推进速度进行实际预测。
2.根据权利要求1所述的一种基于多项式回归的盾构机掘进参数的预测方法，其特征在于，还包括：
S6、将获得的预测指标与盾构机的实时推进速度值进行比较，对回归模型进行反馈调整，具体为：
根据比较结果，推导出训练集中每个样本的误差值以及回归算法的误差，对于回归算法J，训练集中的列误差值则被称为误差J，采用损失函数进行评估线性函数的好坏，损失函数定义为：
其中，θ为模型要学习的参数，m为样本数，损失函数J(θ)也就是对每个样本hθ(x(i))的估计值与真实值y(i)差的平方进行求和，得到整个样本预测的值跟真实值之间的差距和损失，寻找最优线性函数的问题即转化为求解最小损失函数的问题，由此来求解模型的参数；
S7、采用分析方法将回归算法中的误差进行加权处理，通过加权回归组合构成集成回归预测模型；
S8、在训练完成后，将步骤5中的集成回归算法运用接入在掘进的盾构机的实时反馈数据中，将实时观察指标输入模型，得到实时的预测指标值，用于指导盾构机掘进。
CN201910382960.1A 2019-05-09 2019-05-09 一种基于多项式回归的盾构机掘进参数的预测方法 Pending CN110069893A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910382960.1A CN110069893A (zh) 2019-05-09 2019-05-09 一种基于多项式回归的盾构机掘进参数的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910382960.1A CN110069893A (zh) 2019-05-09 2019-05-09 一种基于多项式回归的盾构机掘进参数的预测方法

Publications (1)

Publication Number Publication Date
CN110069893A true CN110069893A (zh) 2019-07-30

Family

ID=67370412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910382960.1A Pending CN110069893A (zh) 2019-05-09 2019-05-09 一种基于多项式回归的盾构机掘进参数的预测方法

Country Status (1)

Country Link
CN (1) CN110069893A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110704963A (zh) * 2019-09-16 2020-01-17 南京坤拓土木工程科技有限公司 一种优化土压平衡式盾构机掘进参数的快速方法
CN111444591A (zh) * 2019-12-19 2020-07-24 西南交通大学 软土土压平衡盾构隧道掘进速度确定方法及装置
CN111488694A (zh) * 2020-04-16 2020-08-04 盾构及掘进技术国家重点实验室 基于多元线性自回归的泥水盾构机掘进关键参数预测方法
CN111946398A (zh) * 2020-08-17 2020-11-17 南京工业大学 一种复合地层盾构掘进效率现场预测计算方法
CN112016193A (zh) * 2020-08-07 2020-12-01 震坤行工业超市(上海)有限公司 一种盾构机系统的润滑失效在线预测方法及系统
CN112160364A (zh) * 2020-08-10 2021-01-01 中交第二航务工程局有限公司 一种基于tpot的铣槽机施工设定参数推荐方法
CN113254738A (zh) * 2021-04-27 2021-08-13 深圳坤湛科技有限公司 烧成曲线的自适应预测方法、设备及计算机存储介质
CN115017459A (zh) * 2022-05-24 2022-09-06 浙江大学 一种结合最小二乘法和梯度下降法的机动目标轨迹实时预测方法
CN116185500A (zh) * 2022-11-22 2023-05-30 南京工业大学 盾构掘进参数变量复杂度分组抽样多进程预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631150A (zh) * 2016-01-05 2016-06-01 石家庄铁道大学 复合地层情况下盾构掘进参数的优化方法
CN107248026A (zh) * 2017-05-23 2017-10-13 南京工业大学 应用等效岩体基本质量指标预测盾构掘进参数的定量方法
CN108710732A (zh) * 2018-05-02 2018-10-26 华中科技大学 一种盾构刀具服役期磨损的可视化评估和预测方法
CN108846521A (zh) * 2018-06-22 2018-11-20 西安电子科技大学 基于Xgboost的盾构施工不良地质类型预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631150A (zh) * 2016-01-05 2016-06-01 石家庄铁道大学 复合地层情况下盾构掘进参数的优化方法
CN107248026A (zh) * 2017-05-23 2017-10-13 南京工业大学 应用等效岩体基本质量指标预测盾构掘进参数的定量方法
CN108710732A (zh) * 2018-05-02 2018-10-26 华中科技大学 一种盾构刀具服役期磨损的可视化评估和预测方法
CN108846521A (zh) * 2018-06-22 2018-11-20 西安电子科技大学 基于Xgboost的盾构施工不良地质类型预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李超等: "基于BP神经网络的复合地层盾构掘进参数预测与分析", 《土木工程学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110704963A (zh) * 2019-09-16 2020-01-17 南京坤拓土木工程科技有限公司 一种优化土压平衡式盾构机掘进参数的快速方法
CN110704963B (zh) * 2019-09-16 2020-06-26 南京坤拓土木工程科技有限公司 一种优化土压平衡式盾构机掘进参数的快速方法
CN111444591A (zh) * 2019-12-19 2020-07-24 西南交通大学 软土土压平衡盾构隧道掘进速度确定方法及装置
CN111488694A (zh) * 2020-04-16 2020-08-04 盾构及掘进技术国家重点实验室 基于多元线性自回归的泥水盾构机掘进关键参数预测方法
CN112016193A (zh) * 2020-08-07 2020-12-01 震坤行工业超市(上海)有限公司 一种盾构机系统的润滑失效在线预测方法及系统
CN112016193B (zh) * 2020-08-07 2021-05-04 震坤行工业超市(上海)有限公司 一种盾构机系统的润滑失效在线预测方法及系统
CN112160364A (zh) * 2020-08-10 2021-01-01 中交第二航务工程局有限公司 一种基于tpot的铣槽机施工设定参数推荐方法
CN111946398A (zh) * 2020-08-17 2020-11-17 南京工业大学 一种复合地层盾构掘进效率现场预测计算方法
CN113254738A (zh) * 2021-04-27 2021-08-13 深圳坤湛科技有限公司 烧成曲线的自适应预测方法、设备及计算机存储介质
CN115017459A (zh) * 2022-05-24 2022-09-06 浙江大学 一种结合最小二乘法和梯度下降法的机动目标轨迹实时预测方法
CN116185500A (zh) * 2022-11-22 2023-05-30 南京工业大学 盾构掘进参数变量复杂度分组抽样多进程预测方法
CN116185500B (zh) * 2022-11-22 2023-08-01 南京工业大学 盾构掘进参数变量复杂度分组抽样多进程预测方法

Similar Documents

Publication Publication Date Title
CN110069893A (zh) 一种基于多项式回归的盾构机掘进参数的预测方法
Xu et al. Prediction of tunnel boring machine operating parameters using various machine learning algorithms
Koopialipoor et al. Predicting tunnel boring machine performance through a new model based on the group method of data handling
Yang et al. Automated recognition model of geomechanical information based on operational data of tunneling boring machines
CN110096827B (zh) 一种基于深度神经网络的盾构机参数优化方法
Bang et al. Context-based information generation for managing UAV-acquired data using image captioning
Zhang et al. An AIoT-based system for real-time monitoring of tunnel construction
Wang et al. Prediction of axis attitude deviation and deviation correction method based on data driven during shield tunneling
Wang et al. An integrated parameter prediction framework for intelligent TBM excavation in hard rock
CN110490100A (zh) 基于深度学习的岩土自动识别定名方法及系统
Xiao et al. Prediction of shield machine posture using the GRU algorithm with adaptive boosting: A case study of Chengdu Subway project
Mokhtari et al. White-box regression (elastic net) modeling of earth pressure balance shield machine advance rate
Zhu et al. Performance Evaluation Indicator (PEI): A new paradigm to evaluate the competence of machine learning classifiers in predicting rockmass conditions
CN109766335A (zh) 基于分类回归决策树算法的盾构施工地质识别方法及系统
CN109242171A (zh) 一种基于bim和rs-svr的盾构施工地表沉降预测方法
CN104636761A (zh) 一种基于多层分割的图像语义标注方法
KR20180116922A (ko) 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법
Mikaeil et al. An extended multifactorial fuzzy prediction of hard rock TBM penetrability
CN105225227A (zh) 遥感影像变化检测的方法及系统
CN106650622A (zh) 基于混合lbf形状回归模型的挖掘机工作状态识别方法
CN115239108B (zh) 一种基于tbm实时破岩数据的软弱破碎围岩感知方法
CN110084322A (zh) 一种基于神经网络的盾构机掘进参数的预测方法
Yu et al. Enhancing earth pressure balance tunnel boring machine performance with support vector regression and particle swarm optimization
CN113255990A (zh) 盾构法隧道施工开挖面土质实时预测系统及方法
CN116084892B (zh) 一种基于模糊神经网络的自动射孔系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination