CN110119551A - 基于机器学习的盾构机刀具磨损退化关联特征分析方法 - Google Patents

Abstract

提供了一种机器学习的盾构机刀具磨损退化关联特征分析方法，用于解决现有技术中存在的适用范围较窄的技术问题，同时提高对刀具健康状态监测和寿命预测的准确率，实现步骤包括：获取微风化地层下的原始特征数据集data3；获取数据资源集Data；构建LightGBM特征排序模型；获取重要特征子集Fea；对重要特征子集Fea进行离散化；对离散化的重要特征子集data_lsh进行关联规则挖掘；获取盾构机刀具磨损退化关联特征。本发明充分考虑所有采集的数据对盾构机刀具磨损的影响，适用范围广且准确率高。

Description

基于机器学习的盾构机刀具磨损退化关联特征分析方法

技术领域

本发明属于机械设备维护技术领域，涉及一种盾构机刀具磨损退化关联特征分析方法，具体涉及一种基于机器学习的盾构机刀具磨损退化关联特征分析方法，可用于对盾构机刀具刀盘故障表征参数的寻找和取值区间的估计。

背景技术

随着城市地下空间的快速建设和发展以及隧道建设的需求不断增大，盾构法以其快速、安全、环保等固有优势在地下工程建设和隧道挖掘中得到了广泛应用。盾构机通过刀盘带动刀具来实现破岩，并把碎石沙土通过带入土仓后通过螺机运送到地面，从而在地下不断掘进，刀具是保证盾构机能正常可靠掘进以及高效运转的核心组件之一。但其在地下隧道施工中面临着许多复杂的工况，其中长距离复杂地层掘进、刀盘选型不合理、刀具设计不适应地质条件等原因导致刀具过度磨损及非计划换刀成为严重的工程问题之一，也是盾构法目前面临的主要难题之一。刀具磨损容易导致盾构刀具、刀盘甚至设备损坏，并且刀具更换还会影响工期进度，特别是在坚硬地质下如微风化地层的工程中刀具磨损问题更为突出，一旦处理不慎则会威胁生命安全、财产安全，这也是很多发达国家面临的共同的施工难题。因此，为了保障施工安全，提高施工效率，对盾构机刀具磨损退化进行深入研究是十分必要的。

目前对于盾构机刀具磨损退化研究中的刀具健康状态监测和寿命预测，都需要运用刀具磨损退化关联特征来进行建模分析，对盾构机刀具磨损退化关联特征进行分析时，首先筛选出重要的参数，然后对这些参数进行关联分析，得到关联特征。由于盾构机是一个热电力耦合的复杂装备，而刀具作为盾构机的核心部件，其磨损退化关联特征受多方面因素的影响，且由于盾构机运行工况复杂，例如不同的刀盘结构、不同的地质类型、不同型号的盾构机、不同的刀具材料等，不同工况对盾构机刀具磨损的影响不同，导致盾构机运行过程中的参数数量十分庞大，对所有的参数都进行分析是不实际的，分析参数的选取往往依赖专家经验，且关联分析中的离散化过程，也是以来专家经验进行的，专家经验是业务专家在长期的盾构实践中总结得到的，并没有严谨的数学证明，且由于参数数量庞大，专家经验并不能把所有的因素考虑周全，具有片面性，因此往往只适用于特定工况条件的定性分析，把这些基于专家经验得到的参数用于关联特征分析只适用于特定的工况，适用范围较窄，且依靠专家经验的离散得到的离散化数据会丢失原始数据中的大量信息。例如青岛科技大学的赵春亮在2018年发表的硕士学位论文“盾构机刀具寿命的分析建模与应用”的第2章中提出的方法，根据盾构操作的实地考察，以及业务专家给出的检测参数，得出刀具磨损退化关联特征为刀盘推力，刀盘半径，刀盘扭矩，掘进速度，用这些特征建立寿命预测模型，通过该模型对盾构机刀具进行寿命预测，使刀具的维护方式从定期维护转变为预测性维护。该方法的不足之处在于其所得的特征仅仅为刀盘系统的部分参数，具有片面性，用这些特征进行寿命预测会导致结果不准确，而且这种基于专家经验的分析只能针对某一种特定工况，不能对不同工况条件进行分析，适用范围较窄。

盾构机的PLC数据、盾构区间地质勘探数据和盾构施工记录是盾构机在施工运行过程中非常宝贵的数据资源，其蕴涵着与盾构机刀具磨损退化密切相关的信息。挖掘这些数据中有价值的信息，仅靠人工方法无法做到。目前，机器学习技术为刀具磨损退化关联特征分析带来了新的研究方向。关联规则类算法因其原理简单、易于实现、适用范围广等优点已被广泛使用在关联因素分析中，这使得把关联分析运用于盾构机刀具磨损退化关联特征分析具有可行性。LightGBM算法作为一种有监督的梯度提升集成算法，可以用于解决机器学习任务中的排序、分类和回归问题，这为盾构机刀具磨损退化关联特征分析提供了一种可能。

发明内容

本发明的目的在于克服上述现有技术存在的问题，提供了一种基于机器学习的盾构机刀具磨损退化关联特征分析方法，用于解决现有技术中存在的适用范围较窄的技术问题，同时提高对刀具健康状态监测和寿命预测的准确率。

为了实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取微风化地层下的原始特征数据集data3：

(1a)提取盾构机SCADA系统中存储的PLC历史数据，并从中选取盾构机总推进力在区间Q，且刀盘转速大于0的数据data1，Q＝[10000,20000]，总推进力的单位为千牛；

(1b)查找盾构机盾构区间的地质勘探记录中类型为微风化地层对应的环号h,并提取data1中与环号h对应的数据data2；

(1c)将从盾构施工记录中提取的与环号h所对应的刀具健康状态作为标签值y,并将y添加到data2中，得到微风化地层下的原始特征数据集data3，data3＝{(data₂,y)}；

(2)获取数据资源集Data：

剔除原始特征数据集data3中的累计量特征和受盾构机司机控制影响的特征，得到数据资源集Data；

(3)构建LightGBM特征排序模型：

构建包括基学习器个数为num_tree、每个基学习器的最大深度为max_depth、箱子长度为max_bin的LightGBM特征排序模型A，num_tree≥100，max_depth≥5,max_bin≥len/4；

(4)获取重要特征子集Fea；

(4a)通过数据资源集Data对A进行训练，得到训练后的LightGBM特征排序模型B；

(4b)对B中所有特征的分割次数进行降序排序，并将从Data中提取的与前a位分割次数对应的特征构成重要特征子集Fea，a≥20；

(5)对重要特征子集Fea进行离散化：

(5a)构建决策树深度为tree_depth的决策树模型R，并通过重要特征子集Fea对R进行训练，得到训练后的决策树模型S，其中，[log(tree_depth)]≤a，且tree_depth为整数，[·]表示向下取整；

(5b)从训练后的决策树模型S中提取所有分割点及每个分割点对应的特征，并通过每一个分割点对其对应的特征进行分割，得到离散化的特征集Fea_lsh1；

(5c)判断[log(tree_depth)]＝a是否成立,若是，将Fea_lsh1作为离散化的重要特征子集data_lsh，否则，执行步骤(5d)；

(5d)对包含在Fea但不包含在Fea_lsh1中的特征进行等宽离散，得到特征子集Fea_lsh2，并将Fea_lsh1和Fea_lsh2组合后的数据集作为离散化的重要特征子集data_lsh；

(6)对离散化的重要特征子集data_lsh进行关联规则挖掘：

(6a)设定最小支持度为min_sup，最小置信度为min_conf，min_sup≥0.1，min_conf≥0.5；

(6b)根据min_sup挖掘data_lsh的频繁项集fre，并根据min_conf从fre中挖掘强关联规则，得到强关联规则集Rules；

(7)获取盾构机刀具磨损退化关联特征：

将Rules中所有关联规则的前件合并，得到刀具磨损退化关联特征集C，

C＝{C_u|u＝1,2,3...,len_rules}。

本发明与现有技术相比，具有如下优点：

1、本发明由于重要特征子集是通过数据资源集对LightGBM特征排序模型进行训练获取的，数据资源集包含有除过累计量特征和受盾构机司机控制影响的特征的其他所有特征，避免了现有技术中通过专家经验所获取的重要特征子集所蕴含的信息量较小的缺陷，可适用于盾构机运行的各种工况，扩大了关联特征分析的适用范围。

2、本发明由于离散化的重要特征子集是通过重要特征子集对决策树模型进行训练获取的，决策树模型能够充分挖掘和利用重要特征子集中所蕴涵的信息，可以在最大程度不丢失重要特征子集中的信息的前提下对重要特征子集进行离散化，避免了现有技术中通过专家经验对重要特征子集进行离散时信息量丢失较大的缺陷，提高了分析的准确率。

附图说明

图1为本发明的实现流程图；

具体实施方式

以下结合附图和具体实施例，对本发明作进一步详细说明。

参照图1，本发明包括如下步骤：

步骤1)获取微风化地层下的原始特征数据集data3：

实现步骤为：

步骤1a)提取盾构机SCADA系统中存储的PLC历史数据，并从中选取盾构机总推进力在区间Q，且刀盘转速大于0的数据data1，Q＝[10000,20000]，总推进力的单位为千牛；

盾构机SCADA系统是一个数据采集系统，该系统会采集盾构机在运行过程中的各种PLC参数，本例中所用的数据是厦门某盾构区间从2017年7月到2018年4月十个月共两千四百万条PLC历史数据，包括155个不同参数，这些参数均描述盾构机的运行状态，如刀盘系统参数，推进系统参数，VMT导向系统参数，土质改良系统参数等，其中刀盘系统参数和推进系统参数与盾构机刀具磨损退化的关联最强。由于盾构机在运行时存在拼装状态与掘进状态，当盾构机处于拼装状态时，刀具不发生磨损，因此对盾构机刀具磨损退化关联特征分析需要采用掘进状态下的数据，同时由于盾构机受司机控制，数据存在人为干扰，因此对数据进行分析时需要保证盾构机司机对于盾构机的控制处于正常水平的情况下进行，刀盘系统参数中的刀盘扭矩和推进系统参数中的总推进力同时大于0可以反映盾构机是处于掘进状态的，选取总推进力区间Q＝[10000,20000]是因为此区间具有代表性，盾构机正常掘进状态下总推进力一般位于此区间中，可以代表盾构机司机对盾构机的控制处于正常水平；

步骤1b)查找盾构机盾构区间的地质勘探记录中类型为微风化地层对应的环号h,并提取data1中与环号h对应的数据data2；

盾构机盾构区间的地质勘探记录中的地质类型包含微风化地层，中风化地层，强风化地层，粘土地层，卵、砂石地层，每一种地质类型均有其对应的环号，考虑到微风化地层对刀具磨损影响较为严重，因此选取微风化地层的数据；

步骤1c)将从盾构施工记录中提取的与环号h所对应的刀具健康状态作为标签值y,并将y添加到data2中，得到微风化地层下的原始特征数据集data3，data3＝{(data₂,y)}；

盾构施工记录中包含有盾构机刀具的四种健康状态，分别为健康，用0表示，轻度磨损，用1表示，中度磨损，用2表示，严重磨损,用3表示，每一种健康状态都有其对应的环号；

步骤2)获取数据资源集Data：

由于原始特征数据集中包含有大量与盾构机刀具磨损无关的特征，把这些特征用于分析不仅会增加计算量，还会影响分析的精度，因此需要把这些无关的特征进行剔除；

剔除原始特征数据集data3中的累计量特征和受盾构机司机控制影响的特征，得到数据资源集Data；

其中，累计量特征包括：泡沫混合液总累计量、盾尾密封当前环累计量、注浆A液当前环累计量、盾尾密封总累计量、推进速度、注浆A液总累计量、电量环累计量、注浆右上A液当前环累计量、电量总累计量、注浆右下A液当前环累计量、VMT导向里程、注浆左下A液当前环累计量、VMT导向掘进环数、注浆左上A液当前环累计量、VMT导向推进油缸位移A、注浆B液当前环累计量、VMT导向推进油缸位移B、、注浆B液总累计量、VMT导向推进油缸位移C、注浆右上B液当前环累计量、VMT导向推进油缸位移D、注浆右下B液当前环累计量、注浆左下B液当前环累计量、螺机转速、注浆左上B液当前环累计量、膨润土流量设定、刀盘喷水当前环累计量、盾壳膨润土流量设定、刀盘喷水总累计量、膨润土当前环累计量、膨润土总累计量、、盾壳膨润土当前环累计量、盾壳膨润土总累计量、工作时间、刀盘当前累计工作时间、泡沫原液当前环累计量、刀盘总累计工作时间、泡沫原液总累计量、HBW密封油脂当前环累计量、工业水当前环累计量、HBW密封油脂总累计量、工业水总累计量、EP2润滑油脂当前环累计量、泡沫混合液当前环累计量、EP2润滑油脂总累计量；

受盾构机司机控制影响的特征包括：刀盘转速设定、刀盘转速、推进压力A设定、A组推进压力、推进压力B设定、B组推进压力、推进压力C设定、C组推进压力、推进压力D设定、D组推进压力、螺机转速设定、A组推进位移、B组推进位移、C组推进位移、D组推进位移。

步骤3)构建LightGBM特征排序模型：

由于数据资源集中的特征数目较多，全部用于关联分析会大大提高计算量，且会影响分析的准确性，因此需要从中选取重要特征，LightGBM特征排序模型能够很好地解决上述问题；

构建包括基学习器个数为num_tree、每个基学习器的最大深度为max_depth、箱子长度为max_bin的LightGBM特征排序模型A，num_tree≥100，max_depth≥5,max_bin≥len/4，本例中取num_tree＝500、max_depth＝7、max_bin＝len/4

步骤4)获取重要特征子集Fea；

步骤4a)通过数据资源集Data对A进行训练，得到训练后的LightGBM特征排序模型B；

步骤4a1)定义数据资源集Data＝{(x_i,y_i),i＝1,2,...,len}，其中,i为样本的序号，len为样本总个数，x_i为第i个样本的特征，y_i为第i个样本的标签，数据资源集的第p个特征为feature_p,第p个特征被分割的次数为num_p,所有特征被分割次数的总和为num，数据资源集的特征个数为len_feature；

步骤4a2)用长度为max_bin的箱子对Data中的每一个特征进行分箱操作，得到m个分割点，并记第p个特征的第j个分割点为split_pj，第k个基学习器的编号为l_k，且k＝1,2,3...,num_tree，其中：

步骤4a3)初始化k＝1,num＝0；

步骤4a4)用Data对第l_k个基学习器进行训练，得到训练好的第l_k个基学习器，并令f(x)＝l₁+l₂+...+l_k，把f(x)作为当前排序模型；

步骤4a4a)初始化p＝1，num_p＝0；

步骤4a4b)初始化j＝1；

步骤4a4c)根据下式计算第p个特征被第j个分割点分割后的方差var_pj

其中，x_i＜split_pj为第p个特征被第j个分割点分割后的第一部分，，x_i＞split_pj为第p个特征被第j个分割点分割后的第二部分，c₁为x_i＜split_pj的标签值的均值，c₂为x_i＞split_pj的标签值的均值，y_i为第i个样本的标签值；

步骤4a4d)判断j是否等于m,若是，则得到第p个特征的所有分割点的方差，并执行步骤(4a4e)；否则，令j＝j+1，并执行步骤(4a4c)；

步骤4a4e)判断p是否等于len_feature，若是,则得到所有特征被其所有分割点分割后的方差，并执行步骤(4a4f),若否，令p＝p+1，并执行步骤(4a4c)；

步骤4a4f)通过所有方差中最大值对应的分割点对该分割点对应的特征进行分割，并令num_⊙＝num_⊙+1,num＝num+1；"⊙"为该特征对应的序号；

步骤4a4e)判断lg(num)是否小于max_depth，若是,则执行步骤(4a4b)；若否,得到训练后的第l_k个基学习器，得到训练好的第l_k个基学习器，并令f(x)＝l₁+l₂+...+l_k，把f(x)作为当前排序模型；

步骤4a5)判断k是否等于num_tree，若是,将f(x)作为训练后的LightGBM特征排序模型B，否则,执行步骤(4a6)；

步骤4a6)计算f(x)的损失函数(L,f(x))的负梯度r_ki，令y_i＝r_ki,k＝k+1，并执行步骤(4a4)，其中：

f(x)＝l₁+l₂+...+l_k；

步骤4b)对B中所有特征的分割次数进行降序排序，并将从Data中提取的与前a位分割次数对应的特征构成重要特征子集Fea，a≥20；

本例中取a＝20，得到的重要特征如下：右上铰接位移、左上铰接位移、盾壳膨润土压力，盾尾密封后部右上压力、L2相电流谐波、齿轮油油温、推进压力、盾尾密封前部右上压力、L3相功率因数、总推进力、刀盘磨损压力、刀盘压力、VMT导向水平趋向RP、右中土仓压力、膨润土压力、设备桥压力、俯仰角、刀盘控制油压检测、盾尾密封后部正左压力、螺机扭矩；

步骤5)对重要特征子集Fea进行离散化：

由于关联规则挖掘的对象必须是离散的，因此必须对重要特征子集进行离散化操作，在离散化操作中，为了保证关联分析结果的准确性，要尽可能地不丢失重要特征子集中的信息，决策树模型能在离散时能够充分挖掘并利用重要特征子集中的隐含信息，因此采用决策树模型进行离散能够很好地解决上述问题，实现步骤为：

步骤5a)构建决策树深度为tree_depth的决策树模型R，并通过重要特征子集Fea对R进行训练，得到训练后的决策树模型S，其中，[log(tree_depth)]≤a，且tree_depth为整数，[·]表示向下取整；本例中取tree_depth＝4

步骤5a1)定义Fea＝{(X_i,y_i),i＝1,2,3...,len}，X_i为第i个样本的特征，y_i为第i个样本的标签，重要特征子集的第e个特征为fea_e，第e个特征的第g个分割点为fea_eg,第e个特征中非重复值的个数为m_e；

步骤5a2)初始化e＝1；

步骤5a3)对第e个特征按照降序进行排序，在该特征每两个非重复值之间设置一个分割点；

步骤5a4)初始化g＝1；

步骤5a5)计算第e个特征被第g个分割点分割后的方差Var_eg

其中，d₁,d₂分别为第e个特征被第g个分割点分割后的第一部分的标签值的均值和第二部分的标签值的均值；

步骤5a6)判断g是否等于m_e-1,若是，完成第e个特征被每个分割点分割后的方差计算，把方差值最大所对应的分割点保留并把其余的分割点删除，然后进入步骤(5a6)；若否，令g＝g+1并执行步骤(5a5)；

步骤5a7)判断e是否大于log(tree_depth)，若是,完成决策树模型的训练，得到训练好的决策树模型S，若否,令e＝e+1，并执行步骤(5a4)。

步骤5b)从训练后的决策树模型S中提取所有分割点及每个分割点对应的特征，并通过每一个分割点对其对应的特征进行分割，得到离散化的特征集Fea_lsh1；

步骤5c)判断[log(tree_depth)]＝a是否成立,若是，将Fea_lsh1作为离散化的重要特征子集data_lsh，否则，执行步骤(5d)；

决策树离散的结果如下表1所示

表1

步骤5d)对包含在Fea但不包含在Fea_lsh1中的特征进行等宽离散，离散为k个区间，本例中取k＝4，得到特征子集Fea_lsh2，并将Fea_lsh1和Fea_lsh2组合后的数据集作为离散化的重要特征子集data_lsh；

等宽离散的结果如下表2所示：

表2

步骤6)对离散化的重要特征子集data_lsh进行关联规则挖掘：

步骤6a)设定最小支持度为min_sup，最小置信度为min_conf，min_sup≥0.1，min_conf≥0.5；

步骤6b)根据min_sup挖掘data_lsh的频繁项集fre，并根据min_conf从fre中挖掘强关联规则，得到强关联规则集；

频繁项集的挖掘采用Apriori、FP-Growth、Eclat等算法均可实现，本例采用FP-Growth算法，该算法与其他算法相比具有内存占用量低和计算量小的优点，从频繁项集中挖掘关联规则的步骤如下：

步骤6b1)定义fre＝{f_w,其中w＝1,2,...,num}，f_w是fre中第w个频繁项，num是fre中频繁项的个数；

步骤6b2)初始化w＝1；

步骤6b3)把f_w作为后件，剩下的频繁项作为前件，得到关联规则{f₁,f₂...,f_w1,f_w+1,...,f_num}→{f_w}；

步骤6b4)判断w是否等于num,若是，则完成所有后件项数为1的关联规则的提取，得到后件项数为1的关联规则集R₁；

步骤6b5)初始化v＝1；

步骤6b6)通过合并R_v中每v+1条规则的后件，得到后件项数为v+1的关联规则集R_v+1；

步骤6b7)判断v是否等于w-1,若是，完成所有原始关联规则的提取，得到关联规则集Rs＝{E_t→F_t,t＝1,2,...,len_Rs}，其中len_Rs为规则的数目,若否，令v＝v+1，并执行步骤(6b6)；

步骤6b8)初始化t＝1；

步骤6b9)计算第t条关联规则的置信度P(E_t→F_t)，其中

步骤6b10)判断t是否等于len_Rs，若是，则完成对每一条关联规则的置信度计算,否则，令t＝t+1并执行步骤(6b9)；

步骤6b11)把置信度小于min_conf的关联规则剔除，将剩下的所有关联规则组成的集合作为强关联规则集Rules,其中

Rules＝{rule_u|u＝1,2,3...len_rules}，len_rules为强关联规则的数目，rule_u＝C_u→D_u，C_u为rule_u的前件，C_u中的每一个元素代表一个刀具磨损退化关联特征，D_u为rule_u的后件，代表C_u对应的刀具健康状态；

得到的关联规则如下表3所示

表3

(7)获取盾构机刀具磨损退化关联特征：

将Rules中所有强关联规则的前件合并，得到刀具磨损退化关联特征集C，C＝{C_u|u＝1,2,3...,len_rules}。

刀具磨损退化关联特征集为右中土仓压力2.0，螺机扭矩1.0、刀盘控制油压检测1.0，盾壳膨润土压力2.0，刀盘磨损压力1.0，膨润土压力2.0，推进压力1.0，特征名称后面的数据表示该特征的特征值所处的离散化区间序号，具体可由表1和表2查得。

本发明未详细说明部分属于本领域技术人员公知常识。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制。显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (6)

1.一种基于机器学习的盾构机刀具磨损退化关联特征分析方法，其特征在于包括如下步骤：

(1)获取微风化地层下的原始特征数据集data3：

(1a)提取盾构机SCADA系统中存储的PLC历史数据，并从中选取盾构机总推进力在区间Q，且刀盘转速大于0的数据data1，Q＝[10000,20000]，总推进力的单位为千牛；

(1b)查找盾构机盾构区间的地质勘探记录中类型为微风化地层对应的环号h,并提取data1中与环号h对应的数据data2；

(1c)将从盾构施工记录中提取的与环号h所对应的刀具健康状态作为标签值y,并将y添加到data2中，得到微风化地层下的原始特征数据集data3，data3＝{(data₂,y)}；

(2)获取数据资源集Data：

剔除原始特征数据集data3中的累计量特征和受盾构机司机控制影响的特征，得到数据资源集Data；

(3)构建LightGBM特征排序模型：

构建包括基学习器个数为num_tree、每个基学习器的最大深度为max_depth、箱子长度为max_bin的LightGBM特征排序模型A，num_tree≥100，max_depth≥5,max_bin≥len/4；

(4)获取重要特征子集Fea；

(4a)通过数据资源集Data对A进行训练，得到训练后的LightGBM特征排序模型B；

(4b)对B中所有特征的分割次数进行降序排序，并将从Data中提取的与前a位分割次数对应的特征构成重要特征子集Fea，a≥20；

(5)对重要特征子集Fea进行离散化：

(5a)构建决策树深度为tree_depth的决策树模型R，并通过重要特征子集Fea对R进行训练，得到训练后的决策树模型S，其中，[log(tree_depth)]≤a，且tree_depth为整数，[·]表示向下取整；

(5b)从训练后的决策树模型S中提取所有分割点及每个分割点对应的特征，并通过每一个分割点对其对应的特征进行分割，得到离散化的特征集Fea_lsh1；

(5c)判断[log(tree_depth)]＝a是否成立,若是，将Fea_lsh1作为离散化的重要特征子集data_lsh，否则，执行步骤(5d)；

(5d)对包含在Fea但不包含在Fea_lsh1中的特征进行等宽离散，离散为k个区间，得到特征子集Fea_lsh2，并将Fea_lsh1和Fea_lsh2组合后的数据集作为离散化的重要特征子集data_lsh，其中k≥4

(6)对离散化的重要特征子集data_lsh进行关联规则挖掘：

(6a)设定最小支持度为min_sup，最小置信度为min_conf，min_sup≥0.1，min_conf≥0.5；

(6b)根据min_sup挖掘data_lsh的频繁项集fre，并根据min_conf从fre中挖掘强关联规则，得到强关联规则集Rules,其中Rules＝{rule_u|u＝1,2,3...len_rules}，len_rules为强关联规则的数目，rule_u＝C_u→D_u，C_u为rule_u的前件，C_u中的每一个元素代表一个刀具磨损退化关联特征，D_u为rule_u的后件，代表C_u对应的刀具健康状态；

(7)获取盾构机刀具磨损退化关联特征：

将Rules中所有关联规则的前件合并，得到刀具磨损退化关联特征集C，C＝{C_u|u＝1,2,3...,len_rules}。

2.根据权利要求1所述的基于机器学习的盾构机刀具磨损退化关联特征分析方法，其特征在于：步骤(2)中所述的累计量特征和受盾构机司机控制影响的特征，其中：

累计量特征，包括泡沫混合液总累计量、盾尾密封当前环累计量、注浆A液当前环累计量、盾尾密封总累计量、推进速度、注浆A液总累计量、电量环累计量、注浆右上A液当前环累计量、电量总累计量、注浆右下A液当前环累计量、VMT导向里程、注浆左下A液当前环累计量、VMT导向掘进环数、注浆左上A液当前环累计量、VMT导向推进油缸位移A、注浆B液当前环累计量、VMT导向推进油缸位移B、、注浆B液总累计量、VMT导向推进油缸位移C、注浆右上B液当前环累计量、VMT导向推进油缸位移D、注浆右下B液当前环累计量、注浆左下B液当前环累计量、螺机转速、注浆左上B液当前环累计量、膨润土流量设定、刀盘喷水当前环累计量、盾壳膨润土流量设定、刀盘喷水总累计量、膨润土当前环累计量、膨润土总累计量、、盾壳膨润土当前环累计量、盾壳膨润土总累计量、工作时间、刀盘当前累计工作时间、泡沫原液当前环累计量、刀盘总累计工作时间、泡沫原液总累计量、HBW密封油脂当前环累计量、工业水当前环累计量、HBW密封油脂总累计量、工业水总累计量、EP2润滑油脂当前环累计量、泡沫混合液当前环累计量、EP2润滑油脂总累计量；

受盾构机司机控制影响的特征，包括刀盘转速设定、刀盘转速、推进压力A设定、A组推进压力、推进压力B设定、B组推进压力、推进压力C设定、C组推进压力、推进压力D设定、D组推进压力、螺机转速设定、A组推进位移、B组推进位移、C组推进位移、D组推进位移。

3.根据权利要求1所述的基于机器学习的盾构机刀具磨损退化关联特征分析方法，其特征在于：步骤(4a)中所述的通过数据资源集Data对A进行训练，实现步骤为：

(4a1)定义数据资源集Data＝{(x_i,y_i),i＝1,2,...,len}，其中,i为样本的序号，len为样本总个数，x_i为第i个样本的特征，y_i为第i个样本的标签，数据资源集的第p个特征为feature_p,第p个特征被分割的次数为num_p,所有特征被分割次数的总和为num，数据资源集的特征个数为len_feature；

(4a2)用长度为max_bin的箱子对Data中的每一个特征进行分箱操作，得到m个分割点，并记第p个特征的第j个分割点为split_pj，第k个基学习器的编号为l_k，且k＝1,2,3...,num_tree，其中：

(4a3)初始化k＝1,num＝0；

(4a4)通过Data对第l_k个基学习器进行训练，得到训练好的第l_k个基学习器，并令f(x)＝l₁+l₂+...+l_k，把f(x)作为当前排序模型；

(4a5)判断k是否等于num_tree，若是,将f(x)作为训练后的LightGBM特征排序模型B，否则,执行步骤(4a6)；

(4a6)计算f(x)的损失函数(L,f(x))的负梯度r_ki，令y_i＝r_ki,k＝k+1，并执行步骤(4a4)，其中：

f(x)＝l₁+l₂+...+l_k。

4.根据权利要求3所述的基于机器学习的盾构机刀具磨损退化关联特征分析方法，其特征在于：步骤(4a4)所述的通过Data对第l_k个基学习器进行训练，实现步骤为：

(4a4a)初始化特征序号p＝1和第p个特征的分割次数num_p＝0；

(4a4b)初始化分割点序号j＝1；

(4a4c)根据下式计算第p个特征被第j个分割点分割后的方差var_pj

其中，x_i＜split_pj为第p个特征被第j个分割点分割后的第一部分，，x_i＞split_pj为第p个特征被第j个分割点分割后的第二部分，c₁为x_i＜split_pj的标签值的均值，c₂为x_i＞split_pj的标签值的均值，y_i为第i个样本的标签值；

(4a4d)判断j是否等于m,若是，则得到第p个特征的所有分割点的方差，并执行步骤(4a4e)；否则，令j＝j+1，并执行步骤(4a4c)；

(4a4e)判断p是否等于len_feature，若是,则得到所有特征被其所有分割点分割后的方差，并执行步骤(4a4f),否则，令p＝p+1，并执行步骤(4a4c)；

(4a4f)通过所有方差中最大值对应的分割点对该分割点对应的特征进行分割，并令num_⊙＝num_⊙+1,num＝num+1；"⊙"为所有方差中最大值对应的分割点对应的特征的序号；

(4a4e)判断lg(num)是否小于max_depth，若是,则执行步骤(4a4b)，否则，得到训练后的第l_k个基学习器。

5.根据权利要求1所述的基于机器学习的盾构机刀具磨损退化关联特征分析方法，其特征在于：步骤(5a)所述的通过重要特征子集Fea对R进行训练，包含如下步骤：

(5a1)定义Fea＝{(X_i,yi),i＝1,2,3...,len}，X_i为第i个样本的特征向量，y_i为第i个样本的标签，Fea的第e个特征为fea_e，第e个特征的第g个分割点为fea_eg,第e个特征中非重复值的个数为m_e；

(5a2)初始化e＝1；

(5a3)对第e个特征对应的所有样本值按照降序进行排序，并在该两个非重复样本值之间设置一个分割点；

(5a4)初始化g＝1；

(5a5)计算第e个特征被第g个分割点分割后的方差Var_eg

其中，X_i＜fea_eg表示第e个特征被第g个分割点分割后的第一部分，X_i＞fea_eg表示第e个特征被第g个分割点分割后的第二部分，d₁为X_i＜fea_eg的标签值的均值，d₂为X_i＞fea_eg的标签值的均值，；

(5a6)判断g是否等于m_e-1,若是，得到第e个特征被每个分割点分割后的方差，把方差值最大所对应的分割点保留并把其余的分割点删除，并执行步骤(5a7)；否则，令g＝g+1，并执行步骤(5a5)；

(5a7)判断e是否大于log(tree_depth)，若是,完成决策树模型R的训练，得到训练好的决策树模型S，否则,令e＝e+1，并执行步骤(5a4)。

6.根据权利要求1所述的基于机器学习的盾构机刀具磨损退化关联特征分析方法，其特征在于：步骤(6b)中所述的根据min_conf从fre中挖掘强关联规则，实现步骤为：

(6b1)定义fre＝{f_w,其中w＝1,2,...,num}，f_w是fre中第w个频繁项，num是fre中频繁项的个数；

(6b2)初始化w＝1；

(6b3)把f_w作为后件，剩下的频繁项作为前件，得到关联规则{f₁,f₂...,f_w-1,f_w+1,...,f_num}→{f_w}；

(6b4)判断w是否等于num,若是，则完成后件项数为1的原始关联规则的提取，得到后件项数为1的原始关联规则集R₁；

(6b5)初始化v＝1；

(6b6)通过合并R_v中每v+1条规则的后件，得到后件项数为v+1的原始关联规则集R_v+1；

(6b7)判断v是否等于w-1,若是，完成所有原始关联规则的提取，得到原始关联规则集Rs＝{E_t→F_t,t＝1,2,...,len_Rs}，其中len_Rs为规则的数目,若否，令v＝v+1，并执行步骤(6c6)；

(6b8)初始化t＝1；

(6b9)计算第t条关联规则的置信度P(E_t→F_t)，其中

(6b10)判断t是否等于len_Rs，若是，则完成对每一条关联规则的置信度计算,若否，令t＝t+1，并执行步骤(6b9)；

(6b11)把置信度小于min_conf的关联规则剔除，将剩下的所有关联规则组成的集合作为强关联规则集Rules。