CN111140244A - 一种硬岩掘进机支护等级智能推荐方法 - Google Patents

Abstract

本发明公开了一种硬岩掘进机支护等级智能推荐方法，包括如下步骤：采集掘进数据及钢拱架支护类型数据；预处理掘进数据；将预处理后的掘进数据作为输入数据，根据掘进数据的桩号寻找对应桩号的钢拱架支护类型数据作为输出数据，建立钢拱架支护类型数据集；将钢拱架支护类型数据集随机分为训练集和测试集；基于智能分类算法并利用训练集数据建立钢拱架支护类型预测模型，将测试集数据输入钢拱架支护类型预测模型对钢拱架支护类型进行预测。本发明通过预测出的钢拱架支护类型可以实现当前掌子面情况的实时判断，便于提前做好支护方案和物料储备。

Description

一种硬岩掘进机支护等级智能推荐方法

技术领域

本发明属于隧道工程隧道掘进机施工技术的技术领域，具体涉及一种硬岩掘进机支护等级智能推荐方法。

背景技术

隧道掘进机(TBM)施工具有安全、高效、环保等优点，已经成为长、大隧道施工的首选工法。TBM施工虽然高效，但其对地质条件的适应性较差，当遇到突发地质灾害时，TBM掘进受到的影响远大于传统施工工法，致使TBM掘进速度减缓、工期延迟，甚至会引发灾难性后果。对国内外大量TBM施工工程实例进行统计分析后，可以发现断层破碎带、突涌水、围岩大变形、岩爆是TBM施工中常见的工程地质问题，在施工过程中必须给予足够重视。

在应对软岩大变形、塌方等不良地质时，选择合理的支护方式将大大降低施工风险。基于TBM施工项目的设备参数和钢拱架支护类型统计数据，建立钢拱架支护智能决策模型，一方面可以通过预测出的拱架间距对当前掌子面情况进行实时判断，另一方面可便于提前做好支护方案和物料储备。

发明内容

针对隧道掘进机掘进过程中钢拱架支护类型选择不合适可能会产生严重的施工风险问题，本发明提出了一种硬岩掘进机支护等级智能推荐方法，通过特征筛选与分类决策问题建模，实现了施工过程钢拱架支护类型智能决策的目标。

为解决以上技术问题，本发明所采用的技术方案如下：

一种硬岩掘进机支护等级智能推荐方法，包括如下步骤：

S1，采集反映设备运行状态的隧道掘进机的掘进数据及对应的钢拱架支护类型数据；

S2，对掘进数据进行数据预处理，剔除数据中的异常值；

S3，将预处理后的掘进数据作为输入数据，并根据掘进数据的桩号寻找对应桩号的钢拱架支护类型数据作为输出数据，建立钢拱架支护类型数据集；

S4，将钢拱架支护类型数据集随机分为训练集和测试集；

S5，基于智能分类算法并利用训练集数据建立钢拱架支护类型预测模型，将测试集数据输入钢拱架支护类型预测模型对钢拱架支护类型进行预测。

在步骤S1中，所述掘进数据包括顶护盾、左侧护盾、右侧护盾和撑靴的位移及压力数据、竖直偏差、水平偏差、滚动角、俯仰角，主机皮带机转速、主机皮带机泵电机电流、总推力、刀盘扭矩、推进速度或刀盘转速。

在步骤S2中，所述掘进数据预处理包括如下步骤：

a.基于掘进机是否处于正在掘进及刀盘接触掌子面后是否处于稳定掘进的状态，提取稳定段掘进数据；

b.基于3σ准则对稳定段数据进行异常值剔除，即以稳定段数据均值替代超出μ±3σ的数据，其中μ为数据均值，σ为数据标准差；

c.对稳定段数据进行中值滤波处理。

在步骤S4中，所述训练集和测试集中的掘进数据是经特征重要度排序后，并对特征重要度排序后的掘进数据保留特征重要度占比超过80％的特征所得到；所述特征是指掘进数据中的顶护盾、左侧护盾、右侧护盾和撑靴的位移及压力数据、竖直偏差、水平偏差、滚动角、俯仰角，主机皮带机转速、主机皮带机泵电机电流、总推力、刀盘扭矩、推进速度或刀盘转速。

所述特征重要度排序的实现方法为采用LightGBM算法，每一个特征的特征重要度是指LightGBM中所有决策树由对应特征进行节点划分所引起的Gini指数下降之和；；所述LightGBM是由M个基分类器经线性组合构建一个强分类器，所述强分类器F_M(x)的计算公式为：

其中，h(x)表示基分类器决策树，β_m表示第m个分类器的权重系数，M表示基分类器的总个数，x表示掘进数据。

所述基分类器决策树的决策树是一种非参数的有监督学习方法，决策树的构建过程通过选择使Gini指数下降程度最高的特征分割点以完成对节点的划分，Gini指数下降程度的计算公式为Gini(D)-Gini(D,A)；

样本集D上概率分布的Gini指数Gini(D)的计算公式为：

其中，D表示钢拱架支护类型数据集，K表示钢拱架支护类型的总分类数，p_k表示第k类钢拱架支护类型的概率；

在特征A的条件下，样本集D的Gini指数Gini(D,A)的计算公式为：

其中，D₁和D₂分别表示选取样本集D中的特征A中的一个数据值后得到的两个子集。

在步骤S5中，所述智能分类算法包括但不限于支持向量机、极限学习机或随机森林。

所述训练集和测试集的数据是经过标准化的，所述标准化包括如下步骤：

1)求出每个掘进数据的算术平均值μ_i和标准差σ_i；

2)对每个掘进数据进行标准化处理；

其中，x_ij为原始掘进数据，z_ij为标准化后的掘进数据。

所述钢拱架支护类型预测模型对应的分类函数f(x)为：

其中，w_i表示第i个训练样本的权重系数，b表示偏置系数，l表示训练集的样本总数，k(x,x_i)为核函数，x_i表示第i个训练样本的掘进数据；

若钢拱架支护类型的类别为k种，k种钢拱架支护类型对应于k个类别的样本，k个类别的样本构造出k个分类函数{f₁(x)，f₂(x)，…，f_k(x)}；在确认未知样本分类时，将未知样本分别代入分类函数{f₁(x)，f₂(x)，…，f_k(x)}中，得到不同钢拱架支护类型所对应的分类函数值，将未知样本分类为最大分类函数值所在的那一类钢拱架支护类型。

本发明的有益效果：

本发明通过对隧道掘进机掘进数据进行采集，同时对钢拱架支护类型进行统计，经过数据预处理、钢拱架支护类型数据集建立后，通过输入特征重要度对掘进数据特征进行筛选，大大缩短了建模时间，并在训练集数据上建立钢拱架支护预测模型，实现了施工过程钢拱架支护类型智能决策的目标；施工过程中通过预测出的钢拱架支护类型可以实现当前掌子面情况的实时判断，便于提前做好支护方案和物料储备。

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作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程示意图。

图2为经过LightGBM重要度排序后排名前20的特征。

具体实施方式

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，所描述的实施例仅仅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付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。

一种硬岩掘进机支护等级智能推荐方法，如图1所示，包括如下步骤：

S1，采集反映设备运行状态的隧道掘进机的掘进数据及对应的钢拱架支护类型数据；

所述掘进数据是通过将近200个传感器进行检测记录的隧道掘进机各功能模块的参数，采集频率为1次/秒，每天24h共完成86400次数据采集，只选取传感器记录数据中的总推力、刀盘扭矩、推进速度、刀盘转速、推进位移、刀盘转速电位器设定值、推进速度电位器设定值、贯入度、主机皮带机转速、主机皮带机泵电机电流、刀盘功率、左侧护盾位移、右侧护盾位移、顶护盾压力、左侧护盾压力、右侧护盾压力、撑靴压力、前盾滚动角、前盾俯仰角、水平偏差和竖直偏差，并将每一种掘进数据作为一个特征；比如推进速度为一个特征，采集时可以获得不同掘进状态下的若干个推进速度的数据值。

所述钢拱架支护类型数据是通过对已完成掘进的隧道桩号及对应的钢拱架支护类型进行人工统计得到，可分为无钢拱架支护、180cm间距钢拱架支护、90cm钢拱架支护和45cm钢拱架支护四类。

S2，对掘进数据进行数据预处理，剔除数据中的异常值；

所述预处理包括如下步骤：

a.基于掘进机是否处于正在掘进及刀盘接触掌子面后是否处于稳定掘进的状态，提取稳定段掘进数据；

b.基于3σ准则对稳定段数据进行异常值剔除，即以稳定段数据均值替代超出μ±3σ的数据，其中μ为数据均值，σ为数据标准差；

c.对稳定段数据进行中值滤波处理，以滤除稳定段数据中的部分噪声。

S3，对掘进数据的每个特征求取每分钟的数据均值，并将此数据均值作为输入数据集，然后根据掘进数据的桩号寻找对应桩号的钢拱架支护类型数据作为输出数据，建立钢拱架支护类型数据集定义为样本集D；

由于掘进数据的数据量比较大，盾构机在正常的掘进过程中短时间内掘进数据的波动不大，故本实施例对每分钟的掘进数据求取均值，将均值作为输入数据。

本实施例中，钢拱架支护类型数据集共有131304组样本，其中无钢拱架、1.8m间距钢拱架、0.9m间距钢拱架和0.45m间距钢拱架的样本数分别为107619组、12866组、10065组及754组。

S4，对样本集D中掘进数据的所有特征进行特征重要度排序，筛除出对钢拱架支护类型预测模型建立贡献度小的特征，保留特征重要度占比超过80％的特征；

本实施例采用LightGBM算法对特征重要度进行排序，所述LightGBM是一个将决策树作为基分类器的集成学习模型，其基本思想是由M个分类准确率较低的基分类器线性组合以构建一个强分类器，以掘进数据x作为输入数据，其计算公式如下：

其中，h(x)为基分类器决策树，β_m为第m个分类器的权重系数，F_M(x)表示集成学习模型的分类结果，M是基分类器的个数，在本实施例中，M取值为1000。

决策树是一种非参数的有监督学习方法，通过包含节点和有向边的树状图结构来呈现从数据中学到的规则。其中，有监督学习方法的最关键步骤是通过选择使Gini指数下降程度最高的特征分割点以完成对节点的划分。

在钢拱架支护类型的分类问题中，假设有K个类，K是指钢拱架支护类型的总分类数，本实施例中，K＝4分别为无钢拱架、1.8m间距钢拱架、0.9m间距钢拱架和0.45m间距钢拱架。第k个类别的概率为p_k，则在样本集D上概率分布的Gini指数的表达式为：

所述特征重要度是指选定一个特征A，在LightGBM的每一棵决策树中，统计由特征A上的每个分支节点的Gini指数下降程度之和。假定将特征A中的数据值a作为分支节点，样本集D被分成D₁和D₂两部分，则在特征A的条件下，样本集合D的Gini指数表达式为：

数据值a作为分支节点所形成的Gini指数下降程度为Gini(D)-Gini(D,A)，再计算特征A中其它值所形成的Gini指数下降程度，选择使Gini指数下降程度最高的特征分割点以完成对节点的划分。

S5，随机抽取钢拱架支护类型数据集中的30％作为训练集，70％作为测试集，并保证训练集、测试集中不同钢拱架支护类型的占比比例与原始的钢拱架支护类型数据集保持一致；

训练集、测试集中不同钢拱架支护类型的占比比例与原始的钢拱架支护类型数据集保持一致是为了保持训练集、测试集中的样本与原始的钢拱架支护类型数据集上样本分布保持一致，由于不同类型钢拱架支护类型在数据集中占比差距较大，若不限制其一致性的话，可能会导致占比较低的钢拱架支护类型在训练集或测试集中占比过低甚至缺失该类数据，影响钢拱架支护类型预测模型的建立效果。

本实施例中，训练集中无钢拱架支护、180cm间距钢拱架支护、90cm钢拱架支护、45cm钢拱架支护的样本数分别为32286组、3860组、3019组及226组；测试集中无钢拱架支护、180cm间距钢拱架支护、90cm钢拱架支护、45cm钢拱架支护的样本数分别为75333组、9006组、7046组及528组。

S6，利用训练集的数据并基于智能分类算法建立钢拱架支护类型预测模型，然后利用训练好的钢拱架支护类型预测模型，在测试集上对钢拱架支护类型进行预测；

所述智能分类算法包括但不限于支持向量机(SVM)、极限学习机(ELM)、梯度提升决策树(GBDT)或随机森林(RF)，本实施例，以SVM为例具体说明如何建立钢拱架支护类型预测模型。

在将训练集和测试集的数据应用于SVM分类模型时，首先需要对数据进行标准化，使用标准差标准化方法对数据进行标准化，包括以下步骤：

1)求出掘进数据每个特征的算术平均值μ_i和标准差σ_i；

2)对掘进数据的每个特征进行标准化处理；

其中，x_ij为原始特征数据，z_ij为标准化后的特征数据。

根据步骤S4中的特征重要度排序结果如图2所示，保留的特征数为15个，即输入数据为15维的掘进数据向量x，以对180cm间距钢拱架支护类型进行判别为例，假定训练样本集为(x₁,y₁)，...，(x_l,y_l)，其中，y∈{±1}，即当钢拱架支护类型为180cm间距钢拱架支护时，y为1，其他情况为-1，l为训练集的样本总数。

SVM分类模型的求解问题为在

的约束下，使损失函数

最小的问题：

式中的w、b分别为权重系数和偏置系数，C为惩罚因子，ξ_i为对每个样本(x_i,y_i)引入的松弛变量，k(x_i,x_j)为核函数，如径向基核函数公式为K(x_i,x_j)＝exp(-γ||x_i-x_j||²)，其中γ为超参数。

对以上问题求解，得到的分类函数为

由于存在多种钢拱架支护类型，对于这种多分类问题，依次把其中某个类别的样本归为一类，其他剩余的样本归为另一类，这样k个类别的样本就构造出了k个SVM模型，即得到k个分类函数{f₁(x)，f₂(x)，…，f_k(x)}；在确认分类时将未知样本分别代入不同钢拱架支护类型的分类函数{f₁(x)，f₂(x)，…，f_k(x)}中，得到不同钢拱架支护类型所对应的分类函数值，将未知样本分类为最大分类函数值所在的那一类即可。

在4个SVM模型建立过程中，对于不同类别的钢拱架支护类型，按其类别在样本总数中的比例，在损失函数中，对不同的钢拱架支护类型乘以其类别所占比的倒数可以改善样本不平衡的现象，即对第k个SVM分类函数进行计算时，对其损失函数

中的惩罚因子项C，乘以l/l_k，其中，l为样本数，l_k为第k类占的样本数。

S7，对钢拱架支护类型预测模型进行评估，即将钢拱架支护类型预测模型在训练集和测试集上的预测类别与实际类别进行对比，统计不同钢拱架支护类型预测结果的精确率、召回率及F1得分；

所述精确率P的计算公式如下：

其中，TP为将正类预测为正类的数量，FP为将负类预测为正类的数量；

召回率R的计算公式如下：

其中，FN为将正类预测为负类的数量；

F1得分的计算公式如下：

精确率反映了是预测为正的样本中有多少是真正的正样本，召回率反映了样本中的正例有多少被预测正确了，F1得分是两者的综合度量。

按照如上的计算公式得出如下评估结果：

根据上表可见，钢拱架支护类型预测模型在训练集和测试集上都得到了良好的表现，各个类别的预测精确率、召回率都在80％以上。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种硬岩掘进机支护等级智能推荐方法，其特征在于，包括如下步骤：

S1，采集反映设备运行状态的隧道掘进机的掘进数据及对应的钢拱架支护类型数据；

S2，对掘进数据进行数据预处理，剔除数据中的异常值；

S3，将预处理后的掘进数据作为输入数据，并根据掘进数据的桩号寻找对应桩号的钢拱架支护类型数据作为输出数据，建立钢拱架支护类型数据集；

S4，将钢拱架支护类型数据集随机分为训练集和测试集；

S5，基于智能分类算法并利用训练集数据建立钢拱架支护类型预测模型，将测试集数据输入钢拱架支护类型预测模型对钢拱架支护类型进行预测。

2.根据权利要求1所述的硬岩掘进机支护等级智能推荐方法，其特征在于，在步骤S1中，所述掘进数据包括顶护盾、左侧护盾、右侧护盾和撑靴的位移及压力数据、竖直偏差、水平偏差、滚动角、俯仰角，主机皮带机转速、主机皮带机泵电机电流、总推力、刀盘扭矩、推进速度或刀盘转速。

3.根据权利要求2所述的硬岩掘进机支护等级智能推荐方法，其特征在于，在步骤S2中，所述掘进数据预处理包括如下步骤：

a.提取掘进数据中的稳定段数据；

b.基于3σ准则对稳定段数据进行异常值剔除；

c.对稳定段数据进行中值滤波处理。

4.根据权利要求1-3任一项所述的硬岩掘进机支护等级智能推荐方法，其特征在于，在步骤S4中，所述训练集和测试集中的掘进数据是经特征重要度排序后，并对特征重要度排序后的掘进数据保留特征重要度占比超过80％的特征所得到；所述特征是指掘进数据。

5.根据权利要求4所述的硬岩掘进机支护等级智能推荐方法，其特征在于，所述特征重要度排序的实现方法为采用LightGBM算法，每一个特征的特征重要度是指LightGBM中所有决策树由对应特征进行节点划分所引起的Gini指数下降之和；所述LightGBM是由M个基分类器经线性组合构建一个强分类器，所述强分类器F_M(x)的计算公式为：

其中，h(x)表示基分类器决策树，β_m表示第m个分类器的权重系数，M表示基分类器的总个数，x表示掘进数据。

6.根据权利要求5所述的硬岩掘进机支护等级智能推荐方法，其特征在于，所述基分类器决策树的决策树是一种非参数的有监督学习方法，决策树的构建过程通过选择使Gini指数下降程度最高的特征分割点以完成对节点的划分，Gini指数下降程度的计算公式为Gini(D)-Gini(D,A)；

样本集D上概率分布的Gini指数Gini(D)的计算公式为：

其中，D表示钢拱架支护类型数据集，K表示钢拱架支护类型的总分类数，p_k表示第k类钢拱架支护类型的概率；

在特征A的条件下，样本集D的Gini指数Gini(D,A)的计算公式为：

其中，D₁和D₂分别表示选取样本集D中的特征A中的一个数据值后得到的两个子集。

7.根据权利要求1或6所述的硬岩掘进机支护等级智能推荐方法，其特征在于，在步骤S5中，所述智能分类算法包括但不限于支持向量机、极限学习机或随机森林。

8.根据权利要求7所述的硬岩掘进机支护等级智能推荐方法，其特征在于，所述训练集和测试集的数据是经过标准化的，所述标准化包括如下步骤：

1)求出每个掘进数据的算术平均值μ_i和标准差σ_i；

2)对每个掘进数据进行标准化处理；

其中，x_ij为原始掘进数据，z_ij为标准化后的掘进数据。

9.根据权利要求1或8所述的硬岩掘进机支护等级智能推荐方法，其特征在于，所述钢拱架支护类型预测模型对应的分类函数f(x)为：

其中，w_i表示第i个训练样本的权重系数，b表示偏置系数，l表示训练集的样本总数，k(x,x_i)为核函数，x表示掘进数据，x_i表示第i个训练样本的掘进数据；

若钢拱架支护类型的类别为k种，k种钢拱架支护类型对应于k个类别的样本，k个类别的样本构造出k个分类函数{f₁(x)，f₂(x)，…，f_k(x)}；在确认未知样本分类时，将未知样本分别代入分类函数{f₁(x)，f₂(x)，…，f_k(x)}中，得到不同钢拱架支护类型所对应的分类函数值，将未知样本分类为最大分类函数值所在的那一类钢拱架支护类型。

Images