CN111365015A - 一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法 - Google Patents
一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法 Download PDFInfo
- Publication number
- CN111365015A CN111365015A CN202010146856.5A CN202010146856A CN111365015A CN 111365015 A CN111365015 A CN 111365015A CN 202010146856 A CN202010146856 A CN 202010146856A CN 111365015 A CN111365015 A CN 111365015A
- Authority
- CN
- China
- Prior art keywords
- data
- shield
- xgboost
- attitude deviation
- deviation 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
Links
- 230000005641 tunneling Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000010219 correlation analysis Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 19
- 238000013461 design Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 230000036544 posture Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/003—Arrangement of measuring or indicating devices for use during driving of tunnels, e.g. for guiding machines
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
- E21D9/08—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining with additional boring or cutting means other than the conventional cutting edge of the shield
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
- E21D9/093—Control of the driving shield, e.g. of the hydraulic advancing cylinders
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其包括以下步骤：S1，采集盾构掘进数据；S2，盾构掘进数据预处理；S3，通过数据分析和专家经验结合提取数据特征，并对提取数据特征进行相关性分析；S4，构建训练样本和测试样本；S5，训练并构建盾构姿态偏差预测模型；S6，验证盾构姿态偏差预测模型。本发明提供的一种基于XGBoost的盾构姿态偏差预测方法，其设计严谨，使用XGBoost算法进行了特征的提取，分析盾构姿态与掘进参数的内在联系，并结合专家经验特征，对特征进行相关性分析后，使得预测模型和输入数据更加匹配，提高盾构姿态的预测精度，有效保障盾构工程质量和施工安全。
Description
技术领域
本发明属于隧道掘进机械装备技术领域，涉及一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法。
背景技术
随着我国地铁建设事业的高速发展和规模不断地扩大，盾构法施工隧道越来越多。在盾构法施工中，为保证施工的质量，对盾构姿态的准确把握是对隧道的轴线进行良好的控制前提。
盾构机是一种结构复杂的大型机电液控一体化设备，同时由于盾构施工环境相对恶劣，地质环境复杂多变，所以在施工过程中会产生很多问题，在施工过程中盾构的姿态会时刻发生变化，盾构姿态的变化会对掘进线路具有较大的影响，进而影响施工质量。
盾构机穿越复杂的地质层和切削各种障碍物时受力的分布和大小会发生变化，以及刀盘刀具的磨损、土体不均的影响，会引起盾构姿态的变化，即引起盾构盾首和盾尾中心轴线与设计路线发生偏差。盾构姿态的预测就是对盾首和盾尾姿态的预测，即提前计算盾构机的盾首和盾尾轴线发生偏差，将可能出现的偏差控制在安全范围内。
当今地铁施工等规模的不断扩大，产生海量的盾构施工数据。传统分析方法只能处理小样本数据，无法快速、高效的处理巨大的数据量巨大，一定程度上造成数据资源的浪费。
专利CN108868805B提出了一种基于统计分析与XGboost结合的盾构纠偏方法，用于解决现有技术中存在的纠偏精度较低的技术问题，实现步骤为：获取盾构参数数据包；获取训练集数据和测试集数据；获取基于XGboost的盾构姿态参数回归模型；获取多组掘进样本数据；对盾构机姿态进行纠偏。通过统计分析，将姿态参数值划分为多个区间，并且对每个区间掘进数据通过XGboost所建立的回归模型进行计算，得到每组包含多条盾构数据的多组数据，使得每个区间给出一组盾构参考数据，给多环纠偏时参数设置提供依据，通过基于XGboost所拟合的回归模型，有效提高了所给出的盾构参考数据的准确性，进而提高了掘进纠偏的准确度。但是仍然存在的不足之处是：1)该方法没有有效地筛选数据中的关键特征，而是给出所有掘进参数的参考数据，导致特征冗余，计算量增大，耗时长；2)仅针对纠偏过程中的偏差值进行回归分析，构建盾构纠偏模型，没有对整个盾构过程中的姿态偏差进行预测，无法得到不同掘进参数下盾构姿态偏差的趋势。
因此，亟需设计一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，解决现有技术中存在的技术问题。
发明内容
本发明的目的是至少一定程度上解决现有技术中存在的部分技术问题，提供的一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其设计严谨，使用XGBoost算法进行了特征的提取，分析盾构姿态与掘进参数的内在联系，并结合专家经验特征，对特征进行相关性分析后，使得预测模型和输入数据更加匹配，提高盾构姿态的预测精度，有效保障盾构工程质量和施工安全。
为解决上述技术问题，本发明提供的一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其包括以下步骤：
S1，采集盾构掘进数据；
S2，盾构掘进数据预处理；
S3，通过数据分析和专家经验结合提取数据特征，并对提取数据特征进行相关性分析；
S4，构建训练样本和测试样本；
S5，训练并构建盾构姿态偏差预测模型；
S6，验证盾构姿态偏差预测模型。
优选地，步骤S3中，使用XGBoost算法，对预处理后的盾构掘进数据进行初步特征提取，降低特征维度，提取重要特征。
优选地，步骤S3中，采用专家经验，分析盾构姿态偏差的掘进影响因素，得到专家经验特征。
优选地，步骤S3中，合并XGBoost算法提取的重要特征和专家分析得到的专家经验特征，对合并的数据集采用Pearson算法进行相关性分析，过滤冗余特征，得到盾构姿态偏差预测数据包。
优选地，步骤S3中，基于XGBoost算法的重要特征提取包括以下步骤：从树深度0开始，每一个节点都遍历所有特征，计算特征的增益；对特征的增益排序，选择增益值高的特征。
优选地，步骤S4包括以下步骤：
S4-1，在盾构姿态偏差预测数据包中，提取盾构姿态数据作为标签数据，剩余盾构掘进参数数据作为无标签数据；
S4-2，从标签数据中任意选取80％的数据作为训练数据集，将剩余的20％的标签数据作为测试数据集；
S4-3，从无标签数据中任意选项80％的数据作为训练数据集，将剩余的20％的标签数据作为测试数据集。
优选地，步骤S5中，采用XGBoost算法对训练数据集进行拟合，得到盾构姿态偏差预测模型。
优选地，所述盾构姿态偏差预测模型为：
其中，L(φ)是目标函数，
是衡量
和y相似程度的损失函数；第二项Ω是正则项，
T是叶子结点的数量，γ是超参，
是L2正则项，w表示叶子结点的权重。
优选地，步骤S5中，采用网格搜索方法，在训练数据中，依据算法反馈的得分寻找XGBoost算法模型最优参数；将训练集数据输入XGBoost算法模型中，训练盾构姿态偏差预测模型，得到盾构姿态偏差预测模型。
优选地，所述盾构掘进数据通过PLC点码获取，其包括盾构掘进参数数据和盾构姿态数据。
本发明有益效果：
本发明提供的一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其设计严谨，使用XGBoost算法进行了特征的提取，分析盾构姿态与掘进参数的内在联系，并结合专家经验特征，进行相关性分析后，使得预完善测模型和输入数据更加匹配，提高盾构姿态的预测精度，有效保障盾构工程质量和施工安全。
附图说明
通过结合以下附图所作的详细描述，本发明的上述优点将变得更清楚和更容易理解，这些附图只是示意性的，并不限制本发明，其中：
图1是本发明所述一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法的流程图；
图2是本发明所述基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法另一个实施例的流程图；
图3是本发明所述异常值识别的箱型图法原理图；
图4是本发明所述实施例中Pearson算法相关性分析的结果图；
图5是本发明盾构姿态偏差预测真实值和预测值结果对比图。
具体实施方式
图1至图5是本申请所述一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法的相关示意图，下面结合具体实施例和附图，对本发明进行详细说明。
在此记载的实施例为本发明的特定的具体实施方式，用于说明本发明的构思，均是解释性和示例性的，不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外，本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案，这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案。
本说明书的附图为示意图，辅助说明本发明的构思，示意性地表示各部分的形状及其相互关系。请注意，为了便于清楚地表现出本发明实施例的各部件的结构，各附图之间并未按照相同的比例绘制。相同的参考标记用于表示相同的部分。
本发明所述一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法的流程图，如图1所示，其包括以下步骤：
S1，采集盾构掘进数据；
S2，盾构掘进数据预处理；
S3，通过数据分析和专家经验结合提取数据特征，并对提取的数据特征进行相关性分析；
S4，构建训练样本和测试样本；
S5，训练并构建盾构姿态偏差预测模型；
S6，验证盾构姿态偏差预测模型。
图2是对图1中步骤S6中验证盾构姿态偏差预测模型的展开的示意图。向构建的盾构姿态偏差预测模型输入参数，计算预测偏差；若预测精度满足施工要求，即在此预测精度下，盾构机可在安全范围内沿预定路线施工，则结束流程；若预测精度不满足施工要求，则跳转至步骤S2，按照流程依次进行步骤S2至S6。
步骤S1中，所述盾构掘进数据通过PLC点码获取，其包括盾构掘进参数数据和盾构姿态数据。其中，盾构掘进参数数据包括盾构总推力、盾构总油压、推进速度、刀盘转速、刀盘扭矩、刀盘压力、刀盘正反转、前筒回转角、前筒俯仰角、仿形刀行程、内圈温度、外圈温度、贯入度、千斤顶行程、铰接行程、盾尾间隙、前端坐标点、后端坐标点、土舱上下方向压力实测值、土舱左右方向压力实测值、出土速率、右上注浆量、右下注浆量、左上注浆量、左下注浆量、右上同步注浆压力、右下同步注浆压力、左上同步注浆压力和左下同步注浆压力；盾构姿态数据包括盾首水平偏差、盾首垂直偏差、盾尾水平偏差和盾尾垂直偏差。
步骤S2中，盾构掘进数据的预处理包括以下内容：缺失值的填充、异常值的剔除和数据标准化。
本发明中，缺失值的填充是检测并填充原数据中的空值，避免构建模型时因数据缺失引起异常；对于获得的盾构掘进数据的每一个特征属性，由于采集的异常都可能会存在缺失值，对于这些异常缺失可以使用平均值对其进行填充，得到完整的盾构掘进数据；
本发明中，异常值的剔除是对缺失值的填充处理后的数据中的异常点进行剔除，减少“异常”数据对模型精度的影响；针对采集的数据样本中的异常值处理采用箱型图法，对完整的盾构掘进数据进行异常值处理，去除离群点，降低噪声，提高盾构掘进数据质量；
图3是箱型图法区分异常点的原理图。大于或小于箱型图设定的上下界的数值即为异常值，设上四分位数为U，表示在所有样本中大于该样本3/4的数值，设下四分位数设为L，表示在所有样本中小于该样本3/4的数值，设上四分位与下四分位的差值为IQR，即：IQR＝U-L，则上界为U+1.5IQR，下界为L-1.5IQR。
本发明中，数据标准化也称归一化处理，其是将缺失值的填充、异常值的剔除处理后的数据映射到[0,1]区间内，消除不同特征之间数据单位不一致带来的量纲影响，使得所有数据在同一参考系下。具体地，可以采用线性函数归一化算法进行样本归一化处理，对盾构掘进数据归一化至[0,1]范围内，消除奇异样本数据导致的不良影响，得到预处理后的盾构掘进数据；
归一化即min-max标准化，又名离差标准化，是对原始数据的线性转化，公式如下：
其中，max为样本最大值，min为样本最小值，x为原数据，x*为归一化之后的数据。
作为本发明的一个实施例，步骤S3中，使用XGBoost算法，对预处理后的盾构掘进数据进行初步特征提取，降低特征维度，提取重要特征。具体地，针对不同的盾构姿态，对其特征数据设定阈值，依据阈值过滤，进行重要特征提取，得到特征降维后的盾构掘进数据；
优选地，步骤S3中，采用专家经验，分析盾构姿态偏差的掘进影响因素，得到专家经验特征。合并XGBoost算法提取的重要特征和专家分析得到的专家经验特征，对合并的数据集采用Pearson算法进行相关性分析，过滤冗余特征，得到盾构姿态偏差预测数据包。
本发明中，Pearson算法具体公式如下：
其中，cov(X,Y)为随机变量X,Y的协方差，σXσY为分别表示随机变量X、Y的标准差，ρX,Y∈[0,1]，越大代表随机相关性越强。
作为本发明的另一个实施例，基于XGBoost算法的重要特征提取包括以下步骤：从树深度0开始，每一个节点都遍历所有特征，计算特征的增益；对特征的增益排序，选择增益值高的特征。增益是该特征通过模型中的每个树时，特征对模型的贡献，与其他特征相比，此度量值的较高时，意味着该特征对于生成预测更为重要。因此，可以根据增益的高低判定其对模型的贡献程度。
本发明中，步骤S4包括以下步骤：
S4-1，在盾构姿态偏差预测数据包中，提取盾构姿态数据作为标签数据，剩余盾构掘进参数数据作为无标签数据；
S4-2，从标签数据中任意选取80％的数据作为训练数据集，将剩余的20％的标签数据作为测试数据集；
S4-3，从无标签数据中任意选项80％的数据作为训练数据集，将剩余的20％的标签数据作为测试数据集。
为了构建预测关系，采用训练数据集构建训练模型，采用测试数据集进行训练模型验证。训练数据中标签数据表示预测模型的输出，无标签数据表示模型的输入，通过XGBoost进行预测关系的训练学习，得到预测关系并进行验证。
步骤S5中，采用XGBoost算法对训练数据集进行拟合，得到盾构姿态偏差预测模型。具体地，采用网格搜索方法在训练数据中，依据算法反馈的得分寻找XGBoost算法模型最优参数；将训练集数据输入XGBoost算法模型中，训练盾构姿态偏差预测模型，得到盾构姿态偏差预测模型。
本发明中，所述网格搜索方法就是要尝试我们关心的参数所有可能的组合，其实现过程具体包括如下：
首先，将关心参数的值写成一个列表；
接着，使用一个循环依次遍历列表，在循环体中建立盾构姿态偏差预测模型，依次调用遍历的参数值，并将表现状况输出；
最后，选择表现好的参数，完成最优参数的寻找。
本发明中，所述盾构姿态偏差预测模型为：
其中，L(φ)是目标函数，
是衡量
和y相似程度的损失函数；第二项Ω是正则项，
T是叶子结点的数量，γ是超参，γ的值越大，叶子结点的数量就会越小；
是L2正则项，w表示叶子结点的权重。本模型中，通过对叶子结点的权重进行惩罚，防止权重过大造成过拟合。
下面结合具体实施例，阐述本发明所述基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法的使用流程。
盾构掘进数据来源于某城市地铁的盾构施工，数据的主要形式为电子表格，本数据一共21589行，表中每行代表对应的一环在时间上对应的一组数据，每一列是盾构施工对应的数据属性，这些字段总有76个，大致可分为5类，分别有盾构姿态参数、注浆参数、盾尾间隙参数、盾构掘进参数、盾构状态参数。
在21589行，76列数据中提取盾构掘进相关参数，在盾构掘进数据中删除一些没必要的特征，如时间、推进状态(on/off)、拼装状态(on/off)等，剩余4398行，67列作为原始数据；再以预测盾构切口水平偏差为例，将数据集划分训练数据集量和测试数据集量，其比值为8：2。如表1和表2所示，对盾构掘进数据进行采集后，进行数据预处理操作，可得到两类数据，一类是盾构掘进数据，如表1；另一类是盾构姿态的数据，如表2。
表1盾构掘进数据预处理(部分数据)
表2盾构姿态数据预处理数据(部分数据)
接着，再从67列特征中，提取盾构姿态数据4列，真正的盾构掘进数据为63列，在这63列数据特征基础上使用XGBoost算法进行特征提取，可得到如表3所示，表3中为16个重要特征。
表3经过XGBoost算法提取的重要特征
再结合专家经验分析，获得专家经验特征，如表4所示。
表4专家经验特征
将XGBoost算法提取的重要特征和专家分析得到的专家经验特征合并，得到表5中的数据特征。表5示出了取并集之后的23个数据特征。
表5专家经验特征和XGBoost算法提取的特征的并集
最后对23个数据特征进行相关性分析，如图4所示，一般认为0.8-1.0为极强相关，0.6-0.8为强相关，0.4-0.6为中等程度相关，0.2-0.4为弱相关，0.0-0.2为极弱相关或无相关。这里选择阈值为0.4，删除强相关项，得到表6所示的15个特征。
表6经过皮尔森算法进行相关性分析后的特征
以最终的特征结果为非标签数据，以盾构姿态数据之盾构水平偏差数据为标签数据，对非标签数据和标签进行数据划分，划分为训练集和测试集，构建盾构姿态偏差预测模型。为了验证XGBoost的精确度，同时还使用SVR算法和线性回归法(Linear Regression)构建盾构姿态偏差预测模型，以比较模型的优劣，其对比表格，如表7所示。
表7基于不同预测算法获取的盾首水平姿态偏差预测精度对比
| 算法名称 | 预测精度 |
| XGBoost | 0.905924 |
| SVR | 0.810136 |
| Linear Regression | 0.619547 |
由于该模型充分反映了盾构掘进数据和盾构姿态数据之间的关系，使得预测模型和输入数据更加匹配，提高盾构姿态的预测精度。由表7可知，XGBoost算法预测精度最高。
如图5给出了最终预测结果，实线表示真实数据，点画线表示预测数据。由图5可知：预测值与真实测试值基本一致，进一步验证了本发明所述基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法的有效性。
现有技术中，在盾构施工过程中主要靠自动导向方法，计算盾构掘进轴线与隧道设计轴线的偏差，进而指导盾构的掘进。这种自动导向计算方法依靠计算盾尾和盾首的中心坐标确定，并不能提前根据当前的施工状况预测偏差，而且对大量采集的盾构掘进数据没有充分使用，造成数据资源的浪费。
相比于现有技术的缺点和不足，本发明提供的一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其设计严谨，对盾构在施工过程中的工况数据进行了科学分析，剔除了相关数据，使用XGBoost算法进行了特征的提取，分析盾构姿态与掘进参数的内在联系，并有效结合专家经验特征，进行相关性分析后，使得预测模型和输入数据更加匹配，提高盾构姿态的预测精度，有效保障盾构工程质量和施工安全。
本发明不局限于上述实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。
Claims (10)
1.一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其特征在于，包括以下步骤：
S1，采集盾构掘进数据；
S2，盾构掘进数据预处理；
S3，通过数据分析和专家经验结合提取数据特征，并对提取的数据特征进行相关性分析；
S4，构建训练样本和测试样本；
S5，训练并构建盾构姿态偏差预测模型；
S6，验证盾构姿态偏差预测模型。
2.根据权利要求1所述的基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其特征在于，步骤S3中，使用XGBoost算法，对预处理后的盾构掘进数据进行初步特征提取，降低特征维度，提取重要特征。
3.根据权利要求2所述的基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其特征在于，步骤S3中，采用专家经验，分析盾构姿态偏差的掘进影响因素，得到专家经验特征。
4.根据权利要求3所述的基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其特征在于，步骤S3中，合并XGBoost算法提取的重要特征和专家分析得到的专家经验特征，对合并的数据集采用Pearson算法进行相关性分析，过滤冗余特征，得到盾构姿态偏差预测数据包。
5.根据权利要求2所述的基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其特征在于，步骤S3中，基于XGBoost算法的重要特征提取包括以下步骤：从树深度0开始，每一个节点都遍历所有特征，计算特征的增益；对特征的增益排序，选择增益值高的特征。
6.根据权利要求1所述的基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其特征在于，步骤S4包括以下步骤：
S4-1，在盾构姿态偏差预测数据包中，提取盾构姿态数据作为标签数据，剩余盾构掘进参数数据作为无标签数据；
S4-2，从标签数据中任意选取80％的数据作为训练数据集，将剩余的20％的标签数据作为测试数据集；
S4-3，从无标签数据中任意选项80％的数据作为训练数据集，将剩余的20％的标签数据作为测试数据集。
7.根据权利要求6所述的基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其特征在于，步骤S5中，采用XGBoost算法对训练数据集进行拟合，得到盾构姿态偏差预测模型。
8.根据权利要求1所述的基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其特征在于，所述盾构姿态偏差预测模型为：
其中，L(φ)是目标函数，
是衡量
和y相似程度的损失函数；第二项Ω是正则项，
T是叶子结点的数量，γ是超参，
是L2正则项，w表示叶子结点的权重。
9.根据权利要求7所述的基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其特征在于，步骤S5中，采用网格搜索方法，在训练数据中，依据算法反馈的得分寻找XGBoost算法模型最优参数；将训练集数据输入XGBoost算法模型中，训练盾构姿态偏差预测模型，得到盾构姿态偏差预测模型。
10.根据权利要求1所述的基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法，其特征在于，所述盾构掘进数据通过PLC点码获取，其包括盾构掘进参数数据和盾构姿态数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010146856.5A CN111365015A (zh) | 2020-03-05 | 2020-03-05 | 一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010146856.5A CN111365015A (zh) | 2020-03-05 | 2020-03-05 | 一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111365015A true CN111365015A (zh) | 2020-07-03 |
Family
ID=71204398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010146856.5A Pending CN111365015A (zh) | 2020-03-05 | 2020-03-05 | 一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111365015A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112100841A (zh) * | 2020-09-09 | 2020-12-18 | 中铁二十局集团有限公司 | 盾构机姿态预测方法、装置、终端设备以及存储介质 |
| CN112287595A (zh) * | 2020-09-16 | 2021-01-29 | 同济大学 | 基于探地雷达检测和机器学习的盾构隧道壁后注浆厚度的预测方法 |
| CN112348278A (zh) * | 2020-11-18 | 2021-02-09 | 中铁工程装备集团有限公司 | 一种基于XGBoost算法预测盾构机土仓压力的方法 |
| CN112364917A (zh) * | 2020-11-10 | 2021-02-12 | 辽宁石油化工大学 | 地质类型的识别方法及装置、存储介质、计算机设备 |
| CN112879024A (zh) * | 2021-01-23 | 2021-06-01 | 西安建筑科技大学 | 一种盾构姿态动态预测方法、系统及设备 |
| CN113513331A (zh) * | 2021-04-15 | 2021-10-19 | 上海交通大学 | 基于盾构机运行参数的掘进掌子面岩土类型识别方法、系统及介质 |
| CN114117599A (zh) * | 2021-11-22 | 2022-03-01 | 中铁高新工业股份有限公司 | 一种盾构姿态位置偏差预测方法 |
| CN114417388A (zh) * | 2022-01-25 | 2022-04-29 | 云南电网有限责任公司信息中心 | 基于纵向联邦学习的电力负荷预测方法、系统、设备及介质 |
| CN115408926A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 用于隧道掘进岩体参数预测的数据处理方法和装置 |
| CN115982515A (zh) * | 2023-01-05 | 2023-04-18 | 西南交通大学 | 一种盾构机姿态控制参数最佳取值的获取方法 |
| CN117725488A (zh) * | 2024-02-06 | 2024-03-19 | 河北元泰建中项目管理有限公司 | 基于机器学习的建筑工程项目安全性能预测方法及系统 |
| CN115408926B (zh) * | 2022-07-22 | 2024-07-02 | 北京交通大学 | 用于隧道掘进岩体参数预测的数据处理方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108614944A (zh) * | 2018-05-10 | 2018-10-02 | 西安电子科技大学 | 一种盾构轨迹轴线纠偏参数预测方法 |
| 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 |
| CN108868805A (zh) * | 2018-06-08 | 2018-11-23 | 西安电子科技大学 | 基于统计分析与XGboost结合的盾构纠偏方法 |
| CN110242310A (zh) * | 2019-06-14 | 2019-09-17 | 西安电子科技大学 | 基于深度神经网络与关联分析结合的盾构轴线纠偏方法 |
| CN110533065A (zh) * | 2019-07-18 | 2019-12-03 | 西安电子科技大学 | 基于自编码特征和深度学习回归模型的盾构姿态预测方法 |
-
2020
- 2020-03-05 CN CN202010146856.5A patent/CN111365015A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108614944A (zh) * | 2018-05-10 | 2018-10-02 | 西安电子科技大学 | 一种盾构轨迹轴线纠偏参数预测方法 |
| CN108868805A (zh) * | 2018-06-08 | 2018-11-23 | 西安电子科技大学 | 基于统计分析与XGboost结合的盾构纠偏方法 |
| 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 |
| CN110242310A (zh) * | 2019-06-14 | 2019-09-17 | 西安电子科技大学 | 基于深度神经网络与关联分析结合的盾构轴线纠偏方法 |
| CN110533065A (zh) * | 2019-07-18 | 2019-12-03 | 西安电子科技大学 | 基于自编码特征和深度学习回归模型的盾构姿态预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 不公告发明人: "XGBoost原理", 《HTTPS://ZOYI14.SMARTAPPS.CN/PAGES/NOTE/INDEX?SLUG=A62F4DCE3CE8&ORIGIN=SHARE&HOSTNAME=BAIDUBOXAPP&_SWEBFR=1》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112100841B (zh) * | 2020-09-09 | 2024-04-19 | 中铁二十局集团有限公司 | 盾构机姿态预测方法、装置、终端设备以及存储介质 |
| CN112100841A (zh) * | 2020-09-09 | 2020-12-18 | 中铁二十局集团有限公司 | 盾构机姿态预测方法、装置、终端设备以及存储介质 |
| CN112287595B (zh) * | 2020-09-16 | 2023-05-23 | 同济大学 | 基于探地雷达检测和机器学习的盾构隧道壁后注浆厚度的预测方法 |
| CN112287595A (zh) * | 2020-09-16 | 2021-01-29 | 同济大学 | 基于探地雷达检测和机器学习的盾构隧道壁后注浆厚度的预测方法 |
| CN112364917A (zh) * | 2020-11-10 | 2021-02-12 | 辽宁石油化工大学 | 地质类型的识别方法及装置、存储介质、计算机设备 |
| CN112364917B (zh) * | 2020-11-10 | 2024-02-13 | 辽宁石油化工大学 | 地质类型的识别方法及装置、存储介质、计算机设备 |
| CN112348278A (zh) * | 2020-11-18 | 2021-02-09 | 中铁工程装备集团有限公司 | 一种基于XGBoost算法预测盾构机土仓压力的方法 |
| CN112879024A (zh) * | 2021-01-23 | 2021-06-01 | 西安建筑科技大学 | 一种盾构姿态动态预测方法、系统及设备 |
| CN112879024B (zh) * | 2021-01-23 | 2024-01-16 | 西安建筑科技大学 | 一种盾构姿态动态预测方法、系统及设备 |
| CN113513331A (zh) * | 2021-04-15 | 2021-10-19 | 上海交通大学 | 基于盾构机运行参数的掘进掌子面岩土类型识别方法、系统及介质 |
| CN114117599A (zh) * | 2021-11-22 | 2022-03-01 | 中铁高新工业股份有限公司 | 一种盾构姿态位置偏差预测方法 |
| CN114417388B (zh) * | 2022-01-25 | 2022-08-26 | 云南电网有限责任公司信息中心 | 基于纵向联邦学习的电力负荷预测方法、系统、设备及介质 |
| CN114417388A (zh) * | 2022-01-25 | 2022-04-29 | 云南电网有限责任公司信息中心 | 基于纵向联邦学习的电力负荷预测方法、系统、设备及介质 |
| CN115408926A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 用于隧道掘进岩体参数预测的数据处理方法和装置 |
| CN115408926B (zh) * | 2022-07-22 | 2024-07-02 | 北京交通大学 | 用于隧道掘进岩体参数预测的数据处理方法和装置 |
| CN115982515B (zh) * | 2023-01-05 | 2023-09-29 | 西南交通大学 | 一种盾构机姿态控制参数最佳取值的获取方法 |
| CN115982515A (zh) * | 2023-01-05 | 2023-04-18 | 西南交通大学 | 一种盾构机姿态控制参数最佳取值的获取方法 |
| CN117725488A (zh) * | 2024-02-06 | 2024-03-19 | 河北元泰建中项目管理有限公司 | 基于机器学习的建筑工程项目安全性能预测方法及系统 |
| CN117725488B (zh) * | 2024-02-06 | 2024-04-30 | 河北元泰建中项目管理有限公司 | 基于机器学习的建筑工程项目安全性能预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111365015A (zh) | 一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法 | |
| CN110888849B (zh) | 一种在线日志解析方法、系统及其电子终端设备 | |
| CN109635461A (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
| CN111078868A (zh) | 基于知识图谱分析的装备试验体系规划决策的方法及系统 | |
| CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
| CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
| CN109726246A (zh) | 一种基于数据挖掘和可视化的电网事故关联原因回溯方法 | |
| CN108334033A (zh) | 基于物联网与机器学习的冲床组故障预测方法及其系统 | |
| CN112396320A (zh) | 一种基于ism与模糊贝叶斯网络的隧道坍塌风险评估方法 | |
| CN110472671B (zh) | 基于多阶段的油浸式变压器故障数据预处理方法 | |
| CN111709244B (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
| CN110242310B (zh) | 基于深度神经网络与关联分析结合的盾构轴线纠偏方法 | |
| CN112181706B (zh) | 一种基于对数区间隔离的电力调度数据异常检测方法 | |
| CN114118224A (zh) | 一种基于神经网络的全系统遥测参数异常检测系统 | |
| CN106054858A (zh) | 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法 | |
| CN113626400A (zh) | 基于日志树和解析树的日志事件提取方法及系统 | |
| CN111860775B (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
| CN112101439B (zh) | 基于分布式贝叶斯网络的高速线材质量缺陷诊断与溯源方法 | |
| CN113431635B (zh) | 半监督的盾构隧道掌子面地质类型预估方法及系统 | |
| CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
| CN112232574A (zh) | 一种基于支持向量机的泥石流灾害降雨阈值自动划分方法 | |
| CN113326661B (zh) | 一种基于RS-XGBoost的隧道超前钻探定量解译方法及设备 | |
| CN110879802A (zh) | 一种日志模式提取及匹配方法 | |
| CN111140244A (zh) | 一种硬岩掘进机支护等级智能推荐方法 | |
| CN114139781A (zh) | 一种电力系统的运行趋势预测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |