CN113807004A - 基于数据挖掘的刀具寿命预测方法、装置及系统 - Google Patents

基于数据挖掘的刀具寿命预测方法、装置及系统 Download PDF

Info

Publication number
CN113807004A
CN113807004A CN202110735673.1A CN202110735673A CN113807004A CN 113807004 A CN113807004 A CN 113807004A CN 202110735673 A CN202110735673 A CN 202110735673A CN 113807004 A CN113807004 A CN 113807004A
Authority
CN
China
Prior art keywords
tool life
parameters
clustering
data
cluster
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
CN202110735673.1A
Other languages
English (en)
Inventor
谭忠盛
周振梁
于荣森
李宗林
李凤远
赵金鹏
崔莹
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202110735673.1A priority Critical patent/CN113807004A/zh
Publication of CN113807004A publication Critical patent/CN113807004A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于数据挖掘的刀具寿命预测方法、装置及系统，包括：获取数据库中不同围岩的属性参数，对多个围岩的属性参数进行聚类处理得到多个聚类结果；根据聚类结果中各围岩的属性参数以及刀具寿命参数建立刀具寿命回归公式；获取当前时刻输入的围岩的属性参数至所述刀具寿命回归公式，得到当前时刻预测的刀具寿命参数。本发明提供的技术方案，能够基于人工智能的方式对刀具的寿命进行预测，并且该种预测是在保障正常施工的前提下进行的。本发明还能够根据地质条件的差异性对刀具的寿命进行预测，使得刀具的寿命预测相对更加的准确。工作人员能够对施工情况较为明确的了解，保障了TBM隧道施工的正确指导。

Description

基于数据挖掘的刀具寿命预测方法、装置及系统
技术领域
本发明涉及土木工程及人工智能技术领域，尤其涉及一种基于数据挖掘的刀具寿命预测方法、装置及系统。
背景技术
随着信息化的推动和智能化设备的发展，通过TBM进行掘进的隧道工程越来越多，虽采用机械化施工效率较高，但随之而来的也是施工成本的增加。其中TBM 隧道的施工效率和建设成本受岩石参数、掘进参数和TBM设计等因素影响。在硬岩隧道掘进中，刀具的消耗占总开挖成本的10％以上，由此可见，刀具寿命对TBM 隧道开挖成本的影响不容小觑，但是当前还没有一种技术方案能够对刀具的使用寿命进行较为准确预测。
发明内容
本发明实施例提供一种基于数据挖掘的刀具寿命预测方法、装置及存储介质，根据实际工况预测刀具寿命，有效指导TBM的正常掘进。
本发明实施例的第一方面，提供一种基于数据挖掘的刀具寿命预测方法，包括：
获取数据库中不同围岩的属性参数，对多个围岩的属性参数进行聚类处理得到多个聚类结果；
根据聚类结果中各围岩的属性参数以及刀具寿命参数建立刀具寿命回归公式；
获取当前时刻输入的围岩的属性参数至所述刀具寿命回归公式，得到当前时刻预测的刀具寿命参数。
可选地，在第一方面的一种可能实现方式中，所述刀具寿命参数包括至少一个，所述刀具寿命参数包括种类信息和寿命信息；
获取当前时刻输入的种类信息，将具有该种类信息的刀具寿命参数对应的寿命信息输出。
可选地，在第一方面的一种可能实现方式中，所述聚类结果包括多个数据簇；
所述对多个围岩的属性参数进行聚类处理得到多个聚类结果包括：
基于k-means算法对不同围岩的属性参数进行分类，其中属性参数包括围岩单轴抗压强度信息、地层破碎程度信息以及石英含量信息中的任意一种或多种。
可选地，在第一方面的一种可能实现方式中，预先建立样本集D＝{x1, x2,…,xm}；
从围岩的属性参数中随机选择k个样本作为初始的k个质心向量{μ1, μ2,…,μk}；
对于i＝1,2,…,m，通过以下公式计算样本点与各质心向量间的距离：
dik＝‖xi–μk‖2 2
其中，dik为各样本点与相应质心向量间的距离，xi为样本i坐标向量，μk为各数据簇的质心向量；
记录各样本点xi与各质心向量计算间距的dik，取其中最小值所对应的质心向量序数记为λi，通过前述过程划分得到初始化的数据簇分配：
yλi＝{xd1k min,xd2k min,xd3k min,…,xdkk min}
其中，xdikmin为距各自最近的第k个质心向量μk的样本点坐标向量，yλi为分配后的数据簇样本；
将样本集进行本要求前述过程预处理，即得到初始化数据簇集合C＝{y k 1,y k2,y k 3,…,y k k},k为质心向量数，y k k为预处理后以第k个质心向量进行初始簇分配的第k个数据簇；
对于j＝1,2,…,k，通过以下公式对C中所有的数据簇重新计算新的质心：
Figure RE-GDA0003281298730000021
进而得到新的质心向量集合{μ’1,μ’2,μ’3,…,μ’k}
通过前述步骤过程对样本数据集分配簇集合进行迭代，直至k个质心向量都不发生变化，输出最终的数据簇划分集合C’＝{C1,C2,…,Ck}，其中Ck为迭代更新后最终的第k个分配数据簇。
可选地，在第一方面的一种可能实现方式中，还包括：
结合k-means聚类方法，采用轮廓系数和卡林斯基-哈拉巴兹指数两种指标对不同的聚类组数产生的聚类效果进行评价，对各k值条件下计算所得的SC 值和CH值进行对比分析，挑选最佳的聚类簇数对围岩的属性参数进行聚类；
第i个样本的SC值通过以下公式计算：
Figure RE-GDA0003281298730000031
其中，a(i)为第i个样本与其所在簇内其他样本的平均距离，b(i)为第i 个样本与其他簇样本的平均距离，所有样本的SC值平均值即为聚类的整体SC 值，取值范围为[-1,1]；
CH值通过以下公式计算：
Figure RE-GDA0003281298730000032
其中，m为样本数，k为簇数，Bk为簇之间的协方差矩阵，W为簇内部数据的协方差矩阵，tr为矩阵的迹。
可选地，在第一方面的一种可能实现方式中，所述根据聚类结果中各围岩的属性参数以及刀具寿命参数建立刀具寿命回归公式包括：
通过多变量研究总体和各簇内围岩参数和掘进参数与TBM刀具寿命之间的关系并建立经验公式；
采用幂函数对所述经验公式进行多元非线性回归；
预先设置常规幂函数，如下所示
Figure RE-GDA0003281298730000033
其中，A为常规幂函数系数，xki为幂函数第ki个自变量参数，βk为第ki个自变量参数次幂，eμi为幂函数模型，μi为参数次幂；
通过两边取对数可得下式：
lnYi＝ln A+β2ln X2i+β3ln X3i+…+βk ln Xki+ui
令：Yi *＝lnYi，β1＝lnA，X2i *＝lnX2i，…，Xki *＝lnXki
将原模型转化为标准的线性回归模型，如下式所示
Figure RE-GDA0003281298730000034
通过回归计算，得出各数据簇标准的寿命回归公式。
可选地，在第一方面的一种可能实现方式中，获得实际的刀具寿命参数；
将实际的刀具寿命参数与预测的刀具寿命参数进行比对，并将比对结果反馈至刀具寿命回归公式，更新所述刀具寿命回归公式的梯度参数。
本发明实施例的第二方面，提供一种基于数据挖掘的刀具寿命预测装置，包括：
获取模块，用于获取数据库中不同围岩的属性参数，对多个围岩的属性参数进行聚类处理得到多个聚类结果；
建立模块，用于根据聚类结果中各围岩的属性参数以及刀具寿命参数建立刀具寿命回归公式；
预测模块，用于获取当前时刻输入的围岩的属性参数至所述刀具寿命回归公式，得到当前时刻预测的刀具寿命参数。
可选地，在第二方面的一种可能实现方式中，包括预测单元，所述预测单元用于执行以下步骤：
所述刀具寿命参数包括至少一个，所述刀具寿命参数包括种类信息和寿命信息；
获取当前时刻输入的种类信息，将具有该种类信息的刀具寿命参数对应的寿命信息输出。
本发明实施例的第三方面，提供一种基于数据挖掘的刀具寿命预测系统，包括上述的装置，还包括：
云端服务器，所述云端服务器包括所述获取模块、建立模块以及预测模块；
数据库，所述数据库用于存储不同围岩的属性参数；
通讯单元，与所述云端服务器连接，用于将服务器获得的刀具寿命参数进行发送；
访问终端，与所述通讯单元连接，用于接收云端服务器发送的刀具寿命参数。
可选地，在第三方面的一种可能实现方式中，所述云端服务器还包括处理单元，所述处理单元用于执行以下步骤：
获取当前时刻预测的刀具寿命参数；
接收预先配置的提醒寿命参数；
将当前时刻预测的刀具寿命参数与所述提醒寿命参数进行比对得到比对结果；
若所述比对结果小于预设值，则输出刀具替换提醒。
本发明实施例的第四方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的一种基于数据挖掘的刀具寿命预测方法、装置及存储介质，能够基于人工智能的方式对刀具的寿命进行预测，并且该种预测是在保障正常施工的前提下进行的。本发明提供的技术方案，能够根据地质条件的差异性对刀具的寿命进行预测，使得刀具的寿命预测相对更加的准确，工作人员能够对施工情况较为明确的了解，保障了TBM隧道施工的正确指导。
附图说明
图1为基于数据挖掘的刀具寿命预测方法的流程图；
图2为SC值和CH值的对比示意图；
图3a为所有数据簇的的预测结果和实际结果；
图3b为数据簇1的预测结果和实际结果；
图3c为数据簇2的预测结果和实际结果；
图3d为数据簇3的预测结果和实际结果；
图3e为数据簇4的预测结果和实际结果；
图3f为数据簇5的预测结果和实际结果；
图4为刀具寿命回归公式预测结果和实际结果对比示意图；
图5为基于数据挖掘的刀具寿命预测装置的结构图；
图6为基于数据挖掘的刀具寿命预测系统的结构图。
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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指 A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B 和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B
相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A 确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与 B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供一种基于数据挖掘的刀具寿命预测方法，如图1所示，包括：
步骤S110、获取数据库中不同围岩的属性参数，对多个围岩的属性参数进行聚类处理得到多个聚类结果。
在步骤S110中，还包括：
S1.1为了较快的、更好地分析数据，避免调参参数多的复杂性，并做出较为合理的解释，选择最为常用的基于划分多个数据簇的聚类方法—k-means 算法进行围岩属性参数聚类。
S1.2 k-means算法中k值分别设置为3、4、5、6和7，以围岩单轴抗压强度、地层破碎程度和石英含量三类属性参数数据作为样本进行分析，采集围岩参数样本数据并输入样本集D＝{x1,x2,…,xm}，从围岩属性数据集中随机选择k个样本作为初始的k个质心向量{μ1,μ2,…,μk}；
S1.3数据簇划分迭代过程；
对于i＝1,2,…,m，通过以下公式计算样本点与各质心向量间的距离：
dik＝‖xi–μk‖2 2
其中，dik为各样本点与相应质心向量间的距离，xi为样本i坐标向量，μk为各数据簇的质心向量；
记录各样本点xi与各质心向量计算间距的dik，取其中最小值所对应的质心向量序数记为λi，通过前述过程划分得到初始化的数据簇分配：
yλi＝{xd1k min,xd2k min,xd3k min,…,xdkk min}
其中，xdikmin为距各自最近的第k个质心向量μk的样本点坐标向量，yλi为分配后的数据簇样本；
将样本集进行本要求前述过程预处理，即得到初始化数据簇集合C＝{y k 1,y k2,y k 3,…,y k k},k为质心向量数，y k k为预处理后以第k个质心向量进行初始簇分配的第k个数据簇；
对于j＝1,2,…,k，通过以下公式对C中所有的数据簇重新计算新的质心：
Figure RE-GDA0003281298730000071
进而得到新的质心向量集合{μ’1,μ’2,μ’3,…,μ’k}
通过前述步骤过程对样本数据集分配簇集合进行迭代，直至k个质心向量都不发生变化，输出最终的数据簇划分集合C’＝{C1,C2,…,Ck}，其中Ck为迭代更新后最终的第k个分配数据簇。
S1.4：结合k-means聚类方法，通过采用轮廓系数(SC)和卡林斯基-哈拉巴兹指数(CH)两种指标对不同的聚类组数产生的聚类效果进行评价，对各k值条件下计算所得的SC值和CH值进行对比分析，如图2所示，进而挑选最佳聚类簇数对围岩属性参数进行聚类，各簇中不同属性参数的范围如表1所示；
表1
Figure RE-GDA0003281298730000072
第i个样本的SC值的计算方法如下：
Figure RE-GDA0003281298730000081
式中：a(i)为第i个样本与其所在簇内其他样本的平均距离，
b(i)为第i个样本与其他簇样本的平均距离，
所有样本的SC值平均值即为聚类的整体SC值，取值范围为[-1,1]；
CH值的计算方法如下式所示：
Figure RE-GDA0003281298730000082
式中：m为样本数，k为簇数，Bk为簇之间的协方差矩阵，
W为簇内部数据的协方差矩阵，tr为矩阵的迹。
在现有技术中，刀具预测模型依托于不同试验和工程而建立，仅根据各自的特点而表现出相对优劣势，而本发明的预测模型在步骤S110中聚类分析只依靠数据本身来确定数据之间的关系，既而表现出一定的普遍适用性，对数据没有较多的筛选前提，且根据数据簇的最佳划分作用，在一定程度上避免了对数据总体进行分析所引起的对实际情况一概而论的弊端，使得本发明建立的刀具寿命回归公式更接近并符合实际情况。
在数据簇迭代的过程中，本发明的技术方案，相较于现有技术中数据簇的划分更具普遍适用性，并非是以空簇划分或零集进行特定初始化，在使得预测模型建立后，不会因特定条件的约束而导致广泛应用性减弱。
步骤S120根据聚类结果中各围岩的属性参数以及刀具寿命参数建立刀具寿命回归公式。
于围岩属性聚类结果，采用多变量研究总体和各簇内围岩参数和掘进参数与TBM刀具寿命之间的关系并建立经验公式。为了建立更为合理的回归方程采用幂函数进行多元非线性回归，幂函数的一般形式如下式：
Figure RE-GDA0003281298730000083
其中，A为常规幂函数系数，xki为幂函数第ki个自变量参数，βk为第ki个自变量参数次幂，eμi为幂函数模型，μi为参数次幂；
通过两边取对数可得下式：
lnYi＝ln A+β2ln X2i+β3ln X3i+…+βk ln Xki+ui
令：Yi *＝lnYi，β1＝lnA，X2i *＝lnX2i，…，Xki *＝lnXki
将原模型转化为标准的线性回归模型，如下式：
Figure RE-GDA0003281298730000084
通过回归计算，得出各簇刀具寿命预测模型回归公式，如表2所示，刀具寿命模型预测值与实测值对比如图3a、图3b、图3c、图3d、图3e、图3f以及和图4所示；
表2
Figure RE-GDA0003281298730000091
步骤S130获取当前时刻输入的围岩的属性参数至所述刀具寿命回归公式，得到当前时刻预测的刀具寿命参数。
在一个实施例中，刀具寿命参数包括至少一个，所述刀具寿命参数包括种类信息和寿命信息；
获取当前时刻输入的种类信息，将具有该种类信息的刀具寿命参数对应的寿命信息输出。
在实际工况中，不同的刀具具有不同的适用工况，所以不同的刀具其使用的寿命也是不同的，所以在预测刀具的寿命过程中将刀具的种类也作为一项输入，得到与该种刀具种类对应的刀具寿命参数。使得本发明提供的技术方案在进行刀具寿命预测时更加的精确。
还包括：获得实际的刀具寿命参数，将实际的刀具寿命参数与预测的刀具寿命参数进行比对，并将比对结果反馈至刀具寿命回归公式，更新所述刀具寿命回归公式的梯度参数。
通过以上的步骤，能够对刀具寿命回归公式进行更新，即在预测结果和实际结果出现差错时，根据比对结果更新刀具寿命回归公式，以此保证刀具寿命回归公式的准确率。
本发明的实施例还提供一种基于数据挖掘的刀具寿命预测装置，如图5所示，包括：
获取模块，用于获取数据库中不同围岩的属性参数，对多个围岩的属性参数进行聚类处理得到多个聚类结果；
建立模块，用于根据聚类结果中各围岩的属性参数以及刀具寿命参数建立刀具寿命回归公式；
预测模块，用于获取当前时刻输入的围岩的属性参数至所述刀具寿命回归公式，得到当前时刻预测的刀具寿命参数。
在一个实施例中，还包括预测单元，所述预测单元用于执行以下步骤：
所述刀具寿命参数包括至少一个，所述刀具寿命参数包括种类信息和寿命信息；
获取当前时刻输入的种类信息，将具有该种类信息的刀具寿命参数对应的寿命信息输出。
本发明的实施例还提供一种基于数据挖掘的刀具寿命预测系统，如图6所示，还包括：
云端服务器，云端服务器包括所述获取模块、建立模块以及预测模块。本发明实施例提供的系统，在云端服务器处进行计算，得到相应的刀具寿命参数。
数据库，数据库用于存储不同围岩的属性参数。通过数据库可以对云端服务器进行计算的数据、参数进行存储。
通讯单元，与所述云端服务器连接，用于将服务器获得的刀具寿命参数进行发送。通过通讯单元可以将刀具寿命参数进行远程的传输，通讯单元可以是4G 网络通讯模块、5G网络通讯模块等等，本系统通过通讯单元进行数据的远程传输。
访问终端，与所述通讯单元连接，用于接收云端服务器发送的刀具寿命参数。访问终端可以是手机、PC、平板等智能设备，通过访问终端可以对云端服务器进行访问，获取相应的刀具寿命参数。并且可以通过访问终端发送控制信号至云端服务器，云端服务器响应控制信号进行数据处理，得到刀具寿命参数。
其中，云端服务器还包括处理单元，所述处理单元用于执行以下步骤：
获取当前时刻预测的刀具寿命参数；
接收预先配置的提醒寿命参数；
将当前时刻预测的刀具寿命参数与所述提醒寿命参数进行比对得到比对结果；
若所述比对结果小于预设值，则输出刀具替换提醒。
通过上述的步骤，可以将预测的刀具寿命参数与预先设置的提醒寿命参数进行比对，如果比对结果小于预设值，则证明此时预测的刀具寿命小于提醒寿命，此时需要对使用者进行提醒，使用者在收到提醒后进行刀具维修、更换。并且，本发明提供的系统可以主动对刀具寿命进行预测，主动将预测的刀具寿命参数与提醒寿命参数比对，进而对施工进行相应的指导，实用性较强。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元 (英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
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 (10)

1.一种基于数据挖掘的刀具寿命预测方法，其特征在于，包括：
获取数据库中不同围岩的属性参数数据集，对多个围岩的属性参数样本集进行聚类处理得到多个聚类结果；
根据每个聚类结果中各围岩的属性参数以及刀具寿命参数建立刀具寿命回归公式；
获取当前时刻输入的围岩的属性参数至所述刀具寿命回归公式，得到当前时刻预测的刀具寿命参数。
2.根据权利要求1所述的基于数据挖掘的刀具寿命预测方法，其特征在于，
所述刀具寿命参数包括至少一个，所述刀具寿命参数包括种类信息和寿命信息；
获取当前时刻输入的种类信息，将具有该种类信息的刀具寿命参数对应的寿命信息输出。
3.根据权利要求1所述的基于数据挖掘的刀具寿命预测方法，其特征在于，
所述每个聚类结果包括多个数据簇；
所述对多个围岩的属性参数进行聚类处理得到多个聚类结果；
基于k-means算法对不同围岩的属性参数进行分类，其中属性参数包括围岩单轴抗压强度信息、地层破碎程度信息以及石英含量信息中的任意一种或多种。
4.根据权利要求3所述的基于数据挖掘的刀具寿命预测方法，其特征在于，
预先建立样本集D＝{x1,x2,…,xm}，xm为一个样本；
从围岩的属性参数中随机选择k个样本作为初始的k个质心向量{μ1,μ2,…,μk}；
对于i＝1,2,…,m，通过以下公式计算样本点与各质心向量间的距离：
dik＝‖xi–μk‖2 2
其中，dik为各样本点与相应质心向量间的距离，xi为样本i坐标向量，μk为各数据簇的质心向量；
记录各样本点xi与各质心向量计算间距的dik，取其中最小值所对应的质心向量序数记为λi，通过本要求前述过程划分得到初始化的数据簇分配：
yλi＝{xd1k min,xd2k min,xd3k min,…,xdkk min}
其中，xdikmin为距各自最近的第k个质心向量μk的样本点坐标向量，yλi为分配后的数据簇样本；
将样本集进行本要求前述过程预处理，即得到初始化数据簇集合C＝{yk1,yk2,yk3,…,ykk},k为质心向量数，ykk为预处理后以第k个质心向量进行初始簇分配的第k个数据簇；
对于j＝1,2,…,k，通过以下公式对C中所有的数据簇重新计算新的质心：
Figure RE-FDA0003281298720000021
进而得到新的质心向量集合{μ’1,μ’2,μ’3,…,μ’k}
通过前述步骤过程对样本数据集分配簇集合进行迭代，直至k个质心向量都不发生变化，输出最终的数据簇划分集合C’＝{C1,C2,…,Ck}，其中Ck为迭代更新后最终的第k个分配数据簇。
5.根据权利要求4所述的基于数据挖掘的刀具寿命预测方法，其特征在于，还包括：
结合k-means聚类方法，采用轮廓系数和卡林斯基-哈拉巴兹指数两种指标对不同的聚类组数产生的聚类效果进行评价，对各k值条件下计算所得的SC值和CH值进行对比分析，挑选最佳的聚类簇数对围岩的属性参数进行聚类；
第i个样本的SC值通过以下公式计算：
Figure RE-FDA0003281298720000022
其中，a(i)为第i个样本与其所在簇内其他样本的平均距离，b(i)为第i个样本与其他簇样本的平均距离，所有样本的SC值平均值即为聚类的整体SC值，取值范围为[-1,1]；
CH值通过以下公式计算：
Figure RE-FDA0003281298720000023
其中，m为样本数，k为簇数，Bk为簇之间的协方差矩阵，W为簇内部数据的协方差矩阵，tr为矩阵的迹。
6.根据权利要求1所述的基于数据挖掘的刀具寿命预测方法，其特征在于，
所述根据聚类结果中各围岩的属性参数以及刀具寿命参数建立刀具寿命回归公式包括：
通过多变量研究总体和各簇内围岩参数和掘进参数与TBM刀具寿命之间的关系并建立经验公式；
采用幂函数对所述经验公式进行多元非线性回归；
预先设置常规幂函数，如下所示
Figure RE-FDA0003281298720000031
其中，A为常规幂函数系数，xki为幂函数第ki个自变量参数，βk为第ki个自变量参数次幂，eμi为幂函数模型，μi为参数次幂；
通过两边取对数可得下式：
lnYi＝ln A+β2 ln X2i+β3 ln X3i+…+βk ln Xki+ui
令：Yi *＝lnYi，β1＝lnA，X2i *＝lnX2i，…，Xki *＝lnXki
将原模型转化为标准的线性回归模型，如下式所示
Figure RE-FDA0003281298720000032
通过回归计算，得出各数据簇标准的寿命回归公式。
7.根据权利要求2所述的基于数据挖掘的刀具寿命预测方法，其特征在于，
获得实际的刀具寿命参数；
将实际的刀具寿命参数与预测的刀具寿命参数进行比对，并将比对结果反馈至刀具寿命回归公式，更新所述刀具寿命回归公式的梯度参数。
8.一种基于数据挖掘的刀具寿命预测装置，其特征在于，包括：
获取模块，用于获取数据库中不同围岩的属性参数，对多个围岩的属性参数进行聚类处理得到多个聚类结果；
建立模块，用于根据聚类结果中各围岩的属性参数以及刀具寿命参数建立刀具寿命回归公式；
预测模块，用于获取当前时刻输入的围岩的属性参数至所述刀具寿命回归公式，得到当前时刻预测的刀具寿命参数。
9.一种基于数据挖掘的刀具寿命预测系统，包括权利要求8所述的装置，其特征在于，还包括：
云端服务器，所述云端服务器包括所述获取模块、建立模块以及预测模块；
数据库，所述数据库用于存储不同围岩的属性参数；
通讯单元，与所述云端服务器连接，用于将服务器获得的刀具寿命参数进行发送；
访问终端，与所述通讯单元连接，用于接收云端服务器发送的刀具寿命参数。
10.根据权利要求9所述的基于数据挖掘的刀具寿命预测系统，其特征在于，所述云端服务器还包括处理单元，所述处理单元用于执行以下步骤：
获取当前时刻预测的刀具寿命参数；
接收预先配置的提醒寿命参数；
将当前时刻预测的刀具寿命参数与所述提醒寿命参数进行比对得到比对结果；
若所述比对结果小于预设值，则输出刀具替换提醒。
CN202110735673.1A 2021-06-30 2021-06-30 基于数据挖掘的刀具寿命预测方法、装置及系统 Pending CN113807004A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110735673.1A CN113807004A (zh) 2021-06-30 2021-06-30 基于数据挖掘的刀具寿命预测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110735673.1A CN113807004A (zh) 2021-06-30 2021-06-30 基于数据挖掘的刀具寿命预测方法、装置及系统

Publications (1)

Publication Number Publication Date
CN113807004A true CN113807004A (zh) 2021-12-17

Family

ID=78942650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110735673.1A Pending CN113807004A (zh) 2021-06-30 2021-06-30 基于数据挖掘的刀具寿命预测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN113807004A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417734A (zh) * 2022-03-09 2022-04-29 深圳市信润富联数字科技有限公司 刀具寿命的预测方法及装置
CN116681901A (zh) * 2023-07-31 2023-09-01 山东捷瑞数字科技股份有限公司 一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法
CN116910961A (zh) * 2022-12-20 2023-10-20 中铁十一局集团有限公司 一种适用于隧道施工中掘进机的刀具寿命预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019063024A1 (zh) * 2017-09-30 2019-04-04 中铁工程装备集团有限公司 硬岩tbm掘进控制参数智能决策方法及系统
CN109685378A (zh) * 2018-12-27 2019-04-26 中铁工程装备集团有限公司 一种基于数据挖掘的tbm施工围岩可掘性分级方法
WO2019227147A1 (en) * 2018-05-28 2019-12-05 The University Of Melbourne Mine planning method and system
CN111222683A (zh) * 2019-11-15 2020-06-02 山东大学 一种基于pca-knn的tbm施工围岩综合分级预测方法
CN112196559A (zh) * 2020-09-30 2021-01-08 山东大学 基于掘进速度与刀具消耗最优的tbm操作参数优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019063024A1 (zh) * 2017-09-30 2019-04-04 中铁工程装备集团有限公司 硬岩tbm掘进控制参数智能决策方法及系统
WO2019227147A1 (en) * 2018-05-28 2019-12-05 The University Of Melbourne Mine planning method and system
CN109685378A (zh) * 2018-12-27 2019-04-26 中铁工程装备集团有限公司 一种基于数据挖掘的tbm施工围岩可掘性分级方法
CN111222683A (zh) * 2019-11-15 2020-06-02 山东大学 一种基于pca-knn的tbm施工围岩综合分级预测方法
CN112196559A (zh) * 2020-09-30 2021-01-08 山东大学 基于掘进速度与刀具消耗最优的tbm操作参数优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨媛媛;黄宏伟;: "围岩分类在TBM滚刀寿命预测中的应用", 地下空间与工程学报, no. 05 *
闫长斌;姜晓迪;: "基于岩体指标和掘进参数的TBM净掘进速率预测模型", 现代隧道技术, no. 02 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417734A (zh) * 2022-03-09 2022-04-29 深圳市信润富联数字科技有限公司 刀具寿命的预测方法及装置
CN114417734B (zh) * 2022-03-09 2022-07-12 深圳市信润富联数字科技有限公司 刀具寿命的预测方法及装置
CN116910961A (zh) * 2022-12-20 2023-10-20 中铁十一局集团有限公司 一种适用于隧道施工中掘进机的刀具寿命预测方法
CN116910961B (zh) * 2022-12-20 2024-01-30 中铁十一局集团有限公司 一种适用于隧道施工中掘进机的刀具寿命预测方法
CN116681901A (zh) * 2023-07-31 2023-09-01 山东捷瑞数字科技股份有限公司 一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法
CN116681901B (zh) * 2023-07-31 2023-10-31 山东捷瑞数字科技股份有限公司 一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法

Similar Documents

Publication Publication Date Title
CN113807004A (zh) 基于数据挖掘的刀具寿命预测方法、装置及系统
CN106572493A (zh) Lte网络中的异常值检测方法及系统
CN111950738B (zh) 机器学习模型优化效果评估方法、装置、终端及存储介质
WO2017076154A1 (zh) 网络事件预测以及建立网络事件预测模型的方法和装置
CN110352389B (zh) 信息处理装置及信息处理方法
CN106919957B (zh) 处理数据的方法及装置
CN104756106A (zh) 表征数据存储系统中的数据源
EP1958034B1 (en) Use of sequential clustering for instance selection in machine condition monitoring
CN106452934B (zh) 一种网络性能指标变化趋势的分析方法和装置
CN112508105A (zh) 一种采油机故障检测与检索方法
CN114861788A (zh) 一种基于dbscan聚类的负荷异常检测方法及系统
CN113420506A (zh) 掘进速度的预测模型建立方法、预测方法及装置
CN113642827A (zh) 大坝监测数据的分析方法、装置、设备和存储介质
CN113268403A (zh) 时间序列的分析预测方法、装置、设备及存储介质
CN109189747A (zh) 基于Spark大数据平台的电瓶车用户行为习惯分析方法
CN116975668A (zh) 巷道围岩的应力状态的确定方法、装置和确定系统
CN116738261A (zh) 基于聚类分箱的数值型特征离散化归因分析方法及装置
CN116564418A (zh) 细胞类群相关性网络构建方法和装置、设备及存储介质
CN113535458B (zh) 异常误报的处理方法及装置、存储介质、终端
CN108764301A (zh) 一种基于反向稀疏表示的混凝土裂缝检测方法
US11215734B2 (en) Geological source-to-sink analysis and display system
US11287548B2 (en) Geological sediment provenance analysis and display system
CN113947309B (zh) 基于建造大数据的盾构隧道施工标准工时测算及评分方法
CN110083930A (zh) 页岩风化指数的构建方法及装置
Airan et al. Linear machine: A novel approach to point location problem

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