[发明专利]一种基于SVM算法的盾构TBM故障预警方法

说明书

本发明公开了一种基于SVM算法的盾构TBM故障预警方法，它主要包含了盾构TBM故障建模，盾构TBM故障识别机器学习分类算法SVM建模、训练和分类识别，盾构TBM故障预警方法三部分。采用该方法通过分析盾构施工样本数据对盾构TBM机器学习分类算法SVM的模型进行训练，结合所选的盾构TBM故障模型可以对盾构TBM施工过程中出现的设备、施工异常情况进行早期预警，减少设备、部件的损坏和人员的伤亡，以及减少施工过程中的重大施工事故的发生、施工人员的安全风险和经济损失，提高盾构行业施工信息化、智能化的水平，对盾构施工行业具有很大的经济和社会效益。

技术领域

本发明涉及隧道盾构掘进工程领域，特别是涉及一种基于SVM算法的盾构TBM故障预警方法。

背景技术

目前，我国的盾构施工仍然处于快速发展期，现场施工的数字化智能化方法还比较欠缺，隧道盾构掘进施工主要依赖人工经验，盾构施工项目与日俱增和盾构司机数量的急剧增大导致盾构司机的从业水平相对降低，加上盾构TBM施工中地质条件相对复杂，产生目前盾构TBM施工中出现大量的重大事故和人员伤亡，此时急需一种盾构TBM故障预警方法来对重大险情早期预警，减少重大事故的发生，保护人名的生命和财产损失，同时提高盾构TBM掘进的数据化和智能化水平。

发明内容

为解决上述技术问题，本发明采用的一个技术方案是一种基于SVM算法的盾构TBM故障预警方法，主要包含了盾构TBM故障建模，盾构TBM故障识别机器学习分类算法SVM建模、训练和分类识别，盾构TBM故障预警方法三部分。

本发明的技术方案是这样实现的：一种基于SVM算法的盾构TBM故障预警方法，该方法的具体步骤如下：

（1）根据以往发生在盾构TBM施工过程中出现的问题对盾构TBM关键掘进参数进行创建盾构TBM故障模型；

（2）通过分析选择盾构施工数据样本对盾构TBM机器学习分类算法SVM进行建模、训练和分类验证；

（3）使用训练后的SVM模型对盾构TBM施工实时数据进行分类识别，并对故障信息进行判定和推送。

其中，所述步骤（1）中的盾构TBM关键掘进参数是指刀盘转速、刀盘扭矩、总推力、推进速度、土压等盾构TBM关键掘进参数中两个或多个的组合。

其中，所述步骤（2）的具体过程是：根据步骤（1）所创建的盾构TBM故障模型准备样本数据作为SVM的输入输出参数，首先根据输入变量的个数结合核函数创建一个SVM支持向量机，然后调整核函数的参数，使用SMO 学习算法对SVM支持向量机和样本输入输出参数进行训练，得到分类决策函数也就是最终的SVM模型，最后使用最终的SVM模型对准备样本进行测试验证。

其中，所述步骤（3）的具体过程是：使用步骤（3）所得出的测试验证后的SVM模型对盾构TBM施工实时数据进行分类识别，如果被识别为故障点，则存储记录并累计时间，若累计时间超过阈值，则认为故障，然后推送故障预警信息到相关管理人员。

其中，所述的核函数为线性核函数、多项式核函数、高斯核函数、拉普拉斯核函数、sigmod核函数中的任意一种。

本发明的原理和具体做法是：（1）盾构TBM故障建模，根据以往发生在盾构TBM施工过程中出现的问题对盾构TBM关键掘进参数进行故障建模。 对于某施工过程中刀具严重磨损故障，选取刀盘扭矩和推进速度作为此种情况下的一个盾构TBM故障模型（原理仅列举刀盘扭矩和推进速度2中数据），同时选取该故障时间段的每个时间点的刀盘扭矩和推进速度的数据作为原始数据。

(2) 盾构TBM故障机器学习分类算法SVM支持向量机

SVM(Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。