[发明专利]基于数据驱动支持向量回归机的TBM刀具寿命预测方法

权利要求书

1.基于数据驱动支持向量回归机的TBM刀具寿命预测方法，其特征在于，包括如下步骤：

(1)收集TBM刀具挖掘现场的数据；

(11)对收集的数据进行处理，所述的处理过程包括：

(111)数据集成：把不同来源、格式、特点和性质的数据集中起来，统一数据格式；

(112)数据清洗：针对施工遇到的突发状况和数据缺失采取如下措施，

a.数据剔除：如果某刀数据出现数据异常的部分少于5％，则只剔除出现异常的部分数据，如果数据丢失超过30％，则将该刀数据全部剔除；

b.数据补全：利用人工填充、均值替换的方法补全部分异常的数据；

(113)数据均值归一化：将数据的每个维度归一化为均值为0、方差为1且正态分布的数据集；

(2)确定影响TBM刀具寿命的驱动因子，建立驱动因子的样本数据集作为训练集；确定的影响TBM刀具寿命的驱动因子有里程、岩石等级、刀盘推力、刀片磨损量、刀盘转速、掘进速度、半径和刀具损坏量；

(3)构建多核支持向量回归机的预测模型，输入训练集，对所述预测模型进行训练从而确定各核函数所对应的最优参数以及惩罚函数C和不敏感损失函数参数ε；

(4)确定预测模型的最佳核函数；通过采用K-折交叉验证增加训练样本量，并利用网格搜索法使各组核函数的参数相互解耦从而确定该预测模型的各核函数所对应的最优参数；网格搜索法基本原理是将各参数变量值的可行区间，划分为一系列的小区，由计算机顺序算出对应各参数变量值组合，所对应的误差目标值并逐一比较择优，从而求得该区间内最小目标值及其对应的最佳特定参数值；

(5)将待预测刀具的驱动因子的样本数据集作为预测样本集，输入预测模型，得出预测结果。

2.根据权利要求1所述的基于数据驱动支持向量回归机的TBM刀具寿命预测方法，其特征在于：所述步骤(2)中影响TBM刀具寿命的驱动因子是通过灰色关联分析法对收集的数据进行处理确定的。

3.根据权利要求1所述的基于数据驱动支持向量回归机的TBM刀具寿命预测方法，其特征在于：所述步骤(3)中构建的多核支持向量回归机的预测模型的核函数包括多项式核函数、Gauss径向基核函数和多层感知机核函数。