[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

说明书

本发明涉及隧道挖掘机技术领域，具体的说涉及一种基于数据驱动支持向量回归机的TBM刀具寿命预测方法，包括如下步骤：1.收集TBM刀具挖掘现场的数据；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；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；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。本发明提供一种基于数据驱动支持向量回归机的TBM刀具寿命预测方法，选用大量现场挖掘的数据作为参变量，并在此基础上构建了基于支持向量回归机的模型，提高了预测道具寿命的精度。

技术领域

本发明涉及隧道掘进机技术领域，具体的说涉及一种基于数据驱动支持向量回归机的TBM刀具寿命预测方法。

背景技术

随着城市的快速发展，地铁作为立体交通的重要组成部分，成为解决城市拥堵的有效方式，拥有巨大的发展潜力。城市地质条件一般呈现多样性，针对硬岩隧道施工的全断面隧道掘进机(Tunnel Boring Machine，TBM)，是集开挖、支护、出渣于一体的成套先进掘进设备，施工过程中刀具消耗巨大，而且更换刀具耗时耗力影响工期，能否缩短更换刀具的时间成为高效利用TBM的重要因素。对每把刀具磨损做准确预测，能够为TBM施工方找到节约成本的着力点，弥补TBM刀具寿命预测和刀具调度方面理论的不足。

影响刀具磨损的因素复杂，主要分为静态因素和动态因素两大方面，静态因素包括刀具的成分、刀具的形状、安装的角度等，动态因素包括实际地质因素和人员操作因素等。当前国内外对TBM刀具磨损的研究，只是从力学和制作材料方面进行了研究，在动态因素研究方面没有实际的进展。而在实际中一旦TBM制造出来，静态因素我们是无法改变的，因此研究实际地质因素和人员操作因素对刀具磨损具有非常重要的实际意义。

发明内容

为了解决上述技术问题，本发明提供一种基于数据驱动支持向量回归机的TBM刀具寿命预测方法，选用大量现场挖掘的数据作为参变量，并在此基础上构建了基于支持向量回归机的模型，提高了预测道具寿命的精度。

为了实现上述目的，本发明采用如下技术方案：一种基于数据驱动支持向量回归机的TBM刀具寿命预测方法，包括如下步骤：

(1)收集TBM刀具挖掘现场的数据；

(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；

(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；

(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。

进一步地，所述的步骤(1)之后，步骤(2)之前还包括步骤(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％，则将该刀号数据全部剔除；

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。