[发明专利]基于kriging模型的TBM推进力主要影响因素的识别方法

权利要求书

1.一种基于kriging模型的TBM推进力主要影响因素的识别方法，其特征在于具有如下步骤：

S1、收集TBM掘进过程中现场所记录的数据；

S2、确定步骤S1收集的数据中影响TBM推进力的推进力有关参数，构建与推进力有关参数的数据集；

S3、确定步骤S2得到的数据集中的样本数据和目标变量；

S4、根据步骤S3确定的样本数据和目标变量以及步骤S3确定的样本数据的分布构建Kriging推进力模型，根据步骤S3确定的样本数据引入径向基函数，所述径向基函数包括未知参数θ_i；

Kriging模型的函数表达式为下式：

其中，x表示已知样本点的数据，y(x)表示未知样本点的函数值，f_j(x)表示已知的近似函数，β_j是它的系数，z(x)表示随机高斯过程函数，其均值为0，方差为σ²；

径向基函数为

其中在求解过程中令p_j＝2，根据上述原理，只需求解θ_i；S5、运用遗传优化算法进行求解，得到目标函数取得最优结果所对应的未知参数θ_i；

S6、对步骤S5得到的未知参数θ_i进行大小排序，确定其对应推进力有关参数的影响顺序，识别出对推进力有主要影响的参数。

2.根据权利要求1所述的方法，其特征在于：所述步骤S1的具体步骤如下：对TBM掘进周期进行划分，识别每一个掘进周期中的有效数据，完成对掘进周期的识别，将其每一个掘进周期中的数据进行统一数据格式，并收集。

3.根据权利要求1所述的方法，其特征在于：所述步骤S2之前，需对步骤S1收集的数据进行处理，具体步骤如下：

数据的筛选：针对TBM掘进过程中遇到的突发情况和数据缺失采取如下措施：

a.数据剔除：根据TBM掘进过程中的特点，以掘进时间和掘进距离为参考，其掘进速度v，刀盘转速n，推进力F和刀盘扭矩T为评价指标，当四者乘积为零值时，对所对应的数据样本进行剔除；

b.数据补全：在一个掘进周期中，利用均值替换的方法补全缺失和异常的数据样本；

归一化数值：将步骤S1收集的数据的每个维度不同取值范围的数据值的取值范围处理到0到1之间。

4.根据权利要求1所述的方法，其特征在于：所述步骤S2中，通过分析TBM结构和掘进过程中的掘进受力，对步骤S1收集的数据特征进行提取，确定影响TBM推进力的推进力有关参数；

所述推进力有关参数包括前盾俯仰角、前盾滚动角、左侧护盾压力、右侧护盾压力、顶护盾压力、左侧后支撑压力、右侧后支撑压力、撑靴压力、刀盘喷水压力、刀盘转速检测值、贯入度、推进速度，左撑靴俯仰角、左撑靴滚动角、右撑靴俯仰角、右撑靴滚动角、主机皮带机转速、桥架皮带机转速和转渣皮带机转速。

5.根据权利要求1所述的方法，其特征在于：所述步骤S3中确定的样本数据的样本数大于20n，n为推进力有关参数的个数，目标变量为推进力。

6.根据权利要求1所述的方法，其特征在于：所述步骤S4中，所述径向基函数为高斯核函数。

7.根据权利要求6所述的方法，其特征在于：所述步骤S5中，根据使Kriging推进力模型预测值与实际值之间的误差最小，构建优化目标函数，其中对于已给样本数据，根据已有样本数据分布估计未知样本值，即根据样本数据的先验概率进行对未知样本数据进行最大后验概率估计，运用最大似然估计函数进行对推进力有关参数进行估计，并将优化目标函数转化为求最大似函数值的最大值。