[发明专利]基于机器学习的盾构机刀具磨损退化关联特征分析方法

说明书

提供了一种机器学习的盾构机刀具磨损退化关联特征分析方法，用于解决现有技术中存在的适用范围较窄的技术问题，同时提高对刀具健康状态监测和寿命预测的准确率，实现步骤包括：获取微风化地层下的原始特征数据集data3；获取数据资源集Data；构建LightGBM特征排序模型；获取重要特征子集Fea；对重要特征子集Fea进行离散化；对离散化的重要特征子集data_lsh进行关联规则挖掘；获取盾构机刀具磨损退化关联特征。本发明充分考虑所有采集的数据对盾构机刀具磨损的影响，适用范围广且准确率高。

技术领域

本发明属于机械设备维护技术领域，涉及一种盾构机刀具磨损退化关联特征分析方法，具体涉及一种基于机器学习的盾构机刀具磨损退化关联特征分析方法，可用于对盾构机刀具刀盘故障表征参数的寻找和取值区间的估计。

背景技术

随着城市地下空间的快速建设和发展以及隧道建设的需求不断增大，盾构法以其快速、安全、环保等固有优势在地下工程建设和隧道挖掘中得到了广泛应用。盾构机通过刀盘带动刀具来实现破岩，并把碎石沙土通过带入土仓后通过螺机运送到地面，从而在地下不断掘进，刀具是保证盾构机能正常可靠掘进以及高效运转的核心组件之一。但其在地下隧道施工中面临着许多复杂的工况，其中长距离复杂地层掘进、刀盘选型不合理、刀具设计不适应地质条件等原因导致刀具过度磨损及非计划换刀成为严重的工程问题之一，也是盾构法目前面临的主要难题之一。刀具磨损容易导致盾构刀具、刀盘甚至设备损坏，并且刀具更换还会影响工期进度，特别是在坚硬地质下如微风化地层的工程中刀具磨损问题更为突出，一旦处理不慎则会威胁生命安全、财产安全，这也是很多发达国家面临的共同的施工难题。因此，为了保障施工安全，提高施工效率，对盾构机刀具磨损退化进行深入研究是十分必要的。

目前对于盾构机刀具磨损退化研究中的刀具健康状态监测和寿命预测，都需要运用刀具磨损退化关联特征来进行建模分析，对盾构机刀具磨损退化关联特征进行分析时，首先筛选出重要的参数，然后对这些参数进行关联分析，得到关联特征。由于盾构机是一个热电力耦合的复杂装备，而刀具作为盾构机的核心部件，其磨损退化关联特征受多方面因素的影响，且由于盾构机运行工况复杂，例如不同的刀盘结构、不同的地质类型、不同型号的盾构机、不同的刀具材料等，不同工况对盾构机刀具磨损的影响不同，导致盾构机运行过程中的参数数量十分庞大，对所有的参数都进行分析是不实际的，分析参数的选取往往依赖专家经验，且关联分析中的离散化过程，也是以来专家经验进行的，专家经验是业务专家在长期的盾构实践中总结得到的，并没有严谨的数学证明，且由于参数数量庞大，专家经验并不能把所有的因素考虑周全，具有片面性，因此往往只适用于特定工况条件的定性分析，把这些基于专家经验得到的参数用于关联特征分析只适用于特定的工况，适用范围较窄，且依靠专家经验的离散得到的离散化数据会丢失原始数据中的大量信息。例如青岛科技大学的赵春亮在2018年发表的硕士学位论文“盾构机刀具寿命的分析建模与应用”的第2章中提出的方法，根据盾构操作的实地考察，以及业务专家给出的检测参数，得出刀具磨损退化关联特征为刀盘推力，刀盘半径，刀盘扭矩，掘进速度，用这些特征建立寿命预测模型，通过该模型对盾构机刀具进行寿命预测，使刀具的维护方式从定期维护转变为预测性维护。该方法的不足之处在于其所得的特征仅仅为刀盘系统的部分参数，具有片面性，用这些特征进行寿命预测会导致结果不准确，而且这种基于专家经验的分析只能针对某一种特定工况，不能对不同工况条件进行分析，适用范围较窄。

盾构机的PLC数据、盾构区间地质勘探数据和盾构施工记录是盾构机在施工运行过程中非常宝贵的数据资源，其蕴涵着与盾构机刀具磨损退化密切相关的信息。挖掘这些数据中有价值的信息，仅靠人工方法无法做到。目前，机器学习技术为刀具磨损退化关联特征分析带来了新的研究方向。关联规则类算法因其原理简单、易于实现、适用范围广等优点已被广泛使用在关联因素分析中，这使得把关联分析运用于盾构机刀具磨损退化关联特征分析具有可行性。LightGBM算法作为一种有监督的梯度提升集成算法，可以用于解决机器学习任务中的排序、分类和回归问题，这为盾构机刀具磨损退化关联特征分析提供了一种可能。

发明内容