[发明专利]一种硬岩掘进机支护等级智能推荐方法

权利要求书

1.一种硬岩掘进机支护等级智能推荐方法，其特征在于，包括如下步骤：

S1，采集反映设备运行状态的隧道掘进机的掘进数据及对应的钢拱架支护类型数据；

S2，对掘进数据进行数据预处理，剔除数据中的异常值；

S3，将预处理后的掘进数据作为输入数据，并根据掘进数据的桩号寻找对应桩号的钢拱架支护类型数据作为输出数据，建立钢拱架支护类型数据集；

S4，将钢拱架支护类型数据集随机分为训练集和测试集；

S5，基于智能分类算法并利用训练集数据建立钢拱架支护类型预测模型，将测试集数据输入钢拱架支护类型预测模型对钢拱架支护类型进行预测。

2.根据权利要求1所述的硬岩掘进机支护等级智能推荐方法，其特征在于，在步骤S1中，所述掘进数据包括顶护盾的位移及压力数据、左侧护盾的位移及压力数据、右侧护盾的位移及压力数据和撑靴的位移及压力数据、盾体的竖直偏差、盾体的水平偏差、前盾滚动角、前盾俯仰角、主机皮带机转速、主机皮带机电机电流、主机总推力、刀盘扭矩、主机推进速度或刀盘转速。

3.根据权利要求2所述的硬岩掘进机支护等级智能推荐方法，其特征在于，在步骤S2中，所述掘进数据预处理包括如下步骤：

a.提取掘进数据中的稳定段数据；

b.基于3σ准则对稳定段数据进行异常值剔除；

c.对稳定段数据进行中值滤波处理。

4.根据权利要求1-3任一项所述的硬岩掘进机支护等级智能推荐方法，其特征在于，在步骤S4中，所述训练集和测试集中的掘进数据是经特征重要度排序后，并对特征重要度排序后的掘进数据保留特征重要度占比超过80％的特征所得到；所述特征是指掘进数据。

5.根据权利要求4所述的硬岩掘进机支护等级智能推荐方法，其特征在于，所述特征重要度排序的实现方法为采用LightGBM算法，每一个特征的特征重要度是指LightGBM中所有决策树由对应特征进行节点划分所引起的Gini指数下降之和；所述LightGBM是由M个基分类器经线性组合构建一个强分类器，所述强分类器F_M(x)的计算公式为：

其中，h(x)表示基分类器决策树，β_m表示第m个分类器的权重系数，M表示基分类器的总个数，x表示掘进数据。

6.根据权利要求5所述的硬岩掘进机支护等级智能推荐方法，其特征在于，所述基分类器决策树的决策树是一种非参数的有监督学习方法，决策树的构建过程通过选择使Gini指数下降程度最高的特征分割点以完成对节点的划分，Gini指数下降程度的计算公式为Gini(D)-Gini(D,A)；

样本集D上概率分布的Gini指数Gini(D)的计算公式为：

其中，D表示钢拱架支护类型数据集，K表示钢拱架支护类型的总分类数，p_k表示第k类钢拱架支护类型的概率；

在特征A的条件下，样本集D的Gini指数Gini(D,A)的计算公式为：

其中，D₁和D₂分别表示选取样本集D中的特征A中的一个数据值后得到的两个子集。

7.根据权利要求1或6所述的硬岩掘进机支护等级智能推荐方法，其特征在于，在步骤S5中，所述智能分类算法包括支持向量机、极限学习机或随机森林。

8.根据权利要求7所述的硬岩掘进机支护等级智能推荐方法，其特征在于，所述训练集和测试集的数据是经过标准化的，所述标准化包括如下步骤：

1)求出每个掘进数据的算术平均值μ_i和标准差σ_i；

2)对每个掘进数据进行标准化处理；

其中，x_ij为原始掘进数据，z_ij为标准化后的掘进数据。

9.根据权利要求1或8所述的硬岩掘进机支护等级智能推荐方法，其特征在于，所述钢拱架支护类型预测模型对应的分类函数f(x)为：

其中，w_i表示第i个训练样本的权重系数，b表示偏置系数，l表示训练集的样本总数，k(x,x_i)为核函数，x表示掘进数据，x_i表示第i个训练样本的掘进数据；

若钢拱架支护类型的类别为k种，k种钢拱架支护类型对应于k个类别的样本，k个类别的样本构造出k个分类函数{f₁(x)，f₂(x)，…，f_k(x)}；在确认未知样本分类时，将未知样本分别代入分类函数{f₁(x)，f₂(x)，…，f_k(x)}中，得到不同钢拱架支护类型所对应的分类函数值，将未知样本分类为最大分类函数值所在的那一类钢拱架支护类型。