[发明专利]一种基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法

权利要求书

1.一种基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法，其特征在于，包括下列步骤：

1)获取TBM掘进参数数据和各个桩号的围岩等级数据；

2)对获取的TBM掘进参数数据进行数据清洗、特征提取及围岩等级标注处理，将处理后的数据与各个桩号的围岩等级数据作为机器学习模型的输入；

3)对步骤2)处理后的数据进行样本不均衡处理；

4)利用K折交叉验证选择机器学习模型的最优模型参数；

5)进行模型训练、评估与比对，获取用于围岩等级预测的机器学习模型，并设置比对模型对该模型的预测效果进行比对验证；

6)采用训练好的模型进行围岩等级预测并对软弱围岩进行预警。

2.根据权利要求1所述的基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法，其特征在于，步骤1)中，获取的TBM掘进参数数据为TMB3标段数据，数据采集频率为1HZ。

3.根据权利要求2所述的基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法，其特征在于，所述TMB3标段数据包括TBM掘进过程中各个时刻的所有掘进参数值和各个桩号的围岩分级信息，两类数据通过桩号信息进行对应，各个时刻的所有掘进参数值不包括时间戳、运行时间和桩号。

4.根据权利要求3所述的基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法，其特征在于，步骤2)具体包括下列步骤：

21)对于掘进参数数值进行空值处理；

22)将每个掘进段划分为空推段、上升段和稳定段；

23)对划分后的掘进段进行特征提取；

24)在时序的稳定段数据中，对各个稳定段进行围岩等级标注；

25)对步骤23)提取的特征数据进行归一化处理。

5.根据权利要求4所述的基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法，其特征在于，步骤23)的具体内容为：

采用最小二乘法对一定窗口长度内的刀盘扭矩、总推进力和推进速度值进行直线拟合，通过拟合直线斜率的变化情况对空推段、上升段和稳定段进行划分，采用均值法计算稳定段一定时间段内各个掘进参数的特征值，取稳定段一定窗口长度内的各个掘进参数的均值作为特征值。

6.根据权利要求5所述的基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法，其特征在于，提取的特征包括稳定段泵1润滑压力均值、稳定段刀盘扭矩均值、稳定段推进压力均值、稳定段撑靴压力均值、稳定段润滑泵电机电流均值、稳定段左侧护盾位移均值、稳定段钢拱架泵压力均值、稳定段控制泵压力均值、稳定段刀盘功率均值、稳定段撑靴泵压力均值、稳定段冷水泵压力均值、稳定段泵4润滑压力均值、稳定段EP2外密封压力均值、稳定段内水泵压力均值、稳定段齿轮密封压力均值和稳定段刀盘转速均值。

7.根据权利要求1所述的基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法，其特征在于，步骤3)中，采用SMOTE算法在数据层面处理样本不均衡问题。

8.根据权利要求1所述的基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法，其特征在于，步骤4)中利用K折交叉验证选择机器学习模型的最优模型参数的具体步骤包括：

41)对步骤3)得到的样本数据划分为训练集样本和测试集样本，将训练集样本数据随机打乱顺序，等分成K份；

42)选择其中一份作为验证集，其余K-1份作为训练集，在训练集上训练模型并用该模型在验证集上做测试，保存模型的各个评价指标值；

43)重复步骤42)K次，保证每个子集都有一次机会作为验证集；

44)计算K组得到的各个评价指标的均值作为当前K折交叉验证下模型的性能指标。