[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

摘要

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。

主权项

1.一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，其特征在于包括如下步骤：(1)获取微风化地层下的原始特征数据集data3：(1a)提取盾构机SCADA系统中存储的PLC历史数据，并从中选取盾构机总推进力在区间Q，且刀盘转速大于0的数据data1，Q＝[10000,20000]，总推进力的单位为千牛；(1b)查找盾构机盾构区间的地质勘探记录中类型为微风化地层对应的环号h,并提取data1中与环号h对应的数据data2；(1c)将从盾构施工记录中提取的与环号h所对应的刀具健康状态作为标签值y,并将y添加到data2中，得到微风化地层下的原始特征数据集data3，data3＝{(data₂,y)}；(2)获取数据资源集Data：剔除原始特征数据集data3中的累计量特征和受盾构机司机控制影响的特征，得到数据资源集Data；(3)构建LightGBM特征排序模型：构建包括基学习器个数为num_tree、每个基学习器的最大深度为max_depth、箱子长度为max_bin的LightGBM特征排序模型A，num_tree≥100，max_depth≥5,max_bin≥len/4；(4)获取重要特征子集Fea；(4a)通过数据资源集Data对A进行训练，得到训练后的LightGBM特征排序模型B；(4b)对B中所有特征的分割次数进行降序排序，并将从Data中提取的与前a位分割次数对应的特征构成重要特征子集Fea，a≥20；(5)对重要特征子集Fea进行离散化：(5a)构建决策树深度为tree_depth的决策树模型R，并通过重要特征子集Fea对R进行训练，得到训练后的决策树模型S，其中，[log(tree_depth)]≤a，且tree_depth为整数，[·]表示向下取整；(5b)从训练后的决策树模型S中提取所有分割点及每个分割点对应的特征，并通过每一个分割点对其对应的特征进行分割，得到离散化的特征集Fea_lsh1；(5c)判断[log(tree_depth)]＝a是否成立,若是，将Fea_lsh1作为离散化的重要特征子集data_lsh，否则，执行步骤(5d)；(5d)对包含在Fea但不包含在Fea_lsh1中的特征进行等宽离散，离散为k个区间，得到特征子集Fea_lsh2，并将Fea_lsh1和Fea_lsh2组合后的数据集作为离散化的重要特征子集data_lsh，其中k≥4(6)对离散化的重要特征子集data_lsh进行关联规则挖掘：(6a)设定最小支持度为min_sup，最小置信度为min_conf，min_sup≥0.1，min_conf≥0.5；(6b)根据min_sup挖掘data_lsh的频繁项集fre，并根据min_conf从fre中挖掘强关联规则，得到强关联规则集Rules,其中Rules＝{rule_u|u＝1,2,3...len_rules}，len_rules为强关联规则的数目，rule_u＝C_u→D_u，C_u为rule_u的前件，C_u中的每一个元素代表一个刀具磨损退化关联特征，D_u为rule_u的后件，代表C_u对应的刀具健康状态；(7)获取盾构机刀具磨损退化关联特征：将Rules中所有关联规则的前件合并，得到刀具磨损退化关联特征集C，C＝{C_u|u＝1,2,3...,len_rules}。