本發(fā)明涉及隧道掘進(jìn)機(jī)技術(shù)領(lǐng)域，具體的說涉及一種基于數(shù)據(jù)驅(qū)動支持向量回歸機(jī)的TBM刀具壽命預(yù)測方法。

背景技術(shù)：

隨著城市的快速發(fā)展，地鐵作為立體交通的重要組成部分，成為解決城市擁堵的有效方式，擁有巨大的發(fā)展?jié)摿Α３鞘械刭|(zhì)條件一般呈現(xiàn)多樣性，針對硬巖隧道施工的全斷面隧道掘進(jìn)機(jī)(Tunnel Boring Machine，TBM)，是集開挖、支護(hù)、出渣于一體的成套先進(jìn)掘進(jìn)設(shè)備，施工過程中刀具消耗巨大，而且更換刀具耗時耗力影響工期，能否縮短更換刀具的時間成為高效利用TBM的重要因素。對每把刀具磨損做準(zhǔn)確預(yù)測，能夠為TBM施工方找到節(jié)約成本的著力點，彌補(bǔ)TBM刀具壽命預(yù)測和刀具調(diào)度方面理論的不足。

影響刀具磨損的因素復(fù)雜，主要分為靜態(tài)因素和動態(tài)因素兩大方面，靜態(tài)因素包括刀具的成分、刀具的形狀、安裝的角度等，動態(tài)因素包括實際地質(zhì)因素和人員操作因素等。當(dāng)前國內(nèi)外對TBM刀具磨損的研究，只是從力學(xué)和制作材料方面進(jìn)行了研究，在動態(tài)因素研究方面沒有實際的進(jìn)展。而在實際中一旦TBM制造出來，靜態(tài)因素我們是無法改變的，因此研究實際地質(zhì)因素和人員操作因素對刀具磨損具有非常重要的實際意義。

技術(shù)實現(xiàn)要素：

為了解決上述技術(shù)問題，本發(fā)明提供一種基于數(shù)據(jù)驅(qū)動支持向量回歸機(jī)的TBM刀具壽命預(yù)測方法，選用大量現(xiàn)場挖掘的數(shù)據(jù)作為參變量，并在此基礎(chǔ)上構(gòu)建了基于支持向量回歸機(jī)的模型，提高了預(yù)測道具壽命的精度。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于數(shù)據(jù)驅(qū)動支持向量回歸機(jī)的TBM刀具壽命預(yù)測方法，包括如下步驟：

(1)收集TBM刀具挖掘現(xiàn)場的數(shù)據(jù)；

(2)確定影響TBM刀具壽命的驅(qū)動因子，建立驅(qū)動因子的樣本數(shù)據(jù)集作為訓(xùn)練集；

(3)構(gòu)建多核支持向量回歸機(jī)的預(yù)測模型，輸入訓(xùn)練集，對所述預(yù)測模型進(jìn)行訓(xùn)練從而確定各核函數(shù)所對應(yīng)的最優(yōu)參數(shù)以及懲罰函數(shù)C和不敏感損失函數(shù)參數(shù)ε；

(4)確定預(yù)測模型的最佳核函數(shù)；

(5)將待預(yù)測刀具的驅(qū)動因子的樣本數(shù)據(jù)集作為預(yù)測樣本集，輸入預(yù)測模型，得出預(yù)測結(jié)果。

進(jìn)一步地，所述的步驟(1)之后，步驟(2)之前還包括步驟(11)對收集的數(shù)據(jù)進(jìn)行處理，所述的處理過程包括：

(111)數(shù)據(jù)集成：把不同來源、格式、特點和性質(zhì)的數(shù)據(jù)集中起來，統(tǒng)一數(shù)據(jù)格式；

(112)數(shù)據(jù)清洗：針對施工遇到的突發(fā)狀況和數(shù)據(jù)缺失采取如下措施，

a.數(shù)據(jù)剔除：如果某刀數(shù)據(jù)出現(xiàn)數(shù)據(jù)異常的部分少于5％，則只剔除出現(xiàn)異常的部分?jǐn)?shù)據(jù)，如果數(shù)據(jù)丟失超過30％，則將該刀號數(shù)據(jù)全部剔除；

b.數(shù)據(jù)補(bǔ)全：利用人工填充、均值替換的方法補(bǔ)全部分異常的數(shù)據(jù)；

(113)數(shù)據(jù)均值歸一化：將數(shù)據(jù)的每個維度歸一化為均值為0、方差為1且正態(tài)分布的數(shù)據(jù)集。

進(jìn)一步地，所述步驟(2)中確定的影響TBM刀具壽命的驅(qū)動因子有里程、巖石等級、刀盤推力、刀片磨損量、刀盤轉(zhuǎn)速、掘進(jìn)速度、半徑和刀具損壞量。

進(jìn)一步地，所述步驟(2)中影響TBM刀具壽命的驅(qū)動因子是通過灰色關(guān)聯(lián)分析法對收集的數(shù)據(jù)進(jìn)行處理確定的。

進(jìn)一步地，所述步驟(4)是通過采用K-折交叉驗證增加訓(xùn)練樣本量，并利用網(wǎng)格搜索法使各組核函數(shù)的參數(shù)相互解耦從而確定該預(yù)測模型的各核函數(shù)所對應(yīng)的最優(yōu)參數(shù)。

進(jìn)一步地，所述步驟(5)中構(gòu)建的多核支持向量回歸機(jī)的預(yù)測模型的核函數(shù)包括多項式核函數(shù)、Gauss徑向基核函數(shù)和多層感知機(jī)核函數(shù)。

進(jìn)一步地，所述預(yù)測模型的最佳核函數(shù)為多層感知機(jī)核函數(shù)。

本文基于數(shù)據(jù)驅(qū)動支持向量回歸機(jī)預(yù)測模型，以挖掘數(shù)據(jù)構(gòu)建模型，彌補(bǔ)了以往只能從力學(xué)分析角度預(yù)測正常磨損導(dǎo)致刀具損壞的不足。此模型省略傳統(tǒng)建模中尋找因子關(guān)系的過程，避免了復(fù)雜關(guān)系難表達(dá)的問題，提高了預(yù)測刀具壽命的精度。為操作員安排刀具的調(diào)度提供了理論指導(dǎo)，縮短了工期。本文以某市某條地鐵挖掘中的記錄數(shù)據(jù)為訓(xùn)練集，結(jié)合K-交叉檢驗與網(wǎng)格搜索尋找最優(yōu)參數(shù)，最終確立的核函數(shù)為徑向基核函數(shù)，預(yù)測的下一階段刀具壽命與實際數(shù)據(jù)對比，通過誤差可發(fā)現(xiàn)誤差范圍控制在4.5％以內(nèi)，說明能夠用這些簡單易獲取的數(shù)據(jù)預(yù)測刀具的壽命。

附圖說明

圖1為SVR參數(shù)選擇的等高線圖；

圖2為SVR參數(shù)選擇的3D視圖；

圖3為1號刀具測試集的實際壽命和測試集預(yù)測壽命圖。

具體實施方式

下面結(jié)合具體實施方式詳細(xì)介紹本發(fā)明的內(nèi)容：

數(shù)據(jù)驅(qū)動：

數(shù)據(jù)驅(qū)動是在大數(shù)據(jù)的基礎(chǔ)上產(chǎn)生的，它需要利用大數(shù)據(jù)的技術(shù)手段，對企業(yè)海量的數(shù)據(jù)進(jìn)行分析處理，挖掘出這些海量數(shù)據(jù)的蘊(yùn)含的價值，從而指導(dǎo)企業(yè)進(jìn)行生產(chǎn)、銷售、經(jīng)營、管理。

支持向量機(jī)回歸機(jī)的原理：

支持向量機(jī)(support vector machine,SVM)是Corinna Cortes等于1995年首先提出的,它在解決小樣本、非線性以及高維識別中表現(xiàn)出了很多的優(yōu)勢。支持向量機(jī)方法是依據(jù)統(tǒng)計學(xué)習(xí)理論中的VC維理論和結(jié)構(gòu)風(fēng)險最小理論建立的，依據(jù)有限的樣本信息在模型的復(fù)雜性(對特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(無錯誤地識別任意樣本的能力)之間尋求最佳折衷，以期獲得最好的泛化能力)。統(tǒng)計學(xué)習(xí)的目標(biāo)從經(jīng)驗風(fēng)險最小化變?yōu)榱藢で蠼?jīng)驗風(fēng)險與置信風(fēng)險的和最小，即結(jié)構(gòu)風(fēng)險最小,泛化誤差界的公式為：

其中R(ω)就是真實風(fēng)險,R_emp(ω)就是經(jīng)驗函數(shù),就是置信區(qū)間。

支持向量機(jī)針對分類問題和回歸問題可以分為支持向量分類機(jī)和支持向量回歸機(jī)(SVR)。本文主要運(yùn)用了SVR做刀具壽命的預(yù)測，SVR作為一種處理非線性擬合回歸的模型，主要是對訓(xùn)練數(shù)據(jù)的待預(yù)測向量與支持向量構(gòu)建對應(yīng)關(guān)系，對測試數(shù)據(jù)中的待預(yù)測向量進(jìn)行仿真預(yù)測。對于信息集，假設(shè)給訓(xùn)練S＝{(x₁,x₂...x_k,y₁),(x₁,x₂...x_k,y₂)…(x₁,x₂...x_k,y_l)}，其中k代表樣本的特征數(shù)量，l代表樣本的個數(shù)，SVR根據(jù)內(nèi)積核函數(shù)定義的非線性變換把數(shù)據(jù)映射到高維空間，在高維空間完成回歸擬合，如下：

其中為特征空間，ω為權(quán)重系數(shù)，c為偏置項。根據(jù)上文提到的結(jié)構(gòu)誤差最小化原則，ω和c可以根據(jù)求下面的函數(shù)實現(xiàn)最小化。

式中：|f(x_j)-y_j|為損失函數(shù)，為了使‖ω‖²歐拉范數(shù)最小，也為了避免擬合誤差的精度超出預(yù)定設(shè)置，加入松弛變量和進(jìn)行調(diào)節(jié)，式(2)的優(yōu)化問題就轉(zhuǎn)變成了約束最小化問題，化簡后得到：

滿足

為了解決問題式(3)，引入拉格朗日乘子a_j,η_j,構(gòu)建拉格朗日方程。對拉格朗日函數(shù)分別求ω,b,ξ_j,的偏導(dǎo)數(shù)(值為0)。把求得的結(jié)果代入拉格朗日方程中，式(3)變成了：

滿足

經(jīng)過變換，問題變成了求解凸二次規(guī)劃的的問題，按照解決二次規(guī)劃的方法，最終的模型為：

其中為核函數(shù)，x_i表示訓(xùn)練樣本的向量，x為測試樣本的向量。針對不同的問題，選擇不同核函數(shù)的精度差距很大，所以能否選擇合適的核函數(shù)成為影響預(yù)測精度的關(guān)鍵因素。針對特定問題選擇對應(yīng)的核函數(shù)沒有統(tǒng)一的方法，只能多次試驗后對比，常用的核函數(shù)主要有：

多項式核函數(shù)：

K(x_i,x)＝[γ(x_i·x)+coef]^d

其中：d為多項式的階，coef為偏執(zhí)系數(shù)。

RBF核函數(shù)(Gauss徑向基核函數(shù))

K(x_i,x)＝exp(-γ‖x_i-x‖²)

其中：γ表示核函數(shù)的半徑。

多層感知機(jī)核函數(shù)(Sigmoid核函數(shù))

K(x_i,x)＝tanh(γ(x_i·x)+coef)

不同的核函數(shù)和函數(shù)內(nèi)部的參數(shù)對SVR模型的精度有重要的影響。當(dāng)訓(xùn)練樣本的特征矩陣是高維時，多項式核函數(shù)中的d很大，會導(dǎo)致計算復(fù)雜度高，不容易得到滿意的結(jié)果；對于RBF核函數(shù)，核函數(shù)的半徑γ越大，越容易找到局部小樣本之間的差異，但是過度的放大γ會導(dǎo)致超平面的泛化性變差；多層感知機(jī)核函數(shù)中的γ和coef滿足Mercer定理(充分非必要條件)。

本發(fā)明的基于數(shù)據(jù)驅(qū)動支持向量回歸機(jī)的TBM刀具壽命預(yù)測方法包括如下步驟：

1、收集TBM刀具挖掘現(xiàn)場的數(shù)據(jù)；

本文主要是以青島市的地鐵為研究對象，首先要收集TBM刀具挖掘現(xiàn)場的數(shù)據(jù)，因為挖掘現(xiàn)場記錄的數(shù)據(jù)來源不同，格式也不同，其特點和性質(zhì)也各異，因此數(shù)據(jù)集成是必須的，先要把不同來源、格式、特點和性質(zhì)的數(shù)據(jù)集中起來，統(tǒng)一數(shù)據(jù)格式。施工現(xiàn)場的數(shù)據(jù)收集不同于實驗數(shù)據(jù)的收集，針對施工遇到突發(fā)狀況和數(shù)據(jù)缺失，要對數(shù)據(jù)進(jìn)行進(jìn)一步加工，包括數(shù)據(jù)剔除和數(shù)據(jù)補(bǔ)全兩個方面，數(shù)據(jù)剔除是指如果某刀數(shù)據(jù)出現(xiàn)數(shù)據(jù)異常的部分少于5％，則只剔除出現(xiàn)異常的部分?jǐn)?shù)據(jù)，如果數(shù)據(jù)丟失超過30％，則將該刀號數(shù)據(jù)全部剔除；數(shù)據(jù)補(bǔ)全是指利用人工填充、均值替換的方法補(bǔ)全部分異常的數(shù)據(jù)。最后為了消除量綱影響，對完整的數(shù)據(jù)集做了歸一化處理，通過min-max標(biāo)準(zhǔn)化和均值歸一化兩個方法比較，選用穩(wěn)定性較好的均值歸一化，每個維度歸一化為均值為0、方差1且正態(tài)分布的數(shù)據(jù)集。

2、確定影響TBM刀具壽命的驅(qū)動因子，建立驅(qū)動因子的樣本數(shù)據(jù)集作為訓(xùn)練集；

TBM刀具的壽命是多個動態(tài)因素互相作用的結(jié)果，本發(fā)明結(jié)合青島市地鐵的挖掘現(xiàn)狀，綜合之前國內(nèi)外的理論研究，將刀具的壽命驅(qū)動的因素分為地質(zhì)類(巖石等級、巖石的紋理、地下水、巖石單軸抗壓強(qiáng)度)，人為類(里程、刀盤轉(zhuǎn)速、盾構(gòu)機(jī)使用率、)，機(jī)器類(刀盤推力、半徑、刀片的磨損量、扭矩、刀具的損壞量、掘進(jìn)速度)，刀具類(磨損系數(shù)、刀刃半角)，利用灰色關(guān)聯(lián)分析方法分析影響刀具壽命的主要指標(biāo)體系，最終根據(jù)關(guān)聯(lián)程度的大小確立8個與刀具壽命關(guān)聯(lián)程度最大的因子，分別是里程、巖石等級、刀盤推力、刀片磨損量、刀盤轉(zhuǎn)速、掘進(jìn)速度、半徑、刀具損壞量，關(guān)聯(lián)程度分別是0.985、0.8482、0.8181、0.9374、0.86381、0.7892、0.75238、0.81684。灰色關(guān)聯(lián)分析方法的算法過程已經(jīng)非常成熟，在此不再詳細(xì)介紹其算法過程。建立驅(qū)動因子的樣本數(shù)據(jù)集作為訓(xùn)練集。

3、構(gòu)建多核支持向量回歸機(jī)的預(yù)測模型，輸入訓(xùn)練集，對所述預(yù)測模型進(jìn)行訓(xùn)練從而確定各核函數(shù)所對應(yīng)的最優(yōu)參數(shù)以及懲罰函數(shù)C和不敏感損失函數(shù)參數(shù)ε；

構(gòu)建支持向量回歸機(jī)的預(yù)測模型，要想提高預(yù)測精度，需要選擇合適的核函數(shù)。前面原理部分提到過，針對不同的問題，選擇不同核函數(shù)的精度差距很大，所以能否選擇合適的核函數(shù)成為影響預(yù)測精度的關(guān)鍵因素。針對特定問題選擇對應(yīng)的核函數(shù)沒有統(tǒng)一的方法，只能多次試驗后對比，因此為了提高預(yù)測精度，這部分首先構(gòu)建多核支持向量回歸機(jī)的預(yù)測模型，選擇的核函數(shù)包括多項式核函數(shù)、Gauss徑向基核函數(shù)和多層感知機(jī)核函數(shù)。預(yù)測模型建好后，輸入訓(xùn)練集，對所述預(yù)測模型進(jìn)行訓(xùn)練從而確定各核函數(shù)所對應(yīng)參數(shù)。

依據(jù)青島市修建地鐵過程中獲取的數(shù)據(jù)，整理盾構(gòu)機(jī)挖掘地鐵2號線左線時產(chǎn)生的信息集。為了方便建模，把刀具的壽命情況進(jìn)行編碼用0和1表示，其中用0代表刀具未損壞，用1表示刀具損壞。

如下表1(1號刀具在2015年的部分原始數(shù)據(jù))：

表一：1號刀具的部分原始數(shù)據(jù)

歸一化處理后如下表1(1號刀具的部分?jǐn)?shù)據(jù))。

表二：一號刀具相關(guān)驅(qū)動因子標(biāo)準(zhǔn)化數(shù)據(jù)表

下面圖1和圖2為一號刀具用Gauss徑向基核函數(shù)預(yù)測的過程，其中圖1所示為SVR參數(shù)選擇的等高線圖，圖2為SVR參數(shù)選擇的3D視圖。1號刀具在選定徑向基核函數(shù)的前提下，得到的懲罰函數(shù)C為0.00680，核半徑γ為256，MSE為0.0233。在結(jié)構(gòu)體確定的情況下，對1號刀壽命做預(yù)測，準(zhǔn)確率97.8％。如圖3所示。

支持向量回歸機(jī)的參數(shù)選取對預(yù)測精度的影響較大，在選定核函數(shù)的基礎(chǔ)上，確立合適的參數(shù)來提高預(yù)測的精度非常必要。在本發(fā)明的方法中，為了克服樣本容量相對少的情況，充分利用數(shù)據(jù)集對算法效果做測試，采用k-折交叉驗證增加樣本量。在機(jī)器學(xué)習(xí)中，將數(shù)據(jù)集A分為訓(xùn)練集(training set)B和測試集(test set)C，在樣本量不充足的情況下，為了充分利用數(shù)據(jù)集對算法效果進(jìn)行測試，將數(shù)據(jù)集A隨機(jī)分為k個包，每次將其中一個包作為測試集，剩下k-1個包作為訓(xùn)練集進(jìn)行訓(xùn)練。

利用網(wǎng)格搜索法使各組核函數(shù)參數(shù)相互解耦，從而確定核函數(shù)對應(yīng)的參數(shù)、懲罰函數(shù)C和不敏感損失函數(shù)參數(shù)ε。網(wǎng)格搜索法基本原理是將各參數(shù)變量值的可行區(qū)間(可從小到大)，劃分為一系列的小區(qū)，由計算機(jī)順序算出對應(yīng)各參數(shù)變量值組合，所對應(yīng)的誤差目標(biāo)值(即實測和計算的水質(zhì)序列值的偏差平方和)并逐一比較擇優(yōu)，從而求得該區(qū)間內(nèi)最小目標(biāo)值及其對應(yīng)的最佳特定參數(shù)值。這種估值方法可保證所得的搜索解基本是全局最優(yōu)解，可避免重大誤差。

將2號線左線15年5月到16年1月的數(shù)據(jù)作為樣本訓(xùn)練集，分別用多項式函數(shù)、Gauss徑向基核函數(shù)、多層感知機(jī)核函數(shù)3種不同核函數(shù)進(jìn)行學(xué)習(xí)訓(xùn)練，構(gòu)建預(yù)測刀具下一工作區(qū)間壽命情況的模型。在核函數(shù)選定的情況下，調(diào)節(jié)參數(shù)對精度的影響較大，本文用MATLAB中的libsvm工具箱，結(jié)合k-折交叉驗證和網(wǎng)格搜索，最大限度的尋找最優(yōu)參數(shù)。得到的各核函數(shù)的最優(yōu)參數(shù)如下表：

表三：各個核函數(shù)對應(yīng)的最優(yōu)參數(shù)

4.確定預(yù)測模型的最佳核函數(shù)

一方面為了確定預(yù)測模型的最佳核函數(shù)，另一方面也為了驗證預(yù)測模型的可行性，引入了多元回歸模型作為對比，對41號刀具下一工作區(qū)間的壽命情況做預(yù)測，并與實際統(tǒng)計的做對比，對12個不同的模型做檢驗，得到預(yù)測壽命與實際壽命的相對誤差、均方差誤差。

根據(jù)刀具的安裝位置和功能，把刀具分為3類，1-8中心刀，9-25正滾刀,26-41為邊滾刀。同理數(shù)據(jù)分為3組，基于不同核函數(shù)構(gòu)建12個結(jié)構(gòu)體預(yù)測刀具的壽命情況，各個模型預(yù)測結(jié)果如表四所示：

表四 各個模型預(yù)測精度對此

由表四可以明顯看出，傳統(tǒng)的多元回歸模型的平均相對誤差、均方差誤差均高于其他的模型。基于各個核函數(shù)的預(yù)測模型的平均相對誤差、均方差誤差有很大差距，綜合比較不同類型刀具的訓(xùn)練結(jié)果，可得出基于徑向基核函數(shù)的模型在預(yù)測3類刀具壽命中表現(xiàn)優(yōu)異，最終的預(yù)測模型確立為基于RBF核函數(shù)的支持向量回歸機(jī)的刀具壽命預(yù)測模型。

5、將待預(yù)測刀具的驅(qū)動因子的樣本數(shù)據(jù)集作為預(yù)測樣本集，輸入預(yù)測模型，得出預(yù)測結(jié)果。

為了驗證基于RBF核函數(shù)的支持向量回歸機(jī)的刀具壽命預(yù)測模型，用2號線右線的數(shù)據(jù)做預(yù)測。依照上述模型進(jìn)行預(yù)測,最后結(jié)果如下表五：

表五：預(yù)測結(jié)果的準(zhǔn)確率和均方誤差

由統(tǒng)計的結(jié)果可知，總體的準(zhǔn)確率達(dá)到94.52％，均方誤差很小，預(yù)測較好效果。驗證了模型的有效性。