一种基于数据挖掘的盾构掘进参数预测方法与流程

1.本发明涉及盾构施工技术领域，特别是一种基于数据挖掘的盾构掘进参数预测方法。


背景技术：

2.目前盾构法施工已经广泛应用在我国各大城市的地铁隧道建设中，盾构机作为一种机械化程度较高的复杂设备，其性能控制直接关系到工程进度和效率。而复杂地质状况下经验丰富的盾构机司机以旧匮乏，因此盾构机的智能化提升正成为研究热点，其中，掘进参数的预测研究意义重大，是实现盾构机智能化施工的关键。
3.盾构机施工过程中，盾构掘进参数的设置往往由盾构司机依照自身经验进行操作，这不利于保证施工效率和施工安全，若盾构掘进参数设置不当，容易引发掌子面失稳、盾构掘进姿态不良、刀具磨损、刀盘结泥饼等诸多问题。
4.盾构施工过程中，会产生海量的数据，海量数据中存在了许多有用的信息，可以用于指导盾构施工。但是从当前来看，盾构数据种类繁多，存在大量噪音数据，无法直接找到其规律以指导现场施工，因此充分利用盾构掘进过程中产生的海量数据，通过数据挖掘，提高盾构掘进效率是很有必要的。


技术实现要素：

5.为了解决上述技术问题，本发明提供一种基于数据挖掘的盾构掘进参数预测方法，通过采集盾构掘进参数，对采集到的掘进参数进行预处理，并对掘进参数进行相关性分析和回归分析，建立bp神经网络对盾构掘进参数进行预测，进而实现掘进参数预测的目的；具体采用以下技术方案。
6.设计一种基于数据挖掘的盾构掘进参数预测方法，包括以下步骤：
7.s1：采集盾构机的掘进参数；
8.s2：将采集到的盾构机的掘进参数进行数据预处理，对其分布特征进行统计分析；
9.s3：采集到的盾构掘进参数进行相关性分析与回归分析；
10.s4：采用神经网络对盾构掘进参数进行预测，并给予盾构机推荐值。
11.优选地，在步骤s1中，盾构机的掘进参数主要选取掘进速度、贯入度、刀盘扭矩、总推进力、刀盘转速、推进压力和刀盘功率7个掘进参数进行分析。
12.优选地，在步骤s2中，数据预处理包括数据清洗和标准化处理。
13.(1)数据清洗
14.1)缺失值处理：对于缺失的数据进行填充补齐；对有信息不全的行列进行删除处理。
15.2)噪声处理：对于数据集中出现的一些极端数据，利用分箱、聚类、回归方法进行处理。
16.(2)标准化处理
17.将数据按照一定的比例进行缩放，让数据落入指定的区间之内，主要使用离差标准化、标准差标准化的方法进行处理。
18.优选地，在步骤s2中，分析数据特征值以选出来可以代表掘进参数变化趋势的特征值进行数据分析。
19.优选地，数据代表值的选取：具体的选择指定环号的掘进参数，对该环号掘进过程中所采取到的掘进参数的平均值、众数、最大值、最小值、标准差进行统计，根据各个参数的特征值统计结果，最终选择环平均值作为每环掘进数据的代表值。
20.优选地，在步骤s3中，使用皮尔森相关系数对掘进参数进行相关性分析，皮尔森相关系数大于0.7的认为参数之间属于强相关关系；基于皮尔森相关强度对掘进参数进行两两相关性的分析，对皮尔森系数大于0.7的掘进参数进行回归分析，得出盾构掘进参数两两之间的关系方程。
21.优选地，在步骤s4中，采用bp神经网络算法以盾构掘进速度作为输出层信息，以刀盘转速、刀盘功率、刀盘扭矩、总推进力、推进压力和贯入度作为输入层样本进行预测。
22.本发明的有益效果在于：本发明所提供的基于数据挖掘的盾构掘进参数预测，通过bp神经网络方法和对盾构机掘进参数进行深入挖掘，对掘进参数进行相关性分析，并在相关性分析的基础上进行回归分析，找到不同掘进参数之间的关系，利用机器学习的方法实现对掘进参数的预测，以给予盾构司机掘进参数推荐值，从而提高盾构掘进效能。
附图说明
23.图1是本发明的工作流程图；
24.图2是本发明中神经网络的三层结构图；
25.图3是本发明中的神经网络图；
具体实施方式
26.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
27.实施例
28.一种基于数据挖掘的盾构掘进参数预测方法，如图1所示，包括以下步骤：
29.s1：采集盾构机的掘进参数，在盾构施工中，掘进参数的合理选取对于掘进效率、刀具的磨损等方面有一定影响，因此盾构掘进参数至关重要，主要分析的掘进参数包含：掘进速度、贯入度、刀盘扭矩、总推进力、刀盘转速、推进压力和刀盘功率；
30.s2：将采集到的盾构机的掘进参数进行数据预处理，对其分布特征进行统计分析；
31.进一步地，数据预处理包括数据清洗和标准化处理，因为盾构掘进过程中获取到的原始数据集中包含了各个工作系统的参数数据，其中会存在很多的噪声数据，这些数据都会对模型的训练过程和预测效果产生影响。并且由于每种参数的单位不同，在数值上相差很大，所以需要进行标准化处理。故需对采取到的数据进行清洗和标准化处理。
32.(1)数据清洗
33.1)缺失值处理：对于缺失的数据进行填充补齐；对有信息不全的行列进行删除处理。
34.2)噪声处理：对于数据集中出现的一些极大或极小的极端数据，利用分箱、聚类、回归方法进行处理。
35.(2)标准化处理
36.将数据按照一定的比例进行缩放，让数据落入指定的区间之内，主要使用离差标准化、标准差标准化的方法进行处理。
37.进一步地，分析数据特征值以选出来可以代表掘进参数变化趋势的特征值进行数据分析。
38.进一步地，数据代表值的选取：具体的选择指定环号的掘进参数，对该环号掘进过程中所采取到的掘进参数的平均值、众数、最大值、最小值、标准差进行统计，根据各个参数的特征值统计结果，最终选择环平均值作为每环掘进数据的代表值。
39.s3：将采集到的盾构掘进参数进行相关性分析与回归分析；
40.进一步地，使用皮尔森相关系数对掘进参数进行相关性分析；
[0041][0042][0043][0044]
式中，r-pearson相关系数，xi,yi‑‑
n次独立观测值，n为样本总体数量。
[0045]
相关系数的值介于[-1，1]之间，负值代表负相关，正值代表正相关，相关性程度如下表所示；
[0046][0047]
根据上表最终得到掘进参数之间的相关系数，即皮尔森相关系数大于0.7的认为参数之间属于强相关关系，根据相关系数的结果分析不同掘进参数之间的关系。
[0048]
进一步地，利用spss软件对皮尔森相关系数大于0.7的掘进参数进行回归性分析，即可得出盾构掘进参数两两之间的关系方程；具体方法如下：
[0049]
(1)根据数据特点，选择多种模型，例如线性、对数、逆、二次、三次、符合、幂、增长、指数、s曲线，如下表所示。
[0050][0051][0052]
(2)spss会自动完成模型参数估计，并给出回归方程的显著性检验的f值、概率p值以及决定系数r2等估计量。
[0053]
(3)根据决定系数的大小选择最大的模型。
[0054]
s4：采用bp神经网络对盾构掘进参数进行预测，神经网络的结构一般包括三层：输入层、隐藏层以及输出层，如图2所示。其中隐藏层可以有多层，信息传播主要分为正向传播和反向传播两种方式，正向传播时样本信息首先向隐藏层传递，传递函数对样本数据进行处理，输入层的输出信息为：
[0055][0056]yip
＝f(i
ip
)
[0057]
j为输入层信息，i为隐藏层数据，p为训练样本数。
[0058]
隐藏层的输出信息为：
[0059][0060]
f为激活函数，最后经线性数学模型传递给输出层，常用的传递函数有sigmoid函数和tansig函数。
[0061][0062]
[0063]
误差的反向传播，如果训练后的数据输出与实际样本数据存在误差，则将误差反向进行传播，利用下式进行调节权值和阈值：
[0064][0065]
在神经网络中反复进行正常传播与反向传播两个过程，直到误差满足要求，则神经网络训练完毕。
[0066]
根据步骤s3中相关性分析与回归分析的分析结构，选择推进速度作为输出层信息，以刀盘转速、刀盘功率、刀盘扭矩、总推进力、推进压力和贯入度作为输入层样本进行预测。神经网络图如图3所示。
[0067]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于数据挖掘的盾构掘进参数预测方法，其特征在于，包括以下步骤：s1：采集盾构机的掘进参数；s2：将采集到的盾构机的掘进参数进行数据预处理，对其分布特征进行统计分析；s3：采集到的盾构掘进参数进行相关性分析与回归分析；s4：采用神经网络对盾构掘进参数进行预测，并给予盾构机推荐值。2.如权利要求1所述的基于数据挖掘的盾构掘进参数预测方法，其特征在于：在步骤s1中，盾构机的掘进参数主要选取掘进速度、贯入度、刀盘扭矩、总推进力、刀盘转速、推进压力和刀盘功率7个掘进参数进行分析。3.如权利要求1所述的基于数据挖掘的盾构掘进参数预测方法，其特征在于：在步骤s2中，数据预处理包括数据清洗和标准化处理。(1)数据清洗1)缺失值处理：对于缺失的数据进行填充补齐；对有信息不全的行列进行删除处理。2)噪声处理：对于数据集中出现的一些极端数据，利用分箱、聚类、回归方法进行处理。(2)标准化处理将数据按照一定的比例进行缩放，让数据落入指定的区间之内，主要使用离差标准化、标准差标准化的方法进行处理。4.如权利要求1所述的基于数据挖掘的盾构掘进参数预测方法，其特征在于：在步骤s2中，分析数据特征值以选出来可以代表掘进参数变化趋势的特征值进行数据分析。5.如权利要求4所述的基于数据挖掘的盾构掘进参数预测方法，其特征在于：数据代表值的选取：具体的选择指定环号的掘进参数，对该环号掘进过程中所采取到的掘进参数的平均值、众数、最大值、最小值、标准差进行统计，根据各个参数的特征值统计结果，最终选择环平均值作为每环掘进数据的代表值。6.如权利要求1所述的基于数据挖掘的盾构掘进参数预测方法，其特征在于：在步骤s3中，使用皮尔森相关系数对掘进参数进行相关性分析，皮尔森相关系数大于0.7的认为参数之间属于强相关关系；基于皮尔森相关强度对掘进参数进行两两相关性分析，对皮尔森系数大于0.7的掘进参数进行回归分析，得出盾构掘进参数两两之间的关系方程。7.如权利要求1所述的基于数据挖掘的盾构掘进参数预测方法，其特征在于：在步骤s4中，采用bp神经网络算法以盾构掘进速度作为输出层信息，以刀盘转速、刀盘功率、刀盘扭矩、总推进力、推进压力和贯入度作为输入层样本进行预测。

技术总结
本发明涉及盾构施工技术领域，特别是一种基于数据挖掘的盾构掘进参数预测方法，一种基于数据挖掘的盾构掘进参数预测方法，通过采集盾构掘进参数，对采集到的掘进参数进行预处理，并对掘进参数进行相关性分析和回归分析，建立BP神经网络对盾构掘进参数进行预测，进而实现掘进参数预测的目的，以给予盾构司机掘进参数推荐值，提高盾构掘进效能。提高盾构掘进效能。提高盾构掘进效能。


技术研发人员：洪开荣 万雪钰 冯欢欢 刘永胜 王树英 谷田鑫 李梦雨 郁凯旋 张斌
受保护的技术使用者：盾构及掘进技术国家重点实验室
技术研发日：2023.06.21
技术公布日：2023/9/14