[發明專利]基于數據驅動徑向基函數模型的TBM推進力預測方法

有效

• 申請號: 201810186041.2
• 申請日: 2018-03-07
• 公開（公告）號: CN108470095B
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 王林濤;李杰;孫偉;欒鵬龍;杜家楠
• 申請（專利權）人: 大連理工大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F17/15
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 趙淑梅;李洪福

本發明公開了一種基于數據驅動徑向基函數模型的TBM推進力預測方法，具有如下步驟：S1、收集TBM掘進過程中現場所記錄的數據；S2、確定影響TBM推進力的有關變量因子；S3、構建徑向基函數推進力模型；S4、得出對推進力有主要影響的因子；S5、進行對推進力有主要影響的因子進行再次構建徑向基函數推進力模型；S6、預測樣本集輸入到徑向基函數推進力模型，得出預測結果；S7、對預測結果采用相對誤差來進行評價，并對其相對誤差運用統計分析方法，得出預測的評價準則和結果。本發明提出了一種對TBM施工現場數據處理方法，使記錄的數據得到充分的利用，得到記錄數據與推進力之間的關系，為TBM在掘進過程調控提供參考，保證TBM正常高效的運行。

技術領域

本發明涉及隧道掘進機技術領域，具體的說涉及一種基于數據驅動徑向基函數模型的TBM推進力預測方法。

背景技術

硬巖隧道掘進已經成為各類隧道掘進的一般方式，全斷面巖石隧道掘進機(Tunnel boring machine，TBM)被用于不同的地質條件下的隧道掘進，同時要求其具有更高的效率和合理的動力進行掘進。在TBM掘進過程中，掘進載荷中的推進力是一個很重的參數，它對刀盤上刀具的壽命，結構的優化設計，掘進效率的提高，整體的經濟成本估計有很大影響。同時隨著裝備制造領域“信息化、智能化”技術的發展，“預測”功能正在成為裝備制造中的核心技術，它能夠有效地推理并預估裝備中的關鍵參數，是優化設計與智能控制的重要基礎。所以TBM在掘進過程時，對其推進力的預測就顯得尤為重要。

TBM施工過程中的傳感器和檢測設備，可以提供廣泛的實時質量測量數據，其中包括設備運行過程中關鍵控制變量信息，例如掘進速度，貫入度，撐靴壓力等。而確定這些影響因素和推進力的內在聯系，建立一個能反映固有規律的推進力模型對TBM設備的設計，控制和安全運行具有重要意義。TBM在施工過程中，根據現場所記錄的施工數據，運用所建立的推進力模型，來預測其掘進過程中的推進力，將使得記錄的數據被有效利用，以及為即將掘進的地段做出調整控制。

發明內容

根據上述提出的技術問題，而提供一種基于數據驅動徑向基函數模型的TBM推進力預測方法。本發明采用的技術手段如下：

一種基于數據驅動徑向基函數模型的TBM推進力預測方法，具有如下步驟：

S1、收集TBM掘進過程中現場所記錄的數據；

S2、確定影響TBM推進力的有關變量因子，建立變量因子的樣本數據集作為訓練集；

S3、構建徑向基函數推進力模型，輸入訓練集，對徑向基函數推進力模型進行訓練，得出其權重；

S4、根據徑向基函數推進力模型，運用估計樣本均值和樣本標準差方法，得出對推進力有主要影響的因子；

S5、根據得到的對推進力有主要影響的因子和訓練集，進行對推進力有主要影響的因子進行再次構建徑向基函數推進力模型，其中，對推進力有主要影響的因子的80％的數據作為建模樣本，20％作為檢測樣本，進行簡單交叉驗證，確定徑向基函數推進力模型的精度；

S6、將一個掘進周期中待預測的對推進力有主要影響的因子的樣本集作為預測樣本集，輸入到徑向基函數推進力模型，得出預測結果；

S7、對預測結果采用相對誤差來進行評價，并對其相對誤差運用統計分析方法，得出預測的評價準則和結果；

S8、在TBM掘進過程中，將產生新的對推進力有主要影響因子的數據，與上一掘進周期中的得到的對推進力有主要影響因子的數據，重新構建新的訓練集，再次構建徑向基函數推進力模型，重復步驟S6至步驟S8，使徑向基函數推進力模型具有一定的動態學習能力，形成一邊掘進一邊進行預測推進力的預測模型。

所述步驟S1的具體步驟如下：TBM掘進周期的劃分，識別每一個掘進周期中的有效數據，完成對掘進周期的識別，將其每一個掘進周期中的數據進行統一數據格式。