[發明專利]一種硬巖掘進機支護等級智能推薦方法

有效

• 申請號: 202010002682.5
• 申請日: 2020-01-02
• 公開（公告）號: CN111140244B
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 武穎瑩;李建斌;王杜娟;李鵬宇;鄭贏豪;荊留杰;楊晨;簡鵬;杜孟超
• 申請（專利權）人: 中鐵工程裝備集團有限公司
• 主分類號: E21D9/087
• 分類號: E21D9/087;E21D9/00;E21D11/18;E21F17/18;E21F17/00
• 代理公司: 鄭州優盾知識產權代理有限公司 41125
• 代理人: 鄭園

1.一種硬巖掘進機支護等級智能推薦方法，其特征在于，包括如下步驟：

S1，采集反映設備運行狀態的隧道掘進機的掘進數據及對應的鋼拱架支護類型數據；

S2，對掘進數據進行數據預處理，剔除數據中的異常值；

S3，將預處理后的掘進數據作為輸入數據，并根據掘進數據的樁號尋找對應樁號的鋼拱架支護類型數據作為輸出數據，建立鋼拱架支護類型數據集；

S4，將鋼拱架支護類型數據集隨機分為訓練集和測試集；

S5，基于智能分類算法并利用訓練集數據建立鋼拱架支護類型預測模型，將測試集數據輸入鋼拱架支護類型預測模型對鋼拱架支護類型進行預測。

2.根據權利要求1所述的硬巖掘進機支護等級智能推薦方法，其特征在于，在步驟S1中，所述掘進數據包括頂護盾的位移及壓力數據、左側護盾的位移及壓力數據、右側護盾的位移及壓力數據和撐靴的位移及壓力數據、盾體的豎直偏差、盾體的水平偏差、前盾滾動角、前盾俯仰角、主機皮帶機轉速、主機皮帶機電機電流、主機總推力、刀盤扭矩、主機推進速度或刀盤轉速。

3.根據權利要求2所述的硬巖掘進機支護等級智能推薦方法，其特征在于，在步驟S2中，所述掘進數據預處理包括如下步驟：

a.提取掘進數據中的穩定段數據；

b.基于3σ準則對穩定段數據進行異常值剔除；

c.對穩定段數據進行中值濾波處理。

4.根據權利要求1-3任一項所述的硬巖掘進機支護等級智能推薦方法，其特征在于，在步驟S4中，所述訓練集和測試集中的掘進數據是經特征重要度排序后，并對特征重要度排序后的掘進數據保留特征重要度占比超過80％的特征所得到；所述特征是指掘進數據。

5.根據權利要求4所述的硬巖掘進機支護等級智能推薦方法，其特征在于，所述特征重要度排序的實現方法為采用LightGBM算法，每一個特征的特征重要度是指LightGBM中所有決策樹由對應特征進行節點劃分所引起的Gini指數下降之和；所述LightGBM是由M個基分類器經線性組合構建一個強分類器，所述強分類器F_M(x)的計算公式為：

其中，h(x)表示基分類器決策樹，β_m表示第m個分類器的權重系數，M表示基分類器的總個數，x表示掘進數據。

6.根據權利要求5所述的硬巖掘進機支護等級智能推薦方法，其特征在于，所述基分類器決策樹的決策樹是一種非參數的有監督學習方法，決策樹的構建過程通過選擇使Gini指數下降程度最高的特征分割點以完成對節點的劃分，Gini指數下降程度的計算公式為Gini(D)-Gini(D,A)；

樣本集D上概率分布的Gini指數Gini(D)的計算公式為：

其中，D表示鋼拱架支護類型數據集，K表示鋼拱架支護類型的總分類數，p_k表示第k類鋼拱架支護類型的概率；

在特征A的條件下，樣本集D的Gini指數Gini(D,A)的計算公式為：

其中，D₁和D₂分別表示選取樣本集D中的特征A中的一個數據值后得到的兩個子集。

7.根據權利要求1或6所述的硬巖掘進機支護等級智能推薦方法，其特征在于，在步驟S5中，所述智能分類算法包括支持向量機、極限學習機或隨機森林。

8.根據權利要求7所述的硬巖掘進機支護等級智能推薦方法，其特征在于，所述訓練集和測試集的數據是經過標準化的，所述標準化包括如下步驟：

1)求出每個掘進數據的算術平均值μ_i和標準差σ_i；

2)對每個掘進數據進行標準化處理；

其中，x_ij為原始掘進數據，z_ij為標準化后的掘進數據。

9.根據權利要求1或8所述的硬巖掘進機支護等級智能推薦方法，其特征在于，所述鋼拱架支護類型預測模型對應的分類函數f(x)為：

其中，w_i表示第i個訓練樣本的權重系數，b表示偏置系數，l表示訓練集的樣本總數，k(x,x_i)為核函數，x表示掘進數據，x_i表示第i個訓練樣本的掘進數據；

若鋼拱架支護類型的類別為k種，k種鋼拱架支護類型對應于k個類別的樣本，k個類別的樣本構造出k個分類函數{f₁(x)，f₂(x)，…，f_k(x)}；在確認未知樣本分類時，將未知樣本分別代入分類函數{f₁(x)，f₂(x)，…，f_k(x)}中，得到不同鋼拱架支護類型所對應的分類函數值，將未知樣本分類為最大分類函數值所在的那一類鋼拱架支護類型。