本发明涉及盾构机健康评估技术领域，具体地，涉及一种盾构机主轴承密封性能健康评估方法与系统。
背景技术：
盾构机，全名叫盾构隧道掘进机，是一种隧道掘进的专用工程机械，现代盾构掘进机集光、机、电、液、传感、信息技术于一体，具有开挖切削土体、输送土碴、拼装隧道衬砌、测量导向纠偏等功能，涉及地质、土木、机械、力学、液压、电气、控制、测量等多门学科技术，而且要按照不同的地质进行“量体裁衣”式的设计制造，可靠性要求极高。
盾构机在进行盾构作业时承受着复杂的力和力矩，而主轴承作为支撑盾构机刀盘的主要承载部件，承担着盾构机运转过程中的主要载荷。通常情况下，主轴承密封系统是主轴承的关键部件，如果在施工过程中因密封系统损坏造成主轴承齿轮油泄露或者泥渣颗粒进入齿轮箱会引起主轴承和齿轮损坏，因此对主轴承密封性能的实时监测和健康评估显得尤为重要。
技术实现要素：
针对现有技术中的缺陷，本发明的目的是提供一种盾构机主轴承密封性能健康评估方法与系统。
根据本发明提供的盾构机主轴承密封性能健康评估方法，包含以下步骤：
数据采集处理步骤：获取并处理盾构机在运行过程中的原始状态变量，得到状态变量数据集；
特征处理步骤：对状态变量数据集进行特征处理，获得低维特征评估向量；
健康评估步骤：根据低维特征评估向量对主轴承密封性能健康状况进行相应的状态评估与性能预测。
优选地，所述数据采集处理步骤包含以下步骤：
数据采集步骤：获取盾构机在运行过程中的原始状态变量；
数据存储步骤：将原始状态变量存储在盾构机状态检测数据库中；
数据预处理步骤：填补、检测或剔除相应的原始状态变量，获得经过预处理的状态变量数据集。
优选地，所述特征处理步骤包含以下步骤：
特征选取步骤：从状态变量数据集中提取出与主轴密封性能相关的第一特征向量；
特征降维步骤：对第一特征向量进行降维处理，得到低维空间显著特征；
特征向量获取步骤：根据低维空间显著特征获取低维特征评估向量。
优选地，特征选取步骤包含以下步骤：
步骤S1：计算第j环对应的状态变量数据集中第i个状态变量Xij的均值、最大值、峭度以及标准差，得到第j环中第i个状态变量Xij的子特征向量Fij：
式中：为状态变量Xij的均值；
为状态变量Xij的最大值；
为状态变量Xij的峭度；
为状态变量Xij的标准差；
步骤S2：将每一环中所有状态变量的子特征向量按行进行组合，得到第j环的初始环特征向量Fj：
式中：n为状态变量数据集的状态变量个数；
步骤S3：将发生主轴密封故障的所有初始环特征向量按列进行组合，获得高维特征向量F：
步骤S4：使用随机森林模型对F进行特征重要性分析，得到权重环特征向量，提取出前m个权重环特征向量作为第一特征向量f：
f＝[f1,f2,…,fm]
式中：fm为第m个权重环特征向量。
优选地，特征降维步骤中，对f同时进行主成分分析、拉普拉斯特征值映射、局部线性嵌入、多维尺度变换，并分别获得对应的低维空间显著特征f′1、f′2、f′3、f′4；
特征向量获取步骤中，所述低维特征评估向量f′为：
f＇＝[f′1,f′2,f′3,f′4]。
本发明还提供了一种盾构机主轴承密封性能健康评估系统，包含以下模块：
数据采集处理模块：获取并处理盾构机在运行过程中的原始状态变量，得到状态变量数据集；
特征处理模块：对状态变量数据集进行特征处理，获得低维特征评估向量；
健康评估模块：根据低维特征评估向量对主轴承密封性能健康状况进行相应的状态评估与性能预测。
优选地，所述数据采集处理模块包含以下模块：
数据采集模块：获取盾构机在运行过程中的原始状态变量；
数据存储模块：将原始状态变量存储在盾构机状态检测数据库中；
数据预处理模块：填补、检测或剔除相应的原始状态变量，获得经过预处理的状态变量数据集。
优选地，所述特征处理模块包含以下模块：
特征选取模块：从状态变量数据集中提取出与主轴密封性能相关的第一特征向量；
特征降维模块：对第一特征向量进行降维处理，得到低维空间显著特征；
特征向量获取模块：根据低维空间显著特征获取低维特征评估向量。
优选地，特征选取模块包含以下模块：
模块M1：计算第j环对应的状态变量数据集中第i个状态变量Xij的均值、最大值、峭度以及标准差，得到第j环中第i个状态变量Xij的子特征向量Fij：
式中：为状态变量Xij的均值；
为状态变量Xij的最大值；
为状态变量Xij的峭度；
为状态变量Xij的标准差；
模块M2：将每一环中所有状态变量的子特征向量按行进行组合，得到第j环的初始环特征向量Fj：
式中：n为状态变量数据集的状态变量个数；
模块M3：将发生主轴密封故障的所有初始环特征向量按列进行组合，获得高维特征向量F：
模块M4：使用随机森林模型对F进行特征重要性分析，得到权重环特征向量，提取出前m个权重环特征向量作为第一特征向量f：
f＝[f1,f2,…,fm]
式中：fm为第m个权重环特征向量。
优选地，特征降维模块中，对f同时进行主成分分析、拉普拉斯特征值映射、局部线性嵌入、多维尺度变换，并分别获得对应的低维空间显著特征f′1、f′2、f′3、f′4；
特征向量获取模块中，所述低维特征评估向量f′为：
f′＝[f′1,f′2,f′3,f′4]。
与现有技术相比，本发明具有如下的有益效果：
1、本发明针对盾构机主轴承密封特性研究，提取与评估目标敏感的特征，采用PCA、LE、LLE和MDS降维方法对特征的维度进行约简，得到降维空间里的特征量分布。具有效率高、准确率高、鲁棒性好的特点，能够快速高效地对施工数据进行分析，为主轴承的健康评估提供参考依据。
2、本发明基于盾构机实时运行的实际数据，与传统方法基于大量的假设相比更加的实际可靠，且可以根据盾构机当前的运行数据进行预测，提前预测盾构机的健康趋势，从而方便对盾构机进行维护。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明提供的盾构机主轴承密封性能健康评估方法流程图；
图2为数据预处理步骤中针对不同脏数据的处理方法。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1所示，本发明提供的盾构机主轴承密封性能健康评估系统，包含以下模块：
数据采集处理模块：获取并处理盾构机在运行过程中的原始状态变量，得到状态变量数据集；特征处理模块：对状态变量数据集进行特征处理，获得低维特征评估向量；健康评估模块：根据低维特征评估向量对主轴承密封性能健康状况进行相应的状态评估与性能预测。
所述数据采集处理模块包含以下模块：数据采集模块：获取盾构机在运行过程中的原始状态变量；数据存储模块：将原始状态变量存储在盾构机状态检测数据库中；数据预处理模块：填补、检测或剔除相应的原始状态变量，获得经过预处理的状态变量数据集。数据采集模块实时地获取盾构机在运行过程中每一环的各个原始状态变量，数据存储模块将所获取的所有原始状态信息存储在盾构机状态检测数据库中。如图2所示，数据预处理模块中，主要判别状态监测数据中的错误数据，查找重复数据并且填补空值，能够尽最大可能地保证数据使用前的正确性，将错误的或有冲突的不想要的“脏数据”，按照一定的规则“洗掉”，或者将“脏数据”转换为满足数据质量和应用要求的数据，从而提高数据的质量。
所述特征处理模块包含以下模块：特征选取模块：从状态变量数据集中提取出与主轴密封性能相关的第一特征向量；特征降维模块：对第一特征向量进行降维处理，得到低维空间显著特征；特征向量获取模块：根据低维空间显著特征获取低维特征评估向量。
特征选取模块包含以下模块：
模块M1：计算第j环对应的状态变量数据集中第i个状态变量Xij的均值、最大值、峭度以及标准差，得到第j环中第i个状态变量Xij的子特征向量Fij：
式中：为状态变量Xij的均值；为状态变量Xij的最大值；为状态变量Xij的峭度；为状态变量Xij的标准差；
模块M2：将每一环中所有状态变量的子特征向量按行进行组合，得到第j环的初始环特征向量Fj：
式中：n为状态变量数据集的状态变量个数；
模块M3：将发生主轴密封故障的所有初始环特征向量按列进行组合，获得高维特征向量F：
模块M4：使用随机森林模型对F进行特征重要性分析，得到权重环特征向量，提取出前m个权重环特征向量作为第一特征向量f：
f＝[f1,f2,…,fm]
式中：fm为第m个权重环特征向量。优选地，所述，m＝10。
特征降维模块中，对f同时进行主成分分析、拉普拉斯特征值映射、局部线性嵌入、多维尺度变换，并分别获得对应的低维空间显著特征f′1、f′2、f′3、f′4；
特征向量获取模块中，所述低维特征评估向量f′为：
f′＝[f′1,f′2,f′3,f′4]。
相应地，本发明还提供了盾构机主轴承密封性能健康评估方法，包含以下步骤：
数据采集处理步骤：获取并处理盾构机在运行过程中的原始状态变量，得到状态变量数据集；特征处理步骤：对状态变量数据集进行特征处理，获得低维特征评估向量；健康评估步骤：根据低维特征评估向量对主轴承密封性能健康状况进行相应的状态评估与性能预测。
所述数据采集处理步骤包含以下步骤：数据采集步骤：获取盾构机在运行过程中的原始状态变量；数据存储步骤：将原始状态变量存储在盾构机状态检测数据库中；数据预处理步骤：填补、检测或剔除相应的原始状态变量，获得经过预处理的状态变量数据集。数据采集步骤实时地获取盾构机在运行过程中每一环的各个原始状态变量，数据存储步骤将所获取的所有原始状态信息存储在盾构机状态检测数据库中。如图2所示，数据预处理步骤中，主要判别状态监测数据中的错误数据，查找重复数据并且填补空值，能够尽最大可能地保证数据使用前的正确性，将错误的或有冲突的不想要的“脏数据”，按照一定的规则“洗掉”，或者将“脏数据”转换为满足数据质量和应用要求的数据，从而提高数据的质量。
所述特征处理步骤包含以下步骤：特征选取步骤：从状态变量数据集中提取出与主轴密封性能相关的第一特征向量；特征降维步骤：对第一特征向量进行降维处理，得到低维空间显著特征；特征向量获取步骤：根据低维空间显著特征获取低维特征评估向量。
特征选取步骤包含以下步骤：
步骤S1：计算第j环对应的状态变量数据集中第i个状态变量Xij的均值、最大值、峭度以及标准差，得到第j环中第i个状态变量Xij的子特征向量Fij：
式中：为状态变量Xij的均值；为状态变量Xij的最大值；为状态变量Xij的峭度；为状态变量Xij的标准差；
步骤S2：将每一环中所有状态变量的子特征向量按行进行组合，得到第j环的初始环特征向量Fj：
式中：n为状态变量数据集的状态变量个数；
步骤S3：将发生主轴密封故障的所有初始环特征向量按列进行组合，获得高维特征向量F：
步骤S4：使用随机森林模型对F进行特征重要性分析，得到权重环特征向量，提取出前m个权重环特征向量作为第一特征向量f：
f＝[f1,f2,…,fm]
式中：fm为第m个权重环特征向量。优选地，所述，m＝10。
特征降维步骤中，对f同时进行主成分分析、拉普拉斯特征值映射、局部线性嵌入、多维尺度变换，并分别获得对应的低维空间显著特征f′1、f′2、f′3、f′4；
特征向量获取步骤中，所述低维特征评估向量f′为：
f＇＝[f′1,f′2,f′3,f′4]。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。