一种基于SVM算法的盾构TBM故障预警方法与流程

本发明涉及隧道盾构掘进工程领域，特别是涉及一种基于svm算法的盾构tbm故障预警方法。

背景技术：

目前，我国的盾构施工仍然处于快速发展期，现场施工的数字化智能化方法还比较欠缺，隧道盾构掘进施工主要依赖人工经验，盾构施工项目与日俱增和盾构司机数量的急剧增大导致盾构司机的从业水平相对降低，加上盾构tbm施工中地质条件相对复杂，产生目前盾构tbm施工中出现大量的重大事故和人员伤亡，此时急需一种盾构tbm故障预警方法来对重大险情早期预警，减少重大事故的发生，保护人名的生命和财产损失，同时提高盾构tbm掘进的数据化和智能化水平。

技术实现要素：

为解决上述技术问题，本发明采用的一个技术方案是一种基于svm算法的盾构tbm故障预警方法，主要包含了盾构tbm故障建模，盾构tbm故障识别机器学习分类算法svm建模、训练和分类识别，盾构tbm故障预警方法三部分。

本发明的技术方案是这样实现的：一种基于svm算法的盾构tbm故障预警方法，该方法的具体步骤如下：

（1）根据以往发生在盾构tbm施工过程中出现的问题对盾构tbm关键掘进参数进行创建盾构tbm故障模型；

（2）通过分析选择盾构施工数据样本对盾构tbm机器学习分类算法svm进行建模、训练和分类验证；

（3）使用训练后的svm模型对盾构tbm施工实时数据进行分类识别，并对故障信息进行判定和推送。

其中，所述步骤（1）中的盾构tbm关键掘进参数是指刀盘转速、刀盘扭矩、总推力、推进速度、土压等盾构tbm关键掘进参数中两个或多个的组合。

其中，所述步骤（2）的具体过程是：根据步骤（1）所创建的盾构tbm故障模型准备样本数据作为svm的输入输出参数，首先根据输入变量的个数结合核函数创建一个svm支持向量机，然后调整核函数的参数，使用smo学习算法对svm支持向量机和样本输入输出参数进行训练，得到分类决策函数也就是最终的svm模型，最后使用最终的svm模型对准备样本进行测试验证。

其中，所述步骤（3）的具体过程是：使用步骤（3）所得出的测试验证后的svm模型对盾构tbm施工实时数据进行分类识别，如果被识别为故障点，则存储记录并累计时间，若累计时间超过阈值，则认为故障，然后推送故障预警信息到相关管理人员。

其中，所述的核函数为线性核函数、多项式核函数、高斯核函数、拉普拉斯核函数、sigmod核函数中的任意一种。

本发明的原理和具体做法是：（1）盾构tbm故障建模，根据以往发生在盾构tbm施工过程中出现的问题对盾构tbm关键掘进参数进行故障建模。对于某施工过程中刀具严重磨损故障，选取刀盘扭矩和推进速度作为此种情况下的一个盾构tbm故障模型（原理仅列举刀盘扭矩和推进速度2中数据），同时选取该故障时间段的每个时间点的刀盘扭矩和推进速度的数据作为原始数据。

(2)盾构tbm故障机器学习分类算法svm支持向量机

svm(supportvectormachine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。

svm方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中（hilbert空间），使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。svm方法：应用核函数的展开定理，就不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难”。

根据盾构tbm故障模型准备样本数据作为svm的输入输出参数，本次输入参数是推进速度和刀盘扭矩，输出参数是分类(故障、正常)。

根据输入变量的个数结合高斯核函数创建一个svm支持向量机。输入变量的个数是2，常用的核函数有以下5种：

1、线性核函数：

2、多项式核函数：

3、径像基核函数/高斯核函数：

4、拉普拉斯核函数：

5、sigmod核函数：

根据数据训练选择，最适合的为高斯核函数（本原理说明仅仅选取其中一种）。调整高斯核函数的参数，使用smo学习算法对svm支持向量机和样本输入输出参数进行训练，得到分类决策函数也就是最终的svm模型。使用最终的svm模型对准备样本进行测试验证。

（3）盾构tbm故障预警方法

盾构tbm实时数据经过故障模型筛选，作为训练后的svm模型的输入数据，经过训练后的svm模型分类识别，输出该组数据的类型(正常点/故障点)，如果被识别为正常点则提取下一组实时数据，如果被识别为故障点则记录并累计时间。累计时间超过阈值认为故障，推送报警信息到相关管理人员。

本发明的有益效果是：本发明通过采用一种基于svm算法的盾构tbm故障预警方法，可以对盾构tbm施工过程中出现的设备、施工异常情况进行早期预警，减少设备、部件的损坏和人员的伤亡，以及减少施工过程中的重大施工事故的发生、施工人员的安全风险和经济损失，提高盾构行业施工信息化、智能化的水平，对盾构施工行业具有很大的经济和社会效益。

附图说明

图1是一种基于svm算法的盾构tbm故障预警方法所示的刀盘扭矩和推进速度关系曲线图。

图2是一种基于svm算法的盾构tbm故障预警方法所示的样本数据散点图。

图3是一种基于svm算法的盾构tbm故障预警方法所示的svm样本数据训练映射图。

图4是一种基于svm算法的盾构tbm故障预警方法所示的svm样本数据训练的支持向量。

图5是一种基于svm算法的盾构tbm故障预警方法所示的svm样本数据模型测试。

图6是盾构tbm故障预警流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

实施例：

工程介绍：南京过江通道是《南京城市总体规划》确定的一条重要的城市过江快速通道，连接南京河西新城区江心洲浦口区。整个工程通道总长5853m，双洞双线六车道设计，采用“左汊盾构隧道+右汊桥梁”方案，其中左汊盾构隧道（分为左、右线两条隧道）江北起点里程为k3+600，江南梅子洲到达里程为k6+532.756，盾构区间长度为2932.756m，左、右线两条隧道分别采用德国海瑞克公司生产的两台（s349、s350）φ14.93m泥水加压平衡盾构机施工。

（1）盾构tbm故障建模

该设备在施工过程中由于地质发生变化加上错误操作导致刀具严重磨损。本次选取刀盘扭矩和推进速度作为此种情况下的一个盾构tbm故障模型，其数据关系图如图1所示。

蓝色曲线为推进速度曲线，红色曲线为刀盘扭矩曲线，黑色曲线框内为推进速度突降，扭矩居高不下的区间。图1看出在推进过程中扭矩和速度明显发生了反相关，简单的判定不是刀具出了问题就是地质发生了突变，经检查为地质变化的情况下，错误操作导致刀具磨损严重。地质变硬后，掘进速度下降，司机增加扭矩，掘进速度还是上不去，硬加速导致刀具磨损严重。

选取总推力和推进速度建模，对地质条件变化情况下，盲目掘进情况进行掘进异常变化预警，及时提醒盾构司机的错误操作，减小设备和部件损坏的概率。

（2）盾构tbm故障机器学习分类算法svm支持向量机

模型参数选取刀盘扭矩和推进速度，样本数据如表1所示，分类数据”-1”代表故障预警点，”1”代表正常点

表1样本数据

使用svm进行数据集分类工作的过程首先是同预先选定的一些非线性映射将输入空间映射到高维特征空间，刀盘扭矩和推进速度在二维空间是离散的，属于线性不可分，如图1所示。x轴代表推进速度，y轴代表刀盘扭矩，g1代表故障点，g2代表正常点。

如图2所示，使用高斯核函数创建一个带有两个输入变量的svm支持向量机。如图3所示调整高斯核函数的参数，使用smo学习算法对svm支持向量机和样本输入输出参数进行训练，得到分类决策函数也就是最终的svm模型。图4是训练后的支持向量。图5是使用最终的svm模型对原始样本进行测试，g1hit代表识别到的故障点，g2hit代表识别到的正常点，g1miss代表未识别到的故障点，g2miss代表未识别到的正常点。

（3）tbm故障预警方法

图6所示的盾构tbm故障预警流程，盾构tbm关键参数的实时数据经过故障模型筛选，保留模型所需的盾构tbm关键参数的数据。

图1的故障模型由刀盘扭矩和推进速度组成，即从所有采集的盾构tbm关键参数数据中只保留刀盘扭矩和推进速度的数据。该组数据作为训练后的svm模型的输入数据，经过训练后的svm模型分类识别，输出改组数据的类型(正常点/故障点)，如果被识别为正常点则提取下一组实时数据，如果被识别为故障点则记录并累计时间。累计时间超过阈值认为故障，推送报警信息到相关管理人员。

通过上面具体实施方式，所述技术领域的技术人员可容易的实现本发明。但是应当理解，本发明并不限于上述的具体实施方式。在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。