申请/专利权人：中铁十八局集团有限公司;中铁十八局集团市政工程有限公司;西南交通大学

申请日：2022-10-10

公开（公告）日：2024-04-12

公开（公告）号：CN115563872B

主分类号：G06F18/27

分类号：G06F18/27;G06N3/126;G06N20/10;G06F30/27;G06F111/10;G06F111/04

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2023.01.20#实质审查的生效;2023.01.03#公开

摘要：本发明公开了一种基于DE‑SVR算法的TBM滚刀磨损量预测方法，构建TBM滚刀磨损量样本数据集；构建预测TBM滚刀磨损量的SVR模型；构建DE‑SVR预测模型：利用测试集数据检验DE‑SVR的准确性；对未知的TBM滚刀磨损量进行预测，从而得到未知TBM滚刀的磨损量的值。本发明通过DE优化算法进行参数优化，通过建立的DE‑SVR预测模型的分析知，滚刀磨损量预测值与实测值的正相关性非常好，该方法表明所建滚刀磨损预测模型的准确性较好，有效提高了滚刀磨损量预测精度，提高总体掘进施工效率具有很大的指导作用。

主权项：1.一种基于DE-SVR算法的TBM滚刀磨损量预测方法，其特征在于：包括如下步骤：S100：构建TBM滚刀磨损量样本数据集；根据现场采集的不同掘进参数下的TBM滚刀磨损量进行分析整理，形成15组不同掘进参数下对应的TBM滚刀磨损样本数据集；S110：将TBM滚刀磨损样本数据集分成两组数据，编号1-10为第一组，构成训练集数据；编号11-15为第二组，构成测试集数据；S200：构建预测TBM滚刀磨损量的SVR模型；S210：根据预测TBM滚刀磨损量的SVR模型的核函数，通过改进得到所需要的预测TBM滚刀磨损量的SVR模型的核函数，然后对预测TBM滚刀磨损量的SVR模型核函数进行对偶处理，得到TBM滚刀磨损量SVR模型；S220：TBM滚刀磨损量SVR模型的核函数K表示如下：Kxi，xj＝φxi·φxjTBM滚刀磨损量的估计函数fx表示为：fx＝ω·φx+b其中，表示TBM滚刀磨损量中低维向量到高维向量的映射，χ是TBM滚刀磨损量的向量，ω是TBM滚刀磨损量的向量自变量，b是TBM滚刀磨损量线性方程中的位移项参数；S300：构建DE-SVR预测模型，其中具体步骤如下：S310：选择DE-SVR模型的核函数，根据建立的TBM滚刀磨损量SVR模型，采用基于径向基核函数： 在该径向基核函数中，其中平衡参数C是TBM滚刀磨损量控制错分样本的比例和算法复杂度之间的折中，内核参数σ是TBM滚刀磨损量径向基核的宽度；S320：利用拉格朗日乘子法以及对偶法求解SVR，将DE-SVR模型转化为SVR的优化问题，即基于S220中TBM滚刀磨损量的估计函数fx以及SVR模型的求解，得到的TBM滚刀磨损量DE-SVR模型的回归估计函数为： S330：利用DE算法优化得到TBM滚刀磨损量DE-SVR模型，具体实施步骤如下；S331:利用DE微分进化优化算法对TBM滚刀磨损量SVR参数进行参数优化，对基于径向基核函数DE-SVR模型需要优化的参数是TBM滚刀磨损量平衡参数C和TBM滚刀磨损量内核参数σ；S332：设置初始的参数，初始化TBM滚刀磨损量种群规模N，进化代数km，交叉概率CR、缩放因子a、终止阀值、TBM滚刀磨损量平衡参数C和TBM滚刀磨损量内核参数σ的门限值；S333：随机生成初始TBM滚刀磨损量DE种群，置迭代次数为0，然后进行DE算法变异操作与交叉操作；S334：从当前的种群中随机选取3个与当前不同的个体进行变异操作，产生新的变异个体，进而产生新的TBM滚刀磨损量种群，进行连续迭代；S335：利用当前得到的TBM滚刀磨损量C，δ作为SVR的参数，利用SVR对TBM滚刀磨损量样本数据进行训练和预测，比较适应度函数值与期望值，若不满足停止条件，则进入下一代进化；S336：经过多次迭代之后，当适应度函数值不变化时，达到最大迭代次数时，停止迭代，保存SVR的最优参数C，δ，进而完成对TBM滚刀磨损量DE-SVR模型最优参数的选择；S340：根据选择的最优参数，对TBM滚刀磨损量样本数据进行训练和预测，建立DE-SVR的TBM滚刀磨损量预测模型；S400：利用测试集数据检验DE-SVR的准确性，将测试集数据输入到步骤S340得到的DE-SVR预测模型中，得到预测值，通过预测值与TBM滚刀磨损量的实测值计算性能指标R2，若满足设定的TBM滚刀磨损量预测精度要求，就进行下一步骤S500，且将DE-SVR的TBM滚刀磨损量预测模型设置为最终模型；如果不满足预设的TBM掘进预测精度要求，则重复S320-S340的步骤，继续进行模型训练和参数优化，直至符合预设的TBM掘进预测精度；S500：对未知的TBM滚刀磨损量进行预测：将TBM刀盘转速n、TBM刀盘扭矩T、TBM刀盘推力F及贯入度P的数值代入最终得到的DE-SVR的TBM滚刀磨损量预测模型中，从而得到未知TBM滚刀的磨损量的值；步骤S400检验模型的准确性；利用测试集，R2指标评价模型预测模型性能，R2的计算公式为： 其中，n为TBM滚刀磨损量测试集中样本个数；yi表示TBM滚刀磨损量测试集中实测值，yi'表示TBM滚刀磨损量测试集中预测值；表示TBM滚刀磨损量测试集中测量值的均值，表示TBM滚刀磨损量测试集中预测值的均值；i＝1，2，…，n；要求预测的TBM的滚刀磨损量的性能指标R2达到0.7以上，方可满足TBM滚刀磨损量预测精度要求。

全文数据：

权利要求：

百度查询： 中铁十八局集团有限公司;中铁十八局集团市政工程有限公司;西南交通大学 一种基于DE-SVR算法的TBM滚刀磨损量预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD