本发明涉及隧道掘进机技术领域，具体的说涉及一种基于数据驱动径向基函数模型的tbm推进力预测方法。
背景技术：
硬岩隧道掘进已经成为各类隧道掘进的一般方式，全断面岩石隧道掘进机(tunnelboringmachine，tbm)被用于不同的地质条件下的隧道掘进，同时要求其具有更高的效率和合理的动力进行掘进。在tbm掘进过程中，掘进载荷中的推进力是一个很重的参数，它对刀盘上刀具的寿命，结构的优化设计，掘进效率的提高，整体的经济成本估计有很大影响。同时随着装备制造领域“信息化、智能化”技术的发展，“预测”功能正在成为装备制造中的核心技术，它能够有效地推理并预估装备中的关键参数，是优化设计与智能控制的重要基础。所以tbm在掘进过程时，对其推进力的预测就显得尤为重要。
tbm施工过程中的传感器和检测设备，可以提供广泛的实时质量测量数据，其中包括设备运行过程中关键控制变量信息，例如掘进速度，贯入度，撑靴压力等。而确定这些影响因素和推进力的内在联系，建立一个能反映固有规律的推进力模型对tbm设备的设计，控制和安全运行具有重要意义。tbm在施工过程中，根据现场所记录的施工数据，运用所建立的推进力模型，来预测其掘进过程中的推进力，将使得记录的数据被有效利用，以及为即将掘进的地段做出调整控制。
技术实现要素：
根据上述提出的技术问题，而提供一种基于数据驱动径向基函数模型的tbm推进力预测方法。本发明采用的技术手段如下：
一种基于数据驱动径向基函数模型的tbm推进力预测方法，具有如下步骤：
s1、收集tbm掘进过程中现场所记录的数据；
s2、确定影响tbm推进力的有关变量因子，建立变量因子的样本数据集作为训练集；
s3、构建径向基函数推进力模型，输入训练集，对径向基函数推进力模型进行训练，得出其权重；
s4、根据径向基函数推进力模型，运用估计样本均值和样本标准差方法，得出对推进力有主要影响的因子；
s5、根据得到的对推进力有主要影响的因子和训练集，进行对推进力有主要影响的因子进行再次构建径向基函数推进力模型，其中，对推进力有主要影响的因子的80％的数据作为建模样本，20％作为检测样本，进行简单交叉验证，确定径向基函数推进力模型的精度；
s6、将一个掘进周期中待预测的对推进力有主要影响的因子的样本集作为预测样本集，输入到径向基函数推进力模型，得出预测结果；
s7、对预测结果采用相对误差来进行评价，并对其相对误差运用统计分析方法，得出预测的评价准则和结果；
s8、在tbm掘进过程中，将产生新的对推进力有主要影响因子的数据，与上一掘进周期中的得到的对推进力有主要影响因子的数据，重新构建新的训练集，再次构建径向基函数推进力模型，重复步骤s6至步骤s8，使径向基函数推进力模型具有一定的动态学习能力，形成一边掘进一边进行预测推进力的预测模型。
所述步骤s1的具体步骤如下：tbm掘进周期的划分，识别每一个掘进周期中的有效数据，完成对掘进周期的识别，将其每一个掘进周期中的数据进行统一数据格式。
所述步骤s2之前，需对步骤s1收集的数据进行处理，具体步骤如下：
数据的筛选：针对tbm掘进过程中遇到的突发情况和数据缺失采取如下措施：
a.数据剔除：根据tbm掘进过程中的特点，以掘进时间和掘进距离为参考，将tbm在上一个掘进周期和下一个掘进周期之间的数据进行剔除，达到掘进过程中推进力的持续变化目的；
b.数据补全：在一个掘进周期中，利用均值替换的方法补全缺失和异常的数据；
归一化数值：将步骤s1收集的数据的每个维度不同取值范围的数据值的取值范围处理到0到1之间。
所述步骤s2中，影响tbm推进力的有关变量因子包括前盾俯仰角、前盾滚动角、左侧护盾压力、右侧护盾压力、顶护盾压力、左侧后支撑压力、右侧后支撑压力、撑靴压力、刀盘喷水压力、ep2(润滑脂代号)内密封压力、ep2外密封压力、刀盘转速检测值、贯入度、推进速度，左撑靴俯仰角、左撑靴滚动角、右撑靴俯仰角、右撑靴滚动角、主机皮带机转速、桥架皮带机转速和转渣皮带机转速。
所述步骤s3中采用mq核函数进行径向基函数推进力模型的构建，求解，得出其权重。
所述步骤s4中，运用估计样本均值和样本标准差方法指的是运用莫里斯的方法(morris’smethod)对影响tbm推进力的有关变量因子进行定性分析，得出对推进力有主要影响的因子包括左侧护盾压力、右侧护盾压力、撑靴压力、贯入度和推进速度。莫里斯的方法(morris’smethod)旨在估计与每个变量相关的基本效应分布的参数，实际上通过估计样本均值和样本标准差在设计空间的不同部分计算值来确定其每个参数对目标变量的影响大小。首先生成采样样本，目标函数f来评估参与基本计算的两个变量的影响，依次进行，分别得出每个设计变量得估计样本标准差(ssd)和估计样本均值(sm)，从而实现对主要影响参数的识别。
所述步骤s5中，用r2来评估径向基函数推进力模型的精度：
其中，m为检测点的数量，yi为检测点的响应，
所述步骤s7中对预测结果采用相对误差来进行评价指的是对预测结果和实际中的推进力值进行对比，通过运用相对误差的评价准则对其进行评价，相对误差表达式如下：
其中，am和ac分别表示实际中的推进力值和预测结果，εa为相对误差。
本发明以掘进过程中的数据构建模型，解决了只能运用力学分析方法来预测tbm推进力的困难；本发明避免了复杂关系表达困难的问题，从数据分析角度来考虑目标变量和影响因子之间的关系，并增加了模型的学习能力，提高了对施工数据的利用，同时也提高了预测tbm推进力的精度；本发明为结构的优化设计，掘进效率的提高，整体的经济成本估计做出指导。
基于上述理由本发明可在隧道掘进机技术等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的具体实施方式中径向基函数示意图。
图2是本发明的具体实施方式中估计样本均值和样本标准差图。
图3是本发明的具体实施方式中预测结果和实际中的推进力值的对比图。
图4是本发明的具体实施方式中径向基函数推进力模型的预测相对误差分布图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
数据处理和分析是在大数据的基础上产生的，他需要利用大数据的技术手段，对企业还量数据进行分析处理，挖掘出这些海量数据的蕴含的价值，从而为我们实现一定的目的。
径向基函数模型的原理:
图1所示中，假定输入样本变量和变量个数分别为x和n，其输出为y＝[y1,y2,···,yn]t,径向基函数推进力模型可以表达为式(1)
其中，nc表示基函数的数量，c(i)代表nc个基函数中第i个基函数的中心，ψ表示包含用于估计输入点x和中心点c(i)之间差的nc维基函数，w表示权重，x表示输入变量。此径向基函数，具有输入x，隐含ψ函数和权重w，线性
其中常用的ψ函数有以下几类，如下表1所示：
表格1几种常用的函数类型
上表1中可以选择设置一些参数，或者对参数是进行估计确定，对于已经确定的基函数，可以很容易测量w，可以通过差值条件来逼近基函数，如下式(2)
在一般求解过程中统一数据点，即令c(i)＝x(i)，
ψw＝y(3)
其中ψ称为格拉姆矩阵(grammatrix),被定义为式(4)
ψi,j＝ψ(||x(i)-x(j)||)，i,j＝1,...,n(4)
因此权重w可以表达为式(5)
w＝ψ-1y(5)
对于信息集，假设给训练集s＝{(x1,x2...xk,y1),(x1,x2...xk,y2)···(x1,x2...xk,yl)}，其中
w1ψ(||x1-x1||)+...+wkψ(||x1-xk||)＝y1
w1ψ(||x2-x1||)+...+wkψ(||x2-xk||)＝y2
.
.
w1ψ(||xk-x1||)+...+wkψ(||x1-xk||)＝yk
故可以得到，w1,w2...wk，所以f(x)可以表达如下式(6)所示
f(x)＝w1ψ(||x-x1||)+...+wkψ(||x-xk||)(6)
下面结合具体tbm在实际推进过程进行具体说明：
如图2-图4所示，一种基于数据驱动径向基函数模型的tbm推进力预测方法，具有如下步骤：
s1、收集tbm掘进过程中现场所记录的数据
本实施例主要是以某供水隧道工程为研究对象，首先要收集tbm掘进过程中的现场挖掘数据，因为挖掘现场记录的数据来源不同，格式也不同，其特点和性质也不同，因此在数据收集中且在统一数据格式是必须的，同时由于在数据记录过程中，针对掘进过程中遇到的突发情况，可能造成数据的缺失和突变，需要对缺失的数据进行补充和剔除。在这数据的补充和剔除方面，将采用按掘进周期进行对数据处理，在一个掘进周期中，将缺失的数据进行用平均值进行补充，数据的补全是通过人工填充，均值替换的方法补全不异常的数据。为了在计算机中更好的运算以及消除其在建模初始前的数据特征数据对结果的影响，对其数据进行归一化处理，使其变换区间为[0，1]的范围；
s2、确定影响tbm推进力的有关变量因子，建立变量因子的样本数据集作为训练集：
tbm在掘进过程中的推进力是多个阻力相互作用的结果。结合某供水隧道工程的挖掘现状，对其tbm掘进过程中的所受的阻力进行分析，可以分为三类，一是其刀盘与岩石之间的破岩阻力，二是其护盾与隧道壁的摩擦力，三是后续输送岩渣的装置。对于这些阻力，其tbm在掘进过程中的所记录的数据可以反应，通过对现场掘进过程中所记录的数据进行分析，确定有21个相关的影响变量。如下表2所示。进一步tbm在推进过程中的推进油缸是具有周期回缩与伸出，因此数据的记录可以以掘进过程中的推进周期进行划分，故推进力的模型也是周期性进行建立的。在通过分析后，建立变量因子的样本数据集作为训练集，其中训练集样本大小为200。表3为训练样本部分原始数据，表4为其归一化后的数据结果。
表格221个有关的设计变量
表格3推进力的有关变量因子(原始数据)
表格4数据进行归一化后的部分数据
s3、构建径向基函数推进力模型，输入训练集，对径向基函数推进力模型进行训练，得出其权重：
构建径向基函数，首先确定其设计输入变量和目标函数变量，本实施例以21个参数为输入变量，以掘进过程中的总推进力为目标变量进行构建径向基函数推进力模型，以多元二次为核函数进行模型的建立。训练样本集为200个，其中核函数选用多元二次(multiquadric)，进行对其运算，得出其权重。采用mq(多元二次，multiquadric)核函数使得运算中的格拉姆矩阵(grammatrix)可以通过lu(cholesky)分解，加快运算速度。部分权重如下表5所示
表格5部分权重值
s4、根据径向基函数推进力模型，运用估计样本均值和样本标准差方法，得出对推进力有主要影响的因子：
根据已经构建的径向基函数模型运用莫里斯的方法(morris’smethod)旨在估计与每个变量相关的基本效应分布的参数，实际上通过估计样本均值和样本标准差在设计空间的不同部分计算值来确定其每个参数对目标变量的影响大小。首先生成采样样本，目标函数f来评估参与基本计算的两个变量得影响，依次进行，分别得出每个设计变量得估计样本标准差(ssd)和估计样本均值(sm)，从而实现对主要影响参数的识别。
如图2所示，其中对于远离零点的点表示对其推进力影响大，靠近零点的点表示对推进力影响小，定性分析得出对推进力有主要影响的因子有5个。如下表6所示
表格6对推进力的5个主要影响因素
s5、根据得到的对推进力有主要影响的因子和训练集，进行对推进力有主要影响的因子进行再次构建径向基函数推进力模型，其中，对推进力有主要影响的因子的80％的数据作为建模样本，20％作为检测样本，进行简单交叉验证，确定径向基函数推进力模型的精度：
tbm的推进力模型可以用下式(7)表示，其中ψ(r)＝(r2+σ2)1/2，σ＝1，
f(x)＝w1ψ(||x-x1||)+...+wkψ(||x-xk||)(7)
其权重w如下7表所示
表格7部分权重值w
根据步骤s4中得到的对推进力有主要影响的因子和训练集，进行对推进力有主要影响的因子进行再次构建径向基函数推进力模型，对建立的模型进行简单的交叉验证。即对所用选用的样本数据的80％用来训练模型，20％用来作为检测样本，完成对模型的验证。模型的评价标准采用相关系数r2(8)来评估径向基函数推进力模型的精度，
其中，m为检测点的数量，yi为检测点的响应，
s6、将一个掘进周期中待预测的对推进力有主要影响的因子的样本集作为预测样本集，输入到径向基函数推进力模型，得出预测结果，其预测结果如图3所示。
s7、对预测结果采用相对误差来进行评价，并对其相对误差运用统计分析方法，得出预测的评价准则和结果：
对预测结果和实际中的推进力值进行对比，通过运用相对误差的评价准则对其进行评价，相对误差表达式如下式(9)所示
其中，am和ac分别表示实际中的推进力值和预测结果，εa为相对误差。
对于tbm在推进过程中的特性分析可知，其推进力的值不连续变化，具有很大的随机性，所以本实施例采用对其相对误差的统计方法进行分析，使其具有直观性，简单性的优点。预测结果如下表8所示。
表格8径向基函数模型的预测结果统计
可见，当预测结果在允许的误差20％之内时，其预测准确性达到83.06验证了方法的可行性。
s8、在tbm掘进过程中，将产生新的对推进力有主要影响因子的数据，与上一掘进周期中的得到的对推进力有主要影响因子的数据，重新构建新的训练集，再次构建径向基函数推进力模型，重复步骤s6至步骤s8，使径向基函数推进力模型具有一定的动态学习能力，形成一边掘进一边进行预测推进力的预测模型。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。