[发明专利]基于无监督学习的复杂地层下盾构机刀盘健康评估方法

权利要求书

1.一种基于无监督学习的复杂地层下盾构机刀盘健康评估方法，其特征在于，采用综合指标向量筛选状态时域特征，利用最小量化误差作为健康值实现健康评估，该方法包括如下步骤：

(1)生成刀具完整退化区间的数据集：

(1a)从盾构施工刀具更换记录数据中选取换刀数量大于30且其上次换刀数量小于4的两个换刀时间点t₁和t₀，组成刀具完整退化区间[t₀,t₁]；

(1b)提取刀具完整退化区间内盾构机运行的数据，组成包含工况特征和状态特征的刀具完整退化区间的数据集D₁；

(2)对数据集D₁进行降采样，得到降采样数据集D₂；

(3)生成状态时域特征集：

从数据集D₂中选取状态特征组成状态特征集；将所有提取的状态特征集的时域指标组成工况时域特征集D₃；

(4)生成工况时域特征集：

从数据集D₂中选取工况特征组成状态特征集；将所有提取的工况特征集的均方根值组成工况时域特征集D₄：

(5)计算关联度矩阵：

(5a)利用相关系数公式，计算工况时域特征集D₃中的每一列与状态时域特征集D₄中每一列之间的相关系数，将所有相关系数组成相关系数矩阵ρ；

(5b)利用关联度系数公式，计算相关系数矩阵ρ中每一个元素的关联度系数，将所有关联度系数组成关联度系数矩阵δ：

(5c)利用权重公式，计算关联度系数矩阵δ中每一个元素的权重，将所有权重组成权重矩阵W；

所述的权重公式如下：

其中，W_uv表示关联度系数矩阵δ中的第u行第v列元素的权重，E_u表示中间变量，k表示相关系数矩阵ρ的列数；

(5d)利用加权求和公式，计算关联度系数矩阵δ中每一行数据的关联度，得到关联度矩阵r；

(6)计算状态时域特征集每一个特征的单调性矩阵和趋势性矩阵：

(6a)对状态时域特征集D₄进行差分操作，得到差分数据集C

(6b)利用下述单调性公式，计算差分数据集C中每一列数据的单调性值，将所有单调性值组成单调性矩阵Mon：

其中，Mon_a表示差分数据集C中第a列数据的单调性指标，p_num表示差分数据集C中第a列数据中正数的个数，n_num表示差分数据集C中第a列数据中负数的个数，l_a表示差分数据集C中第a列数据的数据量；

(6c)利用下述趋势性公式，计算状态时域特征集D₄中每一列数据的趋势性值，将所有趋势性值组成趋势性矩阵Tre：

其中，Tre_d表示状态时域特征集D₄的第d列数据的趋势性指标，l_b表示状态时域特征集D₄的第d列数据的数据量，X_c表示状态时域特征集D₄的第d列数据的第c个数据，X表示状态时域特征集D₄的第d列数据的均值；

(7)筛选状态时域特征：

(7a)将关联度矩阵r、单调性矩阵Mon与趋势性矩阵Tre组成一个综合矩阵Z；

(7b)根据下式，计算综合矩阵Z中每一行的综合指标向量Y：

Y＝Mon+Tre-r

(7c)根据综合指标向量Y筛选状态时域特征：

(7c1)将综合指标向量Y中取值最大的N个元素所对应的位置序号集；

(7c2)提取状态时域特征集D₄中列序号与位置序号集对应的N列数据，组成数据资源集D₅；

(8)构建自组织映射网络；

搭建一个输入层为一维结构，输出层为二维结构的自组织映射网络；将输入层神经元个数设置为B将输出层神经元个数设置为10*10，B的取值与N相同；

(9)训练自组织映射模型：

(9a)提取数据资源集D₅的前10％数据组成训练集；

(9b)将训练集输入到自组织映射网络中，用Kohonen算法对更新自组织映射网络的权重2000次，得到训练好的自组织映射网络；

(10)对数据资源集D₅进行健康评估：

根据下式，计算数据资源集D₅中每一条数据的最小量化误差，并将其作为健康值：

CV_f＝min||T_f-W^*||

其中，CV_f表示数据资源集D₅中第f条数据的健康值，T_f表示数据资源集D₅的第f条数据，W^*表示自组织映射网络训练好时输入层的权重值。