[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

说明书

本发明公开了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，旨在提高健康评估的准确性与稳定性，实现步骤为：1、生成刀具完整退化区间的数据集；2、对数据集进行降采样；3、生成状态时域特征集；4、生成工况时域特征集；5、计算状态时域特征集的关联度矩阵；6、计算状态时域特征集的单调性矩阵和趋势性矩阵；7、筛选状态时域特征，组成数据资源集；8、构建自组织映射网络；9、用数据资源集前10％数据训练自组织映射模型；10、对数据资源集进行健康评估。本发明具有盾构机刀盘健康状态评估准确率高，结果稳定的优点。

技术领域

本发明属于机械技术领域，更进一步涉及机械评估技术领域中的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。本发明可用于对盾构机刀盘的使用中的健康状态进行评估。

背景技术

刀盘作为盾构机中的核心设备，影响着盾构机的可靠运行。因此，准确对盾构机刀盘的健康状态进行评估在对盾构机的运维管理方面十分重要。随着机器学习和深度学习的快速发展，基于数据驱动的健康评估方法快速发展。神经网络、支持向量回归等都在健康评估领域得到有效的应用。然而，传统的数据驱动的方法需要大量的带标签数据进作为支撑，由于受盾构机恶劣工作环境和刀盘系统复杂机械结构影响，刀盘的健康情况很难直接获取，这就导致了带标签数据的缺乏，因此传统的数据驱动方法难以用于盾构机刀盘健康评估中，无监督方法是解决这个问题最好的方法之一。

上海交通大学在其申请的专利文献“盾构机刀盘性能健康评估方法与系统”(CN201810188553.2)中提出了一种盾构机刀盘健康评估方法。该方法的步骤是：首先，采集盾构机运行过程中的原始状态变量数据；其次，采用主成分分析法与相关系数法对原始状态变量数据进行特征处理，得到特征评估向量；最后根据经验公式对刀盘的健康状态进行评估。该方法是利用盾构机运行参数的变化反推刀盘的健康状态，但是，该方法存在的不足之处是，由于盾构机是在复杂的地质中进行施工，一些细小的地质变动都会对盾构机运行参数造成很大的影响，因此盾构机运行参数的变化不一定是刀盘健康状态变化导致的，有可能是地质环境变化导致的，因此不考虑地质环境的对盾构机运行参数的影响会导致健康评估结果准确性较差，难以用于实际复杂地质状况下的健康评估中。

张康等人在其发表的论文“基于t-SNE数据驱动模型的盾构装备刀盘健康评估”(机械工程学报,2019,55(07):19-26.)中提出了一种基于t-SNE模型的盾构机刀盘健康评估方法。该方法的步骤是：首先，采集盾构机运行数据；其次，提取每一环的每一个工作参数的时域特征，包括均值、最大值、峭度、标准差，得到高维特征子集；然后，基于t-SNE的流形降维方法对高维特征子集进行降维，得到低维特征子集；最后，选择一部分基线数据，计算其他数据与计算数据的马氏距离作为健康评估结果。该方法虽然在盾构机刀盘健康评估方面进行了研究，但是，该方法存在的不足之处是，马氏距离会夸大微小变量的作用，而且马氏距离计算过程需要用到协方差矩阵，但是协方差矩阵具有不稳定的性质，所以马氏距离并不是总可以被计算出来，采用马氏距离作为健康评估的结果会导致健康评估结果不稳定。

发明内容

本发明的目的在于针对上述现有技术存在的问题，提供一种基于无监督学习的复杂地层下盾构机刀盘健康评估，用于解决盾构机刀盘的健康评估精度不高、不稳定的问题。

实现本发明目的的思路是，利用关联度矩阵、单调性矩阵和趋势性矩阵筛选状态时域特征，因为关联度矩阵反映状态时域特征受地质环境的影响程度，单调性矩阵和趋势性矩阵反映状态时域特征受刀盘健康状态的影响程度，因此经过筛选得到的特征能够很大程度上表征刀盘的健康状态，且受地质环境的影响程度很小。其次，采用最小量化误差作为健康值，最小量化误差可以反映待评估数据与基线数据的差异，基线数据是刀盘处于健康状态时采集的，基线数据的差异是刀盘健康状态的差异所导致的，因此用最小量化误差可以实现刀盘健康评估，且最小量化误差具有稳定性，保证了健康评估结果的稳定。

为了实现上述目的，本发明采取的技术方案包括如下步骤：

(1)生成刀具完整退化区间的数据集：