(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210675433.1 (22)申请日 2022.06.15 (71)申请人 北京交通大 学 地址 100044 北京市海淀区西直门外上园 村3号 (72)发明人 李旭　李海波　王玉杰　王双敬　 李建斌　武雷杰　荆留杰　李鹏宇　 原继东　 (74)专利代理 机构 北京市商 泰律师事务所 11255 专利代理师 黄晓军 (51)Int.Cl. G06F 16/215(2019.01) G06F 16/23(2019.01) G06F 30/27(2020.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06F 119/14(2020.01) (54)发明名称 一种基于机器学习的TBM新建工程数据增强 方法 (57)摘要 本发明提供了一种基于机器学习的TBM新建 工程数据增强方法。 该方法包括对历史工程和新 建工程TBM循环段中关键破岩参数数据进行数据 清洗； 对历史工程清洗后的TBM关键破岩参数采 用转换不变量进行转换； 将经过转换不变量转换 后的历史工程关键破岩数据和新建工程掘进初 期的少量数据进行合并， 统一到新建工程数据的 框架下， 得到数据增强后的新数据集； 利用机器 学习模型对 所示新数据集进行训练， 验证所述新 数据集的准确性。 本发明通过不变量转换， 将不 同工程的数据统一到同一个框架下进行数据增 强， 从而起到新建工程施工初期增加数据量的作 用。 权利要求书2页 说明书7页 附图3页 CN 115269567 A 2022.11.01 CN 115269567 A 1.一种基于 机器学习的TBM新建工程数据增强方法， 其特 征在于， 包括： 对历史工程和新建工程TBM循环段中关键破岩参数 数据进行 数据清洗； 对历史工程清洗后的TBM关键破岩参数采用转换不变量进行转换； 将经过转换不变量转换后的历史工程关键破岩数据和新建工程掘进初期的少量数据 进行合并， 统一到新建工程数据的框架下， 得到数据增强后的新数据集； 利用机器学习模型对所示 新数据集进行训练， 验证所述 新数据集的准确性。 2.根据权利要求1所述的方法， 其特征在于， 所述的对历史工程和新建工程TBM循环段 中关键破岩参数 数据进行 数据清洗， 包括： 基于TBM循环段划分工作， 对历史工程和新建工程TBM循环段中上升段、 稳定段的关键 破岩参数 数据进行 数据清洗； 所述TBM关键破岩参数包括： 刀盘 推力(F)、 刀盘扭矩(T)、 刀盘转速(n)和推进速度(v)； 所述数据清洗工作包括： 对异常值、 空缺值进行处理， 对持续时间小于设定时间的的循 环段予以删除； 所述异常值处理为： 对由推进油 缸收缩导致的负值和传感器失灵导致的超高值， 数据 量为1， 则由上 下行数据均值 替换； 数据量≥1， 则进行 行间删除； 所述空缺值处理为： 对由传感器失灵导致的采集失败的数据， 数据量为1， 则由上下行 数据均值 填充； 数据量≥1， 则进行 行间删除。 3.根据权利要求1所述的方法， 其特征在于， 所述的对历史工程清洗后的TBM关键破岩 参数采用转换不变量进行转换， 包括： 所述历史工程清洗后的数据集由上升段数据集和稳定段数据集组成； 一个循环段数据 的上升段数据和稳定段数据分布储存为CSV文件， 上升段数据集由所有的循环段的上升段 关键破岩参数数据CSV文件组成， 稳定段数据集由所有的循环段的稳定段关键破岩参数数 据CSV文件组成； 设置历史工程清洗后的TBM关键破岩参数的转换不变量包括： 刀盘推力转换不变量 刀盘扭矩转换不变量 和刀盘转速转换不变量 nV； 所述刀盘 推力转换不变量 刀盘扭矩转换不变量 的计算过程包括： (1)假定边刀、 过渡 滚刀和正滚刀与中心双联滚刀的额定承载力一 致且刀具受力一 致； (2)假定边刀、 过渡 滚刀和正滚刀与中心双联滚刀的刀具尺寸相同； (3)摩擦扭矩较小， 可以忽略； (4)刀具布置形式为同心圆布置， 存在比例系数a。 单刀扭矩为刀具布置位置到刀盘中心的距离与刀具切向力 之积， 则刀盘扭矩为各刀 具总扭矩之和； 刀盘 推力为各刀具 单刀推力之和： 其中： D为刀盘直径(m)， N为刀盘刀具数量， a为滚刀布局系数， di为第i把刀具距刀盘中 心的距离， 按照以上假设， 由式(1)与式(2)， 进 而可知：权　利　要　求　书 1/2 页 2 CN 115269567 A 2历史工程和新建工程之间的刀盘扭矩和刀盘 推力转换关系为： 其中， 下角标1、 2分别代 表历史工程和新建工程； 对刀盘转速转换不变量 nV的计算过程包括： 刀盘设计最大线速度计算： 式中： D为刀盘直径， m； n 为刀盘转速， r/mi n； 历史工程和新建工程的最大线速度设计相同， 则V1＝V2， 进而可知： 化解得到历史工程和新建工程之间的刀盘转速n 转换关系为： 4.根据权利要求2或者3所述的方法， 其特征在于， 所述的采用新建工程数据清洗后的 数据训练机器学习模型， 测试 预测效果， 包括： 新建工程清洗后的数据集由上升段数据集和稳定段数据集组成； 一个循环段数据的上 升段数据和稳定段数据分布储存为CSV， 将新建工程清洗后的数据集输入到机器学习模型， 对机器学习模型进行训练， 利用训练好的机器学习模型预测TBM稳定段的刀盘扭矩和刀盘 推力数据； 将所述新数据集输入到机器学习模型， 对机器学习模型进行训练， 利用训练好的机器 学习模型 预测TBM稳定段的刀盘扭矩和刀盘 推力数据。 对比新建工程数据集的预测效果和新数据集的预测效果， 根据对比结果测试经过数据 增强后的新数据集的准确率， 证明转换不变量的有效性。 5.根据权利要求4所述的方法， 其特征在于， 所述的机器学习模型包括卷积神经网络 CNN， 上述机器学习模型训练， 其中学习率lr设置为0.001， 批次大小batchsize设置为45， 迭 代次数epochs设置为20 00。权　利　要　求　书 2/2 页 3 CN 115269567 A 3