一种基于拐点检测的硬岩TBM掘进循环划分方法

一种基于拐点检测的硬岩tbm掘进循环划分方法
技术领域
1.本发明涉及tbm(tunnel boring machine，全断面隧道掘进机)大数据技术领域，尤其是涉及一种基于拐点检测的硬岩tbm掘进循环划分方法。


背景技术：

2.tbm施工过程中实时记录并存储着海量掘进参数。随着物联网、大数据、人工智能技术的快速发展，tbm掘进参数成为宝贵的数据资源，tbm大数据挖掘成为行业热点，被广泛用于tbm性能优化、围岩预测、不良地质诊断等领域。硬岩tbm从启动至停机的一次掘进过程被称为一个掘进循环，掘进循环是硬岩tbm大数据挖掘的基本单元。根据硬岩tbm的工作原理和主要掘进参数(总推力、刀盘扭矩、掘进速度)的数据特征，一个完整的掘进循环可以被划分为若干个掘进阶段。掘进循环的精确划分对提高数据挖掘的效率和精度有着重要意义。
3.目前硬岩tbm掘进循环划分方法较少，主要存在两个问题。首先，掘进循环通常被划分为空推段、上升段、稳定段和下降段四个掘进阶段，而空推段可以进一步被划分为空转段和空推段，有利于分别从两个阶段提取tbm旋转阻力和推进阻力。其次，目前通常根据各阶段的持续时长对掘进循环进行划分，划分精度较低，影响数据质量，对tbm智能化掘进研究的促进作用有限。


技术实现要素：

4.一个完整的硬岩tbm掘进循环可被划分为空转段、空推段、上升段、稳定段和下降段五个掘进阶段。不同掘进阶段的数据特征具有显著差异，因此各阶段的分割点可被视为拐点。针对以往掘进循环划分方法精度较低的问题，本发明提出了一种基于拐点检测的硬岩tbm掘进循环划分方法，基于此方法可以实现掘进循环的批量、快速、准确划分。
5.为了解决上述技术问题，本发明采用的技术方案如下：
6.一种基于拐点检测的硬岩tbm掘进循环划分方法，包括如下步骤：
7.s1，采集硬岩tbm掘进参数及对应的时间标识参数，构建硬岩tbm大数据库；
8.所述硬岩tbm掘进参数包括总推力、刀盘扭矩和掘进速度；
9.s2，对采集的硬岩tbm大数据进行预处理，剔除停机期间记录的零值数据和传感器错误导致的噪点数据，获取硬岩tbm掘进循环；
10.所述硬岩tbm掘进循环的起始时间点记为点a，终止时间点记为点b，每个掘进循环内包括三条掘进参数曲线，分别是总推力-时间曲线，刀盘扭矩-时间曲线以及掘进速度-时间曲线；
11.s3，将点a作为空转段的起始时间点，寻找空转段和空推段的分割时间点c；
12.s4，基于时间点c、b之间的掘进参数曲线，寻找曲线上所有的拐点，根据时间标识参数的大小将所有拐点按从小到大的顺序排列；
13.s5，将点c作为空推段的起始时间点，依次检测步骤s4中的拐点是否为空推段和上
升段的分割时间点d，获取点d后，剔除小于等于点d的拐点，保留剩下的拐点；
14.s6，将点d作为上升段的起始时间点，依次检测步骤s5中的拐点是否为上升段和稳定段的分割时间点e，获取点e后，剔除小于等于点e的拐点，保留剩下的拐点；
15.s7，将点e作为稳定段的起始时间点，依次检测步骤s6中的拐点是否为稳定段和下降段的分割时间点f；
16.s8，将点f作为下降段的起始时间点，点b作为下降段的终止时间点。
17.进一步地，在步骤s2中，所述硬岩tbm大数据预处理包括如下步骤：
18.a，构建状态判别函数tdf从硬岩tbm大数据中获取硬岩tbm掘进循环，保留tdf等于1时对应的数据，剔除tdf等于0时对应的数据：
19.tdf＝f(t)
[0020][0021]
式中，t表示刀盘扭矩；
[0022]
b，采用孤立森林算法剔除硬岩tbm掘进循环内的噪点数据。
[0023]
进一步地，在步骤s3中，所述寻找空转段和空推段分割时间点c的方法是，构建状态判别函数fdf，fdf从0变为1的时间点作为点c：
[0024]
fdf＝f(f)
·
f(pr)
[0025]
式中，f表示总推力，pr表示掘进速度。
[0026]
进一步地，在步骤s4中，所述寻找cb段掘进参数曲线拐点包括如下步骤：
[0027]
a，采用移动平均法对cb段掘进参数曲线进行平滑处理，消除数据小幅波动造成的局部尖锐点，便于寻找拐点；
[0028]
b，基于平滑后的cb段掘进参数曲线，采用kneedle算法寻找其所有拐点，根据时间标识参数的大小将所有拐点按从小到大的顺序排列。
[0029]
进一步地，在步骤s5中，所述检测空推段和上升段分割时间点d的方法是，对拐点及其后l
上
时长内的数据，共(n
上
1)个数据点的单调递增性以及增长速率打分，选择评分最高的拐点作为点d：
[0030][0031][0032][0033][0034]
式中，表示在检测分割时间点d时拐点p获得的评分，拐点p的值为该拐点对应的时间标识参数值，score1
para
和score2
para
分别表示掘进参数para曲线的单调递增性评分和增长速率评分，score1
i,para
表示i时刻掘进参数para的变化趋势增大或减小，parai表示i时刻的掘进参数para,l
上
表示上升段的统计时长，其单位与时间标识参数单位一致，n
上
表示l
上
时长内采集的数据点数量，f表示数据采集频率，n
上
＝l
上
·
f，f表示总推力，t表示
刀盘扭矩，pr表示掘进速度。
[0035]
进一步地，在步骤s6中，所述检测上升段和稳定段分割时间点e的方法是，对拐点处上升段和稳定段的斜率差值打分，选择评分最高的拐点作为点e：
[0036][0037]
式中，表示在检测分割时间点e时拐点p获得的评分，l
稳
表示稳定段的统计时长。
[0038]
进一步地，在步骤s7中，所述检测稳定段和下降段分割时间点f的方法是，对拐点处下降段和稳定段的斜率差值打分，选择评分最高的拐点作为点f：
[0039][0040]
式中，表示在检测分割时间点f时拐点p获得的评分，l表示硬岩tbm掘进循环最后一个数据点对应的时间标识参数。
[0041]
进一步地，所述步骤s1～s8可以通过电脑编程快速实现。
[0042]
本发明具有如下有益效果：
[0043]
本发明集硬岩tbm大数据预处理与掘进循环划分于一体。首先采集硬岩tbm掘进参数及对应的时间标识参数，构建硬岩tbm大数据库；其次采用状态判别函数和孤立森林算法对数据进行预处理，获取硬岩tbm掘进循环；最后将掘进循环的分割点视为拐点，通过拐点检测法将掘进循环划分为空转段、空推段、上升段、稳定段和下降段五个掘进阶段，实现了掘进循环的批量、快速、准确划分。
附图说明
[0044]
图1为本发明的一种基于拐点检测的硬岩tbm掘进循环划分方法的流程图；
[0045]
图2为本发明实施例中采集的硬岩tbm数据示意图；
[0046]
图3为本发明实施例中去噪后的硬岩tbm掘进循环示意图；
[0047]
图4为本发明实施例中划分为五个阶段的硬岩tbm掘进循环示意图。
具体实施方式
[0048]
为了更好地解释本发明，下面将结合附图，通过具体实施方式对本发明做出详细描述，显然，所描述地实施例仅是本发明的部分实施例，而不是全部的实施例。
[0049]
一种基于拐点检测的硬岩tbm掘进循环划分方法，如图1所示，包括如下步骤：
[0050]
s1，采集硬岩tbm掘进参数及对应的时间标识参数，构建硬岩tbm大数据库。
[0051]
本实施例中，数据采集频率为1hz，所述时间标识参数以秒为单位，即一秒钟记录一次硬岩tbm掘进参数，包括总推力、刀盘扭矩和掘进速度，采集的数据如图2所示，图2中方框内的数据为零值数据。
[0052]
s2，对所述硬岩tbm掘进参数进行预处理，剔除停机期间记录的零值数据和传感器错误导致的噪点数据，获取硬岩tbm掘进循环。
[0053]
本实施例中，所述硬岩tbm掘进参数预处理包括如下步骤：
[0054]
a，构建状态判别函数tdf剔除停机期间记录的零值数据，保留tdf等于1时对应的
数据，剔除tdf等于0时对应的数据：
[0055]
tdf＝f(t)
[0056][0057]
式中，t表示刀盘扭矩。
[0058]
所述刀盘扭矩从零值或负数突变为正数的时间点作为起点，从正数突变为零值或负数的时间点作为终点，从一个起点到其后邻近的一个终点之间的数据属于一个硬岩tbm掘进循环。
[0059]
b，采用孤立森林算法剔除所述硬岩tbm掘进循环内的噪点数据。
[0060]
本实施例中，传感器错误导致的噪点数据往往出现在掘进速度中，一个掘进循环内噪点数量较少，占掘进循环内总数据量的3％以内。以掘进速度为例阐述一个掘进循环的去噪过程：
[0061]
1)在二维空间内，绘制掘进速度-时间散点图；
[0062]
2)构建一片由100棵孤立树组成的孤立森林，每棵树都独立地寻找噪点数据；
[0063]
3)孤立树的工作原理是，随机生成一个超平面将整个数据空间分成两个子空间，重复这一过程直至所有的子空间都只有一个数据点，记录每个数据点被划分出来所需的超平面数量，所需超平面数量越少，对应数据点是噪点的可能性越大；
[0064]
4)统计100棵孤立树的工作结果，计算每个数据点被划分出来所需的平均超平面数量；
[0065]
5)将所述平均超平面数量按从小到大的顺序排列，将前3％个数据点视为噪点，剔除噪点数据，保留剩余数据。
[0066]
所述去噪后的硬岩tbm掘进循环的起始时间点记为点a，终止时间点记为点b，掘进循环时长记为l。在本实施例中，硬岩tbm每秒钟记录一次掘进参数，因此去噪后的总推力记为f＝{f1，f2，
…
，f
l
}，刀盘扭矩记为t＝{t1，t2，
…
，t
l
}，掘进速度记为pr＝{pr1，pr2，
…
，pr
l
}，时间标识参数记为t＝{t1，t2，
…
，t
l
}＝{1，2，
…
，l}。
[0067]
将上述数据绘制成总推力-时间曲线、刀盘扭矩-时间曲线以及掘进速度-时间曲线，得到预处理后的硬岩tbm掘进循环，如图3所示。
[0068]
s3，将点a作为空转段的起始时间点，寻找空转段和空推段的分割时间点c。
[0069]
本实施例中，构建状态判别函数fdf，fdf从0变为1的时间点作为点c：
[0070]
fdf＝f(f)
·
f(pr)
[0071][0072]
s4，基于时间点c、b之间的掘进参数曲线，寻找曲线上所有的拐点，根据时间标识参数的大小将所有拐点按从小到大的顺序排列。
[0073]
本实施例中，所述寻找cb段掘进参数曲线拐点包括如下步骤：
[0074]
a，采用移动平均法对cb段掘进参数曲线进行平滑处理：
[0075][0076]
式中，a
′i表示平滑后第i秒的数据点，ai表示平滑前第i秒的数据点，n表示平滑窗口。
[0077]
在本实施例中，平滑窗口n取为掘进循环持续时长的六分之一，即l/6(向上取整)，掘进循环前n秒数据以及后n秒数据不做平滑处理。
[0078]
b，基于平滑后的cb段掘进参数曲线，采用kneedle算法寻找其所有拐点，根据时间标识参数的大小将所有拐点按从小到大的顺序排列。
[0079]
以掘进速度-时间曲线为例阐述寻找拐点的过程：
[0080]
1)数据输入：平滑后的cb段掘进速度表示为pr’＝{pr’c
，pr’c 1
，
…
，pr’l
}，其对应的时间标识参数表示为t＝{c，c 1，
…
，l}；
[0081]
2)数据变换：对pr’进行一系列变换，使其初始趋势变为增、曲线上方区域变为凹集，变换后的掘进速度表示为transform_pr
′
＝{transform_pr
′c，transform_pr
′
c 1
，
…
，transform_pr
′
l
}；
[0082]
所述pr’存在以下几种情况：
[0083]
①
pr’本身的初始趋势为增、曲线上方区域为凹集，不对pr’进行变换；
[0084]
②
pr’本身的初始趋势为增、曲线上方区域为凸集，进行如下变换：transform_pr
′i＝max(pr
′
)-pr
′
l-i c
[0085]
式中，max(pr
′
)表示平滑后的cb段掘进速度的最大值；
[0086]
③
pr’本身的初始趋势为减、曲线上方区域为凹集，进行如下变换：transform_pr
′i＝pr
′
l-i c
[0087]
④
pr’本身的初始趋势为减、曲线上方区域为凸集，进行如下变换：transform_pr
′i＝max(pr
′
)-pr
′i[0088]
3)计算差值曲线：用transform_pr
′
减去t得到差值difference_pr
′
：difference_pr
′i＝transform_pr
′
i-i
[0089]
4)计算阈值：基于所述t，计算其斜率的绝对值作为阈值，记为tmx；本实施例中，tmx＝1；
[0090]
5)寻找局部极值：基于所述difference_pr
′
，寻找其所有局部极大值和局部极小值，记录所有局部极值的位置索引，并按从小到大的顺序排列，表示为index＝{index1，index2，
…
，indexm}；
[0091]
6)寻找拐点：若局部极值点与其后一个数据点的差值大于阈值tmx，则该局部极值点是曲线的拐点，即满足如下公式：
[0092]
|difference_pr
′
index-difference_pr
′
index 1
|＞tmx
[0093]
在本实施例中，上式可简化为：
[0094]
|pr
′
index-pr
′
index 1
|＞0
[0095]
显然，所有局部极值都满足此公式，即difference_pr
′
的所有局部极值都是掘进速度-时间曲线的拐点，共m个拐点，记为p＝{p1，p2，...，pm}；
[0096]
拐点的值记为其对应的时间标识参数值，按从小到大的顺序排列，在本实施例中，p＝{index1，index2，
…
，indexm}。
[0097]
s5，将点c作为空推段的起始时间点，依次检测步骤s4中的拐点是否为空推段和上升段的分割时间点d。
[0098]
本实施例中，统计结果显示上升段的持续时长通常在100～300秒之间，上升段各项掘进参数持续且快速上升，因此，初步将拐点p及其后100秒内的数据视为上升段，记作
{f
p
，f
p 1
，
…
，f
p 100
}，{t
p
，t
p 1
，
…
，t
p 100
}，{pr
p
，pr
p 1
，
…
，pr
p 100
}，对所述三个数据序列的单调递增性以及增长速率打分：
[0099][0100][0101][0102]
score2
para
＝(para
p 100-para
p
)/100
[0103]
式中，表示在检测分割时间点d时拐点p获得的评分，拐点p的值为该拐点对应的时间标识参数值，score1
para
和score2
para
分别表示掘进参数para曲线的单调递增性评分和增长速率评分，score1
i，para
表示i时刻掘进参数para的变化趋势(增大或减小)，parai表示i时刻的掘进参数para，l
上
表示上升段的统计时长，其单位与时间标识参数单位一致，n
上
表示l
上
时长内采集的数据点数量，f表示数据采集频率，n
上
＝l
上
·
f，f表示总推力，t表示刀盘扭矩，pr表示掘进速度
[0104]
依次对步骤s4中所有的拐点打分，选择评分最高的拐点作为点d。获取点d后，剔除小于等于点d的拐点，保留剩下的拐点。
[0105]
s6，将点d作为上升段的起始时间点，依次检测步骤s5中的拐点是否为上升段和稳定段的分割时间点e。
[0106]
本实施例中，统计结果显示稳定段的持续时长通常在100秒以上，若拐点p为上升段和稳定段的分割点，则初步将上升段记作{parad，para
d 1
，
…
，para
p
}，将稳定段记作{para
p
，para
p 1
，
…
，para
p 100
}。上升段和稳定段的斜率差异显著，因此对上升段和稳定段的斜率差值打分：
[0107][0108]
式中，表示在检测分割时间点e时拐点p获得的评分。
[0109]
依次对步骤s5中所有的拐点打分，选择评分最高的拐点作为点e。获取点e后，剔除小于等于点e的拐点，保留剩下的拐点。
[0110]
s7，将点e作为稳定段的起始时间点，依次检测步骤s6中的拐点是否为稳定段和下降段的分割时间点f。
[0111]
本实施例中，若拐点p为稳定段和下降段的分割点，则初步将稳定段记作{parae，para
e 1
，
…
，para
p
}，将下降段记作{para
p
，para
p 1
，
…
，para
l
}。稳定段与下降段的斜率差异同样十分显著，因此对稳定段与下降段的斜率差值打分：
[0112][0113]
式中，表示在检测分割时间点f时拐点p获得的评分。
[0114]
依次对步骤s6中所有的拐点打分，选择评分最高的拐点作为点f。
[0115]
s8，将点f作为下降段的起始时间点，点b作为下降段的终止时间点。
[0116]
在windows 10环境、电脑配置为intel(r)core(tm)i5-10500 cpu@3.10ghz的环境
下，通过python语言编程实现步骤s1～步骤s8。对500个硬岩tbm掘进循环实现了批量、快速、准确划分，划分一个掘进循环用时在0.3秒以内，整体划分精度为91.6％。相较于目前常用的基于各阶段持续时长的划分方法，本发明提出的基于拐点检测的划分方法将精度提升了17.4个百分点。
[0117]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0118]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，并不会偏离本发明的精神或者超过所附权利要求书所定义的范围。