(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 202211004594.4 (22)申请日 2022.08.22 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 街道八一路2 99号 (72)发明人 储昭飞　吴志军　翁磊　刘泉声　 樊赖宇　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 俞琳娟 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06F 119/14(2020.01) (54)发明名称 基于岩-机互馈感知关系的TBM掘进岩体条 件实时预测方法及装置 (57)摘要 本发明提供基于岩 ‑机互馈感知关系的TBM 掘进岩体条件实时预测方法及装置， 预测方法包 括： 步骤1， 通过TBM 数据采集系统获取TBM掘进状 态参数原始数据， 构建TBM岩 ‑机互馈数据库； 步 骤2， 数据预处理； 步骤3， 对预处理后的掘进状态 参数进行聚类 分析， 通过谱聚类算法获得岩体条 件智能感知模型； 步骤4， 计算不同岩体条件的岩 体可掘性指标和岩体可切削性指标， 根据指标大 小进行岩体掘进性能分级； 步骤5， 采用机器学习 算法对不同岩体等级下的掘进状态参数与岩体 掘进性能等级之间的复杂非线性 关系进行建模， 构建岩体条件实时识别模 型； 步骤6， 在线采集新 的TBM掘进状态参数， 根据岩体条件实时识别模 型预测掘进状态参数对应的岩体条件。 权利要求书3页 说明书8页 附图2页 CN 115438402 A 2022.12.06 CN 115438402 A 1.基于岩 ‑机互馈感知关系的TBM掘进岩体条件实时预测方法， 其特征在于， 包括以下 步骤： 步骤1， 基于工程实践确定能够判断岩体状态的TBM掘进状态参数， 通过TBM数据采集系 统获取TBM掘进状态参数的原 始数据， 构建TBM岩 ‑机互馈数据库； 步骤2， 对构建的TBM岩 ‑机互馈数据库进行数据预处理， 以剔除冗余信息， 提高数据质 量； 步骤3， 对预处理后的TBM掘进状态参数进行 聚类分析， 通过谱聚类算法获得由TBM掘进 状态参数揭示潜在岩体条件的岩体条件智能感知模型； 步骤4， 根据岩体条件智能感知模型， 计算不同岩体条件的岩体可掘性指标FPI和岩体 可切削性指标TPI， 根据指标大小进 行岩体掘进性能分级， 对于每个岩 体条件都得到与之对 应的岩体等级和岩体可掘性能； 步骤5， 采用机器学习算法对不同岩体等级下的TBM掘进状态参数与岩体掘进性能等级 之间的复杂非线性关系进行建模， 构建岩体条件实时识别模型； 步骤6， 在线采集新的TBM掘进状态参数， 根据步骤5建立的岩体条件实时识别 模型预测 掘进状态参数对应的岩体条件。 2.根据权利要求1所述的基于岩 ‑机互馈感知关系的TBM掘进岩体条件实时预测方法， 其特征在于： 其中， 在步骤1中， 所述能够判断岩体状态的TBM掘进状态参数包括总推进力Tr、 刀盘扭 矩To、 刀盘转速RPM、 贯入度PRev、 推进速度Ar、 刀盘功率Cp、 护盾压力Ps、 撑靴压力Pgs、 撑靴 泵压力Pgsp和控制泵压力Pcp中的至少一种。 3.根据权利要求1所述的基于岩 ‑机互馈感知关系的TBM掘进岩体条件实时预测方法， 其特征在于： 其中， 在步骤1中， 在TBM掘进状态参数中， 总推进力Tr、 刀盘扭矩To和刀盘功率Cp 能够 反应围岩 的强度和可钻性， 刀盘转速RPM、 贯入度PRev和推进速度Ar能够描述岩石破碎效 率， 撑靴压力Pgs和撑靴泵压力Pgsp能够反映不同岩体条件下TBM所受反作用力的状态， 护 盾压力Ps能够识别不同岩体条件收敛对护盾产生的接触压力， 控制泵压力P cp能够反映TBM 对不同岩体条件的适应性。 4.根据权利要求1所述的基于岩 ‑机互馈感知关系的TBM掘进岩体条件实时预测方法， 其特征在于： 其中， 步骤2包括如下子步骤： 步骤2.1， 利用二值判别函数过滤所获TBM掘进状态参数的非工作段数据； 所述二值判 别函数的计算公式为： D＝d(RPMi)d(Toi)d(Tri)d(PRevi)； 式中， d(x)为二值判别函数， 当x>0时认为属于正常工作态， 当x≤0时认为属于非正常 工作态， RPMi、 Toi、 Tri、 PRevi分别为第i时刻刀盘转速、 刀盘扭矩、 总推力、 贯入度， 若D＝0， 则该条数据将被作为非工作态数据过 滤；权　利　要　求　书 1/3 页 2 CN 115438402 A 2步骤2.2， 对每 个掘进循环的上升段和稳定段进行划分， 提取循环稳定段 数据； 步骤2.3， 利用孤立森林算法对循环稳定段 数据进行异常数据清洗； 步骤2.4， 将每个掘进循环视为最小单元， 计算各TBM掘进状态参数的平均值作为后续 模型输入， 对所有参数进行归一 化处理； 所述归一 化处理的计算公式为： 式中， xnorm为归一化数据， xmin和xmax为该掘进参数的最小值和最大值。 5.根据权利要求1所述的基于岩 ‑机互馈感知关系的TBM掘进岩体条件实时预测方法， 其特征在于： 其中， 在步骤3中， 所述谱聚类算法通过轮廓系数法确定最佳聚类数k； 所述轮廓系数法的计算公式为： 式中， Sck为聚类数k的轮廓系数， ai是样本点i与同一簇中其他样本之间的平均距离， bi 是样本点 i与最近聚类中所有样本之间的平均距离， Scmax是Sck的最大值。 6.根据权利要求1所述的基于岩 ‑机互馈感知关系的TBM掘进岩体条件实时预测方法， 其特征在于： 其中， 在步骤3中， 所述谱聚类算法通过下式构建不同TBM掘进循环间的相似度矩阵W， 度矩阵D， 正则化拉普拉斯矩阵Lsym： L＝D‑W； 式中， xi和xj为不同掘进循环的参数， eij为xi和xj之间的欧几里得距离， σ 为高斯核的宽 度， wij为加权值， L 为未正则化的拉普拉斯矩阵， I 为单位矩阵； 计算正则化拉普拉斯矩阵Lsym的特征值和特征向量， 并将特征值从小到大排列， 然后根 据最佳聚类数k， 提取最上面的k个特征值， 最后将前k个特征值对应的特征向量u1,u2,…,uk 组合成矩阵U＝(u1,u2,…,uk)， 将矩阵U的行向量归一 化， 利用下式推导出矩阵T：权　利　要　求　书 2/3 页 3 CN 115438402 A 3