Please wait a minute...
浙江大学学报(工学版)
浙江大学学报(工学版)  2020, Vol. 54 Issue (4): 633-641    DOI: 10.3785/j.issn.1008-973X.2020.04.001
机械工程、电气工程     
基于XGBoost的隧道掘进机操作参数智能决策系统设计
王飞(),龚国芳*(),段理文,秦永峰
浙江大学 流体动力与机电系统国家重点实验室，浙江 杭州 310027
XGBoost based intelligent determination system design of tunnel boring machine operation parameters
Fei WANG(),Guo-fang GONG*(),Li-wen DUAN,Yong-feng QIN
State Key Laboratory of Fluid Power and Mechatronic Systems, Zhejiang University, Hangzhou 310027, China
 全文: PDF(1781 KB)   HTML
摘要：

为了实现隧道施工的同质化，提出基于极端梯度提升算法（XGBoost）预测模型的隧道掘进机（TBM）操作参数的智能决策方法. 定义场操作系数指数（FOI）作为替代传统场切深指数（FPI）的围岩级别特征参数，使用XGBoost算法建立预测模型以实现对FOI的预测，对围岩级别进行预测、判断. 通过对优秀司机在特定FOI下TBM操作参数的选择，建立专家模型实现FOI与特定TBM操作参数的关联，实现TBM操作参数的智能决策. 使用引松工程的现场数据进行对比实验，结果表明，设计的TBM操作参数的智能决策系统能够实现对优秀的TBM司机操作参数决策的复现，相比于以FPI为特征参数的传统智能决策系统，新系统的推进速度和刀盘转速两部分的平均相对误差分别下降8.84 %和7.97 %.
关键词： 隧道掘进机(TBM);  智能决策;  场操作系数指数（FOI）;  极端梯度提升算法（XGBoost）;  预测    
Abstract:

An intelligent determination method was presented for the operating parameters of hard rock tunnel boring machine (TBM) based on extreme gradient boosting (XGBoost) prediction model in order to realize the homogeneity of the tunnel constructions. The field operation index (FOI) was defined as the characteristic parameter of the surrounding rock types in order to replace field penetration index (FPI), and the XGBoost based prediction model was established to realize the accurate prediction of FOI value. The expert model was established to associate the FOI value and the specific TBM operation parameters selected by excellent drivers. Then the intelligent determination of the TBM operation parameters can be accomplished. The experiments on practical engineering data show that the operation parameter can be estimated by the proposed parameters determination system. The experimental results indicated that the mean relative error of thrust speed and cutterhead rotational speed decreased by 8.84 % and 7.97 % compared with the conventional system.
Key words: tunnel boring machine (TBM)    intelligent determination    field operation index (FOI)    extreme gradient boosting (XGBoost)    prediction
收稿日期: 2019-03-26 出版日期: 2020-04-05
CLC:  TH 137  
基金资助: 国家重点研发计划资助项目（2017YFB1302600）；国家自然科学基金资助项目（51675472）；国家“973”重点基础研究发展规划资助项目（2015CB058100）；河南省重大科技专项资助项目（161100211100）
通讯作者: 龚国芳     E-mail: tropicalfei@zju.edu.cn;gfgong@zju.edu.cn
作者简介: 王飞（1991—），男，博士生，从事大型隧道掘进装备电液控制及智能化研究. orcid.org/0000-0002-7413-674X. E-mail： tropicalfei@zju.edu.cn
服务　　
把本文推荐给朋友
加入引用管理器
E-mail Alert
作者相关文章　　
王飞
龚国芳
段理文
秦永峰

引用本文:

王飞,龚国芳,段理文,秦永峰. 基于XGBoost的隧道掘进机操作参数智能决策系统设计[J]. 浙江大学学报(工学版), 2020, 54(4): 633-641.

Fei WANG,Guo-fang GONG,Li-wen DUAN,Yong-feng QIN. XGBoost based intelligent determination system design of tunnel boring machine operation parameters. Journal of ZheJiang University (Engineering Science), 2020, 54(4): 633-641.

链接本文:

http://www.zjujournals.com/eng/CN/10.3785/j.issn.1008-973X.2020.04.001    或    http://www.zjujournals.com/eng/CN/Y2020/V54/I4/633

图 1  引松工程TBM施工总体图
图 2  引松工程中各围岩级别占比
图 3  训练集数据中的贯入度分布状况
图 4  正常掘进工况下贯入度随掘进里程的变化关系图
图 5  切除起始掘进段前、后的贯入度数据对比
图 6  不同围岩级别条件下的总推进力与贯入度的关系
围岩级别 a b R2
II 3.47 0.54 0.78
III 3.84 0.34 0.84
IV 4.07 0.23 0.83
V 4.11 0.13 0.79
表 1  不同围岩级别下数据拟合参数列表
图 7  FPI与推进速度的关系曲线
参数 数值
粒子个数 100
最大迭代次数 100
惯性权重 0.5
加速度权重 0.5
加速度权重 0.5
最小适应度差 0.001
表 2  PSO算法的超参数表
图 8  总推进力与贯入度的关系曲线
图 9  总推进力与操作参数系数的关系曲线
图 10  XGBoost算法流程图
图 11  模型输入长度对模型训练时间的影响
图 12  模型输入长度对平均相对误差和决定系数的影响
图 13  平均预测精度随模型使用距离的变化
图 14  FOI的预测效果图
图 15  不同FOI条件下司机的操作参数选择
图 16  推进速度的人机决策对比
图 17  刀盘转速的人机决策对比
1 MAIDL B, SCHMID L, RITZ W, et al. Hardrock tunnel boring machines [M]. [S. l.]: Wiley, 2008.
2 王超. TBM岩机映射关系及其优化决策方法研究[D]. 杭州: 浙江大学, 2018.
WANG Chao. Research on the relationship of rock type and machine parameters of TBM and its optimal decision method [D]. Hangzhou: Zhejiang University, 2018.
3 YIMIN X, DUAN Y, CHENGHUAN H, et al Numerical simulation of ventilation and dust suppression system for open-type TBM tunneling work area[J]. Tunnelling and Underground Space Technology, 2016, 56 (3): 70- 78
4 周赛群. 全断面硬岩掘进机(TBM)驱动系统研究[D]. 杭州: 浙江大学, 2008.
ZHOU Sai-qun. Study on drive system of the full-face tunnel boring machine [D]. Hangzhou: Zhejiang University, 2008.
5 刘然. 盾构机刀盘同步驱动系统自适应均载控制研究[D]. 大连: 大连理工大学, 2013.
LIU Ran. Research on adaptive load sharing control for sychronous driving system of cutterhead in shield machines [D]. Dalian: Dalian University of Technology, 2013.
6 BARLA G, PELIZZA S. TBM tunnelling in difficult ground conditions [C]// ISRM International Symposium. Melbourne: International Society for Rock Mechanics and Rock Engineering, 2000.
7 OKUBO S, FUKUI K, CHEN W Expert system for applicability of tunnel boring machines in Japan[J]. Rock Mechanics and Rock Engineering, 2003, 36 (4): 305- 322
doi: 10.1007/s00603-002-0049-6
8 HASSANPOUR J, ROSTAMI J, KHAMEHCHIYAN M, et al Developing new equations for TBM performance prediction in carbonate-argillaceous rocks: a case history of Nowsood water conveyance tunnel[J]. Geomechanics and Geoengineering, 2009, 4 (4): 287- 297
doi: 10.1080/17486020903174303
9 HASSANPOUR J, ROSTAMI J, KHAMEHCHIYAN M, et al TBM performance analysis in pyroclastic rocks: a case history of Karaj water conveyance tunnel[J]. Rock Mechanics and Rock Engineering, 2010, 43 (4): 427- 445
doi: 10.1007/s00603-009-0060-2
10 熊帆. 基于 PSO-SVR 算法的 TBM 掘进效率预测及围岩分级研究[D]. 西安: 长安大学, 2016.
XIONG Fan. Research of TBM excavation efficiency prediction and rock classification based on the PSO-SVR algorithm [D]. Xi’an: Chang’an University, 2016.
11 罗华. 基于线性回归和深度置信网络的 TBM 性能预测研究[D]. 杭州: 浙江大学, 2018.
LUO Hua. Application of linear regression analysis and deep belief network for performance prediction of TBM [D]. Hangzhou: Zhejiang University, 2018.
12 杜立杰, 齐志冲, 韩小亮, 等 基于现场数据的TBM可掘性和掘进性能预测方法[J]. 煤炭学报, 2015, 40 (6): 1284- 1289
DU Li-jie, QI Zhi-chong, HAN Xiao-liang, et al Prediction method for the boreability and performance of hard rock TBM based on boring data on site[J]. Journal of China Coal Society, 2015, 40 (6): 1284- 1289
13 李守巨, 曹丽娟 盾构机掘进过程中的决策支持系统[J]. 信息技术, 2011, (10): 39- 42
LI Shou-jun, CAO Li-juan Decision support system in shield tunneling[J]. Information Technology, 2011, (10): 39- 42
doi: 10.3969/j.issn.1009-2552.2011.10.010
14 CHEN K, ZHENG Z, ZHANG Q Residual analysis in inverse identification of total thrust on shield tunneling machine[J]. Applied Mechanics and Materials, 2013, 455: 557- 560
doi: 10.4028/www.scientific.net/AMM.455.557
15 张娜, 李建斌, 荆留杰, 等 TBM掘进参数智能控制系统的研究与应用[J]. 隧道建设, 2018, 38 (10): 1734- 1740
ZHANG Na, LI Jian-bin, JING Liu-jie, et al Study and application of intelligent control system of TBM tunneling parameters[J]. Tunnel Construction, 2018, 38 (10): 1734- 1740
doi: 10.3973/j.issn.2096-4498.2018.10.019
16 YAGIZ S, GOKCEOGLU C, SEZER E, et al Application of two non-linear prediction tools to the estimation of tunnel boring machine performance[J]. Engineering Applications of Artificial Intelligence, 2009, 22 (4/5): 808- 814
17 JAMSHIDI A Prediction of TBM penetration rate from brittleness indexes using multiple regression analysis[J]. Modeling Earth Systems and Environment, 2018, 4 (1): 383- 394
doi: 10.1007/s40808-018-0432-2
18 GHASEMI E, YAGIZ S, ATAEI M Predicting penetration rate of hard rock tunnel boring machine using fuzzy logic[J]. Bulletin of Engineering Geology and the Environment, 2014, 73 (1): 23- 35
doi: 10.1007/s10064-013-0497-0
19 JAVAD G, NARGES T Application of artificial neural networks to the prediction of tunnel boring machine penetration rate[J]. Mining Science and Technology (China), 2010, 20 (5): 727- 733
doi: 10.1016/S1674-5264(09)60271-4
20 王超, 龚国芳, 杨华勇, 等 NSVR 硬岩隧道掘进机刀盘扭矩预测分析[J]. 浙江大学学报:工学版, 2018, 52 (3): 479- 486
WANG Chao, GONG Guo-fang, YANG Hua-yong, et al NVSR based predictive analysis of cutterhead torque for hard rock TBM[J]. Journal of Zhejiang University: Engineering Science, 2018, 52 (3): 479- 486
21 吴煜宇, 吴湘滨, 尹俊涛 关于 TBM 施工隧洞围岩分类方法的研究[J]. 水文地质工程地质, 2006, 33 (5): 120- 122
WU Yu-yu, WU Xiang-bin, YIN Jun-tao Research with relation to rock classification of TBM Tunnels[J]. Hydrogeology and Engineering Geology, 2006, 33 (5): 120- 122
doi: 10.3969/j.issn.1000-3665.2006.05.028
[1] 许佳辉,王敬昌,陈岭,吴勇. 基于图神经网络的地表水水质预测模型[J]. 浙江大学学报(工学版), 2021, 55(4): 601-607.
[2] 于勇,薛静远,戴晟,鲍强伟,赵罡. 机加零件质量预测与工艺参数优化方法[J]. 浙江大学学报(工学版), 2021, 55(3): 441-447.
[3] 毛奕喆,龚国芳,周星海,王飞. 基于马尔可夫过程和深度神经网络的TBM围岩识别[J]. 浙江大学学报(工学版), 2021, 55(3): 448-454.
[4] 黄发明,曹中山,姚池,姜清辉,陈佳武. 基于决策树和有效降雨强度的滑坡危险性预警[J]. 浙江大学学报(工学版), 2021, 55(3): 472-482.
[5] 苗发盛,吴益平,李麟玮,廖康,薛阳. 基于Boosting-决策树C5.0的岩体结构面粗糙度预测[J]. 浙江大学学报(工学版), 2021, 55(3): 483-490.
[6] 刘芳,汪震,刘睿迪,王锴. 基于组合损失函数的BP神经网络风力发电短期预测方法[J]. 浙江大学学报(工学版), 2021, 55(3): 594-600.
[7] 段有康,陈小刚,桂剑,马斌,李顺芬,宋志棠. 基于相位划分的下肢连续运动预测[J]. 浙江大学学报(工学版), 2021, 55(1): 89-95.
[8] 陈纬奇,王敬昌,陈岭,杨勇勤,吴勇. 基于深度神经网络的多因素感知终端换机预测模型[J]. 浙江大学学报(工学版), 2021, 55(1): 109-115.
[9] 李文书,邹涛涛,王洪雁,黄海. 基于双尺度长短期记忆网络的交通事故量预测模型[J]. 浙江大学学报(工学版), 2020, 54(8): 1613-1619.
[10] 江冬冬,李道飞,俞小莉. 基于驾驶员需求转矩预测的模型预测控制能量管理[J]. 浙江大学学报(工学版), 2020, 54(7): 1325-1334.
[11] 王晨霖,杨洁,居文军,顾复,陈芨熙,纪杨建. 基于智能家电的短期电力负荷预测与削峰填谷优化[J]. 浙江大学学报(工学版), 2020, 54(7): 1418-1424.
[12] 闫旭,范晓亮,郑传潘,臧彧,王程,程明,陈龙彪. 基于图卷积神经网络的城市交通态势预测算法[J]. 浙江大学学报(工学版), 2020, 54(6): 1147-1155.
[13] 刘创,梁军. 基于注意力机制的车辆运动轨迹预测[J]. 浙江大学学报(工学版), 2020, 54(6): 1156-1163.
[14] 杨萍,王丹,康子健,李童,付利华,余悦任. 基于模式识别和集成CNN-LSTM的阵发性房颤预测模型[J]. 浙江大学学报(工学版), 2020, 54(5): 1039-1048.
[15] 蔡亮,周泓岑,白恒,才振功,尹可挺,贝毅君. 基于多层BiLSTM和改进粒子群算法的应用负载预测方法[J]. 浙江大学学报(工学版), 2020, 54(12): 2414-2422.