摘要
隧道掘进机（Tunnel Boring Machine,TBM）工法比其他工法更具有环保、安全和效率高的优势，所以被广泛使用。TBM连续皮带机常应用于山岭隧道、城市地铁、水工隧洞、管廊等大型地下施工项目。TBM掘进的原理是借助推进装置的推力和刀盘的扭矩作用，破碎岩面，将岩石从岩层上剥落下来，经刀盘落入主皮带机，然后被转入连续皮带机上，运送出洞。但是TBM连续皮带机在施工过程中因为隧洞长，单位时间出渣量大，会导致维护时间变长，故障率增大。因此TBM连续皮带机是否连续运转将直接影响TBM掘进效率，而研究TBM连续皮带机故障识别将对TBM施工具有重要意义。 机器学习算法在故障识别领域有广泛的应用，其中随机森林算法因具有较强的适应能力和抗噪能力，被广泛应用于各类故障诊断问题中。TBM连续皮带机经常发生的故障有皮带撕裂、皮带跑偏、皮带打滑、皮带过载等问题。本文首先通过查阅文献、施工资料、现场调研等确定了影响TBM连续皮带机故障状态的8个监测指标。针对TBM连续皮带机故障诊断模型识别精度不高的问题，本文应用过滤法进行了特征选择，并利用皮尔逊相关系数法计算特征之间的相关性强度、特征之间的互信息值以及方差系数，对特征重要性进行综合排序。去除掉相关性强度比较低的特征指标，有效避免了模糊特征对故障分类的误导。其次基于随机森林算法建立了TBM连续皮带机故障诊断模型，对TBM连续皮带机的状态进行识别。并建立逻辑回归、决策树、支持向量机三个对比模型，但是默认参数下的故障诊断模型性能表现不满足实际施工预测需要。为了消除超参数对故障识别精度的影响，采用智能优化算法进行超参数寻优。最后，本文分别采用灰狼优化算法(Grey Wolf Optimizer,GWO)、粒子群优化算法（Particle Swarm Optimizati on,PSO）、贝叶斯优化(Bayesian Optimization Algorithm,BOA)、网格搜索4种方法分别对随机森林(Random Forest,RF)、决策树(Decision Tree,DT)、逻辑回归(Logistic Regress ion,LR)、支持向量机(Support Vector Machine,SVM)等四个连续皮带机故障诊断模型进行超参数优化。并采用召回率、精确率、准确率、F1值对模型进行评估。 基于西北某 TBM 施工硐室工程，获得 TBM 连续皮带机监测指标数据，在Python3.8.10中搭载Jupyter基于Scikit-learn程序包进行建模分析。结果表明GWO-RF模型的测试结果和模型评价性能表现最优，召回率、精确率、准确率、F1值分别能达到94.64%，92.72%，93.33%，93.12%，模型经过充分的训练可以达到较高的精度，和实际施工现场发生的故障类型比较，本文建立的模型预测精度较高，且该模型有较好的实用性，操作简便，预测效率高，可为类似工程提供一定的参考价值。
NETL