關(guān)聯(lián)規(guī)則挖掘驅(qū)動的盾構(gòu)機刀盤健康評估方法

劉堯 陳改革 劉振國 孔憲光 常建濤

摘要：傳統(tǒng)機理建模研究與實際施工環(huán)境誤差較大，而數(shù)據(jù)驅(qū)動建模多采用黑箱模型，不利于知識發(fā)現(xiàn)與理解，為此提出一種基于知識挖掘的盾構(gòu)機刀盤健康評估方法。針對盾構(gòu)掘進數(shù)據(jù)維數(shù)眾多、海量異構(gòu)、強噪聲干擾等特點，結(jié)合盾構(gòu)掘進領(lǐng)域知識與機器學(xué)習(xí)算法提出針對性的數(shù)據(jù)預(yù)處理、特征篩選以及連續(xù)特征離散化方法，以此建立知識挖掘數(shù)據(jù)集。在此基礎(chǔ)上，利用關(guān)聯(lián)規(guī)則挖掘算法提取關(guān)鍵特征與不同刀盤健康狀態(tài)之間的映射關(guān)系，采用融合可靠度、完整度與簡潔度的綜合評價指標(biāo)適應(yīng)度準(zhǔn)則對原始規(guī)則進行評價排序，最終實現(xiàn)盾構(gòu)機刀盤健康評估。基于廈門地鐵3號線某掘進區(qū)間的實際工程數(shù)據(jù)對所提方法進行了應(yīng)用驗證。研究結(jié)果表明，所挖掘的知識規(guī)則與實際數(shù)據(jù)分布具有良好的吻合度（平均值93%以上），驗證了該方法的有效性。

關(guān)鍵詞：盾構(gòu)機刀盤；健康評估；關(guān)聯(lián)規(guī)則；數(shù)據(jù)挖掘；知識挖掘

中圖分類號：TH17; U455

DOI：10.3969/j.issn.1004132X.2023.11.008

Health Assessment Method of Shield Machine Cutterheads Driven by

Association Rule Mining

LIU Yao1，2 CHEN Gaige1，2 LIU Zhenguo3 KONG Xianguang4 CHANG Jiantao4

1.School of Communications and Information Engineering，Xian University of Posts and

Telecommunications，Xian，710121

2.Research Institute of Industrial Internet，Xian University of Posts and Telecommunications，

Xian，710121

3.Key Laboratory of Industrial Equipment Quality Big Data，MIIT，Guangzhou，510000

4.School of Mechano-Electronic Engineering，Xidian University，Xian，710071

Abstract： Traditional mechanism modeling method had large errors with the actual construction environment， whereas data-driven modeling mostly used black-box models， which was not conducive to knowledge discovery and understanding， therefore a knowledge mining-based shield machine cutterhead health assessment method was proposed. For the characteristics of shield excavation data with many dimensions， massive heterogeneity and strong noise interference， specific data pre-processing， feature screening and continuous feature discretization methods were proposed to establish a knowledge mining dataset combining the domain knowledge of shield excavation and machine learning algorithms. Then， the association rule mining algorithm was used to extract the mapping relationship among key features and different cutterhead health levels. The original rules were evaluated and ranked by using a comprehensive evaluation index that integrated reliability， completeness and simplicity to finally realize the shield machine cutterhead health assessment. The proposed method was validated based on the actual engineering data of one tunneling section of Xiamen Metro Line 3. The results show that the mined knowledge rules have a good agreement with the actual data distribution （average 93% or more）， which verifies the effectiveness of the method.

Key words： shield machine cutterhead; health assessment; association rule; data mining; knowledge mining

0 引言

刀盤系統(tǒng)是盾構(gòu)機實現(xiàn)破巖掘進的核心部件。由于施工環(huán)境復(fù)雜惡劣，以及長時間在低速、重載和動態(tài)變工況條件下工作，刀具過度磨損與異常破壞成為盾構(gòu)機故障停機的最主要原因，也是盾構(gòu)安全高效掘進最主要難題之一［1］。在盾構(gòu)施工過程中，對刀盤系統(tǒng)退化狀態(tài)進行有效監(jiān)測評估，對提高盾構(gòu)機刀盤維護和盾構(gòu)掘進效率、降低維修風(fēng)險和成本都具有非常重大的意義和價值。

對于盾構(gòu)機刀具刀盤退化狀態(tài)分析，當(dāng)前國內(nèi)外的研究方法可分為直接檢測、磨損機理分析建模及數(shù)據(jù)驅(qū)動建模三種。直接檢測法一般使用電氣、液壓、氣體等檢測裝置監(jiān)測刀具磨損狀態(tài)，按照測量結(jié)果可分為極限式和連續(xù)式兩種［2-3］。文獻［4］設(shè)計了一種基于電阻排式磨損傳感器的刮刀和撕裂刀實時監(jiān)測系統(tǒng)，采用電阻變化原理通過電流值與磨損量的線性關(guān)系計算刀具磨損量。文獻［5］提出了一套基于電渦流傳感器的在線滾刀磨損測量系統(tǒng)，在實驗室和實際工業(yè)現(xiàn)場的滾刀上進行了應(yīng)用驗證。使用傳感器直接測量刀具磨損量是一種非常直觀的方式。然而，實際盾構(gòu)施工環(huán)境非常惡劣復(fù)雜，外加傳感器要承受振動、高溫、巖石渣土、水壓等綜合載荷作用，同時受到傳感器安裝防護、安裝數(shù)量、數(shù)據(jù)傳輸方式的限制，現(xiàn)有直接檢測方法在實時檢測的準(zhǔn)確性和可靠性方面還有待進一步提高。

磨損機理分析建模方法通過理論分析建立解析模型，預(yù)測刀具磨損量大小［6］。文獻［7］基于滾刀在掘進過程中的應(yīng)力狀態(tài)分析和摩擦能量理論，綜合考慮盾構(gòu)機運行參數(shù)、刀具載荷、當(dāng)下巖石特性等，建立了滾刀磨損量預(yù)測模型，并分別在均勻地層和復(fù)合地層中進行了應(yīng)用驗證。文獻［8］通過對滾刀與巖石接觸作用的力學(xué)分析和滾刀磨損形態(tài)的理論分析，確定了影響滾刀磨損演化的關(guān)鍵因素，之后基于摩擦學(xué)和接觸疲勞裂紋傳播理論，建立了滾刀磨損演化預(yù)測模型。然而，當(dāng)前磨損機理模型只能預(yù)測正面滾刀的均勻磨損，無法預(yù)測非均勻磨損（如斷裂、偏磨等），也無法預(yù)測因巖渣堆積造成的二次磨損。此外，由于實際地質(zhì)往往不均勻且持續(xù)動態(tài)變化，理論模型與實際施工中的刀具巖石接觸狀態(tài)、地質(zhì)特性均具有較大差異，導(dǎo)致在實際應(yīng)用中預(yù)測誤差較大。

此外，地質(zhì)勘探與盾構(gòu)機數(shù)據(jù)采集與監(jiān)控（supervisory control and data acquisition， SCADA） 系統(tǒng)中存儲著大量掘進線路地質(zhì)特性數(shù)據(jù)與盾構(gòu)機運行數(shù)據(jù)，為基于數(shù)據(jù)驅(qū)動的盾構(gòu)機性能預(yù)測研究提供了豐富的資源，近年來引起了學(xué)者的廣泛關(guān)注［9-12］。在盾構(gòu)機刀具刀盤退化評估和預(yù)測方面，亦有學(xué)者開展了相關(guān)研究［13-14］。文獻［15］基于多個巖石隧道掘進工程數(shù)據(jù)研究了巖石單軸抗壓強度等巖體特性參數(shù)與滾刀破巖體積磨損速率之間的關(guān)系，通過數(shù)據(jù)回歸分析提出了滾刀磨損評價方法。文獻［16］通過提取反映刀盤性能的狀態(tài)參數(shù)構(gòu)成原始高維特征矢量樣本，采用t-SNE流形學(xué)習(xí)方法進行降維，得到了數(shù)據(jù)樣本在低維空間的分布，最后使用馬氏距離計算得到刀盤健康指數(shù)。文獻［17］以刀盤推力、扭矩、滾刀安裝半徑、巖石單軸抗壓強度、Cerchar磨蝕性指數(shù)為輸入，使用淺層神經(jīng)網(wǎng)絡(luò)建立刀具磨損量預(yù)測模型，并獲得了較高的精度。

基于數(shù)據(jù)驅(qū)動的刀具刀盤磨損評估預(yù)測方法無需外加專用傳感器，而是借助地質(zhì)勘探數(shù)據(jù)與盾構(gòu)機本體實時測量數(shù)據(jù)進行刀盤系統(tǒng)退化監(jiān)測評估建模，系統(tǒng)抗干擾性和實時性更強，具有廣闊的應(yīng)用前景。然而當(dāng)前研究大多基于專家經(jīng)驗，只選擇少數(shù)經(jīng)驗上與刀盤磨損退化相關(guān)的特征進行分析，未充分挖掘利用盾構(gòu)機SCADA系統(tǒng)所采集的海量運行數(shù)據(jù)的價值。此外，當(dāng)前研究多基于隱式黑箱模型，結(jié)果可解釋性差，不利于通過大數(shù)據(jù)分析提取顯性知識，以對傳統(tǒng)經(jīng)驗知識進行驗證和擴充來實現(xiàn)領(lǐng)域知識的凝練與傳播。關(guān)聯(lián)規(guī)則是一種常用的數(shù)據(jù)挖掘方法，用于從大量數(shù)據(jù)中挖掘關(guān)聯(lián)性或相關(guān)性，從而描述一個事物中某些屬性同時出現(xiàn)的規(guī)律和模式［18］。關(guān)聯(lián)規(guī)則挖掘結(jié)果方便理解，便于形成知識規(guī)則，因而在裝備狀態(tài)監(jiān)測與故障診斷領(lǐng)域也獲得了廣泛的應(yīng)用［19-22］。

本文通過深層次挖掘刀盤性能退化與盾構(gòu)機運行狀態(tài)特征之間的非線性映射關(guān)系，提出一種關(guān)聯(lián)規(guī)則挖掘驅(qū)動的盾構(gòu)機刀盤健康評估方法。根據(jù)盾構(gòu)機運行原理，提出針對性的原始盾構(gòu)掘進數(shù)據(jù)預(yù)處理方法；利用輕量級梯度提升機（light gradient boosting machine， LightGBM）算法對高維運行參數(shù)進行重要度評分，篩選得到對刀盤性能具有較高區(qū)分能力的特征子集；通過決策樹算法和分箱配合實現(xiàn)高維連續(xù)數(shù)值特征離散化，獲得可用于關(guān)聯(lián)規(guī)則挖掘的數(shù)據(jù)集；利用頻繁模式增長（frequent pattern growth， FP-Growth）算法挖掘出關(guān)鍵特征與刀盤健康狀態(tài)之間的映射關(guān)系，并構(gòu)建綜合評價準(zhǔn)則對規(guī)則集合進行評分排序；最后基于評分最優(yōu)的規(guī)則實現(xiàn)盾構(gòu)機刀盤的健康評估。

1 關(guān)聯(lián)規(guī)則挖掘

關(guān)聯(lián)規(guī)則是一種挖掘和描述數(shù)據(jù)項或數(shù)據(jù)項集之間統(tǒng)計關(guān)系的算法，用于發(fā)現(xiàn)潛在的關(guān)聯(lián)關(guān)系［23］。假設(shè)I={i1，i2，…，in}表示所有項目的集合，T表示某個頻繁項集，由集合I中的k項組成，記作T={t1，t2，…，tk}。設(shè)A、B分別為頻繁項集T中的一個項集，則關(guān)聯(lián)規(guī)則可表示為

（T中包含A）（T中包含B）

其意義在于，數(shù)據(jù)關(guān)系中若存在A項目，則會存在B項目。

頻繁項集T中的規(guī)則AB由支持度Dsup（support）和置信度Dcon（confidence）約束，計算公式如下：

支持度表示規(guī)則出現(xiàn)的頻率，置信度表示規(guī)則的可信程度。綜合設(shè)置最小支持度和最小置信度可以評價和篩選規(guī)則的可靠性和可用性。關(guān)聯(lián)規(guī)則挖掘的最終目標(biāo)是在數(shù)據(jù)集中找到強關(guān)聯(lián)規(guī)則，即擁有較高支持度和置信度的規(guī)則。

常用的關(guān)聯(lián)規(guī)則算法有Apriori算法和FP-Growth算法［24］。FP-Growth算法于2000年被提出，該算法基于Apriori算法原理，通過將數(shù)據(jù)集存儲在頻繁模式（frequent pattern，F(xiàn)P）樹上，再從中挖掘頻繁項集。相比于Apriori算法，F(xiàn)P-Growth算法只需要對數(shù)據(jù)庫進行兩次掃描，而Apriori算法對每個潛在的頻繁項集都會掃描數(shù)據(jù)集，判定給定模式是否頻繁，因此FP-Growth算法減少了對數(shù)據(jù)集的訪問和讀取，執(zhí)行效率更高，并且FP-Growth算法用FP樹存儲數(shù)據(jù)可以減小存儲空間，得到非常高的壓縮比。

2 基于關(guān)聯(lián)規(guī)則挖掘的刀盤健康評估

一個典型的知識挖掘過程通常包含三個步驟，即數(shù)據(jù)預(yù)處理、應(yīng)用數(shù)據(jù)挖掘算法、結(jié)果后處理［23］，因此，基于關(guān)聯(lián)規(guī)則挖掘的刀盤健康評估方法也主要包含數(shù)據(jù)預(yù)處理、關(guān)聯(lián)規(guī)則生成、規(guī)則評價三個步驟，如圖1所示。

在數(shù)據(jù)預(yù)處理階段，主要任務(wù)包括：對不同狀態(tài)下的原始數(shù)據(jù)進行篩選以構(gòu)建分析建模數(shù)據(jù)包，按照刀具磨損測量維護記錄劃分不同的刀盤健康等級，篩選特征，并對連續(xù)數(shù)值特征進行離散化。在關(guān)聯(lián)規(guī)則生成階段，將對篩選的特征和刀盤健康狀態(tài)記錄應(yīng)用關(guān)聯(lián)規(guī)則挖掘算法，以生成可用于識別刀盤健康狀態(tài)的規(guī)則。然后，基于適應(yīng)度準(zhǔn)則對所生成的規(guī)則進行評價排序。最后，經(jīng)過優(yōu)化后的關(guān)聯(lián)規(guī)則即可用于盾構(gòu)機刀盤的健康評估。

2.1 數(shù)據(jù)預(yù)處理

2.1.1 數(shù)據(jù)包構(gòu)建

數(shù)據(jù)包的構(gòu)建包含如下三個方面：剔除非掘進狀態(tài)數(shù)據(jù)、地質(zhì)類型分割、司機主控參數(shù)約束。盾構(gòu)機在掘進過程中數(shù)據(jù)記錄是不間斷的，所采集的數(shù)據(jù)中同時包含掘進狀態(tài)和非掘進狀態(tài)（如拼裝、停機等），而非掘進狀態(tài)下是沒有磨損發(fā)生的，故需要首先將非掘進狀態(tài)下的數(shù)據(jù)剔除。篩選過后的數(shù)據(jù)全部處于掘進狀態(tài)，雖然在時間上不連續(xù)，但在刀盤的性能退化上是連續(xù)的。基于盾構(gòu)機的工作機理，可將刀盤轉(zhuǎn)速和總推進力同時大于零作為條件從而篩選出盾構(gòu)機處于掘進狀態(tài)下的數(shù)據(jù)。

其次，盾構(gòu)機在掘進過程中會經(jīng)歷不同的地質(zhì)條件，不同地質(zhì)的巖土特性不同，刀盤的受力情況會發(fā)生變化，表現(xiàn)在數(shù)據(jù)特征上也會有較大差異。地質(zhì)的不同不僅會影響刀具的磨損速率，也會影響同樣磨損量的刀具在數(shù)據(jù)上的表現(xiàn)。為了消除不同地質(zhì)條件造成的數(shù)據(jù)差異對后續(xù)分析建模的影響，需要根據(jù)地質(zhì)情況對數(shù)據(jù)進行分割，構(gòu)建不同的數(shù)據(jù)包，然后將同樣的分析方法分別應(yīng)用于不同地質(zhì)條件下的數(shù)據(jù)。

此外，盾構(gòu)機運行數(shù)據(jù)也受到司機掘進控制參數(shù)設(shè)定的顯著影響，為了確保分析結(jié)果的準(zhǔn)確性，要保證司機的控制參數(shù)保持在一定波動區(qū)間內(nèi)。通過盾構(gòu)施工參數(shù)匹配分析，總推進力可以綜合反映司機控制參數(shù)的影響，因而選取總推進力處于特定區(qū)間內(nèi)的數(shù)據(jù)用于后續(xù)分析。

綜合以上三方面的數(shù)據(jù)篩選，得到全部處于掘進狀態(tài)下的數(shù)據(jù)，同時盡可能消除地質(zhì)和司機控制參數(shù)設(shè)定的影響，所構(gòu)建的數(shù)據(jù)包將能更好地支持后續(xù)分析建模。

2.1.2 刀盤健康等級劃分

關(guān)聯(lián)規(guī)則分析旨在挖掘出與刀盤健康狀態(tài)強相關(guān)的盾構(gòu)機運行特征，所以數(shù)據(jù)集標(biāo)簽的構(gòu)造非常重要。連續(xù)的盾構(gòu)機刀具磨損標(biāo)簽的獲得非常困難，只能依靠每次開倉換刀檢查的結(jié)果來評估刀盤健康狀態(tài)。在盾構(gòu)機掘進過程中，刀具磨損不斷加劇，刀盤性能不斷退化，因而可以將刀盤健康狀態(tài)分為健康、輕度磨損、中度磨損、嚴(yán)重磨損四個等級。具體方法為依據(jù)領(lǐng)域?qū)＜医?jīng)驗及刀盤機械結(jié)構(gòu)信息，根據(jù)每次開倉檢查后最終更換的刀具數(shù)量來判定，不同換刀數(shù)量區(qū)間對應(yīng)不同的刀盤健康狀態(tài)。

2.1.3 特征篩選

在關(guān)聯(lián)規(guī)則挖掘中，一方面，無用的特征會對挖掘算法造成混淆，導(dǎo)致結(jié)果中出現(xiàn)不準(zhǔn)確或無用的知識；另一方面，過多的特征也會對計算效率造成負(fù)面影響，因此需要對原始特征進行篩選以獲得真正有效的規(guī)則。

本研究中特征篩選分為兩步：首先，原始特征中包含大量人工設(shè)定參數(shù)和累計特征（如刀盤轉(zhuǎn)速設(shè)定、推進壓力設(shè)定、掘進距離、工作時間、電量總累計量等），這些特征與刀盤性能退化間沒有直接關(guān)系，需要手動剔除；接下來利用嵌入式的特征篩選方法，從分類的角度出發(fā)，使用機器學(xué)習(xí)算法進行特征重要度排序，本研究使用了LightGBM算法［25］訓(xùn)練分類模型，對四種刀盤健康狀態(tài)進行分類。LightGBM算法會統(tǒng)計所有迭代中每個特征的分裂對損失函數(shù)貢獻的總量，并以此為依據(jù)對特征打分，因而可以選取排序結(jié)果中排名靠前的若干特征（即對刀盤健康狀態(tài)最具區(qū)分度的特征）形成特征子集作為最終篩選結(jié)果。

2.1.4 連續(xù)特征離散化

關(guān)聯(lián)規(guī)則挖掘算法不能直接應(yīng)用于連續(xù)數(shù)據(jù)，所以需要將連續(xù)特征進行離散化，即在信息損失最小的前提下將連續(xù)數(shù)值劃分為一系列數(shù)值區(qū)間，從而將連續(xù)值特征轉(zhuǎn)換為一系列類別特征。這是關(guān)聯(lián)規(guī)則挖掘中非常重要的一步，錯誤選擇的劃分節(jié)點將導(dǎo)致知識挖掘過程變得沒有價值。

常用的連續(xù)特征離散化方法有分箱方法及其變種、基于卡方的離散方法和基于熵的離散方法等［26］。對于有監(jiān)督問題，一般采用基于熵的方法對數(shù)據(jù)進行離散化，但大量離散節(jié)點信息熵的計算非常繁瑣耗時。為解決這一問題，本研究采用決策樹與等距分箱結(jié)合的方法來實現(xiàn)特征離散化。決策樹在進行特征劃分時，可自動在候選特征集合中選擇使得劃分后數(shù)據(jù)集純度更高的特征作為最優(yōu)劃分節(jié)點。而等距分箱幾乎不需要耗費時間，但它具有一定隨機性，很容易遺漏一些關(guān)鍵分割節(jié)點。決策樹的決策原則本身基于熵或基尼指數(shù)，因而利用決策樹與等距分箱共同進行離散化可以平衡計算效率與準(zhǔn)確率。

特征離散化的具體步驟分為兩步，首先利用需要離散化的特征建立決策樹模型。在這個步驟中需限制決策樹的最大深度來避免過擬合。在有限的深度下訓(xùn)練完成的決策樹只包含部分特征，因此第二步是將已經(jīng)被決策樹劃分過的特征從特征集合中刪除，用剩下的特征集合重復(fù)第一步的做法。當(dāng)某一步中生成的決策樹結(jié)構(gòu)非常復(fù)雜時就停止迭代。決策樹結(jié)構(gòu)的復(fù)雜度在一定程度上代表了訓(xùn)練特征對標(biāo)簽的分類能力，復(fù)雜的樹結(jié)構(gòu)表示訓(xùn)練特征無法輕松地將數(shù)據(jù)分類，使用這樣的結(jié)果容易造成過擬合。

離散化完成后將得到一系列類別特征，同時與刀盤的健康狀態(tài)標(biāo)簽一并作為關(guān)聯(lián)規(guī)則挖掘的輸入。當(dāng)關(guān)聯(lián)規(guī)則挖掘結(jié)束時，所生成的規(guī)則可被轉(zhuǎn)換回原始的格式并展示給用戶。

2.2 關(guān)聯(lián)規(guī)則生成

由于盾構(gòu)機運行數(shù)據(jù)維數(shù)眾多，樣本數(shù)據(jù)量大，即使經(jīng)過前期數(shù)據(jù)預(yù)處理和特征篩選后，所得到的訓(xùn)練數(shù)據(jù)集依然龐大，在此基礎(chǔ)上開展關(guān)聯(lián)規(guī)則挖掘會對算法的計算性能提出較高的要求，為此，本文使用擁有更高計算效率的FP-Growth算法進行關(guān)聯(lián)規(guī)則的生成。

2.3 關(guān)聯(lián)規(guī)則評價

對于一條關(guān)聯(lián)規(guī)則，其評價標(biāo)準(zhǔn)主要取決于預(yù)測精度和可理解性。目前，衡量關(guān)聯(lián)規(guī)則預(yù)測精度的指標(biāo)是其置信度。然而實際應(yīng)用中僅使用置信度則無法保證所生成的規(guī)則對其他測試數(shù)據(jù)集的預(yù)測精度。基于上述分析，本研究使用適應(yīng)度值Vfit（fitness value）［27］來對生成的規(guī)則進行評價。

適應(yīng)度值由三個獨立參數(shù)計算得到，分別是：可靠度Dre（reliability）、完整度Dcom（completeness）和簡潔度Dsim（simplicity）。可靠度和完整度這兩個參數(shù)是根據(jù)混淆矩陣計算得到的，可用于描述規(guī)則的預(yù)測精度，如表1所示，其中NTP表示預(yù)測為正、同時真實結(jié)果也為正的樣本的個數(shù)（true positive， TP），NFP表示預(yù)測為正、真實結(jié)果為負(fù)的樣本的個數(shù)（false positive， FP），NFN表示預(yù)測為負(fù)、真實結(jié)果為正的樣本個數(shù)（false negative， FN），NTN表示預(yù)測為負(fù)、真實結(jié)果同樣為負(fù)的樣本個數(shù)（true negative，TN）。

顯然，適應(yīng)度值應(yīng)與NTP成正比，與NFP和NFN成反比。根據(jù)表1所示的混淆矩陣，可靠度與完整度的計算公式如下：

簡潔度表示規(guī)則的簡潔程度，用于描述規(guī)則的可理解性，可用關(guān)聯(lián)規(guī)則前鍵中的特征個數(shù)來表示，其計算公式如下：

式中，N為關(guān)聯(lián)規(guī)則前鍵中的特征個數(shù)。

綜合可靠度、完整度和簡潔度，可得到適應(yīng)度值的計算公式如下：

Vfit=ω1（DreDcom）+ω2Dsim（6）

其中，ω1、ω2為權(quán)重，用于控制規(guī)則的可靠度、完整度和簡潔度。本研究中，ω1、ω2分別取0.7和0.3。

2.4 刀盤健康評估

對于一條測試記錄，刀盤健康評估的步驟如下：①挑選出所有滿足測試記錄前鍵的規(guī)則，構(gòu)成備選集；②依據(jù)所有備選規(guī)則的適應(yīng)度值按照分值從高到低進行排序，擁有最高適應(yīng)度值的規(guī)則被認(rèn)定為最優(yōu)規(guī)則，據(jù)此得到刀盤的健康狀態(tài)評估結(jié)果。基于該優(yōu)選策略可避免一條測試記錄對應(yīng)多個狀態(tài)標(biāo)簽的不一致問題，從而提高評估結(jié)果的準(zhǔn)確度與實用性。

3 應(yīng)用驗證

本節(jié)以廈門地鐵3號線某施工區(qū)間的盾構(gòu)掘進數(shù)據(jù)對本文所提出的盾構(gòu)機刀盤健康評估方法進行驗證。在該區(qū)間盾構(gòu)機掘進長度約500環(huán)，每環(huán)長度為2 m。根據(jù)刀盤維修記錄，該區(qū)間共發(fā)生38次開倉換刀。本區(qū)間使用了土壓平衡式盾構(gòu)機，圖2所示為盾構(gòu)機刀盤布局，該布局為輻條+面板復(fù)合式結(jié)構(gòu)，開口率為35%。刀盤直徑6.4 m，共安裝中心雙聯(lián)滾刀6把，單刃滾刀35把，邊刮刀12把，刮刀43把，超挖刀1把，其中滾刀用于擠壓破碎巖石，安裝位置更突出刀盤面板，是刀具磨損和破壞失效的主體。

圖3展示了掘進線路的地質(zhì)分布，圖中百分比表示不同環(huán)號所對應(yīng)地層中不同巖石成分的百分占比，實曲線表示根據(jù)巖石成分百分比和不同巖石力學(xué)參數(shù)計算得到的等效巖土承載能力值（代表巖土能夠承受的最大應(yīng)力，其數(shù)值越大表明巖層的磨蝕性越強，刀具越容易磨損），虛豎線表示刀盤維修記錄顯示的開倉換刀位置。由圖3可以看到，該施工區(qū)間的地質(zhì)以微風(fēng)化花崗閃長巖為主，該地層具有最強的磨蝕性，實際在該地層下也發(fā)生了多次換刀。從圖3中也可以看到在中等風(fēng)化花崗閃長巖地層下出現(xiàn)了密集的換刀，經(jīng)與施工人員溝通，此段為風(fēng)險較高的掘進區(qū)間，因而人為增加了開倉檢查的次數(shù)。

盾構(gòu)機SCADA系統(tǒng)采集的數(shù)據(jù)共155維，主要包括推進系統(tǒng)參數(shù)、刀盤系統(tǒng)參數(shù)、電力系統(tǒng)參數(shù)、導(dǎo)向系統(tǒng)參數(shù)、螺旋輸送系統(tǒng)參數(shù)、土倉壓力等，所有數(shù)據(jù)每秒鐘采集一次。

3.1 數(shù)據(jù)預(yù)處理

如圖3所示，施工區(qū)間包含多種地質(zhì)類型，其中微風(fēng)化花崗閃長巖地質(zhì)占比最大，也是刀具磨損最為劇烈的地質(zhì)，因此，本文選取微風(fēng)化花崗閃長巖這一地質(zhì)類型下的數(shù)據(jù)進行分析示例，其他地質(zhì)類型下的數(shù)據(jù)分析可采取相似步驟。

基于盾構(gòu)機的工作機理，以刀盤轉(zhuǎn)速和總推進力同時大于零為條件篩選出盾構(gòu)機處于掘進狀態(tài)下的數(shù)據(jù)，保證數(shù)據(jù)在刀盤磨損上的連續(xù)性。同時進一步選取總推進力處于10～20 kN之間的數(shù)據(jù)，以削弱司機掘進控制參數(shù)設(shè)定的影響。

根據(jù)刀盤維修記錄，每次開倉檢查滾刀的更換數(shù)量由幾把到幾十把不等，取不同換刀點前后的一部分?jǐn)?shù)據(jù)，根據(jù)換刀數(shù)量將其分為四個健康等級，換刀數(shù)量越多表明磨損越嚴(yán)重。選取部分微風(fēng)化花崗閃長巖地層下的掘進數(shù)據(jù)作為訓(xùn)練集，具體的健康等級劃分如表2所示。

根據(jù)機理知識，人工剔除一些與刀具磨損無關(guān)的特征，如累計量、時間、人工設(shè)定控制的參數(shù)等。接下來利用LightGBM算法對剩余特征進行重要度排序，取排序前20的特征記為特征子集S，特征名稱及其重要度分值如表3所示。

提取僅含特征子集S的數(shù)據(jù)記作數(shù)據(jù)集DS，利用DS建立決策樹模型并可視化。第一次迭代的決策樹結(jié)構(gòu)如圖4所示，圖中顯示決策樹模型根據(jù)基尼指數(shù)對一部分特征先后進行了劃分，并展示出了四個健康等級的分類樣本數(shù)。其中X［1］對應(yīng)特征為左上鉸接位移，X［13］對應(yīng)特征為右中土倉壓力，具體劃分節(jié)點如圖4所示，基于對應(yīng)分割點即可對相應(yīng)特征進行離散化。

從特征子集S中刪除第一次迭代選取的特征，利用剩下的特征進行第二次迭代建立新的決策樹并可視化，如圖5所示。

重復(fù)上述過程，得到第三次迭代建立的決策樹并可視化，如圖6所示，可以看出，第三次迭代訓(xùn)練生成的決策樹結(jié)構(gòu)已經(jīng)略顯復(fù)雜，這是由于用于訓(xùn)練決策樹的特征對標(biāo)簽的區(qū)分性減弱，也是過擬合的表現(xiàn)，因此僅取本次迭代生成的決策樹的前兩層作為有效結(jié)果。

從三次迭代中可以看出，決策樹會優(yōu)先劃分對健康等級區(qū)分能力強的特征。在第一次迭代中，只劃分了一部分優(yōu)秀的特征分類精度就達到了要求，這種情況下就無法得到其他特征的分割節(jié)點。從特征子集中刪除已經(jīng)被劃分的特征就是強制決策樹去找到那些重要性相對較低的特征的分割點，但是，如果強制迭代多次就容易造成過擬合，因此本文只選取3次迭代。

本研究將每個特征離散化為四個區(qū)間，決策樹生成的劃分節(jié)點不能覆蓋所有的特征，因此采用等距分箱將余下的特征進行離散化，所有20個特征的區(qū)間劃分如表4所示。

3.2 關(guān)聯(lián)規(guī)則生成與評價

利用FP-Growth算法對特征離散化后的數(shù)據(jù)記錄進行關(guān)聯(lián)規(guī)則挖掘，生成一系列規(guī)則。根據(jù)式（6）計算出所有規(guī)則的適應(yīng)度值，并按照從高到底的順序?qū)λ幸?guī)則進行排列，表5展示了排名靠前的部分規(guī)則。

3.3 刀盤健康評估驗證

由于整個分析過程在微風(fēng)化地質(zhì)下進行，因此選取微風(fēng)化地質(zhì)下未參與訓(xùn)練的數(shù)據(jù)作為測試數(shù)據(jù)對結(jié)果進行驗證。結(jié)合地質(zhì)分布圖，分別選取247～248環(huán)、268～269環(huán)的數(shù)據(jù)進行測試。根據(jù)刀具磨損測量與維護記錄，在第249環(huán)時共更換7把刀具，根據(jù)專家經(jīng)驗可判定在刀具更換前的247～248環(huán)刀盤處于輕度磨損狀態(tài)；在第270環(huán)時共更換5把刀具，同樣根據(jù)專家經(jīng)驗可判定在刀具更換前的268～269環(huán)，刀盤也處于輕度磨損狀態(tài)。

表6展示了247～248環(huán)、268～269環(huán)兩段數(shù)據(jù)部分特征的取值區(qū)間占比。經(jīng)過分析對比，相關(guān)特征的取值區(qū)間與表5中規(guī)則1（{右中土倉壓力1， 刀盤控制油壓檢測2， 刀盤磨損壓力2， 膨潤土壓力1， 推進壓力1→輕度磨損}）吻合，平均重合度均在93%以上，且該條規(guī)則具有最高的適應(yīng)度值（0.750），據(jù)此可判定刀盤處于輕度磨損狀態(tài)，與專家經(jīng)驗判定結(jié)論一致，從而驗證了所建立規(guī)則的可信度。

基于本文所挖掘的所有知識規(guī)則可通過編制軟件方便施工現(xiàn)場應(yīng)用，當(dāng)?shù)侗P到達中度磨損或嚴(yán)重磨損時應(yīng)及時開倉進行換刀維修。

4 結(jié)語

本文提出一種基于關(guān)聯(lián)規(guī)則挖掘的盾構(gòu)機刀盤健康評估方法，系統(tǒng)性地提出了針對性的盾構(gòu)掘進數(shù)據(jù)預(yù)處理、特征篩選、特征離散化、關(guān)聯(lián)規(guī)則生成與評價方法，基于所抽取的規(guī)則可實現(xiàn)刀盤健康評估，克服傳統(tǒng)機理建模研究存在的與實際施工環(huán)境誤差較大和數(shù)據(jù)驅(qū)動建模多采用黑箱模型而難以解釋的不足，便于工業(yè)應(yīng)用和行業(yè)知識積累。實際盾構(gòu)施工數(shù)據(jù)應(yīng)用結(jié)果表明所提出的方法具有較高的準(zhǔn)確性，可滿足工業(yè)現(xiàn)場應(yīng)用需求。

受實際工程限制，本文所抽取的規(guī)則是在微風(fēng)化花崗閃長巖這一特定地質(zhì)環(huán)境下得到的，并不一定完全適用于其他地質(zhì)環(huán)境。未來可搜集其他地質(zhì)條件下的掘進數(shù)據(jù)，采用本文所提出的技術(shù)路線進行分析，擴充刀盤健康評估的知識規(guī)則。

參考文獻：

［1］ 周建軍， 宋佳鵬， 譚忠盛. 砂卵石地層地鐵盾構(gòu)盤形滾刀磨蝕性研究［J］. 土木工程學(xué)報， 2017，50（增刊1）：31-35.

ZHOU Jianjun， SONG Jiapeng， TAN Zhongsheng. Study on Abrasive Properties of Shielded Hob in Subway Shield of Sandy Gravel Formation［J］. China Civil Engineering Journal， 2017，50（S1）：31-35.

［2］ 張曉波， 劉泉聲， 張建明. TBM掘進刀具磨損實時監(jiān)測技術(shù)及刀盤振動監(jiān)測分析［J］. 隧道建設(shè)， 2017，37（3）：380-385.

ZHANG Xiaobo， LIU Quansheng， ZHANG Jianming. Real-time Monitoring Technology for Wear of Cutters and Monitoring and Analysis of Cutterhead Vibration of TBM［J］. Tunnel Construction， 2017，37（3）：380-385.

［3］ 劉招偉， 王百泉， 尚偉. 基于超聲波的盾構(gòu)切刀磨損無線檢測系統(tǒng)研究［J］. 隧道建設(shè)， 2017，37（11）：1469-1474.

LIU Zhaowei， WANG Baiquan， SHANG Wei. Study of Wireless Detection System of Shield Cutter Wear Based on Ultrasonic［J］. Tunnel Construction， 2017， 37（11）：1469-1474.

［4］ ZHUO Xingjian， LU Yati. Real-time Wear Monitoring System for Scrape Cutters and Tearing Cutters［J］. Tunnel Construction， 2018，38（6）：1060-1065.

［5］ LAN Hao， XIA Yimin， JI Zhiyong， et al. Online Monitoring Device of Disc Cutter Wear—Design and Field Test［J］. Tunnelling and Underground Space Technology， 2019，89：284-294.

［6］ SUN Zhenchuan， ZHAO Hailei， HONG Kairong， et al. A Practical TBM Cutter Wear Prediction Model for Disc Cutter Life and Rock Wear Ability［J］. Tunnelling and Underground Space Technology， 2019，85：92-99.

［7］ REN D J， SHEN S L， ARULRAJAH A， et al. Prediction Model of TBM Disc Cutter Wear during Tunnelling in Heterogeneous Ground［J］. Rock Mechanics and Rock Engineering， 2018，51：3599-3611.

［8］ WANG Lihui， LI Haipeng， ZHAO Xiangjun， et al. Development of a Prediction Model for the Wear Evolution of Disc Cutters on Rock TBM Cutterhead［J］. Tunnelling and Underground Space Technology， 2017，67：147-157.

［9］ MASOUD Z N， MASOUD S， MASOUD R， et al. State-of-the-art Predictive Modeling of TBM Performance in Changing Geological Conditions through Gene Expression Programming［J］. Measurement， 2018，126：46-57.

［10］ QIN Chengjin， SHI Gang， TAO Jianfeng， et al. Precise Cutterhead Torque Prediction for Shield Tunneling Machines Using a Novel Hybrid Deep Neural Network［J］. Mechanical Systems and Signal Processing， 2021，151：107386.

［11］ ZHANG Qianli， HU Weifei， LIU Zhenyu， et al. TBM Performance Prediction with Bayesian Optimization and Automated Machine Learning［J］. Tunnelling and Underground Space Technology， 2020，103：103493.

［12］ 石茂林， 孫偉， 宋學(xué)官. 隧道掘進機大數(shù)據(jù)研究進展：數(shù)據(jù)挖掘助推隧道挖掘［J］. 機械工程學(xué)報， 2021，57（22）：344-358.

SHI Maolin， SUN Wei， SONG Xueguan. Research Progress on Big Data of Tunnel Boring Machine：How Data Mining Can Help Tunnel Boring［J］. Journal of Mechanical Engineering， 2021，57（22）：344-358.

［13］ ELBAZ K， SHEN S L， ZHOU A N， et al. Prediction of Disc Cutter Life during Shield Tunneling with AI via the Incorporation of a Genetic Algorithm into a GMDH-Type Neural Network［J］. Engineering， 2021，7（2）：238-251.

［14］ YU Honggan， TAO Jianfeng， HUANG Sheng， et al. A Field Parameters-based Method for Real-time Wear Estimation of Disc Cutter on TBM Cutterhead［J］. Automation in Construction， 2021，124：103603.

［15］ 楊延棟， 孫振川， 張兵， 等. 基于多個隧道掘進機工程數(shù)據(jù)回歸分析的滾刀磨損評價方法［J］. 中國機械工程， 2021，32（11）：1370-1376.

YANG Yandong， SUN Zhenchuan， ZHANG Bing， et al. Disc Cutter Wear Evaluation Method Based on Regression Analysis of Multiple TBM Engineering Data［J］. China Mechanical Engineering， 2021，32（11）：1370-1376.

［16］ 張康， 黃亦翔， 趙帥， 等. 基于 t-SNE 數(shù)據(jù)驅(qū)動模型的盾構(gòu)裝備刀盤健康評估［J］. 機械工程學(xué)報， 2019，55（7）：19-26.

ZHANG Kang， HUANG Yixiang， ZHAO Shuai， et al. Health Assessment of Shield Equipment Cutterhead Based on t-SNE Data-driven Model［J］. Journal of Mechanical Engineering， 2019，55（7）：19-26.

［17］ AGRAWAL A K， MURTHY V M S R， CHATTOPADHYAYA S， et al. Prediction of TBM Disc Cutter Wear and Penetration Rate in Tunneling through Hard and Abrasive Rock Using Multi-layer Shallow Neural Network and Response Surface Methods［J］. Rock Mechanics and Rock Engineering， 2022，55（6）：3489-3506.

［18］ KARTHIKEYAN T， RAVIKUMAR N. A Survey on Association Rule Mining［J］. International Journal of Advanced Research in Computer and Communication Engineering， 2014，3（1）：2278-1021.

［19］ YANG Z， TANG W H， SHINTEMIROV A， et al. Association Rule Mining-based Dissolved Gas Analysis for Fault Diagnosis of Power Transformers［J］. IEEE Transactions on Systems， Man， and Cybernetics， Part C （Applications and Reviews）， 2009，39（6）：597-610.

［20］ 張?zhí)烊穑?于天彪， 趙海峰，等. 數(shù)據(jù)挖掘技術(shù)在全斷面掘進機故障診斷中的應(yīng)用［J］. 東北大學(xué)學(xué)報 （自然科學(xué)版）， 2015，36（4）：527-532.

ZHANG Tianrui， YU Tianbiao， ZHAO Haifeng， et al. Application of Data Mining Technology in Fault Diagnosis of Tunnel Boring Machine［J］. Journal of Northeastern University（Natural Science）， 2015，36（4）：527-532.

［21］ LI Y， WANG J， DUAN L， et al. Association Rule-based Feature Mining for Automated Fault Diagnosis of Rolling Bearing［J］. Shock and Vibration， 2019，2019：1518246.

［22］ 陳勇剛， 孫向東， 崔麗娟，等. 基于關(guān)聯(lián)規(guī)則挖掘的航空設(shè)備故障診斷研究［J］. 數(shù)學(xué)的實踐與認(rèn)識， 2021，51（9）：99-107.

CHEN Yonggang， SUN Xiangdong， CUI Lijuan， et al. Study on Fault Diagnosis of Aviation Equipment Based on Association Rules Mining［J］. Mathematics in Practice and Theory， 2021，51（9）：99-107.

［23］ KAUSHIK M， SHARMA R， PEIOUS S A， et al. A Systematic Assessment of Numerical Association Rule Mining Methods［J］. SN Computer Science， 2021，2（5）：348.

［24］ SAXENA A， RAJPOOT V. A Comparative Analysis of Association Rule Mining Algorithms［J］. IOP Conference Series：Materials Science and Engineering， 2021， 1099：012032.

［25］ KE G， MENG Q， FINLEY T， et al. LightGBM：A Highly Efficient Gradient Boosting Decision Tree［J］. Advances in Neural Information Processing Systems， 2017，30：3146-3154.

［26］ GARCIA S， LUENGO J， SAEZ J A， et al. A Survey of Discretization Techniques：Taxonomy and Empirical Analysis in Supervised Learning［J］. IEEE Transactions on Knowledge and Data Engineering， 2013，25（4）：734-750.

［27］ FREITAS A A. A Survey of Evolutionary Algorithms for Data Mining and Knowledge Discovery［M］∥GHOSH A， TSUTSUI S. Advances in Evolutionary Computing：Theory and Applications. Berlin：Springer Berlin Heidelberg， 2003：819-845.