基于ＬＳ－ＳＶＭ的土压预测模型的建立,    中山三乡升降车出租, 中山三乡升降车公司, 中山三乡升降车   盾构掘进施工釆用四个压力传感器实时采集密封舱内土压，分别安置于承压隔板中心互相垂直的水平线和竖直线上，每个传感器距离圆周均为０．８ｍ，四点土压值分别记为ｐ”Ｐｒ；ＶＡ。接下来基于ＬＳ－ＳＶＭ分别对密封舱承压隔板上四点土压进行预测建模。由于需要优化推进速度和螺旋输送机转速，因此把下一时刻推进速度和螺旋输送机转速也作为预测模型的输入变量。以总推力、推进速度、螺旋输送机转速、刀盘转速、刀盘扭矩、当前时刻土压值；下一时刻的推进速度以及下一时刻的螺旋输送机转速作为密封舱土压预测模型的输入量，下一时刻土压值作为预测模型的输出量，因此预测模型的形式。在ＬＳ－ＳＶＭ算法中，利用非线性映射函数ｐ（ｘ）将输入空间的样本ｊｃ映射到高维特征空间，并在高维特征空间中利用结构风险最小化原则建立线性回归函数；６，０是系数向量，６是偏置常数项。而ＬＳ－ＳＶＭ算法的目标优化函数.   采用拉格朗日法求解这个优化问题，为了将约束优化问题转化为无约束的二次规划问题，引入拉格朗日乘子求偏导并消去０和６，求解相关方程组便可得到ＬＳ－ＳＶＭ的回归函数模型. 为核函数。不同的核函数类型对模型精度会产生很大的影响，通过对多项式核函数、径向基核函数（ＲＢＦ）、Ｓｉｇｍｏｉｄ核函数的实际比较分析，本文采用径向基核函数.  因此，釆用最小二乘支持向量机建模时只需要确定两个参数：惩罚因子；和径向基核参数ｃｒ，  并且釆用ＰＳＯ算法来对这两个参数进行寻优。釆用最小二乘径向基核函数支持向量机对密封舱四点土压分别进行预测的具体步骤如下：（１）分析盾构掘进过程，确定密封舱土压预测模型的输入输出参数。（２）然后选ｍ组盾构机上各类传感器采集的现场施工数据作为训练集，再选传感器采集的《组现场施工数据作为测试集，即（３）选择径向基核函数ＲＢＦ，确定惩罚因子集５；二｛厂１，．．．，／？｝和径向基核参数集（４）分别从两个参数集中选取参数进行组合，利用所选的参数对样本进行支持向量机训练和检验。（５）利用ＰＳＯ算法，根据多次迭代寻优的结果确定最佳学习参数／和ａ，将训练集、核函数、最佳学习参数代入ＬＳ－ＳＶＭ，求出回归函数．

     基于ＰＳＯ优化ＬＳ－ＳＶＭ参数影响,  最小二乘径向基核函数支持向量机模型精度的主要参数为惩莉因子；和径向基核参数，不同的参数值对最小二乘支持向量机的学习能力和泛化能力有很大的影响。一般利用穷尽搜索法对最小二乘径向基核函数支持向量机的相关参数进行遍历寻优，但这样很难确定一个合理的搜索范围，并且耗时较长，因此本文采用粒子群优化算法对这两个参数进行寻优，避免了依靠主观经验选择的盲目性，并且缩短了寻找时间，提高了模型的预测精度。基于粒子群优化算法优化最小二乘径向基核函数支持向量机参数的算法流程。

    ＰＳＯ基于粒子群优化算法优化最小二乘径向基核函数支持向量机参数的具体步骤如下：（１）根据现场釆集的数据，建立训练集和测试集。（２）对ＰＳＯ参数进行初始化，包括种群的数目、学习因子、最大迭代次数、惯性权重、粒子的初始位置和速度等。（３）用每个粒子向量对应的一组参数值，对训练样本进行预测建模，并将各个粒子的预测误差作为适应度函数。（４）找到各个粒子自身最优的位置，并且将其和群体最优位置比较，假如更优，则将其作为群体最优位置。（５）并由式（５）和式（６）更新粒子的位置和速度。（６）判断是否满足ＰＳＯ结束条件，若满足则找到最优的（７，０＂）值；否则，返回（３），开始新一轮的搜索。（７）利用最优的参数组合和训练样本建立最小二乘径向基核函数支持向量机预测模型。

     中山三乡升降车出租, 中山三乡升降车公司, 中山三乡升降车 http://www.jiangmendiaolanchechuzu.com/

 

     利用ＰＬＣ实时获取盾构上的各类传感器数据，主要包括密封舱压力、掘进速度、刀盘转速、螺旋输送机转速、刀盘扭矩、千斤顶推力等，然后将数据在线传送给控制室主机来完成数据采集工作。选择现场施工中传感器采集的３００组数据作为训练集，１２０组数据作为测试集，并对样本数据进行归一化数据处理。在采用ＬＳ－ＳＶＭ建立土压预测模型时，使用ＲＢＦ核函数进行回归。在预测模型的训练中发现，选取不同的核函数参数和惩罚因子对模型的预测精度有很大的影响。当大于某一数值时则对训练误差大于Ｓ的样本惩罚越大，模型的泛化能力变差；当小于某一数值时则对样本惩罚就越小，而使训练误差变大，模型的泛化能力变好。所以，采用ＰＳＯ算法来确定最优的径向基核参数０和惩罚因子ｒ。并且釆用均方误差ＭＳＥ、平均相对误差绝对值ＭＡＰＥ两个指标来评价模型的性能和预测效果。ＭＳＥ和ＭＡＰＥ越小，表明模型预测性能越好。

    ＰＳＯ算法粒子的种群数目为１５，最大迭代次数为１００，学习因子Ｃｉ＝Ｃ２＝１．２，惯性权重Ｗ为０．５，惩罚因子／的范围为（１，１００），径向基核参数ｃｒ的范围为（０．１，１０），粒子的初始位置随机产生。最后，借助于Ｍａｔｌａｂ进行仿真实验，利用ＰＳＯ算法分别对密封舱内四点ＬＳ－ＳＶＭ土压模型的参数进行寻优，不断更新粒子的位置和速度，最终得到满足寻优条件的惩莉因子和径向基核参数，此时预测模型精度最高。将此最优的参数带入到ＬＳ－ＳＶＭ模型中用于对密封舱土压进行预测。此外，为了说明加入刀盘扭矩作为模型的输入参数后，预测模型的精度有所提高，所以从相同的数据中去除刀盘扭矩这个输入变量，采用相同的方法进行仿真对比实验。  当模型输入变量含有刀盘扭矩时，预测精度更高，误差在工程要求的范围之内，结果令人满意。说明加入刀盘扭矩作为输入变量后模型具有更好的预测能力。此外，为了说明ＬＳ－ＳＶＭ在基于小样本数据建模时具有更好的泛化能力，；点为例釆用ＢＰ神经网络算法进行仿真对比，此时输入变量中也含有刀盘扭矩。

  

     通过以上对比分析可以发现，刀盘扭矩作为盾构掘进过程中的一个关键参数，对密封舱土压变化有着重要的影响，并且通过仿真实验证明了考虑刀盘扭矩作为模型一个输入，能够提高预测模型的精度。其次，通过与ＢＰ神经网络算法的比较说明，ＬＳ－ＳＶＭ不仅解决了以往困扰很多学习方法的小样本、过学习、高维数、局部最小等实际问题，而且具有很强的泛化能力，为解决建立盾构密封枪土压预测模型时存在的问题，提供了一种可行有效的途径。

      中山三乡升降车出租, 中山三乡升降车公司, 中山三乡升降车