劉堯 陳改革 劉振國(guó) 孔憲光 常建濤

摘要：傳統(tǒng)機(jī)理建模研究與實(shí)際施工環(huán)境誤差較大，而數(shù)據(jù)驅(qū)動(dòng)建模多采用黑箱模型，不利于知識(shí)發(fā)現(xiàn)與理解，為此提出一種基于知識(shí)挖掘的盾構(gòu)機(jī)刀盤(pán)健康評(píng)估方法。針對(duì)盾構(gòu)掘進(jìn)數(shù)據(jù)維數(shù)眾多、海量異構(gòu)、強(qiáng)噪聲干擾等特點(diǎn)，結(jié)合盾構(gòu)掘進(jìn)領(lǐng)域知識(shí)與機(jī)器學(xué)習(xí)算法提出針對(duì)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(shí)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(pán)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(jiǎn)潔度的綜合評(píng)價(jià)指標(biāo)適應(yīng)度準(zhǔn)則對(duì)原始規(guī)則進(jìn)行評(píng)價(jià)排序，最終實(shí)現(xiàn)盾構(gòu)機(jī)刀盤(pán)健康評(píng)估?；趶B門(mén)地鐵3號(hào)線(xiàn)某掘進(jìn)區(qū)間的實(shí)際工程數(shù)據(jù)對(duì)所提方法進(jìn)行了應(yīng)用驗(yàn)證。研究結(jié)果表明，所挖掘的知識(shí)規(guī)則與實(shí)際數(shù)據(jù)分布具有良好的吻合度（平均值93%以上），驗(yàn)證了該方法的有效性。

關(guān)鍵詞：盾構(gòu)機(jī)刀盤(pán)；健康評(píng)估；關(guān)聯(lián)規(guī)則；數(shù)據(jù)挖掘；知識(shí)挖掘

中圖分類(lèi)號(hào)：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(pán)系統(tǒng)是盾構(gòu)機(jī)實(shí)現(xiàn)破巖掘進(jìn)的核心部件。由于施工環(huán)境復(fù)雜惡劣，以及長(zhǎng)時(shí)間在低速、重載和動(dòng)態(tài)變工況條件下工作，刀具過(guò)度磨損與異常破壞成為盾構(gòu)機(jī)故障停機(jī)的最主要原因，也是盾構(gòu)安全高效掘進(jìn)最主要難題之一［1］。在盾構(gòu)施工過(guò)程中，對(duì)刀盤(pán)系統(tǒng)退化狀態(tài)進(jìn)行有效監(jiān)測(cè)評(píng)估，對(duì)提高盾構(gòu)機(jī)刀盤(pán)維護(hù)和盾構(gòu)掘進(jìn)效率、降低維修風(fēng)險(xiǎn)和成本都具有非常重大的意義和價(jià)值。

對(duì)于盾構(gòu)機(jī)刀具刀盤(pán)退化狀態(tài)分析，當(dāng)前國(guó)內(nèi)外的研究方法可分為直接檢測(cè)、磨損機(jī)理分析建模及數(shù)據(jù)驅(qū)動(dòng)建模三種。直接檢測(cè)法一般使用電氣、液壓、氣體等檢測(cè)裝置監(jiān)測(cè)刀具磨損狀態(tài)，按照測(cè)量結(jié)果可分為極限式和連續(xù)式兩種［2-3］。文獻(xiàn)［4］設(shè)計(jì)了一種基于電阻排式磨損傳感器的刮刀和撕裂刀實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，采用電阻變化原理通過(guò)電流值與磨損量的線(xiàn)性關(guān)系計(jì)算刀具磨損量。文獻(xiàn)［5］提出了一套基于電渦流傳感器的在線(xiàn)滾刀磨損測(cè)量系統(tǒng)，在實(shí)驗(yàn)室和實(shí)際工業(yè)現(xiàn)場(chǎng)的滾刀上進(jìn)行了應(yīng)用驗(yàn)證。使用傳感器直接測(cè)量刀具磨損量是一種非常直觀的方式。然而，實(shí)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(dòng)、高溫、巖石渣土、水壓等綜合載荷作用，同時(shí)受到傳感器安裝防護(hù)、安裝數(shù)量、數(shù)據(jù)傳輸方式的限制，現(xiàn)有直接檢測(cè)方法在實(shí)時(shí)檢測(cè)的準(zhǔn)確性和可靠性方面還有待進(jìn)一步提高。

磨損機(jī)理分析建模方法通過(guò)理論分析建立解析模型，預(yù)測(cè)刀具磨損量大小［6］。文獻(xiàn)［7］基于滾刀在掘進(jìn)過(guò)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(jī)運(yùn)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(cè)模型，并分別在均勻地層和復(fù)合地層中進(jìn)行了應(yīng)用驗(yàn)證。文獻(xiàn)［8］通過(guò)對(duì)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(cè)模型。然而，當(dāng)前磨損機(jī)理模型只能預(yù)測(cè)正面滾刀的均勻磨損，無(wú)法預(yù)測(cè)非均勻磨損（如斷裂、偏磨等），也無(wú)法預(yù)測(cè)因巖渣堆積造成的二次磨損。此外，由于實(shí)際地質(zhì)往往不均勻且持續(xù)動(dòng)態(tài)變化，理論模型與實(shí)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(shí)際應(yīng)用中預(yù)測(cè)誤差較大。

此外，地質(zhì)勘探與盾構(gòu)機(jī)數(shù)據(jù)采集與監(jiān)控（supervisory control and data acquisition， SCADA） 系統(tǒng)中存儲(chǔ)著大量掘進(jìn)線(xiàn)路地質(zhì)特性數(shù)據(jù)與盾構(gòu)機(jī)運(yùn)行數(shù)據(jù)，為基于數(shù)據(jù)驅(qū)動(dòng)的盾構(gòu)機(jī)性能預(yù)測(cè)研究提供了豐富的資源，近年來(lái)引起了學(xué)者的廣泛關(guān)注［9-12］。在盾構(gòu)機(jī)刀具刀盤(pán)退化評(píng)估和預(yù)測(cè)方面，亦有學(xué)者開(kāi)展了相關(guān)研究［13-14］。文獻(xiàn)［15］基于多個(gè)巖石隧道掘進(jìn)工程數(shù)據(jù)研究了巖石單軸抗壓強(qiáng)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(guò)數(shù)據(jù)回歸分析提出了滾刀磨損評(píng)價(jià)方法。文獻(xiàn)［16］通過(guò)提取反映刀盤(pán)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(jìn)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(jì)算得到刀盤(pán)健康指數(shù)。文獻(xiàn)［17］以刀盤(pán)推力、扭矩、滾刀安裝半徑、巖石單軸抗壓強(qiáng)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(cè)模型，并獲得了較高的精度。

基于數(shù)據(jù)驅(qū)動(dòng)的刀具刀盤(pán)磨損評(píng)估預(yù)測(cè)方法無(wú)需外加專(zhuān)用傳感器，而是借助地質(zhì)勘探數(shù)據(jù)與盾構(gòu)機(jī)本體實(shí)時(shí)測(cè)量數(shù)據(jù)進(jìn)行刀盤(pán)系統(tǒng)退化監(jiān)測(cè)評(píng)估建模，系統(tǒng)抗干擾性和實(shí)時(shí)性更強(qiáng)，具有廣闊的應(yīng)用前景。然而當(dāng)前研究大多基于專(zhuān)家經(jīng)驗(yàn)，只選擇少數(shù)經(jīng)驗(yàn)上與刀盤(pán)磨損退化相關(guān)的特征進(jìn)行分析，未充分挖掘利用盾構(gòu)機(jī)SCADA系統(tǒng)所采集的海量運(yùn)行數(shù)據(jù)的價(jià)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(guò)大數(shù)據(jù)分析提取顯性知識(shí)，以對(duì)傳統(tǒng)經(jīng)驗(yàn)知識(shí)進(jìn)行驗(yàn)證和擴(kuò)充來(lái)實(shí)現(xiàn)領(lǐng)域知識(shí)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(gè)事物中某些屬性同時(shí)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(shí)規(guī)則，因而在裝備狀態(tài)監(jiān)測(cè)與故障診斷領(lǐng)域也獲得了廣泛的應(yīng)用［19-22］。

本文通過(guò)深層次挖掘刀盤(pán)性能退化與盾構(gòu)機(jī)運(yùn)行狀態(tài)特征之間的非線(xiàn)性映射關(guān)系，提出一種關(guān)聯(lián)規(guī)則挖掘驅(qū)動(dòng)的盾構(gòu)機(jī)刀盤(pán)健康評(píng)估方法。根據(jù)盾構(gòu)機(jī)運(yùn)行原理，提出針對(duì)性的原始盾構(gòu)掘進(jìn)數(shù)據(jù)預(yù)處理方法；利用輕量級(jí)梯度提升機(jī)（light gradient boosting machine， LightGBM）算法對(duì)高維運(yùn)行參數(shù)進(jìn)行重要度評(píng)分，篩選得到對(duì)刀盤(pán)性能具有較高區(qū)分能力的特征子集；通過(guò)決策樹(shù)算法和分箱配合實(shí)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(zhǎng)（frequent pattern growth， FP-Growth）算法挖掘出關(guān)鍵特征與刀盤(pán)健康狀態(tài)之間的映射關(guān)系，并構(gòu)建綜合評(píng)價(jià)準(zhǔn)則對(duì)規(guī)則集合進(jìn)行評(píng)分排序；最后基于評(píng)分最優(yōu)的規(guī)則實(shí)現(xiàn)盾構(gòu)機(jī)刀盤(pán)的健康評(píng)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(xiàng)或數(shù)據(jù)項(xiàng)集之間統(tǒng)計(jì)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(xiàng)目的集合，T表示某個(gè)頻繁項(xiàng)集，由集合I中的k項(xiàng)組成，記作T={t1，t2，…，tk}。設(shè)A、B分別為頻繁項(xiàng)集T中的一個(gè)項(xiàng)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(xiàng)目，則會(huì)存在B項(xiàng)目。

頻繁項(xiàng)集T中的規(guī)則AB由支持度Dsup（support）和置信度Dcon（confidence）約束，計(jì)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(píng)價(jià)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(qiáng)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(guò)將數(shù)據(jù)集存儲(chǔ)在頻繁模式（frequent pattern，F(xiàn)P）樹(shù)上，再?gòu)闹型诰蝾l繁項(xiàng)集。相比于Apriori算法，F(xiàn)P-Growth算法只需要對(duì)數(shù)據(jù)庫(kù)進(jìn)行兩次掃描，而Apriori算法對(duì)每個(gè)潛在的頻繁項(xiàng)集都會(huì)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(duì)數(shù)據(jù)集的訪問(wèn)和讀取，執(zhí)行效率更高，并且FP-Growth算法用FP樹(shù)存儲(chǔ)數(shù)據(jù)可以減小存儲(chǔ)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(pán)健康評(píng)估

一個(gè)典型的知識(shí)挖掘過(guò)程通常包含三個(gè)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(pán)健康評(píng)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(píng)價(jià)三個(gè)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(duì)不同狀態(tài)下的原始數(shù)據(jù)進(jìn)行篩選以構(gòu)建分析建模數(shù)據(jù)包，按照刀具磨損測(cè)量維護(hù)記錄劃分不同的刀盤(pán)健康等級(jí)，篩選特征，并對(duì)連續(xù)數(shù)值特征進(jìn)行離散化。在關(guān)聯(lián)規(guī)則生成階段，將對(duì)篩選的特征和刀盤(pán)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(shí)別刀盤(pán)健康狀態(tài)的規(guī)則。然后，基于適應(yīng)度準(zhǔn)則對(duì)所生成的規(guī)則進(jìn)行評(píng)價(jià)排序。最后，經(jīng)過(guò)優(yōu)化后的關(guān)聯(lián)規(guī)則即可用于盾構(gòu)機(jī)刀盤(pán)的健康評(píng)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(gè)方面：剔除非掘進(jìn)狀態(tài)數(shù)據(jù)、地質(zhì)類(lèi)型分割、司機(jī)主控參數(shù)約束。盾構(gòu)機(jī)在掘進(jìn)過(guò)程中數(shù)據(jù)記錄是不間斷的，所采集的數(shù)據(jù)中同時(shí)包含掘進(jìn)狀態(tài)和非掘進(jìn)狀態(tài)（如拼裝、停機(jī)等），而非掘進(jìn)狀態(tài)下是沒(méi)有磨損發(fā)生的，故需要首先將非掘進(jìn)狀態(tài)下的數(shù)據(jù)剔除。篩選過(guò)后的數(shù)據(jù)全部處于掘進(jìn)狀態(tài)，雖然在時(shí)間上不連續(xù)，但在刀盤(pán)的性能退化上是連續(xù)的。基于盾構(gòu)機(jī)的工作機(jī)理，可將刀盤(pán)轉(zhuǎn)速和總推進(jìn)力同時(shí)大于零作為條件從而篩選出盾構(gòu)機(jī)處于掘進(jìn)狀態(tài)下的數(shù)據(jù)。

其次，盾構(gòu)機(jī)在掘進(jìn)過(guò)程中會(huì)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(pán)的受力情況會(huì)發(fā)生變化，表現(xiàn)在數(shù)據(jù)特征上也會(huì)有較大差異。地質(zhì)的不同不僅會(huì)影響刀具的磨損速率，也會(huì)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(duì)后續(xù)分析建模的影響，需要根據(jù)地質(zhì)情況對(duì)數(shù)據(jù)進(jìn)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(jī)運(yùn)行數(shù)據(jù)也受到司機(jī)掘進(jìn)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(jī)的控制參數(shù)保持在一定波動(dòng)區(qū)間內(nèi)。通過(guò)盾構(gòu)施工參數(shù)匹配分析，總推進(jìn)力可以綜合反映司機(jī)控制參數(shù)的影響，因而選取總推進(jìn)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(jìn)狀態(tài)下的數(shù)據(jù)，同時(shí)盡可能消除地質(zhì)和司機(jī)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(pán)健康等級(jí)劃分

關(guān)聯(lián)規(guī)則分析旨在挖掘出與刀盤(pán)健康狀態(tài)強(qiáng)相關(guān)的盾構(gòu)機(jī)運(yùn)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(jī)刀具磨損標(biāo)簽的獲得非常困難，只能依靠每次開(kāi)倉(cāng)換刀檢查的結(jié)果來(lái)評(píng)估刀盤(pán)健康狀態(tài)。在盾構(gòu)機(jī)掘進(jìn)過(guò)程中，刀具磨損不斷加劇，刀盤(pán)性能不斷退化，因而可以將刀盤(pán)健康狀態(tài)分為健康、輕度磨損、中度磨損、嚴(yán)重磨損四個(gè)等級(jí)。具體方法為依據(jù)領(lǐng)域?qū)＜医?jīng)驗(yàn)及刀盤(pán)機(jī)械結(jié)構(gòu)信息，根據(jù)每次開(kāi)倉(cāng)檢查后最終更換的刀具數(shù)量來(lái)判定，不同換刀數(shù)量區(qū)間對(duì)應(yīng)不同的刀盤(pán)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(wú)用的特征會(huì)對(duì)挖掘算法造成混淆，導(dǎo)致結(jié)果中出現(xiàn)不準(zhǔn)確或無(wú)用的知識(shí)；另一方面，過(guò)多的特征也會(huì)對(duì)計(jì)算效率造成負(fù)面影響，因此需要對(duì)原始特征進(jìn)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(jì)特征（如刀盤(pán)轉(zhuǎn)速設(shè)定、推進(jìn)壓力設(shè)定、掘進(jìn)距離、工作時(shí)間、電量總累計(jì)量等），這些特征與刀盤(pán)性能退化間沒(méi)有直接關(guān)系，需要手動(dòng)剔除；接下來(lái)利用嵌入式的特征篩選方法，從分類(lèi)的角度出發(fā)，使用機(jī)器學(xué)習(xí)算法進(jìn)行特征重要度排序，本研究使用了LightGBM算法［25］訓(xùn)練分類(lèi)模型，對(duì)四種刀盤(pán)健康狀態(tài)進(jìn)行分類(lèi)。LightGBM算法會(huì)統(tǒng)計(jì)所有迭代中每個(gè)特征的分裂對(duì)損失函數(shù)貢獻(xiàn)的總量，并以此為依據(jù)對(duì)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(duì)刀盤(pán)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(jìn)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(lèi)別特征。這是關(guān)聯(lián)規(guī)則挖掘中非常重要的一步，錯(cuò)誤選擇的劃分節(jié)點(diǎn)將導(dǎo)致知識(shí)挖掘過(guò)程變得沒(méi)有價(jià)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(duì)于有監(jiān)督問(wèn)題，一般采用基于熵的方法對(duì)數(shù)據(jù)進(jìn)行離散化，但大量離散節(jié)點(diǎn)信息熵的計(jì)算非常繁瑣耗時(shí)。為解決這一問(wèn)題，本研究采用決策樹(shù)與等距分箱結(jié)合的方法來(lái)實(shí)現(xiàn)特征離散化。決策樹(shù)在進(jìn)行特征劃分時(shí)，可自動(dòng)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(diǎn)。而等距分箱幾乎不需要耗費(fèi)時(shí)間，但它具有一定隨機(jī)性，很容易遺漏一些關(guān)鍵分割節(jié)點(diǎn)。決策樹(shù)的決策原則本身基于熵或基尼指數(shù)，因而利用決策樹(shù)與等距分箱共同進(jìn)行離散化可以平衡計(jì)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(shù)模型。在這個(gè)步驟中需限制決策樹(shù)的最大深度來(lái)避免過(guò)擬合。在有限的深度下訓(xùn)練完成的決策樹(shù)只包含部分特征，因此第二步是將已經(jīng)被決策樹(shù)劃分過(guò)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(shù)結(jié)構(gòu)非常復(fù)雜時(shí)就停止迭代。決策樹(shù)結(jié)構(gòu)的復(fù)雜度在一定程度上代表了訓(xùn)練特征對(duì)標(biāo)簽的分類(lèi)能力，復(fù)雜的樹(shù)結(jié)構(gòu)表示訓(xùn)練特征無(wú)法輕松地將數(shù)據(jù)分類(lèi)，使用這樣的結(jié)果容易造成過(guò)擬合。

離散化完成后將得到一系列類(lèi)別特征，同時(shí)與刀盤(pán)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(shí)，所生成的規(guī)則可被轉(zhuǎn)換回原始的格式并展示給用戶(hù)。

2.2 關(guān)聯(lián)規(guī)則生成

由于盾構(gòu)機(jī)運(yùn)行數(shù)據(jù)維數(shù)眾多，樣本數(shù)據(jù)量大，即使經(jīng)過(guò)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(kāi)展關(guān)聯(lián)規(guī)則挖掘會(huì)對(duì)算法的計(jì)算性能提出較高的要求，為此，本文使用擁有更高計(jì)算效率的FP-Growth算法進(jìn)行關(guān)聯(lián)規(guī)則的生成。

2.3 關(guān)聯(lián)規(guī)則評(píng)價(jià)

對(duì)于一條關(guān)聯(lián)規(guī)則，其評(píng)價(jià)標(biāo)準(zhǔn)主要取決于預(yù)測(cè)精度和可理解性。目前，衡量關(guān)聯(lián)規(guī)則預(yù)測(cè)精度的指標(biāo)是其置信度。然而實(shí)際應(yīng)用中僅使用置信度則無(wú)法保證所生成的規(guī)則對(duì)其他測(cè)試數(shù)據(jù)集的預(yù)測(cè)精度?；谏鲜龇治?，本研究使用適應(yīng)度值Vfit（fitness value）［27］來(lái)對(duì)生成的規(guī)則進(jìn)行評(píng)價(jià)。

適應(yīng)度值由三個(gè)獨(dú)立參數(shù)計(jì)算得到，分別是：可靠度Dre（reliability）、完整度Dcom（completeness）和簡(jiǎn)潔度Dsim（simplicity）?？煽慷群屯暾冗@兩個(gè)參數(shù)是根據(jù)混淆矩陣計(jì)算得到的，可用于描述規(guī)則的預(yù)測(cè)精度，如表1所示，其中NTP表示預(yù)測(cè)為正、同時(shí)真實(shí)結(jié)果也為正的樣本的個(gè)數(shù)（true positive， TP），NFP表示預(yù)測(cè)為正、真實(shí)結(jié)果為負(fù)的樣本的個(gè)數(shù)（false positive， FP），NFN表示預(yù)測(cè)為負(fù)、真實(shí)結(jié)果為正的樣本個(gè)數(shù)（false negative， FN），NTN表示預(yù)測(cè)為負(fù)、真實(shí)結(jié)果同樣為負(fù)的樣本個(gè)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(jì)算公式如下：

簡(jiǎn)潔度表示規(guī)則的簡(jiǎn)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(gè)數(shù)來(lái)表示，其計(jì)算公式如下：

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

綜合可靠度、完整度和簡(jiǎn)潔度，可得到適應(yīng)度值的計(jì)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(jiǎn)潔度。本研究中，ω1、ω2分別取0.7和0.3。

2.4 刀盤(pán)健康評(píng)估

對(duì)于一條測(cè)試記錄，刀盤(pán)健康評(píng)估的步驟如下：①挑選出所有滿(mǎn)足測(cè)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(jìn)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(pán)的健康狀態(tài)評(píng)估結(jié)果?；谠搩?yōu)選策略可避免一條測(cè)試記錄對(duì)應(yīng)多個(gè)狀態(tài)標(biāo)簽的不一致問(wèn)題，從而提高評(píng)估結(jié)果的準(zhǔn)確度與實(shí)用性。

3 應(yīng)用驗(yàn)證

本節(jié)以廈門(mén)地鐵3號(hào)線(xiàn)某施工區(qū)間的盾構(gòu)掘進(jìn)數(shù)據(jù)對(duì)本文所提出的盾構(gòu)機(jī)刀盤(pán)健康評(píng)估方法進(jìn)行驗(yàn)證。在該區(qū)間盾構(gòu)機(jī)掘進(jìn)長(zhǎng)度約500環(huán)，每環(huán)長(zhǎng)度為2 m。根據(jù)刀盤(pán)維修記錄，該區(qū)間共發(fā)生38次開(kāi)倉(cāng)換刀。本區(qū)間使用了土壓平衡式盾構(gòu)機(jī)，圖2所示為盾構(gòu)機(jī)刀盤(pán)布局，該布局為輻條+面板復(fù)合式結(jié)構(gòu)，開(kāi)口率為35%。刀盤(pán)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(pán)面板，是刀具磨損和破壞失效的主體。

圖3展示了掘進(jìn)線(xiàn)路的地質(zhì)分布，圖中百分比表示不同環(huán)號(hào)所對(duì)應(yīng)地層中不同巖石成分的百分占比，實(shí)曲線(xiàn)表示根據(jù)巖石成分百分比和不同巖石力學(xué)參數(shù)計(jì)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(qiáng)，刀具越容易磨損），虛豎線(xiàn)表示刀盤(pán)維修記錄顯示的開(kāi)倉(cāng)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(zhǎng)巖為主，該地層具有最強(qiáng)的磨蝕性，實(shí)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(zhǎng)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(xiǎn)較高的掘進(jìn)區(qū)間，因而人為增加了開(kāi)倉(cāng)檢查的次數(shù)。

盾構(gòu)機(jī)SCADA系統(tǒng)采集的數(shù)據(jù)共155維，主要包括推進(jìn)系統(tǒng)參數(shù)、刀盤(pán)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(cāng)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(lèi)型，其中微風(fēng)化花崗閃長(zhǎng)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(zhǎng)巖這一地質(zhì)類(lèi)型下的數(shù)據(jù)進(jìn)行分析示例，其他地質(zhì)類(lèi)型下的數(shù)據(jù)分析可采取相似步驟。

基于盾構(gòu)機(jī)的工作機(jī)理，以刀盤(pán)轉(zhuǎn)速和總推進(jìn)力同時(shí)大于零為條件篩選出盾構(gòu)機(jī)處于掘進(jìn)狀態(tài)下的數(shù)據(jù)，保證數(shù)據(jù)在刀盤(pán)磨損上的連續(xù)性。同時(shí)進(jìn)一步選取總推進(jìn)力處于10～20 kN之間的數(shù)據(jù)，以削弱司機(jī)掘進(jìn)控制參數(shù)設(shè)定的影響。

根據(jù)刀盤(pán)維修記錄，每次開(kāi)倉(cāng)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(diǎn)前后的一部分?jǐn)?shù)據(jù)，根據(jù)換刀數(shù)量將其分為四個(gè)健康等級(jí)，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(zhǎng)巖地層下的掘進(jìn)數(shù)據(jù)作為訓(xùn)練集，具體的健康等級(jí)劃分如表2所示。

根據(jù)機(jī)理知識(shí)，人工剔除一些與刀具磨損無(wú)關(guān)的特征，如累計(jì)量、時(shí)間、人工設(shè)定控制的參數(shù)等。接下來(lái)利用LightGBM算法對(duì)剩余特征進(jìn)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(chēng)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(shù)模型并可視化。第一次迭代的決策樹(shù)結(jié)構(gòu)如圖4所示，圖中顯示決策樹(shù)模型根據(jù)基尼指數(shù)對(duì)一部分特征先后進(jìn)行了劃分，并展示出了四個(gè)健康等級(jí)的分類(lèi)樣本數(shù)。其中X［1］對(duì)應(yīng)特征為左上鉸接位移，X［13］對(duì)應(yīng)特征為右中土倉(cāng)壓力，具體劃分節(jié)點(diǎn)如圖4所示，基于對(duì)應(yīng)分割點(diǎn)即可對(duì)相應(yīng)特征進(jìn)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(jìn)行第二次迭代建立新的決策樹(shù)并可視化，如圖5所示。

重復(fù)上述過(guò)程，得到第三次迭代建立的決策樹(shù)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(shù)結(jié)構(gòu)已經(jīng)略顯復(fù)雜，這是由于用于訓(xùn)練決策樹(shù)的特征對(duì)標(biāo)簽的區(qū)分性減弱，也是過(guò)擬合的表現(xiàn)，因此僅取本次迭代生成的決策樹(shù)的前兩層作為有效結(jié)果。

從三次迭代中可以看出，決策樹(shù)會(huì)優(yōu)先劃分對(duì)健康等級(jí)區(qū)分能力強(qiáng)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(lèi)精度就達(dá)到了要求，這種情況下就無(wú)法得到其他特征的分割節(jié)點(diǎn)。從特征子集中刪除已經(jīng)被劃分的特征就是強(qiáng)制決策樹(shù)去找到那些重要性相對(duì)較低的特征的分割點(diǎn)，但是，如果強(qiáng)制迭代多次就容易造成過(guò)擬合，因此本文只選取3次迭代。

本研究將每個(gè)特征離散化為四個(gè)區(qū)間，決策樹(shù)生成的劃分節(jié)點(diǎn)不能覆蓋所有的特征，因此采用等距分箱將余下的特征進(jìn)行離散化，所有20個(gè)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(píng)價(jià)

利用FP-Growth算法對(duì)特征離散化后的數(shù)據(jù)記錄進(jìn)行關(guān)聯(lián)規(guī)則挖掘，生成一系列規(guī)則。根據(jù)式（6）計(jì)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(jìn)行排列，表5展示了排名靠前的部分規(guī)則。

3.3 刀盤(pán)健康評(píng)估驗(yàn)證

由于整個(gè)分析過(guò)程在微風(fēng)化地質(zhì)下進(jìn)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(cè)試數(shù)據(jù)對(duì)結(jié)果進(jìn)行驗(yàn)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(jìn)行測(cè)試。根據(jù)刀具磨損測(cè)量與維護(hù)記錄，在第249環(huán)時(shí)共更換7把刀具，根據(jù)專(zhuān)家經(jīng)驗(yàn)可判定在刀具更換前的247～248環(huán)刀盤(pán)處于輕度磨損狀態(tài)；在第270環(huán)時(shí)共更換5把刀具，同樣根據(jù)專(zhuān)家經(jīng)驗(yàn)可判定在刀具更換前的268～269環(huán)，刀盤(pán)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(guò)分析對(duì)比，相關(guān)特征的取值區(qū)間與表5中規(guī)則1（{右中土倉(cāng)壓力1， 刀盤(pán)控制油壓檢測(cè)2， 刀盤(pán)磨損壓力2， 膨潤(rùn)土壓力1， 推進(jìn)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(pán)處于輕度磨損狀態(tài)，與專(zhuān)家經(jīng)驗(yàn)判定結(jié)論一致，從而驗(yàn)證了所建立規(guī)則的可信度。

基于本文所挖掘的所有知識(shí)規(guī)則可通過(guò)編制軟件方便施工現(xiàn)場(chǎng)應(yīng)用，當(dāng)?shù)侗P(pán)到達(dá)中度磨損或嚴(yán)重磨損時(shí)應(yīng)及時(shí)開(kāi)倉(cāng)進(jìn)行換刀維修。

4 結(jié)語(yǔ)

本文提出一種基于關(guān)聯(lián)規(guī)則挖掘的盾構(gòu)機(jī)刀盤(pán)健康評(píng)估方法，系統(tǒng)性地提出了針對(duì)性的盾構(gòu)掘進(jìn)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(píng)價(jià)方法，基于所抽取的規(guī)則可實(shí)現(xiàn)刀盤(pán)健康評(píng)估，克服傳統(tǒng)機(jī)理建模研究存在的與實(shí)際施工環(huán)境誤差較大和數(shù)據(jù)驅(qū)動(dòng)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(shí)積累。實(shí)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(mǎn)足工業(yè)現(xiàn)場(chǎng)應(yīng)用需求。

受實(shí)際工程限制，本文所抽取的規(guī)則是在微風(fēng)化花崗閃長(zhǎng)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(lái)可搜集其他地質(zhì)條件下的掘進(jìn)數(shù)據(jù)，采用本文所提出的技術(shù)路線(xiàn)進(jìn)行分析，擴(kuò)充刀盤(pán)健康評(píng)估的知識(shí)規(guī)則。

參考文獻(xiàn)：

［1］ 周建軍， 宋佳鵬， 譚忠盛. 砂卵石地層地鐵盾構(gòu)盤(pán)形滾刀磨蝕性研究［J］. 土木工程學(xué)報(bào)， 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(jìn)刀具磨損實(shí)時(shí)監(jiān)測(cè)技術(shù)及刀盤(pán)振動(dòng)監(jiān)測(cè)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(wú)線(xiàn)檢測(cè)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(jìn)機(jī)大數(shù)據(jù)研究進(jìn)展：數(shù)據(jù)挖掘助推隧道挖掘［J］. 機(jī)械工程學(xué)報(bào)， 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(gè)隧道掘進(jìn)機(jī)工程數(shù)據(jù)回歸分析的滾刀磨損評(píng)價(jià)方法［J］. 中國(guó)機(jī)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(dòng)模型的盾構(gòu)裝備刀盤(pán)健康評(píng)估［J］. 機(jī)械工程學(xué)報(bào)， 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(jìn)機(jī)故障診斷中的應(yīng)用［J］. 東北大學(xué)學(xué)報(bào) （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(shí)踐與認(rèn)識(shí)， 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.