【技术实现步骤摘要】
基于混合深度学习的盾构掘进位姿智能预测方法及系统
本专利技术属于地铁盾构施工领域，更具体地，涉及一种基于混合深度学习的盾构掘进位姿智能预测方法及系统。
技术介绍
盾构法是修建地铁工程的主要工法。在盾构工法施工过程中，主要有失稳、失效、失准等三个问题。其中，地铁盾构失准问题对工程的施工质量、进度、成本和安全会造成全方位的影响。失准，主要表现为盾构位姿失准，即盾构掘进方向偏离设计轴线，导致隧道贯通误差以及管片拼装质量较差。盾构位姿失准一方面会形成隧道成型轴线偏差，引起隧道贯通误差，对未来的地铁运营造成安全隐患；另一方面，盾构位姿不良也会引发隧道管片拼装的难题，极易产生管片错台、破损，渗漏等隧道质量问题。因此，盾构位姿控制是解决盾构位姿失准问题的关键。盾构位姿控制系统是一个典型闭环控制系统，其控制过程为：工程师提前将隧道设计轴线的数据输入盾构导向系统，然后通过地面控制网测量和联系测量，为盾构机和隧道设计轴线建立统一的大地坐标系，再通过盾构位姿测量系统得到当前盾构机与设计轴线的位姿偏差数据，由盾构机驾驶员读取偏差数据，经判断、分析后下达控制指令，操作盾构机位姿控制执行机构...
【技术保护点】
1.一种基于混合深度学习的盾构掘进位姿智能预测方法，其特征在于，包括模型训练阶段和位姿预测阶段，其中：所述模型预训练阶段基于混合深度学习模型WCNN‑LSTM进行，包括：步骤1：数据确定及采集：1.1、确定WCNN‑LSTM的输入参数和输出参数：将掘进速度、渗透率、刀盘扭矩、总推力、刀盘转速、刀盘电流、刀盘总扭矩、总挤压力、实际开挖量、刀盘驱动总电流、刀盘位置、推进油缸行程初始值、推进油缸推力、刀盘伸缩油缸行程、排泥体积流量以及膨润土进口流量作为预测模型输入变量；将盾尾水平偏差、盾尾垂直偏差、盾头水平偏差、盾头垂直偏差、偏航角和俯仰角作为预测模型的六个输出变量，用于表征盾构...
【技术特征摘要】
1.一种基于混合深度学习的盾构掘进位姿智能预测方法，其特征在于，包括模型训练阶段和位姿预测阶段，其中：所述模型预训练阶段基于混合深度学习模型WCNN-LSTM进行，包括：步骤1：数据确定及采集：1.1、确定WCNN-LSTM的输入参数和输出参数：将掘进速度、渗透率、刀盘扭矩、总推力、刀盘转速、刀盘电流、刀盘总扭矩、总挤压力、实际开挖量、刀盘驱动总电流、刀盘位置、推进油缸行程初始值、推进油缸推力、刀盘伸缩油缸行程、排泥体积流量以及膨润土进口流量作为预测模型输入变量；将盾尾水平偏差、盾尾垂直偏差、盾头水平偏差、盾头垂直偏差、偏航角和俯仰角作为预测模型的六个输出变量，用于表征盾构机位姿；1.2、假设当前时刻为t，按照指定时间间隔采集t到t-n时刻的盾构运行数据包括步骤1.1确定的输入参数和输出参数，从中选择连续无缺失且数据完备的环的数据作为训练样本，将训练样本分为训练集和测试集，n为正整数；步骤2：将训练集中的输入参数输入WCNN-LSTM进行训练；步骤3：利用测试集的输入参数和输出参数对训练好的WCNN-LSTM进行测试，并将实际输出的参数与测试集的输出参数进行偏差比较，若偏差超出预设范围，则调整WCNN-LSTM的内参并返回步骤3；若偏差在预设范围内，训练完毕，得到基于WCNN-LSTM的盾构掘进位姿预测模型。所述位姿预测阶段包括：步骤4：将t+j时刻或者t+1至t+j时间段对应的输入变量，输入盾构掘进位姿预测模型，得到对应的t+j时刻或者t+1至t+j时间段内的表征盾构机位姿的六个输出变量的预测值，即盾构机位姿预测值。2.如权利要求1所述的一种基于混合深度学习的盾构掘进位姿智能预测方法，其特征在于，还包括如下基于事前控制的盾构位姿纠偏阶段：步骤5：计算t+j时刻或者t+1至t+j时间段内的盾构机位姿预测值与设计值的偏差，若偏差超出允许范围，则提前调整t+j时刻或者t+1至t+j时间段内施加在盾构机上的控制量，操作盾构机进行位姿调整，实现在盾构掘进尚未失准前预先完成纠偏操作。3.如权利要求2所述的一种基于混合深度学习的盾构掘进位姿智能预测方法，其特征在于，步骤5中的位姿调整过程如下：步骤5.1：根据t+j时刻下或者t+1至t+j时间段内盾构位姿预测值与设计值的偏差，计算相应时刻需要施加在盾构机上的控制量，并根据该控制量修正盾构机的控制信号；步骤5.2：根据修正后的控制信号，在盾构机运行至下一个采样时刻时，调整盾构机位姿，获得盾构机调整后的位姿的实际观测值；重新采样并根据采样得到的输入变量进行位姿预测，得到该采样...
【专利技术属性】
技术研发人员：周诚，骆汉宾，吴惠明，魏林春，王志华，许恒诚，陈睿，
申请(专利权)人：华中科技大学，上海隧道工程有限公司，
类型：发明
国别省市：湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。