基于局部Fisher土层识别的盾构掘进参数控制方法技术

本发明专利技术提供一种基于局部Fisher土层识别的盾构掘进参数控制方法，涉及盾构掘进参数控制技术领域，其包括以下步骤：S1：收集施工现场的盾构掘进参数数据；S2：通过局部Fisher判别方法对掘进参数进行多模态分析；S3：将分析完的掘进参数通过BP神经网络模型预测以及优化不同地层下盾构掘进参数。本发明专利技术对于施工现场提供的盾构掘进数据也能实时识别土层，从而选择合理的盾构掘进参数，提高了盾构施工的安全性。性。性。

【技术实现步骤摘要】
基于局部Fisher土层识别的盾构掘进参数控制方法


[0001]本专利技术涉及盾构掘进参数控制
，具体涉及一种基于局部Fisher土层识别的盾构掘进参数控制方法。

技术介绍

[0002]盾构掘进参数主要涉及总推力、刀盘扭矩、刀盘转速、刀盘贯入度、掘进速度和土仓压力等。掘进参数的优化将提高掘进效率、减少刀盘刀具的磨损，同时还可以有效的避免因盾构参数的不合理导致的地表沉降现象。盾构掘进参数也受地层地质的影响，不同地层条件下的掘进参数也应该做出相应的调整。目前掘进参数预测控制方法主要是建立数学模型，基于模型试验或现场监测数据建立各掘进参数间数学预测模型，针对性较强。BP(back propagation)神经网络利用其非线性映射能力优势，能够较好建立起各个掘进参数之间的非线性关系。
[0003]但BP(back propagation)神经网络对掘进参数的预测缺少全面性，盾构施工环境多为复合地层，复合地层下掘进参数之间的关联性也会有所不同。因此需要先通过局部Fisher判别法，通过计算训练数据的局部类内和类间离散度矩阵，寻找LFDA(Local Fisher discriminant analysis)的投影方向。再把训练数据和测试数据向投影向量上投影，提取特征向量；最后计算特征向量间的欧氏距离，并运用KNN(K
‑
NearestNeighbor)分类器对盾构掘进参数进行分类，从而达到对土层的识别。局部Fisher判别法具有实时性，可以在线直接通过掘进参数判别土层性质，更好地为盾构掘进提供施工指导。

技术实现思路

[0004]本专利技术目的在于提供一种基于局部Fisher判别盾构掘进参数的土层识别方法，该方法结合BP神经网络预测可以优化掘进参数的预测，使得掘进参数的范围更为精准。
[0005]本说明书实施例之一提供一种基于局部Fisher土层识别的盾构掘进参数控制方法，包括以下步骤：
[0006]S1：收集施工现场的盾构掘进参数数据；
[0007]S2：通过局部Fisher判别方法对掘进参数进行多模态分析，实时识别土层；
[0008]S3：将分析完的掘进参数通过BP神经网络模型预测以及优化不同地层下盾构掘进参数。
[0009]进一步地，所述的步骤S2具体包括:
[0010]S21：收集施工现场传输的掘进参数数据，通过z
‑
score对数据进行归一化处理；
[0011]S22：将处理后的80％的数据作为建模数据的训练集，通过计算训练掘进参数数据的局部类内和类间离散度矩阵，寻找LFDA的投影方向，把训练数据和测试数据向投影向量上投影，提取特征向量，最后计算特征向量间的欧氏距离，通过使用KNN分类器进行分类；
[0012]S23：通过模态的识别、特征值的提取，识别不同掘进参数下土层性质，从而将盾构掘进参数按照土层性质进行归类，再通过BP神经网络对不同地层下的盾构掘进参数进行预
测和控制。
[0013]进一步地，所述的步骤S1中，掘进参数包括刀盘扭矩、刀盘转速、推进行程上、推进行程下、推进行程左、推进行程右、推进速度上、推进速度下、推进速度左、推进速度右、正面土压力上、正面土压力下、正面土压力左、正面土压力右以及掘进速度。
[0014]进一步地，所述的z
‑
score对数据进行归一化处理，去除极端值，减少极端值对平均值产生的影响，提高土层识别能力。
[0015]进一步地，所述的LFDA特征提取，本质上为对盾构掘进参数进行模态分类与识别，包括数据采集、预处理、特征提取、状态识别与分类决策四个环节。通过获取数据类的广义特征值使得不同类间的可分离性达到最大的同时保留类内最小扩散且通过基于距离的加权矩阵有效地保留每一种土层的局部多模态性质。
[0016]进一步地，所述的KNN分类器，取不同性质土层下的盾构掘进参数作为训练数据，通过LFDA方法提取最优鉴别矢量，通过投影得到各类数据在最优鉴别矢量方向上的特征向量。将测试数据集内的各类数据，分别向最优鉴别矢量的方向投影，最后选择基于距离方法的分离器实现土层识别。
[0017]本专利技术由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果:
[0018]本专利技术通过局部Fisher算法及KNN分类器，减小投影特征的盾构掘进参数之间的类内离散度和提高不同土层下盾构掘进参数间的离散度，从而更好地对盾构掘进参数模态识别，提升了起到土层识别的功能。同时，LFDA方法更好地解决了盾构参数的多模态问题，多个土层下的掘进参数的样本几乎可以完全分开，对于复合土层来说也能很好的识别，对于施工现场提供的盾构掘进数据也能及时识别土层，从而选择合理的盾构掘进参数。
[0019]本专利技术的有益效果至少包括：
[0020]1、本专利技术在基于局部Fisher判别方法对盾构施工的土层进行识别后，再运用BP神经网络对不同土层性质下的盾构掘进参数的安全范围进行预测和控制，相对于仅通过回归模型对施工现场的掘进参数进行分析能更为精准；
[0021]2、本专利技术不仅对现有施工现场的土层进行识别，同时能通过实时的盾构掘进参数识别土层，同时对掘进参数进行预测与优化，能够更好地控制盾构掘进参数的安全范围，减少因对掘进参数控制不当而造成地表沉降。
附图说明
[0022]图1为本专利技术的一种基于局部Fisher土层识别的盾构掘进参数控制方法的流程示意图；
[0023]图2为本专利技术的一种基于局部Fisher土层识别的盾构掘进参数控制方法用于展示基于LFDA
‑
KNN算法对土层识别的流程示意图；
[0024]图3为本专利技术的一种基于局部Fisher土层识别的盾构掘进参数控制方法用于展示土层识别过程的流程示意图；
[0025]图4为本专利技术的一种基于局部Fisher土层识别的盾构掘进参数控制方法用于展示土层识别的结果的流程示意图。
具体实施方式
[0026]下面结合附图进一步详细描述本专利技术的技术方案，但本专利技术的保护范围不局限于以下。
[0027]本专利技术主要是在地铁盾构施工过程中，收集盾构施工期间收集到的盾构掘进参数数据，通过z
‑
score对数据进行归一化预处理，然后将处理后的数据通过局部Fisher判别方法对盾构掘进参数进行多模态分析，将盾构掘进参数进行分类，从而识别不同土层下的盾构掘进参数。最后通过BP神经网络对不同土层性质下的盾构掘进参数进行预测，从而总结盾构掘进参数的安全数值范围，优化盾构掘进参数，提高盾构施工安全。以下结合附图对本专利技术的具体基于土层识别的盾构掘进参数控制过程进行说明。
[0028]参见图1、3，本专利技术的盾构机监控管理方法主要包括以下步骤：
[0029](1)首先，需采集盾构施工现场的盾构掘进参数数据，掘进参数包括刀盘扭矩、刀盘转速、推进行程上、推进行程下、推进行程左、推进行程右、推进速度上、推进速度下、推进速度左、推进速度右、正面土本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部Fisher土层识别的盾构掘进参数控制方法，其特征在于，包括：收集施工现场的盾构掘进参数数据；对所述盾构掘进参数数据进行多模态分析，实时识别土层；使用BP神经网络模型基于分析后的所述盾构掘进参数数据预测不同地层下盾构掘进参数并优化所述不同地层下盾构掘进参数。2.根据权利要求1所述的基于局部Fisher土层识别的盾构掘进参数控制方法，其特征在于，所述盾构掘进参数数据包括刀盘扭矩、刀盘转速、推进行程上、推进行程下、推进行程左、推进行程右、推进速度上、推进速度下、推进速度左、推进速度右、正面土压力上、正面土压力下、正面土压力左、正面土压力右以及掘进速度中的至少一种。3.根据权利要求1所述的基于局部Fisher土层识别的盾构掘进参数控制方法，其特征在于，所述对所述盾构掘进参数数据进行多模态分析，实时识别土层具体包括：对所述盾构掘进参数数据进行预处理；对处理后的所述盾构掘进参数数据进行特征提取；基于所述盾构掘进参数数据的特征对所述盾构掘进参数数据进行分类。4.根据权利要求3所述的基于局部Fisher土层识别的盾构掘进参数控制方法，其特征在于，所述对所述盾构掘进参数数据进行预处理包括对所述盾构掘进参数数据进行进行归一化处理。5.根据权利要求4所述的基于局部Fisher土层识别的盾构掘进参数控制方法，其特征在于，所述对所述盾构掘进参数数据进行归一化处理包括：通过z
‑
score对所述盾构掘进参数数据进行归一化处理，去除...

【专利技术属性】
技术研发人员：刘雪桦，万衡，潘志群，刘虎，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：