【技术实现步骤摘要】
盾构掘进过程各阶段数据自动分离方法及计算机可读介质
[0001]本专利技术涉及无人化盾构施工
，尤其是涉及一种盾构掘进过程各阶段数据自动分离方法及计算机可读介质。
技术介绍
[0002]盾构施工正朝着从人工操控到无人驾驶的智能化方向发展，其中掘进参数的自主决策是极其重要的部分，为此大量学者利用机器学习算法针对收集到的数据进行了模型训练并尝试实现掘进参数的自主推荐。其中，用于机器学习模型训练的数据是针对盾构机平稳阶段数据进行的，因此上升段、平稳段、下降段数据的分离与提取是极其重要的。
[0003]现有技术中针对盾构掘进参数分离的研究不断进行，如中国专利CN110110419A中公开了一种基于多目标学习的TBM掘进参数预测方法，该方法通过TBM智能数据采集系统获取TBM掘进参数的原始数据，对采集的TBM掘进参数进行降噪和增强处理，获取循环上升段和稳定段数据，利用人工智能算法有效表征上升段TBM特征指标与稳定段多目标变量之间的非线性映射关系，建立基于多目标学习的岩机作用模型。中国专利CN110852423A公开了一种...
【技术保护点】
【技术特征摘要】
1.一种盾构掘进过程各阶段数据自动分离方法，其特征在于，所述的数据分离方法包括：步骤1：获取掘进参数数据；步骤2：对步骤1中获取的数据根据核心掘进参数提取掘进状态数据；步骤3：在步骤2提取的数据中判断相邻数据的时间节点是否连续，并根据不连续时间节点将数据划分为初始的各掘进循环段；步骤4：对步骤3中的数据进行平滑处理；步骤5：对步骤4中的数据各掘进阶段分别计算极小峰值点，根据极小峰值点将数据分割形成单掘进循环段；步骤6：计算单掘进循环段的极大峰值点，并根据第一个极大峰值点将数据分割为上升段数据和平稳掘进段数据分割点；步骤7：对数据进行分段线性拟合计算斜率，并根据斜率正负的变化点作为平稳掘进段、下降段的分割点，实现平稳段和下降段的分离；步骤8：获得分离后的上升段、平稳掘进段和下降段数据。2.根据权利要求1所述的一种盾构掘进过程各阶段数据自动分离方法，其特征在于，所述的步骤1获取的掘进参数数据包括盾构机刀盘转速、刀盘扭矩、推进速度和总推进力。3.根据权利要求1所述的一种盾构掘进过程各阶段数据自动分离方法，其特征在于，所述的步骤2具体为：通过盾构机刀盘转速、刀盘扭矩、推进速度和总推进力这四个参数同时大于零来识别掘进状态时的数据，即提取盾构机刀盘转速、刀盘扭矩、推进速度和总推进力同时大于零的数据。4.根据权利要求1所述的一种盾构掘进过程各阶段数据自动分离方法，其特征在于，所述的步骤4利用移动窗口平滑多项式对数据进行平滑处理，具体步骤为：步骤4
‑
1：给定窗口宽度w、拟合多项式n的阈值；步骤4
‑
2：从起始位置划定窗口宽度为w的数据，利用最小二乘法对上述数据进行n次多项式的拟合获得拟合函数，并利用拟合函数重新计算窗口中心位置的取值代替原数据；步骤4
‑
3：将窗口向后移动，重复步骤4
‑
2，即不断更新窗口中心处的取值，直到窗口到达最后位置。5.根据权利要求1所述的一种盾构掘进过程各阶段数据自动分离方法，其特征在于，所述的步骤5具体为：步骤5
‑
1：将步骤4处理后的数据乘以
‑
1，然后识别极大值点，具体方法为：通过比较邻近的三个点的大小判断，若某个点取值同时大于相邻的前后点的取值，则该点为极大值点，判断公式为：T(i
‑
1)＜T(i)＞T(i+1)其中，T(i)表示第i个点，T(i
‑
1)表示第i
‑
1个点，T(i+1)表示第i+1个点；步骤5
‑
2：筛选极大峰值点，具体方法为：预设峰突起度p、峰宽W和峰之间的距离d的阈值，计算步骤5
‑
1中各极大值点处的峰突起度p、峰宽W和峰之间的距离d，当峰突起度p、峰宽W和峰之间的距离d均满足阈值要求时，则将该极大值点判断为极大峰值点；<...
【专利技术属性】
技术研发人员：王伯芝，门燕青，刘凤洲，陈文明，邢慧堂，刘学增，谢浩，丁爽，黄永亮，桑运龙，师刚，
申请(专利权)人：上海同岩土木工程科技股份有限公司山东轨道交通研究院有限公司，
类型：发明
国别省市：
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。