基于特征分组与集成神经网络的盾构机掘进参数预测方法技术

本发明专利技术公开了一种基于特征分组与集成神经网络的盾构机掘进参数预测方法，具有这样的特征，包括以下步骤：步骤1，获取泥水盾构PLC系统采集的数据，并对其进行预处理；步骤2，基于预处理后的数据，采用预定分析方法进行特征重要性分析；步骤3，根据特征重要性分析的结果，设定分组大小并对特征进行分组，并将预处理后的数据按照一定比例划分成训练集数据和测试集数据；步骤4，将每个分组对应的数据分别输入不同的神经网络结构中，并将多个神经网络结构的输出作为一个多元线性回归模型的输入，基于训练集数据对整个多元线性回归模型进行训练，得到参数预测模型；步骤5，在测试集数据上进行参数预测模型的评估。参数预测模型的评估。参数预测模型的评估。

【技术实现步骤摘要】
基于特征分组与集成神经网络的盾构机掘进参数预测方法


[0001]本专利技术涉及计算机人工智能神经网络技术在土木工程领域的应用，具体涉及一种基于特征分组与集成神经网络的盾构机掘进参数预测方法。

技术介绍

[0002]在泥水盾构掘进过程中，利用PLC(可编程的逻辑控制)系统采集到的历史数据对未来的参数变化进行预测，能够为参数的异常分析与调节提供依据。现有的对掘进参数进行预测的方法可分为四类：基于理论公式、基于大数据统计分析、基于软件可视化建模和基于机器学习的。基于理论公式的方法无法追踪实际数据的变化；大数据统计考虑的分析对象往往有限；基于软件可视化建模的方法也是基于有限的某几个指标进行建模，且无法适用于数据实时变化的情况；基于机器学习的预测方法，如基于随机森林、反馈神经网络、长短记忆神经网络等，均取得了很好的效果，能够基于历史数据进行学习从而对观察对象的未来值进行预测。
[0003]现已有很多机器学习算法被用来构建掘进参数预测模型。通常来说，PLC系统采集到的掘进参数往往有上百个，对目标观测值有重要影响的可能就几个，弱影响因子或不相关影响因子数量较多。这些弱影响因子或者不相关影响因子一方面有可能会对强影响因子的预测效果产生干扰，另一方面也能对强影响因子的预测结果进行微调。因此对参数按照重要性进行分组与利用显得尤为重要。

技术实现思路

[0004]本专利技术是为了解决上述问题而进行的，目的在于提供一种基于特征分组与集成神经网络的盾构机掘进参数预测方法。
[0005]本专利技术提供了一种基于特征分组与集成神经网络的盾构机掘进参数预测方法，具有这样的特征，包括以下步骤：步骤1，获取泥水盾构PLC系统采集的数据，并对其分别进行空值处理、异常值处理、特征值提取以及数据标准化，得到预处理后的数据；步骤2，基于预处理后的数据，采用预定分析方法进行特征重要性分析，计算预处理后的数据中的各个参数同目标参数之间的关联强度；步骤3，根据特征重要性分析的结果，设定分组大小并对特征进行分组，并将预处理后的数据按照一定比例划分成训练集数据和测试集数据；步骤4，将每个分组对应的数据分别输入不同的神经网络结构中，并将多个神经网络结构的输出作为一个多元线性回归模型的输入，基于训练集数据对整个多元线性回归模型进行训练，得到参数预测模型；步骤5，在测试集数据上计算预测值和真实值的平均绝对误差、均方根误差以及判定系数，进行参数预测模型的评估。
[0006]在本专利技术提供的基于特征分组与集成神经网络的盾构机掘进参数预测方法中，还可以具有这样的特征：其中，步骤1中，数据预处理过程包括以下子步骤：步骤1
‑
1，对泥水盾构PLC系统采集的数据中的空值进行处理，采用直接删除法删除空值所在时刻的所有特征参数值；步骤1
‑
2，进行异常值处理，结合掘进过程中某些特征参数值的限定范围和3σ准则
对异常值进行判断，采用直接删除法删除异常值所在时刻的所有特征参数值；步骤1
‑
3，对时序的特征参数数据按一定时间窗口长度进行划分，计算每一个时间窗口内各个特征参数值的均值作为特征值；步骤1
‑
4，采用z
‑
score方法对特征值进行标准化。
[0007]在本专利技术提供的基于特征分组与集成神经网络的盾构机掘进参数预测方法中，还可以具有这样的特征：其中，步骤2中，预定分析方法为皮尔逊相关系数分析方法。
[0008]在本专利技术提供的基于特征分组与集成神经网络的盾构机掘进参数预测方法中，还可以具有这样的特征：其中，步骤3中，一定比例为9:1。
[0009]在本专利技术提供的基于特征分组与集成神经网络的盾构机掘进参数预测方法中，还可以具有这样的特征：其中，步骤5中，模型评估时，平均绝对误差和均方根误差的值越小、判定系数的值越大，说明模型的拟合效果越好，预测准确率越高。
[0010]专利技术的作用与效果
[0011]根据本专利技术所涉及的基于特征分组与集成神经网络的盾构机掘进参数预测方法，首先获取泥水盾构PLC系统采集的数据，并对其分别进行空值处理、异常值处理、特征值提取以及数据标准化，得到预处理后的数据；然后基于预处理后的数据，采用预定分析方法进行特征重要性分析，计算预处理后的数据中的各个参数同目标参数之间的关联强度；然后根据特征重要性分析的结果，设定分组大小并对特征进行分组，并将预处理后的数据按照一定比例划分成训练集数据和测试集数据；然后将每个分组对应的数据分别输入不同的神经网络结构中，并将多个神经网络结构的输出作为一个多元线性回归模型的输入，基于训练集数据对整个多元线性回归模型进行训练，得到参数预测模型；最后在测试集数据上计算预测值和真实值的平均绝对误差、均方根误差以及判定系数，进行参数预测模型的评估。
[0012]上述过程针对泥水盾构掘进过程中的参数预测任务，将非重要特征和重要特征分组分别输入单独的神经网络结构中，最后通过一个多元回归线性模型对所有输出进行集成，一方面能够对基于不同影响程度的特征数据进行拟合的过程进行隔离，避免弱特征对强特征预测效果的影响，另一方面也考虑了弱特征对预测目标的影响。
[0013]此外，当实际掘进参数较多时，本专利技术的基于特征分组与集成神经网络的盾构机掘进参数预测方法能够综合考虑众多参数对预测目标的影响，在泥水盾构掘进过程中为操作人员提供更为全面和准确的分析与预测结果，辅助施工过程中的参数调节。
附图说明
[0014]图1是本专利技术的实施例中基于特征分组与集成神经网络的盾构机掘进参数预测方法流程图；
[0015]图2是本专利技术的实施例中基于皮尔逊相关系数的特征重要性分析结果图；
[0016]图3是本专利技术的实施例中多元线性回归模型架构图；以及
[0017]图4是本专利技术的实施例中在测试集上预测值与真实值的拟合结果图。
具体实施方式
[0018]为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本专利技术一种基于特征分组与集成神经网络的盾构机掘进参数预测方法作具体阐述。
[0019]在本实施例中，提供了一种基于特征分组与集成神经网络的盾构机掘进参数预测方法。
[0020]本实施例基于珠三角水资源配置工程5～6号井2021年六月至2021年八月之间采集到的数据展开。通过数据接口获取PLC系统采集的数据，每两条数据之间的间隔是5秒。在本实施例中，选取刀盘扭矩作为预测目标，排除掉表征时间信息、采集系统状态信息和固定设定值之外的参数，得到的特征参数共18个，包括：刀盘总挤压力、刀盘实际功率、刀盘旋转功率、总推进力、推进速度、刀盘转速、贯入度、进浆流量、出浆流量、进浆密度、出浆密度、泥浆液位值、气垫仓压力、泥水仓顶部压力、泥水仓轴部压力、总注浆量、滚动角、俯仰角。
[0021]图1是本实施例中基于特征分组与集成神经网络的盾构机掘进参数预测方法流程图。
[0022]如图1所示，本实施例所涉及的基于特征分组与集成神经网络的盾构机掘进参数预测方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征分组与集成神经网络的盾构机掘进参数预测方法，其特征在于，包括以下步骤：步骤1，获取泥水盾构PLC系统采集的数据，并对其分别进行空值处理、异常值处理、特征值提取以及数据标准化，得到预处理后的数据；步骤2，基于所述预处理后的数据，采用预定分析方法进行特征重要性分析，计算所述预处理后的数据中的各个参数同目标参数之间的关联强度；步骤3，根据所述特征重要性分析的结果，设定分组大小并对特征进行分组，并将所述预处理后的数据按照一定比例划分成训练集数据和测试集数据；步骤4，将每个分组对应的数据分别输入不同的神经网络结构中，并将多个所述神经网络结构的输出作为一个多元线性回归模型的输入，基于所述训练集数据对整个所述多元线性回归模型进行训练，得到参数预测模型；步骤5，在所述测试集数据上计算预测值和真实值的平均绝对误差、均方根误差以及判定系数，进行所述参数预测模型的评估。2.根据权利要求1所述的一种基于特征分组与集成神经网络的盾构机掘进参数预测方法，其特征在于：其中，步骤1中，数据预处理过程包括以下子步骤：步骤1
‑
1，对泥水盾构PLC系统采集的数据中的空值进行处...

【专利技术属性】
技术研发人员：李旭辉，杜庆峰，何调林，张双俐，李晓军，赵思成，
申请(专利权)人：同济大学，
类型：发明
国别省市：