一种基于机器学习的掘进机控制参数确定方法及其装置制造方法及图纸

本发明专利技术涉及掘进机工程施工领域，具体涉及一种基于机器学习的掘进机控制参数确定方法及其装置；包括以下过程：构建掘进机仿真系统；获取待仿真控制参数数据；将待仿真控制参数输入至仿真系统中进行循环，得到掘进仿真数据；对掘进仿真数据进行处理，提取每个循环的上升段和稳定段数据；确定CNN神经网络结构，基于所述输入参数特征和所述输出参数特征训练CNN神经网络，得到控制指令；将控制指令作为待仿真控制参数数据输入至仿真系统中进行循环和训练，直到得到满足预设条件的控制参数；本发明专利技术通过仿真数据作为训练数据导致的训练样本过少，模型准确度低的问题，达到了简单高效进行准确的控制参数优化的技术效果。准确的控制参数优化的技术效果。准确的控制参数优化的技术效果。

【技术实现步骤摘要】
一种基于机器学习的掘进机控制参数确定方法及其装置


[0001]本专利技术涉及掘进机工程施工领域，具体涉及一种基于机器学习的掘进机控制参数确定方法及其装置。

技术介绍

[0002]掘进机施工具有安全、高效、环保等优点，已经成为挖掘施工的首选工法。由于掘进机地质适应性较差，隧道掘进机掘进中的操控很大程度依赖于主司机的个人经验，在掘进过程中，对岩体设备状态变化感知不及时、决策不科学、掘进过程不经济且不高效等的问题普遍存在。在控制参数设置不当时，甚至可能造成严重的工程事故。推力和扭矩是隧道掘进机最重要的性能参数，同时也是限制隧道掘进机掘进的重要因素。预测隧道掘进机适当的控制参数下的性能参数，可为主司机的操作提供重要参考。
[0003]目前，众多学者、专家在岩体可掘性评价及隧道掘进机性能预测模型方面做了大量的研究工作。不同工程项目中隧道掘进机型号、设备参数的不同造成了单一模型难以在不同工程中通用的问题。迁移学习的方法能通过冻结部分参数的形式将已生成模型在小样本集数据上进行再训练，能够有效避免小样本集上训练新模型带来的过拟合问题。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的掘进机控制参数确定方法，其特征在于，包括以下过程：构建掘进机仿真系统；获取待仿真控制参数数据；将所述待仿真控制参数输入至仿真系统中进行循环，得到掘进仿真数据；对掘进仿真数据进行处理，提取每个循环的上升段和稳定段数据；基于所述上升段和所述稳定段确定输入参数特征和输出参数特征；确定CNN神经网络结构，基于所述输入参数特征和所述输出参数特征训练CNN神经网络，得到控制指令；将所述控制指令作为待仿真控制参数数据输入至仿真系统中进行循环和训练，直到得到满足预设条件的控制参数。2.根据权利要求1所述的基于机器学习的掘进机控制参数确定方法，其特征在于，所述掘进仿真数据包括系统内部运行环境数据和系统外部运行环境数据中的至少一种。3.根据权利要求2所述的基于机器学习的掘进机控制参数确定方法，其特征在于，所述系统内部运行环境数据包括：推进速度、刀盘转速、推进速度预设值、刀盘转速预设值、刀盘贯入度、单刀推力、单刀滚动力和刀盘功率中的至少一种；所述系统外部运行环境数据包括：岩石可掘性指标和岩石可切削性指标中的至少一种。4.根据权利要求3所述的基于机器学习的掘进机控制参数确定方法，其特征在于，对掘进仿真数据进行处理包括：确定循环上升段及稳定段数据；对所述稳定段数据进行异常值剔除；对所述稳定段数据进行中值滤波处理；对所述异常值剔除、中值滤波处理后的稳定段数据进行编码处理；得到标准化的上升段数据和稳定段数据。5.根据权利要求1所述的基于机器学习的掘进机控制参数确定方法，其特征在于，所述CNN神经网络包括全连接层I、全连接层II，对全连接层I、全连接层II进行拼接得到全连接层Ⅲ。6.根据权利要求5所述的基于机器学习的掘进机控制参数确定方法，其特征在于，所述基于所述输入参数特征和所述输出参数特征训练CNN神经网络，得到控制指令，包括：对所述输入参数特征和输出参数...

【专利技术属性】
技术研发人员：庄奎斌，刘波，赵立奇，赵红昌，
申请(专利权)人：山东拓新电气有限公司，
类型：发明
国别省市：