一种基于深度神经网络的盾构掘进姿态预测方法技术

本发明专利技术属于盾构掘进技术领域，具体涉及一种基于深度神经网络的盾构掘进姿态预测方法；本发明专利技术针对盾构掘进姿态预测难、人工决策效率低等问题，综合使用了小波变换降噪以及深度学习的方法，确定了盾构姿态多种相关参数的集合构建，实现了对未来时刻盾构姿态参数的预测。本发明专利技术建立的盾构掘进姿态预测模型，能够有效的降低施工数据中噪声的影响，并且在面对海量、高维数据对象时，依旧能够保持良好的预测效果；将本发明专利技术运用到盾构项目中，通过对盾构姿态参数的预测，可以辅助现场操作人员判断盾构掘进姿态，进而及时调整操作规避姿态异常的风险。风险。风险。

【技术实现步骤摘要】
一种基于深度神经网络的盾构掘进姿态预测方法


[0001]本专利技术属于盾构掘进
，具体涉及一种基于深度神经网络的盾构掘进姿态预测方法。

技术介绍

[0002]随着城市化进程的推出，盾构施工已然成为隧道建设中最常用的施工方法之一，盾构施工是指盾构机按照隧道设计轴线在地面下开挖土体、运出渣土以及拼装管片的机械化施工过程。盾构机的运动轨迹一般由盾构机姿态及位置决定，若盾构及运行轨迹偏离设计轴线，会导致开挖路线被改变，进而影响后续管片拼装操作及拼装质量，也可能造成隧道内渗水、地面过大沉降或隆起等工程问题；由此有必要提出一种能够预测盾构机下一时刻姿态的预测方法；经过检索发现现有的预测方法如下所述：1.专利技术名称为：盾构机姿态预测方法、装置、终端设备以及存储介质，公开号为CN112100841A的专利技术专利，该篇专利文献中通过使用GRU神经网络对盾构姿态进行预测，将历史俯仰角、滚动角以及横摆角输入模型，以预测未来时刻的相关盾构姿态数据。
[0003]2.专利技术名称为：一种盾构姿态动态预测方法、系统及设备，公开号为CN112879024A的专利技术专利，该篇专利文献中通过使用双向LSTM神经网络与注意力机制进行盾构姿态预测，通过过去时刻与未来时刻的盾构姿态数据进行双向学习，取得了不错的盾构姿态预测效果。
[0004]3.专利技术名称为：盾构姿态多自由度运动特性预测和控制性能评估系统及方法，公开号为CN113344256A的专利技术专利，该篇专利文献中通过ANN网络模块对盾构姿态进行预测，通过海量历史施工数据，并结合控制性能评估模块对模型进行优化，提高盾构姿态预测效果。
[0005]上述方法中没有对原始施工数据中所产生的噪音进行处理。上述第1和第2种方法只使用了姿态参数数据作为输入，没有使用施工数据，且没有对盾首和盾尾的水平、垂直偏差进行预测；第3种方法的输入参数与输出参数关联性较小，因此施工参数选取不够合理，且ANN网络无法学习到盾构数据的时间序列特点。

技术实现思路

[0006]本专利技术公开了一种基于深度神经网络的盾构掘进姿态预测方法，拟解决原始盾构施工数据中存在噪音的技术问题。
[0007]为解决上述技术问题，本专利技术采用的技术方案如下：一种基于深度神经网络的盾构掘进姿态预测方法，包括以下步骤：步骤1：基于盾构机上的传感器采集相关的历史盾构施工数据；步骤2：对历史盾构施工数据进行预处理：包括异常值处理、小波变换降噪以及数据标准化；通过预处理后将盾构施工数据转换为适合盾构掘进姿态预测模型的数据；步骤3：确定盾构掘进姿态预测模型的步长s与预测时间段t，将预处理后的数据进
行连续读取，生成时间序列数据；步骤4：基于预处理后的数据以及时间序列数据建立基于LSTM神经网络的盾构掘进姿态预测模型，并将作为历史数据集的历史盾构施工数据划分为训练集和测试集，对盾构掘进姿态预测模型进行训练和测试，通过均方根误差判断模型预测的效果，最终保留预测效果最佳的模型参数，将预测效果最佳的模型参数作为盾构掘进姿态预测模型的参数，得到最终的盾构掘进姿态预测模型；步骤5：将实际检测到的盾构施工数据输入步骤4中最终得到的盾构掘进姿态预测模型中进行盾构姿态预测，得到盾构机下一时刻的姿态。
[0008]本专利技术通过去除施工数据中的噪音，实现了根据历史施工数据准确预测未来时刻的盾构掘进姿态，辅助施工现场管理者和操作人员高效决策，提前规避异常掘进姿态，解决目前盾构施工人工决策低效、不稳定以及数据闲置等问题，对于保障盾构稳定掘进、减少盾构项目风险事故具有重要价值。本专利技术基于LSTM神经网络构建盾构掘进姿态预测模型，而LSTM模型是一种特殊的循环神经网络，能够解决普通RNN出现的梯度爆炸或梯度消失的问题，以获取长期数据特征。
[0009]优选的，所述历史盾构施工数据包括：推进系统参数、出渣系统参数以及注浆系统参数；所述推进系统参数包括：盾构机的推进速度、螺旋输送机转速以及盾构激光导向系统中6组导向推进油缸的位移参数；所述出渣系统参数包括：出渣系统中10个土压传感器中的压力检测信息；注浆系统参数包括注浆系统中4个压力传感器中的压力检测信息。
[0010]本专利技术通过选取上述盾构系统中的22个施工参数作为盾构掘进姿态预测模型的输入，以确保输入参数与输出参数之间的关联性，进而通过深度神经网络更好的学习上述参数之间的线性与非线性关系，以达到更好的预测效果。
[0011]优选的，所述异常值处理的方法为：基于3σ准则将分布在[μ
‑
3σ，μ+3σ]之外的数据进行剔除，其中σ代表数据标准差，μ代表数据均值。
[0012]所述异常值也称为离群点，是数据中不合理的值；在盾构施工数据中若存在异常值，则会导致最终的预测结果不准确，因此本专利技术基于3σ准则将分布在[μ
‑
3σ，μ+3σ]之外的数据进行剔除，实现了异常值的剔除，从而保障了盾构掘进姿态预测模型的预测精度。
[0013]优选的，所述小波变换降噪的步骤包括：通过小波变换对经过异常值处理的历史盾构施工数据的时间序列进行n次分解；将经过n次分解后的数据通过小波重建，得到新的去噪数据序列。
[0014]由于在盾构施工过程中，盾构施工数据是通过遍布盾构机机身的传感器进行采集所得到，并传输值云平台；而由于在盾构施工过程中可能存在传感器失效以及数据通信异常等问题，使采集的数据存在噪音，因此，采用小波变换对盾构机参数的时间序列进行分解；再通过小波变换重建，生成新的去噪数据序列，提高了盾构姿态预测精度。
[0015]小波变换所使用的小波基函数有多种，常用小波基函数有DB（Daubechies）小波、Haar小波以及Meyer小波等，不同的小波基选取，会产生不同的结果。DB小波具有良好的正则性，能够使降噪后的数据变得更加光滑，适合本专利技术数据集的处理。
[0016]因此本专利技术选用DB小波进行小波变换降噪，DB小波通常写为dbN（N∈[1,10]），N代
表该小波基函数的消失矩，N越高，处理后的数据将越光滑，且不同频带的划分效果与局部化能力越强，但会增加计算量，削弱及时性；本专利技术将小波变换分解层数设为最大，并通过实验确定小波基dbN。
[0017]优选的，所述数据标准化为对经过小波变换降噪的历史盾构施工数据进行Z
‑
Score标准化处理，公式如下：；式中：x为经过小波变换降噪后的历史盾构施工数据，x
*
是与x相对应的标准化后的历史盾构施工数据，μ表示数据均值，表示数据标准差。
[0018]本专利技术为了消除施工数据件量纲的影响，提供盾构掘进姿态预测模型的预测精确度，本专利技术在将数据集输入深度神经网络之前，对施工参数数据进行Z
‑
Score标准化处理，以平衡数据指标之间的可比性。
[0019]优选的，所述盾构掘进姿态预测模型的输出参数包括：盾构激光导向系统的导向滚动角、盾构激光导向系统的导向俯仰角、盾构激光导向系统的导向水平前，盾构激光导向系统的导向垂直前、盾构激光导向系统的导向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的盾构掘进姿态预测方法，其特征在于，包括以下步骤：步骤1：基于盾构机上的传感器采集相关的历史盾构施工数据；步骤2：对历史盾构施工数据进行预处理：包括异常值处理、小波变换降噪以及数据标准化；通过预处理后将盾构施工数据转换为适合盾构掘进姿态预测模型的数据；步骤3：确定盾构掘进姿态预测模型的步长s与预测时间段t，将预处理后的数据进行连续读取，生成时间序列数据；步骤4：基于预处理后的数据以及时间序列数据建立基于LSTM神经网络的盾构掘进姿态预测模型，并将作为历史数据集的历史盾构施工数据划分为训练集和测试集，对盾构掘进姿态预测模型进行训练和测试，通过均方根误差判断模型预测的效果，最终保留预测效果最佳的模型参数，将预测效果最佳的模型参数作为盾构掘进姿态预测模型的参数，得到最终的盾构掘进姿态预测模型；步骤5：将实际检测到的盾构施工数据输入步骤4中最终得到的盾构掘进姿态预测模型中进行盾构姿态预测，得到盾构机下一时刻的姿态。2.根据权利要求1所述的一种基于深度神经网络的盾构掘进姿态预测方法，其特征在于，所述历史盾构施工数据包括：推进系统参数、出渣系统参数以及注浆系统参数；所述推进系统参数包括：盾构机的推进速度、螺旋输送机转速以及盾构激光导向系统中6组导向推进油缸的位移参数；所述出渣系统参数包括：出渣系统中10个土压传感器中的压力检测信息；注浆系统参数包括注浆系统中4个压力传感器中的压力检测信息。3.根据权利要求1所述的一种基于深度神经网络的盾构掘进姿态预测方法，其特征在于，所述异常值处理的方法为：基于准则将分布在之外的数据进行剔除，其中代表数据标准差,代表数据均值。4.根据权利要求1所述的一种基于深度神经网络的盾构掘进姿态预测方法，其特征在于，所述小波变换降噪的步骤包括：通过小波变换对经过异常值处理的历史盾构施工数据的时间序列进行n次分解；将经过n次分解后的数据通过小波重建，得到新的去噪数据序列。5.根据权利要求1所述的一种基于深度神经网络的盾构掘进姿态预测方法，其特征在于，所述数据标准化为对经过小波变换降噪的历史盾构施工数据进行Z
‑
Score标准化处理，公式如下：；式中：x为经过小波变换降噪后的历史盾构施工数据，x
*
是与x相对应的标准化后的历史盾构施工数据，μ表示数据均值，表示数据标准差。6.根据权利要求1所述的一种基于深度神经网络的盾构掘进姿态预测方法， 其特征在于，所述盾构掘进姿态预测模型的输出参数包括：盾构激光导向系统的导向滚动角、盾构激光导向系统的导向俯仰角、盾构激光导向系统的导向水平前，盾构激光导向系统的导向垂直前、盾构激光导向系统的导向水平后、盾构激光导向系统的导向垂直后、盾构激光导向系
统的导向水平趋向RP以及盾构激光导向系统的导向垂直趋向RP，其中盾构激光导向系统的导向水平前和盾构激光导向系统的导向垂直前代表盾首水平与垂直偏差；盾构激光导向系统的导向水平后和盾构激光导向系统的导向垂直后代表盾构为水平与垂直偏差。7.根据权利要求1所述的一种基于深度神经网络的盾构掘进姿态预测方法， 其特征在于，所...

【专利技术属性】
技术研发人员：章龙管，徐进，刘绥美，李才洪，杨冰，林良宇，朱菁，陈鑫，梁博，郑军，白杰，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：