本发明专利技术公开了一种基于贝叶斯优化LSTM的盾构掘进载荷超前预测方法及系统，该方法包括以下步骤：获取盾构施工参数的监测数据，进行数据预处理；利用Pearson相关分析进行冗余参数分析过滤，并采用随机森林算法进行特征选择，得到最优参数集；基于最优参数集，进行贝叶斯优化LSTM的盾构掘进载荷预测。对于采集的初始数据进行预处理，过滤了停机数据、异常值和缺失值等无关数据，通过相关性分析过滤了高度耦合参数，在此基础上利用RF进行重要性排序和特征选择，得到了最优参数集，用贝叶斯优化确定了LSTM预测模型的最优超参数，基于选择的超参数构建刀盘扭矩和总推进力预测模型，实现准确的掘进载荷超前预测，为盾构机的运行操作提供参考。供参考。供参考。
【技术实现步骤摘要】
基于贝叶斯优化LSTM的盾构掘进载荷超前预测方法及系统
[0001]本专利技术属于盾构隧道施工载荷预测
，更具体地，涉及一种基于贝叶斯优化LSTM的盾构掘进载荷超前预测方法及系统。
技术介绍
[0002]在隧道掘进施工过程中，掘进载荷会随着地质环境、盾构机掘进速度、操作状态的变化而变化，一定程度上反映了岩机之间的相互作用，对于避免刀盘卡死、减少刀盘磨损、保证掘进效率和调整盾构机运行参数等都具有重要意义。此外，掘进载荷控制不当，还有可能导致盾构机损坏和隧道上层土体的破坏，造成严重的经济损失和安全事故。因此，对掘进载荷进行超前预测，为盾构机的运行参数调整提供参考和指导，是保证盾构隧道掘进安全和掘进效率的重要工作。
[0003]然而，在实际工程中，由于地质环境的不可预知性和复杂多变性，以及载荷在掘进过程中的时序变化性，实现精准的掘进载荷超前预测仍然是一项困难而具有挑战性的工作。
[0004]为解决上述问题，专利CN 110895730 A公开了一种基于LSTM算法的TBM掘进参数的预测方法，根据上升阶段预测稳定阶段刀盘转速、推进速度，为TBM司机提供后续操作参数建议，提高盾构行业施工信息化、智能化的水平。但是其主要针对TBM施工，对于采集数据的处理不够精准，对预测的模型进行的评估测试不具有说服力，因此采用其预测结果作为参考依据并不合理。
技术实现思路
[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供一种基于贝叶斯优化LSTM的盾构掘进载荷超前预测方法及系统，对于采集的初始数据进行预处理，过滤了停机数据、异常值和缺失值等无关数据，通过相关性分析过滤了高度耦合参数，在此基础上利用RF进行重要性排序和特征选择，得到了最优参数集，用贝叶斯优化确定了LSTM预测模型的最优超参数，基于选择的超参数构建刀盘扭矩和总推进力预测模型，实现准确的掘进载荷超前预测，为盾构机的运行操作提供参考。
[0006]为实现上述目的，按照本专利技术的一方面，提供一种基于贝叶斯优化LSTM的盾构掘进载荷超前预测方法，包括以下步骤：S100 获取盾构施工参数的监测数据，进行数据预处理；S200利用Pearson相关分析进行冗余参数分析过滤，并采用随机森林算法进行特征选择，得到最优参数集；S300 基于最优参数集，进行贝叶斯优化LSTM的盾构掘进载荷预测。
[0007]进一步地，所述S300包括：S310数据归一化处理，具体公式为：
其中，表示归一化之后的标准值，和分别默认是1和0，表示归一化后的最大值和最小值，代表样本值，和分别是样本值的最大值和最小值；S320基于贝叶斯的LSTM超参数选择：采用贝叶斯优化方法进行调参，得到超参数的最优取值；S330模型性能评估与对比。
[0008]进一步地，所述S320具体包括步骤如下：S321定义模型训练误差MSE最小化为目标函数，在寻优范围内随机生成初始化参数组合，根据初始化参数组合训练LSTM预测模型，得到模型输出结果MSE值；S322将初始化参数组合导入高斯过程中，以拟合初始高斯模型作为目标函数的代理模型，利用上一步中得到的LSTM预测模型训练误差MSE值对初始代理模型进行修正，使其分布与模型训练误差MSE的真实分布更加贴近；S323通过期望改进采集函数选择目标函数最小值作为下一个待评估参数组合，并重复前两步的LSTM预测模型训练和高斯模型修正；S324当达到最大迭代次数时，停止优化过程，LSTM预测模型的MSE值最小时对应的超参数组合即为最优超参数。
[0009]进一步地，所述S330具体包括：S331采用决定系数，均方根误差和平均绝对误差三个常用指标来评估预测模型的性能表现；S332将贝叶斯优化LSTM预测模型与其他常用模型的预测性能进行比较。
[0010]进一步地，所述S200包括如下步骤：S210 Pearson参数相关分析：利用皮尔逊相关系数对参数之间的线性相关性进行度量；S220基于RF算法进行特征选择：基于RF算法通过评价特征变量变化对基尼指数的影响，从而度量出变量的重要性，并结合特征选择方法进行参数的进一步筛选。
[0011]进一步地，所述S220具体包括：S221建立回归决策树：用随机森林模型对OOB进行预测，可以得到b个袋外数据的均方残差，分别为，其计算式如下：其中，为数据量， 表示袋外数据中因变量的真实值；表示回归模型预测值，随机改变袋外数据第个特征参数的值，并计算新的袋外误差准确度值；S222生成误差矩阵：在生成回归决策树时，随机选择特征参数进行决策树分裂，将参数在个袋外数据样本中进行随机置换，从而形成一个新的OOB测试集，用已经建立的随机森林回归模型对新的测试集再次进行预测，可以得到新的OOB残差均方，生成误
差矩阵为：其中为影响因素变量的个数；为训练样本集的个数；S223进行重要性评分：用与误差矩阵的相应行相减，对相减后的结果取平均值，然后除以标准误差就可以得到变量的均方残差平均减小量，即特征变量的重要性评分，可表示为：其中，为第个样本的均方残差； 为标准误差；S224特征选择：通过特征选择依次去掉重要性最小的特征，截取得到不同数量的特征子集，对这些特征子集分别进行建模和评估，依据评估结果确定最佳子集。
[0012]进一步地，所述S100包括：S110停机数据过滤：选取推进速度、刀盘转速、总推进力和刀盘扭矩四个主要的施工参数作为判别指标，判别函数如下：工参数作为判别指标，判别函数如下：上式中，、、、分别对应总推进力、刀盘扭矩、推进速度和刀盘转速，表示四个参数值的乘积。当四个参数的乘积不为0时，说明盾构机处于工作状态，对应的数据予以保留；当四个参数的乘积为0时，即其中任一参数的值为0，即认为盾构机在非工作状态，对于非工作状态的数据直接剔除掉；S120异常值识别与处理：利用箱型图法识别异常值并去除，对于去除的异常值，采用该值前一秒或后一秒的数据进行填充；S130常量参数过滤：识别常量参数并进行剔除S140缺失值处理：将直接删除法与常量填充法相结合，对数据缺失分不同情况进行处理，以更好地保证数据的有效性。
[0013]按照本专利技术的第二方面，提供一种基于贝叶斯优化LSTM的盾构掘进载荷超前预测方法，包括：第一主模块，用于获取盾构施工参数的监测数据，进行数据预处理；第二主模块，用于利用Pearson相关分析进行冗余参数分析过滤，并采用随机森林算法进行特征选择，得到最优参数集；
第三主模块，用于基于最优参数集，进行贝叶斯优化LSTM的盾构掘进载荷预测。
[0014]按照本专利技术的第三方面，提供 一种电子设备，包括：至少一个处理器、至少一个存储器和通信接口；其中，所述处理器、存储器和通信接口相互间进行通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行所述的方法。
[0015]按照本专利技术的第四方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行所述的方法。
[0016]总体而言，通过本专利技术所构思本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于贝叶斯优化LSTM的盾构掘进载荷超前预测方法，其特征在于，包括以下步骤：S100 获取盾构施工参数的监测数据，进行数据预处理；S200利用Pearson相关分析进行冗余参数分析过滤，并采用随机森林算法进行特征选择，得到最优参数集；S300 基于最优参数集，进行贝叶斯优化LSTM的盾构掘进载荷预测。2.根据权利要求1所述的基于贝叶斯优化LSTM的盾构掘进载荷超前预测方法，其特征在于，所述S300包括：S310数据归一化处理，具体公式为：其中，表示归一化之后的标准值，和分别默认是1和0，表示归一化后的最大值和最小值，代表样本值，和分别是样本值的最大值和最小值；S320基于贝叶斯的LSTM超参数选择：采用贝叶斯优化方法进行调参，得到超参数的最优取值；S330模型性能评估与对比。3.根据权利要求2所述的基于贝叶斯优化LSTM的盾构掘进载荷超前预测方法，其特征在于，所述S320具体包括步骤如下：S321定义模型训练误差MSE最小化为目标函数，在寻优范围内随机生成初始化参数组合，根据初始化参数组合训练LSTM预测模型，得到模型输出结果MSE值；S322将初始化参数组合导入高斯过程中，以拟合初始高斯模型作为目标函数的代理模型，利用上一步中得到的LSTM预测模型训练误差MSE值对初始代理模型进行修正，使其分布与模型训练误差MSE的真实分布更加贴近；S323通过期望改进采集函数选择目标函数最小值作为下一个待评估参数组合，并重复前两步的LSTM预测模型训练和高斯模型修正；S324当达到最大迭代次数时，停止优化过程，LSTM预测模型的MSE值最小时对应的超参数组合即为最优超参数。4.根据权利要求2所述的基于贝叶斯优化LSTM的盾构掘进载荷超前预测方法，其特征在于，所述S330具体包括：S331采用决定系数，均方根误差和平均绝对误差三个常用指标来评估预测模型的性能表现；S332将贝叶斯优化LSTM预测模型与其他常用模型的预测性能进行比较。5.根据权利要求1所述的基于贝叶斯优化LSTM的盾构掘进载荷超前预测方法，其特征在于，所述S200包括如下步骤：S210 Pearson参数相关分析：利用皮尔逊相关系数对参数之间的线性相关性进行度量；S220基于RF算法进行特征选择：基于RF算法通过评价特征变量变化对基尼指数的影响，从而度量出变量的重要性，并结合特征选择方法进行参数的进一步筛选。6.根据权利要求1所述的基于贝叶斯优化LSTM的盾构掘进载荷超前预测方法，其特征
在于，所述S220具体包括：S221建立回归决策树：用随机森林模型对OOB进行预测，可以得到b个袋外数据的均方残差，分别为，其计算式如下：其中，为数据量， 表示袋外数据中因变量的真实值；表示回归模型预测值...
【专利技术属性】
技术研发人员：吴贤国，冯宗宝，李昕懿，刘俊，陈虹宇，王廷辉，裴以军，张金军，戴小松，徐文胜，覃亚伟，吴克宝，
申请(专利权)人：华中科技大学，
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。