【技术实现步骤摘要】
一种TBM掘进循环稳定段推力的实时预测方法
[0001]本专利技术涉及TBM
，尤其涉及一种TBM掘进循环稳定段推力的实时预测方法。
技术介绍
[0002]隧道建设在引水工程、交通运输、地下防御、地下采矿中有着举足轻重的地位。近些年来，全断面隧道掘进机机械化施工被广泛应用于隧道建设。相较于传统的钻爆法而言，全断面隧道掘进机具有掘进效率高、显著的经济效益、较低的地面扰动、良好的工作环境与卫生条件等。对于TBM而言，工期制定和工程成本评估是开挖项目的关键要素。在一定程度上，这取决于TBM施工过程中对掘进参数的准确评估，如推力。
[0003]然而，在面对极端多场耦合环境以及复杂的地质条件时，软硬不均匀的岩体易引起TBM出现大推力，附加引起刀盘剧烈震动。这很容易引起较高的滚刀更换率，较高的机器维护成本，较低的机器利用率，甚至出现意外停机等问题。TBM本身结构复杂且机械耦合度大，推力也受设备自身结构影响。此外，人为操作也是影响推力的关键因素。特别是对于经验不足的操作人员，容易存在较大的安全隐患。整体而言，推力反映了设备与...
【技术保护点】
【技术特征摘要】
1.一种TBM掘进循环稳定段推力的实时预测方法，其特征在于，所述方法包括：S1、获取输入特征数据；所述输入特征数据包括主皮带机泵电机电流、撑靴压力、刀盘速度给定、推进泵电机电流、刀盘功率；S2、将所述输入特征数据输入至预先训练的推力预测模型中，预先训练的所述推力预测模型输出推力的预测值；所述推力预测模型为第一双隐含层极限学习机TELM模型；所述第一双隐含层极限学习机TELM模型第一隐含层的激活函数为仿生映射激活函数，所述第一双隐含层极限学习机TELM模型第二隐含层的激活函数为双曲正切激活函数；其中，基于预先获取的用于训练的特征数据集，使用MRFO算法优化第一双隐含层极限学习机TELM模型获取预先训练的推力预测模型。2.根据权利要求1所述的方法，其特征在于，所述输入特征数据包括：主皮带机泵电机电流、撑靴压力、刀盘速度给定、推进泵电机电流、刀盘功率、刀盘转速、左护盾压力、推进速度电位器设定值、齿轮密封压力、和推进压力、右护盾压力和顶护盾压力。3.根据权利要求2所述的方法，其特征在于，在S1之前还包括：S0、基于预先获取的用于训练的特征数据集，使用MRFO算法优化第一双隐含层极限学习机TELM模型获取预先训练的推力预测模型；所述用于训练的特征数据集包括历史时间段内的多个特征数据以及分别与每一特征数据一一对应的真实推力值。4.根据权利要求3所述的方法，其特征在于，用于训练的特征数据集包括：具有N个样本的输入矩阵I；其中，I＝[i1，i2，...，i
p
，...i
N
]
T
；i
p
为第p个样本；其中，i
p
＝[i
p1
,i
p2
,...,i
pn
]
T
∈R
n
；i
pn
为第p个样本中的第n种特征数据。5.根据权利要求4所述的方法，其特征在于，所述S0具体包括：S01、将具有N个样本的输入矩阵I，输入至第一双隐含层极限学习机TELM模型的输入层；S02、所述第一双隐含层极限学习机TELM模型，随机初始化该第一双隐含层极限学习机TELM模型中第一个隐含层的偏置以及连接输入层和第一个隐含层的权重矩阵；S03、所述第一双隐含层极限学习机TELM模型的第一隐含层根据仿生映射激活函数和第一个隐含层的偏置以及连接输入层和第一个隐含层的权重矩阵进行处理，获取第一隐含层的处理结果；S04、所述第一双隐含层极限学习机TELM模型的第二隐含层根据双曲正切激活函数以及所述第一隐含层的处理结果，进行处理，得到第二隐含层的处理结果；S05、所述第一双隐含层极限学习机TELM模型的输出层根据第二隐含层的处理结果，输出与N个样本分别对应的推力预测值；S06、基于与N个样本分别对应的推力预测值以及对应的真实推力值，采用MRFO算法进行优化，得到训练的推力预测模型；
其中，所述训练的推力预测模型的第一双隐含层极限学习机TELM模型具有由MRFO算法所确定的最优的第一个隐含层的偏置和连接输入层和第一个隐含层的权重矩阵。6.根据权利要求5所述的方法，其特征在于，其中，所述训练的推力预测模型的第一双隐含层极限学习机TELM模型具有由MRFO算法所确定的最优的第一个隐含层的偏置和最优的连接输入层和第一个隐含层的权重矩阵为：由MRFO算法迭代过程中推力预测模型得到的推力预测值以及对应的真实推力值之间误差最小时所对应的第一个隐含层的偏置和连接输入层和第一个隐含层的权重矩阵。7.根据权利要求6所述的方法，其特...
【专利技术属性】
技术研发人员：刘造保，李龙，刘凤姣，鲁昱池，张明山，汪昕，
申请(专利权)人：东北大学，
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。