一种基于深度置信网络的悬臂掘进机掘进性能预测方法技术

本发明专利技术提供了一种基于深度置信网络的悬臂掘进机掘进性能预测方法，包括如下步骤：采集悬臂掘进机掘进状态下的掘进参数及在掘掌子面的岩体状态参数；对获取到的数据进行预处理；构建硬岩悬臂掘进机性能预测数据库，并将此数据库分为训练子集、验证子集和测试子集；建立深度置信网络模型；悬臂掘进机掘进性能预测与结果评价；采集新的掌子面前方岩体参数，输入训练好的网络，得到掌子面前方为掘进段的悬臂掘进机瞬时掘进速率。本发明专利技术能够实现对悬臂掘进机掘进性能的连续、准确预测，从而提高项目生产率，降低成本。降低成本。降低成本。

【技术实现步骤摘要】
一种基于深度置信网络的悬臂掘进机掘进性能预测方法


[0001]本专利技术涉及悬臂掘进机施工
量，具体涉及一种基于深度置信网络的悬臂掘进机掘进性能预测方法。

技术介绍

[0002]岩质地层悬臂掘进机的掘进性能的准确预测是其成功应用的关键，寻找准确性高的悬臂掘进机性能预测方法是工程应用中解决机器设计、机器选型和应用施工的前提，在施工方案选择阶段，承包方可以通过性能预测来进行悬臂掘进机施工适应性的决策；在机器设计阶段，设计人员可以根据实际情况，通过性能预测设计出更符合工程要求的刀盘系统，如截齿数量，截齿排列方式等；在实际施工阶段，施工方也可根据性能预测寻找施工中存在的问题，
[0003]目前，更多的是靠传统分析方法来进行悬臂掘进机性能预测，但悬臂掘进机施工时，围岩
‑
机械之间的相互作用具有复杂性、动态性和非线性的特点，岩体参数具有多样性的特点，至今没有一个预测模型能够很好的揭示悬臂掘进机与围岩的相互影响规律，传统的回归分析方法不能识别数据集中所涉及的复杂结构，无法实现数据特征的深度挖掘，从而造成了数据浪费，表现为预测结果准确度低，无法达到工程要求预测精度。

技术实现思路

[0004]本专利技术提出一种基于深度置信网络的硬岩悬臂掘进机掘进性能预测方法，用以解决现有技术在硬岩悬臂掘进机掘进性能预测中预测精度低的问题，具体方案为：
[0005]一种基于深度置信网络的悬臂掘进机掘进性能预测方法，所述掘进性能的预测方法包括以下步骤：
[0006]步骤S1，采集现场悬臂掘进机在掘进状态下表征掘进性能的参数以及在掘掌子面的岩体状态参数；
[0007]步骤S2，将步骤S1采集的数据划分为训练集、验证集和测试集；
[0008]步骤S3，建立悬臂掘进机掘进性能预测的深度置信网络模型：输入训练集建立深度置信网络模型，并通过验证集确定深度置信网络模型结构的最优参数；
[0009]步骤S4，基于验证集输入测试集对悬臂掘进机掘进性能预测与结果评价；
[0010]步骤S5，执行步骤S1
‑
S3，得到一个经过训练和验证的悬臂掘进机掘进性能预测模型，然后输入掌子面前方岩体参数，执行步骤S4对前方未掘进段掘进性能进行预测。
[0011]优选的，所述悬臂掘进机掘进性能表征参数为瞬时掘进速率(ICR)，所述悬臂掘进机掘进性能表征参数方法为人工记录。
[0012]优选的，所述掌子面岩体状态参数包括单轴抗压强度、岩石基本质量指标、巴西抗拉强度、岩石质量指标、完整性系数和岩体脆性指数。
[0013]优选的，所述参数的采集方法为原位实验法、地质素描法和室内试验法中的任意一种。
[0014]优选的，在步骤S2中，对采集到的数据划分之前首先进行数据的预处理，所述数据的预处理包括数据清洗以及数据变换；
[0015]通过数据对原始数据集中的缺失值和异常值进行处理，通过数据变换对数据库中各个变量进行标准化处理，从而实现排除异常数据、更正错误数据、避免数据缺失的目的。
[0016]优选的，所述数据清洗的方法具体为：
[0017]缺失值在数据存储库中表示为Null，处理方法为丢弃，即直接删除带有缺失值的行记录；异常值通过计算四分位数进行识别，处理方法为丢弃，即直接删除含有异常值的行记录；
[0018]所述数据变换的处理方法为：
[0019]Matlab函数库中的
‘
mapminmax
’
函数，表达为式(1)：
[0020][0021]优选的，在步骤S2中，对于所述训练集、验证集和测试集中的数据样本，若数据样本小，则分别取原始数据集的70％、15％、15％；若数据样本很大，则减小验证集和测试集所占百分比。
[0022]优选的，在步骤S3中模型的构建包括以下步骤：
[0023]步骤41，首先使用网格搜索法，赋予网络模型超参数，确定模型结构，对其进行训练；然后再对训练好的模型进行验证，确定最终模型；最后通过测试集对最终模型进行测试；
[0024]步骤42，赋予网络模型训练样本和超参数；
[0025]步骤43，RBM无监督预训练；
[0026]步骤44，BP有监督反向微调：接收RBM的输出特征向量，然后将其作为顶层处理器BP的输入特征向量，计算BP网络输出误差e和误差能量总和E，然后进行权值w
ij
和偏置阈值a
i
和b
j
的更新，计算公式如式(2)：
[0027][0028]优选的，所述RBM无监督的预训练过程包括以下步骤：
[0029]参数初始化：初始化RBM模型参数，即层间的连接权值和各层的偏置，一般使用随机的极小值初始化参数，计算公式为式(3)：
[0030]w＝0.1
×
randn(n,m)
[0031]a＝0.1
×
randn(1,n)式(3)
[0032]b＝0.1
×
randn(1,m)
[0033]其中，randn()表示正态分布随机值或矩阵，randn(n,m)表示产生n行m列的正态分布随机矩阵；
[0034]训练：将参数初始化值应用于网络输入，然后对训练样本循环生成连接权值w
ij
和偏置a
i
和b
j
，
[0035]根据式(4)计算隐藏层单元h
j
被激活概率：
[0036][0037]根据式(5)确定该层神经元状态：
[0038][0039]根据式(6)计算可见层单元v
i
被激活概率：
[0040][0041]根据式(7)确定该层神经元状态，实现可见层的一次重构：
[0042][0043]使用CD
‑
1算法，根据式(8)计算得到模型权值和偏置：
[0044][0045][0046][0047]按照式(9)实现网络参数的更新：
[0048]w
ij
(k+1)
←
w
ij
(k)+εΔw
ij a
i
(k+1)
←
a
i
(k)+εΔa
i b
j
(k+1)
←
b
j
(k)+εΔb
j
式(9)。
[0049]优选的，在步骤S5中，基于验证集使用均方根误差RMSE和决定系数R2对预测结果进行评价，RMSE值越小，R2值越接近于1，模型预测能力越好。
[0050]与现有技术相比，本申请的有益效果在于：
[0051]本专利技术提供了一种基于深度置信网络的硬岩悬臂掘进机掘进性能预测方法，该方法集数据采集、数据预处理、模型建立、性能预测于一体，能够根据工程实测数据对掌子面前方地层掘进机掘进性能实现实时、连续预测，且不影响悬臂掘进机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度置信网络的悬臂掘进机掘进性能预测方法，其特征在于，所述预测方法包括以下步骤：步骤S1，采集现场悬臂掘进机在掘进状态下表征掘进性能的参数以及在掘掌子面的岩体状态参数；步骤S2，将步骤S1采集的数据划分为训练集、验证集和测试集；步骤S3，建立悬臂掘进机掘进性能预测的深度置信网络模型：其中，基于验证集确定深度置信网络模型结构，输入训练集建立深度置信网络模型；步骤S4，基于验证集输入测试集对悬臂掘进机掘进性能预测与结果评价；步骤S5，执行步骤S1
‑
S3，得到一个经过训练和验证的悬臂掘进机掘进性能预测模型，然后输入掌子面前方岩体参数，执行步骤S4对前方未掘进段掘进性能进行预测。2.根据权利要求1所述的一种基于深度置信网络的悬臂掘进机掘进性能预测方法，其特征在于，所述悬臂掘进机掘进性能表征参数为瞬时掘进速率(ICR)，所述悬臂掘进机掘进性能表征参数方法为人工记录。3.根据权利要求1所述的一种基于深度置信网络的悬臂掘进机掘进性能预测方法，其特征在于，所述掌子面岩体状态参数包括单轴抗压强度、岩石基本质量指标、巴西抗拉强度、岩石质量指标、完整性系数和岩体脆性指数。4.根据权利要求1所述的一种基于深度置信网络的悬臂掘进机掘进性能预测方法，其特征在于，所述参数的采集方法为原位实验法、地质素描法和室内试验法中的任意一种。5.根据权利要求1所述的一种基于深度置信网络的悬臂掘进机掘进性能预测方法，其特征在于，在步骤S2中，对采集到的数据划分之前首先进行数据的预处理，所述数据的预处理包括数据清洗以及数据变换；通过数据对原始数据集中的缺失值和异常值进行处理，通过数据变换对数据库中各个变量进行标准化处理，从而实现排除异常数据、更正错误数据、避免数据缺失的目的。6.根据权利要求5所述的一种基于深度置信网络的悬臂掘进机掘进性能预测方法，其特征在于，所述数据清洗的方法具体为：缺失值在数据存储库中表示为Null，处理方法为丢弃，即直接删除带有缺失值的行记录；异常值通过计算四分位数进行识别，处理方法为丢弃，即直接删除含有异常值的行记录；所述数据变换的处理方法为：Matlab函数库中的
‘
mapminmax
’
函数，表达为式(1)：7.根据权利要求1所述的一种基于深度置信网络的悬臂掘进机掘进性能预测方法，其特征在于，在步骤S2中，对于所述训练集、验证集和测试集中的数据样本，若数据样本小，则分别取原始数据集的70％、15％、15％；若数据样本很大，则减小验证集和测试集所占百分比。8.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：宋战平，胡洋，陈发达，王祥，冉军，赵祎睿，刘凯，费富华，范育辉，张策，杨棚涛，潘红伟，张玉伟，刘乃飞，田小旭，苏婉莹，
申请(专利权)人：贵阳市公共交通投资运营集团有限公司中铁开发投资集团有限公司中铁北京工程局集团第一工程有限公司，
类型：发明
国别省市：