一种结合特征相关性与时间相关性的盾构机姿态预测方法技术

本发明专利技术涉及一种结合特征相关性与时间相关性的盾构机姿态预测方法，其先获取目标盾构机在预设时间段内的原始数据，进行预处理后得到模型输入数据，然后通过预设盾构机姿态预测模型得到目标盾构机的姿态预测结果

【技术实现步骤摘要】
一种结合特征相关性与时间相关性的盾构机姿态预测方法


[0001]本专利技术涉及盾构机掘进姿态控制
，尤其涉及一种结合特征相关性与时间相关性的盾构机姿态预测方法
。

技术介绍

[0002]城市人口规模的扩大使得地下交通建设需求越来越高，而隧道作为地下交通系统重要组成部分，其构建质量也将成为衡量工程项目优劣的重点评估对象
。
现阶段盾构机作为隧道掘进的关键设备已被广泛应用于地铁
、
水下公路
、
高铁等领域
。
在盾构机掘进过程中，盾构机一旦偏离设计隧道轴线
(DTA)
，就会产生姿态偏差，进而造成管片拼装错位以及裂缝等重大工程问题，影响人们的生命
、
财产安全
。
偏差严重时还需要设计纠偏曲线，大大影响项目工期和成本
。
因此，精准预测盾构机姿态变化趋势，对保障工程质量
、
进度
、
成本及安全具有重要意义
。
[0003]近年来随着人工智能技术的发展，机器学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种结合特征相关性与时间相关性的盾构机姿态预测方法，其特征在于，包括：获取目标盾构机在预设时间段内的原始数据，对所述预设时间段内的原始数据进行预处理，得到模型输入数据，所述模型输入数据的种类包括多种参数数据，多种参数数据包括盾构机运行状态数据和盾构机姿态相关数据；将所述模型输入数据输入至预设盾构机姿态预测模型中，得到所述目标盾构机的姿态预测结果；其中，所述盾构机姿态预测模型包括依次相连的特征注意力神经网络模型
、
残差门控循环神经网络模型和掩码注意力神经网络模型，其中：所述特征注意力神经网络模型用于分析所述模型输入数据中多种参数数据之间的相关性，并根据所述模型输入数据中多种参数数据之间的相关性，优化所述模型输入数据，得到注意力优化数据；所述残差门控循环神经网络模型用于通过多个非级联连接的门控循环单元，对所述注意力优化数据进行特征学习分析，得到所述目标盾构机的初始姿态预测数据；所述掩码注意力神经网络模型用于根据所述初始姿态预测数据中不同时间的数据的相关性，优化所述初始姿态预测数据得到所述目标盾构机的姿态预测结果
。2.
根据权利要求1所述的结合特征相关性与时间相关性的盾构机姿态预测方法，其特征在于，所述特征注意力神经网络模型包括依次相连的第一特征提取层和注意力权重计算层，所述第一特征提取层的输入变量为所述模型输入数据，所述第一特征提取层的输出变量为注意力权重向量，所述第一特征提取层包括依次相连的一个卷积层和两个全连接层，所述第一特征提取层的输出端和所述第一特征提取层的输入端乘法连接，用于得到所述注意力优化数据
。3.
根据权利要求1所述的结合特征相关性与时间相关性的盾构机姿态预测方法，其特征在于，所述残差门控循环神经网络模型包括第一特征提取块
、
第二特征提取块和第三特征提取块，所述第一特征提取块的输入变量为所述注意力优化数据，所述第一特征提取块的输出变量包括第一输出变量和第一残差变量；所述第二特征提取块的输入变量为所述注意力优化数据和所述第一残差变量之差，所述第二特征提取块的输出变量包括第二输出变量和第二残差变量；所述第三特征提取块的输入变量为所述注意力优化数据和所述第一残差变量之差以及所述第二残差变量之差，所述第三特征提取块的输出变量包括第三输出变量；所述第一特征提取块
、
所述第二特征提取块和所述第三特征提取块均包括门控循环单元；所述第一输出变量
、
所述第二输出变量和所述第三输出变量三者之和作为所述初始姿态预测数据
。4.
根据权利要求3所述的结合特征相关性与时间相关性的盾构机姿态预测方法，其特征在于，所述第一特征提取块包括一个门控循环单元
、
两个第一全连接层和两个第二全连接层，所述门控循环单元的输入变量为所述第一特征提取块的输入变量，所述门控循环单元的输出端同时连接两个第一全连接层，两个第一全连接层分别连接两个第二全连接层，两个第二全连接层的输出变量分别为第一输出变量和第一残差变量；所述第二特征提取块和所述第三特征提取块的内部结构相同
。5.
根据权利要求1所述的结合特征相关性与时间相关性的盾构机姿态预测方法，其特征...

【专利技术属性】
技术研发人员：曾亮，陈嘉，简俊杰，王珊珊，李维刚，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：