【技术实现步骤摘要】
本专利技术涉及施工设备数据处理，具体是指一种高磨蚀地层的盾构机滚刀磨损预测方法。
技术介绍
1、盾构机滚刀磨损预测是基于先进的监测和分析方法，通过实时收集滚刀工作状态数据，结合机器学习和数据分析算法，预测滚刀的磨损程度和寿命，能够实现滚刀更精准的维护管理，提高盾构施工效率和安全性，减少维护成本，推动盾构技术的进一步发展；但是一般传统盾构机滚刀磨损预测方法中，存在预测模型固定和无法适应多变地质条件，从而导致预测模型预测精度不足，且难以实现实时更新的问题；现有适用于磨损预测模型中，存在同步梯度下降导致的训练效率低下和权重更新不够灵活的问题；一般预测模型存在内置参数设置不恰当的情况，从而导致模型预测结果不准确的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种高磨蚀地层的盾构机滚刀磨损预测的方法，针对传统盾构机滚刀磨损预测方法中，存在预测模型固定和无法适应多变地质条件的问题，从而导致预测模型预测精度不足，且难以实现实时更新，本方案创新性地提出动态接口调整策略，根据实时监测的地质条件动态选择进行磨损预测模型调整，不仅提高了预测的准确性和实时性，还增强了系统的灵活性和适应性，显著提升了盾构机在高磨蚀地层中的施工效率；针对现有适用于磨损预测模型中，存在同步梯度下降导致的训练效率低下和权重更新不够灵活的问题，本方案引入的梯度训练和自适应损失函数方法，加快了权重更新的速度，从而提高了滚刀磨损预测模型的准确性和鲁棒性；针对现有适用于预测的模型中，存在内置参数设置不恰当
2、本专利技术采取的技术方案如下：本专利技术提供的一种高磨蚀地层的盾构机滚刀磨损预测方法，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：数据预处理；
5、步骤s3：建立滚刀磨损预测模型；
6、步骤s4：地质实时监测；
7、步骤s5：超参数优化；
8、步骤s6：动态接口调整；
9、步骤s7：盾构机滚刀磨损评估。
10、进一步地，在步骤s1中，所述数据采集，具体为从项目施工记录和盾构机设备日志中，通过采集得到盾构机滚刀磨损原始数据；
11、所述盾构机滚刀磨损原始数据包括历史滚刀磨损数据和实时滚刀磨损数据；所述历史滚刀磨损数据和实时滚刀磨损数据都包括地质条件数据、盾构机掘进参数数据和机器运行环境数据；所述地质条件数据包括岩石硬度、磨蚀性和地下水位；所述盾构机掘进参数数据包括掘进速度、推力、扭矩和刀盘转速；所述机器运行环境数据包括温度数据和湿度数据；所述历史滚刀磨损数据还包括滚刀磨损数据。
12、进一步地，在步骤s2中，所述数据预处理，用于对盾构机滚刀磨损原始数据进行数据预处理，得到盾构机滚刀磨损初步数据集，具体包括以下步骤：
13、步骤s21：数值过滤，用于对所述数值型数据进行缺失值、异常值和重复值删除；
14、步骤s22：数据归一化，用于对数据进行归一化处理，具体为通过最小-最大法对数据集进行归一化处理；
15、步骤s23：数据验证，用于验证数据的可靠性，具体通过交叉验证对数据集进行数据验证；
16、步骤s24：特征选择，用于在原始数据转中选择与滚刀磨损和地质监测高度相关的特征，具体是通过统计分析和领域知识对盾构机滚刀磨损原始数据进行特征选择。
17、进一步地，在步骤s3中，所述建立滚刀磨损预测模型，具体包括以下步骤：
18、步骤s31：初始化模型参数，初始化任意初始权重，初始自适应参数=1，=0；
19、步骤s32：计算隐藏层中每个模块输出值，所用公式如下：
20、；
21、式中，表示第l个样本m次迭代的隐藏层中第k个模块输出，l表示数据第l个样本，m表示当前的迭代次数，表示第l个样本的输入向量，表示第m次迭代中第k个模块与第i个输入之间的权重；
22、步骤s33：计算输出层，所用公式如下：
23、；
24、式中，表示第l个样本m次迭代的输出层输出，表示激活函数，和表示第m次迭代的自适应参数，用于调整激活函数的形状，k表示模块的总数；
25、步骤s34：计算损失函数，所用公式如下：
26、；
27、式中，表示预测模型的损失函数，l表示样本的总数量，表示第l个样本的实际输出，表示第m次迭代的权重向量；
28、步骤s35：自适应参数更新，所用公式如下：
29、；
30、；
31、；
32、；
33、式中，表示学习率；和表示自适应参数和更新值；表示瞬时损失函数对的自适应参数偏导数，表示瞬时损失函数对的自适应参数偏导数，和表示第m+1次迭代的自适应参数；
34、步骤s36：更新权重向量，所用公式表示如下：
35、；；
36、；
37、式中，表示隐藏层第t个模块中第j个权重在第m+1次迭代的更新值，表示隐藏层第t个模块中第j个权重在第m次迭代的值，表示隐藏层第t个模块中第j个权重在第m+1次迭代的值，表示损失函数对隐藏层第t-1个模块中第j个权重的梯度，表示第l个样本m+1次迭代的隐藏层中第k个模块输出，表示第m次迭代中第t个模块与第i个输入之间的权重；
38、步骤s37：参数更新；基于计算得到的自适应参数和权重向量，更新滚刀磨损预测模型中的权重向量和自适应参数，得到优化后滚刀磨损预测模型；
39、步骤s38：迭代判定；监控参数的梯度变化情况，若滚刀磨损预测模型收敛，则停止迭代训练，否则继续迭代训练。
40、进一步地，在步骤s4中，所述地质实时监测，具体为通过建立地质实时监测模型对盾构机工作中的地质条件进行监测，包括以下步骤：
41、步骤s41：建立地质实时监测模型，具体包括以下步骤：
42、步骤s411：初始化模型结构，包括输入层、隐藏层和输出层；
43、步骤s412：计算隐藏层输出，所用公式如下：
44、；
45、式中，表示隐藏层的输出，表示隐藏层输入数据，表示输入层到隐藏层的连接权重，m表示输入层的地质监测特征数量，表示隐藏层的偏置项参数，表示relu激活函数；
46、步骤s413：计算输出层输出值；所用公式如下
47、；
48、式中，表示输出层输出值，表示隐藏层到输出层的连接权重，h表示隐藏层的神经元数量，k表示输出层类别数量，表示输出层的偏置项参数，表示softmax激活函数；
49、步骤s42：地质实时监测模型训练，具体为使用所述盾构机滚刀磨损初步数据集中历史地质条件数据对地质实时监测模型进行训练，得到本文档来自技高网...
【技术保护点】
1.一种高磨蚀地层的盾构机滚刀磨损预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种高磨蚀地层的盾构机滚刀磨损预测方法，其特征在于：在步骤S2中，所述数据预处理，用于对盾构机滚刀磨损原始数据进行数据预处理，得到盾构机滚刀磨损初步数据集，具体包括以下步骤：
3.根据权利要求2所述的一种高磨蚀地层的盾构机滚刀磨损预测方法，其特征在于：在步骤S3中，所述建立滚刀磨损预测模型，具体包括以下步骤：
4.根据权利要求3所述的一种高磨蚀地层的盾构机滚刀磨损预测方法，其特征在于：在步骤S4中，所述地质实时监测，具体为通过建立地质实时监测模型对盾构机工作中的地质条件进行监测，包括以下步骤：
5.根据权利要求4所述的一种高磨蚀地层的盾构机滚刀磨损预测方法，其特征在于：在步骤S5中，所述超参数优化具体包括以下步骤：
6.根据权利要求5所述的一种高磨蚀地层的盾构机滚刀磨损预测方法，其特征在于：在步骤S6中，所述模型动态接口调整，具体是根据地质实时监测模型输出结果对滚刀磨损预测模型进行接口调整，具体包括以下步骤：
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。