CN110852423B - 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 - Google Patents

基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 Download PDF

Info

Publication number
CN110852423B
CN110852423B CN201911101914.6A CN201911101914A CN110852423B CN 110852423 B CN110852423 B CN 110852423B CN 201911101914 A CN201911101914 A CN 201911101914A CN 110852423 B CN110852423 B CN 110852423B
Authority
CN
China
Prior art keywords
prediction model
tunneling
parameter prediction
data
control parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911101914.6A
Other languages
English (en)
Other versions
CN110852423A (zh
Inventor
武颖莹
李建斌
王杜娟
曹洪波
荆留杰
王军
李小兵
李鹏宇
简鹏
徐剑安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Engineering Equipment Group Co Ltd CREG
Original Assignee
China Railway Engineering Equipment Group Co Ltd CREG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Railway Engineering Equipment Group Co Ltd CREG filed Critical China Railway Engineering Equipment Group Co Ltd CREG
Priority to CN201911101914.6A priority Critical patent/CN110852423B/zh
Publication of CN110852423A publication Critical patent/CN110852423A/zh
Application granted granted Critical
Publication of CN110852423B publication Critical patent/CN110852423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
    • E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
    • E21D9/10—Making by using boring or cutting machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mining & Mineral Resources (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geology (AREA)
  • Earth Drilling (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明提出了一种基于迁移学习的隧道掘进机掘进性能与控制参数预测方法，步骤包括：在线采集反映设备运行状态的隧道掘进机掘进数据；对隧道掘进机掘进数据进行数据预处理，提取每个掘进循环的上升段及稳定段数据；根据已获得的上升段及稳定段数据确认输入及输出特征参数建立已竣工项目数据集；利用深度学习方法建立已竣工项目的掘进性能参数预测模型和控制参数预测模型；建立新开工项目试掘进数据的小样本数据集；基于小样本数据集并利用迁移学习的方法，生成新项目的掘进性能预测模型与控制参数预测模型。本发明能有效解决不同项目之间模型通用性问题，具有应用迅速、准确度高的优点。

Description

基于迁移学习的隧道掘进机掘进性能与控制参数预测方法
技术领域
本发明属于隧道工程隧道掘进机施工技术领域，具体涉及一种基于迁移学习的隧道掘进机掘进性能与控制参数预测方法。
背景技术
隧道掘进机施工具有安全、高效、环保等优点，已经成为长、大隧道施工的首选工法。由于隧道掘进机地质适应性较差，隧道掘进机掘进中的操控很大程度依赖于主司机的个人经验，在掘进过程中，对岩体设备状态变化感知不及时、决策不科学、掘进过程不经济且不高效等的问题普遍存在。在控制参数设置不当时，甚至可能造成严重的工程事故。推力和扭矩是隧道掘进机最重要的性能参数，同时也是限制隧道掘进机掘进的重要因素。预测隧道掘进机适当的控制参数下的性能参数，可为主司机的操作提供重要参考。
目前，众多学者、专家在岩体可掘性评价及隧道掘进机性能预测模型方面做了大量的研究工作。不同工程项目中隧道掘进机型号、设备参数的不同造成了单一模型难以在不同工程中通用的问题。迁移学习的方法能通过冻结部分参数的形式将已生成模型在小样本集数据上进行再训练，能够有效避免小样本集上训练新模型带来的过拟合问题。
发明内容
针对不同隧道掘进机施工项目中模型难以通用的问题，本发明提出了一种基于迁移学习的隧道掘进机掘进性能与控制参数预测方法，通过将已竣工项目中的模型进行再训练并应用于新项目之中，有效解决了不同项目间的模型通用性问题。
为解决以上技术问题，本发明所采用的技术方案如下：
基于迁移学习的隧道掘进机掘进性能与控制参数预测方法，包括如下步骤：
S1，在线采集反映设备运行状态的隧道掘进机掘进数据；
S2，对隧道掘进机掘进数据进行数据预处理，提取每个掘进循环的上升段及稳定段数据；
S3，根据步骤S2获得的上升段及稳定段数据确认输入及数据特征参数，建立已竣工项目数据集，并将已竣工项目数据集分为训练集、验证集及测试集；
S4，基于训练集利用深度学习方法建立已竣工项目的掘进性能参数预测模型和控制参数预测模型，分别输入验证集和测试集对已竣工项目的掘进性能参数预测模型和控制参数预测模型进行验证及测试；
S5，执行步骤S1-S3，建立新开工项目试掘进数据的小样本数据集；
S6，利用迁移学习的方法冻结已竣工项目的掘进性能预测模型与控制参数预测模型的全连接层之前的网络层所有权重参数，激活步骤S4中所述已竣工项目的掘进性能参数预测模型和控制参数预测模型中的部分或全部全连接层，并结合小样本数据集执行步骤S4以生成新项目的掘进性能预测模型与控制参数预测模型。
在步骤S2中，所述数据预处理包括如下步骤：
a.划分循环上升段及稳定段数据；
b.基于3σ准则对稳定段数据异常值剔除，即以稳定段数据均值替代超出μ±3σ的数据，其中μ为数据均值，σ为数据标准差；
c.对稳定段数据进行中值滤波处理，以滤除稳定段数据中的部分噪声。
在步骤S3中，所述数据特征参数包括从刀盘接触掌子面开始的上升段的30s内的推进速度v、刀盘转速n、推进速度预设值、刀盘转速预设值、刀盘贯入度P、单刀推力Fn、单刀滚动力Fr、岩石可掘性指标FPI、岩石可切削性指标TPI和稳定段的推进速度均值、刀盘转速均值、单刀推力均值、单刀滚动力均值、岩石可掘性指标均值、岩石可切削性指标均值。
所述单刀推力Fn的计算公式为：
Figure BDA0002270128410000021
式中，F表示总推力，Ff表示隧道掘进机掘进中所受摩擦阻力，N表示刀盘滚刀的数量；
所述单刀滚动力Fr的计算公式为：
Figure BDA0002270128410000022
式中，T表示刀盘扭矩，Ts表示刀盘转动的空转扭矩，R表示刀盘直径；
所述岩石可掘性指标FPI的计算公式为：
Figure BDA0002270128410000023
式中，P表示贯入度；
所述岩石可切削性指标TPI的计算公式为：
Figure BDA0002270128410000024
在步骤S4中，所述深度学习方法是指在深度学习模型的基础上建立全连接层I和全连接层II，对全连接层I和全连接层II进行拼接，即将全连接层I和全连接层II的神经元以矩阵的拼接的形式合并为一个全连接层，然后将合并后的全连接层连接至全连接层III；所述深度学习模型包括但不限于卷积神经网络CNN或循环神经网络RNN。
在步骤S4中，所述全连接层I的输入为上升段的推进速度v、刀盘转速n、推进速度预设值、刀盘转速预设值、刀盘贯入度P、单刀推力Fn、单刀滚动力Fr、岩石可掘性指标FPI、岩石可切削性指标TPI；
在掘进性能参数预测模型中，全连接层II的输入为前一掘进循环稳定段的岩石可掘性指标均值、岩石可切削性指标均值、当前掘进循环稳定段的推进速度均值和刀盘转速均值；所述掘进性能参数预测模型的输出为当前掘进循环的单刀推力均值、单刀滚动力均值。
在控制参数预测模型中，全连接层II的输入为前一掘进循环的稳定段岩石可掘性指标均值、岩石可切削性指标均值；所述控制参数预测模型的输出为当前掘进循环的推进速度均值、刀盘转速均值。
在步骤S6中，所述部分或全部全连接层的选择依据在小样本数据集上迁移学习得到的掘进性能预测模型和控制参数预测模型在小样本数据集上的表现而定，即模型在新开工项目的训练集、验证集上的均方根误差RMSE和决定系数R2，选择使模型表现最优的激活层数；
均方根误差RMSE的计算公式为：
Figure BDA0002270128410000031
式中，m表示训练集的样本量，yi表示训练集的第i个样本的真实值，yi′表示训练集的第i个样本的预测值；
决定系数R2的计算公式为：
Figure BDA0002270128410000032
式中，
Figure BDA0002270128410000033
为所有真实值y的均值。
本发明的有益效果：
本发明对隧道掘进机掘进数据进行实时在线采集，经过数据预处理、已竣工项目数据集建立后，通过迁移学习的方法，将已竣工项目中建立的掘进性能预测模型与控制参数预测模型迁移至新工程项目的少量数据集上，实现了模型向新项目的迁移以便于新项目工程中快速建立新模型，有效地了解决不同项目之间的模型通用性问题，具有应用迅速、准确度高的优点，且可有效避免小样本集导致的过拟合问题，提高预测准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
图2为一个完整掘进循环的上升段与稳定段划分示意图。
图3为基于RNN的BLSTM的预测模型架构图。
图4为基于CNN的预测模型架构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：一种基于迁移学习的隧道掘进机掘进性能与控制参数预测方法，如图1所示，包括如下步骤：
S1，数据采集：利用传感器在线采集反映设备运行状态的隧道掘进机掘进数据；
所述隧道掘进机掘进数据为通过将近300个传感器进行检测记录的隧道掘进机各功能模块参数，采集频率为1次/秒，每天24h共完成86400次数据采集。
S2，数据预处理：对隧道掘进机掘进数据进行数据预处理，提取每个掘进循环的上升段及稳定段数据；
所述数据预处理包括但不限于如下步骤：
a.如图2所示，基于掘进机是否处于正在掘进及刀盘接触掌子面后是否处于稳定掘进的状态，划分循环上升段及稳定段数据；
b.基于3σ准则对稳定段数据异常值剔除，即以稳定段数据均值替代超出μ±3σ的数据，其中μ为数据均值，σ为数据标准差；
c.对稳定段数据进行中值滤波处理，以滤除稳定段数据中的部分噪声。
S3，建立已竣工项目数据集：根据步骤S2获得的上升段及稳定段数据确认输入及输出特征参数，建立已竣工项目数据集，并按照8:1:1的比例将已竣工项目数据集分为训练集、验证集及测试集；
所述输入及输出特征参数包括刀盘接触掌子面开始30s内上升段的推进速度v、刀盘转速n、推进速度预设值、刀盘转速预设值、刀盘贯入度P、单刀推力Fn、单刀滚动力Fr、岩石可掘性指标(field penetration index，FPI)、岩石可切削性指标(torque penetrationindex，TPI)九个参数，以及稳定段的推进速度均值、刀盘转速均值、单刀推力均值、单刀滚动力均值、岩石可掘性指标均值、岩石可切削性指标均值六个参数。
所述单刀推力Fn的计算公式为：
Figure BDA0002270128410000051
式中，F表示总推力，Ff表示隧道掘进机掘进中所受摩擦阻力，N表示刀盘滚刀的数量；
所述单刀滚动力Fr的计算公式为：
Figure BDA0002270128410000052
式中，T表示刀盘扭矩，Ts表示刀盘转动的空转扭矩，R表示刀盘直径；
所述岩石可掘性指标FPI的计算公式为：
Figure BDA0002270128410000053
式中，P表示刀盘贯入度；
所述岩石可切削性指标TPI的计算公式为：
Figure BDA0002270128410000054
S4，建立已竣工项目的掘进性能参数预测模型和控制参数预测模型：基于训练集利用深度学习方法建立已竣工项目的掘进性能参数预测模型和控制参数预测模型，分别输入验证集和测试集对已竣工项目的掘进性能参数预测模型和控制参数预测模型进行验证及测试；
所述深度学习方法是指在深度学习模型的基础上建立全连接层I和全连接层II，将全连接层I和全连接层II进行拼接，即将全连接层I和全连接层II的神经元以矩阵的形式合并为一个全连接层，然后将合并后的全连接层连接至全连接层III，合并的方法在实际应用中可以采用矩阵相加的方式；所述深度学习模型包括但不限于基于卷积神经网络(convolutional neural network，CNN)或循环神经网络(recurrent neural network，RNN)，基于CNN的预测模型架构图如图4所示。
全连接层I的输入均为上升段30s内的推进速度、刀盘转速、推进速度预设值、刀盘转速预设值、刀盘贯入度P、单刀推力Fn、单刀滚动力Fr、岩石可掘性指标FPI、岩石可切削性指标TPI。
在掘进性能参数预测模型中，全连接层II的输入为前一掘进循环的稳定段岩石可掘性指标均值、岩石可切削性指标均值及当前掘进循环稳定段的推进速度均值、刀盘转速均值，掘进性能参数预测模型的输出为当前掘进循环的单刀推力均值、单刀滚动力均值。
在控制参数预测模型中，全连接层II的输入为前一掘进循环的稳定段岩石可掘性指标均值、岩石可切削性指标均值，控制参数预测模型的输出为当前掘进循环的推进速度均值、刀盘转速均值。
所述深度学习方法还包括误差反向传播算法，所述误差反向传播算法包括如下步骤：
a，当建立已竣工项目的掘进性能参数预测模型和控制参数预测模型时，在已竣工项目数据集上随机初始化已竣工项目的掘进性能参数预测模型和控制参数预测模型的权重系数θ；当生成新项目的掘进性能参数预测模型和控制参数预测模型时，在新开工项目数据集上加载已竣工项目训练完成的网络模型及其权重系数θ，权重系数θ为掘进性能预测模型和控制参数预测模型中待训练的参数；
b，训练集中的输入数据x沿网络模型前向传递得到预测值y′＝g(θ,x)，g函数为掘进性能预测模型和控制参数预测模型的前向传递函数；
c，使用均方误差函数MSE计算预测值y′与真实值y之间的误差；
均方误差函数MSE的计算公式为：
Figure BDA0002270128410000061
式中，m表示训练集的样本量，yi表示训练集的第i个样本的真实值，yi′表示训练集的第i个样本的预测值；
d，通过梯度下降算法，逆向反馈更新步骤a中所述的权重系数，直至误差值收敛；
所述梯度下降算法的计算公式为：
Figure BDA0002270128410000062
式中，:＝表示用该符号右侧的值更新左侧的值，α表示学习率，J(θ)为损失函数即为均方误差函数MSE。
S5，执行步骤S1-S3，建立新开工项目试掘进数据的小样本数据集；
S6，建立新项目的掘进性能预测模型与控制参数预测模型：利用迁移学习的方法冻结已竣工项目的掘进性能预测模型与控制参数预测模型的全连接层之前的网络层所有权重参数，激活步骤S4中所述已竣工项目的掘进性能参数预测模型和控制参数预测模型中的部分或全部全连接层，并结合小样本数据集执行步骤S4以生成适用于新项目的掘进性能预测模型与控制参数预测模型。
所述部分或全部全连接层的选择依据在小样本数据集上迁移学习得到的掘进性能预测模型和控制参数预测模型在小样本数据集上的表现而定，即模型在新开工项目的训练集、验证集上的均方根误差RMSE和决定系数R2，选择使模型表现最优的激活层数，所述最优是指RMSE相对较小，R2相对较高；
所述均方根误差RMSE的计算公式为：
Figure BDA0002270128410000071
所述决定系数R2的计算公式为：
Figure BDA0002270128410000072
式中，
Figure BDA0002270128410000073
为所有真实值y的均值。
实施例2：一种基于迁移学习的隧道掘进机掘进性能与控制参数预测方法，本实施例以基于RNN的双向长短期记忆(bidirectional long short-term memory，BLSTM)模型建立掘进性能参数预测模型为例阐述迁移学习实施的过程，具体步骤包括如下：
a，建立数据样本集；
在已竣工项目全部掘进数据基础上，根据实施例1中步骤S1-S3建立源域样本集；在新实施工程项目试掘进数据的基础上，根据实施例1中步骤S1-S3建立目标域样本集。
b，建立源域隧道掘进机的掘进性能参数预测模型；
BLSTM模型的架构如图3所示，将源域样本集以8:1:1的比例划分为训练集、验证集和测试集，根据BLSTM模型在验证集上的表现对各项模型超参数进行调整，所述模型超参数为不能通过学习算法学习到，需要手工设置来控制算法行为的参数；测试集用于对训练好的模型预测效果进行评价。
c，通过迁移学习建立目标域隧道掘进机的掘进性能参数预测模型；
将目标域样本集以8:1:1的比例划分为训练集、验证集和测试集，冻结上述源域上训练好的BLSTM模型全连接层之前的网络层所有参数，在目标域训练集、验证集上并依据均方根误差、决定系数等评估指标，选择使模型表现最优的激活层数并对其进行训练，最后再在测试集上对预测效果进行评价。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.基于迁移学习的隧道掘进机掘进性能与控制参数预测方法，其特征在于，包括如下步骤：
S1，在线采集反映设备运行状态的隧道掘进机掘进数据；
S2，对隧道掘进机掘进数据进行数据预处理，提取每个掘进循环的上升段及稳定段数据；
在步骤S2中，所述数据预处理包括如下步骤：
a，划分循环上升段及稳定段数据；
b，对稳定段数据进行异常值剔除；
c，对稳定段数据进行中值滤波处理；
S3，根据步骤S2获得的上升段及稳定段数据确认输入及输出特征参数，建立已竣工项目数据集，并将已竣工项目数据集分为训练集、验证集及测试集；
在步骤S3中，所述输入及输出特征参数包括上升段的推进速度、刀盘转速、推进速度预设值、刀盘转速预设值、刀盘贯入度、单刀推力Fn、单刀滚动力Fr、岩石可掘性指标FPI、岩石可切削性指标TPI和稳定段的推进速度均值、刀盘转速均值、单刀推力均值、单刀滚动力均值、岩石可掘性指标均值、岩石可切削性指标均值；
S4，基于训练集利用深度学习方法建立已竣工项目的掘进性能参数预测模型和控制参数预测模型，分别输入验证集和测试集对已竣工项目的掘进性能参数预测模型和控制参数预测模型进行验证及测试；
在步骤S4中，所述深度学习方法是指在深度学习模型的基础上建立全连接层I和全连接层II，对全连接层I和全连接层II进行拼接；所述全连接层I的输入为上升段的推进速度、刀盘转速、推进速度预设值、刀盘转速预设值、刀盘贯入度P、单刀推力Fn、单刀滚动力Fr、岩石可掘性指标FPI、岩石可切削性指标TPI；
在掘进性能参数预测模型中，全连接层II的输入为前一掘进循环稳定段的岩石可掘性指标均值、岩石可切削性指标均值、当前掘进循环稳定段的推进速度均值和刀盘转速均值；所述掘进性能参数预测模型的输出为当前掘进循环的单刀推力均值、单刀滚动力均值；
在控制参数预测模型中，全连接层II的输入为前一掘进循环的稳定段岩石可掘性指标均值、岩石可切削性指标均值；所述控制参数预测模型的输出为当前掘进循环的推进速度均值、刀盘转速均值；
S5，执行步骤S1-S3，建立新开工项目试掘进数据的小样本数据集；
S6，利用迁移学习的方法冻结已竣工项目的掘进性能预测模型与控制参数预测模型的全连接层之前的网络层所有权重参数，激活步骤S4中所述已竣工项目的掘进性能参数预测模型和控制参数预测模型中的部分或全部全连接层，并结合小样本数据集执行步骤S4以生成新项目的掘进性能预测模型与控制参数预测模型。
2.根据权利要求1所述的基于迁移学习的隧道掘进机掘进性能与控制参数预测方法，其特征在于，所述单刀推力Fn的计算公式为：
Figure FDA0003850289830000021
式中，F表示总推力，Ff表示隧道掘进机掘进中所受摩擦阻力，N表示刀盘滚刀的数量；
所述单刀滚动力Fr的计算公式为：
Figure FDA0003850289830000022
式中，T表示刀盘扭矩，Ts表示刀盘转动的空转扭矩，R表示刀盘直径；
所述岩石可掘性指标FPI的计算公式为：
Figure FDA0003850289830000023
式中，P表示刀盘贯入度；
所述岩石可切削性指标TPI的计算公式为：
Figure FDA0003850289830000024
3.根据权利要求1或2所述的基于迁移学习的隧道掘进机掘进性能与控制参数预测方法，其特征在于，所述深度学习模型包括但不限于卷积神经网络或循环神经网络。
4.根据权利要求3所述的基于迁移学习的隧道掘进机掘进性能与控制参数预测方法，其特征在于，在步骤S6中，所述部分或全部全连接层的选择依据迁移学习得到的掘进性能预测模型和控制参数预测模型在小样本数据集上的表现而定，即模型在新开工项目的训练集、验证集上的均方根误差RMSE和决定系数R2，选择使小样本数据集表现最优的激活层数；
所述均方根误差RMSE的计算公式为：
Figure FDA0003850289830000025
式中，m表示训练集的样本量，yi表示训练集第i个样本的真实值，yi′表示训练集第i个样本的预测值；
所述决定系数R2的计算公式为：
Figure FDA0003850289830000026
式中，
Figure FDA0003850289830000027
为所有真实值y的均值。
CN201911101914.6A 2019-11-12 2019-11-12 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 Active CN110852423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911101914.6A CN110852423B (zh) 2019-11-12 2019-11-12 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911101914.6A CN110852423B (zh) 2019-11-12 2019-11-12 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法

Publications (2)

Publication Number Publication Date
CN110852423A CN110852423A (zh) 2020-02-28
CN110852423B true CN110852423B (zh) 2023-01-24

Family

ID=69600221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911101914.6A Active CN110852423B (zh) 2019-11-12 2019-11-12 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法

Country Status (1)

Country Link
CN (1) CN110852423B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582564A (zh) * 2020-04-26 2020-08-25 盾构及掘进技术国家重点实验室 一种tbm岩体条件相关利用率的预测方法
CN111594198B (zh) * 2020-04-30 2021-03-30 东北大学 一种开敞式tbm施工数据掘进循环的划分方法
CN112163316A (zh) * 2020-08-31 2021-01-01 同济大学 一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法
CN112196559B (zh) * 2020-09-30 2021-08-27 山东大学 基于掘进速度与刀具消耗最优的tbm操作参数优化方法
CN112647965B (zh) * 2020-12-09 2022-03-04 山东大学 一种适用于tbm掘进隧道实时预测卡机的方法及系统
CN113032926B (zh) * 2021-03-30 2024-02-02 华能西藏雅鲁藏布江水电开发投资有限公司 基于数据驱动的隧道掘进机刀盘启动扭矩计算方法
CN114075979A (zh) * 2021-04-21 2022-02-22 卢靖 盾构掘进环境变化实时辨识系统及方法
CN113222273B (zh) * 2021-05-26 2022-06-07 中铁十八局集团有限公司 一种基于gwo-fw-mkl-svr算法的tbm掘进速率预测方法
CN113268799B (zh) * 2021-05-27 2024-04-30 深圳市岩土综合勘察设计有限公司 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统
CN113806889A (zh) * 2021-09-18 2021-12-17 中国科学院武汉岩土力学研究所 一种tbm刀盘扭矩实时预测模型的处理方法、装置以及设备
CN114495433B (zh) * 2022-02-07 2023-07-21 盾构及掘进技术国家重点实验室 一种隧道掘进机围岩坍塌预警方法、装置及终端设备
CN114722697A (zh) * 2022-03-09 2022-07-08 山东拓新电气有限公司 一种基于机器学习的掘进机控制参数确定方法及其装置
CN115269567B (zh) * 2022-06-15 2023-04-18 北京交通大学 一种基于机器学习的tbm新建工程数据增强方法
CN115618222B (zh) * 2022-06-21 2023-05-05 北京交通大学 一种隧道掘进响应参数的预测方法
CN115408929A (zh) * 2022-07-22 2022-11-29 北京交通大学 用于隧道掘进施工预测的数据处理方法和装置
CN115268272B (zh) * 2022-08-11 2023-03-28 北京交通大学 一种基于掘进载荷预测的tbm控制参数决策方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745648A (zh) * 2013-12-30 2014-04-23 上海市机械施工集团有限公司 盾构机双模型仿真设备与方法
CN106372748A (zh) * 2016-08-29 2017-02-01 上海交通大学 一种硬岩掘进机的掘进效率预测方法
CN109740800A (zh) * 2018-12-18 2019-05-10 山东大学 适用于隧道tbm掘进岩爆风险分级及预测方法与系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292029A (zh) * 2017-06-20 2017-10-24 重庆大学 一种基于成形缺陷预测板料成形工艺参数的确定方法
CN108304287B (zh) * 2018-01-22 2021-05-28 腾讯科技（深圳）有限公司 一种磁盘故障检测方法、装置以及相关设备
CN109356652B (zh) * 2018-10-12 2020-06-09 深圳市翌日科技有限公司 一种矿井下自适应的火灾分级预警方法及系统
CN109685378B (zh) * 2018-12-27 2020-04-24 中铁工程装备集团有限公司 一种基于数据挖掘的tbm施工围岩可掘性分级方法
CN110020694A (zh) * 2019-04-19 2019-07-16 中铁工程装备集团有限公司 一种基于智能驱动模型的tbm不良地质辨识方法
CN110110419B (zh) * 2019-04-28 2022-11-18 中铁工程装备集团有限公司 一种基于多目标学习的tbm掘进参数预测方法
CN110244344A (zh) * 2019-06-05 2019-09-17 中南大学 一种基于深度学习的tbm超前地质预报方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745648A (zh) * 2013-12-30 2014-04-23 上海市机械施工集团有限公司 盾构机双模型仿真设备与方法
CN106372748A (zh) * 2016-08-29 2017-02-01 上海交通大学 一种硬岩掘进机的掘进效率预测方法
CN109740800A (zh) * 2018-12-18 2019-05-10 山东大学 适用于隧道tbm掘进岩爆风险分级及预测方法与系统

Also Published As

Publication number Publication date
CN110852423A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110852423B (zh) 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法
CN110110419B (zh) 一种基于多目标学习的tbm掘进参数预测方法
CN103870677B (zh) 一种掘进机的掘进参数设定方法
CN112183993B (zh) 一种tbm掘进控制参数智能预测及优化决策方法
CN110083983B (zh) 一种船舶分段航速优化方法和智能管理系统
CN110737986A (zh) 一种无人船能效智能优化仿真系统及方法
CN112131760A (zh) 基于cbam模型的航空发动机剩余寿命预测方法
CN110096827B (zh) 一种基于深度神经网络的盾构机参数优化方法
CN112163316A (zh) 一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法
CN107944648B (zh) 一种大型船舶航速油耗率预测方法
CN110895730B (zh) 一种基于lstm算法的tbm掘进参数的预测方法
CN111079342A (zh) 一种基于在线岩体等级分类的tbm掘进性能预测方法
CN108182328A (zh) 一种适用于失速颤振的大攻角非线性气动力降阶模型
CN112664174B (zh) 一种基于多钻孔的隧道围岩等级判定方法及系统
US11795804B2 (en) Automated concurrent path planning and drilling parameter optimization using robotics
CN113062731B (zh) 一种钻井井下复杂工况智能识别方法
CN113157732A (zh) 一种基于pso-bp神经网络的地下铲运机故障诊断方法
CN113806889A (zh) 一种tbm刀盘扭矩实时预测模型的处理方法、装置以及设备
CN115773127A (zh) 一种泥水平衡盾构智能决策方法、系统、设备及介质
CN113762360B (zh) 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法
CN113111467B (zh) 一种基于混合神经网络的掘进参数预测方法、介质及设备
CN117172360A (zh) 一种基于mlp和高效pso的钻井机械钻速优化方法、系统、设备及介质
CN114036696B (zh) 一种基于神经网络模型微调的刀盘扭矩预测方法及系统
CN115774912A (zh) 一种机理和数据联合驱动的tbm滚刀磨损预测方法
CN114510054A (zh) 掘进机纠偏调向控制方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant