CN111144635B - 基于深度学习的tbm操作参数决策方法及系统 - Google Patents
基于深度学习的tbm操作参数决策方法及系统 Download PDFInfo
- Publication number
- CN111144635B CN111144635B CN201911330197.4A CN201911330197A CN111144635B CN 111144635 B CN111144635 B CN 111144635B CN 201911330197 A CN201911330197 A CN 201911330197A CN 111144635 B CN111144635 B CN 111144635B
- Authority
- CN
- China
- Prior art keywords
- tunneling
- tbm
- speed
- cutterhead
- cutter head
- 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
Links
Images
Classifications
-
- 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
- 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
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本公开提供了一种基于深度学习的TBM操作参数决策方法及系统,接收TBM掘进实时机械参数信息;利用深度学习神经网络构建出总推进力和刀盘总扭矩与推进速度和刀盘转速的实时映射关系;基于获取的映射关系,根据施工现场需求,设定相适配的掘进速度设定值和刀盘转速给定值,构成TBM操作参数决策方案。克服了当前由司机驾驶TBM时,无法量化了解随着TBM向前掘进而变化的岩体和TBM力学上相互作用的关系,而对TBM操作参数进行盲目决策导致的各种效率和安全的问题。本公开在不需要对隧道中岩体进行取芯实验的情况下,仅依据TBM记录的机器数据高效及时的计算出掘进的最佳策略,对TBM的高效安全掘进做出了贡献。
Description
技术领域
本公开属于TBM实时智能决策技术领域,涉及一种基于深度学习的TBM操作参数决策方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
与传统的钻爆法施工相比,隧道掘进机施工具有“掘进速度快、成洞质量高、综合经济效益高、施工安全文明”等显著优势,日本、美国、欧洲等发达国家采用掘进机施工的隧道比例超过80%,而随着我国隧道建设的不断发展,隧道掘进机也将得到越来越多的应用。
与此同时,众多工程实践表明,隧道掘进机对地质条件的适应性较差,突水突泥、塌方等地质灾害以及由此诱发的卡机甚至机毁人亡等重大事故给隧道掘进机安全施工带来了重大挑战。另一方面,TBM的掘进过程中,司机由于对地质条件不明,岩体信息无法及时了解,对TBM的驾驶参数的选择具有盲目性和经验性,没有量化的掘进,因此会造成掘进缓慢,TBM刀盘磨损快导致工期延误,能源消耗大,同时也是导致卡机的重要原因。
发明内容
本公开为了解决上述问题,提出了一种基于深度学习的TBM操作参数决策方法及系统,本公开将TBM掘进时实时记录下来的机械参数信息通过深度学习神经网络构建出总推进力和刀盘总扭矩与推进速度和刀盘转速的实时映射关系,利用通过深度学习获取的映射关系,根据施工现场需求,来对参数掘进速度设定值和刀盘转速给定值根据不同的施工需求做出高速、高效和安全的智能决策方案。
根据一些实施例,本公开采用如下技术方案:
一种基于深度学习的TBM操作参数决策方法,包括以下步骤:
接收TBM掘进实时机械参数信息;
利用深度学习神经网络构建出总推进力和刀盘总扭矩与推进速度和刀盘转速的实时映射关系;
基于获取的映射关系,根据施工现场需求,设定相适配的掘进速度设定值和刀盘转速给定值,构成TBM操作参数决策方案。
作为可选择的实施方式,利用深度学习神经网络构建出总推进力和刀盘总扭矩与推进速度和刀盘转速的实时映射关系的具体过程包括:利用卷积神经网络,以当前时间之前设定时间内记录的机器状态参数为输入,计算出当前状态下,总推进力和刀盘扭矩与推进速度和转速的对应关系。
作为可选择的实施方式,所述卷积神经网络以一定时间间隔连续的时序机械状态数据矩阵作为输入,其卷积方式为在时间长度方向上和机械参数方向上以宽度为一的卷积核交替进行全卷积,并且最后有两层全连接层,且第一层全连接层上拼接有当前的总推进值力和刀盘扭矩值。
作为可选择的实施方式,所述卷积神经网络经过训练,且训练数据来自TBM掘进过程中以一定连续时间段的所有机器参数形成的矩阵和该时间段之后一定时间内的总推进力和刀盘扭矩作为输入,该刀盘扭矩和总推进力取值时间点对应的刀盘转速和推进速度作为和输入对应的标签形成的训练数据训练成的卷积神经网络。
作为可选择的实施方式,不同掘进速度设定值和刀盘转速给定值与总推进力和刀盘总扭矩的实时映射关系,是指在神经网络训练好之后,每间隔一段时间,除总推进力和刀盘扭矩之外,将其他输入参数固定为当前TBM的状态参数,然后将刀盘扭矩和总推进力在合理范围内以插值的方式多次输入神经网络,获取不同的总推进力和刀盘扭矩在当前状况下对应的推进速度和刀盘转速。
作为可选择的实施方式,根据施工现场需求,具有四种模式:
第一种模式为快速掘进模式,以推进速度为第一优先级,找到机械许可条件下达到最大速度需要决策出的转速和推进速度的设定值;
第二种模式为高效掘进模式,在有外在因素导致的最大推进速度限制情况下,对决策出TBM在当前受限速度下能使刀盘受到的扭矩或者所消耗能源最小的控制参数;
第三种模式为人工判断掘进模式,依据实时映射关系,综合最快速度、最小受力和最小破碎比能三个方面,进行决策;
第四种模式为安全掘进模式,保证TBM的驱动电机一直在额定范围内工作为前提,确定在TBM机械额定范围内的推进速度设定值和转速设定值的合理变化路线。
作为进一步的限定,根据刀盘的功率计算方法,功率为刀盘转速和刀盘扭矩的乘积,根据获取的映射关系,计算出符合TBM额定工作强度范围,即刀盘功率小于额定刀盘功率,总推进力小于额定最大总推进力的范围,并在这个范围中计算出最大推进速度以及与其对应的刀盘转速,该推进速度和转速即为输出的推进速度和转速的设定值。
一种基于深度学习的TBM操作参数决策系统,包括:
推理模块,被配置为接收TBM掘进实时机械参数信息,利用深度学习神经网络构建出总推进力和刀盘总扭矩与推进速度和刀盘转速的实时映射关系;
决策模块,被配置为基于获取的映射关系,根据施工现场需求,设定相适配的掘进速度设定值和刀盘转速给定值,构成TBM操作参数决策方案。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于深度学习的TBM操作参数决策方法的步骤。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于深度学习的TBM操作参数决策方法的步骤。
与现有技术相比,本公开的有益效果为:
本公开将TBM掘进时实时记录下来的机械参数信息通过深度学习神经网络构建出总推进力和刀盘总扭矩与推进速度和刀盘转速的实时映射关系,利用通过深度学习获取的映射关系,根据施工现场需求,来对参数掘进速度设定值和刀盘转速给定值根据不同的施工需求做出高速、高效和安全的智能决策方案,充分发挥了TBM的性能和潜力,在现有情况下提高了施工的效率。
本公开的深度学习神经网络的参数将根据TBM实时记录的机器状态参数不断更新,以适应向前掘进后岩体条件和地质条件的变化而引起的总推进力和刀盘总扭矩,与推进速度和刀盘转速的实时映射关系的变化,保证决策方案的准确性和及时性。
本公开克服了当前由司机驾驶TBM时,由于司机无法及时对岩体条件和进行了解,无法量化了解随着TBM向前掘进而变化的岩体和TBM力学上相互作用的关系,而对TBM操作参数进行盲目决策导致的各种效率和安全的问题。本公开在不需要对隧道中岩体进行取芯实验的情况下,仅依据TBM记录的机器数据高效及时的计算出掘进的最佳策略,对TBM的高效安全掘进做出了贡献。
本公开提出了在设定速度下,以最低破碎比能或最小刀盘扭矩为优化目标,计算出了的最佳掘进方案。以最低破碎比能为目标时,在保证施工速度的同时,最小化了施工能耗,降低了工程的能源成本。以最小刀盘扭矩为优化目标时,在保证推进速度的同时,使刀盘平均受力最小,在统计意义上降低了刀具的磨损,从而减少了刀具的更换的次数和刀具更换的所需时间,整体上提高了工程的施工效率,降低了工程的耗材成本。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是TBM操作参数实时智能决策系统整体示意图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
一种基于深度学习的TBM驾驶参数智能决策系统,分为两个模块,推理模块和决策模块。推理模块由经过现场数据训练过的卷积神经网络组成,以当前和之前数秒内的机器状态参数作为输入,以当前推进速度和刀盘转速作为输出,然后以在合理范围内的方式构建出不同总推进力和刀盘总扭矩与掘进速度和刀盘转速的实时映射关系,并且实时更新神经网络的参数以适应地质和岩体条件变化。决策模块是在推理模块所计算出的对应关系上,根据现场施工需要对TBM的主要操作参数推进速度设定值和刀盘转速给定值做出决策,主要有以下四个功能:
功能一:快速掘进。无其他特殊限制下,以推进速度为第一优先级,找到机械许可条件下达到最大速度司机需要决策出的转速和推进速度的设定值;
功能二:高效掘进。在有外在因素导致的最大推进速度限制情况下(包括但不限于皮带机送渣量限制,隧道内卡车运渣能力限制等),即推进速度受限请况下,对决策出TBM在当前受限速度下能使刀盘受到的扭矩或者所消耗能源最小(破碎比能最小)的控制参数;
功能三:司机评价。依据推理模块所计算出的对应关系,以最快速度,最小受力,最小破碎比能等三个方面,对司机自主驾驶的优劣提出定量的评价标准,可以作为司机自主驾驶的考核指标;
功能四:安全加速。制定合理的加速策略,使TBM的加速过程安全有效。
所述的TBM掘进过程中实时记录下来的机械参数,每秒钟记录下来的所有如推进速度,刀盘转速,各电机功率等根据TBM型号不同几十到几百种机器参数。
所述的经过现场数据训练过的卷积神经网络,指由TBM掘进过程中大量记录的以一定连续时间段(30秒到200秒内)的所有机器参数形成的矩阵和该时间段短时间后(三十秒到两分钟后)的总推进力和刀盘扭矩作为输入,该刀盘扭矩和总推进力取值时间点对应的刀盘转速和推进速度作为和输入对应的标签形成的训练数据训练成的卷积神经网络。具体地说,该卷积神经网络将连续时间段的数据矩阵在时间维度上和空间维度上进行交替卷积,在经过十二层卷积后产生一个向量,将该向量与总推进力和刀盘扭矩作形成的二维向量进行拼接,然后经过两层全连接层输出一个二维向量,将该二维向量以刀盘转速和推进速度作为标签对神经网络进行训练。
所述的不同掘进速度设定值和刀盘转速给定值与总推进力和刀盘总扭矩的实时映射关系,是指在神经网络训练好之后,每间隔五秒,除总推进力和刀盘扭矩之外,将其他输入参数固定为当前TBM的状态参数,然后将刀盘扭矩和总推进力在合理范围内(刀盘扭矩从600kN/m到3500kN/m,总推进力从6000kN到18000kN)以插值的方式多次输入神经网络,获取不同的总推进力和刀盘扭矩在当前状况下对应的推进速度和刀盘转速。即每间隔五秒更新一次不同掘进速度设定值和刀盘转速给定值与总推进力和刀盘总扭矩的实时映射关系。
所述的实时更新实时网络参数以适应地质和岩体条件变化,在掘进过程中,每过一定时间,将这短时间内新记录的机器状态参数如总推进力,刀盘扭矩,推进速度等数据作为一个训练数据,再从之前掘进随机抽取9个训练数据,作为一个训练集,进行10次学习率为1×10-6的梯度下降,更新神经网络中的参数,使网络能不断适应岩石条件变化,获取更准确的映射关系。
所述的决策模块的第一个功能,根据刀盘的功率计算方法,功率=刀盘转速×刀盘扭矩,在推理模块获取的映射关系中,计算出符合TBM额定工作强度范围,即刀盘功率小于额定刀盘功率,总推进力小于额定最大总推进力的范围。并在这个范围中计算出最大推进速度以及与其对应的刀盘转速,该推进速度和转速即为智能决策算法输出的最快掘进方案的推进速度和转速的设定值。考虑到安全问题以及推理模块的计算误差,将该推进速度的90%作为最终推进速度设定值。
所述的决策模块的第二个功能,同功能一中,首先计算出符合TBM额定工作强度的范围,然后计算出当前指定推进速度下,在工作强度范围内的转速范围。在这个转速范围中,找出扭矩最小时和破碎比能最小时的对应的转速值。该转数值和给定推进速度值,应作为智能决策算法最终的输出值。应注意,根据计算推理模块计算,在转速过低时,TBM掘进过程会非常不稳定,在以最小破碎比能为目标时,若最小破碎比能对应转速值低于最小扭矩对应刀盘转速值,以最小扭矩对应的转速值作为决策系统最终转速设定值。
所述的决策模块的第三个功能,以第一个功能和第二个功能为基础,根据施工现场情况,在最高推进速度,推进速度给定时刀盘扭矩达到最小等不同需求下,对比TBM司机操作的设定值和决策模块输出的设定值,其转速设定值和推进速度设定值的百分比准确率的平均作为分数可以作为司机驾驶水平打分。司机设定值与决策系统设定值偏差越小,分数越高,其驾驶水平越高。该分数可作为司机驾驶水平的评价指标。
所述的决策模块的第四个功能,制定合理的加速策略。在TBM掘进过程中,推进速度较低时,符合主驱动电机额定输出功率的刀盘转速范围较大,在推进速度上升时,该范围会不断减小,且该范围会根据地质条件和岩体条件的不同不断变化。如果加速时盲目提高推进速度设定值,且并没有对转速做出适当的调整,会导致主驱动电机功率超过额定功率。为保证驱动电机一直在额定范围内工作,决策模块会根据推理模块计算出的对应关系,寻找在TBM机械额定范围内的推进速度设定值和转速设定值的合理变化路线,从而让加速过程安全稳定。
如图1所示,第一步,介绍TBM掘进参数实时智能决策系统推理模块中的神经网络的训练方式。
首先,制作数据集。将当前施工隧道已挖掘段的TBM记录的数据进行处理。分割出每个单独的掘进循环,并去除掉每个掘进段中的起步阶段(刀盘开始旋转但是尚未掌子面接触之前)和停止阶段(每个掘进循环的最后20秒)。对每个掘进循环随机提取20个不同的连续90秒的机器状态参数时间序列(不同时间序列之间可以有互相重叠的时间段),将每个序列的前60秒所有数据形成的矩阵和第90秒的总推进力和刀盘扭矩作为神经网络的输入数据,第90秒的推进速度和刀盘转速作为与之对应的标签存入数据集。
然后,搭建神经网络。其中卷积层的输入大小为60×197的矩阵,其中60为60秒长的时间序列,每个时间点上有197个机械状态参数。第一层将每个时间点上的机械状态参数以1×197的卷积核进行全卷积,并输出60×256的矩阵,然后在60秒的时间维度上以60×1的卷积核进行全卷积,输出32×256的矩阵,以此类推一次在机械参数的维度和时间序列的维度上交替进行全卷积,一次输出32×512,16×512,16×1024,8×1024,8×2048,1×2048的矩阵。然后将其拼接上一个1×2的向量得到长度为2050的向量,将这个向量经过两层1024个神经元的全连接神经网络,输出一个长度为2的向量。其中每层神经网络的激活函数都是ReLu,且输入数据和卷积层的每层输出都经过标准化和归一化。
最后,将数据集用于神经网络的训练,将数据集中60秒序列的矩阵输入卷积层,总推进力和刀盘扭矩输入全连接层拼接处的1×2的向量,将推进速度和刀盘转速作为神经网络输出的标签进行训练。训练的BatchSize为20,优化方法为Adam优化方法,学习率为1×10-6。
除此之外,在掘进过程中,每90秒用这90秒内记录的机器数据生成一个训练数据,并加入数据集,并将这个训练数据和训练集其它数据中随机抽取的9个训练数据样本合成一个含10个训练样本的小训练集,并让神经网络在这个小训练集上进行十次学习率为1×10-6的随机梯度下降以更细神经网络参数。
第二步,以遍历的方法,计算出合理范围内总推进力和刀盘扭矩与推击速度和刀盘转速的对应关系。在刀盘扭矩从600kN/m到3500kN/m,总推进力从6000kN到18000kN的范围内,以100为间隔均匀生成共计3480个扭矩和总推进力的组合。并将卷积层输入固定为当前时间点60秒内的机器参数,分别将这3480个组合输入神经网络,计算出与之对应的推进速度和刀盘转速的值。
第三步,根据TBM生产厂商标定的额定总推进力和额定主驱动电机功率,计算出第二步3480个点中符合额定工作范围的刀盘扭矩和总推进力组合和所对应的推进速度和刀盘转速,然后根据需求,运行决策模块中的各功能。
若岩体条件稳定,无溶洞断层等不良地质等状况,则运行决策模块的功能1。在之前计算出的符合额定工作状况的总推进力和刀盘扭矩组合所对应的推进速度和刀盘转速中,选取出推进速度最大的点。考虑到安全问题以及推理模块的计算误差,将该点推进速度的90%作为最终推进速度设定值,该点的转速值作为刀盘转速设定值。
若因为外在条件需要控制推进速度,则运行决策模块功能2。将符合额定工作范围的点进行二次插值,构建出一个曲面,在给定速度的曲线上找到刀盘扭矩最小的点,并根据破碎比能公式计算出最小破碎比能所对应的点。该点的刀盘转速则为决策系统输出的刀盘转速设定值。应注意,由于转速过低时,TBM掘进过程会非常不稳定,刀盘扭矩可能会急剧上升,在以最小破碎比能为目标时,若最小破碎比能对应转速值低于最小扭矩对应刀盘转速值,以最小扭矩对应的转速值作为决策系统最终转速设定值。
若作为司机培训或考核时,以第一个功能和第二个功能为基础,根据施工现场情况,在最高推进速度,推进速度给定时刀盘扭矩达到最小等不同需求下,对比TBM司机操作的设定值和决策模块输出的设定值,其转速设定值和推进速度设定值的百分比准确率的平均作为分数可以作为司机驾驶水平打分。司机设定值与决策系统设定值偏差越小,分数越高,其驾驶水平越高。
若需要加速时,运行决策模块的功能四。在TBM掘进过程中,推进速度较低时,符合主驱动电机额定输出功率的刀盘转速范围较大,在推进速度上升时,该范围会不断减小,且该范围会根据地质条件和岩体条件的不同不断变化。根据二次插值的结果,实时将转速调节到当前推进速度下符合住主驱动电机额定功率的转速上,不断加大推进速度设定值,保证加速过程中的平稳、安全和高效。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (6)
1.一种基于深度学习的TBM操作参数决策方法,其特征是:包括以下步骤:
接收TBM掘进实时机械参数信息;
利用深度学习神经网络构建出总掘进力和刀盘扭矩与掘进速度和刀盘转速的实时映射关系;
基于获取的映射关系,根据施工现场需求,设定相适配的掘进速度设定值和刀盘转速给定值,构成TBM操作参数决策方案;
利用深度学习神经网络构建出总掘进力和刀盘扭矩与掘进速度和刀盘转速的实时映射关系的具体过程包括:利用卷积神经网络,以当前时间之前设定时间内记录的机器状态参数为输入,计算出当前状态下,总掘进力和刀盘扭矩与掘进速度和刀盘转速的对应关系;
所述卷积神经网络以一定时间间隔连续的时序机械状态数据矩阵作为输入,其卷积方式为在时间序列方向上和机械参数方向上以宽度为一的卷积核交替进行全卷积,并且最后有两层全连接层,且第一层全连接层上拼接有当前的总掘进力和刀盘扭矩;
所述卷积神经网络,是经过来自TBM掘进过程中以一定连续时间段的所有机器参数形成的矩阵和该时间段之后一定时间内的总掘进力和刀盘扭矩作为输入,该刀盘扭矩和总掘进力取值时间点对应的刀盘转速和掘进速度作为和输入对应的标签形成的训练数据训练而成的;
不同掘进速度和刀盘转速与总掘进力和刀盘扭矩的实时映射关系,是指在神经网络训练好之后,每间隔一段时间,除总掘进力和刀盘扭矩之外,将其他输入参数固定为当前TBM的状态参数,然后将刀盘扭矩和总掘进力以插值的方式多次输入神经网络,获取不同的总掘进力和刀盘扭矩在当前状况下对应的掘进速度和刀盘转速。
2.如权利要求1所述的一种基于深度学习的TBM操作参数决策方法,其特征是:根据施工现场需求,具有四种模式:
第一种模式为快速掘进模式,以掘进速度为第一优先级,找到机械许可条件下达到最大速度需要决策出的刀盘转速和掘进速度的设定值;
第二种模式为高效掘进模式,在有外在因素导致的最大掘进速度限制情况下,对决策出TBM在当前受限速度下能使刀盘受到的扭矩或者所消耗能源最小的控制参数;
第三种模式为人工判断掘进模式,依据实时映射关系,综合最快速度、最小受力和最小破碎比能三个方面,进行决策;
第四种模式为安全掘进模式,保证TBM的驱动电机一直在额定范围内工作为前提,确定在TBM机械额定范围内的掘进速度设定值和刀盘转速给定值的合理变化路线。
3.如权利要求2所述的一种基于深度学习的TBM操作参数决策方法,其特征是:根据刀盘的功率计算方法,功率为刀盘转速和刀盘扭矩的乘积,根据获取的映射关系,计算出符合TBM额定工作强度范围,即刀盘功率小于额定刀盘功率,总掘进力小于额定最大总掘进力的范围,并在这个范围中计算出最大掘进速度以及与其对应的刀盘转速,该掘进速度和刀盘转速即为输出的掘进速度设定值和刀盘转速给定值。
4.一种基于深度学习的TBM操作参数决策系统,其特征是:包括:
推理模块,被配置为接收TBM掘进实时机械参数信息,利用深度学习神经网络构建出总掘进力和刀盘扭矩与掘进速度和刀盘转速的实时映射关系;
决策模块,被配置为基于获取的映射关系,根据施工现场需求,设定相适配的掘进速度设定值和刀盘转速给定值,构成TBM操作参数决策方案;
利用深度学习神经网络构建出总掘进力和刀盘扭矩与掘进速度和刀盘转速的实时映射关系的具体过程包括:利用卷积神经网络,以当前时间之前设定时间内记录的机器状态参数为输入,计算出当前状态下,总掘进力和刀盘扭矩与掘进速度和刀盘转速的对应关系;
所述卷积神经网络以一定时间间隔连续的时序机械状态数据矩阵作为输入,其卷积方式为在时间序列方向上和机械参数方向上以宽度为一的卷积核交替进行全卷积,并且最后有两层全连接层,且第一层全连接层上拼接有当前的总掘进力和刀盘扭矩;
所述卷积神经网络,是经过来自TBM掘进过程中以一定连续时间段的所有机器参数形成的矩阵和该时间段之后一定时间内的总掘进力和刀盘扭矩作为输入,该刀盘扭矩和总掘进力取值时间点对应的刀盘转速和掘进速度作为和输入对应的标签形成的训练数据训练而成的;
不同掘进速度和刀盘转速与总掘进力和刀盘扭矩的实时映射关系,是指在神经网络训练好之后,每间隔一段时间,除总掘进力和刀盘扭矩之外,将其他输入参数固定为当前TBM的状态参数,然后将刀盘扭矩和总掘进力以插值的方式多次输入神经网络,获取不同的总掘进力和刀盘扭矩在当前状况下对应的掘进速度和刀盘转速。
5.一种计算机可读存储介质,其特征是:其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行如权利要求1-3中任一项所述的一种基于深度学习的TBM操作参数决策方法的步骤。
6.一种终端设备,其特征是:包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行如权利要求1-3中任一项所述的一种基于深度学习的TBM操作参数决策方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911330197.4A CN111144635B (zh) | 2019-12-20 | 2019-12-20 | 基于深度学习的tbm操作参数决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911330197.4A CN111144635B (zh) | 2019-12-20 | 2019-12-20 | 基于深度学习的tbm操作参数决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144635A CN111144635A (zh) | 2020-05-12 |
CN111144635B true CN111144635B (zh) | 2022-07-12 |
Family
ID=70519223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911330197.4A Active CN111144635B (zh) | 2019-12-20 | 2019-12-20 | 基于深度学习的tbm操作参数决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144635B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111594201B (zh) * | 2020-05-28 | 2021-08-13 | 中铁工程装备集团有限公司 | 一种tbm关键参数智能控制系统及方法 |
CN111881550A (zh) * | 2020-06-16 | 2020-11-03 | 中建五局土木工程有限公司 | 基于掘进能量的土压平衡盾构渣土改良效果评价方法 |
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 |
CN112182973B (zh) * | 2020-09-30 | 2022-11-04 | 山东大学 | 考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法 |
CN112196560B (zh) * | 2020-09-30 | 2022-03-04 | 山东大学 | 基于掘进速度和破碎比能最优的tbm操作参数优化方法 |
CN112862147A (zh) * | 2020-11-19 | 2021-05-28 | 河南汇祥通信设备有限公司 | 基于bp神经网络的综合管廊运维风险评价模型及方法 |
CN112580165B (zh) * | 2020-12-14 | 2022-07-29 | 山东大学 | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及系统 |
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 |
CN113486463B (zh) * | 2021-07-02 | 2023-05-02 | 中铁工程装备集团有限公司 | 基于深度强化学习的盾构最优自主掘进控制方法 |
CN114439500B (zh) * | 2021-12-16 | 2023-09-05 | 山东大学 | 基于随钻测试的tbm穿越不良地质智能掘进系统与方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107632523A (zh) * | 2017-09-30 | 2018-01-26 | 中铁工程装备集团有限公司 | 一种硬岩tbm掘进控制参数智能决策方法及系统 |
EP3330745A1 (de) * | 2016-12-01 | 2018-06-06 | Amberg Technologies AG | Verfahren zur vorauserkundung im tunnelbau |
CN109358505A (zh) * | 2018-10-26 | 2019-02-19 | 中铁工程装备集团有限公司 | 一种tbm智能驾驶方法及系统 |
CN110109895A (zh) * | 2019-03-29 | 2019-08-09 | 山东大学 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
-
2019
- 2019-12-20 CN CN201911330197.4A patent/CN111144635B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3330745A1 (de) * | 2016-12-01 | 2018-06-06 | Amberg Technologies AG | Verfahren zur vorauserkundung im tunnelbau |
CN107632523A (zh) * | 2017-09-30 | 2018-01-26 | 中铁工程装备集团有限公司 | 一种硬岩tbm掘进控制参数智能决策方法及系统 |
CN109358505A (zh) * | 2018-10-26 | 2019-02-19 | 中铁工程装备集团有限公司 | 一种tbm智能驾驶方法及系统 |
CN110109895A (zh) * | 2019-03-29 | 2019-08-09 | 山东大学 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
Non-Patent Citations (1)
Title |
---|
Recurrent neural networks for real-time prediction of TBM operating parameters;Xianjie Gao et al;《Automation in Construction》;20181203;第98卷;第225-235页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111144635A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144635B (zh) | 基于深度学习的tbm操作参数决策方法及系统 | |
US11130407B2 (en) | Method of cooling control for drive motor of electric vehicle | |
CN104590259B (zh) | 一种轨迹搜寻方法和系统 | |
CN110779530B (zh) | 车辆路径生成方法、装置和存储介质 | |
CN112182973B (zh) | 考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法 | |
CN113635943B (zh) | 列车辅助驾驶方法、系统、设备及计算机可读存储介质 | |
CN102411847B (zh) | 一种交通信号优化方法 | |
CN106056238A (zh) | 列车区间运行轨迹的规划方法 | |
Josevski et al. | Energy management of parallel hybrid electric vehicles based on stochastic model predictive control | |
CN105022269A (zh) | 仿生机器鱼关节的控制方法及装置 | |
CN110119551A (zh) | 基于机器学习的盾构机刀具磨损退化关联特征分析方法 | |
CN111291500A (zh) | 一种基于土压平衡盾构机参数数据的反演建模方法 | |
CN106683221A (zh) | 一种电动汽车剩余里程的二次处理算法 | |
CN103991389A (zh) | 一种燃料电池混合动力公交车能量管理方法及装置 | |
CN106948818A (zh) | 一种多轮分层放煤法 | |
CN106647269B (zh) | 一种机车智能操纵优化计算方法 | |
CN103552483B (zh) | 基于级联电机的电动汽车的驱动系统及其驱动方法 | |
CN112196560B (zh) | 基于掘进速度和破碎比能最优的tbm操作参数优化方法 | |
Karbowska-Chilinska et al. | Genetic algorithm with path relinking for the orienteering problem with time windows | |
CN112796747B (zh) | 基于多目标的油气钻井策略预测方法及装置 | |
CN113158561B (zh) | 适用于多种岩体条件的tbm操作参数优化方法及系统 | |
CN103903064A (zh) | 一种用于基于空间缩减多状态系统维修策略的优化系统 | |
Meintz et al. | Control strategy optimization for a parallel hybrid electric vehicle | |
CN115269567B (zh) | 一种基于机器学习的tbm新建工程数据增强方法 | |
CN112721929A (zh) | 一种基于搜索技术的自动驾驶车辆变道行为决策方法 |
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 |