CN111488694A - 基于多元线性自回归的泥水盾构机掘进关键参数预测方法 - Google Patents
基于多元线性自回归的泥水盾构机掘进关键参数预测方法 Download PDFInfo
- Publication number
- CN111488694A CN111488694A CN202010301778.1A CN202010301778A CN111488694A CN 111488694 A CN111488694 A CN 111488694A CN 202010301778 A CN202010301778 A CN 202010301778A CN 111488694 A CN111488694 A CN 111488694A
- Authority
- CN
- China
- Prior art keywords
- data
- tunneling
- slurry
- data set
- multiple linear
- 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.)
- Granted
Links
- 239000002002 slurry Substances 0.000 title claims abstract description 70
- 230000005641 tunneling Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010276 construction Methods 0.000 claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000001360 synchronised effect Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 10
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000002596 correlated effect Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000009412 basement excavation Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910000278 bentonite Inorganic materials 0.000 description 1
- 239000000440 bentonite Substances 0.000 description 1
- SVPXDRXYRYOSEX-UHFFFAOYSA-N bentoquatam Chemical compound O.O=[Si]=O.O=[Al]O[Al]=O SVPXDRXYRYOSEX-UHFFFAOYSA-N 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001141 propulsive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
- E21D9/08—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining with additional boring or cutting means other than the conventional cutting edge of the shield
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Mining & Mineral Resources (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种基于多元线性自回归的泥水盾构机掘进关键参数预测方法，包括如下步骤：1、提取历史运行数据,形成数据集data1；2、在数据集data1中选取正常掘进段数据，形成数据集data2；3、对数据集data2进行去噪和归一化处理，形成数据集data3；4、对数据集data3进行属性间相关性等初步数据分析，提取与待预测指标明显线性相关的属性列数据，形成数据集data4；5、将数据集data4的数据以整环为单位划分为训练集和测试集，确定模型拟合参数；6、提取泥水盾构机的实时掘进数据，代入学习的多元线性自回归模型，计算出预测指标的值。本发明将机器学习方法应用于盾构工程施工数据的处理中，建立泥水盾构机中掘进关键参数的关联模型，预测泥水盾构机掘进过程中关键参数值，为泥水盾构机的操控提供指导。
Description
技术领域
本发明属于泥水盾构机施工技术领域，特别涉及一种基于多元线性自回归的泥水盾构机掘进关键参数预测方法。
背景技术
泥水盾构机在机械式盾构的前部设置密封隔板，与刀盘之间形成泥水舱，泥水仓中的高压泥水或泥浆(通常为膨润土悬浮液)也通过刀盘开口渗入开挖面形成不透水的泥膜，泥膜的张力保持水压力以平衡作用于开挖面的土压力和水压力。在掘进过程中，随着刀盘旋转不断切削岩土并通过刀盘开口进入泥水舱，经搅拌装置搅拌后形成高浓度泥水，用流体输送方式送到地面泥水分离系统，将碴土、水分离后重新送回泥水仓，这就是泥水加压平衡式盾构法的主要特征。因为泥水盾构机依靠泥水压力使掘削面保持稳定平衡，故称之为泥水加压平衡盾构机，简称泥水盾构机。
泥水盾构机具有耐高水压、适用地层范围广、开挖面稳定性高、对地层扰动小等优点，主要适用于地下水压大、土体渗透系数大的地质状况，广泛用于越江隧道、海底隧道和埋深大、施工环境复杂的城市隧道的施工。
泥水盾构机在施工过程中，由于地层结构的多变性，操作人员需要不断调整掘进参数，如刀盘转速、总推进力、进浆流量、排浆流量等，以维持盾构机处在安全、稳定的掘进状态。如何合理地调整泥水盾构机的掘进参数，是盾构工程施工中需要解决的重要问题。
国内外有些技术人员通过研究盾构掘进参数与地层之间的关联性，基于模型试验或机械系统受力分析来建立各掘进参数间数学预测模型，从而对工程中盾构的参数调节做出指导性的建议。可是，由于盾构机结构复杂，分析推导过程中需要大量简化各种复杂的约束条件，因此，这样所得到的预测模型只适合于理想的环境，仅能部分地解决掘进参数预测问题。
近期，中国专利公开号为CN110069893A，公开了一种基于多项式回归的盾构机掘进参数的预测方法，将基于机器学习的大数据处理方法应用于盾构工程数据的处理中，通过将盾构工程大数据经过清洗和统计处理后经过机器学习方法进行特征学习的方法，借助于机器学习算法的数据高层特征抽取能力，对运行参数和运行效率高效建模，从而对工程中盾构的参数调节做出指导性的建议，具有人工智能的特性。但是，该专利申请的预测方法只适用于土压盾构而不适用于泥水盾构。
综上所述，如何提供一种能够有效的数学模型，是目前本领域亟待解决的问题。
发明内容
本发明的目的是，针对上述问题，提出了一种基于多元线性自回归的泥水盾构机掘进关键参数预测方法，可以从施工历史数据中学习出参考模型，然后根据当前泥水盾构机运行数据和地质条件，计算出总推进力、刀盘扭矩、进浆流量、排浆流量等关键参数的预测值，为泥水盾构机的操作提供指导。盾构机在每环施工时都经历启动和掘进、停机等阶段，掘进时具有一定的惯性，表现为掘进时的施工数据有自相关性。本发明的方案是基于多元线性自回归，最大优点是既考虑了系统的惯性，又考虑到了多个参数之间的相关性。
一种基于多元线性自回归的泥水盾构机掘进关键参数预测方法，包括如下步骤：
步骤A：提取与施工作业同类型的泥水盾构机在类似地质条件下的历史施工数据作为样本数据集data1；
步骤B：将数据集data1中的每一环都分成启动段和正常掘进段，提取正常掘进段的数据，形成数据集data2；
步骤C：对数据集data2进行去噪和归一化处理，形成数据集data3。
对数据集data2中除环号、时间之外的各参数列，将0.1和0.9分位点确定为正常数据区间的下界和上界，剔除异常值。然后，将这些参数列的数据按最大最小归一化原则，转化到[0，1]区间内。归一化原则如下：
归一化之后，形成数据集data3。
步骤D：对数据集data3进行初步数据分析，所述初步数据分析包括统计性描述分析、相关性分析以及平稳性分析，提取与待测目标明显线性相关的属性列数据形成数据集data4。
首先，对数据集data3中除环号、时间之外的各参数列数据进行统计性分析，即统计各参数列中零值个数、中位数、均值、方差等信息，判断数据质量，删除数据明显异常的参数列。然后，按公式(1)计算数据集中除环号、时间之外的各参数列的相关系数，筛选出与待预测的参数呈强相关的数据列，提取上述与待预测的参数相关性明显的数据列，形成数据集data4。最后，对数据集data4中待预测的参数列数据进行ADF平稳性检验。若检验结果的P值接近于0，则可认为是平稳序列。再通过ACF(Auto Correlation)及PACF(PartialCorrelation)图确定平稳序列的自回归模型阶数p，并对其进行建模分析。
步骤E：将数据集data4中70％环的整环数据作为训练集，余下的作为测试集。将待预测参数的当前时刻、前一个时刻至前p-1个时刻的值，以及数据集data4中除环号、时间之外的各参数当前时刻的值作为输入参数，以待预测参数的下一时刻预测值为输出参数，学习多元线性自回归模型，并在测试集上进行验证，确定模型的各项系数。
步骤F：提取泥水盾构机正常掘进的实时数据，根据学习的多元线性自回归模型输入变量来筛选数据，代入学习的多元线性自回归模型，得到实时的预测指标值，用于指导盾构机的操控。
优选的，历史运行数据集data1需满足如下条件：a.泥水盾构机的刀盘布局、刀盘直径参数应接近；b.对应施工路段的地质条件应类似。
优选的，在步骤B中，对数据集data1的每一环，使用变点检测方法划分启动段和正常掘进段。
优选的，在步骤B中，所述正常掘进段的数据包括施工参数、环号和采样时间，其中施工参数包括总推进力、推进速度、刀盘转速、各组油缸的压力、各个同步注浆泵的压力、注浆密度、注浆流量、排浆密度、排浆流量等。
优选的，在步骤D中，对数据做相关性分析，分别计算各属性间的Pearson相关系数，找出明显线性相关的属性列，初步判断各属性的关联趋势，相关系数计算公式如下：
其中，
是属性列xi的平均值，
是属性列yi的平均值，N为样本个数。
优选的，在步骤E中，多元线性自回归模型的数学表达式如下：
Xt+1＝a1Xt+a2Xt-1+…+apXt-p+1+b0+b1Z1t+…+bkZkt+εt,t≥1 (3)
其中，X和Zi(i＝1,2,…,k)为相关的随机变量，ai(i＝1,2,…,p)为自回归系数，p为自回归阶数，bi(i＝0,1,…,k)为回归系数，ε为噪声扰动项。
误差平方和为：
其中，N为样本数。通过对每个样本的估计值与真实值差的平方进行求和，得到整个样本预测的值跟真实值之间的差距，再通过求解最小差距来确定模型的参数ai(i＝1,2,…,p)和bi(i＝0,1,…,k)。
本发明的有益效果：
(1)本发明针对泥水盾构机的历史施工数据，根据提取出的正常掘进段数据，采用多元线性回归模型预测掘进关键参数，准确度高、计算复杂度低，且容易实现。
(2)在泥水盾构机上使用本发明建模方法，可对掘进关键参数进行实时预测，从而为盾构机的操控提供指导。
附图说明
图1为盾构掘进参数间相关系数；
图2为自相关的变化趋势图；
图3为偏相关的变化趋势图；
图4为拟合参数；
图5为刀盘扭矩预测效果图；
图6为总推进力预测效果图；
图7为刀盘转速预测效果图；
图8为进浆流量预测效果图；
图9为排浆流量预测效果图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步描述：本发明包括如下步骤：
步骤A：提取与施工作业同类型的泥水盾构机在类似地质条件下的历史运行数据，所述数据包括环号、时间、刀盘转速、推进速度、总推进力、各组推进油缸压力、各个同步注浆泵压力、进浆密度、排浆密度、进浆流量、排浆流量等属性，形成数据集data1。
步骤B：对数据集data1中进行数据预处理，所述数据预处理是数据分段、去噪、归一化等。
(1)对数据集data1按环号进行分段处理，提取出掘进段的数据，形成数据集data2；
(2)去噪，将上述数据集data2逐列根据[0.1、0.9]的分位点数形成正常的数据区间，在该区间外的数据视为异常值，剔除；
(3)使用最大最小法进行归一化处理。
步骤C：对数据集data2进行初步数据分析，所述数据分析包括统计性描述分析、相关性分析、平稳性分析等。
(1)对数据做简单的统计性描述分析，观察数据集中各属性的最小、最大值、中位数、零值个数、均值、方差等信息，主观判断数据集的数据质量；
(2)对数据做相关性分析，分别计算各属性间的Pearson相关系数，找出明显线性相关的属性列有：，初步判断各属性的关联趋势；
(3)对数据集进行的ADF(Augmented Dickey-Fuller test)平稳性检验；若数据集通过平稳性检验，则对数据集进行自回归模型判定，确定自回归阶数。
步骤D：将数据分为观测指标和预测指标，将观测指标作为输入变量，预测指标作为输出变量，通过建立多元线性自回归模型预测输入变量和输出变量的关系，获得多元线性自回归模型的拟合系数。
步骤E：提取泥水盾构机的实时掘进数据，根据学习的多元线性自回归模型输入变量来筛选数据，代入学习的多元线性自回归模型，对刀盘扭矩、刀盘转速、进浆流量、排浆流量、总推进力等分别进行实际预测，并将预测值显示在盾构机的操控显示屏上。
泥水盾构机施工呈现一定的周期性，在每环的施工过程中，都要经历启动、正常掘进、停机等阶段。在启动阶段，各参数，例如刀盘扭矩、总推进力、推进速度等处于上升趋势；而在正常掘进阶段，各参数则几乎平稳，呈现出很强的惯性。因此，本发明利用自回归模型可以很好地刻画系统的惯性，实现泥水盾构机掘进关键参数的预测，为施工操作提供指导。
下面，我们以刀盘扭矩的预测为例，给出具体的建模过程。
第一步：提取某市地铁某段的399环-431环的施工数据，形成数据集data1；
第二步：对data1按环进行数据分段，提取正常掘进段的数据，形成数据集data2；
第三步：去噪、归一化。将数据集data2中除环号和时间外的各列根据[0.1，0.9]分位点确定正常的数据区间，剔除异常值，并将数据按最大最小化归一化原则转化到[0，1]区间内，形成数据集data3。
第四步：进行统计性描述分析、相关性分析、平稳性分析等。首先，计算数据的统计性分析报告，即统计各列数据中零值个数、中位数、均值、方差等信息，判断数据质量。其次，按公式(1)计算数据集中各属性的相关系数，相关系数列表见图1，从中筛选出与刀盘扭矩呈强相关的变量：刀盘转速、推进速度、同步注浆泵1压力、B组推进油缸压力，C组推进油缸压力、D组推进油缸压力、同步注浆泵4压力、同步注浆泵5压力、同步注浆泵8压力、总推进力。提取上述与刀盘扭矩相关性明显的数据列，形成数据集data4。然后，对数据集data4进行ADF平稳性检验，如图2所示，P值接近于0，检验显著，它是平稳序列；通过ACF(AutoCorrelation)及PACF(Partial Correlation)图，如图3所示，确定自回归模型阶数p＝3。
第五步：将399环-431环数据的前70％环数据作为训练集，余下的30％环数据作为测试集。将当前时刻的刀盘转速、推进速度、同步注浆泵1压力、B组推进油缸压力，C组推进油缸压力、D组推进油缸压力、同步注浆泵4压力、同步注浆泵5压力、同步注浆泵8压力、总推进力观察值，以及当前时刻、前一个时刻和前二个时刻的刀盘扭矩观察值作为输入变量。使用多元线性自回归模型，拟合参数如图4所示，得到模型如下：
xt+1＝0.26xt+0.2xt-1+0.45xt-2+90.37+1.57z1t-0.05z2t-1.98z3t+0.92z4t+0.01z5t-1.74z6t-5.24z7t+11.87z8t-0.11z9t+0.01z10t,
其中，xt+1表示下一时刻的刀盘扭矩预测值，xt、xt-1、xt-2分别表示刀盘扭矩的当前时刻、前一个时刻、前二个时刻观察值，zit(i＝1,2,…,10)分别表示刀盘转速、推进速度、同步注浆泵1压力、B组推进油缸压力，C组推进油缸压力、D组推进油缸压力、同步注浆泵4压力、同步注浆泵5压力、同步注浆泵8压力、总推进力的当前时刻观察值。预测效果如图5所示，在测试集上预测准确率R2得分为94.6％。
类似地，我们对总推进力、刀盘转速、进浆流量和排浆流量建立多元线性回归预测模型，预测效果分别如图6-图9所示。
Claims (10)
1.一种基于多元线性自回归的泥水盾构机掘进关键参数预测方法，其特征在于：所述方法的步骤如下：
步骤A：提取与施工作业同类型的泥水盾构机在类似地质条件下的历史施工数据作为样本数据集data1；
步骤B：将数据集data1中的每一环都分成启动段和正常掘进段，提取正常掘进段的数据，形成数据集data2；
步骤C：对数据集data2进行去噪和归一化处理，形成数据集data3；
步骤D：对数据集data3进行初步数据分析，所述初步数据分析包括统计性描述分析、相关性分析以及平稳性分析，提取与待测目标明显线性相关的属性列数据形成数据集data4；
步骤E：将初步分析后的样本数据分为观测指标和预测指标，将观测指标作为输入，预测指标作为输出，通过建立多元线性自回归模型刻画输入变量和输出变量的关联关系，获得多元线性自回归模型的拟合系数；
步骤F：通过训练好的多元线性自回归模型，对泥水盾构机的关键掘进参数分别进行实际预测。
2.根据权利要求1所述的基于多元线性自回归的泥水盾构机掘进关键参数预测方法，其特征在于：所述历史施工数据需满足如下条件：a.泥水盾构机的刀盘布局、刀盘直径参数应接近；b.对应施工路段的地质条件应类似。
3.根据权利要求1所述的基于多元线性自回归的泥水盾构机掘进关键参数预测方法，其特征在于：在步骤A中，所述样本数据包括环号、时间、刀盘转速、推进速度、总推进力、各组油缸的压力、各个同步注浆泵压力、进浆密度、排浆密度、进浆流量、排浆流量。
4.根据权利要求1所述的基于多元线性自回归的泥水盾构机掘进关键参数预测方法，其特征在于：在步骤C中，去噪处理是对数据分段之后保留的正常掘进段数据集，分别将刀盘扭矩、刀盘转速、进浆流量、排浆流量、总推进力参数值处在[Q0.1,Q0.9]区间外的数据当作噪声去除掉。
5.根据权利要求1所述的基于多元线性自回归的泥水盾构机掘进关键参数预测方法，其特征在于：在步骤C中，归一化处理是对去噪之后的数据集按照最大最小归一化方法，分别将刀盘转速、推进速度、总推进力、各组油缸的压力、各个同步注浆泵压力、进浆密度、排浆密度、进浆流量、排浆流量参数进行归一化处理，具体为：对数据集data2中除环号、时间之外的各参数列，将0.1和0.9分位点确定为正常数据区间的下界和上界，剔除异常值，然后，将这些参数列的数据按最大最小归一化原则，转化到[0，1]区间内，归一化原则如下：
归一化之后，形成数据集data3。
6.根据权利要求1所述的基于多元线性自回归的泥水盾构机掘进关键参数预测方法，其特征在于：在步骤D中，统计性描述分析是对除了环号、时间之外的各参数列数据进行统计性分析，即统计各参数列中零值个数、中位数、均值、方差等，判断数据质量。
7.根据权利要求1所述的基于多元线性自回归的泥水盾构机掘进关键参数预测方法，其特征在于：在步骤D中，相关性分析是对除了环号、时间之外的各参数列数据进行相关性分析，即计算这些参数列之间的相关系数，形成相关系数表，具体为：分别计算各属性间的Pearson相关系数，找出明显线性相关的属性列，初步判断各属性的关联趋势，相关系数计算公式如下：
其中，
是属性列xi的平均值，
是属性列yi的平均值，N为样本个数。
8.根据权利要求1所述的基于多元线性自回归的泥水盾构机掘进关键参数预测方法，其特征在于：在步骤D中，平稳性分析是对泥水盾构机的相关参数列数据进行ADF平稳性检验，由于盾构机的惯性，正常掘进段的数据应该表现出一定的自相关性，再通过ACF(AutoCorrelation)及PACF(Partial Correlation)图，分别确定平稳序列的自回归模型阶数p。
9.根据权利要求1所述的基于多元线性自回归的泥水盾构机掘进关键参数预测方法，其特征在于，在步骤E中，分别将刀盘扭矩、刀盘转速、进浆流量、排浆流量、总推进力的下一时刻值作为预测指标，将与输出变量线性相关性较高的参数列的数据值，以及该输出变量当前时刻直至前p-1个时刻的数据值作为观测指标，分别建立不同的多元线性自回归模型，多元线性自回归模型的数学表达式如下：
Xt+1＝a1Xt+a2Xt-1+…+apXt-p+1+b0+b1Z1t+…+bkZkt+εt,t≥1
其中，X和Zi(i＝1,2,…,k)为相关的随机变量，ai(i＝1,2,…,p)为自回归系数，p为自回归阶数，bi(i＝0,1,…,k)为回归系数，ε为噪声扰动项。
10.根据权利要求1所述的基于多元线性自回归的泥水盾构机掘进关键参数预测方法，其特征在于：步骤F的具体步骤如下：
步骤E1，提取泥水盾构机的实时掘进数据，泥水盾构机的实时掘进数据包括推进速度、刀盘转速、总推进力、各组油缸的压力、各个同步注浆泵压力、进浆密度、排浆密度、进浆流量、排浆流量；
步骤E2，根据建立的多元线性自回归模型的输入变量筛选实时掘进数据；
步骤E3，将筛选的实时掘进数据代入建立的模型，计算输出变量的值，即得到预测指标的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010301778.1A CN111488694B (zh) | 2020-04-16 | 2020-04-16 | 基于多元线性自回归的泥水盾构机掘进关键参数预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010301778.1A CN111488694B (zh) | 2020-04-16 | 2020-04-16 | 基于多元线性自回归的泥水盾构机掘进关键参数预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111488694A true CN111488694A (zh) | 2020-08-04 |
| CN111488694B CN111488694B (zh) | 2023-04-21 |
Family
ID=71812873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010301778.1A Active CN111488694B (zh) | 2020-04-16 | 2020-04-16 | 基于多元线性自回归的泥水盾构机掘进关键参数预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111488694B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016193A (zh) * | 2020-08-07 | 2020-12-01 | 震坤行工业超市(上海)有限公司 | 一种盾构机系统的润滑失效在线预测方法及系统 |
| CN112031798A (zh) * | 2020-09-27 | 2020-12-04 | 中铁工程装备集团有限公司 | 一种刀盘结泥饼预警系统及方法 |
| CN112101634A (zh) * | 2020-08-21 | 2020-12-18 | 河南中烟工业有限责任公司 | 一种导致缺陷产品的故障设备预测方法 |
| CN112131530A (zh) * | 2020-09-24 | 2020-12-25 | 盾构及掘进技术国家重点实验室 | 一种基于大数据的土压盾构出渣量的计算和预警方法 |
| CN112347580A (zh) * | 2020-11-05 | 2021-02-09 | 上海交通大学 | 一种盾构机刀盘扭矩实时预测方法及系统 |
| CN112796768A (zh) * | 2021-03-08 | 2021-05-14 | 盾构及掘进技术国家重点实验室 | 一种双模隧道掘进机施工掘进参数选择方法 |
| CN113408080A (zh) * | 2021-07-26 | 2021-09-17 | 中国铁建重工集团股份有限公司 | 一种土压动态特性建模方法、盾构机控制系统及盾构机 |
| CN113435056A (zh) * | 2021-07-08 | 2021-09-24 | 上海交通大学 | 基于svr与pso的盾构利用率预测与操作参数优化方法及系统 |
| CN114578871A (zh) * | 2022-01-30 | 2022-06-03 | 扬州地龙机械有限公司 | 基于工业数据智能分析的顶管机的压力补偿系统 |
| CN114961754A (zh) * | 2022-05-31 | 2022-08-30 | 郑州轻工业大学 | 一种基于数字孪生的泥水环流实验系统及方法 |
| CN116163754A (zh) * | 2022-12-08 | 2023-05-26 | 南京坤拓土木工程科技有限公司 | 基于功率分布分层抽样的掘进参数样本前处理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
| CN109918822A (zh) * | 2019-03-15 | 2019-06-21 | 中铁工程服务有限公司 | 基于随机森林回归的盾构掘进参数偏差计算方法及系统 |
| WO2019140794A1 (zh) * | 2018-01-16 | 2019-07-25 | 天津大学 | 一种基于量纲分析的盾构掘进总推力计算方法 |
| CN110069893A (zh) * | 2019-05-09 | 2019-07-30 | 中铁工程服务有限公司 | 一种基于多项式回归的盾构机掘进参数的预测方法 |
| CN110195592A (zh) * | 2019-04-30 | 2019-09-03 | 华中科技大学 | 基于混合深度学习的盾构掘进位姿智能预测方法及系统 |
| CN110645005A (zh) * | 2019-10-30 | 2020-01-03 | 中铁开发投资集团有限公司 | 一种高富水圆砾地层土压平衡盾构快速掘进施工方法 |
-
2020
- 2020-04-16 CN CN202010301778.1A patent/CN111488694B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019140794A1 (zh) * | 2018-01-16 | 2019-07-25 | 天津大学 | 一种基于量纲分析的盾构掘进总推力计算方法 |
| CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
| CN109918822A (zh) * | 2019-03-15 | 2019-06-21 | 中铁工程服务有限公司 | 基于随机森林回归的盾构掘进参数偏差计算方法及系统 |
| CN110195592A (zh) * | 2019-04-30 | 2019-09-03 | 华中科技大学 | 基于混合深度学习的盾构掘进位姿智能预测方法及系统 |
| CN110069893A (zh) * | 2019-05-09 | 2019-07-30 | 中铁工程服务有限公司 | 一种基于多项式回归的盾构机掘进参数的预测方法 |
| CN110645005A (zh) * | 2019-10-30 | 2020-01-03 | 中铁开发投资集团有限公司 | 一种高富水圆砾地层土压平衡盾构快速掘进施工方法 |
Non-Patent Citations (2)
| Title |
|---|
| 余志刚: "泥质粉砂岩地层泥水盾构掘进参数变化规律及关联性分析", 《施工技术》 * |
| 孙捷城等: "厚冲积地层盾构掘进参数设定及地表变形规律研究", 《防灾减灾工程学报》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016193B (zh) * | 2020-08-07 | 2021-05-04 | 震坤行工业超市(上海)有限公司 | 一种盾构机系统的润滑失效在线预测方法及系统 |
| CN112016193A (zh) * | 2020-08-07 | 2020-12-01 | 震坤行工业超市(上海)有限公司 | 一种盾构机系统的润滑失效在线预测方法及系统 |
| CN112101634A (zh) * | 2020-08-21 | 2020-12-18 | 河南中烟工业有限责任公司 | 一种导致缺陷产品的故障设备预测方法 |
| CN112131530A (zh) * | 2020-09-24 | 2020-12-25 | 盾构及掘进技术国家重点实验室 | 一种基于大数据的土压盾构出渣量的计算和预警方法 |
| CN112131530B (zh) * | 2020-09-24 | 2024-03-19 | 盾构及掘进技术国家重点实验室 | 一种基于大数据的土压盾构出渣量的计算和预警方法 |
| CN112031798B (zh) * | 2020-09-27 | 2022-03-29 | 中铁工程装备集团有限公司 | 一种刀盘结泥饼预警系统及方法 |
| CN112031798A (zh) * | 2020-09-27 | 2020-12-04 | 中铁工程装备集团有限公司 | 一种刀盘结泥饼预警系统及方法 |
| CN112347580A (zh) * | 2020-11-05 | 2021-02-09 | 上海交通大学 | 一种盾构机刀盘扭矩实时预测方法及系统 |
| CN112796768A (zh) * | 2021-03-08 | 2021-05-14 | 盾构及掘进技术国家重点实验室 | 一种双模隧道掘进机施工掘进参数选择方法 |
| CN113435056A (zh) * | 2021-07-08 | 2021-09-24 | 上海交通大学 | 基于svr与pso的盾构利用率预测与操作参数优化方法及系统 |
| CN113408080A (zh) * | 2021-07-26 | 2021-09-17 | 中国铁建重工集团股份有限公司 | 一种土压动态特性建模方法、盾构机控制系统及盾构机 |
| CN114578871A (zh) * | 2022-01-30 | 2022-06-03 | 扬州地龙机械有限公司 | 基于工业数据智能分析的顶管机的压力补偿系统 |
| CN114578871B (zh) * | 2022-01-30 | 2022-11-08 | 扬州地龙机械有限公司 | 基于工业数据智能分析的顶管机的压力补偿系统 |
| CN114961754A (zh) * | 2022-05-31 | 2022-08-30 | 郑州轻工业大学 | 一种基于数字孪生的泥水环流实验系统及方法 |
| CN114961754B (zh) * | 2022-05-31 | 2024-05-14 | 郑州轻工业大学 | 一种基于数字孪生的泥水环流实验系统及方法 |
| CN116163754A (zh) * | 2022-12-08 | 2023-05-26 | 南京坤拓土木工程科技有限公司 | 基于功率分布分层抽样的掘进参数样本前处理方法 |
| CN116163754B (zh) * | 2022-12-08 | 2023-11-21 | 南京坤拓土木工程科技有限公司 | 基于功率分布分层抽样的掘进参数样本前处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111488694B (zh) | 2023-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111488694B (zh) | 基于多元线性自回归的泥水盾构机掘进关键参数预测方法 | |
| CN100468263C (zh) | 连采机远程实时故障预测及诊断方法与装置 | |
| CN111160571B (zh) | 一种基于土压平衡盾构机参数数据驱动反演地质的方法 | |
| CN113723838A (zh) | 基于卷积神经网络的随钻安全风险智能识别方法 | |
| CN108388921A (zh) | 一种基于随机森林的溢流漏失实时识别方法 | |
| CN109918822A (zh) | 基于随机森林回归的盾构掘进参数偏差计算方法及系统 | |
| CN111291500B (zh) | 一种基于土压平衡盾构机参数数据的反演建模方法 | |
| CN110671095B (zh) | 一种地质地层压力智能随钻软测量方法 | |
| CN114972384A (zh) | 一种基于深度学习的隧道岩体智能快速区域分级方法 | |
| CN106951662A (zh) | 基于凡尔工作点的有杆泵抽油井井下工况诊断方法 | |
| CN112832999A (zh) | 一种基于多传感器数据融合的电泵井工况诊断系统及方法 | |
| CN110288257A (zh) | 一种深度超限示功图学习方法 | |
| CN112926839A (zh) | 一种用于油气井钻井过程的溢漏风险协同监测方法及系统 | |
| CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
| CN111706334B (zh) | 一种实时监测盾构机刀盘扭矩异常的方法 | |
| CN115773127A (zh) | 一种泥水平衡盾构智能决策方法、系统、设备及介质 | |
| CN116595440A (zh) | 一种井下工况故障诊断方法及装置 | |
| CN116186609A (zh) | 一种基于lstm的载人潜水器传感器故障数据增强方法 | |
| CN112502677B (zh) | 一种基于多元线性回归的注水开发效果评价方法 | |
| CN115049173A (zh) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 | |
| CN108825204A (zh) | 基于随钻工程参数的钻时校正方法 | |
| CN115559737A (zh) | 基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统 | |
| CN114862612A (zh) | 一种基于Bagging改进的矿井内数据预处理方法 | |
| CN112418489A (zh) | 一种天然气井修井暂堵剂用量神经网络预测方法 | |
| CN115640329A (zh) | 一种基于多源数据分析的油井故障智能诊断方法 |
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 |