CN112329172A - 基于并联式神经网络的盾构机刀盘扭矩预测方法及系统 - Google Patents
基于并联式神经网络的盾构机刀盘扭矩预测方法及系统 Download PDFInfo
- Publication number
- CN112329172A CN112329172A CN202011225143.4A CN202011225143A CN112329172A CN 112329172 A CN112329172 A CN 112329172A CN 202011225143 A CN202011225143 A CN 202011225143A CN 112329172 A CN112329172 A CN 112329172A
- Authority
- CN
- China
- Prior art keywords
- neural network
- torque
- cutter head
- network
- cutter
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 163
- 230000005641 tunneling Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 230000010354 integration Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Mining & Mineral Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Environmental & Geological Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Geology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明提供了一种基于并联式神经网络的盾构机刀盘扭矩预测方法及系统，包括：在盾构机实际工作数据库中选择对盾构机刀盘扭矩影响较大的工作参数；对选择的工作参数进行预处理；根据预处理后的工作参数建立并联式神经网络刀盘扭矩预测模型并进行并联式神经网络刀盘扭矩预测模型的训练；在不同的数据集上评价训练后的并联式神经网络刀盘扭矩预测模型对刀盘扭矩的预测精度。实现了高精度的刀盘扭矩实时预测，有助于指导司机提前调整盾构机的操作参数，确保盾构机的高效安全推进，从而提升盾构机的智能化水平。
Description
技术领域
本发明涉及工控技术领域，具体地，涉及一种基于并联式神经网络的盾构机刀盘扭矩实时预测方法及系统。
背景技术
盾构机是隧道掘进机的简称，在铁路的隧道建设中广泛地应用到盾构机，为了减少盾构机在掘进施工过程中刀盘系统的损坏，根据盾构机不同的工作环境适当地调整盾构机的掘进参数是很有必要的，由于盾构机经常工作于复杂的地质环境中，精确地预测盾构机工作的地质条件是十分困难的，因此可以通过预测盾构机工作过程的掘进参数的变化从而适时地调整盾构机的掘进参数。刀盘系统是盾构机的重要的部件之一，刀盘扭矩是盾构机的重要运行参数，刀盘扭矩的数值反映了地质条件对盾构机前进的阻碍程度，对盾构机的刀盘扭矩进行精确的预测有助于操作人员提前调整刀盘的旋转速度等操作参数，从而确保盾构机的安全推进与减少事故的发生。
随着数据驱动技术的发展，许多研究人员将机器学习和深度学习方法应用到各个领域中，其中就包括盾构机的掘进参数的预测。目前已有利用SVR(支持向量机回归)、RF(随机森林)、ANN(人工神经网络)与LSTM(长短时)神经网络预测盾构机的刀盘扭矩、刀盘推力和盾构机承受土压等掘进参数的方法。这些方法都是利用盾构机运行参数数据进行模型的训练，并将训练好的模型用于盾构机运行参数的预测，然而这些方法存在对盾构机运行参数的预测精度较低和模型的泛化能力不强的问题。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于并联式神经网络的盾构机刀盘扭矩预测方法及系统。
根据本发明提供的一种基于并联式神经网络的盾构机刀盘扭矩预测方法，包括：
参数选择步骤：在盾构机实际工作数据库中选择对盾构机刀盘扭矩影响较大的工作参数；
预处理步骤：对选择的工作参数进行预处理；
训练步骤：根据预处理后的工作参数建立并联式神经网络刀盘扭矩预测模型并进行并联式神经网络刀盘扭矩预测模型的训练；
评价步骤：在不同的数据集上评价训练后的并联式神经网络刀盘扭矩预测模型对刀盘扭矩的预测精度。
优选地，所述参数选择步骤包括：
去除盾构机实际工作数据库中数值不发生变化的常量以及非数值型变量；
计算剩余物理量与刀盘扭矩之间的余弦相似度；
结合盾构机刀盘扭矩的力学机理，选择与刀盘扭矩余弦相似度大于0.85且对刀盘扭矩影响较大的盾构机运行参数作为并联式神经网络刀盘扭矩预测模型的输入。
优选地，所述预处理步骤包括：
采用最大-最小归一化方法对每一个选择的工作参数进行归一化处理；
确定并联式神经网络刀盘扭矩预测模型的输入数据与输出数据的格式。
优选地，所述训练步骤中：
建立的并联式神经网络刀盘扭矩实时预测模型包括两条神经网络支路构成，其中一条神经网络支路是残差CNN-LSTM神经网络，另一条神经网络支路是LSTM神经网络，两条神经网络支路后是全连接神经网络；
残差CNN-LSTM神经网络由残差网络、CNN网络和LSTM神经网络组成，LSTM神经网络由多层LSTM神经网络堆叠而成，全连接神经网络由特征整合层和全连接层网络层组成。
优选地，一条支路上的残差CNN-LSTM神经网络的残差网络连接是从并联式神经网络刀盘扭矩实时预测模型的输入到CNN网络的输出，CNN网络的层数为优选的预设值，每层CNN网络都由一维卷积层和一维平均池化层组成，一维卷积层的filters为优选的预设值，kernel_size为优选的预设值，padding为same，激活函数为ReLU，一维平均池化层的pool_size为优选的预设值，strides为优选的预设值，LSTM网络的层数和每层LSTM网络的神经元个数分别为优选的预设值；
另一条支路上的LSTM神经网络的层数和每层LSTM网络的神经元个数为优选的预设值；
全连接层网络的特征整合层的神经元个数、全连接层网络的层数和神经元数目为优选的预设值，全连接层网络的激活函数都为linear。
优选地，所述训练步骤包括：
用Tensorflow框架下的keras包搭建并联式神经网络模型；
输入数据为选择的前预设个历史时刻的工作参数，输出数据为下一时刻的刀盘扭矩数值；
在训练时采用梯度下降反向传播算法调整神经元的权值，优化器采用Adam优化器，学习率定为优选的预设值，损失函数为MSE，样本个数batch_size为优选的预设值，训练次数epochs为优选的预设值，当神经网络训练预设值次时则训练结束。
优选地，所述评价步骤包括：
在不同的数据集上进行刀盘扭矩的预测；
采用3个指标：MSE、MAE和MAPE评价预测精度。
根据本发明提供的一种基于并联式神经网络的盾构机刀盘扭矩预测系统，包括：
参数选择模块：在盾构机实际工作数据库中选择对盾构机刀盘扭矩影响较大的工作参数；
预处理模块：对选择的工作参数进行预处理；
训练模块：根据预处理后的工作参数建立并联式神经网络刀盘扭矩预测模型并进行并联式神经网络刀盘扭矩预测模型的训练；
评价模块：在不同的数据集上评价训练后的并联式神经网络刀盘扭矩预测模型对刀盘扭矩的预测精度。
优选地，所述参数选择模块包括：
去除盾构机实际工作数据库中数值不发生变化的常量以及非数值型变量；
计算剩余物理量与刀盘扭矩之间的余弦相似度；
结合盾构机刀盘扭矩的力学机理，选择与刀盘扭矩余弦相似度大于0.85且对刀盘扭矩影响较大的盾构机运行参数作为并联式神经网络刀盘扭矩预测模型的输入。
优选地，所述训练模块中：
建立的并联式神经网络刀盘扭矩实时预测模型包括两条神经网络支路构成，其中一条神经网络支路是残差CNN-LSTM神经网络，另一条神经网络支路是LSTM神经网络，两条神经网络支路后是全连接神经网络；
残差CNN-LSTM神经网络由残差网络、CNN网络和LSTM神经网络组成，LSTM神经网络由多层LSTM神经网络堆叠而成，全连接神经网络由特征整合层和全连接层网络组成。
与现有技术相比，本发明具有如下的有益效果：
建立基于并联式神经网络的刀盘扭矩预测模型，采用计算余弦相似度的方法，选择与刀盘扭矩相关性较大的盾构机运行参数作为模型的输入，降低了数据的输入维度；利用一条支路上的残差CNN-LSTM神经网络中的CNN层提取刀盘扭矩序列的空间变化特征与滤除数据中的噪声，利用LSTM层提取刀盘扭矩序列的时间变化特征，利用残差连接缓解深层网络训练时可能出现的梯度消失问题；利用另一条支路上的多层LSTM神经网络有效提取其他一些与刀盘扭矩相关性较大的盾构机运行参数的时间变化特征，加强了对刀盘扭矩时间变化规律特征的学习；而全连接层神经网络则起到了特征整合与实现从输入到输出数据的非线性线性映射的作用，充分发挥了各层神经网络的优点，取得了比传统预测方法更高的刀盘扭矩预测精度，而且模型的泛化能力更强。实现了高精度的刀盘扭矩实时预测，有助于指导司机提前调整盾构机的操作参数，确保盾构机的高效安全推进，从而提升盾构机的智能化水平。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明所研究的某一个实际隧道掘进工程中的盾构机运行参数数据库图。
图2是本发明所研究的数据库中的各个参数与刀盘扭矩的余弦相似度图。
图3是本发明所提出的残差CNN-LSTM神经网络刀盘扭矩预测模型输入的51维盾构机运行参数的名称和单位图。
图4是本发明所提出的并联式神经网络模型图。
图5是本发明所提出的并联式神经网络每一层网络的参数设置图。
图6是本发明所提出的神经网络在训练时的训练集与测试集的损失函数变化曲线图。
图7是地质条件较为单一的数据集1的刀盘扭矩实际变化曲线。
图8是本发明所提出的并联式神经网络刀盘扭矩预测模型在该地质条件较为单一的数据集1中预测的刀盘扭矩变化曲线图。
图9是地质条件较为复杂的数据集2的刀盘扭矩变化曲线。
图10是本发明所提出的并联式神经网络刀盘扭矩预测模型在该地质条件较为复杂的数据集2中预测的刀盘扭矩图。
图11是本发明的工作流程图。
具体实施方式
下面结合一个具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图11所示，一种基于并联式神经网络的盾构机刀盘扭矩实时预测方法，包括以下步骤：
1-1盾构机关键运行参数选择：在盾构机实际工作数据库中选择对盾构机刀盘扭矩影响较大的物理量用于进行盾构机的刀盘扭矩预测包括刀盘推力、刀盘所受土压以及刀盘驱动电机的工作参数等。
1-2对选择的盾构机运行参数物理量数据进行预处理。
1-3建立并联式神经网络刀盘扭矩预测模型并进行神经网络模型的训练。
1-4在不同的数据集上评价提出的并联式神经网络刀盘扭矩预测模型对刀盘扭矩的预测精度。
步骤1-1包括以下步骤：
2-1去除盾构机实际工作数据库中数值不发生变化的常量以及非数值型变量。
2-2计算剩余物理量与刀盘扭矩数据之间的余弦相似度，两个序列A(a1,a2,a3,…,an)与B(b1,b2,b3,…,bn)余弦相似度的计算公式如下所示：
2-3结合盾构机刀盘扭矩的力学机理，选择与刀盘扭矩余弦相似度大于0.85且对刀盘扭矩影响较大的盾构机运行参数作为并联式神经网络的输入，总共选取了51维的盾构机运行参数作为神经网络的输入。输入的51维物理量被分为两部分，其中一部分共25维物理量，包括刀盘扭矩和其他的对刀盘扭矩产生较大影响的物理量，作为并联式神经网络其中一条支路残差CNN-LSTM网络的输入；另一部分共26维物理量，是其他的对刀盘扭矩产生较大影响的物理量作为另一条支路3层LSTM网络的输入。
步骤1-2包括以下步骤：
3-1采用最大-最小归一化方法对每一个选择的盾构机运行参数物理量的数据进行归一化处理，归一化的公式如下所示：
3-2确定神经网络输入数据与输出数据的格式，输入数据是选择的51维盾构机运行参数前10个时间步长的数据，输出数据是下一时刻的刀盘扭矩数值。输入与输出数据格式如下所示：
({X1,X2,…,X10}→x11)；
({X2,X3,…,X11}→x12)；
({Xt-9,Xt-8,…,Xt}→xt+1)；
其中Xt＝(xt,1,xt,2,…,xt,51)T,Xt表示t时刻输入的51维盾构机运行参数数据，xt,k表示t时刻输入的第k维盾构机运行参数的数据。xt+1表示输出的t+1时刻的刀盘扭矩数据。
步骤1-3包括以下步骤：
4-1建立的并联式神经网络刀盘扭矩实时预测模型主要由两条支路的神经网络构成，其中一条支路是残差CNN-LSTM神经网络，另一条支路是LSTM神经网络，两条神经网络支路后是全连接神经网络。
4-2一条支路上的残差CNN-LSTM神经网络由残差网络、CNN网络和LSTM神经网络组成，另一条支路上的LSTM神经网络由多层LSTM神经网络堆叠而成，全连接神经网络主要由特征整合层和全连接层网络组成。
4-3对并联式神经网络刀盘扭矩实时预测模型进行学习训练。
步骤4-2包括以下步骤：
5-1一条支路上的残差CNN-LSTM神经网络的残差网络连接是从模型的输入到CNN网络的输出，CNN网络的层数为2，每层CNN网络都由一维卷积层和一维平均池化层组成，一维卷积层的filters为25，kernel_size为10，padding为same，激活函数为ReLU，一维平均池化层的pool_size为2，strides为1，LSTM网络的层数为3，每层LSTM网络的神经元个数分别为50,30和30。
5-2另一条支路上的多层LSTM神经网络的层数为3，每层LSTM网络的神经元个数分别为50,30和30。
5-3全连接层神经网络的特征整合层的神经元个数为60，全连接层网络的层数为4，神经元数目分别为60,30,10和1，全连接网络的激活函数都为linear。
步骤4-3包括以下步骤：
6-1用Tensorflow框架下的keras包搭建提出的并联式神经网络模型。
6-2输入数据为选择的前10个历史时刻的盾构机运行参数数据，输出数据为下一时刻的刀盘扭矩数值。
6-3模型在训练时采用梯度下降反向传播算法调整神经元的权值，优化器采用Adam优化器，学习率定为0.002，损失函数为MSE，样本个数batch_size为100，训练次数epochs为100，当神经网络训练100次时则训练结束得到并联式神经网络刀盘扭矩预测模型。
步骤1-4包括以下步骤：
7-1将提出的基于并联式神经网络的盾构机刀盘扭矩实时预测方法在不同的数据集上进行刀盘扭矩的预测。
7-2采用3个指标MSE、MAE和MAPE评价提出的基于并联式神经网络的盾构机刀盘扭矩实时预测方法对刀盘扭矩的预测精度。MSE、MAE和MAPE的计算公式分别为：
其中X＝{x1,x2,…,xn}为真实值，
为预测值，这3个指标的值越小表明预测精度越高。
首先从盾构机现场施工的运行参数数据库中选择对刀盘扭矩影响较大的物理量。由传感器采集的某个盾构机施工掘进过程中的参数共有1465维，我们先清除非数值型变量，之后清除在掘进过程中数值不变的物理量，最后采用计算余弦相似度的方法，通过计算剩余的其他物理量与刀盘扭矩的余弦相似度，选择对刀盘扭矩影响较大的物理量作为预测模型的输入。我们根据刀盘扭矩的力学机理，选择与刀盘扭矩数据序列余弦相似度在0.85以上并且在盾构机实际工作中对刀盘扭矩产生较大影响的物理量作为预测模型的输入量。共选取51维盾构机运行参数物理量的数据作为预测模型的输入量。
之后建立并联式神经网络刀盘扭矩预测模型，用前10个历史时刻的51维盾构机运行参数作为模型的输入，下一时刻的刀盘扭矩数值为输出。并用盾构机运行参数数据库的数据进行模型的训练。训练好的模型可以实现对刀盘扭矩的实时预测，从而指导司机提前调整盾构机的操作参数，实现盾构机的高效安全掘进施工。
实施例
参考图1至图10，一种基于并联式神经网络的刀盘扭矩实时预测方法，包括如下步骤：
步骤1：盾构机关键运行参数选择，图1是某个盾构机现场施工的运行参数数据库的部分数据，数据库中包括1465维的盾构机运行参数物理量数据，需要从中选择对刀盘扭矩影响较大的物理量作为刀盘扭矩预测模型的输入，图2是该盾构机运行参数数据库中的物理量与刀盘扭矩的余弦相似度，选择与刀盘扭矩的余弦相似度大于0.85且对刀盘扭矩产生较大影响的物理量作为预测模型的输入，包括刀盘推力、刀盘所受土压以及驱动电机的工作参数等。选择的参数的名称和单位如图3所示。输入的51维物理量被分为两部分，其中一部分共25维物理量，包括刀盘扭矩和其他的对刀盘扭矩产生较大影响的物理量，作为并联式神经网络其中一条支路残差CNN-LSTM网络的输入；另一部分共26维物理量，是其他的对刀盘扭矩产生较大影响的物理量作为另一条支路3层LSTM网络的输入。图3左侧的25维物理量是残差CNN-LSTM网络的输入，右侧的26维物理量是3层LSTM网络的输入。
步骤2：采用最大-最小归一化方法对选择的盾构机运行参数物理量的数据进行归一化处理，并且预测模型的输入数据为前10个历史时刻的盾构机运行参数数据，输出数据为下一时刻的刀盘扭矩数值。
步骤3：建立基于并联式神经网络的刀盘扭矩实时预测模型，提出的并联式神经网络的结构如图4所示，具体参数设置如图5所示，其主要由2个支路的神经网络构成，其中一条支路上是残差CNN-LSTM神经网络，该神经网络由残差网络、2层CNN网络、3层LSTM神经网络组成，每层CNN网络都由一个一维卷积层和一个一维平均池化层构成，一维卷积层的filters为25，kernel_size为10，padding为same，激活函数为ReLU，一维平均池化层的pool_size为2，strides为1，3层LSTM神经网络的神经元个数分别为50,30和30；另一条支路上是3层LSTM神经网络，每层神经元的个数分别为50,30和30；2条支路的神经网络之后是全连接神经网络，由一层特征整合层(神经元个数为60)和4层全连接网络构成，4层全连接网络神经元个数分别为60,30,10和1，激活函数都为linear。
步骤4：利用TensorFlow框架下的keras包搭建并联式神经网络，并用选择的盾构机运行参数数据训练神经网络模型。
(4-1)用Tensorflow框架下的keras包搭建提出的并联式神经网络模型，训练集包括7000个时刻的盾构机运行参数数据，测试集包括3000个时刻盾构机运行参数数据。
(4-2)输入数据为选择的前10个时间步长的盾构机运行参数数据，输出数据为下一时刻的刀盘扭矩数值。
(4-3)模型在训练时采用梯度下降反向传播算法调整神经元的权值，优化器采用Adam优化器，学习率定为0.002，损失函数为MSE，每次训练的样本个数batch_size为100，训练次数epochs为100。图5 6是提出的并联式神经网络在训练时的训练集和测试集的损失函数变化曲线，图5 6表明提出的神经网络模型在训练时训练集与测试集的误差损失函数都能收敛到一个较小的值，并且二者的差距较小，表明提出的神经网络模型的学习能力较强，而且训练时没有出现过拟合。
步骤5：将提出的并联式神经网络刀盘扭矩预测模型在两个不同的数据集上进行刀盘扭矩的预测，并用3个指标MSE、MAE和MAPE评价预测模型对刀盘扭矩的预测效果。MSE、MAE和MAPE的计算公式分别为：
其中X＝{x1,x2,…,xn}为真实值，
为预测值，这3个指标的值越小表明预测精度越高。
(5-1)图7是地质条件较为单一的数据集1的刀盘扭矩实际变化曲线图。图8是本发明所提出的并联式神经网络刀盘扭矩预测模型在地质条件较为单一的数据集1中预测的刀盘扭矩变化曲线图。该数据集的地质条件较为单一，由图7和图8可以看出提出的并联式神经网络刀盘扭矩预测模型在数据集1中预测的刀盘扭矩变化曲线与实际曲线的重合度较高，预测模型在数据集1上预测刀盘扭矩的MSE为0.000708，MAE为0.0186，MAPE为3.58％，因而预测模型在数据集1的预测精度为96.42％。
(5-2)图9是地质条件较为复杂的数据集2的刀盘扭矩实际变化曲线图。图10是本发明所提出的并联式神经网络刀盘扭矩预测模型在地质条件较为复杂的数据集2中预测的刀盘扭矩变化曲线图。该数据集的地质条件较为复杂，由图9和图10可以看出提出的并联式神经网络刀盘扭矩预测模型在数据集2中预测的刀盘扭矩变化曲线与实际曲线的重合度较高，预测模型在数据集2上预测刀盘扭矩的MSE为0.001675，MAE为0.0218，MAPE为4.06％，因而预测模型在数据集2的预测精度为95.94％。
以上结果表明提出的并联式神经网络刀盘扭矩预测模型在简单的地质条件或者复杂的地质条件下都能取得较高的刀盘扭矩的预测精度，因而提出的并联式神经网络刀盘扭矩预测模型对刀盘扭矩的预测精度较高而且泛化能力较强。
本发明提出的预测方法在地质条件较为单一的数据集上对刀盘扭矩的预测精度为96.42％和在地质条件较为复杂的数据集上的预测精度为95.94％，这表明提出的刀盘扭矩预测方法有较高的预测精度和较强的泛化能力，根据预测的刀盘扭矩数值，司机可以提前调整盾构机的操作参数以确保盾构机安全掘进，有利于提升盾构机的自动化与智能化水平。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于并联式神经网络的盾构机刀盘扭矩预测方法，其特征在于，包括：
参数选择步骤：在盾构机实际工作数据库中选择影响盾构机刀盘扭矩的工作参数；
预处理步骤：对选择的工作参数进行预处理；
训练步骤：根据预处理后的工作参数建立并联式神经网络刀盘扭矩预测模型并进行并联式神经网络刀盘扭矩预测模型的训练；
评价步骤：在不同的数据集上评价训练后的并联式神经网络刀盘扭矩预测模型对刀盘扭矩的预测精度。
2.根据权利要求1所述的基于并联式神经网络的盾构机刀盘扭矩预测方法，其特征在于，所述参数选择步骤包括：
去除盾构机实际工作数据库中数值不发生变化的常量以及非数值型变量；
计算剩余物理量与刀盘扭矩之间的余弦相似度；
结合盾构机刀盘扭矩的力学机理，选择与刀盘扭矩余弦相似度大于0.85且对刀盘扭矩影响较大的盾构机运行参数作为并联式神经网络刀盘扭矩预测模型的输入。
3.根据权利要求1所述的基于并联式神经网络的盾构机刀盘扭矩预测方法，其特征在于，所述预处理步骤包括：
采用最大-最小归一化方法对每一个选择的工作参数进行归一化处理；
确定并联式神经网络刀盘扭矩预测模型的输入数据与输出数据的格式。
4.根据权利要求1所述的基于并联式神经网络的盾构机刀盘扭矩预测方法，其特征在于，所述训练步骤中：
建立的并联式神经网络刀盘扭矩实时预测模型包括两条神经网络支路构成，其中一条神经网络支路是残差CNN-LSTM神经网络，另一条神经网络支路是LSTM神经网络，两条神经网络支路后是全连接神经网络；
残差CNN-LSTM神经网络由残差网络、CNN网络和LSTM神经网络组成，LSTM神经网络由多层LSTM神经网络堆叠而成，全连接神经网络由特征整合层和全连接层网络组成。
5.根据权利要求4所述的基于并联式神经网络的盾构机刀盘扭矩预测方法，其特征在于，一条支路上的残差CNN-LSTM神经网络的残差网络连接是从并联式神经网络刀盘扭矩实时预测模型的输入到CNN网络的输出，CNN网络的层数为预设值，每层CNN网络都由一维卷积层和一维平均池化层组成，一维卷积层的filters为预设值，kernel_size为预设值，padding为same，激活函数为ReLU，一维平均池化层的pool_size为预设值，strides为预设值，LSTM网络的层数和每层LSTM网络的神经元个数为预设值；
另一条支路上的LSTM神经网络的层数和每层LSTM网络的神经元个数分别为预设值；
全连接层网络的特征整合层的神经元个数、全连接层网络的层数和神经元数目为预设值，全连接层网络的激活函数都为linear。
6.根据权利要求4所述的基于并联式神经网络的盾构机刀盘扭矩预测方法，其特征在于，所述训练步骤包括：
用Tensorflow框架下的keras包搭建并联式神经网络模型；
输入数据为选择的预设值个历史时刻的工作参数，输出数据为下一时刻的刀盘扭矩数值；
在训练时采用梯度下降反向传播算法调整神经元的权值，优化器采用Adam优化器，学习率定为预设值，损失函数为MSE，样本个数batch_size为预设值，训练次数epochs为预设值，当神经网络训练预设值次时则训练结束。
7.根据权利要求1所述的基于并联式神经网络的盾构机刀盘扭矩预测方法，其特征在于，所述评价步骤包括：
在不同的数据集上进行刀盘扭矩的预测；
采用3个指标：MSE、MAE和MAPE评价预测精度。
8.一种基于并联式神经网络的盾构机刀盘扭矩预测系统，其特征在于，包括：
参数选择模块：在盾构机实际工作数据库中选择对影响盾构机刀盘扭矩的工作参数；
预处理模块：对选择的工作参数进行预处理；
训练模块：根据预处理后的工作参数建立并联式神经网络刀盘扭矩预测模型并进行并联式神经网络刀盘扭矩预测模型的训练；
评价模块：在不同的数据集上评价训练后的并联式神经网络刀盘扭矩预测模型对刀盘扭矩的预测精度。
9.根据权利要求9所述的基于并联式神经网络的盾构机刀盘扭矩预测系统，其特征在于，所述参数选择模块包括：
去除盾构机实际工作数据库中数值不发生变化的常量以及非数值型变量；
计算剩余物理量与刀盘扭矩之间的余弦相似度；
结合盾构机刀盘扭矩的力学机理，选择与刀盘扭矩余弦相似度大于0.85且对刀盘扭矩影响较大的盾构机运行参数作为并联式神经网络刀盘扭矩预测模型的输入。
10.根据权利要求9所述的基于并联式神经网络的盾构机刀盘扭矩预测系统，其特征在于，所述训练模块中：
建立的并联式神经网络刀盘扭矩实时预测模型包括两条神经网络支路构成，其中一条神经网络支路是残差CNN-LSTM神经网络，另一条神经网络支路是LSTM神经网络，两条神经网络支路后是全连接神经网络；
残差CNN-LSTM神经网络由残差网络、CNN网络和LSTM神经网络组成，LSTM神经网络由多层LSTM神经网络堆叠而成，全连接神经网络由特征整合层和全连接层网络组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011225143.4A CN112329172B (zh) | 2020-11-05 | 2020-11-05 | 基于并联式神经网络的盾构机刀盘扭矩预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011225143.4A CN112329172B (zh) | 2020-11-05 | 2020-11-05 | 基于并联式神经网络的盾构机刀盘扭矩预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112329172A true CN112329172A (zh) | 2021-02-05 |
| CN112329172B CN112329172B (zh) | 2022-12-27 |
Family
ID=74316722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011225143.4A Active CN112329172B (zh) | 2020-11-05 | 2020-11-05 | 基于并联式神经网络的盾构机刀盘扭矩预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112329172B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221458A (zh) * | 2021-05-17 | 2021-08-06 | 上海交通大学 | 盾构刀盘扭矩多步预测方法和系统 |
| CN113435055A (zh) * | 2021-07-08 | 2021-09-24 | 上海交通大学 | 盾构刀盘扭矩领域自适应迁移预测方法和系统 |
| 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 |
| CN114036696A (zh) * | 2021-12-01 | 2022-02-11 | 天津大学 | 一种基于神经网络模型微调的刀盘扭矩预测方法及系统 |
| WO2024007840A1 (zh) * | 2022-07-07 | 2024-01-11 | 中国长江三峡集团有限公司 | 水平定向钻进扩孔扭矩预测方法、装置、设备及存储介质 |
| CN117520902A (zh) * | 2023-12-05 | 2024-02-06 | 中国人民解放军63796部队 | 基于机器学习的南海台风生成预测方法 |
| CN117852897A (zh) * | 2023-11-17 | 2024-04-09 | 中国人民解放军63796部队 | 台风生成的关键因子的筛选方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567576A (zh) * | 2011-12-13 | 2012-07-11 | 北京交通大学 | 一种轮重减载率的预测方法 |
| CN107133695A (zh) * | 2017-04-28 | 2017-09-05 | 北京天诚同创电气有限公司 | 一种风电功率预测方法和系统 |
| CN108169639A (zh) * | 2017-12-29 | 2018-06-15 | 南京康尼环网开关设备有限公司 | 基于并行长短时记忆神经网络的识别开关柜故障的方法 |
| CN108388689A (zh) * | 2018-01-16 | 2018-08-10 | 天津大学 | 一种基于量纲分析的盾构刀盘扭矩计算方法 |
| CN108629665A (zh) * | 2018-05-08 | 2018-10-09 | 北京邮电大学 | 一种个性化商品推荐方法和系统 |
| CN110147875A (zh) * | 2019-05-07 | 2019-08-20 | 西安交通大学 | 一种基于lstm神经网络的盾构机辅助巡航方法 |
-
2020
- 2020-11-05 CN CN202011225143.4A patent/CN112329172B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567576A (zh) * | 2011-12-13 | 2012-07-11 | 北京交通大学 | 一种轮重减载率的预测方法 |
| CN107133695A (zh) * | 2017-04-28 | 2017-09-05 | 北京天诚同创电气有限公司 | 一种风电功率预测方法和系统 |
| CN108169639A (zh) * | 2017-12-29 | 2018-06-15 | 南京康尼环网开关设备有限公司 | 基于并行长短时记忆神经网络的识别开关柜故障的方法 |
| CN108388689A (zh) * | 2018-01-16 | 2018-08-10 | 天津大学 | 一种基于量纲分析的盾构刀盘扭矩计算方法 |
| CN108629665A (zh) * | 2018-05-08 | 2018-10-09 | 北京邮电大学 | 一种个性化商品推荐方法和系统 |
| CN110147875A (zh) * | 2019-05-07 | 2019-08-20 | 西安交通大学 | 一种基于lstm神经网络的盾构机辅助巡航方法 |
Non-Patent Citations (4)
| Title |
|---|
| 孙谋等: "软土地层盾构近距穿越老式建筑区掘进参数分析", 《土木工程学报》 * |
| 朱北斗等: "基于盾构掘进参数的BP神经网络地层识别", 《浙江大学学报(工学版)》 * |
| 李林娟: "TBM施工数据管理及岩—机互馈分析", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
| 耿志强等: "基于余弦相似度的复杂网络故障检测方法及应用", 《北京化工大学学报(自然科学版)》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221458A (zh) * | 2021-05-17 | 2021-08-06 | 上海交通大学 | 盾构刀盘扭矩多步预测方法和系统 |
| CN113435055A (zh) * | 2021-07-08 | 2021-09-24 | 上海交通大学 | 盾构刀盘扭矩领域自适应迁移预测方法和系统 |
| CN113435055B (zh) * | 2021-07-08 | 2022-11-22 | 上海交通大学 | 盾构刀盘扭矩领域自适应迁移预测方法和系统 |
| 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 |
| CN114036696A (zh) * | 2021-12-01 | 2022-02-11 | 天津大学 | 一种基于神经网络模型微调的刀盘扭矩预测方法及系统 |
| CN114036696B (zh) * | 2021-12-01 | 2024-05-17 | 天津大学 | 一种基于神经网络模型微调的刀盘扭矩预测方法及系统 |
| WO2024007840A1 (zh) * | 2022-07-07 | 2024-01-11 | 中国长江三峡集团有限公司 | 水平定向钻进扩孔扭矩预测方法、装置、设备及存储介质 |
| CN117852897A (zh) * | 2023-11-17 | 2024-04-09 | 中国人民解放军63796部队 | 台风生成的关键因子的筛选方法及系统 |
| CN117852897B (zh) * | 2023-11-17 | 2024-09-20 | 中国人民解放军63796部队 | 台风生成的关键因子的筛选方法及系统 |
| CN117520902A (zh) * | 2023-12-05 | 2024-02-06 | 中国人民解放军63796部队 | 基于机器学习的南海台风生成预测方法 |
| CN117520902B (zh) * | 2023-12-05 | 2024-08-13 | 中国人民解放军63796部队 | 基于机器学习的南海台风生成预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112329172B (zh) | 2022-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112329172B (zh) | 基于并联式神经网络的盾构机刀盘扭矩预测方法及系统 | |
| CN110377984B (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
| CN113486578B (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
| CN112926641B (zh) | 基于多模态数据的三阶段特征融合旋转机械故障诊断方法 | |
| CN1043543C (zh) | 推断装置 | |
| CN112347580A (zh) | 一种盾构机刀盘扭矩实时预测方法及系统 | |
| CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
| CN113822139B (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
| CN105183841A (zh) | 大数据环境下结合频繁项集和深度学习的推荐方法 | |
| CN113221458B (zh) | 盾构刀盘扭矩多步预测方法和系统 | |
| CN115545321A (zh) | 一种制丝车间工艺质量在线预测方法 | |
| CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
| CN113536681B (zh) | 一种基于时序外推预测的电动舵机健康评估方法 | |
| Shi et al. | A dual attention LSTM lightweight model based on exponential smoothing for remaining useful life prediction | |
| Nasser et al. | A hybrid of convolutional neural network and long short-term memory network approach to predictive maintenance | |
| Wang et al. | Application research on long short-term memory network in fault diagnosis | |
| Nourani et al. | Forecasting stock prices using a hybrid artificial bee colony based neural network | |
| CN113536683B (zh) | 一种基于深度神经网络的人工特征与卷积特征融合的特征提取方法 | |
| Sari et al. | Daily rainfall prediction using one dimensional convolutional neural networks | |
| CN113435055B (zh) | 盾构刀盘扭矩领域自适应迁移预测方法和系统 | |
| CN114462453A (zh) | 全断面隧道掘进机刀盘扭矩长时间预测方法及系统 | |
| NO20230513A1 (en) | Autonomous fluid management using fluid digital twins | |
| CN117315328B (zh) | 一种注意力机制下改进卷积神经网络的齿轮故障诊断方法 | |
| CN114297795A (zh) | 一种基于PR-Trans的机械设备剩余寿命预测方法 | |
| Zeng et al. | Remaining Useful Life Prediction via Spatio-Temporal Channels and Transformer |
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 |