CN112347580A - 一种盾构机刀盘扭矩实时预测方法及系统 - Google Patents
一种盾构机刀盘扭矩实时预测方法及系统 Download PDFInfo
- Publication number
- CN112347580A CN112347580A CN202011220548.9A CN202011220548A CN112347580A CN 112347580 A CN112347580 A CN 112347580A CN 202011220548 A CN202011220548 A CN 202011220548A CN 112347580 A CN112347580 A CN 112347580A
- Authority
- CN
- China
- Prior art keywords
- neural network
- cnn
- cutter head
- residual
- shield machine
- 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.)
- Pending
Links
- 230000005641 tunneling Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 202
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims description 27
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 18
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000008034 disappearance Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000010276 construction Methods 0.000 description 12
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005422 blasting Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012821 model calculation 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]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明提供了一种盾构机刀盘扭矩实时预测方法及系统，包括：选取盾构机实际工作过程中对刀盘扭矩影响符合预设要求的盾构机运行参数，并进行预处理；基于CNN神经网络、残差网络与LSTM神经网络利用Tensorflow框架下的keras包构建残差CNN‑LSTM神经网络刀盘扭矩预测模型；对残差CNN‑LSTM神经网络刀盘扭矩预测模型进行训练；选取预设时刻的盾构机运行参数数据，利用训练后的残差CNN‑LSTM神经网络刀盘扭矩预测模型，对下一时刻的刀盘扭矩数值进行预测；分别计算均方误差、平均绝对误差和平均绝对百分误差，测试刀盘扭矩的预测精度；本发明实现对盾构机的刀盘扭矩的高精度预测，有利于提升盾构机的自动化与智能化水平。
Description
技术领域
本发明涉及盾构机施工过程的掘进参数预测与控制参数优化领域，具体地，涉及一种盾构机刀盘扭矩实时预测方法及系统，更为具体地，涉及一种基于残差CNN-LSTM神经网络的盾构机刀盘扭矩实时预测方法。
背景技术
盾构机全称是隧道掘进机，被广泛地应用于高速铁路和地铁的隧道建设中，与传统的爆破法挖掘隧道相比，采用盾构机进行隧道的挖掘更为高效安全与环保。未来我国将会建设更多的铁路，到时盾构机将会得到更为广泛的应用。盾构机在施工过程中刀盘系统极易受卡受困损坏，这将影响建设工期甚至可能引发安全事故，造成重大经济损失，危害人身安全。为了确保盾构机在施工过程中能够安全地推进，根据不同的地质条件合理地调整盾构机的掘进参数是很有必要的。然而精确地预测盾构机工作的地质条件地质参数是十分困难的，因此精确地预测盾构机掘进过程的运行参数对指导盾构机高效安全地推进和实现对盾构机的智能控制与优化决策具有重要的意义。刀盘系统是盾构机的最重要的部件之一，刀盘扭矩是刀盘系统的关键参数也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。
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盾构机刀盘扭矩实时预测方法及系统。
根据本发明提供的一种盾构机刀盘扭矩实时预测方法，包括：
步骤M1：选取盾构机实际工作过程中对刀盘扭矩影响符合预设要求的盾构机运行参数；
步骤M2：对符合预设要求的盾构机运行参数进行预处理；
步骤M3：基于CNN神经网络、残差网络与LSTM神经网络利用Tensorflow框架下的keras包构建残差CNN-LSTM神经网络刀盘扭矩预测模型；
步骤M4：利用预处理后的盾构机运行参数对残差CNN-LSTM神经网络刀盘扭矩预测模型进行训练，得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型；
步骤M5：选取预设时刻的盾构机运行参数数据，利用训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型，对下一时刻的刀盘扭矩数值进行预测；
步骤M6：根据下一时刻的刀盘扭矩数值分别计算均方误差、平均绝对误差和平均绝对百分误差，根据计算得到的均方误差、平均绝对误差和平均绝对百分误差测试刀盘扭矩的预测精度；
所述残差CNN-LSTM神经网络刀盘扭矩预测模型包括CNN神经网络、残差网络和LSTM神经网络；预设时刻的盾构机运行参数通过残差CNN-LSTM神经网络刀盘扭矩预测模型得到刀盘扭矩数值。
优选地，所述步骤M1包括：
步骤M1.1：清除盾构机运行参数数据中的非数值型变量与数值不发生变化的常量；
步骤M1.2：计算剩余的每个盾构机运行参数与刀盘扭矩之间的余弦相似度；
序列X(x1,x2,x3,…,xn)与Y(y1,y2,y3,…,yn)余弦相似度的计算公式如下所示：
其中，序列X(x1,x2,x3,…,xn)表示不同时间点的刀盘扭矩；序列Y(y1,y2,y3,…,yn)表示不同时间点的盾构机运行参数；
步骤M1.3：选取满足预设要求的余弦相似度相应的盾构机运行参数。
优选地，所述步骤M2包括：
步骤M2.1：利用最大-最小归一化方法对符合预设要求的盾构机运行参数进行预处理；
其中，xold表示归一化前的数值，xnew表示归一化后的数值，xmax表示盾构机运行参数中物理量数据最大值，xmin表示盾构机运行参数中物理量数据最小值。
优选地，所述步骤M3中残差CNN-LSTM神经网络刀盘扭矩预测模型包括：CNN神经网络、残差网络、LSTM神经网络；
所述CNN神经网络是将预处理后的盾构机运行参数通过CNN神经网络提取空间变化特征；
所述残差网络缓解深层神经网络在训练时的梯度消失；
所述LSTM神经网络是将经过残差网络的输入数据和空间变化特征相加通过LSTM神经网络提取时间变化特征；
所述CNN神经网络的层数为预设层，每层CNN神经网络包括预设层卷积层和预设层池化层；
所述LSTM神经网络包括预设层，每层LSTM神经网络分别具有预设数量的神经元；
所述残差CNN-LSTM神经网络刀盘扭矩预测模型还包括全连接神经网络，所述全连接神经网络的神经元数量为预设个，将结果通过全连接神经网络输出。
优选地，所述步骤M4包括：利用预处理后的盾构机运行参数采用Adam优化器训练残差CNN-LSTM神经网络刀盘扭矩预测模型，训练时采用梯度下降反向传播算法调整神经元的权值，直至训练次数达到预设值结束训练，得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型。
优选地，所述步骤M6中均方误差包括：
其中，MSE表示均方误差；Y＝{y1,y2,…,yn}为真实值；
为预测值；MSE的值越小则预测精度越高；
其中，MAE表示平均绝对误差；Y＝{y1,y2,…,yn}为真实值；
为预测值；MAE的值越小则预测精度越高；
其中，MAPE表示平均绝对百分误差；Y＝{y1,y2,…,yn}为真实值；
为预测值；MAPE的值越小则预测精度越高。
根据本发明提供的一种盾构机刀盘扭矩实时预测系统，包括：
模块M1：选取盾构机实际工作过程中对刀盘扭矩影响符合预设要求的盾构机运行参数；
模块M2：对符合预设要求的盾构机运行参数进行预处理；
模块M3：基于CNN神经网络、残差网络与LSTM神经网络利用Tensorflow框架下的keras包构建残差CNN-LSTM神经网络刀盘扭矩预测模型；
模块M4：利用预处理后的盾构机运行参数对残差CNN-LSTM神经网络刀盘扭矩预测模型进行训练，得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型；
模块M5：选取预设时刻的盾构机运行参数数据，利用训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型，对下一时刻的刀盘扭矩数值进行预测；
模块M6：根据下一时刻的刀盘扭矩数值分别计算均方误差、平均绝对误差和平均绝对百分误差，根据计算得到的均方误差、平均绝对误差和平均绝对百分误差测试刀盘扭矩的预测精度；
所述残差CNN-LSTM神经网络刀盘扭矩预测模型包括CNN神经网络、残差网络和LSTM神经网络；预设时刻的盾构机运行参数通过残差CNN-LSTM神经网络刀盘扭矩预测模型得到预测的刀盘扭矩数值。
优选地，所述模块M1包括：
模块M1.1：清除盾构机运行参数数据中的非数值型变量与数值不发生变化的常量；
模块M1.2：计算剩余的每个盾构机运行参数与刀盘扭矩之间的余弦相似度；
序列X(x1,x2,x3,…,xn)与Y(y1,y2,y3,…,yn)余弦相似度的计算公式如下所示：
其中，序列X(x1,x2,x3,…,xn)表示不同时间点的刀盘扭矩；序列Y(y1,y2,y3,…,yn)表示不同时间点的盾构机运行参数；
模块M1.3：选取满足预设要求的余弦相似度相应的盾构机运行参数；
所述模块M2包括：
模块M2.1：利用最大-最小归一化方法对符合预设要求的盾构机运行参数进行预处理；
其中，xold表示归一化前的数值，xnew表示归一化后的数值，xmax表示盾构机运行参数中物理量数据最大值，xmin表示盾构机运行参数中物理量数据最小值。
优选地，所述模块M3中残差CNN-LSTM神经网络刀盘扭矩预测模型包括：CNN神经网络、残差网络、LSTM神经网络；
所述CNN神经网络是将预处理后的盾构机运行参数通过CNN神经网络提取空间变化特征；
所述残差网络缓解深层神经网络在训练时的梯度消失；
所述LSTM神经网络是将经过残差网络的输入数据和空间变化特征相加通过LSTM神经网络提取时间变化特征；
所述CNN神经网络的层数为预设层，每层CNN神经网络包括预设层卷积层和预设层池化层；
所述LSTM神经网络包括预设层，每层LSTM神经网络分别具有预设数量的神经元；
所述残差CNN-LSTM神经网络刀盘扭矩预测模型还包括全连接神经网络，所述全连接神经网络的神经元数量为预设个，将结果通过全连接神经网络输出；
所述模块M4包括：利用预处理后的盾构机运行参数采用Adam优化器训练残差CNN-LSTM神经网络刀盘扭矩预测模型，训练时采用梯度下降反向传播算法调整神经元的权值，直至训练次数达到预设值结束训练，得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型。
优选地，所述模块M6中均方误差包括：
其中，MSE表示均方误差；Y＝{y1,y2,…,yn}为真实值；
为预测值；MSE的值越小则预测精度越高；
其中，MAE表示平均绝对误差；Y＝{y1,y2,…,yn}为真实值；
为预测值；MAE的值越小则预测精度越高；
其中，MAPE表示平均绝对百分误差；Y＝{y1,y2,…,yn}为真实值；
为预测值；MAPE的值越小则预测精度越高。
与现有技术相比，本发明具有如下的有益效果：
1、本发明建立基于残差CNN-LSTM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CNN层提取刀盘扭矩序列的空间变化特性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，较好地拟合了输入盾构机运行参数与输出刀盘扭矩之间的非线性关系，取得了比传统物理模型计算、机器学习预测和单一神经网络预测方法更高的刀盘扭矩预测精度；
2、本发明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，实现盾构机的高效安全推进，从而提升盾构机的自动化和智能化水平。
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是本发明所提出的残差CNN-LSTM神经网络模型图；
图5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6是本发明所提出的残差CNN-LSTM神经网络刀盘扭矩预测模型在数据集1的测试集中的刀盘扭矩实际图；
图7是本发明所提出的残差CNN-LSTM神经网络刀盘扭矩预测模型在数据集1的测试集中的刀盘扭矩预测图。
图8是本发明所提出的残差CNN-LSTM神经网络刀盘扭矩预测模型在数据集2的测试集中的刀盘扭矩实际图；
图9是本发明所提出的残差CNN-LSTM神经网络刀盘扭矩预测模型在数据集2的测试集中的刀盘扭矩预测图。
具体实施方式
下面结合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。
实施例1
针对目前的刀盘扭矩预测方法存在的预测精度不高、泛化能力不强的问题，本发明提供一种基于残差CNN-LSTM神经网络的刀盘扭矩实时预测方法。
根据本发明提供的一种盾构机刀盘扭矩实时预测方法，包括：
步骤M1：选取盾构机实际工作过程中对刀盘扭矩影响符合预设要求的盾构机运行参数；包括千斤顶推进速度、盾构机承受的地质压力、刀盘推力、刀盘转速、盾构机推进系统的受力、推进电机的电流与频率等。
步骤M2：对符合预设要求的盾构机运行参数进行预处理；
步骤M3：基于CNN神经网络、残差网络与LSTM神经网络利用Tensorflow框架下的keras包构建残差CNN-LSTM神经网络刀盘扭矩预测模型；
步骤M4：利用预处理后的盾构机运行参数对残差CNN-LSTM神经网络刀盘扭矩预测模型进行训练，得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型；
步骤M5：选取预设时刻的盾构机运行参数数据，利用训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型，对下一时刻的刀盘扭矩数值进行预测；
步骤M6：根据下一时刻的刀盘扭矩数值分别计算均方误差、平均绝对误差和平均绝对百分误差，根据计算得到的均方误差、平均绝对误差和平均绝对百分误差测试刀盘扭矩的预测精度；
所述残差CNN-LSTM神经网络刀盘扭矩预测模型包括CNN神经网络、残差网络和LSTM神经网络；预设时刻的盾构机运行参数通过残差CNN-LSTM神经网络刀盘扭矩预测模型得到预测的刀盘扭矩数值。
具体地，所述步骤M1包括：
步骤M1.1：清除盾构机运行参数数据中的非数值型变量与数值不发生变化的常量；
步骤M1.2：计算剩余的每个盾构机运行参数与刀盘扭矩之间的余弦相似度；
序列X(x1,x2,x3,…,xn)与Y(y1,y2,y3,…,yn)余弦相似度的计算公式如下所示：
其中，序列X(x1,x2,x3,…,xn)表示不同时间点的刀盘扭矩；序列Y(y1,y2,y3,…,yn)表示不同时间点的盾构机运行参数；
步骤M1.3：选取与刀盘扭矩的余弦相似度大于0.85的盾构机运行参数作为预测模型的输入数据，共选取51维盾构机运行参数作为预测模型的输入，输出数据为预测的刀盘扭矩数值。
具体地，所述步骤M2包括：
步骤M2.1：利用最大-最小归一化方法对符合预设要求的盾构机运行参数进行预处理；
其中，xold表示归一化前的数值，xnew表示归一化后的数值，xmax表示盾构机运行参数中物理量数据最大值，xmin表示盾构机运行参数中物理量数据最小值。
具体地，所述步骤M3中残差CNN-LSTM神经网络刀盘扭矩预测模型包括：CNN神经网络、残差网络、LSTM神经网络；
所述CNN神经网络是将预处理后的盾构机运行参数通过CNN神经网络提取空间变化特征；
所述残差网络缓解深层神经网络在训练时的梯度消失；
所述输入数据同时经过残差网络和CNN神经网络，再相加，最后进入LSTM神经网络；
所述LSTM神经网络是将经过残差网络的输入数据和空间变化特征相加通过LSTM神经网络提取时间变化特征；
所述CNN神经网络的层数为2层，每一层CNN神经网络的参数设置是一样的，每层CNN神经网络包括1层卷积层和1层池化层；卷积层是一维卷积层，其filters为51，kernel_size为10，padding为same，激活函数为ReLU。池化层为一维平均池化层，pool_size为2，strides为1。
所述LSTM神经网络包括3层，第1层LSTM网络神经元的个数为50，第2层LSTM网络神经元的个数为30，第3层LSTM网络神经元的个数为30；
所述残差CNN-LSTM神经网络刀盘扭矩预测模型还包括全连接神经网络，所述全连接神经网络的神经元数量为1个，激活函数为linear，将结果通过全连接神经网络输出。
具体地，所述步骤M4包括：利用预处理后的盾构机运行参数采用Adam优化器训练残差CNN-LSTM神经网络刀盘扭矩预测模型，训练时采用梯度下降反向传播算法调整神经元的权值，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，训练后得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型。
具体地，所述步骤M5包括：
本发明提出的预测模型中输入数据的时间窗口的长度L＝10，也就是说，本发明利用前10个历史时刻的盾构机运行参数数据来预测下一时刻的刀盘扭矩数据。输入与输出数据如下所示：
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时刻的输入的第k维盾构机运行参数的数据。xt+1表示预测的t+1时刻的刀盘扭矩数值。
具体地，所述步骤M6中均方误差包括：
其中，MSE表示均方误差；Y＝{y1,y2,…,yn}为真实值；
为预测值；MSE的值越小则预测精度越高；
其中，MAE表示平均绝对误差；Y＝{y1,y2,…,yn}为真实值；
为预测值；MAE的值越小则预测精度越高；
其中，MAPE表示平均绝对百分误差；Y＝{y1,y2,…,yn}为真实值；
为预测值；MAPE的值越小则预测精度越高。
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。某个由传感器采集的盾构机施工掘进过程中的参数共有1465维，我们首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。
之后建立残差CNN-LSTM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。
根据本发明提供的一种盾构机刀盘扭矩实时预测系统，包括：
模块M1：选取盾构机实际工作过程中对刀盘扭矩影响符合预设要求的盾构机运行参数；包括千斤顶推进速度、盾构机承受的地质压力、刀盘推力、刀盘转速、盾构机推进系统的受力、推进电机的电流与频率等。
模块M2：对符合预设要求的盾构机运行参数进行预处理；
模块M3：基于CNN神经网络、残差网络与LSTM神经网络利用Tensorflow框架下的keras包构建残差CNN-LSTM神经网络刀盘扭矩预测模型；
模块M4：利用预处理后的盾构机运行参数对残差CNN-LSTM神经网络刀盘扭矩预测模型进行训练，得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型；
模块M5：选取预设时刻的盾构机运行参数数据，利用训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型，对下一时刻的刀盘扭矩数值进行预测；
模块M6：根据下一时刻的刀盘扭矩数值分别计算均方误差、平均绝对误差和平均绝对百分误差，根据计算得到的均方误差、平均绝对误差和平均绝对百分误差判断刀盘扭矩的预测精度；
所述残差CNN-LSTM神经网络刀盘扭矩预测模型包括CNN神经网络、残差网络和LSTM神经网络；预设时刻的盾构机运行参数通过残差CNN-LSTM神经网络刀盘扭矩预测模型得到刀盘扭矩数值。
具体地，所述模块M1包括：
模块M1.1：清除盾构机运行参数数据中的非数值型变量与数值不发生变化的常量；
模块M1.2：计算剩余的每个盾构机运行参数与刀盘扭矩之间的余弦相似度；
序列X(x1,x2,x3,…,xn)与Y(y1,y2,y3,…,yn)余弦相似度的计算公式如下所示：
其中，序列X(x1,x2,x3,…,xn)表示不同时间点的刀盘扭矩；序列Y(y1,y2,y3,…,yn)表示不同时间点的盾构机运行参数；
模块M1.3：选取与刀盘扭矩的余弦相似度大于0.85的盾构机运行参数作为预测模型的输入数据，共选取51维盾构机运行参数作为预测模型的输入，输出数据为预测的刀盘扭矩数值。
具体地，所述模块M2包括：
模块M2.1：利用最大-最小归一化方法对符合预设要求的盾构机运行参数进行预处理；
其中，xold表示归一化前的数值，xnew表示归一化后的数值，xmax表示盾构机运行参数中物理量数据最大值，xmin表示盾构机运行参数中物理量数据最小值。
具体地，所述模块M3中残差CNN-LSTM神经网络刀盘扭矩预测模型包括：CNN神经网络、残差网络、LSTM神经网络；
所述CNN神经网络是将预处理后的盾构机运行参数通过CNN神经网络提取空间变化特征；
所述残差网络缓解深层神经网络在训练时的梯度消失；
所述输入数据同时经过残差网络和CNN神经网络，再相加，最后进入LSTM神经网络；
所述LSTM神经网络是将经过残差网络的输入数据和空间变化特征相加通过LSTM神经网络提取时间变化特征；
所述CNN神经网络的层数为2层，每一层CNN神经网络的参数设置是一样的，每层CNN神经网络包括1层卷积层和1层池化层；卷积层是一维卷积层，其filters为51，kernel_size为10，padding为same，激活函数为ReLU。池化层为一维平均池化层，pool_size为2，strides为1。
所述LSTM神经网络包括3层，第1层LSTM网络神经元的个数为50，第2层LSTM网络神经元的个数为30，第3层LSTM网络神经元的个数为30；
所述残差CNN-LSTM神经网络刀盘扭矩预测模型还包括全连接神经网络，所述全连接神经网络的神经元数量为1个，激活函数为linear，将结果通过全连接神经网络输出。
具体地，所述模块M4包括：利用预处理后的盾构机运行参数采用Adam优化器训练残差CNN-LSTM神经网络刀盘扭矩预测模型，训练时采用梯度下降反向传播算法调整神经元的权值，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，训练后得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型。
具体地，所述模块M5包括：
本发明提出的预测模型中输入数据的时间窗口的长度L＝10，也就是说，本发明利用前10个历史时刻的盾构机运行参数数据来预测下一时刻的刀盘扭矩数据。输入与输出数据如下所示：
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时刻的输入的第k维盾构机运行参数的数据。xt+1表示预测的t+1时刻的刀盘扭矩数值。
具体地，所述模块M6中均方误差包括：
其中，MSE表示均方误差；Y＝{y1,y2,…,yn}为真实值；
为预测值；MSE的值越小则预测精度越高；
其中，MAE表示平均绝对误差；Y＝{y1,y2,…,yn}为真实值；
为预测值；MAE的值越小则预测精度越高；
其中，MAPE表示平均绝对百分误差；Y＝{y1,y2,…,yn}为真实值；
为预测值；MAPE的值越小则预测精度越高。
首先从某个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。由传感器采集的盾构机施工掘进过程中的参数共有1465维，我们首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。
之后建立残差CNN-LSTM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2
实施例2是实施例1的变化例
下面结合附图与具体实施方式对本发明做进一步描述：
参考图1至图9，一种基于残差CNN-LSTM神经网络的刀盘扭矩实时预测方法，包括如下步骤：
步骤1：选择关键参数，选择盾构机实际工作过程中对刀盘扭矩影响较大的盾构机运行参数作为预测模型的输入。图1是盾构机实际施工的运行参数数据库图，图2是数据库中的盾构机运行参数与刀盘扭矩的余弦相似度图，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预测模型的输入数据。包括千斤顶推进速度、盾构机所受的地质压力、刀盘推力、刀盘转速、盾构机推进系统的受力、推进电机的电流与频率等。选择的参数的名称和单位如图3所示。
步骤2：采用最大-最小归一化方法对盾构机运行参数数据进行预处理，并且用前10个历史时刻的盾构机运行参数数据去预测下一时刻的刀盘扭矩数值。
步骤3：建立残差CNN-LSTM神经网络刀盘扭矩预测模型，提出的残差CNN-LSTM神经网络模型结构图如图4所示，包括2层CNN神经网络、残差连接、3层LSTM神经网络和1层全连接神经网络。每一层CNN网络都包括一个一维卷积层Conv1D和一个一维平均池化层AveragePooling1D,卷积层中的filters为51，kernel_size为10，padding为same，激活函数为ReLU，池化层的pool_size为2，strides为1；第一层LSTM网络的神经元数为50，第二层LSTM网络的神经元数为30，第三层LSTM网络的神经元数为30,；全连接层网络的神经元数为1，激活函数为linear。
步骤4：利用TensorFlow框架下的keras包搭建残差CNN-LSTM神经网络，并用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包搭建提出的残差CNN-LSTM神经网络模型，训练集包括7000行盾构机运行参数数据，测试集包括3000行盾构机运行参数数据。每一行的数据表示某一个具体时刻的盾构机运行参数数据。
(4-2)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。
(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是提出的残差CNN-LSTM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表明提出的神经网络模型的学习能力较强，而且在训练时没有出现过拟合。
步骤5：采用3个指标MSE、MAE和MAPE评价提出的刀盘扭矩预测模型对刀盘扭矩的预测精度，其中MSE、MAE和MAPE的公式分别为：
(5-1)MSE是均方误差，其计算公式为
其中Y＝{y1,y2,…,yn}为真实值，
为预测值。MSE的值越小则预测精度越高。
(5-2)MAE是平均绝对误差，其计算公式为
其中Y＝{y1,y2,…,yn}为真实值，
为预测值。MAE的值越小则预测精度越高。
(5-3)MAPE是平均绝对百分误差，其计算公式为
其中Y＝{y1,y2,…,yn}为真实值，
为预测值。MAPE的值越小则预测精度越高。图6至图9是提出的残差CNN-LSTM神经网络刀盘扭矩预测模型在两个不同的数据集对刀盘扭矩的预测值与实际值的比较曲线。
从图5可以看出提出的残差CNN-LSTM神经网络刀盘扭矩预测模型在训练的过程中，训练集的损失函数先下降而后收敛于一个较小的值，而测试集的损失函数同样先下降而后收敛于一个较小的值，并且训练集的损失函数与测试集的损失函数相差不大。因此提出的残差CNN-LSTM神经网络有较强的学习能力而且在训练时不会出现过拟合，能较好的学习训练集和预测集的刀盘扭矩的共性变化规律。从图6至图9可以看出提出的残差CNN-LSTM神经网络刀盘扭矩预测模型在两个不同的数据集中预测的刀盘扭矩的数值与实际的刀盘扭矩数值很接近，在数据集1的MSE为0.000824，MAE为0.0174，MAPE为2.89％，预测精度为97.1％，在数据集2的MSE为0.001167，MAE为0.0216，MAPE为3.59％，预测精度为96.4％，表明提出的残差CNN-LSTM神经网络刀盘扭矩实时预测方法有较高的刀盘扭矩预测精度。
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、装置及其各个模块以外，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、装置及其各个模块以逻辑门、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程序。所以，本发明提供的系统、装置及其各个模块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程序的模块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模块视为既可以是实现方法的软件程序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)
1.一种盾构机刀盘扭矩实时预测方法，其特征在于，包括：
步骤M1：选取盾构机实际工作过程中对刀盘扭矩影响符合预设要求的盾构机运行参数；
步骤M2：对符合预设要求的盾构机运行参数进行预处理；
步骤M3：基于CNN神经网络、残差网络与LSTM神经网络利用Tensorflow框架下的keras包构建残差CNN-LSTM神经网络刀盘扭矩预测模型；
步骤M4：利用预处理后的盾构机运行参数对残差CNN-LSTM神经网络刀盘扭矩预测模型进行训练，得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型；
步骤M5：选取预设时刻的盾构机运行参数数据，利用训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型，对下一时刻的刀盘扭矩数值进行预测；
步骤M6：根据下一时刻的刀盘扭矩数值分别计算均方误差、平均绝对误差和平均绝对百分误差，根据计算得到的均方误差、平均绝对误差和平均绝对百分误差测试刀盘扭矩的预测精度；
所述残差CNN-LSTM神经网络刀盘扭矩预测模型包括CNN神经网络、残差网络和LSTM神经网络；预设时刻的盾构机运行参数通过残差CNN-LSTM神经网络刀盘扭矩预测模型得到预测的刀盘扭矩数值。
2.根据权利要求1所述的盾构机刀盘扭矩实时预测方法，其特征在于，所述步骤M1包括：
步骤M1.1：清除盾构机运行参数数据中的非数值型变量与数值不发生变化的常量；
步骤M1.2：计算剩余的每个盾构机运行参数与刀盘扭矩之间的余弦相似度；
序列X(x1,x2,x3,…,xn)与Y(y1,y2,y3,…,yn)余弦相似度的计算公式如下所示：
其中，序列X(x1,x2,x3,…,xn)表示不同时间点的刀盘扭矩；序列Y(y1,y2,y3,…,yn)表示不同时间点的盾构机运行参数；
步骤M1.3：选取满足预设要求的余弦相似度相应的盾构机运行参数。
3.根据权利要求1所述的盾构机刀盘扭矩实时预测方法，其特征在于，所述步骤M2包括：
步骤M2.1：利用最大-最小归一化方法对符合预设要求的盾构机运行参数进行预处理；
其中，xold表示归一化前的数值，xnew表示归一化后的数值，xmax表示盾构机运行参数中物理量数据最大值，xmin表示盾构机运行参数中物理量数据最小值。
4.根据权利要求1所述的盾构机刀盘扭矩实时预测方法，其特征在于，所述步骤M3中残差CNN-LSTM神经网络刀盘扭矩预测模型包括：CNN神经网络、残差网络、LSTM神经网络；
所述CNN神经网络是将预处理后的盾构机运行参数通过CNN神经网络提取空间变化特征；
所述残差网络缓解深层神经网络在训练时的梯度消失；
所述LSTM神经网络是将经过残差网络的输入数据和经过CNN神经网络提取的空间变化特征相加通过LSTM神经网络提取时间变化特征；
所述CNN神经网络的层数为预设层，每层CNN神经网络包括预设层卷积层和预设层池化层；
所述LSTM神经网络包括预设层，每层LSTM神经网络分别具有预设数量的神经元；
所述残差CNN-LSTM神经网络刀盘扭矩预测模型还包括全连接神经网络，所述全连接神经网络的神经元数量为预设个，将结果通过全连接神经网络输出。
5.根据权利要求1所述的盾构机刀盘扭矩实时预测方法，其特征在于，所述步骤M4包括：利用预处理后的盾构机运行参数采用Adam优化器训练残差CNN-LSTM神经网络刀盘扭矩预测模型，训练时采用梯度下降反向传播算法调整神经元的权值，直至训练次数达到预设值结束训练，得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型。
6.根据权利要求1所述的盾构机刀盘扭矩实时预测方法，其特征在于，所述步骤M6中均方误差包括：
其中，MSE表示均方误差；Y={y1,y2,…,yn}为真实值；
为预测值；MSE的值越小则预测精度越高；
其中，MAE表示平均绝对误差；Y={y1,y2,…,yn}为真实值；
为预测值；MAE的值越小则预测精度越高；
其中，MAPE表示平均绝对百分误差；Y={y1,y2,…,yn}为真实值；
为预测值；MAPE的值越小则预测精度越高。
7.一种盾构机刀盘扭矩实时预测系统，其特征在于，包括：
模块M1：选取盾构机实际工作过程中对刀盘扭矩影响符合预设要求的盾构机运行参数；
模块M2：对符合预设要求的盾构机运行参数进行预处理；
模块M3：基于CNN神经网络、残差网络与LSTM神经网络利用Tensorflow框架下的keras包构建残差CNN-LSTM神经网络刀盘扭矩预测模型；
模块M4：利用预处理后的盾构机运行参数对残差CNN-LSTM神经网络刀盘扭矩预测模型进行训练，得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型；
模块M5：选取预设时刻的盾构机运行参数数据，利用训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型，对下一时刻的刀盘扭矩数值进行预测；
模块M6：根据下一时刻的刀盘扭矩数值分别计算均方误差、平均绝对误差和平均绝对百分误差，根据计算得到的均方误差、平均绝对误差和平均绝对百分误差测试刀盘扭矩的预测精度；
所述残差CNN-LSTM神经网络刀盘扭矩预测模型包括CNN神经网络、残差网络和LSTM神经网络；预设时刻的盾构机运行参数通过残差CNN-LSTM神经网络刀盘扭矩预测模型得到刀盘扭矩数值。
8.根据权利要求7所述的盾构机刀盘扭矩实时预测系统，其特征在于，所述模块M1包括：
模块M1.1：清除盾构机运行参数数据中的非数值型变量与数值不发生变化的常量；
模块M1.2：计算剩余的每个盾构机运行参数与刀盘扭矩之间的余弦相似度；
序列X(x1,x2,x3,…,xn)与Y(y1,y2,y3,…,yn)余弦相似度的计算公式如下所示：
其中，序列X(x1,x2,x3,…,xn)表示不同时间点的刀盘扭矩；序列Y(y1,y2,y3,…,yn)表示不同时间点的盾构机运行参数；
模块M1.3：选取满足预设要求的余弦相似度相应的盾构机运行参数；
所述模块M2包括：
模块M2.1：利用最大-最小归一化方法对符合预设要求的盾构机运行参数进行预处理；
其中，xold表示归一化前的数值，xnew表示归一化后的数值，xmax表示盾构机运行参数中物理量数据最大值，xmin表示盾构机运行参数中物理量数据最小值。
9.根据权利要求7所述的盾构机刀盘扭矩实时预测系统，其特征在于，所述模块M3中残差CNN-LSTM神经网络刀盘扭矩预测模型包括：CNN神经网络、残差网络、LSTM神经网络；
所述CNN神经网络是将预处理后的盾构机运行参数通过CNN神经网络提取空间变化特征；
所述残差网络缓解深层神经网络在训练时的梯度消失；
所述LSTM神经网络是将经过残差网络的输入数据和空间变化特征相加通过LSTM神经网络提取时间变化特征；
所述CNN神经网络的层数为预设层，每层CNN神经网络包括预设层卷积层和预设层池化层；
所述LSTM神经网络包括预设层，每层LSTM神经网络分别具有预设数量的神经元；
所述残差CNN-LSTM神经网络刀盘扭矩预测模型还包括全连接神经网络，所述全连接神经网络的神经元数量为预设个，将结果通过全连接神经网络输出；
所述模块M4包括：利用预处理后的盾构机运行参数采用Adam优化器训练残差CNN-LSTM神经网络刀盘扭矩预测模型，训练时采用梯度下降反向传播算法调整神经元的权值，直至训练次数达到预设值结束训练，得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型。
10.根据权利要求7所述的盾构机刀盘扭矩实时预测系统，其特征在于，所述模块M6中均方误差包括：
其中，MSE表示均方误差；Y={y1,y2,…,yn}为真实值；
为预测值；MSE的值越小则预测精度越高；
其中，MAE表示平均绝对误差；Y={y1,y2,…,yn}为真实值；
为预测值；MAE的值越小则预测精度越高；
其中，MAPE表示平均绝对百分误差；Y={y1,y2,…,yn}为真实值；
为预测值；MAPE的值越小则预测精度越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011220548.9A CN112347580A (zh) | 2020-11-05 | 2020-11-05 | 一种盾构机刀盘扭矩实时预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011220548.9A CN112347580A (zh) | 2020-11-05 | 2020-11-05 | 一种盾构机刀盘扭矩实时预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112347580A true CN112347580A (zh) | 2021-02-09 |
Family
ID=74428762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011220548.9A Pending CN112347580A (zh) | 2020-11-05 | 2020-11-05 | 一种盾构机刀盘扭矩实时预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112347580A (zh) |
Cited By (9)
| 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 |
| CN113323676A (zh) * | 2021-06-03 | 2021-08-31 | 上海市隧道工程轨道交通设计研究院 | 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法 |
| 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 |
| 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 |
| CN113946899A (zh) * | 2021-11-10 | 2022-01-18 | 广东粤海珠三角供水有限公司 | 一种基于实时地质信息的泥水盾构掘进参数预测方法 |
| 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 |
| CN114881205A (zh) * | 2022-04-20 | 2022-08-09 | 苏州大学 | 盾构姿态预测方法、介质、电子设备及系统 |
| CN117290664A (zh) * | 2023-09-27 | 2023-12-26 | 贵州大学 | 一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948716A (zh) * | 2019-03-25 | 2019-06-28 | 中国民航大学 | 一种基于区域残差和lstm网络的机场延误预测方法 |
| 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 |
| CN111325976A (zh) * | 2020-02-24 | 2020-06-23 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及系统 |
| CN111488694A (zh) * | 2020-04-16 | 2020-08-04 | 盾构及掘进技术国家重点实验室 | 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 |
-
2020
- 2020-11-05 CN CN202011220548.9A patent/CN112347580A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948716A (zh) * | 2019-03-25 | 2019-06-28 | 中国民航大学 | 一种基于区域残差和lstm网络的机场延误预测方法 |
| 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 |
| CN111325976A (zh) * | 2020-02-24 | 2020-06-23 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及系统 |
| CN111488694A (zh) * | 2020-04-16 | 2020-08-04 | 盾构及掘进技术国家重点实验室 | 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 |
Non-Patent Citations (4)
| Title |
|---|
| 双锴: "《计算机视觉》", 北京邮电大学出版社, pages: 105 * |
| 晏臻等: "基于CNN+LSTM的短时交通流量预测方法", 《计算机工程与设计》 * |
| 晏臻等: "基于CNN+LSTM的短时交通流量预测方法", 《计算机工程与设计》, vol. 40, no. 9, 30 September 2019 (2019-09-30), pages 2620 - 2624 * |
| 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)》, vol. 44, no. 2, 31 December 2017 (2017-12-31), pages 87 - 93 * |
Cited By (13)
| 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 |
| CN113323676A (zh) * | 2021-06-03 | 2021-08-31 | 上海市隧道工程轨道交通设计研究院 | 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法 |
| CN113323676B (zh) * | 2021-06-03 | 2024-03-22 | 上海市隧道工程轨道交通设计研究院 | 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法 |
| 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 |
| 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 |
| 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 |
| CN113946899A (zh) * | 2021-11-10 | 2022-01-18 | 广东粤海珠三角供水有限公司 | 一种基于实时地质信息的泥水盾构掘进参数预测方法 |
| 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 |
| CN114881205A (zh) * | 2022-04-20 | 2022-08-09 | 苏州大学 | 盾构姿态预测方法、介质、电子设备及系统 |
| CN117290664A (zh) * | 2023-09-27 | 2023-12-26 | 贵州大学 | 一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置 |
| CN117290664B (zh) * | 2023-09-27 | 2024-04-26 | 贵州大学 | 一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112347580A (zh) | 一种盾构机刀盘扭矩实时预测方法及系统 | |
| 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 | |
| CN110110419B (zh) | 一种基于多目标学习的tbm掘进参数预测方法 | |
| CN112926273B (zh) | 一种多元退化设备剩余寿命预测方法 | |
| CN113221458B (zh) | 盾构刀盘扭矩多步预测方法和系统 | |
| CN111950191B (zh) | 基于混合深度神经网络的回转窑烧结温度预测方法 | |
| 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 | |
| CN110119787B (zh) | 一种旋转型机械设备工况检测方法及设备 | |
| CN115545321A (zh) | 一种制丝车间工艺质量在线预测方法 | |
| CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
| CN105184079B (zh) | 一种液压凿岩机的凿岩状态辨识方法 | |
| CN109460890B (zh) | 一种基于强化学习与控制性能监测的智能自愈方法 | |
| CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和系统 | |
| CN117252086A (zh) | 一种盾构机刀盘健康评估与退化预测方法、系统及设备 | |
| CN116680105A (zh) | 一种基于邻域信息融合注意力机制的时序异常检测方法 | |
| CN114297795B (zh) | 一种基于PR-Trans的机械设备剩余寿命预测方法 | |
| CN114462453A (zh) | 全断面隧道掘进机刀盘扭矩长时间预测方法及系统 | |
| 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 | |
| CN116431966A (zh) | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 | |
| CN113536682A (zh) | 一种基于二次自编码融合机制的电动液压舵机参数退化时序外推预测方法 | |
| 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 | |
| CN114880917A (zh) | 抽水蓄能机组健康状态模型构建及性能趋势预测的方法及装置 | |
| CN111273635A (zh) | 一种工控设备未知异常检测方法 | |
| CN113435055B (zh) | 盾构刀盘扭矩领域自适应迁移预测方法和系统 | |
| CN112796747B (zh) | 基于多目标的油气钻井策略预测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210209 |
|
| RJ01 | Rejection of invention patent application after publication |