CN113111467A - 一种基于混合神经网络的掘进参数预测方法、介质及设备 - Google Patents
一种基于混合神经网络的掘进参数预测方法、介质及设备 Download PDFInfo
- Publication number
- CN113111467A CN113111467A CN202110513502.4A CN202110513502A CN113111467A CN 113111467 A CN113111467 A CN 113111467A CN 202110513502 A CN202110513502 A CN 202110513502A CN 113111467 A CN113111467 A CN 113111467A
- Authority
- CN
- China
- Prior art keywords
- neural network
- tunneling
- data
- hybrid neural
- training
- 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
- 230000005641 tunneling Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 239000002689 soil Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance 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]
- G06F30/10—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
- 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
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明涉及一种基于混合神经网络的掘进参数预测方法、介质及设备，所述预测方法包括以下步骤：获取当前时间之前设定的时间或距离内设定掘进参数的历史数据；按照设定的训练步长和预测步长从上述历史数据中提取训练数据；利用上述数据训练混合神经网络模型至最优；按照设定的训练步长提取当前时间节点之前的历史数据作为待预测样本数据，输入上述混合神经网络模型，实现对未来设定步长的关键掘进参数的预测，所述设定掘进参数包括所述关键掘进参数；当盾构机掘进至设定的预测步长时，重复上述步骤，其中，混合神经网络模型基于一维卷积层和时间序列算法单元构建。与现有技术相比，本发明具有可实现未来一段时间的掘进参数预测、预测精度高等优点。
Description
技术领域
本发明涉及盾构法施工控制技术领域，涉及一种施工参数预测方法，尤其是涉及一种基于混合神经网络的掘进参数预测方法、介质及设备。
背景技术
在盾构法施工中，盾构机操作员需要时时观察当前大量的掘进参数来不断调整控制盾构机的几个核心参数，上述过程往往是盾构机操作员根据施工经验进行的，精度较低。
现有借助智能算法的掘进参数预测，如采用基于传统BP神经网络进行掘进参数预测方法，基本步骤如下：
(1)采集样本数据，结合施工经验和历史数据记录，采集特定盾构机型号的一段挖掘历史数据；
(2)对原始样本数据进行数据预处理，包括数据降维、相关性分析、特征提取、数据平滑处理；
(3)将掘进参数分为观测指标和预测指标，观测指标即为模型的输入、预测指标即为模型的输出，并根据最大最小法对输入数据进行归一化处理，使数据转化为[0,1]区间内；
(4)初始化包含多个隐藏层的网络模型的结构，每个隐藏层神经元个数相同，激活函数为Sigmoid函数；
(5)采用随时间进行反向传播算法利用步骤(3)处理后的输入数据对模型进行训练；
(6)利用训练好的神经网络模型基于当前设定的一部分掘进参数对其他掘进参数进行预测。
上述模型仅仅是根据设定的一部分掘进参数数据预测当前的其他掘进状态参数数据，既不能预测下一时刻的合理控制参数数据，也没有考虑到时间序列的影响即上一时刻掘进状态对下一时刻掘进状态的影响。此外，上述将掘进参数直接划分为观测指标和预测指标，同样并没有考虑预测指标作为掘进状态的一部分同样会对下一时刻的掘进状态产生影响。其次，含有较多隐藏层的BP神经网络往往会因梯度问题而导致无法建立有效的模型。另外，含有较多隐藏层的BP神经网络在进行模型训练时较为耗时，很难达到实时建模与预测的需求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种可实现未来一段时间的掘进参数预测、预测精度高的基于混合神经网络的掘进参数预测方法、介质及设备。
本发明的目的可以通过以下技术方案来实现：
第一方面，本发明提供一种基于混合神经网络的掘进参数预测方法，包括以下步骤：
获取当前时间之前设定的时间或距离内设定掘进参数的历史数据；
按照设定的训练步长和预测步长从上述历史数据中提取训练数据；
利用上述数据训练混合神经网络模型至最优；
按照设定的训练步长提取当前时间节点之前的历史数据作为待预测样本数据，输入上述混合神经网络模型，实现对未来设定步长的关键掘进参数的预测，所述设定掘进参数包括所述关键掘进参数；
当盾构机掘进至设定的预测步长时，重复上述步骤；
其中，所述混合神经网络模型基于一维卷积层和时间序列算法单元构建。
进一步地，所述混合神经网络模型的训练数据通过以下方式获取：
基于所述设定掘进参数采集样本数据；
对所述样本数据进行预处理，实现数据清洗；
对数据清洗后的样本数据进行归一化处理，获得归一化后的序列数据；
根据训练步长和预测步长从所述序列数据中进行训练数据的提取。
进一步地，根据训练步长和预测步长从所述序列数据中进行训练数据的提取具体为：
归一化后的序列数据用X表示，X＝[X1,X2,…,Xi,…,Xn]，其中Xi表示第i时刻的各参数记录值，从所述序列数据中依次提取X1～Xt、X2～Xt+1、Xi～Xi+t-1作为训练输入序列，对应的训练输出序列分别为Xt+1～Xt+1+w、Xt+2～Xt+w+2、Xi+t～Xi+t+w，t为训练步长，w为预测步长。
进一步地，所述预处理包括缺失值和重复值的识别处理以及非掘进段数据和初始掘进阶段的剔除。
进一步地，预测的所述关键掘进参数设有多个，训练所述混合神经网络模型时，对各关键掘进参数分别训练子模型，每个子模型均基于一维卷积层和时间序列算法单元构建，每个子模型分别建立对应的损失函数。
进一步地，所述设定掘进参数包括刀盘转速、刀盘扭矩、推进速度、总推进力、推进压力、顶部土仓压力、左上土仓压力、左中土仓压力、左下土仓压力、右中土仓压力、右下土仓压力、左上注浆压力、左下注浆压力、右上注浆压力、右下注浆压力、螺机转速、A组推进压力、B组推进压力、C组推进压力、D组推进压力、滚动角和俯仰角，所述关键掘进参数包括刀盘转速、刀盘扭矩、总推进力和推进速度。
进一步地，所述一维卷积层为一维卷积神经网络的卷积层。
进一步地，所述时间序列算法单元为GRU单元或LSTM单元。
第二方面，本发明提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于混合神经网络的掘进参数预测方法的指令。
第三方面，本发明提供一种电子设备，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于混合神经网络的掘进参数预测方法的指令。
与现有技术相比，本发明具有以下有益效果：
1、本发明采用了时间序列算法，充分考虑了不同时刻的掘进参数数据对未来掘进参数数据的影响，并可实现未来一段时间的掘进参数预测，从而为盾构机操作员调整掘进参数提供参考。
2、本发明利用基于一维卷积和时间序列算法单元形成的混合神经网络进行模型训练，可预测未来设定步长的掘进参数数据。在传统的神经网络(BP神经网络)中只考虑特征维度，即输入数据为每个特征的取值，而本发明中，不仅考虑特征维度同时考虑时间维度即输入数据为设定步长的各特征取值形成的序列，输出同样为设定步长的输出量数据即序列数据，因此本发明可以实现未来设定步长的预测。
3、本发明采用的混合神经网络模型通过引入一维卷积层升高了原数据的维度，提高了模型的局部表达能力，从而提高了建模效率和精度，因此可高效地训练模型并进行掘进参数的预测，从而为盾构机操作员在设置掘进参数时提供参考。该混合神经网络在训练时效率较高，可满足每间隔设定步长进行重新训练和预测的需求。
4、传统方法上，将掘进参数划分为观测参数与预测参数，通过机器学习算法建立观测参数与预测参数的输入-输出模型。事实上，由于掘进参数之间关联性的影响，上一时刻的预测参数数据仍然会影响下一时刻的掘进参数数据。本发明在输入量的选取时同时包含了输出量，即充分考虑了预测指标作为当前掘进状态的表征对下一时刻掘进状态产生的影响，提高了掘进参数的预测精度。
5、由于地质环境复杂多变，仅仅依靠历史掘进数据训练出的单个模型无法对未来掘进参数的预测一直保持较高的精度，因此本发明提出了不断动态更新模型，即及时捕捉变化的地质环境，从而不断地利用更新的模型进行掘进参数准确的预测，提高了模型预测的精度。
6、由于需要预测的掘进参数有多个，同时预测多个参数即为多任务问题，多任务在进行模型训练时很难保证各个预测参数损失均达到最小，因此本发明将多任务问题拆分为单任务问题，可以保证每个掘进参数对应的模型超参数调整到最优即各参数损失值最小，从而提高了模型对各个参数的预测精度。
附图说明
图1为本发明混合神经网络模型的结构示意图；
图2为本发明预测方法的流程示意图；
图3为本发明实施例中使用的GRU单元的结构示意图；
图4为实施例1中刀盘扭矩预测结果图；
图5为实施例1中刀盘转速预测结果图；
图6为实施例1中总推进力预测结果图；
图7为实施例1中推进速度预测结果图；
图8为实施例3中刀盘扭矩预测结果图；
图9为实施例3中刀盘转速预测结果图；
图10为实施例3中总推进力预测结果图；
图11为实施例3中推进速度预测结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
参考图2所示，本实施例提供一种基于混合神经网络的掘进参数预测方法，包括以下步骤：获取当前时间之前设定的时间或距离内设定掘进参数的历史数据；按照设定的训练步长和预测步长从上述历史数据中提取训练数据；利用上述数据训练混合神经网络模型至最优；按照设定的训练步长提取当前时间节点之前的历史数据作为待预测样本数据，输入上述混合神经网络模型，实现对未来设定步长的关键掘进参数的预测，所述设定掘进参数包括所述关键掘进参数。
本实施例采用的混合神经网络模型基于一维卷积层和GRU单元构建，其结构如图1所示，包括输入层、一维卷积层、GRU层和全连接层。本实施例中采用的GRU单元的结构如图3所示，图中，rt表示重置门，重置门控制前一状态信息被写入到当前候选集的程度，重置门的取值越小，代表前一状态的信息被写入的越少；zt表示更新门，更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的取值越大，代表前一时刻的状态信息带入的越多；gt表示隐藏层状态，用于计算当前时刻的更新内容。
混合神经网络模型的训练过程包括如下步骤：
(1)对待要预测的盾构机，根据其历史施工记录，采集样本数据，包括该盾构机的刀盘转速、刀盘扭矩、推进速度、总推进力、推进压力、顶部土仓压力、左上土仓压力、左中土仓压力、左下土仓压力、右中土仓压力、右下土仓压力、左上注浆压力、左下注浆压力、右上注浆压力、右下注浆压力、螺机转速、A组推进压力、B组推进压力、C组推进压力、D组推进压力、滚动角和俯仰角。
(2)对步骤(1)采集的数据进行数据预处理，主要包含缺失值、重复值、非掘进段数据的识别以及初始掘进阶段和平稳运行阶段的数据分离。
对缺失值的识别是指数据以行为单位，该行中有任何一个参数取值为空，则该行即为包含缺失值的样本，对于包含缺失值样本的数据通过插值补全或者直接删除该样本。
对重复值的识别是指数据以行为单位，有完全相同的两行或者多行，则这些行即为重复样本，对于多个重复样本仅保留一个样本。
由于传感器是时时采集数据的，即使在管片拼装或者停机时传感器仍然在不断地采集数据，因此需要去除非掘进状态的数据，由于盾构机启动到平稳运行需要一段时间，因此起始阶段数据仍然需要剔除。
经过上述处理，将得到当前时间之前一段历史记录的平稳掘进盾构数据。
(3)对步骤(2)处理后的数据进行归一化处理，使数据取值范围缩放到[0,1]区间内，归一化计算公式为：
(4)将步骤(3)归一化后的数据根据训练步长和预测步长进行训练数据的提取。
将归一化后的序列数据用X表示，X＝[X1,X2,…,Xi,…,Xn],其中Xi表示第i时刻的各参数记录值，Xi＝[x1,x2,…,xk]，xi表示输入特征取值，从序列样本中依次提取X1～Xt、X2～Xt+1、Xi～Xi+t-1作为训练输入序列，对应的训练输出序列分别为Xt+1～Xt+1+w、Xt+2～Xt+w+2、Xi+t～Xi+t+w，t为训练步长，w为预测步长，其中输入值的参数为步骤(1)中的所有参数，输出值的参数为刀盘扭矩、刀盘转速、总推进力和推进速度。
(5)利用一维卷积和GRU构建混合神经网络模型，进行模型训练，并将模型训练到最优，具体地：
1)随机初始化一维卷积核矩阵和对应的偏置项，将步骤(4)中的训练输入序列与一维卷积核矩阵进行卷积运算处理，计算公式如下：
xi′＝X*Ki+bi
其中，*代表卷积运算，Ki代表第i个卷积核，bi代表第i个卷积核对应的偏置项，X代表训练数据，xi′代表卷积后的第i个特征序列的输出结果，训练输入序列经过卷积处理后将生成新的序列数据；
2)随机初始化GRU模型中更新门的相关权重矩阵Wxz、Whz及偏置项bz，重置门的相关权重矩阵Wxr、Whr及偏置项br，隐藏层(gt)的相关权重矩阵Wxg、Whg及偏置项bg，全连接层的权重矩阵W0及偏置项b0，并利用下述公式进行网络的前向传播：
z(t)＝σ(Wxz Tx′(t)+Whz Th(t-1)+bz)
r(t)＝σ(Wxr Tx′(t)+Whr Th(t-1)+br)
y(t)＝W0 Th(t)+b0
其中，T代表矩阵的转置，
代表矩阵的点乘，即对应位置处元素相乘，x′(t)代表步骤1)的序列数据，σ代表Sigmoid即逻辑激活函数、tanh代表双曲正切激活函数、ht-1、ht分布代表前一时刻和当前时刻的隐藏层的输出信息，y(t)代表最终输出结果；
3)将多任务问题即预测值有多个(刀盘转速、刀盘扭矩、总推进力、推进速度)拆分为单任务问题，即对上述各预测参数分别训练子模型，各模型采用的相同的网络结构，只是模型超参数不同，并分别建立如下的损失函数：
其中，yd和yt分别对应各参数的真实值与步骤中2)的前向传播输出值；
4)利用梯度下降算法不断更新步骤中1)、2)的所有权重及偏置项参数，使得步骤3)中的损失函数足够小，即模型训练到最优。
在利用已训练好的混合神经网络模型进行未来设定步长的掘进参数预测时，首先提取当前时间及其之前的设定的训练步长的掘进参数数据，并进行数据清洗和归一化处理，将处理后的数据作为输入值输入训练好的混合神经网络模型中，实现未来某个步长的关键掘进参数的预测，最后对预测结果进行反归一化，即为掘进参数的实际预测值，反归一化按照下式进行：
其中，
为模型的直接输出值，
为反归一化后的预测值。
图4～图7给出了第100环的关键掘进参数的预测结果，结果表明各掘进参数预测基本良好。
实施例2
参考图2所示，本实施例提供的基于混合神经网络的掘进参数预测方法中，以LSTM单元替代GRU单元。其余同实施例1。
实施例3
由于地质环境复杂多变，仅仅依靠历史掘进数据训练出的单个模型无法对未来掘进参数的预测一直保持较高的精度。因此，在优选的实施方式中，盾构机每掘进设定的预测步长后，提取当前时间设定的时间或距离内历史掘进数据，重新训练混合神经网络模型，即动态更新混合神经网络模型，并不断推荐合理的掘进参数，参考图2所示。
本实例不断地重复实施例1的各步骤，即动态地更新模型与预测。
图8～图11给出了连续20次动态更新模型的预测结果，结果表明各掘进参数预测基本良好。
实施例4
参考图2所示，本实施例提供的基于混合神经网络的掘进参数预测方法中，以LSTM单元替代GRU单元。其余同实施例3。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中，该计算机可读取存储介质可被一电子设备调用以实现上述预测方法。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于混合神经网络的掘进参数预测方法，其特征在于，包括以下步骤：
获取当前时间之前设定的时间或距离内设定掘进参数的历史数据；
按照设定的训练步长和预测步长从上述历史数据中提取训练数据；
利用上述训练数据训练混合神经网络模型至最优；
按照设定的训练步长提取当前时间节点之前的历史数据作为待预测样本数据，输入所述混合神经网络模型，实现对未来设定的预测步长内关键掘进参数的预测，所述设定掘进参数包括所述关键掘进参数；
当盾构机掘进至设定的预测步长时，重复上述步骤；
其中，所述混合神经网络模型基于一维卷积层和时间序列算法单元构建。
2.根据权利要求1所述的基于混合神经网络的掘进参数预测方法，其特征在于，所述混合神经网络模型的训练数据通过以下方式获取：
基于所述设定掘进参数采集样本数据；
对所述样本数据进行预处理，实现数据清洗；
对数据清洗后的样本数据进行归一化处理，获得归一化后的序列数据；
根据训练步长和预测步长从所述序列数据中进行训练数据的提取。
3.根据权利要求2所述的基于混合神经网络的掘进参数预测方法，其特征在于，根据训练步长和预测步长从所述序列数据中进行训练数据的提取具体为：
归一化后的序列数据用X表示，X＝[X1,X2,…,Xi,…,Xn]，其中Xi表示第i时刻的各参数记录值，从所述序列数据中依次提取X1～Xt、X2～Xt+1、Xi～Xi+t-1作为训练输入序列，对应的训练输出序列分别为Xt+1～Xt+1+w、Xt+2～Xt+w+2、Xi+t～Xi+t+w，t为训练步长，w为预测步长。
4.根据权利要求2所述的基于混合神经网络的掘进参数预测方法，其特征在于，所述预处理包括缺失值和重复值的识别处理以及非掘进段数据和初始掘进阶段的剔除。
5.根据权利要求1所述的基于混合神经网络的掘进参数预测方法，其特征在于，预测的所述关键掘进参数设有多个，训练所述混合神经网络模型时，对各关键掘进参数分别训练子模型，每个子模型均基于一维卷积层和时间序列算法单元构建，每个子模型分别建立对应的损失函数。
6.根据权利要求1所述的基于混合神经网络的掘进参数预测方法，其特征在于，所述设定掘进参数包括刀盘转速、刀盘扭矩、推进速度、总推进力、推进压力、顶部土仓压力、左上土仓压力、左中土仓压力、左下土仓压力、右中土仓压力、右下土仓压力、左上注浆压力、左下注浆压力、右上注浆压力、右下注浆压力、螺机转速、A组推进压力、B组推进压力、C组推进压力、D组推进压力、滚动角和俯仰角，所述关键掘进参数包括刀盘转速、刀盘扭矩、总推进力和推进速度。
7.根据权利要求1所述的基于混合神经网络的掘进参数预测方法，其特征在于，所述一维卷积层为一维卷积神经网络的卷积层。
8.根据权利要求1所述的基于混合神经网络的掘进参数预测方法，其特征在于，所述时间序列算法单元为GRU单元或LSTM单元。
9.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于混合神经网络的掘进参数预测方法的指令。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于混合神经网络的掘进参数预测方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110513502.4A CN113111467B (zh) | 2021-05-11 | 2021-05-11 | 一种基于混合神经网络的掘进参数预测方法、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110513502.4A CN113111467B (zh) | 2021-05-11 | 2021-05-11 | 一种基于混合神经网络的掘进参数预测方法、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113111467A true CN113111467A (zh) | 2021-07-13 |
| CN113111467B CN113111467B (zh) | 2023-05-12 |
Family
ID=76721895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110513502.4A Active CN113111467B (zh) | 2021-05-11 | 2021-05-11 | 一种基于混合神经网络的掘进参数预测方法、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113111467B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673059A (zh) * | 2021-08-26 | 2021-11-19 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110096827A (zh) * | 2019-05-09 | 2019-08-06 | 中铁工程服务有限公司 | 一种基于深度神经网络的盾构机参数优化方法 |
| CN110619419A (zh) * | 2019-07-30 | 2019-12-27 | 北京交通大学 | 城市轨道交通的客流预测方法 |
| CN112149879A (zh) * | 2020-09-02 | 2020-12-29 | 上海电力大学 | 一种计及宏观波动性分类的新能源中长期电量预测方法 |
| CN112381316A (zh) * | 2020-11-26 | 2021-02-19 | 华侨大学 | 一种基于混合神经网络模型的机电设备健康状态预测方法 |
| CN112577736A (zh) * | 2020-12-04 | 2021-03-30 | 上海电力大学 | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 |
-
2021
- 2021-05-11 CN CN202110513502.4A patent/CN113111467B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110096827A (zh) * | 2019-05-09 | 2019-08-06 | 中铁工程服务有限公司 | 一种基于深度神经网络的盾构机参数优化方法 |
| CN110619419A (zh) * | 2019-07-30 | 2019-12-27 | 北京交通大学 | 城市轨道交通的客流预测方法 |
| CN112149879A (zh) * | 2020-09-02 | 2020-12-29 | 上海电力大学 | 一种计及宏观波动性分类的新能源中长期电量预测方法 |
| CN112381316A (zh) * | 2020-11-26 | 2021-02-19 | 华侨大学 | 一种基于混合神经网络模型的机电设备健康状态预测方法 |
| CN112577736A (zh) * | 2020-12-04 | 2021-03-30 | 上海电力大学 | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673059A (zh) * | 2021-08-26 | 2021-11-19 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
| CN113673059B (zh) * | 2021-08-26 | 2024-05-14 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113111467B (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102622418A (zh) | 一种基于bp神经网络的预测装置及设备 | |
| CN114810100B (zh) | 一种基于深度神经网络的盾构掘进姿态预测方法 | |
| CN112947300A (zh) | 一种加工质量虚拟量测方法、系统、介质及设备 | |
| CN107239532A (zh) | 数据挖掘方法及装置 | |
| 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 | |
| CN113988357A (zh) | 基于深度学习的高层建筑风致响应预测方法及装置 | |
| CN115511069A (zh) | 神经网络的训练方法、数据处理方法、设备及存储介质 | |
| Zeng et al. | Using a neural network to approximate an ensemble of classifiers | |
| CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| CN115512152A (zh) | 一种cnn和lstm神经网络组合的船舶轨迹分类方法及系统 | |
| Peng et al. | An industrial-grade solution for agricultural image classification tasks | |
| CN108470212B (zh) | 一种能利用事件持续时间的高效lstm设计方法 | |
| CN112364917A (zh) | 地质类型的识别方法及装置、存储介质、计算机设备 | |
| Jiang et al. | Research on image classification algorithm based on pytorch | |
| Moshkin et al. | The intelligent system for interactive analysis and forecasting of graph data | |
| CN115619563A (zh) | 一种基于神经网络的股票价格分析方法 | |
| CN114841063A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
| CN114187966A (zh) | 一种基于生成对抗网络的单细胞rna序列缺失值填补方法 | |
| CN114297795A (zh) | 一种基于PR-Trans的机械设备剩余寿命预测方法 | |
| CN112232557A (zh) | 基于长短期记忆网络的转辙机健康度短期预测方法 | |
| CN113921145A (zh) | 一种面向动态医疗数据的因果特征提取方法 | |
| Eghbali et al. | Deep Convolutional Neural Network (CNN) for Large-Scale Images Classification | |
| Xiang et al. | Predicting Intraday Trading Direction of CSI 300 Based on TCN Model | |
| Philps | 1.8 Continual learning: The next generation of artificial intelligence | |
| CN117033733B (zh) | 图书馆资源的智能自动分类与标签生成系统及方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210713 Assignee: Shanghai Juchen Machinery Equipment Technology Co.,Ltd. Assignor: SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO.,LTD. Contract record no.: X2023310000161 Denomination of invention: A method, medium, and equipment for predicting excavation parameters based on hybrid neural networks Granted publication date: 20230512 License type: Common License Record date: 20231115 |
|
| EE01 | Entry into force of recordation of patent licensing contract |