CN113361824A - 土压平衡盾构机及其推进速度预测方法、装置、存储介质 - Google Patents

土压平衡盾构机及其推进速度预测方法、装置、存储介质 Download PDF

Info

Publication number
CN113361824A
CN113361824A CN202110814164.8A CN202110814164A CN113361824A CN 113361824 A CN113361824 A CN 113361824A CN 202110814164 A CN202110814164 A CN 202110814164A CN 113361824 A CN113361824 A CN 113361824A
Authority
CN
China
Prior art keywords
speed
prediction model
pressure balance
earth pressure
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.)
Granted
Application number
CN202110814164.8A
Other languages
English (en)
Other versions
CN113361824B (zh
Inventor
刘飞香
蔡杰
彭辉
方知涵
刘芳
周冰鸽
刘巧龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Construction Heavy Industry Group Co Ltd
China Railway Construction Corp Ltd CRCC
Original Assignee
China Railway Construction Heavy Industry Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Railway Construction Heavy Industry Group Co Ltd filed Critical China Railway Construction Heavy Industry Group Co Ltd
Priority to CN202110814164.8A priority Critical patent/CN113361824B/zh
Publication of CN113361824A publication Critical patent/CN113361824A/zh
Application granted granted Critical
Publication of CN113361824B publication Critical patent/CN113361824B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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"
    • 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
    • E21D9/093—Control of the driving shield, e.g. of the hydraulic advancing cylinders
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mining & Mineral Resources (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geology (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本申请公开了一种土压平衡盾构机推进速度预测方法、装置、计算机可读存储介质及土压平衡盾构机。其中，方法包括预先基于土压平衡盾构机的推进速度子系统的历史输入输出数据，通过训练带外生变量的自回归模型结构得到速度预测模型；速度预测模型使用多层感知机拟合带外生变量的自回归模型结构的非线性回归参数。获取土压平衡盾构机在当前时刻之前的推进数据信息；将推进数据信息输入至速度预测模型；根据速度预测模型的输出结果确定土压平衡盾构机的推进速度。本申请的速度预测模型可以描述土压平衡盾构机推进速度的动态特性，为实现土压平衡盾构机运行参数的自适应调整提供依据，有效提高施工安全性。

Description

土压平衡盾构机及其推进速度预测方法、装置、存储介质
技术领域
本申请涉及自动化控制技术领域，特别是涉及一种土压平衡盾构机推进速度预测方法、装置、计算机可读存储介质及土压平衡盾构机。
背景技术
土压平衡盾构机由于对环境的干扰小并且具有高效、安全、环保等优点，使得其在地铁、隧道等地下基础设施的大规模建设中得到了广泛的应用。土压平衡盾构机的基本工作原理为：当土压平衡盾构机由推进液压缸向前推进时，由刀盘切削下来的岩土经改性后充满密封舱和螺旋输送机壳体内的全部空间，同时依靠充满的改性土来平衡开挖面地层的水土压力，另外可通过调整螺旋输送机的转速控制排土量或通过调整盾构推进液压缸的推进速度控制进土量，使盾构机排土量和进土量保持或接近平衡，以此来维持开挖面地层的稳定和防止地表变形。这使得土压平衡盾构机能够在拥挤的城市环境中安全运行，而不会造成地面沉降或破坏现有的基础设施。
然而，土压平衡盾构机的适应性往往受到地层剥落、断裂、岩石冲击、挤压和膨胀等复杂地质条件的制约。根据不同的地质条件，自适应调整开挖参数和控制掘进速度维持土压平衡是提高施工安全性和降低工程造价的有效途径。由于开挖地层与土压平衡盾构机相互作用的力学机制，特别是推进速率与密封舱土压，液压缸推力及刀盘转速之间相互影响和作用的机制还不是很清楚，目前尚无完善的基于物理模型的土压平衡盾构机推进速度模型。
鉴于此，为了实现土压平衡盾构机运行参数的自适应调整，提高施工安全性，采用适当的方法建立精确的土压平衡盾构机推进速度预测模型，是所属领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种土压平衡盾构机推进速度预测方法、装置、计算机可读存储介质及土压平衡盾构机，实现土压平衡盾构机运行参数的自适应调整，有效、精准地预测掘进过程中土压平衡盾构机的推进速度，提高施工安全性。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例一方面提供了一种土压平衡盾构机推进速度预测方法，包括：
预先基于土压平衡盾构机的推进速度子系统的历史输入输出数据，通过训练带外生变量的自回归模型结构得到速度预测模型；所述速度预测模型使用多层感知机拟合带外生变量的自回归模型结构的非线性回归参数；
获取所述土压平衡盾构机在当前时刻之前的推进数据信息；
将所述推进数据信息输入至所述速度预测模型；
根据所述速度预测模型的输出结果确定所述土压平衡盾构机的推进速度。
可选的，所述预先基于土压平衡盾构机的推进速度子系统的历史输入输出数据，通过训练带外生变量的自回归模型结构得到速度预测模型，包括：
基于所述历史输入输出数据和带外生变量的自回归模型结构构建用于描述非线性特性的速度预测模型；
通过预设参数搜索方法选择所述速度预测模型的输入层的特征参数，并通过评估所述速度预测模型的建模结果得到所述速度预测模型的输入层结构；
对所述速度预测模型输出的推进速度预测值与相应的实际值的偏差进行极小化处理，得到所述速度预测模型的参数估计值，以根据所述参数估计值得到所述速度预测模型。
可选的，所述对所述速度预测模型输出的推进速度预测值与相应的实际值的偏差进行极小化处理，得到所述速度预测模型的参数估计值，以根据所述参数估计值得到所述速度预测模型，包括：
采用梯度法对所述速度预测模型进行参数优化；
对所述速度预测模型的推进速度预测值与相应的实际值的偏差进行极小化处理，得到所述速度预测模型的参数估计值：所述参数估计值的计算关系式为
Figure BDA0003169308470000031
采用Adam优化方法优化所述参数估计值的计算关系式的目标函数，并采用学习率逐渐下降方式更新所述速度预测模型的参数；
式中，θ为所述速度预测模型的待估计参数，
Figure BDA0003169308470000032
为所述待估计参数值的估计值；y(t)为推进速度的实际输出值；
Figure BDA0003169308470000033
为推进速度的预测输出值；t为采样时间，N为数据长度。
可选的，所述基于所述历史输入输出数据和带外生变量的自回归模型结构构建用于描述非线性特性的速度预测模型，包括：
采集多个连续工作时间段内的土压平衡盾构机推进速度子系统的输入输出数据，以作为建模数据；
基于所述建模数据构建所述速度预测模型；
其中，所述输入输出数据包括推进速度设置值、刀盘转速、土仓土压、总推进力及推进速度实际值。
可选的，所述预先基于土压平衡盾构机的推进速度子系统的历史输入输出数据，通过训练带外生变量的自回归模型结构得到速度预测模型，包括：
所述速度预测模型包括MLP端的MLP模型和ARX端的线性ARX模型，在所述速度预测模型的参数估计过程中还包括对所述速度预测模型进行阶跃响应模式约束；所述阶跃响应模式约束包括：
对所述速度预测模型的MLP端的输出层进行拆分，形成独立的多组输出变量，以使所述速度预测模型的输入、输出、可测干扰信号在所述MLP端的输出层节点之间相互独立；
对每一组输出变量采用不同的激活函数，并采用不同的激活函数进行阶跃响应方向约束，以使所述速度预测模型阶跃响应与所述土压平衡盾构机的实际阶跃响应的模式一致；
将多个输出节点按照拼接关系式进行张量拼接，形成所述MLP端最后一层的输出节点，所述拼接关系式为：
Figure BDA0003169308470000041
式中，Out_mlp为所述MLP端输出层，φ0表示所述速度预测模型偏置，
Figure BDA0003169308470000042
Figure BDA0003169308470000043
为所述MLP端的输出层的各个输出。
可选的，所述通过预设参数搜索方法选择所述速度预测模型的输入层的特征参数包括：
基于预先构建的MLP端输入层结构、采用网格搜索方式对所述速度预测模型的输入层特征变量进行选择；所述MLP端输入层结构为：
Figure BDA0003169308470000044
式中，ky、ku、
Figure BDA0003169308470000045
分别表示系统输出、输入和可测干扰信号在所述输入层结构中的阶次，h0(t)表示所述输入层所有节点的集合，L为所述输入层的节点个数。
可选的，所述对所述速度预测模型输出的推进速度预测值与相应的实际值的偏差进行极小化处理之前，还包括：
采用最小二乘法对所述线性ARX模型的系数进行估计，并选择最小信息化准则AIC值最小的线性ARX模型阶次作为所述ARX端的阶次。
可选的，所述速度预测模型的输入变量为推进速度设置值，可测干扰信号为刀盘转速、土仓土压、总推进力，输出变量为推进速度平均值，所述速度预测模型为：
Figure BDA0003169308470000051
式中，模型输出y为推进速度测量值，q、p、s分别为模型输入、输出及可测干扰信号的阶次；t为采样时间，k表示阶次，模型输入u为推进速度设置信号，d为可测干扰信号、包括刀盘转速d1、土仓土压d2、总推进力d3这3个信号；m表示多层感知机隐藏层个数，其含输出层，ni表示多层感知机第i个隐藏层的节点数；ε表示白噪声建模误差；φ0表示模型偏置，
Figure BDA0003169308470000052
是多层感知机输出层的各个输出，也分别对应所述速度预测模型的输出、输入和可测干扰回归变量的系数；各个v和c是多层感知机输出层的权系数和偏置，w和b是多层感知机各中间隐含层的权系数和偏置；
Figure BDA0003169308470000053
表示第i个输出层的第l个节点的输出，sigmoid表示sigmoid激活函数；
Figure BDA0003169308470000054
为输出层激活函数，
Figure BDA0003169308470000055
为输入激活函数，
Figure BDA0003169308470000056
为可测干扰信号的激活函数；hi(t)表示第i个隐藏层所有节点的输出集合。
本发明实施例还提供了一种土压平衡盾构机推进速度预测装置，
模型预构建模块，用于预先基于土压平衡盾构机的推进速度子系统的历史输入输出数据，通过训练带外生变量的自回归模型结构得到速度预测模型；所述速度预测模型使用多层感知机拟合带外生变量的自回归模型结构的非线性回归参数；
数据获取模块，用于获取所述土压平衡盾构机在当前时刻之前的推进数据信息；
数据输入模块，用于将所述推进数据信息输入至所述速度预测模型；
速度预测模块，用于根据所述速度预测模型的输出结果确定所述土压平衡盾构机的推进速度。
本发明实施例还提供了一种土压平衡盾构机推进速度预测装置，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述土压平衡盾构机推进速度预测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有土压平衡盾构机推进速度预测程序，所述土压平衡盾构机推进速度预测程序被处理器执行时实现如前任一项所述土压平衡盾构机推进速度预测方法的步骤。
本发明实施例最后还提供了一种土压平衡盾构机，包括如上所述土压平衡盾构机推进速度预测装置和控制器；
所述土压平衡盾构机推进速度预测装置将当前计算得到的推进速度预测值发送给所述控制器；
所述控制器基于所述推进速度预测值控制土压平衡盾构机的推进速度。
本申请提供的技术方案的优点在于，土压平衡盾构机的推进速度变化过程是一个具有全局非线性、耦合性和时滞性的过程，而线性ARX模型描述对象的动态特性只能保证该类模型具有良好的局部特征描述能力，故在数据驱动和统计学习的基础上，同时配合采用多层感知机拟合非线性ARX模型的参数可得到具有非线性特性描述能力的速度预测模型，从而可以很好地弥补线性ARX模型的不足，对于提高土压平衡盾构机推进速度模型精度和系统动态描述能力是有效的，其更贴合土压平衡盾构机推进系统实际工作特点，可实现土压平衡盾构机运行参数的自适应调整，有效、精准地预测掘进过程中土压平衡盾构机的推进速度，有效提高施工安全性。
此外，本发明实施例还针对土压平衡盾构机推进速度预测方法提供了相应的实现装置、计算机可读存储介质及土压平衡盾构机，进一步使得所述方法更具有实用性，所述装置、计算机可读存储介质及土压平衡盾构机具有相应的优点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种土压平衡盾构机推进速度预测方法的流程示意图；
图2为本发明实施例提供的另一种土压平衡盾构机推进速度预测方法的流程示意图；
图3为本发明实施例提供的土压平衡盾构机推进速度预测装置的一种具体实施方式结构图；
图4为本发明实施例提供的土压平衡盾构机推进速度预测装置的另一种具体实施方式结构图；
图5为本发明实施例提供的土压平衡盾构机的一种具体实施方式结构图；
图6为本发明实施例提供的土压平衡盾构机的工作原理示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。
首先参见图1，图1为本发明实施例提供的一种土压平衡盾构机推进速度预测方法的流程示意图，本发明实施例可包括以下内容：
S101：预先基于土压平衡盾构机的推进速度子系统的历史输入输出数据，通过训练带外生变量的自回归模型结构得到速度预测模型。
可以理解的是，土压平衡盾构机的推进速度变化过程是一个非常复杂、具有较强非线性、不确定性、耦合性和时滞性的动态过程，在一定假设条件下基于机理分析法建立的物理模型难以准确描述其动态特性，且其参数难以准确获得，因而该建模方法难以为控制土压平衡盾构机推进速度所需的相关运行参数的设定提供足够的理论依据。本实施例基于通过多层感知机拟合带外生变量自回归模型参数得到用于描述土压平衡盾构机推进速度动态特性的模型，也即用于预测土压平衡盾构机下一时刻速度的速度预测模型基于预先构建的用于描述非线性特性的带外生变量的自回归模型结构且使用多层感知机拟合带外生变量的自回归模型结构的非线性回归参数。
在本实施例中，土压平衡盾构机的推进速度子系统的历史输入输出数据的采样周期、采样方式、输入输出数据的类型可根据实际需求进行灵活选择，本申请对此不做任何限定。
S102：获取土压平衡盾构机在当前时刻之前的推进数据信息。
在本步骤中，推进数据信息与S101的历史输入输出数据相匹配，举例来说，速度预测模型的建模数据是在土压平衡盾构机的工作过程中所采集的推进速度设置(％)信号、总推进力(kN)、刀盘速度(mm/min)和土仓土压(bar)。推进数据信息可为过去若干时刻的推进速度设置(％)、总推进力(kN)、刀盘速度(mm/min)和土仓土压(bar)，至于具体输入多少个时刻的数据由模型的阶次和滞后时间决定。
S103：将推进数据信息输入至速度预测模型。
本步骤中的推进数据信息即为上个步骤中所获取的推进数据信息。不可避免的，推进数据信息中包含多种类型数据，为了更加准确的预测速度，可根据不同类型数据对土压平衡盾构机速度的不同影响来决定速度预测模型的输入。例如可将推进速度设置(％)信号和上一时刻预测输出的推进速度平均值作为速度预测模型的控制输入信号，将总推进力(kN)、刀盘速度(mm/min)和土仓土压(bar)作为可测的干扰信号输入速度预测模型的控制输入信号。
S104：根据速度预测模型的输出结果确定土压平衡盾构机的推进速度。
在将所有输入变量即推进数据信息输入至速度预测模型之后，可获得土压平衡盾构机推进速度设置值，也即速度预测模型通过对输入数据的处理会输出其所预测的推进速度，速度预测模型的输出例如可为用于控制盾构机推进的实际速度变化的推进速度设定值的百分比。在速度预测模型输出推进速度预测值之后，可通过土压平衡盾构机的可编程逻辑控制器PLC对土压平衡盾构机的推进速度进行控制，最终可输出一个推进速度的平均值。这个推进速度平均值输出信号可作为盾构机工作过程中下一个时刻的输入信号输入PLC，从而实现有效控制土压平衡盾构机的推进速度。
在本发明实施例提供的技术方案中，土压平衡盾构机的推进速度变化过程是一个具有全局非线性、耦合性和时滞性的过程，而线性ARX模型描述对象的动态特性只能保证该类模型具有良好的局部特征描述能力，故在数据驱动和统计学习的基础上，同时配合采用多层感知机拟合非线性ARX模型的参数可得到具有非线性特性描述能力的速度预测模型，从而可以很好地弥补线性ARX模型的不足，对于提高土压平衡盾构机推进速度模型精度和系统动态描述能力是有效的，其更贴合土压平衡盾构机推进系统实际工作特点，可实现土压平衡盾构机运行参数的自适应调整，有效、精准地预测掘进过程中土压平衡盾构机的推进速度，有效提高施工安全性。
上述实施例对S101的历史输入输出数据的采集方式和数据类型并没有进行限定，作为一种可选的实施方式，为建立土压平衡盾构机推进速度的速度预测模型，可预先采集土压平衡盾构机推进速度子系统输入输出数据作为辨识数据，输入输出数据可包括但并不限制于推进速度设置(％)、刀盘转速、土仓土压、总推进力及推进速度实际输出值。其中数据采样周期可根据实际需求灵活选择，数据采样周期例如为1秒。
考虑到土压平衡盾构机断续工作的特点，即土压平衡盾构机一次推进作业的连续工作时间不够长、导致一个连续工作段采样数据个数偏少的特点，可提取几个连续工作段的数据作为土压平衡盾构机速度预测模型的建模数据。也就是说，作为本实施例的一种可选的实施方式，可采集多个连续工作时间段内土压平衡盾构机推进速度子系统的输入输出数据作为建模数据，然后基于建模数据构建上述速度预测模型，相应的，速度预测模型可以推进速度设置值作为输入变量，以刀盘转速、土仓土压、总推进力作为可测干扰信号，将推进速度平均值作为输出变量。
在本实施例中，根据多个连续工作时间段内的土压平衡盾构机推进速度子系统的输入输出数据来构建速度预测模型，得到的速度预测模型更加贴合土压平衡盾构机的实际工作状态，有利于提高土压平衡盾构机的速度预测精准度。
在上述实施例中，对于如何执行步骤S101并不做限定，本实施例中给出速度预测模型在一种实施方式中的构建方法，请参阅图2，也即基于土压平衡盾构机的推进速度子系统的历史输入输出数据，通过训练带外生变量的自回归模型结构得到速度预测模型的过程可包括如下步骤：
S1011：基于历史输入输出数据和带外生变量的自回归模型结构构建用于描述非线性特性的速度预测模型。
在建立速度预测模型结构过程中，可首先确定土压平衡盾构机推进速度的非线性ARX模型结构，其次，使用多层感知机拟合该ARX模型的非线性回归系数，使其具有非线性特性描述能力。也就是说，速度预测模型包括MLP端的MLP模型和ARX端的线性ARX模型，MLP端的MLP模型即为基于MLP(multilayer perceptron，多层感知机)方法的模型，多层感知机为一种前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上，用于拟合非线性ARX模型的非线性回归系数；ARX端的线性ARX模型基于带外生变量的自回归模型，用于动态描述土压平衡盾构机的非线性特性。
S1012：通过预设参数搜索方法选择速度预测模型的输入层的特征参数，并通过评估速度预测模型的建模结果得到速度预测模型的输入层结构。
其中，本实施例的预设参数搜索方法可为任何一种搜索方法，如网格搜索等穷举搜索方法，随机搜索方法等等，这均不影响本申请的实现。速度预测模型的输入层的特征参数包括但并不限制于推进速度的测量值，推进速度设置值，可测干扰信号包括刀盘转速、土仓土压、总推进力。通过确定输入层的输入参数，输入节点个数，系统输出、输入和可测干扰信号在输入层结构中的阶次便可确定速度预测模型的输入层结构。
S1013：对速度预测模型输出的推进速度预测值与相应的实际值的偏差进行极小化处理，得到速度预测模型的参数估计值，以根据参数估计值得到速度预测模型。
本步骤中的预测值为速度预测模型的推进速度的预测输出值，实际值为速度预测模型的推进速度的实际输出值，可应用多层感知机拟合模型的参数，在模型动态模式约束条件下可通过极小化模型预测输出和实际输出的均方差来获取模型的最优参数，最优参数和输入层结构均确定之后，速度预测模型便为确定的了，在确定速度预测模型之后，可采用该速度预测模型对土压平衡盾构机的推进速度进行预测。
为了使所属领域技术人员更加清楚明白本申请的技术方案，本申请还以示意性例子为例阐述速度预测模型的构造方式，作为一种可选的实施方式，本实施例所构造土压平衡盾构机的速度预测模型结构可如下所示：
Figure BDA0003169308470000121
式中，模型输出y为推进速度测量值，q、p、s分别为模型输入、输出及可测干扰信号的阶次；t为采样时间，k表示阶次，模型输入u为推进速度设置信号，d为可测干扰信号、包括刀盘转速d1、土仓土压d2、总推进力d3这3个信号；m表示多层感知机隐藏层个数，其含输出层，ni表示感知机第i个隐藏层的节点数；ε表示白噪声建模误差；φ0表示模型偏置，
Figure BDA0003169308470000122
是多层感知机输出层的各个输出，也分别对应速度预测模型的输出、输入和可测干扰回归变量的系数；各个v和c是多层感知机输出层的权系数和偏置，w和b是多层感知机各中间隐含层的权系数和偏置；
Figure BDA0003169308470000134
表示第i个输出层的第l个节点的输出，ni为第i个隐含层的节点个数；sigmoid表示sigmoid激活函数；输出层激活函数需特定性设计，分别为
Figure BDA0003169308470000131
它们分别对应于输出、输入和可测干扰的激活函数；hi(t)表示第i个隐藏层所有节点的输出集合。
作为本实施例的一种实施方式，土压平衡盾构机的速度预测模型中MLP端的输入层特征变量的选择过程可包括：
可通过网格搜索的方式，对MLP端的输入层特征变量进行选择，通过评估建模结果以寻求最优结构，MLP端输入层结构如下：
Figure BDA0003169308470000132
式中，ky、ku、
Figure BDA0003169308470000135
分别表示土压平衡盾构机推进速度系统输出、输入和可测干扰信号在输入层结构中的阶次，t为采样时间，h0(t)表示输入层所有节点的集合，L为输入层的节点个数。模型结构的调节主要包括两个方面：第一是确定可以作为MLP模型输入的系统输入信号、输出信号和可测干扰信号，第二是确定系统输入信号、输出信号和可测干扰信号在MLP模型输入层结构中的阶次。
可以理解的是，MLP端的输出层Out_mlp可包含多个量，基于上述实施例，MLP端的输出层可如下所示：
Figure BDA0003169308470000133
MLP端输出层的总节点个数为p+q+3s+1，该层输出即为速度预测模型的回归系数，与ARX端输入结合则可以得到基于速度预测模型的推进速度预测输出值，推进速度预测输出值
Figure BDA0003169308470000141
可表示为
Figure BDA0003169308470000142
T表示转置，ARX_main表示ARX端的输入，是一个长度为p+q+3s+1的列向量，可表示为：
Figure BDA0003169308470000143
通过极小化速度预测模型的预测输出与推进速度实际值的偏差，获得速度预测模型的参数估计值，参数估计值的计算关系式可表示为
Figure BDA0003169308470000144
θ为速度预测模型的待估计参数，
Figure BDA0003169308470000145
为待估计参数值的估计值；y(t)为推进速度的实际输出值；
Figure BDA0003169308470000146
为推进速度的预测输出值；t为采样时间，N为数据长度。
由上可知，本实施例通过评估建模结果来确定模型的输入层结构，通过极小化模型预测值与实际值来确定模型参数，可以得到更高精度的速度预测模型，有利于精准控制土压平衡盾构机。
需要说明的是，本申请中各步骤之间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图1和图2只是一种示意方式，并不代表只能是这样的执行顺序。
作为本实施例的一种可选的实施方式，为了获得精度更高的模型，还可采用梯度法对速度预测模型进行参数优化；并采用Adam优化方法优化参数估计值的计算关系式的目标函数，进一步的，还可采用学习率逐渐下降方式更新速度预测模型的参数。
可选的，作为上述实施例的另外一种实施方式，为了更加贴合土压平衡盾构机的运动特征，进一步提高速度预测模型精度，在参数估计过程中附加土压平衡盾构机的速度预测模型阶跃响应模式约束，以保证估计的模型具有与实际土压平衡盾构机推进速度系统一致的阶跃响应模式，可包括下述内容：
对速度预测模型的MLP端的输出层进行拆分，形成独立的多组输出变量，以使速度预测模型的输入、输出、可测干扰信号在MLP端的输出层节点之间相互独立。基于上述实施例，拆分MLP模型的输出层可形成独立的5组输出层变量，每一组输出层变量可以使用不同的激活函数，即上述实施例速度预测模型中的
Figure BDA0003169308470000156
对每一组输出变量采用不同的激活函数，并采用不同的激活函数进行阶跃响应方向约束，以使速度预测模型阶跃响应与土压平衡盾构机的实际阶跃响应的模式一致。在本步骤中，由于推进速度对不同输入信号及可测干扰的阶跃响应方向不同，采用不同的激活函数进行阶跃响应方向约束：推进速度对推进速度设置(％)、刀盘转速、总推进力的阶跃响应方向为正向，故
Figure BDA0003169308470000151
采用sigmoid激活函数，约束其系数为正数，而推进速度对土仓土压的阶跃响应为反方向，故
Figure BDA0003169308470000152
采用tanh激活函数使得模型拟合系数为负数，在此约束条件之下，所得速度预测模型阶跃响应将与系统实际阶跃响应的模式一致。
将多个输出节点按照拼接关系式进行张量拼接，形成MLP端最后一层的输出节点，拼接关系式可表示为：
Figure BDA0003169308470000153
式中，Outmlp为MLP端输出层，φ0表示MLP-ARX模型偏置，
Figure BDA0003169308470000154
Figure BDA0003169308470000155
为MLP端的输出层的各个输出。
由于MLP端最终输出节点总个数由ARX模型回归系数阶次所决定，为了提高建模精度，作为上述实施例的其他可选的实施方式，在对速度预测模型的推进速度预测值与实际值的偏差进行极小化处理之前，也即在对速度预测模型进行参数优化之前还可包括：
采用最小二乘法对线性ARX模型的系数进行估计，并选择最小信息化准则AIC值最小的线性ARX模型阶次作为ARX端的阶次。
此外，速度预测模型的隐含层数和各隐含层的节点数也通过选择不同的隐含层数和各隐含层的节点数、再通过优化上述参数估计值的计算关系式
Figure BDA0003169308470000161
的目标函数获得，从而确定最终的速度预测模型的结构及参数。
为了使所属领域技术人员更加清楚明白本实施例的技术方案，并验证本申请技术方案的有效性，本申请还提供了另外一个实施例，在该实施例中，速度预测模型为推进速度MLP-ARX模型，可包括：
1)为建立土压平衡盾构机推进速度MLP-ARX模型，采集土压平衡盾构机推进速度子系统输入输出数据作为辨识数据，包括，推进速度设置(％)、刀盘转速、土仓土压、总推进力及推进速度实际值，设定数据采样周期为1秒。获取100个土压平衡盾构机推进系统在不同工作状态下的数据段，将其作为MLP-ARX模型的辨识数据，其中前80个数据段用来辨识模型参数，剩余的20个数据段用来进行模型的测试。为了使辨识出的模型能全面地描述系统在不同工作状态下的动态特性，数据在采集时尽可能的涵盖了推进系统不同的工作状态。
2)建立如计算关系式(1)所示的MLP-ARX模型结构：
Figure BDA0003169308470000171
其中，模型输出y为推进速度测量值，p、p、s分别为模型输入、输出及可测干扰信号的阶次；t为采样时间，k表示阶次，模型输入u为推进速度设置信号，d为可测干扰信号、包括刀盘转速d1、土仓土压d2、总推进力d3这3个信号；m表示多层感知机隐藏层个数(含输出层)，ni表示感知机第i个隐藏层的节点数；ε表示白噪声建模误差；φ0表示模型偏置，
Figure BDA0003169308470000172
是多层感知机输出层的各个输出，也分别对应MLP-ARX模型的输出、输入和可测干扰回归变量的系数；各个v和c是多层感知机输出层的权系数和偏置，w和b是多层感知机各中间隐含层的权系数和偏置；
Figure BDA0003169308470000174
表示第i个输出层的第l个节点的输出，ni为第i个隐含层的节点个数；sigmoid表示sigmoid激活函数；输出层激活函数需特定性设计，分别为
Figure BDA0003169308470000173
它们分别对应于输出、输入和可测干扰的激活函数；hi(t)表示第i个隐藏层所有节点的输出集合。
3)土压平衡盾构机推进速度MLP-ARX模型中MLP输入层特征变量的选择：通过网格搜索的方式对MLP输入层特征变量进行选择，通过评估建模结果以寻求最优结构，MLP端输入层结构如下：
Figure BDA0003169308470000181
其中，ky、ku、
Figure BDA0003169308470000187
分别表示系统输出、输入和可测干扰信号在MLP模型输入层结构中的阶次，t为采样时间，h0(t)表示MLP输入层所有节点的集合，L为MLP输入层的节点个数。
4)MLP端的输出层Out_mlp包含多个量，如下所示：
Figure BDA0003169308470000182
输出层的总节点个数为p+q+3s+1，此层的输出即为MLP-ARX模型的回归系数，与ARX端输入结合则可以得到基于模型(1)的推进速度预测输出为：
Figure BDA0003169308470000183
其中，ARX_main表示ARX端的输入，是一个长度为p+q+3s+1的列向量，具体的表示为：
Figure BDA0003169308470000184
Figure BDA0003169308470000185
为推进速度预测输出值。通过极小化推进速度MLP-ARX模型预测输出与推进速度实际值的偏差，获得推进速度MLP-ARX模型的参数估计值：
Figure BDA0003169308470000186
其中，θ为MLP-ARX模型(1)的待估计参数，包含MLP-ARX模型(1)中的所有权系数和偏置；y(t)为推进速度的实际输出。
5)采用梯度法对土压平衡盾构机推进速度MLP-ARX模型进行参数优化，使用Adam优化方法来优化公式(5)中的目标函数，并采用学习率逐渐下降的方式更新模型参数，以获得精度更高的模型。Adam算法即自适应时刻估计方法，它利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，使每个参数拥有自己的学习率，计算关系式如下：
Figure BDA0003169308470000191
其中，Nr＝32表示每次选择数据的批量大小，r表示学习步数、也是当前计算到的批次，
Figure BDA0003169308470000192
α＝0.001为学习率，
Figure BDA0003169308470000193
表示gr与gr的Hadamard积，ωr和δr分别为对MLP-ARX模型梯度的一阶矩阵估计和二阶矩阵估计，
Figure BDA0003169308470000194
表示对δr每个元素进行根号计算的结果，
Figure BDA0003169308470000195
表示将ωr与
Figure BDA0003169308470000196
进行逐元素相除，Iδ是维数与δr相同、元素值都为1的向量，θ表示MLP-ARX模型中的参数，τ设置为10-5、以防止式中分母为0，μ和ρ两个比例系数取值分别为0.9和0.9999。Adam算法具有对内存需求小，并且为不同的参数设置了不同的学习率的优点。
进一步的，由于MLP端最终输出节点总个数由ARX模型回归系数阶次所决定，所以，为了提高建模精度，在对MLP模型进行参数优化之前先使用最小二乘法对线性ARX模型系数进行估计，选择AIC值最小的线性ARX模型阶次作为MLP-ARX模型中ARX端的阶次。此外，MLP-ARX模型的隐含层数和各隐含层的节点数也通过选择不同的隐含层数和各隐含层的节点数、再通过优化目标函数(6)获得，从而确定最终的MLP-ARX模型的结构及参数。在本实例中，输入，输出和干扰的阶次为q＝3、p＝7、s＝3时对应的AIC值最小，将其作为MLP-ARX模型对应的输入，输出和干扰变量的阶次。本例中，经优化后的某土压平衡盾构机推进速度MLP-ARX模型的结构参数如下所示：
ARX模型优化后AIC为：-3.7815e+03；
优化得到的ARX模型阶次：q＝3，p＝7，s＝3；
MLP模型隐含层个数为：5；
MLP输入层第一个输入的阶次为：ky＝5，第二个输入的阶次为：
Figure BDA0003169308470000201
MLP输入层节点个数：11；
MLP每个隐含层节点个数：[32，64，128，128，128]；
MLP输出层节点个数：19。
由上可知，本实施例提出的一种基于多层感知机自回归MLP-ARX模型的土压平衡盾构机推进速度动态特性模型是一种离线辨识模型，模型在被实际应用之前所有相关参数通过合适的参数辨识方法被辨识出来，减小了在线参数辨识对控制系统硬件计算速度的要求。在系统的任何工作点，模型均可被转化为线性ARX模型，方便用于土压平衡盾构机推进速度预测算法的设计。该模型具有全局非线性描述能力，针对土压平衡盾构机推进速度的不同工作点，可以转化为具有不同参数的ARX模型，是更贴合土压平衡盾构机推进系统实际工作特点的非线性模型。
本发明实施例还针对土压平衡盾构机推进速度预测方法提供了相应的装置，进一步使得所述方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的土压平衡盾构机推进速度预测装置进行介绍，下文描述的土压平衡盾构机推进速度预测装置与上文描述的土压平衡盾构机推进速度预测方法可相互对应参照。
基于功能模块的角度，还提供了一种土压平衡盾构机推进速度预测装置，如图3所示，该装置可用于推进速度控制器的设计，为有效预测掘进过程中盾构机的推进速度提供了技术支持，具有很好的利用价值，可包括：
模型预构建模块301，用于预先基于土压平衡盾构机的推进速度子系统的历史输入输出数据，通过训练带外生变量的自回归模型结构得到速度预测模型；速度预测模型使用多层感知机拟合带外生变量的自回归模型结构的非线性回归参数；
数据获取模块302，用于获取土压平衡盾构机在当前时刻之前的推进数据信息；
数据输入模块303，用于将推进数据信息输入至速度预测模型；
速度预测模块304，用于根据速度预测模型的输出结果确定土压平衡盾构机的推进速度。
可选的，作为本实施例的一种实施方式，上述模型预构建模块301可进一步用于：基于历史输入输出数据和带外生变量的自回归模型结构构建用于描述非线性特性的速度预测模型；通过预设参数搜索方法选择速度预测模型的输入层的特征参数，并通过评估速度预测模型的建模结果得到速度预测模型的输入层结构；对速度预测模型输出的推进速度预测值与相应的实际值的偏差进行极小化处理，得到速度预测模型的参数估计值，以根据参数估计值得到速度预测模型。
作为该实施例的一种可选的实施方式，上述模型预构建模块301还可进一步用于：采用梯度法对速度预测模型进行参数优化；对速度预测模型的推进速度预测值与相应的实际值的偏差进行极小化处理，得到速度预测模型的参数估计值：参数估计值的计算关系式为
Figure BDA0003169308470000221
采用Adam优化方法优化参数估计值的计算关系式的目标函数，并采用学习率逐渐下降方式更新速度预测模型的参数；式中，θ为速度预测模型的待估计参数，
Figure BDA0003169308470000222
为待估计参数值的估计值；y(t)为推进速度的实际输出值；
Figure BDA0003169308470000223
为推进速度的预测输出值；t为采样时间，N为数据长度。
作为该实施例的另一种可选的实施方式，上述模型预构建模块301还可进一步用于：采集多个连续工作时间段内的土压平衡盾构机推进速度子系统的输入输出数据，以作为建模数据；基于建模数据构建速度预测模型；其中，输入输出数据包括推进速度设置值、刀盘转速、土仓土压、总推进力及推进速度实际值。
可选的，作为本实施例的另一种实施方式，上述模型预构建模块301还可进一步用于：速度预测模型包括MLP端的MLP模型和ARX端的线性ARX模型，在速度预测模型的参数估计过程中还包括对速度预测模型进行阶跃响应模式约束；阶跃响应模式约束包括：对速度预测模型的MLP端的输出层进行拆分，形成独立的多组输出变量，以使速度预测模型的输入、输出、可测干扰信号在MLP端的输出层节点之间相互独立；对每一组输出变量采用不同的激活函数，并采用不同的激活函数进行阶跃响应方向约束，以使速度预测模型阶跃响应与土压平衡盾构机的实际阶跃响应的模式一致；将多个输出节点按照拼接关系式进行张量拼接，形成MLP端最后一层的输出节点，拼接关系式为：
Figure BDA0003169308470000224
式中，Out_ml为MLP端输出层，φ0表示速度预测模型偏置，
Figure BDA0003169308470000231
Figure BDA0003169308470000232
为MLP端的输出层的各个输出。
作为该实施例的一种可选的实施方式，上述模型预构建模块301还可进一步用于：基于预先构建的MLP端输入层结构、采用网格搜索方式对速度预测模型的输入层特征变量进行选择；MLP端输入层结构为：
Figure BDA0003169308470000233
式中，ky、ku、
Figure BDA0003169308470000234
分别表示系统输出、输入和可测干扰信号在输入层结构中的阶次，h0(t)表示输入层所有节点的集合，L为输入层的节点个数。
作为该实施例的一种实施方式，上述模型预构建模块301还可包括阶次估计单元，用于采用最小二乘法对线性ARX模型的系数进行估计，并选择最小信息化准则AIC值最小的线性ARX模型阶次作为ARX端的阶次。
可选的，作为本实施例的其他一些实施方式，上述模型预构建模块301可进一步用于：速度预测模型的输入变量为推进速度设置值，可测干扰信号为刀盘转速、土仓土压、总推进力，输出变量为推进速度平均值，速度预测模型可表示为：
Figure BDA0003169308470000241
式中，模型输出y为推进速度测量值，q、p、s分别为模型输入、输出及可测干扰信号的阶次；t为采样时间，k表示阶次，模型输入u为推进速度设置信号，d为可测干扰信号、包括刀盘转速d1、土仓土压d2、总推进力d3这3个信号；m表示多层感知机隐藏层个数，其含输出层，ni表示多层感知机第i个隐藏层的节点数；ε表示白噪声建模误差；φ0表示模型偏置，
Figure BDA0003169308470000242
是多层感知机输出层的各个输出，也分别对应速度预测模型的输出、输入和可测干扰回归变量的系数；各个v和c是多层感知机输出层的权系数和偏置，w和b是多层感知机各中间隐含层的权系数和偏置；
Figure BDA0003169308470000243
表示第i个输出层的第l个节点的输出，sigmoid表示sigmoid激活函数；
Figure BDA0003169308470000244
为输出层激活函数，
Figure BDA0003169308470000245
为输入激活函数，
Figure BDA0003169308470000246
为可测干扰信号的激活函数；hi(t)表示第i个隐藏层所有节点的输出集合。
上文中提到的土压平衡盾构机推进速度预测装置是从功能模块的角度描述，进一步的，本申请还提供一种土压平衡盾构机推进速度预测装置，是从硬件角度描述。图4为本申请实施例提供的另一种土压平衡盾构机推进速度预测装置的结构图。如图4所示，该装置包括存储器40，用于存储计算机程序；
处理器41，用于执行计算机程序时实现如上述任一实施例提到的土压平衡盾构机推进速度预测方法的步骤。
其中，处理器41可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器41可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器41也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器41可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器41还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器40可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器40还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器40至少用于存储以下计算机程序401，其中，该计算机程序被处理器41加载并执行之后，能够实现前述任一实施例公开的土压平衡盾构机推进速度预测方法的相关步骤。另外，存储器40所存储的资源还可以包括操作系统402和数据403等，存储方式可以是短暂存储或者永久存储。其中，操作系统402可以包括Windows、Unix、Linux等。数据403可以包括但不限于土压平衡盾构机推进速度预测结果对应的数据等。
在一些实施例中，土压平衡盾构机推进速度预测装置还可包括有显示屏42、输入输出接口43、通信接口44、电源45以及通信总线46。
本领域技术人员可以理解，图4中示出的结构并不构成对土压平衡盾构机推进速度预测装置的限定，可以包括比图示更多或更少的组件，例如还可包括传感器47。
本发明实施例所述土压平衡盾构机推进速度预测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可用于实现土压平衡盾构机运行参数的自适应调整，有效、精准地预测掘进过程中土压平衡盾构机的推进速度，提高施工安全性。
可以理解的是，如果上述实施例中的土压平衡盾构机推进速度预测方法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。基于这样的理解，本申请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全部或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，执行本申请各个实施例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(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此，本发明实施例还提供了一种计算机可读存储介质，存储有土压平衡盾构机推进速度预测程序，所述土压平衡盾构机推进速度预测程序被处理器执行时如上任意一实施例所述土压平衡盾构机推进速度预测方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可用于实现土压平衡盾构机运行参数的自适应调整，有效、精准地预测掘进过程中土压平衡盾构机的推进速度，提高施工安全性。
最后，本实施例还提供了一种土压平衡盾构机，请参阅图5及图6，土压平衡盾构机可包括如上任何一个实施例所述的土压平衡盾构机推进速度预测装置51和控制器52。
土压平衡盾构机推进速度预测装置51可将当前计算得到的推进速度预测值发送给控制器52；控制器52可基于推进速度预测值控制土压平衡盾构机的推进速度。
其中，土压平衡盾构机推进速度预测装置51中保存了已经训练完成并且测试效果最好的速度预测模型和数据采集模块。数据采集模块用于获取实时的土压平衡盾构机的推进数据，该数据用于后续各控制模块的预测，采集的数据例如可包括推进速度设置值、以刀盘转速、土仓土压、总推进力等。速度预测模型输入的是数据采集模块采集到的过去若干时刻的数据，根据速度预测模型的输入参数需求从数据采集模块中选择对应参数的盾构机推进数据输入到该速度预测模型，实现对盾构机速度的有效控制。在预测时，在速度预测模型中输入对应参数的土压平衡盾构机的推进数据，经过速度预测模型的处理，将会输出推进速度预测值。
控制器52可如可为可编程逻辑控制器PLC，在土压平衡盾构机工作过程中，工控机会保存PLC传回的所有数据，数据采集模块将收集推进速度预测控制器所需要用到的所有参数的数据。在土压平衡盾构机没有采用内嵌上述土压平衡盾构机推进速度预测装置51之前，操作人员通过操作推进速度设置旋钮输入信号到PLC，计算输出电流从而调节推进系统流量阀，控制推进油缸伸出速度。也即图6中标号为1的框是人工操作过程。而在土压平衡盾构机中内嵌土压平衡盾构机推进速度预测装置51之后，根据数据采集模块从PLC采集的实时数据，将相关数据输入到预测控制模块也即本申请的速度预测模型，预测控制模块输出一个合理的推进速度设定值(％)，该值将会代替推进速度设置旋钮输入信号的推进速度设定值(％)来控制盾构机的推进速度，最终达到盾构机推进速度自动控制，也即图6中标号为2的框是基于本申请所提供技术方案实现土压平衡盾构机的自动控制，将相关技术中的人工操作替换为自动控制，不仅可降低土压平衡盾构机的控制成本，相比人工操作，还可有效、精准地预测掘进过程中土压平衡盾构机的推进速度，继而提高施工安全性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种土压平衡盾构机推进速度预测方法、装置、计算机可读存储介质及土压平衡盾构机进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (12)

1.一种土压平衡盾构机推进速度预测方法，其特征在于，包括：
预先基于土压平衡盾构机的推进速度子系统的历史输入输出数据，通过训练带外生变量的自回归模型结构得到速度预测模型；所述速度预测模型使用多层感知机拟合带外生变量的自回归模型结构的非线性回归参数；
获取所述土压平衡盾构机在当前时刻之前的推进数据信息；
将所述推进数据信息输入至所述速度预测模型；
根据所述速度预测模型的输出结果确定所述土压平衡盾构机的推进速度。
2.根据权利要求1所述的土压平衡盾构机推进速度预测方法，其特征在于，所述预先基于土压平衡盾构机的推进速度子系统的历史输入输出数据，通过训练带外生变量的自回归模型结构得到速度预测模型，包括：
基于所述历史输入输出数据和带外生变量的自回归模型结构构建用于描述非线性特性的速度预测模型；
通过预设参数搜索方法选择所述速度预测模型的输入层的特征参数，并通过评估所述速度预测模型的建模结果得到所述速度预测模型的输入层结构；
对所述速度预测模型输出的推进速度预测值与相应的实际值的偏差进行极小化处理，得到所述速度预测模型的参数估计值，以根据所述参数估计值得到所述速度预测模型。
3.根据权利要求2所述的土压平衡盾构机推进速度预测方法，其特征在于，所述对所述速度预测模型输出的推进速度预测值与相应的实际值的偏差进行极小化处理，得到所述速度预测模型的参数估计值，以根据所述参数估计值得到所述速度预测模型，包括：
采用梯度法对所述速度预测模型进行参数优化；
对所述速度预测模型的推进速度预测值与相应的实际值的偏差进行极小化处理，得到所述速度预测模型的参数估计值：所述参数估计值的计算关系式为
Figure FDA0003169308460000021
采用Adam优化方法优化所述参数估计值的计算关系式的目标函数，并采用学习率逐渐下降方式更新所述速度预测模型的参数；
式中，θ为所述速度预测模型的待估计参数，
Figure FDA0003169308460000022
为所述待估计参数值的估计值；y(t)为推进速度的实际输出值；
Figure FDA0003169308460000023
为推进速度的预测输出值；t为采样时间，N为数据长度。
4.根据权利要求2所述的土压平衡盾构机推进速度预测方法，其特征在于，所述基于所述历史输入输出数据和带外生变量的自回归模型结构构建用于描述非线性特性的速度预测模型，包括：
采集多个连续工作时间段内的土压平衡盾构机推进速度子系统的输入输出数据，以作为建模数据；
基于所述建模数据构建所述速度预测模型；
其中，所述输入输出数据包括推进速度设置值、刀盘转速、土仓土压、总推进力及推进速度实际值。
5.根据权利要求2所述的土压平衡盾构机推进速度预测方法，其特征在于，所述预先基于土压平衡盾构机的推进速度子系统的历史输入输出数据，通过训练带外生变量的自回归模型结构得到速度预测模型，包括：
所述速度预测模型包括MLP端的MLP模型和ARX端的线性ARX模型，在所述速度预测模型的参数估计过程中还包括对所述速度预测模型进行阶跃响应模式约束；所述阶跃响应模式约束包括：
对所述速度预测模型的MLP端的输出层进行拆分，形成独立的多组输出变量，以使所述速度预测模型的输入、输出、可测干扰信号在所述MLP端的输出层节点之间相互独立；
对每一组输出变量采用不同的激活函数，并采用不同的激活函数进行阶跃响应方向约束，以使所述速度预测模型阶跃响应与所述土压平衡盾构机的实际阶跃响应的模式一致；
将多个输出节点按照拼接关系式进行张量拼接，形成所述MLP端最后一层的输出节点，所述拼接关系式为：
Figure FDA0003169308460000031
式中，Out_mlp为所述MLP端输出层，φ0表示所述速度预测模型偏置，
Figure FDA0003169308460000032
Figure FDA0003169308460000033
为所述MLP端的输出层的各个输出。
6.根据权利要求5所述的土压平衡盾构机推进速度预测方法，其特征在于，所述通过预设参数搜索方法选择所述速度预测模型的输入层的特征参数包括：
基于预先构建的MLP端输入层结构、采用网格搜索方式对所述速度预测模型的输入层特征变量进行选择；所述MLP端输入层结构为：
Figure FDA0003169308460000034
式中，ky、ku、
Figure FDA0003169308460000035
分别表示系统输出、输入和可测干扰信号在所述输入层结构中的阶次，h0(t)表示所述输入层所有节点的集合，L为所述输入层的节点个数。
7.根据权利要求5所述的土压平衡盾构机推进速度预测方法，其特征在于，所述对所述速度预测模型输出的推进速度预测值与相应的实际值的偏差进行极小化处理之前，还包括：
采用最小二乘法对所述线性ARX模型的系数进行估计，并选择最小信息化准则AIC值最小的线性ARX模型阶次作为所述ARX端的阶次。
8.根据权利要求1至7任意一项所述的土压平衡盾构机推进速度预测方法，其特征在于，所述速度预测模型的输入变量为推进速度设置值，可测干扰信号为刀盘转速、土仓土压、总推进力，输出变量为推进速度平均值，所述速度预测模型为：
Figure FDA0003169308460000041
式中，模型输出y为推进速度测量值，q、p、s分别为模型输入、输出及可测干扰信号的阶次；t为采样时间，k表示阶次，模型输入u为推进速度设置信号，d为可测干扰信号、包括刀盘转速d1、土仓土压d2、总推进力d3这3个信号；m表示多层感知机隐藏层个数，其含输出层，ni表示多层感知机第i个隐藏层的节点数；ε表示白噪声建模误差；φ0表示模型偏置，
Figure FDA0003169308460000042
是多层感知机输出层的各个输出，也分别对应所述速度预测模型的输出、输入和可测干扰回归变量的系数；各个v和c是多层感知机输出层的权系数和偏置，w和b是多层感知机各中间隐含层的权系数和偏置；
Figure FDA0003169308460000043
表示第i个输出层的第l个节点的输出，sigmoid表示sigmoid激活函数；
Figure FDA0003169308460000044
为输出层激活函数，
Figure FDA0003169308460000045
为输入激活函数，
Figure FDA0003169308460000046
为可测干扰信号的激活函数；hi(t)表示第i个隐藏层所有节点的输出集合。
9.一种土压平衡盾构机推进速度预测装置，其特征在于，包括：
模型预构建模块，用于预先基于土压平衡盾构机的推进速度子系统的历史输入输出数据，通过训练带外生变量的自回归模型结构得到速度预测模型；所述速度预测模型使用多层感知机拟合带外生变量的自回归模型结构的非线性回归参数；
数据获取模块，用于获取所述土压平衡盾构机在当前时刻之前的推进数据信息；
数据输入模块，用于将所述推进数据信息输入至所述速度预测模型；
速度预测模块，用于根据所述速度预测模型的输出结果确定所述土压平衡盾构机的推进速度。
10.一种土压平衡盾构机推进速度预测装置，其特征在于，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至8任一项所述土压平衡盾构机推进速度预测方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有土压平衡盾构机推进速度预测程序，所述土压平衡盾构机推进速度预测程序被处理器执行时实现如权利要求1至8任一项所述土压平衡盾构机推进速度预测方法的步骤。
12.一种土压平衡盾构机，其特征在于，包括如权利要求9所述土压平衡盾构机推进速度预测装置和控制器；
所述土压平衡盾构机推进速度预测装置将当前计算得到的推进速度预测值发送给所述控制器；
所述控制器基于所述推进速度预测值控制土压平衡盾构机的推进速度。
CN202110814164.8A 2021-07-19 2021-07-19 土压平衡盾构机及其推进速度预测方法、装置、存储介质 Active CN113361824B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110814164.8A CN113361824B (zh) 2021-07-19 2021-07-19 土压平衡盾构机及其推进速度预测方法、装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110814164.8A CN113361824B (zh) 2021-07-19 2021-07-19 土压平衡盾构机及其推进速度预测方法、装置、存储介质

Publications (2)

Publication Number Publication Date
CN113361824A true CN113361824A (zh) 2021-09-07
CN113361824B CN113361824B (zh) 2023-04-07

Family

ID=77539962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110814164.8A Active CN113361824B (zh) 2021-07-19 2021-07-19 土压平衡盾构机及其推进速度预测方法、装置、存储介质

Country Status (1)

Country Link
CN (1) CN113361824B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115754875A (zh) * 2022-11-03 2023-03-07 国网安徽省电力有限公司营销服务中心 一种电压互感器误差评估方法及装置
CN117552796A (zh) * 2024-01-11 2024-02-13 北京城建设计发展集团股份有限公司 盾构推进系统油缸伸缩速度控制方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106481344A (zh) * 2016-10-25 2017-03-08 华中科技大学 一种土压平衡盾构机隧道掘进参数智能控制方法
CN108468549A (zh) * 2018-03-11 2018-08-31 辽宁石油化工大学 土压平衡盾构的优化方法及装置
CN112632852A (zh) * 2020-12-14 2021-04-09 西南交通大学 岩溶地区地铁隧道盾构掘进速度预测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106481344A (zh) * 2016-10-25 2017-03-08 华中科技大学 一种土压平衡盾构机隧道掘进参数智能控制方法
CN108468549A (zh) * 2018-03-11 2018-08-31 辽宁石油化工大学 土压平衡盾构的优化方法及装置
CN112632852A (zh) * 2020-12-14 2021-04-09 西南交通大学 岩溶地区地铁隧道盾构掘进速度预测方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MOHAMMAD ABU JAMIIN等: "Lyapunov learning algorithm for Quasi-ARX neural network to identification of nonlinear dynamical system", 《2012 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS》 *
丛秋梅等: "一类污水处理过程水质多模型在线软测量方法", 《东北大学学报(自然科学版)》 *
曹磊等: "ARIMA-MLP与ARIMA-RBF模型在流行性腮腺炎发病预测中的应用", 《公共卫生与预防医学》 *
李守巨等: "盾构机土压平衡系统的ARMA模型及其参数估计", 《煤炭学报》 *
贺湘宇等: "基于NARX网络模型的挖掘机液压系统故障检测", 《机械科学与技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115754875A (zh) * 2022-11-03 2023-03-07 国网安徽省电力有限公司营销服务中心 一种电压互感器误差评估方法及装置
CN115754875B (zh) * 2022-11-03 2023-08-11 国网安徽省电力有限公司营销服务中心 一种电压互感器误差评估方法及装置
CN117552796A (zh) * 2024-01-11 2024-02-13 北京城建设计发展集团股份有限公司 盾构推进系统油缸伸缩速度控制方法、装置、设备及介质
CN117552796B (zh) * 2024-01-11 2024-04-16 北京城建设计发展集团股份有限公司 盾构推进系统油缸伸缩速度控制方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113361824B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN113361824B (zh) 土压平衡盾构机及其推进速度预测方法、装置、存储介质
Ninić et al. A hybrid finite element and surrogate modelling approach for simulation and monitoring supported TBM steering
CA2961203C (en) Method for developing machine operation classifier using machine learning
EP1410116B1 (en) Fluid regulation
CN110195592A (zh) 基于混合深度学习的盾构掘进位姿智能预测方法及系统
KR102294384B1 (ko) 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템
CN109719756A (zh) 寿命预测装置
CN113128109A (zh) 一种面向智能化综采机器人生产系统的测试与评估方法
CN113374488B (zh) 土压平衡盾构机导向控制方法、装置及可读存储介质
CN105678417A (zh) 一种施工隧道撑子面涌水量预测方法及装置
CN110989366B (zh) 掘进机的控制方法、掘进机与计算机可读存储介质
CN108468549A (zh) 土压平衡盾构的优化方法及装置
CN113377017B (zh) 土压平衡盾构机及其推进速度预测方法、装置、介质
Hasan et al. Predictive digital twins for autonomous ships
CN113408080A (zh) 一种土压动态特性建模方法、盾构机控制系统及盾构机
US10240414B2 (en) Regulating downhole fluid flow rate using an multi-segmented fluid circulation system model
JP7121500B2 (ja) 装置制御システム及び装置制御方法
Zhidchenko et al. Application of digital twin and IoT concepts for solving the tasks of hydraulically actuated heavy equipment lifecycle management
WO2023275370A1 (en) Method of performing a numerical solving process
Wootton et al. An Echo State Network approach to structural health monitoring
CN105373673A (zh) 一种自然电场监测数据动态反演方法及系统
CN111622763A (zh) 竖井掘进机调向控制方法、系统、竖井掘进机及存储介质
Zhang et al. Data-driven excavation trajectory planning for unmanned mining excavator
CN117287179B (zh) 精密钻采设备的远程控制系统及方法
CN110866607A (zh) 一种基于机器学习的渗透行为预测算法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220804

Address after: No.88, Dongqi line, Changsha Economic and Technological Development Zone, Changsha City, Hunan Province

Applicant after: China Railway Construction Heavy Industry Group Co.,Ltd.

Applicant after: CHINA RAILWAY CONSTRUCTION Corp.,Ltd.

Address before: No.88, Dongqi line, Changsha Economic and Technological Development Zone, Changsha City, Hunan Province

Applicant before: China Railway Construction Heavy Industry Group Co.,Ltd.

GR01 Patent grant
GR01 Patent grant