CN113377017B - 土压平衡盾构机及其推进速度预测方法、装置、介质 - Google Patents
土压平衡盾构机及其推进速度预测方法、装置、介质 Download PDFInfo
- Publication number
- CN113377017B CN113377017B CN202110814186.4A CN202110814186A CN113377017B CN 113377017 B CN113377017 B CN 113377017B CN 202110814186 A CN202110814186 A CN 202110814186A CN 113377017 B CN113377017 B CN 113377017B
- Authority
- CN
- China
- Prior art keywords
- propulsion speed
- speed
- model
- propulsion
- arx
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 230000008569 process Effects 0.000 claims abstract description 37
- 239000002689 soil Substances 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000010561 standard procedure Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 61
- 230000005641 tunneling Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000005312 nonlinear dynamic Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- E21D9/0621—Shield advancing devices
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (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自适应预测方法、装置、计算机可读存储介质及土压平衡盾构机。方法包括基于ARX，并根据土压平衡盾构机推进速度子系统的输入、输出数据构建推进速度ARX模型框架；推进速度ARX模型的输出信号为推进速度实际值，控制输入为推进速度设置信号，推进过程中间变量为土压、刀盘转速和总推进力。根据推进速度ARX模型框架，调用预设模型拟合标准方法和模型优化算法，根据土压平衡盾构机推进速度子系统在不同时段移动窗口的输入、输出数据计算不同时段窗口的推进速度ARX模型。根据当前时段窗口和下一时段窗口的模型的预设模型拟合标准值确定下一时段窗口所采用的推进速度ARX模型，实现对土压平衡盾构机推进速度的精确预测。
Description
技术领域
本申请涉及自动化控制领域，特别是涉及一种土压平衡盾构机推进速度自适应预测方法、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，得名于其用由刀盘开挖的泥土来支撑掌子面。为了达到平衡，支撑压力由液压缸通过盾构机主体传递到土壤中，以此来避免不受控制的掘进。被刀盘挖下来的土壤与泥浆混合，从开挖室后部经过螺旋机运输至皮带运输机。螺旋机由两台液压马达驱动，螺旋机转速的变化可以调节开挖室运送出的土壤质量并与盾构机前进的速度保持一致，其目的是为了维持平衡状态，即需要保持由螺旋机运送出的土壤质量和从盾构机掘进过程中开挖的土壤质量之间的平衡，从而保证对掌子面的最佳支撑。该系统必须反应灵活，以适应不断变化的地质条件。
土压平衡盾构机在掘进过程中，按照指定的路线做轴向前进，由于土层土质条件的复杂性和施工过程中诸多因素的不可预见性，使土压平衡盾构机的推进控制变得非常复杂。举例来说，由于土质发生变化或其他原因而导致螺旋输送机出土速度跟不上或出现故障，为了保证掌子面的稳定，必须降低推进速度。当负载变化时，由于控制系统的响应速度或动态协调控制能力跟不上，而导致掘进姿态发生变化，整个土压平衡盾构机体受到的地层阻力不均，从而使土压平衡盾构机掘进时方向发生偏离；地质条件过差，刀盘切削不动，通过自调节会使流量不断加大，导致出现溢流或推进系统无法正常工作，此时需要人为降低推进速度的档位。诸多因素的作用使盾构机推进速度控制系统的设计变得非常复杂。土压平衡盾构机推进速度动态特性的精确建模对于实现推进速度的自动预测、对于保证土压平衡盾构机掘进的安全施工和控制地表的沉降和隆起具有重要的意义。
鉴于此，如何实现对土压平衡盾构机推进速度的精确建模进而实现对土压平衡盾构机推进速度精准预测，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自适应预测方法、装置、计算机可读存储介质及土压平衡盾构机，可在线更新以适应不同的地质条件，实现对土压平衡盾构机推进速度的精确建模。
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自适应预测方法，包括：
预先基于带外生变量的自回归模型，并根据土压平衡盾构机推进速度子系统的输入数据和输出数据构建推进速度ARX模型结构；所述推进速度ARX模型结构的输出信号为推进速度实际值，控制输入为推进速度设置信号，推进过程中间变量为土压、刀盘转速和总推进力；
基于所述推进速度ARX模型结构，调用预设模型拟合标准方法和模型优化算法，根据所述土压平衡盾构机推进速度子系统在不同时段移动窗口的输入数据和输出数据计算不同时段窗口的推进速度ARX模型；
根据当前时段窗口的推进速度ARX模型和下一时段窗口的推进速度ARX模型的预设模型拟合标准值之间的数值关系，确定下一时段窗口所采用的推进速度ARX模型。
可选的，所述推进速度ARX模型结构为：
式中，Y0为偏移；A1,A2,…,Any、B1,B2,…,Bnu、C1,C2,…,Cnd为回归系数矩阵，ny，nu，nd是模型阶次；U(k-f)为推进速度第k-f个采样时刻的设置信号，f≥1，f为U的纯滞后时间，k为第k个采样点；Y(k)、Y(k-1)、Y(k-ny)分别为第k个采样时刻、第k-1个采样时刻、第k-ny个采样时刻推进速度的测量值；D(k-g)为推进过程中第k-g个采样时刻的中间变量，g≥1，g为推进过程中间变量的纯滞后时间；ε(k)为建模误差。
可选的，所述推进速度ARX模型的待辨识参数包括回归系数矩阵和偏移；所述根据所述土压平衡盾构机推进速度子系统在不同时段移动窗口的输入数据和输出数据计算不同时段窗口的推进速度ARX模型包括：
获取所述土压平衡盾构机推进速度子系统在当前时段窗口的采样数据，所述采样数据包括所述当前时段窗口内第i段数据的第一个和第Ni个数据的推进速度测量数据、第i段数据的第一个和第Ni个数据的推进速度设置信号、第i段数据的第一个和第Ni个数据的推进过程中间变量；i为所述当前时段窗口内连续推进作业数据段的编号，i＝1，2，…，I，I为所述当前时段窗口内连续推进作业数据段的个数，Ni为第i段数据的长度；
基于最小信息化准则AIC确定所述推进速度ARX模型的阶次，根据所述推进速度ARX模型结构及所述采样数据对推进速度进行一步向前预测，得到所述推进速度的预测输出值；
对所述当前时段窗口的推进速度ARX模型的预测输出值与实际输出值的偏差进行极小化处理，得到所述当前时段窗口的推进速度ARX模型的待辨识参数的估计值。
可选的，所述当前时段窗口的推进速度ARX模型的待辨识参数的估计值为
其中，
Yi＝(Yi(n+1),Yi(n+2),...,Yi(Ni))T，n＝max([ny,f+nu,g+nd])，T表示矩阵转置，
为所述推进速度ARX模型的待辨识参数对应变量的集合，
为第i＝I段的推进速度ARX模型的待辨识参数，
为推进速度测量数据向量集合，
为第i＝I段的推进速度测量数据向量的转置。
可选的，所述推进速度ARX模型的阶次为取AIC最小值对应的模型阶次；所述推进速度ARX模型的最优阶次根据阶次计算关系式计算得到，所述阶次计算关系式为：
式中，
(ny*,nu*,nd*)为所述推进速度ARX模型的最优阶次，s为所述推进速度ARX模型的待辨识参数的总个数。
可选的，所述基于所述推进速度ARX模型结构，调用预设模型拟合标准方法和模型优化算法，根据所述土压平衡盾构机推进速度子系统在不同时段移动窗口的输入数据和输出数据计算不同时段窗口的推进速度ARX模型包括：
基于所述预设模型拟合标准、根据所述土压平衡盾构机推进速度子系统在当前时段移动窗口的输入数据和输出数据，采用最小二乘法计算所述推进速度ARX模型的待辨识参数估计值；
基于所述推进速度ARX模型结构，根据所述根据待辨识参数估计值得到不同时段窗口的推进速度ARX模型。
可选的，所述推进速度ARX模型的阶次为取AIC最小值对应的模型阶次，所述根据当前时段窗口的推进速度ARX模型和下一时段窗口的推进速度ARX模型的预设模型拟合标准值之间的数值关系，确定下一时段窗口所采用的推进速度ARX模型包括：
所述当前时段窗口的第一推进速度ARX模型的AIC值为第一AIC值，所述下一时段窗口的第二推进速度ARX模型的AIC值为第二AIC值；
根据所述推进速度ARX模型结构、所述土压平衡盾构机推进速度子系统在所述当前时段窗口和所述下一时段窗口的输入数据和输出数据、采用所述模型优化算法计算得到总推进速度ARX模型，所述总推进速度ARX模型的AIC值为第三AIC值；
判断所述第一AIC值和所述第二AIC值的和值是否小于所述第三AIC值；
若是，在所述下一时段窗口采用所述第二推进速度ARX模型；若否，在所述下一时段窗口采用所述总推进速度ARX模型。
本发明实施例另一方面还提供了一种土压平衡盾构机推进速度自适应预测装置，包括：
模型构建模块，用于预先基于带外生变量的自回归模型，并根据土压平衡盾构机推进速度子系统的输入数据和输出数据构建推进速度ARX模型结构；所述推进速度ARX模型结构的输出信号为推进速度实际值，控制输入为推进速度设置信号，推进过程中间变量为土压、刀盘转速和总推进力；
模型计算模块，用于基于所述推进速度ARX模型结构，调用预设模型拟合标准方法和模型优化算法，根据所述土压平衡盾构机推进速度子系统在不同时段移动窗口的输入数据和输出数据计算不同时段窗口的推进速度ARX模型；
参数自适应调整模块，用于根据当前时段窗口的推进速度ARX模型和下一时段窗口的推进速度ARX模型的预设模型拟合标准值之间的数值关系，确定下一时段窗口所采用的推进速度ARX模型。
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自适应预测程序，所述土压平衡盾构机推进速度自适应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自适应预测方法的步骤。
本发明实施例最后还提供了一种土压平衡盾构机，包括速度控制器和如前所述土压平衡盾构机推进速度自适应预测装置，所述速度控制器和所述土压平衡盾构机推进速度自适应预测装置相连接；
所述土压平衡盾构机推进速度自适应预测装置用于将下一时刻窗口的推进速度预测值发送至所述速度控制器；
所述速度控制器用于根据所述推进速度预测值控制土压平衡盾构机在下一时刻的推进速度。
本申请提供的技术方案的优点在于，通过实际土压平衡盾构机推进速度系统的采样数据构建用于预测推进速度的模型，无需知道盾构机推进速度系统内部精确的物理参数及运行机理，并使模型随外部环境的变化而变化，能够很好地描述土压平衡盾构机推进速度的非线性动态特性，提高了模型对系统动态特性的描述能力，具有较高的建模精度。根据不同的运行时段系统动态特性不同的特点，将推进系统的整个工作区间划分为若干个小的区间，然后，对于每个小的区间建立推进速度系统的线性化模型，采用移动窗口更新模式在线更新模型参数，根据相邻时段窗口内模型的预设模型拟合标准值之间的数值关系确定下一时段窗口的模型，不仅方法复杂度不高，实施过程简单，而且由于预测模型可根据不同时间段内运行工况的变化利用最新的或次新的过程输入输出数据实时更新模型参数因而能够实现盾构机推进速度的自适应建模，从而实现对系统整个工作区间的非线性动态特性的近似描述在线更新以适应不同的地质条件，可用于土压平衡盾构机推进速度的自动预测，具有很好的利用价值。
此外，本发明实施例还针对土压平衡盾构机推进速度自适应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自适应预测方法的流程示意图；
图2为本发明实施例提供的土压平衡盾构机推进速度自适应预测装置的一种具体实施方式结构图；
图3为本发明实施例提供的土压平衡盾构机推进速度自适应预测装置的另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的一种具体实施方式结构图。
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自适应预测方法的流程示意图，本发明实施例可包括以下内容：
S101：预先基于带外生变量的自回归模型，并根据土压平衡盾构机推进速度子系统的输入数据和输出数据构建推进速度ARX模型结构。
考虑到影响土压平衡盾构机推进速度的主要变量有推进速度设置、刀盘转速、土仓土压、总推进力，以及螺旋机出土速度和不同地段的地质情况等都会影响盾构机的推进速度控制。因此，土压平衡盾构机的推进速度变化过程是一个非常复杂的、具有较强非线性、不确定性、耦合性和时滞性的过程。基于机理分析法建立其物理模型较为困难，且其性能高度依赖于物理参数的精度，且其中一些参数对实际工作环境较敏感，当外部环境发生较大变化时，机理模型可能无法描述土压平衡盾构机推进速度控制系统的动态行为。本实施例基于数据驱动的自适应ARX模型的土压平衡盾构机推进速度动态特性建模，能够提供精确的推进速度系统动态模型。为建立土压平衡盾构机推进速度ARX模型，可采集土压平衡盾构机推进速度子系统的输入数据和输出数据作为辨识数据，包括但不限制于：推进速度设置(％)、刀盘转速(rpm/min)、土压(bar)、总推进力(KN)及推进速度实际输出值(mm/min)，设定数据采样周期为1秒。相应的，本实施例的推进速度ARX模型结构的输出信号为推进速度实际值，控制输入为推进速度设置信号，推进过程中间变量为土压、刀盘转速和总推进力，待辨识参数包括回归系数矩阵和偏移。
可以理解的是，土压平衡盾构机是断续工作的，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，可提取一个时间窗口内几个连续工作段的数据作为土压平衡盾构机推进速度ARX建模数据，作为一种可选的实施方式，每个时段窗口内的数据段总的数据长度可为2000～4000。
S102：基于推进速度ARX模型结构，调用预设模型拟合标准方法和模型优化算法，根据土压平衡盾构机推进速度子系统在不同时段移动窗口的输入数据和输出数据计算不同时段窗口的推进速度ARX模型。
在本实施例中，推进速度ARX模型结构为模型框架，在确定推进速度ARX模型结构中各模型参数后，将其代入推进速度ARX模型结构中，得到相应模型参数对应时刻的推进速度ARX模型。预设模型拟合标准方法例如可为最小信息化准则AIC，模型优化算法例如可为最小二乘法，所属领域技术人员可根据实际需求进行选择，这均不影响本申请的实现。
S103：根据当前时段窗口的推进速度ARX模型和下一时段窗口的推进速度ARX模型的预设模型拟合标准值之间的数值关系确定下一时段窗口所采用的推进速度ARX模型。
本实施例采用移动窗口更新模式在线更新推进速度ARX模型的参数，通过比较窗口内推进速度ARX模型的预设模型拟合标准值如AIC值判断模型预测误差有没有变大，如果模型预测误差没有变大，则证明当前时段的推进速度ARX模型可继续使用，若模型预测误差变大，则证明当前时段的推进速度ARX模型不可继续使用，需要更新模型参数得到下一时段的推进速度ARX模型。也即本实施例可根据新窗口数据与原窗口数据建模的预设模型拟合标准值比较结果来更新模型参数。
在本发明实施例提供的技术方案中，通过实际土压平衡盾构机推进速度系统的采样数据构建用于预测推进速度的模型，无需知道盾构机推进速度系统内部精确的物理参数及运行机理，并使模型随外部环境的变化而变化，能够很好地描述土压平衡盾构机推进速度的非线性动态特性，提高了模型对系统动态特性的描述能力，具有较高的建模精度。根据不同的运行时段系统动态特性不同的特点，将推进系统的整个工作区间划分为若干个小的区间，然后，对于每个小的区间建立推进速度系统的线性化模型，采用移动窗口更新模式在线更新模型参数，根据相邻时段窗口内模型的预设模型拟合标准值之间的数值关系确定下一时段窗口的模型，不仅方法复杂度不高，实施过程简单，而且由于预测模型可根据不同时间段内运行工况的变化利用最新的或次新的过程输入数据和输出数据实时更新模型参数因而能够实现盾构机推进速度的自适应建模，从而实现对系统整个工作区间的非线性动态特性的近似描述在线更新以适应不同的地质条件，可用于土压平衡盾构机推进速度的自动预测，具有很好的利用价值。
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只是一种示意方式，并不代表只能是这样的执行顺序。
在上述实施例中，对于推进速度ARX模型结构并不做限定，本实施例中给出推进速度ARX模型结构的一种形式，推进速度ARX模型结构可表示为：
式中，Y0为偏移；A1,A2,…,Any、B1,B2,…,Bnu、C1,C2,…,Cnd为回归系数矩阵，ny，nu，nd是模型阶次；U(k-f)为推进速度第k-f个采样时刻的设置信号，f≥1，f为U的纯滞后时间，k为第k个采样点；Y(k)、Y(k-1)、Y(k-ny)分别为第k个采样时刻、第k-1个采样时刻、第k-ny个采样时刻推进速度的测量值；D(k-g)为推进过程中第k-g个采样时刻的中间变量，g≥1，g为推进过程中间变量的纯滞后时间；ε(k)为建模误差。推进速度ARX模型的待辨识参数集包括多个待辨识参数，每个待辨识参数即为推进速度ARX模型的模型系数，待辨识参数集可表示为θ＝(Y0,A1,A2,...,Any,B1,B2,...,Bnu,C1,C2,...,Cnd)。
作为本实施例的另外一种可选的实施方式，基于预设模型拟合标准方法和模型优化算法计算不同时段窗口的推进速度ARX模型的过程可包括：基于预设模型拟合标准、根据土压平衡盾构机推进速度子系统在当前时段移动窗口的输入数据和输出数据采用最小二乘法计算推进速度ARX模型的待辨识参数估计值；基于推进速度ARX模型结构，根据待辨识参数估计值得到不同时段窗口的推进速度ARX模型，可包括：
获取土压平衡盾构机推进速度子系统在当前时段窗口的采样数据，采样数据包括当前时段窗口内第i段数据的第一个和第Ni个数据的推进速度测量数据、第i段数据的第一个和第Ni个数据的推进速度设置信号、第i段数据的第一个和第Ni个数据的推进过程中间变量；i为当前时段窗口内连续推进作业数据段的编号，i＝1，2，…，I，I为当前时段窗口内连续推进作业数据段的个数，Ni为第i段数据的长度。举例来说，设在某时间窗口内采样获得的盾构机推进速度系统的数据为Yi(1)～Yi(Ni)、Ui(1)～Ui(Ni)、Di(1)～Di(Ni)，i＝1，2，…，I，i是该窗口内连续推进作业数据段的编号，I表示该窗口内连续推进作业数据段的个数，Ni是第i段数据的长度，Yi(1)、Yi(Ni)分别表示该窗口内第i段数据的第一个和第Ni个数据的推进速度测量数据，Ui(1)、Ui(Ni)分别表示该窗口内第i段数据的第一个和第Ni个数据的推进速度设置信号，Di(1)、Di(Ni)分别表示该窗口内第i段数据的第一个和第Ni个数据的推进过程中间变量。
基于AIC(Akaike Information Criterion，最小信息化准则)确定推进速度ARX模型的阶次，根据推进速度ARX模型结构及采样数据对推进速度进行一步向前预测，得到推进速度的预测输出值。推进速度的预测输出值可表示为
Θ是待辨识参数集θ的转置即Θ＝θT，Xi表示推进速度ARX模型中待辨识参数集θ对应的变量的集合，可表示为：
n＝max([ny,f+nu,g+nd])；
对当前时段窗口的推进速度ARX模型的预测输出值与实际值的偏差进行极小化处理，得到当前时段窗口的推进速度ARX模型的待辨识参数的估计值。推进速度ARX模型的参数估计值可表示为：
Yi为第i段推进速度测量数据Y的向量，综上可得，当前时段窗口的推进速度ARX模型的待辨识参数的估计值可表示为：
T表示矩阵转置，
为推进速度ARX模型的待辨识参数对应变量的集合，
为第i＝I段的推进速度ARX模型的待辨识参数，
为推进速度测量数据向量集合，
为第i＝I段的推进速度测量数据向量的转置；
其中，推进速度ARX模型的阶次为取AIC最小值对应的模型阶次；推进速度ARX模型的最优阶次根据阶次计算关系式计算得到，阶次计算关系式为：
式中，
(ny*,nu*,nd*)为推进速度ARX模型的最优阶次，s为推进速度ARX模型的待辨识参数的总个数。
在上述实施例中，对于如何执行步骤S103并不做限定，作为一种可选的实施方式，上述S103的一种实施方式可为：
若根据当前时段窗口的推进速度ARX模型和下一时段窗口的推进速度ARX模型的预设模型拟合标准值之间的数值关系满足参数调整规则，则对当前时段窗口的推进速度ARX模型的模型参数进行更新，并根据更新后的模型参数得到新的推进速度ARX模型，作为下一时段窗口的推进速度ARX模型。若根据当前时段窗口的推进速度ARX模型和下一时段窗口的推进速度ARX模型的预设模型拟合标准值之间的数值关系不满足参数调整规则，则下一段时段窗口的推进速度ARX模型继续采用当前时段窗口的推进速度ARX模型。
本申请还提供了S103的另一种实施方式，与上述方式并列，因此，可作为另一种可选的实施方式，S103可包括：
推进速度ARX模型的阶次为取AIC最小值对应的模型阶次，当前时段窗口的第一推进速度ARX模型的AIC值为第一AIC值，下一时段窗口的第二推进速度ARX模型的AIC值为第二AIC值；
根据推进速度ARX模型结构、土压平衡盾构机推进速度子系统在当前时段窗口和下一时段窗口的输入数据和输出数据、采用模型优化算法计算得到总推进速度ARX模型，总推进速度ARX模型的AIC值为第三AIC值；
判断第一AIC值和第二AIC值的和值是否小于第三AIC值；
若是，在下一时段窗口采用第二推进速度ARX模型；若否，在下一时段窗口采用总推进速度ARX模型。
在本实施例中，针对当前窗口内获得的一组数据，通过上述步骤S101和S102建立的推进速度ARX优化模型记作M1，称为“当前模型”，该模型的AIC值记作AIC1；针对下一个窗口内的一组数据，重复上述步骤S101和S102，建立针对下一个窗口内一组数据的推进速度ARX优化模型记作M2，称为“本次模型”，该模型的AIC值记作AIC2。记AICsum＝AIC1+AIC2；将“当前模型”和“本次模型”的数据组联合起来，根据步骤S101和S102建立一个合并的推进速度ARX优化模型M0，其AIC记作AIC0。
比较AICsum和AIC0的大小，如果AICsum＜AIC0，说明推进速度系统在上述两组数据的时间段内动态特性变化较大，不适合采样两组数据联合建模，应在两个时间窗口段内使用不同的ARX模型，即AIC1和AIC2对应的模型，此后，将AIC2对应的模型更新为“当前模型”，对应的AIC2记为AIC1，用作为下次ARX模型更新操作的比较依据。如果AICsum＞AIC0，则说明推进速度系统在上述两组数据的时间段内动态特性变化不大，可以使用该合并的模型，即AIC0对应的模型，此后，将该合并模型称为“当前模型”，AIC0记为AIC1，用作为下次ARX模型更新操作的比较依据。同样地，当获得了新的时间窗口内的数据组，将新的时间窗口内的数据组作为当前窗口的一组数据，重复上述步骤步，更新“当前模型”，建立盾构机推进速度的自适应ARX模型。
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，可包括：
1)为建立土压平衡盾构机推进速度ARX模型，采集盾构机推进速度子系统输入数据和输出数据作为辨识数据，包括：推进速度设置(％)、刀盘转速、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。考虑到盾构机断续工作的特点，即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，提取该盾构机某个工作期间内的27个连续工作的数据段，且以每9个数据段作为一个训练集窗口建立ARX模型，这3个数据窗口包含的数据总的个数分别为3868，2649，3324。
2)确定土压平衡盾构机推进速度ARX模型结构。土压平衡盾构机推进速度ARX模型以推进速度实际值(mm/min)作为输出信号，推进速度设置(％)信号为控制输入，把土压(bar)、刀盘转速(rpm/min)和总推进力(KN)作为中间变量，构造土压平衡盾构机推进速度ARX模型结构可如下：
其中：Y0为偏移，A1～Any、B1～Bnu、C1～Cnd是回归系数矩阵；ny，nu，nd是模型阶次；U(k-f)为推进速度第k-f个采样时刻的设置信号，即推进速度控制信号，f≥1为U的纯滞后时间；Y(k)、Y(k-1)、Y(k-ny)分别为第k个采样时刻、第k-1个采样时刻、第k-ny个采样时刻推进速度的测量值，即推进速度控制系统输出信号，k表示第k个采样点；D(k-g)是推进过程第k-g个采样时刻的中间变量，也是模型输入信号，包含总推进力、刀盘速度和土压这三个信号，g≥1是推进过程中间变量的纯滞后时间；ε(k)是建模误差。设θ＝(Y0,A1,A2,...,Any,B1,B2,...,Bnu,C1,C2,...,Cnd)为待辨识参数集，即ARX模型的系数。
3)采用最小二乘法估计推进速度ARX模型参数θ，取AIC最小值对应的模型阶次作为推进速度ARX模型的阶次。设在某时间窗口内采样获得的盾构机推进速度系统的数据为Yi(1)～Yi(Ni)、Ui(1)～Ui(Ni)、Di(1)～Di(Ni)，i＝1，2，…9，i是该窗口内连续推进作业数据段的编号，I表示该窗口内连续推进作业数据段的个数，Ni是第i段数据的长度，Yi(1)、Yi(Ni)分别表示该窗口内第i段数据的第一个和第Ni个数据的推进速度测量数据，Ui(1)、Ui(Ni)分别表示该窗口内第i段数据的第一个和第Ni个数据的推进速度设置信号，Di(1)、Di(Ni)分别表示该窗口内第i段数据的第一个和第Ni个数据的推进过程中间变量。基于推进速度ARX模型(1)及采样数据计算推进速度一步向前预测输出
其中：Θ是待辨识参数集θ的转置，如式(4)所示，Xi表示与式(1)中待辨识参数集θ对应的变量的集合，如式(3)所示。
Θ＝θT；(4)
n＝max([ny,f+nu,g+nd])；(5)
通过极小化推进速度模型预测输出与实际值的偏差获得推进速度ARX模型的参数估计值：
其中Yi＝(Yi(n+1),Yi(n+2),...,Yi(Ni))T；(7)Yi为第i段推进速度测量数据向量。从(1-7)得到推进速度ARX模型的参数估计值如下：
其中：
推进速度ARX模型的最优阶次(ny*,nu*,nd*)通过搜索下面的AIC的最小值所对应的阶次来获得：
式中，s为推进速度ARX模型参数集θ中的参数个数。
4)采用移动窗口更新模式在线更新土压平衡盾构机推进速度ARX模型参数，在线监测模型预测误差，比较窗口内模型的AIC，如果模型预测误差没有扩大、AIC没有劣化，则继续使用现有模型，否则根据新窗口数据与原窗口数据建模的AIC比较结果来更新模型参数。
5)针对当前窗口的一组数据，通过上述步骤1)-3)，建立的推进速度ARX优化模型记作M1，称为“当前模型”，该模型的AIC值记作AIC1；
6)针对下一个窗口的一组数据，重复上述步骤1)-3)，建立针对该窗口的一组数据的推进速度ARX优化模型记作M2，称为“本次模型”，该模型的AIC值记作AIC2。记AICsum＝AIC1+AIC2；
7)将“当前模型”和“本次模型”的数据组联合起来，根据步骤1)-3)建立一个合并的推进速度ARX优化模型M0，其AIC记作AIC0；
8)比较AICsum和AIC0的大小，如果AICsum＜AIC0，说明推进速度系统在上述两组数据的时间段内动态特性变化较大，不适合采样两组数据联合建模，应在两个时间窗口内使用不同的ARX模型，即AIC1和AIC2对应的模型。此后，将AIC2对应的模型更新为“当前模型”，对应的AIC2记为AIC1，用作为下次ARX模型更新操作的比较依据。如果AICsum＞AIC0，则说明推进速度系统在上述两组数据的时间段内动态特性变化不大，可以使用该合并的模型，即AIC0对应的模型，此后，将该合并模型称为“当前模型”，AIC0记为AIC1，用作为下次ARX模型更新操作的比较依据。
9)同样地，当获得了新的时间窗口内的数据组，重复步骤6)-8)步，更新“当前模型”，建立盾构机推进速度的自适应ARX模型。
根据上述步骤1)中采集到的数据和步骤2)-3)的建模方法及参数优化方法得到三个窗口的AIC值及优化后的ARX模型阶次如表1所示。
表1优化后ARX模型参数
根据步骤3)估计推进速度ARX模型参数θ，取AIC最小值对应的模型阶次作为推进速度ARX模型的阶次。然后根据步骤6)-8)，将窗口1建立的推进速度ARX模型记作M1，称为“当前模型”，该模型的AIC值记作AIC1＝-3.7815×103；将窗口2建立的推进速度ARX模型记作M2，称为“本次模型”，该模型的AIC值记作AIC2＝-1.8485×103，记AICsum＝AIC1+AIC2＝-5.63×103；将“当前模型”和“本次模型”的数据组联合起来，根据步骤1)-3)建立一个合并的推进速度ARX模型M0，其AIC记作AIC0＝-5.4144×103。比较AICsum和AIC0的大小，因AICsum＜AIC0，说明推进速度系统在上述两组数据的时间段内动态特性变化较大，不适合采样两组数据联合建模，应在两个时间段内使用不同的ARX模型，即AIC1和AIC2对应的模型。将AIC2对应的模型更新为“当前模型”，记作M1，对应的AIC2记为AIC1，用作为下次ARX模型更新操作的比较依据。
同样地，根据步骤6)-8)，将窗口3建立的推进速度ARX模型记作M2，称为“本次模型”，该模型的AIC值记作AIC2＝-3.2707×103，记AICsum＝AIC1+AIC2＝-5.1192×103；将“当前模型”和“本次模型”的数据组联合起来，根据步骤1)-3)建立一个合并的推进速度ARX优化模型M0，其AIC记作AIC0＝-5.5351×103。比较AICsum和AIC0的大小，因AICsum＞AIC0，说明推进速度系统在上述两组数据的时间段内动态特性变化不大，两个窗口可以使用该合并的模型，即AIC0对应的模型。将该合并模型称为“当前模型”，记作M1，AIC0记为AIC1，用作为下次ARX模型更新操作的比较依据。
照此方法就得到了盾构机在窗口1-3内基于自适应ARX模型的推进速度动态模型。
由上可知，针对土压平衡式盾构机推进速度的建模，为了克服基于机理模型的土压平衡式盾构机推进速度建模的不足，本实施例涉及一种基于自适应ARX模型的建模方法，基于数据驱动建模的思想，采用ARX模型描述对象的动态特性，可保证该类模型具有良好的局部特征描述能力，且使用合适的模型参数估计方法，并构建了模型综合评价体系。但是由于土压平衡式盾构机是一类具有非线性特性的复杂系统，单独的采用一个ARX模型只能描述盾构机速度推进过程的局部特征，系统的非线性特性会有一定的丢失，模型的精度会降低。针对ARX模型的非线性描述能力不足这一问题，本实施例提出了一种基于自适应ARX模型的盾构机推进速度建模方法。即根据不同的运行时段系统动态特性不同的特点，将推进系统的整个工作区间划分为若干个小的区间，然后，对于每个小的区间建立系统的线性化模型，通过判断两个区间内模型的AIC值来判定这两个或两个以上的相邻的小区间是否可以使用同一个ARX模型。由于预测模型可根据不同时间段内运行工况的变化利用最新的或次新的过程输入数据和输出数据实时更新模型参数因而能够实现盾构机推进速度的自适应建模，从而实现对系统整个工作区间的非线性动态特性的近似描述。与直接采用非线性模型的建模方式相比，基于自适应ARX模型的建模方法将非线性优化问题转化为了线性优化问题，且系统工作区间根据模型的适应性来划分是更加合理的。同时，算法的复杂度得到了降低，控制器只需针对每个分段区间内的线性化模型来进行设计。本发明以某土压平衡盾构机系统为例，采用基于自适应ARX模型的建模方法建立了该盾构机推进速度系统的动态模型。该方法对于提高模型精度和系统动态描述能力是有效的。利用本发明实施例可通过对大量盾构机推进速度数据的分析与研究，建立土压平衡盾构机推进速度的仿真模型，分析验证不同时段的模型精度。
本发明实施例还针对土压平衡盾构机推进速度自适应预测方法提供了相应的装置，进一步使得方法更具有实用性。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自适应预测装置进行介绍，下文描述的土压平衡盾构机推进速度自适应预测装置与上文描述的土压平衡盾构机推进速度自适应预测方法可相互对应参照。
基于功能模块的角度，本发明实施例提供的土压平衡盾构机推进速度自适应预测装置在一种具体实施方式下的结构图，请参阅图2，该装置可包括：
模型构建模块201，用于预先基于带外生变量的自回归模型，并根据土压平衡盾构机推进速度子系统的输入数据和输出数据构建推进速度ARX模型结构；推进速度ARX模型结构的输出信号为推进速度实际值，控制输入为推进速度设置信号，推进过程中间变量为土压、刀盘转速和总推进力，待辨识参数包括回归系数矩阵和偏移；
模型计算模块202，用于基于推进速度ARX模型结构，调用预设模型拟合标准方法和模型优化算法，根据土压平衡盾构机推进速度子系统在不同时段移动窗口的输入数据和输出数据计算不同时段窗口的推进速度ARX模型；
参数自适应调整模块203，用于根据当前时段窗口的推进速度ARX模型和下一时段窗口的推进速度ARX模型的预设模型拟合标准值之间的数值关系确定下一时段窗口所采用的推进速度ARX模型。
可选的，在本实施例的一些实施方式中，上述推进速度ARX模型结构可表示为：
式中，Y0为偏移；A1,A2,…,Any、B1,B2,…,Bnu、C1,C2,…,Cnd为回归系数矩阵，ny，nu，nd是模型阶次；U(k-f)为推进速度第k-f个采样时刻的设置信号，f≥1，f为U的纯滞后时间，k为第k个采样点；Y(k)、Y(k-1)、Y(k-ny)分别为第k个采样时刻、第k-1个采样时刻、第k-ny个采样时刻推进速度的测量值；D(k-g)为推进过程中第k-g个采样时刻的中间变量，g≥1，g为推进过程中间变量的纯滞后时间；ε(k)为建模误差。
可选的，在本实施例的另一些实施方式中，上述模型计算模块202可进一步用于：
获取土压平衡盾构机推进速度子系统在当前时段窗口的采样数据，采样数据包括当前时段窗口内第i段数据的第一个和第Ni个数据的推进速度测量数据、第i段数据的第一个和第Ni个数据的推进速度设置信号、第i段数据的第一个和第Ni个数据的推进过程中间变量；i为当前时段窗口内连续推进作业数据段的编号，i＝1，2，…，I，I为当前时段窗口内连续推进作业数据段的个数，Ni为第i段数据的长度；
基于最小信息化准则AIC确定推进速度ARX模型的阶次，根据推进速度ARX模型结构及采样数据对推进速度进行一步向前预测，得到推进速度的预测输出值；
对当前时段窗口的推进速度ARX模型的预测输出值与实际输出值的偏差进行极小化处理，得到当前时段窗口的推进速度ARX模型的待辨识参数的估计值；推进速度ARX模型的待辨识参数包括回归系数矩阵和偏移。
作为本实施例的一种可选的实施方式，当前时段窗口的推进速度ARX模型的待辨识参数的估计值可为
其中，
Yi＝(Yi(n+1),Yi(n+2),...,Yi(Ni))T，n＝max([ny,f+nu,g+nd])，T表示矩阵转置，
为推进速度ARX模型的待辨识参数对应变量的集合，
为第i＝I段的推进速度ARX模型的待辨识参数，
为推进速度测量数据向量集合，
为第i＝I段的推进速度测量数据向量的转置。
作为本实施例的另外一种可选的实施方式，推进速度ARX模型的阶次为取AIC最小值对应的模型阶次；推进速度ARX模型的最优阶次根据阶次计算关系式计算得到，阶次计算关系式可表示为：
式中，
(ny*,nu*,nd*)为推进速度ARX模型的最优阶次，s为推进速度ARX模型的待辨识参数的总个数。
可选的，在本实施例的其他一些实施方式中，上述模型计算模块202进一步可用于：
基于预设模型拟合标准、根据土压平衡盾构机推进速度子系统在当前时段移动窗口的输入数据和输出数据，采用最小二乘法计算推进速度ARX模型的待辨识参数估计值；基于推进速度ARX模型结构，根据待辨识参数估计值得到不同时段窗口的推进速度ARX模型。
可选的，在本实施例的其他一些实施方式中，上述参数自适应调整模块203可进一步用于：推进速度ARX模型的阶次为取AIC最小值对应的模型阶次，当前时段窗口的第一推进速度ARX模型的AIC值为第一AIC值，下一时段窗口的第二推进速度ARX模型的AIC值为第二AIC值；根据推进速度ARX模型结构、土压平衡盾构机推进速度子系统在当前时段窗口和下一时段窗口的输入数据和输出数据、采用模型优化算法计算得到总推进速度ARX模型，总推进速度ARX模型的AIC值为第三AIC值；判断第一AIC值和第二AIC值的和值是否小于第三AIC值；若是，在下一时段窗口采用第二推进速度ARX模型；若否，在下一时段窗口采用总推进速度ARX模型。
本发明实施例所述土压平衡盾构机推进速度自适应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，本发明实施例可在线更新以适应不同的地质条件，不仅具有较高的模型精度，而且可使模型适应外部环境的变化，能够很好地描述盾构机推进速度子系统的非线性动态特性，用于实现对土压平衡盾构机推进速度的精确预测，具有较高的利用价值。
最后，上文中提到的土压平衡盾构机推进速度自适应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自适应预测装置，是从硬件角度描述。图3为本申请实施例提供的一种土压平衡盾构机推进速度自适应预测装置，包括存储器30，用于存储计算机程序；处理器31，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自适应预测方法的步骤。
其中，处理器31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31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31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31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31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30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30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30至少用于存储以下计算机程序301，其中，该计算机程序被处理器31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自适应预测方法的相关步骤。另外，存储器30所存储的资源还可以包括操作系统302和数据303等，存储方式可以是短暂存储或者永久存储。其中，操作系统302可以包括Windows、Unix、Linux等。数据303可以包括但不限于土压平衡盾构机推进速度自适应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自适应预测装置还可包括有显示屏32、输入输出接口33、通信接口34、电源35以及通信总线36。
本领域技术人员可以理解，图3中示出的结构并不构成对土压平衡盾构机推进速度自适应预测装置的限定，可以包括比图示更多或更少的组件，例如还可包括传感器37。
本发明实施例所述土压平衡盾构机推进速度自适应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，本发明实施例可在线更新以适应不同的地质条件，不仅具有较高的模型精度，而且可使模型适应外部环境的变化，能够很好地描述盾构机推进速度子系统的非线性动态特性，用于实现对土压平衡盾构机推进速度的精确预测，具有较高的利用价值。
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自适应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自适应预测程序，所述土压平衡盾构机推进速度自适应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自适应预测方法的步骤。
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，本发明实施例可在线更新以适应不同的地质条件，实现对土压平衡盾构机推进速度动态特性的精确建模。
最后，本实施例还提供了一种土压平衡盾构机，请参阅图4，可包括下述内容：
土压平衡盾构机可包括速度控制器41和土压平衡盾构机推进速度自适应预测装置42，速度控制器41和土压平衡盾构机推进速度自适应预测装置42相连接。
土压平衡盾构机推进速度自适应预测装置42用于将下一时刻窗口的推进速度预测值发送至速度控制器41。土压平衡盾构机推进速度自适应预测装置42通过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自适应预测方法的步骤得到下一时刻窗口的下一时刻窗口的推进速度预测值，并实时将下一时刻窗口的推进速度预测值发送给速度控制器41。速度控制器41可根据推进速度预测值来控制土压平衡盾构机在下一时刻的推进速度，从而实现对土压平衡盾构机速度的精准控制。
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自适应预测方法、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 (8)
1.一种土压平衡盾构机推进速度自适应预测方法，其特征在于，包括：
预先基于带外生变量的自回归模型，并根据土压平衡盾构机推进速度子系统的输入数据和输出数据构建推进速度ARX模型结构；所述推进速度ARX模型结构的输出信号为推进速度实际值，控制输入为推进速度设置信号，推进过程中间变量为土压、刀盘转速和总推进力；
基于所述推进速度ARX模型结构，调用预设模型拟合标准方法和模型优化算法，根据所述土压平衡盾构机推进速度子系统在不同时段移动窗口的输入数据和输出数据计算不同时段窗口的推进速度ARX模型；
根据当前时段窗口的推进速度ARX模型和下一时段窗口的推进速度ARX模型的预设模型拟合标准值之间的数值关系，确定下一时段窗口所采用的推进速度ARX模型；
其中，所述推进速度ARX模型结构为：
式中，Y0为偏移；A1,A2,…,Any、B1,B2,…,Bnu、C1,C2,…,Cnd为回归系数矩阵，ny，nu，nd是模型阶次；U(k-f)为推进速度第k-f个采样时刻的设置信号，f≥1，f为U的纯滞后时间，k为第k个采样点；Y(k)、Y(k-1)、Y(k-ny)分别为第k个采样时刻、第k-1个采样时刻、第k-ny个采样时刻推进速度的测量值；D(k-g)为推进过程中第k-g个采样时刻的中间变量，g≥1，g为推进过程中间变量的纯滞后时间；ε(k)为建模误差；
其中，所述推进速度ARX模型的阶次为取AIC最小值对应的模型阶次，所述根据当前时段窗口的推进速度ARX模型和下一时段窗口的推进速度ARX模型的预设模型拟合标准值之间的数值关系，确定下一时段窗口所采用的推进速度ARX模型包括：
所述当前时段窗口的第一推进速度ARX模型的AIC值为第一AIC值，所述下一时段窗口的第二推进速度ARX模型的AIC值为第二AIC值；
根据所述推进速度ARX模型结构、所述土压平衡盾构机推进速度子系统在所述当前时段窗口和所述下一时段窗口的输入数据和输出数据、采用所述模型优化算法计算得到总推进速度ARX模型，所述总推进速度ARX模型的AIC值为第三AIC值；
判断所述第一AIC值和所述第二AIC值的和值是否小于所述第三AIC值；
若是，在所述下一时段窗口采用所述第二推进速度ARX模型；若否，在所述下一时段窗口采用所述总推进速度ARX模型。
2.根据权利要求1所述的土压平衡盾构机推进速度自适应预测方法，其特征在于，所述推进速度ARX模型的待辨识参数包括回归系数矩阵和偏移；所述根据所述土压平衡盾构机推进速度子系统在不同时段移动窗口的输入数据和输出数据计算不同时段窗口的推进速度ARX模型包括：
获取所述土压平衡盾构机推进速度子系统在当前时段窗口的采样数据，所述采样数据包括所述当前时段窗口内第i段数据的第一个和第Ni个数据的推进速度测量数据、第i段数据的第一个和第Ni个数据的推进速度设置信号、第i段数据的第一个和第Ni个数据的推进过程中间变量；i为所述当前时段窗口内连续推进作业数据段的编号，i＝1，2，…，I，I为所述当前时段窗口内连续推进作业数据段的个数，Ni为第i段数据的长度；
基于最小信息化准则AIC确定所述推进速度ARX模型的阶次，根据所述推进速度ARX模型结构及所述采样数据对推进速度进行一步向前预测，得到所述推进速度的预测输出值；
对所述当前时段窗口的推进速度ARX模型的预测输出值与实际输出值的偏差进行极小化处理，得到所述当前时段窗口的推进速度ARX模型的待辨识参数的估计值。
3.根据权利要求2所述的土压平衡盾构机推进速度自适应预测方法，其特征在于，所述当前时段窗口的推进速度ARX模型的待辨识参数的估计值为
其中，
Yi＝(Yi(n+1),Yi(n+2),...,Yi(Ni))T，n＝max([ny,f+nu,g+nd])，T表示矩阵转置，
为所述推进速度ARX模型的待辨识参数对应变量的集合，
为第i＝I段的推进速度ARX模型的待辨识参数，
为推进速度测量数据向量集合，
为第i＝I段的推进速度测量数据向量的转置；Yi表示该窗口内第i段数据的推进速度测量数据向量，Yi(n+1)、Yi(n+2)、Yi(Ni)分别表示该窗口内第i段数据的第n+1个、第n+2个和第Ni个数据的推进速度测量数据。
4.根据权利要求3所述的土压平衡盾构机推进速度自适应预测方法，其特征在于，所述推进速度ARX模型的阶次为取AIC最小值对应的模型阶次；所述推进速度ARX模型的最优阶次根据阶次计算关系式计算得到，所述阶次计算关系式为：
式中，
(ny*,nu*,nd*)为所述推进速度ARX模型的最优阶次，s为所述推进速度ARX模型的待辨识参数的总个数。
5.根据权利要求4所述的土压平衡盾构机推进速度自适应预测方法，其特征在于，所述基于所述推进速度ARX模型结构，调用预设模型拟合标准方法和模型优化算法，根据所述土压平衡盾构机推进速度子系统在不同时段移动窗口的输入数据和输出数据计算不同时段窗口的推进速度ARX模型包括：
基于所述预设模型拟合标准、根据所述土压平衡盾构机推进速度子系统在当前时段移动窗口的输入数据和输出数据，采用最小二乘法计算所述推进速度ARX模型的待辨识参数估计值；
基于所述推进速度ARX模型结构，根据所述根据待辨识参数估计值得到不同时段窗口的推进速度ARX模型。
6.一种土压平衡盾构机推进速度自适应预测装置，其特征在于，包括：
模型构建模块，用于预先基于带外生变量的自回归模型，并根据土压平衡盾构机推进速度子系统的输入数据和输出数据构建推进速度ARX模型结构；所述推进速度ARX模型结构的输出信号为推进速度实际值，控制输入为推进速度设置信号，推进过程中间变量为土压、刀盘转速和总推进力；
模型计算模块，用于基于所述推进速度ARX模型结构，调用预设模型拟合标准方法和模型优化算法，根据所述土压平衡盾构机推进速度子系统在不同时段移动窗口的输入数据和输出数据计算不同时段窗口的推进速度ARX模型；
参数自适应调整模块，用于根据当前时段窗口的推进速度ARX模型和下一时段窗口的推进速度ARX模型的预设模型拟合标准值之间的数值关系，确定下一时段窗口所采用的推进速度ARX模型；
其中，所述推进速度ARX模型结构为：
式中，Y0为偏移；A1,A2,…,Any、B1,B2,…,Bnu、C1,C2,…,Cnd为回归系数矩阵，ny，nu，nd是模型阶次；U(k-f)为推进速度第k-f个采样时刻的设置信号，f≥1，f为U的纯滞后时间，k为第k个采样点；Y(k)、Y(k-1)、Y(k-ny)分别为第k个采样时刻、第k-1个采样时刻、第k-ny个采样时刻推进速度的测量值；D(k-g)为推进过程中第k-g个采样时刻的中间变量，g≥1，g为推进过程中间变量的纯滞后时间；ε(k)为建模误差；
其中，所述参数自适应调整模块还用于：所述推进速度ARX模型的阶次为取AIC最小值对应的模型阶次，所述当前时段窗口的第一推进速度ARX模型的AIC值为第一AIC值，所述下一时段窗口的第二推进速度ARX模型的AIC值为第二AIC值；根据所述推进速度ARX模型结构、所述土压平衡盾构机推进速度子系统在所述当前时段窗口和所述下一时段窗口的输入数据和输出数据、采用所述模型优化算法计算得到总推进速度ARX模型，所述总推进速度ARX模型的AIC值为第三AIC值；判断所述第一AIC值和所述第二AIC值的和值是否小于所述第三AIC值；若是，在所述下一时段窗口采用所述第二推进速度ARX模型；若否，在所述下一时段窗口采用所述总推进速度ARX模型。
7.一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自适应预测程序，所述土压平衡盾构机推进速度自适应预测程序被处理器执行时实现如权利要求1至5任一项所述土压平衡盾构机推进速度自适应预测方法的步骤。
8.一种土压平衡盾构机，其特征在于，包括速度控制器和如权利要求6所述土压平衡盾构机推进速度自适应预测装置，所述速度控制器和所述土压平衡盾构机推进速度自适应预测装置相连接；
所述土压平衡盾构机推进速度自适应预测装置用于将下一时刻窗口的推进速度预测值发送至所述速度控制器；
所述速度控制器用于根据所述推进速度预测值控制土压平衡盾构机在下一时刻的推进速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814186.4A CN113377017B (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、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814186.4A CN113377017B (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、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113377017A CN113377017A (zh) | 2021-09-10 |
| CN113377017B true CN113377017B (zh) | 2022-11-01 |
Family
ID=77582411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110814186.4A Active CN113377017B (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、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113377017B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114063455B (zh) * | 2021-11-11 | 2024-02-23 | 中南大学 | 土压平衡盾构机推进速度控制方法、建模方法及装置 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3308371B2 (ja) * | 1993-12-29 | 2002-07-29 | 飛島建設株式会社 | トンネル内空変位の予測方法 |
| KR100769499B1 (ko) * | 2006-07-24 | 2007-10-24 | 한국건설기술연구원 | 암반용 디스크커터를 장착한 터널굴착기의 면판 설계방법 |
| US8473079B2 (en) * | 2009-11-25 | 2013-06-25 | Honeywell International Inc. | Fast algorithm for model predictive control |
| US20140122047A1 (en) * | 2012-11-01 | 2014-05-01 | Juan Luis Saldivar | Apparatus and method for predicting borehole parameters |
| CN103941586B (zh) * | 2014-02-08 | 2016-06-01 | 上海交通大学 | 一种掘进机主驱动系统转速的预测函数控制方法 |
| CN106481344B (zh) * | 2016-10-25 | 2018-07-06 | 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 |
| AU2018224857B2 (en) * | 2017-02-27 | 2023-01-05 | Usnr, Llc | Flitch tracking |
| CN108263400B (zh) * | 2018-01-08 | 2019-11-15 | 北京佳讯飞鸿电气股份有限公司 | 高铁列车运行速度控制方法、装置、存储介质及高铁列车 |
| CN108491590A (zh) * | 2018-03-05 | 2018-09-04 | 北京交通大学 | 基于灰色系统模型的盾构掘进参数预测方法 |
| US11794757B2 (en) * | 2018-06-11 | 2023-10-24 | Colorado State University Research Foundation | Systems and methods for prediction windows for optimal powertrain control |
| CN109543237B (zh) * | 2018-10-29 | 2023-09-15 | 苏州科技大学 | 基于ga-bp神经网络的基坑位移预测方法 |
| CN111444591A (zh) * | 2019-12-19 | 2020-07-24 | 西南交通大学 | 软土土压平衡盾构隧道掘进速度确定方法及装置 |
| KR102211421B1 (ko) * | 2020-06-17 | 2021-02-02 | 에스케이건설 주식회사 | 터널 굴진면의 전방 지질 상태 예측에 기반한 tbm 제어 파라미터 결정 방법 및 시스템 |
| CN112163316A (zh) * | 2020-08-31 | 2021-01-01 | 同济大学 | 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 |
| CN112632852B (zh) * | 2020-12-14 | 2023-05-23 | 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 |
-
2021
- 2021-07-19 CN CN202110814186.4A patent/CN113377017B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113377017A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852423B (zh) | 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 | |
| CN110895730B (zh) | 一种基于lstm算法的tbm掘进参数的预测方法 | |
| JP7061891B2 (ja) | 操作推定装置、及び操作推定方法 | |
| CN113377017B (zh) | 土压平衡盾构机及其推进速度预测方法、装置、介质 | |
| CN104699995B (zh) | 一种滑坡监测数据对数拟合的预测预报方法 | |
| 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 | |
| CN113374488B (zh) | 土压平衡盾构机导向控制方法、装置及可读存储介质 | |
| JP6949623B2 (ja) | 操作設定提示装置、及びプログラム | |
| Li et al. | Memory cutting of adjacent coal seams based on a hidden Markov model | |
| CN106217128A (zh) | 基于大数据挖掘的变工况下刀具磨损状态预测方法 | |
| EP2406710A1 (en) | Gradient-based workflows for conditioning of process-based geologic models | |
| CN102257448B (zh) | 使用切换模型对信号进行滤波的方法和设备 | |
| Garcia et al. | Decision support system for an intelligent operator of utility tunnel boring machines | |
| CN114418469B (zh) | 基于lgbm-nsga-ⅲ的盾构近接施工参数多目标优化方法及设备 | |
| WO2024098950A1 (zh) | 水动力模型参数优化、水位流量变化过程模拟方法及装置 | |
| CN114091188A (zh) | 盾构机液压驱动刀盘系统建模及故障诊断方法、装置 | |
| CN112364422A (zh) | 基于mic-lstm的盾构施工地表变形动态预测方法 | |
| CN112632852A (zh) | 岩溶地区地铁隧道盾构掘进速度预测方法及装置 | |
| CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
| CN110989366A (zh) | 掘进机的控制方法、掘进机与计算机可读存储介质 | |
| CN115239108B (zh) | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 | |
| CN113807004A (zh) | 基于数据挖掘的刀具寿命预测方法、装置及系统 | |
| US11321506B2 (en) | Fast algorithm to simulate the response of PDC bits | |
| JP7097191B2 (ja) | 推定装置、及び推定方法 | |
| Anderlini et al. | Towards autonomy: A recommender system for the determination of trim and flight parameters for Seagliders |
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 |
Effective date of registration: 20220808 Address after: No.88, Dongqi line, Changsha Economic and Technological Development Zone, Changsha City, Hunan Province Applicant after: China Railway Construction Heavy Industry 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 Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |