CN113435055A - 盾构刀盘扭矩领域自适应迁移预测方法和系统 - Google Patents

盾构刀盘扭矩领域自适应迁移预测方法和系统 Download PDF

Info

Publication number
CN113435055A
CN113435055A CN202110775453.1A CN202110775453A CN113435055A CN 113435055 A CN113435055 A CN 113435055A CN 202110775453 A CN202110775453 A CN 202110775453A CN 113435055 A CN113435055 A CN 113435055A
Authority
CN
China
Prior art keywords
prediction
representing
torque
shield
data set
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
CN202110775453.1A
Other languages
English (en)
Other versions
CN113435055B (zh
Inventor
覃程锦
陶建峰
刘成良
余宏淦
金衍瑞
孙浩
石岗
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110775453.1A priority Critical patent/CN113435055B/zh
Publication of CN113435055A publication Critical patent/CN113435055A/zh
Application granted granted Critical
Publication of CN113435055B publication Critical patent/CN113435055B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明提供了一种盾构刀盘扭矩领域自适应迁移预测方法和系统，主要包括以下步骤：采集盾构机地质和机械系统相关状态参数以及驱动系统相关状态参数，采用零均值规范化方法预处理所选取的状态参数，建立RLSTM盾构机扭矩预测神经网络，对神经网络的输入样本进行分类，对网络权值参数进行更新，引入领域自适应技术，得到自适应RLSTM盾构机扭矩预测网络模型，对预设未来时刻的刀盘扭矩数值进行预测；根据预设未来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，测试刀盘扭矩的预测精度。本发明实现了盾构刀盘扭矩领域自适应迁移预测，实现了盾构机的高效安全推进，提升盾构机的自动化和智能化水平。

Description

盾构刀盘扭矩领域自适应迁移预测方法和系统
技术领域
本发明涉及参数预测和优化技术领域，具体地，涉及盾构刀盘扭矩领域自适应迁移预测方法和系统。
背景技术
盾构机集机、电、液、传感、信息技术于一体，以其高效、安全、环保的特点在隧道施工中得到了广泛的应用。刀盘扭矩是设计刀盘传动和制造经济型盾构机的重要参数，也是保证盾构机正常推进的关键参数之一。因此，在复杂地形环境下，根据地质条件调整设备运行参数，对保证施工安全，减少设备损失具有重要意义。由于在开挖前很难获得准确的地质条件参数，因此利用盾构机的工作参数预测刀盘扭矩是一种很有前途的解决方案，有利于避免刀盘卡钻，保证隧道施工安全高效。
在公开号为CN112329172A的中国专利文献中，公开了一种基于并联式神经网络的盾构机刀盘扭矩预测方法及系统，包括：在盾构机实际工作数据库中选择对盾构机刀盘扭矩影响较大的工作参数；对选择的工作参数进行预处理；根据预处理后的工作参数建立并联式神经网络刀盘扭矩预测模型并进行并联式神经网络刀盘扭矩预测模型的训练；在不同的数据集上评价训练后的并联式神经网络刀盘扭矩预测模型对刀盘扭矩的预测精度。
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刀盘扭矩领域自适应迁移预测方法和系统。
根据本发明提供的一种盾构刀盘扭矩领域自适应迁移预测方法，包括以下步骤：
步骤S1：采集盾构机地质和机械系统相关状态参数以及驱动系统相关状态参数，采用零均值规范化方法预处理所选取的状态参数；
步骤S2：根据规范化后的状态参数，采用残差网络和LSTM网络借助利用TensorFlow框架下的Keras包建立RLSTM盾构机扭矩预测神经网络，并进行训练；
步骤S3：利用领域分类器对神经网络的输入样本进行分类，确定输入样本属于源领域数据集还是目标领域数据集；
步骤S4：在训练过程中采用域对抗性训练技术对网络权值参数进行更新，使得神经网络在不进行任何额外操作的情况下，能够对源域数据集或目标域数据集的输入样本进行分类；
步骤S5：引入领域自适应技术，最终得到自适应RLSTM盾构机扭矩预测网络模型，对预设未来时刻的刀盘扭矩数值进行预测；
步骤S6：根据预设未来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，测试刀盘扭矩的预测精度。
优选的，所述步骤S5中的自适应RLSTM盾构机扭矩预测网络模型包括RLSTM盾构机扭矩预测神经网络和领域自适应模块，所述RLSTM盾构机扭矩预测神经网络包括残差模块和LSTM模块，所述RLSTM盾构机扭矩预测神经网络通过全连接神经网络将预测结果进行输出。
优选的，在步骤S4中建立如下混合损失函数L，相关计算公式如下：
L(θf，θy，θd)＝Ly(θf，θy)-α*Ld(θf，θd)
Figure BDA0003154621620000021
Figure BDA0003154621620000022
其中，Ly表示源回归损失函数，Ld表示分类损失函数，yS表示源域数据集输出，yT表示目标域数据集输出，d表示域标签，
Figure BDA0003154621620000023
表示源域数据集第i个输出实际值；
Figure BDA0003154621620000024
表示源域数据集第i个输出预测值；
Figure BDA0003154621620000025
表示源域数据集第i个标签；
Figure BDA0003154621620000026
表示目标域数据集第i个输出；θf、θy和θd分别表示特征提取器、预测器以及分类器的神经网络参数，α表示权重参数，NS表示源域样本数，NT表示目标域样本数。
优选的，所述步骤S4的具体公式表达如下：
Figure BDA0003154621620000027
Figure BDA0003154621620000028
Figure BDA0003154621620000031
式中，λ表示学习率。
优选的，所述步骤S6中的计算公式包括：
Figure BDA0003154621620000032
Figure BDA0003154621620000033
Figure BDA0003154621620000034
其中，MSE表示均方误差；MAE表示平均绝对误差；MAPE表示平均绝对百分误差；X＝{x1，x2，…，xn}为真实值；xi表示第i个真实值，Y＝{y1，y2，…，yn}为预测值；yi表示第i个预测值，n为预测数值个数；i为序列数；MSE的值越小则预测精度越高；MAE的值越小则预测精度越高；MAPE的值越小则预测精度越高。
根据本发明提供的一种盾构刀盘扭矩领域自适应迁移预测系统，包括以下模块：
模块M1：采集盾构机地质和机械系统相关状态参数以及驱动系统相关状态参数，采用零均值规范化方法预处理所选取的状态参数；
模块M2：根据规范化后的状态参数，采用残差网络和LSTM网络借助利用TensorFlow框架下的Keras包建立RLSTM盾构机扭矩预测神经网络，并进行训练；
模块M3：利用领域分类器对神经网络的输入样本进行分类，确定输入样本属于源领域数据集还是目标领域数据集；
模块M4：在训练过程中采用域对抗性训练技术对网络权值参数进行更新，使得神经网络在不进行任何额外操作的情况下，能够对源域数据集或目标域数据集的输入样本进行分类；
模块M5：引入领域自适应技术，最终得到自适应RLSTM盾构机扭矩预测网络模型，对预设未来时刻的刀盘扭矩数值进行预测；
模块M6：根据预设未来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，测试刀盘扭矩的预测精度。
优选的，所述模块M5中的自适应RLSTM盾构机扭矩预测网络模型包括RLSTM盾构机扭矩预测神经网络和领域自适应模块，所述RLSTM盾构机扭矩预测神经网络包括残差模块和LSTM模块，所述RLSTM盾构机扭矩预测神经网络通过全连接神经网络将预测结果进行输出。
优选的，在模块M4中建立如下混合损失函数L，相关计算公式如下：
L(θf，θy，θd)＝Ly(θf，θy)-α*Ld(θf，θd)
Figure BDA0003154621620000041
Figure BDA0003154621620000042
其中，Ly表示源回归损失函数，Ld表示分类损失函数，yS表示源域数据集输出，yT表示目标域数据集输出，d表示域标签，
Figure BDA0003154621620000043
表示源域数据集第i个输出实际值；
Figure BDA0003154621620000044
表示源域数据集第i个输出预测值；
Figure BDA0003154621620000045
表示源域数据集第i个标签；
Figure BDA0003154621620000046
表示目标域数据集第i个输出；θf、θy和θd分别表示特征提取器、预测器以及分类器的神经网络参数，α表示权重参数，NS表示源域样本数，NT表示目标域样本数。
优选的，所述模块M4的具体公式表达如下：
Figure BDA0003154621620000047
Figure BDA0003154621620000048
Figure BDA0003154621620000049
式中，λ表示学习率。
优选的，所述步骤S6中的计算公式包括：
Figure BDA00031546216200000410
Figure BDA00031546216200000411
Figure BDA00031546216200000412
其中，MSE表示均方误差；MAE表示平均绝对误差；MAPE表示平均绝对百分误差；X＝{x1，x2，…，xn}为真实值；xi表示第i个真实值，Y＝{y1，y2，…，yn}为预测值；yi表示第i个预测值，n为预测数值个数；i为序列数；MSE的值越小则预测精度越高；MAE的值越小则预测精度越高；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、本发明实现了不同地质环境下的高精度的盾构刀盘扭矩领域自适应迁移预测，有助于指导司机提前调整盾构机的操作参数；
2、本发明实现了盾构机的高效安全推进；
3、本发明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是本发明所提出的盾构刀盘扭矩领域自适应迁移预测框架图；
图2是在数据集2中测试集的刀盘扭矩实际图；
图3是本发明所提出的盾构刀盘扭矩领域自适应迁移预测模型从数据集1迁移到数据集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、迁移能力不强的问题，本发明提供一种盾构刀盘扭矩领域自适应迁移预测方法。
根据本发明提供的盾构刀盘扭矩领域自适应迁移预测方法，包括以下步骤：
步骤S1：采集盾构机地质和机械系统相关状态参数以及驱动系统相关状态参数，采用零均值规范化方法预处理所选取的状态参数。
步骤S2：根据规范化后的状态参数，采用残差网络和LSTM网络借助利用TensorFlow框架下的Keras包建立RLSTM盾构机扭矩预测神经网络，并进行训练。
步骤S3：利用领域分类器对神经网络的输入样本进行分类，确定输入样本属于源领域数据集还是目标领域数据集。
步骤S4：在训练过程中采用域对抗性训练技术对网络权值参数进行更新，使得神经网络在不进行任何额外操作的情况下，能够对源域数据集或目标域数据集的输入样本进行分类。
在步骤S4中建立如下混合损失函数L，相关计算公式如下：
L(θf，θy，θd)＝Ly(θf，θy)-α*Ld(θf，θd)
Figure BDA0003154621620000061
Figure BDA0003154621620000062
其中，Ly表示源回归损失函数，Ld表示分类损失函数，yS表示源域数据集输出，yT表示目标域数据集输出，d表示域标签，
Figure BDA0003154621620000063
表示源域数据集第i个输出实际值；
Figure BDA0003154621620000064
表示源域数据集第i个输出预测值；
Figure BDA0003154621620000065
表示源域数据集第i个标签；
Figure BDA0003154621620000066
表示目标域数据集第i个输出；θf、θy和θd分别表示特征提取器、预测器以及分类器的神经网络参数，α表示权重参数，NS表示源域样本数，NT表示目标域样本数。
在此基础上，步骤S4的具体公式表达如下：
Figure BDA0003154621620000067
Figure BDA0003154621620000068
Figure BDA0003154621620000069
式中，λ表示学习率。
步骤S5：引入领域自适应技术，最终得到自适应RLSTM盾构机扭矩预测网络模型，对预设未来时刻的刀盘扭矩数值进行预测。
自适应RLSTM盾构机扭矩预测网络模型包括RLSTM盾构机扭矩预测神经网络和领域自适应模块，所述RLSTM盾构机扭矩预测神经网络包括残差模块和LSTM模块，所述RLSTM盾构机扭矩预测神经网络通过全连接神经网络将预测结果进行输出。
步骤S6：根据预设未来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，测试刀盘扭矩的预测精度。
步骤S6中的计算公式包括：
Figure BDA0003154621620000071
Figure BDA0003154621620000072
Figure BDA0003154621620000073
其中，MSE表示均方误差；MAE表示平均绝对误差；MAPE表示平均绝对百分误差；X＝{x1，x2，…，xn}为真实值；xi表示第i个真实值，Y＝{y1，y2，…，yn}为预测值；yi表示第i个预测值，n为预测数值个数；i为序列数；MSE的值越小则预测精度越高；MAE的值越小则预测精度越高；MAPE的值越小则预测精度越高。
首先从盾构机现场施工采集盾构机地质和机械系统相关状态参数以及驱动系统相关状态参数共51维数据，采用零均值规范化方法预处理所选取的状态参数；根据规范化后的状态参数采用残差网络和LSTM网络建立RLSTM盾构机扭矩预测网络，并进行训练；然后，利用领域分类器对输入样本进行分类，确定输入样本属于源领域数据集还是目标领域数据集；在训练过程中采用域对抗性训练技术对网络权值参数进行更新，使得神经网络在不进行任何额外操作的情况下，能够对源域数据集或目标域数据集的输入样本进行分类；引入领域自适应技术后最终实现用前10个历史时刻的状态参数数据对未来1个时刻的刀盘扭矩数值进行预测。训练好的模型可以实现不同地质环境下的高精度的盾构刀盘扭矩领域自适应迁移预测，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。
根据本发明提供的盾构刀盘扭矩领域自适应迁移预测系统，包括以下模块：
模块M1：采集盾构机地质和机械系统相关状态参数以及驱动系统相关状态参数，采用零均值规范化方法预处理所选取的状态参数。
模块M2：根据规范化后的状态参数，采用残差网络和LSTM网络借助利用TensorFlow框架下的Keras包建立RLSTM盾构机扭矩预测神经网络，并进行训练。
模块M3：利用领域分类器对神经网络的输入样本进行分类，确定输入样本属于源领域数据集还是目标领域数据集。
模块M4：在训练过程中采用域对抗性训练技术对网络权值参数进行更新，使得神经网络在不进行任何额外操作的情况下，能够对源域数据集或目标域数据集的输入样本进行分类。
在模块M4中建立如下混合损失函数L，相关计算公式如下：
L(θf，θy，θd)＝Ly(θf，θy)-α*Ld(θf，θd)
Figure BDA0003154621620000081
Figure BDA0003154621620000082
其中，Ly表示源回归损失函数，Ld表示分类损失函数，yS表示源域数据集输出，yT表示目标域数据集输出，d表示域标签，
Figure BDA0003154621620000083
表示源域数据集第i个输出实际值；
Figure BDA0003154621620000084
表示源域数据集第i个输出预测值；
Figure BDA0003154621620000085
表示源域数据集第i个标签；
Figure BDA0003154621620000086
表示目标域数据集第i个输出；θf、θy和θd分别表示特征提取器、预测器以及分类器的神经网络参数，α表示权重参数，NS表示源域样本数，NT表示目标域样本数。
在此基础上，模块M4的具体公式表达如下：
Figure BDA0003154621620000087
Figure BDA0003154621620000088
Figure BDA0003154621620000089
式中，λ表示学习率。
模块M5：引入领域自适应技术，最终得到自适应RLSTM盾构机扭矩预测网络模型，对预设未来时刻的刀盘扭矩数值进行预测。
自适应RLSTM盾构机扭矩预测网络模型包括RLSTM盾构机扭矩预测神经网络和领域自适应模块，所述RLSTM盾构机扭矩预测神经网络包括残差模块和LSTM模块，所述RLSTM盾构机扭矩预测神经网络通过全连接神经网络将预测结果进行输出。
模块M6：根据预设未来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，测试刀盘扭矩的预测精度。
模块M6中的计算公式包括：
Figure BDA00031546216200000810
Figure BDA0003154621620000091
Figure BDA0003154621620000092
其中，MSE表示均方误差；MAE表示平均绝对误差；MAPE表示平均绝对百分误差；X＝{x1，x2，…，xn}为真实值；xi表示第i个真实值，Y＝{y1，y2，…，yn}为预测值；yi表示第i个预测值，n为预测数值个数；i为序列数；MSE的值越小则预测精度越高；MAE的值越小则预测精度越高；MAPE的值越小则预测精度越高。
首先从盾构机现场施工采集盾构机地质和机械系统相关状态参数以及驱动系统相关状态参数共51维数据，采用零均值规范化方法预处理所选取的状态参数；根据规范化后的状态参数采用残差网络和LSTM网络建立RLSTM盾构机扭矩预测网络，并进行训练；然后，利用领域分类器对输入样本进行分类，确定输入样本属于源领域数据集还是目标领域数据集；在训练过程中采用域对抗性训练技术对网络权值参数进行更新，使得神经网络在不进行任何额外操作的情况下，能够对源域数据集或目标域数据集的输入样本进行分类；引入领域自适应技术后最终实现用前10个历史时刻的状态参数数据对未来1个时刻的刀盘扭矩数值进行预测。训练好的模型可以实现不同地质环境下的高精度的盾构刀盘扭矩领域自适应迁移预测，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。
实施例2：
实施例2是实施例1的变化例。
参考图1至图3，本发明提供了一种盾构刀盘扭矩领域自适应迁移预测方法，包括如下步骤：
步骤1：采集盾构机地质和机械系统相关状态参数以及驱动系统相关状态参数共51维数据，采用零均值规范化方法预处理所选取的状态参数，并且用前10个历史时刻的盾构机运行参数数据去预测下1个时刻的刀盘扭矩数值；
步骤2：采用残差网络和LSTM网络借助利用TensorFlow框架下的Keras包建立RLSTM盾构机扭矩预测网络；RLSTM包括一个输入层、3个残差模块、1个LSTM层和1个全连接层；其中，残差模块包括1个输入层、3个卷积层、2个激活层和1个添加层；然后进行训练，学习率设定为0.001，分别采用均方根误差(RMSE)和Adam优化器作为损失函数和优化器，模型训练次数设为100，批量大小设为256。训练集包括8000行盾构机运行参数数据，测试集包括2000行盾构机运行参数数据。
步骤3：利用领域分类器对输入样本进行分类，确定输入样本属于源领域数据集还是目标领域数据集；
步骤4：在训练过程中采用域对抗性训练技术对网络权值参数进行更新，使得神经网络在不进行任何额外操作的情况下，能够对源域数据集或目标域数据集的输入样本进行分类；
步骤5：引入领域自适应技术后最终得到自适应RLSTM盾构机扭矩预测网络模型，对预设未来时刻的刀盘扭矩数值进行预测；
步骤6：根据预设未来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，测试刀盘扭矩的预测精度。
从图2和图3可以看出提出的盾构刀盘扭矩领域自适应迁移预测模型预测的刀盘扭矩的数值与实际的刀盘扭矩数值很接近，在该数据集上，MSE为0.0486，MAE为0.1830，MAPE(％)为13.87％，预测精度分别为86.13％，表明提出的盾构刀盘扭矩领域自适应迁移预测方法实现不同地质环境下的高精度的盾构刀盘扭矩领域自适应迁移预测。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种盾构刀盘扭矩领域自适应迁移预测方法，其特征在于，包括以下步骤：
步骤S1：采集盾构机地质和机械系统相关状态参数以及驱动系统相关状态参数，采用零均值规范化方法预处理所选取的状态参数；
步骤S2：根据规范化后的状态参数，采用残差网络和LSTM网络借助利用TensorFlow框架下的Keras包建立RLSTM盾构机扭矩预测神经网络，并进行训练；
步骤S3：利用领域分类器对神经网络的输入样本进行分类，确定输入样本属于源领域数据集还是目标领域数据集；
步骤S4：在训练过程中采用域对抗性训练技术对网络权值参数进行更新，使得神经网络在不进行任何额外操作的情况下，能够对源域数据集或目标域数据集的输入样本进行分类；
步骤S5：引入领域自适应技术，最终得到自适应RLSTM盾构机扭矩预测网络模型，对预设未来时刻的刀盘扭矩数值进行预测；
步骤S6：根据预设未来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，测试刀盘扭矩的预测精度。
2.根据权利要求1所述的盾构刀盘扭矩领域自适应迁移预测方法，其特征在于：所述步骤S5中的自适应RLSTM盾构机扭矩预测网络模型包括RLSTM盾构机扭矩预测神经网络和领域自适应模块，所述RLSTM盾构机扭矩预测神经网络包括残差模块和LSTM模块，所述RLSTM盾构机扭矩预测神经网络通过全连接神经网络将预测结果进行输出。
3.根据权利要求1所述的盾构刀盘扭矩领域自适应迁移预测方法，其特征在于：在步骤S4中建立如下混合损失函数L，相关计算公式如下：
L(θf，θy，θd)＝Ly(θf，θy)-α*Ld(θf，θd)
Figure FDA0003154621610000011
Figure FDA0003154621610000012
其中，Ly表示源回归损失函数，Ld表示分类损失函数，yS表示源域数据集输出，yT表示目标域数据集输出，d表示域标签,
Figure FDA0003154621610000013
表示源域数据集第i个输出实际值；
Figure FDA0003154621610000021
表示源域数据集第i个输出预测值；
Figure FDA0003154621610000022
表示源域数据集第i个标签；
Figure FDA0003154621610000023
表示目标域数据集第i个输出；θf、θy和θd分别表示特征提取器、预测器以及分类器的神经网络参数，α表示权重参数，NS表示源域样本数，NT表示目标域样本数。
4.根据权利要求3所述的盾构刀盘扭矩领域自适应迁移预测方法，其特征在于：所述步骤S4的具体公式表达如下：
Figure FDA0003154621610000024
Figure FDA0003154621610000025
Figure FDA0003154621610000026
式中，λ表示学习率。
5.根据权利要求1所述的盾构刀盘扭矩领域自适应迁移预测方法，其特征在于：所述步骤S6中的计算公式包括：
Figure FDA0003154621610000027
Figure FDA0003154621610000028
Figure FDA0003154621610000029
其中，MSE表示均方误差；MAE表示平均绝对误差；MAPE表示平均绝对百分误差；X＝{x1,x2,…,xn}为真实值；xi表示第i个真实值，Y＝{y1,y2,…,yn}为预测值；yi表示第i个预测值，n为预测数值个数；i为序列数；MSE的值越小则预测精度越高；MAE的值越小则预测精度越高；MAPE的值越小则预测精度越高。
6.一种盾构刀盘扭矩领域自适应迁移预测系统，其特征在于，包括以下模块：
模块M1：采集盾构机地质和机械系统相关状态参数以及驱动系统相关状态参数，采用零均值规范化方法预处理所选取的状态参数；
模块M2：根据规范化后的状态参数，采用残差网络和LSTM网络借助利用TensorFlow框架下的Keras包建立RLSTM盾构机扭矩预测神经网络，并进行训练；
模块M3：利用领域分类器对神经网络的输入样本进行分类，确定输入样本属于源领域数据集还是目标领域数据集；
模块M4：在训练过程中采用域对抗性训练技术对网络权值参数进行更新，使得神经网络在不进行任何额外操作的情况下，能够对源域数据集或目标域数据集的输入样本进行分类；
模块M5：引入领域自适应技术，最终得到自适应RLSTM盾构机扭矩预测网络模型，对预设未来时刻的刀盘扭矩数值进行预测；
模块M6：根据预设未来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，测试刀盘扭矩的预测精度。
7.根据权利要求6所述的盾构刀盘扭矩领域自适应迁移预测系统，其特征在于：所述模块M5中的自适应RLSTM盾构机扭矩预测网络模型包括RLSTM盾构机扭矩预测神经网络和领域自适应模块，所述RLSTM盾构机扭矩预测神经网络包括残差模块和LSTM模块，所述RLSTM盾构机扭矩预测神经网络通过全连接神经网络将预测结果进行输出。
8.根据权利要求6所述的盾构刀盘扭矩领域自适应迁移预测系统，其特征在于：在模块M4中建立如下混合损失函数L，相关计算公式如下：
L(θf，θy，θd)＝Ly(θf，θy)-α*Ld(θf，θd)
Figure FDA0003154621610000031
Figure FDA0003154621610000032
其中，Ly表示源回归损失函数，Ld表示分类损失函数，yS表示源域数据集输出，yT表示目标域数据集输出，d表示域标签,
Figure FDA0003154621610000033
表示源域数据集第i个输出实际值；
Figure FDA0003154621610000034
表示源域数据集第i个输出预测值；
Figure FDA0003154621610000035
表示源域数据集第i个标签；
Figure FDA0003154621610000036
表示目标域数据集第i个输出；θf、θy和θd分别表示特征提取器、预测器以及分类器的神经网络参数，α表示权重参数，NS表示源域样本数，NT表示目标域样本数。
9.根据权利要求8所述的盾构刀盘扭矩领域自适应迁移预测系统，其特征在于：所述模块M4的具体公式表达如下：
Figure FDA0003154621610000037
Figure FDA0003154621610000041
Figure FDA0003154621610000042
式中，λ表示学习率。
10.根据权利要求6所述的盾构刀盘扭矩领域自适应迁移预测系统，其特征在于：所述步骤S6中的计算公式包括：
Figure FDA0003154621610000043
Figure FDA0003154621610000044
Figure FDA0003154621610000045
其中，MSE表示均方误差；MAE表示平均绝对误差；MAPE表示平均绝对百分误差；X＝{x1,x2,…,xn}为真实值；xi表示第i个真实值，Y＝{y1,y2,…,yn}为预测值；yi表示第i个预测值，n为预测数值个数；i为序列数；MSE的值越小则预测精度越高；MAE的值越小则预测精度越高；MAPE的值越小则预测精度越高。
CN202110775453.1A 2021-07-08 2021-07-08 盾构刀盘扭矩领域自适应迁移预测方法和系统 Active CN113435055B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110775453.1A CN113435055B (zh) 2021-07-08 2021-07-08 盾构刀盘扭矩领域自适应迁移预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110775453.1A CN113435055B (zh) 2021-07-08 2021-07-08 盾构刀盘扭矩领域自适应迁移预测方法和系统

Publications (2)

Publication Number Publication Date
CN113435055A true CN113435055A (zh) 2021-09-24
CN113435055B CN113435055B (zh) 2022-11-22

Family

ID=77759846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110775453.1A Active CN113435055B (zh) 2021-07-08 2021-07-08 盾构刀盘扭矩领域自适应迁移预测方法和系统

Country Status (1)

Country Link
CN (1) CN113435055B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024007840A1 (zh) * 2022-07-07 2024-01-11 中国长江三峡集团有限公司 水平定向钻进扩孔扭矩预测方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107246271A (zh) * 2017-06-28 2017-10-13 浙江大学 一种盾构机刀盘驱动系统的驱动轴扭矩协调分配控制方法
CN108388689A (zh) * 2018-01-16 2018-08-10 天津大学 一种基于量纲分析的盾构刀盘扭矩计算方法
CN108417205A (zh) * 2018-01-19 2018-08-17 苏州思必驰信息科技有限公司 语义理解训练方法和系统
CN110195592A (zh) * 2019-04-30 2019-09-03 华中科技大学 基于混合深度学习的盾构掘进位姿智能预测方法及系统
CN111007719A (zh) * 2019-11-12 2020-04-14 杭州电子科技大学 基于领域自适应神经网络的自动驾驶转向角度预测方法
US20200134424A1 (en) * 2018-10-31 2020-04-30 Sony Interactive Entertainment Inc. Systems and methods for domain adaptation in neural networks using domain classifier
CN112329172A (zh) * 2020-11-05 2021-02-05 上海交通大学 基于并联式神经网络的盾构机刀盘扭矩预测方法及系统
CN112347580A (zh) * 2020-11-05 2021-02-09 上海交通大学 一种盾构机刀盘扭矩实时预测方法及系统
CN112926665A (zh) * 2021-03-02 2021-06-08 安徽七天教育科技有限公司 一种基于领域自适应的文本行识别系统以及使用方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107246271A (zh) * 2017-06-28 2017-10-13 浙江大学 一种盾构机刀盘驱动系统的驱动轴扭矩协调分配控制方法
CN108388689A (zh) * 2018-01-16 2018-08-10 天津大学 一种基于量纲分析的盾构刀盘扭矩计算方法
CN108417205A (zh) * 2018-01-19 2018-08-17 苏州思必驰信息科技有限公司 语义理解训练方法和系统
US20200134424A1 (en) * 2018-10-31 2020-04-30 Sony Interactive Entertainment Inc. Systems and methods for domain adaptation in neural networks using domain classifier
CN110195592A (zh) * 2019-04-30 2019-09-03 华中科技大学 基于混合深度学习的盾构掘进位姿智能预测方法及系统
CN111007719A (zh) * 2019-11-12 2020-04-14 杭州电子科技大学 基于领域自适应神经网络的自动驾驶转向角度预测方法
CN112329172A (zh) * 2020-11-05 2021-02-05 上海交通大学 基于并联式神经网络的盾构机刀盘扭矩预测方法及系统
CN112347580A (zh) * 2020-11-05 2021-02-09 上海交通大学 一种盾构机刀盘扭矩实时预测方法及系统
CN112926665A (zh) * 2021-03-02 2021-06-08 安徽七天教育科技有限公司 一种基于领域自适应的文本行识别系统以及使用方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YANRUI JIN1,ET AL: "Deep domain adversarial residual neural network for sustainable wind turbine cyber-physical system fault diagnosis", 《WILEY》 *
杨泰春 等: "基于长短时记忆网络的盾构机刀盘扭矩实时预测", 《地下空间与工程学报》 *
金余丰: "基于深度学习的滚动轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024007840A1 (zh) * 2022-07-07 2024-01-11 中国长江三峡集团有限公司 水平定向钻进扩孔扭矩预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113435055B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
CN111950191B (zh) 基于混合深度神经网络的回转窑烧结温度预测方法
CN107886168A (zh) 一种使用多层感知器神经网络进行电梯故障识别的方法
CN109887284B (zh) 一种智慧城市交通信号控制推荐方法、系统及装置
CN111127246A (zh) 一种输电线路工程造价的智能预测方法
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
CN110210169B (zh) 一种基于lstm的盾构机故障预测方法
CN111898867B (zh) 一种基于深度神经网络的飞机总装生产线产能预测方法
CN114235330B (zh) 关联风洞试验和计算数据的多源气动载荷模型构建方法
CN112765894B (zh) 一种基于k-lstm的铝电解槽状态预测方法
CN110705179A (zh) 基于融合神经网络的导水裂缝带高度精确预测方法及系统
CN115204302A (zh) 一种无人机小样本故障诊断系统及方法
CN111144001A (zh) 一种基于bp神经网络的矿山井筒工程tbm控制方法
CN113435055B (zh) 盾构刀盘扭矩领域自适应迁移预测方法和系统
CN115510950A (zh) 基于时间卷积网络的飞行器遥测数据异常检测方法及系统
CN113657814A (zh) 一种航空网络风险预测方法及风险等级评估方法
CN113431635A (zh) 半监督的盾构隧道掌子面地质类型预估方法及系统
CN108768750A (zh) 通信网络故障定位方法及装置
CN113221458B (zh) 盾构刀盘扭矩多步预测方法和系统
CN113849910B (zh) 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法
CN113989550A (zh) 基于cnn和lstm混合网络的电动汽车充电桩运行状态预测方法
CN116894180B (zh) 一种基于异构图注意力网络的产品制造质量预测方法
CN116560341A (zh) 工业机器人故障诊断模型及故障诊断方法
CN109800866B (zh) 一种基于GA-Elman神经网络的可靠性增长预测方法
CN114462453A (zh) 全断面隧道掘进机刀盘扭矩长时间预测方法及系统

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