CN114510054A - 掘进机纠偏调向控制方法、装置、电子设备及存储介质 - Google Patents
掘进机纠偏调向控制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114510054A CN114510054A CN202210147718.8A CN202210147718A CN114510054A CN 114510054 A CN114510054 A CN 114510054A CN 202210147718 A CN202210147718 A CN 202210147718A CN 114510054 A CN114510054 A CN 114510054A
- Authority
- CN
- China
- Prior art keywords
- deviation
- heading machine
- correcting
- regulating
- machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000005641 tunneling Effects 0.000 claims abstract description 131
- 238000012937 correction Methods 0.000 claims abstract description 100
- 238000012549 training Methods 0.000 claims abstract description 80
- 230000033001 locomotion Effects 0.000 claims abstract description 52
- 230000005012 migration Effects 0.000 claims abstract description 16
- 238000013508 migration Methods 0.000 claims abstract description 16
- 230000009471 action Effects 0.000 claims description 41
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000001105 regulatory effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000013526 transfer learning Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000004458 analytical method 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
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- -1 light Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G06N3/045—Combinations of 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
Abstract
本申请公开了一种掘进机纠偏调向控制方法，方法包括：获取掘进机历史掘进数据，并利用掘进机历史掘进数据训练掘进机纠偏调向参数预训练模型；利用目标掘进数据对掘进机纠偏调向参数预训练模型进行迁移学习，得到掘进机纠偏调向参数预测模型；获取当前项目的实时掘进数据，并将实时掘进数据输入掘进机纠偏调向参数预测模型，得到纠偏调向参数预测值；根据掘进机调向位姿和最大边刀移动量对纠偏调向参数预测值进行参数修正，利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制，本申请能够提高掘进机的纠偏调向控制精度和效率。本申请还公开了一种掘进机纠偏调向控制装置、一种存储介质及一种电子设备，具有以上有益效果。
Description
技术领域
本申请涉及掘进机控制技术领域，特别涉及一种掘进机纠偏调向控制方法、装置、电子设备及存储介质。
背景技术
掘进机(如全断面硬岩隧道掘进机TBM)是集机、电、液、光、气等系统于一体的大型施工装备，可用于掘进、支护、出渣等施工工序并进行连续作业，具有掘进速度快、环保、综合效益高等优点，在铁道、水电、交通、矿山、市政等隧洞工程中应用迅猛增长。
为保证隧道施工质量，掘进机需严格按照设定的目标轴线掘进。然而，在实际施工过程中，掘进机不可避免的会受到自重、地质条件、人为因素等影响，导致掘进姿态发生变化，偏离目标轴线，产生位置偏差和角度偏差，需要通过纠偏调向使其回到目标轨迹上。
现有的掘进机施工多依赖于人工操控，通过调节撑靴缸筒左右移动实现掘进机左右调向，通过调节扭矩油缸同时伸缩实现掘进机上下调向，操作精度受人员影响较大，若操作不当易造成刀盘、刀具、主驱动损坏和隧道壁不光滑等一系列问题，施工质量难以保证。
如何提高掘进机的纠偏调向控制精度和效率是本领域技术人员目前需要解决的技术问题。
发明内容
本申请的目的是提供一种掘进机纠偏调向控制方法、一种掘进机纠偏调向控制装置、一种存储介质及一种电子设备，能够提高掘进机的纠偏调向控制精度和效率。
为解决上述技术问题，本申请提供一种掘进机纠偏调向控制方法，该掘进机纠偏调向控制方法包括：
获取掘进机历史掘进数据，并利用所述掘进机历史掘进数据训练掘进机纠偏调向参数预训练模型；
获取当前项目的目标掘进数据，并利用所述目标掘进数据对所述掘进机纠偏调向参数预训练模型进行迁移学习，得到掘进机纠偏调向参数预测模型；
获取所述当前项目的实时掘进数据，并将所述实时掘进数据输入所述掘进机纠偏调向参数预测模型，得到纠偏调向参数预测值；
根据掘进机调向位姿和最大边刀移动量对所述纠偏调向参数预测值进行参数修正，利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制。
可选的，利用所述掘进机历史掘进数据训练掘进机纠偏调向参数预训练模型，包括：
对所述掘进机历史掘进数据进行数据清洗并提取特征数据；
根据所述特征数据建立特征数据组，并按照时间顺序对所述特征数据组进行排列；
基于深度学习神经网络构建所述掘进机纠偏调向参数预训练模型；其中，所述掘进机纠偏调向参数预训练模型包括输入层、LSTM层、全连接层和输出层；
利用按照时间顺序排列后的所述特征数据组训练所述掘进机纠偏调向参数预训练模型。
可选的，将所述实时掘进数据输入所述掘进机纠偏调向参数预测模型，得到纠偏调向参数预测值，包括：
将所述实时掘进数据输入所述掘进机纠偏调向参数预测模型，得到撑靴油缸动作行程预测值和扭矩油缸动作行程预测值；其中，所述纠偏调向参数预测值包括所述撑靴油缸动作行程预测值和扭矩油缸动作行程预测值。
可选的，所述根据掘进机调向位姿和最大边刀移动量对所述纠偏调向参数预测值进行参数修正，包括：
根据掘进机水平调向位姿和所述最大边刀移动量对所述撑靴油缸动作行程预测值进行修正；
根据掘进机竖直调向位姿和所述最大边刀移动量对所述扭矩油缸动作行程预测值进行修正。
可选的，根据掘进机水平调向位姿和所述最大边刀移动量对所述撑靴油缸动作行程预测值进行修正，包括：
根据所述掘进机水平调向位姿计算水平纠偏角；
根据所述最大边刀移动量计算单次调整的最大水平纠偏角；
判断所述水平纠偏角是否大于所述最大水平纠偏角；
若是，则利用所述最大水平纠偏角对所述撑靴油缸动作行程预测值进行修正。
可选的，根据掘进机竖直调向位姿和所述最大边刀移动量对所述扭矩油缸动作行程预测值进行修正，包括：
根据所述掘进机竖直调向位姿计算竖直纠偏角；
根据所述最大边刀移动量计算单次调整的最大竖直纠偏角；
判断所述竖直纠偏角是否大于所述最大竖直纠偏角；
若是，则利用所述最大竖直纠偏角对所述扭矩油缸动作行程预测值进行修正。
可选的，所述利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制，包括：
根据掘进机最小转弯半径和修正后的纠偏调向参数预测值计算水平方向推进行程和竖直方向推进行程；
根据所述水平方向推进行程和所述竖直方向推进行程确定推进总行程；
利用所述修正后的纠偏调向参数预测值和所述推进总行程进行掘进机纠偏调向控制。
本申请还提供了一种掘进机纠偏调向控制装置，该装置包括：
历史数据训练模块，用于获取掘进机历史掘进数据，并利用所述掘进机历史掘进数据训练掘进机纠偏调向参数预训练模型；
迁移学习模块，用于获取当前项目的目标掘进数据，并利用所述目标掘进数据对所述掘进机纠偏调向参数预训练模型进行迁移学习，得到掘进机纠偏调向参数预测模型；
预测值确定模块，用于获取所述当前项目的实时掘进数据，并将所述实时掘进数据输入所述掘进机纠偏调向参数预测模型，得到纠偏调向参数预测值；
纠偏控制模块，用于根据掘进机调向位姿和最大边刀移动量对所述纠偏调向参数预测值进行参数修正，利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制。
本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述掘进机纠偏调向控制方法执行的步骤。
本申请还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述掘进机纠偏调向控制方法执行的步骤。
本申请提供了一种掘进机纠偏调向控制方法，包括：获取掘进机历史掘进数据，并利用所述掘进机历史掘进数据训练掘进机纠偏调向参数预训练模型；获取当前项目的目标掘进数据，并利用所述目标掘进数据对所述掘进机纠偏调向参数预训练模型进行迁移学习，得到掘进机纠偏调向参数预测模型；获取所述当前项目的实时掘进数据，并将所述实时掘进数据输入所述掘进机纠偏调向参数预测模型，得到纠偏调向参数预测值；根据掘进机调向位姿和最大边刀移动量对所述纠偏调向参数预测值进行参数修正，利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制。
本申请利用掘进机历史掘进数据训练掘进机纠偏调向参数预训练模型，并通过迁移学习和当前项目的目标掘进数据对掘进机纠偏调向参数预训练模型进行微调，从而构建了更适用于当前新项目的掘进机纠偏调向参数预测模型。将实时掘进数据输入所述掘进机纠偏调向参数预测模型可以得到纠偏调向参数预测值，本申请利用掘进机调向位姿和最大边刀移动量对所述纠偏调向参数预测值进行参数修正，进而利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制。上述过程能够实现对掘进机的自动纠偏调整，无需人工参与，可以提高掘进机的纠偏调向控制精度和效率。本申请同时还提供了一种掘进机纠偏调向控制装置、一种存储介质和一种电子设备，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例所提供的一种掘进机纠偏调向控制方法的流程图；
图2为本申请实施例所提供的一种自动纠偏调向控制流程图；
图3为本申请实施例所提供的一种TBM纠偏调向参数预训练模型示意图；
图4为本申请实施例所提供的一种迁移学习过程示意图；
图5为本申请实施例所提供的一种水平调向姿态示意图；
图6为本申请实施例所提供的一种竖直调向姿态示意图；
图7为本申请实施例所提供的一种TBM转弯时水平方向和竖直方向的示意图；
图8为本申请实施例所提供的一种掘进机纠偏调向控制参数输入输出示意图；
图9为本申请实施例所提供的一种掘进机纠偏调向控制装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
下面请参见图1，图1为本申请实施例所提供的一种掘进机纠偏调向控制方法的流程图。
具体步骤可以包括：
S101：获取掘进机历史掘进数据，并利用所述掘进机历史掘进数据训练掘进机纠偏调向参数预训练模型；
其中，本实施例应用于掘进机控制装置，上述掘进机可以为全断面硬岩隧道掘进机(TBM，Tunnel boring machine)。本步骤可以根据掘进机运行日志获取掘进机历史掘进数据，掘进机历史掘进数据中包括历史时间段内掘进机的各项掘进参数，如为推进力、推进速度、刀盘转速、刀盘扭矩、水平偏差、垂直偏差、航向角和俯仰角等。
具体的，本实施例可以通过以下方式训练掘进机纠偏调向参数预训练模型：对所述掘进机历史掘进数据进行数据清洗并提取特征数据；根据所述特征数据建立特征数据组，并按照时间顺序对所述特征数据组进行排列；基于深度学习神经网络构建所述掘进机纠偏调向参数预训练模型；其中，所述掘进机纠偏调向参数预训练模型包括输入层、LSTM层、全连接层和输出层；利用按照时间顺序排列后的所述特征数据组训练所述掘进机纠偏调向参数预训练模型。
S102：获取当前项目的目标掘进数据，并利用所述目标掘进数据对所述掘进机纠偏调向参数预训练模型进行迁移学习，得到掘进机纠偏调向参数预测模型；
其中，在得到掘进机纠偏调向参数预训练模型之后，本实施例可以基于迁移学习建立掘进机纠偏调向参数预测模型，为了使得掘进机纠偏调向参数预测模型更适用于当前项目，本实施例利用目标掘进数据对所述掘进机纠偏调向参数预训练模型进行迁移学习，以便对掘进机纠偏调向参数预训练模型进行微调，得到掘进机纠偏调向参数预测模型。通过上述方式能够提高模型预测的精确度，还能够解决不同项目之间的模型通用性问题。
S103：获取所述当前项目的实时掘进数据，并将所述实时掘进数据输入所述掘进机纠偏调向参数预测模型，得到纠偏调向参数预测值；
其中，本步骤建立在已经得到掘进机纠偏调向参数预测模型的基础上，本步骤获取当前项目的实时掘进数据(即，当前掘进数据)，将实时掘进数据输入所述掘进机纠偏调向参数预测模型后，掘进机纠偏调向参数预测模型可以输出对应的纠偏调向参数预测值。
具体的，本实施例可以将所述实时掘进数据输入所述掘进机纠偏调向参数预测模型，得到撑靴油缸动作行程预测值和扭矩油缸动作行程预测值；上述纠偏调向参数预测值包括所述撑靴油缸动作行程预测值和扭矩油缸动作行程预测值。
S104：根据掘进机调向位姿和最大边刀移动量对所述纠偏调向参数预测值进行参数修正，利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制。
其中，为了提高控制精度，本实施例判断纠偏调向参数预测值是否需要修正；若是，则根据掘进机调向位姿和最大边刀移动量对所述纠偏调向参数预测值进行参数修正，进而利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制；若否，则利用S103计算得到的纠偏调向参数预测值进行掘进机纠偏调向控制。
具体的，本实施例利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制的过程包括：根据掘进机最小转弯半径和修正后的纠偏调向参数预测值计算水平方向推进行程和竖直方向推进行程；根据所述水平方向推进行程和所述竖直方向推进行程确定推进总行程；利用所述修正后的纠偏调向参数预测值和所述推进总行程进行掘进机纠偏调向控制。
本实施例利用掘进机历史掘进数据训练掘进机纠偏调向参数预训练模型，并通过迁移学习和当前项目的目标掘进数据对掘进机纠偏调向参数预训练模型进行微调，从而构建了更适用于当前新项目的掘进机纠偏调向参数预测模型。将实时掘进数据输入所述掘进机纠偏调向参数预测模型可以得到纠偏调向参数预测值，本实施例利用掘进机调向位姿和最大边刀移动量对所述纠偏调向参数预测值进行参数修正，进而利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制。上述过程能够实现对掘进机的自动纠偏调整，无需人工参与，可以提高掘进机的纠偏调向控制精度和效率。
作为对于图1对应实施例的进一步介绍，本实施例可以根据掘进机水平调向位姿和所述最大边刀移动量对所述撑靴油缸动作行程预测值进行修正，具体过程包括：根据所述掘进机水平调向位姿计算水平纠偏角；根据所述最大边刀移动量计算单次调整的最大水平纠偏角；判断所述水平纠偏角是否大于所述最大水平纠偏角；若是，则利用所述最大水平纠偏角对所述撑靴油缸动作行程预测值进行修正，以便利用修正后的撑靴油缸动作行程预测值进行掘进机纠偏调向控制；若否，则利用未修正的撑靴油缸动作行程预测值进行掘进机纠偏调向控制。
本实施例还可以根据掘进机竖直调向位姿和所述最大边刀移动量对所述扭矩油缸动作行程预测值进行修正，具体过程包括：根据所述掘进机竖直调向位姿计算竖直纠偏角；根据所述最大边刀移动量计算单次调整的最大竖直纠偏角；判断所述竖直纠偏角是否大于所述最大竖直纠偏角；若是，则利用所述最大竖直纠偏角对所述扭矩油缸动作行程预测值进行修正，以便利用修正后的扭矩油缸动作行程预测值进行掘进机纠偏调向控制；若否，则利用未修正的扭矩油缸动作行程预测值进行掘进机纠偏调向控制。
下面通过在实际应用中对全断面硬岩隧道掘进机TBM进行纠偏调向控制的实施例说明上述实施例描述的流程。本实施例提供一种TBM自动纠偏调向控制方案，本方案基于深度迁移学习建立TBM纠偏调向参数预测模型，模型输入为推进力、推进速度、刀盘转速、刀盘扭矩、水平偏差、垂直偏差、航向角和俯仰角等掘进参数，输出为用于控制TBM调向的撑靴油缸的动作行程预测值和扭矩油缸动作行程预测值。本方案通过分析TBM调向姿态模型并结合最大边刀移动量对调向参数预测值进行修正，进而基于最小转弯半径规划TBM纠偏轨迹，控制TBM完成自动纠偏调向。
请参见图2，图2为本申请实施例所提供的一种自动纠偏调向控制流程图，该流程包括：历史数据训练阶段、纠偏调向参数预测阶段、纠偏调向参数修正阶段和纠偏轨迹规划阶段。在历史数据训练阶段，利用TBM历史掘进数据进行深度学习神经网络训练得到TBM纠偏调向参数预训练模型。在纠偏调向参数预测阶段，获取TBM实时掘进数据，通过迁移学习构建TBM纠偏调向参数预测模型，得到纠偏调向参数预测值：撑靴油缸动作行程△L和扭矩油缸动作行程△d。在纠偏调向参数修正阶段，通过TBM调向姿态分析可以得到调向纠偏角θ和
利用组大边刀移动量约束得到纠偏调向参数修正值△L和△d。在纠偏轨迹规划阶段，基于最小转弯半径进行TBM纠偏轨迹规划得到推进行程S，根据参数修正值△L和△d控制TBM纠偏调向动作。判断步调向是否完成，若否则继续控制TBM纠偏调向动作，若是则进入纠偏调向参数预测阶段。
本实施例提出了一套完整的TBM纠偏调向自动控制方法，包括调向参数预测、调向参数预测值修正、轨迹规划等，实用性和可行性较高。基于深度迁移学习方法构建了TBM纠偏调向参数预测模型，先通过深度学习神经网络训练TBM历史掘进数据，得到TBM纠偏调向参数预训练模型，再通过迁移学习和少量新项目样本数据，对TBM纠偏调向预训练模型进行微调，从而构建了更适用于当前新项目的TBM纠偏调向参数预测模型，预测准确度更高，模型更具有针对性。本实施例通过分析TBM调向姿态和基于最大边刀移动量约束，对纠偏调向参数预测值进行了修正，保证最终的调向控制参数可靠，避免出现刀盘、主驱动损坏和洞壁不光滑等情况。本实施例纠偏轨迹规划考虑了水平和竖直方向，且满足TBM最小转弯半径并采用了分步调向方法，纠偏调向策略更符合TBM操控规律且更实用。本实施例可以包括以下步骤：
步骤1：基于深度学习神经网络构建TBM纠偏调向参数预训练模型。
(1)本步骤可以采用大数据分析方法对海量TBM历史掘进数据进行清洗，去除无效数据、无用字段、重复数据，筛选出以下特征数据：推进力F、推进速度V、刀盘转速n、刀盘扭矩T、水平偏差e1、竖直偏差e2、航向角α、俯仰角β、撑靴油缸动作行程△L、扭矩油缸动作行程△d。
(2)整理筛选后的特征数据，建立特征数据组X＝(F、V、n、T、e1、e2、α、β)T和Y＝(△L、△d)T，并按照时间顺序对特征数据组进行排列，即Xt＝(Ft、Vt、nt、Tt、e1 t、e2 t、αt、βt)T，Yt＝(△Lt、△dt)T，t为特征数据组数量，t＝1,2,3...,t。
(3)基于深度学习神经网络，设计TBM纠偏调向参数预训练模型如图3所示，TBM纠偏调向参数预训练模型包括输入层、LSTM层、全连接层和输出层。设置LSTM层的层数为m，全连接层的层数为2(层数可修改)，模型输入取：Xt、Xt-1、Xt-2、…、Xt-z；z+1为输入层节点数，TBM纠偏调向参数预训练模型的输出取：
为撑靴油缸动作行程预测值，
为扭矩油缸动作行程预测值。
(4)将特征数据组Xt＝(Ft、Vt、nt、Tt、e1 t、e2 t、αt、βt)T和Yt＝(△Lt、△dt)T，t＝1,2,3...,t，分别作为TBM纠偏调向参数预训练模型的输入样本与输出样本，对模型进行训练。则根据TBM纠偏调向参数预训练模型的网络结构可知：
1)LSTM层输出为：
以上公式中
为t时刻第m层LSTM网络的输出，Sig(x)为sigmoid激活函数，tanh(x)为Tanh激活函数。
为t-1时刻第m层cell单元的输出。
其中，Wit (m)、Wot (m)、Wct (m)、Wft (m)分别为作用在当前t时刻第m层LSTM网络输入门、输出门、Cell单元和遗忘门的权值矩阵；Uit (m)、Uot (m)、Uct (m)、Uft (m)分别代表作用在上一(t-1)时刻第m层LSTM网络输入门、输出门、Cell单元和遗忘门的权值矩阵；bit (m)、bot (m)、bct (m)、bft (m)为第m层LSTM网络输入门、输出门、Cell单元和遗忘门相应的偏置向量。
2)全连接层输出为：
g2＝tanh(W2g1+b2)。
其中，g1为全连接层第一层输出，W1和b1分别为LSTM层输出到全连接层第一层之间的权值矩阵和阈值；g2为全连接层第二层输出，W2和b2分别为全连接层第一层到第二层之间的权值矩阵和阈值。
3)模型输出层的输出为：
其中，W3和b3分别为全连接层第二层到输出层之间的权值矩阵和阈值；ReLU(x)为输出层激活函数；ReLU(x)＝max(0，x)。
4)将输入样本Xt输入到TBM纠偏调向预训练模型中，则可得模型输出为
将模型输出
与实际输出样本Yt之间的误差作为模型更新的目标函数，通过反向传播算法来更新模型的权值矩阵，即：
以上公式中E是模型更新的目标函数，J是预训练模型的总目标函数，则权值更新矩阵为：
以上公式中，η为学习率或学习算子。当ΔW≤ε，ε大于零且足够小，则停止权值矩阵更新，得到当前最优权值矩阵。
本实施例可以重复步骤4)，当t组输入输出样本均训练完毕，TBM纠偏调向参数预训练模型训练完成。
步骤2：基于迁移学习建立TBM纠偏调向参数预测模型。
(1)获取当前新项目的少量掘进数据，并整理得到输入样本Xq＝(Fq、Vq、nq、Tq、e1 q、e2 q、αq、βq)T和输出样本Yq＝(△Lq、△dq)T，q为样本数量，q＝1,2,3...,q。
(2)基于迁移学习方法，利用新项目的输入输出样本，对TBM纠偏调向参数预训练模型进行微调，即只更新训练全连接层的权值矩阵，冻结其它层，训练后所得的新模型即为适用于当前新项目的TBM纠偏调向参数预测模型。请参见图4，图4为本申请实施例所提供的一种迁移学习过程示意图。
TBM纠偏调向参数预测模型全连接层更新后的网络连接权值矩阵为：
(3)新项目TBM掘进时，将实时掘进参数X＝(F、V、n、T、e1、e2、α、β)T输入到TBM纠偏调向参数预测模型中，则可得到当前TBM纠偏调向参数预测值△L和△d。
步骤3：基于TBM调向位姿分析与最大边刀移动量修正纠偏调向参数预测值。
(1)分析TBM水平调向姿态，如图5所示的水平调向姿态示意图，则在已知预测值△L的情况下，可得对应的水平纠偏角θ为：
L为主梁长度。
(2)考虑最大边刀移动量amax的约束，则单次可调的最大水平纠偏角θmax为：
r为刀盘半径。
(3)判断θ是否大于θmax；
若θ≤θmax，则撑靴油缸动作行程即为预测值△L，水平纠偏角为△L对应的θ；若θ＞θmax，则取水平纠偏角θ＝θmax，修正撑靴油缸动作行程预测值△L，即此时：
(4)分析TBM竖直调向姿态，如图6所示的竖直调向姿态示意图可知，在已知预测值△d的情况下，可得对应的竖直纠偏角
为：
以上公式中，β为TBM当前俯仰角，d为当前俯仰角β对应的扭矩油缸已伸出行程量；
(5)考虑最大边刀移动量amax的约束，则单次可调的最大竖直纠偏角
为：
(6)判断
是否大于
若
则撑靴油缸动作行程即为预测值△d，竖直纠偏角为△d对应的
若
则取水平纠偏角
修正扭矩油缸动作行程预测值△d，即此时：
步骤4：基于最小转弯半径规划纠偏轨迹，得到调向后的推进行程S。
(1)根据TBM最小转弯半径R规划纠偏轨迹，TBM转弯时的示意图如图7所示，图7为TBM转弯时水平方向和竖直方向的示意图。B代表水平方向上轨迹规划前刀盘中心位置，A代表水平方向上轨迹规划后刀盘中心位置，D代表水平方向上纠偏前主梁末端位置，C代表水平方向上纠偏后主梁末端位置。竖直方向上同理。B’代表竖直方向上轨迹规划前刀盘中心位置，A’代表竖直方向上轨迹规划后刀盘中心位置，D’代表竖直方向上纠偏前主梁末端位置，C’代表竖直方向上纠偏后主梁末端位置。
(2)根据图7中的几何关系，可以求得TBM水平方向与竖直方向上推进行程X和Y分别为：
(3)求调向后推进行程S为：
(4)将△L、△d和S作为TBM纠偏调向控制值，以便控制TBM执行纠偏调整动作。
本实施例提出了一种TBM自动纠偏调向控制方法，减少人工操作，提高了自动化水平和施工效率。在采用深度学习神经网络构建的TBM纠偏调向参数预训练模型的基础上，又通过迁移学习方法对TBM纠偏调向参数预训练模型进行了微调，从而获得了更适用于当前新项目的TBM纠偏调向参数预测模型，进一步提高了模型预测的准确度，同时，解决了不同项目之间的模型通用性的问题。本实施例基于TBM调向姿态和最大边刀移动量对纠偏调向参数预测值进行了修正，从而保护刀盘、主驱动等不受损坏，延长了TBM使用寿命，同时，保证施工隧道洞壁光滑，提高了施工质量。本实施例在纠偏轨迹规划同时考虑了水平方向和竖直方向，且基于纠偏调向参数预测修正值和最小转弯半径规划了单次调向时TBM的掘进行程，采用分步调向方法，符合TBM纠偏调向操控规律，提高了TBM自动纠偏调向控制方法的实用性和可靠性。请参见图8，图8为本申请实施例所提供的一种掘进机纠偏调向控制参数输入输出示意图，首先基于深度迁移神经网络建立TBM纠偏调向参数预测模型，模型输入为推进力F、推进速度V、刀盘转速n、刀盘扭矩T、水平偏差、垂直偏差、航向角和俯仰角等掘进参数，输出为用于控制TBM调向的撑靴油缸的动作行程预测值和扭矩油缸动作行程预测值。上述水平偏差和垂直偏差根据目标轴线确定。通过分析TBM调向姿态模型并结合最大边刀移动量对调向参数预测值进行修正。结合预测参数修正值与最小转弯半径规划TBM纠偏轨迹，从而得到控制TBM纠偏调向的最终控制参数(即，控制值)。将最终控制参数输入TBM控制器，以便TBM纠偏调向系统调整TBM位姿。
请参见图9，图9为本申请实施例所提供的一种掘进机纠偏调向控制装置的结构示意图；
该装置可以包括：
历史数据训练模块901，用于获取掘进机历史掘进数据，并利用所述掘进机历史掘进数据训练掘进机纠偏调向参数预训练模型；
迁移学习模块902，用于获取当前项目的目标掘进数据，并利用所述目标掘进数据对所述掘进机纠偏调向参数预训练模型进行迁移学习，得到掘进机纠偏调向参数预测模型；
预测值确定模块903，用于获取所述当前项目的实时掘进数据，并将所述实时掘进数据输入所述掘进机纠偏调向参数预测模型，得到纠偏调向参数预测值；
纠偏控制模块904，用于根据掘进机调向位姿和最大边刀移动量对所述纠偏调向参数预测值进行参数修正，利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制。
本实施例利用掘进机历史掘进数据训练掘进机纠偏调向参数预训练模型，并通过迁移学习和当前项目的目标掘进数据对掘进机纠偏调向参数预训练模型进行微调，从而构建了更适用于当前新项目的掘进机纠偏调向参数预测模型。将实时掘进数据输入所述掘进机纠偏调向参数预测模型可以得到纠偏调向参数预测值，本实施例利用掘进机调向位姿和最大边刀移动量对所述纠偏调向参数预测值进行参数修正，进而利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制。上述过程能够实现对掘进机的自动纠偏调整，无需人工参与，可以提高掘进机的纠偏调向控制精度和效率。
进一步的，历史数据训练模块901用于对所述掘进机历史掘进数据进行数据清洗并提取特征数据；还用于根据所述特征数据建立特征数据组，并按照时间顺序对所述特征数据组进行排列；还用于基于深度学习神经网络构建所述掘进机纠偏调向参数预训练模型；其中，所述掘进机纠偏调向参数预训练模型包括输入层、LSTM层、全连接层和输出层；还用于利用按照时间顺序排列后的所述特征数据组训练所述掘进机纠偏调向参数预训练模型。
进一步的，预测值确定模块903用于将所述实时掘进数据输入所述掘进机纠偏调向参数预测模型，得到撑靴油缸动作行程预测值和扭矩油缸动作行程预测值；其中，所述纠偏调向参数预测值包括所述撑靴油缸动作行程预测值和扭矩油缸动作行程预测值。
进一步的，纠偏控制模块904，用于根据掘进机水平调向位姿和所述最大边刀移动量对所述撑靴油缸动作行程预测值进行修正；还用于根据掘进机竖直调向位姿和所述最大边刀移动量对所述扭矩油缸动作行程预测值进行修正。
进一步的，纠偏控制模块904，包括：
第一修正单元，用于根据所述掘进机水平调向位姿计算水平纠偏角；还用于根据所述最大边刀移动量计算单次调整的最大水平纠偏角；还用于判断所述水平纠偏角是否大于所述最大水平纠偏角；若是，则利用所述最大水平纠偏角对所述撑靴油缸动作行程预测值进行修正。
进一步的，纠偏控制模块904，包括：
第一修正单元，用于根据所述掘进机竖直调向位姿计算竖直纠偏角；还用于根据所述最大边刀移动量计算单次调整的最大竖直纠偏角；还用于判断所述竖直纠偏角是否大于所述最大竖直纠偏角；若是，则利用所述最大竖直纠偏角对所述扭矩油缸动作行程预测值进行修正。
进一步的，纠偏控制模块904，用于根据掘进机最小转弯半径和修正后的纠偏调向参数预测值计算水平方向推进行程和竖直方向推进行程；还用于根据所述水平方向推进行程和所述竖直方向推进行程确定推进总行程；还用于利用所述修正后的纠偏调向参数预测值和所述推进总行程进行掘进机纠偏调向控制。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本申请还提供了一种存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种电子设备，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述电子设备还可以包括各种网络接口，电源等组件。
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他实施例的不同之处，各个实施例之间相同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。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，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。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种掘进机纠偏调向控制方法，其特征在于，包括：
获取掘进机历史掘进数据，并利用所述掘进机历史掘进数据训练掘进机纠偏调向参数预训练模型；
获取当前项目的目标掘进数据，并利用所述目标掘进数据对所述掘进机纠偏调向参数预训练模型进行迁移学习，得到掘进机纠偏调向参数预测模型；
获取所述当前项目的实时掘进数据，并将所述实时掘进数据输入所述掘进机纠偏调向参数预测模型，得到纠偏调向参数预测值；
根据掘进机调向位姿和最大边刀移动量对所述纠偏调向参数预测值进行参数修正，利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制。
2.根据权利要求1所述掘进机纠偏调向控制方法，其特征在于，利用所述掘进机历史掘进数据训练掘进机纠偏调向参数预训练模型，包括：
对所述掘进机历史掘进数据进行数据清洗并提取特征数据；
根据所述特征数据建立特征数据组，并按照时间顺序对所述特征数据组进行排列；
基于深度学习神经网络构建所述掘进机纠偏调向参数预训练模型；其中，所述掘进机纠偏调向参数预训练模型包括输入层、LSTM层、全连接层和输出层；
利用按照时间顺序排列后的所述特征数据组训练所述掘进机纠偏调向参数预训练模型。
3.根据权利要求1所述掘进机纠偏调向控制方法，其特征在于，将所述实时掘进数据输入所述掘进机纠偏调向参数预测模型，得到纠偏调向参数预测值，包括：
将所述实时掘进数据输入所述掘进机纠偏调向参数预测模型，得到撑靴油缸动作行程预测值和扭矩油缸动作行程预测值；其中，所述纠偏调向参数预测值包括所述撑靴油缸动作行程预测值和扭矩油缸动作行程预测值。
4.根据权利要求3所述掘进机纠偏调向控制方法，其特征在于，所述根据掘进机调向位姿和最大边刀移动量对所述纠偏调向参数预测值进行参数修正，包括：
根据掘进机水平调向位姿和所述最大边刀移动量对所述撑靴油缸动作行程预测值进行修正；
根据掘进机竖直调向位姿和所述最大边刀移动量对所述扭矩油缸动作行程预测值进行修正。
5.根据权利要求4所述掘进机纠偏调向控制方法，其特征在于，根据掘进机水平调向位姿和所述最大边刀移动量对所述撑靴油缸动作行程预测值进行修正，包括：
根据所述掘进机水平调向位姿计算水平纠偏角；
根据所述最大边刀移动量计算单次调整的最大水平纠偏角；
判断所述水平纠偏角是否大于所述最大水平纠偏角；
若是，则利用所述最大水平纠偏角对所述撑靴油缸动作行程预测值进行修正。
6.根据权利要求4所述掘进机纠偏调向控制方法，其特征在于，所述根据掘进机竖直调向位姿和所述最大边刀移动量对所述扭矩油缸动作行程预测值进行修正，包括：
根据所述掘进机竖直调向位姿计算竖直纠偏角；
根据所述最大边刀移动量计算单次调整的最大竖直纠偏角；
判断所述竖直纠偏角是否大于所述最大竖直纠偏角；
若是，则利用所述最大竖直纠偏角对所述扭矩油缸动作行程预测值进行修正。
7.根据权利要求1至6任一项所述掘进机纠偏调向控制方法，其特征在于，所述利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制，包括：
根据掘进机最小转弯半径和所述修正后的纠偏调向参数预测值计算水平方向推进行程和竖直方向推进行程；
根据所述水平方向推进行程和所述竖直方向推进行程确定推进总行程；
利用所述修正后的纠偏调向参数预测值和所述推进总行程进行掘进机纠偏调向控制。
8.一种掘进机纠偏调向控制装置，其特征在于，包括：
历史数据训练模块，用于获取掘进机历史掘进数据，并利用所述掘进机历史掘进数据训练掘进机纠偏调向参数预训练模型；
迁移学习模块，用于获取当前项目的目标掘进数据，并利用所述目标掘进数据对所述掘进机纠偏调向参数预训练模型进行迁移学习，得到掘进机纠偏调向参数预测模型；
预测值确定模块，用于获取所述当前项目的实时掘进数据，并将所述实时掘进数据输入所述掘进机纠偏调向参数预测模型，得到纠偏调向参数预测值；
纠偏控制模块，用于根据掘进机调向位姿和最大边刀移动量对所述纠偏调向参数预测值进行参数修正，利用修正后的纠偏调向参数预测值进行掘进机纠偏调向控制。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1至7任一项所述掘进机纠偏调向控制方法的步骤。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至7任一项所述掘进机纠偏调向控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210147718.8A CN114510054A (zh) | 2022-02-17 | 2022-02-17 | 掘进机纠偏调向控制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210147718.8A CN114510054A (zh) | 2022-02-17 | 2022-02-17 | 掘进机纠偏调向控制方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114510054A true CN114510054A (zh) | 2022-05-17 |
Family
ID=81550899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210147718.8A Pending CN114510054A (zh) | 2022-02-17 | 2022-02-17 | 掘进机纠偏调向控制方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114510054A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115268272A (zh) * | 2022-08-11 | 2022-11-01 | 北京交通大学 | 一种基于掘进载荷预测的tbm控制参数决策方法及装置 |
-
2022
- 2022-02-17 CN CN202210147718.8A patent/CN114510054A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115268272A (zh) * | 2022-08-11 | 2022-11-01 | 北京交通大学 | 一种基于掘进载荷预测的tbm控制参数决策方法及装置 |
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 | |
| US20220011740A9 (en) | Energy consumption prediction system and method based on the decision tree for CNC lathe turning | |
| CN109472057B (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
| CN112682049B (zh) | 盾构掘进姿态的纠偏控制方法和装置 | |
| CN109933057B (zh) | 拖拉机自动驾驶系统的局部引导轨迹规划方法及装置 | |
| CN114510054A (zh) | 掘进机纠偏调向控制方法、装置、电子设备及存储介质 | |
| CN110989366B (zh) | 掘进机的控制方法、掘进机与计算机可读存储介质 | |
| CN114595898B (zh) | 一种考虑航道环境的船舶智能操纵方法 | |
| CN113282053A (zh) | 一种悬臂式掘进机自动截割控制系统 | |
| CN114527795B (zh) | 一种基于增量在线学习的飞行器智能控制方法 | |
| CN112879024A (zh) | 一种盾构姿态动态预测方法、系统及设备 | |
| CN114462149B (zh) | 一种基于预训练与增量学习的飞行器气动参数辨识方法 | |
| CN115963855A (zh) | 一种基于深度学习的无动力再入飞行器落区预示方法 | |
| CN114667852B (zh) | 一种基于深度强化学习的绿篱修剪机器人智能协同控制方法 | |
| CN113374488B (zh) | 土压平衡盾构机导向控制方法、装置及可读存储介质 | |
| CN112012758B (zh) | 盾构机推进控制系统性能优化方法 | |
| CN110543182B (zh) | 一种小型无人旋翼机自主着陆控制方法及系统 | |
| CN112668109B (zh) | 一种综采工作面截割路线模型建立方法 | |
| CN114839878A (zh) | 基于改进ppo算法的双足机器人行走稳定性优化方法 | |
| 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 | |
| CN115390452B (zh) | 一种lqr横向控制器参数在线自适应方法及系统 | |
| CN115951585B (zh) | 基于深度神经网络的高超声速飞行器再入制导方法 | |
| CN112269385B (zh) | 云端无人车动力学控制系统和方法 | |
| CN113311750B (zh) | 隧道自动掘进目标协同控制系统及方法 | |
| CN114670856B (zh) | 一种基于bp神经网络的参数自整定纵向控制方法及系统 |
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 |