CN115146677A - 基于tbm刀盘振动信号的地质判断方法、装置及终端 - Google Patents
基于tbm刀盘振动信号的地质判断方法、装置及终端 Download PDFInfo
- Publication number
- CN115146677A CN115146677A CN202210774759.XA CN202210774759A CN115146677A CN 115146677 A CN115146677 A CN 115146677A CN 202210774759 A CN202210774759 A CN 202210774759A CN 115146677 A CN115146677 A CN 115146677A
- Authority
- CN
- China
- Prior art keywords
- signal
- current
- rock mass
- geological
- vibration signal
- 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 44
- 230000005641 tunneling Effects 0.000 claims abstract description 163
- 239000011435 rock Substances 0.000 claims abstract description 88
- 230000004927 fusion Effects 0.000 claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000002790 cross-validation Methods 0.000 claims description 18
- 238000009412 basement excavation Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 206010057175 Mass conditions Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- E21D9/10—Making by using boring or cutting machines
- E21D9/11—Making by using boring or cutting machines with a rotary drilling-head cutting simultaneously the whole cross-section, i.e. full-face machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Geology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于TBM刀盘振动信号的地质判断方法、装置及终端。该方法包括:获取当前掘进时段刀盘的振动信号、扭矩信号、推力信号以及TBM刀盘空间信息;对振动信号进行傅里叶变换,得到振动信号的频谱,并提取频谱的FBank特征;对FBank特征进行异常点检测,确定当前掘进时段对应的当前掘进区域的地质均匀占比;根据当前掘进区域的地质均匀占比配置经过训练的融合模型,并将振动信号、扭矩信号和推力信号输入配置后的融合模型,得到当前掘进区域的岩体等级;基于当前掘进区域的岩体等级和TBM刀盘空间信息进行时间序列预测,得到地质判断结果。本发明通过融合模型判断当前的地质情况,然后对下一时段的地质情况进行预测,可以提前判断掘进时地质情况。
Description
技术领域
本发明涉及地质探测技术领域,尤其涉及一种基于TBM刀盘振动信号的地质判断方法、装置及终端。
背景技术
我国已是世界上隧道(洞)修建规模和难度最大的国家,在水利水电和交通工程等领域正在或即将建设一批具有“埋深大、洞线长、地质复杂、地形险峻、灾害频发”等显著特点的深长隧道。隧道掘进机(Tunnel Boring Machine,TBM)具有“掘进速度快、成洞质量高、综合经济效益高、施工安全文明”等显著优势。然而,TBM施工对不良地质的适应性较差,一旦遭遇断层破碎带、软弱地层、岩溶等不良地质,时常出现塌方、突水突泥等灾害。在隧道施工前期所作的地质勘测中,勘测点距离通常较远,不能及时判断每个掘进循环的地质情况,往往是根据人工经验进行操作。因此,极易发生TBM异常损毁的现象,进而造成工期延误、经济损失甚至人员伤亡等严重问题。
发明内容
本发明实施例提供了一种基于TBM刀盘振动信号的地质判断方法、装置及终端,以解决不能及时判断掘进时地质情况的问题。
第一方面,本发明实施例提供了一种基于TBM刀盘振动信号的地质判断方法,包括:
获取当前掘进时段刀盘的振动信号、扭矩信号、推力信号以及TBM刀盘空间信息;
对振动信号进行傅里叶变换,得到振动信号的频谱,并提取频谱的FBank特征;
对FBank特征进行异常点检测,基于检测结果确定当前掘进时段对应的当前掘进区域的地质均匀占比;
根据当前掘进区域的地质均匀占比配置经过训练的融合模型,并将振动信号、扭矩信号和推力信号输入配置后的融合模型,得到当前掘进区域的岩体等级;
基于当前掘进区域的岩体等级和TBM刀盘空间信息进行时间序列预测,得到下一掘进时段对应的下一掘进区域的岩体等级和TBM刀盘空间信息,将下一掘进区域的岩体等级和TBM刀盘空间信息作为地质判断结果;其中,下一掘进时段小于或等于当前掘进时段。
在一种可能的实现方式中,将振动信号、扭矩信号和推力信号输入配置后的融合模型,得到当前掘进区域的岩体等级包括:
将当前掘进区域中预设角度范围对应的振动信号、扭矩信号和推力信号输入配置后的融合模型,获得当前掘进区域中预设角度范围对应的岩体等级;
基于当前掘进区域中多个预设角度范围对应的岩体等级得到当前掘进区域的岩体等级。
在一种可能的实现方式中,融合模型包括振动信号的基学习器、推力信号的基学习器、扭矩信号的基学习器和与三个基学习器分别连接的元学习器;
将振动信号、扭矩信号和推力信号输入与判断结果对应的融合模型,得到当前区域的岩体等级,包括:
将振动信号、推力信号和扭矩信号分别输入对应的基学习器,并对各个基学习器进行交叉验证,得到多个交叉验证的验证结果;
将各个验证结果纵向堆叠,得到各个基学习器的预测结果;
将各个预测结果横向拼接,得到特征矩阵,并将特征矩阵输入元学习器,得到元学习器输出的当前掘进区域的岩体等级。
在一种可能的实现方式中,在将振动信号、扭矩信号和推力信号输入与判断结果对应的融合模型,得到当前掘进区域的岩体等级之前,该方法还包括:
建立初始的融合模型;
获取训练数据集;训练数据集包括多个训练样本,每个训练样本包括振动信号、推力信号和扭矩信号,每个训练样本的标签为岩体等级;
将每个训练样本输入初始的融合模型中的各个基学习器,并对各个基学习器进行交叉验证,得到多个交叉验证的验证结果;
将各个验证结果纵向堆叠,得到各个基学习器的预测结果;
将各个预测结果横向拼接,得到特征矩阵;
将特征矩阵输入初始的融合模型中的元学习器,以对元学习器进行训练。
在一种可能的实现方式中,对FBank特征进行异常点检测,基于检测结果确定当前掘进时段对应的当前掘进区域的地质均匀占比,包括:
若预设时间段内的FBank特征波动小于等于预设阈值,判定当前区域为软硬均匀地层,并确定当前掘进时段对应的当前掘进区域的地质均匀占比为零;
若预设时间段内的FBank特征波动大于预设阈值,则判定当前区域为软硬不均地层,并将波动大于预设阈值的FBank特征作为异常的FBank特征;
计算异常的FBank特征在预设时间段内的占比;
根据当前掘进区域的地质均匀占比配置经过训练的融合模型,包括:
基于当前掘进区域的地质均匀占比调整经过训练的融合模型的权重。
在一种可能的实现方式中,提取频谱的FBank特征,包括:
获取滤波器频段间隔,并基于滤波器频段间隔设置滤波器;滤波器频段间隔包括集中频段的波器频段间隔和非集中频段的波器频段间隔;
通过各滤波器提取频谱的FBank特征;
相应的,在提取频谱的FBank特征之前,该方法还包括:
分析刀盘的历史振动频率,确定历史振动频率的集中频段和非集中频段;
基于网格搜索和随机森林算法确定集中频段的滤波器间隔和非集中频段的滤波器间隔。
第二方面,本发明实施例提供了一种基于TBM刀盘振动信号的地质判断装置,包括:
获取模块,用于获取当前掘进时段刀盘的振动信号、扭矩信号、推力信号以及TBM刀盘空间信息;
特征提取模块,用于对振动信号进行傅里叶变换,得到振动信号的频谱,并提取频谱的FBank特征;
异常检测模块,用于对FBank特征进行异常点检测,基于检测结果确定当前掘进时段对应的当前掘进区域的地质均匀占比;
岩体判断模块,用于根据当前掘进区域的地质均匀占比配置经过训练的融合模型,并将振动信号、扭矩信号和推力信号输入配置后的融合模型,得到当前掘进区域的岩体等级;
岩体预测模块,用于基于当前掘进区域的岩体等级和TBM刀盘空间信息进行时间序列预测,得到下一掘进时段对应的下一掘进区域的岩体等级和TBM刀盘空间信息,将下一掘进区域的岩体等级和TBM刀盘空间信息作为地质判断结果;其中,下一掘进时段小于或等于当前掘进时段。
第三方面,本发明实施例提供了一种终端,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式方法的步骤。
本发明实施例提供一种基于TBM刀盘振动信号的地质判断方法,包括:获取当前掘进时段刀盘的振动信号、扭矩信号、推力信号以及TBM刀盘空间信息;对振动信号进行傅里叶变换,得到振动信号的频谱,并提取频谱的FBank特征;对FBank特征进行异常点检测,基于检测结果确定当前掘进时段对应的当前掘进区域的地质均匀占比;根据当前掘进区域的地质均匀占比配置经过训练的融合模型,并将振动信号、扭矩信号和推力信号输入配置后的融合模型,得到当前掘进区域的岩体等级;基于当前掘进区域的岩体等级和TBM刀盘空间信息进行时间序列预测,得到下一掘进时段对应的下一掘进区域的岩体等级和TBM刀盘空间信息,将下一掘进区域的岩体等级和TBM刀盘空间信息作为地质判断结果;其中,下一掘进时段小于或等于当前掘进时段。本发明通过当前掘进时段刀盘的振动信号、扭矩信号、推力信号和融合模型判断当前的地质情况,然后对下一时段的地质情况进行预测,可以提前判断掘进时地质情况。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于TBM刀盘振动信号的地质判断方法的实现流程图;
图2是本发明实施例提供的基于TBM刀盘振动信号的地质判断装置的结构示意图;
图3是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的基于TBM刀盘振动信号的地质判断方法的实现流程图,详述如下:
步骤101,获取当前掘进时段刀盘的振动信号、扭矩信号、推力信号以及TBM刀盘空间信息。
在本实施例中,当前掘进时段可以包括一个或多个掘进循环,可以通过滑动采样窗口实时获取当前掘进时段中的刀盘的振动信号、扭矩信号、推力信号。TBM刀盘空间信息可以通过TBM掘进机的掘进里程确定,空间信息用于表示岩体的位置。
为获取刀盘的振动信号、扭矩信号、推力信号,可以提前在刀盘上设置振动传感器、陀螺仪以及相应的数据传输模块,其中振动传感器可以采集刀盘的振动信号,陀螺仪可以采集刀盘的扭矩信号,刀盘的推力信号由TBM自带的推力检测传感器获取,数据传输模块可以将刀盘的振动信号和扭矩信号传输至数据分析模块,以使数据分析模块基于刀盘的振动信号、扭矩信号、推力信号进行后续处理分析。其中,可以在TBM掘进机的刀盘外围设置若干振动传感器,将各振动传感器均匀设置在刀盘表面,也可以将振动传感器设置在刀盘半径的一半处、滚刀的正上方,以精确感知滚刀的激振信号,数据分析模块可以设置在TBM掘进机的操作区。
步骤102,对振动信号进行傅里叶变换,得到振动信号的频谱,并提取频谱的FBank特征。
在本实施例中,可以通过梅尔滤波器对频谱进行平滑化,并消除谐波作用,突显共峰值,提取FBank特征。
步骤103,对FBank特征进行异常点检测,基于检测结果确定当前掘进时段对应的当前掘进区域的地质均匀占比。
在本实施例中,异常点检测分析的对象是振动信号的的Fbank特征值,时间长度为刀盘转动一圈,如果以圈内某个地方的Fbank特征值与其他地方相比有很大差异,则说明当前掘进区域的地质为软硬不均地层,并且根据异常点所占比例可以计算出当前掘进区域的软硬不均程度,即地质均匀占比。
步骤104,根据当前掘进区域的地质均匀占比配置经过训练的融合模型,并将振动信号、扭矩信号和推力信号输入配置后的融合模型,得到当前掘进区域的岩体等级。
在本实施例中,当前掘进区域的地质均匀占比可以在一定程度上体现当前掘进区域中岩体等级的高低分布情况,基于地质均匀占比设置融合模型中对扭矩信号、推力信号、振动信号分析时的权重,可以提高分析结果的准确度。
步骤105,基于当前掘进区域的岩体等级和TBM刀盘空间信息进行时间序列预测,得到下一掘进时段对应的下一掘进区域的岩体等级和TBM刀盘空间信息,将下一掘进区域的岩体等级和TBM刀盘空间信息作为地质判断结果;其中,下一掘进时段小于或等于当前掘进时段。
在本实施例中,时间序列预测基于时间序列预测模型实现,时间序列预测模型可以是长短期记忆网络(LSTM,Long Short-Term Memory)模型。时间序列预测的具体过程为:从掘进方向上,按照时间先后将每个掘进循环段内的三种信号输入时间序列预测模型,从而得到时间序列预测模型输出的下一掘进区域的岩体等级。例如:按照掘进方向空间信息,将五十个掘进循环中的振动信号、扭矩信号和推力信号特征提取出来,作为输入数据,预测下一个掘进循环中区域的岩体等级,最终确定下一个掘进循环中各角度范围区域的软弱围岩的空间位置,进而实现预测掌子面前方岩体状况。其中,本实施例中的五十个掘进循环为当前掘进时段,下一个掘进循环为下一掘进时段,下一掘进时段小于或等于当前掘进时段,可以使预测结果更加准确。
本发明实施例通过当前掘进时段刀盘的振动信号、扭矩信号、推力信号和融合模型判断当前的地质情况,然后对下一时段的地质情况进行预测,可以提前判断掘进时地质情况。
本发明通过设置在TBM掘进机刀盘处的振动传感器,有效识别刀盘自身的振动,振动传感器占据空间小,结构简单,容易实现,通过数据处理模块不但可以反演出TBM掘进机已掘进的历史地质信息,还可以预测将要掘进处的地质信息,提高工程的施工效率。
在一种可能的实现方式中,将振动信号、扭矩信号和推力信号输入配置后的融合模型,得到当前掘进区域的岩体等级包括:
将当前掘进区域中预设角度范围对应的振动信号、扭矩信号和推力信号输入配置后的融合模型,获得当前掘进区域中预设角度范围对应的岩体等级;
基于当前掘进区域中多个预设角度范围对应的岩体等级得到当前掘进区域的岩体等级。
在本实施例中,陀螺仪还可以采集刀盘的实时转动角度,其中刀盘的实时转动角度属于刀盘的空间信息,刀盘的振动信号、扭矩信号和推力信号属于刀盘的时间信号。在采集到刀盘的振动信号、扭矩信号和推力信号,应将这些时域信号添加空间信息,并通过空间信息中的刀盘的实时转动角度对时域信号进行筛选,得到刀盘的转动角度处于预设角度范围时,对应的振动信号、扭矩信号和推力信号。将筛选出的振动信号、扭矩信号和推力信号输入融合模型,则可以得到当前掘进区域中对应预设角度范围区域的岩体等级。
例如,可以基于陀螺仪及TBM掘进里程提供的空间信息,利用滑动采样窗口将一个掘进循环内刀盘转过的360°,添加上空间信息,包括:刀盘的方位角(0°—360°)以及掘进里程,详细将方位角划分为36份,然后分别添加到刀盘的振动信号、扭矩信号和推力信号,从而得到刀盘转过0°—10°、10°—20°…350°—360°时的振动信号、扭矩信号和推力信号。接着,将预设角度范围分别设为0°—10°、10°—20°…350°—360°,并对应将刀盘转过0°—10°、10°—20°…350°—360°时的振动信号、扭矩信号和推力信号输入融合模型,就可以得到刀盘转过0°—10°、10°—20°…350°—360°时的岩体等级。基于刀盘转过0°—10°、10°—20°…350°—360°时的岩体等级,就可确定当前掘进区域中各分区的岩体等级。
在此实施例的基础上,时间序列预测的具体过程为:从掘进方向上,按照时间先后将每个掘进循环段内对应预设角度范围的三种信号输入时间序列预测模型。例如:预设角度范围为0°—10°,则按照掘进方向空间信息,将五十个掘进循环中刀盘旋转角度在0°—10°范围内的振动信号、扭矩信号和推力信号特征提取出来,作为输入数据,基于时间序列预测方法和长短期记忆网络(LSTM,Long Short-Term Memory)模型,预测下一个掘进循环中刀盘旋转角度在0°—10°范围内区域的岩体等级,最终确定下一个掘进循环中各角度范围区域的软弱围岩的空间位置,进而实现预测掌子面前方岩体状况。
在一种可能的实现方式中,融合模型包括振动信号的基学习器、推力信号的基学习器、扭矩信号的基学习器和与三个基学习器分别连接的元学习器;
将振动信号、扭矩信号和推力信号输入与判断结果对应的融合模型,得到当前区域的岩体等级,包括:
将振动信号、推力信号和扭矩信号分别输入对应的基学习器,并对各个基学习器进行交叉验证,得到多个交叉验证的验证结果;
将各个验证结果纵向堆叠,得到各个基学习器的预测结果;
将各个预测结果横向拼接,得到特征矩阵,并将特征矩阵输入元学习器,得到元学习器输出的当前掘进区域的岩体等级。
在本实施例中,融合模型内部包括针对三种信号的基学习器,每种信号的基学习器为三个,分别为卷积神经网络(Convolutional Neural Network,CNN)、LSTM、轻量梯度提升机(Light Gradient Boosting Machines,LGBM)。其中,振动信号的三个基学习器,输入特征为当前小范围振动时间序列的20组FBank频域特征以及最大值、最小值、峰峰值、均值、方差、均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子;推力信号的三个基学习器,输入特征为当前小范围推力时间序列的最大值、最小值、峰峰值、均值、方差、均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子;扭矩信号的三个基学习器,输入特征为当前小范围扭矩时间序列的最大值、最小值、峰峰值、均值、方差、均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子。每个基学习器输出对应的预测结果后,对各基学习器的输出数据进行横向拼接作为元学习器的输入数据,元学习器的输出数据为岩体等级。在一种可能的实现方式中,在将振动信号、扭矩信号和推力信号输入与判断结果对应的融合模型,得到当前掘进区域的岩体等级之前,该方法还包括:
建立初始的融合模型;
获取训练数据集;训练数据集包括多个训练样本,每个训练样本包括振动信号、推力信号和扭矩信号,每个训练样本的标签为岩体等级;
将每个训练样本输入初始的融合模型中的各个基学习器,并对各个基学习器进行交叉验证,得到多个交叉验证的验证结果;
将各个验证结果纵向堆叠,得到各个基学习器的预测结果;
将各个预测结果横向拼接,得到特征矩阵;
将特征矩阵输入初始的融合模型中的元学习器,以对元学习器进行训练。
在本实施例中,对融合模型进行训练的具体步骤为:首先将处理过的振动、推力及扭矩信号分割为训练集、测试集,其中训练集上的样本记为Mtrain,测试集上的样本量记为Mtest,接着将训练集输入各基学习器,分别在每个基学习器上进行交叉验证,在每个基学习器上,将所有交叉验证的验证结果纵向堆叠形成预测结果,将所有基学习器的预测结果横向拼接,形成特征矩阵,将特征矩阵放入元学习器进行训练,最终获取对应个三种信号的三类基学习器,以及对应各种均匀分布地层、软硬不均地层的元学习器的权重。下一步将测试集输入各基学习器,分别在每个基学习器上预测出相应结果,将所有基学习器的预测结果横向拼接为特征矩阵,将新特征矩阵放入元学习器进行预测。
本实施例中,训练集中的样本还可以包括不同地质均匀占比的掘进区域中,刀盘的振动、推力及扭矩信号。使用此训练集对融合模型进行训练后,可以得到多个地质均匀占比与融合模型中元学习器权重的对应关系。相应的在使用融合模型时,可以根据检测出的地质均匀占比调整融合模型中元学习器的权重。
在一种可能的实现方式中,对FBank特征进行异常点检测,基于检测结果确定当前掘进时段对应的当前掘进区域的地质均匀占比,包括:
若预设时间段内的FBank特征波动小于等于预设阈值,判定当前区域为软硬均匀地层,并确定当前掘进时段对应的当前掘进区域的地质均匀占比为零;
若预设时间段内的FBank特征波动大于预设阈值,则判定当前区域为软硬不均地层,并将波动大于预设阈值的FBank特征作为异常的FBank特征;
计算异常的FBank特征在预设时间段内的占比;
根据当前掘进区域的地质均匀占比配置经过训练的融合模型,包括:
基于当前掘进区域的地质均匀占比调整经过训练的融合模型的权重。
在本实施例中,如果某个FBank特征值与其他FBank特征值相比有很大差异,则说明在该FBank特征值对应的岩体等级与其他岩体等级有较大差异,即该FBank特征值体现当前掘进区域中存在软硬不均的区域。
在一种可能的实现方式中,提取频谱的FBank特征,包括:
获取滤波器频段间隔,并基于滤波器频段间隔设置滤波器;滤波器频段间隔包括集中频段的波器频段间隔和非集中频段的波器频段间隔;
通过各滤波器提取频谱的FBank特征;
相应的,在提取频谱的FBank特征之前,该方法还包括:
分析刀盘的历史振动频率,确定历史振动频率的集中频段和非集中频段;
基于网格搜索和随机森林算法确定集中频段的滤波器间隔和非集中频段的滤波器间隔。
在本实施例中,经过分析,刀盘振动的主频集中在1-30Hz及50-70Hz,可见这两段对预测的重要性较高,其余频段为非集中频段。因此对集中频段内的滤波器组加密,加密间隔从1、2、3、4、5Hz中选择,其余频段的滤波器为非加密区,滤波器间隔从5、10、15Hz中选择。最后通过网格搜索在随机森林算法上对各滤波器间隔进行测试,最终确定加密区间隔为3Hz,非加密区间隔为15Hz。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的基于TBM刀盘振动信号的地质判断装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图2所示,基于TBM刀盘振动信号的地质判断装置2包括:
获取模块21,用于获取当前掘进时段刀盘的振动信号、扭矩信号、推力信号以及TBM刀盘空间信息;
特征提取模块22,用于对振动信号进行傅里叶变换,得到振动信号的频谱,并提取频谱的FBank特征;
异常检测模块23,用于对FBank特征进行异常点检测,基于检测结果确定当前掘进时段对应的当前掘进区域的地质均匀占比;
岩体判断模块24,用于根据当前掘进区域的地质均匀占比配置经过训练的融合模型,并将振动信号、扭矩信号和推力信号输入配置后的融合模型,得到当前掘进区域的岩体等级;
岩体预测模块25,用于基于当前掘进区域的岩体等级和TBM刀盘空间信息进行时间序列预测,得到下一掘进时段对应的下一掘进区域的岩体等级和TBM刀盘空间信息,将下一掘进区域的岩体等级和TBM刀盘空间信息作为地质判断结果;其中,下一掘进时段小于或等于当前掘进时段。
在一种可能的实现方式中,岩体判断模块24具体用于:
将当前掘进区域中预设角度范围对应的振动信号、扭矩信号和推力信号输入配置后的融合模型,获得当前掘进区域中预设角度范围对应的岩体等级;
基于当前掘进区域中多个预设角度范围对应的岩体等级得到当前掘进区域的岩体等级。
在一种可能的实现方式中,融合模型包括振动信号的基学习器、推力信号的基学习器、扭矩信号的基学习器和与三个基学习器分别连接的元学习器;
岩体判断模块24具体用于:
将振动信号、推力信号和扭矩信号分别输入对应的基学习器,并对各个基学习器进行交叉验证,得到多个交叉验证的验证结果;
将各个验证结果纵向堆叠,得到各个基学习器的预测结果;
将各个预测结果横向拼接,得到特征矩阵,并将特征矩阵输入元学习器,得到元学习器输出的当前掘进区域的岩体等级。
在一种可能的实现方式中,基于TBM刀盘振动信号的地质判断装置2还包括:
模型训练模块,用于在将振动信号、扭矩信号和推力信号输入与判断结果对应的融合模型,得到当前掘进区域的岩体等级之前,建立初始的融合模型;
获取训练数据集;训练数据集包括多个训练样本,每个训练样本包括振动信号、推力信号和扭矩信号,每个训练样本的标签为岩体等级;
将每个训练样本输入初始的融合模型中的各个基学习器,并对各个基学习器进行交叉验证,得到多个交叉验证的验证结果;
将各个验证结果纵向堆叠,得到各个基学习器的预测结果;
将各个预测结果横向拼接,得到特征矩阵;
将特征矩阵输入初始的融合模型中的元学习器,以对元学习器进行训练。
在一种可能的实现方式中,异常检测模块23具体用于:
若预设时间段内的FBank特征波动小于等于预设阈值,判定当前区域为软硬均匀地层,并确定当前掘进时段对应的当前掘进区域的地质均匀占比为零;
若预设时间段内的FBank特征波动大于预设阈值,则判定当前区域为软硬不均地层,并将波动大于预设阈值的FBank特征作为异常的FBank特征;
计算异常的FBank特征在预设时间段内的占比;
根据当前掘进区域的地质均匀占比配置经过训练的融合模型,包括:
基于当前掘进区域的地质均匀占比调整经过训练的融合模型的权重。
在一种可能的实现方式中,特征提取模块22具体用于:
获取滤波器频段间隔,并基于滤波器频段间隔设置滤波器;滤波器频段间隔包括集中频段的波器频段间隔和非集中频段的波器频段间隔;
通过各滤波器提取频谱的FBank特征;
相应的,在提取频谱的FBank特征之前,该方法还包括:
分析刀盘的历史振动频率,确定历史振动频率的集中频段和非集中频段;
基于网格搜索和随机森林算法确定集中频段的滤波器间隔和非集中频段的滤波器间隔。
图3是本发明实施例提供的终端的示意图。如图3所示,该实施例的终端3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个基于TBM刀盘振动信号的地质判断方法实施例中的步骤,例如图2所示的步骤101至步骤105。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块的功能,例如图2所示模块21至25的功能。
示例性的,所述计算机程序32可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器31中,并由所述处理器30执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序32在所述终端3中的执行过程。例如,所述计算机程序32可以被分割成图2所示的模块21至25。
所述终端3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端3可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是终端3的示例,并不构成对终端3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端3的内部存储单元,例如终端3的硬盘或内存。所述存储器31也可以是所述终端3的外部存储设备,例如所述终端3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述终端3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个基于TBM刀盘振动信号的地质判断方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于TBM刀盘振动信号的地质判断方法,其特征在于,包括:
获取当前掘进时段刀盘的振动信号、扭矩信号、推力信号以及TBM刀盘空间信息;
对所述振动信号进行傅里叶变换,得到所述振动信号的频谱,并提取所述频谱的FBank特征;
对所述FBank特征进行异常点检测,基于检测结果确定当前掘进时段对应的当前掘进区域的地质均匀占比;
根据当前掘进区域的地质均匀占比配置经过训练的融合模型,并将所述振动信号、所述扭矩信号和所述推力信号输入配置后的融合模型,得到当前掘进区域的岩体等级;
基于当前掘进区域的岩体等级和TBM刀盘空间信息进行时间序列预测,得到下一掘进时段对应的下一掘进区域的岩体等级和TBM刀盘空间信息,将下一掘进区域的岩体等级和TBM刀盘空间信息作为地质判断结果;其中,下一掘进时段小于或等于当前掘进时段。
2.根据权利要求1所述的基于TBM刀盘振动信号的地质判断方法,其特征在于,将所述振动信号、所述扭矩信号和所述推力信号输入配置后的融合模型,得到当前掘进区域的岩体等级包括:
将当前掘进区域中预设角度范围对应的振动信号、扭矩信号和推力信号输入配置后的融合模型,获得当前掘进区域中预设角度范围对应的岩体等级;
基于当前掘进区域中多个预设角度范围对应的岩体等级得到当前掘进区域的岩体等级。
3.根据权利要求1所述的基于TBM刀盘振动信号的地质判断方法,其特征在于,所述融合模型包括振动信号的基学习器、推力信号的基学习器、扭矩信号的基学习器和与三个基学习器分别连接的元学习器;
所述将所述振动信号、所述扭矩信号和所述推力信号输入与判断结果对应的融合模型,得到当前区域的岩体等级,包括:
将所述振动信号、所述推力信号和所述扭矩信号分别输入对应的基学习器,并对各个基学习器进行交叉验证,得到多个交叉验证的验证结果;
将各个验证结果纵向堆叠,得到各个基学习器的预测结果;
将各个预测结果横向拼接,得到特征矩阵,并将所述特征矩阵输入所述元学习器,得到所述元学习器输出的当前掘进区域的岩体等级。
4.根据权利要求3所述的基于TBM刀盘振动信号的地质判断方法,其特征在于,在所述将所述振动信号、所述扭矩信号和所述推力信号输入与判断结果对应的融合模型,得到当前掘进区域的岩体等级之前,所述方法还包括:
建立初始的融合模型;
获取训练数据集;所述训练数据集包括多个训练样本,每个训练样本包括振动信号、推力信号和扭矩信号,每个训练样本的标签为岩体等级;
将每个训练样本输入所述初始的融合模型中的各个基学习器,并对各个基学习器进行交叉验证,得到多个交叉验证的验证结果;
将各个验证结果纵向堆叠,得到各个基学习器的预测结果;
将各个预测结果横向拼接,得到特征矩阵;
将所述特征矩阵输入所述初始的融合模型中的元学习器,以对所述元学习器进行训练。
5.根据权利要求1所述的基于TBM刀盘振动信号的地质判断方法,其特征在于,所述对所述FBank特征进行异常点检测,基于检测结果确定当前掘进时段对应的当前掘进区域的地质均匀占比,包括:
若预设时间段内的FBank特征波动小于等于预设阈值,判定当前区域为软硬均匀地层,并确定当前掘进时段对应的当前掘进区域的地质均匀占比为零;
若预设时间段内的FBank特征波动大于预设阈值,则判定当前区域为软硬不均地层,并将波动大于预设阈值的FBank特征作为异常的FBank特征;
计算异常的FBank特征在所述预设时间段内的占比;
所述根据当前掘进区域的地质均匀占比配置经过训练的融合模型,包括:
基于当前掘进区域的地质均匀占比调整经过训练的融合模型的权重。
6.根据权利要求1所述的基于TBM刀盘振动信号的地质判断方法,其特征在于,所述提取所述频谱的FBank特征,包括:
获取滤波器频段间隔,并基于所述滤波器频段间隔设置滤波器;所述滤波器频段间隔包括集中频段的波器频段间隔和非集中频段的波器频段间隔;
通过各滤波器提取所述频谱的FBank特征;
相应的,在所述提取所述频谱的FBank特征之前,所述方法还包括:
分析刀盘的历史振动频率,确定所述历史振动频率的集中频段和非集中频段;
基于网格搜索和随机森林算法确定所述集中频段的滤波器间隔和所述非集中频段的滤波器间隔。
7.一种基于TBM刀盘振动信号的地质判断装置,其特征在于,包括:
获取模块,用于获取当前掘进时段刀盘的振动信号、扭矩信号、推力信号以及TBM刀盘空间信息;
特征提取模块,用于对所述振动信号进行傅里叶变换,得到所述振动信号的频谱,并提取所述频谱的FBank特征;
异常检测模块,用于对所述FBank特征进行异常点检测,基于检测结果确定当前掘进时段对应的当前掘进区域的地质均匀占比;
岩体判断模块,用于根据当前掘进区域的地质均匀占比配置经过训练的融合模型,并将所述振动信号、所述扭矩信号和所述推力信号输入配置后的融合模型,得到当前掘进区域的岩体等级;
岩体预测模块,用于基于当前掘进区域的岩体等级和TBM刀盘空间信息进行时间序列预测,得到下一掘进时段对应的下一掘进区域的岩体等级和TBM刀盘空间信息,将下一掘进区域的岩体等级和TBM刀盘空间信息作为地质判断结果;其中,下一掘进时段小于或等于当前掘进时段。
8.根据权利要求7所述的基于TBM刀盘振动信号的地质判断装置,其特征在于,所述岩体判断模块具体用于:
将当前掘进区域中预设角度范围对应的振动信号、扭矩信号和推力信号输入配置后的融合模型,获得当前掘进区域中预设角度范围对应的岩体等级;
基于当前掘进区域中多个预设角度范围对应的岩体等级得到当前掘进区域的岩体等级。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述基于TBM刀盘振动信号的地质判断方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述基于TBM刀盘振动信号的地质判断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210774759.XA CN115146677A (zh) | 2022-07-01 | 2022-07-01 | 基于tbm刀盘振动信号的地质判断方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210774759.XA CN115146677A (zh) | 2022-07-01 | 2022-07-01 | 基于tbm刀盘振动信号的地质判断方法、装置及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115146677A true CN115146677A (zh) | 2022-10-04 |
Family
ID=83410870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210774759.XA Pending CN115146677A (zh) | 2022-07-01 | 2022-07-01 | 基于tbm刀盘振动信号的地质判断方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146677A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117577214A (zh) * | 2023-05-19 | 2024-02-20 | 广东工业大学 | 一种基于堆叠学习算法的化合物血脑屏障渗透性预测方法 |
-
2022
- 2022-07-01 CN CN202210774759.XA patent/CN115146677A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117577214A (zh) * | 2023-05-19 | 2024-02-20 | 广东工业大学 | 一种基于堆叠学习算法的化合物血脑屏障渗透性预测方法 |
CN117577214B (zh) * | 2023-05-19 | 2024-04-12 | 广东工业大学 | 一种基于堆叠学习算法的化合物血脑屏障渗透性预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109895B (zh) | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 | |
US20230144184A1 (en) | Advanced geological prediction method and system based on perception while drilling | |
CN103233741B (zh) | 定量化评价超大型地下洞室群施工期围岩稳定性的方法 | |
CN108122066B (zh) | 储层岩性的确定方法和装置 | |
CN109740119B (zh) | 一种tbm掘进隧洞围岩单轴抗压强度快速估算方法 | |
CN107642347A (zh) | 页岩气压裂井下事故预测预警方法及装置 | |
CN115146677A (zh) | 基于tbm刀盘振动信号的地质判断方法、装置及终端 | |
CN109543352A (zh) | 页岩断裂韧性预测方法、装置及电子设备 | |
CN113050189B (zh) | 一种测井曲线的重构方法、装置、设备及存储介质 | |
CN114066084B (zh) | 一种基于机器学习的相渗曲线预测方法及系统 | |
CN114117654A (zh) | 一种基于机器学习的水平井射孔优化设计方法及装置 | |
CN109543268A (zh) | 基于kriging模型的TBM推进力主要影响因素的识别方法 | |
CN105064987A (zh) | 利用随钻录井q参数进行水层识别的解释评价方法 | |
CN111155980B (zh) | 一种水流优势通道识别方法及装置 | |
CN115239108B (zh) | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 | |
CN115522912A (zh) | 基于大数据的电缆吸附卡风险定量评价方法、系统及介质 | |
CN115142865A (zh) | 一种风化花岗岩地层tbm刀盘卡机预测方法及系统 | |
Kluckner et al. | Estimation of the in situ block size in jointed rock masses using three-dimensional block simulations and discontinuity measurements | |
JP2020041405A (ja) | 凍結地盤の評価方法、及び凍結地盤の評価装置 | |
CN116010789B (zh) | 一种碳酸盐岩储层类型识别方法、装置、设备及应用 | |
Wang et al. | Grouped machine learning methods for predicting rock mass parameters in a tunnel boring machine‐driven tunnel based on fuzzy C‐means clustering | |
CN117371111B (zh) | 基于深度神经网络和数值仿真的tbm卡机预测系统及方法 | |
CN117703403A (zh) | 一种围岩物性预测方法、系统、存储介质及设备 | |
CN113311426A (zh) | 一种用于确定滑坡发生概率的方法及系统 | |
CN112699788A (zh) | 一种微地震p波极性识别方法、装置、存储介质及设备 |
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 |