CN116050285B - 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 - Google Patents
泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 Download PDFInfo
- Publication number
- CN116050285B CN116050285B CN202310316411.0A CN202310316411A CN116050285B CN 116050285 B CN116050285 B CN 116050285B CN 202310316411 A CN202310316411 A CN 202310316411A CN 116050285 B CN116050285 B CN 116050285B
- Authority
- CN
- China
- Prior art keywords
- model
- parameters
- neural network
- parameter
- artificial neural
- 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
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种泥水平衡盾构机盾尾密封油脂消耗预测方法及系统,该方法包括:对盾构掘进产生的参数大数据进行预处理并初次筛选影响盾构机油脂消耗的参数;对初次选择参数进行斯皮尔曼相关性分析并二次筛选研究参数数据;在对研究参数进行归一化及时间序列化处理后,将其划为训练集和测试集;建立人工神经网络模型;将训练集作为人工神经网络的输入,对所述神经网络进行训练得到最优超参数模型;采用所述测试集对训练后的最优超参数模型进行验证,输出预测的消耗油脂量。本发明能够根据各个时刻获取的输入变量预测盾构机的盾尾密封油脂消耗趋势及消耗量,降低盾尾密封失效发生的风险,助力于节约盾构施工成本。
Description
技术领域
本发明涉及盾构机施工预测技术领域,尤其涉及一种泥水平衡盾构机盾尾密封油脂消耗预测方法及系统。
背景技术
随着中国盾构施工技术的发展、成熟,盾构法在修建地铁、水下隧道等工程中应用越来越受重视和青睐。特别是盾构施工对周围环境影响小,施工安全、快速,在复杂地质情况、高地下水位等情况下,更具有明显的优越性。然而盾构项目修建成本较高,对施工成本进行科学和精确的管理势在必行。其中,材料消耗费用占据较大比重。对工程材料消耗量进行准确预测估算有助于控制其投入,进而合理节约工程材料成本消耗。在盾构施工过程中,盾尾密封油脂是主要消耗性材料之一,并且在不同地质条件下施工时,对应的盾尾密封油脂消耗量变化较大。此外,盾尾密封油脂作为盾尾密封系统的重要组成部分,起到保护盾尾密封结构、阻隔地下水和同步注浆浆液等作用,对保障盾尾密封安全、盾构顺利掘进具有关键性作用。
目前的预测技术中,存在通过对盾构机掘进部分区间参数进行预测并得到具有一定预测功能的线性拟合模型、BP反向传播神经网络模型等等,也存在结合GA遗传算法、AFSA鱼群算法的BP神经网络模型,但是仅限于替代神经网络中优化器的作用,对于神经网络算法的超参数只采取经验公式、采用网格搜索法进行取值,导致模型训练前存在注定不是最优预测模型的情况,并且具有较大随机性。因此,对盾尾密封油脂消耗神经网络预测模型结合优化算法进行超参数优化是得到更加精确、性能更加优越的神经网络模型的一种切实可行的方法。
发明内容
发明目的:针对现有技术的上述缺陷或改进需求,本发明提出一种泥水平衡盾构机盾尾密封油脂消耗预测方法,并进一步提出一种可执行上述预测方法的系统,通过IPSO对传统ANN神经网络模型超参数进行优化,建立在最优超参数下的神经网络模型用于表征给定的输入参数与盾尾密封油脂消耗输出变量的对应关系,从而能够根据各个时刻获取的输入变量预测盾构机的盾尾密封油脂消耗趋势及消耗量,从而帮助控制盾尾密封油脂投入,降低盾尾密封失效发生的风险,助力于节约盾构施工成本。
为实现上述目的,第一方面,提出的一种泥水平衡盾构机盾尾密封油脂消耗预测方法,包括大数据筛选预处理阶段、模型超参数择优及训练阶段和盾尾密封油脂消耗预测阶段。
S1、筛选预处理阶段:经过盾构施工经验初次筛选及特征分析二次筛选确定影响盾构机油脂消耗的具体参数,对所述参数进行标准化及时间序列化处理之后,对其打乱划分为训练集和测试集。
S2、模型超参数择优阶段:建立用于盾尾油脂消耗预测的改进粒子群算法优化人工神经网络超参数模型,确定部分初始参数,以所述训练集作为所述模型的输入,对所述模型进行训练。
S3、预测阶段:采用所述测试集对训练得到的最优超参数化的神经网络模型进行验证,输出预测的盾尾消耗油脂量及精度。
在第一方面进一步的实施例中,所述初次筛选用于将结合盾构掘进施工经验所有影响盾构机盾尾油脂消耗的参数筛选出来,得到第一参数集合;
所述二次筛选采用斯皮尔曼相关系数对所述第一参数集合进一步特征提取、筛选降维,剔除相关性系数低于0.1的参数,即剔除不具线性相关度的参数,得到第二参数集合。
在第一方面进一步的实施例中,所述二次筛选还包括:
对初次筛选得到的第一参数集合进行相关系数计算并绘制相关系数热力图;
根据相关系数,筛选得到与盾尾油脂总量相关度参数高于0.1的若干个参数。
在第一方面进一步的实施例中,泥水平衡盾构机盾尾密封油脂消耗预测方法还包括将所述第二参数集合进行时间序列化操作并分为训练集和测试集:将连续5组二次筛选得到的输入参数合并为一组输入参数,并将接下来5组二次筛选输入参数的下一组对应的盾尾油脂总量作为该组参数时间序列化的输出参数;将对应输入参数及输出参数随机分集合并排序为训练集及验证集,比例为8:2。
在第一方面进一步的实施例中,建立用于盾尾油脂消耗预测的改进粒子群算法优化人工神经网络超参数模型的过程包括:
建立ANN人工神经网络模型;
在所述ANN人工神经网络模型中嵌套使用K折交叉验证法,得到改进后的ANN模型。该模型具输入端口A1,以待定神经元数目为参数;具输出端口A2,以评判标准得分为结果;
建立IPSO模型,模型输入端口B1数据是评判标准得分,模型输出端口B2是最优化神经元数目;将所述改进ANN模型与所述IPSO模型端口结合使用,即A1-B2连接,将IPSO模型的最优化神经元数目作为改进后的ANN模型的隐含层神经元数,A2-B1连接,将ANN模型训练验证得到的评判标准得分作为IPSO输入数据。
IPSO-ANN模型,以最佳评判标准得分为目标,全局搜寻神经网络隐含层最优神经元数目,经过时间序列化操作后的输入参数随机划分80%的数据作为模型固定输入参数,将预测盾尾油脂总量的最优神经元数目的神经网络模型作为输出。
在第一方面进一步的实施例中,建立ANN人工神经网络模型的过程包括:
利用Keras数据包构建双隐含层ANN人工神经网络模型,其待定超参数为两个隐含层对应的神经元数目N1与N2;
确定超参数为学习率Lr、优化器算法Optimizer、损失函数Loss、最大训练次数Nepoch、评判标准,将经过所述时间序列化后的训练集及初始神经元数目导入到模型,对模型进行训练并验证得到评判标准得分。
在第一方面进一步的实施例中,所述K折交叉验证法的过程包括:
将导入的训练集数据划分为K份,其中按照顺序,一份作为内部测试集,其余再次划分后的训练集数据仍然作为模型训练的数据。
通过K个模型及K个不同的内部测试集验证得到K个评判标准得分,并对之去除最大值和最小值后进行平均化得到在该待定超参数下的ANN模型最终评判标准得分MAPE。
在第一方面进一步的实施例中,用K折交叉验证法改进后的所述ANN模型的固定输入参数为训练集数据,可变输入参数为双隐含层的神经元数N1与N2,输出参数为该模型经过K折交叉验证法训练验证后的评判标准得分MAPE;
所述IPSO模型改变原本固定惯性权重为根据迭代次数非线性变化的惯性权重,改变原本固定个体因素权重、原本固定社会因素权重为根据迭代次数线性变化的权重值;
变更权重公式为如下所示:
其中为惯性权重,/>为粒子个体认知权重,/>为信息提供粒子权重,/>为粒子社会认知权重,/>为惯性权重初值,/>为惯性权重终值,/>为个体认知权重初值,为个体认知权重终值,/>为信息提供粒子权重初值,/>为信息提供粒子权重终值,为社会认知权重初值,/>为社会认知权重终值,/>为最大迭代次数,/>表示当前迭代数。
在第一方面进一步的实施例中,预测阶段进一步包括:将验证集合的数据输入经过训练后的所述双隐含层ANN人工神经网络预测模型中,验证得到盾尾油脂预测值序列;通过对比盾尾油脂真实值序列验证该模型的准确性与可靠性;通过训练后的所述双隐含层ANN人工神经网络预测模型输入要求参数,即得到下一阶段盾尾油脂消耗量的预测值。
第二方面,提出一种泥水平衡盾构机盾尾密封油脂消耗预测系统,预测系统包括筛选预处理单元、模型超参数择优单元、预测单元。
筛选预处理单元用于进行初次筛选及二次筛选,确定影响盾构机油脂消耗的参数,对所述参数进行标准化及时间序列化处理之后,对其打乱划分为训练集和测试集;
模型超参数择优单元用于建立用于盾尾油脂消耗预测的人工神经网络超参数模型,确定部分初始参数,以所述训练集作为所述人工神经网络超参数模型的输入,对所述人工神经网络超参数模型进行训练,得到最优超参数化的人工神经网络模型;
预测单元采用所述测试集对最优超参数化的人工神经网络模型进行验证,输出预测的盾尾消耗油脂量及精度。
第三方面,提出一种计算机可读存储介质,存储介质中存储有至少一可执行指令,所述可执行指令在电子设备上运行时,使得电子设备执行如第一方面所述的泥水平衡盾构机盾尾密封油脂消耗预测方法的操作。
有益效果:
结合工程施工经验及皮尔逊相关系数,通过初次筛选及二次筛选得到输入参数列表,有利于保证模型参数输入的合理性、科学性和正确性。此外,降低了输入数据的维度,加快了模型训练速度,增加了模型训练的准确度。
将输入输出参数时间序列化,避免模型训练过程中输入输出参数变为非线性拟合化,增强预测能力。
利用K折交叉验证法对ANN人工神经网络进行交叉验证,保证在样本数据量低、输入参数规模小的情况下,模型训练及验证具有更可靠的评价指标得分。
利用IPSO优化算法优化ANN人工神经网络超参数,使隐含层的神经元数目不再根据经验得到,也不再根据网格搜索法得到,不仅加快了最优神经元数目的确定,还具有高度可靠性。
对PSO优化算法进行进化,增加信息提供粒子影响,改变惯性、个体历史最佳、社会全局最佳的固定权重影响为非线性和线性影响,有助于快速寻找到最优解,避免陷入局部最优解,加快模型收敛速度。
附图说明
图1 是本发明运用总流程图。
图2是K折交叉验证法原理图。
图3是ANN人工神经网络原理图。
图4是IPSO优化算法流程图。
图5是IPSO优化算法结构原理矢量图。
图6是IPSO-ANN优化神经元数目算法流程图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
本实施例提出一种泥水平衡盾构机盾尾密封油脂消耗预测方法,流程见图1。泥水平衡盾构机盾尾密封油脂消耗预测方法包括大数据筛选预处理阶段、模型超参数择优及训练阶段和盾尾密封油脂消耗预测阶段。
所述大数据筛选预处理阶段基于Python语言进行,步骤如下:
S1.1、初步筛选输入输出参数:
根据工程施工经验,在盾构机掘进产生的大数据库中挑选出一系列数据进行预处理,包括空值删除处理,以环号为依据,删除空值数据;异常值处理。
S1.2、二次筛选输入输出参数:
对初次筛选数据进行相关系数计算并绘制相关系数热力图。根据相关系数,筛选得到与盾尾油脂总量相关度参数最高的若干个参数。将若干个参数作为预测模型的输入参数,将盾尾油脂总量作为预测模型的输出参数。进一步,我们将所有输入参数标准化,提高模型寻得最优解速度及精度。
S1.3、输入输出参数时间序列化并分集:
基于Python编程,将连续5组二次筛选输入参数合并为一组输入参数,并将接下来5组二次筛选输入参数的下一组对应的输出参数作为参数时间序列化的输出参数。将对应输入参数及输出参数随机分集合并排序为训练集及验证集,比例为8:2。
所述模型超参数择优阶段基于Python语言及Keras数据包进行,包括:
S2.1、利用Keras数据包构建2层ANN人工神经网络模型,其待定超参数为两个隐含层对应的神经元数目N1与N2,确定超参数为学习率Lr、优化器算法Optimizer、损失函数Loss、最大训练次数Nepoch、评判标准,将1.3时间序列化后的训练集及初始神经元数目导入到模型,对模型进行训练并验证得到评判标准得分。
S2.2、在S2.1模型训练中嵌套利用K折交叉验证法,即导入的训练集数据划分为N份,其中按照顺序,一份作为内部测试集,其余再次划分后的训练集数据仍然作为模型训练的数据,最终通过N个模型及N个不同的内部测试集验证得到N个评判标准得分,对之进行平均化得到在该待定超参数下的ANN模型最终评判标准得分。
S2.3、基于S2.1及S2.2,得到一个结合K折交叉验证法的双隐含层ANN人工神经网络模型,对于该模型的固定输入参数为训练集数据,可变输入参数为双隐含层的神经元数N1与N2,输出参数为该模型经过K折交叉验证法训练验证后的评判标准得分,因此针对可变输入参数及输出参数构建IPSO模型对可变输入参数进行优化。相较于PSO,IPSO新增一种受信息提供粒子位置影响的因素,改变原本固定惯性权重为根据迭代次数非线性变化的惯性权重,改变原本固定个体因素权重、原本固定社会因素权重为根据迭代次数线性变化的权重值。经过IPSO-ANN模型训练后,我们得到最优超参数化的双隐含层ANN人工神经网络预测模型。
所述盾尾密封油脂消耗预测阶段,包括:
S3、根据阶段2训练得到的双隐含层ANN人工神经网络预测模型,我们将验证集合的数据输入这个最佳模型中验证得到盾尾油脂预测值序列,通过对比盾尾油脂真实值序列,我们验证该模型的准确性与可靠性。我们通过该模型输入要求参数,就可以得到下一阶段盾尾油脂消耗量的预测值。
在实施例一的基础之上,实施例二对泥水平衡盾构机盾尾密封油脂消耗预测方法的细节,结合实际工况做出进一步阐述。
步骤一:初步筛选输入输出参数,根据工程施工经验,从大数据库中挑选出一系列数据进行预处理,其中包括:环号、HBW总量、EP2总量、注浆量、盾尾油脂总量、推进速度、贯入度、扭矩、推力、主驱动转速、刀盘总接触力、泥水回路进浆压力、泥浆泵转速、泥浆泵吸口压力、泥浆泵输送压力、进浆流量、进浆密度、出浆流量、出浆密度、开挖仓压力、注浆压力、盾尾油脂前压力、盾尾油脂中1压力、盾尾油脂中2压力、盾尾油脂后压力、工作仓压力、埋深、水位线高度、粗细程度、软硬程度、密实程度、渗透系数。
步骤二:二次筛选输入输出参数,在盾构机掘进产生的大数据库中,我们提取实施例一S1.1中确定的参数列表。因为原始数据集包含大量空推数据,我们对初次筛选数据进行空值删除处理,以环号为依据,删除空值数据。进一步地,利用Python-Seaborn数据包对初次筛选数据进行相关系数计算并绘制相关系数热力图。斯皮尔曼相关系数ρxy=r(x,y),ρxy是一个表征x和y之间线性关系紧密程度的量,其具有|ρxy|<= 1的特征,若ρxy 通常认为X和Y不存在线性关系,X和Y不相关;若ρxy接近于1但不等于1,则说明X和Y彼此相关性很大,具有研究意义;若ρxy等于1,则说明线性相关;若0.3>|ρxy|>0.1,则表示两者之间弱相关;0.5>|ρxy|>0.3,则表示两者之间中等程度相关;1>|ρxy|>0.5,则表示两者之间强相关。
进一步地,根据与盾尾油脂消耗量两两相关的皮尔逊相关系数,筛选得到与盾尾油脂总量相关性系数高于0.1的参数,分别是:注浆量、盾尾油脂总量、推进速度、贯入度、主驱动转速、泥水回路进浆压力、泥浆泵吸口压力、进浆流量、进浆密度、出浆流量、出浆密度、开挖仓压力、注浆压力、盾尾油脂前压力、工作仓压力、埋深、水位线高度、软硬程度、密实程度。将这若个参数作为预测模型的输入参数,将盾尾油脂总量作为预测模型的输出参数。
进一步地,我们将利用如下公式对所有输入参数归一化,用于提高模型寻得最优解速度及精度:
步骤三:输入输出参数时间序列化并分集,基于Python编程,将连续5组二次筛选输入参数组成5*8形状的输入参数,并将接下来5组二次筛选输入参数的下一组对应的输出参数作为参数时间序列化的输出参数。
进一步地,通过Random数据包将对应输入参数及输出参数随机分集合并排序为训练集及验证集,比例为8:2。
步骤四:利用Keras数据包构建2隐含层ANN人工神经网络模型,详细的说,依次一层输入层,一层神经元数N1的隐含层,一层神经元数N2的隐含层,一层输出层,其中待定超参数为两个隐含层对应的神经元数目N1与N2,确定超参数为学习率Lr=0.01、优化器算法Optimizer=Adam、损失函数Loss=MSE(均方差)、最大训练次数Nepoch=500、评判标准Val=MAPE(平均绝对百分比误差),其中输入层及双隐含层具有激活函数ReLu。具体ANN人工神经网络结构参见附图3,以下为MSE、MAPE及ReLu数学说明:
进一步地,将步骤三时间序列化后的训练集及初始神经元数目导入到模型,对模型进行训练并验证得到评判标准得分MAPE。
步骤五:在步骤四模型训练基础上,嵌套利用K折交叉验证法,K折交叉验证结构参见附图2。在发明中采用10折交叉验证法,将导入的训练集数据划分为10份,其中按照顺序,一份作为内部测试集,其余再次划分后的训练集数据仍然作为模型训练的数据,最终通过10个模型及10个不同的内部测试集验证得到10个评判标准得分,并对之去除最大值和最小值后进行平均化得到在该待定超参数下的ANN模型最终评判标准得分MAPE。
步骤六:由步骤四和步骤五,得到一个结合K折交叉验证法的双隐含层ANN人工神经网络模型,对于该模型的固定输入参数为训练集数据,可变输入参数为双隐含层的神经元数N1与N2,输出参数为该模型经过K折交叉验证法训练验证后的评判标准得分MAPE,因此针对可变输入参数及输出参数构建IPSO模型对可变输入参数进行优化。见图6。相较于PSO,IPSO新增一种受信息提供粒子位置影响的因素,改变原本固定惯性权重为根据迭代次数非线性变化的惯性权重,改变原本固定个体因素权重、原本固定社会因素权重为根据迭代次数线性变化的权重值。
变更权重公式为如下所示:
进一步地,我们设定IPSO-ANN模型初始参数,并将测试集数据导入模型进行训练,初始参数见下表:
进一步地,经过IPSO-ANN模型训练后,我们得到最优超参数化的双隐含层ANN人工神经网络预测模型。
步骤七:经过步骤六后,训练得到的双隐含层ANN人工神经网络预测模型,我们将验证集合的数据输入这个最佳模型中验证得到盾尾油脂预测值序列,通过对比盾尾油脂真实值序列,我们利用MAPE指标验证该模型的准确性与可靠性。我们通过该模型输入要求参数序列,就可以得到下一阶段盾尾油脂消耗量的预测值。
实施例三提出一种泥水平衡盾构机盾尾密封油脂消耗预测系统,利用该预测系统可以执行上述实施例一或实施例二提出的一系列流程。该预测系统包括筛选预处理单元、模型超参数择优单元、预测单元。筛选预处理单元用于进行初次筛选及二次筛选,确定影响盾构机油脂消耗的参数,对所述参数进行标准化及时间序列化处理之后,对其打乱划分为训练集和测试集。模型超参数择优单元用于建立用于盾尾油脂消耗预测的人工神经网络超参数模型,确定部分初始参数,以所述训练集作为所述人工神经网络超参数模型的输入,对所述人工神经网络超参数模型进行训练,得到最优超参数化的人工神经网络模型。预测单元采用所述测试集对最优超参数化的人工神经网络模型进行验证,输出预测的盾尾消耗油脂量及精度。
实施例四提出一种计算机可读存储介质,存储介质中存储有至少一可执行指令,所述可执行指令在电子设备上运行时,使得电子设备执行如实施例一或实施例二所述的泥水平衡盾构机盾尾密封油脂消耗预测方法的操作。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上做出各种变化。
Claims (6)
1.泥水平衡盾构机盾尾密封油脂消耗预测方法,其特征在于,至少包括如下三个阶段:
筛选预处理阶段:经过初次筛选及二次筛选确定影响盾构机油脂消耗的参数,对所述参数进行标准化及时间序列化处理之后,对其打乱划分为训练集和测试集;
模型超参数择优阶段:建立用于盾尾油脂消耗预测的人工神经网络超参数模型,确定部分初始参数,以所述训练集作为所述人工神经网络超参数模型的输入,对所述人工神经网络超参数模型进行训练,得到最优超参数化的人工神经网络模型;
预测阶段:采用所述测试集对最优超参数化的人工神经网络模型进行验证,输出预测的盾尾消耗油脂量及精度;
其中,建立用于盾尾油脂消耗预测的人工神经网络超参数模型的过程包括:
建立ANN人工神经网络模型,在所述ANN人工神经网络模型中嵌套使用K折交叉验证法,得到改进后的ANN模型;改进后的ANN模型具有输入端口A1,以待定神经元数目为参数;具有输出端口A2,以评判标准得分为结果;
建立IPSO模型,所述IPSO模型输入端口B1数据是评判标准得分,模型输出端口B2是最优化神经元数目;
将改进后的ANN模型与所述IPSO模型端口结合使用:
将IPSO模型的最优化神经元数目作为改进后的ANN模型的隐含层神经元数,即所述输入端口A1与输出端口B2连接;将ANN模型训练验证得到的评判标准得分作为IPSO输入数据,即输入端口B1与输出端口A2连接;
得到IPSO-ANN模型,以最佳评判标准得分为目标,全局搜寻神经网络隐含层最优神经元数目,经过时间序列化操作后的输入参数随机划分80%的数据作为IPSO-ANN模型固定输入参数,将预测盾尾油脂总量的最优神经元数目的神经网络模型作为输出;
建立ANN人工神经网络模型的过程包括:
利用Keras数据包构建双隐含层ANN人工神经网络模型,其待定超参数为两个隐含层对应的神经元数目N1与N2;
确定超参数为学习率Lr、优化器算法Optimizer、损失函数Loss、最大训练次数Nepoch、评判标准,将经过所述时间序列化后的训练集及初始神经元数目导入到ANN人工神经网络模型,对ANN人工神经网络模型进行训练并验证得到评判标准得分;
所述K折交叉验证法的过程包括:
将导入的训练集数据划分为K份,其中按照顺序,一份作为内部测试集,其余再次划分后的训练集数据仍然作为模型训练的数据;
通过K个模型及K个不同的内部测试集验证得到K个评判标准得分,并对之去除最大值和最小值后进行平均化得到在该待定超参数下的ANN模型最终评判标准得分MAPE;
预测阶段进一步包括:将验证集合的数据输入经过训练后的所述双隐含层ANN人工神经网络预测模型中,验证得到盾尾油脂预测值序列;通过对比盾尾油脂真实值序列验证该模型的准确性与可靠性;
通过训练后的所述双隐含层ANN人工神经网络预测模型输入要求参数,即得到下一阶段盾尾油脂消耗量的预测值;
用K折交叉验证法改进后的所述ANN模型的固定输入参数为训练集数据,可变输入参数为双隐含层的神经元数N1与N2,输出参数为该模型经过K折交叉验证法训练验证后的评判标准得分MAPE;
所述IPSO模型改变原本固定惯性权重为根据迭代次数非线性变化的惯性权重,改变原本固定个体因素权重、原本固定社会因素权重为根据迭代次数线性变化的权重值;
变更权重公式为如下所示:
2.根据权利要求1所述的预测方法,其特征在于,所述初次筛选包括:
将所有影响盾构机盾尾油脂消耗的参数筛选出来,得到第一参数集合;
所述二次筛选包括:
采用皮尔逊相关系数对所述第一参数集合进一步特征提取、筛选降维,剔除相关性系数低于预定值的参数,得到第二参数集合。
3.根据权利要求2所述的预测方法,其特征在于,所述二次筛选进一步包括:
对初次筛选得到的第一参数集合进行相关系数计算并绘制相关系数热力图;
根据相关系数,筛选得到与盾尾油脂总量相关度参数高于预定值的若干个参数。
4.根据权利要求2所述的预测方法,其特征在于,还包括,将所述第二参数集合进行时间序列化操作并分为训练集和测试集:
将连续N组二次筛选得到的输入参数合并为一组输入参数,并将接下来N组二次筛选输入参数的下一组对应的盾尾油脂总量作为该组参数时间序列化的输出参数;
将对应输入参数及输出参数随机分集合并排序为训练集及验证集,比例为8:2。
5.一种泥水平衡盾构机盾尾密封油脂消耗预测系统,用于驱动并执行如权利要求1至4中任一项所述的预测方法,其特征在于,所述预测系统包括:
筛选预处理单元,用于进行初次筛选及二次筛选,确定影响盾构机油脂消耗的参数,对所述参数进行标准化及时间序列化处理之后,对其打乱划分为训练集和测试集;
模型超参数择优单元,用于建立用于盾尾油脂消耗预测的人工神经网络超参数模型,确定部分初始参数,以所述训练集作为所述人工神经网络超参数模型的输入,对所述人工神经网络超参数模型进行训练,得到最优超参数化的人工神经网络模型;
预测单元,采用所述测试集对最优超参数化的人工神经网络模型进行验证,输出预测的盾尾消耗油脂量及精度。
6.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令在电子设备上运行时,使得电子设备执行如权利要求1至4任一项所述的泥水平衡盾构机盾尾密封油脂消耗预测方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316411.0A CN116050285B (zh) | 2023-03-29 | 2023-03-29 | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316411.0A CN116050285B (zh) | 2023-03-29 | 2023-03-29 | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116050285A CN116050285A (zh) | 2023-05-02 |
CN116050285B true CN116050285B (zh) | 2023-06-06 |
Family
ID=86118471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310316411.0A Active CN116050285B (zh) | 2023-03-29 | 2023-03-29 | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050285B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094371A (zh) * | 2023-10-17 | 2023-11-21 | 北京航天驭星科技有限公司 | 天线指向标校模型的训练方法、标校系统和参数生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334797A (zh) * | 2019-06-28 | 2019-10-15 | 广州番禺职业技术学院 | 一种基于并行增强搜索粒子群优化算法的计算方法及系统 |
CN111581880A (zh) * | 2020-05-06 | 2020-08-25 | 北京工业大学 | 基于apso-dbn的滚动轴承剩余寿命预测方法 |
CN114757403A (zh) * | 2022-03-31 | 2022-07-15 | 济南重工集团有限公司 | 一种泥水盾构机油脂消耗预测方法、系统、设备和介质 |
CN115499473A (zh) * | 2022-11-21 | 2022-12-20 | 中铁十四局集团有限公司 | 基于边缘计算架构的盾构施工预警系统及预警方法 |
CN115526096A (zh) * | 2022-08-16 | 2022-12-27 | 中铁四局集团第四工程有限公司 | 盾构机施工掘进参数的预测方法、装置及可存储介质 |
-
2023
- 2023-03-29 CN CN202310316411.0A patent/CN116050285B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334797A (zh) * | 2019-06-28 | 2019-10-15 | 广州番禺职业技术学院 | 一种基于并行增强搜索粒子群优化算法的计算方法及系统 |
CN111581880A (zh) * | 2020-05-06 | 2020-08-25 | 北京工业大学 | 基于apso-dbn的滚动轴承剩余寿命预测方法 |
CN114757403A (zh) * | 2022-03-31 | 2022-07-15 | 济南重工集团有限公司 | 一种泥水盾构机油脂消耗预测方法、系统、设备和介质 |
CN115526096A (zh) * | 2022-08-16 | 2022-12-27 | 中铁四局集团第四工程有限公司 | 盾构机施工掘进参数的预测方法、装置及可存储介质 |
CN115499473A (zh) * | 2022-11-21 | 2022-12-20 | 中铁十四局集团有限公司 | 基于边缘计算架构的盾构施工预警系统及预警方法 |
Non-Patent Citations (3)
Title |
---|
Highly Accurate Prediction Model for Daily Runoff in Semi-Arid Basin Exploiting Metaheuristic Algorithms;Aoulmi,Y 等;《IEEE ACCESS》;第9卷;第92500-92515页 * |
基于PSO-BP神经网络盾构掘进参数预测研究;朱垚锋;;建筑机械化(第06期);第68-71页 * |
基于QPSO-LSSVM的边坡变形预测;李越超;;山地学报(第03期);第374-378页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116050285A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hongliang et al. | Production prediction at ultra-high water cut stage via Recurrent Neural Network | |
CN110779746B (zh) | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 | |
CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
CN109918505B (zh) | 一种基于文本处理的网络安全事件可视化方法 | |
CN116050285B (zh) | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 | |
CN115222019A (zh) | 基于测井数据的深度Transformer迁移学习储层参数预测方法 | |
CN112348278A (zh) | 一种基于XGBoost算法预测盾构机土仓压力的方法 | |
CN111144001A (zh) | 一种基于bp神经网络的矿山井筒工程tbm控制方法 | |
CN113806889A (zh) | 一种tbm刀盘扭矩实时预测模型的处理方法、装置以及设备 | |
CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
CN115952590B (zh) | 基于bo-rf-mompa的盾构隧道优化设计方法及设备 | |
CN116502091A (zh) | 一种基于lstm和注意力机制的网络入侵检测方法 | |
CN114943363A (zh) | 一种煤矿瓦斯涌出量预测方法 | |
Zhou et al. | Application of BP neural network in efficiency prediction of oilfield mechanized mining system | |
Qin et al. | RCLSTMNet: A Residual-convolutional-LSTM Neural Network for Forecasting Cutterhead Torque in Shield Machine | |
Qiu et al. | Prediction model of gas quantity emitted from coal face based on PCA-GA-BP neural network and its application | |
Qiao et al. | Gas production prediction using AM-BiLSTM model optimized by Whale Optimization Algorithm | |
Huang et al. | Prediction and feature importance of earth pressure in shields using machine learning algorithms | |
Nie et al. | Identification of surrounding rock in TBM excavation with deep neural network | |
Wang et al. | Equipment Fault Detection with a Hybrid LSTM-WDCNN Model | |
CN116701948B (zh) | 管道故障诊断方法及系统、存储介质和管道故障诊断设备 | |
Peng et al. | Research on prediction of coal and gas outburst risk based on TIWTD-CNSA | |
Bao et al. | DTCN: Dynamic Temporal Convolution Network for Evaluating Dividing Coefficients of Water Well | |
Quan et al. | Research on prediction of wax deposition rate based on improved Support Vector Machines model | |
Fang et al. | Complex System Fault Diagnostic Method Based on Convolutional Neural Network |
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 |