CN117272019A - 一种盾构机掘进姿态的预测方法、装置、设备及存储介质 - Google Patents
一种盾构机掘进姿态的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117272019A CN117272019A CN202311154593.2A CN202311154593A CN117272019A CN 117272019 A CN117272019 A CN 117272019A CN 202311154593 A CN202311154593 A CN 202311154593A CN 117272019 A CN117272019 A CN 117272019A
- Authority
- CN
- China
- Prior art keywords
- tunneling
- shield
- machine
- characteristic parameters
- attitude
- 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
- 230000005641 tunneling Effects 0.000 title claims abstract description 359
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 13
- 238000010276 construction Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000288105 Grus Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种盾构机掘进姿态的预测方法、装置、设备及存储介质，该方法包括：从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对所述盾构机掘进特征参数进行预处理；采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数；对所述多步盾构机掘进特征参数进行数据集划分；建立初始盾构机掘进姿态预测模型；对所述初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型；将待预测盾构机运行数据输入至所述目标盾构机掘进姿态预测模型进行多步预测。本发明提取出特征参数，并对特征参数进行预处理，提高了预测精度，并进行多步重构，能够进行多步预测。
Description
技术领域
本发明涉及构机掘进姿态控制技术领域，尤其涉及一种盾构机掘进姿态的预测方法、装置、设备及存储介质。
背景技术
随着我国城市规模的不断扩张和人口密度的提高，大规模的地铁建设对盾构隧道的成形质量提出了更高的要求，盾构机掘进过程中的姿态失准问题是影响隧道质量的关键因素之一。盾构机一旦偏离设计隧道轴线，就会产生姿态偏差与盾构失准问题，进而影响施工质量、进度、成本及安全。
现有研究方法从传统的单模型建模到复杂模型的融合，都旨在从盾构姿态历史数据中提取到丰富的特征信息来提高模型的预测精度。例如，专家系统方法、BP神经网络预测方法、长短期记忆网络预测方法、基于最优组合赋权的EMD-GRU盾构竖向姿态预测方法以及结合自适应增强算法和GRU模型的Adaboost方法。
尽管这些方法已经取得了一定的控制效果，但盾构姿态预测仍然有许多困难和挑战有待克服。一方面，现有盾构机掘进姿态预测方式仍以单步预测为主，实际工程应用性较差。另一方面，由于地质条件的复杂性以及盾构机特定的工程应用场景等因素，使得在大量运行数据中提取到有用特征，提高盾构姿态预测精度仍然是一个极具挑战性的研究课题。
发明内容
有鉴于此，有必要提供一种盾构机掘进姿态的预测方法、装置、设备及存储介质，用以解决现有技术中盾构机掘进姿态预测方式难以在大量运行数据中提取到有用特征，导致盾构机掘进姿态预测精度较低且仍以单步预测为主，实际工程应用性较差的问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种盾构机掘进姿态的预测方法，包括：
从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对盾构机掘进特征参数进行预处理；
采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数；
对多步盾构机掘进特征参数进行数据集划分；
建立初始盾构机掘进姿态预测模型；
对初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型；
将待预测盾构机运行数据输入至训练完备的目标盾构机掘进姿态预测模型进行多步预测。
在一些可能的实现方式中，从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对盾构机掘进特征参数进行预处理，包括：
筛除盾构机历史运行数据中的停机数据提取盾构机掘进特征参数；
对盾构机掘进特征参数中的异常值进行替换；
对替换后的盾构机掘进特征参数进行滤波去噪处理；
分析滤波去噪后的盾构机掘进特征参数之间的相关性；
对滤波去噪后的盾构机掘进特征参数进行归一化处理。
在一些可能的实现方式中，采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数，包括：
设置预测步长、序列长度和预测步距；
采用滑动窗口法以预测步长、序列长度和预测步距对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数。
在一些可能的实现方式中，对多步盾构机掘进特征参数进行数据集划分，包括：
以预设比例将重构后的多步盾构机掘进特征参数划分为训练集、验证集和测试集。
在一些可能的实现方式中，建立初始盾构机掘进姿态预测模型，包括：
依次设置多个特征提取层、多个多尺度时间卷积层、多个线性全连接层以及一个映射全连接层；
设置多尺度时间卷积层的卷积核的大小和膨胀系数，建立初始盾构机掘进姿态预测模型。
在一些可能的实现方式中，对初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型，包括：
将训练集输入至初始盾构机掘进姿态预测模型进行训练，得到过渡盾构机掘进姿态预测模型；
将验证集输入至过渡盾构机掘进姿态预测模型验证是否过拟合，得到目标盾构机掘进姿态预测模型；
将测试集输入至目标盾构机掘进姿态预测模型验证模型性能，得到训练完备的目标盾构机掘进姿态预测模型。
在一些可能的实现方式中，将待预测盾构机运行数据输入至训练完备的目标盾构机掘进姿态预测模型进行多步预测，之后包括：
根据平均绝对误差、均方根误差和决定系数对预测结果进行评价。
第二方面，本发明还提供了一种盾构机掘进姿态的预测方法，包括：
预处理模块，用于从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对盾构机掘进特征参数进行预处理；
重构模块，用于采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数；
划分模块，用于对多步盾构机掘进特征参数进行数据集划分；
建模模块，用于建立初始盾构机掘进姿态预测模型；
训练模块，用于对初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型；
预测模块，用于将待预测盾构机运行数据输入至训练完备的目标盾构机掘进姿态预测模型进行多步预测。
第三方面，本发明还提供了一种盾构机掘进姿态的预测设备，包括存储器和处理器，其中，
存储器，用于存储程序；
处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上述任一种实现方式中的盾构机掘进姿态的预测方法中的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的盾构机掘进姿态的预测方法中的步骤。
采用上述实施例的有益效果是：本发明涉及一种盾构机掘进姿态的预测方法、装置、设备及存储介质，该方法包括：从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对所述盾构机掘进特征参数进行预处理；采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数；对所述多步盾构机掘进特征参数进行数据集划分；建立初始盾构机掘进姿态预测模型；对所述初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型；将待预测盾构机运行数据输入至所述训练完备的目标盾构机掘进姿态预测模型进行多步预测。本发明从采集的盾构机历史运行数据中提取出盾构机掘进特征参数，并对盾构机掘进特征参数进行预处理，重构成多步盾构机掘进特征参数，从大量的盾构机历史运行数据中确定了最能反应盾构机掘进姿态的特征参数，再通过训练完备的目标盾构机掘进姿态预测模型能够进行多步预测，从而提高了盾构机掘进姿态的预测精度，并且提高了实际工程应用性。
附图说明
图1为本发明提供的盾构机掘进姿态的预测方法的一实施例的流程示意图；
图2为本发明提供的部分特征数据的一实施例的分布示意图；
图3为本发明提供的盾构机姿态参数的一实施例的关系示意图；
图4为本发明提供的图1中步骤S101的一实施例的流程示意图；
图5为本发明提供的皮尔森相关系数的一实施例的相关示意图；
图6为本发明提供的初始盾构机掘进姿态预测模型的一实施例的结构示意图；
图7为本发明提供的图1中步骤S105的一实施例的流程示意图；
图8为本发明提供的t+1步预测精度的一实施例的效果示意图；
图9为本发明提供的t+6步预测精度的一实施例的效果示意图；
图10为本发明提供的盾构机掘进姿态的预测装置的一实施例的结构示意图；
图11为本发明实施例提供的盾构机掘进姿态的预测设备的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。
本发明提供了一种盾构机掘进姿态的预测方法、装置、设备及存储介质，以下分别进行说明。
请参阅图1，图1为本发明提供的盾构机掘进姿态的预测方法的一实施例的流程示意图，本发明的一个具体实施例，公开了一种盾构机掘进姿态的预测方法，包括：
S101、从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对盾构机掘进特征参数进行预处理；
S102、采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数；
S103、对多步盾构机掘进特征参数进行数据集划分；
S104、建立初始盾构机掘进姿态预测模型；
S105、对初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型；
S106、将待预测盾构机运行数据输入至训练完备的目标盾构机掘进姿态预测模型进行多步预测。
在上述实施例中，以每20mm掘进行程采集一次数据，每一环数据是一个由特征和时间组成的二维变量，它们以.csv的格式保存在不同的文件当中。
请参阅图2，图2为本发明提供的部分特征数据的一实施例的分布示意图，本发明采用来自孟加拉国卡纳普里河底隧道施工现场采集到的隧道施工数据，为了验证所提模型的有效性，本实验随机选择了670环至819环共150环的盾构施工数据。
请参阅图3，图3为本发明提供的盾构机姿态参数的一实施例的关系示意图，每一环共包含1700多个特征变量以及100多个采样点共约17万的数据。这些特征变量根据是否可以通过人为控制分为主动因素和被动因素两类。主动因素是指操作员在驾驶盾构机掘进时可以主动调整的参数，例如油缸推力和刀盘转速等。被动因素则指由传感器返回的参数，包括盾构机的姿态和地层情况等。这些数据是在盾构机掘进过程中被动获取的。上述两类因素在盾构机掘进过程中共同作用，最终决定了盾构姿态的变化。根据工程经验，确定15个盾构机特征和4个盾构机姿态参数(盾头水平偏差HDH，盾尾水平偏差HDT，盾头垂直偏差VDH，盾尾垂直偏差VDT)作为预测模型的输入特征。详细的盾构姿态参数描述如表1所示。
表1盾构机姿态参数描述
还需要从15个盾构机特征和4个盾构机姿态参数中进一步筛选，得到盾构机掘进特征参数，且其中还存在一些异常值、噪声点需要进行预处理以提高盾构机掘进特征参数的准确性，降低对模型训练的影响。
采用滑动窗口法滑动窗口将预处理后的盾构机掘进特征参数重构后，可以得到多个步长的盾构机掘进特征参数，以此作为输入对模型进行训练，可以实现多步预测。
通过对多步盾构机掘进特征参数进行数据集划分，可以提高后续对模型训练的准确性，以提高模型对盾构机掘进姿态预测的准确性。
通过训练完备的目标盾构机掘进姿态预测模型对盾构机掘进姿态进行预测，还需要对预测结果进行评价，从而了解预测结果是否满足盾构机掘进姿态预测的精度要求。
与现有技术相比，本实施例提供的一种盾构机掘进姿态的预测方法，该方法包括：从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对所述盾构机掘进特征参数进行预处理；采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数；对所述多步盾构机掘进特征参数进行数据集划分；建立初始盾构机掘进姿态预测模型；对所述初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型；将待预测盾构机运行数据输入至所述训练完备的目标盾构机掘进姿态预测模型进行多步预测。本发明实施例从采集的盾构机历史运行数据中提取出盾构机掘进特征参数，并对盾构机掘进特征参数进行预处理，重构成多步盾构机掘进特征参数，从大量的盾构机历史运行数据中确定了最能反应盾构机掘进姿态的特征参数，再通过训练完备的目标盾构机掘进姿态预测模型能够进行多步预测，从而提高了盾构机掘进姿态的预测精度，并且提高了实际工程应用性。
请参阅图4，图4为本发明提供的图1中步骤S101的一实施例的流程示意图，在本发明的一些实施例中，从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对盾构机掘进特征参数进行预处理，包括：
S401、筛除盾构机历史运行数据中的停机数据提取盾构机掘进特征参数；
S402、对盾构机掘进特征参数中的异常值进行替换；
S403、对替换后的盾构机掘进特征参数进行滤波去噪处理；
S404、分析滤波去噪后的盾构机掘进特征参数之间的相关性；
S405、对滤波去噪后的盾构机掘进特征参数进行归一化处理。
在上述实施例中，由于盾构机施工环境的复杂性，收集到的盾构机历史运行数据并不都能作为预测模型的输入特征，需要对数据进行预处理来筛选最具价值的盾构机掘进特征变量。首先根据以下公式进行停机期间数据的筛除：
其中fi(xj)是原始数据中第i个时间步中的第j个特征。xF为判断盾构机运行状态的相关特征(盾构机推力和运行状态)，Fi(xj)为筛除后的数据。当N为0时，盾构机处于停机状态；反之，当N不为0时，盾构机处于掘进状态。
完成停机期间的数据筛除工作后，利用3σ法则筛选出异常数据，筛选出的异常值采用其前后两点的均值进行填补。减小异常值对模型训练的影响。
采用Butterworth滤波器避免个别噪点的干扰。为兼顾过滤异常点的同时避免改变原始数据趋势的目的。滤波器阶数m和滤波器截止频率ωc设置为2和0.2。Butterworth滤波器的公式为：
其中，ω为频率，m为滤波器阶数，ωc为滤波器截止频率，H(ω)为连续时间巴特沃斯传递函数。
请参阅图5，图5为本发明提供的皮尔森相关系数的一实施例的相关示意图，为了具体分析各个变量之间的联系，本发明采用Pearson相关系数法来量化分析各个参数之间的相关程度，图5中A至S为按照筛选特征顺序依次排序的特征变量。采用皮尔逊相关系数来计算输入特征之间的线性关系。判断采用深度学习挖掘数据间的非线性关系是否合理，其具体计算公式为：
其中，ρ(fx,fy)为所选特征fx与fy的皮尔逊相关系数， 为fx和fy的标准差。fxi和fyi分别为fx和fy的第i个值，/>与/>分别为fx和fy的平均值。
其中，颜色越深代表特征的相关程度越高。后四个变量即为本实验选取的四个待预测特征。由观察可得，所选特征参数与其他各个特征的相关系数绝对值普遍不大于0.7，这说明各个特征与待测参数之间不存在明显的线性关系，进一步说明采用深度学习方法来捕获特征之间的非线性关系是合理可靠的。
经过数据滤波后，由于不同特征变量存在数据范围以及单位的差异，需要将滤波后的数据归一化至0到1范围内，归一化的公式为：
其中，fi为盾构掘进姿态参数数据，Fni为归一化后的数据。
在本发明的一些实施例中，采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数，包括：
设置预测步长、序列长度和预测步距；
采用滑动窗口法以预测步长、序列长度和预测步距对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数。
在上述实施例中，为实现多步预测的目的，本发明设置预测步长为6，序列长度为30以及预测步距为1，即每输入一次数据就进行一次预测。经过滑动窗口处理后的数据集由14653个样本组成，其中，每个样本包含30个时间步和16个特征的数据。
在本发明的一些实施例中，对多步盾构机掘进特征参数进行数据集划分，包括：
以预设比例将重构后的多步盾构机掘进特征参数划分为训练集、验证集和测试集。
在上述实施例中，经过滑动窗口重构后的数据集由14653个样本组成。其中，前百分之七十样本作为训练集，用于模型训练；百分之七十至百分之八十的样本作为验证集，用于验证模型是否过拟合；剩余百分之二十作为测试集，用于验证模型性能。
请参阅图6，图6为本发明提供的初始盾构机掘进姿态预测模型的一实施例的结构示意图，在本发明的一些实施例中，建立初始盾构机掘进姿态预测模型，包括：
依次设置多个特征提取(GRU)层、多个多尺度时间卷积(TCN)层、多个线性全连接层(Linear)以及一个映射全连接层(FC)；
设置多尺度时间卷积层的卷积核的大小和膨胀系数，建立初始盾构机掘进姿态预测模型。
在上述实施例中，本发明中的盾构机掘进姿态预测模型为MDTC-GRU模型，初始盾构机掘进姿态预测模型包括3个用于特征提取的GRU层、3个多尺度TCN层、3个线性全连接层以及1个用于将特征映射到目标区间的映射全连接层。其中，三层GRU的hidden_size分别为64，128，128，TCN每一层的通道数统一设置为128。MDTC-GRU模型将三层GRU作为第一层的特征提取器，输入经过GRU特征提取层后，将每一时间步的输出作为多尺度TCN层的输入。多尺度TCN层的原理是通过不同大小的卷积核以及膨胀系数来提取更加丰富的特征信息。在保持输出大小相同的前提下，对每一个TCN单元的输出进行拼接操作(通过concat实现)，实现特征融合。图6中k和d分别代表卷积核的大小和膨胀系数，各项参数的设置分别为：k1＝2，d1＝(1，2，4，8)，k2＝3，d2＝(1，2，4)，k3＝5，d3＝(1，2)。每一个全连接层提取到的信息在最后进行ADD(叠加)操作，实现特征融合。最后用一个全连接层(FC)进行预测结果的输出。
请参阅图7，图7为本发明提供的图1中步骤S105的一实施例的流程示意图，在本发明的一些实施例中，对初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型，包括：
S701、将训练集输入至初始盾构机掘进姿态预测模型进行训练，得到过渡盾构机掘进姿态预测模型；
S702、将验证集输入至过渡盾构机掘进姿态预测模型验证是否过拟合，得到目标盾构机掘进姿态预测模型；
S703、将测试集输入至目标盾构机掘进姿态预测模型验证模型性能，得到训练完备的目标盾构机掘进姿态预测模型。
在上述实施例中，建立的初始盾构机掘进姿态预测模型难以满足对盾构机掘进姿态预测的精度要求，因此，通过数量最多的训练集对初始盾构机掘进姿态预测模型进行大量的训练，以使得初始盾构机掘进姿态预测模型能够满足基本的盾构机掘进姿态预测，也即得到了过渡盾构机掘进姿态预测模型。
过拟合是指为了得到一致假设而使假设变得过度严格，通过验证集来验证过渡盾构机掘进姿态预测模型是否出现过拟合，避免训练数据中由于存在噪音或者训练数据太少而出现过拟合，此时可以得到目标盾构机掘进姿态预测模型。
对于目标盾构机掘进姿态预测模型还需要进一步判断其预测精度是否满足要求，通过测试集对目标盾构机掘进姿态预测模型验证其模型的预测精度是否满足要求，从而得到训练完备的目标盾构机掘进姿态预测模型。
在本发明的一些实施例中，将待预测盾构机运行数据输入至训练完备的目标盾构机掘进姿态预测模型进行多步预测，之后包括：
根据平均绝对误差、均方根误差和决定系数对预测结果进行评价。
在上述实施例中，为了进一步评估所提出方法的性能，本发明实施例使用平均绝对误差MAE(Mean Absolute Error)，均方根误差RMSE(Root Mean Squared Error)和决定系数R2(R-Squared)作为评价指标。其具体公式如下所示，
其中，yi为真实值，为预测值，N为样本个数，/>为平均值。
表2至4展示了MDTC-GRU模型在三个评价指标上的表现。经分析，所提模型的MAE在t+1步的结果都要小于0.62，而在RMSE的表现上，其余预测结果也均保持在0.72以内，在R2上预测结果均高于0.99。对于数据波动较大的HDH，其综合预测效果也非常优秀，符合实际工程需要。随着时间间隔的增加，MAE，RMSE出现上升趋势，预测精度逐渐下降，符合多步预测的实际情况。
表2MDTC-GRU模型预测结果(MAE)
表3MDTC-GRU模型预测结果(RMSE)
表4MDTC-GRU模型预测结果(R2)
除了对于整体预测效果的评估，本文针对模型在t+1和t+6步的预测效果进行了单步预测效果以及多步预测效果的分析。请参阅图8，图8为本发明提供的t+1步预测精度的一实施例的效果示意图，图8反映了模型在t+1步的预测精度，零刻度线的柱状图反映了模型预测的误差情况，其中的a、b、c、d分别为HDH、HDT、VDH、VDT的预测情况，图8中的横坐标表示时间，纵坐标表示预测结果。
可以看出，所提模型在t+1步的预测表现已拥有很高的精度。其中第一步的预测值的MAE甚至低至0.47，R2在四个预测值上的结果都在0.99左右，大大超出预期效果。请参阅图9，图9为本发明提供的t+6步预测精度的一实施例的效果示意图，图9反映了所提模型在t+6步的预测效果，其中的a、b、c、d分别为HDH、HDT、VDH、VDT的预测情况，图9中的横坐标表示时间，纵坐标表示预测结果。可以看出t+6步的拟合效果与t+1步相比有一定的差距，但综合预测效果也是达到了实际工程的要求。
为进一步证实所提模型的优越性，本发明使用相同的数据集训练评估基准模型与现有多步预测模型以比较预测性能。本实验采用控制变量法在原有模型基础上进行改进，保证了实验的真实性和有效性。表5至表7为选取的不同模型的预测效果对比。其中表格数据为每个模型在对应评价指标下t+1到t+6步表现的均值。从表中可以发现，MDTC-GRU模型几乎在各项指标上都优于现有的模型，在盾构机姿态预测的精度上有很大的提升。
表5预测模型对比(MAE)
表6预测模型对比(RMSE)
表7预测模型对比(R2)
为了更好实施本发明实施例中的盾构机掘进姿态的预测方法，在盾构机掘进姿态的预测方法基础之上，对应的，请参阅图10，图10为本发明提供的盾构机掘进姿态的预测装置的一实施例的结构示意图，本发明实施例提供了一种盾构机掘进姿态的预测装置1000，包括：
预处理模块1010，用于从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对盾构机掘进特征参数进行预处理；
重构模块1020，用于采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数；
划分模块1030，用于对多步盾构机掘进特征参数进行数据集划分；
建模模块1040，用于建立初始盾构机掘进姿态预测模型；
训练模块1050，用于对初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型；
预测模块1060，用于将待预测盾构机运行数据输入至训练完备的目标盾构机掘进姿态预测模型进行多步预测。
这里需要说明的是：上述实施例提供的装置1000可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
请参阅图11，图11为本发明实施例提供的盾构机掘进姿态的预测设备的结构示意图。基于上述盾构机掘进姿态的预测方法，本发明还相应提供了一种盾构机掘进姿态的预测设备，盾构机掘进姿态的预测设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该盾构机掘进姿态的预测设备包括处理器1110、存储器1120及显示器1130。图11仅示出了盾构机掘进姿态的预测设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器1120在一些实施例中可以是盾构机掘进姿态的预测设备的内部存储单元，例如盾构机掘进姿态的预测设备的硬盘或内存。存储器1120在另一些实施例中也可以是盾构机掘进姿态的预测设备的外部存储设备，例如盾构机掘进姿态的预测设备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，存储器1120还可以既包括盾构机掘进姿态的预测设备的内部存储单元也包括外部存储设备。存储器1120用于存储安装于盾构机掘进姿态的预测设备的应用软件及各类数据，例如安装盾构机掘进姿态的预测设备的程序代码等。存储器1120还可以用于暂时的存储已经输出或者将要输出的数据。在一实施例中，存储器1120上存储有盾构机掘进姿态的预测程序1140，该盾构机掘进姿态的预测程序1140可被处理器1110所执行，从而实现本申请各实施例的盾构机掘进姿态的预测方法。
处理器1110在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器1120中存储的程序代码或处理数据，例如执行盾构机掘进姿态的预测方法等。
显示器1130在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器1130用于显示在盾构机掘进姿态的预测设备的信息以及用于显示可视化的用户界面。盾构机掘进姿态的预测设备的部件1110-1130通过系统总线相互通信。
在一实施例中，当处理器1110执行存储器1120中盾构机掘进姿态的预测程序1140时实现如上的盾构机掘进姿态的预测方法中的步骤。
本实施例还提供了一种计算机可读存储介质，其上存储有盾构机掘进姿态的预测程序，该盾构机掘进姿态的预测程序被处理器执行时实现以下步骤：
从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对盾构机掘进特征参数进行预处理；
采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数；
对多步盾构机掘进特征参数进行数据集划分；
建立初始盾构机掘进姿态预测模型；
对初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型；
将待预测盾构机运行数据输入至训练完备的目标盾构机掘进姿态预测模型进行多步预测。
综上，本实施例提供的一种盾构机掘进姿态的预测方法、装置、设备及存储介质，该方法包括：从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对所述盾构机掘进特征参数进行预处理；采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数；对所述多步盾构机掘进特征参数进行数据集划分；建立初始盾构机掘进姿态预测模型；对所述初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型；将待预测盾构机运行数据输入至所述训练完备的目标盾构机掘进姿态预测模型进行多步预测。本发明从采集的盾构机历史运行数据中提取出盾构机掘进特征参数，并对盾构机掘进特征参数进行预处理，重构成多步盾构机掘进特征参数，从大量的盾构机历史运行数据中确定了最能反应盾构机掘进姿态的特征参数，再通过训练完备的目标盾构机掘进姿态预测模型能够进行多步预测，从而提高了盾构机掘进姿态的预测精度，并且提高了实际工程应用性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种盾构机掘进姿态的预测方法，其特征在于，包括：
从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对所述盾构机掘进特征参数进行预处理；
采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数；
对所述多步盾构机掘进特征参数进行数据集划分；
建立初始盾构机掘进姿态预测模型；
对所述初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型；
将待预测盾构机运行数据输入至所述训练完备的目标盾构机掘进姿态预测模型进行多步预测。
2.根据权利要求1所述的盾构机掘进姿态的预测方法，其特征在于，所述从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对所述盾构机掘进特征参数进行预处理，包括：
筛除所述盾构机历史运行数据中的停机数据提取盾构机掘进特征参数；
对所述盾构机掘进特征参数中的异常值进行替换；
对替换后的盾构机掘进特征参数进行滤波去噪处理；
分析滤波去噪后的盾构机掘进特征参数之间的相关性；
对滤波去噪后的盾构机掘进特征参数进行归一化处理。
3.根据权利要求1所述的盾构机掘进姿态的预测方法，其特征在于，所述采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数，包括：
设置预测步长、序列长度和预测步距；
采用滑动窗口法以所述预测步长、所述序列长度和所述预测步距对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数。
4.根据权利要求1所述的盾构机掘进姿态的预测方法，其特征在于，所述对所述多步盾构机掘进特征参数进行数据集划分，包括：
以预设比例将重构后的多步盾构机掘进特征参数划分为训练集、验证集和测试集。
5.根据权利要求1所述的盾构机掘进姿态的预测方法，其特征在于，所述建立初始盾构机掘进姿态预测模型，包括：
依次设置多个特征提取层、多个多尺度时间卷积层、多个线性全连接层以及一个映射全连接层；
设置所述多尺度时间卷积层的卷积核的大小和膨胀系数，建立初始盾构机掘进姿态预测模型。
6.根据权利要求4所述的盾构机掘进姿态的预测方法，其特征在于，所述对所述初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型，包括：
将所述训练集输入至所述初始盾构机掘进姿态预测模型进行训练，得到过渡盾构机掘进姿态预测模型；
将所述验证集输入至所述过渡盾构机掘进姿态预测模型验证是否过拟合，得到目标盾构机掘进姿态预测模型；
将所述测试集输入至所述目标盾构机掘进姿态预测模型验证模型性能，得到训练完备的目标盾构机掘进姿态预测模型。
7.根据权利要求1所述的盾构机掘进姿态的预测方法，其特征在于，所述将待预测盾构机运行数据输入至所述训练完备的目标盾构机掘进姿态预测模型进行多步预测，之后包括：
根据平均绝对误差、均方根误差和决定系数对预测结果进行评价。
8.一种盾构机掘进姿态的预测方法，其特征在于，包括：
预处理模块，用于从采集的盾构机历史运行数据中提取盾构机掘进特征参数，并对所述盾构机掘进特征参数进行预处理；
重构模块，用于采用滑动窗口法对预处理后的盾构机掘进特征参数进行数据重构得到多步盾构机掘进特征参数；
划分模块，用于对所述多步盾构机掘进特征参数进行数据集划分；
建模模块，用于建立初始盾构机掘进姿态预测模型；
训练模块，用于对所述初始盾构机掘进姿态预测模型进行训练得到训练完备的目标盾构机掘进姿态预测模型；
预测模块，用于将待预测盾构机运行数据输入至所述训练完备的目标盾构机掘进姿态预测模型进行多步预测。
9.一种盾构机掘进姿态的预测设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任一项所述盾构机掘进姿态的预测方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项所述盾构机掘进姿态的预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311154593.2A CN117272019A (zh) | 2023-09-07 | 2023-09-07 | 一种盾构机掘进姿态的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311154593.2A CN117272019A (zh) | 2023-09-07 | 2023-09-07 | 一种盾构机掘进姿态的预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117272019A true CN117272019A (zh) | 2023-12-22 |
Family
ID=89216959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311154593.2A Pending CN117272019A (zh) | 2023-09-07 | 2023-09-07 | 一种盾构机掘进姿态的预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272019A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892044A (zh) * | 2024-03-18 | 2024-04-16 | 北京城建设计发展集团股份有限公司 | 盾构推进系统在不同位姿状态下产生三向末端力能力的评估方法 |
-
2023
- 2023-09-07 CN CN202311154593.2A patent/CN117272019A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892044A (zh) * | 2024-03-18 | 2024-04-16 | 北京城建设计发展集团股份有限公司 | 盾构推进系统在不同位姿状态下产生三向末端力能力的评估方法 |
| CN117892044B (zh) * | 2024-03-18 | 2024-05-24 | 北京城建设计发展集团股份有限公司 | 盾构推进系统在不同位姿状态下产生三向末端力能力的评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
| CN108960499B (zh) | 一种融合视觉和非视觉特征的服装流行趋势预测系统 | |
| CN111723738B (zh) | 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统 | |
| CN109447099B (zh) | 一种基于pca降维的多分类器融合方法 | |
| CN117272019A (zh) | 一种盾构机掘进姿态的预测方法、装置、设备及存储介质 | |
| CN105808712A (zh) | 将文本类医疗报告转换为结构化数据的智能系统及方法 | |
| CN107145885A (zh) | 一种基于卷积神经网络的单字图文字识别方法及装置 | |
| CN105389471A (zh) | 一种机器学习训练集缩减方法 | |
| CN116012653A (zh) | 一种注意力残差单元神经网络高光谱图像分类方法及系统 | |
| CN112883803A (zh) | 一种基于深度学习的心电信号分类方法、装置及存储介质 | |
| CN113288157A (zh) | 基于深度可分离卷积和改进损失函数的心律失常分类方法 | |
| CN117272139A (zh) | 一种结合特征相关性与时间相关性的盾构机姿态预测方法 | |
| CN114170245A (zh) | 一种基于SAA-Unet网络的蜂窝肺病灶分割方法 | |
| Susilo et al. | Accuracy enhancement in early detection of breast cancer on mammogram images with convolutional neural network (CNN) methods using data augmentation and transfer learning | |
| CN106326335A (zh) | 一种基于显著属性选择的大数据归类方法 | |
| CN104463912A (zh) | 一种基于簇相似的多尺度目标跟踪方法 | |
| Ma | Summary of research on application of deep learning in image recognition | |
| CN115937654A (zh) | 一种基于多层次特征融合的单目标跟踪方法 | |
| Zhang et al. | Improved deep learning model text classification | |
| CN117093984B (zh) | 一种基于深度学习的侧信道攻击方法及系统 | |
| CN118133687B (zh) | 轴承剩余寿命预测方法、装置、设备和存储介质 | |
| Marleny | Image Prediction of Exact Science and Social Science Learning Content with Convolutional Neural Network | |
| CN118114812B (zh) | 页岩气产量预测方法、计算机设备和存储介质 | |
| CN113361417B (zh) | 一种基于可变时序的人体行为识别方法 | |
| CN113642467B (zh) | 一种基于改进vgg网络模型的人脸表情识别方法 |
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 |