CN117272139A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117272139A CN117272139A CN202311211227.6A CN202311211227A CN117272139A CN 117272139 A CN117272139 A CN 117272139A CN 202311211227 A CN202311211227 A CN 202311211227A CN 117272139 A CN117272139 A CN 117272139A
- Authority
- CN
- China
- Prior art keywords
- data
- correlation
- model
- prediction
- characteristic
- 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 80
- 230000005641 tunneling Effects 0.000 title claims abstract description 54
- 238000003062 neural network model Methods 0.000 claims abstract description 75
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims description 75
- 238000005457 optimization Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning 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
- 238000011176 pooling Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06N3/045—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (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
本发明涉及一种结合特征相关性与时间相关性的盾构机姿态预测方法,其先获取目标盾构机在预设时间段内的原始数据,进行预处理后得到模型输入数据,然后通过预设盾构机姿态预测模型得到目标盾构机的姿态预测结果。其中,盾构机姿态预测模型包括依次相连的特征注意力神经网络模型、残差门控循环神经网络模型和掩码注意力神经网络模型,相比于现有技术,本发明通过特征注意力神经网络模型捕获盾构机的参数数据之间的潜在关系,实现自适应分配特征关注度,首次采用非级联结构的残差门控循环神经网络模型提高精度,通过掩码注意力神经网络模型捕获不同时间步之间的相关性,有效提升预测精度。
Description
技术领域
本发明涉及盾构机掘进姿态控制技术领域,尤其涉及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。
背景技术
城市人口规模的扩大使得地下交通建设需求越来越高,而隧道作为地下交通系统重要组成部分,其构建质量也将成为衡量工程项目优劣的重点评估对象。现阶段盾构机作为隧道掘进的关键设备已被广泛应用于地铁、水下公路、高铁等领域。在盾构机掘进过程中,盾构机一旦偏离设计隧道轴线(DTA),就会产生姿态偏差,进而造成管片拼装错位以及裂缝等重大工程问题,影响人们的生命、财产安全。偏差严重时还需要设计纠偏曲线,大大影响项目工期和成本。因此,精准预测盾构机姿态变化趋势,对保障工程质量、进度、成本及安全具有重要意义。
近年来随着人工智能技术的发展,机器学习、深度学习技术逐渐应用在了盾构机性能预测问题当中,该领域已经涌现了很多优秀的预测方法,比如,融合卷积神经网络与GRU模型来提高模型的预测精度以及鲁棒性;采用CNN-LSTM模型预测盾构机头部和尾部的俯仰角、滚动角以及垂直和水平偏差;针对盾构施工过程中不可避免的数据样本较少的问题,提出一种基于双路径混合深度神经网络的盾构机姿态预测方法,为小样本盾构姿态预测的研究提供了参考价值。
尽管这些研究为盾构机姿态预测提供了很大的帮助,但它们仍存在一定的局限性:首先,现有盾构机姿态预测方法仍集中采用循环神经网络捕获输入数据存在的时间依赖关系,而对输入特征间存在的相关性,尤其是衡量特征重要程度的方法还未进行研究。其次,预测模型主要结构上,现有模型仍以级联方式为主,即前层的输出直接作为后层的输入,还没有发掘可以提升模型预测精度的有效连接方式。然后,盾构姿态多步预测模型各个输出时间步之间存在的关系还未被人挖掘。上述缺陷导致现有的盾构机姿态预测方法均不具备较好的精确性。
发明内容
有鉴于此,有必要提供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,用以解决现有技术中盾构机姿态预测方法的精确性较差的问题。
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,本发明提供了一种结合特征相关性与时间相关性的盾构机姿态预测方法,包括:
获取目标盾构机在预设时间段内的原始数据,对所述预设时间段内的原始数据进行预处理,得到模型输入数据,所述模型输入数据的种类包括多种参数数据,多种参数数据包括盾构机运行状态数据和盾构机姿态相关数据;
将所述模型输入数据输入至预设盾构机姿态预测模型中,得到所述目标盾构机的姿态预测结果;
其中,所述盾构机姿态预测模型包括依次相连的特征注意力神经网络模型、残差门控循环神经网络模型和掩码注意力神经网络模型,其中:
所述特征注意力神经网络模型用于分析所述模型输入数据中多种参数数据之间的相关性,并根据所述模型输入数据中多种参数数据之间的相关性,优化所述模型输入数据,得到注意力优化数据;
所述残差门控循环神经网络模型用于通过多个非级联连接的门控循环单元,对所述注意力优化数据进行特征学习分析,得到所述目标盾构机的初始姿态预测数据;
所述掩码注意力神经网络模型用于根据所述初始姿态预测数据中不同时间的数据的相关性,优化所述初始姿态预测数据得到所述目标盾构机的姿态预测结果。
进一步的,所述特征注意力神经网络模型包括依次相连的第一特征提取层和注意力权重计算层,所述第一特征提取层的输入变量为所述模型输入数据,所述第一特征提取层的输出变量为注意力权重向量,所述第一特征提取层包括依次相连的一个卷积层和两个全连接层,所述第一特征提取层的输出端和所述第一特征提取层的输入端乘法连接,用于得到所述注意力优化数据。
进一步的,所述残差门控循环神经网络模型包括第一特征提取块、第二特征提取块和第三特征提取块,所述第一特征提取块的输入变量为所述注意力优化数据,所述第一特征提取块的输出变量包括第一输出变量和第一残差变量;所述第二特征提取块的输入变量为所述注意力优化数据和所述第一残差变量之差,所述第二特征提取块的输出变量包括第二输出变量和第二残差变量;所述第三特征提取块的输入变量为所述注意力优化数据和所述第一残差变量之差以及所述第二残差变量之差,所述第三特征提取块的输出变量包括第三输出变量;所述第一特征提取块、所述第二特征提取块和所述第三特征提取块均包括门控循环单元;所述第一输出变量、所述第二输出变量和所述第三输出变量三者之和作为所述初始姿态预测数据。
进一步的,所述第一特征提取块包括一个门控循环单元、两个第一全连接层和两个第二全连接层,所述门控循环单元的输入变量为所述第一特征提取块的输入变量,所述门控循环单元的输出端同时连接两个第一全连接层,两个第一全连接层分别连接两个第二全连接层,两个第二全连接层的输出变量分别为第一输出变量和第一残差变量;所述第二特征提取块和所述第三特征提取块的内部结构相同。
进一步的,所述掩码注意力神经网络模型,包括:
基于缩放点积自注意力机制,对所述初始姿态预测数据中不同时间的数据的相似度进行计算,并根据计算结构优化所述初始姿态预测数据,得到所述姿态预测结果。
进一步的,所述获取目标盾构机在预设时间段内的原始数据,对所述预设时间段内的原始数据进行预处理,得到模型输入数据,包括:
获取目标盾构机在预设时间段内的原始数据;
筛除所述预设时间段内的原始数据中,目标盾构机停机时间的数据,得到第一预处理数据;
对所述第一预处理数据进行异常数据筛除、去噪、归一化处理,得到第二预处理数据;
对所述第二预处理数据进行数据重构,得到所述模型输入数据。
进一步的,所述第二预处理数据为特征数据集序列,所述特征数据集序列中的多个特征数据集按照时间排序,每个特征数据集中包括分别对应每个参数数据的特征数值;所述对所述第二预处理数据进行数据重构,得到所述模型输入数据,包括:
在所述特征数据集序列中建立预设时间长度的滑动窗口;
沿时间方向基于预设步长移动所述滑动窗口,将每次移动时所述滑动窗口内的特征数据集的集合作为一个数据样本,得到多个依照时间排序的数据样本序列,作为所述模型输入数据。
第二方面,本发明还提供了一种结合特征相关性与时间相关性的盾构机姿态预测系统,包括:
数据获取模块,用于获取目标盾构机在预设时间段内的原始数据,对所述预设时间段内的原始数据进行预处理,得到模型输入数据,所述模型输入数据的种类包括多种参数数据,多种参数数据包括盾构机运行状态数据和盾构机姿态相关数据;
姿态预测模块,用于将所述模型输入数据输入至预设盾构机姿态预测模型中,得到所述目标盾构机的姿态预测结果;
其中,所述盾构机姿态预测模型包括依次相连的特征注意力神经网络模型、残差门控循环神经网络模型和掩码注意力神经网络模型,其中:
所述特征注意力神经网络模型用于分析所述模型输入数据中多种参数数据之间的相关性,并根据所述模型输入数据中多种参数数据之间的相关性,优化所述模型输入数据,得到注意力优化数据;
所述残差门控循环神经网络模型用于通过多个非级联连接的门控循环单元,对所述注意力优化数据进行特征学习分析,得到所述目标盾构机的初始姿态预测数据;
所述掩码注意力神经网络模型用于根据所述初始姿态预测数据中不同时间的数据的相关性,优化所述初始姿态预测数据得到所述目标盾构机的姿态预测结果。
第三方面,本发明还提供了一种电子设备,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结合特征相关性与时间相关性的盾构机姿态预测方法中的步骤。
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结合特征相关性与时间相关性的盾构机姿态预测方法中的步骤。
本发明提供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,其先获取目标盾构机在预设时间段内的原始数据,对所述预设时间段内的原始数据进行预处理,得到模型输入数据,然后将所述模型输入数据输入至预设盾构机姿态预测模型中,得到所述目标盾构机的姿态预测结果。其中,所述盾构机姿态预测模型包括依次相连的特征注意力神经网络模型、残差门控循环神经网络模型和掩码注意力神经网络模型,所述特征注意力神经网络模型用于分析多种参数数据之间的相关性,并根据多种参数数据之间的相关性,优化所述模型输入数据,得到注意力优化数据;所述残差门控循环神经网络模型用于通过多个非级联连接的门控循环单元,对所述注意力优化数据进行特征学习分析,得到所述目标盾构机的初始姿态预测数据;所述掩码注意力神经网络模型用于根据所述初始姿态预测数据中不同时间的数据的相关性,优化所述初始姿态预测数据得到所述目标盾构机的姿态预测结果。相比于现有技术,本发明通过特征注意力神经网络模型捕获盾构机的参数数据之间的潜在关系,实现自适应分配特征关注度,首次采用非级联结构的残差门控循环神经网络模型,实现由整体到局部的特征提取,提高精度,通过掩码注意力神经网络模型捕获不同时间步之间的相关性,有效提升预测精度。上述三者结合,解决了现有技术中盾构机姿态预测方法的精确性较差的问题。
附图说明
图1为本发明提供的结合特征相关性与时间相关性的盾构机姿态预测方法一实施例的方法流程图;
图2为图1中步骤S101一实施例的方法流程图;
图3为本发明提供的结合特征相关性与时间相关性的盾构机姿态预测方法一实施例中的数据重构示意图;
图4为本发明提供的结合特征相关性与时间相关性的盾构机姿态预测方法一实施例中的特征相关性热力图;
图5为本发明提供的结合特征相关性与时间相关性的盾构机姿态预测方法一实施例中预设盾构机姿态预测模型的结构示意图;
图6为本发明提供的结合特征相关性与时间相关性的盾构机姿态预测方法一实施例中预设盾构机姿态预测模型的误差散点图;
图7为本发明提供的结合特征相关性与时间相关性的盾构机姿态预测方法一实施例中HDH变量的预测效果可视化展示;
图8为本发明提供的结合特征相关性与时间相关性的盾构机姿态预测系统一实施例的系统架构图;
图9为本发明提供的电子设备一实施例的结构示意图。
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。
可以理解的是,本文中出现的技术名词、英文缩写等均为现有技术,本领域技术人员能够根据上下文理解其意义,本文中因篇幅原因不做过多说明。
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,也不是与其它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它实施例相结合。
本发明提供了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、系统、设备及存储介质,以下分别进行说明。
结合图1所示,本发明的一个具体实施例,公开了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,包括:
S101、获取目标盾构机在预设时间段内的原始数据,对所述预设时间段内的原始数据进行预处理,得到模型输入数据,所述模型输入数据的种类包括多种参数数据,多种参数数据包括盾构机运行状态数据和盾构机姿态相关数据;
S102、将所述模型输入数据输入至预设盾构机姿态预测模型中,得到所述目标盾构机的姿态预测结果;
其中,所述盾构机姿态预测模型包括依次相连的特征注意力神经网络模型、残差门控循环神经网络模型和掩码注意力神经网络模型,其中:
所述特征注意力神经网络模型用于分析所述模型输入数据中多种参数数据之间的相关性,并根据所述模型输入数据中多种参数数据之间的相关性,优化所述模型输入数据,得到注意力优化数据;
所述残差门控循环神经网络模型用于通过多个非级联连接的门控循环单元,对所述注意力优化数据进行特征学习分析,得到所述目标盾构机的初始姿态预测数据;
所述掩码注意力神经网络模型用于根据所述初始姿态预测数据中不同时间的数据的相关性,优化所述初始姿态预测数据得到所述目标盾构机的姿态预测结果。
相比于现有技术,本发明通过特征注意力神经网络模型捕获盾构机的参数数据之间的潜在关系,实现自适应分配特征关注度,首次采用非级联结构的残差门控循环神经网络模型,实现由整体到局部的特征提取,提高精度,通过掩码注意力神经网络模型捕获不同时间步之间的相关性,有效提升预测精度。上述三者结合,解决了现有技术中盾构机姿态预测方法的精确性较差的问题。
进一步的,结合图2所示,在一个优选的实施例中,上述步骤S101、获取目标盾构机在预设时间段内的原始数据,对所述预设时间段内的原始数据进行预处理,得到模型输入数据,具体包括:
S201、获取目标盾构机在预设时间段内的原始数据;
S202、筛除所述预设时间段内的原始数据中,目标盾构机停机时间的数据,得到第一预处理数据;
S203、对所述第一预处理数据进行异常数据筛除、去噪、归一化处理,得到第二预处理数据;
S204、对所述第二预处理数据进行数据重构,得到所述模型输入数据。
上述过程的参数数据,是指盾构机运行时会产生的有关数据,例如如一些和盾构机运行状况相关的运行状态数据,如油缸推力,刀盘扭矩,刀盘转速,推进速度等,还有和盾构姿态相关的姿态相关数据,如盾头水平偏差,盾尾水平偏差,盾头垂直偏差,盾尾垂直偏差等。可以理解的是,实际中根据具体情况也可以选择其他数据,例如周边土壤环境的数据,传感器采集的有关数据等。
上述过程中的原始数据是直接从盾构机有关系统中获取活采集的数据,而模型输入数据是用于输入至预设盾构机姿态预测模型中的数据,二者包含的数据种类本质上相同,即均包括多种参数数据。模型输入数据除了去噪、归一化等要求外,最重要的是其需要的是需要体现多个数据之间的时间序列关系,因此,本发明在使用原始数据前需要对其进行重构。
具体地,结合图3所示,在一个优选的实施例中,所述第二预处理数据为特征数据集序列,所述特征数据集序列中的多个特征数据集按照时间排序(即图中的Time,如T1、T2等),每个特征数据集中包括分别对应每个参数数据的特征数值(即图中的Features,如F1、F2等);
上述步骤S204、对所述第二预处理数据进行数据重构,得到所述模型输入数据,包括:
在所述特征数据集序列中建立预设时间长度的滑动窗口;
沿时间方向基于预设步长移动所述滑动窗口,将每次移动时所述滑动窗口内的特征数据集的集合作为一个数据样本,得到多个依照时间排序的数据样本序列,作为所述模型输入数据。
上述过程通过滑动窗口的方式实现数据重构,将仅包含单一时间序列关系的二维数据转化为包括多个时间序列之间的变化关系的三维数据。即由多个数据样本(图3中的Sample1、Sample2等)组成的时间序列,以方便预设盾构机姿态预测模型提取特征进行预测。
进一步的,在一个优选的实施例中,所述特征注意力神经网络模型包括依次相连的第一特征提取层和注意力权重计算层,所述第一特征提取层的输入变量为所述模型输入数据,所述第一特征提取层的输出变量为注意力权重向量,所述第一特征提取层包括依次相连的一个卷积层和两个全连接层,所述第一特征提取层的输出端和所述第一特征提取层的输入端乘法连接,用于得到所述注意力优化数据。
其通过注意力权重计算层实现分配对不同参数数据的注意力,以优化模型输入数据,降低一些对姿态影响较小的参数数据对计算资源的占用,以提升后续的预测精度。
进一步的,在一个优选的实施例中,所述残差门控循环神经网络模型包括第一特征提取块、第二特征提取块和第三特征提取块,所述第一特征提取块的输入变量为所述注意力优化数据,所述第一特征提取块的输出变量包括第一输出变量和第一残差变量;所述第二特征提取块的输入变量为所述注意力优化数据和所述第一残差变量之差,所述第二特征提取块的输出变量包括第二输出变量和第二残差变量;所述第三特征提取块的输入变量为所述注意力优化数据和所述第一残差变量之差以及所述第二残差变量之差,所述第三特征提取块的输出变量包括第三输出变量;所述第一特征提取块、所述第二特征提取块和所述第三特征提取块均包括门控循环单元;所述第一输出变量、所述第二输出变量和所述第三输出变量三者之和作为所述初始姿态预测数据。
上述残差门控循环神经网络模型采用非级联结构连接三个分析块,即通过前一级的分析块得到的残差变量修正下一级分析块的输入变量,最后通过三个分析块一同分析以提高预测精度。
具体地,在一个优选的实施例中,所述第一特征提取块包括一个门控循环单元、两个第一全连接层和两个第二全连接层,所述门控循环单元的输入变量为所述第一特征提取块的输入变量,所述门控循环单元的输出端同时连接两个第一全连接层,两个第一全连接层分别连接两个第二全连接层,两个第二全连接层的输出变量分别为第一输出变量和第一残差变量;所述第二特征提取块和所述第三特征提取块的内部结构相同。
可以理解的是,第三特征提取块没有后续的分析块,因此其没有输出的残差变量,其内部对应的用于计算残差的全连接层可以删去。
进一步的,在一个优选的实施例中,所述掩码注意力神经网络模型,包括:
基于缩放点积自注意力机制,对所述初始姿态预测数据中不同时间的数据的相似度进行计算,并根据计算结构优化所述初始姿态预测数据,得到所述姿态预测结果。
掩码注意力神经网络模型基于缩放点积自注意力机制,使用内积来描述不同时间步中数据的联系,进而优化初始姿态预测数据,以得到更加准确的姿态预测结果。
本发明还提供一更加详细的实施例,用以清楚地说明上述过程S101~S102:
步骤1:盾构姿态数据采集;
步骤1中,本实施例以隧道管片环号为依据,将从盾构机数据采集系统中收集到的原始数据中的参数数据分别保存在不同的(.CSV)文件当中。参数数据中包含了盾构掘进过程中获取的关键参数信息,例如推力、刀盘转速、刀盘扭矩和土压等。这些数据在盾构机掘进过程中共同作用,最终决定盾构姿态的变化。
对于数据初步分析,从盾构机数据采集系统提取到的数据是以20mm掘进行程的间隔进行记录,其中每一行代表一个时间步长。每一环共包含1700多个参数数据以及100多个时间节点共约17万的数据。
根据工程经验以及前人研究,最终确定15个盾构机参数和4个姿态参数(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
步骤2:盾构姿态数据预处理;
由于盾构机施工环境的复杂性,收集到的原始数据并不都能作为预设盾构机姿态预测模型的模型输入数据,采集到的原始数据包含很多无效数据,例如停机数据、空值和异常数据等。它们会给模型训练带来冗余信息,影响模型预测精度,因此有必要进行数据预处理工作。
数据预处理的第一步就是剔除停机期间的数据。根据停机期间盾构机推力为0的特点,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)。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,针对异常值则采用前后均值进行替换。
异常值筛选完后需要采用Butterworth filter滤波器避免个别噪点的干扰。Butterworth滤波器的公式为:
其中m为滤波器的阶数,ωC为截止频率,为兼顾过滤异常点的同时避免改变原始数据趋势的目的。通过试错,滤波器阶数m和单位角截止频率ωC设置为2和0.2。
步骤3:采用皮尔森相关系数法分析盾构机参数之间的相关性;
由于深度学习方法是为了挖掘变量间存在的非线性关系,因此只有当输入数据不存在明显的线性关系时,才可以建立深度学习模型进行训练和测试。所以,本研究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:
完成数据清洗工作后,根据下式采用Pearson相关系数法来量化分析各个参数之间的相关程度。
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与fy的第i个值,/>与/>分别为fx和fy的平均值。
图4为特征相关性热力图。图中A到S为按照筛选特征顺序进行排序的参数数据,后四个变量即为本实验需要预测的四个姿态特征。由观察可得,待测姿态参数与其他特征的相关系数绝对值普遍不大于0.7,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。
步骤4:对盾构姿态参数进行归一化处理;
由于每个输入特征取值范围差异较大,所以在进行模型训练之前需要进行归一化处理,便于模型在训练时可以快速收敛,针对不同参数数据存在数据范围以及单位差异的问题,处理后的数据需根据下式进行归一化处理。归一化的公式为:
式中:fi为原始第i个参数数据,Fni为进行标准化操作过后的第i个参数数据对应的模型输入数据。
步骤5:采用滑动窗口法进行数据重构;
这是因为归一化后的数据是一个包含时间步和特征变量的二维矩阵,不能直接作为盾构机姿态预测模型的输入,需要数据重构,转化为时间序列监督问题。为了方便模型更好地提取历史数据的依赖关系,本研究通过滑动窗口法将二维数据转化为样本、时间、特征的三维数据。
采用滑动窗口法将归一化后的数据进行数据重构,输入变量为过去历史运行参数,输出变量为未来一段时间的姿态数据。归一化后的数据通过滑动窗口法转化为时序数据才能进行模型训练。具体来说:输入数据为具有15个特征参数以及1个待预测的姿态参数共16个特征的时间序列。根据实际工程需要,设置滑动窗口长度为30,包含了过去30个时间步的历史数据,移动步距设置为1,输出变量即为待预测变量未来6个时间步的值。
步骤6:划分训练集,验证集和测试集:
采用7:1:2的比例划分训练集、验证集和测试集。
经过滑动窗口处理后的数据集由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。
步骤7:建立FTA-N-GRU盾构机姿态预测模型(即本发明中的预设盾构机姿态预测模型)对未来六步姿态偏差进行预测(即得到所述目标盾构机的姿态预测结果);
如图5所示,本发明提出的FTA-N-GRU盾构机姿态多步预测模型分为三个主要部分,分别为特征注意力神经网络模型(FA-attention),残差门控循环神经网络模型(FB-GRU)以及掩码注意力神经网络模型(Mask-attention)。
FA-attention模型:
盾构机运行期间,土质的改变、施工过程的突发状况以及驾驶人员的操作行为都会为各个参数数据带来一定程度的影响,它们存在一定的相似性。在变化时间上,可能同时改变,也可能存在一定延迟。在变化程度上,可能非常剧烈,也可能比较微弱。这表明了盾构机姿态特征之间存在一定的潜在关系。以刀盘转速与排泥流量为例,随着盾构机刀盘转速的加快,盾构机必须增大排泥流量,不然就会导致泥水堆积,影响挖掘进程。而转速的加快对于盾构机的四周压力来说,影响就会比较小。为了考虑不同特征之间的相关性以及提供有效的输入组合,本文设计了FA-attention模型,通过训练来自适应分配模型对输入特征的关注度,将原始数据重构为考虑了特征重要程度的格式。
FB-GRU模型:
FB-GRU模型中共含有三个Block(即第一特征提取块、第二特征提取块和第三特征提取块),每个Block中包含一个用于提取时序特征的GRU模型(即门控循环单元)、两个第一全连接层以及用于将输出特征进行映射的BackFC块和ForeFC块,均由全连接层组成(即不同的第二全连接层)。
其中BackFC块用于将数据映射为与输入相同的维度,并与输入相减传递到下一层,处理前一层无法处理的残差。而ForeFC块则用于将提取到的特征映射到输出的维度,每个ForeFC块的输出进行求和就得到了最终预测结果。该模型中用于时序特征提取的门控循环单元(GRU)是2014年提出的一种改进的循环神经网络(RNN)模型。与LSTM相比,GRU具有更简单的结构、更快的训练速度和更高的计算效率。该网络主要包括更新门和重置门两个部分。更新门用于决定过去的信息有多少会传递到未来,重置门用于决定有多少信息将被遗忘。
Mask-attention模型:
现有盾构机姿态多步预测模型输出方式上仍然以直接多步输出为主。这种方式虽然保证了输出变量各自独立,但缺少了对不同时间步输出之间的考虑。本文提出掩码注意力模型,合理考虑不同时间步之间的联系,使得当前时间步的预测值只会受到之前时间步的影响。
Mask-attention模型的关键部分就是scaled dot-product attention机制(放缩点积自注意力机制),其本质上是使用点积进行相似度计算的注意力机制,放缩点积自注意力的计算方式为:
其中,Attention(Q,K,V)可以被描述为一个查询(query)到一系列键值(keyvalue)对的映射。自注意力(sef-ttention)就是在序列内部做attention,寻找序列内部的联系。Mask-attention模型的本质上是使用点积进行相似度计算的注意力机制。Q,K,V均为向量形式。比例系数dk则是为了避免点积结果过大。其中scaled dot-product attention机制则是在原自注意力机制基础上通过生成一个无穷小负数的上三角矩阵,采用softmax操作使得当前时间步的注意力只会关注到自己与之前的值,不会受到未来数据的干扰,合理提取不同输出步之间的信息。
集成上述三个模型后,便构成本发明提出的FTA-N-GRU盾构姿态预测模型。其中,详细模型细节如表2所示。
表2:FTA-N-GRU模型细节
步骤8:采用平均绝对误差(MAE),均方根误差(RMSE)和决定系数(R2)综合评价模型预测效果:
为了评估所提出方法的性能,这里采用平均绝对误差MAE(Mean AbsoluteError),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3到表5为所提模型在四个姿态参数上的预测结果。经分析,FTA-N-GRU模型的MAE在t+1步的结果都低于0.25,而在RMSE的表现上,其余预测结果也均保持在0.3左右,在R2上预测结果均高于0.91。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3四个姿态参数预测结果的MAE
表4四个姿态参数预测结果的RMSE
表5四个姿态参数预测结果的R2
图6为四个输出的散点图,其中(a)对应HDH,(b)对应HDT,(c)对应VDH,(d)对应VDT。图中横纵坐标分别为真实值与预测值,图中曲线为数据整体分布直方图,用于反映真实值与预测值的具体分布情况。散点的分布非常接近于y=x对角线,这说明所提模型展现出了强大的预测能力,也验证了所提方法可以完全胜任盾构姿态多步预测任务,为操作人员在驾驶期间的决策提供可靠估计。
步骤9:模型对比分析;
为验证所提方法的有效性,本研究采用相同的数据集在退化模型上进行了实验。同时对各种现有深度学习方法进行训练和评估以比较模型性能。
(1)退化模型对比
本发明采用5个退化模型(GRU,FA-GRU,FB-GRU,GRU-Mask以及FA-FB-GRU)分别探究所加策略对预测结果的影响。各个模型的参数设置与FTA-N-GRU模型相同。表格7内容为预测模型在t+1步到t+6步预测结果的均值。从消融结果可知,在以GRU预测模型为基础进行的改进策略在精度上都会有一定的提升。其中,FA-attention以及FB-GRU模型结构对预测精度的影响是最大的。在RMSE上,数据变化剧烈的特征也均有0.2的下降。而综合了三个改进措施的FTA-N-GRU模型在各项指标上都达到了最优。相比GRU模型有约25%的效果提升,验证了所提方法的有效性。
表7退化模型对比
(2)深度学习模型对比
为了比较所提模型与现有多步预测模型的预测效果,这里选取了比较热门的5个深度学习模型来凸显本模型的优越性,分别为CNN、CNN-GRU、TCN、MDTC-TCN和C-GRU。其中CNN、CNN-GRU和TCN为常用的多步预测模型。TCN是在2018年提出的一种用于时序数据的结构,它是一种类似RNN的框架。MDTC-GRU为在TCN基础上结合多尺度和GRU进行改进的多步预测模型,在预测效果上相比TCN模型有很大提升。C-GRU模型为盾构姿态预测研究领域中最新发表论文提出的多步预测模型。对于CNN模型,本研究设置了三个卷积层、两个池化层和两层全连接层。TCN模型则采用四层一维卷积进行设置,输出通道统一设置为128,最后采用两层全连接层进行输出。C-GRU模型则按照论文中的超参数进行设置。
表8到表10为具体实验结果,本研究所提多步预测模型的提升效果非常明显,对比CNN-GRU预测模型,本模型在VDH特征上的提升效果有42.86%之多。相比C-GRU模型,整体MAE和RMSE的提升效果也在20%以上。本研究选取姿态数据变化较大的HDH变量为典型进行可视化展示,图7为具体预测效果。可以看出在波动较大的部分,所提模型相比其他模型可以更好地拟合真实数据,展现出了所提模型的强大预测潜力,为施工人员提供更为准确的姿态变化信息。
表8不同盾构姿态预测模型MAE对比
表9不同盾构姿态预测模型RMSE对比
表10不同盾构姿态预测模型R2对比
本发明的有益效果为:
(1)通过在盾构姿态预测模型中引入FA-attention,能够使模型对不同特征自适应分配关注度,从而提高模型的整体预测精度。与未引入FA-attention相比。MAE值和RMSE值分别降低了11.39%和11.28%。
(2)不同于传统盾构姿态多步预测模型的级联结构,首次提出FB-GRU模型,对盾构姿态特征进行从整体到局部的学习,与未使用该结构模型相比,MAE值和RMSE值分别降低了10.92%和13.21%。
(3)针对多步预测模型不同时间步输出的联系,引入Mask-attention模型,合理提取不同时间步的相关性,提高模型的预测精度。与未使用该模型相比,MAE值和RMSE值分别降低了8.34%和10.02%。
为了更好实施本发明实施例中的结合特征相关性与时间相关性的盾构机姿态预测方法,在结合特征相关性与时间相关性的盾构机姿态预测方法基础之上,对应的,请参阅图8,图8为本发明提供的结合特征相关性与时间相关性的盾构机姿态预测系统的一实施例的结构示意图,本发明实施例提供的一种结合特征相关性与时间相关性的盾构机姿态预测系统800,包括:
数据获取模块810,用于获取目标盾构机在预设时间段内的原始数据,对所述预设时间段内的原始数据进行预处理,得到模型输入数据,所述模型输入数据的种类包括多种参数数据,多种参数数据包括盾构机运行状态数据和盾构机姿态相关数据;
姿态预测模块820,用于将所述模型输入数据输入至预设盾构机姿态预测模型中,得到所述目标盾构机的姿态预测结果;
其中,所述盾构机姿态预测模型包括依次相连的特征注意力神经网络模型、残差门控循环神经网络模型和掩码注意力神经网络模型,其中:
所述特征注意力神经网络模型用于分析所述模型输入数据中多种参数数据之间的相关性,并根据所述模型输入数据中多种参数数据之间的相关性,优化所述模型输入数据,得到注意力优化数据;
所述残差门控循环神经网络模型用于通过多个非级联连接的门控循环单元,对所述注意力优化数据进行特征学习分析,得到所述目标盾构机的初始姿态预测数据;
所述掩码注意力神经网络模型用于根据所述初始姿态预测数据中不同时间的数据的相关性,优化所述初始姿态预测数据得到所述目标盾构机的姿态预测结果。
这里需要说明的是:上述实施例提供的对应的系统800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9,图9为本发明实施例提供的电子设备的结构示意图。基于上述结合特征相关性与时间相关性的盾构机姿态预测方法,本发明还相应提供了一种结合特征相关性与时间相关性的盾构机姿态预测设备900,即上述电子设备,结合特征相关性与时间相关性的盾构机姿态预测设备900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。该结合特征相关性与时间相关性的盾构机姿态预测设备900包括处理器910、存储器920及显示器930。图9仅示出了结合特征相关性与时间相关性的盾构机姿态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920在一些实施例中可以是结合特征相关性与时间相关性的盾构机姿态预测设备900的内部存储单元,例如结合特征相关性与时间相关性的盾构机姿态预测设备900的硬盘或内存。存储器920在另一些实施例中也可以是结合特征相关性与时间相关性的盾构机姿态预测设备900的外部存储设备,例如结合特征相关性与时间相关性的盾构机姿态预测设备900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920还可以既包括结合特征相关性与时间相关性的盾构机姿态预测设备900的内部存储单元也包括外部存储设备。存储器920用于存储安装于结合特征相关性与时间相关性的盾构机姿态预测设备900的应用软件及各类数据,例如安装结合特征相关性与时间相关性的盾构机姿态预测设备900的程序代码等。存储器920还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器920上存储有结合特征相关性与时间相关性的盾构机姿态预测程序940,该结合特征相关性与时间相关性的盾构机姿态预测程序940可被处理器910所执行,从而实现本申请各实施例的结合特征相关性与时间相关性的盾构机姿态预测方法。
处理器910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920中存储的程序代码或处理数据,例如执行结合特征相关性与时间相关性的盾构机姿态预测方法等。
显示器930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930用于显示在结合特征相关性与时间相关性的盾构机姿态预测设备900的信息以及用于显示可视化的用户界面。结合特征相关性与时间相关性的盾构机姿态预测设备900的部件910-930通过系统总线相互通信。
在一实施例中,当处理器910执行存储器920中结合特征相关性与时间相关性的盾构机姿态预测程序940时实现如上的结合特征相关性与时间相关性的盾构机姿态预测方法中的步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有结合特征相关性与时间相关性的盾构机姿态预测程序,该结合特征相关性与时间相关性的盾构机姿态预测程序被处理器执行时可实现上述实施例中的步骤。
本发明提供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,其先获取目标盾构机在预设时间段内的原始数据,对所述预设时间段内的原始数据进行预处理,得到模型输入数据,然后将所述模型输入数据输入至预设盾构机姿态预测模型中,得到所述目标盾构机的姿态预测结果。其中,所述盾构机姿态预测模型包括依次相连的特征注意力神经网络模型、残差门控循环神经网络模型和掩码注意力神经网络模型,所述特征注意力神经网络模型用于分析多种参数数据之间的相关性,并根据多种参数数据之间的相关性,优化所述模型输入数据,得到注意力优化数据;所述残差门控循环神经网络模型用于通过多个非级联连接的门控循环单元,对所述注意力优化数据进行特征学习分析,得到所述目标盾构机的初始姿态预测数据;所述掩码注意力神经网络模型用于根据所述初始姿态预测数据中不同时间的数据的相关性,优化所述初始姿态预测数据得到所述目标盾构机的姿态预测结果。相比于现有技术,本发明通过特征注意力神经网络模型捕获盾构机的参数数据之间的潜在关系,实现自适应分配特征关注度,首次采用非级联结构的残差门控循环神经网络模型,实现由整体到局部的特征提取,提高精度,通过掩码注意力神经网络模型捕获不同时间步之间的相关性,有效提升预测精度。上述三者结合,解决了现有技术中盾构机姿态预测方法的精确性较差的问题。
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)
1.一种结合特征相关性与时间相关性的盾构机姿态预测方法,其特征在于,包括:
获取目标盾构机在预设时间段内的原始数据,对所述预设时间段内的原始数据进行预处理,得到模型输入数据,所述模型输入数据的种类包括多种参数数据,多种参数数据包括盾构机运行状态数据和盾构机姿态相关数据;
将所述模型输入数据输入至预设盾构机姿态预测模型中,得到所述目标盾构机的姿态预测结果;
其中,所述盾构机姿态预测模型包括依次相连的特征注意力神经网络模型、残差门控循环神经网络模型和掩码注意力神经网络模型,其中:
所述特征注意力神经网络模型用于分析所述模型输入数据中多种参数数据之间的相关性,并根据所述模型输入数据中多种参数数据之间的相关性,优化所述模型输入数据,得到注意力优化数据;
所述残差门控循环神经网络模型用于通过多个非级联连接的门控循环单元,对所述注意力优化数据进行特征学习分析,得到所述目标盾构机的初始姿态预测数据;
所述掩码注意力神经网络模型用于根据所述初始姿态预测数据中不同时间的数据的相关性,优化所述初始姿态预测数据得到所述目标盾构机的姿态预测结果。
2.根据权利要求1所述的结合特征相关性与时间相关性的盾构机姿态预测方法,其特征在于,所述特征注意力神经网络模型包括依次相连的第一特征提取层和注意力权重计算层,所述第一特征提取层的输入变量为所述模型输入数据,所述第一特征提取层的输出变量为注意力权重向量,所述第一特征提取层包括依次相连的一个卷积层和两个全连接层,所述第一特征提取层的输出端和所述第一特征提取层的输入端乘法连接,用于得到所述注意力优化数据。
3.根据权利要求1所述的结合特征相关性与时间相关性的盾构机姿态预测方法,其特征在于,所述残差门控循环神经网络模型包括第一特征提取块、第二特征提取块和第三特征提取块,所述第一特征提取块的输入变量为所述注意力优化数据,所述第一特征提取块的输出变量包括第一输出变量和第一残差变量;所述第二特征提取块的输入变量为所述注意力优化数据和所述第一残差变量之差,所述第二特征提取块的输出变量包括第二输出变量和第二残差变量;所述第三特征提取块的输入变量为所述注意力优化数据和所述第一残差变量之差以及所述第二残差变量之差,所述第三特征提取块的输出变量包括第三输出变量;所述第一特征提取块、所述第二特征提取块和所述第三特征提取块均包括门控循环单元;所述第一输出变量、所述第二输出变量和所述第三输出变量三者之和作为所述初始姿态预测数据。
4.根据权利要求3所述的结合特征相关性与时间相关性的盾构机姿态预测方法,其特征在于,所述第一特征提取块包括一个门控循环单元、两个第一全连接层和两个第二全连接层,所述门控循环单元的输入变量为所述第一特征提取块的输入变量,所述门控循环单元的输出端同时连接两个第一全连接层,两个第一全连接层分别连接两个第二全连接层,两个第二全连接层的输出变量分别为第一输出变量和第一残差变量;所述第二特征提取块和所述第三特征提取块的内部结构相同。
5.根据权利要求1所述的结合特征相关性与时间相关性的盾构机姿态预测方法,其特征在于,所述掩码注意力神经网络模型,包括:
基于缩放点积自注意力机制,对所述初始姿态预测数据中不同时间的数据的相似度进行计算,并根据计算结构优化所述初始姿态预测数据,得到所述姿态预测结果。
6.根据权利要求1所述的结合特征相关性与时间相关性的盾构机姿态预测方法,其特征在于,所述获取目标盾构机在预设时间段内的原始数据,对所述预设时间段内的原始数据进行预处理,得到模型输入数据,包括:
获取目标盾构机在预设时间段内的原始数据;
筛除所述预设时间段内的原始数据中,目标盾构机停机时间的数据,得到第一预处理数据;
对所述第一预处理数据进行异常数据筛除、去噪、归一化处理,得到第二预处理数据;
对所述第二预处理数据进行数据重构,得到所述模型输入数据。
7.根据权利要求6所述的结合特征相关性与时间相关性的盾构机姿态预测方法,其特征在于,所述第二预处理数据为特征数据集序列,所述特征数据集序列中的多个特征数据集按照时间排序,每个特征数据集中包括分别对应每个参数数据的特征数值;所述对所述第二预处理数据进行数据重构,得到所述模型输入数据,包括:
在所述特征数据集序列中建立预设时间长度的滑动窗口;
沿时间方向基于预设步长移动所述滑动窗口,将每次移动时所述滑动窗口内的特征数据集的集合作为一个数据样本,得到多个依照时间排序的数据样本序列,作为所述模型输入数据。
8.一种结合特征相关性与时间相关性的盾构机姿态预测系统,其特征在于,包括:
数据获取模块,用于获取目标盾构机在预设时间段内的原始数据,对所述预设时间段内的原始数据进行预处理,得到模型输入数据,所述模型输入数据的种类包括多种参数数据,多种参数数据包括盾构机运行状态数据和盾构机姿态相关数据;
姿态预测模块,用于将所述模型输入数据输入至预设盾构机姿态预测模型中,得到所述目标盾构机的姿态预测结果;
其中,所述盾构机姿态预测模型包括依次相连的特征注意力神经网络模型、残差门控循环神经网络模型和掩码注意力神经网络模型,其中:
所述特征注意力神经网络模型用于分析所述模型输入数据中多种参数数据之间的相关性,并根据所述模型输入数据中多种参数数据之间的相关性,优化所述模型输入数据,得到注意力优化数据;
所述残差门控循环神经网络模型用于通过多个非级联连接的门控循环单元,对所述注意力优化数据进行特征学习分析,得到所述目标盾构机的初始姿态预测数据;
所述掩码注意力神经网络模型用于根据所述初始姿态预测数据中不同时间的数据的相关性,优化所述初始姿态预测数据得到所述目标盾构机的姿态预测结果。
9.一种电子设备,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中任一项所述结合特征相关性与时间相关性的盾构机姿态预测方法中的步骤。
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中任一项所述结合特征相关性与时间相关性的盾构机姿态预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311211227.6A CN117272139A (zh) | 2023-09-18 | 2023-09-18 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311211227.6A CN117272139A (zh) | 2023-09-18 | 2023-09-18 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117272139A true CN117272139A (zh) | 2023-12-22 |
Family
ID=89200166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311211227.6A Pending CN117272139A (zh) | 2023-09-18 | 2023-09-18 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272139A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493837A (zh) * | 2024-01-03 | 2024-02-02 | 中铁南方投资集团有限公司 | 一种基于机器学习的盾构掘进机姿态分项预测方法 |
-
2023
- 2023-09-18 CN CN202311211227.6A patent/CN117272139A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493837A (zh) * | 2024-01-03 | 2024-02-02 | 中铁南方投资集团有限公司 | 一种基于机器学习的盾构掘进机姿态分项预测方法 |
CN117493837B (zh) * | 2024-01-03 | 2024-03-19 | 中铁南方投资集团有限公司 | 一种基于机器学习的盾构掘进机姿态分项预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Machine learning in construction: From shallow to deep learning | |
Jana et al. | YOLO based Detection and Classification of Objects in video records | |
Chen et al. | Embedded system real-time vehicle detection based on improved YOLO network | |
CN108287989B (zh) | 一种基于轨迹的滑动验证码人机识别方法 | |
Chen et al. | GPU-accelerated real-time stereo estimation with binary neural network | |
CN111898639B (zh) | 基于降维的分层时间记忆工业异常检测方法与装置 | |
CN103810723A (zh) | 基于帧间约束超像素编码的目标跟踪方法 | |
CN110569843B (zh) | 一种矿井目标智能检测与识别方法 | |
CN109829936B (zh) | 一种目标追踪的方法及设备 | |
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 | |
US20240012965A1 (en) | Steady flow prediction method in plane cascade based on generative adversarial network | |
CN113536982B (zh) | 主减速器剩余寿命智能预测方法、系统、设备及介质 | |
CN115375737B (zh) | 基于自适应时间与序列化时空特征的目标跟踪方法与系统 | |
CN115512152A (zh) | 一种cnn和lstm神经网络组合的船舶轨迹分类方法及系统 | |
CN111104855B (zh) | 一种基于时序行为检测的工作流识别方法 | |
Shi et al. | Intelligent fault diagnosis of rolling mills based on dual attention-guided deep learning method under imbalanced data conditions | |
Wu et al. | Quality estimation method for gear hobbing based on attention and adversarial transfer learning | |
CN108537825A (zh) | 一种基于迁移学习回归网络的目标跟踪方法 | |
CN112347531B (zh) | 一种脆性大理石三维裂纹扩展路径预测方法及系统 | |
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 | |
CN111858343A (zh) | 一种基于攻击能力的对抗样本生成方法 | |
Hernandez et al. | A deep learning framework for construction equipment activity analysis | |
CN116501444A (zh) | 智能网联汽车域控制器虚拟机异常云边协同监测和恢复系统及方法 | |
CN117079095A (zh) | 基于深度学习的高空抛物检测方法、系统、介质和设备 | |
CN114692490A (zh) | 清晰化双谱图和改进卷积神经网络旋转机械故障诊断方法 |
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 |