CN117290664A - 一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置 - Google Patents
一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置 Download PDFInfo
- Publication number
- CN117290664A CN117290664A CN202311259493.6A CN202311259493A CN117290664A CN 117290664 A CN117290664 A CN 117290664A CN 202311259493 A CN202311259493 A CN 202311259493A CN 117290664 A CN117290664 A CN 117290664A
- Authority
- CN
- China
- Prior art keywords
- uncertainty
- value
- subsequence
- result
- prediction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000001149 cognitive effect Effects 0.000 claims abstract description 122
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 85
- 238000007781 pre-processing Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007873 sieving Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000009826 distribution Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000005641 tunneling Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 108090000672 Annexin A5 Proteins 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于EMD‑BLSTM模型的刀盘扭矩实时动态预测方法及装置，包括：基于隧道盾构机的工作数据得到预处理刀盘扭矩时间序列信号；基于EMD分解方法，利用BLSTM模型计算预处理刀盘扭矩时间序列信号的分解表达式，并计算得到子序列数量的预设值；将BLSTM模型输出的子序列数量的设置为所述预设值，通过重复运行BLSTM模型，计算得到训练历史时步；选出的输入变量，利用BLSTM神经网络，采用不同的超前预测步数进行数据预测，获得每个子序列的预测值、偶然不确定性上下限值和认知不确定性上下限值，最后，将其进行求和；对预测数据结果进行指标评价分析，包括偶然不确定性和认知不确定性的预测评估。
Description
技术领域
本发明属于隧道盾构机的刀盘扭矩实时动态预测技术领域，特别涉及一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法及装置。
背景技术
随着我国城市的蓬勃发展，有限的土地资源已成为制约城市发展的障碍。为了全面利用有限的土地资源，城市的发展方向向城市地下空间转变，地下工程主要包括地下建筑、地下铁路隧道、供水隧道等，主要以隧道工程为主。隧道盾构机在大深度、长距离隧道施工中发挥着不可替代的作用。与传统的明挖、暗挖、沉管、钻爆等隧道施工方法相比，隧道盾构机具有效率更高、更安全和对地面交通活动的影响更小的优点。
由于隧道环境的不断变化，因此隧道盾构机的工作状态可以反映相应的地质条件。隧道盾构机的工作状态由许多不同的参数共同描述，其中刀盘扭矩是隧道盾构机在掘进过程中与地质环境相互作用而产生的，是隧道盾构机的主要载荷参数之一。现有技术中，通过机器学习方法和神经网络模型对刀盘扭矩进行预测。然而现有的预测方法存在预测结果准确率较低，无法获得高质量的预测区间，以及无法量化确定性预测中存在的偶然不确定性和认知不确定性的问题。
发明内容
本发明提供了一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法及装置，旨在解决上述现有技术中存在的预测结果准确率较低，无法获得高质量的预测区间，以及无法量化确定性预测中存在的偶然不确定性和认知不确定性的技术问题。
本发明解决上述技术问题的技术方案如下：一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法，包括：
S1：基于隧道盾构机的工作数据获取原始刀盘扭矩时间序列信号，并对所述原始刀盘扭矩时间序列信号进行预处理，得到预处理刀盘扭矩时间序列信号；
S2：计算所述预处理刀盘扭矩时间序列信号的分解表达式，基于EMD分解方法和所述分解表达式，多次利用BLSTM模型对所述预处理刀盘扭矩时间序列信号进行迭代分解，得到多个子序列组；其中，每个所述子序列组中的子序列数量不同；
S3，根据各个所述子序列组中的子序列，从所有所述子序列组中筛选出目标子序列组，并将所述目标子序列组中的子序列数量作为目标数量；
S4，根据所述目标数量计算出所述BLSTM模型的训练历史时步；
S5，根据所述训练历史时步，预设多个超前预测步数；基于所述目标数量和多个所述超前预测步数，利用所述BLSTM模型对所述预处理刀盘扭矩时间序列信号进行分解得到结果子序列组，计算并输出所述结果子序列组的偶然不确定性上下限总值和认知不确定性上下限总值；
S6:基于所述结果子序列组的偶然不确定性上下限总值和认知不确定性上下限总值计算出所述结果子序列组的平均预测区间宽度和预测区间覆盖概率；
计算出所述结果子序列组中的各个子序列的结果均方根误差和结果决定系数；
基于所述平均预测区间宽度、所述预测区间覆盖概率、所述结果均方根误差和所述结果决定系数进行指标评价分析，得到刀盘扭矩的预测结果。
本发明的有益效果是：本发明具有预测结果精度高的优点，还能获得偶然不确定性和认知不确定性的高质量预测区间，实现刀盘扭矩实时超前多步预测，为隧道盾构机的高效安全掘进提供了更丰富的信息。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，上述在所述S2中，计算所述预处理刀盘扭矩时间序列信号的分解表达式具体步骤为：
S2.1：获取预处理刀盘扭矩时间序列信号的极大值点和极小值点，基于曲线插值方法对所述极大值点和极小值点进行拟合，得到预处理刀盘扭矩时间序列信号的上包络线信号和下包络线信号，对所述上包络线信号和下包络线信号进行平均处理得到预处理刀盘扭矩时间序列信号的平均包络线信号；
S2.2：将所述预处理刀盘扭矩时间序列信号与所述平均包络线信号作差处理，得到第一次余下信号；其中，第一次余下信号为第一次得到的余下信号；
S2.3：获取第c次余下信号的极大值点和极小值点，基于曲线插值方法对所述第c次余下信号的极大值点和极小值点进行拟合，得到第c次余下信号的上包络线信号和下包络线信号，对第c次余下信号的上包络线信号和下包络线信号进行平均处理得到第c次余下信号的号的平均包络线信号；将所述第c次余下信号与所述第c次余下信号的号的平均包络线信号作差处理，得到第c+1次余下信号；其中，c的初始值为一，循环执行S2.3，直至BLSTM模型中的第一筛分门限值小于门限值阈值时停止循环，得到第一阶模态分量；其中，所述第一阶模态分量为第e次余下信号，e为循环执行S2.3的总次数；所述第一筛分门限值如下式所示:
其中，T表示总的时间步数，dc+1(t)表示t时步得到的第c+1次余下信号，dc(t)表示t时步得到的第c次余下信号；
S2.4：将所述预处理刀盘扭矩时间序列信号与所述第一阶模态分量作差处理，得到第一阶残差量；其中，第一阶残差量为第一次得到的残差量；
S2.5：获取第d阶残差量的平均包络线信号，将所述第d阶残差量与所述第d阶残差量的平均包络线信号作差处理，得到第e+1次余下信号；
S2.6，获取第e+f次余下信号的平均包络线信号，将所述第e+f次余下信号与所述第e+f次余下信号的平均包络线信号作差处理，得到第e+f+1次余下信号，其中，f的初始值为一，循环执行S2.6，直至BLSTM模型中的第二筛分门限值小于所述门限值阈值时停止循环，得到第γ次余下信号，并将第γ次余下信号作为第d+1阶模态分量；其中，γ为循环执行S2.6的总次数；
S2.7，将所述第d阶残差量与所述第d+1阶模态分量作差处理，得到第d+1阶残差量；
S2.8，令d＝d+1，返回循环执行S2.5-S2.7，直至循环次数达到预设次数m，得到第m阶模态分量和第m阶残差量；其中，d的初始值为一；
S2.9:通过所述第m阶模态分量和第m阶残差量计算得到预处理刀盘扭矩时间序列信号的分解表达式，所述分解表达式如下式所示：
其中，X(t)为分解表达式，m表示预设次数，cm(t)为第m阶模态分量，rm(t)为第m阶残差量。
采用上述进一步方案的有益效果是：本发明基于筛分门限值对余下信号进行筛选，使得到的第一阶模态分量准确平稳。
进一步，上述在所述S2中，多次利用BLSTM模型对所述预处理刀盘扭矩时间序列信号进行迭代分解的具体步骤为：
设置多种分解数量；
将所述预处理刀盘扭矩时间序列信号输入至所述BLSTM模型中，并使所述BLSTM模型分别在各种所述分解数量下均重复迭代运行相同次数以对所述预处理刀盘扭矩时间序列信号进行对应分解数量的迭代分解，对应得到各种所述分解数量下的子序列组；其中，所述子序列组中的子序列数量与对应的所述分解数量相等。
采用上述进一步方案的有益效果是：本发明通过设置多种分解数量并重复运行BLSTM模型，得到多组子序列组，将多组子序列组进行比较，能够得到最优的子序列分解数量。
进一步，上述所述S3具体为：
S3.1：根据所述BLSTM模型输出的子序列组，分别计算各种分解数量下的子序列组中所有子序列的均方根误差和决定系数；所述均方根误差如下式所示：
所述决定系数如下式所示：
其中，RMSE为均方根误差，k为分解数量，为第i个子序列的预测值，yi为第i个子序列的真实值，R2为决定系数，/>是所有真实值的均值；
S3.2：根据所述均方根误差和所述决定系数，计算各个子序列组中所有子序列的平均均方根误差和平均决定系数；所述平均均方根误差如下式所示：
所述平均决定系数如下式所示：
其中，为平均均方根误差，RMSEj为第j个样本的均方根误差，/>为平均决定系数，R2 j为第j个样本的决定系数，j＝1，2，…，k；
S3.3：基于各种所述分解数量下子序列组的平均均方根误差和平均决定系数，计算出各种所述分解数量下子序列组的预测精度值并排序，选取预测精度值最高的子序列组作为目标子序列组，预测精度值最高的子序列组对应的分解数量为所述目标数量。
采用上述进一步方案的有益效果是：本发明通过将不同数量的子序列组的平均均方根误差和平均决定系数进行对比，其中平均均方根误差的值越小预测精度越高，平均决定系数的值越大预测精度越高，选择最优的组合作为行BLSTM模型EMD分解的序列个数。
进一步，上述S4具体为：
S4.1:基于目标子序列组的目标数量，预设多种具有不同步数的历史时步；
S4.2：在各种历史时步下重复运行BLSTM模型相同的次数，得到各种历史时步下的训练子序列组；
S4.3：分别计算出各种历史时步下的训练子序列组中所有子序列的均方根误差，根据各种历史时步下的训练子序列组中所有子序列的均方根误差,分别计算出各种历史时步下的训练子序列组的平均均方根误差；
S4.4：选择所有平均均方根误差中最低的平均均方根误差对应历史时步作为训练历史时步。
采用上述进一步方案的有益效果是：本发明在得到最优分解个数后，通过同样的方法继续计算得到最优的历史时步，并将最优的分解个数和最优的历史时步作为模型输入，便于后续模型的计算。
进一步，上述在所述S5中，偶然不确定性上下限总值包括偶然不确定性上限总值和偶然不确定性下限总值，认知不确定性上下限总值包括认知不确定性上限总值和认知不确定性下限总值；
S5.1：基于训练历史时步，预设多个超前预测步数，并基于所述目标数量，重复运行BLSTM模型总采样次数，利用所述BLSTM模型对所述预处理刀盘扭矩时间序列信号进行分解得到结果子序列组，并输出所述结果子序列组中每个结果子序列偶然不确定性值和认知不确定性值，计算每个所述结果子序列偶然不确定性上限值、偶然不确定性下限值、认知不确定性上限值和认知不确定性下限值；
计算每个所述结果子序列的认知不确定性上限值和认知不确定性下限值分别如下式所示：
其中，表示第i个子序列的认知不确定性值，N表示总采样次数，/>表示BLSTM模型预测中的计算值，mi表示第i个子序列的均值；Uiup表示第i个子序列的认知不确定性上限值，/>表示置信区间边界对应的标准差,β＝1-α＝0.05，α表示置信区间，其中，α＝95％，Uilow表示第i个子序列的认知不确定性下限值；
计算每个所述结果子序列的偶然不确定性上限值和偶然不确定性下限值分别如下式所示：
其中，表示第i个子序列的偶然不确定性值，/>表示BLSTM模型预测中的偶然不确定性值，Oiup表示第i个子序列的偶然不确定性上限值，Oilow表示第i个子序列的偶然不确定性下限值；
S5.2：对所有所述结果子序列的偶然不确定性上限值、偶然不确定性下限值、认知不确定性上限值和认知不确定性下限值进行求和，分别得到偶然不确定性上限总值、偶然不确定性下限总值、认知不确定性上限总值和认知不确定性下限总值；
对所有所述结果子序列的偶然不确定性上限值进行求和如下式所示：
其中，Oup表示偶然不确定性上限总值；
对所有所述结果子序列的偶然不确定性下限值进行求和如下式所示：
其中，Olow表示偶然不确定性下限总值；
对所有所述结果子序列的认知不确定性上限值进行求和如下式所示：
其中，Uup表示认知不确定性上限总值；
对所有所述结果子序列的认知不确定性下限值进行求和如下式所示：
其中，Ulow表示认知不确定性下限总值。
采用上述进一步方案的有益效果是：本发明提供的预测方法是在LSTM模型中引用dropout技术，实现BLSTM模型。dropout技术不改变深度神经网络LSTM模型的结构，通过在模型训练过程中对每个权重层应用dropout，在测试过程中从近似后验分布中随机抽样(称为蒙特卡罗dropout)来实现不确定性推理。
进一步，上述所述S6中基于所述结果子序列组的偶然不确定性上下限总值和认知不确定性上下限总值计算出所述结果子序列组的平均预测区间宽度和预测区间覆盖概率的具体步骤为：
S6.1：获取所述结果子序列组中每个结果子序列的均值，所述结果子序列的均值如下式所示：
其中，mi表示均值，N表示总采样次数，表示BLSTM模型预测中的计算值；
S6.2：根据所述结果子序列的均值,计算所述结果子序列的预测值，所述预测值如下式所示：
其中，表示第i个子序列的预测值，/>表示子序列的预测值中的最大值，/>表示子序列的预测值中的最小值；
S6.3：基于所述结果子序列的预测值，计算所述结果子序列的均方根误差和决定系数；
S6.4：基于所述偶然不确定性上限总值、偶然不确定性下限总值、认知不确定性上限总值和认知不确定性下限总值，计算得到偶然不确定性的边界值和认知不确定性的边界值；
S6.5：根据所述偶然不确定性的边界值和所述认知不确定性的边界值，计算所述结果子序列组的平均预测区间宽度，所述平均预测区间宽度如下式所示：
其中，MPIW表示平均预测区间宽度，n表示目标数量，表示认知不确定性的边界值，/>表示偶然不确定性的边界值，对应的置信区间α＝95％，
S6.6：根据所述偶然不确定性的边界值和所述认知不确定性的边界值，计算所述结果子序列组的预测区间覆盖概率，所述预测区间覆盖概率如下式所示：
其中，ci表示布尔量，其中，ft＝σ(Wf[It,ht-1]+Bf)，et＝σ(We[It,ht-1]+Be)，/>其中，σ()表示sigmoid函数的激活函数，tanh()表示双曲正切函数的激活函数，We、Wf、Wc分别表示输入门、遗忘门和候选值对应的权重，It表示时刻t的输入，ht-1为BLSTM模型在t-1时刻的输出，Be、Bf和Bc分别表示输入门、遗忘门和候选值对应的偏差；
S6.7：基于所述平均预测区间宽度、所述预测区间覆盖概率、所述结果均方根误差和所述结果决定系数进行指标评价分析，得到刀盘扭矩的预测结果。
采用上述进一步方案的有益效果是：本发明基于平均预测区间宽度、预测区间覆盖概率、结果均方根误差和所述结果决定系数进行指标评价分析，通多个维度进行了指标评价分析，使刀盘扭矩的预测结果更加精确。
第二方面，本发明为了解决上述技术问题还提供了一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测装置，包括：
预处理模块，用于基于隧道盾构机的工作数据获取原始刀盘扭矩时间序列信号，并对所述原始刀盘扭矩时间序列信号进行预处理，得到预处理刀盘扭矩时间序列信号；
分解模块，用于计算所述预处理刀盘扭矩时间序列信号的分解表达式，基于EMD分解方法和所述分解表达式，多次利用BLSTM模型对所述预处理刀盘扭矩时间序列信号进行迭代分解，得到多个子序列组；其中，每个所述子序列组中的子序列数量不同；
目标数量计算模块，用于根据各个所述子序列组中的子序列，从所有所述子序列组中筛选出目标子序列组，并将所述目标子序列组中的子序列数量作为目标数量；
历史时步计算模块，用于根据所述目标数量计算出所述BLSTM模型的训练历史时步；
输出计算模块，用于根据所述训练历史时步，预设多个超前预测步数；基于所述目标数量和多个所述超前预测步数，利用所述BLSTM模型对所述预处理刀盘扭矩时间序列信号进行分解得到结果子序列组，计算并输出所述结果子序列组的偶然不确定性上下限总值和认知不确定性上下限总值；
评价模块，用于基于所述结果子序列组的偶然不确定性上下限总值和认知不确定性上下限总值计算出所述结果子序列组的平均预测区间宽度和预测区间覆盖概率；
计算出所述结果子序列组中的各个子序列的结果均方根误差和结果决定系数；
基于所述平均预测区间宽度、所述预测区间覆盖概率、所述结果均方根误差和所述结果决定系数进行指标评价分析，得到刀盘扭矩的预测结果。
第三方面，本发明为了解决上述技术问题还提供了一种电子设备，该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行该计算机程序时实现本申请的基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法。
第四方面，本发明为了解决上述技术问题还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本申请的基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
图1为本发明提供的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法的流程示意图。
图2为本发明一个实施例提供的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测装置的结构示意图。
图3为本发明一个实施例提供的一种电子设备的结构示意图。
图4为本发明提供的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法的实现步骤图。
图5为本发明提供的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法的原始刀盘扭矩时间序列数据图。
图6为本发明提供的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法的不同分解序列个数下RMSE和R2对比图。
图7为本发明提供的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法的不同历史时步下RMSE对比图。
图8为本发明提供的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法的EMD-BLSTM预测模型超前1步预测(5s)仿真对比图。
图9为本发明提供的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法的EMD-BLSTM预测模型超前2步预测(10s)仿真对比图。
图10为本发明提供的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法的EMD-BLSTM预测模型超前3步预测(15s)仿真对比图。
图11为本发明提供的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法的EMD-BLSTM预测模型超前4步预测(20s)仿真对比图。
图12为本发明提供的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法的EMD-BLSTM预测模型超前5步预测(25s)仿真对比图。
图13为本发明提供的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法的EMD-BLSTM预测模型不同超前步数预测的评价指标对比图。
具体实施方式
以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
下面以具体实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
实施例1：
本发明实施例提供了一种可能的实现方式，如图1和图4所示，提供了一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法的流程示意图，该方法可以包括以下步骤：
S1：基于隧道盾构机的工作数据获取原始刀盘扭矩时间序列信号，并对所述原始刀盘扭矩时间序列信号进行预处理，得到预处理刀盘扭矩时间序列信号；
S2：计算所述预处理刀盘扭矩时间序列信号的分解表达式，基于EMD分解方法和所述分解表达式，多次利用BLSTM模型对所述预处理刀盘扭矩时间序列信号进行迭代分解，得到多个子序列组；其中，每个所述子序列组中的子序列数量不同；
S3，根据各个所述子序列组中的子序列，从所有所述子序列组中筛选出目标子序列组，并将所述目标子序列组中的子序列数量作为目标数量；
S4，根据所述目标数量计算出所述BLSTM模型的训练历史时步；
S5，根据所述训练历史时步，预设多个超前预测步数；基于所述目标数量和多个所述超前预测步数，利用所述BLSTM模型对所述预处理刀盘扭矩时间序列信号进行分解得到结果子序列组，计算并输出所述结果子序列组的偶然不确定性上下限总值和认知不确定性上下限总值；
S6:基于所述结果子序列组的偶然不确定性上下限总值和认知不确定性上下限总值计算出所述结果子序列组的平均预测区间宽度和预测区间覆盖概率；
计算出所述结果子序列组中的各个子序列的结果均方根误差和结果决定系数；
基于所述平均预测区间宽度、所述预测区间覆盖概率、所述结果均方根误差和所述结果决定系数进行指标评价分析，得到刀盘扭矩的预测结果。
其中，本发明具有预测结果精度高的优点，还能获得偶然不确定性和认知不确定性的高质量预测区间，实现刀盘扭矩实时超前多步预测，为隧道盾构机的高效安全掘进提供了更丰富的信息。
本实施例中，将预处理刀盘扭矩时间序列信号分解成一系列的含有稀疏特性的子序列，即将预处理刀盘扭矩时间序列信号分解成为K个不同的子序列和一个残差序列。其中分解的子序列个数(加上残差序列)有3个、4个、5个、6个、7个、8个和9个，重复运行BLSTM模型，每个重复5次，分别计算它们的均方根误差(RMSE)和决定系数R2，再求平均值，选择最优的组合作为模型EMD分解的序列个数。
可选的，S2中，计算所述预处理刀盘扭矩时间序列信号的分解表达式具体步骤为：
S2.1：获取预处理刀盘扭矩时间序列信号的极大值点和极小值点，基于曲线插值方法对所述极大值点和极小值点进行拟合，得到预处理刀盘扭矩时间序列信号的上包络线信号和下包络线信号，对所述上包络线信号和下包络线信号进行平均处理得到预处理刀盘扭矩时间序列信号的平均包络线信号；
S2.2：将所述预处理刀盘扭矩时间序列信号与所述平均包络线信号作差处理，得到第一次余下信号；其中，第一次余下信号为第一次得到的余下信号；
S2.3：获取第c次余下信号的极大值点和极小值点，基于曲线插值方法对所述第c次余下信号的极大值点和极小值点进行拟合，得到第c次余下信号的上包络线信号和下包络线信号，对第c次余下信号的上包络线信号和下包络线信号进行平均处理得到第c次余下信号的号的平均包络线信号；将所述第c次余下信号与所述第c次余下信号的号的平均包络线信号作差处理，得到第c+1次余下信号；其中，c的初始值为一，循环执行S2.3，直至BLSTM模型中的第一筛分门限值小于门限值阈值时停止循环，得到第一阶模态分量；其中，所述第一阶模态分量为第e次余下信号，e为循环执行S2.3的总次数；所述第一筛分门限值如下式所示:
其中，T表示总的时间步数，dc+1(t)表示t时步得到的第c+1次余下信号，dc(t)表示t时步得到的第c次余下信号；
S2.4：将所述预处理刀盘扭矩时间序列信号与所述第一阶模态分量作差处理，得到第一阶残差量；其中，第一阶残差量为第一次得到的残差量；
S2.5：获取第d阶残差量的平均包络线信号，将所述第d阶残差量与所述第d阶残差量的平均包络线信号作差处理，得到第e+1次余下信号；
S2.6，获取第e+f次余下信号的平均包络线信号，将所述第e+f次余下信号与所述第e+f次余下信号的平均包络线信号作差处理，得到第e+f+1次余下信号，其中，f的初始值为一，循环执行S2.6，直至BLSTM模型中的第二筛分门限值小于所述门限值阈值时停止循环，得到第γ次余下信号，并将第γ次余下信号作为第d+1阶模态分量；其中，γ为循环执行S2.6的总次数；
S2.7，将所述第d阶残差量与所述第d+1阶模态分量作差处理，得到第d+1阶残差量；
S2.8，令d＝d+1，返回循环执行S2.5-S2.7，直至循环次数达到预设次数m，得到第m阶模态分量和第m阶残差量；其中，d的初始值为一；
S2.9:通过所述第m阶模态分量和第m阶残差量计算得到预处理刀盘扭矩时间序列信号的分解表达式，所述分解表达式如下式所示：
其中，X(t)为分解表达式，m表示预设次数，cm(t)为第m阶模态分量，rm(t)为第m阶残差量。
其中，本发明基于筛分门限值对余下信号进行筛选，使得到的第一阶模态分量准确平稳。本实施例的第二筛分门限值的计算方式与第一筛分门限值的计算方式相同。
可选的，在所述S2中，多次利用BLSTM模型对所述预处理刀盘扭矩时间序列信号进行迭代分解的具体步骤为：
设置多种分解数量；
将所述预处理刀盘扭矩时间序列信号输入至所述BLSTM模型中，并使所述BLSTM模型分别在各种所述分解数量下均重复迭代运行相同次数以对所述预处理刀盘扭矩时间序列信号进行对应分解数量的迭代分解，对应得到各种所述分解数量下的子序列组；其中，所述子序列组中的子序列数量与对应的所述分解数量相等。
其中，本发明通过设置多种分解数量并重复运行BLSTM模型，得到多组子序列组，将多组子序列组进行比较，能够得到最优的子序列分解数量。
可选的，所述S3具体为：
S3.1：根据所述BLSTM模型输出的子序列组，分别计算各种分解数量下的子序列组中所有子序列的均方根误差和决定系数；所述均方根误差如下式所示：
所述决定系数如下式所示：
其中，RMSE为均方根误差，k为分解数量，为第i个子序列的预测值，yi为第i个子序列的真实值，R2为决定系数，/>是所有真实值的均值；/>
S3.2：根据所述均方根误差和所述决定系数，计算各个子序列组中所有子序列的平均均方根误差和平均决定系数；所述平均均方根误差如下式所示：
所述平均决定系数如下式所示：
其中，为平均均方根误差，RMSEj为第j个样本的均方根误差，/>为平均决定系数，R2 j为第j个样本的决定系数，j＝1，2，…，k；
S3.3：基于各种所述分解数量下子序列组的平均均方根误差和平均决定系数，计算出各种所述分解数量下子序列组的预测精度值并排序，选取预测精度值最高的子序列组作为目标子序列组，预测精度值最高的子序列组对应的分解数量为所述目标数量。
其中，本发明通过将不同数量的子序列组的平均均方根误差和平均决定系数进行对比，其中平均均方根误差的值越小预测精度越高，平均决定系数的值越大预测精度越高，选择最优的组合作为行BLSTM模型EMD分解的序列个数。
可选的，S4具体为：
S4.1:基于目标子序列组的目标数量，预设多种具有不同步数的历史时步；
S4.2：在各种历史时步下重复运行BLSTM模型相同的次数，得到各种历史时步下的训练子序列组；
S4.3：分别计算出各种历史时步下的训练子序列组中所有子序列的均方根误差，根据各种历史时步下的训练子序列组中所有子序列的均方根误差,分别计算出各种历史时步下的训练子序列组的平均均方根误差；
S4.4：选择所有平均均方根误差中最低的平均均方根误差对应历史时步作为训练历史时步。
其中，本发明在得到最优分解个数后，通过同样的方法继续计算得到最优的历史时步，并将最优的分解个数和最优的历史时步作为模型输入，便于后续模型的计算。
本实施例中，通过选择各个子序列的输入变量，在不同的模型输入历史时步下重复运行BLSTM模型，其中选择的历史时步包括1步、2步、5步、7步、10步、12步、15步和20步，每一步重复10次，计算每一步的均方根误差(RMSE)，再计算平均值，选择最低RMSE的历史时步作为最佳模型输入的历史时步，以此作为BLSTM模型的输入变量。操作方法同步骤S2。
本发明中，在LSTM神经网络模型中引用dropout技术，实现BLSTM。因为BLSTM神经网络模型中的隐含变量权重w和偏置b是高斯分布，而不是确定值。所以BLSTM的优化问题就变成了寻求最优分布参数。而训练BLSTM模型的主要障碍是求解隐变量的后验概率分布，引用dropout技术可以解决隐变量的后验概率分布的问题。在复杂模型中，dropout不改变深度神经网络LSTM的结构，通过在模型训练过程中对每个权重层应用dropout，在测试过程中从近似后验分布中随机抽样(称为蒙特卡罗dropout)来实现不确定性推理。具体的说，就是将一个dropout矩阵diag(z)应用于LSTM的每个隐藏层的权重矩阵(w)和偏置向量(b)。diag(z)矩阵中的元素可以通过采样概率为p的伯努利分布进行采样来确定，如下所示。
[W,B]＝diag(z)[w,b]
z～Bernoulli(p)
LSTM的表达式如下：
et＝σ(we[It,ht-1]+be)
ft＝σ(wf[It,ht-1]+bf)
ot＝σ(wo[It,ht-1]+bo)
ht＝ottanh(ct)
其中，It表示时刻t的输入；ht为LSTM单元在时刻t的输出，et、ft和ot分别为输入门、遗忘门和输出门的值；表示时间t时内存单元的候选值，ct表示从/>中去掉无用信息后的内存值。带下标的w和b是相对于的权重和偏差；σ()和tanh()分别表示sigmoid函数和双曲正切函数的激活函数。
将dropout技术引入基本的LSTM架构中，实现贝叶斯LSTM(BLSTM)。
BLSTM模型的表达式如下式所示：
et＝σ(We[It,ht-1]+Be)
Ft＝σ(Wf[It,ht-1]+Bf)
ot＝σ(Wo[It,ht-1]+Bo)
ht＝ottanh(ct)
其中，et、ft和ot分别表示输入门、遗忘门和输出门的值，σ()表示sigmoid函数的激活函数，We、Wf、Wo分别表示输入门、遗忘门和输出门对应的权重，It表示时刻t的输入，ht-1为BLSTM模型在t-1时刻的输出，Be、Bf和Bo分别表示输入门、遗忘门和输出门对应的偏差；表示时间t时内存单元的候选值，tanh()表示双曲正切函数的激活函数，Wc表示候选值的权重，Bc表示候选值的偏差，ct表示从/>中去掉无用信息后的内存值，ct-1表示从/>中去掉无用信息后的内存值；其中，/>表示时间t-1时内存单元的候选值；ht表示BLSTM模型在t时刻的输出；
BLSTM模型的损失函数如下式所示：
其中，N是采样数，表示偶然不确定性误差，zt表示真实值，/>表示认知不确定性误差。
本发明中，超前预测步数的选取有超前1步预测(5s)、超前2步预测(10s)、超前3步预测(15s)、超前4步预测(20s)和超前5步预测(25s)。
可选的，在所述S5中，偶然不确定性上下限总值包括偶然不确定性上限总值和偶然不确定性下限总值，认知不确定性上下限总值包括认知不确定性上限总值和认知不确定性下限总值；
S5.1：基于训练历史时步，预设多个超前预测步数，并基于所述目标数量，重复运行BLSTM模型总采样次数，利用所述BLSTM模型对所述预处理刀盘扭矩时间序列信号进行分解得到结果子序列组，并输出所述结果子序列组中每个结果子序列偶然不确定性值和认知不确定性值，计算每个所述结果子序列偶然不确定性上限值、偶然不确定性下限值、认知不确定性上限值和认知不确定性下限值；
计算每个所述结果子序列的认知不确定性上限值和认知不确定性下限值分别如下式所示：
其中，表示第i个子序列的认知不确定性值，N表示总采样次数，/>表示BLSTM模型预测中的计算值，mi表示第i个子序列的均值；Uiup表示第i个子序列的认知不确定性上限值，/>表示置信区间边界对应的标准差,β＝1-α＝0.05，α表示置信区间，其中，α＝95％，Uilow表示第i个子序列的认知不确定性下限值；
计算每个所述结果子序列的偶然不确定性上限值和偶然不确定性下限值分别如下式所示：
其中，表示第i个子序列的偶然不确定性值，/>表示BLSTM模型预测中的偶然不确定性值，Oiup表示第i个子序列的偶然不确定性上限值，Oilow表示第i个子序列的偶然不确定性下限值；
S5.2：对所有所述结果子序列的偶然不确定性上限值、偶然不确定性下限值、认知不确定性上限值和认知不确定性下限值进行求和，分别得到偶然不确定性上限总值、偶然不确定性下限总值、认知不确定性上限总值和认知不确定性下限总值；
对所有所述结果子序列的偶然不确定性上限值进行求和如下式所示：
其中，Oup表示偶然不确定性上限总值；
对所有所述结果子序列的偶然不确定性下限值进行求和如下式所示：
其中，Olow表示偶然不确定性下限总值；
对所有所述结果子序列的认知不确定性上限值进行求和如下式所示：
/>
其中，Uup表示认知不确定性上限总值；
对所有所述结果子序列的认知不确定性下限值进行求和如下式所示：
其中，Ulow表示认知不确定性下限总值。
其中，本发明提供的预测方法是在LSTM模型中引用dropout技术，实现BLSTM模型。dropout技术不改变深度神经网络LSTM模型的结构，通过在模型训练过程中对每个权重层应用dropout，在测试过程中从近似后验分布中随机抽样(称为蒙特卡罗dropout)来实现不确定性推理。
可选的，所述S6中基于所述结果子序列组的偶然不确定性上下限总值和认知不确定性上下限总值计算出所述结果子序列组的平均预测区间宽度和预测区间覆盖概率的具体步骤为：
S6.1：获取所述结果子序列组中每个结果子序列的均值，所述结果子序列的均值如下式所示：
其中，mi表示均值，N表示总采样次数，表示BLSTM模型预测中的计算值；
S6.2：根据所述结果子序列的均值,计算所述结果子序列的预测值，所述预测值如下式所示：
其中，表示第i个子序列的预测值，/>表示子序列的预测值中的最大值，/>表示子序列的预测值中的最小值；
S6.3：基于所述结果子序列的预测值，计算所述结果子序列的均方根误差和决定系数；
S6.4：基于所述偶然不确定性上限总值、偶然不确定性下限总值、认知不确定性上限总值和认知不确定性下限总值，计算得到偶然不确定性的边界值和认知不确定性的边界值；
S6.5：根据所述偶然不确定性的边界值和所述认知不确定性的边界值，计算所述结果子序列组的平均预测区间宽度，所述平均预测区间宽度如下式所示：
其中，MPIW表示平均预测区间宽度，n表示目标数量，表示认知不确定性的边界值，/>表示偶然不确定性的边界值，对应的置信区间α＝95％，
S6.6：根据所述偶然不确定性的边界值和所述认知不确定性的边界值，计算所述结果子序列组的预测区间覆盖概率，所述预测区间覆盖概率如下式所示：
其中，ci表示布尔量，其中，ft＝σ(Wf[It,ht-1]+Bf)，et＝σ(We[It,ht-1]+Be)，/>其中，σ()表示sigmoid函数的激活函数，tanh()表示双曲正切函数的激活函数，We、Wf、Wc分别表示输入门、遗忘门和候选值对应的权重，It表示时刻t的输入，ht-1为BLSTM模型在t-1时刻的输出，Be、Bf和Bc分别表示输入门、遗忘门和候选值对应的偏差；
S6.7：基于所述平均预测区间宽度、所述预测区间覆盖概率、所述结果均方根误差和所述结果决定系数进行指标评价分析，得到刀盘扭矩的预测结果。
其中，本发明基于平均预测区间宽度、预测区间覆盖概率、结果均方根误差和所述结果决定系数进行指标评价分析，通多个维度进行了指标评价分析，使刀盘扭矩的预测结果更加精确。计算结果均方根误差和所述结果决定系数的计算方式，与计算均方根误差和决定系数的计算方式相同。
实施例2：
本实施例中提供的一种基于EMD-BLSTM模型的刀盘扭矩动态实时预测方法，包括如下步骤：
步骤1：以隧道盾构机(TBM)输出的监测数据为准，以隧道盾构机的稳定工作时间段作为备选数据，从中选择一段刀盘扭矩时间序列数据作为原始数据。生成的刀盘扭矩时间序列数据作为样本对刀盘扭矩的时间序列数据进行相应预处理，再将刀盘扭矩时间序列数据样本分为训练集和测试集。
步骤2：将利用EMD(经验模态分解)的方法将在线分解时间序列分解为K个子序列和一个残差序列，分解的序列个数(加上残差序列)有3个、4个、5个、6个、7个、8个和9个，由图6可得，分解序列个数为8时的均方根误差(RMSE)最小，决定系数R2最大，即预测精度最高，故选择K＝8作为后续的分解序列个数，即上述子序列数量的预设值。
步骤3：EMD方法输出后，将其转化为矩阵的形式，则针对于每个子序列而言，都有一组对应矩阵，将EMD序列分解后生成的7个子序列和一个残差序列，通过选择各个子序列的输入变量，在不同的模型输入历史时步下重复运行BLSTM模型，选择的历史时步包括1步、2步、5步、7步、10步、12步、15步和20步，每一步重复10次，计算每一步的均方根误差(RMSE)，再取平均值，选择最低RMSE的历史时步作为最佳模型输入的历史时步。从图7中可以看出，20步略比15步好，但是20步花费的时间比15步多120s左右，有点费时，而且提升的效果并没有那么明显，故选择15步为最佳模型输入历史时步，以此作为模型的输入变量。
步骤4：将选出的输入变量，利用BLSTM神经网络进行数据预测，设定其输入层、隐含层和输出层的层数与BLSTM神经网络的参数变量，同时采用超前1步预测、超前2步预测、超前3步预测、超前4步预测和超前5步预测进行预测，得到每个子序列的均值m、认知不确定性值ep和偶然不确定性值al。
步骤5：通过计算得到每个子序列的预测值、偶然不确定性上下限值和认知不确定性上下限值，再将每个子序列的预测值、认知不确定性上下限值和偶然不确定性上下限值进行求和，就可以得到最终的预测结果。
步骤6：最终的预测结果作为预测数据集P，将其与对应的真实数据集T进行比较评价分析。
步骤7：判断以上步骤所预测的刀盘扭矩数值是否达到理想的误差范围内，则根据刀盘扭矩预测值P与真实数据集T进行误差分析。评价函数为：
其中，n是模型输出预测数，是第i个子序列的预测值，Ti是第i个子序列的真实值，/>是所有真实值的均值，ci为布尔量，/>分别是预测的认知不确定性或偶然不确定性的上边界和下边界，对应的置信区间α＝95％。
利用python软件进行数据预测仿真，以一个隧道盾构机的稳定工作状态下一段刀盘扭矩时间序列数据为例(如图5所示)，通过EMD-BLSTM模型进行预测，如图8-12所示，很直观方便地看出预测结果的预测值与真实值之间的比较，以及可以清晰地看出预测结果中认知不确定性和偶然不确定性的区间范围。EMD-BLSTM模型的超前1步预测、超前2步预测、超前3步预测、超前4步预测和超前5步预测的RMSE值、R2值、PICP值和MPIW值如图13所示。在图中可以发现，所有的偶然不确定性PICP＝1，说明所有的预测结果都在数据的不确定性里，其中超前1步预测、超前2步预测、超前3步预测、超前4步预测和超前5步预测的RMSE值和R2值分别是9.0508(KN·m)和0.9951、7.7505(KN·m)和0.9939、9.2652(KN·m)和0.9913、10.4060(KN·m)和0.9901、11.2750(KN·m)和0.9861，R2值随着超前预测步数的增加逐渐减小，偶然不确定性的MPIW值随着预测步数的增加而变大，除了超前1步预测之外，随着超前预测步数的增加，RMSE值和认知不确定性的MPIW值均在增大，认知不确定性的PICP值在变小，说明随着超前预测步数的增加预测结果的预测精度有所降低，但依然具有很高的预测精度。EMD-BLSTM模型该方法具有预测结果精度高的优点，还能获得偶然不确定性和认知不确定性的高质量预测区间，实现刀盘扭矩实时超前多步预测，为盾构机的高效安全掘进提供了更丰富的信息。
基于与图1中所示的方法相同的原理，本发明实施例还提供了一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测装置，如图2中所示，该基于EMD-BLSTM模型的刀盘扭矩实时动态预测装置可以包括:
预处理模块，用于基于隧道盾构机的工作数据获取原始刀盘扭矩时间序列信号，并对所述原始刀盘扭矩时间序列信号进行预处理，得到预处理刀盘扭矩时间序列信号；
分解模块，用于基于EMD分解方法，利用BLSTM模型计算预处理刀盘扭矩时间序列信号的分解表达式，并通过所述分解表达式将所述预处理刀盘扭矩时间序列信号分解为含有稀疏特性的多个不同的子序列和一个残差序列，并通过重复运行BLSTM模型，计算得到子序列数量的预设值；
历史时步模块，用于将BLSTM模型输出的子序列数量的设置为所述预设值，通过重复运行BLSTM模型，计算得到训练历史时步；
输出计算模块，用于基于训练历史时步，设定数个超前预测步数，并基于子序列数量的预设值设定BLSTM模型输出的子序列数量，运行BLSTM模型总采样次数，获得输出的每个子序列的均值、偶然不确定性值和认知不确定性值，计算输出的每个子序列的预测值、偶然不确定性上限值、偶然不确定性下限值、认知不确定性上限值和认知不确定性下限值，根据每个子序列的偶然不确定性上限值、偶然不确定性下限值、认知不确定性上限值和认知不确定性下限值计算偶然不确定性上限总值、偶然不确定性下限总值、认知不确定性上限总值和认知不确定性下限总值；
评价模块，用于基于所述偶然不确定性上限总值、偶然不确定性下限总值、认知不确定性上限总值和认知不确定性下限总值，分别计算得到偶然不确定性的边界值和认知不确定性的边界值，并基于偶然不确定性的边界值和认知不确定性的边界值计算输出计算模块中输出的子序列的平均预测区间宽度和预测区间覆盖概率，以及计算输出计算模块中输出的子序列的均方根误差和决定系数，基于该平均预测区间宽度、预测区间覆盖概率、均方根误差和决定系数，进行指标评价分析，得到刀盘扭矩的预测结果。
本发明实施例的基于EMD-BLSTM模型的刀盘扭矩实时动态预测装置可执行本发明实施例所提供的基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法，其实现原理相类似，本发明各实施例中的基于EMD-BLSTM模型的刀盘扭矩实时动态预测装置中的各模块、单元所执行的动作是与本发明各实施例中的基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法中的步骤相对应的，对于基于EMD-BLSTM模型的刀盘扭矩实时动态预测装置的各模块的详细功能描述具体可以参见前文中所示的对应的基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法中的描述，此处不再赘述。
在一个可选实施例中提供了一种电子设备，如图3所示，图3所示的电子设备包括：处理器和存储器。其中，处理器和存储器相连，如通过总线相连。可选地，电子设备还可以包括收发器，收发器可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器不限于一个，该电子设备的结构并不构成对本发明实施例的限定。
其中，电子设备也可以是终端设备，图3示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法,其特征在于，包括：
S1：基于隧道盾构机的工作数据获取原始刀盘扭矩时间序列信号，并对所述原始刀盘扭矩时间序列信号进行预处理，得到预处理刀盘扭矩时间序列信号；
S2：计算所述预处理刀盘扭矩时间序列信号的分解表达式，基于EMD分解方法和所述分解表达式，多次利用BLSTM模型对所述预处理刀盘扭矩时间序列信号进行迭代分解，得到多个子序列组；其中，每个所述子序列组中的子序列数量不同；
S3，根据各个所述子序列组中的子序列，从所有所述子序列组中筛选出目标子序列组，并将所述目标子序列组中的子序列数量作为目标数量；
S4，根据所述目标数量计算出所述BLSTM模型的训练历史时步；
S5，根据所述训练历史时步，预设多个超前预测步数；基于所述目标数量和多个所述超前预测步数，利用所述BLSTM模型对所述预处理刀盘扭矩时间序列信号进行分解得到结果子序列组，计算并输出所述结果子序列组的偶然不确定性上下限总值和认知不确定性上下限总值；
S6:基于所述结果子序列组的偶然不确定性上下限总值和认知不确定性上下限总值计算出所述结果子序列组的平均预测区间宽度和预测区间覆盖概率；
计算出所述结果子序列组中的各个子序列的结果均方根误差和结果决定系数；
基于所述平均预测区间宽度、所述预测区间覆盖概率、所述结果均方根误差和所述结果决定系数进行指标评价分析，得到刀盘扭矩的预测结果。
2.根据权利要求1所述的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法，其特征在于，在所述S2中，计算所述预处理刀盘扭矩时间序列信号的分解表达式具体步骤为：
S2.1：获取预处理刀盘扭矩时间序列信号的极大值点和极小值点，基于曲线插值方法对所述极大值点和极小值点进行拟合，得到预处理刀盘扭矩时间序列信号的上包络线信号和下包络线信号，对所述上包络线信号和下包络线信号进行平均处理得到预处理刀盘扭矩时间序列信号的平均包络线信号；
S2.2：将所述预处理刀盘扭矩时间序列信号与所述平均包络线信号作差处理，得到第一次余下信号；其中，第一次余下信号为第一次得到的余下信号；
S2.3：获取第c次余下信号的极大值点和极小值点，基于曲线插值方法对所述第c次余下信号的极大值点和极小值点进行拟合，得到第c次余下信号的上包络线信号和下包络线信号，对第c次余下信号的上包络线信号和下包络线信号进行平均处理得到第c次余下信号的号的平均包络线信号；将所述第c次余下信号与所述第c次余下信号的号的平均包络线信号作差处理，得到第c+1次余下信号；其中，c的初始值为一，循环执行S2.3，直至BLSTM模型中的第一筛分门限值小于门限值阈值时停止循环，得到第一阶模态分量；其中，所述第一阶模态分量为第e次余下信号，e为循环执行S2.3的总次数；所述第一筛分门限值如下式所示:
其中，T表示总的时间步数，dc+1(t)表示t时步得到的第c+1次余下信号，dc(t)表示t时步得到的第c次余下信号；
S2.4：将所述预处理刀盘扭矩时间序列信号与所述第一阶模态分量作差处理，得到第一阶残差量；其中，第一阶残差量为第一次得到的残差量；
S2.5：获取第d阶残差量的平均包络线信号，将所述第d阶残差量与所述第d阶残差量的平均包络线信号作差处理，得到第e+1次余下信号；
S2.6，获取第e+f次余下信号的平均包络线信号，将所述第e+f次余下信号与所述第e+f次余下信号的平均包络线信号作差处理，得到第e+f+1次余下信号，其中，f的初始值为一，循环执行S2.6，直至BLSTM模型中的第二筛分门限值小于所述门限值阈值时停止循环，得到第γ次余下信号，并将第γ次余下信号作为第d+1阶模态分量；其中，γ为循环执行S2.6的总次数；
S2.7，将所述第d阶残差量与所述第d+1阶模态分量作差处理，得到第d+1阶残差量；
S2.8，令d＝d+1，返回循环执行S2.5-S2.7，直至循环次数达到预设次数m，得到第m阶模态分量和第m阶残差量；其中，d的初始值为一；
S2.9:通过所述第m阶模态分量和第m阶残差量计算得到预处理刀盘扭矩时间序列信号的分解表达式，所述分解表达式如下式所示：
其中，X(t)为分解表达式，m表示预设次数，cm(t)为第m阶模态分量，rm(t)为第m阶残差量。
3.根据权利要求1所述的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法，其特征在于，在所述S2中，多次利用BLSTM模型对所述预处理刀盘扭矩时间序列信号进行迭代分解的具体步骤为：
设置多种分解数量；
将所述预处理刀盘扭矩时间序列信号输入至所述BLSTM模型中，并使所述BLSTM模型分别在各种所述分解数量下均重复迭代运行相同次数以对所述预处理刀盘扭矩时间序列信号进行对应分解数量的迭代分解，对应得到各种所述分解数量下的子序列组；其中，所述子序列组中的子序列数量与对应的所述分解数量相等。
4.根据权利要求3所述的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法，其特征在于，所述S3具体为：
S3.1：根据所述BLSTM模型输出的子序列组，分别计算各种分解数量下的子序列组中所有子序列的均方根误差和决定系数；所述均方根误差如下式所示：
所述决定系数如下式所示：
其中，RMSE为均方根误差，k为分解数量，为第i个子序列的预测值，yi为第i个子序列的真实值，R2为决定系数，/>是所有真实值的均值；
S3.2：根据所述均方根误差和所述决定系数，计算各个子序列组中所有子序列的平均均方根误差和平均决定系数；所述平均均方根误差如下式所示：
所述平均决定系数如下式所示：
其中，为平均均方根误差，RMSEj为第j个样本的均方根误差，/>为平均决定系数，R2 j为第j个样本的决定系数，j＝1，2，…，k；
S3.3：基于各种所述分解数量下子序列组的平均均方根误差和平均决定系数，计算出各种所述分解数量下子序列组的预测精度值并排序，选取预测精度值最高的子序列组作为目标子序列组，预测精度值最高的子序列组对应的分解数量为所述目标数量。
5.根据权利要求1所述的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法，其特征在于，S4具体为：
S4.1:基于目标子序列组的目标数量，预设多种具有不同步数的历史时步；
S4.2：在各种历史时步下重复运行BLSTM模型相同的次数，得到各种历史时步下的训练子序列组；
S4.3：分别计算出各种历史时步下的训练子序列组中所有子序列的均方根误差，根据各种历史时步下的训练子序列组中所有子序列的均方根误差,分别计算出各种历史时步下的训练子序列组的平均均方根误差；
S4.4：选择所有平均均方根误差中最低的平均均方根误差对应历史时步作为训练历史时步。
6.根据权利要求1所述的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法，其特征在于，在所述S5中，偶然不确定性上下限总值包括偶然不确定性上限总值和偶然不确定性下限总值，认知不确定性上下限总值包括认知不确定性上限总值和认知不确定性下限总值；
S5.1：基于训练历史时步，预设多个超前预测步数，并基于所述目标数量，重复运行BLSTM模型总采样次数，利用所述BLSTM模型对所述预处理刀盘扭矩时间序列信号进行分解得到结果子序列组，并输出所述结果子序列组中每个结果子序列偶然不确定性值和认知不确定性值，计算每个所述结果子序列偶然不确定性上限值、偶然不确定性下限值、认知不确定性上限值和认知不确定性下限值；
计算每个所述结果子序列的认知不确定性上限值和认知不确定性下限值分别如下式所示：
其中，表示第i个子序列的认知不确定性值，N表示总采样次数，/>表示BLSTM模型预测中的计算值，mi表示第i个子序列的均值；Uiup表示第i个子序列的认知不确定性上限值，/>表示置信区间边界对应的标准差,β＝1-α＝0.05，α表示置信区间，其中，α＝95％，Uilow表示第i个子序列的认知不确定性下限值；
计算每个所述结果子序列的偶然不确定性上限值和偶然不确定性下限值分别如下式所示：
其中，表示第i个子序列的偶然不确定性值，/>表示BLSTM模型预测中的偶然不确定性值，Oiup表示第i个子序列的偶然不确定性上限值，Oilow表示第i个子序列的偶然不确定性下限值；
S5.2：对所有所述结果子序列的偶然不确定性上限值、偶然不确定性下限值、认知不确定性上限值和认知不确定性下限值进行求和，分别得到偶然不确定性上限总值、偶然不确定性下限总值、认知不确定性上限总值和认知不确定性下限总值；
对所有所述结果子序列的偶然不确定性上限值进行求和如下式所示：
其中，Oup表示偶然不确定性上限总值；
对所有所述结果子序列的偶然不确定性下限值进行求和如下式所示：
其中，Olow表示偶然不确定性下限总值；
对所有所述结果子序列的认知不确定性上限值进行求和如下式所示：
其中，Uup表示认知不确定性上限总值；
对所有所述结果子序列的认知不确定性下限值进行求和如下式所示：
其中，Ulow表示认知不确定性下限总值。
7.根据权利要求6所述的一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测方法，其特征在于，所述S6中基于所述结果子序列组的偶然不确定性上下限总值和认知不确定性上下限总值计算出所述结果子序列组的平均预测区间宽度和预测区间覆盖概率的具体步骤为：
S6.1：获取所述结果子序列组中每个结果子序列的均值，所述结果子序列的均值如下式所示：
其中，mi表示均值，N表示总采样次数，表示BLSTM模型预测中的计算值；
S6.2：根据所述结果子序列的均值,计算所述结果子序列的预测值，所述预测值如下式所示：
其中，表示第i个子序列的预测值，/>表示子序列的预测值中的最大值，/>表示子序列的预测值中的最小值；
S6.3：基于所述结果子序列的预测值，计算所述结果子序列的均方根误差和决定系数；
S6.4：基于所述偶然不确定性上限总值、偶然不确定性下限总值、认知不确定性上限总值和认知不确定性下限总值，计算得到偶然不确定性的边界值和认知不确定性的边界值；
S6.5：根据所述偶然不确定性的边界值和所述认知不确定性的边界值，计算所述结果子序列组的平均预测区间宽度，所述平均预测区间宽度如下式所示：
其中，MPIW表示平均预测区间宽度，n表示目标数量，表示认知不确定性的边界值，表示偶然不确定性的边界值，对应的置信区间α＝95％，
S6.6：根据所述偶然不确定性的边界值和所述认知不确定性的边界值，计算所述结果子序列组的预测区间覆盖概率，所述预测区间覆盖概率如下式所示：
其中，ci表示布尔量，其中，ft＝σ(Wf[It,ht-1]+Bf)，et＝σ(We[It,ht-1]+Be)，/>其中，σ()表示sigmoid函数的激活函数，tanh()表示双曲正切函数的激活函数，We、Wf、Wc分别表示输入门、遗忘门和候选值对应的权重，It表示时刻t的输入，ht-1为BLSTM模型在t-1时刻的输出，Be、Bf和Bc分别表示输入门、遗忘门和候选值对应的偏差；
S6.7：基于所述平均预测区间宽度、所述预测区间覆盖概率、所述结果均方根误差和所述结果决定系数进行指标评价分析，得到刀盘扭矩的预测结果。
8.一种基于EMD-BLSTM模型的刀盘扭矩实时动态预测装置，其特征在于，包括：
预处理模块，用于基于隧道盾构机的工作数据获取原始刀盘扭矩时间序列信号，并对所述原始刀盘扭矩时间序列信号进行预处理，得到预处理刀盘扭矩时间序列信号；
分解模块，用于计算所述预处理刀盘扭矩时间序列信号的分解表达式，基于EMD分解方法和所述分解表达式，多次利用BLSTM模型对所述预处理刀盘扭矩时间序列信号进行迭代分解，得到多个子序列组；其中，每个所述子序列组中的子序列数量不同；
目标数量计算模块，用于根据各个所述子序列组中的子序列，从所有所述子序列组中筛选出目标子序列组，并将所述目标子序列组中的子序列数量作为目标数量；
历史时步计算模块，用于根据所述目标数量计算出所述BLSTM模型的训练历史时步；
输出计算模块，用于根据所述训练历史时步，预设多个超前预测步数；基于所述目标数量和多个所述超前预测步数，利用所述BLSTM模型对所述预处理刀盘扭矩时间序列信号进行分解得到结果子序列组，计算并输出所述结果子序列组的偶然不确定性上下限总值和认知不确定性上下限总值；
评价模块，用于基于所述结果子序列组的偶然不确定性上下限总值和认知不确定性上下限总值计算出所述结果子序列组的平均预测区间宽度和预测区间覆盖概率；
计算出所述结果子序列组中的各个子序列的结果均方根误差和结果决定系数；
基于所述平均预测区间宽度、所述预测区间覆盖概率、所述结果均方根误差和所述结果决定系数进行指标评价分析，得到刀盘扭矩的预测结果。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311259493.6A CN117290664B (zh) | 2023-09-27 | 2023-09-27 | 一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311259493.6A CN117290664B (zh) | 2023-09-27 | 2023-09-27 | 一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117290664A true CN117290664A (zh) | 2023-12-26 |
| CN117290664B CN117290664B (zh) | 2024-04-26 |
Family
ID=89238593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311259493.6A Active CN117290664B (zh) | 2023-09-27 | 2023-09-27 | 一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117290664B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334875A (zh) * | 2019-07-10 | 2019-10-15 | 东北电力大学 | 计及评估指标冲突的风电功率组合概率预测方法 |
| CN112347580A (zh) * | 2020-11-05 | 2021-02-09 | 上海交通大学 | 一种盾构机刀盘扭矩实时预测方法及系统 |
| CN113221458A (zh) * | 2021-05-17 | 2021-08-06 | 上海交通大学 | 盾构刀盘扭矩多步预测方法和系统 |
| US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
| CN114462453A (zh) * | 2022-02-11 | 2022-05-10 | 上海交通大学 | 全断面隧道掘进机刀盘扭矩长时间预测方法及系统 |
| US20220406439A1 (en) * | 2021-06-17 | 2022-12-22 | Akili Interactive Labs, Inc. | System and method for adaptive configuration of computerized cognitive training programs |
| WO2023035564A1 (zh) * | 2021-09-08 | 2023-03-16 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
| CN116468174A (zh) * | 2023-04-23 | 2023-07-21 | 四川大学 | 飞行参数预测及置信度评价方法 |
-
2023
- 2023-09-27 CN CN202311259493.6A patent/CN117290664B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334875A (zh) * | 2019-07-10 | 2019-10-15 | 东北电力大学 | 计及评估指标冲突的风电功率组合概率预测方法 |
| US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
| CN112347580A (zh) * | 2020-11-05 | 2021-02-09 | 上海交通大学 | 一种盾构机刀盘扭矩实时预测方法及系统 |
| CN113221458A (zh) * | 2021-05-17 | 2021-08-06 | 上海交通大学 | 盾构刀盘扭矩多步预测方法和系统 |
| US20220406439A1 (en) * | 2021-06-17 | 2022-12-22 | Akili Interactive Labs, Inc. | System and method for adaptive configuration of computerized cognitive training programs |
| WO2023035564A1 (zh) * | 2021-09-08 | 2023-03-16 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
| CN114462453A (zh) * | 2022-02-11 | 2022-05-10 | 上海交通大学 | 全断面隧道掘进机刀盘扭矩长时间预测方法及系统 |
| CN116468174A (zh) * | 2023-04-23 | 2023-07-21 | 四川大学 | 飞行参数预测及置信度评价方法 |
Non-Patent Citations (7)
| Title |
|---|
| JIANXING LIAO: "Application of BP Neural Network Ensemble Model Based on Bagging Algorithm", 《INTERNATIONAL JOURNAL OF MACHINE LEARNING AND COMPUTING》, 17 January 2020 (2020-01-17) * |
| SHI, GANG等: "A VMD-EWT-LSTM-based multi-step prediction approach for shield tunneling machine cutterhead torque", 《KNOWLEDGE-BASED SYSTEMS》, 3 April 2022 (2022-04-03) * |
| 李栎冬: "机器学习算法与深度学习模型盾构刀盘扭矩预测效率研究", 《河北北方学院学报（自然科学版）》, 28 May 2023 (2023-05-28) * |
| 王晓霞;徐晓钟;张彤;高超伟;: "基于集成深度学习算法的燃气负荷预测方法", 计算机系统应用, no. 12, 15 December 2019 (2019-12-15) * |
| 王超;龚国芳;杨华勇;周建军;段理文;张亚坤;: "NSVR硬岩隧道掘进机刀盘扭矩预测分析", 浙江大学学报(工学版), no. 03, 8 December 2017 (2017-12-08) * |
| 胡欣球;马立新;: "VMD-LSTM算法在短期负荷预测中的应用", 电力科学与工程, no. 06, 28 June 2018 (2018-06-28) * |
| 谢朝阳;李贵杰;彭忠明;黄洪钟;: "基于证据理论和代理模型的QMU分析", 电子科技大学学报, no. 01, 30 January 2018 (2018-01-30) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117290664B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112926273B (zh) | 一种多元退化设备剩余寿命预测方法 | |
| CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
| CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| Dong et al. | An integrated deep neural network approach for large-scale water quality time series prediction | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
| CN112879024A (zh) | 一种盾构姿态动态预测方法、系统及设备 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN112560327A (zh) | 一种基于深度梯度下降森林的轴承剩余寿命预测方法 | |
| CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
| CN115221793A (zh) | 一种隧道围岩变形预测方法及装置 | |
| CN117290664B (zh) | 一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置 | |
| CN117406100A (zh) | 锂离子电池剩余寿命预测方法和系统 | |
| CN117420443A (zh) | 基于遗传算法的lstm的氢燃料电池剩余使用寿命预测方法 | |
| 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 | |
| CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
| CN112667394B (zh) | 一种计算机资源利用率优化方法 | |
| CN114462453A (zh) | 全断面隧道掘进机刀盘扭矩长时间预测方法及系统 | |
| CN115389743A (zh) | 一种变压器油中溶解气体含量区间预测方法、介质及系统 | |
| CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 | |
| CN111582567B (zh) | 一种基于递阶集成的风电功率概率预测方法 | |
| Shen et al. | An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed | |
| CN114463994A (zh) | 基于混沌与强化学习的交通流预测的并行方法 | |
| Lye et al. | Probabilistic artificial intelligence prediction of material properties for nuclear reactor designs |
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 |