[发明专利]一种基于多目标学习的TBM掘进参数预测方法

说明书

本发明提出了一种基于多目标学习的TBM掘进参数预测方法，以解决传统控制策略中人为决策的主观性与决策规则单一性的问题。步骤为：通过智能数据采集系统获取TBM掘进参数；对上述TBM掘进参数进行降噪与增强处理，获取每个循环上升段和稳定段数据；提取循环上升段与稳定段的时域特征，构建反映TBM健康状态的评估指标；利用人工智能算法有效表征上升段TBM特征指标与稳定段多目标变量之间的非线性映射关系，建立基于多目标学习的岩机作用模型；通过非线性优化方法对岩机作用模型的参数进行自适应调整；根据岩机作用模型预估的多目标参数信息，TBM司机可综合围岩地质情况和渣片的颗粒分布优化TBM控制策略。本发明可在线估计TBM掘进参数，同时不干扰TBM正常运行。

技术领域

本发明属于隧道大型掘进设备智能控制领域，具体涉及一种基于多目标学习的TBM掘进参数预测方法，可同时预估多个TBM掘进参数，优化TBM掘进过程中控制策略。

背景技术

在硬岩TBM的掘进过程中，司机需根据岩体地质条件对设备掘进参数进行实时调整。然而，传统的控制策略主要根据TBM司机的驾驶经验和掘进参数的波动情况进行人为判断，但这种方式易受人为主观性和决策规则单一性的影响而导致参数调整与实际值产生较大偏差，诱发TBM控制策略的决策失误，严重威胁人机的安全性与可靠性。

此外，在一个完整的TBM掘进循环内，司机通常需根据不同阶段的操作规则逐步改变TBM掘进及控制参数值，其中如何根据上升段数据来预测TBM稳定段掘进参数的变化趋势是现场TBM司机迫切关注的问题，也是目前TBM智能控制领域中的一个研究热点。因而，如何克服传统决策规则的单一性问题、实时精准预测TBM掘进参数，并以此辅助TBM司机优化控制策略对于实现TBM安全高效掘进具有至关重要的现实意义。

发明内容

针对上述现有技术描述的不足，本发明提供一种基于多目标学习的TBM掘进参数预测方法，通过基于多目标学习的人工智能算法有效表征上升段数据与稳定段多目标变量之间的非线性映射关系，从而实时精准预测多个TBM性能和控制参数。除了借助岩机模型所预估的多目标参数信息之外，TBM司机还可以综合围岩地质情况和渣片的颗粒分布来优化掘进过程中控制策略。

为解决上述问题，本发明所采用的技术方案通过一种基于多目标学习的TBM掘进参数预测方法来实现，其具体步骤如下：

S1，通过TBM智能数据采集系统获取TBM掘进参数的原始数据。

所述TBM掘进参数从现场TBM监控平台中智能数据采集系统获取，包括TBM性能参数、控制参数和设定参数。

所述TBM性能参数包括刀盘扭矩T和总推力F；TBM控制参数包括刀盘转速n和掘进速度V；TBM设定参数包括刀盘转速设定值np和掘进速度设定值Vp。

S2，对采集的TBM掘进参数进行降噪与增强处理，获取循环上升段和稳定段数据。

S2.1，对步骤S1所获TBM掘进参数进行但不限于剔除非工作状态下异常数据的初步处理。

S2.2，将初步处理的TBM掘进参数数据进行标准化，并划分循环上升段和稳定段。

S3，根据预处理后TBM掘进参数数据，提取反映TBM健康状态的评估指标。

所述评估指标，包括循环上升段TBM掘进数据的时域特征和稳定段掘进数据的时域特征。

S3.1，根据预处理后TBM掘进参数数据，提取循环上升段数据的时域特征。

所述循环上升段数据的时域特征，包括所有TBM性能参数、控制参数和设定参数在上升段的时域均值指标、均方根指标和方差指标；时域均值指标和均方根指标反映TBM设备在一段运行时间内的总体健康状态，方差指标有效表征TBM掘进参数在一段运行时间内的的波动情况；