[发明专利]基于混合深度学习的盾构掘进位姿智能预测方法及系统

权利要求书

1.一种基于混合深度学习的盾构掘进位姿智能预测方法，其特征在于，包括模型训练阶段和位姿预测阶段，其中：

所述模型训练阶段基于混合深度学习模型WCNN-LSTM进行，包括：

步骤1：数据确定及采集：

1.1、确定WCNN-LSTM的输入变量和输出变量：

将掘进速度、渗透率、刀盘扭矩、总推力、刀盘转速、刀盘电流、刀盘总扭矩、总挤压力、实际开挖量、刀盘驱动总电流、刀盘位置、推进油缸行程初始值、推进油缸推力、刀盘伸缩油缸行程、排泥体积流量以及膨润土进口流量作为预测模型输入变量；

将盾尾水平偏差、盾尾垂直偏差、盾头水平偏差、盾头垂直偏差、偏航角和俯仰角作为预测模型的六个输出变量，用于表征盾构掘进位姿；

1.2、假设当前时刻为t，按照指定时间间隔采集t到t-n时刻的盾构运行数据包括步骤1.1确定的输入变量和输出变量，从中选择连续无缺失且数据完备的环的数据作为训练样本，将训练样本分为训练集和测试集，n为正整数；

步骤2：将训练集中的输入变量输入WCNN-LSTM进行训练；

步骤3：利用测试集的输入变量和输出变量对训练好的WCNN-LSTM进行测试，并将实际输出的变量与测试集的输出变量进行偏差比较，若偏差超出预设范围，则调整WCNN-LSTM的内参并返回步骤3；若偏差在预设范围内，训练完毕，得到基于WCNN-LSTM的盾构掘进位姿预测模型；

所述位姿预测阶段包括：

步骤4：将t+j时刻或者t+1至t+j时间段对应的输入变量，输入盾构掘进位姿预测模型，得到对应的t+j时刻或者t+1至t+j时间段内的表征盾构掘进位姿的六个输出变量的预测值，即盾构掘进位姿预测值。

2.如权利要求1所述的一种基于混合深度学习的盾构掘进位姿智能预测方法，其特征在于，还包括如下基于事前控制的盾构掘进位姿纠偏阶段：

步骤5：计算t+j时刻或者t+1至t+j时间段内的盾构掘进位姿预测值与设计值的偏差，若偏差超出允许范围，则提前调整t+j时刻或者t+1至t+j时间段内施加在盾构机上的控制量，操作盾构机进行位姿调整，实现在盾构掘进尚未失准前预先完成纠偏操作。

3.如权利要求2所述的一种基于混合深度学习的盾构掘进位姿智能预测方法，其特征在于，步骤5中的位姿调整过程如下：

步骤5.1：根据t+j时刻下或者t+1至t+j时间段内盾构掘进位姿预测值与设计值的偏差，计算相应时刻需要施加在盾构机上的控制量，并根据该控制量修正盾构机的控制信号；

步骤5.2：根据修正后的控制信号，在盾构机运行至下一个采样时刻时，调整盾构掘进位姿，获得盾构机调整后的位姿的实际观测值；重新采样并根据采样得到的输入变量进行位姿预测，得到该采样时刻重采样后的预测值；

步骤5.3：根据盾构机调整后的位姿的实际观测值与重采样后的预测值的偏差，进一步修正盾构掘进位姿预测模型。

4.如权利要求3所述的一种基于混合深度学习的盾构掘进位姿智能预测方法，其特征在于，步骤5.3中，修正盾构掘进位姿预测模型的方法如下：将重采样得到的输入变量和调整后的位姿的实际观测值加入训练样本，对盾构掘进位姿预测模型进行训练和更新。

5.一种基于混合深度学习的盾构掘进位姿智能预测系统，其特征在于，包括处理器、模型训练程序模块、WCNN-LSTM模型以及位姿预测程序模块；

所述模型训练程序模块在被所述处理器调用时，执行如权利要求1～3任意一项所述的模型训练阶段，对WCNN-LSTM模型进行训练，获得基于WCNN-LSTM的盾构掘进位姿预测模型；

所述位姿预测程序模块在被所述处理器调用时，执行如权利要求1～3任意一项所述的位姿预测阶段，以基于盾构掘进位姿预测模型获得盾构掘进位姿预测结果。

6.如权利要求5所述的一种基于混合深度学习的盾构掘进位姿智能预测系统，其特征在于，还包括位姿纠偏程序模块；

所述位姿纠偏程序模块在被所述处理器调用时，执行如权利要求2或3所述的基于事前控制的盾构掘进位姿纠偏阶段，从而基于盾构掘进位姿预测结果进行盾构掘进位姿纠偏。