[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

说明书

本发明公开了一种基于混合深度学习的盾构掘进位姿智能预测方法及系统，属于地铁盾构施工领域。该方法在盾构失准机理的基础上采用预测控制原理和人工智能技术，根据建立的混合深度学习模型WCNN‑LSTM对盾构掘进阶段位姿进行预测，并制定盾构位姿调整策略，实现操作参数的预先调整及事前控制以改善盾构失准的问题。该方法用于盾构机掘进过程中后续位姿变化的智能预测，支持盾构机驾驶员预先对盾构位姿进行调整，解决盾构机的蛇形运动难题、缓解盾构位姿调控滞后效应，实现盾构机掘进轴线的精确控制，能有效提升隧道成型质量，具有较高的工程实用价值。

技术领域

本发明属于地铁盾构施工领域，更具体地，涉及一种基于混合深度学习的盾构掘进位姿智能预测方法及系统。

背景技术

盾构法是修建地铁工程的主要工法。在盾构工法施工过程中，主要有失稳、失效、失准等三个问题。其中，地铁盾构失准问题对工程的施工质量、进度、成本和安全会造成全方位的影响。失准，主要表现为盾构位姿失准，即盾构掘进方向偏离设计轴线，导致隧道贯通误差以及管片拼装质量较差。盾构位姿失准一方面会形成隧道成型轴线偏差，引起隧道贯通误差，对未来的地铁运营造成安全隐患；另一方面，盾构位姿不良也会引发隧道管片拼装的难题，极易产生管片错台、破损，渗漏等隧道质量问题。因此，盾构位姿控制是解决盾构位姿失准问题的关键。

盾构位姿控制系统是一个典型闭环控制系统，其控制过程为：工程师提前将隧道设计轴线的数据输入盾构导向系统，然后通过地面控制网测量和联系测量，为盾构机和隧道设计轴线建立统一的大地坐标系，再通过盾构位姿测量系统得到当前盾构机与设计轴线的位姿偏差数据，由盾构机驾驶员读取偏差数据，经判断、分析后下达控制指令，操作盾构机位姿控制执行机构(主要是油缸推进系统，刀盘、土仓和螺旋输送机(土压式)等起到协同控制的作用)对盾构机进行位姿调整。在掘进过程中，外部影响因素对盾构机位姿状态的干扰始终存在，需要通过对盾构机位姿状态进行连续测量和调整实现闭环控制。但控制过程必须在被控量偏离设定值并产生偏差后，才能施加影响并产生效果，属于质量管理中的事后控制方法。此外，事后控制控制不及时的缺点将导致盾构掘进形成“蛇形”轨迹，而控制滞后是这一理论方法与生俱来的缺陷，无法彻底消除。基于事后控制的盾构位姿调整技术是当前盾构位姿控制的主要理论方法，在此控制模式下，盾构位姿控制效果差，盾构蛇形运动难以避免，非最优的控制策略。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于混合深度学习的盾构掘进位姿智能预测方法及系统，其目的在于，基于混合深度学习模型WCNN-LSTM进行训练，建立给定的输入变量与位姿输出变量的对应关系，从而能够根据各时刻获取的输入变量预测盾构机的位姿变化趋势及结果，从而有利于对盾构位姿进行早期预测及干预，提升盾构施工质量。

为实现上述目的，按照本发明的一个方面，提供了一种基于混合深度学习的盾构掘进位姿智能预测方法，包括模型训练阶段和位姿预测阶段，其中：

所述模型预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的输入参数和输出参数：

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，用于表征盾构机位姿；

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确定的输入参数和输出参数，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；