[发明专利]一种基于深度神经网络的盾构机参数优化方法

说明书

本发明公开了一种基于深度神经网络的盾构机参数优化方法。本发明利用神经网络算法建立了一种用于预测复杂地质条件的盾构机掘进参数的正向模型，如果在输出层得不到期望的输出值，则取输出与期望的误差的平方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，网络的学习在权值修改过程中完成。在利用真实数据进行预测时，该模型预测值与原始数据变化规律一致，平均误差在12％以内，且模型结构轻量级、泛化能力符合现场施工要求，为盾构机掘进参数预测提供了一套有效的方案，具有一定的实用价值。

技术领域

本发明涉及一种基于深度神经网络的盾构机参数优化方法。

背景技术

盾构机即盾构隧道掘进机，是一种用于隧道掘进的专用大型设备，其在地铁施工，轨道建设中有着广泛的应用。盾构机运行过程中需要根据掘进条件的不同而设置各种参数，在整个掘进过程中也需要对参数进行不断的调整，因为参数设置的好坏能够直接影响盾构机的掘进速度。所以选用合适的方法来精准而有效地预测掘进参数，具有重要的现实意义。

目前盾构机的运行状况分析主要取决于决策人员的经验判断，而在工程进行过程中，决策人员难以对传感器产生大量、复杂的信息和数据进行快速而准确的分析，并且这种凭借工程经验进行参数调节的方法对于不同地质条件下的挖掘效率不能保证。当前也有基于计算机专家系统为决策人员提供建议，但这种系统往往只能提供单一参数的建议，且对于当前盾构云平台已经收集的大量在不同地形地质特征下的施工历史信息并没有得到充分的分析与利用。

发明内容

本发明在模型控制方法的基础上，结合神经网络的优势，建立一个盾构机运行参数智能预测、优化的方法，可以将盾构机实时运行信息加以整理、分析后快速传递到决策人员，以利于施工过程中的迅速决策，以达到盾构施工参数最优控制的目的的方法。

为了便于理解本发明的技术方案，对本发明方案中采用的神经网络技术进行以下说明：

深度神经网络目前是许多人工智能应用的基础，它能使用统计学习方法从原始感官数据中提取高层特征，在大量的数据中获得输入空间的有效表征，这使神经网络能够在许多领域中超越人类的准确率。神经网络建立M个隐藏层，按顺序建立输入层跟隐藏层的联结，最后建立隐藏层跟输出层的联结。每层由大量的节点(或称神经元)组成，层与层的连接由层的各个神经元的连接实现。节点之间的连接都代表一个对于通过该连接信号的加权值，称之为权重，为每个隐藏层的每个节点选择一种特定的输出函数，称为激励函数(activation function)。网络自身是对某种算法或函数的逼近，这样来求解每个连接的权重和每个节点自带的bias值。

为了实现上述目的，本发明采用的技术方案为：

一种基于深度神经网络的盾构机参数优化方法，包括以下步骤：

步骤1：采集样本数据，结合实际的施工经验和历史数据记录，采集某市特定机型盾构机型号的一段挖掘历史数据，通常数据样本包括该盾构机的环号、总功率、刀盘扭矩、刀盘压力、刀盘转速、推进压力、总推进力、泡沫混合液当前累计量、左中土仓压力、左上土仓压力、左下土仓压力、右下土仓压力、右中土仓压力以及当前推进速度；

步骤2：针对采集的数据样本进行针对性的数据预测数理。

由于采集回来的数据大部分依靠盾构机传感器收集，在收集过程中，传感器的灵敏度不同会数据中出现离群\异常数据，且各个数据的量纲并不统一，在深度神经网络中采用统一量纲作为输入。数据处理阶段包包括数据的降维、去噪以及特征选择。经过上述处理，将得到去掉异常点、非线性相关、量纲统一的高质量数据。

步骤3：模型的建立与初始化。

该模型分为两部分，即由深度神经网络构成的前向预测模型和由权重优化矩阵构成的参数生成模型，在初始时，随机初始化各层节点的权值，其中权重优化层的权值矩阵初始化为单位矩阵。