[发明专利]一种基于LSTM算法的TBM掘进参数的预测方法

权利要求书

1.一种基于LSTM算法的TBM掘进参数的预测方法，其特征是，包括以下步骤：

(1-1)选择关键参数：TBM施工掘进过程关键参数包括刀盘转速n、推进速度v、总推进力F、刀盘扭矩T、围岩性质和围岩等级，选取n、v、F、T和围岩性质、围岩等级作为训练特征建模；

(1-2)通过RSP识别算法自动分离TBM掘进过程的上升阶段和稳定阶段；

(1-3)利用LSTM算法和总推力F、刀盘扭矩T、刀盘转速n、推进速度v、围岩性质、围岩等级训练模型，预测TBM施工稳定段掘进参数；

(1-4)用关键参数的平均准确度评价预测结果；

其中，步骤（1-2）包括如下步骤：

(2-1)在刀盘转速n＝0并且推进速度v＝0的条件下，对推进速度v计算窗口均值平滑，然后求差分，根据差分值判断上升阶段的状态；

(2-2)判断上升阶段是否为有效上升段，确定稳定段；

(2-3)对稳定段数据，按掘进段桩号计算F、T、n和v的平均值；

其中，步骤(2-2)包括如下步骤：

(3-1)若差分值由非正数变为正数，上升阶段开始；

(3-2)若差分值由正数变为负数，则上升阶段结束；

其中，步骤(2-3)包括如下步骤：

(4-1)上升阶段结束后，处于稳定状态，则上升段有效，其后稳定的时间段即是稳定段，形成RSP；

(4-2)上升阶段结束后，继续出现持续上升或者下降，则上升段无效，需丢弃；

其中，步骤(1-3)包括如下步骤：

(5-1)选择长短期记忆模型进行模型训练；

(5-2)取RSP的上升阶段，提取按时间序列排列的n、v、F和T的原始数据组；

(5-3)取RSP对应的稳定阶段的前若干组n、v、F和T数据的平均值；

(5-4)LSTM以n、v、F和T为特征，以稳定阶段的前若干组n、v、F和T数据的平均值为特征值，预测n和v；

(5-5)在LSTM模型的输出层中定义神经元用于预测n和v，n和v各对应一个神经元；

(5-6)用Keras搭建LSTM模型，预测函数使用sigmoid函数；

(5-7)用Keras中的fit函数来跟踪训练期间的参数的训练和测试损失，fit函数用的反向传播算法，batch_size＝100，epochs＝500；

其中，步骤(1-4)包括如下步骤：

(6-1)总推进力平均准确度S_F 的计算公式如下:

其中，k为所取样本的数据组数，F_i 是第i组数据所在稳定阶段总推进力均值，F_i ’ 是预测结果，S_F 越接近于样本数k，则S_F 的准确度越高；

(6-2)刀盘扭矩平均准确度S_T 的计算公式如下：

其中，k为所取样本的数据组数，T_i 是第i组数据所在稳定阶段刀盘扭矩均值，T_i’ 是预测结果，S_T 越接近于样本数k，则S_T 的准确度越高；

(6-3)刀盘转速平均准确度S_n 的计算公式如下：

其中，k为所取样本的数据组数，n_i 是第i组数据所在稳定阶段刀盘转速均值，n_i ’ 是预测结果，S_n 越接近于样本数k，则S_n 的准确度越高；

(6-4)推进速度平均准确度S_v 的计算公式如下：

其中，k为所取样本的数据组数，v_i 是第i组数据所在稳定阶段推进速度均值，v_i’ 是预测结果，S_v 越接近于样本数k，则S_v 的准确度越高。