[发明专利]一种盾构机刀盘扭矩实时预测方法及系统

权利要求书

1.一种盾构机刀盘扭矩实时预测方法，其特征在于，包括：

步骤M1：选取盾构机实际工作过程中对刀盘扭矩影响符合预设要求的盾构机运行参数；

步骤M2：对符合预设要求的盾构机运行参数进行预处理；

步骤M3：基于CNN神经网络、残差网络与LSTM神经网络利用Tensorflow框架下的keras包构建残差CNN-LSTM神经网络刀盘扭矩预测模型；

步骤M4：利用预处理后的盾构机运行参数对残差CNN-LSTM神经网络刀盘扭矩预测模型进行训练，得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型；

步骤M5：选取预设时刻的盾构机运行参数数据，利用训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型，对下一时刻的刀盘扭矩数值进行预测；

步骤M6：根据下一时刻的刀盘扭矩数值分别计算均方误差、平均绝对误差和平均绝对百分误差，根据计算得到的均方误差、平均绝对误差和平均绝对百分误差测试刀盘扭矩的预测精度；

所述残差CNN-LSTM神经网络刀盘扭矩预测模型包括CNN神经网络、残差网络和LSTM神经网络；预设时刻的盾构机运行参数通过残差CNN-LSTM神经网络刀盘扭矩预测模型得到预测的刀盘扭矩数值。

2.根据权利要求1所述的盾构机刀盘扭矩实时预测方法，其特征在于，所述步骤M1包括：

步骤M1.1：清除盾构机运行参数数据中的非数值型变量与数值不发生变化的常量；

步骤M1.2：计算剩余的每个盾构机运行参数与刀盘扭矩之间的余弦相似度；

序列X(x₁,x₂,x₃,…,x_n)与Y(y₁,y₂,y₃,…,y_n)余弦相似度的计算公式如下所示：

其中，序列X(x₁,x₂,x₃,…,x_n)表示不同时间点的刀盘扭矩；序列Y(y₁,y₂,y₃,…,y_n)表示不同时间点的盾构机运行参数；

步骤M1.3：选取满足预设要求的余弦相似度相应的盾构机运行参数。

3.根据权利要求1所述的盾构机刀盘扭矩实时预测方法，其特征在于，所述步骤M2包括：

步骤M2.1：利用最大-最小归一化方法对符合预设要求的盾构机运行参数进行预处理；

其中，x_old表示归一化前的数值，x_new表示归一化后的数值，x_max表示盾构机运行参数中物理量数据最大值，x_min表示盾构机运行参数中物理量数据最小值。

4.根据权利要求1所述的盾构机刀盘扭矩实时预测方法，其特征在于，所述步骤M3中残差CNN-LSTM神经网络刀盘扭矩预测模型包括：CNN神经网络、残差网络、LSTM神经网络；

所述CNN神经网络是将预处理后的盾构机运行参数通过CNN神经网络提取空间变化特征；

所述残差网络缓解深层神经网络在训练时的梯度消失；

所述LSTM神经网络是将经过残差网络的输入数据和经过CNN神经网络提取的空间变化特征相加通过LSTM神经网络提取时间变化特征；

所述CNN神经网络的层数为预设层，每层CNN神经网络包括预设层卷积层和预设层池化层；

所述LSTM神经网络包括预设层，每层LSTM神经网络分别具有预设数量的神经元；

所述残差CNN-LSTM神经网络刀盘扭矩预测模型还包括全连接神经网络，所述全连接神经网络的神经元数量为预设个，将结果通过全连接神经网络输出。

5.根据权利要求1所述的盾构机刀盘扭矩实时预测方法，其特征在于，所述步骤M4包括：利用预处理后的盾构机运行参数采用Adam优化器训练残差CNN-LSTM神经网络刀盘扭矩预测模型，训练时采用梯度下降反向传播算法调整神经元的权值，直至训练次数达到预设值结束训练，得到训练后的残差CNN-LSTM神经网络刀盘扭矩预测模型。