[发明专利]一种盾构机刀盘扭矩实时预测方法及系统

说明书

本发明提供了一种盾构机刀盘扭矩实时预测方法及系统，包括：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，并进行预处理；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；对残差CNN‑LSTM神经网络刀盘扭矩预测模型进行训练；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；分别计算均方误差、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；本发明实现对盾构机的刀盘扭矩的高精度预测，有利于提升盾构机的自动化与智能化水平。

技术领域

本发明涉及盾构机施工过程的掘进参数预测与控制参数优化领域，具体地，涉及一种盾构机刀盘扭矩实时预测方法及系统，更为具体地，涉及一种基于残差CNN-LSTM神经网络的盾构机刀盘扭矩实时预测方法。

背景技术

盾构机全称是隧道掘进机，被广泛地应用于高速铁路和地铁的隧道建设中，与传统的爆破法挖掘隧道相比，采用盾构机进行隧道的挖掘更为高效安全与环保。未来我国将会建设更多的铁路，到时盾构机将会得到更为广泛的应用。盾构机在施工过程中刀盘系统极易受卡受困损坏，这将影响建设工期甚至可能引发安全事故，造成重大经济损失，危害人身安全。为了确保盾构机在施工过程中能够安全地推进，根据不同的地质条件合理地调整盾构机的掘进参数是很有必要的。然而精确地预测盾构机工作的地质条件地质参数是十分困难的，因此精确地预测盾构机掘进过程的运行参数对指导盾构机高效安全地推进和实现对盾构机的智能控制与优化决策具有重要的意义。刀盘系统是盾构机的最重要的部件之一，刀盘扭矩是刀盘系统的关键参数也是盾构机的重要运行参数，刀盘扭矩的数值反映了地质条件对盾构机前进的阻碍程度，对盾构机的刀盘扭矩进行精确的预测有助于操作人员提前调整刀盘的旋转速度等操作参数，从而确保盾构机的安全推进与减少事故的发生。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种盾构机刀盘扭矩实时预测方法及系统。

根据本发明提供的一种盾构机刀盘扭矩实时预测方法，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刀盘扭矩数值。

优选地，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；