[发明专利]一种基于多影响因素的泥水盾构泥水仓压力预测方法

权利要求书

1.一种基于多影响因素的泥水盾构泥水仓压力预测方法，其特征在于，包括以下步骤：

步骤1，获取泥水盾构PLC系统采集的数据；

步骤2，根据所述泥水盾构PLC系统采集的数据，进行泥水仓压力影响因素分析，得到影响因素；

步骤3，根据所述影响因素，对所述泥水盾构PLC系统采集的数据进行清洗，并进行特征提取和样本划分，得到训练集数据和测试集数据；

步骤4，基于所述训练集数据，采用遗传算法结合K折交叉验证优化神经网络拓扑结构，得到最优网络拓扑结构信息并构建最优模型；

步骤5，基于所述训练集数据对所述最优模型进行训练，得到拟合模型，并基于所述测试集数据对所述拟合模型进行评估以对模型的预测效果进行进一步验证，若未达标则重复步骤4～步骤5，直至模型预测效果达标；

步骤6，使用预测效果验证达标的模型对下一时刻的泥水仓压力进行预测，对预测值是否处于合适的范围进行分析并给出相应的反馈信息。

2.根据权利要求1所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法，其特征在于：

其中，步骤2中，所述影响因素包括直接因素和间接因素，

所述直接因素为预设的下一时刻的气垫仓压力和泥浆液位，

所述间接因素为当前时刻的掘进参数，包括贯入度、刀盘扭矩、刀盘转速、总推进力、推进速度、进浆流量以及出浆流量。

3.根据权利要求1所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法，其特征在于：

其中，步骤3包括以下子步骤：

步骤3-1，将所述PLC系统采集的数据进行空值处理和异常值处理；

步骤3-2，将处理后的数据以分钟为刻度重新整理；

步骤3-3，将整理后的数据进行归一化处理，得到数据样本；

步骤3-4，将所述数据样本划分成训练集数据和测试集数据。

4.根据权利要求4所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法，其特征在于：

其中，步骤3-1中，所述空值处理采用删除法，直接删除所述空值所在时间点的参数行，

所述异常值处理采用3σ准则和经验法相结合的方法，

步骤3-2中，以分钟为刻度重新整理数据的过程具体分为以下子步骤：

步骤3-2-1，时间跨度判断：PLC控制系统数据采集频率为1s，当以分钟为刻度时，若60条数据内所采集数据的时间跨度超过70s，则剔除该段时间数据；

步骤3-2-2，新时间刻度下的特征值计算：计算60条数据内各个特征值的均值作为新时间刻度下的特征值，

步骤3-3中，所述归一化处理采用z-score方法，即用整理后的数据的每个特征值减去其所有取值的均值再除以标准差，

步骤3-4中，将所述数据样本按照4:1的比例划分成所述训练集数据和所述测试集数据。

5.根据权利要求1所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法，其特征在于：

其中，步骤4包括以下子步骤：

步骤4-1，参数初始化：

所述遗传算法中使用到的参数包括种群个数、遗传代数、交叉概率、变异概率以及个体基因，

所述个体基因包括神经网络隐藏层层数、各隐藏层节点数、激励函数以及优化函数，

步骤4-2，种群初始化：随机产生基因不同的m个个体；

步骤4-3，适应度计算：基于所述测试集，采用K折交叉验证，将各个模型评分均值作为适应度值；

步骤4-4，选择、遗传、变异产生新一代种群：根据所述适应度值对父代进行排序并选出满足条件的父代，并随机选择优秀父代进行交叉、变异产生子代，父代和子代共同构成含有m个个体的新种群；

步骤4-5，重复步骤4-3～步骤4-4，直至满足算法终止条件，获得最优个体，从而获得最优网络拓扑结构信息。

6.根据权利要求6所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法，其特征在于：

其中，步骤4-3中，所述模型评分均值采用的是K折交叉验证中模型基于验证集的R²值。