[发明专利]一种辅助安全风险决策的隧道掘进设备参数预测方法

说明书

本发明公开了一种辅助安全风险决策的隧道掘进设备参数预测方法，包括对隧道掘进设备历史参数数据进行预处理，构建多变量序列数据集；将多变量序列数据集划分为训练数据集、验证数据集和测试数据集；从训练数据集中取出样本，将其输入长短期记忆网络，捕捉序列在不同时刻之间的特征表示，得到时间序列隐状态；采用空洞卷积对时间序列隐状态做卷积操作，对序列的特征进一步采样，得到隐状态矩阵；再利用时间模式注意力机制网络对时间序列的预测；构建生成式对抗网络；训练生成式对抗网络；重复上述步骤，直至达到训练条件终止，得到最后训练好的model。该方法相较于现有方法具有稳定性好、泛化性和鲁棒性强、预测精度更高等特点。

技术领域

本发明涉及一种辅助安全风险决策的隧道掘进设备参数预测方法，属于时间序列的时序预测技术领域。

背景技术

近年来，随着我国高速铁路隧道建造技术的迅猛发展，隧道施工已经由传统人力建设逐步向机械化、智能化方向发展，不仅如此，在隧道建造过程中，对其安全性、高效性和质量可控性提出了新的要求。在隧道开挖环节，通常会根据所处地形和土质采用不同的掘进方式，例如我国最广泛使用的钻爆法和隧道掘进机工法等。在真实的隧道掘进环境中，土质会因为掘进过程和施工方式出现不同程度的变化，若设备稍有操作不当，则会造成不可估量的后果，危及人员的生命和财产安全。因此，合理预测隧道掘进设备参数，不仅能够保证人员和设备的安全，同时也能辅助施工人员对当前已掘进、未掘进的隧道段进行施工安全风险评估，可有效减少隧道掘进施工事故。综上所述，施工安全风险评价方法的核心是能够准确预测设备的各项参数，因此有关隧道掘进设备参数的预测，对我国基础建设的快速发展有着十分重要的意义。

近几年，基于深度神经网络的模型在求解非线性预测方面具有很大的优势。其中循环神经网络(Recurrent Neural Networks，RNN)率先利用过去的时间步长信息去预测未来的结果。紧接着长短期记忆网络(Long and short-term memory，LSTM)被证明可以同时捕捉时间序列中的短期和长期特征，能够显著提升模型对序列特征的“记忆”能力。文献[1]“Learning Phrase Representations using RNN Encoder-Decoder for StatisticalMachine Translation”(Kyunghyun Cho,Bart van Merrienboer,Caglar Gulcehre,etal.[J].arXiv preprint arXiv:1406.1078.2014)通过简化LSTM中各种繁琐的门式结构和候选状态，提出了门控线性单元(Gated Recurrent Units，GRU)。但是由于GRU和LSTM在时间序列长度增加时，均存在梯度爆炸或消失的问题，导致GRU在实际应用中，常常无法很好地捕捉到超长时间序列特征之间的相关性。为了缓解这个问题，文献[2]“Modeling Long-and Short-Term Temporal Patterns with Deep Neural Networks”(Guokun Lai,Wei-Cheng Chang,Yiming Yang,and Hanxiao Liu.The 41th InternationalACM SIGIRConference on ResearchDevelopment in Information Retrieval[C],2018:95-104)提出了长短时间模式网络(LSTNet)，该网络包含一种新颖的循环跳过组件(Recurrent-Skip，RS)，RS利用超参数p，捕获时间序列中存在的周期特征，这使得在合理设置p的情况下，模型可以捕获超长期时序特征中的相关性，超参数p的引入有助于减缓梯度消失或爆炸，缓解神经网络的尺度不敏感性。尽管如此，LSTNet仍然存在三个主要缺点：第一，超参数p是一个经验参数，在具体的任务中，如何合理地设置p成为一个既耗时又费力的工作，并且p在不同的任务中并不通用；第二，虽然p可以捕捉到超长时间序列中的周期特征，但现实生活中的数据不完全是周期性数据，这使得该模型的应用范围受限；第三，LSTNet选择相关的隐状态后，并没有做进一步处理。针对这些不足，文献[3]“Temporal Pattern Attention forMultivariate Time Series Forecasting”(Shih,Shun-Yao,Fan-Keng Sun,and Huang-yiLee.Machine Learning[J],2019,108(8):1421-1441)新添加了时间模型注意力机制(Temporal Pattern Attention，TPA)，并且去除了超参数p，使得模型能够处理更一般的时间序列数据，但是TPA利用常规卷积将捕获到的时间序列隐状态直接压缩成隐状态矩阵，丢失的信息过多，使得预测精度有所下降。