[发明专利]基于混合深度学习的盾构掘进位姿智能预测方法及系统

摘要

本发明公开了一种基于混合深度学习的盾构掘进位姿智能预测方法及系统，属于地铁盾构施工领域。该方法在盾构失准机理的基础上采用预测控制原理和人工智能技术，根据建立的混合深度学习模型WCNN‑LSTM对盾构掘进阶段位姿进行预测，并制定盾构位姿调整策略，实现操作参数的预先调整及事前控制以改善盾构失准的问题。该方法用于盾构机掘进过程中后续位姿变化的智能预测，支持盾构机驾驶员预先对盾构位姿进行调整，解决盾构机的蛇形运动难题、缓解盾构位姿调控滞后效应，实现盾构机掘进轴线的精确控制，能有效提升隧道成型质量，具有较高的工程实用价值。

主权项

1.一种基于混合深度学习的盾构掘进位姿智能预测方法，其特征在于，包括模型训练阶段和位姿预测阶段，其中：所述模型预训练阶段基于混合深度学习模型WCNN‑LSTM进行，包括：步骤1：数据确定及采集：1.1、确定WCNN‑LSTM的输入参数和输出参数：将掘进速度、渗透率、刀盘扭矩、总推力、刀盘转速、刀盘电流、刀盘总扭矩、总挤压力、实际开挖量、刀盘驱动总电流、刀盘位置、推进油缸行程初始值、推进油缸推力、刀盘伸缩油缸行程、排泥体积流量以及膨润土进口流量作为预测模型输入变量；将盾尾水平偏差、盾尾垂直偏差、盾头水平偏差、盾头垂直偏差、偏航角和俯仰角作为预测模型的六个输出变量，用于表征盾构机位姿；1.2、假设当前时刻为t，按照指定时间间隔采集t到t‑n时刻的盾构运行数据包括步骤1.1确定的输入参数和输出参数，从中选择连续无缺失且数据完备的环的数据作为训练样本，将训练样本分为训练集和测试集，n为正整数；步骤2：将训练集中的输入参数输入WCNN‑LSTM进行训练；步骤3：利用测试集的输入参数和输出参数对训练好的WCNN‑LSTM进行测试，并将实际输出的参数与测试集的输出参数进行偏差比较，若偏差超出预设范围，则调整WCNN‑LSTM的内参并返回步骤3；若偏差在预设范围内，训练完毕，得到基于WCNN‑LSTM的盾构掘进位姿预测模型。所述位姿预测阶段包括：步骤4：将t+j时刻或者t+1至t+j时间段对应的输入变量，输入盾构掘进位姿预测模型，得到对应的t+j时刻或者t+1至t+j时间段内的表征盾构机位姿的六个输出变量的预测值，即盾构机位姿预测值。