[发明专利]一种基于深度神经网络的盾构机参数优化方法

摘要

本发明公开了一种基于深度神经网络的盾构机参数优化方法。本发明利用神经网络算法建立了一种用于预测复杂地质条件的盾构机掘进参数的正向模型，如果在输出层得不到期望的输出值，则取输出与期望的误差的平方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，网络的学习在权值修改过程中完成。在利用真实数据进行预测时，该模型预测值与原始数据变化规律一致，平均误差在12％以内，且模型结构轻量级、泛化能力符合现场施工要求，为盾构机掘进参数预测提供了一套有效的方案，具有一定的实用价值。

主权项

1.一种基于深度神经网络的盾构机参数优化方法，其特征在于，包括以下步骤：S1、对待预测的盾构机，根据其历史施工记录采集样本数据，所述样本数据包括该盾构机的环号、总功率、刀盘扭矩、刀盘压力、刀盘转速、推进压力、总推进力、泡沫混合液当前累计量、左中土仓压力、左上土仓压力、左下土仓压力、右下土仓压力、右中土仓压力以及当前推进速度；S2、对样本数据进行数据处理，包括数据的降维、去噪以及特征选择；S3、建立模型，包括由深度神经网络构成的前向预测模型、由权重优化矩阵构成的参数生成模型；在初始时，随机初始化各层节点的权值，其中权重优化层的权值矩阵初始化为单位矩阵；将数据分为观测数据和预测数据，定义预测数据为盾构机掘进速度，观测数据为步骤S2中获得的数据；S4、第一次训练：将权重优化矩阵进行锁定不参与本次训练，利用模型的正向传播算法，得到模型的预测值y′即为预测速度，然后与实际值y即原始数据中所记录的真实速度计算误差函数，通过梯度下降算法得到最优参数；因权重优化层被设置为不可训练，反向传播将更新深度神经网络中的参数，将前向预测模型训练到最优；S5、第二次训练：将权重优化矩阵锁定解除，深度神经网络锁定不参与本次训练；再次应用正向传播算法，得到的预测值与y*(1+△)，其中△为人工干预因子计算误差函数，通过梯度下降算法更新权重优化层中的参数，将参数生成模型训练到最优；S6、采用训练好的模型对盾构机参数进行优化，参数生成模型输出的值作为最终输出结果。