[发明专利]基于深度神经网络与关联分析结合的盾构轴线纠偏方法

摘要

本发明提出了一种基于深度神经网络与关联分析结合的盾构轴线纠偏方法，用于解决现有技术中存在的纠偏精度较低的技术问题，实现步骤为：构建盾构参数数据包；计算每类盾构轴线偏差的历史纠偏数据；构建基于深度神经网络DNN的轴线偏差参数回归模型；获取每类盾构轴线偏差的历史纠偏数据区间；获取每类盾构轴线偏差的每环纠偏量区间关联的纠偏掘进数据区间；获取盾构机各环所需的纠偏量；获取每环的纠偏掘进参数推荐数值。通过深度神经网络DNN构建盾构轴线偏差参数回归模型，通过关联分析获得与每环纠偏量区间关联的纠偏掘进数据区间，通过反向圆几何计算方法获得每环纠偏量，并通过每环纠偏掘进参数推荐数值实现纠偏，有效提高了纠偏精度。

主权项

1.一种基于深度神经网络与关联分析结合的盾构轴线纠偏方法，其特征在于包括如下步骤：(1)构建盾构参数数据包：(1a)剔除盾构机所采集的历史盾构数据中停止掘进状态下的数据，得到历史掘进数据，并通过历史掘进数据的中位数对该历史掘进数据中的缺失值进行填充，得到完整历史掘进数据，然后通过完整历史掘进数据的中位数对该完整历史掘进数据中的异常值进行替换，得到新的历史掘进数据；(1b)采用相关性分析方法去除新的历史掘进数据中的冗余特征，并对去除冗余特征后的新的历史掘进数据进行特征提取，得到包括盾构轴线偏差数据特征和对轴线偏差影响起关键作用的盾构掘进数据特征的盾构参数数据包，其中，盾构轴线偏差数据特征包括切口水平偏差、切口垂直偏差、盾尾水平偏差和盾尾垂直偏差，盾构掘进数据特征包括掘进速度、环号、切口里程、千斤顶上下左右四个方向的推力和行程，以及刀盘转速和扭矩；(2)计算每类盾构轴线偏差的历史纠偏数据：(2a)设盾构机回归至设计轴线的范围为[‑1.0,1.0],遍历盾构参数数据包中切口水平偏差、切口垂直偏差、盾尾水平偏差和盾尾垂直偏差四类盾构轴线偏差数据每类中的每一个数据，并将数值在[‑1.0,1.0]范围内的数据视为回归点，将每一类盾构轴线偏差数据中相邻两个回归点之间的数据段表示为Λ；(2b)将每一类盾构轴线偏差数据中每个数据段Λ中的最大值作为该数据段Λ的盾构最大偏差点位，并定义每个数据段Λ中收敛的部分为回归段；(2c)以盾构最大偏差点位为界限，分割出每个数据段Λ的回归段数据，并将每一类盾构轴线偏差数据中的每个回归段数据进行拼接，得到切口水平偏差的历史纠偏数据、切口垂直偏差的历史纠偏数据、盾尾水平偏差的历史纠偏数据和盾尾垂直偏差的历史纠偏数据；(3)构建基于深度神经网络DNN的轴线偏差参数回归模型：(3a)构建包含级联的输入层、两个隐藏层和输出层的深度神经网络DNN模型；(3b)对每类盾构轴线偏差的历史纠偏数据中的盾构掘进数据和轴线偏差数据进行归一化，并将归一化后的每类盾构轴线偏差的历史纠偏数据中80％的盾构掘进数据作为训练集输入数据，80％的盾构掘进数据所对应的轴线偏差数据作为训练集标签数据，其余的历史纠偏数据中的盾构掘进数据和轴线偏差数据作为测试集数据；(3c)通过训练集输入数据与训练集标签数据对深度神经网络DNN模型进行训练，得到基于深度神经网络DNN的轴线偏差参数回归模型；(4)获取每类盾构轴线偏差的历史纠偏数据区间：(4a)通过计算每类盾构轴线偏差的历史纠偏数据中每环的纠偏量，得到每类盾构轴线偏差的每环纠偏量；(4b)通过对每类盾构轴线偏差的每环纠偏量统计分析，剔除[‑(μ+2σ),(μ+2σ)]范围之外的数据，得到每类盾构轴线偏差包括纠偏掘进数据和每环纠偏量的新的历史纠偏数据，μ为每类盾构轴线偏差的每环纠偏量的均值，σ为每类盾构轴线偏差的每环纠偏量的标准差；(4c)通过等宽法，并以S为步长，对每类盾构轴线偏差的新的历史纠偏数据进行等宽离散化，得到四类包括纠偏掘进数据区间和每环纠偏量区间的历史纠偏数据区间，0＜S；(5)获取每类盾构轴线偏差的每环纠偏量区间关联的纠偏掘进数据区间：(5a)采用Apriori算法，以每类盾构轴线偏差的每环纠偏量区间为标签数据，挖掘每类盾构轴线偏差的每环纠偏量区间与每类盾构轴线偏差的历史掘进数据区间的关联规则；(5b)将置信度大于等于0.5的关联规则中每类盾构轴线偏差的每环纠偏量区间相同的关联规则取并集，得到与每类盾构轴线偏差的每环纠偏量区间关联的纠偏掘进数据区间；(6)获取盾构机各环所需的纠偏量Δd′₁,Δd′₂,...,Δd′_i,...,Δd′_n：(6a)采用反向圆几何计算方法，通过管片长度g、管片楔形量d、当前偏差量Δh以及实际纠偏里程L，计算反向圆半径R及两个圆心坐标O₂(L,R)和O₁(x₁,y₁)，并通过R、O₂(L,R)和O₁(x₁,y₁)建立纠偏曲线方程：其中，(6b)在反向圆所在平面直角坐标系中通过纠偏曲线方程绘制纠偏曲线，并以管片长度g为单位对x轴进行n次等宽划分，得到n个点x₁,x₂,...,x_i,...,x_n，且n为整数，x_i为第i点，1≤i≤n且i为整数；(6c)将x_i的坐标值带入纠偏曲线方程，计算x_i在纠偏曲线上对应的纵坐标y_i，并通过y_i计算盾构机第i环所需的纠偏量Δd′_i，得到n个纠偏量：Δd′₁＝y₁‑y₀,Δd′₂＝y₂‑y₁,...,Δd′_i＝y_i‑y_i‑1,...,Δd′_n＝y_n‑y_n‑1；(7)获取每环的纠偏掘进参数推荐数值：(7a)在所获取的与包含第i环所需纠偏量Δd′_i的纠偏量区间关联的纠偏掘进数据区间中以长度为步长均等获取数值，得到n×m个纠偏掘进数据：a_i为与包含第i环所需纠偏量Δd′_i的纠偏量区间关联的纠偏掘进数据区间左端点，m≥10且为整数，0≤j≤m‑1且j为整数，为第i环第j个纠偏掘进数据；(7b)将第j个纠偏掘进数据带入基于深度神经网络DNN的轴线偏差参数回归模型，计算第i环第j个纠偏掘进数据的模拟偏差d′_ij，得到n×m个模拟偏差：(7c)获取第i环纠偏量Δd′_i与第i环第j个纠偏掘进数据的模拟偏差d′_ij的绝对误差Error_ij，Error_ij＝||Δd′_i|‑|d′_ij||，得到n×m个绝对误差：(7d)取第i环m个Error_ij中最小误差Error_min对应的一组纠偏掘进数据作为最终第i环的纠偏掘进参数推荐数值，得到n个环对应的n组纠偏掘进参数推荐数值，依照每环的纠偏掘进参数推荐数值来设置盾构机，以实现盾构掘进过程中的轴线纠偏。