[发明专利]盾构姿态多自由度运动特性预测和控制性能评估系统及方法

说明书

本发明揭示了一种盾构姿态多自由度运动特性预测和控制性能评估系统及方法，所述评估系统包括数据获取模块、多自由度姿态预测模块及控制性能评估模块；多自由度姿态预测模块用以根据前期的盾构空间姿态与操作参数对未来设定时间内盾构多自由度姿态变化情况进行预测，并将该预测结果输入至控制性能评估模块；控制性能评估模块用以评价多自由度姿态预测模块的预测结果与盾构各自由度姿态实际变化量的吻合度，根据该吻合度判断当前的盾构姿态控制性能是否发生变化，进而决定是否选用同工况盾构掘进姿态预测器修正前期的盾构掘进姿态预测器进行盾构姿态预测，提升盾构姿态预测精度。本发明可提升模型收敛速度。

技术领域

本发明属于盾构控制技术领域，涉及一种盾构控制系统，尤其涉及一种盾构姿态多自由度运动特性预测和控制性能评估系统及方法。

背景技术

针对基于机器学习模型预测盾构姿态问题，在已发表专利和论文中的普遍方法为：通过选择某种机器学习算法，确定模型的输入输出维度之后，训练历史数据得到盾构姿态预测器。此类方法存在以下几个方面的缺陷：

(1)某些方法中根据当前施工工程的历史数据进行模型训练，由于同一个工程中的工况相近，所训练的模型可以快速收敛。但此方法仅仅考虑了所获得模型针对历史数据的拟合效果，并未考虑到模型在实际应用过程中可能会遇到未“训练”的工况，此情景下盾构的运动特性可能是不同的，盾构的实际运动姿态会与预测姿态之间存在较大的偏差；且此类方法需要先累积当前工程的施工数据才能够对盾构姿态进行预测，无法在工程的初始阶段就进行盾构姿态预测(中国专利CN202010146856.5，专利名称为：一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法)。

(2)有些方法中使用单个深度学习网络对海量的盾构历史施工数据进行多维度学习，虽然深度学习网络可以无限的拟合复杂的非线性关系，但由于土层分布具有多样性、盾构与隧道设计轴线位置关系具有多样性、盾构类型具有多样性，导致盾构施工的工况种类极多，如果将海量的历史施工数据直接放入深度学习网络中进行训练，往往会导致某些出现频率相对较低的工况数据被当做噪声数据而忽略；此外，往往由于CPU/GPU设备的限制，为了通过海量数据直接获得较好的模型拟合效果，需要消耗大量的时间成本。

(3)现有方法中的盾构姿态预测模型仅仅针对盾构的切口和盾尾在未来某一点的偏差值进行预测，预测结果是短距的、单点的、非连续的，无法表征盾构姿态变化的趋势性。

有鉴于此，如今迫切需要设计一种新的盾构姿态预测方式，以便克服现有盾构姿态预测方式存在的上述至少部分缺陷。

发明内容

本发明提供一种盾构姿态多自由度运动特性预测和控制性能评估系统及方法，可提升盾构姿态预测的精度，加快姿态预测模型的收敛速度。

为解决上述技术问题，根据本发明的一个方面，采用如下技术方案：

一种盾构姿态多自由度运动特性预测和控制性能评估系统，所述评估系统包括：

数据获取模块，用以实时采集盾构掘进过程中的施工参数与盾构操作参数；

多自由度姿态预测模块，用以根据前期的盾构空间姿态与操作参数对未来设定时间内盾构多自由度姿态变化情况进行预测，并将该预测结果输入至控制性能评估模块；

控制性能评估模块，用以评价多自由度姿态预测模块的预测结果与盾构各自由度姿态实际变化量的吻合度，根据该吻合度判断当前的盾构姿态控制性能是否发生变化，进而决定是否选用同工况盾构掘进姿态预测器修正前期的盾构掘进姿态预测器进行盾构姿态预测。

作为本发明的一种实施方式，所述多自由度预测模块基于海量的历史施工数据，通过对当前工况特征识别实现盾构姿态多自由度运动特性预测；所述多自由度姿态预测模块包括盾构掘进姿态预测器、同工况盾构掘进姿态预测器；