[发明专利]一种基于深度神经网络的盾构掘进姿态预测方法

说明书

本发明属于盾构掘进技术领域，具体涉及一种基于深度神经网络的盾构掘进姿态预测方法；本发明针对盾构掘进姿态预测难、人工决策效率低等问题，综合使用了小波变换降噪以及深度学习的方法，确定了盾构姿态多种相关参数的集合构建，实现了对未来时刻盾构姿态参数的预测。本发明建立的盾构掘进姿态预测模型，能够有效的降低施工数据中噪声的影响，并且在面对海量、高维数据对象时，依旧能够保持良好的预测效果；将本发明运用到盾构项目中，通过对盾构姿态参数的预测，可以辅助现场操作人员判断盾构掘进姿态，进而及时调整操作规避姿态异常的风险。

技术领域

本发明属于盾构掘进技术领域，具体涉及一种基于深度神经网络的盾构掘进姿态预测方法。

背景技术

随着城市化进程的推出，盾构施工已然成为隧道建设中最常用的施工方法之一，盾构施工是指盾构机按照隧道设计轴线在地面下开挖土体、运出渣土以及拼装管片的机械化施工过程。盾构机的运动轨迹一般由盾构机姿态及位置决定，若盾构及运行轨迹偏离设计轴线，会导致开挖路线被改变，进而影响后续管片拼装操作及拼装质量，也可能造成隧道内渗水、地面过大沉降或隆起等工程问题；由此有必要提出一种能够预测盾构机下一时刻姿态的预测方法；经过检索发现现有的预测方法如下所述：

1.发明名称为：盾构机姿态预测方法、装置、终端设备以及存储介质，公开号为CN112100841A的发明专利，该篇专利文献中通过使用GRU神经网络对盾构姿态进行预测，将历史俯仰角、滚动角以及横摆角输入模型，以预测未来时刻的相关盾构姿态数据。

2.发明名称为：一种盾构姿态动态预测方法、系统及设备，公开号为CN112879024A的发明专利，该篇专利文献中通过使用双向LSTM神经网络与注意力机制进行盾构姿态预测，通过过去时刻与未来时刻的盾构姿态数据进行双向学习，取得了不错的盾构姿态预测效果。

3.发明名称为：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，公开号为CN113344256A的发明专利，该篇专利文献中通过ANN网络模块对盾构姿态进行预测，通过海量历史施工数据，并结合控制性能评估模块对模型进行优化，提高盾构姿态预测效果。

上述方法中没有对原始施工数据中所产生的噪音进行处理。上述第1和第2种方法只使用了姿态参数数据作为输入，没有使用施工数据，且没有对盾首和盾尾的水平、垂直偏差进行预测；第3种方法的输入参数与输出参数关联性较小，因此施工参数选取不够合理，且ANN网络无法学习到盾构数据的时间序列特点。

发明内容

本发明公开了一种基于深度神经网络的盾构掘进姿态预测方法，拟解决原始盾构施工数据中存在噪音的技术问题。

为解决上述技术问题，本发明采用的技术方案如下：

一种基于深度神经网络的盾构掘进姿态预测方法，包括以下步骤：

步骤1：基于盾构机上的传感器采集相关的历史盾构施工数据；

步骤2：对历史盾构施工数据进行预处理：包括异常值处理、小波变换降噪以及数据标准化；通过预处理后将盾构施工数据转换为适合盾构掘进姿态预测模型的数据；

步骤3：确定盾构掘进姿态预测模型的步长s与预测时间段t，将预处理后的数据进行连续读取，生成时间序列数据；

步骤4：基于预处理后的数据以及时间序列数据建立基于LSTM神经网络的盾构掘进姿态预测模型，并将作为历史数据集的历史盾构施工数据划分为训练集和测试集，对盾构掘进姿态预测模型进行训练和测试，通过均方根误差判断模型预测的效果，最终保留预测效果最佳的模型参数，将预测效果最佳的模型参数作为盾构掘进姿态预测模型的参数，得到最终的盾构掘进姿态预测模型；

步骤5：将实际检测到的盾构施工数据输入步骤4中最终得到的盾构掘进姿态预测模型中进行盾构姿态预测，得到盾构机下一时刻的姿态。