一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法

摘要

本发明涉及一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法，具体包括以下步骤：S1.获取传感器连续记录的掘进数据，划分出原始掘进段进行优化，获得目标掘进段组，并将目标掘进段组划分为训练样本集和测试样本集；S2.构建卷积神经网络模型，将训练样本集输入卷积神经网络模型进行深度学习，获取初步预测模型；S3.获取测试样本集，输入初步预测模型进行测试，根据测试结果调整初步预测模型的超参数；S4.重复步骤S3，记录每次调整超参数后模型的预测误差，当预测误差小于设定阈值时，将当前模型作为最终预测模型输出。与现有技术相比，本发明具有提高掘进机的刀盘转速和推进速度的预测精度、避免经济损失和工期延误等优点。

说明书

技术领域

本发明涉及硬岩隧道掘进机智能控制领域，尤其是涉及一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法。

背景技术

硬岩隧道掘进机(Tunnel Boring Machine，TBM)是一种专门用于开凿隧道的大型机具。传统的掘进过程中，TBM掘进参数往往依靠人为经验控制，需要根据TBM的传感器数据实时调整掘进参数，由于操作人员对岩-机作用信息的分析和对地质条件的预判不足，卡机等工程事故时有发生，造成经济损失和工期延误。因此，找到一套TBM掘进参数的智能预测算法对于隧道工程来说十分重要。

发明内容

本发明的目的就是为了克服上述现有技术存在的由于对岩-机作用信息的分析和对地质条件的预判不足造成经济损失和工期延误的缺陷而提供一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法，具体包括以下步骤：

S1.获取掘进机传感器连续记录的掘进数据，根据所述掘进数据划分出原始掘进段，并对所述原始掘进段进行优化，获得目标掘进段组，并将所述目标掘进段组划分为训练样本集和测试样本集；

S2.构建卷积神经网络模型，所述卷积神经网络模型包括卷积层、池化层、线性整流层和全连接层，将所述训练样本集输入卷积神经网络模型进行深度学习，获取初步预测模型；

S3.获取所述测试样本集，输入所述初步预测模型进行测试，根据测试结果调整初步预测模型的超参数；

S4.重复步骤S3，记录每次调整超参数后模型的预测误差，当所述预测误差小于设定阈值时，将当前模型作为最终预测模型输出。

所述步骤S1具体包括以下步骤：

S101.根据掘进机的基础参数去除停机段并划分出原始掘进段，剔除原始掘进段中掘进时间过短和不良地质停机的掘进段，获得目标掘进段组；

S102.根据掘进机的推进速度的上升趋势，将所述目标掘进段组中每一个掘进段进一步划分为空推段、上升段和稳定段；

S103.将所述上升段前目标时段的传感器数据共同排列为上升段数值矩阵，根据所述稳定段建立稳定段掘进参数矩阵；

S104.根据预设比例将目标掘进段组中所有掘进段的所述上升段数值矩阵与稳定段掘进参数矩阵划分为训练样本集和测试样本集。

所述训练样本集和测试样本集的存储形式为数据文件，便于模型快速读取。

进一步地，所述步骤S101中掘进机的基础参数包括掘进机的推力、扭矩、推进速度和刀盘转速。

进一步地，所述步骤S103中稳定段掘进参数矩阵具体包括稳定段的平均刀盘转速和平均推进速度。

进一步地，所述上升段数值矩阵的深度的数值与目标时段的时长的数值相同。

进一步地，所述步骤S2具体包括以下步骤：

S201.构建包括卷积层、池化层、线性整流层和全连接层的卷积神经网络模型；

S202.所述卷积神经网络模型获取训练样本集，根据预设的损失函数和优化算法，将训练样本集中的上升段数值矩阵作为输入，稳定段掘进参数矩阵作为输入进行卷积神经网络模型的有监督学习。

进一步地，所述卷积神经网络模型的结构具体为1层输入层、1层卷积层、1层池化层与2层卷积层的组合、1层池化层与3层卷积层的组合、1层池化层与1层线性整流层的组合、1层全连接层和1层全连接层。

进一步地，所述损失函数具体为均方误差函数，公式具体如下：

其中，y

进一步地，所述优化算法具体为Adam算法，流程如以下公式所示：

m

其中，η为初始学习率，β

进一步地，所述模型的超参数包括批次大小、全连接层的神经元个数、优化算法的参数，调整超参数的方法为网格搜索法。

与现有技术相比，本发明具有以下有益效果：

本发明获取掘进机传感器连续记录的掘进数据，构建包括卷积层、池化层、线性整流层和全连接层的卷积神经网络模型对稳定段的刀盘转速和推进速度进行预测，降低了掘进机的挖掘效果的预测值与真实值之间的误差，提高了掘进机的刀盘转速和推进速度的预测精度，方便操作人员根据预测结果对掘进机的前进路线和工作模式进行调整，避免了经济损失和工期延误。

附图说明

图1为本发明的流程示意图；

图2为本发明划分空推段、上升段和稳定段的示意图；

图3为本发明卷积神经网络模型的结构示意图；

图4为本发明MSE和MAE初始学习率影响预测误差的示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例一

如图1所示，一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法，具体包括以下步骤：

S1.获取掘进机传感器连续记录的掘进数据，根据掘进数据划分出原始掘进段，并对原始掘进段进行优化，获得目标掘进段组，并将目标掘进段组划分为训练样本集和测试样本集；

S2.构建卷积神经网络模型，卷积神经网络模型包括卷积层、池化层、线性整流层和全连接层，将训练样本集输入卷积神经网络模型进行深度学习，获取初步预测模型；

S3.获取测试样本集，输入初步预测模型进行测试，根据测试结果调整初步预测模型的超参数；

S4.重复步骤S3，记录每次调整超参数后模型的预测误差，当预测误差小于设定阈值时，将当前模型作为最终预测模型输出。

本实施例中，掘进数据为连续记录802天的数据，每天记录的数据包含1-10个掘进段，每个掘进段包括198项特征，特征涉及的系统包括推进系统、主驱动系统和调向系统。

本实施例中，目标掘进段组中掘进段的数量为13099个。

步骤S1具体包括以下步骤：

S101.根据掘进机的基础参数去除停机段并划分出原始掘进段，剔除原始掘进段中掘进时间过短和不良地质停机的掘进段，获得目标掘进段组；

S102.如图2所示，根据掘进机的推进速度的上升趋势，将目标掘进段组中每一个掘进段进一步划分为空推段、上升段和稳定段；

S103.取上升段前30秒的198项特征数据去除两个常数项，排列为14x14x30的上升段的上升段数值矩阵M1，根据稳定段建立稳定段掘进参数矩阵；

S104.根据7:3的比例将目标掘进段组中所有掘进段的上升段数值矩阵与稳定段掘进参数矩阵划分为训练样本集和测试样本集。

训练样本集和测试样本集的存储形式为npy数据文件，便于模型快速读取。

步骤S101中掘进机的基础参数包括掘进机的推力、扭矩、推进速度和刀盘转速。

步骤S103中稳定段掘进参数矩阵具体包括稳定段的平均刀盘转速和平均推进速度。

步骤S2具体包括以下步骤：

S201.构建包括卷积层、池化层、线性整流层和全连接层的基于VGG-16模型的卷积神经网络模型；

S202.卷积神经网络模型获取训练样本集，根据预设的损失函数和优化算法，将训练样本集中的上升段数值矩阵作为输入，稳定段掘进参数矩阵作为输入进行卷积神经网络模型的有监督学习。

如图3所示，卷积神经网络模型的结构具体为1层输入层、1层卷积层、1层池化层与2层卷积层的组合、1层池化层与3层卷积层的组合、1层池化层与1层线性整流层的组合、1层全连接层和1层全连接层。

损失函数具体为均方误差函数(MSE)，公式具体如下：

其中，y

优化算法具体为Adam算法，流程如以下公式所示：

m

其中，η为初始学习率，β

模型的超参数包括批次大小、全连接层的神经元个数、优化算法的参数，调整超参数的方法为网格搜索法。

如图4所示，对于均方误差函数(MSE)、平均绝对误差(MAE)的初始学习率，当其他参数不变，初始学习率设置在0.0001时整体的误差最小，因此在本发明中Adam算法的初始学习率为0.0001。

此外，需要说明的是，本说明书中所描述的具体实施例子，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。