一种基于深度神经网络的盾构掘进姿态预测方法

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。

本发明通过去除施工数据中的噪音，实现了根据历史施工数据准确预测未来时刻的盾构掘进姿态，辅助施工现场管理者和操作人员高效决策，提前规避异常掘进姿态，解决目前盾构施工人工决策低效、不稳定以及数据闲置等问题，对于保障盾构稳定掘进、减少盾构项目风险事故具有重要价值。本发明基于LSTM神经网络构建盾构掘进姿态预测模型，而LSTM模型是一种特殊的循环神经网络，能够解决普通RNN出现的梯度爆炸或梯度消失的问题，以获取长期数据特征。

优选的，所述历史盾构施工数据包括：推进系统参数、出渣系统参数以及注浆系统参数；

所述推进系统参数包括：盾构机的推进速度、螺旋输送机转速以及盾构激光导向系统中6组导向推进油缸的位移参数；

所述出渣系统参数包括：出渣系统中10个土压传感器中的压力检测信息；

注浆系统参数包括注浆系统中4个压力传感器中的压力检测信息。

本发明通过选取上述盾构系统中的22个施工参数作为盾构掘进姿态预测模型的输入，以确保输入参数与输出参数之间的关联性，进而通过深度神经网络更好的学习上述参数之间的线性与非线性关系，以达到更好的预测效果。

优选的，所述异常值处理的方法为：基于3σ准则将分布在[μ-3σ，μ+3σ]之外的数据进行剔除，其中

所述异常值也称为离群点，是数据中不合理的值；在盾构施工数据中若存在异常值，则会导致最终的预测结果不准确，因此本发明基于3σ准则将分布在[μ-3σ，μ+3σ]之外的数据进行剔除，实现了异常值的剔除，从而保障了盾构掘进姿态预测模型的预测精度。

优选的，所述小波变换降噪的步骤包括：

通过小波变换对经过异常值处理的历史盾构施工数据的时间序列进行n次分解；

将经过n次分解后的数据通过小波重建，得到新的去噪数据序列。

由于在盾构施工过程中，盾构施工数据是通过遍布盾构机机身的传感器进行采集所得到，并传输值云平台；而由于在盾构施工过程中可能存在传感器失效以及数据通信异常等问题，使采集的数据存在噪音，因此，采用小波变换对盾构机参数的时间序列进行分解；再通过小波变换重建，生成新的去噪数据序列，提高了盾构姿态预测精度。

小波变换所使用的小波基函数有多种，常用小波基函数有DB（Daubechies）小波、Haar小波以及Meyer小波等，不同的小波基选取，会产生不同的结果。DB小波具有良好的正则性，能够使降噪后的数据变得更加光滑，适合本发明数据集的处理。

因此本发明选用DB小波进行小波变换降噪，DB小波通常写为dbN（N∈[1,10]），N代表该小波基函数的消失矩，N越高，处理后的数据将越光滑，且不同频带的划分效果与局部化能力越强，但会增加计算量，削弱及时性；本发明将小波变换分解层数设为最大，并通过实验确定小波基dbN。

优选的，所述数据标准化为对经过小波变换降噪的历史盾构施工数据进行Z-Score标准化处理，公式如下：

式中：

本发明为了消除施工数据件量纲的影响，提供盾构掘进姿态预测模型的预测精确度，本发明在将数据集输入深度神经网络之前，对施工参数数据进行Z-Score标准化处理，以平衡数据指标之间的可比性。

优选的，所述盾构掘进姿态预测模型的输出参数包括：盾构激光导向系统的导向滚动角、盾构激光导向系统的导向俯仰角、盾构激光导向系统的导向水平前，盾构激光导向系统的导向垂直前、盾构激光导向系统的导向水平后、盾构激光导向系统的导向垂直后、盾构激光导向系统的导向水平趋向RP以及盾构激光导向系统的导向垂直趋向RP，其中盾构激光导向系统的导向水平前和盾构激光导向系统的导向垂直前代表盾首水平与垂直偏差；盾构激光导向系统的导向水平后和盾构激光导向系统的导向垂直后代表盾构为水平与垂直偏差。

优选的，所述LSTM神经网络由LSTM层、全连接层以及Adam算法构成；

LSTM层由输入层、LSTM单元层以及隐含层构成；

所述输入层用于接收经过预处理后的数据，将带有时间信息的数据传递给LSTM单元层，通过LSTM单元层学习数据中的时间序列特点，在LSTM单元层处理下输出给隐含层，隐含层学习时序施工数据与姿态参数之间的关系，并将所述关系传输给全连接层；

全连接层中所有的神经元均与上一层中LSTM层进行连接计算，将LSTM层学习到的特征进行传递输出。

优选的，LSTM神经网络训练时，LSTM单元层的运行步骤如下所述：

步骤A.根据上一时刻经过LSTM神经网络处理后的输出

式中：

步骤B.经过上一时刻神经网络处理后的输出

式中：

步骤C.基于步骤A、B产生的

步骤D.将步骤C所更新的数据输入到输入层，通过sigmoid函数

式中：

优选的，所述步骤5还包括基于盾构掘进姿态预测模型预测的下一时刻的姿态和盾构机在下一时刻中的实际姿态优化盾构掘进姿态预测模型的参数。

优选的，采用训练集对所述盾构掘进姿态预测模型进行训练，并采用Adam算法对盾构掘进姿态预测模型进行优化。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.本发明针对盾构掘进姿态预测难、人工决策效率低等问题，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。本发明基于LSTM建立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；通过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。

2. 本发明通过去除施工数据中的噪音，实现了根据历史施工数据准确预测未来时刻的盾构掘进姿态，辅助施工现场管理者和操作人员高效决策，提前规避异常掘进姿态，解决目前盾构施工人工决策低效、不稳定以及数据闲置等问题，对于保障盾构稳定掘进、减少盾构项目风险事故具有重要价值。本发明基于LSTM神经网络构建盾构掘进姿态预测模型，而LSTM模型是一种特殊的循环神经网络，能够解决普通RNN出现的梯度爆炸或梯度消失的问题，以获取长期数据特征。

3. 由于在盾构施工过程中，盾构施工数据是通过遍布盾构机机身的传感器进行采集所得到，并传输值云平台；而由于在盾构施工过程中可能存在传感器失效以及数据通信异常等问题，使采集的数据存在噪音，因此，采用小波变换对盾构机参数的时间序列进行分解；再通过小波变换重建，生成新的去噪数据序列，提高了盾构姿态预测精度。

4. 本发明为了消除施工数据件量纲的影响，提供盾构掘进姿态预测模型的预测精确度，本发明在将数据集输入深度神经网络之前，对施工参数数据进行Z-Score标准化处理，以平衡数据指标之间的可比性。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为本发明的盾构掘进姿态预测模型结构图。

图2为本发明的小波变换去噪过程图。

图3为本发明的LSTM单元结构图。

图4为本发明的盾构掘进姿态预测流程图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

参见图1到图4，一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；所述历史盾构施工数据包括：推进系统参数、出渣系统参数以及注浆系统参数；

所述推进系统参数包括：盾构机的推进速度、螺旋输送机转速以及盾构激光导向系统中6组导向推进油缸的位移参数；

所述出渣系统参数包括：出渣系统中10个土压传感器中的压力检测信息；

注浆系统参数包括注浆系统中4个压力传感器中的压力检测信息。

具体参数请参见如下表1：

本发明通过选取上述盾构系统中的22个施工参数作为盾构掘进姿态预测模型的输入，以确保输入参数与输出参数之间的关联性，进而通过深度神经网络更好的学习上述参数之间的线性与非线性关系，以达到更好的预测效果。

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；

所述异常值处理的方法为：基于3σ准则将分布在[μ-3σ，μ+3σ]之外的数据进行剔除，其中

所述异常值也称为离群点，是数据中不合理的值；在盾构施工数据中若存在异常值，则会导致最终的预测结果不准确，因此本发明基于3σ准则将分布在[μ-3σ，μ+3σ]之外的数据进行剔除，实现了异常值的剔除，从而保障了盾构掘进姿态预测模型的预测精度。

所述小波变换降噪的步骤包括：

通过小波变换对经过异常值处理的历史盾构施工数据的时间序列进行n次分解；

将经过n次分解后的数据通过小波重建，得到新的去噪数据序列。

由于在盾构施工过程中，盾构施工数据是通过遍布盾构机机身的传感器进行采集所得到，并传输值云平台；而由于在盾构施工过程中可能存在传感器失效以及数据通信异常等问题，使采集的数据存在噪音，因此，采用小波变换对盾构机参数的时间序列进行分解；再通过小波变换重建，生成新的去噪数据序列，提高了盾构姿态预测精度。

小波变换去噪过程请参见附图2所示，其中X（t）为原始施工序列数据，D

小波变换所使用的小波基函数有多种，常用小波基函数有DB（Daubechies）小波、Haar小波以及Meyer小波等，不同的小波基选取，会产生不同的结果。DB小波具有良好的正则性，能够使降噪后的数据变得更加光滑，适合本发明数据集的处理。

因此本发明选用DB小波进行小波变换降噪，DB小波通常写为dbN（N∈[1,10]），N代表该小波基函数的消失矩，N越高，处理后的数据将越光滑，且不同频带的划分效果与局部化能力越强，但会增加计算量，削弱及时性；本发明将小波变换分解层数设为最大，并通过实验确定小波基dbN。

所述数据标准化为对经过小波变换降噪的历史盾构施工数据进行Z-Score标准化处理，公式如下：

式中：

本发明为了消除施工数据件量纲的影响，提供盾构掘进姿态预测模型的预测精确度，本发明在将数据集输入深度神经网络之前，对施工参数数据进行Z-Score标准化处理，以平衡数据指标之间的可比性。

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；以当前时刻T为例，将[T-s，T]时段的数据作为输入，预测[T+1,T+t]时段内盾构姿态数据；转换后的时序数据直接输入到LSTM神经网络中。

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，采用训练集对所述盾构掘进姿态预测模型进行训练，并采用Adam算法对盾构掘进姿态预测模型进行优化，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；

所述盾构掘进姿态预测模型的输出参数包括：盾构激光导向系统的导向滚动角、盾构激光导向系统的导向俯仰角、盾构激光导向系统的导向水平前，盾构激光导向系统的导向垂直前、盾构激光导向系统的导向水平后、盾构激光导向系统的导向垂直后、盾构激光导向系统的导向水平趋向RP以及盾构激光导向系统的导向垂直趋向RP，其中盾构激光导向系统的导向水平前和盾构激光导向系统的导向垂直前代表盾首水平与垂直偏差；盾构激光导向系统的导向水平后和盾构激光导向系统的导向垂直后代表盾构为水平与垂直偏差。

所述LSTM神经网络由LSTM层、全连接层以及Adam算法构成；

LSTM层由输入层、LSTM单元层以及隐含层构成；

所述输入层用于接收经过预处理后的数据，将带有时间信息的数据传递给LSTM单元层，通过LSTM单元层学习数据中的时间序列特点，在LSTM单元层处理下输出给隐含层，隐含层学习时序施工数据与姿态参数之间的关系，并将所述关系传输给全连接层；

全连接层中所有的神经元均与上一层中LSTM层进行连接计算，将LSTM层学习到的特征进行传递输出。

长短期记忆神经网络是一种特殊的循环神经网络，能够解决普通RNN出现的梯度爆炸或者梯度消失的问题，以获取长期数据特征。

LSTM单元层是LSTM神经网络的一种特殊结构，由遗忘门、输入门、输出门以及单元状态模块组成，其结构如图3所示，其中

每个LSTM单元层计算过程如下（

步骤A.根据上一时刻经过LSTM神经网络处理后的输出

式中：

步骤B.经过上一时刻神经网络处理后的输出

式中：

步骤C.基于步骤A、B产生的

步骤D.将步骤C所更新的数据输入到输入层，通过sigmoid函数

式中：

本发明利用训练集对模型进行多次训练，使用Adam算法对模型进行优化。模型的预测精确度采用均方根误差（RMSE）进行评估，模型的预测结果RMSE值越低，代表该姿态参数预测结果

在模型完成训练之后，使用测试集对训练好的模型进行测试，通过RMSE判断模型预测效果，并保存预测效果最优时的模型结构与参数。

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。

所述步骤5还包括基于盾构掘进姿态预测模型预测的下一时刻的姿态和盾构机在下一时刻中的实际姿态优化盾构掘进姿态预测模型的参数。

本发明通过去除施工数据中的噪音，实现了根据历史施工数据准确预测未来时刻的盾构掘进姿态，辅助施工现场管理者和操作人员高效决策，提前规避异常掘进姿态，解决目前盾构施工人工决策低效、不稳定以及数据闲置等问题，对于保障盾构稳定掘进、减少盾构项目风险事故具有重要价值。本发明基于LSTM神经网络构建盾构掘进姿态预测模型，而LSTM模型是一种特殊的循环神经网络，能够解决普通RNN出现的梯度爆炸或梯度消失的问题，以获取长期数据特征。

以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。