盾构掘进支护压力动态预测与智能决策控制系统

技术领域

本发明涉及盾构技术领域，特别是涉及一种盾构掘进支护压力动态预测与智能决策控制系统。

背景技术

城市地下空间的开发在快速发展，目前在城市地铁的建设中，大多采用盾构机工法。盾构掘进过程中主要通过开挖舱内的泥水压力或土压力平衡外部的水土压力，从而保证开挖面的平衡。过小的压力会引起掘进工作面的失衡，导致地表的沉陷或坍塌；过大的压力将会导致刀盘与土体之间摩擦阻力增加，增加刀具的磨损。

传统方法中，盾构机支护压力的控制基本都以手动控制为主，控制的精度严重依靠工程师的个人经验，控制失误则可能会出现一系列地层沉降甚至是坍塌的重大安全事故。

现有技术中，通过合理添加改性泥浆材料进行手动操控支护压力，来维持开挖面的稳定，不够完全智能化，还是依靠个人经验；或通过对泥水压力影响因素进行预测，但是并不能得到控制决策参数，或获取送泥量和排泥量参数，用泥浆密度作为指标，根据参数信息进行判断和控制掘进参数，仍属于手动控制范畴。

发明内容

有鉴于此，本发明提供了盾构掘进支护压力动态预测与智能决策控制系统，以智能代人工，减少运营成本，大大降低技术门槛，提高了施工的安全性。

为实现上述目的，本发明提供了如下方案：

一种盾构掘进支护压力动态预测与智能决策控制系统，其特征在于，包括：

参数选取模块，获取M个初始参数的历史数据，并进行相关程度计算，得到N个决策参数；M和N均为大于1的正整数，且N≤M；

数据构建模块，基于N个所述决策参数的历史数据和历史支护压力数据构建训练数据集；

模型训练模块，基于所述训练数据集对支护压力预测模型进行训练，得到训练好的所述支护压力预测模型；

预测模块，获取实时时间序列数据集，基于所述实时时间序列数据集和训练好的所述支护压力预测模型得到支护压力预测值；

控制模块，基于所述支护压力预测值和粒子群算法得到各所述决策参数的预测值，基于各所述决策参数的预测值进行盾构掘进控制。

优选地，所述参数选取模块具体为：

获取M个所述初始参数的历史数据；

选取任意两个所述初始参数的历史数据进行相关程度计算，若所述相关程度大于相关性设定值，则舍弃选取的两个所述初始参数中的任意一个，重复执行此过程，得到N个所述决策参数。

优选地，所述模型训练模块包括：

预处理单元，对所述训练数据集进行归一化和数据清洗，得到清洗数据集；

模型构建单元，基于各所述决策参数构建所述支护压力预测模型；

训练单元，将所述清洗数据集分为训练集和测试集；基于所述训练集对所述支护压力预测模型进行训练，基于所述测试集对所述支护压力预测模型进行测试，直至所述支护压力预测模型的误差小于误差设定值，得到训练好的所述支护压力预测模型。

优选地，所述控制模块包括：

边界单元，基于所述支护压力预测值得到支护压力上限和支护压力下限；

数据搜索单元，基于粒子群算法在给定区间内对各所述决策参数的初始预测值进行搜索，得到初始控制集；

计算单元，基于所述初始控制集和训练好的所述支护压力预测模型，得到支护压力计算值；

适应度单元，基于所述支护压力计算值、所述支护压力上限和所述支护压力下限得到适应度值；

控制单元，对所述适应度值进行判断，若所述适应度值大于适应度设定值，则将各所述决策参数的初始预测值作为各所述决策参数的预测值，基于各所述决策参数的预测值进行盾构掘进控制；若所述适应度值小于或等于所述适应度设定值，则返回至所述数据搜索单元，直至所述适应度值大于所述适应度设定值。

优选地，所述支护压力预测模型选用长短期记忆神经网络。

优选地，所述预处理单元包括：

归一化子单元，结合盾构直径和刀具数量对所述训练数据集进行归一化处理，得到归一化数据集；

离群点子单元，基于距离设定值对所述归一化数据集进行离群点清洗，得到所述清洗数据集。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明涉及一种盾构掘进支护压力动态预测与智能决策控制系统，包括：参数选取模块，获取M个初始参数的历史数据，并进行相关程度计算，得到N个决策参数；数据构建模块，基于N个决策参数的历史数据和历史支护压力数据构建训练数据集；模型训练模块，对支护压力预测模型进行训练；预测模块，获取实时时间序列数据集，基于实时时间序列数据集和训练好的支护压力预测模型得到支护压力预测值；控制模块，基于支护压力预测值和粒子群算法得到各决策参数的预测值，基于各决策参数的预测值进行盾构掘进控制。本发明以智能代人工，减少运营成本，大大降低技术门槛，提高了施工的安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为盾构掘进支护压力动态预测与智能决策控制系统。

符号说明：1、参数选取模块；2、数据构建模块；3、模型训练模块；4、预测模块；5、控制模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供盾构掘进支护压力动态预测与智能决策控制系统，以智能代人工，减少运营成本，大大降低技术门槛，提高了施工的安全性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明盾构掘进支护压力动态预测与智能决策控制系统结构图。如图1所示，本发明提供了一种盾构掘进支护压力动态预测与智能决策控制系统，包括：参数选取模块1、数据构建模块2、模型训练模块3、预测模块4和控制模块5。

所述参数选取模块1用于获取M个初始参数的历史数据，并进行相关程度计算，得到N个决策参数；M和N均为大于1的正整数，且N≤M。

具体地，获取M个所述初始参数的历史数据。

选取任意两个所述初始参数的历史数据进行相关程度计算，若所述相关程度大于相关性设定值，则舍弃选取的两个所述初始参数中的任意一个，重复执行此过程，得到N个所述决策参数。

本实施例中，所述M取10，10个所述初始参数分别为盾构推力、刀盘转速、盾构掘进速度平均值、螺旋机转速、刀盘扭矩、进泥量、出泥量、贯入度、掘进环号和掘进时间。所述相关性设定值为0.8。

相关程度计算公式如下：

式中：R为相关程度，x

经过计算选取6个所述决策参数，即N＝6，6个所述决策参数分别为刀盘转速、刀盘转矩、盾构掘进速度平均值、贯入度、盾构推力和螺旋机速度。

所述数据构建模块2用于基于N个所述决策参数的历史数据和历史支护压力数据构建训练数据集。

所述模型训练模块3用于基于所述训练数据集对支护压力预测模型进行训练，得到训练好的所述支护压力预测模型。

具体地，所述模型训练模块3包括：预处理单元、模型构建单元和训练单元。

所述预处理单元用于对所述训练数据集进行归一化和数据清洗，得到清洗数据集。

进一步地，所述预处理单元包括：归一化子单元和离群点子单元。

所述归一化子单元用于结合盾构直径和刀具数量对所述训练数据集进行归一化处理，得到归一化数据集。

归一化处理公式如下：

式中：N为刀具数量，D为盾构直径，x为某一决策参数的历史数据中某一原始数据值，x′为x归一化后的数据值，x

所述离群点子单元用于基于距离设定值对所述归一化数据集进行离群点清洗，得到所述清洗数据集。

所述离群点子单元具体为将离群距离大于所述距离设定值的异常噪声数据进行剔除，避免不同项目盾构机规格不同带来的影响。本实施例中，所述距离设定值为0.1。离群距离计算公式如下：

式中：d

所述模型构建单元用于基于各所述决策参数构建所述支护压力预测模型。所述支护压力预测模型包括输入层、LSTM层、全连接层和输出层，组成四层128节点网络。盾构机以1S的频率进行数据采集，每10S内的10组数据作为一个时间预测序列，输出层对应下一时刻的支护压力。所述支护压力预测模型选用长短期记忆神经网络。

所述训练单元用于将所述清洗数据集分为训练集和测试集；并基于所述训练集对所述支护压力预测模型进行训练，基于所述测试集对所述支护压力预测模型进行测试，直至所述支护压力预测模型的误差小于误差设定值，得到训练好的所述支护压力预测模型。选取所述清洗数据集中的70％作为所述训练集、剩余30％作为所述测试集。

所述预测模块4用于获取实时时间序列数据集，并基于所述实时时间序列数据集和训练好的所述支护压力预测模型得到支护压力预测值。

将所述实时时间序列数据集输入训练好的所述支护压力预测模型得到所述支护压力预测值。

所述控制模块5用于基于所述支护压力预测值和粒子群算法得到各所述决策参数的预测值，并基于各所述决策参数的预测值进行盾构掘进控制。

具体地，所述控制模块5包括：边界单元、数据搜索单元、计算单元、适应度单元和控制单元。

所述边界单元用于基于所述支护压力预测值得到支护压力上限和支护压力下限。所述支护压力上限为所述支护压力预测值乘以1.05得到。所述支护压力下限为所述支护压力预测值乘以0.95得到。

所述数据搜索单元用于基于粒子群算法在给定区间内对各所述决策参数的初始预测值进行搜索，得到初始控制集。首先给定区间0～1和初始值0.5，然后对各所述决策参数的初始预测值进行搜索，得到初始控制集。

所述计算单元用于基于所述初始控制集和训练好的所述支护压力预测模型，得到支护压力计算值。

将所述初始控制集输入训练好的所述支护压力预测模型，得到所述支护压力计算值。

所述适应度单元用于基于所述支护压力计算值、所述支护压力上限和所述支护压力下限得到适应度值。

所述适应度值的计算公式如下：

式中：w为适应度值，p为支护压力计算值，p

控制单元，对所述适应度值进行判断，若所述适应度值大于适应度设定值，则将各所述决策参数的初始预测值作为各所述决策参数的预测值，基于各所述决策参数的预测值进行盾构掘进控制；若所述适应度值小于或等于所述适应度设定值，则返回至所述数据搜索单元，直至所述适应度值大于所述适应度设定值。本实施例中，所述适应度设定值为99.9％。

本发明预测精度达千分之二以上；采用盾构开挖面主动失稳模型和被动失稳模型，计算支护压力上下限，确定控制边界，基于种群的随机优化技术算法对控制参数进行寻优，搜索到最优控制参数量值如掘进速度、刀盘转速和泥浆流量等，反馈给机械设备进行自动化和智能化控制。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的系统及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。