[发明专利]盾构刀盘扭矩领域自适应迁移预测方法和系统

说明书

本发明提供了一种盾构刀盘扭矩领域自适应迁移预测方法和系统，主要包括以下步骤：采集盾构机地质和机械系统相关状态参数以及驱动系统相关状态参数，采用零均值规范化方法预处理所选取的状态参数，建立RLSTM盾构机扭矩预测神经网络，对神经网络的输入样本进行分类，对网络权值参数进行更新，引入领域自适应技术，得到自适应RLSTM盾构机扭矩预测网络模型，对预设未来时刻的刀盘扭矩数值进行预测；根据预设未来时刻的刀盘扭矩数值分别计算均方误差、平均绝对误差和平均绝对百分误差，测试刀盘扭矩的预测精度。本发明实现了盾构刀盘扭矩领域自适应迁移预测，实现了盾构机的高效安全推进，提升盾构机的自动化和智能化水平。

技术领域

本发明涉及参数预测和优化技术领域，具体地，涉及盾构刀盘扭矩领域自适应迁移预测方法和系统。

背景技术

盾构机集机、电、液、传感、信息技术于一体，以其高效、安全、环保的特点在隧道施工中得到了广泛的应用。刀盘扭矩是设计刀盘传动和制造经济型盾构机的重要参数，也是保证盾构机正常推进的关键参数之一。因此，在复杂地形环境下，根据地质条件调整设备运行参数，对保证施工安全，减少设备损失具有重要意义。由于在开挖前很难获得准确的地质条件参数，因此利用盾构机的工作参数预测刀盘扭矩是一种很有前途的解决方案，有利于避免刀盘卡钻，保证隧道施工安全高效。

在公开号为CN112329172A的中国专利文献中，公开了一种基于并联式神经网络的盾构机刀盘扭矩预测方法及系统，包括：在盾构机实际工作数据库中选择对盾构机刀盘扭矩影响较大的工作参数；对选择的工作参数进行预处理；根据预处理后的工作参数建立并联式神经网络刀盘扭矩预测模型并进行并联式神经网络刀盘扭矩预测模型的训练；在不同的数据集上评价训练后的并联式神经网络刀盘扭矩预测模型对刀盘扭矩的预测精度。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种盾构刀盘扭矩领域自适应迁移预测方法和系统。

根据本发明提供的一种盾构刀盘扭矩领域自适应迁移预测方法，包括以下步骤：

步骤S1：采集盾构机地质和机械系统相关状态参数以及驱动系统相关状态参数，采用零均值规范化方法预处理所选取的状态参数；

步骤S2：根据规范化后的状态参数，采用残差网络和LSTM网络借助利用TensorFlow框架下的Keras包建立RLSTM盾构机扭矩预测神经网络，并进行训练；

步骤S3：利用领域分类器对神经网络的输入样本进行分类，确定输入样本属于源领域数据集还是目标领域数据集；

步骤S4：在训练过程中采用域对抗性训练技术对网络权值参数进行更新，使得神经网络在不进行任何额外操作的情况下，能够对源域数据集或目标域数据集的输入样本进行分类；

步骤S5：引入领域自适应技术，最终得到自适应RLSTM盾构机扭矩预测网络模型，对预设未来时刻的刀盘扭矩数值进行预测；

步骤S6：根据预设未来时刻的刀盘扭矩数值分别计算均方误差、平均绝对误差和平均绝对百分误差，测试刀盘扭矩的预测精度。

优选的，所述步骤S5中的自适应RLSTM盾构机扭矩预测网络模型包括RLSTM盾构机扭矩预测神经网络和领域自适应模块，所述RLSTM盾构机扭矩预测神经网络包括残差模块和LSTM模块，所述RLSTM盾构机扭矩预测神经网络通过全连接神经网络将预测结果进行输出。

优选的，在步骤S4中建立如下混合损失函数L，相关计算公式如下：

L(θ_f，θ_y，θ_d)＝L_y(θ_f，θ_y)-α*L_d(θ_f，θ_d)