[发明专利]盾构掘进过程各阶段数据自动分离方法及计算机可读介质

说明书

本发明涉及一种盾构掘进过程各阶段数据自动分离方法及计算机可读介质，其中数据自动分离方法包括：获取掘进参数数据；提取掘进状态数据；判断相邻数据的时间节点是否连续，并划分初始的各掘进循环段；对数据进行平滑处理；对数据各掘进阶段分别计算极小峰值点，将数据分割形成单掘进循环段；计算单掘进循环段的极大峰值点，并根据第一个极大峰值点将数据分割为上升段数据和平稳掘进段数据分割点；对数据进行分段线性拟合计算斜率，并根据斜率正负的变化点作为平稳掘进段、下降段的分割点，实现平稳段和下降段的分离；获得分离后的上升段、平稳掘进段和下降段数据。与现有技术相比，本发明具有能够有效避免误判、数据识别完整等优点。

技术领域

本发明涉及无人化盾构施工技术领域，尤其是涉及一种盾构掘进过程各阶段数据自动分离方法及计算机可读介质。

背景技术

盾构施工正朝着从人工操控到无人驾驶的智能化方向发展，其中掘进参数的自主决策是极其重要的部分，为此大量学者利用机器学习算法针对收集到的数据进行了模型训练并尝试实现掘进参数的自主推荐。其中，用于机器学习模型训练的数据是针对盾构机平稳阶段数据进行的，因此上升段、平稳段、下降段数据的分离与提取是极其重要的。

现有技术中针对盾构掘进参数分离的研究不断进行，如中国专利CN110110419A中公开了一种基于多目标学习的TBM掘进参数预测方法，该方法通过TBM智能数据采集系统获取TBM掘进参数的原始数据，对采集的TBM掘进参数进行降噪和增强处理，获取循环上升段和稳定段数据，利用人工智能算法有效表征上升段TBM特征指标与稳定段多目标变量之间的非线性映射关系，建立基于多目标学习的岩机作用模型。中国专利CN110852423A公开了一种基于迁移学习的隧道掘进机掘进性能与控制参数预测方法，该方法在线采集反映设备运行状态的隧道掘进机掘进数据，对隧道掘进机掘进数据预处理，提取每个掘进循环的上升段及稳定段数据，利用深度学习方法建立已竣工项目的掘进性能参数预测模型和控制参数预测模型。中国专利CN110895730A中公开了一种基于LSTM算法的TBM掘进参数的预测方法，该方法选择施工掘进过程中的关键掘进参数，通过RSPRA算法自动分离TBM掘进过程中的上升阶段和稳定阶段，并利用LSTM算法进行模型训练实现稳定阶段掘进参数的预测。

上述方法均是根据掘进状态的时间连续性或者基于斜率连续为正进行上升段数据和稳定段数据的分离，然而由于数据的波动性和上升段的多次调整很难保证上升段数据的斜率始终为正，因此这些方法往往只能识别出部分上升段，无法准确地识别出全部的上升段数据。

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缺陷而提供一种有效避免误判、数据识别完整的盾构掘进过程各阶段数据自动分离方法及计算机可读介质。

本发明的目的可以通过以下技术方案来实现：

一种盾构掘进过程各阶段数据自动分离方法，所述的数据分离方法包括：

步骤1：获取掘进参数数据；

步骤2：对步骤1中获取的数据根据核心掘进参数提取掘进状态数据；

步骤3：在步骤2提取的数据中判断相邻数据的时间节点是否连续，并根据不连续时间节点将数据划分为初始的各掘进循环段；

步骤4：对步骤3中的数据进行平滑处理；

步骤5：对步骤4中的数据各掘进阶段分别计算极小峰值点，根据极小峰值点将数据分割形成单掘进循环段；

步骤6：计算单掘进循环段的极大峰值点，并根据第一个极大峰值点将数据分割为上升段数据和平稳掘进段数据分割点；

步骤7：对数据进行分段线性拟合计算斜率，并根据斜率正负的变化点作为平稳掘进段、下降段的分割点，实现平稳段和下降段的分离；

步骤8：获得分离后的上升段、平稳掘进段和下降段数据。