[发明专利]基于大数据的盾构机工作姿态实时预测方法

说明书

本发明属于盾构机技术领域，公开了基于大数据的盾构机工作姿态实时预测方法，包括整体数据获取：工程、设备与地层参数获取；盾构数据分析预处理；盾构姿态预测模型建立。为了将原始数据转变为可供深度学习的数据格式，基于盾构特征工程的数据走势，将数据标准化预处理过程分为四部分：数据分割、离散点处理、缺失值处理、数据降噪四部分。本发明采用的预测方法，对盾构数据进行标准化预处理，能有效减少计算机处理的工作量，提升工作效率，并且相对传统的人工智能预测模型，针对性的提出了巴特沃斯降噪方法，保证盾构机工作姿态实时预测准确。

技术领域

本发明属于盾构机技术领域，具体是基于大数据的盾构机工作姿态实时预测方法。

背景技术

近年来大型水利隧道、交通隧道和城市地铁为代表的地下工程在规模和数量上呈现出不断上涨的趋势。盾构法是建设城市地下隧道的首选工法，它具有环保、安全、高效等特点，盾构法施工的基本原理是圆柱体的钢组件沿着设计的轴线在地下掘进，在掘进的过程中同步铺设支撑管片。相较于TBM岩石掘进机，盾构机的掘进过程更加精细，操作系统更加复杂，如何实现盾构机智能化掘进是当前亟待解决的科学技术问题。盾构领域的一大难点和热点问题为盾构机姿态控制，目前还主要停在人工控制阶段，已有理论和数值模型不能对盾构机的姿态进行实时指导。而且由于盾构机姿态问题，很多工程会出现管片开裂、错台，进一步影响工程质量，造成工期延后。

与此同时机器学习以及近年来它的最新分支深度学习，为非计算机领域的众多研究方面提供了新的研究手段和方法，在医疗、交通、工程和社会众多领域得到了大量应用，具有广阔的应用前景和潜在价值。在盾构机姿态控制掘进领域，其根本控制对象是盾构机掘进过程中各系统的参数，基于机器学习的优势和特点，可将机器学习运用在盾构领域。目前国内外在这方面进行了一定量的尝试，但这些尝试大多基于单一的姿态参数，且未明确提出针对EPB型盾构机的标准数据预处理算法，缺乏较为成熟智能掘进系统。

目前盾构机姿态的预测及纠偏问题上已经取得了一定成果，然而，从预测目标的角度分析，上述预测研究的输出变量大多是单个数值，其次，从输入数据角度，尽管上述预测模型的输入数据包含较多变量，但由于数据频次低、规模小，缺乏专用的数据预处理方案，面临复杂地层难以适应的问题，综上所述，对于盾构机姿态智能预测问题，仍具有以下难点：①盾构机姿态预测属于多维序列数据输入(盾构众多运行参数序列数据)和多目标求解(多个姿态参数)问题，预测难度更高；②姿态智能纠偏本质上为通过过去信息预测未来信息，面临着大规模时间序列数据处理的挑战；③实际现场纠偏对计算效率具有一定要求，在选择算法时需要考虑计算效率和预测精度之间的平衡。盾构机姿态失准是盾构隧道施工中常见问题之一，也是影响隧道施工质量的重要因素，传统基于事后控制的施工方式，主要依赖人工经验，缺乏定量分析和控制的手段，为此，本发明对盾构机姿态失准的机理进行了分析，提出了基于事前控制的盾构机姿态调整策略方法，分别对盾构机姿态、盾构位置和盾构运动趋势3大模块，共8个导向参数进行了研究。

发明内容

本发明的目的是针对以上问题，本发明提供了基于大数据的盾构机工作姿态实时预测方法，具有实时预测准确与快捷的优点。

为实现上述目的，本发明提供如下技术方案：

基于大数据的盾构机工作姿态实时预测方法，具体操作步骤包括：

S1、整体数据获取：

S1-1、工程、设备与地层参数获取：所述设备包括土压平衡盾构机和盾构姿态测量设备，采集的参数包括刀盘系统、主驱动系统、皮带机系统、推进系统、铰接系统的相关参数，采集频率为1Hz，全天24小时不间断采集；

盾构姿态测量设备为自动导向系统，自动记录的信息包括盾构机姿态参数、位置参数和运动趋势，采集频率为30s 1次；

所述地层参数包括粘聚力、含水率、内摩擦角、抗剪强度、压缩模量；