(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111369670.7 (22)申请日 2021.11.16 (71)申请人 中国水利水电科 学研究院 地址 100038 北京市海淀区车公庄西路20 号 申请人 中电建铁路 建设投资集团有限公司 (72)发明人 曹玉新　王玉杰　肖浩汉　刘学生　 靳利安　曹瑞琅　张雯　王国义　 赵宇飞　刘立鹏　 (74)专利代理 机构 北京智桥联合知识产权代理 事务所(普通 合伙) 11560 代理人 金光恩 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) E21D 9/06(2006.01) G06F 119/10(2020.01) (54)发明名称 基于大数据的盾构机工作姿态实时预测方 法 (57)摘要 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。 权利要求书2页 说明书10页 附图3页 CN 114329810 A 2022.04.12 CN 114329810 A 1.基于大数据的盾构机工作姿态实时预测方法， 其特征在于： 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； S1‑2、 盾构机数据分析预处理： 包含数据分割、 离散点处理、 缺失值处理、 数据降噪四部 分模块； 根据盾构数据特点， 采用大数据自动分割算法， 利用3σ 准则识别和处理了离散值， 采用Pytho n里面的Time模块识别了缺失值， 采用高低通滤波法对数据进行 滤波降噪处 理； S1‑3、 盾构机姿态与操作参数进行皮尔森相关系数法分析： 采用皮尔森相关系数法分 析盾构机操作参数和姿态参数之间的相关性， 去掉无关变量； S2、 深度学习与预测模型： S2‑1、 数据预处理： 将原始数据针对每个时间序列的参数值分别做标准化处理， 标准化 方法采用Z ‑score标准化， 将原始数据进行线性变换使其值域分布在[ ‑1,1]附近， 线性变换 的公式如下： 式中： u为输入数据某一维度的均值； σ 为输入数据某一维度的标准差。 标准差标准化算 法使输入、 输出 数据符合标准 正态分布； S2‑2、 盾构姿态预测模型： 以GRU为主要算法， 将输入数据和输出数据处理成时间序列 的形式， 采用过去多段掘进段的特征参数对下一个掘进段姿态参数进行预测， 伴 随着盾构 机向前掘进， 数据序列不断滚动， 从而实现实时连续预测； 模型预测参数包含盾构姿态、 盾 构位置、 盾构运动趋向的相关参数， 每个参数独立训练， 最后整合预测结果， 形成复合预测 模型； S3、 预测结构与分析： S3‑1、 姿态参数预测结果： 采用均方根误差(RMSE)、 平均绝对误差(MAE)、 决定系数(R2) 综合评价模型 预测效果； S3‑2、 模型影响因素分析： 采用未 数据预处 理和不同模型 结构进行综合对比分析； S3‑3、 模型对比分析： 模型搭建利用Tensorflow平台Keras库神经网络库和Scikit ‑ learn机器学习库。 2.根据权利要求1所述的基于大数据的盾构机工作姿态实时预测方法， 其特征在于， 将 所述数据预处理后的标准化数据进 行分类处理， 分为训练集、 验证集与测试集， 训练集与验 证集的数据汇总后选取最优超参数； 对具有最优超参数 的结构进行模型优化， 并且进入下 一阶段工作， 判断模 型误差是否满足要求， 此时测试集数据参与判断， 如果模型误差不满足 要求， 进入到上一 步进行二次模型优化； 如果模型误差满足要求则直接 输出， 操作完毕。 3.根据权利要求1所述的基于大数据的盾构机工作姿态实时预测方法， 其特征在于： 所权　利　要　求　书 1/2 页 2 CN 114329810 A 2述盾构机数据分析预处理中数据分割是基于盾构数据特点， 掘进过程分为起始、 上升、 稳 定、 下降四个阶段， 利用Python代码开发自动分割算法； 离散值处理是利用3σ 准则识别和处 理离散值； 缺失值处理是采用Python里的Time模块识别缺失值； 降噪处理是采用高低通滤 波法中的But terworth滤波器对数据进行降噪处 理。 4.根据权利要求1所述的基于大数据的盾构机工作姿态实时预测方法， 其特征在于： 盾 构姿态预测模型是 由时间序列模型建立， 该时间序列模型 由预测区域与时间步组成， 时间 序列模型对应到盾构机姿态预测问题上， 输入变量为盾构机过去时刻的运行参数， 输出变 量为盾构机未来时刻姿态参数。 5.根据权利要求1所述的基于大数据的盾构机工作姿态实时预测方法， 其特征在于： 预 测结构与分析中姿态参数预测结果包括盾构机姿态预测、 盾构位置预测、 盾构运动趋势预 测； 模型影响因素包括数据降噪与堆叠隐藏层。 6.根据权利要求1的基于大数据的盾构机工作姿态实时预测方法， 其特征在于： 盾构机 姿态相关性分析包括有盾构机姿态与全部掘进参数、 主掘进参数与推进系统参数。 7.根据权利要求1的基于大数据的盾构机工作姿态实时预测方法， 其特征在于： 所述深 度学习与预测模型步骤中数据预处理是 由模型输入与输出、 数据标准化两大部分组成， 其 中模型输入由VMT导向系统记录的盾构 机姿态相关的参数， 包括姿态参数、 位置参数和运动 趋势参数。 8.根据权利要求1的基于大数据的盾构机工作姿态实时预测方法， 其特征在于： 针对模 型对应姿态 参数的预测效果采用均方根误差(RMSE)、 平均绝对误差(MAE)、 决定系数(R2)综 合评价： 式中， n是样本总数f(xi)是盾构机姿态的预测值,yi是实测值, 是盾构机姿态预测 值的平均值, 是实测值的平均值； 且模型搭建语言为Python， 搭建平台为Tensorflow后端的深度学习框架Keras和 Scikit‑learn机器学习库， 在模型构建过程中， 共用到了多组数据包， 模型的运行环境为 Windows10系统。权　利　要　求　书 2/2 页 3 CN 114329810 A 3