申请/专利权人：中铁南方投资集团有限公司;同济大学

申请日：2024-01-03

公开（公告）日：2024-03-19

公开（公告）号：CN117493837B

主分类号：G06F18/2113

分类号：G06F18/2113;G06F18/213;G06F18/10;G06F18/214;G06N3/045;G06N3/0442;G06N3/0985;E21D9/06

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2024.02.23#实质审查的生效;2024.02.02#公开

摘要：本发明公开了一种基于机器学习的盾构掘进机姿态分项预测方法，涉及盾构掘进机姿态预测领域。该方法包括：获取姿态参数数据的趋势项和波动项与施工参数数据的趋势项和波动项；确定强相关参数，并确定强相关参数数据的趋势项和波动项；构建并训练第一长短时记忆网络模型和第二长短时记忆网络模型；对训练后的第一长短时记忆网络模型和第二长短时记忆网络模型进行超参数优化和第二轮训练，以获取盾构掘进机姿态分项预测结果。本发明考虑了盾构掘进机施工参数对盾构掘进机姿态的影响，并克服了盾构掘进机时序参数关联因素复杂的问题，进而能实现盾构掘进机姿态的准确预测。

主权项：1.一种基于机器学习的盾构掘进机姿态分项预测方法，其特征在于，包括以下步骤：S1、获取盾构掘进机的姿态参数数据和施工参数数据，并采用变分模态分解方法获取姿态参数数据的趋势项和波动项与施工参数数据的趋势项和波动项；S2、计算姿态参数数据的趋势项与施工参数数据的趋势项的去趋势相关性指数以确定强相关参数，并确定强相关参数数据的趋势项和波动项；步骤S2包括以下分步骤：S21、分别计算姿态参数数据的趋势项和施工参数数据的趋势项的中心化累计信号；S22、采用最小二乘法分别确定姿态参数数据的趋势项和施工参数数据的趋势项的最小二乘直线拟合信号；S23、根据姿态参数数据的趋势项的中心化累计信号和最小二乘直线拟合信号确定姿态参数数据的趋势项的波动指数，并根据施工参数数据的趋势项的中心化累计信号和最小二乘直线拟合信号确定施工参数数据的趋势项的波动指数；S24、根据姿态参数数据的趋势项的中心化累计信号、最小二乘直线拟合信号、施工参数数据的趋势项的中心化累计信号和最小二乘直线拟合信号，计算交叉波动指数；S25、根据姿态参数数据的趋势项的波动指数、施工参数数据的趋势项的波动指数和交叉波动指数，计算姿态参数数据和施工参数数据的去趋势相关性指数，表示为： 其中：为计算姿态参数数据和施工参数数据的去趋势相关性指数，为姿态参数数据的趋势项的序号，为施工参数数据的趋势项的序号，为姿态参数数据的趋势项和施工参数数据的趋势项的交叉波动指数，为姿态参数数据的趋势项的波动指数，为施工参数数据的趋势项的波动指数；S26、根据姿态参数数据和施工参数数据的去趋势相关性指数，确定强相关参数，并确定强相关参数数据的趋势项和波动项；S3、构建第一长短时记忆网络模型和第二长短时记忆网络模型，利用姿态参数数据的趋势项和强相关参数数据的趋势项训练第一长短时记忆网络模型，利用姿态参数数据的波动项和强相关参数数据的波动项训练第二长短时记忆网络模型；构建的第一长短时记忆网络模型和第二长短时记忆网络模型均包括输入层、长短时记忆网络块和输出层；输入层用于输入设定时间范围内姿态参数和强相关参数的归一化向量，并将设定时间范围内姿态参数和强相关参数的归一化向量传输至长短时记忆网络块；长短时记忆网络块用于接收设定时间范围内姿态参数和强相关参数的归一化向量，并根据设定时间范围内姿态参数和强相关参数的归一化向量计算下一时间范围内盾构掘进机姿态的一维特征向量，并将下一时间范围内盾构掘进机姿态的一维特征向量传输至输出层；输出层用于接收下一时间范围内盾构掘进机姿态的一维特征向量，计算下一时间范围内盾构掘进机姿态的一维特征向量内各个元素对盾构掘进机姿态分项预测结果的权重，并计算各个元素的加权和，将各个元素的加权和结果作为输出以获取盾构掘进机姿态分项预测结果；S4、对训练后的第一长短时记忆网络模型和第二长短时记忆网络模型进行超参数优化和第二轮训练，以获取最终的第一长短时记忆网络模型和第二长短时记忆网络模型，并利用最终的第一长短时记忆网络模型和第二长短时记忆网络模型获取盾构掘进机姿态分项预测结果。

全文数据：

权利要求：

百度查询： 中铁南方投资集团有限公司;同济大学 一种基于机器学习的盾构掘进机姿态分项预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD