技术领域
[0001] 本
发明属于隧道工程隧道掘进机施工技术领域，具体涉及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。
背景技术
[0002] 隧道掘进机施工具有安全、高效、环保等优点，已经成为长、大隧道施工的首选工法。由于隧道掘进机地质适应性较差，隧道掘进机掘进中的操控很大程度依赖于主司机的个人经验，在掘进过程中，对岩体设备状态变化
感知不及时、决策不科学、掘进过程不经济且不高效等的问题普遍存在。在控制参数设置不当时，甚至可能造成严重的工程事故。推
力和
扭矩是隧道掘进机最重要的性能参数，同时也是限制隧道掘进机掘进的重要因素。预测隧道掘进机适当的控制参数下的性能参数，可为主司机的操作提供重要参考。
[0003] 目前，众多学者、专家在岩体可掘性评价及隧道掘进机性能
预测模型方面做了大量的研究工作。不同工程项目中隧道掘进机型号、设备参数的不同造成了单一模型难以在不同工程中通用的问题。迁移学习的方法能通过冻结部分参数的形式将已生成模型在小样本集数据上进行再训练，能够有效避免小样本集上训练新模型带来的过拟合问题。
发明内容
[0004] 针对不同隧道掘进机施工项目中模型难以通用的问题，本发明提出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，通过将已竣工项目中的模型进行再训练并应用于新项目之中，有效解决了不同项目间的模型通用性问题。
[0005] 为解决以上技术问题，本发明所采用的技术方案如下：
[0006] 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，包括如下步骤：
[0007] S1，在线采集反映设备运行状态的隧道掘进机掘进数据；
[0008] S2，对隧道掘进机掘进数据进行数据预处理，提取每个掘进循环的上升段及稳定段数据；
[0009] S3，根据步骤S2获得的上升段及稳定段数据确认输入及数据特征参数，建立已竣工项目数据集，并将已竣工项目数据集分为训练集、验证集及测试集；
[0010] S4，基于训练集利用
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，分别输入验证集和测试集对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进行验证及测试；
[0011] S5，执行步骤S1-S3，建立新开工项目试掘进数据的小样本数据集；
[0012] S6，利用迁移学习的方法冻结已竣工项目的掘进性能预测模型与控制参数预测模型的全连接层之前的网络层所有权重参数，激活步骤S4中所述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的部分或全部全连接层，并结合小样本数据集执行步骤S4以生成新项目的掘进性能预测模型与控制参数预测模型。
[0013] 在步骤S2中，所述数据预处理包括如下步骤：
[0014] a.划分循环上升段及稳定段数据；
[0015] b.基于3σ准则对稳定段数据异常值剔除，即以稳定段数据均值替代超出μ±3σ的数据，其中μ为数据均值，σ为数据标准差；
[0016] c.对稳定段数据进行中值滤波处理，以滤除稳定段数据中的部分噪声。
[0017] 在步骤S3中，所述数据特征参数包括从刀盘
接触掌子面开始的上升段的30s内的推进速度v、刀盘转速n、推进速度预设值、刀盘转速预设值、刀盘贯入度P、单刀推力Fn、单刀滚动力Fr、
岩石可掘性指标FPI、岩石可切削性指标TPI和稳定段的推进速度均值、刀盘转速均值、单刀推力均值、单刀滚动力均值、岩石可掘性指标均值、岩石可切削性指标均值。
[0018] 所述单刀推力Fn的计算公式为：
[0019]
[0020] 式中，F表示总推力，Ff表示隧道掘进机掘进中所受摩擦阻力，N表示刀盘
滚刀的数量；
[0021] 所述单刀滚动力Fr的计算公式为：
[0022]
[0023] 式中，T表示刀盘扭矩，Ts表示刀盘转动的空转扭矩，R表示刀盘直径；
[0024] 所述岩石可掘性指标FPI的计算公式为：
[0025]
[0026] 式中，P表示贯入度；
[0027] 所述岩石可切削性指标TPI的计算公式为：
[0028]
[0029] 在步骤S4中，所述深度学习方法是指在深度学习模型的
基础上建立全连接层I和全连接层II，对全连接层I和全连接层II进行拼接，即将全连接层I和全连接层II的神经元以矩阵的拼接的形式合并为一个全连接层，然后将合并后的全连接层连接至全连接层III；所述深度学习模型包括但不限于
卷积神经网络CNN或循环神经网络RNN。
[0030] 在步骤S4中，所述全连接层I的输入为上升段的推进速度v、刀盘转速n、推进速度预设值、刀盘转速预设值、刀盘贯入度P、单刀推力Fn、单刀滚动力Fr、岩石可掘性指标FPI、岩石可切削性指标TPI；
[0031] 在掘进性能参数预测模型中，全连接层II的输入为前一掘进循环稳定段的岩石可掘性指标均值、岩石可切削性指标均值、当前掘进循环稳定段的推进速度均值和刀盘转速均值；所述掘进性能参数预测模型的输出为当前掘进循环的单刀推力均值、单刀滚动力均值。
[0032] 在控制参数预测模型中，全连接层II的输入为前一掘进循环的稳定段岩石可掘性指标均值、岩石可切削性指标均值；所述控制参数预测模型的输出为当前掘进循环的推进速度均值、刀盘转速均值。
[0033] 在步骤S6中，所述部分或全部全连接层的选择依据在小样本数据集上迁移学习得到的掘进性能预测模型和控制参数预测模型在小样本数据集上的表现而定，即模型在新开工项目的训练集、验证集上的均方根误差RMSE和决定系数R2，选择使模型表现最优的激活层数；
[0034] 均方根误差RMSE的计算公式为：
[0035]
[0036] 式中，m表示训练集的样本量，yi表示训练集的第i个样本的真实值，yi′表示训练集的第i个样本的预测值；
[0037] 决定系数R2的计算公式为：
[0038]
[0039] 式中，为所有真实值y的均值。
[0040] 本发明的有益效果：
[0041] 本发明对隧道掘进机掘进数据进行实时在线采集，经过数据预处理、已竣工项目数据集建立后，通过迁移学习的方法，将已竣工项目中建立的掘进性能预测模型与控制参数预测模型迁移至新工程项目的少量数据集上，实现了模型向新项目的迁移以便于新项目工程中快速建立新模型，有效地了解决不同项目之间的模型通用性问题，具有应用迅速、准确度高的优点，且可有效避免小样本集导致的过拟合问题，提高预测准确度。
附图说明
[0042] 为了更清楚地说明本发明
实施例或
现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043] 图1为本发明的流程示意图。
[0044] 图2为一个完整掘进循环的上升段与稳定段划分示意图。
[0045] 图3为基于RNN的BLSTM的预测模型架构图。
[0046] 图4为基于CNN的预测模型架构图。
具体实施方式
[0047] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048] 实施例1：一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，如图1所示，包括如下步骤：
[0049] S1，
数据采集：利用
传感器在线采集反映设备运行状态的隧道掘进机掘进数据；
[0050] 所述隧道掘进机掘进数据为通过将近300个传感器进行检测记录的隧道掘进机各功能模
块参数，采集
频率为1次/秒，每天24h共完成86400次数据采集。
[0051] S2，数据预处理：对隧道掘进机掘进数据进行数据预处理，提取每个掘进循环的上升段及稳定段数据；
[0052] 所述数据预处理包括但不限于如下步骤：
[0053] a.如图2所示，基于掘进机是否处于正在掘进及刀盘接触掌子面后是否处于稳定掘进的状态，划分循环上升段及稳定段数据；
[0054] b.基于3σ准则对稳定段数据异常值剔除，即以稳定段数据均值替代超出μ±3σ的数据，其中μ为数据均值，σ为数据标准差；
[0055] c.对稳定段数据进行中值滤波处理，以滤除稳定段数据中的部分噪声。
[0056] S3，建立已竣工项目数据集：根据步骤S2获得的上升段及稳定段数据确认输入及输出特征参数，建立已竣工项目数据集，并按照8:1:1的比例将已竣工项目数据集分为训练集、验证集及测试集；
[0057] 所述输入及输出特征参数包括刀盘接触掌子面开始30s内上升段的推进速度v、刀盘转速n、推进速度预设值、刀盘转速预设值、刀盘贯入度P、单刀推力Fn、单刀滚动力Fr、岩石可掘性指标(field penetration index，FPI)、岩石可切削性指标(torque penetration index，TPI)九个参数，以及稳定段的推进速度均值、刀盘转速均值、单刀推力均值、单刀滚动力均值、岩石可掘性指标均值、岩石可切削性指标均值六个参数。
[0058] 所述单刀推力Fn的计算公式为：
[0059]
[0060] 式中，F表示总推力，Ff表示隧道掘进机掘进中所受摩擦阻力，N表示刀盘滚刀的数量；
[0061] 所述单刀滚动力Fr的计算公式为：
[0062]
[0063] 式中，T表示刀盘扭矩，Ts表示刀盘转动的空转扭矩，R表示刀盘直径；
[0064] 所述岩石可掘性指标FPI的计算公式为：
[0065]
[0066] 式中，P表示刀盘贯入度；
[0067] 所述岩石可切削性指标TPI的计算公式为：
[0068]
[0069] S4，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：基于训练集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，分别输入验证集和测试集对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进行验证及测试；
[0070] 所述深度学习方法是指在深度学习模型的基础上建立全连接层I和全连接层II，将全连接层I和全连接层II进行拼接，即将全连接层I和全连接层II的神经元以矩阵的形式合并为一个全连接层，然后将合并后的全连接层连接至全连接层III，合并的方法在实际应用中可以采用矩阵相加的方式；所述深度学习模型包括但不限于基于卷积神经网络(convolutional neural network，CNN)或循环神经网络(recurrent neural network，RNN)，基于CNN的预测模型架构图如图4所示。
[0071] 全连接层I的输入均为上升段30s内的推进速度、刀盘转速、推进速度预设值、刀盘转速预设值、刀盘贯入度P、单刀推力Fn、单刀滚动力Fr、岩石可掘性指标FPI、岩石可切削性指标TPI。
[0072] 在掘进性能参数预测模型中，全连接层II的输入为前一掘进循环的稳定段岩石可掘性指标均值、岩石可切削性指标均值及当前掘进循环稳定段的推进速度均值、刀盘转速均值，掘进性能参数预测模型的输出为当前掘进循环的单刀推力均值、单刀滚动力均值。
[0073] 在控制参数预测模型中，全连接层II的输入为前一掘进循环的稳定段岩石可掘性指标均值、岩石可切削性指标均值，控制参数预测模型的输出为当前掘进循环的推进速度均值、刀盘转速均值。
[0074] 所述深度学习方法还包括误差反向传播
算法，所述
误差反向传播算法包括如下步骤：
[0075] a，当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时，在已竣工项目数据集上随机初始化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的权重系数θ；当生成新项目的掘进性能参数预测模型和控制参数预测模型时，在新开工项目数据集上加载已竣工项目训练完成的网络模型及其权重系数θ，权重系数θ为掘进性能预测模型和控制参数预测模型中待训练的参数；
[0076] b，训练集中的输入数据x沿网络模型前向传递得到预测值y′＝g(θ,x)，g函数为掘进性能预测模型和控制参数预测模型的前向传递函数；
[0077] c，使用均方误差函数MSE计算预测值y′与真实值y之间的误差；
[0078] 均方误差函数MSE的计算公式为：
[0079]
[0080] 式中，m表示训练集的样本量，yi表示训练集的第i个样本的真实值，yi′表示训练集的第i个样本的预测值；
[0081] d，通过梯度下降算法，逆向反馈更新步骤a中所述的权重系数，直至误差值收敛；
[0082] 所述梯度下降算法的计算公式为：
[0083]
[0084] 式中，:＝表示用该符号右侧的值更新左侧的值，α表示学习率，J(θ)为损失函数即为均方误差函数MSE。
[0085] S5，执行步骤S1-S3，建立新开工项目试掘进数据的小样本数据集；
[0086] S6，建立新项目的掘进性能预测模型与控制参数预测模型：利用迁移学习的方法冻结已竣工项目的掘进性能预测模型与控制参数预测模型的全连接层之前的网络层所有权重参数，激活步骤S4中所述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的部分或全部全连接层，并结合小样本数据集执行步骤S4以生成适用于新项目的掘进性能预测模型与控制参数预测模型。
[0087] 所述部分或全部全连接层的选择依据在小样本数据集上迁移学习得到的掘进性能预测模型和控制参数预测模型在小样本数据集上的表现而定，即模型在新开工项目的训练集、验证集上的均方根误差RMSE和决定系数R2，选择使模型表现最优的激活层数，所述最优是指RMSE相对较小，R2相对较高；
[0088] 所述均方根误差RMSE的计算公式为：
[0089]
[0090] 所述决定系数R2的计算公式为：
[0091]
[0092] 式中，为所有真实值y的均值。
[0093] 实施例2：一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，本实施例以基于RNN的双向长短期记忆(bidirectional long short-term memory，BLSTM)模型建立掘进性能参数预测模型为例阐述迁移学习实施的过程，具体步骤包括如下：
[0094] a，建立数据样本集；
[0095] 在已竣工项目全部掘进数据基础上，根据实施例1中步骤S1-S3建立源域样本集；在新实施工程项目试掘进数据的基础上，根据实施例1中步骤S1-S3建立目标域样本集。
[0096] b，建立源域隧道掘进机的掘进性能参数预测模型；
[0097] BLSTM模型的架构如图3所示，将源域样本集以8:1:1的比例划分为训练集、验证集和测试集，根据BLSTM模型在验证集上的表现对各项模型超参数进行调整，所述模型超参数为不能通过学习算法学习到，需要手工设置来控制算法行为的参数；测试集用于对训练好的模型预测效果进行评价。
[0098] c，通过迁移学习建立目标域隧道掘进机的掘进性能参数预测模型；
[0099] 将目标域样本集以8:1:1的比例划分为训练集、验证集和测试集，冻结上述源域上训练好的BLSTM模型全连接层之前的网络层所有参数，在目标域训练集、验证集上并依据均方根误差、决定系数等评估指标，选择使模型表现最优的激活层数并对其进行训练，最后再在测试集上对预测效果进行评价。
[0100] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
