基于混合深度学习的盾构掘进位姿智能预测方法及系统

摘要

本发明公开了一种基于混合深度学习的盾构掘进位姿智能预测方法及系统，属于地铁盾构施工领域。该方法在盾构失准机理的基础上采用预测控制原理和人工智能技术，根据建立的混合深度学习模型WCNN‑LSTM对盾构掘进阶段位姿进行预测，并制定盾构位姿调整策略，实现操作参数的预先调整及事前控制以改善盾构失准的问题。该方法用于盾构机掘进过程中后续位姿变化的智能预测，支持盾构机驾驶员预先对盾构位姿进行调整，解决盾构机的蛇形运动难题、缓解盾构位姿调控滞后效应，实现盾构机掘进轴线的精确控制，能有效提升隧道成型质量，具有较高的工程实用价值。

权利要求

1.一种基于混合深度学习的盾构掘进位姿智能预测方法，其特征在于，包括模型训练阶段和位姿预测阶段，其中：所述模型训练阶段基于混合深度学习模型WCNN-LSTM进行，包括：

步骤1：数据确定及采集：

1.1、确定WCNN-LSTM的输入变量和输出变量：

将掘进速度、渗透率、刀盘扭矩、总推力、刀盘转速、刀盘电流、刀盘总扭矩、总挤压力、实际开挖量、刀盘驱动总电流、刀盘位置、推进油缸行程初始值、推进油缸推力、刀盘伸缩油缸行程、排泥体积流量以及膨润土进口流量作为预测模型输入变量；

将盾尾水平偏差、盾尾垂直偏差、盾头水平偏差、盾头垂直偏差、偏航角和俯仰角作为预测模型的六个输出变量，用于表征盾构掘进位姿；

1.2、假设当前时刻为t，按照指定时间间隔采集t到t-n时刻的盾构运行数据包括步骤

1.1确定的输入变量和输出变量，从中选择连续无缺失且数据完备的环的数据作为训练样本，将训练样本分为训练集和测试集，n为正整数；

步骤2：将训练集中的输入变量输入WCNN-LSTM进行训练；

步骤3：利用测试集的输入变量和输出变量对训练好的WCNN-LSTM进行测试，并将实际输出的变量与测试集的输出变量进行偏差比较，若偏差超出预设范围，则调整WCNN-LSTM的内参并返回步骤3；若偏差在预设范围内，训练完毕，得到基于WCNN-LSTM的盾构掘进位姿预测模型；

所述位姿预测阶段包括：

步骤4：将t+j时刻或者t+1至t+j时间段对应的输入变量，输入盾构掘进位姿预测模型，得到对应的t+j时刻或者t+1至t+j时间段内的表征盾构掘进位姿的六个输出变量的预测值，即盾构掘进位姿预测值。

2.如权利要求1所述的一种基于混合深度学习的盾构掘进位姿智能预测方法，其特征在于，还包括如下基于事前控制的盾构掘进位姿纠偏阶段：步骤5：计算t+j时刻或者t+1至t+j时间段内的盾构掘进位姿预测值与设计值的偏差，若偏差超出允许范围，则提前调整t+j时刻或者t+1至t+j时间段内施加在盾构机上的控制量，操作盾构机进行位姿调整，实现在盾构掘进尚未失准前预先完成纠偏操作。

3.如权利要求2所述的一种基于混合深度学习的盾构掘进位姿智能预测方法，其特征在于，步骤5中的位姿调整过程如下：步骤5.1：根据t+j时刻下或者t+1至t+j时间段内盾构掘进位姿预测值与设计值的偏差，计算相应时刻需要施加在盾构机上的控制量，并根据该控制量修正盾构机的控制信号；

步骤5.2：根据修正后的控制信号，在盾构机运行至下一个采样时刻时，调整盾构掘进位姿，获得盾构机调整后的位姿的实际观测值；重新采样并根据采样得到的输入变量进行位姿预测，得到该采样时刻重采样后的预测值；

步骤5.3：根据盾构机调整后的位姿的实际观测值与重采样后的预测值的偏差，进一步修正盾构掘进位姿预测模型。

4.如权利要求3所述的一种基于混合深度学习的盾构掘进位姿智能预测方法，其特征在于，步骤5.3中，修正盾构掘进位姿预测模型的方法如下：将重采样得到的输入变量和调整后的位姿的实际观测值加入训练样本，对盾构掘进位姿预测模型进行训练和更新。

5.一种基于混合深度学习的盾构掘进位姿智能预测系统，其特征在于，包括处理器、模型训练程序模块、WCNN-LSTM模型以及位姿预测程序模块；

所述模型训练程序模块在被所述处理器调用时，执行如权利要求1～3任意一项所述的模型训练阶段，对WCNN-LSTM模型进行训练，获得基于WCNN-LSTM的盾构掘进位姿预测模型；

所述位姿预测程序模块在被所述处理器调用时，执行如权利要求1～3任意一项所述的位姿预测阶段，以基于盾构掘进位姿预测模型获得盾构掘进位姿预测结果。

6.如权利要求5所述的一种基于混合深度学习的盾构掘进位姿智能预测系统，其特征在于，还包括位姿纠偏程序模块；

所述位姿纠偏程序模块在被所述处理器调用时，执行如权利要求2或3所述的基于事前控制的盾构掘进位姿纠偏阶段，从而基于盾构掘进位姿预测结果进行盾构掘进位姿纠偏。

7.如权利要求5或6所述的一种基于混合深度学习的盾构掘进位姿智能预测系统，其特征在于，还包括小波变换去噪程序模块，用于在被所述处理器调用时，对权利要求1～3任意一项所述的步骤1及步骤4中采集的数据，通过小波变换进行数据去噪，对参数时间序列进行分解，以去除背景噪声和系统测量误差，然后进行信号重构以生成新的去噪后的数据序列。

8.一种基于混合深度学习的盾构掘进位姿智能预测系统，其特征在于，包括数据获取与输入模块、小波变换噪声滤波器模块、盾构掘进位姿预测模型模块以及结果输出模块；

所述数据获取与输入模块，用于获取指定的盾构机运行参数，并将所述小波变换噪声滤波器模块去噪后的盾构机运行参数输入所述盾构掘进位姿预测模型模块；

所述小波变换噪声滤波器模块，用于对所述数据获取与输入模块获取的盾构机运行参数，通过小波变换进行数据去噪，对参数时间序列进行分解，以去除背景噪声和系统测量误差，然后进行信号重构以生成新的去噪后数据序列；

所述盾构掘进位姿预测模型模块基于WCNN-LSTM模型，用于根据输入的盾构机运行参数预测盾构掘进位姿变化趋势及结果；

所述结果输出模块，用于接收及显示所述数据获取与输入模块获取的数据、所述小波变换噪声滤波器模块去噪后的数据、所述盾构掘进位姿预测模型模块的预测分析结果，以及纠偏方案。

说明书

基于混合深度学习的盾构掘进位姿智能预测方法及系统

技术领域

[0001] 本发明属于地铁盾构施工领域，更具体地，涉及一种基于混合深度学习的盾构掘进位姿智能预测方法及系统。

背景技术

[0002] 盾构法是修建地铁工程的主要工法。在盾构工法施工过程中，主要有失稳、失效、失准等三个问题。其中，地铁盾构失准问题对工程的施工质量、进度、成本和安全会造成全方位的影响。失准，主要表现为盾构位姿失准，即盾构掘进方向偏离设计轴线，导致隧道贯通误差以及管片拼装质量较差。盾构位姿失准一方面会形成隧道成型轴线偏差，引起隧道贯通误差，对未来的地铁运营造成安全隐患；另一方面，盾构位姿不良也会引发隧道管片拼装的难题，极易产生管片错台、破损，渗漏等隧道质量问题。因此，盾构位姿控制是解决盾构位姿失准问题的关键。

[0003] 盾构位姿控制系统是一个典型闭环控制系统，其控制过程为：工程师提前将隧道设计轴线的数据输入盾构导向系统，然后通过地面控制网测量和联系测量，为盾构机和隧道设计轴线建立统一的大地坐标系，再通过盾构位姿测量系统得到当前盾构机与设计轴线的位姿偏差数据，由盾构机驾驶员读取偏差数据，经判断、分析后下达控制指令，操作盾构机位姿控制执行机构(主要是油缸推进系统，刀盘、土仓和螺旋输送机(土压式)等起到协同控制的作用)对盾构机进行位姿调整。在掘进过程中，外部影响因素对盾构机位姿状态的干扰始终存在，需要通过对盾构机位姿状态进行连续测量和调整实现闭环控制。但控制过程必须在被控量偏离设定值并产生偏差后，才能施加影响并产生效果，属于质量管理中的事后控制方法。此外，事后控制控制不及时的缺点将导致盾构掘进形成“蛇形”轨迹，而控制滞后是这一理论方法与生俱来的缺陷，无法彻底消除。基于事后控制的盾构位姿调整技术是当前盾构位姿控制的主要理论方法，在此控制模式下，盾构位姿控制效果差，盾构蛇形运动难以避免，非最优的控制策略。

发明内容

[0004] 针对现有技术的以上缺陷或改进需求，本发明提供了一种基于混合深度学习的盾构掘进位姿智能预测方法及系统，其目的在于，基于混合深度学习模型WCNN-LSTM进行训练，建立给定的输入变量与位姿输出变量的对应关系，从而能够根据各时刻获取的输入变量预测盾构机的位姿变化趋势及结果，从而有利于对盾构位姿进行早期预测及干预，提升盾构施工质量。

[0005] 为实现上述目的，按照本发明的一个方面，提供了一种基于混合深度学习的盾构掘进位姿智能预测方法，包括模型训练阶段和位姿预测阶段，其中：

[0006] 所述模型预训练阶段基于混合深度学习模型WCNN-LSTM进行，包括：

[0007] 步骤1：数据确定及采集：

[0008] 1.1、确定WCNN-LSTM的输入参数和输出参数：

[0009] 将掘进速度、渗透率、刀盘扭矩、总推力、刀盘转速、刀盘电流、刀盘总扭矩、总挤压力、实际开挖量、刀盘驱动总电流、刀盘位置、推进油缸行程初始值、推进油缸推力、刀盘伸缩油缸行程、排泥体积流量以及膨润土进口流量作为预测模型输入变量；

[0010] 将盾尾水平偏差、盾尾垂直偏差、盾头水平偏差、盾头垂直偏差、偏航角和俯仰角作为预测模型的六个输出变量，用于表征盾构机位姿；

[0011] 1.2、假设当前时刻为t，按照指定时间间隔采集t到t-n时刻的盾构运行数据包括步骤1.1确定的输入参数和输出参数，从中选择连续无缺失且数据完备的环的数据作为训练样本，将训练样本分为训练集和测试集，n为正整数；

[0012] 步骤2：将训练集中的输入参数输入WCNN-LSTM进行训练；

[0013] 步骤3：利用测试集的输入参数和输出参数对训练好的WCNN-LSTM进行测试，并将实际输出的参数与测试集的输出参数进行偏差比较，若偏差超出预设范围，则调整WCNN-LSTM的内参并返回步骤3；若偏差在预设范围内，训练完毕，得到基于WCNN-LSTM的盾构掘进位姿预测模型。

[0014] 所述位姿预测阶段包括：

[0015] 步骤4：将t+j时刻或者t+1至t+j时间段对应的输入变量，输入盾构掘进位姿预测模型，得到对应的t+j时刻或者t+1至t+j时间段内的表征盾构机位姿的六个输出变量的预测值，即盾构机位姿预测值。

[0016] 进一步地，还包括如下基于事前控制的盾构位姿纠偏阶段：

[0017] 步骤5：计算t+j时刻或者t+1至t+j时间段内的盾构机位姿预测值与设计值的偏差，若偏差超出允许范围，则提前调整t+j时刻或者t+1至t+j时间段内施加在盾构机上的控制量，操作盾构机进行位姿调整，实现在盾构掘进尚未失准前预先完成纠偏操作。

[0018] 进一步地，步骤5中的位姿调整过程如下：

[0019] 步骤5.1：根据t+j时刻下或者t+1至t+j时间段内盾构位姿预测值与设计值的偏差，计算相应时刻需要施加在盾构机上的控制量，并根据该控制量修正盾构机的控制信号；

[0020] 步骤5.2：根据修正后的控制信号，在盾构机运行至下一个采样时刻时，调整盾构机位姿，获得盾构机调整后的位姿的实际观测值；重新采样并根据采样得到的输入变量进行位姿预测，得到该采样时刻重采样后的预测值；

[0021] 步骤5.3：根据盾构机调整后的位姿的实际观测值与重采样后的预测值的偏差，进一步修正盾构掘进位姿预测模型。

[0022] 进一步地，步骤5.3中，修正盾构掘进位姿预测模型的方法如下：将重采样得到的输入变量和调整后的位姿的实际观测值加入训练样本，对盾构掘进位姿预测模型进行训练和更新。

[0023] 为了实现上述目的，按照本发明的另一方面，提供了一种基于混合深度学习的盾构掘进位姿智能预测系统，包括处理器、模型训练程序模块、WCNN-LSTM模型以及位姿预测程序模块；

[0024] 所述模型训练程序模块在被所述处理器调用时，执行如前所述的模型训练阶段，对WCNN-LSTM模型进行训练，获得基于WCNN-LSTM的盾构掘进位姿预测模型；

[0025] 所述位姿预测程序模块在被所述处理器调用时，执行如前所述的位姿预测阶段，以基于盾构掘进位姿预测模型获得盾构掘进位姿预测结果。

[0026] 进一步地，还包括位姿纠偏程序模块；

[0027] 所述位姿纠偏程序模块在被所述处理器调用时，执行如前所述的基于事前控制的盾构位姿纠偏阶段，从而基于盾构位姿预测结果进行盾构位姿纠偏。

[0028] 进一步地，还包括小波变换去噪程序模块，用于在被所述处理器调用时，对如前所述的步骤1及步骤4中采集的数据，通过小波变换进行数据去噪，对参数时间序列进行分解，以去除背景噪声和系统测量误差，然后进行信号重构以生成新的去噪后的数据序列。

[0029] 为了实现上述目的，按照本发明的另一方面，提供了一种基于混合深度学习的盾构掘进位姿智能预测系统，包括数据获取与输入模块、小波变换噪声滤波器模块、盾构机位姿预测模型模块以及结果输出模块；

[0030] 所述数据获取与输入模块，用于获取指定的盾构机运行参数，并将所述小波变换噪声滤波器模块去噪后的盾构机运行参数输入所述盾构机位姿预测模型模块；

[0031] 所述小波变换噪声滤波器模块，用于对所述数据获取与输入模块获取的盾构机运行参数，通过小波变换进行数据去噪，对参数时间序列进行分解，以去除背景噪声和系统测量误差，然后进行信号重构以生成新的去噪后数据序列；

[0032] 所述盾构机位姿预测模型模块基于WCNN-LSTM模型，用于根据输入的盾构机运行参数预测盾构机位姿变化趋势及结果；

[0033] 所述结果输出模块，用于接收及显示所述数据获取与输入模块获取的数据、所述小波变换噪声滤波器模块去噪后的数据、所述盾构机位姿预测模型模块的预测分析结果，以及纠偏方案。

[0034] 总体而言，本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

[0035] 1、本发明针对现有技术中事后控制的盾构位姿调整技术的缺陷，综合考虑盾构参数的动态性和时变性，基于WCNN-LSTM建立一种具有盾构掘进位姿智能预测功能的混合深度学习模型，能够根据各时刻输入的盾构运行参数获得该时刻的盾构运行参数，并预测接下来的某一时刻或时间段的盾构位姿，有利于施工作业人员对盾构位姿进行早期干预及控制，从而能够提高盾构位姿控制水平。

[0036] 2、本发明通过预测-纠偏-预测-修正相结合的一体化盾构预测及控制，在盾构过程中实时滚动更新盾构位姿预测模型，能够大大提升盾构位姿控制的精度及时效，进而解决盾构机的蛇形运动难题、缓解盾构位姿调控滞后效应，最终实现盾构机掘进轴线的精确控制并且有效提升隧道成型质量。

附图说明

[0037] 图1是本发明提供的盾构荷载模型示意图；

[0038] 图2是本发明提供的基于事前控制的盾构位姿调整原理图；

[0039] 图3是本发明提供的一种基于深度学习的盾构位姿动态预测混合模型框架图；

[0040] 图4是本发明提供的一种基于深度学习的盾构位姿动态预测混合模型体系结构图；

[0041] 图5是本发明的流程图；

[0042] 图6是不同预测模型的RMSE均值对比。

具体实施方式

[0043] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

[0044] 如图5所示，本发明优选实施例的一种基于混合深度学习的盾构掘进位姿智能预测方法，包括模型训练阶段和位姿预测阶段，其中：

[0045] 所述模型预训练阶段基于混合深度学习模型WCNN-LSTM进行，包括：

[0046] 步骤1：数据确定及采集：

[0047] 1.1、确定WCNN-LSTM的输入参数和输出参数：

[0048] 将掘进速度、渗透率、刀盘扭矩、总推力、刀盘转速、刀盘电流、刀盘总扭矩、总挤压力、实际开挖量、刀盘驱动总电流、刀盘位置、推进油缸行程初始值、推进油缸推力、刀盘伸缩油缸行程、排泥体积流量以及膨润土进口流量作为预测模型输入变量；

[0049] 将盾尾水平偏差、盾尾垂直偏差、盾头水平偏差、盾头垂直偏差、偏航角和俯仰角作为预测模型的六个输出变量，用于表征盾构机位姿；

[0050] 1.2、假设当前时刻为t，按照指定时间间隔采集t到t-n时刻的盾构运行数据包括步骤1.1确定的输入参数和输出参数，从中选择连续无缺失且数据完备的环的数据作为训练样本，将训练样本分为训练集和测试集，n为正整数；

[0051] 步骤2：将训练集中的输入参数输入WCNN-LSTM进行训练；

[0052] 步骤3：利用测试集的输入参数和输出参数对训练好的WCNN-LSTM进行测试，并将实际输出的参数与测试集的输出参数进行偏差比较，若偏差超出预设范围，则调整WCNN-LSTM的内参并返回步骤3；若偏差在预设范围内，训练完毕，得到基于WCNN-LSTM的盾构掘进位姿预测模型。

[0053] 所述位姿预测阶段包括：

[0054] 步骤4：将t+j时刻或者t+1至t+j时间段对应的输入变量，输入盾构掘进位姿预测模型，得到对应的t+j时刻或者t+1至t+j时间段内的表征盾构机位姿的六个输出变量的预测值，即盾构机位姿预测值。

[0055] 优选地，预测出盾构机位姿的未来变化趋势之后，则可以根据设计值进行偏差判断，并相应作出纠偏。

[0056] 相应地，本实施例还提供了基于事前控制的盾构位姿纠偏阶段，其包括如下步骤：

[0057] 步骤5：计算t+j时刻或者t+1至t+j时间段内的盾构机位姿预测值与设计值的偏差，若偏差超出允许范围，则提前调整t+j时刻或者t+1至t+j时间段内施加在盾构机上的控制量，操作盾构机进行位姿调整，实现在盾构掘进尚未失准前预先完成纠偏操作。

[0058] 进一步地，步骤5中的位姿调整过程如下：

[0059] 步骤5.1：根据t+j时刻下或者t+1至t+j时间段内盾构位姿预测值与设计值的偏差，计算相应时刻需要施加在盾构机上的控制量，并根据该控制量修正盾构机的控制信号；

[0060] 步骤5.2：根据修正后的控制信号，在盾构机运行至下一个采样时刻时，调整盾构机位姿，获得盾构机调整后的位姿的实际观测值；重新采样并根据采样得到的输入变量进行位姿预测，得到该采样时刻重采样后的预测值；

[0061] 步骤5.3：根据盾构机调整后的位姿的实际观测值与重采样后的预测值的偏差，进一步修正盾构掘进位姿预测模型。修正盾构掘进位姿预测模型的方法如下：将重采样得到的输入变量和调整后的位姿的实际观测值加入训练样本，对盾构掘进位姿预测模型进行训练和更新。

[0062] 以下结合图1～图4，以一个具体案例对本发明的方法及原理进行详细的描述。

[0063] 首先介绍本发明提出的基于事前控制的盾构位姿调整原理：

[0064] 根据有关盾构位姿失准影响因素的分析结果，建立盾构荷载模型，其受力荷载如图1所示：

[0065] (1)自重力F1。主要包括盾构机自重，以及开挖仓渣土的自重。

[0066] (2)盾尾作用力F2。在盾构机掘进过程中，管片环与盾壳尾部内表面的作用力，主要通过盾尾钢丝刷和密封油脂(其用途是隔离已拼装管片与盾构机，使管片端形成密闭空间便于注浆)产生作用。

[0067] (3)油缸千斤顶推力F3。液压油缸沿盾体环形布置，作用于已拼装成环管片端面，利用反作用力将盾体向前推进。实际施工中，所有油缸千斤顶推力的大小方向不一致，这里将其视其合力，并考虑到衬砌管环与千斤顶底座间的摩擦力，其方向平行于盾构机轴线。

[0068] (4)开挖面土体阻力F4。开挖面土体阻力由刀盘前方的土体阻力和刀盘周边的土体阻力组成。对于土压平衡式盾构和泥水平衡式盾构而言，两者间的土体阻力略有区别，但平衡原理相似。

[0069] (5)盾体外表面土体阻力F5。盾构机在土层前进时，盾体外壳与土体间存在摩擦阻力。另外，当对盾构进行位姿纠偏时，盾构机对土体的挤压也会受到土体对盾构外壳的挤压反力。已有研究表明，盾体外表面土体阻力是影响盾构机位姿控制的最主要的影响因素，而盾壳所受的土压力也会由于盾构运动行为的变化引起周围土体变形而变化。

[0070] 盾构机在土体中掘进属于三维空间运动，故盾构的运动行为拥有6个自由度，分别为盾构机在X轴、Y轴和Z轴三个方向的位移变化值Δx,Δy,Δz以及盾构俯仰角α、横摆角β和滚动角γ的变化。盾构机的运动力学模型是基于盾构机的受力荷载分析，构建盾构机的位姿控制参数Δx,Δy,Δz,α,β,γ和盾构各荷载的函数关系。盾构运动力学模型可通过如下数学方程表达，其中t为时间变量：

[0071] f(F1,F2,F3,F4,F5,Δx,Δy,Δz,α,β,γ,t)＝0   (1)

[0072] 然后，在盾构运动力学模型基础上，综合考虑盾构掘进过程中的盾构位姿影响因素d(t)，假设当前时刻为t，获取盾构位姿相关输入变量在t到t-n时间段内的数据，记为{i(t)，i(t-1)，...，i(t-n)}；将相关输入变量{i(t)，i(t-1)，...，i(t-n)}输入盾构位姿预测模型，输出t+j时刻(或者t+1至t+j时间段)的盾构位姿预测值(即六个输出变量的预测值并通过位姿预测值 与盾构位姿测量系统得到的位姿测量值cm(t+j)的反馈校正进一步修正预测模型；

[0073] 比较t+j时刻下位姿预测值与设计值的偏差大小e(t+j)，由盾构机操作员判断是否需要提前纠偏，若偏差过大，则通过控制信号u(t)控制盾构位姿调整执行装置，实现对盾构机位姿的事前控制与调整，调整量为q(t)，在盾构掘进尚未失准前预先完成纠偏操作。

[0074] 在预测系统内部，当处于t+j时刻时，盾构位姿测量系统采集到此时的位姿实际值，然后与预测值进行对比，对预测系统进行反馈校正。同时，优化过程以一定时间窗口滚动实施，反复地在线修正，保证预测模型始终保持较高的预测精度，盾构位姿调整原理图如图2所示。

[0075] 为了实现上述预测及纠偏方法，还需要建立基于混合深度学习模型的盾构机位姿动态预测系统。

[0076] 本实施例提供的一种混合深度学习模型的盾构掘进位姿智能预测系统，包括数据获取与输入模块、小波变换噪声滤波器模块、卷积神经网络特征提取器模块、长短时记忆预测器模块以及结果输出模块，如图3所示。实施例的WCNN-LSTM是由卷积神经网络(CNNs，本实施例选取Lenet-5)特征提取器模块和长短时记忆预测器模块(LSTM)组成。

[0077] 所述数据获取与输入模块，主要用于数据获取、存储以及相应的预处理。盾构机包含数百个参数，并在操作期间生成大量数据，此模块将以每10秒记录在盾构机PLC数据库中；

[0078] 所述小波变换噪声滤波器模块，通过小波变换进行数据去噪，对参数时间序列进行分解，以去除背景噪声和系统测量误差，然后进行信号重构以生成新的去噪后数据序列，进而提高模型预测的精度与准确性；

[0079] 所述CNNs特征提取器模块，用于自动提取数据的关键特性。CNNs是具有多个卷积层和池化层的深度网络结构，所提取的数据特性包含源数据几乎全部的数据特征，且更便于预测器识别出时间序列数据的模式；

[0080] 所述LSTM预测器模块，LSTM是在时间维度上具有深度结构的神经网络，其有的记忆单元可以存储历史时间序列的信息，并且通过采用监督学习方法进行大规模的训练，实现目标变量的多步预测；

[0081] 所述结果输出模块，用于接收计算系统传来的数据，并显示在可视化界面中。此模块也可以提供模型预测分析结果以及预测得到的盾构机位姿相关参数，并提供调整的决策方案。

[0082] 在搭建好预测系统之后，即可以通过模型训练的方式，建立基于混合深度学习模型的盾构机位姿预测模型，并进行位姿预测和纠偏。

[0083] 步骤1：数据收集：

[0084] 盾构运行数据由每个子系统的传感器收集，并存储在盾构机本地计算机中，然后通过光纤网络传输到地面上的数据中心。本实施例中，整个训练集包含近1000个参数，以0.1HZ的频率储存。直至隧道贯通，数据库已存储了近100万条数据。

[0085] (1)确定模型输出参数。本发明中的混合深度学习模型旨在预测盾构机在地下空间运动过程中的位姿和位置。激光导向系统负责实时测量盾构机在隧道掘进过程中的位姿和位置。其中，盾尾水平偏差(Horizontal deviation of shield tail，以下简称HDST)、盾尾垂直偏差(Vertical deviation of shield tail，以下简称VDST)，盾头水平偏差(Horizontal deviation of shield head，以下简称HDSH)、盾头垂直偏差(Vertical deviation of shield head，以下简称VDSH)、偏航角(Yaw angel)和俯仰角(Pitch angle)是盾构机掘进过程中最重要的控制指标。因此，本发明选择这六个参数作为预测模型的输出变量；

[0086] (2)确定模型输入参数。盾构机主要由刀盘系统、推进系统、渣土运输系统、导向系统等若干个子系统构成，其运行数据中包含了近千个参数。鉴于盾构机的运动行为主要由推进系统和刀盘系统所控制，因此本发明根据工程经验，基于海瑞克混合式盾构机，选取了掘进速度、渗透率、刀盘扭矩、总推力、刀盘转速等32个参数作为输入变量，如表1所示，并且以0.1Hz的频率沿隧道掘进连续采集；

[0087] 表1预测模型输入变量汇总

[0088]

[0089] 需要说明的是，根据不同品牌的盾构机，推进油缸的组数以及排泥体积流量、泥水循环流量和膨润土进口流量的检测组数会有一定不同，因此，总的检测参数数量随盾构机不同而会有所不同，但是，检测参数的类型均为表1所列类型。

[0090] (3)样本选择。数据的连续性会影响预测模型的精度，我们选择连续无缺失的18环数据，且每一环的数据完备；

[0091] 步骤2：模型训练：

[0092] 本实施例提出的一种混合深度学习模型WCNN-LSTM，用于预测盾构机的位姿，并分析模型预测准确性和效率。其中，模型训练框架采用了基于Tensorflow后端的深度学习框架Keras。

[0093] (1)数据预处理。数据预处理由两部分组成，即剔除数据序列的非掘进时间段数据以及对时间序列数据执行小波变换去噪。因为离散小波变换(DiscreteWaveletTransform，以下简称DWT)可以减少冗余系数，在工程实践中被广泛地使用，本发明采用离散小波变换对原始数据进行去噪处理，消除非掘进状态的数据。

[0094] 对于连续小波变换(ContinuousWaveletTransform，以下简称CWT)，可以通过公式(2)定义小波基本函数：

[0095]

[0096] 其中α和τ分别是比例因子和平移因子，t是时间。采样α和τ后，则小波函数变为如下：

[0097]

[0098] 其中m＝0，1，2，…，n∈Z，整数m、n分别控制小波的膨胀和平移，并包含在所有整数的集合中。a0是指定的固定扩张步长参数，其值设置为大于1。b0是位置参数且必须大于零。通常a0和b0分别取值2和1，则式(3)式变为式(4)：

[0099]

[0100] 小波变换Tm，n可以将信号x(t)分解成具有不同分辨率水平的不同子频谱。它的定义如下：

[0101]

[0102] 在本发明中采用了一种称为Mallat的快速DWT算法，通过空间分解建立起WT与多分辨率分析的相关关系。时间序列数据可以通过Mallat算法分解如下：

[0103] x(t)＝An(t)+Dn(t)+Dn-1(t)+…D1(t)   (6)

[0104] 其中An(t)是原始信号x(t)的近似部分，Dn(t)是与n层分解中的噪声信息相关的细节部分。x(t)的多分辨率分解的数据序列是{An(t),Dn(t),Dn-1(t),…,D1(t)}。通常采用均方误差(MSE)作为评价去噪效果的指标(其值越低越好)，MSE可按式(7)计算：

[0105]

[0106] 其中yi是对应于输入xi的期望输出， 表示去噪算法的输出值，N表示样本数量。

[0107] 本实施例采用了一种快速的DWT算法，训练集包含38个变量(其中32个输入变量和6个输出变量)，为了获得最佳的去噪效果，必须每个变量选择去噪效果最佳的小波基函数。
然后，从每个类别中选择代表性变量执行小波去噪算法。最后，遍历所有Db小波基函数计算其去噪效果，并采用均方误差(MSE)作为评价去噪效果的指标(其值越低越好)。

[0108] (2)预测模型结构。本发明的混合深度神经网络由两部分组成，即LeNet-5和LSTM，整体框架如图4所示。

[0109] 预测模型使用卷积神经网络(CNN，LeNet-5)作为特征提取器。每个滤波器都是一个具有局部连接和共享权值的权值矩阵，它可以将原始图像卷积到相应的特征映射，该特征映射可以被视为滤波器提取的图像表示。

[0110] 卷积计算公式表示为：

[0111]

[0112] 其中xi，j表示输入图像的第i行和第j列，并且wm,n表示k×k权重矩阵的第m行和第n列，wb表示滤波器偏差值，f表示激活函数(通常使用ReLU函数)，ai,j表示特征映射的第i行和第j列的值。

[0113] 预测模型使用长短时记忆预测(LSTM)作为预测器，用于动态地捕获序列数据所有元素的时间信息，预测盾构机的位姿。常规循环神经网络(RNN)只有一个对短期输入敏感的隐藏状态，但是LSTM添加了一个存储长期信息的单元状态，并使用三个门来控制它。作为对传统RNN的改进，LSTM通过引入存储单元成功地克服了消失梯度；

[0114] 其中，三个控制门公式如下：

[0115] (1)遗忘门。控制前一时刻的单元状态ct-1对当前时间的单元状态ct的影响程度，其公式可以定义为：

[0116] ft＝σ(Wf·[ht-1,xt]+bf)   (9)

[0117] (2)输入门。控制当前时刻的输入变量xt对当前时刻的单元状态ct的影响程度，其公式可以定义为：

[0118] it＝σ(Wi·[ht-1,xt]+bi)   (10)

[0119]

[0120]

[0121] (3)输出门。控制当前时刻的单元状态ct对当前输出ht的影响程度，其公式可以定义为：

[0122] ot＝σ(Wo·[ht-1,xt]+bo)   (13)

[0123]

[0124] 以上公式的数学符号定义如下：xt是在t时刻的输入向量。Wf、Wi、Wo分别是遗忘门、输入门和输出门的权重矩阵。bf、bi、bo分别是遗忘门，输入门和输出门的偏置向量。ht是时刻t下的存储单元的值。ft、it、ot是时刻t的遗忘门、输入门和输出门的值。符号“·”表示点积，符号 是按元素乘积。

[0125] (3)参数设定。训练集和测试集分别为总样本的80％和20％。我们选择MSE和Adam作为编译Keras模型所需的两个必须参数，即损失函数和优化器。此外，模型编译使用了英伟达CUDA的深度学习加速框架。

[0126] 步骤3：通过训练集进行训练，并利用测试集验证训练结果，若六个输出变量的预测值与实测值的偏差在允许范围内，则训练后的盾构位姿预测模型可以投入使用。

[0127] 步骤4：结果预测：

[0128] 根据指定时刻或时段的输入变量，通过分析满足一定精度要求的六个输出变量的WCNN-LSTM模型的预测结果，获取盾构机位姿和位置的未来变化趋势。

[0129] 然后，按照步骤5进行纠偏控制和模型更新即可。

[0130] 下面，引入另外三种常用的预测模型，即ARIMA、LSTM和WLSTM，与本发明的WCNN-LSTM模型进行比较，从而验证本发明中提出方法的有效性和预测精度。

[0131] (1)ARIMA模型

[0132] ARIMA模型常用来预测研究数据的时间序列特点，通常通过单变量时间序列的历史值来实现预测数值模型的未来值，故其输入参数只有一个维度，即预测目标的历史序列数据。其通常被记为ARIMA(p，d，q)，p值表示数值含义是自回归模型的阶数(时间滞后数)，d值表示数值含义为平稳序列所做的差分次数(阶数)，q值数值表示含义为是移动平均模型阶数。ARIMA模型由以下方程式表示：

[0133]

[0134] 其中， 表示自回归参数，θi(i＝1,2,…,q)表示移动平均参数，并且εt是符合正态分布N(0,σ2)的偏差项。{Xt-1,Xt-2,…,Xt-p}表示时间序列的输入数据，Xt是预测结果。表2给出了六个ARIMA模型的参数设置。

[0135] 表2六个ARIMA模型参数设置

[0136]变量名称 滚动角 俯仰角 HDST VDST HDSH VDSH
(p,d,q) (2,1,2) (5,1,2) (5,1,5) (2,1,5) (5,1,3) (4,1,5)

[0137] (2)LSTM模型

[0138] 在深度学习模型中应用LSTM模型至少包含三层网络结构，即一个输入层，一个LSTM层和一个输出层。对于特定的预测问题，可以确定LSTM网络的输入与输出层中神经元数量多少。其中输入层神经元在数值上与输入变量维度数值(为32)相同，输出层数值上与神经元所含数量相同，等于6，即用于预测每个目标变量的六个时间步长内的值。包含64个神经元的LSTM层和包含16个神经元的全连接层，用于构建LSTM模型的中间层。LSTM模型剩余超参数设置与WCNN-LSTM保持一致。

[0139] (3)WLSTM模型

[0140] WLSTM模型的网络结构和超参数设置与LSTM模型相同。不同之处在于，输入到WLSTM模型的数据经过了小波变换去噪处理。

[0141] 如表3及图6所示，本发明将四个模型在测试集上的预测结果进行了比较，分别计算各模型在预测t+1，t+2，…，t+6时刻的预测值以及它们的RMSE(均方根误差)，最终验证了本发明中提出方法的有效性和预测精度大大高于其他三种方法。表3给出了每个模型计算得到的RMSE值，图6是每个模型的RMSE均值。

[0142] 表3 ARIMA，LSTM，WLSTM，WCNN-LSTM模型预测精度对比

[0143]

[0144] 由表3及图6可知：

[0145] 首先，对于每个预测模型，预测精度随着时间步长的增加呈下降趋势。这一现象与实际期望一致，通常来说预测区间越大，可能影响未来结果的因素就越不可知，从而降低了预测的准确性。本发明中的时间序列模型是输入数据序列的前10分钟来预测后1分钟的值。在工程实践中，可以改变输出序列的长度，以探索在可接受误差范围内的最大预测时间步长。

[0146] 其次，表3显示，除了HDST外，与其他三个模型相比，本发明的WCNN-LSTM模型几乎对所有变量的预测都取得了最优的预测精度。图6中的结果表明，ARIMA、LSTM、WLSTM和WCNN-LSTM模型的性能逐渐提高，在测试集上计算得到的RMSE值分别为0.9219、0.7839、0.6754和0.5602。

[0147] 以上结果表明，本发明提出的混合模型中的小波变换和卷积神经网络起到关键作用。小波变换去除了原始数据的环境噪声，使数据序列内含的变化模式和趋势更加易于检测。CNN具有很强的自主学习能力，能够探测到高度复杂和非线性的数据特征。CNN自动融合多个特征，重新提取影响预测结果的关键特征，并将其传输到LSTM部分以改进预测。

[0148] 最后，本发明提出的WCNN-LSTM混合模型，就预测精度和鲁棒性而言，都具有较强优势。对于不同的输出变量，该方法得到精度是不一样的。对于滚动角和俯仰角两个变量而言，四种模型的预测精度没有特别显著的差异。但对于其他变量，则有明显改善，误差最大降低至50％。

[0149] 本领域的技术人员容易理解，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、等同替换和改进等，均应包含在本发明的保护范围之内。