[發明專利]基于深度學習的TBM操作參數決策方法及系統

有效

• 申請號: 201911330197.4
• 申請日: 2019-12-20
• 公開（公告）號: CN111144635B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 劉斌;朱顏;王亞旭;王瑞睿;高博洋;趙光祖;王濱
• 申請（專利權）人: 山東大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/08;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李琳

1.一種基于深度學習的TBM操作參數決策方法，其特征是：包括以下步驟：

接收TBM掘進實時機械參數信息；

利用深度學習神經網絡構建出總掘進力和刀盤扭矩與掘進速度和刀盤轉速的實時映射關系；

基于獲取的映射關系，根據施工現場需求，設定相適配的掘進速度設定值和刀盤轉速給定值，構成TBM操作參數決策方案；

利用深度學習神經網絡構建出總掘進力和刀盤扭矩與掘進速度和刀盤轉速的實時映射關系的具體過程包括：利用卷積神經網絡，以當前時間之前設定時間內記錄的機器狀態參數為輸入，計算出當前狀態下，總掘進力和刀盤扭矩與掘進速度和刀盤轉速的對應關系；

所述卷積神經網絡以一定時間間隔連續的時序機械狀態數據矩陣作為輸入，其卷積方式為在時間序列方向上和機械參數方向上以寬度為一的卷積核交替進行全卷積，并且最后有兩層全連接層，且第一層全連接層上拼接有當前的總掘進力和刀盤扭矩；

所述卷積神經網絡，是經過來自TBM掘進過程中以一定連續時間段的所有機器參數形成的矩陣和該時間段之后一定時間內的總掘進力和刀盤扭矩作為輸入，該刀盤扭矩和總掘進力取值時間點對應的刀盤轉速和掘進速度作為和輸入對應的標簽形成的訓練數據訓練而成的；

不同掘進速度和刀盤轉速與總掘進力和刀盤扭矩的實時映射關系，是指在神經網絡訓練好之后，每間隔一段時間，除總掘進力和刀盤扭矩之外，將其他輸入參數固定為當前TBM的狀態參數，然后將刀盤扭矩和總掘進力以插值的方式多次輸入神經網絡，獲取不同的總掘進力和刀盤扭矩在當前狀況下對應的掘進速度和刀盤轉速。

2.如權利要求1所述的一種基于深度學習的TBM操作參數決策方法，其特征是：根據施工現場需求，具有四種模式：

第一種模式為快速掘進模式，以掘進速度為第一優先級，找到機械許可條件下達到最大速度需要決策出的刀盤轉速和掘進速度的設定值；

第二種模式為高效掘進模式，在有外在因素導致的最大掘進速度限制情況下，對決策出TBM在當前受限速度下能使刀盤受到的扭矩或者所消耗能源最小的控制參數；

第三種模式為人工判斷掘進模式，依據實時映射關系，綜合最快速度、最小受力和最小破碎比能三個方面，進行決策；

第四種模式為安全掘進模式，保證TBM的驅動電機一直在額定范圍內工作為前提，確定在TBM機械額定范圍內的掘進速度設定值和刀盤轉速給定值的合理變化路線。

3.如權利要求2所述的一種基于深度學習的TBM操作參數決策方法，其特征是：根據刀盤的功率計算方法，功率為刀盤轉速和刀盤扭矩的乘積，根據獲取的映射關系，計算出符合TBM額定工作強度范圍，即刀盤功率小于額定刀盤功率，總掘進力小于額定最大總掘進力的范圍，并在這個范圍中計算出最大掘進速度以及與其對應的刀盤轉速，該掘進速度和刀盤轉速即為輸出的掘進速度設定值和刀盤轉速給定值。