[發明專利]一種盾構機智能掘進方法

有效

• 申請號: 202110160190.3
• 申請日: 2021-02-05
• 公開（公告）號: CN112922609B
• 公開（公告）日: 2022-11-22
• 發明（設計）人: 程永亮;蔡杰;周冰鴿;張曉;馬金云;朱晨;劉巧龍
• 申請（專利權）人: 中國鐵建重工集團股份有限公司;中國鐵建股份有限公司
• 主分類號: E21D9/06
• 分類號: E21D9/06;E21D9/093;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 張春輝

1.一種盾構機智能掘進方法，其特征在于，包括：

采集樣本數據，所述樣本數據包括掘進樣本數據和導向樣本數據，且將所述樣本數據以CSV格式存儲；

利用門控單元網絡GRU構建序貫模型，通過所述序貫模型對所述樣本數據進行訓練，獲得盾構機姿態預測模型；

其中，所述通過所述序貫模型對所述樣本數據進行訓練包括：基于損失函數曲線和準確率曲線對初始盾構機姿態預測模型的相關參數進行微調，以便于獲取微調后的所述盾構機姿態預測模型；

當接收到智能掘進指令時，讀取當前掘進數據和當前導向數據；

通過所述盾構機姿態預測模型對所述當前掘進數據和當前導向數據進行處理，獲得分區壓力值和推進速度平均值；

根據所述分區壓力值和推進速度平均值實現盾構機的智能掘進；

在所述通過所述序貫模型對所述樣本數據進行訓練，獲得盾構機姿態預測模型之前，還包括：

對所述樣本數據進行格式轉換，獲得預設格式的樣本數據；

所述利用門控單元網絡GRU構建序貫模型，包括：

利用GRU網絡，dropout以及全連接網絡構建所述序貫模型，所述序貫模型的第一層和第二層為GRU層，第三層為dropout層，第四層為全連接層；

其中，所述GRU層的神經元數目為128，且利用tanh激活函數對所述樣本數據進行處理，所述dropout層的比率為0.5；

所述通過所述盾構機姿態預測模型對所述當前掘進數據和當前導向數據進行處理，獲得分區壓力值和推進速度平均值，包括：

對所述當前掘進數據和當前導向數據進行歸一化處理，獲得當前標準掘進數據和當前標準導向數據；

通過所述盾構機姿態預測模型對所述當前標準掘進數據和當前標準導向數據進行處理，獲得初始分區壓力值和初始推進速度平均值；

對所述初始分區壓力值和初始推進速度平均值進行反歸一化處理，獲得所述分區壓力值和推進速度平均值。

2.根據權利要求1所述的盾構機智能掘進方法，其特征在于，所述采集樣本數據之后，還包括：

對所述樣本數據進行篩選，獲得第一樣本數據；

利用append函數對所述第一樣本數據進行擴充，獲得第二樣本數據；

利用merge函數對所述第二樣本數據進行拼接，獲得第三樣本數據；

通過鄰近插補技術對所述第三樣本數據進行填充，獲得第四樣本數據；

按照預設規則對所述第四樣本數據進行歸一化處理，獲得第五樣本數據；

按照預設比例對所述第五樣本數據進行分割，獲得訓練數據集和測試數據集，其中，所述訓練數據集中的訓練數據為標準樣本數據。

3.根據權利要求2所述的盾構機智能掘進方法，其特征在于，所述通過所述序貫模型對所述樣本數據進行訓練，獲得盾構機姿態預測模型，包括：

通過所述序貫模型對所述樣本數據進行訓練，獲得所述初始盾構機姿態預測模型；

利用所述測試數據集對所述初始盾構機姿態預測模型進行優化，獲得所述盾構機姿態預測模型。