[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

本申請公開了一種盾構機智能掘進方法，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；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；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使盾構機實現智能掘進；該方法可以實現快速有效的盾構機智能掘進，提高工作效率，保證掘進準確度，保證工作安全。

技術領域

本申請涉及智能控制技術領域，特別涉及一種盾構機智能掘進方法。

背景技術

盾構機是一種專門用于隧道掘進的工程機械，在開挖隧道的過程中，由于地質條件、工況的不確定性以及盾構機自身因素的影響，很容易造成盾構機行駛軌跡與設計軸線產生偏差，輕則損害隧道成型質量，重則會對建造階段質量、進度、成本和安全產生重大影響，影響到隧道的安全運營。因此，智能化是盾構技術施工發展的必然趨勢，要求盾構機具有自感知、自學習、自決策的能力。

現有的自感知的盾構機姿態預測基于WT-CNN-LSTM(WT：wavelet transform，小波變換；CNN：Convolutional Neural Networks，卷積神經網絡；LSTM：Long Short-TermMemory，長短期記憶網絡)模型實現，但是，該種實現方式的整個處理、分析數據過程比較復雜，尤其是使用CNN提取數據特征，隨著神經網絡層數的增加，導致參數增多，計算復雜，對計算機硬件要求較高，此外還存在預測數據不全面的問題，因此，現有的實現方式在盾構機運行過程中存在著準確度不高且工作效率低下的問題。

因此，如何實現快速有效的盾構機智能掘進，保證工作效率，提高盾構機智能掘進準確度，保證工作安全是本領域技術人員亟待解決的問題。

發明內容

本申請的目的是提供一種盾構機智能掘進方法，該盾構機智能掘進方法可以實現快速有效的盾構機智能掘進，提高工作效率，保證掘進準確度，保證工作安全。

第一方面，本申請提供了一種盾構機智能掘進方法，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；

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；

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。

優選的，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。

優選的，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，獲得初始盾構機姿態預測模型；