买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：厦门地铁建设有限公司;华侨大学

摘要：本发明公开了一种高磨蚀地层的盾构机滚刀磨损预测方法，方法包括数据采集、数据预处理、建立滚刀磨损预测模型、地质实时监测、超参数优化、动态接口调整和盾构机滚刀磨损评估。本发明涉及施工设备数据处理技术领域，具体是指一种高磨蚀地层的盾构机滚刀磨损预测方法，本方案创新性地提出动态接口调整策略，实时响应地质条件变化，优化磨损预测模型，提升预测准确性和灵活性；引入的梯度训练和自适应损失函数方法，加快了权重更新的速度，从而提高了滚刀磨损预测模型的准确性和鲁棒性；采用种群折射、自适应权重和平均位置对获取预测模型最优参数的算法进行改进，从而获取到最优参数组合，提升模型预测结果准确性。

主权项：1.一种高磨蚀地层的盾构机滚刀磨损预测方法，其特征在于：该方法包括以下步骤：步骤S1：数据采集；步骤S2：数据预处理；步骤S3：建立滚刀磨损预测模型；步骤S4：地质实时监测；步骤S5：超参数优化；步骤S6：动态接口调整；步骤S7：盾构机滚刀磨损评估；所述数据采集，具体为从项目施工记录和盾构机设备日志中，通过采集得到盾构机滚刀磨损原始数据；所述盾构机滚刀磨损原始数据包括历史滚刀磨损数据和实时滚刀磨损数据；所述历史滚刀磨损数据和实时滚刀磨损数据都包括地质条件数据、盾构机掘进参数数据和机器运行环境数据；所述地质条件数据包括岩石硬度、磨蚀性和地下水位；所述盾构机掘进参数数据包括掘进速度、推力、扭矩和刀盘转速；所述机器运行环境数据包括温度数据和湿度数据；所述历史滚刀磨损数据还包括滚刀磨损数据；在步骤S2中，所述数据预处理，用于对原始数据进行数据预处理，具体为对盾构机滚刀磨损原始数据进行数据预处理，得到盾构机滚刀磨损初步数据集；在步骤S3中，所述建立滚刀磨损预测模型，用于准确预测盾构机滚刀在高磨蚀地层中的磨损状态，具体利用神经网络算法进行建模分析，得到滚刀磨损预测模型；包括以下步骤：步骤S31：初始化模型参数，初始化任意初始权重，初始自适应参数=1，=0；步骤S32：计算隐藏层中每个模块输出值，所用公式如下： ；式中，表示第l个样本m次迭代的隐藏层中第k个模块输出，l表示数据第l个样本，m表示当前的迭代次数，表示第l个样本的输入向量，表示第m次迭代中第k个模块与第i个输入之间的权重；步骤S33：计算输出层，所用公式如下： ；式中，表示第l个样本m次迭代的输出层输出，表示激活函数，和表示第m次迭代的自适应参数，用于调整激活函数的形状，K表示模块的总数；步骤S34：计算损失函数，所用公式如下： ；式中，表示预测模型的损失函数，L表示样本的总数量，表示第l个样本的实际输出，表示第m次迭代的权重向量；步骤S35：自适应参数更新，所用公式如下： ； ； ； ；式中，表示学习率；和表示自适应参数和更新值；表示瞬时损失函数对的自适应参数偏导数，表示瞬时损失函数对的自适应参数偏导数，和表示第m+1次迭代的自适应参数；步骤S36：更新权重向量，所用公式表示如下： ； ；式中，表示隐藏层第t个模块中第j个权重在第m次迭代的更新值，表示隐藏层第t个模块中第j个权重在第m次迭代的值，表示隐藏层第t个模块中第j个权重在第m+1次迭代的值，表示损失函数对隐藏层第t-1个模块中第j个权重的梯度，表示第l个样本m+1次迭代的隐藏层中第k个模块输出，表示第m次迭代中第t个模块与第i个输入之间的权重；步骤S37：参数更新；基于计算得到的自适应参数和权重向量，更新滚刀磨损预测模型中的权重向量和自适应参数，得到优化后滚刀磨损预测模型；步骤S38：迭代判定；监控参数的梯度变化情况，若滚刀磨损预测模型收敛，则停止迭代训练，否则继续迭代训练；在步骤S4中，所述地质实时监测，用于对盾构机的工作地质进行实时监测，具体为通过建立地质实时监测模型对地质进行监测，得到当前盾构机工作中的地质类别；包括以下步骤：步骤S41：建立地质实时监测模型，具体包括以下步骤：步骤S411：初始化模型结构，包括输入层、隐藏层和输出层；步骤S412：计算隐藏层输出，所用公式如下： ；式中，表示隐藏层的输出，表示隐藏层输入数据，表示输入层到隐藏层的连接权重，mk表示输入层的地质监测特征数量，表示隐藏层的偏置项参数，表示ReLU激活函数；步骤S413：计算输出层输出值；所用公式如下 ；式中，表示输出层输出值，表示隐藏层到输出层的连接权重，h表示隐藏层的神经元数量，k表示输出层类别数量，表示输出层的偏置项参数，表示softmax激活函数；步骤S42：地质实时监测模型训练，具体为使用所述盾构机滚刀磨损初步数据集中历史地质条件数据对地质实时监测模型进行训练，得到训练后的地质实时监测模型；步骤S43：地质实时监测，具体是将所述盾构机滚刀磨损初步数据集中实时地质条件数据作为训练后的地质实时监测模型的输入数据，得到当前盾构机工作中的地质类别；在步骤S5中，所述超参数优化，用于预测模型超参数优化，具体通过超参数优化算法，得到滚刀磨损预测模型和地质实时监测模型参数最优解组合；包括以下步骤：步骤S51：初始化参数，具体为通过构建算法初始参数；所述算法初始参数，包括种群大小N、搜索狼的比例PN、观察狼的比例SN、最大迭代次数T、预警值R2和安全阈值ST；步骤S52：初始化种群，具体包括以下步骤：步骤S521：生成N个混沌序列值，初始化随机值z0；所用公式如下： ；式中，表示第d维度第i个混沌序列值，表示第d维度第i+1个混沌序列值，round表示是区间中均匀分布的随机数[0.3,0.5]；步骤S522：混沌序列值转换搜索个体，公式表达如下： ；式中，表示第i个体第d维度的初始化位置，lbd和ubd分别表示维度d的搜索下限和上限；步骤S523：获取新的搜索个体，公式表达如下： ；式中，表示通过镜面折射重新获得新搜索个体，和分别表示当前搜索种群的第d维度中的最小位置和最大位置，q表示镜面折射率；步骤S53：种群划分：计算种群中个体适应度值fi；将基于个体位置建立的滚刀磨损预测模型和地质实时监测模型性能作为个体的适应度值；将个体按适应度值由优至差进行排序，划分搜索狼与辅助狼；找到具有最佳适应度的个体fb及其位置Xb，以及具有最差适应度的个体fw及其位置Xw；步骤S54:获取自适应权重因子，所用公式如下： ；式中，ωt表示自适应权重因子，t表示迭代次数；α表示介于[0,1]范围内的随机数；步骤S55：更新搜索狼位置，所用公式如下： ；式中，表示第i个体在第t+1代狼群中的第d个维度位置；表示第i个体在第t代狼群群中的第d个维度位置；表示当前迭代中最佳适应度的对应位置；A和B分别表示[0,2π]和[0,π]范围内的随机数；和表示[0,1]范围内的随机数，R2ST表示附近没有敌人，处于安全位置；R2≥ST表示附近有敌人，需换个区域；Q表示服从正态分布的随机数；表示种群随机个体位置；是平滑项；步骤S56：更新辅助狼位置，所用公式如下： ； ； ；式中，t表示迭代次数；n表示个体的数量，表示机群在第t+1次迭代中具有最佳适应度值的个体在维度d上的位置，表示当前迭代中最差适应度的对应位置；A+表示维度伪逆矩阵，元素随机分配1或-1；表示[0,1]范围内的随机数，Q和M表示用来控制位置跟新的参数，表示首领狼的位置；步骤S57：更新观察狼位置，随机选择机群中10%个体作为观察狼，进行位置更新；所用公式如下： ；式中，表示种群在第t次迭代中具有最佳适应度的个体在维度d上的位置；表示种群在第t次迭代中具有最差适应度的个体在维度d上的位置；表示是均值为0、方差为1的标准正态分布随机数；K表示是区间中均匀分布的随机数；表示是避免分母为零的最小常数；步骤S58：搜索判定，具体为通过构建搜索终止条件，进行最优个体位置的搜索判定，得到最优个体位置数据设置；所述搜索终止条件，包括阈值终止和迭代终止；所述阈值终止，具体为设置适应度阈值，当所述个体适应度值fi高于适应度阈值时，超参数搜索完成；所述迭代终止，具体指达到最大迭代次数时，终止迭代并获得最优个体位置；所述最优个体位置，包括滚刀磨损预测模型参数和地质实时监测模型参数；在步骤S6中，所述动态接口调整，具体是根据地质实时监测模型输出结果对滚刀磨损预测模型进行接口调整；包括以下步骤：步骤S61：训练滚刀磨损预测模型，具体为使用所述盾构机滚刀磨损初步数据集中对滚刀磨损预测模型进行训练，得到训练后的多种的滚刀磨损预测模型，包括以下步骤：步骤S611：划分训练数据，具体为根据地质类型对所述盾构机滚刀磨损初步数据集中历史滚刀磨损数据划分训练数据集，得到多种的地质条件训练数据集；步骤S612：训练模型，具体为使用所述多种的地质条件训练数据集对滚刀磨损预测模型进行多种的训练，得到训练后的多种的滚刀磨损预测模型；步骤S62：设计接口，具体是设计一个模型接口，能够与多种的滚刀磨损预测模型进行交互；步骤S63：接口自动切换，具体是当地质实时监测模型输出结果发生变化时，根据输出结果进行模型接口切换，从训练后的多种的滚刀磨损预测模型中选择最匹配的滚刀磨损预测模型；在步骤S7中，所述盾构机滚刀磨损评估是将采集到的实时滚刀磨损数据输入到动态调整后的滚刀磨损预测模型中，得到滚刀的磨损状态预测结果，对滚刀的磨损状态预测结果进行分析，评估滚刀的当前状态。

全文数据：

权利要求：

百度查询： 厦门地铁建设有限公司 华侨大学 一种高磨蚀地层的盾构机滚刀磨损预测方法