一种基于LSTM算法的TBM掘进参数的预测方法

1.一种基于LSTM算法的TBM掘进参数的预测方法，其特征是，包括以下步骤：(1-1)选择关键参数：TBM施工掘进过程关键参数包括刀盘转速n、推进速度v、总推进力F、刀盘扭矩T、围岩性质和围岩等级，选取n、v、F、T和围岩性质、围岩等级作为训练特征建模；(1-2)通过RSP识别算法自动分离TBM掘进过程的上升阶段和稳定阶段；(1-3)利用LSTM算法和总推力F、刀盘扭矩T、刀盘转速n、推进速度v、围岩性质、围岩等级训练模型，预测TBM施工稳定段掘进参数；(1-4)用关键参数的平均准确度评价预测结果；其中，步骤（1-2）包括如下步骤：(2-1)在刀盘转速n>＝0并且推进速度v>＝0的条件下，对推进速度v计算窗口均值平滑，然后求差分，根据差分值判断上升阶段的状态；(2-2)判断上升阶段是否为有效上升段，确定稳定段；(2-3)对稳定段数据，按掘进段桩号计算F、T、n和v的平均值；其中，步骤(2-2)包括如下步骤：(3-1)若差分值由非正数变为正数，上升阶段开始；(3-2)若差分值由正数变为负数，则上升阶段结束；其中，步骤(2-3)包括如下步骤：(4-1)上升阶段结束后，处于稳定状态，则上升段有效，其后稳定的时间段即是稳定段，形成RSP；(4-2)上升阶段结束后，继续出现持续上升或者下降，则上升段无效，需丢弃；其中，步骤(1-3)包括如下步骤：(5-1)选择长短期记忆模型进行模型训练；(5-2)取RSP的上升阶段，提取按时间序列排列的n、v、F和T的原始数据组；(5-3)取RSP对应的稳定阶段的前若干组n、v、F和T数据的平均值；(5-4)LSTM以n、v、F和T为特征，以稳定阶段的前若干组n、v、F和T数据的平均值为特征值，预测n和v；(5-5)在LSTM模型的输出层中定义神经元用于预测n和v，n和v各对应一个神经元；(5-6)用Keras搭建LSTM模型，预测函数使用sigmoid函数；(5-7)用Keras中的fit函数来跟踪训练期间的参数的训练和测试损失，fit函数用的反向传播算法，batch_size＝100，epochs＝500；其中，步骤(1-4)包括如下步骤：(6-1)总推进力平均准确度S F 的计算公式如下:其中，k为所取样本的数据组数，F i 是第i组数据所在稳定阶段总推进力均值，F i ’ 是预测结果，S F 越接近于样本数k，则S F 的准确度越高；(6-2)刀盘扭矩平均准确度S T 的计算公式如下：其中，k为所取样本的数据组数，T i 是第i组数据所在稳定阶段刀盘扭矩均值，T i ’ 是预测结果，S T 越接近于样本数k，则S T 的准确度越高；(6-3)刀盘转速平均准确度S n 的计算公式如下：其中，k为所取样本的数据组数，n i 是第i组数据所在稳定阶段刀盘转速均值，n i ’ 是预测结果，S n 越接近于样本数k，则S n 的准确度越高；(6-4)推进速度平均准确度S v 的计算公式如下：其中，k为所取样本的数据组数，v i 是第i组数据所在稳定阶段推进速度均值，v i ’ 是预测结果，S v 越接近于样本数k，则S v 的准确度越高。