本發(fā)明涉及tbm，尤其涉及一種tbm掘進速度預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、隧道掘進機（tbm，tunnel?boring?machine）作為一種高效的隧道施工設(shè)備，廣泛應(yīng)用于地鐵、鐵路、公路、水利工程等隧道建設(shè)項目中。tbm能夠在不同的地質(zhì)條件下高效、安全地進行掘進施工，其掘進速度是衡量施工效率和施工進度的關(guān)鍵指標之一。然而，由于tbm?掘進過程中受多種復(fù)雜因素影響，如地質(zhì)條件變化、設(shè)備狀態(tài)波動、操作人員控制策略等，掘進速度往往呈現(xiàn)出非線性、時變性和不確定性。因此，準確預(yù)測tbm掘進速度對于施工進度控制和施工安全保障具有重要意義。

2、但是，現(xiàn)有的tbm掘進速度預(yù)測方法存在以下主要問題：現(xiàn)有的預(yù)測模型大多僅關(guān)注單一特征維度的建模，忽視了時間維度與特征維度的融合，導(dǎo)致模型對多維度特征信息的利用不充分。tbm掘進過程中，速度變化不僅與當前時間點的參數(shù)有關(guān)，還受到歷史時間段內(nèi)參數(shù)變化的影響。現(xiàn)有模型難以有效捕捉這種長時依賴關(guān)系，影響了預(yù)測的準確性。在實際應(yīng)用中，現(xiàn)有的預(yù)測模型往往難以適應(yīng)復(fù)雜多變的地質(zhì)環(huán)境和施工條件，預(yù)測效果具有不穩(wěn)定性，無法滿足工程實際需求。

技術(shù)實現(xiàn)思路

1、鑒于現(xiàn)有技術(shù)的上述缺點、不足，本發(fā)明提供一種tbm掘進速度預(yù)測方法及系統(tǒng)。

2、為了達到上述目的，本發(fā)明采用的主要技術(shù)方案包括：

3、本發(fā)明實施例提供一種tbm掘進速度預(yù)測方法，包括：

4、s1、獲取當前時間點之前第一時間段內(nèi)每秒鐘的tbm參數(shù)數(shù)據(jù)；

5、s2、將當前時間點之前第一時間段內(nèi)的tbm參數(shù)數(shù)據(jù)進行數(shù)據(jù)分割，得到n個參數(shù)數(shù)據(jù)序列集；

6、s3、將n個參數(shù)數(shù)據(jù)序列集依次輸入至訓(xùn)練的iwoa-tsm模型中，得到預(yù)測結(jié)果；所述預(yù)測結(jié)果包括：當前時間點之后第二時間段中每一秒的tbm掘進速度預(yù)測值；

7、其中，預(yù)先采用訓(xùn)練數(shù)據(jù)集訓(xùn)練預(yù)設(shè)的iwoa-tsm模型，獲取訓(xùn)練的iwoa-tsm模型；

8、所述訓(xùn)練數(shù)據(jù)集包括：由歷史時間段的tbm參數(shù)數(shù)據(jù)分割得到的多個參數(shù)數(shù)據(jù)序列集以及由歷史時間段的tbm參數(shù)數(shù)據(jù)分割得到的參數(shù)數(shù)據(jù)序列集分別所對應(yīng)的掘進速度的真實值；

9、所述iwoa-tsm模型依次包括混合跨維度模塊和時間投影模塊；

10、其中，所述混合跨維度模塊，用于對輸入iwoa-tsm模型的參數(shù)數(shù)據(jù)序列集進行處理，獲取融合特征數(shù)據(jù)；融合特征數(shù)據(jù)是由輸入iwoa-tsm模型的參數(shù)數(shù)據(jù)序列集的時間維度特征和特征維度特征融合得到的；

11、所述時間投影模塊，用于根據(jù)所述融合特征數(shù)據(jù)進行預(yù)測，得到預(yù)測結(jié)果。

12、優(yōu)選地，

13、由當前時間點之前第一時間段內(nèi)的tbm參數(shù)數(shù)據(jù)進行按照數(shù)據(jù)分割，得到的n個參數(shù)數(shù)據(jù)序列集中第n個參數(shù)數(shù)據(jù)序列集為xn，第n+i個參數(shù)數(shù)據(jù)序列集為xn+i；

14、其中，xn={x（a）、x（a+1）、...、x（a+l－1）}；

15、其中，x（a）表示第一時間段內(nèi)第a秒的tbm參數(shù)數(shù)據(jù)；

16、x（a+l－1），表示第一時間段內(nèi)第（a+l－1）秒的tbm參數(shù)數(shù)據(jù)；

17、l為參數(shù)數(shù)據(jù)序列集的時間維度；

18、xn+i={x（a+i）、x（a+i+1）、...、x（a+i+l－1）}。

19、優(yōu)選地，

20、第一時間段為從當前時間點到第一時間點之間的時間段；

21、所述第一時間點為在當前時間點之前的30-128秒；

22、每一tbm參數(shù)數(shù)據(jù)包括：d個參數(shù)特征；

23、所述第二時間段為從當前時間點到第二時間點之間的時間段；

24、所述第二時間點在當前時間點之后的128-500秒之間。

25、優(yōu)選地，

26、所述混合跨維度模塊包括：

27、第一批歸一化層，用于對輸入混合跨維度模塊中的參數(shù)數(shù)據(jù)序列集進行批歸一化處理，得到批歸一化處理后的參數(shù)數(shù)據(jù)序列集；

28、第一維度變換單元，用于對批歸一化處理后的參數(shù)數(shù)據(jù)序列集進行第一維度變換，得到第一維度變換后的參數(shù)數(shù)據(jù)序列集；

29、時間矩陣單元，用于使用前饋神經(jīng)網(wǎng)絡(luò)對第一維度變換后的參數(shù)數(shù)據(jù)序列集在時間維度上計算，得到時間矩陣計算結(jié)果；

30、第二維度變換單元，用于對所述時間矩陣計算結(jié)果進行第二維度變換，得到第二維度變換后的數(shù)據(jù)；

31、第二批歸一化層，用于對第一數(shù)據(jù)進行批歸一化處理，得到批歸一化后的第一數(shù)據(jù)；

32、其中，第一數(shù)據(jù)為輸入混合跨維度模塊中的參數(shù)數(shù)據(jù)序列集與第二維度變換后的數(shù)據(jù)之間的殘差；

33、特征維度計算單元，用于采用前饋神經(jīng)網(wǎng)絡(luò)對批歸一化后的第一數(shù)據(jù)在特征維度上進行計算，得到特征維度計算結(jié)果；

34、第三維度變換單元，用于對第二數(shù)據(jù)進行第三維度變換，得到第三維度變換后的數(shù)據(jù)；

35、其中，第二數(shù)據(jù)為第一數(shù)據(jù)與特征維度計算結(jié)果之間的殘差；

36、時間和特征維度矩陣計算單元，用于采用前饋神經(jīng)網(wǎng)絡(luò)對第三維度變換后的數(shù)據(jù)在時間維度和通道維度上計算，得到綜合計算結(jié)果；

37、fea單元，用于對第三數(shù)據(jù)進行處理，得到處理結(jié)果，并根據(jù)所述處理結(jié)果和所述第三數(shù)據(jù)，得到混合跨維度模塊的輸出數(shù)據(jù)；

38、所述第三數(shù)據(jù)為綜合計算結(jié)果與第二維度變換后的數(shù)據(jù)之間的殘差；

39、其中，混合跨維度模塊的輸出數(shù)據(jù)為處理結(jié)果與第三數(shù)據(jù)之間的殘差，并將混合跨維度模塊的輸出數(shù)據(jù)作為融合特征數(shù)據(jù)。

40、優(yōu)選地，

41、批歸一化處理后的參數(shù)數(shù)據(jù)序列集的維度是l×d；

42、d為參數(shù)數(shù)據(jù)序列集中每一tbm參數(shù)數(shù)據(jù)中的特征維度；

43、第一維度變換后的參數(shù)數(shù)據(jù)序列集的維度是d×l；

44、第二維度變換后的數(shù)據(jù)的維度是l×d；

45、第三維度變換后的數(shù)據(jù)為l×d的向量表示。

46、優(yōu)選地，

47、其中，fea單元對第三數(shù)據(jù)進行處理，得到處理結(jié)果，具體包括：

48、fea單元對第三數(shù)據(jù)在特征維度上進行升維映射，得到第一維度數(shù)據(jù)e；第一維度數(shù)據(jù)e的特征維度為s，其中，s≥5d；

49、將所述第一維度數(shù)據(jù)e在時間維度上使用softmax函數(shù)進行歸一化，得到歸一化后的第一維度數(shù)據(jù)e；

50、將歸一化后的第一維度數(shù)據(jù)e沿特征維度進行降維操作，恢復(fù)與第三數(shù)據(jù)相同的特征維度，得到時間維度的輸出數(shù)據(jù)；

51、fea單元對第三數(shù)據(jù)在時間維度上進行轉(zhuǎn)置，并在特征維度上進行升維映射，得到第二維度數(shù)據(jù)b；第二維度數(shù)據(jù)b的特征維度為s；

52、對第二維度數(shù)據(jù)b在特征維度上使用softmax函數(shù)進行歸一化，得到歸一化后的第二維度數(shù)據(jù)b；

53、對歸一化后的第二維度數(shù)據(jù)b沿特征維度進行降維操作，恢復(fù)與第三數(shù)據(jù)相同的特征維度，并將其轉(zhuǎn)回到第三數(shù)據(jù)的時間維度的順序，得到特征維度的輸出數(shù)據(jù)；

54、將所述時間維度的輸出數(shù)據(jù)和所述特征維度的輸出數(shù)據(jù)在最后一維上進行拼接，得到融合數(shù)據(jù)；

55、對所述融合數(shù)據(jù)在特征維度上進行降維操作，使其與所述第三數(shù)據(jù)的特征維度一致，得到處理結(jié)果。

56、優(yōu)選地，

57、訓(xùn)練的iwoa-tsm模型是指在使用訓(xùn)練數(shù)據(jù)對預(yù)設(shè)的iwoa-tsm模型進行訓(xùn)練的過程中，通過改進的鯨魚優(yōu)化算法進行調(diào)優(yōu)后得到的優(yōu)化模型。

58、優(yōu)選地，

59、其中，在所述改進的鯨魚優(yōu)化算法中，將鯨魚個體代表iwoa-tsm模型中的超參數(shù)，并對鯨魚個體的位置進行更新，以確定最優(yōu)的鯨魚個體的位置；

60、所述改進的鯨魚優(yōu)化算法中的控制因子a在區(qū)間[－2，2]內(nèi)隨機波動，r1為在區(qū)間[0，1]范圍內(nèi)均勻分布的隨機數(shù)；

61、其中，在所述改進的鯨魚優(yōu)化算法中，當r1＜0.5且∣a∣≤1時，采用公式（1）對鯨魚個體位置進行更新；

62、公式（1）為：

63、；

64、；

65、表示鯨魚個體當前位置的下一步的位置；

66、表示鯨魚個體當前位置；

67、t表示當前迭代次數(shù)；

68、t為最大迭代次數(shù)；

69、r為[0，1]范圍內(nèi)的隨機數(shù)；

70、e為自然對數(shù)的底數(shù)；

71、其中，為當前最佳鯨魚個體位置；

72、在所述改進的鯨魚優(yōu)化算法中，當r1＜0.5且∣a∣>1時，采用公式（2）對鯨魚個體位置進行更新；

73、公式（2）為：

74、；

75、是隨機選擇的一個鯨魚個體的位置，表示進行全局搜索；

76、在所述改進的鯨魚優(yōu)化算法中，當r1≥0.5時，采用公式（3）對鯨魚個體位置進行更新；

77、公式（3）為：

78、；

79、；

80、；

81、 l為在區(qū)間[0，1]范圍隨機變化的隨機數(shù)；

82、和分別為初始的最大和最小隨機范圍。

83、優(yōu)選地，

84、參數(shù)數(shù)據(jù)序列集中每一tbm參數(shù)數(shù)據(jù)中的特征包括：tbm掘進速度、刀盤功率、刀盤扭矩、推進力、撐靴壓力、撐靴泵壓力、主機皮帶泵壓力。

85、本實施例還提供一種tbm掘進速度預(yù)測系統(tǒng)，包括：

86、至少一個處理器；以及，

87、與所述處理器通信連接的至少一個存儲器，其中，所述存儲器存儲有可被所述處理器執(zhí)行的程序指令，所述處理器調(diào)用所述程序指令能夠執(zhí)行如上述的tbm掘進速度預(yù)測方法。

88、本發(fā)明的有益效果是：本發(fā)明的一種tbm掘進速度預(yù)測方法，由于通過iwoa-tsm模型對tbm掘進速度進行預(yù)測。iwoa是改進的鯨魚優(yōu)化算法，能夠在模型訓(xùn)練過程中自動優(yōu)化參數(shù)，避免了傳統(tǒng)方法中因手動調(diào)參帶來的誤差和不穩(wěn)定性。采用混合跨維度模塊對輸入的數(shù)據(jù)進行深度特征提取，有效捕捉了時間維度和特征維度的變化趨勢，減少了模型的偏差和誤差。時間投影模塊對融合后的特征數(shù)據(jù)進行建模，充分利用了時間序列數(shù)據(jù)中的時序依賴信息，提高了預(yù)測結(jié)果的準確性。

89、另外，混合跨維度模塊中的融合特征數(shù)據(jù)結(jié)合了輸入數(shù)據(jù)的時間維度特征?和特征維度特征，通過殘差結(jié)構(gòu)進行融合，能夠同時提取和利用不同維度的特征信息。這種融合特征數(shù)據(jù)的設(shè)計，使得模型在處理復(fù)雜、非線性變化的tbm參數(shù)時，能夠更全面地捕捉到影響掘進速度的關(guān)鍵因素，增強了模型的魯棒性和穩(wěn)定性。

90、時間投影模塊在融合特征數(shù)據(jù)的基礎(chǔ)上，利用?長時間依賴建模能力，對歷史時間段內(nèi)的數(shù)據(jù)進行深入分析，捕捉到時間序列中的長期趨勢和周期性變化。這種建模能力特別適用于tbm掘進過程中的長時間跨度數(shù)據(jù)，可以在不同地質(zhì)條件和施工環(huán)境下保持較高的預(yù)測精度。

91、iwoa優(yōu)化算法引入了動態(tài)調(diào)整策略，使得在初始階段模型能夠進行廣泛的全局搜索，避免陷入局部最優(yōu)；在后期則更加注重局部搜索，提高了參數(shù)優(yōu)化的精確度。通過iwoa的參數(shù)優(yōu)化，模型能夠在更少的迭代次數(shù)內(nèi)達到收斂，減少了訓(xùn)練時間和計算資源消耗，并且提升了模型在不同數(shù)據(jù)集上的表現(xiàn)穩(wěn)定性。