【技术实现步骤摘要】
本专利技术涉及掘进机智能控制，尤其涉及一种隧道掘进机掘进过程中的岩性实时预测方法。
技术介绍
1、隧道掘进机（tunnel boring machine，tbm）作为一种高效的地下工程机械设备，在现代地下工程建设中占据重要地位，被广泛应用于水利隧道、矿山巷道、地铁工程以及其他大型基础设施项目中。tbm的优势在于其能够在复杂的地质条件下以相对较高的效率进行接近，同时通过自动化控制系统保证施工的安全性。与传统的钻爆法相比，tbm自动化操作显著减少了对人力的依赖，同时也降低了对环境的影响，例如较少的噪音污染和粉尘污染。然而，tbm在地质适应性方面尚存一定的局限性，其性能容易受到不同地质条件的影响，因此tbm的广泛应用具有一定的局限性。
2、在复杂的地质条件下，tbm的性能差异明显，例如在硬岩环境中，tbm滚刀的磨损率会显著增加，而在软岩中则面临掘进阻力增大的问题。因此，岩性成为影响tbm施工效率、刀盘磨损以及施工安全的关键因素。传统的岩性预测方法依赖地质调查、超前钻以及地球物探等方法，无法实现实时预测岩性，且上述方法需要耗费大量的人力物力。为提升tbm在不同地质条件下的适应性，实时岩性预测成为一项重要的技术手段。
技术实现思路
1、（一）要解决的技术问题
2、鉴于现有技术的上述缺点、不足，本专利技术提供一种隧道掘进机掘进过程中的岩性实时预测方法，其解决了传统的岩性预测方法依赖地质调查、超前钻以及地球物探等方法，无法实现实时预测岩性，且上述方法需要耗费大量的人力物力
3、（二）技术方案
4、为了达到上述目的，本专利技术采用的主要技术方案包括：
5、第一方面，本专利技术实施例提供一种隧道掘进机掘进过程中的岩性实时预测方法，包括：
6、s11、实时检测隧道掘进机掘进过程中每一掘进循环对应的有效数据；
7、s12、将获得的有效数据输入预先训练的岩性预测模型中，获取岩性预测模型输出的岩性预测结果；
8、期间，根据每一掘进循环对应的有效数据获得该有效数据对应的特征参数；
9、根据获得的有效数据对应的特征参数，以及预先设置的特征块大小，将有效数据对应的特征参数划分为至少一个特征块，并获取每一特征块对应的时域信号和频域信号；
10、分别将每一特征块对应的频域信号和时域信号输入预先设置的lstm网络，获得该特征块对应的频域特征和时域特征；
11、根据每一特征块对应的频域特征和时域特征，以及预先设置的混合注意力机制，获得每一特征块对应的时域注意力矩阵和频域注意力矩阵；
12、基于每一特征块对应的时域注意力矩阵、频域注意力矩阵、频域特征和时域特征，获得该有效数据对应的岩性预测结果；
13、s13、根据该有效数据对应的岩性预测结果，用于判断下一掘进循环隧道掘进机的工作状态。
14、可选地，每一掘进循环均包括：上升段和稳定段；
15、每一掘进循环对应的有效数据包括：该掘进循环对应的上升段中第一预设时段内每一单位时间的状态参数和稳定段中第二预设时段内每一单位时间的状态参数；
16、则所述s11包括：
17、实时检测隧道掘进机掘进过程中每一掘进循环内每一单位时间对应的状态参数，并对每一掘进循环内所有的状态参数进行筛选，获得每一掘进循环对应的有效数据；
18、每一状态参数均包括：刀盘转速、掘进速度、总推进力、刀盘扭矩、护盾压力、撑靴压力、撑靴泵压力、主机皮带机泵压力和主机皮带机转速。
19、可选地，所述特征参数包括批次大小、序列长度和特征维度；
20、则所述s12，根据获得的有效数据对应的特征参数，以及预先设置的特征块大小，将有效数据划分为至少一个特征块，并获取每一特征块对应的时域信号和频域信号，包括：
21、根据获得的有效数据对应的序列长度和特征维度，以及预先设置的特征块大小和预先设置的公式一，将有效数据划分为至少一个特征块，每一特征块均具有其对应的序列长度和特征维度；所述公式一为：
22、；
23、其中，p为有效数据对应的特征块的数量，t为有效数据对应的序列长度，l为预先设置的特征块大小；
24、根据每一特征块对应的序列长度和特征维度，以及预先设置的公式二，将每一特征块进行重塑，获得每一特征块对应的时域信号；所述公式二为：
25、xtime=x[:,:p×l,:].view(b,p,l,d)；
26、其中，xtime为特征块对应的时域信号，b为有效数据对应的批次大小，d为特征块对应的特征维度，view为重塑函数，x[:,:p×l,:]为对有效数据进行切片操作；
27、根据获得每一特征块对应的时域信号，以及预先设置的公式三，获得每一特征块对应的频域信号；所述公式三为：
28、xfreq=re(fft(xtime,dim=2))；
29、其中，xfreq为特征块对应的频域信号，re表示取复数的实数部分，fft为快速傅里叶变换，dim=2表示在第二维度进行操作，xtime为特征块对应的时域信号。
30、可选地，所述lstm网络包括时域lstm网络和频域lstm网络；
31、则，所述s12，分别将每一特征块对应的频域信号和时域信号输入预先设置的lstm网络，获得该特征块对应的频域特征和时域特征，包括：
32、将特征块对应的频域信号输入预先设置的频域lstm网络，以捕获该特征块对应的频域特征；其中，频域lstm网络的处理过程为以下公式：
33、lfreq,(hfreq,cfreq)=lstmfreq(xfreq)；
34、其中，lfreq为特征块对应的频域特征，lstmfreq为频域lstm网络，xfreq为特征块对应的频域信号，hfreq为频域lstm网络中的短期记忆参数，cfreq为频域lstm网络中的长期记忆参数；
35、将特征块对应的时域信号输入预先设置的时域lstm网络，以捕获该特征块对应的时域特征；其中，时域lstm网络的处理过程为以下公式：
36、ltime,(htime,ctime)=lstmtime(xtime)；
37、其中，ltime为特征块对应的时域特征，lstmtime为时域lstm网络，xtime为特征块对应的时域信号，htime为时域lstm网络中的短期记忆参数，ctime为时域lstm网络中的长期记忆参数。
38、可选地，所述混合注意力机制包括多头注意力机制和多头卷积投影注意力机制；
39、则，所述s12，根据每一特征块对应的频域特征和时域特征，以及预先设置的混合注意力机制，获得每一特征块对应的时域注意力矩阵和频域注意力矩阵，包括：
40、基于所有特征块对应的时域特征和频域特征，将每一特征块对应的时域特征和频域特征分别进行归一化处理；
41、本文档来自技高网...
【技术保护点】
1.一种隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，包括：
2.根据权利要求1所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，每一掘进循环均包括：上升段和稳定段；
3.根据权利要求1所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，所述特征参数包括批次大小、序列长度和特征维度；
4.根据权利要求1所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，所述LSTM网络包括时域LSTM网络和频域LSTM网络；
5.根据权利要求1所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，所述混合注意力机制包括多头注意力机制和多头卷积投影注意力机制；
6.根据权利要求1所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，所述S12，基于每一特征块对应的时域注意力矩阵、频域注意力矩阵、频域特征和时域特征，获得该有效数据对应的岩性预测结果，包括：
7.根据权利要求6所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，所述S12，根据每一特征块对应的时域注意力矩阵、频域注意力矩阵、
8.根据权利要求6所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，所述S12，根据每一特征块对应的融合特征和预先设置的加权注意力机制，获得所有特征块的全局信息，包括：
9.根据权利要求6所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，所述S12，根据有效数据对应的全局上下文向量，获得该有效数据对应的岩性预测结果，包括：
10.根据权利要求1所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，所述S11之前还包括：
...【技术特征摘要】
1.一种隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，包括：
2.根据权利要求1所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，每一掘进循环均包括：上升段和稳定段；
3.根据权利要求1所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，所述特征参数包括批次大小、序列长度和特征维度；
4.根据权利要求1所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，所述lstm网络包括时域lstm网络和频域lstm网络；
5.根据权利要求1所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，所述混合注意力机制包括多头注意力机制和多头卷积投影注意力机制；
6.根据权利要求1所述的隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，所述s12，基于每一特征块对应的时域注意力矩阵、频...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。