一种隧道掘进机掘进过程中的岩性实时预测方法

本发明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。

背景技术：

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，本发明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的技术问题。

3、（二）技术方案

4、为了达到上述目的，本发明采用的主要技术方案包括：

5、第一方面，本发明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、根据每一特征块对应的时域特征、预先设置的混合注意力机制和预先设置的公式四，获得该特征块对应的时域注意力矩阵；

42、所述公式四为：

43、otime=α1·attentiontime(qr,kr,vr)+β1·attentiontime(qc,kc,vc)；

44、其中，otime为特征块的时域特征对应的时域注意力矩阵，attentiontime(qr,kr,vr)为特征块的时域特征对应的多头卷积投影注意力机制输出矩阵；attentiontime(qc,kc,vc)为特征块时域特征对应的多头注意力机制输出矩阵，α1为预先设置的时域特征的多头卷积投影注意力权重，β1为预先设置的时域特征的多头注意力权重；

45、同时，根据每一特征块对应的频域特征、预先设置的混合注意力机制和预先设置的公式五，获得该特征块对应的频域注意力矩阵；

46、所述公式五为：

47、ofreq=α2·attentionfreq(qr,kr,vr)+β2·attentionfreq(qc,kc,vc)；

48、其中，ofreq为特征块的频域特征对应的频域注意力矩阵，attentionfreq(qr,kr,vr)为特征块的频域特征对应的多头卷积投影注意力机制输出矩阵；attentionfreq(qc,kc,vc)为特征块频域特征对应的多头注意力机制输出矩阵，α2为预先设置的频域特征的多头卷积投影注意力权重，β2为预先设置的频域特征的多头注意力权重。

49、可选地，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：

50、根据每一特征块对应的时域注意力矩阵、频域注意力矩阵、时域特征和频域特征，获得每一特征块对应的融合特征；

51、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，即有效数据对应的全局上下文向量；

52、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。

53、可选地，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、时域特征和频域特征，获得每一特征块对应的融合特征，包括：

54、将每一特征块对应的时域注意力矩阵和频域注意力矩阵分别输入预先设置的第一全连接层，基于预先设置的公式六进行特征变换；

55、；

56、其中，atime为特征块对应的时域注意力矩阵的变换结果，wtime为预先设置的时域权重矩阵，otime为特征块的时域特征对应的时域注意力矩阵；afreq为特征块对应的频域注意力矩阵的变换结果，wfreq为预先设置的时域权重矩阵，ofreq为特征块的频域特征对应的频域注意力矩阵；

57、随后，基于预先设置的公式七，将每一特征块对应的时域注意力矩阵的变换结果与该特征块对应的时域特征进行残差连接，将每一特征块对应的频域注意力矩阵的变换结果与该特征块对应的频域特征进行残差连接；所述公式七为：

58、；

59、其中，rtime为特征块在时域上的残差连接结果，ltime为特征块对应的时域特征，rfreq为特征块在频域上的残差连接结果，lfreq为特征块对应的时域特征；

60、最后，基于预先设置的公式八，将每一特征块在频域上的残差连接结果和在时域上的残差连接结果进行特征拼接，获得每一特征块对应的融合特征；所述公式八为：

61、c=concat(rtime,rfreq,dim=2)；

62、其中c为特征块对应的融合特征，concat为拼接操作，dim=2为在第二特征维度操作。

63、可选地，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：

64、根据每一特征块对应的融合特征和预先设置的注意力得分权重矩阵，以及预先设置的公式九，获得每一特征块对应的注意力分数矩阵；所述公式九为：

65、s=cwscore；

66、其中，s为特征块对应的注意力分数矩阵，c为特征块对应的融合特征，wscore为预先设置的注意力得分权重矩阵；

67、随后，通过预先设置的softmax函数对每一特征块对应的注意力分数矩阵进行归一化处理，生成每一特征块对应的注意力权重；

68、最后，根据每一特征块对应的注意力权重和融合特征，以及预先设置的公式十，获得有效数据对应的全局上下文向量；所述公式十为：

69、；

70、其中，a为特征块对应的注意力权重，c为有效数据对应的全局上下文向量，c为特征块对应的融合特征，i为特征块的索引，p为有效数据对应的特征块的数量。

71、可选地，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：

72、将有效数据的所有特征块中最后一个特征块所对应的融合特征与有效数据对应的全局上下文向量进行拼接，获得有效数据对应的连接向量；具体公式如下：

73、p=concat(c,ht)；

74、其中，p为有效数据对应的连接向量，concat为拼接操作，c为有效数据对应的全局上下文向量，ht为最后一个特征块对应的融合特征；

75、随后，将有效数据对应的融合特征输入预先设置的第二全连接层，基于预先设置的公式十一，获得有效数据对应的岩性预测结果；所述公式十一为：

76、；

77、其中，wf和wp均为预先设置的第二全连接层权重，v为通过非线性变换生成的中间特征，p为有效数据对应的连接向量，o为有效数据对应的岩性预测结果。

78、可选地，所述s11之前还包括：

79、s10、基于预先设置的模型训练集，对岩性预测模型进行训练，获得训练完成的岩性预测模型；

80、期间，基于改进ewoa-gwo-mrfo和预先设置的模型训练策略实时优化岩性预测模型的超参数；

81、所述模型训练策略包括：

82、当处于探索阶段时，基于预先设置的公式十二，寻找最优超参数；所述公式十二为：

83、；

84、其中，xt+1和xt分别为表示第t+1次迭代和第t次迭代时灰狼个体的位置，xα为适应度最好的个体，a为步长动态调整因子，a为动态控制因子，r1为取值范围为[0,1]的随机数，sin(2πl)为非线性扰动项，x-☆为当前种群的全局最优解；

85、当处于围绕捕食阶段时，基于预先设置的公式十三，寻找最优超参数；所述公式十三为：

86、xt+1=xβ-a·|2·r2·xβ-xt|；

87、其中，xβ为适应度第二好的个体，r2为取值范围为[0,1]的随机数；

88、当处于螺旋捕食阶段时，基于预先设置的公式十四，寻找最优超参数；所述公式十四为：

89、xt+1=|x☆-xt|·eb·lcos(2πl)+η·(xrand-xt)+γ·(xa-xt)；

90、其中，l为取值范围为[0,1]的随机因子，η和γ分别为跳跃和协作的动态控制因子，b为常数，xrand为种群中任一个体。

91、（三）有益效果

92、本发明的有益效果是：本发明的一种隧道掘进机掘进过程中的岩性实时预测方法，采用岩性预测模型在tbm工作过程中实时预测当前岩性的同时，将数据分解成小片段进行分析，相对于现有技术而言，其可以在tbm施工过程中实现实时岩性预测的同时，更细致地分析地质数据中的局部特征，从而提高对岩性变化的敏感性。