基于深度神经网络与关联分析结合的盾构轴线纠偏方法与流程

本发明属于盾构隧道施工技术领域，涉及一种盾构轴线纠偏方法，具体涉及一种基于深度神经网络与关联分析结合的盾构轴线纠偏方法。

背景技术：

随着社会经济的发展，地铁、公路及铁路隧道建造需求越来越高，由于拥有安全性、高效性及环保等特点，盾构法成为了隧道的主流施工方法。

在盾构施工过程中，由于地质施工环境的复杂、线路线形变化等因素，盾构机轴线很容易发生偏离。当偏差超过允许范围时，必须及时将轴线纠正回原隧道设计轴线方向。在传统的盾构周线纠偏方法中，主要依赖操作人员施工经验手工调整盾构机参数，掘进轨迹精度主要依赖人员熟练性，纠偏依赖人工经验。

目前盾构纠偏方法的主要思想是通过建立反向圆几何模型设计纠偏曲线，然后通过几何模型计算出纠偏半径和纠偏坐标等参数，以此提供给施工人员以供纠偏。这种方法仅仅计算出纠偏半径和纠偏坐标，在盾构机参数设置过程中依然较为依赖人工经验，导致纠偏纠偏精度不能得到保证，纠偏效率低，为了避免纠偏过分依赖人工纠偏经验的缺陷，现有技术提出了一种通过盾构历史数据训练xgboost回归模型，再通过统计划分区间最终给出盾构掘进参考数据，以此实现纠偏的方法，例如申请公布号为cn108868805a，名称为“基于统计分析与xgboost结合的盾构纠偏方法”的专利申请，公开了一种基于统计分析方法与机器学习算法结合的纠偏方法。该方法为训练基于xgboost的盾构姿态参数回归模型，获取多组掘进样本数据；对盾构机姿态进行纠偏。通过统计分析，将姿态参数值划分为多个区间，并且对每个区间掘进数据通过xgboost所建立的回归模型进行计算，得到每组包含多条盾构数据的多组数据，使得每个区间给出一组盾构参考数据，给多环纠偏时参数设置提供依据。该方法成功的解决了盾构纠偏时，盾构机参数设置依赖人工经验的问题，为盾构机参数设置提供了数值参考。对提高盾构掘进纠偏的准确度起到一定作用。但该方法存在以下不足：1.该方法是在传统的机器学习算法xgboost基础上训练的模型，传统的机器学习模型更适合数据纬度较少，数据量较小的场景，不适用于海量数据的工业施工领域，在工业施工过程中随着数据量的提升模型精度不能得到保证，从而导致纠偏精度较低。2.该方法训练数据采用的是盾构历史数据，盾构历史数据中包含了偏离数据和纠偏数据，该方法并没有在盾构数据中将历史纠偏数据划分出来进行模型训练，因此纠偏掘进参数推荐数值的准确度较低，间接导致纠偏精度较低。

技术实现要素：

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于深度神经网络与关联分析结合的盾构轴线纠偏方法，用于解决现有技术中存在的纠偏精度较低的技术问题。

本发明的技术思路是：首先构建盾构参数数据包，然后计算出历史纠偏数据，通过深度神经网络dnn训练出轴线偏差回归模型，再将数据离散化之后通过关联分析挖掘出偏差与掘进参数之间的关联规律，再对区间进行遍历，找出误差error最小的一组掘进参数数值作为最终的推荐参数，具体实现方法包括如下步骤：

(1)构建盾构参数数据包：

(1a)剔除盾构机所采集的历史盾构数据中停止掘进状态下的数据，得到历史掘进数据，并通过历史掘进数据的中位数对该历史掘进数据中的缺失值进行填充，得到完整历史掘进数据，然后通过完整历史掘进数据的中位数对该完整历史掘进数据中的异常值进行替换，得到新的历史掘进数据；

(1b)采用相关性分析方法去除新的历史掘进数据中的冗余特征，并对去除冗余特征后的新的历史掘进数据进行特征提取，得到包括盾构轴线偏差数据特征和对轴线偏差影响起关键作用的盾构掘进数据特征的盾构参数数据包，其中，盾构轴线偏差数据特征包括切口水平偏差、切口垂直偏差、盾尾水平偏差和盾尾垂直偏差，盾构掘进数据特征包括掘进速度、环号、切口里程、千斤顶上下左右四个方向的推力和行程，以及刀盘转速和扭矩；

(2)计算每类盾构轴线偏差的历史纠偏数据：

(2a)设盾构机回归至设计轴线的范围为[-1.0,1.0],遍历盾构参数数据包中切口水平偏差、切口垂直偏差、盾尾水平偏差和盾尾垂直偏差四类盾构轴线偏差数据每类中的每一个数据，并将数值在[-1.0,1.0]范围内的数据视为回归点，将每一类盾构轴线偏差数据中相邻两个回归点之间的数据段表示为λ；

(2b)将每一类盾构轴线偏差数据中每个数据段λ中的最大值作为该数据段λ的盾构最大偏差点位，并定义每个数据段λ中收敛的部分为回归段；

(2c)以盾构最大偏差点位为界限，分割出每个数据段λ的回归段数据，并将每一类盾构轴线偏差数据中的每个回归段数据进行拼接，得到切口水平偏差的历史纠偏数据、切口垂直偏差的历史纠偏数据、盾尾水平偏差的历史纠偏数据和盾尾垂直偏差的历史纠偏数据；

(3)构建基于深度神经网络dnn的轴线偏差参数回归模型：

(3a)构建包含级联的输入层、两个隐藏层和输出层的深度神经网络dnn模型；

(3b)对每类盾构轴线偏差的历史纠偏数据中的盾构掘进数据和轴线偏差数据进行归一化，并将归一化后的每类盾构轴线偏差的历史纠偏数据中80％的盾构掘进数据作为训练集输入数据，80％的盾构掘进数据所对应的轴线偏差数据作为训练集标签数据，其余的历史纠偏数据中的盾构掘进数据和轴线偏差数据作为测试集数据；

(3c)通过训练集输入数据与训练集标签数据对深度神经网络dnn模型进行训练，得到基于深度神经网络dnn的轴线偏差参数回归模型；

(4)获取每类盾构轴线偏差的历史纠偏数据区间：

(4a)通过计算每类盾构轴线偏差的历史纠偏数据中每环的纠偏量，得到每类盾构轴线偏差的每环纠偏量；

(4b)通过对每类盾构轴线偏差的每环纠偏量统计分析，剔除[-(μ+2σ),(μ+2σ)]范围之外的数据，得到每类盾构轴线偏差包括纠偏掘进数据和每环纠偏量的新的历史纠偏数据，μ为每类盾构轴线偏差的每环纠偏量的均值，σ为每类盾构轴线偏差的每环纠偏量的标准差；

(4c)通过等宽法，并以s为步长，对每类盾构轴线偏差的新的历史纠偏数据进行等宽离散化，得到四类包括纠偏掘进数据区间和每环纠偏量区间的历史纠偏数据区间，0＜s；

(5)获取每类盾构轴线偏差的每环纠偏量区间关联的纠偏掘进数据区间：

(5a)采用apriori算法，以每类盾构轴线偏差的每环纠偏量区间为标签数据，挖掘每类盾构轴线偏差的每环纠偏量区间与每类盾构轴线偏差的历史掘进数据区间的关联规则；

(5b)将置信度大于等于0.5的关联规则中每类盾构轴线偏差的每环纠偏量区间相同的关联规则取并集，得到与每类盾构轴线偏差的每环纠偏量区间关联的纠偏掘进数据区间；

(6)获取盾构机各环所需的纠偏量δd1′,δd2′,...,δdi′,...,δdn′：

(6a)采用反向圆几何计算方法，通过管片长度g、管片楔形量d、当前偏差量δh以及实际纠偏里程l，计算反向圆半径r及两个圆心坐标(l,r)和(x1,y1)，并通过r、(l,r)和(x1,y1)建立纠偏曲线方程：

其中，

(6b)在反向圆所在平面直角坐标系中通过纠偏曲线方程绘制纠偏曲线，并以管片长度g为单位对x轴进行n次等宽划分，得到n个点x1,x2,...,xi,...,xn，且n为整数，xi为第i点，1≤i≤n且i为整数；

(6c)将xi的坐标值带入纠偏曲线方程，计算xi在纠偏曲线上对应的纵坐标yi，并通过yi计算盾构机第i环所需的纠偏量δdi′，得到n个纠偏量：δd1′＝y1-y0,δd2′＝y2-y1,...,δdi′＝yi-yi-1,...,δdn′＝yn-yn-1；

(7)获取每环的纠偏掘进参数推荐数值：

(7a)在所获取的与包含第i环所需纠偏量δdi′的纠偏量区间关联的纠偏掘进数据区间中以长度为步长均等获取数值，得到n×m个纠偏掘进数据：ai为与包含第i环所需纠偏量δdi′的纠偏量区间关联的纠偏掘进数据区间左端点，m≥10且为整数，0≤j≤m-1且j为整数，为第i环第j个纠偏掘进数据；

(7b)将第j个纠偏掘进数据带入基于深度神经网络dnn的轴线偏差参数回归模型，计算第i环第j个纠偏掘进数据的模拟偏差dij′，得到n×m个模拟偏差：

(7c)获取第i环纠偏量δdi′与第i环第j个纠偏掘进数据的模拟偏差d′ij的绝对误差errorij，errorij＝||δdi′|-|d′ij||，得到n×m个绝对误差：

(7d)取第i环m个errorij中最小误差errormin对应的一组纠偏掘进数据作为最终第i环的纠偏掘进参数推荐数值，得到n个环对应的n组纠偏掘进参数推荐数值，依照每环的纠偏掘进参数推荐数值来设置盾构机，以实现盾构掘进过程中的轴线纠偏。

本发明与现有技术相比，具有如下优点：

1.本发明采用深度神经网络来训练轴线偏差回归模型，再通过基于深度神经网络的轴线偏差回归模型来计算关联分析所得到的区间中数值的模拟偏差值，深度神经网络随着数据量的增大，数据纬度的增高模型性能会充分得到发挥，模型的精度高，与现有技术相比，有效提高了纠偏精度；

2.本发明在盾构掘进数据中将历史纠偏数据划分出来，以供模型训练，提高了纠偏掘进参数推荐数值的准确度，进一步提高了纠偏精度。

附图说明

图1是本发明的实现流程图；

图2是本发明的反向圆几何关系图；

图3是本发明的按环划分的纠偏曲线图；

图4是本发明实施过程的切口水平偏差影响因素分析图；

图5是本发明实施过程的切口垂直偏差影响因素分析图；

图6是本发明实施过程的偏离、回归数据段可视化图；

图7是本发明实施过程的部分回归段数据可视化图；

图8是本发明实施过程基于深度神经网络dnn的轴线偏差参数回归模型模拟偏差值ypred与切口水平盾构轴线偏差的真实偏差数据yi对比图。

具体实施方式

以下结合附图和具体实施例，对本发明作进一步详细说明。

参照图1，本发明的实现步骤如下：

步骤1)构建盾构参数数据包：

(1a)剔除盾构机所采集的历史盾构数据中停止掘进状态下的数据，得到历史掘进数据，并通过历史掘进数据的中位数对该历史掘进数据中的缺失值进行填充，得到完整历史掘进数据，然后通过完整历史掘进数据的中位数对该完整历史掘进数据中的异常值进行替换，得到新的历史掘进数据；

在历史盾构数据中，因为本发明旨在挖掘历史掘进纠偏过程中参数设置与偏差变化之间的规律，故只取掘进状态下的盾构数据，将停止掘进处于管片拼装时的数据全部提出。这样做更有利于挖掘出准确的规律，并且有效减少了计算量提高了计算速度。

(1b)计算历史掘进数据的中位数，用所计算的中位数对历史掘进数据中的缺失值进行填充，得到完整历史掘进数据。通过完整历史掘进数据的中位数对完整历史掘进数据中的异常值进行替换，得到新的历史掘进数据；

本发明在实现过程中采用python编程语言进行数据分析，numpy库中函数np.median()可求出一组数据中位数。pandas是python的数据分析模块，使用pandas的函数fillna()，利用中位数对缺失值进行处理。

利用“3σ”法则识别异常值。“3σ”即大于u+3σ或小于-(u+3σ)，则为异常值。利用中位数对其替换，μ为每类盾构轴线偏差的每环纠偏量的均值，σ为每类盾构轴线偏差的每环纠偏量的标准差

(1c)对新的历史掘进数据进行相关性分析，去除数据中的冗余特征。

冗余特征的存在会使训练模型所需要的时间就会越长，冗余特征会使得并没有增加输入信息的前提下增加模型判别的置信度。

(1d)对去除冗余特征的历史掘进数据进行特征提取，得到包含对轴线偏差影响起关键作用的盾构掘进数据特征和盾构轴线偏差数据的盾构参数数据包。

在删除强相关性特征之后，进行特征选择。本发明采用随机森林算法id3(信息增益)进行特征选择，其主要思想是：对每一维的特征“打分”，即给每一维的特征赋予权重，这样的权重就代表着该维特征的重要性，然后依据权重排序。最终将算法结果与现有知识经验中对偏差参数有影响的特征集互补得到最终结果。

步骤2)计算每类盾构轴线偏差的历史纠偏数据：

(2a)设盾构机回归至设计轴线的范围为[-1.0,1.0],遍历盾构参数数据包中切口水平偏差、切口垂直偏差、盾尾水平偏差和盾尾垂直偏差四类盾构轴线偏差数据每类中的每一个数据，并将数值在[-1.0,1.0]范围内的数据视为回归点，将每一类盾构轴线偏差数据中相邻两个回归点之间的数据段表示为λ；

(2b)将每一类盾构轴线偏差数据中每个数据段λ中的最大值作为该数据段λ的盾构最大偏差点位，并定义每个数据段λ中收敛的部分为回归段；

(2b1)求取每个数据段λ的极值点，该极值点即为本纠偏段盾构最大纠偏点位；

(2b2)以盾构最大纠偏点位为界限将数据段λ分为两段；

(2b3)判断两段数据的收敛性，呈收敛的数据段即为纠偏段数据；

(2b4)将每类盾构轴线偏差的所有数据段λ的纠偏段数据拼接在一起，得到每类盾构轴线偏差的历史纠偏数据。

(2c)以盾构最大偏差点位为界限，分割出每个数据段λ的回归段数据，并将每一类盾构轴线偏差数据中的每个回归段数据进行拼接，得到切口水平偏差的历史纠偏数据、切口垂直偏差的历史纠偏数据、盾尾水平偏差的历史纠偏数据和盾尾垂直偏差的历史纠偏数据；

步骤3)构建基于深度神经网络dnn的轴线偏差参数回归模型：

(3a)构建包含级联的输入层、两个隐藏层和输出层的深度神经网络dnn模型；

(3b)对每类盾构轴线偏差的历史纠偏数据中的盾构掘进数据和轴线偏差数据进行归一化，并将归一化后的每类盾构轴线偏差的历史纠偏数据中80％的盾构掘进数据作为训练集输入数据，80％的盾构掘进数据所对应的轴线偏差数据作为训练集标签数据，其余的历史纠偏数据中的盾构掘进数据和轴线偏差数据作为测试集数据；

(3b1)构建包含级联的输入层、两个隐藏层和输出层的深度神经网络dnn模型，将训练集输入数据与训练集标签数据带入深度神经网络dnn进行训练，得到初步的基于深度神经网络dnn的轴线偏差参数回归模型；

(3b2)将测试集输入数据导入初步训练的基于深度神经网络dnn的轴线偏差参数回归模型，计算得到模拟轴线偏差数据，将模拟偏差数据与测试集中真实的偏差数据进行对比，计算模型的均方根误差，计算方法为：yi为每类盾构轴线偏差的真实偏差数据，ypred为模型计算的模拟偏差值；

(3b3)盾构施工轴线偏差最大临界偏差为50mm，最大允许偏差的10％为5mm，如果均方根误差rmse大于5，则调整模型学习率及训练迭代次数，重新训练模型，直到rmse小于5时，基于深度神经网络dnn的轴线偏差参数回归模型训练成功。

归一化的方法有z-score标准化和min-max标准化，两者皆可对数据进行归一化处理，本发明在实现的过程中采用了后者。

(3c)通过训练集输入数据与训练集标签数据对深度神经网络dnn模型进行训练，得到基于深度神经网络dnn的轴线偏差参数回归模型；

步骤4)获取每类盾构轴线偏差的历史纠偏数据区间：：

(4a)通过计算每类盾构轴线偏差的历史纠偏数据中每环的纠偏量，得到每类盾构轴线偏差的每环纠偏量；

每个纠偏段有许多环组成，通过行索引index以环为单位，索引出环号相同的所有数据，首环第一条数据的偏差量与末环最后一条数据的偏差量相减即为单环纠偏量，对每个回归段的每个环节分别执行此操作，计算出所有的额单环纠偏量。

(4b)通过对每类盾构轴线偏差的每环纠偏量统计分析，剔除[-(μ+2σ),(μ+2σ)]范围之外的数据，得到每类盾构轴线偏差包括纠偏掘进数据和每环纠偏量的新的历史纠偏数据，μ为每类盾构轴线偏差的每环纠偏量的均值，σ为每类盾构轴线偏差的每环纠偏量的标准差；

由于在施工过程中，存在偶然情况，使得某一环的纠偏量很大或很小，进而不再具有参考性，因此，本发明在这里对单环纠偏量进行正态分布分析，[-(μ+2σ),(μ+2σ)]区间之外的数据本发明视为不再觉有参考性历史数据，不再对其进行分析，因此将其剔除。

(4c)通过等宽法，并以s为步长，对每类盾构轴线偏差的新的历史纠偏数据进行等宽离散化，得到四类包括纠偏掘进数据区间和每环纠偏量区间的历史纠偏数据区间，0＜s；

由于要进行关联分析，挖掘偏差量与掘进参数值的潜在关联规律，因此必须将数据离散化。为了后期使用过程中方便参考，本发明采用了等宽离散化的方法。以固定步长，划分区间，每种区间采用特定标签，将落在此区间的数值以此类标签进行替换，最终得到离散化历史纠偏数据。

步骤5)获取每类盾构轴线偏差的每环纠偏量区间关联的纠偏掘进数据区间：

(5a)采用apriori算法，以每类盾构轴线偏差的每环纠偏量区间为标签数据，挖掘每类盾构轴线偏差的每环纠偏量区间与每类盾构轴线偏差的历史掘进数据区间的关联规则；

(5b)将置信度大于等于0.5的关联规则中每类盾构轴线偏差的每环纠偏量区间相同的关联规则取并集，得到与每类盾构轴线偏差的每环纠偏量区间关联的纠偏掘进数据区间；

采用apriori算法，以单环纠偏量为目标问题，挖掘单环纠偏量与盾构掘进参数的关联规则，过滤掉置信度不符合要求的规则，将单环纠偏量相同区间下的多条规则取并集，得到与单环纠偏量的每个区间对应的盾构掘进参数的关联区间。

关联规则apriori算法：

关联分析常用于发现隐藏在数据集中的有意义的联系，所发现的联系可以用关联规则或频繁项集的形式表示。

置信度：置信度即可信度，表示某一条规则的可靠程度。

支持度：

最小支持度是预先设定的一个阈值，表示项集在统计意义上的重要性，某一个项集的支持度大于设定的最小支持度，则称此项集为频繁项集。

步骤6)获取盾构机各环所需的纠偏量δd1′,δd2′,...,δdi′,...,δdn′：

(6a)采用反向圆几何计算方法，通过管片长度g、管片楔形量d、当前偏差量δh以及实际纠偏里程l，图2反向圆几何关系图中q为两个反向圆的切点，圆1为d1q，圆心为o1(x1,y1)，半径o1q长度为r。圆2为qd2，圆心为点o2(l,r)，半径为r，od2长度为l，计算反向圆半径r及两个圆心坐标o2(l,r)和o1(x1,y1)，并通过r、o2(l,r)和o1(x1,y1)建立纠偏曲线方程：

其中，

(6a1)获得纠偏半径：

通过公式可以求得纠偏半径r，其中g为管片长度，d为管片楔形量。

(6a2)获取圆2方：

图2反向圆几何关系图中q为两个反向圆的切点，圆1为d1q，圆心为o1(x1,y1)，半径o1q长度为r。圆2为qd2，圆心为点o2(l,r)，半径为r，od2长度为l，由此可得圆2方程为：(x-l)²+(y-r)²＝r²；

(6a3)获得两反向圆切点q坐标；

已知d1坐标为d1(0,δh)，∠o1o2d2＝β，由r(1-cosβ)＝δh可求得角β，由角β可以求得qg的长度为lqg，o2g的长度为进而求得q坐标为解得lqg为为解得为r-δh；

(6a4)获得圆1方程：

由坐标d1(0,δh)、坐标及半径r可得：圆1方程为：

(x-x1)²+(y-y1)²＝r²

(6a5)获得纠偏曲线方程：

由以上两圆方程及q坐标即可得到纠偏曲线方程为：

(6b)在反向圆所在平面直角坐标系中通过纠偏曲线方程绘制纠偏曲线，并以管片长度g为单位对x轴进行n次等宽划分，划分结果如图3所示，得到n个点x1,x2,...,xi,...,xn，且n为整数，xi为第i点，1≤i≤n且i为整数；

(6c)将xi的坐标值带入纠偏曲线方程，计算xi在纠偏曲线上对应的纵坐标yi，并通过yi计算盾构机第i环所需的纠偏量δdi′，得到n个纠偏量：δd1′＝y1-y0,δd2′＝y2-y1,...,δdi′＝yi-yi-1,...,δdn′＝yn-yn-1；

步骤7)获取每环的纠偏掘进参数推荐数值：

(7a)在所获取的与包含第i环所需纠偏量δdi′的纠偏量区间关联的纠偏掘进数据区间中以长度为步长均等获取数值，得到n×m个纠偏掘进数据：ai为与包含第i环所需纠偏量δdi′的纠偏量区间关联的纠偏掘进数据区间左端点，m≥10且为整数，0≤j≤m-1且j为整数，为第i环第j个纠偏掘进数据；

(7b)将第j个纠偏掘进数据带入基于深度神经网络dnn的轴线偏差参数回归模型，计算第i环第j个纠偏掘进数据的模拟偏差d′ij，得到n×m个模拟偏差：

(7c)获取第i环纠偏量δdi′与第i环第j个纠偏掘进数据的模拟偏差d′ij的绝对误差errorij，errorij＝||δdi′|-|d′ij||，得到n×m个绝对误差：

(7d)取第i环m个errorij中最小误差errormin对应的一组纠偏掘进数据作为最终第i环的纠偏掘进参数推荐数值，得到n个环对应的n组纠偏掘进参数推荐数值，依照每环的纠偏掘进参数推荐数值来设置盾构机，以实现盾构掘进过程中的轴线纠偏。

以下通过实际检测方法，对本发明的技术效果作进一步说明：

1)本实例在windows7(64bit)系统下,anaconda3(64bit)的spyder(3.3.1)编译环境中完成建模实践，python版本为3.5.1，numpy版本为1.13.1，pandas版本为0.18.1，tensorflow版本为1.2.1，scikit-learn版本为0.19.2；

2)本数据来源于宁波地铁体育馆至明楼段，数据的主要形式为电子表格。本数据一共21589行，表中每行代表对应的一环在一段时间内对应的一组数据，每一列是盾构施工对应的数据属性，这些字段总有76个，大致可分为5类，分别有盾构姿态参数、注浆参数、盾尾间隙参数、盾构掘进参数、盾构状态参数。本课题所需要的字段本数据中均有存在；

3)数据预处理中，采用盾构数据的中位数对缺失值进行填充，采用“3σ”法则进行异常值识别，并采用中位数对异常值进行替换，在归一化之后得到标准化的宁波地铁盾构数据；

4)采用随机森林的特征提取方法对数据进行降维，部分结果展示如下图所示：

a)切口水平偏差影响因素分析结果如图4所示。

切口水平偏差影响因素分析结果：前后端x,y,z坐标，俯仰角，刀盘扭矩，切口里程，刀盘转速，千斤顶推力(上下左右)，千斤顶速度，总推力，推进速度，铰接垂直偏差，铰接水平偏差。

b)切口垂直偏差影响因素分析结果如图5所示。

最终，本方案将通过算法所得到影响因素集跟专家经验影响因素取并集，并且将不可手动设置的影响因素删除，所得到的最终结果有：刀盘扭矩(kn.m),总推力(kn),总油压(mpa),螺旋机压力(mpa),切口里程(m),目标里程(m),刀盘转速(rpm),仿行刀行程(mm),千斤顶推力(下)(kn),螺旋机扭矩(kn.m),右上注浆压力(mpa),左下注浆量(m3),推进速度(mm/min),千斤顶行程(上)(mm),千斤顶行程(右)(mm),千斤顶行程(下)(mm),千斤顶行程(左)(mm),千斤顶推力(上)(kn),千斤顶推力(右)(kn),千斤顶推力(左)(kn)。

5)计算历史纠偏数据：

数据分割之前，回归段与偏离段数据如图6所示。

为了方便研究，本发明将盾构偏差参数值在[-1.0,1.0]范围内即视为盾构机回归至设计轴线，如图7所示。地铁三号线明楼到体育馆之间某一纠偏段的切口偏差趋势图。这里截取了第500条到1100条数据，第1000之后明显偏离。当切口水平回归到一定范围内即视为纠回，如图中的区间(0,2.5)。本方案截取所有历史数据的回归段数据进行分析。

6)获取基于深度神经网络的轴线偏差参数回归模型：

使用算法：dnn，五折交叉验证之后的平均精度为：93.28％。隐藏层为2层，隐藏层神经元个数为64，学习率为0.001。

预测值与真实值对比如图8所示。

7)获取离散化历史纠偏数据中单环纠偏量对应的盾构掘进参数的关联区间：

部分关联区间如表1所示：

表1切口水平、盾尾垂直偏差每环纠偏量推荐参数

8)取宁波地铁三号线数据中体育馆—明楼段(右)第111环处，切口里程16668.282m，切口水平偏差50.48mm，俯仰角(前筒)-1.3°。通过现有的反向圆几何计算方法，l为15.8254m，

已知管片长度为g，所需纠偏环数为n，通过公式得到纠偏所需环数。g为1.2m，由此可得，所需纠偏环数n为14，通过反向圆几何计算方法(6a)、(6b)和(6c)步骤求得某一环所需纠偏量δdi′为3.5mm，包含3.5的区间为[3.0,6.0]，故取该组参数区间进行遍历。

9)切口水平偏差区间[3.0,6.0]对应的掘进参数区间为刀盘扭矩：17.5-18.5，刀盘扭矩kn.m：1140-1180，总推力：9000-11400，总油压：12-15，刀盘转速：1.15-1.2，螺旋机扭矩：59-72，推进速度：45-49，千斤顶推力右：2200-3200，千斤顶推力左：3800-4200。接下来对所得到的区间执行(7b)、(7c)和(7d)操作，将区间数值化，再带入回归模型计算模拟偏差值以及误差，得到的结果如表2所示：

表2模拟偏差值及误差表

由上可得，误差最小的一组参数为第四组参数，如表3所示：

表3最终所的盾构纠偏参数表

以上为当前纠偏参数推荐值。