盾构机的密封舱压力控制方法及装置

本发明涉及一种盾构机，特别是涉及一种盾构机的密封舱压力控制方法及装置。

背景技术：

1、盾构机得益于其独特的施工特点被广泛应用在地下工程，在掘进过程中，盾构机由推进系统驱动向前掘进。推进系统是盾构向前掘进过程中动力的主要来源，科学控制推力对安全掘进有着重要意义，尤其是，精准的控制密封舱压力是盾构机安全掘进的前提。

2、目前，现有密封舱压力控制方法是基于建立的预测模型对下时刻的液压缸推力进行预测，通过液压缸推力控制密封舱压力。但是，预测模型是基于大量数据进行驱动的，由于数据量庞大，导致模型训练时间长，不满足实时预测的要求，从而降低了密封舱压力控制效率。

技术实现思路

1、有鉴于此，本发明提供一种盾构机的密封舱压力控制方法及装置，主要目的在于现有盾构机的密封舱压力控制效率低的问题。

2、依据本发明一个方面，提供了一种盾构机的密封舱压力控制方法，包括：

3、获取盾构机的运行数据，并构建所述运行数据的时间序列；

4、基于完成模型训练的多区推力预测模型对所述时间序列进行预测处理，得到所述盾构机的多区推力预测结果，所述多区推力预测模型为基于四层网络结构组成，且通过麻雀搜索算法进行参数寻优得到的；

5、通过所述多区推力预测结果驱动盾构机土压力控制模型对盾构机密封舱压力进行控制。

6、进一步地，所述基于完成模型训练的多区推力预测模型对所述时间序列进行预测处理，得到所述盾构机的多区推力预测结果之前，所述方法还包括：

7、分别构建四个分区推力预测子模型，获取时序训练样本集，所述分区推力预测子模型为基于四层网络结构组成；

8、基于所述麻雀搜索算法确定所述分区推力预测子模型基于所述时序训练样本集进行训练的的模型超参数；

9、在所述分区推力预测子模型的模型损失值匹配预设损失阈值时，完成所述分区推力预测子模型的模型训练。

10、进一步地，所述基于所述麻雀搜索算法确定所述分区推力预测子模型基于所述时序训练样本集进行训练的的模型超参数包括：

11、从所述时序训练样本集中确定出测试样本以及学习样本；

12、通过所述麻雀搜索算法对所述所述学习样本进行网络拓扑分析处理，得到所述分区推力预测子模型的训练拓扑结构，并基于所述训练拓扑结构确定模型超参数，所述模型超参数包括学习率、迭代次数、第一隐藏层的神经元数量、第二隐藏层的神经元数量。

13、进一步地，所述在所述分区推力预测子模型的模型损失值匹配预设损失阈值时，完成所述分区推力预测子模型的模型训练包括：

14、在基于所述学习样本对包含所述训练拓扑结构的所述分区推力预测子模型进行训练之后，获取基于所述测试样本对四个所述分区推力预测子模型进行测试得到的四个所述模型损失值；

15、在四个所述模型损失值匹配预设损失阈值时，确定四个所述分区推力预测子模型完成模型训练，并得到完成训练的包含四个所述分区推力预测子模型的所述多区推力预测模型。

16、进一步地，所述通过所述多区推力预测结果驱动盾构机土压力控制模型对盾构机压力进行控制包括：

17、获取所述盾构机土压力控制模型，所述盾构机土压力控制模型为基于神经网络构建的；

18、根据四个所述分区推力预测子模型分别预测得到的第一分区推力预测结果、第二分区推力预测结果、第三分区推力预测结果、第四分区推力预测结果，并基于所述第一分区推力预测结果、所述第二分区推力预测结果、所述第三分区推力预测结果、所述第四分区推力预测结果驱动所述盾构机土压力控制模型进行压力控制。

19、进一步地，所述获取盾构机的运行数据，并构建所述运行数据的时间序列包括：

20、确定所述运行数据的时间次序，并确定时间序列数；

21、按照所述时间次序以相隔一个时间次序方式提取所述运行数据中的多个输入变量以及单一输出变量，得到多个时间子序列；

22、按照所述时间序列数据将多个所述时间子序列进行组合，得到所述时间序列。

23、进一步地，所述运行数据包括螺旋输送机转速、推进速度、刀盘总扭矩、回转角、俯仰角、目标方位偏差、目标俯仰角偏差。

24、依据本发明另一个方面，提供了一种盾构机的密封舱压力控制装置，包括：

25、获取模块，用于获取盾构机的运行数据，并构建所述运行数据的时间序列；

26、预测模块，用于基于完成模型训练的多区推力预测模型对所述时间序列进行预测处理，得到所述盾构机的多区推力预测结果，所述多区推力预测模型为基于四层网络结构组成，且通过麻雀搜索算法进行参数寻优得到的；

27、控制模块，用于通过所述多区压力预测结果驱动盾构机土压力控制模型对盾构机压力进行控制。

28、进一步地，所述装置还包括：

29、构建模块，用于分别构建四个分区推力预测子模型，获取时序训练样本集，所述分区推力预测子模型为基于四层网络结构组成；

30、确定模块，用于基于所述麻雀搜索算法确定所述分区推力预测子模型基于所述时序训练样本集进行训练的的模型超参数；

31、训练模块，用于在所述分区推力预测子模型的模型损失值匹配预设损失阈值时，完成所述分区推力预测子模型的模型训练。

32、进一步地，所述确定模块，包括：

33、第一确定单元，用于从所述时序训练样本集中确定出测试样本以及学习样本；

34、分析处理单元，用于通过所述麻雀搜索算法对所述所述学习样本进行网络拓扑分析处理，得到所述分区推力预测子模型的训练拓扑结构，并基于所述训练拓扑结构确定模型超参数，所述模型超参数包括学习率、迭代次数、第一隐藏层的神经元数量、第二隐藏层的神经元数量。

35、进一步地，所述训练模块，包括：

36、第一获取单元，用于在基于所述学习样本对包含所述训练拓扑结构的所述分区推力预测子模型进行训练之后，获取基于所述测试样本对四个所述分区推力预测子模型进行测试得到的四个所述模型损失值；

37、训练单元，用于在四个所述模型损失值匹配预设损失阈值时，确定四个所述分区推力预测子模型完成模型训练，并得到完成训练的包含四个所述分区推力预测子模型的所述多区推力预测模型。

38、进一步地，所述控制模块，包括：

39、第二获取单元，用于获取所述盾构机土压力控制模型，所述盾构机土压力控制模型为基于神经网络构建的；

40、预测单元，用于根据四个所述分区推力预测子模型分别预测得到的第一分区推力预测结果、第二分区推力预测结果、第三分区推力预测结果、第四分区推力预测结果，并基于所述第一分区推力预测结果、所述第二分区推力预测结果、所述第三分区推力预测结果、所述第四分区推力预测结果驱动所述盾构机土压力控制模型进行压力控制。

41、进一步地，所述获取模块，包括：

42、第二确定单元，用于确定所述运行数据的时间次序，并确定时间序列数；

43、提取单元，用于按照所述时间次序以相隔一个时间次序方式提取所述运行数据中的多个输入变量以及单一输出变量，得到多个时间子序列；

44、组合单元，用于按照所述时间序列数据将多个所述时间子序列进行组合，得到所述时间序列。

45、进一步地，在具体应用场景中，所述运行数据包括螺旋输送机转速、推进速度、刀盘总扭矩、回转角、俯仰角、目标方位偏差、目标俯仰角偏差。

46、根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述盾构机的密封舱压力控制方法对应的操作。

47、根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

48、所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述盾构机的密封舱压力控制方法对应的操作。

49、借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：

50、本发明提供了一种盾构机的密封舱压力控制方法及装置，与现有技术相比，本发明实施例通过获取盾构机的运行数据，并构建所述运行数据的时间序列；基于完成模型训练的多区推力预测模型对所述时间序列进行预测处理，得到所述盾构机的多区推力预测结果，所述多区推力预测模型为基于四层网络结构组成，且通过麻雀搜索算法进行参数寻优得到的；通过所述多区推力预测结果驱动盾构机土压力控制模型对盾构机压力进行控制，大大加快了模型参数寻优的速度，降低了模型训练的时长，同时，又确保了推理预测的准确性，满足了实时预测的要求，从而有效提高盾构机密封舱压力控制效率。

51、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。