盾构机姿态预测方法、装置、终端设备以及存储介质与流程

本发明涉及盾构机施工工程技术领域，特别涉及一种盾构机姿态预测方法、装置、终端设备以及存储介质。

背景技术：

在盾构施工过程中，盾构姿态控制不利容易引起地面沉降、管片错台和土体超挖等工程问题。

相关技术中公布了一种基于混合深度学习的盾构掘进姿态智能预测方法及系统(申请号：cn110195592a)，将影响盾构姿态的主要因素作为输入变量，盾构姿态的响应参数作为输出变量，在采用小波变换进行数据去噪的基础上，利用cnns进行特征提取、lstm算法构建预测模型，以实现对盾构姿态的预测。

但是，采用上述方法对盾构姿态进行预测，盾构机的预测结果准确率较低。

技术实现要素：

本发明的主要目的是提供一种盾构机姿态预测方法、装置、终端设备以及存储介质，旨在解决现有技术中盾构机的预测结果准确率较低的技术问题。

为实现上述目的，本发明提出的一种盾构机姿态预测方法，所述方法包括以下步骤：

获取盾构机的盾构姿态数据，所述盾构姿态数据包括所述盾构机的俯仰角数据、横摆角数据和滚动角数据；

将所述俯仰角数据、所述横摆角数据和所述滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据；

根据所述预测俯仰角数据、所述预测横摆角数据和所述预测滚动角数据，获得所述盾构机的姿态预测结果。

可选的，所述将所述俯仰角数据、所述横摆角数据和所述滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据的步骤之前，所述方法还包括：

获取盾构机的历史俯仰角数据、历史横摆角数据和历史滚动角数据；

利用公式一分别对所述历史俯仰角数据、所述历史横摆角数据和所述历史滚动角数据进行处理，获得训练俯仰角数据、训练横摆角数据和训练滚动角数据；

利用训练俯仰角数据、训练横摆角数据和训练滚动角数据分别对第一门控循环单元神经网络、第二门控循环单元神经网络和第三门控循环单元神经网络进行训练，获得所述俯仰角预测模型、所述横摆角预测模型和所述滚动角预测模型。

所述公式一为：

其中，当x为历史俯仰角数据时，x′为训练俯仰角数据，xmin为历史俯仰角数据中的最小值、xmax为历史俯仰角数据中的最大值；当x为历史横摆角数据时，x′为训练横摆角数据，xmin为历史横摆角数据中的最小值、xmax为历史横摆角数据中的最大值；当x为历史滚动角数据时，x′为训练滚动角数据，xmin为历史滚动角数据中的最小值、xmax为历史滚动角数据中的最大值。

可选的，所述将所述俯仰角数据、所述横摆角数据和所述滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据的步骤之前，所述方法还包括：

利用所述俯仰角数据绘制俯仰角箱形图，并利用所述俯仰角箱形图在所述所述俯仰角数据中筛选有效俯仰角数据；

利用所述横摆角数据绘制横摆角箱形图，并利用所述横摆角箱形图在所述所述横摆角数据中筛选有效横摆角数据；

利用所述滚动角数据绘制滚动角箱形图，并利用所述滚动角箱形图在所述所述滚动角数据中筛选有效滚动角数据；

利用线性内插法分别对所述有效俯仰角数据、所述有效横摆角数据和所述有效滚动角数据进行处理，获得输入俯仰角数据、输入横摆角数据和输入滚动角数据；

所述将所述俯仰角数据、所述横摆角数据和所述滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据的步骤包括：

将所述输入俯仰角数据、所述输入横摆角数据和所述输入滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据。

可选的，所述将所述输入俯仰角数据、所述输入横摆角数据和所述输入滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据的步骤之前，所述方法还包括：

利用经验模态分解法分别对所述输入俯仰角数据、所述输入横摆角数据和所述输入滚动角数据进行分解，获得具有时间序列的多组俯仰角数据、具有时间序列的多组横摆角数据和具有时间序列的多组滚动角数据；

所述将所述有效俯仰角数据、所述有效横摆角数据和所述有效滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据的步骤包括：

将所述多组俯仰角数据、所述多组横摆角数据和所述多组滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得多组预测俯仰角数据、多组预测横摆角数据和多组预测滚动角数据；

所述根据所述预测俯仰角数据、所述预测横摆角数据和所述预测滚动角数据，获得所述盾构机的姿态预测结果的步骤包括：

根据所述多组预测俯仰角数据、所述多组预测横摆角数据和所述多组预测滚动角数据，获得所述盾构机的姿态预测结果。

可选的，所述将所述多组俯仰角数据、所述多组横摆角数据和所述多组滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得多组预测俯仰角数据、多组预测横摆角数据和多组预测滚动角数据的步骤包括：

将所述多组俯仰角数据、所述多组横摆角数据和所述多组滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，利用滑动窗口的方式进行滚动预测，获得多组预测俯仰角数据、多组预测横摆角数据和多组预测滚动角数据。

可选的，所述根据所述多组预测俯仰角数据、所述多组预测横摆角数据和所述多组预测滚动角数据，获得所述盾构机的姿态预测结果的步骤包括：

获取所述多组预测俯仰角数据的俯仰角权重、所述多组预测横摆角数据的横摆角权重和所述多组预测滚动角数据的滚动角权重；

根所述根据所述多组预测俯仰角数据、所述多组预测横摆角数据、所述多组预测滚动角数据、所述俯仰角权重、所述横摆角权以及所述滚动角权重，获得结果俯仰角数据、结果横摆角数据和结果滚动角数据；

根据所述结果俯仰角数据、所述结果横摆角数据和所述结果滚动角数据，获得所述盾构机的姿态预测结果。

可选的，所述根所述根据所述多组预测俯仰角数据、所述多组预测横摆角数据、所述多组预测滚动角数据、所述俯仰角权重、所述横摆角权以及所述滚动角权重，获得结果俯仰角数据、结果横摆角数据和结果滚动角数据的步骤包括：

利用调和平均误差最小化法分别对所述所述俯仰角权重、所述横摆角权和所述滚动角权重进行处理，获得选定俯仰角权重、选定横摆角权重和选定滚动角权重；

根所述根据所述多组预测俯仰角数据、所述多组预测横摆角数据、所述多组预测滚动角数据、所述选定俯仰角权重、所述选定横摆角权以及所述选定滚动角权重，获得结果俯仰角数据、结果横摆角数据和结果滚动角数据。

此外，为实现上述目的，本发明还提出了一种盾构机姿态预测装置，所述装置包括：

获取模块，用于获取盾构机的盾构姿态数据，所述盾构姿态数据包括所述盾构机的俯仰角数据、横摆角数据和滚动角数据；

预测模块，用于将所述俯仰角数据、所述横摆角数据和所述滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据；

结果获得模块，用于根据所述预测俯仰角数据、所述预测横摆角数据和所述预测滚动角数据，获得所述盾构机的姿态预测结果。

此外，为实现上述目的，本发明还提出了一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的盾构机姿态预测程序，所述盾构机姿态预测程序配置为实现如上述任一项所述的盾构机姿态预测方法的步骤。

此外，为实现上述目的，本发明还提出了一种存储介质，所述存储介质上存储有盾构机姿态预测程序，所述盾构机姿态预测程序被处理器执行时实现如上述任一项所述的盾构机姿态预测方法的步骤。

本发明技术方案采用一种盾构机姿态预测方法，通过获取盾构机的盾构姿态数据，所述盾构姿态数据包括所述盾构机的俯仰角数据、横摆角数据和滚动角数据；将所述俯仰角数据、所述横摆角数据和所述滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据；根据所述预测俯仰角数据、所述预测横摆角数据和所述预测滚动角数据，获得所述盾构机的姿态预测结果。由于，将盾构姿态数据数据拆分为俯仰角数据、横摆角数据和滚动角数据，并分别利用俯仰角预测模型、横摆角预测模型和滚动角预测模型进行预测，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据，同时，预测俯仰角数据、预测横摆角数据和预测滚动角数据相对于现有技术的整体预测结果准确率高，平稳性好，所以，根据预测俯仰角数据、预测横摆角数据和预测滚动角数据获得所述盾构机的姿态预测结果准确率高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1是本发明实施例方案涉及的硬件运行环境的盾构机姿态预测设备结构示意图；

图2为本发明盾构机姿态预测方法第一实施例的流程示意图；

图3为本发明利用箱型图法筛选有效数据原理图；

图4为本发明盾构机姿态预测方法第二实施例步骤s12之前的流程示意图；

图5为本发明盾构机姿态预测装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

随着城市地铁的大规模建设，盾构法施工因其特有的施工工程优势得以推广。在盾构施工工程过程中，盾构姿态控制不利容易引起地面沉降、管片错台和土体超挖等工程问题，因此，盾构姿态控制是施工过程中需要重点关注的关键业务场景之一。针对盾构姿态的控制问题，目前主要聚焦在基于姿态纠偏的事后反馈控制和基于预测的事前主动控制两个方面。前者由于存在时间上的滞后性，导致其控制措施的执行不及时，无法针对盾构姿态的实时演变给出及时有效的反馈；后者能够在姿态发生变化前对姿态的未来趋势给出及时预测，可辅助现场施工人员和管理人员制定下一步的掘进方案，以保障施工过程中姿态得以及时控制。基于此，盾构姿态预测在盾构姿态控制方面具有十分重要的意义。

从目前公开的资料来看，关于盾构姿态预测方法的研究已经公开了若干发明，目前最为有效的预测方法为基于人工智能的预测方法。

周诚等人公开了申请公布号为cn110195592a，名称为“基于混合深度学习的盾构掘进姿态智能预测方法及系统”的盾构姿态预测方法，主要是将影响盾构姿态的主要因素作为输入变量，盾构姿态的响应参数作为输出变量，在采用小波变换进行数据去噪的基础上，采用cnns进行特征提取，进而依托lstm算法构建预测模型进行盾构姿态预测。

尹清锋等人公开了申请公布号为cn111365015a，名称为“一种基于xgboost的盾构掘进参数特征提取与姿态偏差预测方法”的盾构姿态预测方法，主要是在基于专家经验和数据分析进行影响盾构姿态的相关因素特征提取的基础上，采用xgboost算法构建盾构姿态预测模型以实现相应的偏差预测。

上述关于盾构姿态的智能化预测，有效的实现了盾构姿态的实时、较为准确的预测，但仍存在以下几点问题：

(1)既有公开专利均是从掘进参数与盾构姿态之间的耦合关系出发构建预测模型进行分析。这种方式可以实现较为准确的预测，但其受盾构姿态相关影响参数选择的限制，姿态参数众多，如何选择适宜的参数进行研究分析不确定性较高，且输入变量维度较高容易导致模型计算开销大，影响其工程应用。

(2)就盾构姿态预测问题而言，其产生的数据是多种情形的耦合，可能存在随机项、趋势项等情形，不对这些加以分解的整体式预测，其预测的精度可能在一定程度上会受到影响。

上述关于盾构姿态的智能化预测，有效的实现了盾构姿态的实时、较为准确的预测，但仍存在以下几点问题：

(1)既有公开专利均是从掘进参数与盾构姿态之间的耦合关系出发构建预测模型进行分析。这种方式可以实现较为准确的预测，但其受盾构姿态相关影响参数选择的限制，姿态参数众多，如何选择适宜的参数进行研究分析不确定性较高，且输入变量维度较高容易导致模型计算开销大。

(2)就盾构姿态预测问题而言，其产生的数据是多种情形的耦合，可能存在随机项、趋势项等情形，不对这些加以分解的整体式预测，其预测的精度可能在一定程度上会受到影响。

针对上述存在的问题，亟待解决的关键技术主要包括：

(1)如果实现从盾构姿态本身出发的单点预测，不考虑耦合回归的多点预测，而是考虑未来时间盾构姿态变化与过去时刻姿态之间的关系，进而构建预测模型；

(2)针对获取到的盾构姿态数据，如何将其拆分为多组平稳数据进行预测研究，以提高预测精度；

(3)采用何种算法进行预测，其预测精度和预测效率更高。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图。

终端设备可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(pda)、平板电脑(pad)等用户设备(userequipment，ue)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(mobilestation，ms)等。设备可能被称为用户终端、便携式终端、台式终端等。

通常，终端设备包括：至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的盾构机姿态预测程序，所述盾构机姿态预测程序配置为实现如前所述的盾构机姿态预测方法的步骤。

处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用dsp(digitalsignalprocessing，数字信号处理)、fpga(field－programmablegatearray，现场可编程门阵列)、pla(programmablelogicarray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(centralprocessingunit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有gpu(graphicsprocessingunit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括ai(artificialintelligence，人工智能)处理器，该ai处理器用于处理有关盾构机姿态预测方法操作，使得盾构机姿态预测方法模型可以自主训练学习，提高效率和准确度。

存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的盾构机姿态预测方法。

在一些实施例中，终端设备还可选包括有：通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地，外围设备包括：射频电路304、显示屏305和电源306中的至少一种。

通信接口303可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路304用于接收和发射rf(radiofrequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wifi(wirelessfidelity，无线保真)网络。在一些实施例中，射频电路304还可以包括nfc(nearfieldcommunication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏305用于显示ui(userinterface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时，显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时，显示屏305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏305可以为一个，电子设备的前面板；在另一些实施例中，显示屏305可以为至少两个，分别设置在电子设备的不同表面或呈折叠设计；在再一些实施例中，显示屏305可以是柔性显示屏，设置在电子设备的弯曲表面上或折叠面上。甚至，显示屏305还可以设置成非矩形的不规则图形，也即异形屏。显示屏305可以采用lcd(liquidcrystaldisplay，液晶显示屏)、oled(organiclight-emittingdiode,有机发光二极管)等材质制备。

电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。本领域技术人员可以理解，图1中示出的结构并不构成对盾构机姿态预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有盾构机姿态预测程序，所述盾构机姿态预测程序被处理器执行时实现如上文所述的盾构机姿态预测方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。确定为示例，程序指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

基于上述硬件结构，提出本发明盾构机姿态预测方法的实施例。

参照图2，图2为本发明盾构机姿态预测方法第一实施例的流程示意图；所述方法包括以下步骤：

步骤s12：获取盾构机的盾构姿态数据，所述盾构姿态数据包括所述盾构机的俯仰角数据、横摆角数据和滚动角数据。

需要说明的是，本发明实施例的执行主体是上文所述的终端设备，盾构机可以是盾构机和tbm中的任意一种；本发明的盾构姿态数据可以是盾构机正在运行时获取到的该时刻的盾构姿态数据(即，实时盾构数据)，也可以是盾构机最近一次运行时候的盾构数据，为避免盾构机因为地形的复杂出现故障，实时盾构数据取当前时刻的盾构数据为优，本发明不作具体限制。

可以理解的是，获取到的盾构姿态数据是多种用于描述盾构姿态数据的集合，即，盾构机的俯仰角数据、横摆角数据和滚动角数据数据的集合，需要将盾构姿态数据进行数据分解，获得盾构机的俯仰角数据、横摆角数据和滚动角数据数据。

步骤s12：将所述俯仰角数据、所述横摆角数据和所述滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据。

需要说明的是，不同的盾构姿态数据对应的预测模型不同，即，所述俯仰角数据、所述横摆角数据和所述滚动角数据分别对应俯仰角预测模型、横摆角预测模型和滚动角预测模型，需要将所述俯仰角数据、所述横摆角数据和所述滚动角数据分别输入对应的预测模型中进行预测，以获得较准确，较平稳的预测俯仰角数据、预测横摆角数据和预测滚动角数据。

步骤s13：根据所述预测俯仰角数据、所述预测横摆角数据和所述预测滚动角数据，获得所述盾构机的姿态预测结果。

可以理解的是，将获得的所述预测俯仰角数据、所述预测横摆角数据和所述预测滚动角数据进行合并，可以获得盾构机的预测盾构姿态数据，并根据预测盾构姿态数据，获得姿态预测结果。

本实施例技术方案采用一种盾构机姿态预测方法，通过获取盾构机的盾构姿态数据，所述盾构姿态数据包括所述盾构机的俯仰角数据、横摆角数据和滚动角数据；将所述俯仰角数据、所述横摆角数据和所述滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据；根据所述预测俯仰角数据、所述预测横摆角数据和所述预测滚动角数据，获得所述盾构机的姿态预测结果。由于，将盾构姿态数据数据拆分为俯仰角数据、横摆角数据和滚动角数据，并分别利用俯仰角预测模型、横摆角预测模型和滚动角预测模型进行预测，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据，同时，预测俯仰角数据、预测横摆角数据和预测滚动角数据相对于现有的整体预测结果准确率高，平稳性好，所以，根据预测俯仰角数据、预测横摆角数据和预测滚动角数据获得所述盾构机的姿态预测结果准确率高。

进一步的，步骤s12之前，所述方法还包括：利用所述俯仰角数据绘制俯仰角箱形图，并利用所述俯仰角箱形图在所述所述俯仰角数据中筛选有效俯仰角数据；利用所述横摆角数据绘制横摆角箱形图，并利用所述横摆角箱形图在所述所述横摆角数据中筛选有效横摆角角数据；利用所述滚动角数据绘制滚动角箱形图，并利用所述滚动角箱形图在所述所述滚动角数据中筛选有效滚动角数据；利用线性内插法分别对所述有效俯仰角数据、所述有效横摆角数据和所述有效滚动角数据进行处理，获得输入俯仰角数据、输入横摆角数据和输入滚动角数据。

相应的，步骤s12包括：将所述输入俯仰角数据、所述输入横摆角数据和所述输入滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据。

需要说明的是，获取到盾构机的姿态数据是原始数据，所以，所述俯仰角数据、所述横摆角数据和所述滚动角数据也为原始数据，需要在原始数据中筛选有效数据(剔除原始数据的异常值)，即，利用箱型图法，分别在所述俯仰角数据、所述横摆角数据和所述滚动角数据中筛选有效俯仰角数据、有效横摆角数据以及有效滚动角数据；并利用线性内插法分别对所述有效俯仰角数据、所述有效横摆角数据和所述有效滚动角数据进行缺失值的填充处理，获得输入俯仰角数据、输入横摆角数据和输入滚动角数据。

参照图3，图3为本发明利用箱型图法筛选有效数据原理图；箱型图法的各个数据计算方法为：

其中，u为上四分位数，l为下四分位数，iqr＝u-l，upper为上界，lower为下界。

可以理解的是，所述俯仰角数据、所述横摆角数据和所述滚动角数据对应的箱型图不同，需要根据数据信息绘制不同的箱型图，以对所述俯仰角数据、所述横摆角数据和所述滚动角数据进行有效数据的筛选；上界和下界以外的数据，即为原始数据中的异常值，需要把异常值在原始数据集中剔除，获得剔除后的有效数据，即，有效俯仰角数据为所述俯仰角数据中位于俯仰角箱型图的上下界之间的数据，有效横摆角数据为所述横摆角数据中位于横摆角箱型图的上下界之间的数据，有效滚动角数据为所述滚动角角数据中位于滚动角箱型图的上下界之间的数据；获得有效数据后，由于，各个有效数据中缺失了异常值，需要利用线性内插法对所述有效俯仰角数据、所述有效横摆角数据和所述有效滚动角数据进行缺失值的填充处理，获得数据信息完整的输入俯仰角数据、输入横摆角数据和输入滚动角数据。

进一步的，步骤s12之前，所述方法还包括：利用经验模态分解法分别对所述输入俯仰角数据、所述输入横摆角数据和所述输入滚动角数据进行分解，获得具有时间序列的多组俯仰角数据、具有时间序列的多组横摆角数据和具有时间序列的多组滚动角数据。

相应的，步骤s12包括：将所述多组俯仰角数据、所述多组横摆角数据和所述多组滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得多组预测俯仰角数据、多组预测横摆角数据和多组预测滚动角数据。

同时，步骤s13包括：根据所述多组预测俯仰角数据、所述多组预测横摆角数据和所述多组预测滚动角数据，获得所述盾构机的姿态预测结果。

需要说明的是，采用经验模态分解法对所述输入俯仰角数据、所述输入横摆角数据和所述输入滚动角数据进行分解，获得具有时间序列的多组俯仰角数据、具有时间序列的多组横摆角数据和具有时间序列的多组滚动角数据。对于所述输入俯仰角数据、所述输入横摆角数据和所述输入滚动角数据中的任意一组数据，均进行分解处理，本实施例以所述输入滚动角数据为例进行讲解。

经验模态分解法对输入滚动角数据进行分解，获得若干本征模函数(imf)和一个剩余变量(res)，即，获得多组滚动角数据，具体的分解步骤为：

1)找到输入滚动角数据y(t)的全部极值点，通过三次样条插值的方式获取该序列数据的上下包络曲线blmax(t)和blmin(t)，并计算其均值av(t)，即，av(t)＝blmax(t)-blmin(t)；

2)计算输入滚动角数据y(t)与均值av(t)之差i(t)，即，i(t)＝y(t)-av(t)；

3)如果i(t)函数的局部极值数据和过零点数目相差不大于1，且所有时点的上、下包络线取平均均等于零，则说明其为一个本征模函数，记作i1(t)，反之，令y(t)＝i(t)，返回步骤1)；

4)将得到的本征模函数i(t)从输入滚动角数据y(t)中剔除，可得剩余序列数据r(t)，即，r(t)＝y(t)-i1(t)；

5)倘若r(t)为单调函数，则将其作为剩余变量res，否则，返回步骤1)。

基于上述步骤，参照输入滚动角数据分解法，将盾构姿态数据包括的输入俯仰角数据、输入横摆角数据和输入滚动角数据分解为如下集合：

其中，y1(t),y2(t),y3(t)分别为分解之后的多组俯仰角数据的集合、多组横摆角数据的集合和多组滚动角数据的集合。i11(t),i12(t),…,i1v-1(t),i21(t),i22(t),…,i2v-1(t),i31(t),i32(t),…,i3v-1(t)分别为各姿态参数基于经验模态分解的v-1个本征模函数，res1,res2,res3分别为剩余变量。

然后，将所述多组俯仰角数据、所述多组横摆角数据和所述多组滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得多组预测俯仰角数据、多组预测横摆角数据和多组预测滚动角数据。例如，一个i11(t)对应一个预测数据。

进一步的，步骤s12包括：将所述多组俯仰角数据、所述多组横摆角数据和所述多组滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，利用滑动窗口的方式进行滚动预测，获得多组预测俯仰角数据、多组预测横摆角数据和多组预测滚动角数据。

需要说明的是，采用滑动窗口的方式进行滚动预测；首先设定窗口宽度w，即，用过去多少时刻的数据来预测当前时刻，对于将所述多组俯仰角数据、所述多组横摆角数据和所述多组滚动角数据中的任意一种数据，均采用下述方法进行预测，此处以多组俯仰角数据为例；利用公式2获得多组俯仰角数据的表达形式，公式2为：

yi(t)＝f(yi(t-1),yi(t-2),…,yi(t-w))，i＝1,2,…v

然后，将yi(t-1),yi(t-2),…,yi(t-w)作为俯仰角预测模型的输入，利用公式3进行预测，获得预测俯仰角数据，公式3为：

其中，式中，xt为t时刻该层的输入变量，rt和zt分别为重置门和更新门，ht为隐含状态，ht-1为候选隐含状态，wxr、wxz、wxh∈r^d×h和whr、whz、whh∈r^h×h为权重参数，br、bz、bh∈r^1×h为偏差参数，h为隐藏单元个数，d为输入变量维度，σ和tanh为激活函数，e为矩阵乘法。

可以理解的是，每组俯仰角数据均获得一个预测俯仰角数据，多组俯仰角数据获得多组预测俯仰角数据，即，所述多组俯仰角数据、所述多组横摆角数据和所述多组滚动角数据分别对应多组预测俯仰角数据、多组预测横摆角数据和多组预测滚动角数据。

进一步的，步骤s13包括：获取所述多组预测俯仰角数据的俯仰角权重、所述多组预测横摆角数据的横摆角权重和所述多组预测滚动角数据的滚动角权重；根所述根据所述多组预测俯仰角数据、所述多组预测横摆角数据、所述多组预测滚动角数据、所述俯仰角权重、所述横摆角权以及所述滚动角权重，获得结果俯仰角数据、结果横摆角数据和结果滚动角数据；根据所述结果俯仰角数据、所述结果横摆角数据和所述结果滚动角数据，获得所述盾构机的姿态预测结果。

需要说明的是，多组预测横摆角数据的权重是不同的，需要根据多组预测横摆角各自的横摆角权重，确定结果横摆角数据，即，最终预测横摆角数据，同理，获得最终预测俯仰角数据和最终预测滚动角数据，利用最终预测横摆角数据、最终预测俯仰角数据和最终预测滚动角数据，获得盾构机的预测盾构姿态数据，并根据盾构机的预测盾构姿态数据，获得盾构机的姿态预测结果；同时，权重在不同的盾构机施工环境可能不同，用户可以根据自己的需求进行设定，本发明不做限制。

具体应用中，以多组预测俯仰角数据为例，利用公式3获得结果俯仰角数据，公式4为：

其中，y结果俯仰角数据，y1,y2,..,yv分别多组输入俯仰角数据分解后的v-1个本征模函数和剩余变量的预测结果，为各个预测俯仰角数据的俯仰角权重。同理，可获得结果横摆角角数据和结果滚动角数据。

进一步的，所述根所述根据所述多组预测俯仰角数据、所述多组预测横摆角数据、所述多组预测滚动角数据、所述俯仰角权重、所述横摆角权以及所述滚动角权重，获得结果滚动角数据、结果横摆角数据和结果滚动角数据的步骤包括：利用调和平均误差最小化法分别对所述所述俯仰角权重、所述横摆角权和所述滚动角权重进行处理，获得选定俯仰角权重、选定横摆角权重和选定滚动角权重；根所述根据所述多组预测俯仰角数据、所述多组预测横摆角数据、所述多组预测滚动角数据、所述选定俯仰角权重、所述选定横摆角权以及所述选定滚动角权重，获得结果俯仰角数据、结果横摆角数据和结果滚动角数据。

需要说明的是，获取所述多组预测俯仰角数据的俯仰角权重、所述多组预测横摆角数据的横摆角权重和所述多组预测滚动角数据的滚动角权重之后，利用调和平均误差最小化法对获得的权重进行处理，获得选定权重。

具体应用中，以多组预测俯仰角数据为例，利用公式5获得选定俯仰角权重，公式5为：

mine²

s.t.

其中，e为平均误差，y1,y2,..,yv分别多组输入俯仰角数据分解后的v-1个本征模函数和剩余变量的预测结果，为各个预测俯仰角数据的选定俯仰角权重，l表示省略号。同理，利用上述方法获得选定横摆角权重和选定盾冬权重，以根所述根据所述多组预测俯仰角数据、所述多组预测横摆角数据、所述多组预测滚动角数据、所述选定俯仰角权重、所述选定横摆角权以及所述选定滚动角权重，获得结果俯仰角数据、结果横摆角数据和结果滚动角数据。

可以理解的是，将获得的所述结果俯仰角数据、所述结果横摆角数据和所述结果滚动角数据进行合并，可以获得盾构机的预测盾构姿态数据，并根据预测盾构姿态数据，获得姿态预测结果。

参照图4，图4为本发明盾构机姿态预测方法第二实施例步骤s12之前的流程示意图；所述方法包括以下步骤：

步骤s21：获取盾构机的历史俯仰角数据、历史横摆角数据和历史滚动角数据；

步骤s22：利用公式一分别对所述历史俯仰角数据、所述历史横摆角数据和所述历史滚动角数据进行处理，获得训练俯仰角数据、训练横摆角数据和训练滚动角数据；

步骤s23：利用训练俯仰角数据、训练横摆角数据和训练滚动角数据分别对第一门控循环单元神经网络、第二门控循环单元神经网络和第三门控循环单元神经网络进行训练，获得所述俯仰角预测模型、所述横摆角预测模型和所述滚动角预测模型。

所述公式一为：

其中，当x为历史俯仰角数据时，x′为训练俯仰角数据，xmin为历史俯仰角数据中的最小值、xmax为历史俯仰角数据中的最大值；当x为历史横摆角数据时，x′为训练横摆角数据，xmin为历史横摆角数据中的最小值、xmax为历史横摆角数据中的最大值；当x为历史滚动角数据时，x′为训练滚动角数据，xmin为历史滚动角数据中的最小值、xmax为历史滚动角数据中的最大值。

需要说明的是，本发明的历史俯仰角数据、历史横摆角数据和历史滚动角数据可以是连续一段连续时间段内的历史数据，也可以包括多个连续时间段内各自的历史数据，本发明对连续时间段以及时间段的计时起点均不做限制，用户可以根据自己的需求进行设定。

另外，本发明的门控循环单元神经网络即为gru，用户可以根据自己的需求选用其他类型的初始神经网络模型，并利用训练数据对初始神经网络模型进行训练，获得预测模型，其中，gru为一种较优的选择。

本发明为了提高为训练模型的收敛速度，分别采用最大最小值法将所述历史俯仰角数据、所述历史横摆角数据和所述历史滚动角数据进行归一化至[0,1]处理，获得获得训练俯仰角数据、训练横摆角数据和训练滚动角数据，即，采用公式一对所述历史俯仰角数据、所述历史横摆角数据和所述历史滚动角数据进行处理。

同样，在对历史俯仰角数据、历史横摆角数据和历史滚动角数据进行归一化至[0,1]处理之前，需要对数据进行有效数据筛选和缺失值填充，筛选和填充方式参照上述箱型图筛选方法和线性内插填充法，并利用经验模态分解法对处理后的数据进行分解，获得对应的分解后的训练数据(此处不再赘述)，并对分解后的数据进行归一化至[0,1]处理。

可以理解的是，利用上述方法训练获得的所述俯仰角预测模型、所述横摆角预测模型和所述滚动角预测模型对多组俯仰角数据、多组横摆角数据和多组滚动角数据进行预测时，需要对多组俯仰角数据、多组横摆角数据和多组滚动角数据进行行归一化至[0,1]处理，然后再利用所述俯仰角预测模型、所述横摆角预测模型和所述滚动角预测模型对处理后的数据进行预测。

参照图5，图5为本发明盾构机姿态预测装置第一实施例的结构框图，所述装置包括：

数据获取模块10，用于获取盾构机的盾构姿态数据，所述盾构姿态数据包括所述盾构机的俯仰角数据、横摆角数据和滚动角数据；

数据获得模块20，用于将所述俯仰角数据、所述横摆角数据和所述滚动角数据分别输入俯仰角预测模型、横摆角预测模型和滚动角预测模型中，获得预测俯仰角数据、预测横摆角数据和预测滚动角数据；

结果获得模块30，用于根据所述预测俯仰角数据、所述预测横摆角数据和所述预测滚动角数据，获得所述盾构机的姿态预测结果。

参照具体施工示例，该示例如下：

该施工示例为a项目的示例。完成该实施例所使用的计算机配置和软件环境为：intel(r)core(tm)i5-7200ucpu，16.0gb内存。系统是windows10(64位)，程序语言版本为python3.7.8，集成开发环境为anaconda包中的spyder4.1.4版本，在keras库中以tensorflow为后端实现。

步骤1：由于盾构施工在环境较为恶劣的地下进行，因此，原始姿态数据(即本发明所述的盾构姿态数据：俯仰角数据、横摆角数就和滚动角数据)可能会因为传感器故障等原因出现一些异常值、缺失值，如果直接用于建模预测，可能会导致预测精度受到影响。因此，在建模之前，本发明采用箱型图法进行原始姿态数据的异常值识别，具体的识别方式为：

计算原始姿态数据的上、下四分位数，并基于下式计算该时序数据的上、下界。

其中，u、l分别为上、下四分位数，iqr＝u-l，upper为上界，lower为下界。

将大于上界和小于下界的姿态数据记为该原始姿态数据中的异常值。在python语言环境下，基于matplotlib库里pyplot模块里的boxplot()函数实现。

识别出原始姿态数据的异常值之后将其剔除，并采用线性内插的方式完成缺失值的填充。

步骤2：plc采集的数据频率为5s/次，由于时间间隔较小时，相应的数据波动较小。因此，利用过高的采集频率不仅无法提高模型的预测精度，反而会导致模型计算开销的大幅度增加。因此，本发明将预处理之后的姿态数据(即本发明的输入数据：输入横摆角数据、输入俯仰角数据和输入滚动角数据)变换为采集频率为5min/次的姿态数据，共获取数据3000条。

步骤3：对于进行异常值、缺失值预处理之后的姿态数据，为提高数据本身的规律性，采用经验模态分解的方式对预处理之后的数据进行分解，拆分成规律性较强的平稳时间序列数据(即，本发明所述的多组横摆角数据、多组俯仰角数据和多组滚动角数据)，具体的实现方式为：

1)找到预处理之后姿态数据y(t)的全部极值点，通过三次样条插值的方式获取该序列数据的上下包络曲线blmax(t)和blmin(t)，并计算其均值av(t)，即av(t)＝blmax(t)-blmin(t)；

2)计算盾构姿态时间序列数据y(t)与均值av(t)之差i(t)，即，i(t)＝y(t)-av(t)；

3)如果i(t)函数的局部极值数据和过零点数目相差不大于1，且所有时点的上、下包络线取平均均等于零，则说明其为一个本征模函数，记作i1(t)，反之，令y(t)＝i(t)，返回步骤1)；

4)将得到的本征模函数i(t)从盾构姿态时间序列数据y(t)中剔除，可得剩余序列数据r(t)，即r(t)＝y(t)-i1(t)；

5)倘若r(t)为单调函数，则将其作为剩余变量res，否则，返回步骤1)。

基于上述步骤，可将盾构姿态时间序列数据y(t)分解为如下集合：

y(t)＝{i1(t),i2(t),…,iv-1(t),res}

其中，y(t)为预处理之后的盾构姿态时间序列数据，i1(t),i2(t),…,iv-1(t)分别为基于经验模态分解的v-1个本征模函数，res为剩余变量。

本发明所提出的经验模态分解在python语言环境下，基于工具箱pyhht实现，各个姿态数据分解后的本征模函数个数如表1所示：

表1各姿态参数emd分解结果

步骤4：对于分解后的17个本征模函数和3个剩余变量，在分别构建gru预测模型之前，为提高模型的收敛速度，分别采用最大最小值法将数据归一化至[0,1]，如下式所示：

其中，x，x’分别为归一化前、后的样本数据，xmax和xmin为变量x的最大、最小值。

步骤5：对于归一化之后的17个本征模函数和3个剩余变量，分别建立基于门控循环单元神经网络的盾构姿态预测模型。全部数据中80％作为训练集，剩余20％作为测试集。

步骤6：对于划分后的数据集，分别采用滑动窗口的方式进行数据切割，以得到各预测模型的输入、输出变量。本实例中将窗口宽度设置为10，即用过去10个时刻的数据对当前时刻的姿态进行预测，如下式所示：

yi(t)＝f(yi(t-1),yi(t-2),…,yi(t-10))

步骤7：当数据划分完成后，即可基于门控循环神经网络进行预测模型的构建与训练，首先应进行模型初始网络结构的设置。本发明实例中，将初始网络结构设置为3个gru层，3个dropout层(防止过拟合)，1个dense层。通过试验法分别确定出姿态预测模型的学习率(lr)、迭代次数(iter)、批处理大小(epoch)的取值范围，并采用交叉验证网格搜索的方式得到最优超参数组合。将优化算法设置为adam算法，gru层采用sigmoid函数，dense层采用tanh函数，目标函数为均方误差(mse)，具体的计算方式为：

其中，yi为模型预测值，yi为工程实测值。

步骤8：采用设置好的初始网络结构和超参数组合，基于训练集进行模型训练，将训练的标准设定为mse<7％，当模型训练达到该标准时停止迭代(注：当模型训练结束，迭代次数达到设定的迭代次数，但尚未达到设定的标准时，需要增加模型迭代次数)。若模型训练未达到设定标准，需要返回步骤7重新进行模型网络结构和超参数设定以优化模型训练结果，使其达到mse<7％的目标。

步骤9：模型训练完成后，得到的各个模型最优超参数组合如表2所示：

表2gru预测模型最优超参数组合

此时，即可采用测试集进行模型性能测试。将测试集的预测结果和真实结果进行比对，本实施例中所采用的评价指标为：

其中，r2为相关系数，mse为均方误差，yi为模型预测值，yi为工程实测值。均方根误差越小、相关系数越大，说明模型性能越好。

步骤10：将分预测模型的预测结果分别采用最优组合赋权的方式赋予不同的权重，以得到结果姿态数据(即，结果俯仰角数据、结果横摆角数据和结果滚动角数据)。具体的实现方式为：

设gru姿态预测模型得到的预测结果为{y1,y2,..,yv}，采用最优组合赋权得到结果姿态数据，即：

式中，y为各预测模型的结果数据，y1,y2,..,yv分别为v-1个本征模函数和剩余变量的预测结果，为各个预测模型的预测结果占最终预测结果的权重。

以使得组合模型的调和平均误差e最小化的思想来实现最优组合赋权，通过将其转化为求解最优化问题的方式进行计算，即：

mine²

s.t.

i＝1,2,…,v

在python中编写相应代码通过上述公式计算得，各个模型中分模型赋权情况如表3所示：

表3各个模型中分模型赋权情况

步骤11：为验证本发明公开的准确性和有效性，将其与经典的bp、支持向量回归(svr)算法的预测结果进行对比(如表4所示)。结果表明，本发明公开的基于最优组合赋权的emd-gru盾构姿态预测模型的准确性较高，能够为盾构施工过程中姿态预测提供一种新的思路，进而有助于实现盾构姿态的主动控制。

表4各模型预测结果对比

以上所述仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。