一种TBM的关键参数控制方法、装置、设备及介质与流程

一种tbm的关键参数控制方法、装置、设备及介质
技术领域
1.本发明涉及盾构施工技术领域，特别涉及一种tbm的关键参数控制方法、装置、设备及介质。


背景技术：

2.tbm(tunnel boring machine，全断面硬岩隧道掘进机)难以适应复杂的地质条件是制约tbm进行智能决策的一大难题。在现有技术中，tbm的操作参数一般是司机根据人工经验进行手动设置，这样就会导致tbm产生的掘进载荷不符合tbm掘进地质的实际情况，进而造成tbm卡机、掘进速度低下以及机器损耗能量过大等问题。目前，针对这一技术问题，还没有较为有效的解决办法。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种tbm的关键参数控制方法、装置、设备及介质，以在找到tbm掘进最佳控制参数的同时，也可以降低tbm在掘进过程中的能耗量。其具体方案如下：
4.一种tbm的关键参数控制方法，包括：
5.基于深度神经网络，预先利用tbm的历史掘进数据分别创建所述tbm的推进速度模型、刀盘转速模型、刀盘转矩模型、推进力模型以及围岩分级模型；
6.利用所述推进速度模型、所述刀盘转速模型、所述刀盘转矩模型和所述推进力模型确定所述tbm在切削单位体积围岩时所消耗的能量，得到目标能量模型；其中，所述目标能量模型只含有未知参数刀盘转速和推进速度；
7.当所述tbm获取当前里程下的围岩等级时，则实时采集目标掘进数据，并利用所述目标掘进数据和所述围岩分级模型确定所述tbm掘进围岩的目标围岩等级；
8.利用所述推进速度模型、所述刀盘转速模型和所述目标围岩等级对所述tbm的推进速度和刀盘转速进行预测，分别得到预测推进速度和预测刀盘转速；
9.确定所述预测推进速度与所述tbm的实际推进速度之间的第一误差，并确定所述预测刀盘转速与所述tbm的实际刀盘转速之间的第二误差；
10.若所述第一误差和所述第二误差符合预设条件，则确定所述目标能量模型中能量消耗值最低所对应的目标刀盘转速和目标推进速度，并分别按照所述目标刀盘转速和所述目标推进速度对所述tbm进行调控；
11.若所述第一误差和所述第二误差不符合所述预设条件，则分别按照所述预测推进速度和所述预测刀盘转速对所述tbm进行调控。
12.优选的，所述深度神经网络具体为全连接神经网络。
13.优选的，所述基于深度神经网络，预先利用tbm的历史掘进数据分别创建所述tbm的推进速度模型、刀盘转速模型、刀盘转矩模型、推进力模型以及围岩分级模型的过程，包括：
14.获取所述tbm在正常掘进状态下的所述历史掘进数据；其中，所述历史掘进数据包括：历史围岩等级、历史刀盘转矩、历史推进力、历史刀盘转速和历史推进速度；
15.基于所述全连接神经网络，并利用所述历史围岩等级、所述历史刀盘转矩、所述历史推进力和所述历史刀盘转速创建所述推进速度模型；
16.基于所述全连接神经网络，并利用所述历史围岩等级、所述历史刀盘转矩、所述历史推进力和所述历史推进速度创建所述刀盘转速模型；
17.基于所述全连接神经网络，并利用所述历史围岩等级、所述历史刀盘转速和所述历史推进速度创建所述刀盘转矩模型；
18.基于所述全连接神经网络，并利用所述历史围岩等级、所述历史刀盘转速和所述历史推进速度创建所述推进力模型；
19.基于所述全连接神经网络，并利用所述历史推进力、所述历史刀盘转矩、所述历史推进速度和所述历史刀盘转速创建所述围岩分级模型。
20.优选的，所述利用所述推进速度模型、所述刀盘转速模型、所述刀盘转矩模型和所述推进力模型确定所述tbm在切削单位体积围岩时所消耗的能量，得到目标能量模型的过程，包括：
21.利用所述推进速度模型、所述刀盘转速模型、所述刀盘转矩模型和所述推进力模型确定所述tbm在切削单位体积围岩所消耗的能量，得到初始能量模型；
22.对所述初始能量模型进行参数转换，以获取只含有未知参数刀盘转速和推进速度的所述目标能量模型。
23.优选的，所述利用所述目标掘进数据和所述围岩分级模型确定所述tbm掘进围岩的目标围岩等级的过程之前，还包括：
24.剔除所述目标掘进数据中的异常数据。
25.优选的，所述确定所述目标能量模型中能量消耗值最低所对应的目标刀盘转速和目标推进速度的过程，包括：
26.利用3σ原则对所述历史掘进数据进行处理，得到目标处理数据；
27.基于粒子群优化算法，利用所述目标处理数据和所述目标围岩等级确定所述目标能量模型中能量消耗值最低所对应的所述目标刀盘转速和所述目标推进速度。
28.相应的，本发明还公开了一种tbm的关键参数控制装置，包括：
29.模型创建模块，用于基于深度神经网络，预先利用tbm的历史掘进数据分别创建所述tbm的推进速度模型、刀盘转速模型、刀盘转矩模型、推进力模型以及围岩分级模型；
30.能量计算模块，用于利用所述推进速度模型、所述刀盘转速模型、所述刀盘转矩模型和所述推进力模型确定所述tbm在切削单位体积围岩时所消耗的能量，得到目标能量模型；其中，所述目标能量模型只含有未知参数刀盘转速和推进速度；
31.等级确定模块，用于当所述tbm获取当前里程下的围岩等级时，则实时采集目标掘进数据，并利用所述目标掘进数据和所述围岩分级模型确定所述tbm掘进围岩的目标围岩等级；
32.速度预测模块，用于利用所述推进速度模型、所述刀盘转速模型和所述目标围岩等级对所述tbm的推进速度和刀盘转速进行预测，分别得到预测推进速度和预测刀盘转速；
33.误差计算模块，用于确定所述预测推进速度与所述tbm的实际推进速度之间的第
一误差，并确定所述预测刀盘转速与所述tbm的实际刀盘转速之间的第二误差；
34.第一判定模块，用于若所述第一误差和所述第二误差符合预设条件，则确定所述目标能量模型中能量消耗值最低所对应的目标刀盘转速和目标推进速度，并分别按照所述目标刀盘转速和所述目标推进速度对所述tbm进行调控；
35.第二判定模块，用于若所述第一误差和所述第二误差不符合所述预设条件，则分别按照所述预测推进速度和所述预测刀盘转速对所述tbm进行调控。
36.相应的，本发明还公开了一种tbm的关键参数控制设备，包括：
37.存储器，用于存储计算机程序；
38.处理器，用于执行所述计算机程序时实现如前述所公开的一种tbm的关键参数控制方法的步骤。
39.相应的，本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述所公开的一种tbm的关键参数控制方法的步骤。
40.可见，在本发明中，是预先利用tbm的历史掘进数据分别创建tbm的推进速度模型、刀盘转速模型、刀盘转矩模型、推进力模型以及围岩分级模型；之后，再利用创建好的各个模型确定出tbm在切削单位体积围岩时所消耗的能量，得到目标能量模型；当tbm获取当前里程下的围岩等级时，则实时采集目标掘进数据，并利用目标掘进数据和围岩分级模型确定出tbm当前掘进围岩的目标围岩等级；然后，再对tbm的推进速度和刀盘转速进行预测，分别得到tbm的预测推进速度和预测刀盘转速，并计算tbm的预测推进速度与实际推进速度之间的第一误差，以及tbm的预测刀盘转速与实际刀盘转速之间的第二误差；如果第一误差和第二误差符合预设条件，则查找目标能量模型中能量消耗值最低所对应的目标刀盘转速和目标推进速度，并分别按照目标刀盘转速和目标推进速度对tbm进行调控；如果第一误差和第二误差不符合预设条件，则分别按照预测推进速度和预测刀盘转速对tbm进行调控。由于在该方法实施中不需要根据人工经验对tbm的控制参数进行调控，全部是由机器学习获取得到tbm的操作参数，这样就可以使得tbm的实际掘进载荷更加符合tbm掘进地质的实际情况。并且，当tbm的预测推进速度和预测刀盘转速与其相应的实际值匹配程度较高时，是优先采用掘进能耗比最小的控制策略来对tbm的控制参数进行调整，由此就可以显著降低tbm在掘进过程中的能耗量。相应的，本发明所提供的一种tbm的关键参数控制装置、设备及介质，同样具有上述有益效果。
附图说明
41.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，还可以根据提供的附图获得其他的附图。
42.图1为本发明实施例所提供的一种tbm的关键参数控制方法的流程图；
43.图2为tbm掘进时的控制策略流程图；
44.图3为本发明实施例所提供的一种tbm的关键参数控制装置的结构图；
45.图4为本发明实施例所提供的一种tbm的关键参数控制设备的结构图。
具体实施方式
46.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做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。
47.请参见图1，图1为本发明实施例所提供的一种tbm的关键参数控制方法的流程图；该方法包括：
48.步骤s11：基于深度神经网络，预先利用tbm的历史掘进数据分别创建tbm的推进速度模型、刀盘转速模型、刀盘转矩模型、推进力模型以及围岩分级模型；
49.步骤s12：利用推进速度模型、刀盘转速模型、刀盘转矩模型和推进力模型确定tbm在切削单位体积围岩时所消耗的能量，得到目标能量模型；其中，目标能量模型只含有未知参数刀盘转速和推进速度；
50.步骤s13：当tbm获取当前里程下的围岩等级时，则实时采集目标掘进数据，并利用目标掘进数据和围岩分级模型确定tbm掘进围岩的目标围岩等级；
51.步骤s14：利用推进速度模型、刀盘转速模型和目标围岩等级对tbm的推进速度和刀盘转速进行预测，分别得到预测推进速度和预测刀盘转速；
52.步骤s15：确定预测推进速度与tbm的实际推进速度之间的第一误差，并确定预测刀盘转速与tbm的实际刀盘转速之间的第二误差；
53.步骤s16：若第一误差和第二误差符合预设条件，则确定目标能量模型中能量消耗值最低所对应的目标刀盘转速和目标推进速度，并分别按照目标刀盘转速和目标推进速度对tbm进行调控；
54.步骤s17：若第一误差和第二误差不符合预设条件，则分别按照预测推进速度和预测刀盘转速对tbm进行调控。
55.在本实施例中，提供了一种tbm的关键参数控制方法，利用该方法不仅可以找到tbm的最佳控制参数组合，而且，也可以降低tbm在运行过程中的能耗量。
56.在该方法中，需要预先基于深度神经网络(deep neural networks，dnn)，并利用tbm的历史掘进数据分别创建tbm的推进速度模型、刀盘转速模型、刀盘转矩模型、推进力模型以及围岩分级模型。其中，tbm的历史掘进数据是指tbm在正常掘进状态下的历史围岩等级、历史刀盘转矩、历史推进力、历史刀盘转速以及历史推进速度。并且，深度神经网络包括但不限于卷积神经网络、递归神经网络等等。
57.当创建得到tbm的推进速度模型、刀盘转速模型、刀盘转矩模型、推进力模型以及围岩分级模型之后，则根据创建好的这些模型获取得到tbm在切削单位体积围岩时所消耗的能量，得到目标能量模型；其中，目标能量模型中只含有未知参数刀盘转速和推进速度。
58.当tbm获取当前里程下的围岩等级时，需要实时采集目标掘进数据，其中，目标掘进数据包括tbm在掘进时的实际刀盘转矩、实际推进力、实际刀盘转速以及实际推进速度。当获取得到tbm的目标掘进数据时，则可以将tbm的实际刀盘转矩、实际推进力和实际刀盘转速输入至预先创建好的围岩分级模型中，从而确定出tbm当前掘进围岩的目标围岩等级。
59.当确定出tbm当前掘进围岩的目标围岩等级之后，则将tbm当前掘进围岩的目标围岩等级、tbm的实际刀盘转矩、实际推进力以及实际刀盘转速输入至预先创建好的推进速度
模型中，就可以预测出tbm当前掘进状态下的预测推进速度。同时，当将tbm当前掘进围岩的目标围岩等级、tbm的实际刀盘转矩、实际推进力以及实际推进速度输入至预先创建好的刀盘转速模型中，就可以确定出tbm当前掘进状态下的预测刀盘转速。
60.当计算出tbm当前掘进状态下的预测推进速度以及预测刀盘转速之后，再计算tbm的预测推进速度与实际推进速度之间的第一误差，以及tbm的预测刀盘转速与实际刀盘转速之间的第二误差。
61.需要说明的是，因为此步骤的目的是为了确定tbm的预测推进速度与实际推进速度之间的相似度，以及tbm的预测刀盘转速与实际刀盘转速之间的相似度，所以，在实际操作过程中，还可以将计算tbm的预测推进速度与实际推进速度之间的误差替换为计算tbm的预测推进速度与实际推进速度之间的平均值误差或者相关系数；同理，也可以将计算tbm的预测刀盘转速与实际刀盘转速之间的误差替换为计算tbm的预测刀盘转速与实际刀盘转速之间的平均值误差或者相关系数，此处不作具体赘述。
62.如果第一误差和第二误差符合预设条件，则说明tbm的预测推进速度与实际推进速度之间的匹配程度较高，同时，tbm的预测刀盘转速与实际刀盘转速之间的匹配程度也较高。在此情况下，就可以通过查找目标能量模型中能量消耗值最低所对应的目标刀盘转速和目标推进速度，然后，再按照目标刀盘转速和目标推进速度来对tbm进行调控。能够想到的是，通过这样的设置方式，就可以显著降低tbm在掘进时的能耗量。如果第一误差和第二误差不符合预设条件，则说明tbm的预测推进速度与实际推进速度之间的匹配程度较低，同时，tbm的预测刀盘转速与实际刀盘转速之间的匹配程度也较低。在此情况下，就需要分别按照tbm的预测推进速度和预测刀盘转速来对tbm的参数进行调控。
63.换句话说，tbm在实际掘进的过程中会使用两种参数调试策略。当第一误差和第二误差符合预设条件时，tbm就会按照策略一来对tbm的掘进参数进行调试，也即，通过对目标能量模型进行寻优，从而找到tbm能量消耗值最低所对应的目标刀盘转速和目标推进速度来对tbm进行调试，进而使得tbm所需要的能耗量最少；当第一误差和第二误差不符合预设条件时，tbm就会按照策略二来对tbm的掘进参数进行调试，也即，按照预测推进速度和预测刀盘转速来对tbm的调控参数进行控制，从而使得tbm能够快速找到tbm的最佳控制参数。显然，通过本实施例所提供的技术方案，就可以解决tbm在遇到复杂围岩地质不能及时响应调整tbm控制参数的问题，由此就可以使得tbm的施工过程更加安全与高效。
64.可见，在本实施例中，是预先利用tbm的历史掘进数据分别创建tbm的推进速度模型、刀盘转速模型、刀盘转矩模型、推进力模型以及围岩分级模型；之后，再利用创建好的各个模型确定出tbm在切削单位体积围岩时所消耗的能量，得到目标能量模型；当tbm获取当前里程下的围岩等级时，则实时采集目标掘进数据，并利用目标掘进数据和围岩分级模型确定出tbm当前掘进围岩的目标围岩等级；然后，再对tbm的推进速度和刀盘转速进行预测，分别得到tbm的预测推进速度和预测刀盘转速，并计算tbm的预测推进速度与实际推进速度之间的第一误差，以及tbm的预测刀盘转速与实际刀盘转速之间的第二误差；如果第一误差和第二误差符合预设条件，则查找目标能量模型中能量消耗值最低所对应的目标刀盘转速和目标推进速度，并分别按照目标刀盘转速和目标推进速度对tbm进行调控；如果第一误差和第二误差不符合预设条件，则分别按照预测推进速度和预测刀盘转速对tbm进行调控。由于在该方法实施中不需要根据人工经验对tbm的控制参数进行调控，全部是由机器学习获
取得到tbm的操作参数，这样就可以使得tbm的实际掘进载荷更加符合tbm掘进地质的实际情况。并且，当tbm的预测推进速度和预测刀盘转速与其相应的实际值匹配程度较高时，是优先采用掘进能耗比最小的控制策略来对tbm的控制参数进行调整，由此就可以显著降低tbm在掘进过程中的能耗量。
65.基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，深度神经网络具体为全连接神经网络。
66.可以理解的是，因为全连接神经网络几乎可以拟合任何函数，它的非线性拟合能力非常强，所以，当将深度神经网络设置为全连接神经网络时，就可以进一步提高在创建tbm的推进速度模型、刀盘转速模型、刀盘转矩模型、推进力模型以及围岩分级模型时的便捷度。
67.作为一种优选的实施方式，上述步骤：基于深度神经网络，预先利用tbm的历史掘进数据分别创建tbm的推进速度模型、刀盘转速模型、刀盘转矩模型、推进力模型以及围岩分级模型的过程，包括：
68.获取tbm在正常掘进状态下的历史掘进数据；其中，历史掘进数据包括：历史围岩等级、历史刀盘转矩、历史推进力、历史刀盘转速和历史推进速度；
69.基于全连接神经网络，并利用历史围岩等级、历史刀盘转矩、历史推进力和历史刀盘转速创建推进速度模型；
70.基于全连接神经网络，并利用历史围岩等级、历史刀盘转矩、历史推进力和历史推进速度创建刀盘转速模型；
71.基于全连接神经网络，并利用历史围岩等级、历史刀盘转速和历史推进速度创建刀盘转矩模型；
72.基于全连接神经网络，并利用历史围岩等级、历史刀盘转速和历史推进速度创建推进力模型；
73.基于全连接神经网络，并利用历史推进力、历史刀盘转矩、历史推进速度和历史刀盘转速创建围岩分级模型。
74.在本实施例中，是对tbm的推进速度模型、刀盘转速模型、刀盘转矩模型、推进力模型以及围岩分级模型的创建过程进行了具体说明。也即，在创建各个模型时，首先是获取tbm在正常掘进状态下的历史掘进数据；其中，tbm的历史掘进数据包括：历史围岩等级、历史刀盘转矩、历史推进力、历史刀盘转速和历史推进速度。
75.在创建tbm的推进速度模型时，先是基于全连接神经网络创建一个初始网络模型，然后，再在这个初始网络模型中输入tbm的历史围岩等级、历史刀盘转矩、历史推进力以及历史刀盘转速对该模型进行训练，就可以利用该模型输出得到tbm的推进速度，这样就创建好了tbm的推进速度模型。
76.在创建tbm的刀盘转速模型时，先是基于全连接神经网络创建一个初始网络模型，然后，再在这个初始网络模型中输入tbm的历史围岩等级、历史刀盘转矩、历史推进力以及历史推进速度对该模型进行训练，就可以利用该模型输出得到tbm的刀盘转速，这样就创建好了tbm的刀盘转速模型。
77.在创建tbm的刀盘转矩模型时，先是基于全连接神经网络创建一个初始网络模型，然后，再在这个初始网络模型中输入tbm的历史围岩等级、历史刀盘转速以及历史推进速度
对该模型进行训练，就可以利用该模型输出得到tbm的刀盘转矩，这样就创建好了tbm的刀盘转矩模型。
78.在创建tbm的推进力模型时，先是基于全连接神经网络创建一个初始网络模型，然后，再在这个初始网络模型中输入tbm的历史围岩等级、历史刀盘转速以及历史推进速度对该模型进行训练，就可以利用该模型输出得到tbm的推进力，这样就创建好了tbm的推进力模型。
79.基于同样的原理，在创建围岩分级模型时，也是先基于全连接神经网络创建一个初始网络模型，然后，再在这个初始网络模型中输入tbm的历史推进力、历史刀盘转矩、历史推进速度以及历史刀盘转速对该模型进行训练，就可以利用该模型输出得到围岩的分级等级，这样就创建好了围岩分级模型。
80.此外，在实际应用中，还可以将tbm的历史掘进数据划分为训练集、验证集和测试集。其中，训练集用于对上述的各个初始网络模型进行训练，当获取得到训练好的目标模型之后，再利用验证集来确定模型网络中的各个参数；最后，再利用测试集来确定目标模型的输出精度。需要说明的是，目标模型是指推进速度模型、刀盘转速模型、刀盘转矩模型、推进力模型以及围岩分级模型中的任意一个数学模型。
81.基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，上述步骤：利用推进速度模型、刀盘转速模型、刀盘转矩模型和推进力模型确定tbm在切削单位体积围岩时所消耗的能量，得到目标能量模型的过程，包括：
82.利用推进速度模型、刀盘转速模型、刀盘转矩模型和推进力模型确定tbm在切削单位体积围岩所消耗的能量，得到初始能量模型；
83.对初始能量模型进行参数转换，以获取只含有未知参数刀盘转速和推进速度的目标能量模型。
84.可以理解的是，因为tbm在掘进时的掘进比能es实质上就是指tbm在切削单位体积围岩时所消耗的能量，也即，tbm在切削单位体积围岩时刀盘转矩和推进力所做的功。此时，就可以得到初始能量模型的表达式如下：
[0085][0086]
式中，n为刀盘转速，t为刀盘转矩，ω为角速度，f为推进力，v为推进速度，d为刀盘直径。
[0087]
之后，再对初始能量模型进行参数转换，将初始能量模型转换为只含有未知参数刀盘转速和推进速度的目标能量模型。也即，将刀盘转矩t和推进力f转换为刀盘转速n和推进速度v的函数。此处利用函数f
t
(n,v)来表征刀盘转矩t和刀盘转速n、推进速度v之间的关系，并利用函数ff((n,v)来表征推进力f和刀盘转速n、推进速度v之间的关系。这样初始能量模型的表达式就可以变形为：
[0088][0089]
之后，再将上述函数表达式中的参数转换为国际单位，就可以得到只含有未知参数刀盘转速和推进速度的目标能量模型。其中，目标能量模型的表达式为：
[0090][0091]
基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，上述步骤：利用目标掘进数据和围岩分级模型确定tbm掘进围岩的目标围岩等级的过程之前，还包括：
[0092]
剔除目标掘进数据中的异常数据。
[0093]
可以理解的是，由于tbm在掘进的过程中会遇到各种情况，这样就会使得采集得到tbm的目标掘进数据中含有很多异常数据，比如：推进力和/或刀盘转矩小于零、或者是刀盘转速远远高于/低于正常转速范围的情况。
[0094]
显然，如果利用上述掘进数据来对tbm的掘进参数进行调整，必然会影响tbm的参数调控精度。因此，在本实施例中，为了避免上述情况的发生，是在实时采集得到tbm的目标掘进数据之后，还剔除了目标掘进数据中的异常数据，从而使得后续tbm的参数调控过程更加精确与可靠。
[0095]
基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，上述步骤：确定目标能量模型中能量消耗值最低所对应的目标刀盘转速和目标推进速度的过程，包括：
[0096]
利用3σ原则对历史掘进数据进行处理，得到目标处理数据；
[0097]
基于粒子群优化算法，利用目标处理数据和目标围岩等级确定目标能量模型中能量消耗值最低所对应的目标刀盘转速和目标推进速度。
[0098]
在本实施例中，为了查找得到目标能量模型中能量消耗值最低所对应的目标刀盘转速和目标推进速度，首先是利用3σ原则(三西格玛准则)对历史掘进数据进行处理，得到目标处理数据，也即，先利用3σ原则从历史掘进数据中找到一个能够确定出目标刀盘转速和目标推进速度的大致范围；之后，再基于粒子群优化算法，根据目标处理数据和tbm当前掘进围岩的目标围岩等级确定出目标能量模型中能量消耗值最低所对应的目标刀盘转速和目标推进速度，并利用目标刀盘转速和目标推进速度来对tbm的掘进参数进行调整。
[0099]
需要说明的是，在实际操作过程中，由于tbm刀盘转速对能耗值的影响会远大于tbm推进速度对能耗值的影响，因此，在对tbm的刀盘转速和推进速度进行参数寻优时，可以优先考虑tbm的刀盘转速。
[0100]
显然，通过本实施例所提供的技术方案，就可以进一步降低tbm在掘进时的能耗量。
[0101]
基于前述实施例所提供的技术内容，本实施例通过一个具体场景进行说明。请参见图2，图2为tbm掘进时的控制策略流程图。在tbm创建模型的研究阶段，首先可以根据tbm的历史围岩数据和历史掘进数据创建tbm的控制参数预测模型，其中，控制参数预测模型包括推进速度模型和刀盘转速模型。然后，根据tbm的历史掘进数据创建tbm的载荷参数预测模型，其中，载荷参数预测模型包括刀盘转矩模型和推进力模型。
[0102]
当tbm获取当前里程下的围岩等级时，需要实时采集tbm掘进时的目标掘进数据，其中，目标掘进数据大致可以分为两类，一类是实时控制数据，包括：tbm的实际推进速度和实际刀盘转速；另一类是实时载荷数据，包括：tbm的实际刀盘转矩和实际推进力。然后，再根据围岩分级模型和目标载荷数据计算出tbm当前掘进时的预测推进速度以及预测刀盘转
速，之后，再计算tbm的预测推进速度与实际推进速度之间的第一误差，以及tbm的预测刀盘转速与实际刀盘转速之间的第二误差。
[0103]
如果第一误差和第二误差符合预设条件，则采用策略一对tbm的控制参数进行调控，也即，通过查找目标能量模型中能量消耗值最低所对应的目标刀盘转速和目标推进速度，并分别按照目标刀盘转速和目标推进速度对tbm进行调控。如果第一误差和第二误差不符合预设条件，则采用策略二对tbm的控制参数进行调控，也即，按照计算所得tbm的预测推进速度和预测刀盘转速对tbm进行控制。
[0104]
显然，通过本实施例所提供的技术方案，不仅可以更为快速地查找到tbm在掘进时的最佳控制参数，而且，也可以降低tbm在运行过程中的能耗量。
[0105]
请参见图3，图3为本发明实施例所提供的一种tbm的关键参数控制装置的结构图，该装置包括：
[0106]
模型创建模块21，用于基于深度神经网络，预先利用tbm的历史掘进数据分别创建tbm的推进速度模型、刀盘转速模型、刀盘转矩模型、推进力模型以及围岩分级模型；
[0107]
能量计算模块22，用于利用推进速度模型、刀盘转速模型、刀盘转矩模型和推进力模型确定tbm在切削单位体积围岩时所消耗的能量，得到目标能量模型；其中，目标能量模型只含有未知参数刀盘转速和推进速度；
[0108]
等级确定模块23，用于当tbm获取当前里程下的围岩等级时，则实时采集目标掘进数据，并利用目标掘进数据和围岩分级模型确定tbm掘进围岩的目标围岩等级；
[0109]
速度预测模块24，用于利用推进速度模型、刀盘转速模型和目标围岩等级对tbm的推进速度和刀盘转速进行预测，分别得到预测推进速度和预测刀盘转速；
[0110]
误差计算模块25，用于确定预测推进速度与tbm的实际推进速度之间的第一误差，并确定预测刀盘转速与tbm的实际刀盘转速之间的第二误差；
[0111]
第一判定模块26，用于若第一误差和第二误差符合预设条件，则确定目标能量模型中能量消耗值最低所对应的目标刀盘转速和目标推进速度，并分别按照目标刀盘转速和目标推进速度对tbm进行调控；
[0112]
第二判定模块27，用于若第一误差和第二误差不符合预设条件，则分别按照预测推进速度和预测刀盘转速对tbm进行调控。
[0113]
本发明实施例所提供的一种tbm的关键参数控制装置，具有前述所公开的一种tbm的关键参数控制方法所具有的有益效果。
[0114]
请参见图4，图4为本发明实施例所提供的一种tbm的关键参数控制设备的结构图，该设备包括：
[0115]
存储器31，用于存储计算机程序；
[0116]
处理器32，用于执行计算机程序时实现如前述所公开的一种tbm的关键参数控制方法的步骤。
[0117]
本发明实施例所提供的一种tbm的关键参数控制设备，具有前述所公开的一种tbm的关键参数控制方法所具有的有益效果。
[0118]
相应的，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如前述所公开的一种tbm的关键参数控制方法的步骤。
[0119]
本发明实施例所提供的一种计算机可读存储介质，具有前述所公开的一种tbm的关键参数控制方法所具有的有益效果。
[0120]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0121]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0122]
以上对本发明所提供的一种tbm的关键参数控制方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。