(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111326755.7 (22)申请日 2021.11.10 (71)申请人 广东粤海珠三角供 水有限公司 地址 511455 广东省广州市南沙区丰泽 东 路106号 （自编1号楼） X13 01-A3665 申请人 同济大学 (72)发明人 张双俐　周耀强　杜庆峰　谢伟杰　 李晓军　赵思成　 (74)专利代理 机构 上海德昭知识产权代理有限 公司 31204 代理人 卢泓宇 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01) G06N 3/12(2006.01)G06F 30/27(2020.01) E21D 9/06(2006.01) G06F 119/14(2020.01) (54)发明名称 一种基于多影响因素的泥水盾构泥水仓压 力预测方法 (57)摘要 本发明公开了一种基于多影响因素的泥水 盾构泥水仓压力预测方法， 包括以下步骤： 步骤 1， 获取泥水盾构PLC系统采集的数据； 步骤2， 进 行泥水仓压力影响因素分析， 得到影响因素； 步 骤3， 根据影 响因素对数据进行清洗、 特征提取和 样本划分， 得到训练集数据和测试集数据； 步骤 4， 基于训练集数据， 采用遗传算法结合K折交叉 验证优化神经网络拓扑结构， 得到最优网络拓扑 结构信息并构建最优模型； 步骤5， 基于训练集数 据对最优模型进行训练， 得到拟合模型， 并基于 测试集数据对拟合模型进行评估， 若未达标则重 复步骤4～5， 直至模型预测效果达标； 步骤6， 使 用达标的模型对下一时刻 的泥水仓压力进行预 测， 对预测值是否处于合适的范围进行分析并给 出反馈信息 。 权利要求书2页 说明书6页 附图3页 CN 113935545 A 2022.01.14 CN 113935545 A 1.一种基于多影响因素的泥水盾构泥水仓 压力预测方法， 其特 征在于， 包括以下步骤： 步骤1， 获取泥水盾构 PLC系统采集的数据； 步骤2， 根据所述泥水盾构PLC系统采集的数据， 进行泥水仓压力影响因素分析， 得到影 响因素； 步骤3， 根据所述影响因素， 对所述泥水盾构PLC系统采集的数据进行清洗， 并进行特征 提取和样本划分， 得到训练集数据和 测试集数据； 步骤4， 基于所述训练集数据， 采用遗传算法结合K折交叉验证优化神经网络拓扑结构， 得到最优网络 拓扑结构信息并构建最优 模型； 步骤5， 基于所述训练集数据对所述最优模型进行训练， 得到拟合模型， 并基于所述测 试集数据对所述拟合模型进行评估以对模型的预测效果进 行进一步验证， 若 未达标则重复 步骤4～步骤5， 直至模型 预测效果达标； 步骤6， 使用预测效果验证达标的模型对下一 时刻的泥水仓压力进行预测， 对预测值是 否处于合 适的范围进行分析并给 出相应的反馈信息 。 2.根据权利要求1所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法， 其特 征在于： 其中， 步骤2中， 所述影响因素包括 直接因素和间接因素， 所述直接因素为预设的下一时刻的气垫 仓压力和泥浆液位， 所述间接因素为当前时刻的掘进参数， 包括贯入度、 刀盘扭矩、 刀盘转速、 总推进力、 推 进速度、 进浆 流量以及出浆 流量。 3.根据权利要求1所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法， 其特 征在于： 其中， 步骤3包括以下子步骤： 步骤3‑1， 将所述PLC系统采集的数据进行空值处 理和异常值处 理； 步骤3‑2， 将处理后的数据以分钟为刻度重新整理； 步骤3‑3， 将整理后的数据进行归一 化处理， 得到数据样本； 步骤3‑4， 将所述数据样本划分成训练集数据和 测试集数据。 4.根据权利要求4所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法， 其特 征在于： 其中， 步骤3 ‑1中， 所述空值处 理采用删除法， 直接删除所述空值所在时间点的参数 行， 所述异常值处 理采用3σ 准则和经验法相结合的方法， 步骤3‑2中， 以分钟为刻度重新整理数据的过程具体分为以下子步骤： 步骤3‑2‑1， 时间跨度判断： PLC控制系统数据采集频率为1s， 当以分钟为刻度时， 若60 条数据内所采集数据的时间跨度超过 70s， 则剔除该 段时间数据； 步骤3‑2‑2， 新时间刻度下的特征值计算： 计算60条数据内各个特征值的均值作 为新时 间刻度下的特 征值， 步骤3‑3中， 所述归一化处理采用z ‑score方法， 即用整理后的数据的每个特征值减去 其所有取值的均值再除以标准差， 步骤3‑4中， 将所述数据样本按照4:1的比例划分成所述训练集数据和所述测试集数 据。权　利　要　求　书 1/2 页 2 CN 113935545 A 25.根据权利要求1所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法， 其特 征在于： 其中， 步骤4包括以下子步骤： 步骤4‑1， 参数初始化： 所述遗传算法中使用到的参数包括种群个数、 遗传代数、 交叉概率、 变异概率以及个体 基因， 所述个体基因包括神经网络隐藏层 层数、 各隐藏层节点数、 激励函数以及优化 函数， 步骤4‑2， 种群初始化： 随机产生基因不同的m个 个体； 步骤4‑3， 适应度计算： 基于所述测试集， 采用K折交叉验证， 将各个模型评分均值作为 适应度值； 步骤4‑4， 选择、 遗传、 变异产生新一代种群： 根据所述适应度值对父代进行排序并选出 满足条件的父代， 并随机选择优秀父代进 行交叉、 变异产生子代， 父代和子代共同构成含有 m个个体的新种群； 步骤4‑5， 重复步骤4 ‑3～步骤4 ‑4， 直至满足算法终止条件， 获得最优个体， 从而获得最 优网络拓扑结构信息 。 6.根据权利要求6所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法， 其特 征在于： 其中， 步骤4 ‑3中， 所述模型评分均值采用的是 K折交叉验证中模型基于验证集的R2值。 7.根据权利要求6所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法， 其特 征在于： 其中， 步骤4 ‑5中的所述 算法终止条件 包括： 1)达到最大代数； 2)最优个 体评分满足设定的最优评分阈值。 8.根据权利要求1所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法， 其特 征在于： 其中， 步骤5中， 所述评估的指标采用均方根 误差和R2值， 所述均方根 误差越小、 所述R2值越大， 说明模型拟合效果越好、 预测精度越高。 9.根据权利要求1所述的一种基于多影响因素的泥水盾构泥水仓压力预测方法， 其特 征在于： 其中， 步骤6中， 使用所述训练完成的模型， 对下一时刻的泥水仓压力进行预测， 若泥水 仓压力预测值超出给定的范围， 则给予操作人员气垫仓压力和泥浆液位预设调节提醒， 辅 助控制泥水支护压力以平衡掌子面的水土 压力达到泥水平衡。权　利　要　求　书 2/2 页 3 CN 113935545 A 3