(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 202111386994.1 (22)申请日 2021.11.22 (71)申请人 中铁高新工业股份有限公司 地址 100160 北京市丰台区汽车博物馆东 路1号院3号楼43层43 01 申请人 中铁工程服务有限公司 　 西南交通大 学 (72)发明人 刘绥美　牟松　徐进　苏叶茂　 章龙管　张泽慧　朱菁　梅元元　 李才洪　杨冰　刘洋　梁博　 张中华　胡可　陈鑫　李明扬　 陈可　王奇彬　 (74)专利代理 机构 成都智言知识产权代理有限 公司 51282 代理人 濮云杉(51)Int.Cl. G06F 30/13(2020.01) G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种盾构姿态位置偏差预测方法 (57)摘要 本发明属于盾构掘进技术领域， 具体涉及一 种盾构姿态 位置偏差预测方法。 本发 明将已完工 的盾构施工项目的各项参数作为源域数据， 在预 训练模型中训练， 并提取预训练模 型中特征提取 层的相关参数， 在特征提取层之后叠加两层新的 全连接层， 构成盾构姿态偏差预测模型， 将当前 盾构施工项目中的各参数作为目标数据， 并使用 目标数据在盾构姿态偏差预测模 型上进行训练， 从而得到盾构掘进偏差的预测； 并且本发明将已 完工的盾构施工项目的各项参数作为源域数据， 保证了在盾构施工的初始阶段中有足够的训练 数据进行训练， 进而保证了盾构姿态偏差预测模 型的预测效果。 避免了盾构初始阶段中仅有少量 的数据进行训练， 导 致预测效果 不准确的情况。 权利要求书2页 说明书8页 附图3页 CN 114117599 A 2022.03.01 CN 114117599 A 1.一种盾构姿态位置偏差预测方法， 其特 征在于， 包括以下步骤： 步骤1： 采用已完工的盾构施工项目的盾构掘进参数和施工地质环境的特征信息作为 源域数据， 并使用源域数据在预训练模型 上进行训练； 步骤2： 采用迁移学习迁移预训练模型中的特征提取层， 并在特征提取层后面叠加两层 新的全连接层， 构成盾构姿态偏差预测模型， 在存储介质中新建适用于保存所述盾构姿态 偏差预测模型的结构空间； 步骤3： 采用当前的盾构施工项目的盾构掘进参数和施工地质环境的特征信息作为目 标数据， 从所述结构空间中读取出盾构姿态偏差预测模型， 并使用目标数据在盾构姿态偏 差预测模型 上进行训练。 2.根据权利要求1所述的一种盾构姿态位置偏差预测方法， 其特征在于， 所述源域数据 在预训练模型中的训练步骤如下： 步骤A： 通过混合神经网络前向传播得到预测值； 步骤B： 计算源域数据的预测损失； 步骤C： 反向传播更新预训练模型参数， 优化预训练模型的预测效果直到达到预先设定 的迭代次数， 所述迭代次数通过第一计数器进行计算和保存。 3.根据权利要求1所述的一种盾构姿态位置偏差预测方法， 其特征在于， 所述目标数据 在盾构姿态偏差预测模型中的训练步骤如下： 步骤A： 通过盾构姿态位置偏侧预测模型 前向传播得到预测值； 步骤B： 计算目标 数据的预测损失； 步骤C： 反向传播更新模型， 优化盾构姿态偏差预测模型的预测效果直到达到预先设定 的迭代次数， 所述迭代次数通过第二计数器进行计算和保存。 4.根据权利要求1所述的一种盾构姿态位置偏差预测方法， 其特征在于， 所述预训练模 型和盾构姿态偏差预测模型均包括多个CN N层、 多个LSTM层、 残差网络以及多个全连接层； 所述CNN层用于过滤噪声并初步提取特征； 所述LSTM层用于提取时间变化特征； 所述残 差网络用于 保障深度神经网络的性能； 所述全连接层用于生 成预测变量， 通过CNN层和LSTM 层提取的特 征信息进行整合， 预测未来时刻的盾构掘进 姿态位置 。 5.根据权利要求4所述的一种盾构姿态位置偏差预测方法， 其特征在于， 所述CNN层由 卷积层和激活层构成； CNN层通过卷积层以及激活层提取特征， 并将提取到的特征输入到 LSTM层中， 最后通过全连接层输出回归结果； 其中卷积层首先对当前卷积层的输入进行卷积操作， 再利用非线性激活函数构建本卷 积网络层的输出， 其公式为： ak＝f(wkxk‑1+bk)； 式中： k是第k ‑th层； xk‑1是当前卷积层的输入； wk是权重； bk是偏置； f(wkxk‑1+bk)表示f (·)代表激活函数； ak是第k层输出。 6.根据权利要求5所述的一种盾构姿态位置偏差预测方法， 其特征在于， 采用修正线性 单元使部分神经 元的输出值 为零， 所述修正线性单 元的计算公式为： ak＝f(yk)＝max{0， yk}； 式中： yk表示卷积操作的输出值； ak是yk的激活值； f( ·)代表激活函数； max{}表示取最 大值。权　利　要　求　书 1/2 页 2 CN 114117599 A 27.根据权利要求4所述的一种盾构姿态位置偏差预测方法， 其特征在于， 所述的LSTM层 中的门包括输入门、 遗 忘门和输出门， 计算公式如下： ft＝σ(wf·[ht‑1， xt]+bf)； it＝σ(wi·[ht‑1， xt]+bi)； ot＝σ(wo·[ht‑1， xt]+bo)； ht＝ot⊙tanh(ct)； 式中， ht‑1为前一LSTM层的输出， xt是当前LSTM层的输入， σ()是S igmoid激活函数， tanh ()是tanh激活函数， wf， wi， wc是网络权重， bf， bi， bc是偏差， ct‑1是前一LSTM层的记忆单元， ct 是当前LSTM层的记忆单元， ft是遗忘门的输出值， it是输入门的输出值， ot是输出门的输出 值， 是当前LSTM层的临时记 忆单元， ht是当前LSTM的输出。 8.根据权利要求4所述的一种盾构姿态位置偏差预测方法， 其特征在于， 所述残差网络 通过增加跳转链接将浅层的特征直接传递到深层； 故残差网络中采用如下公式计算损失函 数的梯度： 式中： H(XL)表示为H( ·)为恒等函数或卷积函数， FL(XL， WL， bL)表示为F( ·)描述网络的 非线性函数。 9.根据权利要求1 ‑8任意一项权利要求所述的一种盾构姿态位置偏差预测方法， 其特 征在于， 所述的源域数据和目标 数据的获取 方法如下 所述： 分别获取当前和已完 工的盾构施工项目的盾构掘进参数和施工地质环境的施工数据； 分别删除当前和已完 工的施工数据中的非掘进状态的数据； 分别删除当前和已完 工的施工数据中的盾构始发阶段的数据； 分别删除当前和已完 工的施工数据中的缺失值、 重复值记录以及数据离群点； 对删除上述数据后的当前和已完工的施工数据中的分类特征分别进行one ‑hot编码， 转化成数值变量； 用MinMaxScaler方法对进行编码后的当前和已完工的数据分别进行归一化处理， 将数 据缩放到[0， 1]之间， 公式为： 式中， x表示数据原始值， min()表示取最小值， max()表示取最大值， x*表示归一化处理 后的值。 将进行缩放后的当前和已完工的数据分别分为多个样本， 每个样本由具有5个时间间 隔的89个输入变量和1个时间间隔的输出变量组成； 下一个样 本的输入以1个时间间隔作为 时间窗口向前滑动。 10.根据权利要求9所述的一种盾构姿态位置偏差预测方法， 其特征在于， 一个所述的 时间间隔取值在3 0秒。权　利　要　求　书 2/2 页 3 CN 114117599 A 3