基于长短时记忆网络的盾构机刀盘扭矩实时预测

盾构机是土质隧道开挖的优质工程机械,被广泛应用在地铁建设。刀盘扭矩是保证盾构正常推进的关键参数,能被精确实时预测对预防灾难事故、确保施工正常推进具有极高的指导意义。针对现有扭矩预测多为计算平均值的问题,提出一种基于长短时记忆(Long-Short Term Memory,LSTM)网络的扭矩实时预测模型。首先通过分析盾构机状态参数与扭矩的相关性,选择一组关键状态参数,降低输入维度;然后建立LSTM扭矩预测模型;最后利用该模型在归一化后的实际数据集上进行验证并与BP网络模型对比。试验结果表明,该模型在测试集上均方差为0.002 81,平均绝对误差为0.036 7,均优于BP网络;该模型具有良好的预测能力与泛化性能,能够很好地拟合关键状态参数与刀盘扭矩之间的非线性关系。     

基于PSO-SVR的土压平衡盾构施工进度优化

针对隧道掘进机(TBM)利用率预测研究匮乏的问题,建立数据驱动的利用率预测模型并进一步对施工进度展开优化.结合新加坡某地铁隧道项目数据,研究地质类型、司机操作与载荷对TBM利用率的影响,提出基于支持向量回归(SVR)的利用率预测方法,并以施工进度最大为目标展开操作参数优化.利用SVR建立掘进环利用率与地质类型、载荷、操作参数的映射模型;建立以施工进度最大为目标,以地质类型、载荷、操作参数为约束边界的优化方程;利用粒子群优化(PSO)寻找特定地质类型下最优的操作参数.结果表明：SVR模型在验证集和测试集上的R2分别为0.729和0.625,均优于多元线性回归、决策树、k最近邻、随机森林、AdaBoost和XGBoost模型;PSO能准确地找出最优的操作参数.     

基于高斯过程的阀控非对称液压缸模型预测控制

针对阀控非对称液压缸系统在采用PID控制器进行位置闭环控制时,存在液压缸活塞位置超调和由伺服阀阀芯切换导致控制效果差的问题,设计了基于高斯过程的非线性模型预测控制器。采用高斯过程回归训练得到阀控非对称缸系统的离散数学模型,通过求解二次规划问题,控制器输出最优序列。仿真结果表明,该机器学习方法有效估计了位置增量中噪声的标准差,预测输出更接近真实值;在多约束条件下能有效提高系统响应时间,保证活塞位置无超调,位置控制精度满足0.1 mm。