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。

本发明的目的就是研发一种盾构机姿态预测模型训练方法及盾构机姿态优化方法，本发明能够针对不同地层，根据已有机器学习模型的测试结果，为不同训练模型分配权重，建立起使用多种机器学习模型的集成学习模型，从而确保集成学习模型能够适应各种地层情况，大大提高集成学习模型的准确性与可靠性。

与本发明有关的专业术语的定义如下：

地层：一切成层岩石的总称，可以是固结的岩石，也可以是没有固结的沉积物，即土，是一层或一组具有某种统一的特征和属性的并和上下层有着明显区别的岩(土)层。

盾构法：一种隧道施工方法，使用盾构机进行地层的开挖，隧道管片的拼装。

盾构机：一种施工机械，由外壳、刀盘、顶推设备、拼装设备以及其它配套设备组成，外壳为柱体，起保护作用，其他设备在外壳内部。

刀盘：盾构机用于切削地层的设备，处于盾构机前端，通过旋转挤压将土切下。

仿形刀：沿刀盘径向伸出的刀具，可以扩大刀盘的切削范围从而帮助盾构机转弯。

顶推千斤顶：用于推进盾构机前进的千斤顶，分为上、右、下、左四个区域，通过调节四个区域的压力值，可以对盾构机姿态进行调整。

铰接千斤顶：用于调整盾构形状的千斤顶，分为上、右、下、左四个区域，通过调节四个区域的行程差，可以对盾构机形状进行调整。

螺旋出土机：通过螺旋形构件旋转，将刀盘切削下的土体运送至皮带机上的机械，螺旋形构建的旋转速度决定了出土的速度。

皮带机：将来自螺旋出土机的土体运送到渣土车上的皮带装置。

壁后注浆管：将浆液运输至管片与地层间隙的传输管道，管片拼装完成并脱出盾尾后与地层间存在一定间隙，需要注入水泥浆液等填充空隙以避免地层变形，注浆的压力与体积可以调整，以最小化地层沉降且不造成地表隆起为目标。

盾尾：盾构机后部用于保护盾构机内部设备的外壳。

隧道设计轴线：设计图中的隧道的延伸方向的方向线，既可以是直线也可以是曲线。

隧道横断面：隧道设计开挖的与隧道轴线垂直的断面。

施工里程：盾构机自始发位置到指定位置所行进的距离。

盾构施工参数：盾构机施工过程中需要设定的各种参数，例如刀盘转速等等，参数设定是否合理决定了盾构法施工的安全和质量。

盾构机姿态：盾构机轴线相对于隧道设计轴线的位置关系，包括刀盘水平偏差、刀盘竖直偏差、盾尾水平偏差、盾尾竖直偏差。

刀盘水平偏差：同一里程处刀盘中心与隧道设计轴线在水平方向上的距离，面向盾构机前进方向，以刀盘中心在隧道设计轴线左侧为正，刀盘中心在隧道设计轴线右侧为负。

刀盘竖直偏差：同一里程处刀盘中心与隧道设计轴线在水平方向上的距离，面向盾构机前进方向，以刀盘中心在隧道设计轴线上方为正，刀盘中心在隧道设计轴线下方为负。

盾尾水平偏差：同一里程处盾尾中心与隧道设计轴线在水平方向上的距离，面向盾构机前进方向，以盾尾中心在隧道设计轴线左侧为正，盾尾中心在隧道设计轴线右侧为负。

盾尾竖直偏差：同一里程处盾尾中心与隧道设计轴线在水平方向上的距离，面向盾构机前进方向，以盾尾中心在隧道设计轴线上方为正，盾尾中心在隧道设计轴线下方为负。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：

请参阅图1，本发明提供了一种盾构机姿态预测模型训练方法，该训练方法包括以下步骤：

S1：将盾构施工历史数据使用聚类算法按照掌子面上同时出现的地层种类组合进行划分，得到n_k0个类别的地层种类组合对应的地层组合样本集；所述盾构施工历史数据包括盾构施工参数数据、盾构机姿态参数数据和地层数据；

S2：将每一个类别的所述地层组合样本集按时间连续性划分出至少一个区间样本集；所述区间样本集中的每一样本包含相互对应的t_n时刻的盾构施工参数数据及t_n+1时刻的盾构机姿态参数数据，所述t_n+1时刻是所述t_n时刻的下一时刻；

S3：选取每一所述区间样本集中的部分样本构成训练集，以所述t_n时刻的盾构施工参数数据为输入参数，以所述t_n+1时刻的盾构机姿态参数数据为输出参数，对机器学习模型进行训练；并利用所述区间样本集中的另一部分样本构成测试集测试训练后的机器学习模型，并计算所述训练后的机器学习模型的准确率；

在本实施例中，将每一个区间的前p_train％的样本作为训练集，后p_test％的样本作为测试集，其中p_train:p_test介于3:1到4:1之间。

S4：按照各个所述区间样本集对应的所述准确率的大小确定最终的训练后的机器学习模型为盾构机姿态预测模型。

如图2和图3所示，在步骤S1中，将盾构施工历史数据使用聚类算法按照掌子面上同时出现的地层种类组合进行划分，得到n_k0个类别的地层种类组合对应的地层组合样本集，具体包括以下步骤：

S11：调用xlwt函数包获取盾构施工参数数据、盾构机姿态参数数据和地层数据，记为盾构施工历史数据；所述盾构施工参数数据和所述盾构机姿态参数数据有相应的数据记录系统，例如Robotec系统。所述盾构施工参数数据包括：刀具参数、千斤顶参数、工况参数及注浆参数；所述盾构机姿态参数数据包括：刀盘和盾尾的姿态数据；所述地层数据包括：掌子面上同时出现的地层种类组合和地层特征参数；

具体的，所述刀具参数包括：刀盘扭矩、刀盘转速和仿形刀行程；

所述千斤顶参数包括：顶推千斤顶分区顶力与行程和铰接千斤顶分区行程；

所述工况参数包括：螺旋出土机转速和盾构机前进速度；

所述注浆参数包括：壁后注浆压力与注浆量；

所述刀盘和盾尾的姿态数据包括：刀盘水平偏差、刀盘竖直偏差、盾尾水平偏差和盾尾竖直偏差；

所述地层特征参数包括每种地层种类组合的厚度和各个地层种类组合的各项物理力学参数；所述物理力学参数包括粘聚力、内摩擦角、水平侧压力系数、压缩模量、液限、饱和度。其中，地层种类组合以及对应的物理力学参数由地勘报告获得，每种地层种类组合的厚度由钻孔数据根据内插法获得。

根据所述盾构施工历史数据获取地层组合样本集，所述地层组合样本集的获取具体包括：

S111：对所述盾构施工历史数据进行预处理，去除异常值和停机段的值，得到盾构施工参考数据；

S112：根据所述盾构施工参考数据，得到a个盾构机姿态参数，记为b个盾构施工参数，记为c+d个地层参数，其中，为掌子面上各个地层种类组合的厚度，为各个地层种类组合的各项物理力学参数；i＝1,2…n；

S113：将所述a个盾构机姿态参数、b个盾构施工参数和c+d个地层参数按时间合并，同时加入下一时刻的盾构机姿态参数数据，所述下一时刻的盾构机姿态参数数据记为得到所述地层组合样本集，所述地层组合样本集为：

所述预处理包括：降噪和结构化；

所述降噪包括异常值的剔除和停机段的剔除；

所述异常值的剔除具体包括以下步骤：

A1：判断数据是否属于对应参数的值域内，若否，则删除此数据；

A2：计算每个参数的平均值μ与方差σ；

A3：判断每一个参数的各个时刻的数据是否属于置信区间[μ-3σ,μ+3σ]，若否，则删除此数据；

所述停机段的剔除具体包括以下步骤：

B1：判断千斤顶行程是否变化，若否，将此时间段内的所有数据剔除；

所述结构化包括所述盾构施工参数数据的提取与映射、所述地层数据的提取与映射和归一化；

所述盾构施工参数数据的提取与映射具体包括以下步骤：

C1：获取所述盾构机姿态参数数据的监测时间间隔Δt_p、每个监测点对应时刻t_i以及该时刻盾构机姿态其中a为盾构机姿态参数的个数，i＝1,2…n；

C2：选取时间范围内n个盾构施工参数，计算所述n个盾构施工参数的平均值，所述n个盾构施工参数的平均值为：

其中，b为盾构施工参数的个数；

C3：将所述n个盾构施工参数的平均值作为此Δt_p时间间隔内，t_i时刻盾构施工参数数据的代表值，得到与所述盾构机姿态参数数据一致的盾构施工参数数据；

所述地层数据的提取与映射具体包括以下步骤：

D1：通过钻孔得到的每个钻孔位置处的各种地层厚度分布；

D2：通过内插法得到与施工里程x一一对应的地层厚度函数h(h₁,h₂,h₃,...,h_n)＝f(x)，

D3：计算每个盾构机姿态记录时刻的盾构机里程；

D4：通过所述盾构机里程得到此时盾构机掌子面上每种地层种类组合的厚度和各个地层种类组合的各项物理力学参数其中，c为各个地层种类组合的各项物理力学参数的个数，d为掌子面上每种地层种类组合的厚度的个数，i＝1,2…n；

所述归一化具体包括以下步骤：

E1：根据所述盾构机姿态、所述盾构施工参数、所述盾构机掌子面上的厚度以及每种地层的各项物理力学参数以及下一时刻的盾构机姿态得到样本结构，所述样本结构为：

其中，i＝1,2…n；

E2：根据所述样本结构，将所述样本结构的参数名作为列名，所述样本结构的参数值作为单元格值，形成一张二维表格；

E3：根据所述二维表格，使用最大值-最小值归一化方法对所述二维表格的每一列值进行归一化操作，得到存储于表格中的地层组合样本集。

S12：计算掌子面上同时出现的地层种类组合的总数n_s；

S13：随机选择所述盾构施工历史数据中的n_s个样本作为初始聚类中心设定最大迭代次数n_max与最小误差变化ε_min；

S14：计算每一样本到聚类中心的距离，将距离最小的类别作为所述样本的所属类别；

S15：针对每个类别n为第i类中的样本总数，重新计算每一类别的新的聚类中心，所述新的聚类中心的计算方法为：

S16：判断是否到达迭代终止条件，所述迭代终止条件为：是否达到最大迭代次数n_max或两次迭代之间的所有类别的聚类中心变化位置均小于最小误差变化ε_min；若否，以新的聚类中心为所述类别的聚类中心，返回执行步骤S14；若是，确定得到的所有地层种类组合的类别和每一所述类别对应的地层组合样本集；所述类别为n_k0个。

如图3所示，将每一个类别的所述地层组合样本集按时间连续性划分出至少一个区间样本集，最终得到n_k个区间。

在步骤S3中，选取每一所述区间样本集中的部分样本构成训练集，以所述t_n时刻的盾构施工参数数据为输入参数，以所述t_n+1时刻的盾构机姿态参数数据为输出参数，对机器学习模型进行训练，具体包括：

S31：针对每一所述区间样本集建立一机器学习模型；

S32：利用所述区间样本集中的训练集训练对应的机器学习模型；

S33：在训练过程中使用网格法对所述机器学习模型的超参数进行调整，得到训练后的机器学习模型。

所述机器学习模型至少包括2种算法模型，所述训练集分别对至少2种所述算法模型进行训练，所述测试集分别对至少2种训练后的算法模型进行测试。

如图4所示，在本实施例中所述机器学习模型为3种算法模型，分别为MLP模型、SVM模型和GBR模型。本发明的机器学习算法建模通过python语言实现。

其中，MLP模型训练的具体流程如下：

1)调用xlwt函数包读取存储于表格中的地层组合样本集；

2)调用sklearn函数包中的PCA算法，保存的特征进行实例化，对地层组合样本集的输入参数进行降维，取值90以上；所述输入参数包括：a个盾构机姿态参数、b个盾构施工参数和c+d个地层参数；

3)调用sklearn中的MLPRegressor算法，对应于n_k个区间建立n_k个MLP模型；

4)依次使用每一区间的训练集对对应的MLP模型进行训练，使用对应的测试集计算MLP模型的准确率，使用网格法对超参数进行选择，主要调整的超参数为“hidden_layer_sizes”，“activation”，“solver”，“learning_rate”和“alpla”，推荐取值为“hidden_layer_sizes＝(50,100),activation＝'logistic',solver＝'sgd',learning_rate＝'adaptive',alpha＝0.01”，得到准确率最高的MLP模型，以及在各个区间上的准确率。

SVM模型训练的具体流程如下：

1)调用xlwt函数包读取存储于表格中的地层组合样本集；

2)调用sklearn函数包中的PCA算法，保存的特征进行实例化，对地层组合样本集的输入参数进行降维，取值90以上；所述输入参数包括：a个盾构机姿态参数、b个盾构施工参数和c+d个地层参数；

3)调用sklearn中的SVM算法，对应于n_k个区间建立n_k个SVM模型；

4)依次使用每一区间的训练集对对应的SVM模型进行训练，使用对应的测试集计算SVM模型的准确率，使用网格法对超参数进行选择，主要调整的超参数为“gamma”，“kernel”和“C”，推荐取值为“gamma＝'auto',kernel＝'linear',C＝1”，得到准确率最高的SVM模型，以及在各个区间上的准确率。

GBR模型训练的具体流程如下：

1)调用xlwt函数包读取存储于表格中的地层组合样本集；

2)调用sklearn函数包中的PCA算法，保存的特征进行实例化，对地层组合样本集的输入参数进行降维，取值90以上；所述输入参数包括：a个盾构机姿态参数、b个盾构施工参数和c+d个地层参数；

3)调用sklearn中的GBR算法，对应于n_k个区间建立n_k个GBR模型；

4)依次使用每一区间的训练集对对应的GBR模型进行训练，使用对应的测试集计算GBR模型的准确率，使用网格法对超参数进行选择，主要调整的超参数为“min_samples_split”，“min_samples_leaf”,“subsample”，“n_estimators”，“loss”，“learning_rate”和“max_depth”，推荐取值为“min_samples_split＝4,min_samples_leaf＝2,subsample＝0.5,n_estimators＝500,loss＝'lad',learning_rate＝0.04,max_depth＝6”，得到准确率最高的GBR模型，以及在各个区间上的准确率。

如图4所示，在步骤S4中，按照各个所述区间样本集对应的所述准确率的大小确定最终的训练后的机器学习模型为盾构机姿态预测模型，具体包括以下步骤：

S41：计算同一所述类别的所有所述区间样本集对应的每一种所述训练后的算法模型的准确率的平均值，并确定准确率最高的所述区间样本集对应的训练后的算法模型为类目标模型；

S42：在同一所述类别中，以各种所述训练后的算法模型的准确率的平均值计算模型权重；并按所述模型权重分配所述类目标模型，得到所述类别对应的盾构机姿态预测模型。

其中，在同一所述类别中，以各种所述训练后的算法模型的准确率的平均值计算模型权重，可以使训练结果更加准确，从而能够排除客观上一些较为绝对的因素，为后续得到盾构机姿态预测模型奠定了基础。

在步骤S42中，得到盾构机姿态预测模型的步骤具体包括：

S421：分别计算MLP模型、SVM模型和GBR模型对同一类别的所有区间样本集进行预测的准确率的平均值m_j，s_j和g_j；

S422：根据所述平均值m_j，s_j和g_j计算模型权重和

S423：按照所述模型权重将所述MLP模型、SVM模型和GBR模型求和，形成三种模型的结果权重分配矩阵，矩阵的行名为地层种类组合，列名为模型算法，根据所述权重分配矩阵得到盾构机姿态预测模型。

至此，基于集成学习的盾构姿态预测模型已经搭建完毕，需要注意的是，本实施例只介绍了MLP模型、SVM模型和GBR模型三种算法，机器学习方法有很多种，可以加入其他多种方法用于集成学习。

实施例2：

请参阅图5，本发明提供了一种盾构机姿态优化方法，该优化方法包括：

1)将当前时刻的盾构施工参数输入盾构机姿态预测模型，得到下一时刻的盾构机姿态参数数据；所述盾构机姿态预测模型通过实施例1所述的盾构机姿态预测模型训练方法获得，在此不再赘述；

2)判断所述下一时刻的盾构机姿态参数数据是否超过预设的偏差限值；

若是，则调整所述盾构施工参数作为新的当前时刻的盾构施工参数，并返回执行“将当前时刻的盾构施工参数输入盾构机姿态预测模型”；

若否，按照所述下一时刻的盾构机姿态参数数据控制盾构机动作，并将所述下一时刻的盾构机姿态参数数据存至所述盾构施工参数。

在实际应用时，首先设定盾构机姿态偏差限值，规范规定为±50mm，一般可选为±30mm；其次，选取盾构施工过程中司机经常调节的施工参数作为待调整参数，包括：顶推千斤顶顶力与行程、刀盘转速与扭矩、铰接千斤顶行程、注浆量、推进速度。再次，将当前时刻的施工参数作为施工参数优化的初始值，输入集成学习预测模型，得到下一时刻盾构机姿态的预测值；最后，判断下一时刻盾构机姿态的预测值是否超过偏差限值，若不超过，则将此施工参数作为当前时刻施工参数值控制所述盾构机动作，若超过，则依次调整盾构司机经常调节的施工参数，每调整一次就输入模型进行一次判断，直到下一时刻盾构机姿态满足要求，或者施工参数超过其取值范围。

实施例3：

本发明提供了一种盾构机姿态预测模型训练系统，该训练系统包括：

地层种类组合划分模块1，用于将盾构施工历史数据使用聚类算法按照掌子面上同时出现的地层种类组合进行划分，得到n_k0个类别的地层种类组合对应的地层组合样本集；所述盾构施工历史数据包括盾构施工参数数据、盾构机姿态参数数据和地层数据；

区间样本集划分模块2，用于将每一个类别的所述地层组合样本集按时间连续性划分出至少一个区间样本集；所述区间样本集中的每一样本包含相互对应的t_n时刻的盾构施工参数数据及t_n+1时刻的盾构机姿态参数数据，所述t_n+1时刻是所述t_n时刻的下一时刻；

机器学习模型训练模块3，用于选取每一所述区间样本集中的部分样本构成训练集，以所述t_n时刻的盾构施工参数数据为输入参数，以所述t_n+1时刻的盾构机姿态参数数据为输出参数，对机器学习模型进行训练；并利用所述区间样本集中的另一部分样本构成测试集测试训练后的机器学习模型，并计算所述训练后的机器学习模型的准确率；

盾构机姿态预测模型建立模块4，用于按照各个所述区间样本集对应的所述准确率的大小确定最终的训练后的机器学习模型为盾构机姿态预测模型。

实施例4：

本发明提供了一种盾构机姿态优化系统，该优化系统包括：

盾构机姿态参数数据获取模块5，用于将当前时刻的盾构施工参数输入盾构机姿态预测模型，得到下一时刻的盾构机姿态参数数据；

判断模块6，用于判断所述下一时刻的盾构机姿态参数数据是否超过预设的偏差限值；

若是，则调整所述盾构施工参数作为新的当前时刻的盾构施工参数，并返回执行“将当前时刻的盾构施工参数输入盾构机姿态预测模型”；

若否，按照所述下一时刻的盾构机姿态参数数据控制盾构机动作，并将所述下一时刻的盾构机姿态参数数据存至所述盾构施工参数。

综上所述，本发明能够使用聚类方法依据盾构施工历史数据对地层种类组合进行分类，从而作为后续各种机器学习方法的分段建模提供依据。依据分段结果，使用多种机器学习模型建模并根据准确率进行权重分配，就可以得到适用于各种地层种类组合的集成学习模型。所述集成学习模型可以针对指定地层，为具有更高准确率的机器学习模型分配更高的权重，因此具有更高的准确率，而且不同地层类型采用的机器学习模型不同，因此不会出现因地层突变导致的盾构机姿态预测不准现象，更加充分地利用了历史数据。

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。