一种基于Informer架构的盾构掘进参数预测方法与流程

本发明涉及隧道掘进参数预测，尤其涉及一种基于informer架构的盾构掘进参数预测方法。

背景技术：

1、隧道掘进机凭借其高效施工和对周围环境影响较小的特点，在隧道工程建设中得到了广泛应用；盾构掘进参数的精准控制是保障隧道工程安全、高效与经济的关键，通过动态调整总推力和刀盘扭矩等核心参数，能够确保开挖面稳定、防止地表沉降并显著提升掘进效率。因此对盾构掘进参数进行准确预测，对于指导现场施工人员实时调整施工参数具有重要意义。近年来，深度学习技术，特别是transformer架构，因其卓越的处理序列数据的能力而受到广泛关注。然而经典transformer架构在处理盾构掘进这类长时间序列预测任务时仍面临诸多挑战：现在提升盾构掘进参数预测的计算效率、自适应能力和预测精度，成为了待解决的问题。

技术实现思路

1、本发明主要目的在于解决盾构机总推力和扭矩预测的问题。

2、为实现上述目的，本发明提供的一种基于informer架构的盾构掘进参数预测方法，包括：s1、采集隧道掘进机的各关键掘进参数的实时时间序列数据。

3、s2、对各关键掘进参数的实时时间序列数据进行联合异常检测，并进行标准化处理，以得到标准化后的时间序列数据。

4、s3、构建基于informer架构的预测模型。

5、s4、将标准化后的时间序列数据划分为训练集，输入预测模型进行训练，得到掘进预测模型。

6、s5、将实时采集的掘进参数数据输入掘进预测模型，输出总推力和刀盘扭矩的预测值。

7、在一个优选的实施方式中，所述对各关键掘进参数的实时时间序列数据进行联合异常检测，包括：基于盾构掘进力学机理构建物理约束关系模型，建立总推力与刀盘扭矩之间的联合可行域，结合箱型图法的统计阈值对各关键掘进参数的实时时间序列数据进行联合异常检测，以得到异常数据点标记；基于异常数据点标记的时间邻域内符合约束的正常数据点，通过基于时间距离的加权插值方法对异常数据点进行修正，以得到修正后的时间数据序列。

8、在一个优选的实施方式中，所述通过基于时间距离的加权插值方法对异常数据点进行修正，以得到修正后的时间数据序列，包括：加权插值方法的计算公式如下：

9、

10、其中，为修正后的数据点值，t为时间索引，n为异常数据点的时间邻域内所有满足物理约束的正常数据点构成的数据点集合，为数据点集合中第i个数据点的值，为基于时间距离的第i个数据点的权重系数。

11、在一个优选的实施方式中，所述进行标准化处理，以得到标准化后的时间序列数据，包括：基于候选小波基函数库中的各小波基函数与候选分解层数集合中的各分解层数的组合，对修正后的时间序列数据执行小波去噪处理，进而计算时间序列数据的信噪比，将信噪比最大的小波基函数与分解层数的组合，确定为最优小波基函数和最优分解层数，以得到标准化后的时间序列数据。

12、在一个优选的实施方式中，所述计算时间序列数据的信噪比，包括：信噪比的计算公式如下：

13、

14、式中，为信噪比，t为时间序列数据的总长度，t为时间索引，为修正后的时间序列数据在时刻t的数值，为小波去噪后的信号在时刻t的数值。

15、在一个优选的实施方式中，所述预测模型包括编码器堆叠结构，编码器堆叠结构包含编码器，编码器由第一编码器和第二编码器组成,各编码器内设有稀疏自注意力模块，且编码器堆叠结构还用于提取并输出不同蒸馏层的多尺度特征图，同时通过可学习的动态权重融合多尺度特征图。

16、在一个优选的实施方式中，所述构建基于informer架构的预测模型，包括：s701，构建位置嵌入、时态嵌入和标记嵌入，对输入序列进行时间信息编码，进而得到嵌入后的输入特征并输入至第一编码器，从而得到当前层的注意力特征图。

17、s702，通过蒸馏层对注意力特征图进行处理，以得到压缩后的特征图并传输至第二编码器；第二编码器重复执行稀疏自注意力计算和自适应强度蒸馏下采样操作，以输出第二层级的特征图。

18、s703，将注意力特征图和特征图，作为各蒸馏层的多尺度特征图集合；构建动态权重融合模块，对多尺度特征图集合进行加权融合，以得到全局特征图。

19、s704，构建解码器，并基于全局特征图和解码器，生成总推力和刀盘扭矩的预测输出。

20、在一个优选的实施方式中，所述对多尺度特征图集合进行加权融合，以得到全局特征图，包括：

21、

22、式中，为融合后的全局特征图，m为多尺度特征图的数量，m为特征图索引，为第m个特征图，为第m个特征图对应的融合权重。

23、在一个优选的实施方式中，所述将标准化后的时间序列数据划分为训练集，输入预测模型进行训练，得到掘进预测模型，包括：s901，将标准化后的时间序列数据按时间顺序划分为训练集、验证集和测试集。

24、s902，配置预测模型的训练超参数，训练超参数包括批次大小、学习率、损失函数及优化器。

25、s903，将训练集中的数据按批次大小进行分批，逐批次输入预测模型进行前向传播计算，得到每个批次的总推力和刀盘扭矩的预测值。

26、s904，基于损失函数计算预测值与训练集中对应的真实值之间的损失值，基于优化器对损失值进行反向传播，更新预测模型的网络参数。

27、s905，每完成一个训练轮次后，将验证集输入当前轮次的预测模型，计算验证集上的预测误差，当验证集上的预测误差在连续多个轮次内不再下降时，停止训练并保存当前轮次的预测模型参数，以得到掘进预测模型。

28、在一个优选的实施方式中，所述将实时采集的掘进参数数据输入掘进预测模型，输出总推力和刀盘扭矩的预测值，包括：实时采集各掘进参数数据，构建实时输入序列并进行标准化处理，将标准化后的实时输入序列输入掘进预测模型，进行前向传播计算；掘进预测模型的解码器输出层提取预测结果，以得到未来预设时间步的总推力预测值和刀盘扭矩预测值。

29、与现有技术相比，本发明具有以下有益效果：

30、1.本技术提供的一种基于informer架构的盾构掘进参数预测方法，提出了基于数据统计特征自适应选择最优小波基函数及最优分解层数的小波去噪方法，该自适应机制能够根据输入数据的信噪比和能量分布特征，自动从候选小波基函数库中挑选与当前数据噪声特征最为匹配的小波基函数及分解层数，从而实现最优的去噪效果；在稀疏自注意力模块中采用基于先验知识引导的自适应采样策略替代传统随机采样，在蒸馏层中引入自适应强度最大池化；本发明提取不同蒸馏层的多尺度特征图并通过可学习的动态权重进行融合，提升了总推力和刀盘扭矩的预测精度，为盾构施工现场的实时参数调整提供了可靠的数据支撑。

31、2.本发明在informer架构的编码器堆叠结构中进行改进；在稀疏自注意力模块中采用基于先验知识引导的自适应采样策略替代传统随机采样，利用历史注意力分布指导当前时间步的键向量采样，使高相关性查询向量的识别更加精准，同时引入探索机制避免陷入局部最优，提升了注意力的计算效率和特征提取质量。在蒸馏层中引入自适应强度最大池化，根据特征图的信息熵动态调整池化步长，实现了对信息丰富区域的精细保留和对信息冗余区域的高效压缩。使掘进预测模型在保持高计算效率的同时，显著提升了总推力和刀盘扭矩的预测精度，为盾构施工现场的实时参数调整提供了可靠的数据支撑。