一种泥水盾构环流系统异常状况识别与预警方法与流程

本发明涉及泥水盾构环流异常识别，尤其涉及一种泥水盾构环流系统异常状况识别与预警方法。

背景技术：

1、随着城市化进程的加速和交通基础设施建设的不断扩大，泥水盾构技术在隧道施工中得到广泛应用。泥水盾构技术具有自动化程度高、节省人力、施工速度快、不受气候影响等优点，但其泥水环流系统的运行状态监测和故障预警仍面临着诸多挑战。目前，泥水盾构施工中常见的问题包括管道堵塞、磨损、失压等，这些问题会导致盾构机故障停机，严重影响施工进度，增加施工成本。

2、传统的盾构监测预警系统仅监测泥水盾构的传感器参数，无法对施工中的变形进行精准预警。此外，现有的管道堵塞检测方法虽然具有较高的效率，但使用成本较高。同时，由于施工环境的局限性，难以直接观测研究泥水环流系统的运行状态。这些问题导致了盾构施工过程中存在安全隐患，影响了施工效率和安全性。

3、现有技术存在以下缺点：

4、1. 传统的盾构监测预警系统仅监测泥水盾构的传感器参数，无法快速捕捉多参数耦合的异常事件，导致盾构施工过程中存在安全隐患，影响施工效率和安全性。

5、2. 由于施工环境的局限性，难以直接观测研究泥水环流系统的运行状态，无法准确判断和预警环流系统各类异常事件。

6、3. 现有的盾构环流系统堵塞预警方法在实际应用中，仅靠历史数据和盾构状态信息不足以准确判断环流系统堵塞，无法根据不同线路的盾构施工参数和历史数据特点，对盾构环流系统堵塞状态进行更加准确的判断和预警。

7、4. 目前的盾构环流系统异常状况识别方法缺乏对多类异常状况的综合识别和分级预警机制，无法为不同类型的异常事件提供针对性的处置建议，影响了施工的及时性和效率。

8、为了解决上述问题，亟需一种能够实时监测、准确识别并分级预警泥水盾构环流系统多类异常状况的方法及系统。

技术实现思路

1、鉴于以上技术问题，本公开提供了一种泥水盾构环流系统异常状况识别与预警方法，解决了现有技术中人工判断效率低、准确性差、单一故障识别不全面的技术问题。

2、本发明的基本构思是：基于多项目海量历史数据，建立泥水盾构环流系统异常特征数据库与基于机器学习的异常状况识别算法模型；通过在泥水环流过程中实时获取当前环流系统参数，并输入至异常状况识别算法模型中，模型根据风险程度输出分级预警信息，并给出针对性处置建议：如调整环流系统参数、调整掘进速度等参数、切换至旁通模式、全系统停机等。

3、能够充分利用多项目海量历史数据，建立泥水盾构环流系统异常特征数据库与异常状况识别算法模型，实现对当前环流系统参数的实时获取和异常状况的及时识别和预警，从而提高施工的安全性和效率，降低能耗，提高掘进效率。

4、根据本公开的一个方面，提供一种泥水盾构环流系统异常状况识别与预警方法，包括如下步骤：

5、步骤1、建立泥水盾构环流系统异常特征数据库；

6、步骤2、构建泥水盾构环流系统异常状况识别算法模型；

7、步骤3、实时获取当前环流系统参数，输入至异常状况识别算法模型中；

8、步骤4、根据模型输出的风险程度分级预警信息，执行相应的处置建议；

9、步骤5、判断预警信息是否消除，若是则返回步骤3，若否则执行步骤6；

10、步骤6、优化环流系统参数，调整掘进速度参数，切换至旁通模式或全系统停机；

11、步骤7、将本次异常事件及其处置结果存入所述异常特征数据库，更新模型训练样本集，定期触发模型增量学习。

12、在本公开的一些实施例中，所述步骤1具体包括如下步骤：

13、步骤101、收集多项目海量历史数据，包括正常运行数据和异常运行数据，所述正常运行数据包括设备运行状态、掘进参数、地质信息；所述异常运行数据包括异常事件发生时的施工数据、故障原因、解决方案；数据类型包括进浆流量、排浆流量、泥水仓顶部压力、气垫仓液位、进浆泵与排浆泵转速与进出口压力、各管路阀门开合状态、各冲刷管路流量、掘进速度、刀盘转速、各电机温度与密封冷却水冲洗流量、各气路系统压力；

14、步骤102、对历史数据进行预处理和清洗，进行特征筛选与重要性分析，提取关键特征；所述关键特征具体包括对设备按类型、盾构机直径、管路直径、掘进里程进行分类，对人员按操作经验、工作时长、以往掘进质量进行等级划分；通过无监督的聚类算法和有监督的分类算法验证组段划分的适宜性，对相关数据进行清理、可视化、规范化和离散化数据预处理工作；

15、步骤103、建立异常特征数据库，包含正常特征和异常特征；所述正常特征包括设备正常运行时的流量、压力、温度参数，以及掘进状态、地质状态信息；所述异常特征包括异常事件发生时的流量波动、压力突变、温度异常指标，以及故障类型、影响程度评估指标。

16、在本公开的一些实施例中，所述步骤2具体包括如下步骤：

17、步骤201、构建第一级异常识别模型，基于深度学习算法采用多层端到端全连接神经网络结构，输入层长度为预设维度的向量，输出为表示每个环流异常事件概率的向量；用于对环流系统运行状态进行初步判别；

18、步骤202、构建第二级异常识别模型，当所述第一级异常识别模型输出的风险评分超过预设触发阈值时激活，对多源异构传感器数据进行融合分析，针对管路堵塞、排浆滞排、气垫仓液位异常波动、进浆泵与排浆泵转速和振动异常波动典型异常进行识别；

19、步骤203、采用优化算法训练所述第一级异常识别模型和所述第二级异常识别模型，优化模型的权重和阈值；

20、步骤204、利用测试集验证模型性能，若准确率低于预设阈值，则返回步骤201重新训练模型。

21、在本公开的一些实施例中，所述步骤3具体包括如下步骤：

22、步骤301、通过安装在管路上的压力传感器、流量传感器、温度传感器采集实时数据，获取流量、压力、温度参数；

23、步骤302、获取泥水盾构的运行状态信息，包括进浆流量、排浆流量、泥水仓顶部压力、气垫仓液位、进浆泵与排浆泵转速与进出口压力、各管路阀门开合状态、各冲刷管路流量数据；

24、步骤303、将实时数据和运行状态信息输入至异常状况识别算法模型中。

25、在本公开的一些实施例中，所述步骤4具体包括如下步骤：

26、步骤401、根据异常识别模型输出的风险评分，基于图神经网络和自注意力机制构建多源信息融合诊断模型，实现多工况异常的综合识别，划分预警级别；低风险、中风险、高风险；

27、步骤402、当风险评分超过预设阈值时，生成相应的预警信息，包含故障类型、风险等级和推荐处置措施；

28、步骤403、根据预警级别，提供具体的处置建议，当低风险时，调整单个环流系统参数范围；当中风险时，调整多个环流系统参数、降低掘进速度；当高风险时，切换至旁通模式或全系统停机。

29、在本公开的一些实施例中，所述步骤6具体包括如下步骤：

30、步骤601、根据异常原因，调整环流系统的运行参数，包括进浆泵与排浆泵转速、主进浆流量、主排浆流量、冲刷管路流量；

31、步骤602、优化掘进模块参数，包括掘进速度、刀盘转速；

32、步骤603、根据故障类型判定切换策略：当故障类型为管路堵塞或排浆滞排时，切换至旁通模式进行管路冲刷后逐步恢复掘进；当故障类型为进浆泵或排浆泵机械故障时，执行全系统停机并确定停机时长。

33、本发明的有益效果在于：

34、实现对泥水盾构环流系统多类异常状况的综合识别和分级预警，克服了传统监测系统仅监测单一参数的局限性，提高了异常状况识别的准确性和全面性。

35、构建了基于多项目海量历史数据的环流系统异常特征数据库，并结合实时运行参数进行多工况综合识别。

36、基于深度学习算法自动生成分级预警信息，并融合智能化处置建议，具备跨项目自适应调整能力的异常识别模型，可灵活适配不同施工线路。

37、1. 本发明通过建立泥水盾构环流系统异常特征数据库与异常状况识别算法模型，实现了对多类异常状况的综合识别和分级预警，克服了传统监测系统仅监测单一参数的局限性，提高了异常状况识别的准确性和全面性；

38、2. 本发明利用多项目海量历史数据，结合实时获取的环流系统参数，能够更加准确地判断和识别环流系统的运行状态，有效解决了现有技术中仅依靠历史数据和盾构状态信息不足以准确判断异常的问题；

39、3. 本发明通过异常状况识别算法模型的自动生成预警信息，并结合智能化的处置建议，实现了对复杂多变施工环境的全面监测和预警，提高了施工的安全性和效率；

40、4. 本发明的异常状况识别与预警方法能够实时监测和识别环流系统的异常状况，为施工人员提供了及时的预警信息和针对性的处置建议，有效避免了因异常导致的盾构故障停机，提高了施工进度和效率；

41、5. 本发明建立的异常特征数据库和识别算法模型，可根据不同线路的施工参数和特点进行灵活调整和优化，具有较强的适应性和实用性，能够满足不同施工项目的需求。