多层级盾构法隧道安全保护系统及方法与流程

1.本发明属于隧道掘进技术领域，涉及一种隧道掘进保护系统，尤其涉及一种多层级盾构法隧道安全保护系统及方法。


背景技术：

2.盾构掘进机是地铁及隧道等施工项目广泛采用的大型机械，该机械集光、机、电、液、传感、信息技术于一体，可以进行土体的切削和输送、拼装隧道衬砌、测量导向纠偏等多种功能，完成隧道的一体化施工。盾构法的主要优势包括：盾构的挖掘和衬砌工作使得其施工安全性高；施工过程不会影响上层地表的陆地与河道；施工进度不会受天气影响；产生的噪音和振动对周遭的危害较小。然而盾构法施工的环境十分复杂，加上盾构机自动化程度较高，内部设备故障和外部环境改变都可能产生连锁反应，这不但会影响项目进程、造成经济损失，还可能危及到施工人员及工地周边的安全，存在严重的事故风险。
3.在实际的工程项目中，施工人员对异常事件的认识存在一定的滞后性，当发现异常时往往已经影响了施工进度。施工现场需要通过反演分析的方法分析施工参数在异常事件发现前后的数据变化，从中总结施工经验，以便于后续从特定施工参数中识别异常。
4.为保证盾构施工的效率及质量，盾构机身上装配的传感器也会将对应设备和系统的信息捕获，包括设备的运行参数和反馈参数。这些参数受到复杂因素的影响，随着施工实时变化，因此被广泛应用于盾构掘进控制、异常监测等方面。基于实时记录的传感数据，就可以发现隐藏在数据中的盾构机施工风险，以便进一步采取措施进行处理，尽可能规避风险，降低损失。因此，在监测盾构内外部风险时，基于传感器获取的施工参数数据进行监测和分析成为了备受关注的研究热点。
5.有鉴于此，如今迫切需要设计一种新的隧道掘进保护方式，以便克服现有隧道掘进保护方式存在的上述至少部分缺陷。


技术实现要素：

6.本发明提供一种多层级盾构法隧道安全保护系统及方法，有助于及时发现盾构施工异常问题，可以提高施工现场对数据的监测水平，帮助施工人员及时预警施工异常与合理操作盾构掘进。
7.为解决上述技术问题，根据本发明的一个方面，采用如下技术方案：
8.一种多层级盾构法隧道安全保护系统，所述隧道安全保护系统包括：
9.数据获取模块，用以获取设定传感器的数据，获取的数据包括实时盾构施工参数；
10.异常诊断模块，用以从所选的实时盾构施工参数中识别异常；将一段正常施工模式下的盾尾油脂压力数据经数据清理及时延法构造子序列数据集后输入模式学习模型，学习盾尾油脂压力的正常变化模式；继而更新实时数据，根据实际油脂压力递归图矩阵和预测油脂压力递归图矩阵的残差值大小，识别最新数据区段的变化模式是否发生超出设定大小的改变；若残差值高于工程经验下设定的阈值，则认为盾尾油脂压力此时存在模式异常；
11.典型特征比较模块，用以从盾尾油脂泄露事件的典型案例中提取特征指标与阈值，从而匹配盾尾油脂压力数据中的数据变化特征是否符合盾尾油脂泄露事件的异常典型特征。
12.作为本发明的一种实施方式，所述数据获取模块获取的数据包括盾尾油脂压力，与之关联的施工参数还包括盾尾油脂注入量、油脂设定值和盾尾间隙；
13.所述数据获取模块包括：实时施工参数提取单元，用以从施工经验中选择与盾构机异常相关的常见施工参数，在盾构实时数据中提取所选的施工参数数据，对时序数据进行预处理后，并输入模式学习模型中，用于初步识别异常。
14.作为本发明的一种实施方式，所述典型特征比较模块包括：
15.典型特征提取单元，用以从盾尾油脂压力和油脂注入量中提取典型特征，包括油脂压力和油脂注入量的突变比例指标；在确定各施工参数指标下的阈值后，将这些指标作为异常识别的直观依据；
16.典型特征识别单元，用以从预处理后的核心参数时序数据中，针对盾尾油脂泄露事件，并计算异常事件相关的特征指标值；当指标值超过设定阈值时，认为可能存在尾油脂泄露事件；
17.所述隧道安全保护系统还包括：报警结果输出模块，用以对异常进行报警。
18.作为本发明的一种实施方式，所述异常诊断模块包括阈值报警单元、心跳故障报警单元、控制偏差诊断单元、数据驱动的异常诊断单元中的至少一个：
19.阈值报警单元，用于识别盾构机内部发生的个别设备故障；该方法通过统计目标监测设备近期传感数据d的分布，数据去噪后确定设备正常工作状态的变化范围[d
l
,dh]，并设定上下界阈值d
l
,dh；当传感器实时记录的值dr低于下界d
l
或高于上界dh时，则认为该设备此时出现异常；
[0020]
心跳故障报警单元，用于发现盾构机与外界数据库的通讯异常；心跳协议的基本形式是：盾构plc控制系统规律性以一定频率发送脉冲信号，同时由掘进智能控制系统接收并检查心跳的连续性；心跳检测的规则为，如果当前时间与掘进智能控制系统最后一次收到心跳的时间超过设定的timeout即为超时，判断盾构plc控制系统心跳失效，即盾构出现通讯故障；
[0021]
控制偏差诊断单元，用于识别盾构姿态中模型缺陷引发的控制风险。盾构姿态的控制指标包括两个水平偏差指标(左、右)和两个高程偏差指标(上、下)，数据层中控制指标的实时监测数据记录了实际的四种控制指标值，四种控制指标值包括：水平偏差左b
left
、水平偏差右b
right
、高程偏差上b
high
、高程偏差下b
low
；而模型实时控制输出参数中则是姿态控制模型对盾构当前姿态控制参数的输出值，所述输出值包括水平偏差左b'
left
、水平偏差右b'
right
、高程偏差上b'
high
、高程偏差下b'
low
；若模型输出值与实际控制指标的偏差过大，则认为模型输出的控制参数值存在异常；因此，计算各指标的模型输出值与实际指标的差异，差异分数scorem的计算方法如公式(1)所示：
[0022]
scorem＝|b'
m-bm×
(1
±km
)|,m∈{left,right,low,high},k∈[0％,100％]
ꢀꢀꢀ
公式(1)
[0023]
其中，m表示不同方向的偏差指标，bm与b'm分别表示当前盾构的控制指标值与模型输出建议值，km表示对应控制值容许的浮动范围；同时，对差异分数scorem设定阈值sm；当
scorem大于阈值sm时，认为模型输出的控制参数远远偏离了当前盾构姿态，模型存在缺陷，需要调整；
[0024]
数据驱动的异常诊断单元，用以从实时盾构数据中获取常见异常事件相关的施工参数，继而从一段时间内这些施工参数构成的时间序列中学习参数在正常工作状态下的变化模式，并识别最新数据区段的变化模式是否发生了较大改变；若发生较大改变，可认为存在模式异常。
[0025]
作为本发明的一种实施方式，所述数据驱动的异常诊断单元包括：实时施工参数提取单元、模式学习模型构建单元、异常模式识别单元；所述实时施工参数提取单元包括时序数据清理单元、时间窗口序列构造单元；
[0026]
时序数据清理单元用以在所选施工参数部分时间点的数据缺失时根据其实际分布情况用相应的统计值补全空值；时序数据清理单元用以在所选施工参数部分时间点的数据重复时删除重复部分；时序数据清理单元用以在所选施工参数部分时间点的数据出现零值时，考虑参数的正常变化区间及施工状态；对于可能出现0值的施工参数选择不处理，对于不会归零的施工参数，若0值偶发，认为可能存在传感器记录异常，按缺失值处理；若0值多次或连续出现，认为可能存在设备异常或其他盾构异常时间，暂保留异常值；
[0027]
时间窗口序列构造单元用以从原始盾构时序数据中截取多个等长的时间窗口，即采用时延法将原始数据集x＝{x1,x2,...,xi,...,xn}划分为多个时间子序列，其中xi＝{xi,x
i τ
,...,x
i (m-1)τ
}， xi表示第i个时间序列段，xi为第i个观测到的样本，m为嵌入维，τ为时延因子；得到的时间窗口序列数据集x1,x2,...,xn表示不同时刻下的盾构施工状态，其中n满足n＝n-(m-1)τ；
[0028]
模式学习模型构建单元，用以构建模式学习模块；构建的模式学习模型分为施工参数特征提取与正常施工模式自学习两个部分；
[0029]
施工参数特征提取的方法为无阈值递归图转换；无阈值递归图转换方法计算了每个时间窗口中各时间点之间数据的距离，如公式(2)所示：
[0030]ri,j
＝||x
i-xj||,i,j＝1,2,...,n'
ꢀꢀꢀ
公式(2)
[0031]
其中，||
·
||为距离范数，n'为时间窗口中包含的时间点个数；将盾构施工数据从时间序列转换为二维对称矩阵的形式，矩阵中每个点表示任两个时间点的距离大小，从而突出了盾构数据在时序上的动态特征；
[0032]
正常施工模式自学习采用的方法为极限学习机自编码器。经过无阈值递归图转换为实时施工参数时间子序列的递归图矩阵后，该方法将子序列递归矩阵同时作为极限学习机的输入和输出，并通过随机的输入层参数计算输出层参数设定值，从而得出模型重构的参数；具体步骤包括：
[0033]
(1)设定极限学习机自编码器为m个输入和输出神经元、l个隐藏层神经元的单层神经网络；用m个连续的实时施工参数递归图矩阵构成输入p和输出q，其中 p＝q＝{r1,r2,...,rm}，因此训练样本为且m＜n；
[0034]
(2)基于特定的连续概率分布函数随机分配正交化的输入权重ai和偏差bi，并通过激活函数h(
·
)求出输入层p对应的隐含层h(p)＝[h1(p),...,h
l
(p)]，其中各隐含层神经元的计算方式如公式(3)所示；
[0035][0036]
(3)计算出隐含层神经元后，在已知输出q的条件下，通过公式(4)可求出使得残差最小的最优输出权重此时a,b,构成的模型参数集为模型自学习后的结果，即盾构实时参数在该施工时段内的变化模式；
[0037][0038]
异常模式识别单元，用以在正常施工模式学习结束后识别异常模式；从盾构实时数据中获取最新的施工参数，并形成最新的待检验的时间子序列x
n 1
；在转换成无阈值递归图矩阵 r
n 1
后，输入ai,bi,p'构成的极限学习机网络中(p'＝r
n 1
)，并利用公式(5)输出正常施工状态下的重构结果；
[0039][0040]
其中，h(a,b,p')表示当前矩阵的隐含层神经元，q'是重构的无阈值递归图矩阵。为计算实际矩阵p'与预测矩阵q'的残差，该方法采用径向基函数计算，如公式(6)所示，ω
n 1
表示两个矩阵的残差，即第n 1个施工参数时间子序列的异常分数；
[0041][0042]
异常分数的阈值δ结合不同的施工参数的变化特征及施工实际需求设定，当出现ω≥δ时，认为当前盾构施工存在与施工参数相关的异常。
[0043]
根据本发明的另一个方面，采用如下技术方案：一种多层级盾构法隧道安全保护方法，所述隧道安全保护方法包括：
[0044]
数据获取步骤，获取设定传感器的数据，获取的数据包括实时盾构施工参数；
[0045]
异常诊断步骤，从所选的实时盾构施工参数中识别异常；将一段正常施工模式下的盾尾油脂压力数据经数据清理及时延法构造子序列数据集后输入模式学习模型，学习盾尾油脂压力的正常变化模式；继而更新实时数据，根据实际油脂压力递归图矩阵和预测油脂压力递归图矩阵的残差值大小，识别最新数据区段的变化模式是否发生超出设定大小的改变；若残差值高于工程经验下设定的阈值，则认为盾尾油脂压力此时存在模式异常；
[0046]
典型特征比较步骤，从盾尾油脂泄露事件的典型案例中提取特征指标与阈值，从而匹配盾尾油脂压力数据中的数据变化特征是否符合盾尾油脂泄露事件的异常典型特征。
[0047]
作为本发明的一种实施方式，所述数据获取步骤中，获取的数据包括盾尾油脂压力，与之关联的施工参数还包括盾尾油脂注入量、油脂设定值和盾尾间隙；
[0048]
所述数据获取步骤包括：实时施工参数提取步骤，从施工经验中选择与盾构机异常相关的常见施工参数，在盾构实时数据中提取所选的施工参数数据，对时序数据进行预处理后，并输入模式学习模型中，用于初步识别异常。
[0049]
作为本发明的一种实施方式，所述典型特征比较步骤包括：
[0050]
典型特征提取步骤，从盾尾油脂压力和油脂注入量中提取典型特征，包括油脂压力和油脂注入量的突变比例指标；在确定各施工参数指标下的阈值后，将这些指标作为异
常识别的直观依据；
[0051]
典型特征识别步骤，从预处理后的核心参数时序数据中，针对盾尾油脂泄露事件，并计算异常事件相关的特征指标值；当指标值超过设定阈值时，认为可能存在尾油脂泄露事件；
[0052]
所述隧道安全保护方法还包括：报警结果输出步骤，对异常进行报警。
[0053]
作为本发明的一种实施方式，所述异常诊断步骤包括阈值报警步骤、心跳故障报警步骤、控制偏差诊断步骤、数据驱动的异常诊断步骤中的至少一个：
[0054]
阈值报警步骤包括：识别盾构机内部发生的个别设备故障；该方法通过统计目标监测设备近期传感数据d的分布，数据去噪后确定设备正常工作状态的变化范围[d
l
,dh]，并设定上下界阈值d
l
,dh；当传感器实时记录的值dr低于下界d
l
或高于上界dh时，则认为该设备此时出现异常；
[0055]
心跳故障报警步骤包括：发现盾构机与外界数据库的通讯异常；心跳协议的基本形式是：盾构plc控制系统规律性以一定频率发送脉冲信号，同时由掘进智能控制系统接收并检查心跳的连续性；心跳检测的规则为，如果当前时间与掘进智能控制系统最后一次收到心跳的时间超过设定的timeout即为超时，判断盾构plc控制系统心跳失效，即盾构出现通讯故障；
[0056]
控制偏差诊断步骤包括：识别盾构姿态中模型缺陷引发的控制风险。盾构姿态的控制指标包括两个水平偏差指标(左、右)和两个高程偏差指标(上、下)，数据层中控制指标的实时监测数据记录了实际的四种控制指标值(四种控制指标值包括：水平偏差左b
left
、水平偏差右b
right
、高程偏差上b
high
、高程偏差下b
low
)，而模型实时控制输出参数中则是姿态控制模型对盾构当前姿态控制参数的输出值(所述输出值包括水平偏差左b'
left
、水平偏差右b'
right
、高程偏差上b'
high
、高程偏差下b'
low
)；若模型输出值与实际控制指标的偏差过大，则认为模型输出的控制参数值存在异常；因此，计算各指标的模型输出值与实际指标的差异，差异分数scorem的计算方法如公式(1)所示：
[0057]
scorem＝|b'
m-bm×
(1
±km
)|,m∈{left,right,low,high},k∈[0％,100％]
ꢀꢀꢀ
公式(1)
[0058]
其中，m表示不同方向的偏差指标，bm与b'm分别表示当前盾构的控制指标值与模型输出建议值，km表示对应控制值容许的浮动范围；同时，对差异分数scorem设定阈值sm；当scorem大于阈值sm时，认为模型输出的控制参数远远偏离了当前盾构姿态，模型存在缺陷，需要调整；
[0059]
数据驱动的异常诊断步骤包括：从实时盾构数据中获取常见异常事件相关的施工参数，继而从一段时间内这些施工参数构成的时间序列中学习参数在正常工作状态下的变化模式，并识别最新数据区段的变化模式是否发生了较大改变；若发生较大改变，可认为存在模式异常。
[0060]
作为本发明的一种实施方式，所述数据驱动的异常诊断步骤包括：实时施工参数提取步骤、模式学习模型构建步骤、异常模式识别步骤；其中，实时施工参数提取步骤包括时序数据清理步骤、时间窗口序列构造步骤
[0061]
时序数据清理步骤包括：在所选施工参数部分时间点的数据缺失时根据其实际分布情况用相应的统计值补全空值；在所选施工参数部分时间点的数据重复时删除重复部
分；在所选施工参数部分时间点的数据出现零值时，考虑参数的正常变化区间及施工状态；对于可能出现0值的施工参数选择不处理，对于不会归零的施工参数，若0值偶发，认为可能存在传感器记录异常，按缺失值处理；若0值多次或连续出现，认为可能存在设备异常或其他盾构异常时间，暂保留异常值；
[0062]
时间窗口序列构造步骤包括：从原始盾构时序数据中截取多个等长的时间窗口，即采用时延法将原始数据集x＝{x1,x2,...,xi,...,xn}划分为多个时间子序列，其中xi＝{xi,x
i τ
,...,x
i (m-1)τ
}， xi表示第i个时间序列段，xi为第i个观测到的样本，m为嵌入维，τ为时延因子；得到的时间窗口序列数据集x1,x2,...,xn表示不同时刻下的盾构施工状态，其中n满足n＝n-(m-1)τ；
[0063]
模式学习模型构建步骤包括构建模式学习模块；构建的模式学习模型分为施工参数特征提取与正常施工模式自学习两个部分；
[0064]
施工参数特征提取的方法为无阈值递归图转换；无阈值递归图转换方法计算了每个时间窗口中各时间点之间数据的距离，如公式(2)所示：
[0065]ri,j
＝||x
i-xj||,i,j＝1,2,...,n'
ꢀꢀꢀ
公式(2)
[0066]
其中，||
·
||为距离范数，n'为时间窗口中包含的时间点个数；将盾构施工数据从时间序列转换为二维对称矩阵的形式，矩阵中每个点表示任两个时间点的距离大小，从而突出了盾构数据在时序上的动态特征；
[0067]
正常施工模式自学习采用的方法为极限学习机自编码器。经过无阈值递归图转换为实时施工参数时间子序列的递归图矩阵后，该方法将子序列递归矩阵同时作为极限学习机的输入和输出，并通过随机的输入层参数计算输出层参数设定值，从而得出模型重构的参数；具体步骤包括：
[0068]
(1)设定极限学习机自编码器为m个输入和输出神经元、l个隐藏层神经元的单层神经网络；用m个连续的实时施工参数递归图矩阵构成输入p和输出q，其中 p＝q＝{r1,r2,...,rm}，因此训练样本为且m＜n；
[0069]
(2)基于特定的连续概率分布函数随机分配正交化的输入权重ai和偏差bi，并通过激活函数h(
·
)求出输入层p对应的隐含层h(p)＝[h1(p),...,h
l
(p)]，其中各隐含层神经元的计算方式如公式(3)所示；
[0070][0071]
(3)计算出隐含层神经元后，在已知输出q的条件下，通过公式(4)可求出使得残差最小的最优输出权重此时a,b,构成的模型参数集为模型自学习后的结果，即盾构实时参数在该施工时段内的变化模式；
[0072][0073]
异常模式识别步骤包括：在正常施工模式学习结束后识别异常模式；从盾构实时数据中获取最新的施工参数，并形成最新的待检验的时间子序列x
n 1
；在转换成无阈值递归图矩阵 r
n 1
后，输入ai,bi,p'构成的极限学习机网络中(p'＝r
n 1
)，并利用公式(5)输出正常施工状态下的重构结果；
[0074][0075]
其中，h(a,b,p')表示当前矩阵的隐含层神经元，q'是重构的无阈值递归图矩阵；为计算实际矩阵p'与预测矩阵q'的残差，该方法采用径向基函数计算，如公式(6)所示，ω
n 1
表示两个矩阵的残差，即第n 1个施工参数时间子序列的异常分数。
[0076][0077]
异常分数的阈值δ可以结合不同的施工参数的变化特征及施工实际需求设定，当出现ω≥δ时，认为当前盾构施工存在与施工参数相关的异常。
[0078]
本发明的有益效果在于：本发明提出的多层级盾构法隧道安全保护系统及方法，有助于及时发现盾构施工异常问题，可以提高施工现场对数据的监测水平，帮助施工人员及时预警施工异常与合理操作盾构掘进。
附图说明
[0079]
图1为本发明一实施例中多层级盾构法隧道安全保护系统的组成示意图。
[0080]
图2为本发明一实施例中心跳脉冲示意图。
[0081]
图3为本发明一实施例中数据驱动异常诊断方法流程图。
[0082]
图4为本发明一实施例中数据驱动的异常诊断单元的组成示意图。
具体实施方式
[0083]
下面结合附图详细说明本发明的优选实施例。
[0084]
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
[0085]
该部分的描述只针对几个典型的实施例，本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
[0086]
说明书中各个实施例中的步骤的表述只是为了方便说明，本技术的实现方式不受步骤实现的顺序限制。说明书中的“连接”既包含直接连接，也包含间接连接。
[0087]
本发明揭示了一种多层级盾构法隧道安全保护系统，图1为本发明一实施例中多层级盾构法隧道安全保护系统的组成示意图；请参阅图1，所述隧道安全保护系统包括：数据获取模块1、异常诊断模块2、典型特征比较模块3及报警结果输出模块4。
[0088]
数据获取模块1用以获取设定传感器的数据，获取的数据包括实时盾构施工参数。
[0089]
异常诊断模块2用以从所选的实时盾构施工参数中识别异常；将一段正常施工模式下的盾尾油脂压力数据经数据清理及时延法构造子序列数据集后输入模式学习模型，学习盾尾油脂压力的正常变化模式；继而更新实时数据，根据实际油脂压力递归图矩阵和预测油脂压力递归图矩阵的残差值大小，识别最新数据区段的变化模式是否发生超出设定大小的改变；若残差值高于工程经验下设定的阈值，则认为盾尾油脂压力此时存在模式异常。
[0090]
典型特征比较模块3用以从盾尾油脂泄露事件的典型案例中提取特征指标与阈值，从而匹配盾尾油脂压力数据中的数据变化特征是否符合盾尾油脂泄露事件的异常典型特征。报警结果输出模块4用以对异常进行报警。
[0091]
在本发明的一实施例中，所述数据获取模块1获取的数据包括盾尾油脂压力，与之关联的施工参数还包括盾尾油脂注入量、油脂设定值和盾尾间隙。所述数据获取模块1包括实时施工参数提取单元，用以从施工经验中选择与盾构机异常相关的常见施工参数，在盾构实时数据中提取所选的施工参数数据，对时序数据进行预处理后，并输入模式学习模型中，用于初步识别异常。
[0092]
在本发明的一实施例中，所述典型特征比较模块3包括：典型特征提取单元301及典型特征识别单元302。典型特征提取单元301用以从盾尾油脂压力和油脂注入量中提取典型特征，包括油脂压力和油脂注入量的突变比例指标；在确定各施工参数指标下的阈值后，将这些指标作为异常识别的直观依据。典型特征识别单元302用以从预处理后的核心参数时序数据中，针对盾尾油脂泄露事件，并计算异常事件相关的特征指标值；当指标值超过设定阈值时，认为可能存在尾油脂泄露事件。
[0093]
在本发明的一实施例中，本发明为检测盾构机内外易发生的异常事件，提出了四种针对不同异常事件类型的安全保护方法，并应用于安全层级的初诊层中，初步诊断实时数据的异常。
[0094]
请继续参阅图1，所述异常诊断模块2包括阈值报警单元201、心跳故障报警单元202、控制偏差诊断单元203、数据驱动的异常诊断单元204中的至少一个。
[0095]
所述阈值报警单元201用以统计盾尾油脂压力近期传感数据的分布，数据去噪后确定设备正常工作状态的变化范围，并设定上下界阈值；当传感器实时记录的值低于下界或高于上界时，则认为该设备此时出现异常。
[0096]
在一实施例中，阈值报警单元201用于识别盾构机内部发生的个别设备故障；该方法通过统计目标监测设备近期传感数据d的分布，数据去噪后确定设备正常工作状态的变化范围 [d
l
,dh]，并设定上下界阈值d
l
,dh；当传感器实时记录的值dr低于下界d
l
或高于上界dh时，则认为该设备此时出现异常；该方法可简单直接地识别设备实时数据的异常值，输出设备故障预警。
[0097]
心跳故障报警单元202用于发现盾构机与外界数据库的通讯异常；心跳协议的基本形式是：盾构plc控制系统规律性以一定频率发送脉冲信号(图2为本发明一实施例中心跳脉冲示意图，可参阅图2)，同时由掘进智能控制系统接收并检查心跳的连续性；心跳检测的规则为，如果当前时间与掘进智能控制系统最后一次收到心跳的时间超过设定的timeout即为超时，判断盾构plc控制系统心跳失效，即盾构出现通讯故障。
[0098]
控制偏差诊断单元203用于识别盾构姿态中模型缺陷引发的控制风险。盾构姿态的控制指标包括两个水平偏差指标(左、右)和两个高程偏差指标(上、下)，数据层中控制指标的实时监测数据记录了实际的四种控制指标值(四种控制指标值包括：水平偏差左b
left
、水平偏差右b
right
、高程偏差上b
high
、高程偏差下b
low
)，而模型实时控制输出参数中则是姿态控制模型对盾构当前姿态控制参数的输出值(所述输出值包括水平偏差左b'
left
、水平偏差右b'
right
、高程偏差上b'
high
、高程偏差下b'
low
)；若模型输出值与实际控制指标的偏差过大，则认为模型输出的控制参数值存在异常；因此，计算各指标的模型输出值与实际指标的差
异，差异分数scorem的计算方法如公式(1)所示：
[0099]
scorem＝|b'
m-bm×
(1
±km
)|,m∈{left,right,low,high},k∈[0％,100％]
ꢀꢀꢀ
公式(1)
[0100]
其中，m表示不同方向的偏差指标，bm与b'm分别表示当前盾构的控制指标值与模型输出建议值，km表示对应控制值容许的浮动范围；同时，对差异分数scorem设定阈值sm；当scorem大于阈值sm时，认为模型输出的控制参数远远偏离了当前盾构姿态，模型存在缺陷，需要调整；
[0101]
数据驱动的异常诊断单元204用以从实时盾构数据中获取常见异常事件相关的施工参数，继而从一段时间内这些施工参数构成的时间序列中学习参数在正常工作状态下的变化模式，并识别最新数据区段的变化模式是否发生了较大改变；若发生较大改变，可认为存在模式异常。
[0102]
图3为本发明一实施例中数据驱动异常诊断方法流程图，图4为本发明一实施例中数据驱动的异常诊断单元的组成示意图；请参阅图3、图4，在本发明的一实施例中，所述数据驱动的异常诊断单元204包括：实时施工参数提取单元2041、模式学习模型构建单元2042、异常模式识别单元2043；所述实时施工参数提取单元2041包括时序数据清理单元2044、时间窗口序列构造单元2045。
[0103]
时序数据清理单元2044用以在所选施工参数部分时间点的数据缺失时根据其实际分布情况用相应的统计值补全空值；时序数据清理单元205用以在所选施工参数部分时间点的数据重复时删除重复部分；时序数据清理单元用以在所选施工参数部分时间点的数据出现零值时，考虑参数的正常变化区间及施工状态；对于可能出现0值的施工参数选择不处理，对于不会归零的施工参数，若0值偶发，认为可能存在传感器记录异常，按缺失值处理；若0值多次或连续出现，认为可能存在设备异常或其他盾构异常时间，暂保留异常值；
[0104]
为了学习盾构参数时序数据的变化模式，该方法需要比较前后时序数据段。因此，通过时间窗口序列构造单元2045从原始盾构时序数据中截取多个等长的时间窗口，即采用时延法将原始数据集x＝{x1,x2,...,xi,...,xn}划分为多个时间子序列，其中xi＝{xi,x
i τ
,...,x
i (m-1)τ
}，xi表示第i个时间序列段，xi为第i个观测到的样本，m为嵌入维，τ为时延因子；得到的时间窗口序列数据集x1,x2,...,xn表示不同时刻下的盾构施工状态，其中n满足n＝n-(m-1)τ；
[0105]
模式学习模型构建单元2042用以构建模式学习模块；构建的模式学习模型分为施工参数特征提取与正常施工模式自学习两个部分；
[0106]
施工参数特征提取的方法为无阈值递归图转换；无阈值递归图转换方法计算了每个时间窗口中各时间点之间数据的距离，如公式(2)所示：
[0107]ri,j
＝||x
i-xj||,i,j＝1,2,...,n'
ꢀꢀꢀ
公式(2)
[0108]
其中，||
·
||为距离范数，n'为时间窗口中包含的时间点个数；将盾构施工数据从时间序列转换为二维对称矩阵的形式，矩阵中每个点表示任两个时间点的距离大小，从而突出了盾构数据在时序上的动态特征；
[0109]
正常施工模式自学习采用的方法为极限学习机自编码器。经过无阈值递归图转换为实时施工参数时间子序列的递归图矩阵后，该方法将子序列递归矩阵同时作为极限学习机的输入和输出，并通过随机的输入层参数计算输出层参数设定值，从而得出模型重构的
参数；具体步骤包括：
[0110]
(1)设定极限学习机自编码器为m个输入和输出神经元、l个隐藏层神经元的单层神经网络；用m个连续的实时施工参数递归图矩阵构成输入p和输出q，其中 p＝q＝{r1,r2,...,rm}，因此训练样本为且m＜n；
[0111]
(2)基于特定的连续概率分布函数随机分配正交化的输入权重ai和偏差bi，并通过激活函数h(
·
)求出输入层p对应的隐含层h(p)＝[h1(p),...,h
l
(p)]，其中各隐含层神经元的计算方式如公式(3)所示；
[0112][0113]
(3)计算出隐含层神经元后，在已知输出q的条件下，通过公式(4)可求出使得残差最小的最优输出权重此时a,b,构成的模型参数集为模型自学习后的结果，即盾构实时参数在该施工时段内的变化模式；
[0114][0115]
异常模式识别单元2043用以在正常施工模式学习结束后识别异常模式；从盾构实时数据中获取最新的施工参数，并形成最新的待检验的时间子序列x
n 1
；在转换成无阈值递归图矩阵r
n 1
后，输入ai,bi,p'构成的极限学习机网络中(p'＝r
n 1
)，并利用公式(5)输出正常施工状态下的重构结果；
[0116][0117]
其中，h(a,b,p')表示当前矩阵的隐含层神经元，q'是重构的无阈值递归图矩阵。为计算实际矩阵p'与预测矩阵q'的残差，该方法采用径向基函数计算，如公式(6)所示，ω
n 1
表示两个矩阵的残差，即第n 1个施工参数时间子序列的异常分数；
[0118][0119]
异常分数的阈值δ可以结合不同的施工参数的变化特征及施工实际需求设定，当出现ω≥δ时，认为当前盾构施工存在与施工参数相关的异常。
[0120]
本发明还揭示一种多层级盾构法隧道安全保护方法，所述隧道安全保护方法包括：
[0121]
【步骤s1】数据获取步骤，获取设定传感器的数据，获取的数据包括实时盾构施工参数；
[0122]
在本发明的一实施例中，获取的数据包括盾尾油脂压力，与之关联的施工参数还包括盾尾油脂注入量、油脂设定值和盾尾间隙。
[0123]
所述数据获取步骤包括实时施工参数提取步骤，从施工经验中选择与盾构机异常相关的常见施工参数，在盾构实时数据中提取所选的施工参数数据，对时序数据进行预处理后，并输入模式学习模型中，用于初步识别异常。
[0124]
【步骤s2】异常诊断步骤，从所选的实时盾构施工参数中识别异常；将一段正常施工模式下的盾尾油脂压力数据经数据清理及时延法构造子序列数据集后输入模式学习模
型，学习盾尾油脂压力的正常变化模式；继而更新实时数据，根据实际油脂压力递归图矩阵和预测油脂压力递归图矩阵的残差值大小，识别最新数据区段的变化模式是否发生超出设定大小的改变；若残差值高于工程经验下设定的阈值，则认为盾尾油脂压力此时存在模式异常；
[0125]
【步骤s3】典型特征比较步骤，从盾尾油脂泄露事件的典型案例中提取特征指标与阈值，从而匹配盾尾油脂压力数据中的数据变化特征是否符合盾尾油脂泄露事件的异常典型特征。
[0126]
在本发明的一实施例中，所述典型特征比较步骤包括：
[0127]
典型特征提取步骤，从盾尾油脂压力和油脂注入量中提取典型特征，包括油脂压力和油脂注入量的突变比例指标；在确定各施工参数指标下的阈值后，将这些指标作为异常识别的直观依据；
[0128]
典型特征识别步骤，从预处理后的核心参数时序数据中，针对盾尾油脂泄露事件，并计算异常事件相关的特征指标值；当指标值超过设定阈值时，认为可能存在尾油脂泄露事件；
[0129]
【步骤s4】报警结果输出步骤，在发现异常时进行报警。
[0130]
在本发明的一实施例中，所述步骤s2包括阈值报警步骤、心跳故障报警步骤、控制偏差诊断步骤、数据驱动的异常诊断步骤中的至少一个。
[0131]
阈值报警步骤包括：识别盾构机内部发生的个别设备故障；该方法通过统计目标监测设备近期传感数据d的分布，数据去噪后确定设备正常工作状态的变化范围[d
l
,dh]，并设定上下界阈值d
l
,dh；当传感器实时记录的值dr低于下界d
l
或高于上界dh时，则认为该设备此时出现异常。
[0132]
心跳故障报警步骤包括：发现盾构机与外界数据库的通讯异常；心跳协议的基本形式是：盾构plc控制系统规律性以一定频率发送脉冲信号，同时由掘进智能控制系统接收并检查心跳的连续性；心跳检测的规则为，如果当前时间与掘进智能控制系统最后一次收到心跳的时间超过设定的timeout即为超时，判断盾构plc控制系统心跳失效，即盾构出现通讯故障；
[0133]
控制偏差诊断步骤包括：识别盾构姿态中模型缺陷引发的控制风险。盾构姿态的控制指标包括两个水平偏差指标(左、右)和两个高程偏差指标(上、下)，数据层中控制指标的实时监测数据记录了实际的四种控制指标值(四种控制指标值包括：水平偏差左b
left
、水平偏差右b
right
、高程偏差上b
high
、高程偏差下b
low
)，而模型实时控制输出参数中则是姿态控制模型对盾构当前姿态控制参数的输出值(所述输出值包括水平偏差左b'
left
、水平偏差右b'
right
、高程偏差上b'
high
、高程偏差下b'
low
)；若模型输出值与实际控制指标的偏差过大，则认为模型输出的控制参数值存在异常；因此，计算各指标的模型输出值与实际指标的差异，差异分数scorem的计算方法如公式(1)所示：
[0134]
scorem＝|b'
m-bm×
(1
±km
)|,m∈{left,right,low,high},k∈[0％,100％]
ꢀꢀꢀ
公式(1)
[0135]
其中，m表示不同方向的偏差指标，bm与b'm分别表示当前盾构的控制指标值与模型输出建议值，km表示对应控制值容许的浮动范围；同时，对差异分数scorem设定阈值sm；当scorem大于阈值sm时，认为模型输出的控制参数远远偏离了当前盾构姿态，模型存在缺陷，
需要调整；
[0136]
数据驱动的异常诊断步骤包括：从实时盾构数据中获取常见异常事件相关的施工参数，继而从一段时间内这些施工参数构成的时间序列中学习参数在正常工作状态下的变化模式，并识别最新数据区段的变化模式是否发生了较大改变；若发生较大改变，可认为存在模式异常。
[0137]
请参阅图3，在本发明的一实施例中，所述数据驱动的异常诊断步骤包括：实时施工参数提取步骤、模式学习模型构建步骤、异常模式识别步骤。其中，实时施工参数提取步骤包括时序数据清理步骤、时间窗口序列构造步骤。
[0138]
时序数据清理步骤包括：在所选施工参数部分时间点的数据缺失时根据其实际分布情况用相应的统计值补全空值；在所选施工参数部分时间点的数据重复时删除重复部分；在所选施工参数部分时间点的数据出现零值时，考虑参数的正常变化区间及施工状态；对于可能出现0值的施工参数选择不处理，对于不会归零的施工参数，若0值偶发，认为可能存在传感器记录异常，按缺失值处理；若0值多次或连续出现，认为可能存在设备异常或其他盾构异常时间，暂保留异常值；
[0139]
时间窗口序列构造步骤包括：从原始盾构时序数据中截取多个等长的时间窗口，即采用时延法将原始数据集x＝{x1,x2,...,xi,...,xn}划分为多个时间子序列，其中xi＝{xi,x
i τ
,...,x
i (m-1)τ
}， xi表示第i个时间序列段，xi为第i个观测到的样本，m为嵌入维，τ为时延因子；得到的时间窗口序列数据集x1,x2,...,xn表示不同时刻下的盾构施工状态，其中n满足n＝n-(m-1)τ；
[0140]
模式学习模型构建步骤包括构建模式学习模块；构建的模式学习模型分为施工参数特征提取与正常施工模式自学习两个部分；
[0141]
施工参数特征提取的方法为无阈值递归图转换；无阈值递归图转换方法计算了每个时间窗口中各时间点之间数据的距离，如公式(2)所示：
[0142]ri,j
＝||x
i-xj||,i,j＝1,2,...,n'
ꢀꢀꢀ
公式(2)
[0143]
其中，||
·
||为距离范数，n'为时间窗口中包含的时间点个数；将盾构施工数据从时间序列转换为二维对称矩阵的形式，矩阵中每个点表示任两个时间点的距离大小，从而突出了盾构数据在时序上的动态特征；
[0144]
正常施工模式自学习采用的方法为极限学习机自编码器。经过无阈值递归图转换为实时施工参数时间子序列的递归图矩阵后，该方法将子序列递归矩阵同时作为极限学习机的输入和输出，并通过随机的输入层参数计算输出层参数设定值，从而得出模型重构的参数。具体步骤包括：
[0145]
(1)设定极限学习机自编码器为m个输入和输出神经元、l个隐藏层神经元的单层神经网络；用m个连续的实时施工参数递归图矩阵构成输入p和输出q，其中 p＝q＝{r1,r2,...,rm}，因此训练样本为且m＜n；
[0146]
(2)基于特定的连续概率分布函数随机分配正交化的输入权重ai和偏差bi，并通过激活函数h(
·
)求出输入层p对应的隐含层h(p)＝[h1(p),...,h
l
(p)]，其中各隐含层神经元的计算方式如公式(3)所示；
[0147]
[0148]
(3)计算出隐含层神经元后，在已知输出q的条件下，通过公式(4)可求出使得残差最小的最优输出权重此时a,b,构成的模型参数集为模型自学习后的结果，即盾构实时参数在该施工时段内的变化模式；
[0149][0150]
异常模式识别步骤包括：在正常施工模式学习结束后识别异常模式；从盾构实时数据中获取最新的施工参数，并形成最新的待检验的时间子序列x
n 1
；在转换成无阈值递归图矩阵 r
n 1
后，输入ai,bi,p'构成的极限学习机网络中(p'＝r
n 1
)，并利用公式(5)输出正常施工状态下的重构结果；
[0151][0152]
其中，h(a,b,p')表示当前矩阵的隐含层神经元，q'是重构的无阈值递归图矩阵；为计算实际矩阵p'与预测矩阵q'的残差，该方法采用径向基函数计算，如公式(6)所示，ω
n 1
表示两个矩阵的残差，即第n 1个施工参数时间子序列的异常分数；
[0153][0154]
异常分数的阈值δ可以结合不同的施工参数的变化特征及施工实际需求设定，当出现ω≥δ时，认为当前盾构施工存在与施工参数相关的异常。
[0155]
在本发明的一种使用场景中，本发明采用的盾构法隧道安全层级体系包括四个安全层级。该体系基于盾构实时数据、模型实时控制的输出与控制指标的实时监测数据对盾构机的实时状态监控，经历初诊和筛选两层的诊断后，可以发现多种复杂的异常问题，包括设备故障、通信故障、控制模型问题、工况突变风险等；同时也可排除地质变化下的正常变化，或对当前未知的异常发出警报，留待停机处理。以下将介绍盾构法隧道安全层级中诊断各类异常问题的流程。
[0156]
设备故障
[0157]
设备故障诊断主要从数据层中的盾构实时数据获取关键信息，包括监测设备本身及相关设施的传感数据。设备实时传感数据采用初诊层中的两种方法识别异常：阈值报警与基于数据驱动的异常诊断。阈值报警通过判断单一设备的传感数据是否超出阈值设定的正常范围，可简单直接地识别设备实时数据的异常值，输出设备故障预警。基于数据驱动的异常诊断方法同样从盾构实时数据中识别异常。通过学习相关参数在正常范围的变化模式，可以识别与正常模式差异较大的异常变化模式。模式异常的数据段将传递至筛选层中，尝试匹配部分已知设备故障类型的典型特征。当数据段的特征符合设备故障的典型特征时，可认为异常的变化模式可能为设备故障并输入结果层中，警告盾构中某一设备存在故障并提醒进行相应的设备故障处理。
[0158]
通信故障
[0159]
通信故障诊断从数据层的盾构实时数据和模型实时控制输出参数中获取实时信息，并通过初诊层中的心跳脉冲报警方法识别异常。心跳脉冲报警方法可以监测盾构实时数据与模型实时控制输出参数的连续性，若实时数据的更新不连续或中断，可初步诊断为
异常并报警。心跳脉冲报警方法中发现的异常心跳脉冲信号传入结果层中，发出存在通信故障的报警并提示采取相应的通信故障处理措施。
[0160]
模型缺陷
[0161]
模型缺陷的检测首先从数据层的模型实时控制输出参数和控制指标实时监测中获取实时信息，并通过初诊层中的趋势偏差报警方法识别异常。趋势偏差报警方法可以判断模型实时控制输出参数与控制指标实时监测的偏差，如果控制参数偏差较大，可初步诊断为异常并报警。趋势偏差报警方法中发现的报警传入结果层中，提醒存在模型缺陷并留待后续调整模型。
[0162]
工况风险
[0163]
工况风险的识别从数据层的盾构实时数据中获取实时信息，并采用初诊层中的基于数据驱动的异常诊断方法识别异常。数据驱动的异常诊断方法识别相关参数的异常变化模式，并尝试匹配筛选层中已知工况风险的典型特征。当能够与特征大概率匹配时，可认为异常的变化模式可能为工况风险。可初步诊断为异常并报警。匹配的异常报警传入结果层，确认存在工况风险并提醒采取对应的工况风险处理措施。
[0164]
正常施工与未知异常
[0165]
基于数据层的盾构实时数据输入初诊层的数据驱动异常诊断也可能会识别到无法与已知典型工况风险和已知典型设备故障相匹配的模式异常。因此安全层级中涉及了对正常模式与未知异常的处置流程。当异常无法匹配已知典型工况风险和已知典型设备故障时，可以对已知地质变化的典型特征进行匹配，发现并标记地质变化导致的正常实时数据变化；若以上典型特征均无法匹配异常，则将其作为未知异常进行报警，进入结果层等待停机检查。
[0166]
综上所述，本发明提出的多层级盾构法隧道安全保护系统及方法，有助于及时发现盾构施工异常问题，可以提高施工现场对数据的监测水平，帮助施工人员及时预警施工异常与合理操作盾构掘进。
[0167]
需要注意的是，本技术可在软件和/或软件与硬件的组合体中被实施；例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中，本技术的软件程序可以通过处理器执行以实现上文步骤或功能。同样地，本技术的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中；例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本技术的一些步骤或功能可采用硬件来实现；例如，作为与处理器配合从而执行各个步骤或功能的电路。
[0168]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0169]
这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。实施例中所涉及的效果或优点可因多种因素干扰而可能不能在实施例中体现，对于效果或优点的描述不用于对实施例进行限制。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的
情况下，可以对这里所披露的实施例进行其它变形和改变。