盾构掘进过程各阶段数据自动分离方法及计算机可读介质与流程

1.本发明涉及无人化盾构施工技术领域，尤其是涉及一种盾构掘进过程各阶段数据自动分离方法及计算机可读介质。


背景技术：

2.盾构施工正朝着从人工操控到无人驾驶的智能化方向发展，其中掘进参数的自主决策是极其重要的部分，为此大量学者利用机器学习算法针对收集到的数据进行了模型训练并尝试实现掘进参数的自主推荐。其中，用于机器学习模型训练的数据是针对盾构机平稳阶段数据进行的，因此上升段、平稳段、下降段数据的分离与提取是极其重要的。
3.现有技术中针对盾构掘进参数分离的研究不断进行，如中国专利cn110110419a中公开了一种基于多目标学习的tbm掘进参数预测方法，该方法通过tbm智能数据采集系统获取tbm掘进参数的原始数据，对采集的tbm掘进参数进行降噪和增强处理，获取循环上升段和稳定段数据，利用人工智能算法有效表征上升段tbm特征指标与稳定段多目标变量之间的非线性映射关系，建立基于多目标学习的岩机作用模型。中国专利cn110852423a公开了一种基于迁移学习的隧道掘进机掘进性能与控制参数预测方法，该方法在线采集反映设备运行状态的隧道掘进机掘进数据，对隧道掘进机掘进数据预处理，提取每个掘进循环的上升段及稳定段数据，利用深度学习方法建立已竣工项目的掘进性能参数预测模型和控制参数预测模型。中国专利cn110895730a中公开了一种基于lstm算法的tbm掘进参数的预测方法，该方法选择施工掘进过程中的关键掘进参数，通过rspra算法自动分离tbm掘进过程中的上升阶段和稳定阶段，并利用lstm算法进行模型训练实现稳定阶段掘进参数的预测。
4.上述方法均是根据掘进状态的时间连续性或者基于斜率连续为正进行上升段数据和稳定段数据的分离，然而由于数据的波动性和上升段的多次调整很难保证上升段数据的斜率始终为正，因此这些方法往往只能识别出部分上升段，无法准确地识别出全部的上升段数据。


技术实现要素：

5.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种有效避免误判、数据识别完整的盾构掘进过程各阶段数据自动分离方法及计算机可读介质。
6.本发明的目的可以通过以下技术方案来实现：
7.一种盾构掘进过程各阶段数据自动分离方法，所述的数据分离方法包括：
8.步骤1：获取掘进参数数据；
9.步骤2：对步骤1中获取的数据根据核心掘进参数提取掘进状态数据；
10.步骤3：在步骤2提取的数据中判断相邻数据的时间节点是否连续，并根据不连续时间节点将数据划分为初始的各掘进循环段；
11.步骤4：对步骤3中的数据进行平滑处理；
12.步骤5：对步骤4中的数据各掘进阶段分别计算极小峰值点，根据极小峰值点将数
据分割形成单掘进循环段；
13.步骤6：计算单掘进循环段的极大峰值点，并根据第一个极大峰值点将数据分割为上升段数据和平稳掘进段数据分割点；
14.步骤7：对数据进行分段线性拟合计算斜率，并根据斜率正负的变化点作为平稳掘进段、下降段的分割点，实现平稳段和下降段的分离；
15.步骤8：获得分离后的上升段、平稳掘进段和下降段数据。
16.优选地，所述的步骤1获取的掘进参数数据包括盾构机刀盘转速、刀盘扭矩、推进速度和总推进力。
17.优选地，所述的步骤2具体为：
18.通过盾构机刀盘转速、刀盘扭矩、推进速度和总推进力这四个参数同时大于零来识别掘进状态时的数据，即提取盾构机刀盘转速、刀盘扭矩、推进速度和总推进力同时大于零的数据。
19.优选地，所述的步骤4利用移动窗口平滑多项式对数据进行平滑处理，具体步骤为：
20.步骤4-1：给定窗口宽度w、拟合多项式n的阈值；
21.步骤4-2：从起始位置划定窗口宽度为w的数据，利用最小二乘法对上述数据进行n次多项式的拟合获得拟合函数，并利用拟合函数重新计算窗口中心位置的取值代替原数据；
22.步骤4-3：将窗口向后移动，重复步骤4-2，即不断更新窗口中心处的取值，直到窗口到达最后位置。
23.优选地，所述的步骤5具体为：
24.步骤5-1：将步骤4处理后的数据乘以-1，然后识别极大值点，具体方法为：
25.通过比较邻近的三个点的大小判断，若某个点取值同时大于相邻的前后点的取值，则该点为极大值点，判断公式为：
26.t(i-1)＜t(i)＞t(i 1)
27.其中，t(i)表示第i个点，t(i-1)表示第i-1个点，t(i 1)表示第i 1个点；
28.步骤5-2：筛选极大峰值点，具体方法为：
29.预设峰突起度p、峰宽w和峰之间的距离d的阈值，计算步骤5-1中各极大值点处的峰突起度p、峰宽w和峰之间的距离d，当峰突起度p、峰宽w和峰之间的距离d均满足阈值要求时，则将该极大值点判断为极大峰值点；
30.步骤5-3：步骤5-2筛选出的极大峰值点即为原数据的极小峰值点，根据极小峰值点进行数据分割；
31.步骤5-4：根据分割后的各循环段数据，若该段数据的样本数量小于预设阈值，则将该循环段数据剔除。
32.更加优选地，所述5-2中峰突起度p和峰宽w的计算方法为：
33.p(i)＝t(i)-max(mint
l
,mintr)
34.w(i)＝t(i)-p(i)
×r35.其中，p(i)为第i个极大值点的峰突起度；w(i)为第i个极大值点的峰宽；t(i)为第i个极大值点的取值；t
l
和tr分别为极大值点等高线与左、右第一个更大极值点的交点区域；
r为峰宽的计算位置。
36.优选地，所述的步骤6具体为：
37.步骤6-1：通过比较邻近的三个点的大小判断，若某个点取值同时大于相邻的前后点的取值，则该点为极大值点，判断公式为：
38.t(i-1)＜t(i)＞t(i 1)
39.其中，t(i)表示第i个点，t(i-1)表示第i-1个点，t(i 1)表示第i 1个点；
40.步骤6-2：筛选极大峰值点，具体方法为：
41.预设峰突起度p、峰宽w和峰之间的距离d的阈值，计算步骤5-1中各极大值点处的峰突起度p、峰宽w和峰之间的距离d，当峰突起度p、峰宽w和峰之间的距离d均满足阈值要求时，则将该极大值点判断为极大峰值点；
42.步骤6-3：根据第一个极大峰值点将数据分割为上升段数据和平稳掘进段数据分割点。
43.优选地，所述的步骤7中通过分段线性拟合计算斜率的方法具体为：
44.首先，给定容许的拟合误差阈值；
45.其次，确定分割点，由于两个点的线性拟合误差必然为零，因此不断增加数据点，直到拟合误差达到阈值，即完成了分段；
46.最后，各分段的现行拟合斜率代表原始数据中该局部的斜率。
47.优选地，所述步骤7中平稳掘进段和下降段的分割点的具体识别方法为：
48.下降段斜率始终为负，从末尾数据处开始向前寻找第一个斜率为正的数据点，该点即为平稳掘进段和下降段的分割点，即平稳掘进段的终止点以及下降段的开始点。
49.一种计算机可读介质，所述的计算机可读介质存储有如上述任一项所属的盾构掘进过程各阶段数据自动分离方法。
50.与现有技术相比，本发明具有以下有益效果：
51.一、避免误判：本发明中的盾构掘进过程各阶段数据自动分离方法通过识别初始掘进循环段的极小峰值点，可方便地将数据分割为独立的单循环掘进段，避免了多掘进循环段的数据出现，同时上升段的起始点的识别比较准确，避免误判为空推段。
52.二、数据识别完整：本发明中的盾构掘进过程各阶段数据自动分离方法通过识别单掘进循环的极大峰值点可以识别完整的上升段数据，避免了通过斜率连续为正仅能识别出部分上升段数据；同时通过识别斜率的正负改变点识别出平稳段和下降段的数据分割点，避免出现稳定段数据包含下降段数据的情况。
附图说明
53.图1为本发明中盾构掘进过程各阶段数据自动分离方法的流程示意图；
54.图2为本发明实施例中某地区某环原始数据刀盘扭矩变化趋势图；
55.图3为本发明实施例中某地区某环掘进状态识别后刀盘扭矩变化趋势图；
56.图4为本发明实施例中从图3中识别出的第一初始循环段的刀盘扭矩变化趋势图；
57.图5为本发明实施例中从图3中识别出的第二初始循环段的刀盘扭矩变化趋势图；
58.图6为本发明实施例中移动窗口平滑多项式算法的流程示意图；
59.图7为本发明实施例中图4的平滑效果图；
60.图8为本发明实施例中图5的平滑效果图；
61.图9为本发明实施例中峰突起度p和峰宽w的示意图；
62.图10为本发明实施例中图7的极小峰值点识别结果图；
63.图11为本发明实施例中现有方法上升段和平稳段的判断示意图；
64.图12为本发明实施例中图10的分离结果图，其中图12(a)、图12(b)和图12(c)分别为识别出的三个独立的单循环段；
65.图13为本发明实施例中图12的极大峰值点识别结果图，其中图13(a)、图13(b)和图13(c)分别对应图12(a)、图12(b)和图12(c)的极大峰值点识别结果；
66.图14为本实施例中图12的平稳段终止点识别结果图，其中图14(a)、图14(b)和图14(c)分别对应图12(a)、图12(b)和图12(c)的识别结果；
67.图15为本实施例中图12的上升段、平稳掘进段和下降段的识别结果图，其中图15(a)、图15(b)和图15(c)分别对应图12(a)、图12(b)和图12(c)的识别结果。
具体实施方式
68.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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
69.根据检索结果以及结合相关论文可以看出，为了实现稳定阶段数据的预测，在模型训练之前，需要进行上升段数据和稳定段数据的分离，而现有的方法是基于盾构机掘进参数上升段和平稳段数据分离方法，其步骤如下：
70.(1)掘进循环提取，盾构机总推进力、刀盘扭矩均大于零，同时贯入度小于20mm/rev的数据为掘进状态数据，根据盾构机掘进时间记录判断连续掘进时间超过600s的为掘进循环段；
71.(2)异常值判断和处理，计算整个掘进步贯入度和掘进速度的均值μ和标准差σ，基于3σ准则，当掘进速度和贯入度大于μ 3σ时按异常值处理，取异常值临近的5个数据的平均值代替该值；
72.(3)数据平滑处理，为了消除白噪声的影响，取相邻15个数据的平均值对数据进行滤波处理；
73.(4)上升段和平稳段数据分离，利用分段线性拟合将扭矩曲线分割为10段，其中误差最小的分割方式即为分割点，分别计算各段斜率，其中斜率最大的段为上升段的起始位置，连续斜率为正的分段即为整个上升段数据，上升段结束后斜率较小的数据点即为平稳段。
74.上述方法的主要缺点是掘进循环段提取会包含多个掘进循环段，而非提取的单个掘进循环段，这是因为相邻地质环境变化不大时，盾构机下一掘进循环并不会从上一掘进循环段的静止状态开始，而将上一掘进循环的掘进参数降低到一定程度(刀盘扭矩、推进速度等核心掘进参数仍大于0)，并缓慢上升直接形成下一掘进循环段，因此上述方法通过总推进力、刀盘扭矩均大于零、同时贯入度小于20mm/rev的数据来识别掘进状态会包含多个掘进循环段。其次，将斜率最大的点作为上升段的起始点，容易发生误判，盾构机启动时的
空推段斜率较大，因此通过斜率判断上升段的起始点容易误判为空推段。再次，在进行上升段和稳定段数据分离时，取连续斜率为正的分段会导致只能识别出部分掘进段，而非全部的上升段数据，这是因为一方面地质环境比较复杂时，上升段数据会二次甚至多次调整，另一方面数据存在波动性会导致局部出现斜率为负的情况，取连续斜率为正的分段只能识别出第一次调整的上升段或者部分上升段数据而非全部上升段数据。最后，稳定段数据包含了下降段数据，没有进行准确的稳定段和下降段的数据分离。
75.本实施例涉及一种盾构掘进过程各阶段数据自动分离方法，其流程如图1所示，包括：
76.步骤1：根据盾构机历史掘进记录，获取掘进参数数据，包括但不限于盾构机的刀盘转速、刀盘扭矩、推进速度和总推进力；
77.步骤2：对步骤1中获取的数据根据核心掘进参数提取掘进状态数据；
78.盾构机是实时地采集数据的，包含了大量停机状态时的数据，通过掘进速度、刀盘转速、总推进力、刀盘扭矩这四个参数同时大于零来识别出掘进状态时的数据；某地区某环原始数据和掘进状态数据识别结果如下图2和图3所示。
79.步骤3：在步骤2提取的数据中判断相邻数据的时间节点是否连续，并根据不连续时间节点将数据划分为初始的各掘进循环段；
80.判断步骤2处理后各掘进循环段相邻数据的时间节点是否连续，其中不连续时间节点即为分割点，即上一循环和下一循环的临界点，根据此点将数据划分为初始的掘进循环段；
81.图4和图5给出了图3初始的掘进循环段的识别结果，容易看出图4为包含多个掘进循环段的数据，图5为单掘进循环段的数据；
82.步骤4：对步骤3中的数据进行平滑处理，其流程如图6所示；
83.步骤4-1：给定窗口宽度w、拟合多项式n的阈值，本实施例中w＝31，n＝2，其中窗口宽度w取值必须为奇数；
84.步骤4-2：从起始位置划定窗口宽度为w的数据，利用最小二乘法对上述数据进行n次多项式的拟合获得拟合函数，并利用拟合函数重新计算窗口中心位置的取值代替原数据；
85.步骤4-3：将窗口向后移动，重复步骤4-2，即不断更新窗口中心处的取值，直到窗口到达最后位置；
86.图4、图5的平滑结果如图7、图8所示；
87.需要注意的是，本实施例中的平滑方法还可以选用小波变换降噪算法来代替移动窗口平滑多项式算法。
88.步骤5：对步骤4中的数据各掘进阶段分别计算极小峰值点，根据极小峰值点将数据分割形成单掘进循环段；
89.极小峰值点的识别可以通过将循环掘进段数据乘-1并识别极大峰值点来解决，极大峰值点必然是极大值点处，因此首先识别极大值点，并根据峰的特征进行极大值的筛选，最终获得符合条件的极大值点即为极大峰值点，极大峰值点识别具体步骤如下：
90.步骤5-1：将步骤4处理后的数据乘以-1，然后识别极大值点，具体方法为：
91.通过比较邻近的三个点的大小判断，若某个点取值同时大于相邻的前后点的取
值，则该点为极大值点，判断公式为：
92.t(i-1)＜t(i)＞t(i 1)
93.其中，t(i)表示第i个点，t(i-1)表示第i-1个点，t(i 1)表示第i 1个点；
94.步骤5-2：筛选极大峰值点，具体方法为：
95.预设峰突起度p、峰宽w和峰之间的距离d的阈值，计算步骤5-1中各极大值点处的峰突起度p、峰宽w和峰之间的距离d，当峰突起度p、峰宽w和峰之间的距离d均满足阈值要求时，则将该极大值点判断为极大峰值点；
96.峰突起度p和峰宽w的示意如图9所示，计算方法分别为：
97.p(i)＝t(i)-max(mint
l
,mintr)
98.w(i)＝t(i)-p(i)
×r99.其中，p(i)为第i个极大值点的峰突起度；w(i)为第i个极大值点的峰宽；t(i)为第i个极大值点的取值；t
l
和tr分别为极大值点等高线与左、右第一个更大极值点的交点区域；r为峰宽的计算位置；
100.本实施例中峰突起度阈值为200、峰宽阈值为30，峰之间的最小距离阈值为300，峰宽的计算位置取0.5，即半峰位置处。经过上述处理可剔除异常或噪声引起的极大峰值点。极大峰值点即对应原数据的极小峰值点，图7的识别结果见下图10所示，该点即为各掘进循环段中上升段的起始点。已有方法中没有进行多掘进循环段的分离，同时将斜率最大的点作为上升段的起始点，容易发生误判，见下图11所示，事实上，误判的该段盾构机尚未推进，仅仅是启动阶段，又称为空推段，往往斜率比较大，因此容易发生误判而导致上升段起始位置识别错误，而上升段的误判将进一步导致平稳段识别出现错误；
101.步骤5-3：步骤5-2筛选出的极大峰值点即为原数据的极小峰值点，根据极小峰值点进行数据分割；图10的分离结果如下图12所示，其中图12(a)、图12(b)和图12(c)分别为识别出的三个独立的单循环段；
102.步骤5-4：盾构机在正常掘进时会持续一段时间，因此每一段正常掘进的样本应该大于某预定数量，因此需要根据分割后的各循环段数据，若该段数据的样本数量小于预设阈值，则将该循环段数据剔除，本实施例中盾构机正常掘进的持续时间最少为300s，所以预设阈值设为300，即将样本数量小于300的剔除掉；
103.步骤6：计算单掘进循环段的极大峰值点，并根据第一个极大峰值点将数据分割为上升段数据和平稳掘进段数据分割点；
104.极大峰值点的计算方法为：
105.步骤6-1：通过比较邻近的三个点的大小判断，若某个点取值同时大于相邻的前后点的取值，则该点为极大值点，判断公式为：
106.t(i-1)＜t(i)＞t(i 1)
107.其中，t(i)表示第i个点，t(i-1)表示第i-1个点，t(i 1)表示第i 1个点；
108.步骤6-2：筛选极大峰值点，具体方法为：
109.预设峰突起度p、峰宽w和峰之间的距离d的阈值，计算步骤5-1中各极大值点处的峰突起度p、峰宽w和峰之间的距离d，当峰突起度p、峰宽w和峰之间的距离d均满足阈值要求时，则将该极大值点判断为极大峰值点；
110.峰突起度p和峰宽w计算方法分别为：
111.p(i)＝t(i)-max(mint
l
,mintr)
112.w(i)＝t(i)-p(i)
×r113.其中，p(i)为第i个极大值点的峰突起度；w(i)为第i个极大值点的峰宽；t(i)为第i个极大值点的取值；t
l
和tr分别为极大值点等高线与左、右第一个更大极值点的交点区域；r为峰宽的计算位置；
114.本实施例在识别极大峰值点将峰突起度的阈值设置为100，其余参数与步骤5识别极小峰值点时的阈值相同。图12的极大峰值点识别结果如图13所示，其中图13(a)、图13(b)和图13(c)分别对应图12(a)、图12(b)和图12(c)的识别结果；
115.步骤6-3：根据第一个极大峰值点将数据分割为上升段数据和平稳掘进段数据分割点；
116.步骤7：对数据进行分段线性拟合计算斜率，并根据斜率正负的变化点作为平稳掘进段、下降段的分割点，实现平稳段和下降段的分离；
117.利用分段线性拟合来计算斜率，这是因为离散数据经过降噪处理后仍然是波动数据，通过局部线性拟合的斜率代替数据的差分斜率精度更高。分段的核心是分割点的计算，可通过拟合误差来寻找分割点，并根据分割点分别计算局部斜率，具体步骤如下：
118.首先，给定容许的拟合误差阈值；
119.其次，确定分割点，由于两个点的线性拟合误差必然为零，因此不断增加数据点，直到拟合误差达到阈值，即完成了分段；
120.最后，各分段的现行拟合斜率代表原始数据中该局部的斜率。
121.平稳掘进段和下降段的分割点的具体识别方法为：
122.下降段斜率始终为负，从末尾数据处开始向前寻找第一个斜率为正的数据点，该点即为平稳掘进段和下降段的分割点，即平稳掘进段的终止点以及下降段的开始点，图12的识别结果如图14所示，其中，图14(a)、图14(b)和图14(c)分别对应图12(a)、图12(b)和图12(c)的识别结果；
123.步骤8：获得分离后的上升段、平稳掘进段和下降段数据，图12的识别结果如图15所示，其中图15(a)、图15(b)和图15(c)分别对应图12(a)、图12(b)和图12(c)的识别结果。
124.本实施例还涉及一种计算机可读介质，该介质内存储有上述任一项盾构掘进过程各阶段数据自动分离方法。
125.上述盾构掘进过程各阶段数据自动分离方法核心点为：
126.(1)利用极小峰值点将掘进循环段分割为单掘进循环段数据
127.当地质环境变化不大时，盾构机上一掘进循环段并不会经历停止状态而是掘进参数的缓慢减少到某个值而后直接过渡到下一循环掘进段。而传统方法上，仅通过掘进状态和时间间隔是无法解决这种情况的，因此为了获得单掘进循环段的数据，必须对初始的掘进循环段数据进行分割，本方法提出了利用极小峰值点可方便地将数据分割为独立的掘进循环段数据，同时为各掘进循环段中上升段的起始点。
128.(2)利用极大峰值点将单掘进循环段分割为上升段和平稳掘进段数据
129.已有方法中利用斜率连续为正来判断上升段数据，事实上，一方面由于噪声的存在(尽管经过降噪，但是噪声只能减弱，无法消除)，可能会出现局部斜率为正的情况，另一方面有时上升段数据会二次甚至多次调整，因此仅通过连续斜率为正只能识别出部分的掘
进上升段数据，无法识别出完整的掘进上升段数据。而由于掘进上升段结束到平稳段会形成极大峰值点，因此本方法提出通过第一个极大峰值点将掘进循环段分割为上升段和平稳掘进段数据。
130.(3)利用斜率的正负改变点进行平稳段和下降段的分离
131.下降段数据变化较为平滑，这是因为下降段无需和上升段一样根据岩机交互不断调整掘进数据，因此下降段数据利用斜率变化可得到准确的结果。由于下降段数据斜率为负，因此数据从后向前计算，斜率由负变为正的改变点即为平稳段和下降段的分割点。
132.本方法根据极大峰值点的识别进行上升段和稳定段数据的分离，可方便地识别出全部的上升段数据，实现上升段和稳定段数据有效的分离。另一方面，目前的方法中均未考虑将融合的多掘进循环段数据分割为单掘进循环段数据，同时利用斜率最大的点作为上升段的起始点容易误判为空推段，也没有给出稳定段和下降段的数据分离方法，从而导致提取的训练数据存在一定的偏差。因此，本专利与目前公开的专利、论文存在明显的区别，具有明显的创新性。
133.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。