一种泥水盾构机油脂消耗预测方法、系统、设备和介质与流程

1.本发明属于盾构机施工油脂预测技术领域，特别涉及一种泥水盾构机油脂消耗预测方法、系统、设备和介质。


背景技术：

2.盾构施工是当今地铁修建的主要施工工法,具有对环境影响小，不受条件限制，以及施工安全、快速等诸多优点。然而盾构项目工程复杂，修建成本较高，科学且精确的成本管理是迫切需要的。材料费用在成本中占比甚高，对材料的消耗量进行准确估算势在必行。油脂是盾构施工过程中主要消耗性材料，该消耗量对施工成本的影响较大。盾构机在不同地质条件下施工时，对应的油脂消耗量变化较大。
3.现有技术中，还没有对盾构机在施工的过程中，油脂消耗预测切实可行的方法。


技术实现要素：

4.为了解决上述技术问题，本发明提出了一种泥水盾构机油脂消耗预测方法、系统、设备和介质，采用神经网络算法能够较好的预测油脂的消耗量。
5.为实现上述目的，本发明采用以下技术方案：
6.一种泥水盾构机油脂消耗预测方法，包括以下步骤：
7.确定影响盾构机油脂消耗的参数，在对所述参数归一化处理之后，将处理后的参数划分为训练集和测试集；
8.建立用于油脂消耗预测的rbf神经网络模型；并以训练集作为rbf神经网络的输入，对所述rbf神经网络模型进行训练；
9.采用所述测试集对训练后的rbf神经网络模型进行验证，输出预测的消耗油脂量。
10.进一步的，所述影响盾构机油脂消耗的参数包括：当前区域对应盾构机的掘进速度、中等胶结砾岩方量、弱胶结砾岩方量、强风化碌岩方量、圆砾王方量和粉细砂士方量。
11.进一步的，所述输出预测的消耗油脂量包括盾尾密封油脂酒耗量、主驱动内密封油脂消耗量和主驱动外密封油脂消耗量。
12.进一步的，所述归一化处理的过程包括：
[0013][0014]
其中，xi(k)为第k个样本的采样值；x
i-max
为影响因素xi的最大值；x
i-min
为影响因素xi的最小值；t
max
为归一化后的最大值；t
min
为归一化后的最小值；并且在t
max
取值为1时，t
min
取值-1。
[0015]
进一步的，所述建立用于油脂消耗预测的rbf神经网络模型的过程包括：
[0016]
以影响盾构机油脂消耗的参数作为rbf神经网络的输入层、预测的消耗油脂量作为rbf神经网络的输出层；并确定隐含层内基函数的中心、方差以及隐含层到输出层的权值。
[0017]
进一步的，所述隐含层内基函数的中心、方差的方法为：
[0018]
采用k-均值聚类法确认网络中心；选取h个中心做k-means聚类；则方差的计算公式为：
[0019]
其中c
max
为选取中心点之间的最大距离；
[0020]
进一步的，所述确定隐含层到输出层的权值的方法为：
[0021]
采用最小二乘法确认网络权值，即对损失函数求解关于权值w的偏导数，使等于0；得到：
[0022]
其中p＝1,2,...,p；i＝1,2,...,h。
[0023]
本发明还提出了一种泥水盾构机油脂消耗预测系统，包括确定模块、建立模块和预测模块；
[0024]
所述确定模块用于确定影响盾构机油脂消耗的参数，在对所述参数归一化处理之后，将处理后的参数划分为训练集和测试集；
[0025]
所述建立模块用于建立用于油脂消耗预测的rbf神经网络模型；并以训练集作为rbf神经网络的输入，对所述rbf神经网络模型进行训练；
[0026]
所述预测模块用于采用所述测试集对训练后的rbf神经网络模型进行验证，输出预测的消耗油脂量。
[0027]
还发明还提出了一种设备，包括：
[0028]
存储器，用于存储计算机程序；
[0029]
处理器，用于执行所述计算机程序时实现方法步骤。
[0030]
本发明还提出了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如所述的方法步骤。
[0031]
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
[0032]
本发明提出了一种泥水盾构机油脂消耗预测方法、系统、设备和介质，该方法包括：确定影响盾构机油脂消耗的参数，在对参数归一化处理之后，将处理后的参数划分为训练集和测试集；建立用于油脂消耗预测的rbf神经网络模型；并以训练集作为rbf神经网络的输入，对所述rbf神经网络模型进行训练；采用所述测试集对训练后的rbf神经网络模型进行验证，输出预测的消耗油脂量。基于一种泥水盾构机油脂消耗预测方法，还提出了一种泥水盾构机油脂消耗预测系统、设备和存储介质。其中油脂消耗量包括盾尾密封油脂酒耗量、主驱动内密封油脂消耗量和主驱动外密封油脂消耗量，本发明采用神经网络能较好地预测油脂的消耗量，在可接受范围内，对于油脂消耗的预测具有一定参考。
附图说明
[0033]
如图1为本发明实施例1中盾尾密封系统的结构示意图；
[0034]
如图2为本发明实施例1一种泥水盾构机油脂消耗预测方法流程图；
[0035]
如图3为本发明实施例1中rbf网络模型图；
[0036]
如图4为本发明实施例2一种泥水盾构机油脂消耗预测系统示意图。
具体实施方式
[0037]
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
[0038]
实施例1
[0039]
本发明实施例1提出了一种泥水盾构机油脂消耗预测方法，如图1为本发明实施例1中盾尾密封系统的结构示意图。
[0040]
管片在盾构内拼装完毕后，随着掘进向前进行，将要从盾尾脱离。由于盾构机掘进的刀盘大于管片的外径,管片脱离盾尾后将与土体形成一个环形间隙。为了避免因为空隙造成的地质变化，需要对盾尾进行及时注浆，填充形成的空隙，在盾尾设置了3道密封刷，在密封刷的间隙中注入盾尾密封油脂，合理的控制盾尾密封油脂量和注入压力，能形成较好的密封效果，避免盾尾漏浆和地下水的渗透。
[0041]
如图2为本发明实施例1一种泥水盾构机油脂消耗预测方法流程图；
[0042]
在步骤s200中，确定影响盾构机油脂消耗的参数，在对参数归一化处理之后，将处理后的参数划分为训练集和测试集；
[0043]
影响盾构机油脂消耗的参数包括：当前区域对应盾构机的掘进速度、中等胶结砾岩方量、弱胶结砾岩方量、强风化碌岩方量、圆砾王方量和粉细砂士方量。
[0044]
归一化处理的过程包括：
[0045][0046]
其中，xi(k)为第k个样本的采样值；x
i-max
为影响因素xi的最大值；x
i-min
为影响因素xi的最小值；t
max
为归一化后的最大值；t
min
为归一化后的最小值；并且在t
max
取值为1时，t
min
取值-1。
[0047]
将处理后的参数划分为训练集和测试集，本技术中可以根据需求按照比例将处理后的参数换分为训练集和测试集。
[0048]
在步骤s210中，建立用于油脂消耗预测的rbf神经网络模型；并以训练集作为rbf神经网络的输入，对所述rbf神经网络模型进行训练；
[0049]
径向基函数(rbf)神经网络是一种性能良好的前向网络，具有最佳逼近、训练简洁、学习收敛速度快以及克服局部最小值问题的性能。rbf神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。
[0050]
如图3为本发明实施例1中rbf网络模型图；径向基函数由三层构成，分别是输入层、隐含层、输出层。负责接收外界信息的是输入层，隐含层则是实现非线性转换，第三层是输出的功能，是输入的最终结果。它是一种两层的网络；其中隐含层是一种非线性的映射，但是输出层是线性的。输入层仅仅起到传输信号作用，对输入信号不做任何变换，在进行随机选取权值时，输入层与隐藏层的权值不妨设为1，输出层与隐含层所完成的任务是不同的，输出层采用的是线性优化策略，隐含层采用的是非线性优化策略。rbf的基本思想是：将
数据转化到高维空间，使其在高维空间线性可分假设输入样本为x,一个中心点为c，则任何只依赖x和c之间距离的函数都是径向基函数。rbf的神经网络学习算法中需要三个极为重要的参数。径向基函数的典型形式为高斯基函数，其中，中间的隐含层才会用到高斯基函数。
[0051]
本技术中，建立用于油脂消耗预测的rbf神经网络模型的过程包括：以影响盾构机油脂消耗的参数作为rbf神经网络的输入层、预测的消耗油脂量作为rbf神经网络的输出层；并确定隐含层内基函数的中心、方差以及隐含层到输出层的权值。
[0052]
确定隐含层内基函数的中心、方差的方法为：采用k-均值聚类法确认网络中心；选取h个中心做k-means聚类；则方差的计算公式为：
[0053]
其中c
max
为选取中心点之间的最大距离。
[0054]
基于k均值聚类方法求取基函数中心c
[0055]
网络初始化：随机选取h个训练样本作为聚类中心ci[0056]
按照欧式距离将分配到输入样本的各个聚类集合中；
[0057]
计算各个聚类集合中训练样本的平均值，即新的聚类中心ci，如果新的聚类中心不变，则ci就是所求的基函数中心，否则重新输入样本至各个聚类集合中，继续下一轮的中心求解。
[0058]
确定隐含层到输出层的权值的方法为：采用最小二乘法确认网络权值，即对损失函数求解关于权值w的偏导数，使等于0；得到：
[0059]
其中p＝1,2,...,p；i＝1,2,...,h。
[0060]
在步骤s220中，采用测试集对训练后的rbf神经网络模型进行验证，输出预测的消耗油脂量。
[0061]
本发明实施例1提出的一种泥水盾构机油脂消耗预测方法，采用神经网络能较好地预测油脂的消耗量，在可接受范围内，对于油脂消耗的预测具有一定参考。
[0062]
实施例2
[0063]
基于本发明实施例1提出的一种泥水盾构机油脂消耗预测方法，本发明实施例2还提出了一种泥水盾构机油脂消耗预测系统，如图4为本发明实施例2一种泥水盾构机油脂消耗预测系统示意图，该系统包括：确定模块、建立模块和预测模块；
[0064]
确定模块用于确定影响盾构机油脂消耗的参数，在对所述参数归一化处理之后，将处理后的参数划分为训练集和测试集；
[0065]
建立模块用于建立用于油脂消耗预测的rbf神经网络模型；并以训练集作为rbf神经网络的输入，对所述rbf神经网络模型进行训练；
[0066]
预测模块用于采用所述测试集对训练后的rbf神经网络模型进行验证，输出预测的消耗油脂量。
[0067]
其中，在确定模块中，影响盾构机油脂消耗的参数包括：当前区域对应盾构机的掘进速度、中等胶结砾岩方量、弱胶结砾岩方量、强风化碌岩方量、圆砾王方量和粉细砂士方量。
[0068]
归一化处理的过程包括：
[0069][0070]
其中，xi(k)为第k个样本的采样值；x
i-max
为影响因素xi的最大值；x
i-min
为影响因素xi的最小值；t
max
为归一化后的最大值；t
min
为归一化后的最小值；并且在t
max
取值为1时，t
min
取值-1。
[0071]
将处理后的参数划分为训练集和测试集，本技术中可以根据需求按照比例将处理后的参数换分为训练集和测试集。
[0072]
建立模块中，建立用于油脂消耗预测的rbf神经网络模型的过程包括：以影响盾构机油脂消耗的参数作为rbf神经网络的输入层、预测的消耗油脂量作为rbf神经网络的输出层；并确定隐含层内基函数的中心、方差以及隐含层到输出层的权值。
[0073]
确定隐含层内基函数的中心、方差的方法为：采用k-均值聚类法确认网络中心；选取h个中心做k-means聚类；则方差的计算公式为：
[0074]
其中c
max
为选取中心点之间的最大距离。
[0075]
基于k均值聚类方法求取基函数中心c
[0076]
网络初始化：随机选取h个训练样本作为聚类中心ci[0077]
按照欧式距离将分配到输入样本的各个聚类集合中；
[0078]
计算各个聚类集合中训练样本的平均值，即新的聚类中心ci，如果新的聚类中心不变，则ci就是所求的基函数中心，否则重新输入样本至各个聚类集合中，继续下一轮的中心求解。
[0079]
确定隐含层到输出层的权值的方法为：采用最小二乘法确认网络权值，即对损失函数求解关于权值w的偏导数，使等于0；得到：
[0080]
其中p＝1,2,...,p；i＝1,2,...,h。
[0081]
本发明实施例2提出的一种泥水盾构机油脂消耗预测系统，采用神经网络能较好地预测油脂的消耗量，在可接受范围内，对于油脂消耗的预测具有一定参考。
[0082]
实施例3
[0083]
本发明还提出了一种设备，包括：
[0084]
存储器，用于存储计算机程序；
[0085]
处理器，用于执行所述计算机程序时实现方法步骤如下：
[0086]
如图2为本发明实施例1一种泥水盾构机油脂消耗预测方法流程图；
[0087]
在步骤s200中，确定影响盾构机油脂消耗的参数，在对参数归一化处理之后，将处理后的参数划分为训练集和测试集；
[0088]
影响盾构机油脂消耗的参数包括：当前区域对应盾构机的掘进速度、中等胶结砾岩方量、弱胶结砾岩方量、强风化碌岩方量、圆砾王方量和粉细砂士方量。
[0089]
归一化处理的过程包括：
[0090][0091]
其中，xi(k)为第k个样本的采样值；x
i-max
为影响因素xi的最大值；x
i-min
为影响因素xi的最小值；t
max
为归一化后的最大值；t
min
为归一化后的最小值；并且在t
max
取值为1时，t
min
取值-1。
[0092]
将处理后的参数划分为训练集和测试集，本技术中可以根据需求按照比例将处理后的参数换分为训练集和测试集。
[0093]
在步骤s210中，建立用于油脂消耗预测的rbf神经网络模型；并以训练集作为rbf神经网络的输入，对所述rbf神经网络模型进行训练；
[0094]
径向基函数(rbf)神经网络是一种性能良好的前向网络，具有最佳逼近、训练简洁、学习收敛速度快以及克服局部最小值问题的性能。rbf神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。
[0095]
如图3为本发明实施例1中rbf网络模型图；径向基函数由三层构成，分别是输入层、隐含层、输出层。负责接收外界信息的是输入层，隐含层则是实现非线性转换，第三层是输出的功能，是输入的最终结果。它是一种两层的网络；其中隐含层是一种非线性的映射，但是输出层是线性的。输入层仅仅起到传输信号作用，对输入信号不做任何变换，在进行随机选取权值时，输入层与隐藏层的权值不妨设为1，输出层与隐含层所完成的任务是不同的，输出层采用的是线性优化策略，隐含层采用的是非线性优化策略。rbf的基本思想是：将数据转化到高维空间，使其在高维空间线性可分假设输入样本为x,一个中心点为c，则任何只依赖x和c之间距离的函数都是径向基函数。rbf的神经网络学习算法中需要三个极为重要的参数。径向基函数的典型形式为高斯基函数，其中，中间的隐含层才会用到高斯基函数。
[0096]
本技术中，建立用于油脂消耗预测的rbf神经网络模型的过程包括：以影响盾构机油脂消耗的参数作为rbf神经网络的输入层、预测的消耗油脂量作为rbf神经网络的输出层；并确定隐含层内基函数的中心、方差以及隐含层到输出层的权值。
[0097]
确定隐含层内基函数的中心、方差的方法为：采用k-均值聚类法确认网络中心；选取h个中心做k-means聚类；则方差的计算公式为：
[0098]
其中c
max
为选取中心点之间的最大距离。
[0099]
基于k均值聚类方法求取基函数中心c
[0100]
网络初始化：随机选取h个训练样本作为聚类中心ci[0101]
按照欧式距离将分配到输入样本的各个聚类集合中；
[0102]
计算各个聚类集合中训练样本的平均值，即新的聚类中心ci，如果新的聚类中心不变，则ci就是所求的基函数中心，否则重新输入样本至各个聚类集合中，继续下一轮的中心求解。
[0103]
确定隐含层到输出层的权值的方法为：采用最小二乘法确认网络权值，即对损失函数求解关于权值w的偏导数，使等于0；得到：
[0104]
其中p＝1,2,...,p；i＝1,2,...,h。
[0105]
在步骤s220中，采用测试集对训练后的rbf神经网络模型进行验证，输出预测的消耗油脂量。
[0106]
本发明实施例3提出的一种设备，采用神经网络能较好地预测油脂的消耗量，在可接受范围内，对于油脂消耗的预测具有一定参考。
[0107]
需要说明：本发明技术方案还提供了一种电子设备，包括：通信接口，能够与其它设备比如网络设备等进行信息交互；处理器，与通信接口连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述一个或多个技术方案提供的一种泥水盾构机油脂消耗预测方法，而所述计算机程序存储在存储器上。当然，实际应用时，电子设备中的各个组件通过总线系统耦合在一起。可理解，总线系统用于实现这些组件之间的连接通信。总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。本技术实施例中的存储器用于存储各种类型的数据以支持电子设备的操作。这些数据的示例包括：用于在电子设备上操作的任何计算机程序。可以理解，存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read-only memory)、可擦除可编程只读存储器(eprom，erasable programmable read-only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read-only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd-rom，compact disc read-only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，random accessmemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronousdynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，synclink dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本技术实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。上述本技术实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、dsp(digital signal processing，即指能够实现数字信号处理技术的芯片)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本技术实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行
完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的程序，结合其硬件完成前述方法的步骤。处理器执行所述程序时实现本技术实施例的各个方法中的相应流程，为了简洁，在此不再赘述。
[0108]
实施例4
[0109]
本发明还提出了一种可读存储介质，可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现方法步骤如下：
[0110]
如图2为本发明实施例1一种泥水盾构机油脂消耗预测方法流程图；
[0111]
在步骤s200中，确定影响盾构机油脂消耗的参数，在对参数归一化处理之后，将处理后的参数划分为训练集和测试集；
[0112]
影响盾构机油脂消耗的参数包括：当前区域对应盾构机的掘进速度、中等胶结砾岩方量、弱胶结砾岩方量、强风化碌岩方量、圆砾王方量和粉细砂士方量。
[0113]
归一化处理的过程包括：
[0114][0115]
其中，xi(k)为第k个样本的采样值；x
i-max
为影响因素xi的最大值；x
i-min
为影响因素xi的最小值；t
max
为归一化后的最大值；t
min
为归一化后的最小值；并且在t
max
取值为1时，t
min
取值-1。
[0116]
将处理后的参数划分为训练集和测试集，本技术中可以根据需求按照比例将处理后的参数换分为训练集和测试集。
[0117]
在步骤s210中，建立用于油脂消耗预测的rbf神经网络模型；并以训练集作为rbf神经网络的输入，对所述rbf神经网络模型进行训练；
[0118]
径向基函数(rbf)神经网络是一种性能良好的前向网络，具有最佳逼近、训练简洁、学习收敛速度快以及克服局部最小值问题的性能。rbf神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。
[0119]
如图3为本发明实施例1中rbf网络模型图；径向基函数由三层构成，分别是输入层、隐含层、输出层。负责接收外界信息的是输入层，隐含层则是实现非线性转换，第三层是输出的功能，是输入的最终结果。它是一种两层的网络；其中隐含层是一种非线性的映射，但是输出层是线性的。输入层仅仅起到传输信号作用，对输入信号不做任何变换，在进行随机选取权值时，输入层与隐藏层的权值不妨设为1，输出层与隐含层所完成的任务是不同的，输出层采用的是线性优化策略，隐含层采用的是非线性优化策略。rbf的基本思想是：将数据转化到高维空间，使其在高维空间线性可分假设输入样本为x,一个中心点为c，则任何只依赖x和c之间距离的函数都是径向基函数。rbf的神经网络学习算法中需要三个极为重要的参数。径向基函数的典型形式为高斯基函数，其中，中间的隐含层才会用到高斯基函数。
[0120]
本技术中，建立用于油脂消耗预测的rbf神经网络模型的过程包括：以影响盾构机油脂消耗的参数作为rbf神经网络的输入层、预测的消耗油脂量作为rbf神经网络的输出层；并确定隐含层内基函数的中心、方差以及隐含层到输出层的权值。
[0121]
确定隐含层内基函数的中心、方差的方法为：采用k-均值聚类法确认网络中心；选
取h个中心做k-means聚类；则方差的计算公式为：
[0122]
其中c
max
为选取中心点之间的最大距离。
[0123]
基于k均值聚类方法求取基函数中心c
[0124]
网络初始化：随机选取h个训练样本作为聚类中心ci[0125]
按照欧式距离将分配到输入样本的各个聚类集合中；
[0126]
计算各个聚类集合中训练样本的平均值，即新的聚类中心ci，如果新的聚类中心不变，则ci就是所求的基函数中心，否则重新输入样本至各个聚类集合中，继续下一轮的中心求解。
[0127]
确定隐含层到输出层的权值的方法为：采用最小二乘法确认网络权值，即对损失函数求解关于权值w的偏导数，使等于0；得到：
[0128]
其中p＝1,2,...,p；i＝1,2,...,h。
[0129]
在步骤s220中，采用测试集对训练后的rbf神经网络模型进行验证，输出预测的消耗油脂量。
[0130]
本发明实施例4提出的一种存储介质，采用神经网络能较好地预测油脂的消耗量，在可接受范围内，对于油脂消耗的预测具有一定参考。
[0131]
本技术实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器，上述计算机程序可由处理器执行，以完成前述方法所述步骤。计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、flash memory、磁表面存储器、光盘、或cd-rom等存储器。
[0132]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。或者，本技术上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机、服务器、或者网络设备等)执行本技术各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0133]
本技术实施例提供的一种泥水盾构机油脂消耗预测设备和存储介质中相关部分的说明可以参见本技术实施例1提供的一种泥水盾构机油脂消耗预测方法中对应部分的详细说明，在此不再赘述。
[0134]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在
没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本技术实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
[0135]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制。对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。