原文传递
基于迁移学习方法的盾构总推力建模和预测
| 论文题名： | 基于迁移学习方法的盾构总推力建模和预测 |
| 关键词： | 盾构掘进机;总推力;预测模型;迁移学习 |
| 摘要： | 随着传感检测技术的日益成熟及其在大型工程装备实时监测中的广泛应用，海量工程检测数据的分析与建模问题吸引了越来越多相关研究者的关注。基于工程实测数据的机器学习建立有效的掘进性能参数预测模型可以为装备安全高效控制决策提供参考。盾构掘进机是一种用于隧道施工的大型工程装备，其操作控制涉及机械、电子、液压等多个子系统，掘进状态会随着掘进地质条件等工况不断变化而变化，因此掘进过程中的工程实测数据往往具有分布差异性、时变性等特点。在面向盾构智能辅助决策场景中，掘进数据机器学习建模与控制参数预测也提出了分布适应性、模型自适应更新等新要求。如何建立改善数据分布差异影响的掘进参数建模方法，发展智能预测模型的自适应更新功能是该领域亟待解决的关键问题之一。本文以掘进总推力这一核心载荷参数为目标参量，围绕上述问题开展了如下三方面工作： （1）建立了考虑数据分布差异的领域对抗式迁移学习总推力模型。首先分析了掘进工程数据分布特点及引起数据分布差异可能的原因，通过工程实测数据预处理建立了三类软土地质的数据集，基于特征工程确定了影响总推力的关键参量。然后分析了对抗迁移学习方法的基本原理，在此基础上建立了适用于总推力分布自适应建模的对抗式领域自适应卷积神经网络模型，设计了模型的整体结构和损失函数。最后结合三类软土地质的数据，开展了总推力领域自适应建模，分析了建模方法的有效性和适用范围。 （2）建立了随着掘进工况变化具有一定自适应更新能力的总推力预测模型。分析了工况变化下总推力预测问题的特点，考虑掘进的先后顺序进行数据集的划分。基于模型迁移建立了神经网络模型微调的总推力预测方法，该方法将已有预训练模型的部分层和参数冻结，迁移至后续的预测中，同时根据目标域部分数据进行模型的微调更新。分析了预训练模型结构和超参数对预测结果的影响，讨论了不同微调设置对目标域总推力预测性能的影响。开展了掘进过程中的总推力预测分析，对比了不同策略的预测精度和时间成本。 （3）在建立上述基于模型迁移的总推力预测算法的基础上，面向算法模型在企业的盾构智能运维平台应用，设计并实现了总推力预测算法调用的接口。分析了接口的应用需求，确定了软件架构和编程框架，进行了接口整体结构的设计，编程实现了接口的模型训练、模型迁移和微调和总推力预测的功能。通过本地计算机进行了接口的部署和测试。 |
| 作者： | 王杰文 |
| 专业： | 机械工程 |
| 导师： | 张茜;苏翠侠 |
| 授予学位： | 硕士 |
| 授予学位单位： | 天津大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
