基于贝叶斯优化Autoformer的盾构刀盘扭矩的多步预

本发明涉及盾构隧道施工载荷预测，尤其涉及一种基于贝叶斯优化autoformer的盾构刀盘扭矩的多步预测控制方法及系统。背景技术：1、盾构机是隧道掘进机的简称，在铁路的隧道建设中广泛地应用到盾构机，为了减少盾构机在掘进施工过程中刀盘系统的损坏，根据盾构机不同的工作环境适当地调整盾构机的掘进参数是很有必要的，由于盾构机经常工作于复杂的地质环境中，精确地预测盾构机工作的地质条件是十分困难的，因此可以通过预测盾构机工作过程的掘进参数的变化从而适时地调整盾构机的掘进参数。刀盘系统是盾构机的重要的部件之一，刀盘扭矩是盾构机的重要运行参数，刀盘扭矩的数值反映了地质条件对盾构机前进的阻碍程度，对盾构机的刀盘扭矩进行精确的预测有助于操作人员提前调整刀盘的旋转速度等操作参数，从而确保盾构机的安全推进与减少事故的发生。2、随着数据驱动技术的发展，许多研究人员将机器学习和深度学习方法应用到各个领域中，其中就包括盾构机的掘进参数的预测。目前已有利用svr(支持向量机回归)、rf(随机森林)、ann(人工神经网络)与lstm(长短时)神经网络预测盾构机的刀盘扭矩、刀盘推力和盾构机承受土压等掘进参数的方法。这些方法都是利用盾构机运行参数数据进行模型的训练，并将训练好的模型用于盾构机运行参数的预测，然而这些方法存在对盾构机运行参数的预测精度较低和模型的泛化能力不强的问题。技术实现思路1、针对现有技术的以上缺陷或改进需求，本发明的目的在于提供一种基于贝叶斯优化autoformer的盾构刀盘扭矩的多步预测控制方法及系统，实现刀盘扭矩高稳定、高精度的多步预测，该盾构机刀盘扭矩智能预测方法和系统首先调动数据库中的相关数据进行预处理，清洗了异常值、缺失值以及无关数据，然后基于预处理的数据进行参数相关性分析，过滤了冗余参数，最后基于选择后的最优参数集构建贝叶斯优化autoformer刀盘扭矩多时间步预测模型，对刀盘扭矩进行多步预测，实现刀盘扭矩高稳定、高精度的多步预测，为隧道的掘进施工提供了及时有用的信息和指导。2、第一方面，本发明提供一种基于贝叶斯优化autoformer的盾构刀盘扭矩的多步预测控制方法，包括：3、s100、选取38个影响因素作为输入参数，将刀盘扭矩作为输出参数，进行数据预处理，建立原始样本集；4、s200、利用pearson相关分析对所述原始样本集中的冗余参数分析过滤，筛选出关键影响参数，并对时间序列数据进行重构，获得刀盘扭矩预测数据集；5、s300、将所述刀盘扭矩预测数据集分批输入autoformer模型中，以贝叶斯优化对autoformer的超参数进行优化，构建bo-autoformer预测模型，对刀盘扭矩进行多步预测；6、s400、采用shap方法对建立的刀盘扭矩多步预测模型进行全局解释，计算输入参数以及时间步对刀盘扭矩的shapley值，获得不同特征对预测结果的贡献度。7、进一步地，步骤s100中所述数据预处理与建立原始样本集步骤包括：8、s101、停机数据过滤：选取推进速度、刀盘转速、总推进力和刀盘扭矩四个主要的施工参数作为判别指标，判别函数如下：9、d＝f·t·v·n                   (1)10、11、上式中，f、t、v、n分别对应总推进力、刀盘扭矩、推进速度和刀盘转速，d表示四个参数值的乘积，当四个参数的乘积不为0时，说明盾构机处于工作状态，对应的数据予以保留；当四个参数的乘积为0时，即其中任一参数的值为0，即认为盾构机在非工作状态，对于非工作状态的数据直接剔除掉；12、s200、异常值识别与处理：利用箱型图法识别异常值并去除，对于去除的异常值，采用该值前一秒或后一秒的数据进行填充；13、s300、缺失值处理：将直接删除法与常量填充法相结合，对数据缺失分不同情况进行处理，以更好地保证数据的有效性。14、进一步地，步骤s200中所述冗余参数分析过滤步骤包括：15、使用皮尔逊相关系数对数据之间的相关性进行分析，该方法如下：16、17、式中：n为样本量，xi,yi为两个变量样本点，和为两个变量集内样本的均值。18、进一步地，步骤s200中使用多输入多输出策略对时间序列数据进行重构，多输入多输出策略仅需要通过特征集合a～y的时间序列[a1,…,an]～[y1,…,yn]训练一个f模型，公式如下：19、[yt+h,…,yt+1]＝f((at,…,at-d+1),…,(yt,…,yt-d+1)),t∈{d,…,n-h}(4)20、式中：d为输入时间步长，n为样本数量，h为输出时间步长。21、进一步地，步骤s300中，还需将刀盘扭矩预测数据集划分为训练集和测试集，并采用训练集和测试集对bo-autoformer预测模型进行参数优化和预测精度分析，采用决定系数、均方根误差、平均绝对误差对bo-autoformer预测模型的准确性进行评价，具体包括以下步骤：22、s301、数据归一化：由于选择的输入变量量纲不同，为了防止样本出现数据过大或过小而导致数据被淹没或不收敛的情况，需要对样本数据进行预处理。本文将输入变量和输出变量归一化到[-1,1]区间；23、s302、autoformer多步时间预测模型超参数确定：为了使autoformer多步预测模型获得较好的预测效果，本文采用贝叶斯优化对模型的编码层数、学习率、解码层数和批量大小四个参数进行优选，从而确定精度最高的参数组合为autoformer预测模型的最佳参数；24、s303、建立训练模型：随机将样本数据划分为训练样本集和测试样本集，将得到的参数优化结果输入模型中，基于python利用建立模型；25、s304、引入绝定系数(r2)、均方根误差(rmse)、平均绝对误差(mae)三个常用指标来评价bo-autoformer预测模型的准确性，其中，r2用来衡量预测值和观测值之间的拟合程度，rmse、mae可以较好地反映预测值和观测值之间的偏差，rmse、mae值越小，模型性能越好，r2越接近1，模型预测精度越高：26、27、28、29、式中，n为样本数，为预测值，yi为实际值，为真实值的平均值。30、进一步地，步骤s400具体包括：利用shap方法分别进行总体性分析，解释每个施工参数以及时间步对刀盘扭矩预测结果的贡献程度以及贡献的正负性，从而确定影响控制目标的重要施工参数，为盾构机刀盘扭矩调整提供决策依据，shap方法的解释函数表示为：31、32、式中，g(·)表示解释函数，n表示样本中输入特性的数量,表示每个特征存在与否，φ0表示不带特征的虚拟模型的shap值，φi表示第i个特征的shap值；33、进一步地，步骤s400中所述shapely值可通过下式进行计算：34、35、式中，xi表示特征向量，s表示不包括特征xi的所有特征子集，|s|为s中非零元素的个数，f模型中所有特征的集合；36、第二方面，本发明提供一种基于贝叶斯优化autoformer的盾构刀盘扭矩的多步预测系统，包括：37、第一主模块：获取盾构施工参数的监测数据，进行数据预处理，过滤了停机数据、异常值和缺失值等无关数据，建立原始样本集；38、第二主模块，利用pearson相关分析进行冗余参数分析过滤，得到最优参数集，并对数据进行时间序列数据重构，获得刀盘扭矩预测数据集；39、第三主模块，将所述刀盘扭矩数据集分批输入autoformer模型中，以贝叶斯优化对autoformer的超参数进行训练优化，构建bo-autoformer预测模型，对刀盘扭矩进行多步预测；40、第四主模块，利用shap方法对autoformer多步预测模型进行可解释性分析，建立历史时间步长与参数对刀盘扭矩的影响分析。41、第三方面，本发明提供一种电子设备，包括：42、至少一个处理器、至少一个存储器和通信接口；其中，43、所述处理器、存储器和通信接口相互间进行通信；44、所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行上述方法中的任一步骤。45、第四方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述方法中的任一步骤。46、本发明的有益效果：47、1.本发明的盾构刀盘扭矩多时间步预测控制方法，提出了一种盾构刀盘扭矩实时预测框架，构建了盾构刀盘扭矩智能多时间步预测控制系统。该盾构机刀盘扭矩智能预测方法和系统首先调动数据库中的相关数据进行预处理，清洗了异常值、缺失值以及无关数据，然后基于预处理的数据进行参数相关性分析，过滤了冗余参数，最后基于选择后的最优参数集构建贝叶斯优化autoformer刀盘扭矩多时间步预测模型，对刀盘扭矩进行多步预测，为隧道的掘进施工提供了及时有用的信息和指导；48、2.本发明的盾构机刀盘扭多时间步预测控制方法，对时间序列数据进行建模的autoformer网络在工程领域的应用为刀盘扭矩的多时间步预测提供了新的思路和解决方法，为盾构机运行操作提供指导和参考；49、3.本发明的盾构机刀盘扭多时间步预测控制方法，对于采集的初始数据进行预处理，过滤了停机数据、异常值和缺失值等无关数据，通过相关性分析过滤了高度耦合参数，得到了刀盘扭矩的最优参数集，为基于贝叶斯优化autoformer模型的刀盘扭矩的高精度预测提供了条件。50、4.本发明中提供的基于贝叶斯优化autoformer的盾构刀盘扭矩的多步预测控制方法与系统，选用了shap方法对刀盘扭矩多时间步预测模型进行全局解释，计算每个输入参数对隧道变形的shapley值，获得不同特征对预测结果的贡献度。51、5.本发明通过引入绝定系数(r2)、均方根误差(rmse)、平均绝对误差(mae)三个常用指标来评估预测模型的性能表现，分析验证了bo-autoformer模型对刀盘扭矩的多时间步预测效果的有效性和正确性。52、本技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本技术的实践了解到。