(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111328348.X (22)申请日 2021.11.10 (71)申请人 广东粤海珠三角供 水有限公司 地址 511455 广东省广州市南沙区丰泽 东 路106号 （自编1号楼） X13 01-A3665 申请人 同济大学 (72)发明人 李旭辉　杜庆峰　何调林　张双俐　 李晓军　赵思成　 (74)专利代理 机构 上海德昭知识产权代理有限 公司 31204 代理人 卢泓宇 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于特征分组与集成神经网络的盾构机掘 进参数预测方法 (57)摘要 本发明公开了一种基于特征分组与集成神 经网络的盾构机掘进参数预测方法， 具有这样的 特征， 包括以下步骤： 步骤1， 获取泥水盾构PLC系 统采集的数据， 并对其进行预处理； 步骤2， 基于 预处理后的数据， 采用预定分析方法进行特征重 要性分析； 步骤3， 根据特征重要性分析的结果， 设定分组大小并对特征进行分组， 并将预处理后 的数据按照一定比例划分成训练集数据和测试 集数据； 步骤4， 将每个分组对应的数据分别输入 不同的神经网络结构中， 并将多个神经网络结构 的输出作为一个多元线性回归模 型的输入， 基于 训练集数据对整个多元线性回归模 型进行训练， 得到参数预测模型； 步骤5， 在测试集数据上进行 参数预测模型的评估。 权利要求书1页 说明书5页 附图2页 CN 113987715 A 2022.01.28 CN 113987715 A 1.一种基于特征分组与集成神经网络的盾构机掘进参数预测方法， 其特征在于， 包括 以下步骤： 步骤1， 获取泥水盾构PLC系 统采集的数据， 并对其分别进行空值处理、 异常值处理、 特 征值提取以及数据标准 化， 得到预处 理后的数据； 步骤2， 基于所述预处理后的数据， 采用预定分析方法进行特征重要性分析， 计算所述 预处理后的数据中的各个参数同目标参数之间的关联强度； 步骤3， 根据所述特征重要性分析的结果， 设定分组大小并对特征进行分组， 并将所述 预处理后的数据按照一定比例划分成训练集数据和 测试集数据； 步骤4， 将每个分组对应的数据分别输入不同的神经网络结构中， 并将多个所述神经网 络结构的输出作为一个多 元线性回归模型的输入， 基于所述训练集数据对整个所述多 元线 性回归模型进行训练， 得到参数 预测模型； 步骤5， 在所述测试集数据 上计算预测值和真实值的平均绝对误差、 均方根误差以及判 定系数， 进行 所述参数预测模型的评估。 2.根据权利要求1所述的一种基于特征分组与集成神经网络的盾构机掘进参数预测方 法， 其特征在于： 其中， 步骤1中， 数据预处 理过程包括以下子步骤： 步骤1‑1， 对泥水盾构PLC系 统采集的数据中的空值进行处理， 采用直接删除法删除空 值所在时刻的所有特 征参数值； 步骤1‑2， 进行异常值处理， 结合掘进过程中某些特征参数值的限定范围和3σ 准则 对异 常值进行判断， 采用直接删除法删除异常值所在时刻的所有特 征参数值； 步骤1‑3， 对时序的特征参数数据按一定时间窗口长度进行划分， 计算每一个时间窗口 内各个特 征参数值的均值作为特 征值； 步骤1‑4， 采用z‑score方法对所述特 征值进行 标准化。 3.根据权利要求1所述的一种基于特征分组与集成神经网络的盾构机掘进参数预测方 法， 其特征在于： 其中， 步骤2中， 所述预定分析 方法为皮尔逊相关系数分析 方法。 4.根据权利要求1所述的一种基于特征分组与集成神经网络的盾构机掘进参数预测方 法， 其特征在于： 其中， 步骤3中， 所述 一定比例为9:1。 5.根据权利要求1所述的一种基于特征分组与集成神经网络的盾构机掘进参数预测方 法， 其特征在于： 其中， 步骤5中， 模型评估时， 所述平均绝对误差和所述均方根误差的值越小、 所述判定 系数的值越大， 说明模型的拟合效果越好， 预测准确率越高。权　利　要　求　书 1/1 页 2 CN 113987715 A 2基于特征分组与集成神经 网络的盾构机掘进参数预测方 法 技术领域 [0001]本发明涉及计算机人工智能神经网络技术在土木工程领域的应用， 具体涉及 一种 基于特征分组与集成神经网络的盾构机掘进参数 预测方法。 背景技术 [0002]在泥水盾构掘进过程中， 利用PLC(可编程的逻辑控制)系统采集到的历史数据对 未来的参数变化进行预测， 能够为参数 的异常分析与调节提供依据。 现有的对掘进参数进 行预测的方法可分为四类： 基于理论 公式、 基于大数据统计分析、 基于软件可视化建模和基 于机器学习的。 基于理论公式的方法无法追踪实际数据的变化； 大数据 统计考虑的分析对 象往往有限； 基于软件可视化建模的方法也是基于有限的某几个指标进行建模， 且无法适 用于数据实时变化的情况； 基于机器学习的预测方法， 如基于随机森林、 反馈神经网络、 长 短记忆神经网络等， 均取得了很好的效果， 能够基于历史数据进行学习从而对观察对 象的 未来值进行预测。 [0003]现已有很多机器学习算法被用来构建掘进参数预测模型。 通常来说， PLC系统采集 到的掘进参数往往有上百个， 对目标观测值有重要影响的可能就几个， 弱影响因子或不相 关影响因子数量较多。 这些弱影响因子或者不相关影响因子一方面有 可能会对强影响因子 的预测效果产生干扰， 另一方面也能对强影响因子的预测结果进行微调。 因此对参数按照 重要性进行分组与利用显得 尤为重要。 发明内容 [0004]本发明是为了解决上述问题而进行的， 目的在于提供一种基于特征分组与集成神 经网络的盾构机掘进参数 预测方法。 [0005]本发明提供了一种基于特征分组与集成神经网络的盾 构机掘进参数预测方法， 具 有这样的特征， 包括以下步骤： 步骤1， 获取泥水盾构PLC系统采集的数据， 并对其分别进行 空值处理、 异常值处理、 特征值提取以及数据标准化， 得到预处理后的数据； 步骤2， 基于预 处理后的数据， 采用预定分析方法进行特征重要性分析， 计算预处理后的数据中的各个参 数同目标参数之间的关联强度； 步骤3， 根据特征重要性分析的结果， 设定分组大小并对特 征进行分组， 并将预处理后的数据按照一定比例划分成训练集数据和测试集数据； 步骤4， 将每个分组对应的数据分别输入不同的神经网络结构中， 并将多个神经网络结构的输出作 为一个多元线性回归模型 的输入， 基于训练集数据对整个多元线性回归模型进行训练， 得 到参数预测模型； 步骤5， 在测试集数据上计算预测值和真实值的平均绝对误差、 均方根误 差以及判定系数， 进行参数 预测模型的评估。 [0006]在本发明提供的基于特征分组与集成神经网络的盾构机掘进参数预测方法中， 还 可以具有这样的特征： 其中， 步骤1 中， 数据预 处理过程包括以下子步骤： 步骤1 ‑1， 对泥水盾 构PLC系统采集的数据中的空值进行处理， 采用直接删除法删除空值所在时刻的所有特征 参数值； 步骤1 ‑2， 进行异常值处理， 结合掘进过程中某些特征参数值的限定范围和 3σ 准则说　明　书 1/5 页 3 CN 113987715 A 3