-
公开(公告)号：CN113935545A
公开(公告)日：2022-01-14
申请号：CN202111326755.7
申请日：2021-11-10
Applicant: 广东粤海珠三角供水有限公司 , 同济大学
Abstract: 本发明公开了一种基于多影响因素的泥水盾构泥水仓压力预测方法，包括以下步骤：步骤1，获取泥水盾构PLC系统采集的数据；步骤2，进行泥水仓压力影响因素分析，得到影响因素；步骤3，根据影响因素对数据进行清洗、特征提取和样本划分，得到训练集数据和测试集数据；步骤4，基于训练集数据，采用遗传算法结合K折交叉验证优化神经网络拓扑结构，得到最优网络拓扑结构信息并构建最优模型；步骤5，基于训练集数据对最优模型进行训练，得到拟合模型，并基于测试集数据对拟合模型进行评估，若未达标则重复步骤4～5，直至模型预测效果达标；步骤6，使用达标的模型对下一时刻的泥水仓压力进行预测，对预测值是否处于合适的范围进行分析并给出反馈信息。
-
公开(公告)号：CN114021282A
公开(公告)日：2022-02-08
申请号：CN202111326750.4
申请日：2021-11-10
Applicant: 广东粤海珠三角供水有限公司 , 同济大学
IPC: G06F30/17 , G06F30/27 , G06F119/02
Abstract: 本发明公开了一种融合多元神经网络结构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，对时序掘进参数数据和非时序地质条件数据分别进行预处理，得到预处理后的时序掘进参数数据和预处理后的非时序地质条件数据；步骤2，将预处理后的时序掘进参数数据和预处理后的非时序地质条件数据输入预测模型，运用预测模型对下一时刻的目标掘进参数进行预测与评估。其中，步骤1中，预处理采用多重插补法和移动平均法；步骤2中，预测模型包括多层感知器神经网络结构和循环神经网络结构。多层感知器神经网络结构用于处理非时序地质条件数据，循环神经网络结构用于处理时序掘进参数数据。
-
公开(公告)号：CN113935546A
公开(公告)日：2022-01-14
申请号：CN202111328369.1
申请日：2021-11-10
Applicant: 广东粤海珠三角供水有限公司 , 同济大学
Abstract: 本发明提供一种基于RF‑PSO的泥水平衡式盾构掘进参数优化方法，用于对盾构掘进参数进行优化，其特征在于，包括以下步骤：步骤S1，确定掘进参数，并采集与掘进参数相关的掘进数据，得到掘进数据集。步骤S2，对掘进数据集进行标准化处理，得到标准化数据集。步骤S3，构建随机森林岩机映射模型，并确定约束条件。步骤S4，将标准化数据集输入到随机森林岩机映射模型，并利用网络搜索法对随机森林岩机映射模型的超参数进行训练，得到最优超参数，并根据最优超参数得到最优随机森林岩机映射模型。步骤S5，构建掘进速度v的优化目标函数。步骤S6，根据最优随机森林岩机映射模型，基于优化目标函数利用粒子群算法得到最优掘进速度、最优贯入度和最优刀盘转速。
-
公开(公告)号：CN113946899B
公开(公告)日：2024-10-29
申请号：CN202111326792.8
申请日：2021-11-10
Applicant: 广东粤海珠三角供水有限公司 , 同济大学
IPC: G06F30/13 , G06F30/27 , G06N3/04 , G06N3/086 , G06N3/0985 , G06N3/126 , E21D9/06 , G06F111/08 , G06F119/14
Abstract: 本发明提供了一种基于实时地质信息的泥水盾构掘进参数预测方法，用于预测泥水平衡式盾构掘进参数，其特征在于，包括以下步骤：步骤S1，确定掘进参数，并采集掘进数据。步骤S2，对掘进数据进行预处理，得到预处理数据。步骤S3，以分钟为粒度对预处理数据进行提取，得到提取数据集。步骤S4，对提取数据集进行数据标准化处理，得到标准化数据集。步骤S5，构建GA‑NN深度神经网络模型。步骤S6，利用遗传算法，将标准化数据集输入到GA‑NN深度神经网络模型进行超参数优化，得到最优的GA‑NN深度神经网络模型。步骤S7，将待测的地质信息、待测的泥水仓顶部压力和待测的操作参数输入到最优的GA‑NN深度神经网络模型，得到待测掘进荷载参数。
-
公开(公告)号：CN114036454A
公开(公告)日：2022-02-11
申请号：CN202111328376.1
申请日：2021-11-10
Applicant: 广东粤海珠三角供水有限公司 , 同济大学
Abstract: 本发明提供一种基于小波变换的TBM掘进参数时序数据阈值去噪方法，用于对掘进参数时序数据进行去噪处理，其特征在于，包括以下步骤：步骤S1，确定掘进参数，并采集与掘进参数相对应的含噪的时序数据。步骤S2，将含噪的时序数据按照正交小波函数进行小波分解，得到多层小波变换系数。步骤S3，利用软阈值函数对每一层高频系数进行非线性阈值处理，得到处理后的高频系数。步骤S4，利用通用阈值规则选取法对处理后的高频系数进行选取，得到选取后的高频系数。步骤S5，对低频系数和选取后的高频系数进行重构，得到去噪后的时序数据。本发明利用小波变换对时序数据进行处理并利用阈值选取进行去噪，计算量小、分析效率高，满足在线数据实时分析任务的需求。
-
Patent Agency Ranking
公开(公告)号：CN113987715A
公开(公告)日：2022-01-28
申请号：CN202111328348.X
申请日：2021-11-10
Applicant: 广东粤海珠三角供水有限公司 , 同济大学
Abstract: 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。
-
公开(公告)号：CN113946899A
公开(公告)日：2022-01-18
申请号：CN202111326792.8
申请日：2021-11-10
Applicant: 广东粤海珠三角供水有限公司 , 同济大学
IPC: G06F30/13 , G06F30/27 , G06N3/04 , G06N3/08 , G06N3/12 , E21D9/06 , G06F111/08 , G06F119/14
Abstract: 本发明提供了一种基于实时地质信息的泥水盾构掘进参数预测方法，用于预测泥水平衡式盾构掘进参数，其特征在于，包括以下步骤：步骤S1，确定掘进参数，并采集掘进数据。步骤S2，对掘进数据进行预处理，得到预处理数据。步骤S3，以分钟为粒度对预处理数据进行提取，得到提取数据集。步骤S4，对提取数据集进行数据标准化处理，得到标准化数据集。步骤S5，构建GA‑NN深度神经网络模型。步骤S6，利用遗传算法，将标准化数据集输入到GA‑NN深度神经网络模型进行超参数优化，得到最优的GA‑NN深度神经网络模型。步骤S7，将待测的地质信息、待测的泥水仓顶部压力和待测的操作参数输入到最优的GA‑NN深度神经网络模型，得到待测掘进荷载参数。
-
公开(公告)号：CN113762360B
公开(公告)日：2024-03-29
申请号：CN202110960161.5
申请日：2021-08-20
Applicant: 同济大学
IPC: G06F18/2413 , G06F18/2431 , G06F18/214 , G06N20/00
Abstract: 本发明涉及一种基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法，包括步骤：1)获取TBM掘进参数数据和各个桩号的围岩等级数据；2)数据清洗、特征提取及围岩等级标注处理，作为机器学习模型的输入；3)样本不均衡处理；4)利用K折交叉验证选择机器学习模型的最优模型参数；5)进行模型训练、评估与比对，获取用于围岩等级预测的机器学习模型，并设置比对模型对该模型的预测效果进行比对验证；6)采用训练好的模型进行围岩等级预测并对软弱围岩进行预警。与现有技术相比，本发明具有预测模型预测准确率高，训练速度快，适用于TBM盾构过程中的围岩等级预测等优点。
-
公开(公告)号：CN111190804A
公开(公告)日：2020-05-22
申请号：CN201911383963.3
申请日：2019-12-28
Applicant: 同济大学
Abstract: 本发明涉及一种云原生系统的多层次的深度学习日志故障检测方法，该方法利用训练完成的异常检测模型，进行系统故障检测，所述的异常检测模型包括第一子模型和第二子模型，该故障检测方法包括以下步骤：S1)系统捕获一条新的日志；S2)解析该日志的历史日志模式值流和该日志模式值对应的参数值向量；S3)第一子模型根据历史日志模式值流检测该日志模式值是否正常，若是，则执行步骤S4)，若否，则判断系统出现故障，并输出对应日志故障信息；S4)第二子模型检测该日志模式值的参数值向量是否正常，若是，则判断系统正常，若否，则判断系统出现故障，并输出对应日志故障信息，与现有技术相比，本发明具有检测准确性高等优点。
-
公开(公告)号：CN111190873A
公开(公告)日：2020-05-22
申请号：CN201911350953.X
申请日：2019-12-24
Applicant: 同济大学
IPC: G06F16/18 , G06F16/182 , G06F16/36 , G06F40/284 , G06F40/30
Abstract: 本发明涉及一种用于云原生系统日志训练的日志模式提取方法及系统，填补了云原生系统中大量日志有效地抽取为含有语义的词向量日志模式的空白，方法步骤包括：基于云原生系统日志构建领域内的日志单词近反义词词典和领域内的日志变量知识表达；基于领域内日志变量知识和通用规则，对日志进行预处理；基于领域内近反义词词典，对日志中单词进行基于语义的向量化；构建一颗定深日志模式提取树，对该树内部的匹配或处理节点进行定义；对每一条日志进行分析抽取，对抽取的日志模式和对应的日志行ID进行存储，抽取的日志模式是含有语义的词向量数组。本方法的输出结果可以应用于云原生系统中日志分析、故障检测模型的训练及日志的画像构建等。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.037 seconds)
