1.本发明属于凿岩台车关键元件智能运维领域的一种凿岩机冲击系统状态预测方法，具体涉及到一种基于时序特征分解与alstm-cnn凿岩台车冲击系统打击压力预测方法。
背景技术：
2.凿岩台车为核心的钻爆法施工我国隧道施工的主要方法之一，其施工效率高、环境适应性强，能很好地满足隧道施工在复杂地质环境下的施工需求，其中主要的作业部件就是凿岩机。在凿岩台机的各个系统当中，冲击系统因其直接参与凿岩机的钻进作业，并在其中承担主要的钻孔工作，因此其状态维护尤为关键。而在冲击系统的诸多状态参数当中，打击压力直接反映每一次的钻孔作业冲击状况，对维护凿岩台车冲击系统的健康状况有极大的参考价值，因此，根据钻孔日志进行打击压力的精准预测，并基于此进行凿岩机冲击系统的健康维护，对隧道整体施工的进度推进有重大意义。
3.打击压力作为直接反映凿岩机钻进作业冲击状况的关键参数，其具有随定位和打孔变化的明显的周期性和时序性，同时其特征也明显地受其它冲击系统相关联状态参数的影响。因此，对于打击压力的预测一般采用历史数据进行训练，再结合当前时刻的其他相关联状态参数进行预测。国内外对于时间序列数据预测的方法进行了多年的研究，传统的有基于理论模型的时间序列数据预测方法，这类方法往往需要建立精确的数学或物理模型，对于复杂环境下受多种因素影响的装备参数预测效果一般；另外有新兴的基于数据的神经网络时间序列数据预测方法，这类方法对于样本数据的要求较高，对于多维特征混合、时序特征不明显的时间序列数据预测，模型的复杂度会成倍增长、训练时间变长，其预测准确率也会相对应变低，而目前用于数据预处理以简化网络结构的一些方法，如离散傅里叶变换、小波变换等，本身也存在计算量大、复杂度有时较高的问题。
技术实现要素：
4.本发明为了解决上述问题，提供了一种基于时序特征分解与alstm-cnn凿岩台车冲击系统打击压力预测方法。针对凿岩机冲击系统状态参数存在的局部周期特征和整体趋势特征混叠，难以准确提取特征并进行预测的问题，本发明预先进行数据的时序特征分解并构建数据集，然后针对数据的时序特点和周期循环特点分别使用alstm和cnn模型，并基于结果准确度分配权重，最终输出打击压力预测结果。
5.为了实现上述目的，本发明的技术方案如下：
6.步骤1：基于凿岩机中冲击系统的状态参数从凿岩台车的钻孔日志中进行数据提取，获得原始数据集，接着对原始数据集进行预处理后，获得预处理后的数据集；
7.步骤2：对预处理后的数据集进行数据分解和扩增后，获得已扩增数据集；
8.步骤3：对已扩增数据集进行归一化处理，获得归一化数据集，利用归一化数据集分别对alstm和cnn进行模型训练，分别获得训练好的alstm和cnn，进行获得alstm-cnn预测模型；
9.步骤4：将待预测的归一化数据输入到alstm-cnn预测模型中，模型输出预测结果，基于预测结果计算得到最终打击压力预测值。
10.所述步骤1中，冲击系统的状态参数包括推进压力、间隔时间和进给速度。
11.所述步骤1中，对原始数据集依次进行数据清洗、异常值剔除和基于四分位法的数据滤波后，获得预处理后的数据集。
12.所述步骤2具体为：
13.首先，根据打孔周期对预处理后的数据集中的时序数据进行数据分解和重组后，获得重组数据集，接着，利用滑动窗口采样法对重组数据集进行数据采样扩增，获得已扩增数据集。
14.所述步骤3中，将归一化数据集设置为训练集和验证集，利用训练集分别对alstm和cnn进行模型训练，分别获得训练好的alstm和cnn，利用alstm、cnn输出的预测结果分别与验证集进行交叉验证，获得alstm、cnn对应的均方根误差，基于alstm、cnn对应的均方根误差计算对应的权重，对alstm、cnn输出的预测结果进行加权求和后获得最终的预测结果，从而获得alstm-cnn预测模型。
15.所述最终的预测结果的计算公式如下：
[0016][0017][0018][0019]
p'＝w1*p1 w2*p2[0020]
式中，rmse()为均方根误差函数，p为alstm的预测结果p1或cnn的预测结果p2，x为验证集，pi为预测结果中的第i个时序数据点，xi为验证集中的第i个时序数据点，n为时序数据点总数，a为打击压力预测参数，w1和w2分别为第一权重和第二权重，p'为最终的预测结果。
[0021]
所述步骤4中，按照时间顺序将预测结果还原为1维时序数据后，获得预测时序数据，再对预测时序数据进行反归一化后，获得最终打击压力预测值。本发明的有益效果为：
[0022]
通过对打击压力这一关键参数的预测，本发明可以辅助现场操作人员确认冲击系统的运行状态，结合其它手段还能直接对冲击系统的健康状况进行诊断，有利于凿岩台车的运维。
附图说明
[0023]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0024]
图1为本发明基于时序特征与深度学习的凿岩机冲击系统状态预测方法的流程图；
[0025]
图2为时序特征分解流程示意图；
[0026]
图3为lstm单元架构图；
[0027]
图4为attention机制原理示意图；
[0028]
图5为attetion-lstm网络结架构图；
[0029]
图6为alstm-cnn模型部分预测结果。
具体实施方式
[0030]
为了使本领域技术人员进一步了解本发明的技术特征和技术内容，请参阅以下有关本发明的具体实施例与附图。
[0031]
需要说明的是，本发明中的实施例即实施例中的特征可以互相组合。下面将参考附图并结合实施例来详细说明本发明。
[0032]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中出示了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0033]
在本实施例中提供一种基于时序特征分解与alstm-cnn凿岩台车冲击系统打击压力预测方法，在本实施例当中考虑到现有时间序列数据预测技术存在如下缺陷：(1)传统的基于理论模型的时间序列数据预测方法往往需要建立精确的数学或物理模型，对于复杂环境下受多种因素影响的装备参数预测效果一般；(2)新兴的基于数据的神经网络时间序列数据预测方法对样本数据的要求较高，用于多维特征混合、时序特征不明显的时间序列数据预测时，模型的复杂度会成倍增长、训练时间变长，其预测准确率也会相对应变低；(3)目前用于数据预处理以简化网络结构的一些方法，如离散傅里叶变换、小波变换等，本身也存在计算量大、复杂度较高的问题。
[0034]
本实施例提出一种基于时序特征分解与alstm-cnn凿岩台车冲击系统打击压力预测方法，解决：(1)能根据钻孔日志本身特点分解时序特征；(2)将1维时序数据转化为2维数据，更便于发掘特征；(3)基于趋势特征和周期特征的不同特点选择合适的参数和模型；(4)使用交叉验证和权重分配融合模型的预测结果。
[0035]
本实施例数据说明：本发明以某隧道施工工地的凿岩台车冲击系统作为实验对象，该凿岩台车冲击系统采用位移传感器、压力传感器等传感器设备。由于钻进动作存在动作不连续的特点，因此采用钻进深度作为采集单位，采集频率为0.02m/次，时间跨度为2021-2022年，采集到的钻进日志94716条，钻孔日志中参数包括深度、进给速度、打击压力、推进压力、回转压力、回转速度、水压力、水流量、间隔时间等，本发明中所有图片均基于此数据生成。
[0036]
如图1所示，本发明包括以下步骤：
[0037]
步骤1：基于凿岩机中冲击系统的状态参数从凿岩台车的钻孔日志中进行数据提取，获得原始数据集，接着对原始数据集进行预处理后，获得预处理后的数据集；
[0038]
步骤1中，冲击系统的状态参数包括推进压力、间隔时间和进给速度。
[0039]
具体实施中，根据凿岩台车冲击系统的工作机理，其冲击过程包括推进、冲击、回退过程，各过程间密切关联，同时作为机械运动，力度与速度之间关联程度也较高。因此在选择关键参数方面，选择相对应的推进压力、间隔时间、进给速度作为状态参数。
[0040]
步骤1中，由于原始数据包含大量0值、突变值和噪声，对于数据准确预测会造成极
大影响。因此，对原始数据集中的各关键参数时序数据分别依次进行数据清洗、异常值剔除和基于四分位法的数据滤波后，获得预处理后的数据集，数据集由时序数据组成。
[0041]
步骤2：对预处理后的数据集进行数据分解和扩增后，获得已扩增数据集；
[0042]
根据凿岩台车钻孔日志的本身特点，钻孔数据会存在循环特征和趋势特征。其中：循环特征rt：凿岩台车在每个冲击系统钻孔周期内循环出现的数据特征，一般表现为上升、平稳和下降按一定规律交替出现。
[0043]
趋势特征tt：冲击系统时序数据在大尺度时间长度中表现出来的趋势，一般是由系统本身的原理性因素，如性能衰退所引起的，表现为较为稳定的上升或下降态势。
[0044]
步骤2具体为：
[0045]
如图2所示，首先，根据打孔周期对预处理后的数据集中的时序数据进行数据分解和重组后，获得重组数据集，具体是按照打孔周期对时序数据进行分组，并按照钻孔顺序在另一维度进行排列，完成从一维数据到以周期内时序为x轴，周期间时序为y轴的二维数据的转变，同时，对于达不到最长周期长度x
max
的数据进行padding操作，补0至最长长度。本发明这样就简洁而快速地完成了循环特征和趋势特征的分离，从而利于后续的训练与预测。接着，利用滑动窗口采样法对重组数据集进行数据采样扩增，获得已扩增数据集，具体是对于新形成的2维数据，沿y轴划定滑动窗口长度h和间距l并进行划窗取值，得到以间隔一个打孔周期l、数据长度为h的数据组为单元形成的数据集。
[0046]
针对时序数据的长期趋势特征tt，其具有数据跨度长，时间关联性明显的特征，因此使用alstm(attention-lstm)模型进行训练。
[0047]
lstm(长短期记忆神经网络)是一种在传统rnn(循环神经网络)基础上进行进一步改进，从而处理长序列数据问题的神经网络模型。它在rnn的基础上添加了遗忘通道、输入通道和输出通道。lstm在训练时可以通过这三个通道使用σ函数与激活函数tahn函数对单元状态进行信息的添加或删除，从而更新单元状态，其中：
[0048][0049][0050]
lstm每一个单元的架构如图3所示。
[0051]
遗忘通道：σf＝σ(wf[c
t-1
,x
t
] bf)
[0052]
输入通道：σi＝σ(wi[c
t-1
,x
t
] bi)
[0053]
单元状态：h
t
＝σf·ht-1
σi·
tanh(wc·
[c
t-1
,x
t
] bc)
[0054]
输出通道：σ0＝σ(wo[c
t-1
,x
t
] bo)
[0055]
式中，x
t
为当前时刻输入，c
t-1
为上一时刻单元状态，σf、σi、h
t
、σo分别为遗忘通道、输入通道、单元状态、输出通道的输出，wf、wi、wc、wo和bf、bi、bc、bo分别为遗忘通道、输入通道、单元状态、输出通道对应的更新矩阵和修正参数。
[0056]
lstm尽管缓解了梯度消失和梯度爆炸的问题，但由于其链式结构，信息难免在反向传播中丢失，对于全局特征的学习能力依然较弱。因此在lstm的基础上增加注意力机制(attention)，如图4所示，注意力机制像它的名字一样，是一种从全局观察，并“注意”到重点信息的机制，利于弥补lstm的不足，增强长序列特征捕捉能力。
[0057]
注意力机制原理如图4所示，主要分为三个部分。
[0058]
阶段1：query和key进行相似度计算，得到权值；
[0059]
阶段2：将权值进行归一化，得到权重；
[0060]
阶段3：将权重和value进行加权求和。
[0061]
使用结合lstm和attention的alstm，可以对时序特征和长时间特征都进行较好地捕捉和提取，从而更好地预测趋势特征，如图5所示。
[0062]
针对时序数据的周期特征，由于数据前处理形成了2维数据，维度较小且时序数据局部关联紧密，因此使用cnn进行训练和学习。cnn(卷积神经网络)的优点为能通过感受野的排布更好地捕捉到局部区域特征，且相较于普通的全连接神经网络，卷积核的存在能更好地降低参数量，从而提高训练速度。
[0063]
步骤3：对已扩增数据集进行归一化处理，使数据分布到[0，1]之间，获得归一化数据集，利用归一化数据集分别对alstm和cnn进行模型训练，分别获得训练好的alstm和cnn，进行获得alstm-cnn预测模型；其中归一化公式如下：
[0064][0065]
其中，x
new
为归一化后的时序数据点，x
min
和x
max
分别为最小值和最大值，x为归一化前的时序数据点。
[0066]
步骤3中，将归一化数据集设置为训练集和验证集，利用训练集分别对alstm和cnn进行模型训练，分别获得训练好的alstm和cnn，利用alstm、cnn输出的预测结果分别与验证集进行交叉验证，获得alstm、cnn对应的均方根误差，基于alstm、cnn对应的均方根误差计算对应的权重，对alstm、cnn输出的预测结果进行加权求和后获得最终的预测结果，从而获得alstm-cnn预测模型。其中，最终的预测结果的计算公式如下：
[0067][0068][0069][0070]
p'＝w1*p1 w2*p2[0071]
式中，rmse(
·
)为均方根误差函数，p为alstm的预测结果p1或cnn的预测结果p2，x为验证集，满足p1＝{p
11
,p
12
,p
13
……
p
1n
}，p2＝{p
21
,p
22
,p
23
……
p
2n
}，x＝{x1,x2,x3……
xn}，pi为预测结果中的第i个时序数据点，xi为验证集中的第i个时序数据点，n为时序数据点总数，a为打击压力预测参数，w1和w2分别为第一权重和第二权重，p'为最终的预测结果。
[0072]
步骤4：将待预测的归一化数据输入到alstm-cnn预测模型中，模型输出预测结果，基于预测结果计算得到最终打击压力预测值。具体实施中，根据最终打击压力预测值来判断冲击系统的健康状态或者根据最终打击压力预测值对冲击系统进行控制优化。
[0073]
步骤4中，按照时间顺序将预测结果还原为1维时序数据后，获得预测时序数据，再对预测时序数据进行反归一化后，获得最终打击压力预测值。
[0074]
其中，反归一化的公式如下：
[0075]
x＝(x
max-x
min
)x
new
x
min
[0076]
取本实施例所用数据集的前80000条数据作为训练集和验证集，后14716条数据作为预测集，将回转压力、推进压力、进给速度和间隔时间作为输入，打击压力作为输出，进行alstm、cnn和alstm-cnn组合模型的对比实验，分别选用mae(平均绝对误差)、mse(均方误差)和r2(回归指数)进行评估，对比结果如表1所示，其中alstm-cnn的部分打击压力预测结果如图6所示，实线代表实际值，虚线代表预测值：
[0077]
表1为三种模型评价指标对比表
[0078]
指标maemser2alstm5.9947111.05120.9316cnn6.8306122.87080.8639alstm-cnn5.094670.10110.9709
[0079]
可见，通过针对凿岩台车冲击系统时序数据的不同特点选用alstm-cnn组合模型进行特征学习和打击压力预测，与单一模型预测结果进行对比，其结果表明基于时序特征分解的alstm-cnn凿岩台车冲击系统打击压力预测方法有更好的表现，既能够针对冲击系统长期的变化在长时间序列当中使用alstm学习其长期趋势特征，又能够针对每个钻孔周期内循环往复的变化使用cnn学习其周期特征；另一方面，基于凿岩台车实际钻进作业规律的钻孔日志数据时序特征分解对特征进行了初步分解，也使得分解后序列能够并行输入到模型处理，加之cnn卷积核的使用，提高了训练速度，同时降低了模型复杂度，也对预测精度进一步提升有所帮助。
[0080]
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。