CN120277367A 一种基于st-gcn-lstm盾构机掘进关键参数实时多步预测方法 （中铁十四局集团大盾构工程有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120277367A(43)申请公布日2025.07.08

(21)申请号202510751561.3

(22)申请日2025.06.06

(71)申请人中铁十四局集团大盾构工程有限公

司

地址211800江苏省南京市浦口区园广路

20号

申请人中铁十四局集团有限公司

(72)发明人刘四进马浴阳陈鹏王华伟方勇何川谭帅沙千辰

魏英杰赵斌

(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204

专利代理师柏尚春

(51)Int.CI.

GO6F

GO6F

GO6F

GO6F

GO6F

GO6N

GO6N

GO6N

GO6N

GO6N

GO6N

GO6N

G01D

E21D

G06N

18/15(2023.01)

18/2113(2023.01)18/25(2023.01)

18/2431(2023.01)18/27(2023.01)

5/01(2023.01)3/045(2023.01)

3/042(2023.01)

3/0464(2023.01)

3/0442(2023.01)

3/084(2023.01)

3/0985(2023.01)

21/02(2006.01)

9/06(2006.01)3/048(2023.01)

GO6F18/20(2023.01)

权利要求书2页说明书6页附图2页

(54)发明名称

一种基于ST-GCN-LSTM盾构机掘进关键参数实时多步预测方法

(57)摘要

CN120277367A本发明公开一种基于ST-GCN-LSTM盾构机掘进关键参数实时多步预测方法，包括以下步骤：获取盾构机在正常工况下的运行数据，并对运行数据进行预处理；分析预处理后的运行数据，确定总推力、刀盘扭矩、刀盘转速、贯入度、推进速度平均值掘进关键变量的相关变量；针对不同土层分别计算各掘进关键变量的控制限并基于ST-GCN和LSTM组合模型训练多步预测模型；实时采集盾构机运行数据，输入训练后的模型进行预处理，动态预测未来多步的掘进关键参数值，并判断预测值是否连续超出控制限；本发明能够结合

CN120277367A

准确。

获取盾构机正常

获取盾构机正常运行下的数据

数据预处理

分别筛选掘进关键变量相关变量

根据土层划分训练不同变量预测

预测关键参数的未来十个时刻值

继续掘进

根据地勘报告划分土层等级区域

计算不同关键变量的控制限

是否超限?

调整运行参数

S3

CN120277367A权利要求书1/2页

2

1.一种基于ST-GCN-LSTM盾构机掘进关键参数实时多步预测方法，其特征在于，包括以下步骤：

S1根据特定项目的地勘报告，基于国家标准对土层类型进行划分；

S2获取盾构机在正常工况下的运行数据，并对运行数据进行预处理，包括剔除停机数据、管片拼装数据及异常数据；

S3分析预处理后的运行数据，确定总推力、刀盘扭矩、刀盘转速、贯入度、推进速度平均值掘进关键变量的相关变量；

S4针对不同土层分别计算各掘进关键变量的控制限，并基于ST-GCN和LSTM组合模型训练多步预测模型，其中，ST-GCN用于提取盾构机传感器间的空间特征；LSTM用于捕捉时间序列的动态特征；

S5实时采集盾构机运行数据，输入训练后的模型进行预处理，动态预测未来多步的掘进关键参数值，并判断预测值是否连续超出控制限；预测精度通过均方根误差RMSE、平均绝对误差MAE及准确率ACC评估。

2.根据权利要求1所述一种基于ST-GCN-LSTM盾构机掘进关键参数实时多步预测方法，其特征在于，步骤S2中，异常数据剔除采用3o准则，包括以下步骤：

S21计算预处理后数据的均值μ和标准差σ;

S22若数据点x满足xμ3o,则判定为异常数据并剔除。

3.根据权利要求1所述一种基于ST-GCN-LSTM盾构机掘进关键参数实时多步预测方法，其特征在于，步骤S3中相关变量的分析通过XGBoost回归模型实现，包括以下步骤：

S31,对每个掘进关键变量分别构建XGBoost回归模型；

S32,基于特征分裂增益Gain计算各变量的重要性得分FScore;

S33,筛选重要性得分排名前30的变量作为相关变量。

4.根据权利要求1所述一种基于ST-GCN-LSTM盾构机掘进关键参数实时多步预测方法，其特征