基于MLP神經(jīng)網(wǎng)絡(luò)的盾構(gòu)推進(jìn)速度預(yù)測(cè)研究

趙 炯 馬 超 周奇才 熊肖磊

同濟(jì)大學(xué)機(jī)械與能源工程學(xué)院 上海 201804

0 引言

為了減少隧道施工安全問(wèn)題，發(fā)展智能化盾構(gòu)施工技術(shù)，現(xiàn)在隧道施工盾構(gòu)機(jī)都往智能化方向發(fā)展[1]，包括智能掘進(jìn)和智能化管片拼裝。然而，目前這方面還缺乏系統(tǒng)的、完善的掘進(jìn)適應(yīng)性決策體系和理論基礎(chǔ)[2]，依據(jù)不同環(huán)境和不同地質(zhì)條件，盾構(gòu)機(jī)需要作出不同的參數(shù)調(diào)整。傳統(tǒng)方法是靠人工視情況調(diào)整各參數(shù)，使其在不同環(huán)境下能正常工作，難免會(huì)有意外情況，雖問(wèn)題不大但對(duì)施工過(guò)程會(huì)有影響。所以，對(duì)智能化盾構(gòu)的研究不僅會(huì)對(duì)隧道工程的發(fā)展有很大的促進(jìn)作用[3]，而且也能進(jìn)一步提高隧道施工的安全性，保障施工人員的安全和提高工程效率[4]。

針對(duì)以上問(wèn)題，利用現(xiàn)有的一系列成熟數(shù)據(jù)處理和機(jī)器學(xué)習(xí)方法將盾構(gòu)的歷史數(shù)據(jù)進(jìn)行整合和處理，將其運(yùn)用到合理的機(jī)器學(xué)習(xí)算法中，得出各類(lèi)傳感器數(shù)據(jù)與推進(jìn)速度之間的模型。將實(shí)時(shí)的傳感器數(shù)據(jù)放入此模型中，從而得出此時(shí)對(duì)應(yīng)的推進(jìn)速度。

1 MLP神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)與人類(lèi)的神經(jīng)網(wǎng)絡(luò)相似，是科學(xué)家從人類(lèi)身上得到啟發(fā)而建立的一種學(xué)習(xí)模型。它由一個(gè)個(gè)單獨(dú)的神經(jīng)元組成，每個(gè)神經(jīng)元接收其上一層神經(jīng)元所發(fā)送的信息，經(jīng)過(guò)多個(gè)神經(jīng)元的傳遞給出最終的信息，也就是所需要的數(shù)據(jù)值[5]。

如圖1所示，多層感知器的基本結(jié)構(gòu)主要由輸入層、隱藏層和輸出層等組成。隱藏層可以有多個(gè)層次，輸入層和輸出層一般都只有一層，輸入層不同的神經(jīng)元代表的是不同的特征，輸出層是最終輸出的數(shù)據(jù)，可以有多個(gè)，這里只是針對(duì)本次的研究只畫(huà)出一個(gè)神經(jīng)元。

圖1 多層感知器（MLP）的基本構(gòu)成

對(duì)應(yīng)下一層的取值為

在上述表達(dá)式中，上角標(biāo)表示的是計(jì)算的下一層層數(shù)，σ函數(shù)在神經(jīng)網(wǎng)絡(luò)中稱(chēng)為激活函數(shù)，確定激活函數(shù)也是神經(jīng)網(wǎng)絡(luò)的核心[6]。在隱藏層中，每個(gè)神經(jīng)元都存在一個(gè)激活函數(shù)，數(shù)據(jù)的流向逐層傳遞，每一層處理的數(shù)據(jù)都是上一層傳遞的數(shù)據(jù)，故確定隱藏層數(shù)量和激活函數(shù)在神經(jīng)網(wǎng)絡(luò)中尤為重要。本文所選輸出層的激活函數(shù)是Adam函數(shù)，隱藏層一般有3種激活函數(shù)可以選擇，即非線性矯正函（Relu）、雙曲正切處理函數(shù)（Tanh）和Sigmod函數(shù)（Logistic），本文選擇的激活函數(shù)是Tanh函數(shù)，可表示為

神經(jīng)網(wǎng)絡(luò)其實(shí)是一個(gè)黑盒模型，對(duì)使用者來(lái)說(shuō)可見(jiàn)的就是輸入層，輸出層，隱藏層對(duì)應(yīng)的層數(shù)、神經(jīng)元數(shù)量和激活函數(shù)。輸入層對(duì)應(yīng)的是輸入的特征值，輸出層是要得到的數(shù)據(jù)集。所以，神經(jīng)網(wǎng)絡(luò)中最重要的就是確定隱藏層的層數(shù)、每層的神經(jīng)元數(shù)量、對(duì)應(yīng)的激活函數(shù)。當(dāng)然，這些數(shù)值要依據(jù)具體數(shù)據(jù)進(jìn)行計(jì)算，多次調(diào)整對(duì)應(yīng)的參數(shù)得到最好的結(jié)果。

2 數(shù)據(jù)處理

本文所使用的每臺(tái)盾構(gòu)機(jī)數(shù)據(jù)字段大約有400個(gè)，數(shù)據(jù)大約有3萬(wàn)條左右，在此只選取1臺(tái)盾構(gòu)機(jī)的數(shù)據(jù)進(jìn)行計(jì)算。

2.1 數(shù)據(jù)初篩

每個(gè)盾構(gòu)數(shù)據(jù)表都有一張對(duì)應(yīng)的參數(shù)說(shuō)明，通過(guò)每一張盾構(gòu)表的參數(shù)說(shuō)明即可得知很多字段是開(kāi)關(guān)量。不僅如此，還有很多字段的數(shù)值一直為常量值，分析這些數(shù)據(jù)字段與推進(jìn)速度無(wú)直接關(guān)系，進(jìn)行數(shù)據(jù)處理時(shí)可直接刪除，經(jīng)過(guò)這一步的數(shù)據(jù)篩選留下44個(gè)字段。

2.2 零值和異常值處理

本文主要研究盾構(gòu)機(jī)推進(jìn)時(shí)的推進(jìn)速度，所以除去管片拼裝時(shí)產(chǎn)生的數(shù)據(jù)，即將推進(jìn)速度小于等于0的數(shù)據(jù)行刪除。

2.3 數(shù)據(jù)導(dǎo)出

按照前2步數(shù)據(jù)篩選條件將數(shù)據(jù)進(jìn)行第1步篩選，然后數(shù)據(jù)通過(guò)數(shù)據(jù)庫(kù)導(dǎo)出并保存為CSV文件，使用Python的Pandas模塊對(duì)這個(gè)文件進(jìn)行讀取，之后使用Describe方法形成一個(gè)數(shù)據(jù)表格，如表1所示。

表1 篩選條件實(shí)際數(shù)據(jù)值

由表1可知，目前還有很多字段是不可用的，其數(shù)據(jù)有異常值，表中25%、50%、77%、99%等是將該列數(shù)據(jù)進(jìn)行排序之后處于相對(duì)應(yīng)位置的值。分析可能出現(xiàn)這些異常值的原因是在實(shí)際的工程環(huán)境中網(wǎng)絡(luò)通信異?；蜿P(guān)鍵的傳感器出現(xiàn)問(wèn)題，亦有可能某些字段只是列出來(lái)而并無(wú)在實(shí)際過(guò)程中的應(yīng)用。刪除之后再進(jìn)行統(tǒng)計(jì)化的查看，截取部分統(tǒng)計(jì)數(shù)據(jù)如表2所示（此處截取出的數(shù)據(jù)表示在上一步處理完成之后還有異常的部分?jǐn)?shù)據(jù)）。

1.1.5 文獻(xiàn)排除標(biāo)準(zhǔn) 無(wú)法獲得全文，無(wú)有效數(shù)據(jù)提取，同一作者或同一研究團(tuán)隊(duì)重復(fù)發(fā)表，孕婦合并嚴(yán)重并發(fā)癥，非隨機(jī)對(duì)照研究，回顧性研究，綜述及動(dòng)物實(shí)驗(yàn)，非英文或中文的文獻(xiàn)。

表2 土壓異常值

由表2可知，土壓最小值多為-9 999，而在盾構(gòu)運(yùn)行過(guò)程中土壓不會(huì)為負(fù)值，所以在此進(jìn)行下一步操作，將土壓為負(fù)的行數(shù)據(jù)刪除。完成之后最后再查看一次數(shù)據(jù)，此時(shí)有部分?jǐn)?shù)據(jù)受到影響，這些數(shù)據(jù)包括俯仰角、側(cè)滾角、方位角、刀盤(pán)液壓泵出口壓力、1號(hào)仿形刀行程、2號(hào)仿形刀行程等。在刪除土壓為負(fù)值的行后，這部分?jǐn)?shù)據(jù)均為0，對(duì)此后的數(shù)據(jù)計(jì)算無(wú)關(guān)鍵作用，在此處對(duì)其進(jìn)行刪除。

2.4 提取目標(biāo)值

經(jīng)過(guò)上述處理后，將目標(biāo)數(shù)值列提取出來(lái)單獨(dú)作為一張表，然后在原數(shù)據(jù)上推進(jìn)速度列刪除。

2.5 歸一化

使用Sklearn.Preprocessong中的MinMaxScaler模塊對(duì)剩余的數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化。數(shù)據(jù)歸一化之后，需要對(duì)每一列按照之前的命名順序進(jìn)行命名，在此加上數(shù)據(jù)對(duì)應(yīng)的每一列的名字以便后面的觀察。

2.6 特征提取

對(duì)數(shù)據(jù)進(jìn)行卡方檢驗(yàn)對(duì)之前處理后的數(shù)據(jù)進(jìn)行打分，提取合適的數(shù)據(jù)特征。使用Sklearn.Feature_Selection中的SelectKBest和Chi2模塊進(jìn)行數(shù)據(jù)的卡方檢驗(yàn)，在此使用的數(shù)據(jù)是之前提取的推進(jìn)速度，也就是標(biāo)簽值；另一個(gè)是進(jìn)行歸一化處理后的數(shù)據(jù)集。設(shè)置30%為測(cè)試集，70%為訓(xùn)練集，進(jìn)行訓(xùn)練打分之后的特征如表3所示。

表3 卡方計(jì)算結(jié)果

表3所示為最終選定的特征值，隨后在推進(jìn)速度預(yù)測(cè)中將用到傳感器的參數(shù)對(duì)應(yīng)的數(shù)據(jù)。

3 MLP神經(jīng)網(wǎng)絡(luò)回歸算法

在使用神經(jīng)網(wǎng)絡(luò)前，先對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化操作，在此使用的數(shù)據(jù)不是在卡方時(shí)歸一化的數(shù)據(jù)，而是在歸一化之前的原始數(shù)據(jù)。標(biāo)準(zhǔn)化數(shù)據(jù)完成后使用Sklearn Model_Selection中的Train_Test_Split模塊對(duì)其進(jìn)行訓(xùn)練集和測(cè)試集的劃分。在標(biāo)簽值使用前得到推進(jìn)速度，然后設(shè)置30%的數(shù)據(jù)為測(cè)試集，70%的數(shù)據(jù)為訓(xùn)練集。對(duì)數(shù)據(jù)和標(biāo)簽值進(jìn)行數(shù)據(jù)劃分。當(dāng)數(shù)據(jù)集劃分完成，即使用Sklearn.Neurak_Network中的MLPRegressor模塊進(jìn)行神經(jīng)網(wǎng)絡(luò)回歸算法的運(yùn)算。在計(jì)算中，選用4層隱藏層，使用這些參數(shù)的原因是通過(guò)多次的算法運(yùn)算和驗(yàn)證，數(shù)據(jù)在這些神經(jīng)元下計(jì)算能得到較好的計(jì)算結(jié)果。設(shè)置計(jì)算的最大迭代次數(shù)為40 000次，在此處一定要設(shè)置最大迭代次數(shù)，如果使用默認(rèn)值迭代將有可能出現(xiàn)迭代次數(shù)不夠無(wú)法得到最后結(jié)果。在每個(gè)神經(jīng)元中都需要一個(gè)激活函數(shù)，本次計(jì)算中選用Tanh，如果未激活函數(shù)，隱藏層中的數(shù)據(jù)關(guān)系將是線性的，隱藏層沒(méi)有起任何作用，所以應(yīng)使用一個(gè)非線性的激活函數(shù)。梯度下降選擇Adam，其他參數(shù)設(shè)置為默認(rèn)。

4 運(yùn)算結(jié)果

在MLP神經(jīng)網(wǎng)絡(luò)中，評(píng)價(jià)回歸模型有平均絕對(duì)誤差、中值絕對(duì)誤差、可解釋方差值等評(píng)價(jià)指標(biāo)，對(duì)應(yīng)的最優(yōu)值和其在Sklearn中對(duì)應(yīng)的函數(shù)如表4所示。

表4 各種評(píng)價(jià)指標(biāo)

經(jīng)過(guò)計(jì)算后，得到對(duì)應(yīng)的值為 ：平均絕對(duì)誤差1.074，中值絕對(duì)誤差0.431，可解釋方差值0.996。最后使用測(cè)試集的值代入模型中得出對(duì)應(yīng)的推進(jìn)速度預(yù)測(cè)值，再將預(yù)測(cè)值和實(shí)際數(shù)據(jù)在同一副圖上表示出來(lái)，如圖2所示。

圖2 預(yù)測(cè)值與實(shí)際數(shù)值結(jié)果圖

在圖2中，紅色表示實(shí)際值，藍(lán)色表示對(duì)應(yīng)的預(yù)測(cè)值。每一個(gè)數(shù)值都有一個(gè)對(duì)應(yīng)的自增標(biāo)簽，本次實(shí)驗(yàn)的數(shù)據(jù)中所用的數(shù)據(jù)一共有8 000多條，將其中的30%用作實(shí)際的目標(biāo)值，即有2 000余條數(shù)據(jù)。橫坐標(biāo)表示的是從0～2 000條數(shù)據(jù)對(duì)應(yīng)的標(biāo)簽值，2組數(shù)據(jù)中對(duì)應(yīng)數(shù)據(jù)的標(biāo)簽值是一樣的，故用標(biāo)簽值作為橫坐標(biāo)?？v坐標(biāo)是預(yù)測(cè)值和真實(shí)值得具體數(shù)值，但由于數(shù)據(jù)比較多，在一張圖中無(wú)法準(zhǔn)確表達(dá)，所以在這里選了4個(gè)區(qū)段的值每10個(gè)數(shù)據(jù)為一個(gè)區(qū)域，紅色線是目標(biāo)值，藍(lán)色線是預(yù)測(cè)值。在圖2a中，基本每個(gè)點(diǎn)數(shù)據(jù)都是相同的，但仍有差值，而圖上點(diǎn)的坐標(biāo)跨度較大，無(wú)法明顯看出。在圖2b、圖2c中，可以看出幾個(gè)點(diǎn)有很明顯的差異，但相差不多，在可接受范圍內(nèi)。

由圖2可知，大部分的值和真實(shí)值相接近。盡管在有的數(shù)據(jù)值上會(huì)有差異，但這些差異都保持在2左右。在實(shí)際運(yùn)行時(shí)，這些差值在可接受范圍之內(nèi)的，本次模型的研究總體而言符合預(yù)期的要求。