盾构机密封舱压力控制模型参数辨识

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (29): 239-241.

盾构机密封舱压力控制模型参数辨识

李守巨1，陈禹臻2，王吉喆3，屈福政2

1.大连理工大学工业装备结构分析国家重点实验室，辽宁大连 116024
2.大连理工大学机械工程学院，辽宁大连 116024
3.大连医科大学附属第二医院，辽宁大连 116023

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-11 发布日期:2011-10-11

Model parameter estimation scheme in shield tunneling operation based on neural network

LI Souju1，CHEN Yuzhen2，WANG Jizhe3，QU Fuzheng2

1.State Key Lab of Structural Analysis of Industrial Equipment，Dalian University of Technology，Dalian，Liaoning 116024，China
2.School of Mechanical Engineering，Dalian University of Technology，Dalian，Liaoning 116024，China
3.The Second Affiliated Hospital of Dalian Medical University，Dalian，Liaoning 116023，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-11 Published:2011-10-11

摘要/Abstract

摘要： 为了解决盾构机密封舱压力控制模型参数辨识问题，提出了基于神经网络的盾构机密封舱压力控制模型参数辨识方法。根据系统输出（密封舱压力）与系统输入（螺旋输送机转速）之间的关系，建立了串并联神经网络辨识器。数值仿真结果表明，该辨识方法对于观测噪声具有良好的鲁棒性。实验台实验结果验证了所提出的模型参数辨识方法的有效性，模型预测的密封舱压力能够较精确拟合密封舱压力观测值。

关键词: 神经网络, 系统辨识, 盾构机掘进, 密封舱压力控制

Abstract: Model parameter estimation scheme is proposed to solve model parameter identification problem in shield tunneling operation.Neural network model is applied to system identification.Identifier of parallel-series neural network is developed based on the relationship between the system input（rotating speed of screw conveyor） and system output（earth pressure in chamber）.Numerical simulation results show that the proposed procedure has high robustness to observation error.The effectiveness of identification approach is verified in laboratory test.The forecasted system outputs agree well with observed earth pressure in chamber.

Key words: neural network, system identification, shield tunneling operation, pressure control for pressurized chamber

李守巨1，陈禹臻2，王吉喆3，屈福政2. 盾构机密封舱压力控制模型参数辨识[J]. 计算机工程与应用, 2011, 47(29): 239-241.

LI Souju1，CHEN Yuzhen2，WANG Jizhe3，QU Fuzheng2. Model parameter estimation scheme in shield tunneling operation based on neural network[J]. Computer Engineering and Applications, 2011, 47(29): 239-241.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.