经过优化的CNN-BiLSTM-Attention模型结合混合信号去噪技术：一种用于预测盾构隧道掘进速度的新型可解释框架

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Optimized CNN-BiLSTM-Attention with hybrid signal denoising: a novel interpretable framework for prediction of shield tunneling advance speed

盾构机掘进进尺预测研究提出基于深度学习的智能预测框架，创新性地采用箱线图异常检测、滑动窗口平滑与EEMD-小波阈值混合降噪的三阶段数据预处理策略，并通过Pearson相关系数筛选出掘进压力、转速等4个关键特征。构建CNN-BiLSTM-Attention混合模型，结合Optuna超参数优化实现模型架构自动调参，实验表明其R2达0.94，较基准模型提升11.3%，MAPE降低1.42%，且通过SHAP分析验证了特征重要性排序。该研究为复杂地质条件下盾构机进尺预测提供了可解释的智能决策方案。

　　

魏晋|高康平|刘成尧

天津工业大学机械工程学院先进机电系统设计与智能控制重点实验室，中国天津300384

摘要

为了解决盾构隧道推进速度（AS）预测精度不足和稳定性较差的问题，本研究提出了一种基于深度学习的智能预测框架。首先，应用了一种综合的数据预处理策略，包括基于箱线图的异常值去除、滑动窗口平滑以及结合集合经验模态分解（EEMD）和样本熵加权小波阈值处理的混合去噪方法。这种策略有效校正了原始监测数据，提高了数据稳定性和信噪比，并通过消融实验验证了其有效性。随后，利用皮尔逊相关性分析从多源TBM操作参数中选择了四个关键输入特征。在此基础上，构建了一种新颖的CNN-BiLSTM-Attention模型，该模型通过协同集成卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和注意力机制，实现了局部空间特征的协同提取和长期时间依赖性的建模。此外，引入了Optuna框架进行自动化超参数优化，以配置模型结构。结果表明，优化后的模型性能显著提升：决定系数（R²）和解释方差（VAF）从0.84增加到0.94，而均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）分别降低了0.61%、0.49%和1.42%。与GA-LightGBM、CNN-LSTM和XGBoost等基准模型相比，所提出的模型表现更优，R²和VAF至少提高了0.11%，RMSE、MAE和MAPE至少降低了0.63%、0.33%和1.13%。该模型在预测精度和泛化能力方面也略优于更先进的Transformer模型。SHAP可解释性分析证实了特征选择的合理性，并量化了各参数的贡献，指出切削头推进距离和扭矩是对推进速度预测影响最大的因素。总体而言，所提出的模型在预测精度和泛化能力方面表现出稳定且优越的性能。

引言

在隧道工程领域，硬岩隧道掘进机（TBM）施工技术相比传统的钻爆方法具有显著优势。其连续的机械切割过程能够高效挖掘，对周围岩石的扰动最小，使其成为复杂地质条件下的核心施工解决方案（Zhang等人，2025年；Li等人，2024年）。在TBM施工过程中，推进速度（AS）作为关键工艺参数，直接影响项目进度、成本控制、施工安全和工程质量等多个方面（Abidhan等人，2024年；Enayatallah和Syed，2024年）。虽然较高的AS可以缩短施工周期并降低单位成本，但过度推进可能导致设备过载和切削头磨损等机械故障，同时增加周围岩石不稳定的风险，尤其是在断裂带和异质地层等复杂地质条件下。相反，过慢的AS会延长施工时间，增加设备闲置成本，并可能因施工周期延长而加剧环境和社会影响。因此，建立科学的AS控制策略以实现效率、质量和安全之间的动态平衡对于确保隧道项目的顺利实施和可持续发展至关重要（Shan等人，2022年）。鉴于AS控制在TBM施工中的关键作用，对其智能预测的研究具有重要的工程价值和学术意义。这项研究不仅为施工过程提供了精确的参数优化指导，提升了科学和智能决策水平，还为解决复杂地质条件下TBM施工中效率和安全的平衡问题提供了理论支持。这已成为隧道工程领域亟需突破的研究方向。

目前全球学者的研究将TBM推进参数预测模型分为三类：理论模型（Hanan和Jafar，2024年）、经验模型（Tang等人，2023年）和机器学习模型（Yu等人，2024年；Prosper等人，2022年）。使用理论和经验模型预测TBM AS存在显著局限性：理论模型基于岩石力学等基本理论构建，但往往将复杂地质条件简化为理想化状态，忽略了地层异质性和多物理场耦合效应。此外，它们对地质和设备参数的依赖性存在时空不连续性和动态更新延迟，导致计算复杂度高。经验模型则高度依赖历史施工数据，受样本偏差影响较大，不适用于复杂地质场景。通过数据相关性建立的输入-输出关系缺乏物理可解释性，无法适应设备老化和切削头磨损等时变因素，其在极端灾害条件下的预测能力严重受损。

机器学习预测模型也存在某些局限性（Shao等人，2023年）。一方面，模型构建主要使用隧道参数（如推力、扭矩）或隧道和岩土力学参数的简单组合（如岩石硬度、原位应力）作为输入特征。这种特征选择过程通常依赖于工程经验或主观假设，缺乏系统的特征工程分析和优化。当输入特征维度增加时，这些模型容易陷入维数灾难，导致过拟合，从而降低预测精度和泛化能力。另一方面，尽管机器学习算法在处理非线性、高维、复杂数据方面具有理论优势，但其实际工程应用面临关键约束。现场采集的数据通常包含大量噪声干扰（如传感器误差、电磁干扰）和缺失值（如不完整的地质勘探数据），严重削弱了模型的鲁棒性和预测可靠性。此外，机器学习模型在预测精度、泛化性能和适应动态环境方面仍存在显著瓶颈。因此，探索有效的特征优化策略和抗噪声的架构设计方法以提高模型鲁棒性成为该领域的重要研究课题。

总之，为了解决现有AS预测方法在精度和地质适应性方面的局限性，本研究开发了一种从数据处理到可解释决策支持的端到端集成解决方案。该工作系统地分为四个相互关联的层次：在数据层，设计了包含异常值处理和自适应信号去噪的强大预处理流程，以提高输入数据的可靠性；在模型层，开发并优化了CNN-BiLSTM-Attention神经网络，并通过自动化超参数调优来最大化其特征提取和预测能力；在验证层，建立了全面的基准测试框架，使用一系列统计和误差指标严格评估模型性能；最后，在应用层，引入了模型可解释性技术，以定量阐明关键操作参数的影响，确保预测结果基于可识别的工程原理。这些组件构成了一个紧凑、实用的智能预测系统，实现了高性能与工程应用可操作性之间的平衡。

文献综述

文献综述

理论模型和数值模拟通常通过数学公式和基于物理力学原理或岩土介质力学性质的模拟来推导推进速率与其他参数之间的关系。Geng等人（Geng等人，2022年）使用全尺寸实验切削头系统对混凝土试样进行了九次穿透测试，发现切削头法向力与安装半径和旋转速度无关。

数据预处理与分析

需要强调的是，所提出的预处理框架的目的不仅仅是提高数值预测精度，而是解决TBM操作数据固有的非平稳性、噪声污染和异常值敏感性问题，这些问题直接影响深度学习模型的稳定性。

CNN–BiLSTM–Attention架构的合理性

本研究中使用的输入变量（CP、CS、CT、MOT）是在TBM隧道施工过程中获得的噪声较大且非平稳的一维多变量时间序列。这些操作信号表现出由切削头旋转、土壤瞬时异质性和控制干扰引起的显著短期局部波动，以及与面对压力调整、注浆和姿态校正的延迟响应相关的长期时间依赖性。

所提出模型的实际应用与未来展望

所提出的CNN-BiLSTM-Attention框架明确面向实际盾构隧道应用，特别是用于推进速度预测和施工现场的运营决策支持。在实际项目中，该模型可以直接集成到现有的TBM监测和数据采集系统中，这些系统持续收集切削头推进距离、切削头扭矩、切削头速度和电机输出扭矩等操作参数。

结论

本研究并非孤立地提出一个新的算法模块，而是旨在建立一个系统化的、以工程为导向的AS预测范式，其中数据预处理、模型架构和可解释性是共同设计和验证的。所提出方法的新颖之处在于如何重新组织现有技术并功能解耦，以解决实际隧道数据中固有的非平稳性、噪声污染和可解释性挑战。

CRediT作者贡献声明

魏晋：方法论、调查、形式分析、数据整理。高康平：验证、软件、方法论、资金获取、形式分析。刘成尧：验证、软件、形式分析。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本项工作得到了天津市自然科学基金（项目编号：24JCQNJC00440）、西南科技大学制造过程测试技术重点实验室开放项目（项目编号：25kfzk01）、河南理工大学绿色智能采矿重点实验室（项目编号：ZCF202502）、广西混合计算与IC设计分析重点实验室（广西民族大学）（项目编号：GXIC2501）的研究资助。