刀盘扭矩是反映地质环境对盾构掘进机阻碍程度的重要操作参数。刀盘扭矩的多步准确预测对于保障盾构掘进机高效安全推进具有重要意义。在这项研究中，提出了一种结合变分模式分解（VMD）、经验小波变换（EWT）和长短期记忆（LSTM）网络的新型混合多步预测模型，用于盾构机刀盘扭矩。首先，利用VMD将原始刀盘扭矩子序列分解为一些子序列和残差序列，残差序列由EWT进一步分解。VMD 和 EWT 的组合显着降低了原始刀盘扭矩序列的复杂性。在此基础上，采用LSTM神经网络对每个子序列进行多时间步预测，最后将每个子序列的预测结果相加，实现多步刀盘扭矩预测。为了展示所提出的基于 VMD-EWT-LSTM 的方法的性能，在六个数据集中与最近的预测算法进行了比较。结果证明，基于 VMD-EWT-LSTM 的预测方法的准确性优于其他方法。在六个数据集中，从第一步预测到第五步预测，所提出的预测方法的平均准确率分别达到了 97.7%、97.2%、96.9%、96.7% 和 96.3%。因此，基于 VMD-EWT-LSTM 的方法可以在多个时间步长内准确预测盾构机的刀盘扭矩。采用LSTM神经网络在多个时间步长预测每个子序列，最后将每个子序列的预测结果相加，实现多步刀盘扭矩预测。为了展示所提出的基于 VMD-EWT-LSTM 的方法的性能，在六个数据集中与最近的预测算法进行了比较。结果证明，基于 VMD-EWT-LSTM 的预测方法的准确性优于其他方法。在六个数据集中，从第一步预测到第五步预测，所提出的预测方法的平均准确率分别达到了 97.7%、97.2%、96.9%、96.7% 和 96.3%。因此，基于 VMD-EWT-LSTM 的方法可以在多个时间步长内准确预测盾构机的刀盘扭矩。采用LSTM神经网络在多个时间步长预测每个子序列，最后将每个子序列的预测结果相加，实现多步刀盘扭矩预测。为了展示所提出的基于 VMD-EWT-LSTM 的方法的性能，在六个数据集中与最近的预测算法进行了比较。结果证明，基于 VMD-EWT-LSTM 的预测方法的准确性优于其他方法。在六个数据集中，从第一步预测到第五步预测，所提出的预测方法的平均准确率分别达到了 97.7%、97.2%、96.9%、96.7% 和 96.3%。因此，基于 VMD-EWT-LSTM 的方法可以在多个时间步长内准确预测盾构机的刀盘扭矩。最后将各子序列的预测结果相加，实现多步刀盘扭矩预测。为了展示所提出的基于 VMD-EWT-LSTM 的方法的性能，在六个数据集中与最近的预测算法进行了比较。结果证明，基于 VMD-EWT-LSTM 的预测方法的准确性优于其他方法。在六个数据集中，从第一步预测到第五步预测，所提出的预测方法的平均准确率分别达到了 97.7%、97.2%、96.9%、96.7% 和 96.3%。因此，基于 VMD-EWT-LSTM 的方法可以在多个时间步长内准确预测盾构机的刀盘扭矩。最后将各子序列的预测结果相加，实现多步刀盘扭矩预测。为了展示所提出的基于 VMD-EWT-LSTM 的方法的性能，在六个数据集中与最近的预测算法进行了比较。结果证明，基于 VMD-EWT-LSTM 的预测方法的准确性优于其他方法。在六个数据集中，从第一步预测到第五步预测，所提出的预测方法的平均准确率分别达到了 97.7%、97.2%、96.9%、96.7% 和 96.3%。因此，基于 VMD-EWT-LSTM 的方法可以在多个时间步长内准确预测盾构机的刀盘扭矩。在六个数据集中与最近的预测算法进行了比较。结果证明，基于 VMD-EWT-LSTM 的预测方法的准确性优于其他方法。在六个数据集中，从第一步预测到第五步预测，所提出的预测方法的平均准确率分别达到了 97.7%、97.2%、96.9%、96.7% 和 96.3%。因此，基于 VMD-EWT-LSTM 的方法可以在多个时间步长内准确预测盾构机的刀盘扭矩。在六个数据集中与最近的预测算法进行了比较。结果证明，基于 VMD-EWT-LSTM 的预测方法的准确性优于其他方法。在六个数据集中，从第一步预测到第五步预测，所提出的预测方法的平均准确率分别达到了 97.7%、97.2%、96.9%、96.7% 和 96.3%。因此，基于 VMD-EWT-LSTM 的方法可以在多个时间步长内准确预测盾构机的刀盘扭矩。
Cutterhead torque is an important operational parameter that reflects the obstruction degree of geological environment to shield tunneling machine. Accurate multi-step prediction for cutterhead torque is of crucial significance for ensuring efficient and safe propulsion of shield tunneling machine. In this study, a novel hybrid multi-step prediction model combining variational mode decomposition (VMD), empirical wavelet transform (EWT) and long short-term memory (LSTM) network is proposed for shield tunneling machine cutterhead torque. To begin with, the VMD is employed to decompose the original cutterhead torque subsequences into some subsequences and residual sequence, and the residual sequence is further decomposed by the EWT. The combination of VMD and EWT significantly reduces the complexity of the original cutterhead torque sequence. On this basis, the LSTM neural network is employed to predict each subsequence in multiple time steps, and finally add the prediction results of each subsequence to realize the multi-step cutterhead torque prediction. To demonstrate performance of the presented VMD-EWT-LSTM-based approach, comparisons with recent prediction algorithms in six datasets is conducted. The results testify that accuracy of the VMD-EWT-LSTM-based prediction approach is better than other methods. In six datasets, from 1st step prediction to 5th step prediction, the average accuracy of presented prediction approach reaches 97.7%, 97.2%, 96.9%, 96.7% and 96.3%, respectively. Hence, the VMD-EWT-LSTM-based approach can accurately predict cutterhead torque of shield tunneling machine in multiple time steps.
