基于因果对比学习的盾构机尾部油脂压力预测模型
论文相关信息
本文内容取自[1]。
研究背景与意义
盾构隧道施工依赖大型盾构机进行掘进。在盾构掘进过程中，盾尾密封系统的有效运行极为关键[2]。为防止密封失效，维持密封腔内外的压力平衡至关重要。传统方法通过预测油脂消耗间接评估腔内油脂压力，但存在误差与不确定性。随着传感器技术的发展，现已能够直接测量油脂压力，为直接预测提供了可能。
然而，由于盾尾姿态、泥浆压力、注脂压力等协变量与油脂压力之间的因果关系具有方向性与稀疏性，传统时间序列预测技术难以有效捕捉这些复杂因果关系[3]，导致模型性能下降。因此，开发一种能够准确建模因果关系、并有效处理稀疏因果模式的方法，对于提升盾尾密封系统运行的安全性、经济性与可靠性具有重要工程意义。
本文工作
本文首次提出了一种名为因果对比Transformer（CCformer）的模型，用于直接预测盾构机尾密封系统的油脂压力。CCformer创新性地将因果注意力机制与对比学习融入Transformer架构，构建了“定向因果关系建模—稀疏因果关系增强”的协同逻辑链。
CCformer的整体结构如图 1 所示。
图1 CCformer方法结构图
（一）动态特征提取层
将盾尾姿态、泥浆压力、注脂压力等协变量与油脂压力数据按属性维度拼接为统一向量，填充后按时间维度分割为固定长度的片段（如30个时间步）。通过线性投影和位置编码将每个片段转换为高维特征向量，保留时间顺序信息。
（二）时间-协变量影响器
该模块通过多头自注意力和前馈网络提取各变量的时间维度特征，再以油脂压力为核心，通过因果注意力机制定向捕捉协变量对油脂压力的单向影响，避免反向错误关联。因果注意力的计算过程可表示为：
\[\text{Attention} = \text{Softmax}\left(\frac{Q_g K_c^T}{\sqrt{d_k}}\right) V_c\]其中 $Q_g$ 来自油脂压力，$K_c, V_c$ 来自协变量。
（三）趋势提取器
该模块仅输入油脂压力历史数据，通过多层感知机独立提取其自身的趋势特征，增强对压力变化规律的敏感性。
输出表示为：\(Y^T = \text{MLP}(X_g)\)
（四）因果对比损失
为解决相似因果关系在时间上稀疏分布、难以被模型持续记忆的问题，CCformer引入了对比学习机制，利用队列字典机制在历史数据中寻找与当前样本因果关系最相似的正样本对，通过对比损失函数拉近正样本对的特征距离，推远负样本对，强化模型对稀疏因果关系的记忆能力。
因果对比损失函数形式如下： \(\mathcal{L}_{\text{CC}} = -\text{Sim}(X_i, X_q) \log \frac{\exp(\text{Sim}(Z_i^+, Z_q) / \tau)}{\sum_{k=0}^{N} \exp(\text{Sim}(Z_i^k, Z_q) / \tau)}\)
（五）总损失函数
模型的最终预测结果 $X_f$ 由时间-协变量影响器的输出 $Y^H$ 与趋势提取器的输出 $Y^T$ 相加得到： \(X_f = Y^H + Y^T\)
总损失函数为MAE损失与因果对比损失的加权和： \(\mathcal{L} = \mathcal{L}_{\text{MAE}} + \lambda \mathcal{L}_{\text{CC}}\) 其中 $\lambda$ 是权衡两项损失的超参数。
实验结果
实验使用从重庆某项目土压平衡盾构机采集的盾尾密封监测数据，构建了24个单点盾尾密封监测数据集。评估指标采用平均绝对误差与均方误差。
性能对比
CCformer在所有测试中均取得最优性能：
- 平均MAE从0.227降至0.212，降低6.6%；
- 平均MSE从0.177降至0.167，降低5.6%。
预测曲线如图 2 所示，CCformer能准确判断协变量引起的油脂压力趋势突变，且在模型普遍误判的复杂环境下，其预测值最接近真实值。
图2 油脂压力预测曲线图
结论
本文针对盾构施工中盾尾密封系统油脂压力预测问题，提出了CCformer算法。该算法通过因果注意力机制捕捉协变量对油脂压力的定向因果关系，并利用对比学习增强对稀疏因果关系的记忆能力。真实施工数据验证表明，CCformer能准确预测密封腔内油脂压力，为评估密封腔压力平衡提供了可靠支持，有助于提升施工安全性与经济性。
参考文献
- [1]B. Y. N. T. Y. Z. X. W. Z. W. B. L. J. H. Z. Xu; “A causal contrastive transformer model to predict grease pressure of shield machine tail,” Intelligent Data Analysis, 2025.
- [2]K. Zhang, X. Zou, and Y. Tang, “Caformer: Rethinking Time Series Analysis from Causal Perspective,” arXiv e-prints, p. arXiv:2403.08572, Mar. 2024.
- [3]F. Zhang, “Effect of Shield Tail Sealing in Prevention of Mortar Leakages(in Chinese),” Tunnel Construction, no. z2, pp. 52–55, 2006.