一种盾构机刀盘健康评估与退化预测方法、系统及设备

本发明属于盾构机刀盘健康评估与退化预测，尤其涉及一种基于深度学习的盾构机刀盘健康评估与退化预测方法。

背景技术：

1、刀盘系统是盾构机实现破岩掘进中最核心的部件之一。由于复杂恶劣的施工环境，刀具过度磨损与异常破坏成为盾构机故障停机的最主要原因，严重影响盾构安全高效掘进。因此开展盾构机刀盘健康状态监测评估，掌握刀盘当前健康状态，并对其退化趋势进行预测，从而辅助刀盘维修决策，对提高盾构掘进效率和安全性，降低施工风险和成本具有非常重大的研究意义和应用价值。虽然基于数据驱动的盾构机刀盘评估预测研究已取得一定成果，但是由于盾构掘进数据本身具有样本大量性、特征多变性、信息稀疏性、多源异构性等特点，为盾构大数据分析建模带来了极高的难度和挑战。

2、西安电子科技大学在其申请的专利文献“基于无监督学习的复杂地层下盾构机刀盘健康评估方法”(cn202110339625.0)中提出了一种盾构机刀盘健康评估方法。该方法首先生成状态时域特征集和工况时域特征集，然后计算关联度矩阵和状态时域特征集中每一个特征的单调性矩阵和趋势性矩阵来筛选特征，最后通过自组织映射模型对刀盘的健康状态进行评估。该方法的不足之处是，需要依靠大量专家经验人工提取特征，并构建特征评价准则进行特征筛选，计算过程复杂，自动化程度低，特征提取的效果难以保证最优。

3、通过上述分析，现有技术存在的问题及缺陷为：现有技术对专家经验知识依赖度较高、需要复杂的特征工程、模型自适应性较差、智能化程度不足。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种基于深度学习的盾构机刀盘健康评估与退化预测方法。

2、本发明是这样实现的，一种基于深度学习的盾构机刀盘健康评估与退化预测方法，该方法整合了大规模盾构掘进数据、地质勘探数据和刀具磨损测量维护数据，经过专家经验和退化机理进行筛选和预处理，并结合深度学习方法，构造出一种能够评估刀盘健康状态并预测其退化趋势的模型。通过这种方法，能够更准确、更有效地监测和预测盾构机刀盘的健康状态和退化趋势，从而在实际操作中减少突发事件，提高盾构掘进的安全性和效率。

3、进一步，该方法包括：

4、s1：盾构掘进大数据收集；

5、s2：数据预处理；

6、s3：进行机理特征构造；

7、s4：计算刀盘健康指标hi；

8、s5：构建刀盘健康评估模型；

9、s6：刀盘健康状态退化曲线平滑处理；

10、s7：构建刀盘退化预测模型，并进行退化预测。

11、进一步，所述盾构掘进大数据收集具体包括：由监控与数据采集scada系统采集的盾构机运行数据、地质勘探得到的隧道沿线地质数据以及刀具磨损测量和维护记录数据。

12、进一步，所述s2具体包括：

13、1)根据专家经验与退化机理删除与刀盘健康状态无关的参数，然后根据换刀记录中的时间节点划分数据，得到若干刀盘健康退化数据段，选取完整的刀盘全生命周期退化数据段作为模型训练数据集，即刀盘从健康状态到严重退化不能继续使用；

14、2)以贯入度参数大于0为依据，挑选出掘进状态数据进行后续分析建模；

15、3)数据降噪和异常值处理，具体处理方法为每m条数据求取均方根rms值，在降噪的同时减小数据总量，提高模型计算效率；使用3σ准则和箱线图进行异常值检测，对检测出的异常值使用均值进行填补。

16、进一步，所述s3具体包括：根据专家经验构造新的特征：场切深指数fpi和扭矩切深指数tpi；

17、1)fpi，场切深指数，是刀盘总推进力与贯入度的比值，其数值反映了刀盘掘进过程中所需要的正向力，表达式如下所示：

18、

19、式中，f为总推进力，单位为kn；p为贯入度，单位为mm/r；

20、2)tpi，扭矩切深指数，是刀盘扭矩与贯入度的比值，其数值反映了刀盘掘进过程中所需要的切向力，表达式如下所示：

21、

22、式中，t为刀盘扭矩，单位为knm；p为贯入度，单位为mm/r。

23、进一步，所述s4具体包括：

24、选择一段完整的刀盘全生命周期退化数据进行分析，利用固定窗长，步长为1的滑动窗口截取一个个子序列形成刀盘健康评估样本空间，代入如下健康指标hi计算公式中，获得每个样本对应的hi作为标签；

25、

26、式中，yhi为刀盘系统的健康指标值，x为当前样本序号，t为样本总数，即刀盘的使用寿命。

27、进一步，所述s5具体包括：

28、构建基于卷积神经网络-门控循环单元cnn-gru的刀盘健康评估模型，输入序列样本先经过一维卷积神经网络cnn中的卷积层，提取刀盘的退化特征，再经过池化层降低数据维度，保留有用的主要信息；cnn网络提取输入数据中的深层特征后，传递给门控循环单元gru神经网络，提取数据中的时序信息，通过神经单元建立输入特征与目标hi的映射关系，最后输出结果，即输入序列样本对应的健康指标；

29、将数据集按照一定比例随机划分训练集与验证集，训练集用于模型训练，验证集用于参数微调与模型评估；利用z-score标准化，计算训练集数据的均值与标准差，对训练集和验证集进行标准化处理，消除不同参数量纲差异的影响，表达式如下：

30、

31、其中，是数据的均值，xσ是数据的标准差；

32、将训练集代入cnn-gru模型进行模型训练，当模型收敛后即可得到刀盘健康评估模型，将测试样本输入到模型中，可得到盾构机刀盘健康状态退化曲线；用验证集评估模型性能，最后将所有样本输入到训练好的cnn-gru模型中，从而得到整个刀盘健康状态退化曲线。

33、进一步，所述s6具体包括：

34、为了得到更加可靠的盾构机刀盘健康状态退化曲线，即减少曲线的毛刺与尖峰，使hi曲线更加平滑，使用移动平均法对刀盘健康状态退化曲线进行平滑处理；移动平均法是一种低通滤波，可滤去数据的高频噪声，保留主要的低频趋势，其表达式如下所示：

35、

36、式中，yn为输入数据，n为窗口大小。

37、进一步，所述s7具体包括：

38、构建基于融入注意力机制的序列到序列(seq2seq)模型的盾构机刀盘退化预测模型，将刀盘健康评估模型得到的hi曲线作为目标预测变量，刀盘健康评估模型的输入参数作为协变量，以历史hi曲线和协变量作为模型输入，以未来多步hi值作为模型输出；

39、利用固定长度为n的滑动窗口从原始时间序列中截取一个个子序列，形成刀盘退化预测样本空间，以窗口中前l步序列作为模型输入，以后n-l步序列作为模型输出，通常输入序列长度要求大于输出序列长度；

40、构建融入注意力机制的序列到序列(seq2seq)模型，模型的编码器采用双向长短时记忆网络bi-lstm，以更全面地捕捉输入时间序列上的历史信息，解码器采用长短时记忆网络lstm；采用点乘注意力机制，解码器的神经元个数与编码器的相等，最后在注意力层后面添加一个全连接层产生输出结果；

41、在样本空间中，按照一定比例随机划分样本作为训练集和验证集，训练集用于模型的训练，验证集对模型进行性能评估；利用所述训练集和验证集对刀盘退化预测模型进行训练，基于历史刀盘健康状态曲线和相关协变量序列，对未来多个时间步的刀盘健康退化趋势进行预测。

42、本发明另一目的在于提供一种实施所述基于深度学习的盾构机刀盘健康评估与退化预测方法的基于深度学习的盾构机刀盘健康评估与退化预测系统，该系统包括：

43、数据收集模块，用于盾构掘进大数据收集；

44、数据预处理模块，与数据收集模块连接，用于进行盾构掘进大数据预处理；

45、特征工程模块，与数据预处理模块连接，用于进行机理特征构造；

46、健康指标计算模块，与数据预处理模块连接，用于计算刀盘健康指标hi；

47、刀盘健康评估模型构建模块，与数据预处理模块、特征工程模块和健康指标计算模块连接，用于构建刀盘健康评估模型；

48、平滑处理模块，与刀盘健康评估模型构建模块连接，用于对刀盘健康状态退化曲线平滑处理；

49、刀盘退化预测模型构建模块，与数据预处理模块、特征工程模块、健康指标计算模块和平滑处理模块连接，用于构建刀盘退化预测模型，并进行退化预测。

50、本发明另一目的在于提供一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于深度学习的盾构机刀盘健康评估与退化预测方法的步骤。

51、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

52、第一、针对上述现有技术存在的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

53、(1)针对盾构机掘进数据的时空特性，提出基于卷积神经网络-门控循环单元cnn-gru的盾构机刀盘健康状态评估模型，利用cnn提取原始数据中的空间信息，再利用gru提取数据中的时序信息，实现自动化的特征提取，且相比单纯的卷积神经网络或循环神经网络，所提出的模型框架能更有效地提取盾构掘进数据中的时空间特征信息，从而提升模型预测精度；

54、(2)提出基于融入注意力机制的序列到序列seq2seq模型的盾构机刀盘退化预测模型，利用历史刀盘健康状态评估结果，并将与刀盘健康退化相关的多个参数作为协变量，对未来多个时间步的刀盘健康退化趋势进行预测。针对多步预测时输入序列过长造成的特征信息提取难题，引入注意力机制，进一步提高模型预测精度。

55、第二，本发明采用基于卷积神经网络-门控循环单元(cnn-gru)的刀盘健康评估模型，能够从盾构机的运行数据中提取深层特征，全面捕捉刀盘的健康状况，从而实现准确的刀盘健康评估。并针对多步预测时输入序列过长造成的特征信息提取难题，利用基于融入注意力机制的序列到序列(seq2seq)模型，将刀盘健康评估结果和相关协变量序列作为输入，实现对未来多个时间步的刀盘退化趋势进行预测。该方法能够有效解决多步预测时输入序列过长的问题，提高了预测准确率和效率。

56、第三，本发明的技术方案转化后的预期收益和商业价值为：

57、(1)提高盾构机刀盘健康评估与退化预测的准确性：通过采用深度学习技术，特别是基于卷积神经网络-门控循环单元(cnn-gru)的刀盘健康评估模型和基于融入注意力机制的序列到序列(seq2seq)模型的刀盘退化预测模型，可以更准确地评估盾构机刀盘的健康状况和预测退化趋势，从而提高刀盘的使用效率和寿命。

58、(2)降低维护成本和提高工作效率：通过实时监测和预测刀盘的健康状态，可以提前采取维护措施，及时更换磨损严重的刀具，避免因刀具失效而导致的停机维修，从而降低了维护成本，提高了盾构机的工作效率。

59、(3)提高施工安全性：盾构机刀盘的健康评估与退化预测可以帮助工程师和操作人员更好地了解刀盘的状态，减少了突发故障的性，提高了施工的安全性。

60、本发明的技术方案有望为盾构机行业带来显著的经济效益和商业价值，提高了盾构机的使用效率、降低了维护成本、提高了施工安全性。然而，具体的收益和价值还需要进一步的市场调研和实践验证来确切评估。

61、第四，这种基于深度学习的盾构机刀盘健康评估与退化预测方法的每个步骤都带来了显著的技术进步。

62、1)在盾构掘进大数据收集步骤中，将盾构机运行数据、地质勘探数据以及刀具磨损测量和维护记录数据进行整合，提供了更为全面且精确的数据基础，使得预测模型的输入数据更为全面和精确，从而提升了模型的预测精度。

63、2)在数据预处理步骤中，结合专家经验与退化机理，只保留与刀盘健康状态相关的参数，并对数据进行降噪和异常值处理。这样不仅减小了数据总量，提高了模型的计算效率，也提升了数据的质量和模型的稳定性。

64、3)在机理特征构造和计算刀盘健康指标hi的步骤中，通过深度学习和专业知识，创造性地定义了新的特征和指标，这极大地提升了刀盘健康评估和预测的精确度。

65、4)在构建刀盘健康评估模型步骤中，应用了深度学习技术，使模型能够自动学习数据中的复杂规律，进一步提升了健康评估的准确性。

66、5)在刀盘健康状态退化曲线平滑处理和构建刀盘退化预测模型步骤中，运用了先进的数学方法和深度学习模型，使得刀盘退化的预测更为精确，同时也提高了预测的稳定性和可靠性。