一种基于能量数据的盾构机健康状态诊断方法及设备技术

本发明专利技术属于盾构施工技术领域，并具体公开了一种基于能量数据的盾构机健康状态诊断方法及设备。所述方法包括：构建TBM能量流模型，确定该能量模型的能量数据；确定影响盾构机健康状态的健康性能评估参数，构建盾构机健康状态评估指标，根据选取的健康性能评估参数，对该健康性能评估参数对应的能量数据进行分解处理；构建能量数据和健康性能评估参数之间相关性的CLDNN深度学习网络，以实现对健康性能评估参数的高精度预测，采用SHAP对上述CLDNN深度学习网络进行模型解释；基于上述预测结果，采用健康状态参数构建健康状态评价指标，并通过引入分类方法，实现基于能量数据的健康状态诊断。本发明专利技术基于能量驱动的健康状况诊断方法适应性强，准确性更高。准确性更高。准确性更高。

【技术实现步骤摘要】
一种基于能量数据的盾构机健康状态诊断方法及设备


[0001]本专利技术属于盾构施工
，具体地，涉及一种基于能量数据的盾构机健康状态诊断方法及设备，特别是涉及一种基于卷积长短时记忆深度神经网络结合集成经验模态分解方法的盾构施工条件下盾构机健康参数预测与状态诊断技术与方法及相应设备。

技术介绍

[0002]盾构机(TBM)凭借其机动性强、推进速度快、环保、自动化程度高等优点在各类隧道工程、轨道工程和管道工程中得到了广泛的应用。但是，由于TBM结构的复杂性和施工环境的多变性，TBM经常出现一些安全事故，如部件故障、施工参数超标等，造成巨大的经济和人员损失。研究TBM的健康状态影响因素并做出准确的估计是一项亟待解决的任务。值得注意的是，TBM健康状态的精确估计依赖于TBM健康参数的选择和预测，通过综合研究不同健康参数的变化，可以高效表征TBM的健康状态。以往，针对TBM健康状态的研究往往存在参数耦合严重、数据测量难度大等问题，因此，在盾构机健康状态估计时，选取一类维度单一、易于测量的数据进行状态估计有重要的意义。
[0003]能量数据作为一类单维度的、容易获得的、信息量大的元素，具有很强的健康状态表征能力。在传统汽车、机器人等工程领域，能量数据驱动的健康状态已经得到了较大的推广，研究者们通过构建研究对象的能量流模型，明确能量边界和能量流形式，并结合物理或知识分析方法，可以实现研究对象的健康状态估计。然而，由于TBM结构的复杂和施工环境的恶劣，如何有效处理TBM能量数据、挖掘其中健康信息是一个比较困难的问题。目前常见的能量处理方法主要有能量分解方法和能量特征提取方法。能量分解方法以经验模态分解(EMD)、变分模态分解(VMD)等方法为代表，是指通过能量信号不同的频率、幅值等参数对信号进行分解，将原先单一信号分解为多个子信号，进而挖掘出更多的隐藏信息。能量特征提取方法以卷积神经网络(CNN)、自编码(AE)为代表，主要通过神经网络的信息自主挖掘能量蕴含的关键特征，并将特征与工程实际相匹配。针对复杂的TBM能量信息，需要有效结合能量分解和特征提取方法，以实现最高精度的表征TBM健康状态。
[0004]基于以上，针对TBM健康状态估计这一研究，如何构建TBM能量流模型并精确分析其能量流形式，如何设计能量数据处理方法并使其与TBM健康状态进行匹配，如何捕捉能量和健康状况之间的因果关系并给出可解释的表达式，是实现能量数据驱动TBM健康状态估计的关键问题。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于能量数据的盾构机健康状态诊断方法及设备，其通过构建TBM能量流模型，挖掘影响TBM健康状态的关键能量参数，引入能量分解方法对能量数据进行分解，引入深度学习方法将分解后能量数据与健康状态进行匹配，并引入模型解释性方法，给出不同能量形式对健康状态的影响程度。与传统的多指标健康状况分类方法相比，能量驱动的健康状况分类法在数据采集和数据收集方
面具有更高的可行性，可以确保更好的准确性。本专利设计的方法从能量角度构建了挖掘过程的健康状态评估方法，使用磨损和温度等指标作为中间变量，这大大节省了健康状态评估成本，同时更好地避免了误分类情况。由于推进能量是整个机器运行的能量，而刀具旋转能量只是刀具运动部分的能量，因此推进能量包含更多的健康信息。为了更准确地描述挖掘过程的健康状态，可以随后添加各种能量类型，以实现全方位的健康状态估计。
[0006]为实现上述目的，按照本专利技术的一个方面，提出了一种基于能量数据的盾构机健康状态诊断方法，包括以下步骤：
[0007]S1根据盾构机的构成以及盾构机能量输入、传递和转化形式，构建TBM能量流模型，确定该能量模型的能量数据；
[0008]S2确定影响盾构机健康状态的健康性能评估参数，构建盾构机健康状态评估指标，根据选取的健康性能评估参数，对该健康性能评估参数对应的能量数据进行分解处理；
[0009]S3基于分解后的能量数据构建能量数据和健康性能评估参数之间相关性的CLDNN深度学习网络，并基于实际数据对该CLDNN深度学习网络进行训练，以实现对健康性能评估参数的高精度预测，同时，采用SHAP对上述CLDNN深度学习网络进行模型解释；
[0010]S4基于上述预测结果，采用健康状态参数构建健康状态评价指标，并通过引入分类方法，实现基于能量数据的健康状态诊断。
[0011]作为进一步优选的，步骤S2中，所述健康性能评估参数包括：刀具磨损、齿轮箱冷却液温度、驱动动力参数、超前钻机参数、水平偏差、垂直偏差、盾尾间隙、齿轮箱扰动参数、注浆量、用电量、电机功率以及传动系统效率。
[0012]作为进一步优选的，所述步骤S3具体包括以下步骤：
[0013]S31采集盾构机的实际能量数据及其对应的健康性能评估参数数据，构建数据集，将数据集按照预设比例分为训练集和测试集；
[0014]S32构建能量数据和健康性能评估参数之间相关性的CLDNN深度学习网络，该网络包括CNN、长短时记忆神经网络和深度神经网络三个核心模块；
[0015]S33采用训练集中的数据对CLDNN深度学习网络进行训练，并采用测试集中的数据对训练后的CLDNN深度学习网络进行测试，以获取优化的CLDNN深度学习网络；
[0016]S34采用优化后的CLDNN深度学习网络对健康性能参数的高精度预测；
[0017]S35采用SHAP对上述CLDNN深度学习网络进行模型解释。
[0018]作为进一步优选的，步骤S32中，所述CNN的特征提取公式如下：
[0019][0020]式中，表示第k层中的特征图j。σ是校正线性单元(ReLU)函数。是偏置项。F
k
表示第k层中的特征图编号。是从第K层到第(K+1)层的特征映射f上卷积的核。p
k
是第k层核的长度。
[0021]作为进一步优选的，步骤S35中，对于可解释样本的样本值，其具体计算如下：
[0022][0023]式中，M是特征的数量，F是所有特征的集合，f是要解释的模型，x'是解释的特征向量，x
i
'是特征向量中的第i个特征，S是F\{x
i
′
}的子集，φ是SHAP值。
[0024]作为进一步优选的，步骤S4中，通过使用两个健康性能参数构建真实健康状态矩阵，构造条件分为三个部分：正常点、异常点和值得注意的点，并将上述三部分作为分类算法的标签；
[0025]所述分类算法为生成式对抗神经网络(GAIN)，其包括发生器和鉴别器，其中，发生器作为深度学习分类模型，用于将初始未分类数据集Xo、标记矩阵M和噪声部分作为输入，并将分类数据Xg作为输出，然后将分类数据Xg导入鉴别器，并使用鉴别器识别通过直接观察获得的真实分类数据和从生成器导出的分类数据，鉴别器的输出是0和1的矩阵D，通过生成器和鉴别器的不断对抗和更新，鉴别器最终无法区分真实分类数据和生成器分类数据，实现了数据的高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于能量数据的盾构机健康状态诊断方法，其特征在于，包括以下步骤：S1根据盾构机的构成以及盾构机能量输入、传递和转化形式，构建TBM能量流模型，确定该能量模型的能量数据；S2确定影响盾构机健康状态的健康性能评估参数，构建盾构机健康状态评估指标，根据选取的健康性能评估参数，对该健康性能评估参数对应的能量数据进行分解处理；S3基于分解后的能量数据构建能量数据和健康性能评估参数之间相关性的CLDNN深度学习网络，并基于实际数据对该CLDNN深度学习网络进行训练，以实现对健康性能评估参数的高精度预测，同时，采用SHAP对上述CLDNN深度学习网络进行模型解释；S4基于上述预测结果，采用健康状态参数构建健康状态评价指标，并通过引入分类方法，实现基于能量数据的健康状态诊断。2.根据权利要求1所述的方法，其特征在于，步骤S2中，所述健康性能评估参数包括：刀具磨损、齿轮箱冷却液温度、驱动动力参数、超前钻机参数、水平偏差、垂直偏差、盾尾间隙、齿轮箱扰动参数、注浆量、用电量、电机功率以及传动系统效率。3.根据权利要求1所述的一种基于能量数据的盾构机健康状态诊断方法，其特征在于，所述步骤S3具体包括以下步骤：S31采集盾构机的实际能量数据及其对应的健康性能评估参数数据，构建数据集，将数据集按照预设比例分为训练集和测试集；S32构建能量数据和健康性能评估参数之间相关性的CLDNN深度学习网络，该网络包括CNN、长短时记忆神经网络和深度神经网络三个核心模块；S33采用训练集中的数据对CLDNN深度学习网络进行训练，并采用测试集中的数据对训练后的CLDNN深度学习网络进行测试，以获取优化的CLDNN深度学习网络；S34采用优化后的CLDNN深度学习网络对健康性能参数的高精度预测；S35采用SHAP对上述CLDNN深度学习网络进行模型解释。4.根据权利要求3所述的一种基于能量数据的盾构机健康状态诊断方法，其特征在于，步骤S32中，所述CNN的特征提取公式如下：式中，表示第k层中的特征图j，σ是校正线性单元函数，是偏置项，F
k
表示第k层中的特征图编号，是从第K层到第(K+1)层的特征映射f上卷积的核，p
k
是第k层核的长度。5.根据权利要求3所述的一种基于能量数据的盾构机健康状态诊断方法，其特征在于，步骤S35中，对于可解释样本的样本值，其具体计算如下...

【专利技术属性】
技术研发人员：张立茂，李永胜，王迦淇，黄锦庭，邬毛志，肖仲华，吴贤国，王堃宇，刘琼，郭靖，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：