基于可解释性深度学习的刀盘扭矩预测方法技术

本发明专利技术公开了一种基于可解释性深度学习的刀盘扭矩预测方法，使用TAM‑LSTM和GAT‑LSTM最优参数模型预测未来刀盘扭矩，并绘制未来刀盘扭矩的预测结果与输入的时间序列数据在时间步长上的注意力权重图和未来刀盘扭矩与输入的时间序列数据的空间依赖性图，预测结果精度高、考虑了刀盘扭矩的时间信息和空间信息，实现了刀盘扭矩在时空维度上的可解释性分析，能够反映刀盘扭矩与TBM掘进特征参数在时间和空间上的影响关系，透明化了模型计算过程，为隧道盾构机提供了更丰富的信息，进而有助于隧道盾构机司机提前调整和关注重要的操作参数，以实现安全高效的掘进。

【技术实现步骤摘要】

本专利技术涉及盾构机刀盘扭矩预测，尤其适用于基于可解释性深度学习的刀盘扭矩预测方法。

技术介绍

1、随着隧道盾构机（tbm）生产技术的发展以及基础建设的加快，tbm已经成为铁路隧道、水利隧洞以及采矿工程的首选。相较于传统爆破方法，tbm施工方法更为安全、清洁、高效。但tbm的运行十分依赖司机的经验，在面对未知不良地质时无法快速做出决策，容易诱发刀盘卡机等工程事故。

2、不过，由许多不同的参数共同描述的隧道盾构机工作状态是隧道盾构机在掘进过程中与地质环境相互作用而产生的，也能直观反映地质环境对tbm的阻隔程度，如隧道盾构机的运行参数刀盘扭矩和总体推力等。因此，快速精确地预测刀盘扭矩变化有助于及时调整机器工作参数应对地质环境变化，确保隧道施工的高效安全。

3、近年来，机器学习方法和神经网络模型已经应用于越来越多的领域了。同样地，它们也可以用来分析隧道盾构机中复杂的数据问题。但现有技术中常见的机器学习预测模型预测结果准确率较低且普遍为黑盒模型，预测结果不具备可解释性。这导致实际用户无法理解模型的预测机制，加剧了用户对模型预测结果的不可信度本文档来自技高网...

【技术保护点】

1.一种基于可解释性深度学习的刀盘扭矩预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于可解释性深度学习的刀盘扭矩预测方法，其特征在于：所述特征参数包括刀盘转速、贯入度、刀盘功率、推进速度和总体推力。

3.根据权利要求1所述的一种基于可解释性深度学习的刀盘扭矩预测方法，其特征在于：S1步中，对获取的所述时间序列数据进行归一化，按照TAM-LSTM模型和GAT-LSTM模型的输入要求构造时空序列矩阵，并按照定义的时间窗口划分训练集和测试集。

4.根据权利要求1所述的一种基于可解释性深度学习的刀盘扭矩预测方法，其特征在于：S2步中，所述...

【技术特征摘要】

1.一种基于可解释性深度学习的刀盘扭矩预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于可解释性深度学习的刀盘扭矩预测方法，其特征在于：所述特征参数包括刀盘转速、贯入度、刀盘功率、推进速度和总体推力。

3.根据权利要求1所述的一种基于可解释性深度学习的刀盘扭矩预测方法，其特征在于：s1步中，对获取的所述时间序列数据进行归一化，按照tam-lstm模型和gat-lstm模型的输入要求构造时空序列矩阵，并按照定义的时间窗口划分训练集和测试集。

4.根据权利要求1所述的一种基于可解释性深度学习的刀盘扭矩预测方法，其特征在于：s2步中，所述ta...

【专利技术属性】
技术研发人员：王泉伟，王宏飞，张涛，刘建磊，杨国辉，王心语，马冰，王保亮，
申请(专利权)人：黄河勘测规划设计研究院有限公司，
类型：发明
国别省市：