[发明专利]盾构刀盘扭矩领域自适应迁移预测方法和系统

权利要求书

1.一种盾构刀盘扭矩领域自适应迁移预测方法，其特征在于，包括以下步骤：

步骤S1：采集盾构机地质和机械系统相关状态参数以及驱动系统相关状态参数，采用零均值规范化方法预处理所选取的状态参数；

步骤S2：根据规范化后的状态参数，采用残差网络和LSTM网络借助利用TensorFlow框架下的Keras包建立RLSTM盾构机扭矩预测神经网络，并进行训练；

步骤S3：利用领域分类器对神经网络的输入样本进行分类，确定输入样本属于源领域数据集还是目标领域数据集；

步骤S4：在训练过程中采用域对抗性训练技术对网络权值参数进行更新，使得神经网络在不进行任何额外操作的情况下，能够对源域数据集或目标域数据集的输入样本进行分类；

步骤S5：引入领域自适应技术，最终得到自适应RLSTM盾构机扭矩预测网络模型，对预设未来时刻的刀盘扭矩数值进行预测；

步骤S6：根据预设未来时刻的刀盘扭矩数值分别计算均方误差、平均绝对误差和平均绝对百分误差，测试刀盘扭矩的预测精度；

在步骤S4中建立如下混合损失函数L，相关计算公式如下：

L(θ_f,θ_y,θ_d)＝L_y(θ_f,θ_y)-α＊L_d(θ_f,θ_d)

其中，L_y表示源回归损失函数，L_d表示分类损失函数，y_S表示源域数据集输出，y_T表示目标域数据集输出，d表示域标签,表示源域数据集第i个输出实际值；表示源域数据集第i个输出预测值；表示源域数据集第i个标签；表示目标域数据集第i个输出；θ_f、θ_y和θ_d分别表示特征提取器、预测器以及分类器的神经网络参数，α表示权重参数，N_S表示源域样本数，N_T表示目标域样本数。

2.根据权利要求1所述的盾构刀盘扭矩领域自适应迁移预测方法，其特征在于：所述步骤S5中的自适应RLSTM盾构机扭矩预测网络模型包括RLSTM盾构机扭矩预测神经网络和领域自适应模块，所述RLSTM盾构机扭矩预测神经网络包括残差模块和LSTM模块，所述RLSTM盾构机扭矩预测神经网络通过全连接神经网络将预测结果进行输出。

3.根据权利要求1所述的盾构刀盘扭矩领域自适应迁移预测方法，其特征在于：所述步骤S4的具体公式表达如下：

式中，λ表示学习率。

4.根据权利要求1所述的盾构刀盘扭矩领域自适应迁移预测方法，其特征在于：所述步骤S6中的计算公式包括：

其中，MSE表示均方误差；MAE表示平均绝对误差；MAPE表示平均绝对百分误差；X＝{x₁,x₂,…,x_n}为真实值；x_i表示第i个真实值，Y＝{y₁,y₂,…,y_n}为预测值；y_i表示第i个预测值，n为预测数值个数；i为序列数；MSE的值越小则预测精度越高；MAE的值越小则预测精度越高；MAPE的值越小则预测精度越高。