[发明专利]一种基于能量数据的盾构机健康状态诊断方法及设备

权利要求书

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：

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。

6.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；

所述分类算法为生成式对抗神经网络，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，实现了数据的高精度分类。