[发明专利]基于深度学习的盾构机刀具剩余使用寿命预测方法

权利要求书

1.一种基于深度学习的盾构机刀具剩余使用寿命预测方法，其特征在于，通过独热编码构造地质特征集，通过构建卷积神经网络预测盾构机刀具的健康指标，再通过构建长短时记忆网络预测盾构机刀具的剩余使用寿命，该方法的步骤包括如下：

(1)构建卷积神经网络：

(1a)搭建一个9层的卷积神经网络，其结构依次为：第一卷积层，第一池化层，第二卷积层，第二池化层，第三卷积层，第三池化层，第四卷积层，第四池化层，全连接层；

(1b)将第一至第四卷积层的卷积核的大小均设置为3×3，卷积核的个数分别设置为4，8，16，32，步长均设置为1，第一至第四池化层设置为最大池化方式，池化区域核的大小均设置为2×2，步长均设置为1，全连接层的神经元个数设置为26；

(2)构建长短时记忆网络：

搭建一个由输入层，隐藏层，输出层组成的长短时记忆网络，并将隐藏层的输出神经元个数设置为5；

(3)生成盾构机刀具全生命周期的数据集：

(3a)从盾构施工运行数据中选取刀盘扭矩大于150，且刀盘转速大于0的数据组成掘进状态数据集；

(3b)通过独热编码构造地质特征集，与掘进状态数据集合并，组成刀具全生命周期的数据集D₁；

(4)利用主成分分析法对数据集D₁进行降维处理：

(4a)对数据集D₁进行归一化处理，得到归一化后的数据集D₂；

(4b)利用主成分分析法，对归一化后数据集D₂进行降维处理，得到降维后的数据集D₃；

(5)生成盾构机刀具全生命周期的标签数据集：

与降维后数据集D₃的每一行数据一一对应，构建从1到0的线性标签数据集L₁；

(6)生成训练集：

将降维后数据集D₃中80％的数据与其每一行数据对应的标签数据组成训练集；

(7)训练卷积神经网络：

将训练集输入到卷积神经网络中，用梯度下降法更新卷积神经网络的权值1000次，得到训练好的卷积神经网络；

(8)预测盾构机刀具的健康指标：

将降维后数据集D₃输入到训练好的卷积神经网络中，输出盾构机刀具的健康指标数据集；

(9)生成健康指标序列数据集：

(9a)将滑动窗口长度设置为m，窗口的移动步长设置为1，对健康指标数据集进行滑窗，将每一次滑动的窗口内的所有数据作为的一个序列，将所有序列组成一个二维的序列数据集，其中，m表示[50,250]区间内取的任意正整数；

(9b)将健康指标数据集中第m+1个数据至最后一个数据组成标签数据集L₂；

(9c)将序列数据集和标签数据集L₂组成健康指标序列数据集；

(10)训练长短时记忆网络：

将健康指标序列数据集中前60％的序列输入到长短时记忆网络中，用梯度下降法更新长短时记忆网络的权值100次，得到训练好的长短时记忆网络；

(11)预测盾构机刀具剩余使用寿命：

(11a)将健康指标序列数据集中后40％序列组成寿命预测集，将寿命预测集中的每一个序列依次输入到训练好的长短时记忆网络中，将每一个输出的预测结果与阈值进行比较，当输出的预测结果小于阈值时，停止寿命预测集中序列的输入；

(11b)利用RUL＝|T-T₀|公式，计算盾构机刀具剩余使用寿命结果RUL，其中，T表示小于阈值的输出预测结果的输入序列所对应的采集时间，T₀表示寿命预测集中的第一个序列所对应的采集时间。

2.根据权利要求1所述的基于深度学习的盾构机刀具剩余使用寿命预测方法，其特征在于：步骤(3b)中所述的通过独热编码构造出地质特征集指的是，将每一条掘进状态数据对应的地质类型从文本格式转换为数值格式，用一个长度为n的向量表示，其中n的取值与地质类型的总数相等，向量中仅有一个维度取值为1，其余均为0，将所有掘进状态数据对应的地质类型向量组成的地质特征集。