基于特征空间重映射的TBM振动异常状态迁移识别方法与流程
本发明涉及隧道掘进机状态监测。更具体地说,本发明涉及一种基于特征空间重映射的tbm振动异常状态迁移识别方法。
背景技术:
1、在隧道掘进机(tbm)施工过程中,振动信号被广泛用于设备异常状态的识别,例如刀具磨损、轴承故障或卡机预兆等。然而,tbm掘进时的振动信号不仅受设备自身状态影响,也显著依赖于掘进所接触的围岩类别(如软岩、硬岩、破碎岩层等)。不同围岩条件下,即使设备处于相同的异常状态,振动信号的幅值、频谱等特征也会发生明显偏移;反之,在硬岩正常掘进时的振动水平可能高于软岩轻度异常时的振动水平。这种异常状态特征与围岩类别特征在特征空间中的强耦合,导致现有识别方法面临诸多困难。
2、基于固定阈值或固定特征分布的识别方法在不同围岩条件下泛化能力不足。当围岩类别发生变化时,原本有效的判别边界往往失效,需要人工重新调整阈值或重新训练模型,难以适应tbm掘进过程中频繁的围岩切换。一种直观的解决思路是将围岩类别作为输入特征直接加入识别模型,但这依赖于大量包含不同围岩类别下的异常状态标注数据。而tbm异常状态属于小概率事件,在特定围岩下获取充足异常样本极为困难,导致模型训练数据不足。领域自适应等方法则需要目标围岩下的无标签数据或假设特征分布可对齐,但实际围岩存在渐变、突变甚至未知类别,难以实现稳定的分布对齐,容易出现负迁移。此外,重新训练或微调整个特征提取网络需要收集新数据并进行多轮优化,计算成本高、耗时长,难以在掘进过程中实时自适应更新,且可能遗忘先前围岩下的识别能力。
3、综上所述,现有技术的主要问题在于:tbm振动信号中异常状态特征与围岩类别特征相互耦合,导致基于振动的异常识别模型在不同围岩条件下的泛化能力不足;同时,获取多围岩下的异常标注数据困难,模型重训练成本高,限制了该方法在真实多变围岩条件下的可靠性和实用性。
技术实现思路
1、本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
2、本发明还有一个目的是提供一种基于特征空间重映射的tbm振动异常状态迁移识别方法,其旨在解决现有tbm振动异常识别方法中,异常状态特征与围岩类别特征在特征空间中相互耦合导致模型在不同围岩条件下泛化能力不足、且难以获取多围岩异常标注数据及重训练成本高的技术问题。
3、为了实现本发明的这些目的和其它优点,提供了一种基于特征空间重映射的tbm振动异常状态迁移识别方法,其包括以下步骤:
4、步骤一、利用tbm掘进过程中的振动信号和围岩类别标签训练神经网络模型,从中提取出围岩特征提取器并冻结其全部模型参数;
5、步骤二、获取带有异常状态标签的振动信号,输入冻结后的围岩特征提取器,输出初始特征向量;
6、步骤三、构建特征重映射模块和分类层,特征重映射模块由第一全连接层和第二全连接层串联构成,第一全连接层的权重矩阵的行数小于列数,第二全连接层的权重矩阵的行数大于列数,第二全连接层的列数等于第一全连接层的行数,第二全连接层的行数等于第一全连接层的列数;将第二全连接层权重矩阵的初始值设置为第一全连接层权重矩阵初始值的转置乘以一个不大于1的尺度因子;
7、步骤四、将步骤二输出的初始特征向量依次经第一全连接层降维映射、第二全连接层升维映射后,得到重映射特征向量,再输入分类层得到分类结果;利用异常状态标签与分类结果计算损失,并在损失函数中加入正则项,正则项等于正则化系数乘以第二全连接层权重矩阵与第一全连接层权重矩阵转置之差的矩阵frobenius范数的平方;正则化系数在训练初期取第一正值,在训练后期衰减至第二正值;根据损失函数更新特征重映射模块和分类层的参数,训练中保持围岩特征提取器的参数冻结,得到训练好的特征重映射模块和分类层;
8、步骤五、获取实时振动信号,依次输入冻结后的围岩特征提取器、训练好的特征重映射模块和分类层,输出tbm运行状态的异常识别结果。
9、优选的是,步骤四中正则化系数从第一正值衰减至第二正值的衰减过程,依据输入步骤二中初始特征向量在训练过程中的分布统计量进行自适应计算,正则化系数
λ在训练迭代步
t时表示为:
10、;
11、其中,
λ0为基准正则化系数,
γ为固定衰减因子且0<
γ<1,
t为衰减周期,
ηmin为自适应乘子的下界且0<
ηmin<1,为向下取整函数;
η(
t)通过对当前批次初始特征向量进行频域分析后计算获得:将初始特征向量从时域变换至频域,计算频域能量分布的重心频率
f
c(
t),以重心频率与基准频率
fref之比作为频域偏移量,构造自适应乘子
η(
t)=clamp(
f
c(
t)/
fref,
ηmin,
ηmax),其clamp函数将自变量限定在[
ηmin,
ηmax]区间内,
ηmax>1。
12、优选的是,步骤三中构建的特征重映射模块还嵌入有时域注意力加权单元,其位于围岩特征提取器之后、第一全连接层之前;时域注意力加权单元由一维时间卷积层和sigmoid激活函数串联构成,其输入为步骤二输出的初始特征向量x∈r
l,输出为注意力权重向量
ω=sigmoid(conv1d(x))∈(0,1)
l;将注意力权重向量
ω与初始特征向量x按元素逐点相乘后进行时间维度归一化,得到加权后的特征向量;加权后的特征向量输入第一全连接层;时域注意力加权单元的参数随步骤四中的特征重映射模块和分类层一并训练更新。
13、优选的是,步骤二中除获取带有异常状态标签的振动信号外,还同步获取tbm掘进参数序列,掘进参数包括刀盘推力、刀盘转速和贯入度中的至少一种;在步骤四训练特征重映射模块和分类层时,引入掘进参数编码器,其由一层或多层全连接层构成,输入为掘进参数序列,输出为掘进参数嵌入向量p∈r
d;分类层的输入由重映射特征向量z∈r
m与掘进参数嵌入向量p∈r
d拼接而成,即[z;p]∈r
m+
d;训练阶段的损失函数中还增设几何一致性约束项,该约束项等于正则化系数乘以掘进参数嵌入向量p与重映射特征向量z之间的互相关矩阵的frobenius范数,即:
14、;
15、其中
n为批次大小,
μ
p和
μ
z分别为批次内掘进参数嵌入向量和重映射特征向量的均值,‖·‖f为frobenius范数。
16、优选的是,步骤二中获取的带有异常状态标签的振动信号包含至少两种不同的异常状态类别标签,异常状态类别包括主轴承磨损异常、刀盘卡滞异常、主驱动过载异常中的至少两种;在步骤四训练特征重映射模块和分类层时,将分类层替换为由原型分类头和距离判别器构成的组合分类器,其中原型分类头存储每种异常状态类别的原型向量c
k∈r
m(
k=1,…,
k),
k为异常状态类别总数,每个原型向量c
k初始化为对应类别训练样本重映射特征向量的均值;对于每个输入样本,先计算其重映射特征向量z∈r
m与各类别原型向量c
k之间的欧氏距离
d
k=‖z-c
k‖2,然后通过softmax函数将距离映射为分类概率分布:;训练阶段的损失函数中还增设原型分离约束项,该项等于正则化系数乘以不同类别原型向量之间的互斥损失:
17、;其中c
i·c
j为内积,互斥损失迫使不同类别原型向量之间的余弦相似度降低。
18、优选的是,步骤四中训练特征重映射模块和分类层时,当带有异常状态标签的振动信号的样本数量小于预设阈值时,在训练过程中同步实施域自适应约束:将步骤一训练围岩特征提取器所采用的振动信号定义为源域数据集d
s,将步骤二获取的带有异常状态标签的振动信号定义为目标域数据集d
t;在特征重映射模块之后增设域判别器,域判别器由三层全连接层构成,输入重映射特征向量z,输出域类别预测概率
dpred∈[0,1];训练阶段的总损失函数包含源域-目标域对抗损失项:
19、
ladv=-(ex
s~d
s[log
dpred(z
s)]+ex
t~d
t[log(1-
dpred(z
t))]);
20、其中z
s为源域样本经过冻结的围岩特征提取器和特征重映射模块后得到的重映射特征向量,z
t为目标域样本经过相同流程后得到的重映射特征向量;对抗损失项以符号反转系数加入到总损失中,即总损失
ltotal=
lcls+
lreg-
ladv,其中
lcls为分类损失,
lreg为正则项,迫使特征重映射模块产生的重映射特征向量在源域和目标域之间的分布差异最小化。
21、优选的是,步骤四中正则项采用低秩近似法进行计算,具体为:设第一全连接层的输入维度为
d,输出维度为
r,且满足,则w1∈r
r×
d,w2∈r
d×
r;在每次迭代中,引入随机投影矩阵r∈r
r×
p,其中
p为投影维度,取值为小于
r的正整数,r的元素独立同分布于标准正态分布n(0,1)且每次迭代随机刷新;计算近似差值矩阵dapprox=(w2-w1t)r∈r
d×
p;正则项的近似无偏估计为:训练时使用
lreg,approx替代正则项
λ·。
22、优选的是,在步骤五完成异常识别并投入实际运行后,当连续检测到满足以下条件时触发在线增量更新流程:新采集的振动信号与已有各异常状态类别的分类置信度均低于第一预设阈值,且该状态持续时长超过预设时间窗口;在线增量更新流程依次包括以下步骤:
23、a、将新采集的振动信号输入冻结后的围岩特征提取器,输出新初始特征向量xnew,再经当前训练好的特征重映射模块得到新重映射特征向量znew;
24、b、若当前模型已包含原型分类头,则计算znew与现有各异常状态类别原型向量c
k之间的最小欧氏距离
dmin=min
k‖znew-c
k‖2,若
dmin大于预设距离阈值
dth,则判定为新型异常状态,建立新的类别
k+1,并将znew作为该新类别的首个样本,其原型向量c
k+1初始化为znew;若当前模型不存在原型分类头,则跳过此步骤;
25、c、保留已有特征重映射模块的参数作为锚点,构建一个结构相同的辅助重映射模块,其参数初始化为锚点参数的拷贝;仅对辅助重映射模块使用新采集的振动信号进行少量步数的微调,微调时的损失函数包括分类损失和正则项,同时增设锚点约束项:
26、其中
λanchor为锚点约束系数(取值为0.1至0.5之间的预设值),w1aux、w2aux为辅助模块的权重矩阵,w1anchor、w2anchor为锚点权重矩阵;
27、d、微调完成后,计算辅助重映射模块与锚点模块在验证集上输出特征之间的平均余弦相似度:
28、;
29、若
ssim大于预设相似度阈值
sth,则用辅助重映射模块的参数替换原特征重映射模块的参数,并更新原型分类头中对应类别的原型向量为新样本重映射特征向量的滑动平均值;若
ssim≤
sth,则保留原模块不变,并发出人工复核预警。
30、本发明至少包括以下有益效果:
31、1、本发明提供了一种基于特征空间重映射的tbm振动异常状态迁移识别方法,其通过预先训练并冻结围岩特征提取器,将振动信号映射到富含围岩类别信息的特征空间,随后仅训练由降维全连接层和升维全连接层串联构成的特征重映射模块以及分类层。该设计使后续训练仅需少量带有异常状态标签的振动样本即可完成,无需重新训练整个特征提取网络。特征重映射模块采用先降维后升维的结构,并结合权重转置初始化与正则项约束,能够将原始特征空间中与围岩类别耦合的异常状态特征重新映射到更具判别性的空间。正则化系数从大到小衰减,有助于训练初期强制特征对齐、后期精细调整分类边界。本发明在围岩类别频繁变化的tbm掘进环境下,有效利用围岩分类知识提升了异常状态识别的泛化能力,同时显著降低了对多围岩异常标注数据的依赖和模型重训练的计算成本。
32、2、本发明进一步对正则化系数的衰减过程进行自适应设计,依据初始特征向量在频域的能量分布重心频率来动态调节正则化强度。当振动信号的频域重心频率发生偏移时,表明围岩特性或掘进状态发生变化,此时自适应乘子会相应调整正则化系数的大小。与传统固定步长衰减策略相比,这种频域自适应的衰减方式能够更准确地匹配信号特征的实际变化趋势,使特征重映射模块在训练过程中对不同围岩条件下的样本施加差异化的约束强度。当围岩变化剧烈时,较强的正则化有助于保持特征稳定性;当围岩趋于一致时,衰减后的正则化有利于模型充分拟合异常状态特征。这种动态调节机制进一步提升了模型在复杂多变围岩条件下的训练效率和识别性能。
33、3、本发明在特征重映射模块之前嵌入时域注意力加权单元,通过一维时间卷积层和sigmoid激活函数为振动信号的不同时刻生成注意力权重。该单元能够自动识别振动序列中与异常状态相关性较强的时间片段并赋予更高权重,同时抑制噪声或无关时段的影响。加权后进行时间维度归一化,确保特征向量的能量分布更加聚焦于关键事件。由于注意力加权单元的参数与特征重映射模块和分类层联合训练,其学习过程能够适应不同围岩条件下异常振动模式的时域分布差异。这种时域注意力机制在不改变围岩特征提取器冻结状态的前提下,增强了初始特征向量中异常相关信息的表达,从而提升了后续重映射和分类的准确性,尤其适用于异常状态表现为短暂冲击或瞬态特征的场景。
34、4、本发明在振动信号之外同步引入tbm掘进参数序列,并通过掘进参数编码器提取嵌入向量,将其与重映射特征向量拼接后输入分类层。同时,损失函数中增设几何一致性约束项,该项通过最小化掘进参数嵌入与重映射特征之间的互相关矩阵的frobenius范数,迫使两类特征在批次层面上具有低相关性。这种约束鼓励掘进参数和振动重映射特征分别编码互补而非冗余的信息,从而使分类层能够综合利用两种异源数据。掘进参数反映了tbm操作条件和机械负载状况,与振动信号中的异常状态信息相互印证。本发明在无需额外标注的情况下提升了异常状态识别的鲁棒性,特别是在振动信号因围岩剧变而出现干扰时,掘进参数可以提供稳定的辅助判别依据。
35、5、本发明针对包含多种异常状态类别的场景,将传统分类层替换为由原型分类头和距离判别器构成的组合分类器。每种类别的原型向量初始化为训练样本重映射特征向量的均值,分类概率基于特征向量与各原型之间的欧氏距离计算。这种基于原型的分类方式不依赖固定的线性判别边界,能够更好地适应同类异常状态在特征空间中的团簇分布。同时,损失函数中增设的原型分离约束项直接惩罚不同类别原型向量的内积,迫使各类别的原型相互远离,从而增大类别间区分度。该机制尤其适用于异常状态类别间特征差异较小且样本分布不平衡的情形,能够在不增加大量标注数据的情况下稳定学习到具有判别性的类别原型,提升多异常分类的准确性和可解释性。
36、6、本发明在异常标注样本数量不足时引入域自适应约束,利用训练围岩特征提取器时所使用的源域数据来辅助目标域的训练。通过在特征重映射模块之后增设域判别器并采用对抗损失,迫使重映射特征向量在源域和目标域之间的分布差异最小化。对抗损失以负系数加入总损失,使得特征重映射模块学习到能够欺骗域判别器的特征表示,从而实现域不变特征提取。这种半监督域自适应策略有效缓解了目标域异常标注样本稀缺的问题,使模型能够从丰富的源域无异常标注数据中迁移围岩相关的知识,进一步提升在目标围岩条件下的异常识别性能,同时降低了对人工标注的依赖。
37、本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com