一种面向隧道掘进机滚刀磨损的多步预测方法与流程

本发明涉及刀具磨损状态监测，尤其涉及一种面向隧道掘进机滚刀磨损的多步预测方法。

背景技术：

1、滚刀是隧道掘进机核心执行部件，掘进过程持续承受机械载荷与切削热作用，极易产生滚刀磨损。滚刀磨损会直接影响掘进速度和工作效率，甚至造成掘进机非计划停机，因此实现滚刀磨损长时序精准预测，是掘进机预测性维护的核心前提。

2、现有掘进机磨损预测技术存在多重短板：传统方案直接将欧式传感数据送入模型，未挖掘传感器间拓扑关联，特征利用不足；单一网络同时承担磨损分类、磨损回归两类差异任务，联合训练易出现梯度抵消、幅值失衡，小样本场景模型难以收敛；且大多仅支持单步短时预测，缺少切削磨损机理约束，长时序推演误差持续累积，同时单一信号分段方式无法兼顾稳定与时变切削工况，难以满足工业有限样本下刀具全生命周期监测需求。

技术实现思路

1、技术目的：本发明针对现有技术小样本泛化差、多任务梯度冲突、长时序预测误差累积、多源传感拓扑特征挖掘不足的缺陷，提供一种面向隧道掘进机滚刀磨损多步预测方法；通过双尺度子样本划分+多特征投票构图、并行多头图注意力网络、双向交叉注意力门控、pco 梯度协同优化、三阶段分段磨损滚动增量预测相结合，同步完成磨损状态分类与磨损量定量回归，抑制长时序预测误差，提升有限样本下刀具磨损多步预测精度，实现隧道掘进机滚刀视情更换与智能运维。

2、技术方案：为实现上述技术目的，本发明采用以下技术方案。

3、一种面向隧道掘进机滚刀磨损多步预测方法，包括以下步骤：

4、步骤s1、对采集的多通道传感器信号进行子样本划分；

5、步骤s2、提取传感器信号子样本的时域特征实现数据降维，利用相关性分析筛选与刀具磨损相关性高的时域特征；

6、步骤s3、通过一种多特征投票方法将欧式结构数据转化为拓扑图；

7、步骤s4、利用并行多头图注意力网络模型从输入的拓扑图提取两组全局专家特征、；

8、步骤s5、利用双交叉注意力门控单元 cag包含 cag1、cag2，cag1以 为查询、为键值，cag2以 为查询、为键值，双向交互后拼接生成分类专属特征 、回归专属特征 ；

9、步骤s6、在磨损状态分类任务中，kan 网络后端搭配  激活，输出基准时刻  对应的刀具磨损阶段；在磨损量回归任务中，采用 kan 网络直接输出基准时刻连续磨损数值 ；

10、步骤s7、梯度协同优化训练模块，内置梯度投影 - 协调联合优化算法 pco，接收分类损失、回归损失对应的任务梯度，先投影消除梯度方向冲突，再自适应缩放平衡梯度幅值，输出融合协调梯度更新网络全部可训练参数；

11、步骤s8、分段磨损机理推理模块接入多任务特征融合网络，内置刀具三阶段磨损模型，依据基准时刻磨损状态匹配对应函数，计算时序磨损增量；滚动增量多步预测输出模块结合基准磨损数据与磨损增量，完成滚动窗口 k 步推演，输出多步刀具磨损预测结果。

12、进一步地，步骤 s1 包括以下步骤：

13、步骤s11、对多通道传感器信号进行归一化处理；

14、步骤s12、选择第1个通道的传感器信号，设置划分子样本数量为n，子样本的基准长度；

15、步骤s13、第1个传感器信号的第n个同尺度子样本，第1个传感器信号的第n个变尺度子样本为；

16、步骤s14、重复步骤s12和s13，得到m个通道传感器信号的同尺度子样本集合，得到m个通道传感器信号的同尺度子样本集合。

17、进一步地，步骤 s2 包括以下步骤：

18、步骤s21、提取传感器信号子样本的时域统计特征,其计算公式为：

19、

20、

21、其中，分别表示同尺度、变尺度统计特征向量集合，表示统计特征提取；

22、步骤s22、计算时域统计特征与刀具磨损值的相关性；

23、步骤s23、筛选相关性大于阈值的统计特征，得到新的同尺度、变尺度统计特征向量集合、；

24、进一步地，步骤 s3 包括以下步骤：

25、s31、计算任意两节点在每一特征维度的绝对差值，筛选单维度差异最小的节点赋予投票权;

26、s32、累加所有特征维度投票数得到节点间总投票值；

27、s33、提供两种邻接判定规则：选取投票总数最高的个节点作为近邻，或设置投票阈值，投票数高于阈值则建立边；

28、s34、将有向邻接矩阵对称化得到无向图邻接矩阵；

29、s35、分别对、执行多特征投票构图，生成拓扑结构互补的同尺度图、变尺度图；

30、进一步地，步骤 s4 中，并行多头图注意力网络模型包含两条并行运行的特征提取分支，每一条平行分支内部均由多层多头图注意力网络串联堆叠组合而成，每层多头图注意力网络通过多组独立注意力头同步挖掘图内节点特征关联与拓扑依赖关系，两条并行分支分别输出对应拓扑图的深层特征表征，经池化聚合后得到两组具备互补信息的全局专家特征、；

31、进一步地，步骤 s5 包括以下步骤：

32、s51、采用双交叉注意力门控单元自适应权重分配、；

33、s52、双向交互后拼接生成分类专属特征 、回归专属特征

34、进一步地，步骤 s6包括以下步骤:

35、s61、将双交叉注意力门控单元输出的分类专属特征输入 kan 分类子网络，在kan 网络后端配置 softmax 激活函数，对输出结果做归一化概率映射，输出基准时刻下刀具分别处于初期磨损、稳定磨损、严重磨损三类阶段的概率分布，选取概率最大值对应的类别作为基准时刻刀具磨损阶段；

36、s62、将交叉注意力门控单元输出的回归专属特征输入 bi-lstm 时序提取模块，通过正向、反向双向 lstm 挖掘磨损特征前后时序依赖关系，融合双向隐状态得到完整时序表征后送入 kan 回归子网络，kan 网络基于可学习 b 样条基函数拟合磨损非线性映射关系，无额外激活层约束，直接输出基准时刻对应的连续后刀面磨损数值。

37、进一步地，步骤 s7 包括以下步骤:

38、s71、梯度冲突判定与正交投影消冲突：输入磨损回归梯度、磨损分类梯度，计算梯度点积，若 ,判定存在梯度冲突，分别将两类梯度向对方梯度正交方向投影得到投影梯度:

39、

40、若无冲突则, 用于数值稳定;

41、s72、梯度模长计算与自适应交叉缩放：分别求解投影后磨损回归梯度、磨损分类梯度的二范数模长，基于模长构造交叉缩放系数，对两类投影梯度反向缩放，弱化幅值更大的梯度、增强幅值更小的梯度，平衡双任务梯度量级差异:

42、

43、用于数值稳定;

44、s73、加权协调修正梯度：

45、

46、s74、梯度融合与网络参数更新：将两路协调梯度相加得到融合总梯度:

47、

48、利用融合梯度反向传播，统一更新网络全部可训练参数，完成一次多任务协同优化迭代。

49、进一步地，步骤 s8 包括以下步骤:

50、s81、读取基准参数与匹配磨损分段函数：接收基准时刻磨损状态与基准磨损量，依据匹配三阶段分段磨损模型对应分支，分段模型表达式：

51、

52、s82、计算基准与待预测时刻理论磨损量：在单窗口预测周期内固定磨损状态，分别代入基准时刻、待预测时刻，得到理论磨损量、；

53、s83、通过理论磨损差值计算磨损增量；

54、s84、滚动窗口多步磨损推演：以基准磨损量叠加磨损增量得到预测值，完成单窗口 k 步时序推演，窗口向前滑动循环输出连续磨损预测结果。

55、本发明与现有技术相比，有益效果如下：

56、1、小样本下预测精度与特征挖掘能力大幅提升

57、本发明设计等尺度、变尺度双路子样本划分策略，搭配多特征投票机制构建两组拓扑互补图，依托并行多头图注意力网络分别提取异构传感互补特征，并通过双向交叉注意力门控实现分类、回归任务特征定向交互，充分挖掘两类任务内在关联信息，克服传统单一尺度建模、欧式数据直接输入带来的特征利用不充分问题，显著改善工业标注样本稀缺场景下模型泛化能力，有效提升刀具磨损状态识别与磨损量定量预测精度。

58、2、多任务联合训练稳定性强，收敛速度更快

59、创新性提出梯度投影 - 协调联合优化（pco）算法，先通过梯度正交投影消除磨损分类、磨损回归任务间梯度反向抵消问题，再基于梯度二范数自适应缩放平衡两类梯度幅值，避免单一任务主导参数更新，解决传统固定权重损失加权方式无法适配小样本梯度波动的缺陷，大幅缓解模型训练震荡，加快网络收敛速度，提升多任务协同学习稳定性。

60、3、融合磨损机理约束，有效抑制长时序预测误差累积

61、将数据驱动多任务网络与刀具三阶段分段磨损机理深度耦合，以模型实时输出的基准磨损阶段、基准磨损量作为时序推演初始边界，依据磨损速率变化匹配对应机理函数计算时序磨损增量，采用滚动窗口增量多步预测机制，弥补纯数据驱动模型随预测步长增加误差持续放大的短板，实现刀具全生命周期长时序高精度连续预测。