一种盾构机刀盘健康评估方法、系统、介质、设备及终端

1.本发明属于机械测定技术领域，尤其涉及一种盾构机刀盘健康评估方法、系统、介质、设备及终端。


背景技术：

2.目前，刀盘系统作为盾构机的核心部件，其健康状态直接影响着盾构机的施工效率与施工安全。因此，准确对盾构机刀盘的健康状态进行评估有着非常重要的实际意义。随着计算机技术与人工智能的快速发展，基于数据驱动的健康评估方法越来越多。回归分析、随机森林和神经网络等方法在健康评估领域得到广泛的应用。然而，盾构机掘进数据具有高维、海量、稀疏、异构等特征，刀盘健康退化与掘进数据间的映射关联十分复杂，难以直接找到可反映刀盘健康退化的特征参数，而现有方法往往需要依靠专家经验人工提取和筛选特征，最终将其转化为表格类数据，未充分利用原始数据的时间序列特性，且不能自适应地进行特征提取。
3.乔世范等人在其发表的论文“盾构刀具整体磨损状态识别研究”中提出了一种盾构机刀盘健康评估方法。该方法的步骤是：首先，采集盾构机运行过程中的原始掘进数据，包括推力、扭矩和掘进速度；其次，采用小波包分析对掘进数据进行分解，计算各个节点的标准差；接着，通过敏感性分析选出对刀具健康状态最敏感的节点；最后利用回归分析建立最敏感节点与刀具磨损的映射关系，从而对刀盘的健康状态进行评估。该方法是利用盾构机运行参数的变化反推刀盘的健康状态，但是，该方法存在的不足之处是，依赖专家经验花费了大量时间与精力对盾构机的运行参数进行特征处理，且并未充分利用掘进数据的时间序列特性。
4.张康等人在其发表的论文“基于t-sne数据驱动模型的盾构装备刀盘健康评估”中提出了一种基于t-sne模型的盾构机刀盘健康评估方法。该方法的步骤是：首先，采集盾构机运行数据；其次，提取每一环的每一个工作参数的时域特征，包括均值、最大值、峭度、标准差，得到高维特征子集；然后，利用t-sne流形降维方法对高维特征子集进行降维，得到低维特征子集；最后，选择健康状态数据作为基线数据，计算其他数据与基线数据的马氏距离作为健康评估结果。该方法虽然在盾构机刀盘健康评估方面进行了研究，但是，该方法存在的不足之处是，一方面仍然需要依靠专家经验进行人工特征提取，提取的特征会直接影响模型的性能；另一方面马氏距离会夸大微小变量的作用，而且马氏距离计算过程需要用到训练数据的协方差矩阵，但是协方差矩阵具有不稳定的性质，所以采用马氏距离作为健康评估的结果会导致健康评估结果不稳定。
5.通过上述分析，现有技术存在的问题及缺陷为：
6.(1)现有盾构机刀盘健康评估方法往往需要依靠专家经验人工提取和筛选特征，最终将其转化为表格类数据，未充分利用原始数据的时间序列特性，且不能自适应地进行特征提取。
7.(2)现有技术在构造刀盘健康状态指标时多采用浅层神经网络进行回归建模或使
用基于距离的度量指标，未能充分挖掘高维盾构掘进数据中的深层特征与刀盘健康状态间的映射关系，造成模型的精度和稳定性不足，难以适用于实际复杂工况下刀盘的健康评估。


技术实现要素：

8.针对现有技术存在的问题，本发明提供了一种盾构机刀盘健康评估方法、系统、介质、设备及终端，尤其涉及一种基于深度学习的盾构机刀盘健康评估方法、系统、介质、设备及终端。
9.本发明是这样实现的，一种盾构机刀盘健康评估方法，所述盾构机刀盘健康评估方法包括：通过循环神经网络自适应提取盾构机掘进特征序列中的时序特征，从而减少对专家经验的依赖，降低人工进行特征提取与筛选所需要的精力，并且考虑了掘进数据的时序性，充分利用了循环神经网络处理时序数据的优势；通过构造深层编码-解码网络结构，以刀盘处于健康状态时的数据训练模型，将测试数据输入到训练好的模型中，得到同一时刻的多个重构误差，以其均值作为量化刀盘健康状态的指标，提高了模型的稳定性与准确性。
10.进一步，所述盾构机刀盘健康评估方法包括以下步骤：
11.步骤一，生成刀具完整退化区间的数据集d1；
12.步骤二，对数据集d1进行预处理，得到预处理后的数据集d2，从而提高数据质量，抑制数据噪声对后续分析的影响，同时也可以一定程度上减少数据量，提高后续分析建模的效率；
13.步骤三，基于刀盘处于健康状态时的数据生成模型训练集d3；
14.步骤四，利用刀盘处于健康状态时数据的均值和标准差生成标准化的测试数据集d4；
15.步骤五，采用循环神经网络构建seq2seq网络刀盘健康评估模型；
16.步骤六，利用模型训练集d3训练seq2seq网络模型；
17.步骤七，对测试数据集d4进行健康评估。
18.进一步，所述步骤一中的生成刀具完整退化区间的数据集包括：
19.提取盾构机刀盘从正常状态到严重磨损时间段，刀具完整退化区间内盾构机运行的数据，组成包含工况特征和状态特征的刀具完整退化区间的数据集d1。
20.所述步骤二中的对数据集d1进行预处理，得到预处理后的数据集d2包括：
21.(1)将滑动窗口长度设为m1，窗口移动的步长为s1，其中m1在[30,90]区间内取任意正整数，s1的取值与m1相等；
[0022]
(2)按照下式计算每滑动一次后窗口内所有数据的均方根值：
[0023][0024]
式中，yi表示第i次滑动窗口内所有数据的均方根值，xa表示第i次滑动后窗口内数据的第a个数据，∑表示求和操作。
[0025]
进一步，所述步骤三中的生成模型训练集d3包括：
[0026]
(1)从预处理后的数据集d2中选取前10％作为健康数据；前10％的数据是在刀具退化早期的数据，此时刀盘的状态较为健康，用标准化后的健康数据作为训练集训练网络模型，使得网络模型学习刀盘健康状态的数据特点；
[0027]
(2)按照下式对健康数据进行标准化，得到模型训练集d3；
[0028][0029]
式中，y
′b表示标准化后的健康数据，yb表示未进行标准化的健康数据，μ表示未进行标准化健康数据的均值，σ表示未进行标准化健康数据的标准差。
[0030]
所述步骤四中的生成标准化的测试数据集d4包括：
[0031]
按照下式对数据集d2进行标准化，得到模型测试集d4；
[0032][0033]
式中，y
′c表示标准化后的数据，yc表示未进行标准化的数据，μ表示未进行标准化健康数据的均值，σ表示未进行标准化健康数据的标准差。
[0034]
进一步，所述步骤五中的构建seq2seq网络刀盘健康评估模型包括：
[0035]
搭建一个解码器和编码器均为循环神经网络的seq2seq网络模型，模型的输入是多维的时间序列，模型的目标输出是输入的逆序时间序列；编码器循环神经网络最后时刻的隐藏状态作为解码器循环神经网络开始时刻隐藏状态的初始值；解码器的循环神经网络后接一个全连接层，将解码器循环神经网络的隐藏状态转化为目标值。
[0036]
所述步骤五中的用于构建seq2seq网络模型的循环神经网络不限于rnn、lstm、gru等循环神经网络的各种变体。
[0037]
所述步骤六中的训练seq2seq网络刀盘健康评估模型包括：
[0038]
(1)利用滑窗法提取模型训练集d3中的子序列作为训练样本；
[0039]
(2)将训练样本输入到seq2seq网络模型中，利用后向传播算法更新seq2seq网络模型的参数5000次，得到训练好的seq2seq网络模型。
[0040]
进一步，所述步骤七中的对测试数据集d4进行健康评估包括：
[0041]
(1)利用滑窗法提取模型测试集d4中的子序列作为输入样本；
[0042]
(2)根据下式，计算输入样本中每个时刻数据的重构误差：
[0043][0044]
式中，表示第k个样本序列的t时刻的输入向量，表示第k个样本序列的t时刻的模型输出向量，||
·
||2表示向量二范数；
[0045]
(3)根据下式，计算输入样本中每个重叠时刻数据的重构误差均值，将重构误差均值作为健康指标：
[0046][0047]
式中，hi
t
表示t时刻的健康指标，表示第k个样本序列的t时刻的重构误差，k表示t时刻重叠样本序列的个数。
[0048]
本发明的另一目的在于提供一种应用所述的盾构机刀盘健康评估方法的盾构机刀盘健康评估系统，所述盾构机刀盘健康评估系统包括：
[0049]
数据集生成模块，用于生成刀具完整退化区间的数据集；
[0050]
数据预处理模块，用于对数据集d1进行预处理，得到预处理后的数据集d2；
[0051]
网络模型构建模块，用于分别生成模型训练集d3、标准化测试数据集d4，并构建解码器和编码器均为循环神经网络的seq2seq网络模型；
[0052]
网络模型训练模块，用于利用健康数据训练seq2seq网络刀盘健康评估模型；
[0053]
健康评估模块，用于对测试数据集d4进行健康评估。
[0054]
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的盾构机刀盘健康评估方法的步骤。
[0055]
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述的盾构机刀盘健康评估方法的步骤。
[0056]
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的盾构机刀盘健康评估系统。
[0057]
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
[0058]
第一，针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：本发明提供了一种基于深度学习的盾构机刀盘健康评估方法，用于解决盾构机刀盘健康评估依靠专家经验进行人工特征提取和构造健康指标，导致精度和稳定性不高的问题。本发明利用循环神经网络自适应提取盾构机掘进特征序列中的时序特征，大幅减少人工构造特征的时间成本和对专家经验的依赖；其次，通过深层编码-解码网络结构，得到量化刀盘健康状态的指标，所得健康指标的趋势性、单调性和鲁棒性与现有的技术相比更强，更适用于实际复杂多变的盾构掘进环境。本发明可用于对盾构机刀盘在服役过程中的健康状态进行评估。
[0059]
另外，与现有技术相比，本发明还具有如下优点：
[0060]
第一，由于本发明在生成训练集的过程中，只是使用了简单的数据预处理操作，通过循环神经网络自适应提取盾构机掘进特征序列中的时序特征，与现有的技术相比大幅减少人工构造特征的时间成本和对专家经验的依赖。
[0061]
第二，本发明在进行健康评估的过程中，通过深层编码-解码网络结构，以输入数据的重构误差作为量化刀盘健康状态的指标，所得健康指标的趋势性、单调性和鲁棒性与现有的技术相比更强，更适用于实际复杂多变的盾构掘进环境。
[0062]
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
[0063]
本发明提供的盾构机刀盘健康评估方法，利用循环神经网络自适应地提取高维盾构掘进数据的深层时序特征，减少了人工构造特征的时间成本和对专家经验的依赖，并且
考虑了掘进数据的时序天然属性，充分利用循环神经网络处理时序数据的优势；利用深层编码-解码网络结构，对刀盘处于健康状态时的高维时序数据模式进行建模，得到输入数据同一时刻的多个重构误差，以其均值作为量化刀盘健康状态的指标，从而提高刀盘健康评估的准确性与稳定性，相比现有技术方案更适用于实际复杂多变的盾构机掘进环境。
[0064]
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
[0065]
(1)本发明的技术方案转化后的预期收益和商业价值为：
[0066]
盾构机的刀盘系统是盾构机的核心部件，其健康状态直接影响了盾构施工的效率、安全和成本。无论是过早的事先维修还是滞后的事后维修都会造成资源的浪费以及施工风险和成本的显著增大。本发明专利可实现实际复杂施工环境下盾构机刀盘健康评估，且精度更高、稳定性更强，能够在实际施工中指导开展基于状态的及时维修和预测性维修，避免过早频繁开仓检查或过晚检查造成的施工风险和成本，提高掘进效率。
[0067]
(2)本发明的技术方案填补了国内外业内技术空白：
[0068]
本发明首次将深度学习技术，尤其是循环神经网络模型应用于盾构机刀盘健康评估中，且取得了相比当前技术更好的效果，填补了本领域技术空白。
[0069]
(3)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：
[0070]
盾构机刀盘健康状态评估是长期以来国内外盾构掘进领域的重大难题之一，盾构机高维、海量、异构的掘进数据和复杂多变的工作环境为准确的刀盘健康状态评估带来了巨大挑战。现有技术方案在特征提取、健康指标构建等方面存在诸多不足，造成模型预测结果的准确性、稳定性不高，难以适用于实际施工环境中。本发明利用深度学习中的循环神经网络模型和编码-解码网络结构进行特征提取和健康指标构建，结果显示相比对比方案综合效果更好，因而更适用于实际施工应用。
附图说明
[0071]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
[0072]
图1是本发明实施例提供的盾构机刀盘健康评估方法流程图；
[0073]
图2是本发明实施例提供的测试数据集的健康值折线图；
[0074]
图3是本发明实施例提供的不同技术方案测试数据集的健康值折线图。
具体实施方式
[0075]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0076]
针对现有技术存在的问题，本发明提供了一种盾构机刀盘健康评估方法、系统、介质、设备及终端，下面结合附图对本发明作详细的描述。
[0077]
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部
分是对权利要求技术方案进行展开说明的解释说明实施例。
[0078]
如图1所示，本发明实施例提供的盾构机刀盘健康评估方法包括以下步骤：
[0079]
s101，生成刀具完整退化区间的数据集；
[0080]
s102，对数据集进行预处理；
[0081]
s103，生成模型训练集；
[0082]
s104，生成标准化数据测试集；
[0083]
s105，构建seq2seq网络刀盘健康评估模型；
[0084]
s106，利用健康数据训练seq2seq网络模型；
[0085]
s107，对测试数据集进行健康评估。
[0086]
作为优选实施例，本发明实施例提供的盾构机刀盘健康评估方法具体包括以下步骤：
[0087]
步骤1，生成刀具完整退化区间的数据集。
[0088]
从盾构施工刀具更换记录数据中选取换刀数量大于30且其上次换刀数量小于4的两个换刀时间点t0和t1，组成刀具完整退化区间[t0,t1]。换刀数量较小，可以说明盾构机刀盘目前的状态较为健康，换刀数量大，说明刀盘上大部分刀具都已经不能使用，此时刀盘的健康状态较差，因此两次换刀时间内的数据包含刀具完整的退化区间。提取刀具完整退化区间内盾构机运行的数据，组成包含工况特征和状态特征的刀具完整退化区间的数据集d1。
[0089]
步骤2，对数据集d1进行预处理，得到预处理后的数据集d2。
[0090]
所述的对数据集d1进行预处理的步骤如下：
[0091]
第1步，将滑动窗口长度设为m1，窗口移动的步长为s1，其中m1在[30,90]区间内取任意正整数，s1的取值与m1相等。
[0092]
第2步，按照下式，计算每滑动一次后窗口内所有数据的均方根值：
[0093][0094]
式中，yi表示第i次滑动窗口内所有数据的均方根值，xa表示第i次滑动后窗口内数据的第a个数据，∑表示求和操作。
[0095]
由于数据集数据量大，且受采集环境恶劣的影响，数据也包含了大量的噪声，对数据进行取均方根值操作一方面可以减少数据量，提高后续分析的效率，同时也可以一定程度上抑制噪声对后续分析的影响。
[0096]
步骤3，生成模型训练集d3。
[0097]
所述的生成模型训练集d3的步骤如下：
[0098]
第1步，从预处理后的数据集d2中选取前10％作为健康数据。前10％的数据是在刀具退化早期的数据，此时刀盘的状态较为健康，用这些数据作为训练集来训练网络模型，使得网络模型可以充分学习刀盘健康状态的数据特点。
[0099]
第2步，按照下式，对健康数据进行标准化，得到模型训练集d3；
[0100]
[0101]
式中，y
′b表示标准化后的健康数据，yb表示未进行标准化的健康数据，μ表示未进行标准化健康数据的均值，σ表示未进行标准化健康数据的标准差。
[0102]
由于数据集中各个特征的量纲并不相同，对健康数据进行标准化一方面可以避免量纲对模型性能的影响，同时也可以提高模型的收敛速度。
[0103]
步骤4，生成标准化测试数据集d4。
[0104]
按照下式，对数据集d2进行标准化，得到模型测试集d4；
[0105][0106]
式中，y
′c表示标准化后的数据，yc表示未进行标准化的数据，μ表示未进行标准化健康数据的均值，σ表示未进行标准化健康数据的标准差。
[0107]
步骤5，构建seq2seq网络刀盘健康评估模型。
[0108]
搭建一个解码器和编码器均为循环神经网络的seq2seq网络模型，循环神经网络不限于rnn、lstm、gru等循环神经网络的各种变体。模型的输入是多维的时间序列。将编码器的循环神经网络神经元的个数设为p1，层数为q1，其中p1在[10,20]区间内取任意正整数，q1在[1,4]区间内取任意正整数；编码器循环神经网络最后时刻的隐藏状态作为解码器循环神经网络开始时刻隐藏状态的初始值；将解码器的循环神经网络神经元的个数为设为p2，层数为q2，其中p2在[10,20]区间内取任意正整数，q2在[1,4]区间内取任意正整数，后接一个全连接层，将解码器循环神经网络的隐藏状态转化为目标值。
[0109]
步骤6，训练seq2seq网络模型。
[0110]
使用滑窗法从训练集d3中截取子序列作为训练样本，将滑动窗口长度设为m2，窗口移动的步长为s2，其中m2在[20,30]区间内取任意正整数，s2在[1,5]区间内取任意正整数。
[0111]
将训练样本输入到seq2seq网络模型中，用后向传播算法更新seq2seq网络模型的参数5000次，得到训练好的seq2seq网络模型。
[0112]
所述后向传播算法的步骤如下：
[0113]
第1步，将seq2seq网络模型的初始学习率η设置为0.001，目标序列设置为输入序列的逆序序列。
[0114]
第2步，从训练样本中随机选取一批数据，批大小设为bs，其中bs在[20,30]区间内取任意正整数，将这批数据作为模型输入，得到这批数据的输出结果，按照下式，计算损失函数。
[0115][0116]
式中，表示第k个样本序列的t时刻的输入向量，表示第k个样本序列的t时刻的模型输出向量，||
·
||2表示向量二范数，n表示样本序列的长度，u表示样本序列的个数。
[0117]
第3步，按照下式，计算损失函数的梯度。
[0118][0119]
式中，表示损失函数梯度，l(θ)表示损失函数，θ＝[θ1,θ2,
…
,θv]
t
表示网络模型的参数。
[0120]
第4步，按照下式，更新网络模型的参数。
[0121][0122]
式中，θ
′
表示更新后seq2seq网络模型参数，θ表示更新前seq2seq网络模型参数，η表示学习率，表示损失函数梯度。
[0123]
第5步，判断当前的更新次数是否等于5000，若是，则实行步骤7，否则，重复执行本步骤的第2步至第5步。
[0124]
步骤7，对测试数据集d4进行健康评估。
[0125]
所述对测试数据集d4进行健康评估的步骤如下：
[0126]
第1步，使用滑窗法从测试集d4中截取子序列作为输入样本，将滑动窗口长度设为m3，窗口移动的步长为s3，其中m3＝m2，s3＝s2。
[0127]
第2步，根据下式，计算输入样本中每个时刻数据的重构误差：
[0128][0129]
式中，表示第k个样本序列的t时刻的输入向量，表示第k个样本序列的t时刻的模型输出向量，||
·
||2表示向量二范数。
[0130]
第3步，根据下式，计算输入样本中每个重叠时刻数据的重构误差均值，将重构误差均值作为健康指标：
[0131][0132]
式中，hi
t
表示t时刻的健康指标，表示第k个样本序列的t时刻的重构误差，k表示t时刻重叠样本序列的个数。
[0133]
本发明实施例提供的盾构机刀盘健康评估系统包括：
[0134]
数据集生成模块，用于生成刀具完整退化区间的数据集；
[0135]
数据预处理模块，用于对数据集d1进行预处理，得到预处理后的数据集d2；
[0136]
网络模型构建模块，用于分别生成模型训练集d3、标准化测试数据集d4，并构建解码器和编码器均为循环神经网络的seq2seq网络模型；
[0137]
网络模型训练模块，用于利用健康数据训练seq2seq网络模型；
[0138]
健康评估模块，用于对测试数据集d4进行健康评估。
[0139]
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
[0140]
本发明技术方案作为核心技术应用于国家大数据专项《城市地下空间工程大数据智能分析与公共服务平台建设及示范应用》项目中刀盘健康评估模块，已开发形成软件模块。三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
[0141]
本发明实施例使用的数据集为2017年7月3日至2018年4月10日所采集的某市地铁3号线刘五店站至东界站左线盾构区间的数据。
[0142]
1)生成刀具完整退化区间的数据集。
[0143]
1.1)从刘五店站至东界站盾构区间的施工记录中选取换刀数量大于30且其上次换刀数量小于4所得的两个换刀时间点分别为第230环和第130环，第130环至第230环为刀具完整退化区间。
[0144]
1.2)提取刀具完整退化区间内盾构机运行的数据，组成包含特征：总推进力、刀盘转速、推进速度、刀盘扭矩、贯入度、螺机转速、刀盘转速、左下土仓压力、左中土仓压力、左上土仓压力、右下土仓压力、右中土仓压力、a组推进压力、b组推进压力、c组推进压力、d组推进压力、tpi和fpi的刀具完整退化区间的数据集d1。
[0145]
2)对数据集d1进行预处理，得到预处理后的数据集d2，包括如下步骤：
[0146]
2.1)将滑动窗口长度设为m1＝90，窗口移动的步长为s1＝90。
[0147]
2.2)令i＝1。
[0148]
2.3)按照下式，计算第i次滑动后窗口内所有数据的均方根值：
[0149][0150]
其中，yi表示第i次滑动后窗口内所有数据的均方根值，xa表示第i次滑动后窗口内数据的第a个数据，∑表示求和操作。
[0151]
2.4)判断i的值是否等于l
d1
//m1，其中l
d1
表示数据集d1的数据量，“//”表示整除，若是，则完成预处理操作，得到数据量大小为数据集d1的九十分之一的数据集d2，并执行步骤3)，否则，将i加1后执行步骤2.3)。
[0152]
3)生成模型训练集d3，包括如下步骤：
[0153]
3.1)从预处理后的数据集d2中选取前10％作为健康数据。
[0154]
3.2)按照下式，对健康数据进行标准化，得到模型训练集d3；
[0155][0156]
其中，y
′b表示标准化后的健康数据，yb表示未进行标准化的健康数据，μ表示未进行标准化健康数据的均值，σ表示未进行标准化健康数据的标准差。
[0157]
4)生成标准化测试数据集d4。
[0158]
按照下式，对数据集d2进行标准化，得到模型测试集d4；
[0159][0160]
其中，y
′c表示标准化后的数据，yc表示未进行标准化的数据，μ表示未进行标准化健康数据的均值，σ表示未进行标准化健康数据的标准差。
[0161]
5)构建seq2seq网络刀盘健康评估模型。
[0162]
搭建一个解码器和编码器都为lstm的seq2seq网络模型。模型的输入是多维的时间序列。将编码器的lstm神经元的个数设为p1＝10，层数为q1＝1；编码器lstm最后时刻的隐藏状态作为解码器lstm开始时刻隐藏状态的初始值；将解码器的lstm神经元的个数设为p2＝10，层数为q2＝1，后接一个全连接层，将解码器lstm的隐藏状态转化为目标值。
[0163]
6)训练seq2seq网络模型。
[0164]
6.1)使用滑窗法训练集d3中截取子序列作为训练样本，包含如下步骤：
[0165]
6.1.1)定义滑动窗口长度设为m2＝30，窗口移动的步长为s2＝1。
[0166]
6.1.2)令j＝0。
[0167]
6.1.3)截取子序列作为训练样本。
[0168]
6.1.4)判断j的值是否等于(l
d3-m2)//s2，其中l
d3
表示数据集d3的数据量，“//”表示整除，若是，则完成训练样本的生成，否则，将j加1后执行步骤6.1.3)。
[0169]
6.2)将训练样本输入到seq2seq网络模型中，用后向传播算法更新seq2seq网络模型的参数5000次，得到训练好的seq2seq网络模型，具体步骤如下：
[0170]
6.2.1)将seq2seq网络模型的初始学习率η设置为0.001，目标序列设置为输入序列的逆序序列。
[0171]
6.2.2)从训练样本中随机选取一批数据，批大小设为bs，令批大小bs＝20，将这批数据作为模型输入，得到这批数据的输出结果，按照下式，计算损失函数。
[0172][0173]
式中，表示第k个样本序列的t时刻的输入向量，表示第k个样本序列的t时刻的模型输出向量，||
·
||2表示向量二范数，n表示样本序列的长度，u表示样本序列的个数。
[0174]
6.2.3)按照下式，计算损失函数的梯度。
[0175][0176]
式中，表示损失函数梯度，l(θ)表示损失函数，θ＝[θ1,θ2,
…
,θv]
t
表示网络模型的参数。
[0177]
6.2.4)按照下式，更新网络模型的参数。
[0178][0179]
式中，θ
′
表示更新后seq2seq网络模型参数，θ表示更新前seq2seq网络模型参数，η表示学习率，表示损失函数梯度。
[0180]
6.2.5)判断当前的更新次数是否等于5000，若是，则实行步骤7，否则，重复执行步骤6.2.2)至6.2.5)。
[0181]
7)对测试数据集d4进行健康评估，具体步骤如下：
[0182]
7.1)使用滑窗法从测试集d4中截取子序列作为输入样本，包含如下步骤：
[0183]
7.1.1)定义滑动窗口长度设为m3＝30，窗口移动的步长为s3＝1。
[0184]
7.1.2)令l＝0。
[0185]
7.1.3)截取子序列作为训练样本。
[0186]
7.1.4)判断l的值是否等于(l
d4-m3)//s3，其中l
d4
表示数据集d4的数据量，“//”表示整除，若是，则完成输入样本的生成，否则，将l加1后执行步骤7.1.3)。
[0187]
7.2)根据下式，计算输入样本中每个时刻数据的重构误差：
[0188][0189]
式中，表示第k个样本序列的t时刻的输入向量，表示第k个样本序列的t时
刻的模型输出向量，||
·
||2表示向量二范数。
[0190]
7.3)根据下式，计算输入样本中每个重叠时刻数据的重构误差均值，将重构误差均值作为健康指标：
[0191][0192]
式中，hi
t
表示t时刻的健康指标，表示第k个样本序列的t时刻的重构误差，k表示t时刻重叠样本序列的个数。
[0193]
本发明实施例中将所有数据的健康指标计算完毕后，将6767个健康指标绘制成如图2所示的曲线。图2中的横坐标表示数据序号，纵坐标表示健康指标。并将结果归一化后与t-sne 马氏距离和pca som两种方案进行对比，结果如图3所示。从表1中可知，本发明所得的健康指标曲线在单调性、趋势性与鲁棒性上的表现都要优于其他两种方案，更适用于实际复杂多变的盾构掘进环境。
[0194]
表1各方案在单调性、趋势性与鲁棒性上的表现
[0195][0196]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0197]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。