CN115559737A - 基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统 - Google Patents
基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统 Download PDFInfo
- Publication number
- CN115559737A CN115559737A CN202210396985.9A CN202210396985A CN115559737A CN 115559737 A CN115559737 A CN 115559737A CN 202210396985 A CN202210396985 A CN 202210396985A CN 115559737 A CN115559737 A CN 115559737A
- Authority
- CN
- China
- Prior art keywords
- mud cake
- tunneling
- residual error
- shield
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005641 tunneling Effects 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003745 diagnosis Methods 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000011430 maximum method Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 30
- 210000002569 neuron Anatomy 0.000 claims description 28
- 238000009412 basement excavation Methods 0.000 claims description 16
- 230000035515 penetration Effects 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 239000010802 sludge Substances 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 10
- 230000015572 biosynthetic process Effects 0.000 abstract description 4
- 239000004927 clay Substances 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
- E21D9/08—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining with additional boring or cutting means other than the conventional cutting edge of the shield
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/003—Arrangement of measuring or indicating devices for use during driving of tunnels, e.g. for guiding machines
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明提供了一种基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统，包括：步骤1：采集盾构机掘进过程中的掘进参数并进行预处理，得到掘进参数序列；步骤2：对掘进参数序列中的每个掘进参数进行时域特征提取；步骤3：采用最小‑最大法对提取出的时域特征进行归一化并输送至深度残差网络；步骤4：构建盾构机刀盘结泥饼诊断神经网络模型并进行训练；步骤5：对预设时刻的结泥饼状况进行诊断；步骤6：根据预设数据集的实际值分别计算准确率和f1分数，评估结泥饼诊断的效果。本发明实现了对盾构机结泥饼状况的实时准确诊断，有助于指导司机及时发现刀盘结泥饼状况，及时进行处理，实现高效安全施工，提升盾构机的自动化和智能化水平。
Description
技术领域
本发明涉及参数评估技术领域，具体地，涉及一种基于深度残差网络的盾构机刀盘 结泥饼诊断方法和系统。
背景技术
盾构机是一种的重要地下工程装备。在隧道掘进中，盾构机具有高效、安全、施工质量高等优点，因此盾构机被广泛应用在各种场景下的隧道工程施工之中。由于施工过 程中黏土附着在盾构刀盘上形成的泥饼对盾构机刀盘的性能以及盾构施工的掘进效率 都有着严重的影响，如果不能得到及时的清除，长期附着的泥饼甚至会对盾构机的机械 系统造成损害。为保证盾构机施工的安全高效，需要根据盾构的运行参数来实时对其刀 盘结泥饼状况进行诊断，帮助操作人员及时发现泥饼的形成，并采取适当的措施清除泥 饼。
专利文献CN112031798A(申请号：CN202011029983.3)公开了一种刀盘结泥饼预警系统及方法，包括如下步骤：采集盾构机关键参数数据，包括刀盘推力、刀盘扭矩、 推进速度和渣土温度；根据关键参数数据进行刀盘结泥饼状态的判断，建立关键参数与 泥饼状态对照数据集，并随机划分为样本训练集和数据验证集；设定目标误差；利用样 本训练集训练神经网络得到刀盘泥饼状态评估模型，将数据验证集输入刀盘泥饼状态评 估模型计算误差率；比较误差率与目标误差，若误差率不小于目标误差，重新训练刀盘 泥饼状态评估模型，直至误差率小于目标误差；采集新的盾构机关键参数数据，利用刀 盘泥饼状态评估模型对刀盘结泥饼状态进行实时评估并预警。虽然采用了神经网络方法 对盾构机结泥饼的状况进行判断，但是该方法只选取了4种掘进参数，并且没有提取参 数的时域特征，对数据的挖掘不够充分。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于深度残差网络的盾构机刀盘 结泥饼诊断方法和系统。
根据本发明提供的基于深度残差网络的盾构机刀盘结泥饼诊断方法，包括：
步骤1：采集盾构机掘进过程中的掘进参数并进行预处理，得到掘进参数序列；
步骤2：对掘进参数序列中的每个掘进参数进行时域特征提取；
步骤3：采用最小-最大法对提取出的时域特征进行归一化并输送至深度残差网络；
步骤4：基于深度残差网络，利用TensorFlow框架下的Keras包构建盾构机刀盘结泥饼诊断神经网络模型并进行训练；
步骤5：通过训练后的盾构机刀盘结泥饼诊断神经网络模型，对预设时刻的结泥饼状况进行诊断；
步骤6：根据预设数据集的实际值分别计算准确率和f1分数，评估结泥饼诊断的效果。
优选的，所述掘进参数包括刀盘转速、刀盘转矩、各组油缸推进压力、推进速度平均值、贯入度、总推进力、各开挖仓压力和各工作仓压力，在预处理时，将盾构机扭矩 取为绝对值。
优选的，所述时域特征包括均值、峰值、峰峰值、均方根、标准差、波形因子、峰 值因子、脉冲因子、裕度、峭度和偏度。
优选的，所述深度残差网络包括四个残差块、一个Dropout层和一个全连接层，其中每个残差块包含两个全连接层。
优选的，第一个残差块中两个全连接层的神经元个数分别是160和128，第二个残差块中两个全连接层的神经元个数均为128，第三、四个残差块中的全连接层的神经元 个数均为64，Dropout层中选取的dropout率为0.5，最后的全连接层中的神经元个数为 32。
根据本发明提供的基于深度残差网络的盾构机刀盘结泥饼诊断系统，包括：
模块M1：采集盾构机掘进过程中的掘进参数并进行预处理，得到掘进参数序列；
模块M2：对掘进参数序列中的每个掘进参数进行时域特征提取；
模块M3：采用最小-最大法对提取出的时域特征进行归一化并输送至深度残差网络；
模块M4：基于深度残差网络，利用TensorFlow框架下的Keras包构建盾构机刀盘结泥饼诊断神经网络模型并进行训练；
模块M5：通过训练后的盾构机刀盘结泥饼诊断神经网络模型，对预设时刻的结泥饼状况进行诊断；
模块M6：根据预设数据集的实际值分别计算准确率和f1分数，评估结泥饼诊断的效果。
优选的，所述掘进参数包括刀盘转速、刀盘转矩、各组油缸推进压力、推进速度平均值、贯入度、总推进力、各开挖仓压力和各工作仓压力，在预处理时，将盾构机扭矩 取为绝对值。
优选的，所述时域特征包括均值、峰值、峰峰值、均方根、标准差、波形因子、峰 值因子、脉冲因子、裕度、峭度和偏度。
优选的，所述深度残差网络包括四个残差块、一个Dropout层和一个全连接层，其中每个残差块包含两个全连接层。
优选的，第一个残差块中两个全连接层的神经元个数分别是160和128，第二个残差块中两个全连接层的神经元个数均为128，第三、四个残差块中的全连接层的神经元 个数均为64，Dropout层中选取的dropout率为0.5，最后的全连接层中的神经元个数为 32。
与现有技术相比，本发明具有如下的有益效果：
(1)本发明选取了多个盾构机的掘进参数，有利于更全面地反映盾构机的结泥饼状 况；
(2)本发明对选取的掘进参数提取时域特征，有利于更为深入地挖掘数据所蕴含的 信息；
(3)本发明采用深度残差网络方法，在复杂地质和工况条件下实现了高精度的盾构 机刀盘结泥饼诊断，有助于帮助操作人员及时发现刀盘结泥饼状况并清除泥饼，实现高效安全推进，从而提升盾构机的自动化和智能化水平。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目 的和优点将会变得更明显：
图1是本发明所提出的基于深度残差网络的盾构机刀盘结泥饼诊断方法实施的流程 图；
图2是本发明所提出的基于深度残差网络的盾构机刀盘结泥饼诊断神经网络模型结 构图；
图3是本发明所提出的基于深度残差网络的盾构机刀盘结泥饼诊断神经网络模型在 数据集1测试集中的混淆矩阵。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人 员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于 本发明的保护范围。
实施例1：
针对目前盾构机结泥饼诊断较为依赖专家经验，参数选取不够全面的问题，本发明 提供一种基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统。
根据本发明提供的一种基于深度残差网络的盾构机刀盘结泥饼诊断方法，包括：步 骤1：采集盾构机掘进过程中的19种掘进参数并进行预处理，得到掘进参数序列；步骤2：对掘进参数序列中的每种掘进参数提取11种时域特征；步骤3：采用最小-最大法对 提取出的时域特征进行归一化并输送至深度残差网络；步骤4：基于深度残差网络，利 用TensorFlow框架下的Keras包构建盾构机刀盘结泥饼诊断神经网络模型并进行训练； 步骤5：通过训练后的盾构机刀盘结泥饼诊断神经网络模型，对预设时刻的结泥饼状况 进行诊断；步骤6：根据预设数据集的实际值分别计算准确率和f1分数，评估结泥饼诊 断的效果。
步骤1包括，选取刀盘转速、刀盘转矩、A组油缸推进压力、B组油缸推进压力、 C组油缸推进压力、D组油缸推进压力、E组油缸推进压力、F组油缸推进压力、推进 速度平均值、贯入度、总推进力、开挖仓压力1#、开挖仓压力2#、开挖仓压力3#、开 挖仓压力4#、开挖仓压力5#、开挖仓压力6#、工作仓压力1#和工作仓压力2#作为输入 到网络中的掘进参数，并且在预处理时，将盾构机扭矩取为绝对值；
步骤2包括：选取均值、峰值、峰峰值、均方根、标准差、波形因子、峰值因子、 脉冲因子、裕度、峭度和偏度作为提取的时域特征；
步骤3中的深度残差网络模型包含四个残差块，一个Dropout层和一个全连接层，其中每个残差块包含两个全连接层。第一个残差块中两个全连接层的神经元个数分别是160和128，第二个残差块中两个全连接层的神经元个数均为128，第三、四个残差块中 的全连接层的神经元个数均为64，Dropout层中选取的dropout率为0.5，最后的全连接 层中的神经元个数为32。
首先从盾构机现场施工的选取合适的掘进参数作为诊断模型的输入量。之后建立基 于深度残差网络的盾构机刀盘结泥饼诊断神经网络模型，用一段时间内提取的各运行参 数的数据特征作为输入，这段时间内的结泥饼状况输出。并用全断面隧道掘进机掘进参数数据库的数据进行模型的训练。训练好的模型可以实现对刀盘扭矩的实时多步预测， 从而帮助操作人员及时发现刀盘结泥饼状况并清除泥饼，实现盾构机的高效安全掘进施 工。
根据本发明提供的一种基于深度残差网络的盾构机刀盘结泥饼诊断系统，包括：模 块M1：采集盾构机掘进过程中的19种掘进参数并进行预处理，得到掘进参数序列；模 块M2：对掘进参数序列中的每种掘进参数提取11种时域特征；模块M3：采用最小- 最大法对提取出的时域特征进行归一化并输送至深度残差网络；模块M4：基于深度残 差网络，利用TensorFlow框架下的Keras包构建盾构机刀盘结泥饼诊断神经网络模型并 进行训练；模块M5：通过训练后的盾构机刀盘结泥饼诊断神经网络模型，对预设时刻 的结泥饼状况进行诊断；模块M6：根据预设数据集的实际值分别计算准确率和f1分数， 评估结泥饼诊断的效果。
模块M1包括，选取刀盘转速、刀盘转矩、A组油缸推进压力、B组油缸推进压力、 C组油缸推进压力、D组油缸推进压力、E组油缸推进压力、F组油缸推进压力、推进 速度平均值、贯入度、总推进力、开挖仓压力1#、开挖仓压力2#、开挖仓压力3#、开 挖仓压力4#、开挖仓压力5#、开挖仓压力6#、工作仓压力1#和工作仓压力2#作为输入 到网络中的掘进参数，并且在预处理时，将盾构机扭矩取为绝对值；
模块M2包括：选取均值、峰值、峰峰值、均方根、标准差、波形因子、峰值因子、 脉冲因子、裕度、峭度和偏度作为提取的时域特征；
模块M3中的深度残差网络模型包含四个残差块，一个Dropout层和一个全连接层，其中每个残差块包含两个全连接层。第一个残差块中两个全连接层的神经元个数分别是160和128，第二个残差块中两个全连接层的神经元个数均为128，第三、四个残差块中 的全连接层的神经元个数均为64，Dropout层中选取的dropout率为0.5，最后的全连接 层中的神经元个数为32。
首先从盾构机现场施工的选取合适的掘进参数作为诊断模型的输入量。之后建立基 于深度残差网络的盾构机刀盘结泥饼诊断神经网络模型，用一段时间内提取的各运行参 数的数据特征作为输入，这段时间内的结泥饼状况输出。并用全断面隧道掘进机掘进参数数据库的数据进行模型的训练。训练好的模型可以实现对刀盘扭矩的实时多步预测， 从而帮助操作人员及时发现刀盘结泥饼状况并清除泥饼，实现盾构机的高效安全掘进施 工。
实施例2：
实施例2是实施例1的变化例。
参考图1至图3，本发明提供了一种基于深度残差网络的盾构机刀盘结泥饼诊断方法，包括如下步骤：
步骤1：选择盾构机实际工作过程的19种掘进参数进行预处理；
步骤2：每个样本选16个点，对这19种掘进参数分别提取11种时域特征；
步骤3：采用最小-最大法对提取出的时域特征进行归一化并输送至深度残差网络；
步骤4：基于提出的深度残差网络方法，利用TensorFlow框架下的Keras包构建盾构机刀盘结泥饼诊断神经网络模型，模型中包含四个残差块，一个Dropout层和一个全 连接层，其中每个残差块包含两个全连接层。第一个残差块中两个全连接层的神经元个 数分别是160和128，第二个残差块中两个全连接层的神经元个数均为128，第三、四 个残差块中的全连接层的神经元个数均为64，Dropout层中选取的dropout率为0.5，最 后的全连接层中的神经元个数为32。如图2所示；然后进行训练，学习率设定为0.002， 分别采用二元交叉熵和Adam优化器作为损失函数和优化器，分类器采用sigmoid函数， 模型训练次数设为100，批量大小均设为32。训练集包括788行基于盾构机掘进参数的 时域特征，测试集包括788行基于盾构机掘进参数的时域特征。得到训练后刀盘扭矩多 步长时间预测神经网络模型；
步骤5：通过训练后的盾构机刀盘结泥饼诊断神经网络模型，对预设时刻的结泥饼状况进行诊断；
步骤6：根据测试集中的实际结泥饼状况分别计算诊断的准确率和f1分数，根据计算得到的准确率和f1分数测试盾构机刀盘结泥饼的诊断精度。
从图2看出提出的基于深度残差网络的盾构机刀盘结泥饼诊断模型对结泥饼的诊断 结果与实际吻合较好，在该数据集上，诊断的精度达到95.71％，f1分数达到0.923，表明提出的基于深度残差网络的盾构机刀盘结泥饼诊断方法对盾构机刀盘结泥饼诊断有 较高的精度。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、 装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系 统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以 被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件 内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以 是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特 定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意 相互组合。
Claims (10)
1.一种基于深度残差网络的盾构机刀盘结泥饼诊断方法，其特征在于，包括：
步骤1：采集盾构机掘进过程中的掘进参数并进行预处理，得到掘进参数序列；
步骤2：对掘进参数序列中的每个掘进参数进行时域特征提取；
步骤3：采用最小-最大法对提取出的时域特征进行归一化并输送至深度残差网络；
步骤4：基于深度残差网络，利用TensorFlow框架下的Keras包构建盾构机刀盘结泥饼诊断神经网络模型并进行训练；
步骤5：通过训练后的盾构机刀盘结泥饼诊断神经网络模型，对预设时刻的结泥饼状况进行诊断；
步骤6：根据预设数据集的实际值分别计算准确率和f1分数，评估结泥饼诊断的效果。
2.根据权利要求1所述的基于深度残差网络的盾构机刀盘结泥饼诊断方法，其特征在于，所述掘进参数包括刀盘转速、刀盘转矩、各组油缸推进压力、推进速度平均值、贯入度、总推进力、各开挖仓压力和各工作仓压力，在预处理时，将盾构机扭矩取为绝对值。
3.根据权利要求1所述的基于深度残差网络的盾构机刀盘结泥饼诊断方法，其特征在于，所述时域特征包括均值、峰值、峰峰值、均方根、标准差、波形因子、峰值因子、脉冲因子、裕度、峭度和偏度。
4.根据权利要求1所述的基于深度残差网络的盾构机刀盘结泥饼诊断方法，其特征在于，所述深度残差网络包括四个残差块、一个Dropout层和一个全连接层，其中每个残差块包含两个全连接层。
5.根据权利要求4所述的基于深度残差网络的盾构机刀盘结泥饼诊断方法，其特征在于，第一个残差块中两个全连接层的神经元个数分别是160和128，第二个残差块中两个全连接层的神经元个数均为128，第三、四个残差块中的全连接层的神经元个数均为64，Dropout层中选取的dropout率为0.5，最后的全连接层中的神经元个数为32。
6.一种基于深度残差网络的盾构机刀盘结泥饼诊断系统，其特征在于，包括：
模块M1：采集盾构机掘进过程中的掘进参数并进行预处理，得到掘进参数序列；
模块M2：对掘进参数序列中的每个掘进参数进行时域特征提取；
模块M3：采用最小-最大法对提取出的时域特征进行归一化并输送至深度残差网络；
模块M4：基于深度残差网络，利用TensorFlow框架下的Keras包构建盾构机刀盘结泥饼诊断神经网络模型并进行训练；
模块M5：通过训练后的盾构机刀盘结泥饼诊断神经网络模型，对预设时刻的结泥饼状况进行诊断；
模块M6：根据预设数据集的实际值分别计算准确率和f1分数，评估结泥饼诊断的效果。
7.根据权利要求6所述的基于深度残差网络的盾构机刀盘结泥饼诊断系统，其特征在于，所述掘进参数包括刀盘转速、刀盘转矩、各组油缸推进压力、推进速度平均值、贯入度、总推进力、各开挖仓压力和各工作仓压力，在预处理时，将盾构机扭矩取为绝对值。
8.根据权利要求6所述的基于深度残差网络的盾构机刀盘结泥饼诊断系统，其特征在于，所述时域特征包括均值、峰值、峰峰值、均方根、标准差、波形因子、峰值因子、脉冲因子、裕度、峭度和偏度。
9.根据权利要求6所述的基于深度残差网络的盾构机刀盘结泥饼诊断系统，其特征在于，所述深度残差网络包括四个残差块、一个Dropout层和一个全连接层，其中每个残差块包含两个全连接层。
10.根据权利要求9所述的基于深度残差网络的盾构机刀盘结泥饼诊断系统，其特征在于，第一个残差块中两个全连接层的神经元个数分别是160和128，第二个残差块中两个全连接层的神经元个数均为128，第三、四个残差块中的全连接层的神经元个数均为64，Dropout层中选取的dropout率为0.5，最后的全连接层中的神经元个数为32。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210396985.9A CN115559737A (zh) | 2022-04-15 | 2022-04-15 | 基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210396985.9A CN115559737A (zh) | 2022-04-15 | 2022-04-15 | 基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115559737A true CN115559737A (zh) | 2023-01-03 |
Family
ID=84737551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210396985.9A Pending CN115559737A (zh) | 2022-04-15 | 2022-04-15 | 基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115559737A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115966074A (zh) * | 2023-02-15 | 2023-04-14 | 中铁十四局集团大盾构工程有限公司 | 基于机器学习的盾构刀盘结泥饼预警方法及系统 |
-
2022
- 2022-04-15 CN CN202210396985.9A patent/CN115559737A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115966074A (zh) * | 2023-02-15 | 2023-04-14 | 中铁十四局集团大盾构工程有限公司 | 基于机器学习的盾构刀盘结泥饼预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860952B (zh) | 一种突出煤层关键开采参数快速优选方法 | |
| CN110852423B (zh) | 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 | |
| CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
| CN111488694A (zh) | 基于多元线性自回归的泥水盾构机掘进关键参数预测方法 | |
| CN115559737A (zh) | 基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统 | |
| CN116610092A (zh) | 用于车辆分析的方法和系统 | |
| CN116415479A (zh) | 一种基于数字孪生的连续油管疲劳寿命预警方法 | |
| CN115239108B (zh) | 一种基于tbm实时破岩数据的软弱破碎围岩感知方法 | |
| CN112508242A (zh) | 一种风力发电机轴承故障定位及分类模型的构建方法 | |
| CN117252086A (zh) | 一种盾构机刀盘健康评估与退化预测方法、系统及设备 | |
| CN114462453A (zh) | 全断面隧道掘进机刀盘扭矩长时间预测方法及系统 | |
| CN112561035A (zh) | 一种基于cnn与lstm深度特征融合的故障诊断方法 | |
| CN113221458A (zh) | 盾构刀盘扭矩多步预测方法和系统 | |
| CN116383722A (zh) | 一种基于门控循环单元神经网络的压裂措施过程监控方法 | |
| CN113762360B (zh) | 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法 | |
| CN114611958A (zh) | 一种基于机器学习的石油钻井大数据处理方法和装置 | |
| CN117172113A (zh) | 一种旋转导向钻井井眼轨迹预测方法、系统、设备及介质 | |
| CN116187831B (zh) | 一种基于大数据的掘进机智能管控系统及方法 | |
| CN110058576A (zh) | 基于大数据的设备故障预测与健康管理方法 | |
| CN114972994A (zh) | 盾构机施工掌子面地质类型识别方法及系统 | |
| CN115950947A (zh) | 一种tbm隧洞基于振动信号实时的地质参数预测方法 | |
| CN116186609A (zh) | 一种基于lstm的载人潜水器传感器故障数据增强方法 | |
| CN106321108B (zh) | 一种硬岩掘进装备的围岩强度在线辨识方法 | |
| CN114818899A (zh) | 作业机械的作业对象确定方法、装置、设备及作业机械 | |
| CN113435055A (zh) | 盾构刀盘扭矩领域自适应迁移预测方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |