CN119204592B - 基于数据分析的盾构机运维管理系统 - Google Patents

Abstract

本发明公开了基于数据分析的盾构机运维管理系统，涉及盾构设备监控技术领域，本发明包括数据采集单元、数据传输单元、数据处理与分析单元、异常检测单元、验证单元及预警单元；数据采集单元用于在盾构机刀具部位安装多种传感器，采集切削力、振动、温度、位移数据，为后续分析提供基础信息；本发明，通过集成多种传感器和深度学习算法，实现了对盾构机刀具状态的实时监测和异常检测，与传统的人工检查方法相比，本系统能够提供更连续、精确的监测，减少了因人工检查带来的误差和遗漏；通过自动化的数据采集、传输、处理和分析，显著提高了盾构机运维管理的效率和准确性，降低了因刀具异常导致的施工风险和经济损失。

Description

基于数据分析的盾构机运维管理系统

技术领域

本发明涉及盾构设备监控技术领域，具体为基于数据分析的盾构机运维管理系统。

背景技术

盾构机作为隧道施工的核心设备，广泛应用于地铁、铁路、公路、市政管道等众多隧道工程建设中。其能够在复杂地质条件下高效、安全地进行隧道掘进作业，大大提高了施工效率，降低了施工风险。然而，盾构机在运行过程中面临诸多严峻挑战。由于其工作环境恶劣，长期处于高温、高压、高湿度以及强振动的工况下，设备各部件极易发生磨损、疲劳、腐蚀等问题，从而导致故障频发。这些故障不仅会严重影响施工进度，造成工期延误，还可能引发安全事故，对施工人员的生命安全构成威胁，同时带来巨大的经济损失。

在盾构机施工过程中，刀具是直接与岩土接触并进行切削作业的关键部件。其工作环境极为恶劣，承受着巨大的冲击力、摩擦力和高温等。一旦刀具出现异常，如磨损、断裂、偏磨等情况，如果不能及时发现和处理，将会导致盾构机掘进效率大幅下降，甚至可能引发工程事故，造成巨大的经济损失和工期延误。

传统的盾构机刀具监测方法主要依赖人工定期检查。这种方式存在诸多缺陷：首先，人工检查只能在盾构机停机时进行，这不仅影响施工进度，而且在两次检查间隔期间，刀具可能已经发生严重损坏而未被及时察觉。其次，人工检查的准确性和可靠性在很大程度上取决于检查人员的经验和技能水平，不同人员的判断可能存在差异，容易出现漏检或误判的情况。再者，人工检查难以获取刀具在掘进过程中的实时动态数据，无法对刀具的工作状态进行连续、精确的监测和分析，难以提前预测刀具的异常变化趋势，无法实现真正意义上的预防性维护。

随着信息技术的飞速发展，数据分析技术在工业设备运维管理领域展现出巨大的应用潜力。通过对设备运行数据的实时采集、传输、存储和分析，可以实现对设备状态的精确监测、故障诊断和预防性维护。

然而，在盾构机运维管理领域，数据分析技术的应用还处于起步阶段。目前，虽然部分盾构机已经配备了一些传感器来采集数据，但数据的利用效率较低，缺乏有效的数据分析方法和模型。

现有的数据分析系统往往无法对海量的、多源异构的数据进行深入挖掘和综合分析，难以从中提取出有价值的信息来支持精准的运维决策。

因此，迫切需要一种基于数据分析的盾构机运维管理系统，以充分发挥数据分析技术的优势，提高盾构机运维管理的水平和效率，确保盾构机的安全、稳定运行。

为了解决上述缺陷，现提供技术方案。

发明内容

本发明的目的在于解决盾构机在复杂恶劣环境下运行时因传统运维管理方式依赖人工经验和定期检修导致的故障判断不准确、维修不及时且缺乏早期预警和预测性维护的问题，而提出基于数据分析的盾构机运维管理系统。

本发明的目的可以通过以下技术方案实现：

基于数据分析的盾构机运维管理系统，包括：

数据采集单元，用于在盾构机刀具部位安装多种传感器，采集切削力、振动、温度、位移数据，为后续分析提供基础信息；

数据处理与分析单元，对原始数据预处理以提高质量，运用小波分析和PCA算法挖掘和提取特征，为异常检测提供关键数据支持；

异常检测单元，基于提取的特征数据，采用CNN与LSTM相结合的深度学习算法构建模型，实现对刀具异常状态的判断和类型确定；

验证单元，通过摄像头采集图像，经摄像头自检机制、定位异常区域及质量检查，与正常图像对比验证异常检测结果，确保准确性；

预警单元，依据异常严重程度和类型，通过不同方式进行预警。

进一步的，所述验证单元执行的具体步骤如下：

当模型判断刀具处于异常状态时，并确定了异常的类型后，对异常的情况及类型进行验证；通过安装在盾构机刀盘周围的摄像头拍摄到刀具的全貌及工作状态，摄像头的选择需适应盾构机恶劣的工作环境，并通过自检机制定期自检；摄像头通过有线网络进行图像数据地传输；

再获取数据处理与分析单元中确定的异常类型与区域，针对摄像头拍摄的图像数据中，定位相应的异常区域，如果异常区域是以坐标形式给出，则直接在图像中框选出该区域；如果是以特征描述给出，则利用图像处理算法进行特征匹配和区域搜索，找到与描述相符的区域；

对定位到的异常区域进行标记，采用不同颜色的边框、符号或标注文字方式，标识出异常区域的位置和范围；

根据标记的异常区域，从原始图像中提取包含异常区域的局部图像，通过图像裁剪操作，以异常区域的边界为依据，裁剪出异常区域图像；将提取的异常区域图像单独保存，并按照异常类型、时间戳信息进行分类存储，建立图像数据库；

对筛选出的异常区域图像进行质量检查，确保图像清晰、完整，没有因传输或处理过程中的问题导致图像损坏或信息丢失；

再建立正常图像数据库，在盾构机初始运行或刀具处于全新状态时，通过安装在刀盘周围的摄像头采集刀具各个区域的正常图像；采集时确保在不同的工作条件下进行多次采集，以涵盖各种正常状态；对采集到的正常图像进行预处理，包括去噪、灰度化、裁剪和归一化操作，提取图像的特征，并将这些特征与对应的刀具区域位置信息一同存储在数据库中；

对于筛选出的异常区域图像，采用与正常图像相同的特征提取算法，提取其特征向量；将异常区域图像的特征向量与正常图像数据库中对应刀具区域位置的特征向量进行匹配，利用欧几里得距离计算两者之间的相似度度量，通过公式：得到欧几里得距离d，式中和分别是异常区域图像和正常图像的第i个特征值，n是特征向量的维度；并以欧几里得距离d作为衡量相似度标准；

根据设定的相似度阈值，对计算得到的相似度进行评估，当相似度高于阈值，则认为该异常区域图像与正常图像较为相似，存在误判；当相似度低于阈值，则验证刀具确实存在异常情况，且异常类型与之前模型判断的一致。

进一步的，所述验证模块中的自检机制过程如下：

通过对摄像头采集的图像数据进行综合评估，判断摄像头的状态是否正常，利用图像参数进行综合分析，图像参数包括：

图像梯度：利用Sobel算子计算图像的梯度幅值，梯度幅值越大，表示图像中边缘和细节越清晰，公式为：，和分别是水平和垂直方向的梯度，是图像，表示卷积运算；计算整幅图像的平均梯度幅值作为清晰度指标；

特征点匹配：使用特征点检测算法在连续多帧图像中检测特征点，并通过特征点匹配算法找到匹配的特征点对；对于匹配的特征点对，计算它们在不同帧之间的位移偏差；统计所有特征点位移偏差的均值和标准差，均值反映了图像整体的平移情况，标准差则体现了图像的抖动程度；

噪声评估：计算图像局部区域的灰度值标准差，然后取整幅图像的平均值作为噪声估计值，设定噪声阈值，根据噪声估计值与阈值的比较进行评分；

光照均匀性评估：计算图像的灰度直方图，统计不同灰度级的像素数量分布，计算灰度直方图的熵值，熵值越大，灰度分布越均匀；

将图像参数的值与对应的预设阈值进行比对，判断是否存在超过范围的情况，当存在超过范围的情况时，判断摄像头拍摄的图像数据存在异常，反之，则通过各个图像参数进行综合评估，具体的：

将图像参数评分按照预设权重进行加权求和，得到摄像头的综合评分，设定一个综合评分阈值，若综合评分高于该阈值，则判断摄像头处于正常状态；若低于阈值，则认为摄像头存在问题，需进一步检查或维修，同时，根据各项评分的具体情况，分析出摄像头存在的问题类型，包括：清晰度超过范围判定为镜头脏污或损坏，稳定性超过范围判定为摄像头是安装松动。

进一步的，所述验证模块中对筛选出的异常区域图像进行质量检查的具体操作步骤如下：

通过不同的图质因素进行综合评估，图质因素包括：

像素完整性得分：计算图像中有效像素的比例；

边缘完整性评估：利用边缘检测算法检测图像边缘，然后计算边缘的连续性，具体的，将边缘图像划分为若干个小块，统计每个小块内边缘像素的连接情况；如果一个小块内边缘像素形成连续的曲线或线段，则该小块得分为1；否则得分为0；计算所有小块得分的平均值作为边缘完整性得分；

高频能量占比：对图像进行傅里叶变换，将图像从空域转换到频域，在频域中，高频部分对应图像的细节和边缘信息，计算高频能量占总能量的比例H，具体过程如下：先计算频域图像中高频区域的能量总数，再计算整个频域图像的能量总和，则；高频能量占比H越高，说明图像包含的细节信息越丰富；

信噪比：计算图像的信噪比；

为各图质因素分配对应的权重，通过加权求和的方法计算图像的综合质量评分，将得到综合质量评分与预设的质量评分阈值进行比对，若综合质量评分大于质量评分阈值，则判断图像质量满足要求，反之，则判断图像存在质量问题，进一步分析原因，包括检查传输线路、摄像头设备或图像采集环境。

进一步的，所述预警单元的执行过程如下：

当验证单元确定刀具出现异常后，预警单元立即启动；根据异常的严重程度和类型，采用不同的预警方式；

对于轻微异常，操作室显示屏预警：在盾构机操作室内的显示屏上弹出醒目的预警弹窗，弹窗以黄色背景显示，弹窗内容包括刀具编号、异常类型、磨损量具体数值、当前温度升高值、振动幅值偏差值详细信息，使操作人员了解刀具的异常情况；同时，在显示屏的主界面上以动态闪烁的图标标识出出现异常的刀具位置，图标旁边显示异常提示信息；

参数调整建议提示：根据异常情况分析结果，在显示屏上提供具体的掘进参数调整建议，调整建议以文字说明和动态图表相结合的方式呈现；每隔预设时间间隔，自动更新刀具状态数据；

对于中度异常，操作室声光警报启动：在盾构机操作室内触发声光警报，警报声采用间歇式蜂鸣声，灯光采用黄色闪烁灯；声光警报的持续时间为10-15秒，间隔5秒后再次触发；操作室内的显示屏在声光警报触发的同时，切换到全屏显示刀具异常具体信息页面，除了包含轻微异常时的所有信息外，还增加显示振动频率偏离值、磨损区域面积参数，以及当前异常状态持续的时间；

短信通知发送：自动向地面的值班技术人员和现场领班发送短信通知，短信内容包括盾构机编号、刀具异常位置、异常类型、异常程度量化指标以及当前建议采取的措施；短信发送采用优先级设置，优先级别高于工作通知，但低于紧急事故通知；每隔10分钟，自动发送一次更新后的刀具异常信息短信，直到异常情况得到解决或升级为重度异常；

对于重度异常，强烈声光警报：在盾构机操作室内启动强烈的声光警报，警报声为连续尖锐的高音，灯光采用红色闪烁强光，声光警报持续不断，直到操作人员手动确认收到警报或异常情况得到处理；同时，操作室内的所有非关键设备包括部分辅助照明、空调自动关闭，以集中电力供应关键系统；显示屏上显示红色警示标志和文字提示，同时以语音播报的方式重复播放相同内容；

多渠道紧急通知：立即向地面的工程管理人员、设备维修团队负责人以及相关专家发送紧急短信通知，短信内容描述刀具的重度异常情况，包括所有相关的量化数据和导致的后果，并要求相关人员迅速组织力量制定维修方案和应对措施；同时，通过电子邮件向上述人员发送详细的异常报告，报告以附件形式提供刀具异常的历史数据趋势图、图像分析结果；自动拨打预设的紧急联系电话，以语音播报的方式通知相关人员处理异常情况；

自动停机准备：向盾构机的控制系统发送指令，准备执行自动停机程序；在停机前，逐步降低盾构机的掘进速度至最低安全速度；同时调整刀盘转速至最低稳定转速；在停机过程中，持续监测刀具状态和盾构机的参数；一旦停机完成，锁定盾构机的部分操作功能，包括禁止重新启动掘进程序、限制刀盘转动，防止误操作。

进一步的，预警单元中对刀具异常的严重程度评估过程如下：

获取经由数据处理与分析单元预处理后的参数，并进行初步分析，包括：

磨损量指标：

刀具剩余厚度测量：定期测量刀具的剩余厚度，设刀具初始厚度为G0，当前测量的剩余厚度为G1，则磨损量为G=G0-G1；

磨损面积计算：对于磨损形状不规则的刀具，通过图像分析技术计算磨损区域的面积，对刀具表面进行拍摄，获取高分辨率图像，利用图像处理算法识别磨损区域边界，然后计算磨损区域面积YG；

将得到磨损量G与磨损区域面积YG归一化处理后，分别以磨损量G与磨损区域面积YG作为直角三角形的两条直角边，连接剩余一条边长，建立直角三角形，计算该直角三角形的面积，并记为磨评值；

根据刀具材料和设计要求，设定不同磨评值区间；根据磨评值区间，判断磨损的严重等级；

振动特性参数：

振动幅值分析：通过刀具振动数据计算振动信号的幅值，采用预设时间段内振动幅值的平均值或峰值来衡量，通过与正常振动幅值的平均值或峰值计算偏差得到振偏值；

振动频率变化：对振动信号进行频谱分析，获取振动频率成分，通过振动频率成分计算振动频率偏离值，记为频偏值；

将得到的振偏值及频偏值归一化处理后，以频偏值作为底圆半径绘制底圆，振偏值为高建立圆锥体模型，计算该圆锥体模型的体积，并记为振衡值；根据振衡值预设若干个振衡值区间，预设的若干个振衡值区间分别对应设置不同的振动异常等级，通过振衡值判断振动的异常等级；

温度变化程度：

刀具温度升高值：通过安装在刀具附近的温度传感器测量刀具工作时的温度，同时记录环境温度，计算温度升高值；

温度变化速率：计算单位时间内刀具温度的变化速率；

将得到的温度升高值及温度变化速率分别标定为ws及wb，归一化处理后代入以下公式：以得到温估值ZO，式中为修正系数；以得到的温估值ZO作为衡量温度变化程度；将得到的得到温估值ZO与预设的若干个得到温估值区间比对，若干个得到温估值区间对应设置不同的温度异常等级，通过比对确定温度异常等级；

根据各项指标对刀具异常程度影响的重要性，为磨评值、振衡值和温估值分配权重，对于每个指标，根据其量化值与设定阈值的比较进行评分；再通过加权求和的计算方法计算综合异常程度评分，根据综合异常程度评分划分异常等级，具体分为轻微异常、中度异常及重度异常。

进一步的，所述数据采集单元的具体操作步骤如下：

在盾构机的刀具部位安装多种传感器，包括压力传感器、振动传感器、温度传感器以及刀具位移传感器；

压力传感器用于检测刀具在切削岩土过程中所承受的切削力大小及变化情况；

振动传感器可捕捉刀具因磨损、碰撞产生的振动频率和振幅信息；

温度传感器监测刀具工作时的温度变化；

刀具位移传感器则能够测量刀具在不同方向上的位移量，以判断是否存在异常情况；

传感器将实时采集到的数据传输给数据传输单元。

进一步的，所述数据传输单元的具体操作步骤如下：

采用有线和无线混合传输网络，确保数据能够从数据采集单元传输到数据处理与分析单元；在盾构机内部，利用有线网络连接传感器与数据传输节点，以保证数据传输的稳定性和抗干扰性；

而在盾构机与地面监控中心之间，则采用无线网络进行数据传输，实现数据的远程快速传输。

进一步的，所述数据处理与分析单元的具体操作步骤如下：

接收来自数据传输单元的原始数据后，进行数据预处理，包括数据清洗、去噪、数据格式转换操作，以去除数据中的异常值和干扰因素；

运用数据分析算法对数据进行深入挖掘和特征提取；具体采用小波分析算法对振动数据进行时频分析，提取不同频率段的振动特征；利用主成分分析算法对多维度的传感器数据进行降维处理，提取关键特征向量，以减少数据处理的复杂度并突出刀具工作状态的特征信息。

进一步的，所述异常检测单元的具体操作步骤如下：

基于数据处理与分析单元提取的特征数据，异常检测单元构建智能化的异常检测模型，具体采用深度学习算法，利用卷积神经网络与长短时记忆网络相结合的方式；卷积神经网络用于对数据的空间特征进行提取，识别传感器数据中的局部特征模式；长短时记忆网络则在处理时间序列数据方面能够学习到刀具工作状态随时间的变化规律，从而捕捉到刀具异常状态的发展趋势；

通过将已知刀具正常和异常工作状态的数据输入到模型中进行训练，使模型能够自动学习到刀具不同工作状态下的特征模式，并建立相应的判别标准；当接收到新的刀具数据时，模型判断刀具是否处于异常状态，并确定异常的类型，包括磨损、断裂、偏磨。

与现有技术相比，本发明的有益效果是：

本发明，通过集成多种传感器和深度学习算法，实现了对盾构机刀具状态的实时监测和异常检测，与传统的人工检查方法相比，本系统能够提供更连续、精确的监测，减少了因人工检查带来的误差和遗漏；通过自动化的数据采集、传输、处理和分析，显著提高了盾构机运维管理的效率和准确性，降低了因刀具异常导致的施工风险和经济损失；

本发明，能够通过对刀具工作状态的深入分析，提前预测刀具的异常变化趋势，实现预防性维护；结合CNN与LSTM算法构建的模型能够有效识别刀具的异常状态和类型，而验证单元通过图像对比进一步确保了检测结果的准确性，预警单元根据异常的严重程度和类型，通过不同方式进行预警，为操作人员提供了及时的反馈，使得维护工作能够更加及时和有针对性，从而减少了故障发生的可能性；

本发明，通过综合评估刀具的磨损量、振动特性和温度变化程度，为盾构机的稳定运行提供了有力保障；系统能够在刀具出现轻微异常时就发出预警，并随着异常程度的增加逐步升级预警措施，直至采取自动停机等安全措施，确保了施工过程的安全性；同时，系统的实时监控和数据分析能力也提高了盾构机施工的可靠性，减少了因刀具问题导致的工期延误和工程事故，保障了施工人员和设备的安全。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；

图1为本发明的系统总框图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，本披露的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本披露说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本披露。如在本披露说明书和权利要求书中所使用的那样，除非上下文清楚地指明其他情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本披露说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如图1所示，基于数据分析的盾构机运维管理系统，包括数据采集单元、数据传输单元、数据处理与分析单元、异常检测单元、验证单元及预警单元；

数据采集单元用于在盾构机刀具部位安装多种传感器，采集切削力、振动、温度、位移等数据，为后续分析提供基础信息；

在盾构机的刀具部位安装多种传感器，包括压力传感器、振动传感器、温度传感器以及刀具位移传感器；压力传感器用于检测刀具在切削岩土过程中所承受的切削力大小及变化情况；振动传感器可捕捉刀具因磨损、碰撞等产生的振动频率和振幅信息；温度传感器监测刀具工作时的温度变化，过高的温度可能预示着刀具的过度摩擦或异常磨损；刀具位移传感器则能够精确测量刀具在不同方向上的位移量，以判断是否存在偏磨等异常情况；这些传感器将实时采集到的数据传输给数据传输单元。

数据传输单元利用有线和无线网络确保数据稳定、快速地从采集单元传输到处理与分析单元，实现数据的远程传输，便于地面人员实时掌握刀具状态；

采用有线和无线混合传输网络，确保数据能够及时、准确地从数据采集单元传输到数据处理与分析单元；在盾构机内部，利用有线网络连接传感器与数据传输节点，以保证数据传输的稳定性和抗干扰性；而在盾构机与地面监控中心之间，则采用无线网络（如5G通信技术）进行数据传输，实现数据的远程快速传输，以便地面技术人员能够实时掌握刀具的工作状态。

数据处理与分析单元对原始数据预处理以提高质量，运用小波分析和PCA等算法挖掘和提取特征，为异常检测提供关键数据支持；

此单元接收来自数据传输单元的原始数据后，首先进行数据预处理，包括数据清洗、去噪、数据格式转换操作，以去除数据中的异常值和干扰因素，提高数据的质量；然后，运用数据分析算法对数据进行深入挖掘和特征提取；具体采用小波分析算法对振动数据进行时频分析，提取不同频率段的振动特征；利用主成分分析（PCA）算法对多维度的传感器数据进行降维处理，提取关键特征向量，以减少数据处理的复杂度并突出刀具工作状态的主要特征信息。

异常检测单元基于提取的特征数据，采用CNN与LSTM相结合的深度学习算法构建模型，实现对刀具异常状态的判断和类型确定；

基于数据处理与分析单元提取的特征数据，异常检测单元构建智能化的异常检测模型，具体采用深度学习算法，利用卷积神经网络（CNN）与长短时记忆网络（LSTM）相结合的方式；CNN擅长对数据的空间特征进行提取，能够有效地识别传感器数据中的局部特征模式，如特定频率的振动模式、压力变化曲线的形状等；LSTM则在处理时间序列数据方面具有优势，能够学习到刀具工作状态随时间的变化规律，从而准确地捕捉到刀具异常状态的发展趋势；通过将大量已知刀具正常和异常工作状态的数据输入到模型中进行训练，使模型能够自动学习到刀具不同工作状态下的特征模式，并建立相应的判别标准；当接收到新的刀具数据时，模型能够判断刀具是否处于异常状态，并确定异常的类型，包括磨损、断裂、偏磨。

验证单元通过摄像头采集图像，经一系列处理（包括自检、定位异常区域、质量检查等），与正常图像对比验证异常检测结果，确保准确性；

当模型判断刀具处于异常状态时，并确定了异常的类型后，对异常的情况及类型进行验证，具体步骤如下：

通过安装在盾构机刀盘周围的摄像头拍摄到刀具的全貌及工作状态，摄像头应具备防水、防尘、防震功能，以适应盾构机恶劣的工作环境，通过自检机制定期自检，具体的：通过对摄像头采集的图像数据进行综合评估，判断摄像头的状态是否正常，利用图像参数进行综合评估，图像参数包括：

图像梯度：利用Sobel算子计算图像的梯度幅值，梯度幅值越大，表示图像中边缘和细节越清晰，公式为：，和分别是水平和垂直方向的梯度，是图像，表示卷积运算；计算整幅图像的平均梯度幅值作为清晰度指标，平均梯度幅值越高，图像清晰度越好；特征点匹配：使用特征点检测算法（SIFT或SURF算法）在连续多帧图像中检测特征点，并通过特征点匹配算法（基于距离的匹配方法）找到匹配的特征点对；对于匹配的特征点对，计算它们在不同帧之间的位移偏差。统计所有特征点位移偏差的均值和标准差，均值反映了图像整体的平移情况，标准差则体现了图像的抖动程度；噪声评估：计算图像局部区域（如3×3或5×5像素块）的灰度值标准差，然后取整幅图像的平均值作为噪声估计值，设定噪声阈值，根据噪声估计值与阈值的比较进行评分；光照均匀性评估：计算图像的灰度直方图，统计不同灰度级的像素数量分布，计算灰度直方图的熵值，熵值越大，说明灰度分布越均匀；

将上述各项评分与对应的预设阈值进行比对，判断是否存在超过范围的情况，当存在超过范围的情况时，判断摄像头拍摄的图像数据存在异常，反之，则通过各个图像参数进行综合评估，具体的：

将上述各项评分按照预设权重进行加权求和，得到摄像头的综合评分，设定一个综合评分阈值，若综合评分高于该阈值，则判断摄像头处于正常状态；若低于阈值，则认为摄像头存在问题，需要进一步检查或维修，同时，根据各项评分的具体情况，分析出摄像头可能存在的问题类型，包括：清晰度超过范围判定为镜头脏污或损坏，稳定性超过范围判定为摄像头是安装松动，以便针对性地采取措施。

摄像头通过有线网络进行图像数据能够稳定、快速地传输；再获取数据处理与分析单元中确定的异常类型与区域，针对摄像头拍摄的图像数据中，定位相应的异常区域，如果异常区域是以坐标形式给出（例如左上角和右下角坐标），则直接在图像中框选出该区域；如果是以特征描述（特定形状、纹理特征在图像中的大致位置）给出，则利用图像处理算法进行特征匹配和区域搜索，找到与描述相符的区域；对定位到的异常区域进行标记，采用不同颜色的边框、特殊符号或标注文字方式，标识出异常区域的位置和范围，以便后续的观察和分析；

根据标记的异常区域，从原始图像中提取包含异常区域的局部图像，通过图像裁剪操作，以异常区域的边界为依据，裁剪出异常区域图像，确保裁剪后的图像包含足够的上下文信息，以便进一步分析异常情况；将提取的异常区域图像单独保存，并按照异常类型、时间戳等信息进行分类存储，建立图像数据库；

对筛选出的异常区域图像进行质量检查，确保图像清晰、完整，没有因传输或处理过程中的问题导致图像损坏或信息丢失；具体通过不同的图质因素进行综合评估，图质因素包括：

像素完整性得分：计算图像中有效像素（非零像素值）的比例；边缘完整性评估：利用边缘检测算法（如Canny边缘检测）检测图像边缘，然后计算边缘的连续性，具体的，将边缘图像划分为若干个小块（如5×5像素块），统计每个小块内边缘像素的连接情况；如果一个小块内边缘像素形成连续的曲线或线段，则该小块得分为1；否则得分为0；计算所有小块得分的平均值作为边缘完整性得分；高频能量占比：对图像进行傅里叶变换，将图像从空域转换到频域，在频域中，高频部分对应图像的细节和边缘信息，计算高频能量占总能量的比例H，具体过程如下：先计算频域图像中高频区域（如半径大于图像中心到边缘距离一半的圆环区域）的能量总量，再计算整个频域图像的能量总和，则；高频能量占比H越高，说明图像包含的细节信息越丰富，图像清晰度越高；信噪比：计算图像的信噪比，信噪比越高，图像质量越好，噪声对图像的影响越小；

为上述各图质因素分配对应的权重，通过加权求和的方法计算图像的综合质量评分A，将得到综合质量评分A与预设的质量评分阈值进行比对，若综合质量评分A大于质量评分阈值，则判断图像质量满足要求，反之，则判断图像存在质量问题，进一步分析原因，包括检查传输线路、摄像头设备或图像采集环境。

再建立正常图像数据库，在盾构机初始运行或刀具处于全新状态时，通过安装在刀盘周围的摄像头采集刀具各个区域的正常图像；采集时应确保在不同的工作条件下（不同的掘进速度、地质条件）进行多次采集，以涵盖各种可能的正常状态；对采集到的正常图像进行预处理，包括去噪、灰度化、裁剪和归一化等操作，提取图像的特征（边缘特征、纹理特征、几何特征），并将这些特征与对应的刀具区域位置信息一同存储在数据库中；对于筛选出的异常区域图像，采用与正常图像相同的特征提取算法，提取其特征向量；将异常区域图像的特征向量与正常图像数据库中对应刀具区域位置的特征向量进行匹配，通过欧几里得距离计算两者之间的相似度度量，通过公式：得到欧几里得距离d，式中和分别是异常区域图像和正常图像的第i个特征值，n是特征向量的维度，欧几里得距离d越小，相似度越高；根据设定的相似度阈值，对计算得到的相似度进行评估，当相似度高于阈值，则认为该异常区域图像与正常图像较为相似，存在误判；当相似度低于阈值，则验证刀具确实存在异常情况，且异常类型与之前模型判断的一致。

预警单元依据异常严重程度和类型，通过不同方式进行预警；

当验证单元确定刀具出现异常后，预警单元立即启动；根据异常的严重程度和类型，采用不同的预警方式；针对刀具异常的严重程度评估过程如下：

获取经由数据处理与分析单元预处理后的参数，并进行初步分析，包括：

磨损量指标

刀具剩余厚度测量：定期测量刀具的剩余厚度。设刀具初始厚度为G0，当前测量的剩余厚度为G1，则磨损量为G=G0-G1；磨损面积计算：对于磨损形状不规则的刀具，通过图像分析技术计算磨损区域的面积，对刀具表面进行拍摄，获取高分辨率图像，利用图像处理算法（阈值分割、边缘检测等）识别磨损区域边界，然后计算磨损区域面积YG；将得到磨损量G与磨损区域面积YG归一化处理后，分别以磨损量G与磨损区域面积YG作为直角三角形的两条直角边，连接剩余一条边长，建立直角三角形，计算该直角三角形的面积，并记为磨评值；根据刀具材料和设计要求，设定不同磨评值区间；根据磨评值区间，判断磨损的严重等级；

振动特性参数

振动幅值分析：通过刀具振动数据计算振动信号的幅值，采用预设时间段内振动幅值的平均值或峰值来衡量，通过与正常振动幅值的平均值或峰值计算偏差得到振偏值；振动频率变化：对振动信号进行频谱分析，获取振动频率成分，通过振动频率成分计算振动频率偏离值，记为频偏值；将得到的振偏值及频偏值归一化处理后，以频偏值作为底圆半径绘制底圆，振偏值为高建立圆锥体模型，计算该圆锥体模型的体积，并记为振衡值；根据振衡值预设若干个振衡值区间，预设的若干个振衡值区间分别对应设置不同的振动异常等级，通过振衡值判断振动的异常等级；

温度变化程度

刀具温度升高值：通过安装在刀具附近的温度传感器测量刀具工作时的温度，同时记录环境温度，计算温度升高值；温度变化速率：计算单位时间内刀具温度的变化速率；将得到的温度升高值及温度变化速率分别标定为ws及wb，归一化处理后代入以下公式：以得到温估值ZO，式中为修正系数，取值设置在0.95-1.23之间；以得到的温估值ZO作为衡量温度变化程度；将得到的得到温估值ZO与预设的若干个得到温估值区间比对，若干个得到温估值区间对应设置不同的温度异常等级，通过比对确定温度异常等级；

根据各项指标对刀具异常程度影响的重要性，为磨损量指标、振动特性参数和温度变化程度分配权重，对于每个指标，根据其量化值与设定阈值的比较进行评分；再通过加权求和的计算方法计算综合异常程度评分，根据综合异常程度评分划分异常等级；具体分为轻微异常、中度异常及重度异常。

对于轻微异常，操作室显示屏预警：在盾构机操作室内的显示屏上弹出醒目的预警弹窗，弹窗以黄色背景显示（用于区分不同严重程度的预警），弹窗内容包括刀具编号、异常类型（如轻微磨损）、磨损量具体数值、当前温度升高值、振动幅值偏差值等详细信息，使操作人员能够直观了解刀具的异常情况；同时，在显示屏的主界面上以动态闪烁的图标（如黄色三角形）标识出出现异常的刀具位置，图标旁边显示简要的异常提示信息，确保操作人员在操作过程中能够及时注意到异常情况；参数调整建议提示：根据异常情况分析结果，在显示屏上提供具体的掘进参数调整建议，调整建议以文字说明和动态图表（如显示调整前后参数对比的柱状图）相结合的方式呈现，方便操作人员理解和操作；每隔一段时间（如5分钟），系统自动更新刀具状态数据，并根据新的数据重新评估参数调整建议是否合理，如有必要，进一步优化调整参数，确保在不影响施工进度的前提下，最大程度地保护刀具；

对于中度异常，操作室声光警报启动：在盾构机操作室内触发声光警报，警报声采用间歇式蜂鸣声（区别于紧急情况下的连续尖锐警报声），灯光采用黄色闪烁灯。声光警报的持续时间为10-15秒，间隔5秒后再次触发，以确保操作人员能够及时察觉并关注到异常情况，但又不会因过长时间的警报声干扰正常工作；操作室内的显示屏在声光警报触发的同时，切换到全屏显示刀具异常详细信息页面，除了包含轻微异常时的所有信息外，还增加显示振动频率偏离值、磨损区域面积更多参数，以及当前异常状态持续的时间，以便操作人员更全面地了解刀具的异常程度和发展趋势；短信通知发送：自动向地面的值班技术人员和现场领班发送短信通知，短信内容包括盾构机编号、刀具异常位置、异常类型（中度异常-具体如中度磨损、振动异常等）、异常程度量化指标（如磨损量、振衡值、温估值等具体数值）以及当前建议采取的措施（如继续观察、准备备用刀具等）。短信发送采用优先级设置，确保相关人员能够及时收到通知，优先级别高于一般工作通知，但低于紧急事故通知；每隔10分钟，自动发送一次更新后的刀具异常信息短信，直到异常情况得到解决或升级为重度异常；

对于重度异常，强烈声光警报：在盾构机操作室内启动强烈的声光警报，警报声为连续尖锐的高音，灯光采用红色闪烁强光，声光警报持续不断，直到操作人员手动确认收到警报或异常情况得到处理；同时，操作室内的所有非关键设备（如部分辅助照明、空调等）自动关闭，以集中电力供应关键系统，并引起操作人员的高度重视；显示屏上显示巨大的红色警示标志和“刀具严重异常-立即停机处理”的文字提示，同时以语音播报的方式重复播放相同内容，确保操作人员能够在第一时间理解异常的严重性并采取相应措施；多渠道紧急通知：立即向地面的工程管理人员（项目经理、技术负责人等）、设备维修团队负责人以及相关专家发送紧急短信通知，短信内容详细描述刀具的重度异常情况，包括所有相关的量化数据和可能导致的严重后果（如可能引发的盾构机故障、工程事故等），并要求相关人员迅速组织力量制定维修方案和应对措施；同时，通过电子邮件向上述人员发送详细的异常报告，报告以附件形式提供刀具异常的历史数据趋势图（如磨损量随时间变化曲线、温度变化曲线等）、图像分析结果（如磨损区域图像）以及系统自动生成的初步维修建议。此外，系统还会自动拨打预设的紧急联系电话（如项目经理手机、维修团队值班电话等），以语音播报的方式通知相关人员尽快处理异常情况，确保信息传达的及时性和准确性，避免因刀具故障导致的工程事故和工期延误；自动停机准备：向盾构机的控制系统发送指令，准备执行自动停机程序。在停机前，逐步降低盾构机的掘进速度至最低安全速度；同时调整刀盘转速至最低稳定转速，以平稳过渡到停机状态，减少对盾构机和周围土体的冲击；在停机过程中，持续监测刀具状态和盾构机其他关键系统的参数，确保停机过程安全顺利。一旦停机完成，系统锁定盾构机的部分操作功能（如禁止重新启动掘进程序、限制刀盘转动等），防止误操作，等待维修人员进行处理。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.基于数据分析的盾构机运维管理系统，其特征在于，包括：

数据采集单元，用于在盾构机刀具部位安装多种传感器，采集切削力、振动、温度、位移数据，为后续分析提供基础信息；

数据传输单元，利用有线和无线网络确保数据从数据采集单元传输到数据处理与分析单元，实现数据的远程传输；

数据处理与分析单元，对原始数据预处理以提高质量，运用小波分析和PCA算法挖掘和提取特征，为异常检测提供关键数据支持；

异常检测单元，基于提取的特征数据，采用CNN与LSTM相结合的深度学习算法构建模型，实现对刀具异常状态的判断和类型确定；

验证单元，通过摄像头采集图像，经摄像头自检机制、定位异常区域及质量检查，与正常图像对比验证异常检测结果，确保准确性，具体步骤如下：

当模型判断刀具处于异常状态时，并确定了异常的类型后，对异常的情况及类型进行验证；通过安装在盾构机刀盘周围的摄像头拍摄到刀具的全貌及工作状态，摄像头的选择需适应盾构机恶劣的工作环境，并通过自检机制定期自检；摄像头通过有线网络进行图像数据地传输；

再获取数据处理与分析单元中确定的异常类型与区域，针对摄像头拍摄的图像数据中，定位相应的异常区域，如果异常区域是以坐标形式给出，则直接在图像中框选出该区域；如果是以特征描述给出，则利用图像处理算法进行特征匹配和区域搜索，找到与描述相符的区域；

对定位到的异常区域进行标记，采用不同颜色的边框、符号或标注文字方式，标识出异常区域的位置和范围；

根据标记的异常区域，从原始图像中提取包含异常区域的局部图像，通过图像裁剪操作，以异常区域的边界为依据，裁剪出异常区域图像；将提取的异常区域图像单独保存，并按照异常类型、时间戳信息进行分类存储，建立图像数据库；

对筛选出的异常区域图像进行质量检查，确保图像清晰、完整，没有因传输或处理过程中的问题导致图像损坏或信息丢失；

再建立正常图像数据库，在盾构机初始运行或刀具处于全新状态时，通过安装在刀盘周围的摄像头采集刀具各个区域的正常图像；采集时确保在不同的工作条件下进行多次采集，以涵盖各种正常状态；对采集到的正常图像进行预处理，包括去噪、灰度化、裁剪和归一化操作，提取图像的特征，并将这些特征与对应的刀具区域位置信息一同存储在数据库中；

对于筛选出的异常区域图像，采用与正常图像相同的特征提取算法，提取其特征向量；将异常区域图像的特征向量与正常图像数据库中对应刀具区域位置的特征向量进行匹配，利用欧几里得距离计算两者之间的相似度度量，通过公式：得到欧几里得距离d，式中和分别是异常区域图像和正常图像的第i个特征值，n是特征向量的维度；并以欧几里得距离d作为衡量相似度标准；

根据设定的相似度阈值，对计算得到的相似度进行评估，当相似度高于阈值，则认为该异常区域图像与正常图像较为相似，存在误判；当相似度低于阈值，则验证刀具确实存在异常情况；

自检机制过程如下：

通过对摄像头采集的图像数据进行综合评估，判断摄像头的状态是否正常，利用图像参数进行综合分析，图像参数包括：

图像梯度：利用Sobel算子计算图像的梯度幅值，梯度幅值越大，表示图像中边缘和细节越清晰，公式为：，和分别是水平和垂直方向的梯度，是图像，表示卷积运算；计算整幅图像的平均梯度幅值作为清晰度指标；

特征点匹配：使用特征点检测算法在连续多帧图像中检测特征点，并通过特征点匹配算法找到匹配的特征点对；对于匹配的特征点对，计算它们在不同帧之间的位移偏差；统计所有特征点位移偏差的均值和标准差，均值反映了图像整体的平移情况，标准差则体现了图像的抖动程度；

噪声评估：计算图像局部区域的灰度值标准差，然后取整幅图像的平均值作为噪声估计值，设定噪声阈值，根据噪声估计值与阈值的比较进行评分；

光照均匀性评估：计算图像的灰度直方图，统计不同灰度级的像素数量分布，计算灰度直方图的熵值，熵值越大，灰度分布越均匀；

将图像参数的值与对应的预设阈值进行比对，判断是否存在超过范围的情况，当存在超过范围的情况时，判断摄像头拍摄的图像数据存在异常，反之，则通过各个图像参数进行综合评估，具体的：

将图像参数评分按照预设权重进行加权求和，得到摄像头的综合评分，设定一个综合评分阈值，若综合评分高于该阈值，则判断摄像头处于正常状态；若低于阈值，则认为摄像头存在问题，需进一步检查或维修，同时，根据各项评分的具体情况，分析出摄像头存在的问题类型，包括：清晰度超过范围判定为镜头脏污或损坏，稳定性超过范围判定为摄像头是安装松动；

所述验证单元中对筛选出的异常区域图像进行质量检查的具体操作步骤如下：

通过不同的图质因素进行综合评估，图质因素包括：

像素完整性得分：计算图像中有效像素的比例；

边缘完整性评估：利用边缘检测算法检测图像边缘，然后计算边缘的连续性，具体的，将边缘图像划分为若干个小块，统计每个小块内边缘像素的连接情况；如果一个小块内边缘像素形成连续的曲线或线段，则该小块得分为1；否则得分为0；计算所有小块得分的平均值作为边缘完整性得分；

高频能量占比：对图像进行傅里叶变换，将图像从空域转换到频域，在频域中，高频部分对应图像的细节和边缘信息，计算高频能量占总能量的比例H，具体过程如下：先计算频域图像中高频区域的能量总数，再计算整个频域图像的能量总和，则；高频能量占比H越高，说明图像包含的细节信息越丰富；

信噪比：计算图像的信噪比；

为各图质因素分配对应的权重，通过加权求和的方法计算图像的综合质量评分，将得到综合质量评分与预设的质量评分阈值进行比对，若综合质量评分大于质量评分阈值，则判断图像质量满足要求，反之，则判断图像存在质量问题，进一步分析原因，包括检查传输线路、摄像头设备或图像采集环境；

预警单元，依据异常严重程度和类型，通过不同方式进行预警。

2.根据权利要求1所述的基于数据分析的盾构机运维管理系统，其特征在于，所述预警单元的执行过程如下：

当验证单元确定刀具出现异常后，预警单元立即启动；根据异常的严重程度和类型，采用不同的预警方式；

对于轻微异常，操作室显示屏预警：在盾构机操作室内的显示屏上弹出醒目的预警弹窗，弹窗以黄色背景显示，弹窗内容包括刀具编号、异常类型、磨损量具体数值、当前温度升高值、振动幅值偏差值详细信息，使操作人员了解刀具的异常情况；同时，在显示屏的主界面上以动态闪烁的图标标识出出现异常的刀具位置，图标旁边显示异常提示信息；

参数调整建议提示：根据异常情况分析结果，在显示屏上提供具体的掘进参数调整建议，调整建议以文字说明和动态图表相结合的方式呈现；每隔预设时间间隔，自动更新刀具状态数据；

对于中度异常，操作室声光警报启动：在盾构机操作室内触发声光警报，警报声采用间歇式蜂鸣声，灯光采用黄色闪烁灯；声光警报的持续时间为10-15秒，间隔5秒后再次触发；操作室内的显示屏在声光警报触发的同时，切换到全屏显示刀具异常具体信息页面，除了包含轻微异常时的所有信息外，还增加显示振动频率偏离值、磨损区域面积参数，以及当前异常状态持续的时间；

短信通知发送：自动向地面的值班技术人员和现场领班发送短信通知，短信内容包括盾构机编号、刀具异常位置、异常类型、异常程度量化指标以及当前建议采取的措施；短信发送采用优先级设置，优先级别高于工作通知，但低于紧急事故通知；每隔10分钟，自动发送一次更新后的刀具异常信息短信，直到异常情况得到解决或升级为重度异常；

对于重度异常，强烈声光警报：在盾构机操作室内启动强烈的声光警报，警报声为连续尖锐的高音，灯光采用红色闪烁强光，声光警报持续不断，直到操作人员手动确认收到警报或异常情况得到处理；同时，操作室内的所有非关键设备包括部分辅助照明、空调自动关闭，以集中电力供应关键系统；显示屏上显示红色警示标志和文字提示，同时以语音播报的方式重复播放相同内容；

多渠道紧急通知：立即向地面的工程管理人员、设备维修团队负责人以及相关专家发送紧急短信通知，短信内容描述刀具的重度异常情况，包括所有相关的量化数据和导致的后果，并要求相关人员迅速组织力量制定维修方案和应对措施；同时，通过电子邮件向上述人员发送详细的异常报告，报告以附件形式提供刀具异常的历史数据趋势图、图像分析结果；自动拨打预设的紧急联系电话，以语音播报的方式通知相关人员处理异常情况；

自动停机准备：向盾构机的控制系统发送指令，准备执行自动停机程序；在停机前，逐步降低盾构机的掘进速度至最低安全速度；同时调整刀盘转速至最低稳定转速；在停机过程中，持续监测刀具状态和盾构机的参数；一旦停机完成，锁定盾构机的部分操作功能，包括禁止重新启动掘进程序、限制刀盘转动，防止误操作。

3.根据权利要求2所述的基于数据分析的盾构机运维管理系统，其特征在于，预警单元中对刀具异常的严重程度评估过程如下：

获取经由数据处理与分析单元预处理后的参数，并进行初步分析，包括：

磨损量指标：

刀具剩余厚度测量：定期测量刀具的剩余厚度，设刀具初始厚度为G0，当前测量的剩余厚度为G1，则磨损量为G=G0-G1；

磨损面积计算：对于磨损形状不规则的刀具，通过图像分析技术计算磨损区域的面积，对刀具表面进行拍摄，获取高分辨率图像，利用图像处理算法识别磨损区域边界，然后计算磨损区域面积YG；

将得到磨损量G与磨损区域面积YG归一化处理后，分别以磨损量G与磨损区域面积YG作为直角三角形的两条直角边，连接剩余一条边长，建立直角三角形，计算该直角三角形的面积，并记为磨评值；

根据刀具材料和设计要求，设定不同磨评值区间；根据磨评值区间，判断磨损的严重等级；

振动特性参数：

振动幅值分析：通过刀具振动数据计算振动信号的幅值，采用预设时间段内振动幅值的平均值或峰值来衡量，通过与正常振动幅值的平均值或峰值计算偏差得到振偏值；

振动频率变化：对振动信号进行频谱分析，获取振动频率成分，通过振动频率成分计算振动频率偏离值，记为频偏值；

将得到的振偏值及频偏值归一化处理后，以频偏值作为底圆半径绘制底圆，振偏值为高建立圆锥体模型，计算该圆锥体模型的体积，并记为振衡值；根据振衡值预设若干个振衡值区间，预设的若干个振衡值区间分别对应设置不同的振动异常等级，通过振衡值判断振动的异常等级；

温度变化程度：

刀具温度升高值：通过安装在刀具附近的温度传感器测量刀具工作时的温度，同时记录环境温度，计算温度升高值；

温度变化速率：计算单位时间内刀具温度的变化速率；

将得到的温度升高值及温度变化速率分别标定为ws及wb，归一化处理后代入以下公式：以得到温估值ZO，式中为修正系数；以得到的温估值ZO作为衡量温度变化程度；将得到的得到温估值ZO与预设的若干个得到温估值区间比对，若干个得到温估值区间对应设置不同的温度异常等级，通过比对确定温度异常等级；

根据各项指标对刀具异常程度影响的重要性，为磨评值、振衡值和温估值分配权重，对于每个指标，根据其量化值与设定阈值的比较进行评分；再通过加权求和的计算方法计算综合异常程度评分，根据综合异常程度评分划分异常等级，具体分为轻微异常、中度异常及重度异常。

4.根据权利要求1所述的基于数据分析的盾构机运维管理系统，其特征在于，所述数据采集单元的具体操作步骤如下：

在盾构机的刀具部位安装多种传感器，包括压力传感器、振动传感器、温度传感器以及刀具位移传感器；

压力传感器用于检测刀具在切削岩土过程中所承受的切削力大小及变化情况；

振动传感器可捕捉刀具因磨损、碰撞产生的振动频率和振幅信息；

温度传感器监测刀具工作时的温度变化；

刀具位移传感器则能够测量刀具在不同方向上的位移量，以判断是否存在异常情况；

传感器将实时采集到的数据传输给数据传输单元。

5.根据权利要求1所述的基于数据分析的盾构机运维管理系统，其特征在于，所述数据传输单元的具体操作步骤如下：

采用有线和无线混合传输网络，确保数据能够从数据采集单元传输到数据处理与分析单元；在盾构机内部，利用有线网络连接传感器与数据传输节点，以保证数据传输的稳定性和抗干扰性；

而在盾构机与地面监控中心之间，则采用无线网络进行数据传输，实现数据的远程快速传输。

6.根据权利要求1所述的基于数据分析的盾构机运维管理系统，其特征在于，所述数据处理与分析单元的具体操作步骤如下：

接收来自数据传输单元的原始数据后，进行数据预处理，包括数据清洗、去噪、数据格式转换操作，以去除数据中的异常值和干扰因素；

运用数据分析算法对数据进行深入挖掘和特征提取；具体采用小波分析算法对振动数据进行时频分析，提取不同频率段的振动特征；利用主成分分析算法对多维度的传感器数据进行降维处理，提取关键特征向量，以减少数据处理的复杂度并突出刀具工作状态的特征信息。

7.根据权利要求1所述的基于数据分析的盾构机运维管理系统，其特征在于，所述异常检测单元的具体操作步骤如下：

基于数据处理与分析单元提取的特征数据，异常检测单元构建智能化的异常检测模型，具体采用深度学习算法，利用卷积神经网络与长短时记忆网络相结合的方式；卷积神经网络用于对数据的空间特征进行提取，识别传感器数据中的局部特征模式；长短时记忆网络则在处理时间序列数据方面能够学习到刀具工作状态随时间的变化规律，从而捕捉到刀具异常状态的发展趋势；

通过将已知刀具正常和异常工作状态的数据输入到模型中进行训练，使模型能够自动学习到刀具不同工作状态下的特征模式，并建立相应的判别标准；当接收到新的刀具数据时，模型判断刀具是否处于异常状态，并确定异常的类型，包括磨损、断裂、偏磨。