公开(公告)号：CN112966355A

公开(公告)日：2021-06-15

申请号：CN202110339632.0

申请日：2021-03-30

Applicant: 西安电子科技大学

Inventor： 刘尧 ,  叶礼伦 ,  刘振国 ,  赵寄辰 ,  孔宪光

IPC: G06F30/17 ,  G06F30/27 ,  G06F119/04

Abstract: 本发明公开了一种基于深度学习的盾构机刀具剩余使用寿命预测方法，旨在解决剩余使用寿命预测的准确性问题，该方法实现的步骤为：1、构建卷积神经网络；2、构建长短时记忆网络；3、生成盾构机刀具全生命周期的数据集；4、利用主成分分析法对数据集进行降维处理；5、生成盾构机刀具全生命周期的标签数据集；6、生成训练集；7、训练卷积神经网络；8、预测盾构机刀具的健康指标；9、生成健康指标序列数据集；10、训练长短时记忆网络；11、预测盾构机刀具剩余使用寿命。本发明具有在复杂工况下盾构机刀具剩余使用寿命预测准确性高的优点。

公开(公告)号：CN110119551B

公开(公告)日：2022-12-06

申请号：CN201910353374.4

申请日：2019-04-29

Applicant: 西安电子科技大学

Inventor： 刘尧 ,  孔宪光 ,  刘振国 ,  赵寄辰 ,  陈改革 ,  叶礼伦

IPC: G06F30/20 ,  G06F30/17

Abstract: 提供了一种机器学习的盾构机刀具磨损退化关联特征分析方法，用于解决现有技术中存在的适用范围较窄的技术问题，同时提高对刀具健康状态监测和寿命预测的准确率，实现步骤包括：获取微风化地层下的原始特征数据集data3；获取数据资源集Data；构建LightGBM特征排序模型；获取重要特征子集Fea；对重要特征子集Fea进行离散化；对离散化的重要特征子集data_lsh进行关联规则挖掘；获取盾构机刀具磨损退化关联特征。本发明充分考虑所有采集的数据对盾构机刀具磨损的影响，适用范围广且准确率高。

公开(公告)号：CN112966355B

公开(公告)日：2023-01-06

申请号：CN202110339632.0

申请日：2021-03-30

Applicant: 西安电子科技大学

Inventor： 刘尧 ,  叶礼伦 ,  刘振国 ,  赵寄辰 ,  孔宪光

IPC: G06F30/17 ,  G06F30/27 ,  G06F119/04

Abstract: 本发明公开了一种基于深度学习的盾构机刀具剩余使用寿命预测方法，旨在解决剩余使用寿命预测的准确性问题，该方法实现的步骤为：1、构建卷积神经网络；2、构建长短时记忆网络；3、生成盾构机刀具全生命周期的数据集；4、利用主成分分析法对数据集进行降维处理；5、生成盾构机刀具全生命周期的标签数据集；6、生成训练集；7、训练卷积神经网络；8、预测盾构机刀具的健康指标；9、生成健康指标序列数据集；10、训练长短时记忆网络；11、预测盾构机刀具剩余使用寿命。本发明具有在复杂工况下盾构机刀具剩余使用寿命预测准确性高的优点。

公开(公告)号：CN113033102B

公开(公告)日：2023-04-07

申请号：CN202110339625.0

申请日：2021-03-30

Applicant: 西安电子科技大学

Inventor： 刘尧 ,  刘振国 ,  叶礼伦 ,  赵寄辰 ,  孔宪光

IPC: G06F30/27 ,  G06N3/0499 ,  G06N3/088

Abstract: 本发明公开了一种基于无监督学习的复杂地层下盾构机刀盘健康评估方法，旨在提高健康评估的准确性与稳定性，实现步骤为：1、生成刀具完整退化区间的数据集；2、对数据集进行降采样；3、生成状态时域特征集；4、生成工况时域特征集；5、计算状态时域特征集的关联度矩阵；6、计算状态时域特征集的单调性矩阵和趋势性矩阵；7、筛选状态时域特征，组成数据资源集；8、构建自组织映射网络；9、用数据资源集前10％数据训练自组织映射模型；10、对数据资源集进行健康评估。本发明具有盾构机刀盘健康状态评估准确率高，结果稳定的优点。

公开(公告)号：CN113033102A

公开(公告)日：2021-06-25

申请号：CN202110339625.0

申请日：2021-03-30

Applicant: 西安电子科技大学

Inventor： 刘尧 ,  刘振国 ,  叶礼伦 ,  赵寄辰 ,  孔宪光

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06Q10/06

Abstract: 本发明公开了一种基于无监督学习的复杂地层下盾构机刀盘健康评估方法，旨在提高健康评估的准确性与稳定性，实现步骤为：1、生成刀具完整退化区间的数据集；2、对数据集进行降采样；3、生成状态时域特征集；4、生成工况时域特征集；5、计算状态时域特征集的关联度矩阵；6、计算状态时域特征集的单调性矩阵和趋势性矩阵；7、筛选状态时域特征，组成数据资源集；8、构建自组织映射网络；9、用数据资源集前10％数据训练自组织映射模型；10、对数据资源集进行健康评估。本发明具有盾构机刀盘健康状态评估准确率高，结果稳定的优点。

公开(公告)号：CN110119551A

公开(公告)日：2019-08-13

申请号：CN201910353374.4

申请日：2019-04-29

Applicant: 西安电子科技大学

Inventor： 刘尧 ,  孔宪光 ,  刘振国 ,  赵寄辰 ,  陈改革 ,  叶礼伦

IPC: G06F17/50

Abstract: 提供了一种机器学习的盾构机刀具磨损退化关联特征分析方法，用于解决现有技术中存在的适用范围较窄的技术问题，同时提高对刀具健康状态监测和寿命预测的准确率，实现步骤包括：获取微风化地层下的原始特征数据集data3；获取数据资源集Data；构建LightGBM特征排序模型；获取重要特征子集Fea；对重要特征子集Fea进行离散化；对离散化的重要特征子集data_lsh进行关联规则挖掘；获取盾构机刀具磨损退化关联特征。本发明充分考虑所有采集的数据对盾构机刀具磨损的影响，适用范围广且准确率高。