基于图拉普拉斯正则化深度学习模型的TBM滚刀磨损预测方法OA

针对全断面隧道掘进机滚刀磨损监测中人工检测效率低、传感器监测可靠性差及标签数据稀缺等问题,提出了一种基于(graph Laplacian regularization,GLR)深度学习模型的预测方法。依托某高原隧道掘进工程,构建了数据高效预处理体系:通过掘进循环动态提取法精准识别并剔除非掘进段和空推段的数据,采用四分位法进行异常值剔除,并结合SG(Savitzky-Goloy)滤波降噪,提升了数据质量;融合GLR和深度学习技术,利用k-NN(k-nearest neighbor,k近邻)图构建数据流形结构,通过拉普拉斯矩阵约束相邻样本的预测平稳性,生成了高置信度伪标签扩充训练集,并分别结合长短期记忆网络(long short-term memory,LSTM)、深度神经网络(deep neural network,DNN)、卷积神经网络(convolutional neural network,CNN),构建了GLR-LSTM、GLR-DNN和GLRCNN等3种预测模型。实验结果表明,GLR-LSTM模型的预测性能最优,相较岭回归、支持向量机回归和梯度提升回归树等传统小样本机器学习方法,预测精度显著提高。该方法仅需TBM刀盘转矩、总推进力等运行参数即可实现滚刀实时磨损速率的精准预测,为减少开仓检测、优化维护决策提供了技术支撑。