(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111451855.2 (22)申请日 2021.12.01 (71)申请人 天津大学 地址 300000 天津市南 开区卫津路9 2号 (72)发明人 张茜　王杰文　刘尚林　侯少晗　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 代理人 赵兴华 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/14(2020.01) (54)发明名称 一种基于神经网络模型微调的刀盘扭矩预 测方法及系统 (57)摘要 本发明涉及一种基于神经网络模型微调的 刀盘扭矩预测方法及系统， 方法包括： 根据装备 运行状态 参数建立已掘进环段的原始数据集； 根 据原始数据集和预设的神经网络模型确定已掘 进环段的刀盘扭矩预测模型； 根据装 备运行状态 参数确定新掘进环段的原始数据集， 并根据新掘 进环段的原始数据集确定新掘进环段预处理后 的数据集； 根据新掘进环段预处理后的数据集对 已掘进环段的刀盘扭矩的神经网络预测模型进 行微调。 本发 明基于神经网络模 型微调的方法通 过冻结已有模型的部分参数的形式将已生成的 刀盘扭矩预测模型在实时记录的新掘进环段预 处理后的数据上进行微调， 能够 有效避免新掘进 环段上刀盘扭矩预测模型性能下降的问题。 权利要求书2页 说明书8页 附图3页 CN 114036696 A 2022.02.11 CN 114036696 A 1.一种基于神经网络模型微调的刀盘扭矩预测方法， 其特 征在于， 包括： 根据机载系统记录的装备运行状态参数建立已掘进环段的原 始数据集； 根据所述已掘进环段的原始数据集和预设的神经网络模型确定已掘进环段的刀盘扭 矩预测模型； 根据所述装备运行状态参数确定新掘进环段的原始数据集， 并根据所述新掘进环段的 原始数据集确定新掘进环段 预处理后的数据集； 根据所述新掘进环段预处理后的数据集对所述已掘进环段的刀盘扭矩的神经网络预 测模型进行微调。 2.根据权利要求1所述的基于神经网络模型微调的刀盘扭矩预测方法， 其特征在于， 所 述根据所述已掘进环段 的原始数据集和预设的神经网络模型确定已掘进环段 的刀盘扭矩 预测模型， 包括： 对所述已掘进环段的原 始数据集进行 数据预处 理， 得到预处 理后的数据集； 对所述预处理后的数据集进行刀 盘扭矩和机载参数的皮尔森相关性分析， 得到输入特 征； 根据所述预处 理后的数据集和所述输入特 征确定训练集和 测试集； 根据所述训练集和所述测试集对所述预设的神经网络模型进行训练和测试， 得到所述 已掘进环段的刀盘扭矩预测模型。 3.根据权利要求2所述的基于神经网络模型微调的刀盘扭矩预测方法， 其特征在于， 所 述对所述已掘进环段的原 始数据集进行 数据预处 理， 得到预处 理后的数据集， 包括： 剔除所述已掘进环段的原 始数据集中的非掘进数据， 得到剔除后的数据集； 对所述剔除后的数据集进行归一 化处理， 得到所述预处 理后的数据集。 4.根据权利要求2所述的基于神经网络模型微调的刀盘扭矩预测方法， 其特征在于， 所 述对所述预处理后的数据集进行刀盘扭矩和机载参数的皮尔森相关性分析， 得到输入特 征， 包括： 计算所述预处 理后的数据集中数据的皮尔森相关系数； 对数据的皮尔森相关系数由大到小进行排序， 选择所述皮尔森相关系数最大的前八个 参量作为所述输入特征； 所述输入特征包括刀盘旋转速度、 高压变压器二次电流、 螺旋机压 力、 螺旋机刀盘扭矩、 推进压力、 平均土 压力、 排土量和螺 旋机回转速度。 5.根据权利要求2所述的基于神经网络模型微调的刀盘扭矩预测方法， 其特征在于， 所 述根据所述训练集和所述测试集对所述预设的神经网络模型进行训练和测试， 得到所述已 掘进环段的刀盘扭矩预测模型， 包括： 基于所述训练集， 利用所述预设的神经网络模型确定第一预测模型； 根据所述测试集对所述第 一预测模型进行测试， 得到测试好的所述已掘进环段的刀盘 扭矩预测模型； 所述已掘进环段 的刀盘扭矩预测模型 的输入为所述输入特征； 所述已掘进 环段的刀盘扭矩预测模型的输出为所述刀盘扭矩。 6.根据权利要求5所述的基于神经网络模型微调的刀盘扭矩预测方法， 其特征在于， 所 述预设的神经网络模型为基于误差反向传播 算法的四层神经网络 。 7.根据权利要求6所述的基于神经网络模型微调的刀盘扭矩预测方法， 其特征在于， 所 述误差反向传播 算法的步骤 包括：权　利　要　求　书 1/2 页 2 CN 114036696 A 2在建立所述已掘进环段的刀盘扭矩预测模型时， 先随机初始化神经网络模型的权重系 数， 然后根据所述的训练集训练神经网络模型得到所述已掘进环段的刀盘扭矩预测模型的 权重系数； 当生成新掘进环段的载荷预测模型时， 在新掘进环段 的数据集上加载已掘进环 段训练完成的所述已掘进环段的刀盘扭矩预测模型及其权重系数； 所述权重系数为刀盘扭 矩预测模型中待微调的参数； 将所述已掘进环段的刀盘扭矩预测模型的训练集中的输入数据沿所述已掘进环段的 刀盘扭矩预测模型模型向前传播， 得到预测值； 利用均方误差函数计算所述预测值与真实值之间的误差值； 利用梯度下降算法 反向传播更新所述权 重系数， 直至所述 误差值收敛。 8.根据权利要求7所述的基于神经网络模型微调的刀盘扭矩预测方法， 其特征在于， 所 述根据所述新掘进环段预处理后的数据集对所述已掘进环段 的刀盘扭矩的神经网络预测 模型进行微调， 包括： 基于神经网络模型微调的方法冻结所述已掘进环段的刀盘扭矩预测模型的第一层网 络和第二层网络的权 重参数； 激活所述已掘进环段刀盘扭矩预测模型的第三层网络和第四层网络的权 重系数； 结合所述预处理后的数据集微调所述第 三层网络和所述第四层网络的权重系数， 以生 成适用于新掘进环段的刀盘扭矩预测模型。 9.一种基于神经网络模型微调的刀盘扭矩预测系统， 其特 征在于， 包括： 数据获取模块， 用于根据机载系统记录的装备运行状态参数建立已掘进环段的原始数 据集； 模型建立模块， 用于根据所述已掘进环段的原始数据集和预设的神经网络模型确定已 掘进环段的刀盘扭矩预测模型； 样本数据确定模块， 用于根据所述装备运行状态参数确定新掘进环段的原始数据集， 并根据所述 新掘进环段的原 始数据集确定新掘进环段 预处理后的数据集； 微调模块， 用于根据 所述新掘进环段预处理后的数据集对所述已掘进环段的刀 盘扭矩 的神经网络预测模型进行微调。 10.根据权利要求9所述的基于神经网络模型微调的刀盘扭矩预测系统， 其特征在于， 所述模型建立模块具体包括： 预处理单元， 用于对所述已掘进环段的原始数据集进行数据预处理， 得到预处理后的 数据集； 分析单元， 用于对所述预处理后的数据集进行刀盘扭矩和机载参数的皮尔森相关性分 析， 得到输入特征； 数据集确定单元， 用于根据 所述预处理后的数据集和所述输入特征确定训练集和测试 集； 模型构建单元， 用于根据所述训练集和所述测试集对所述预设的神经网络模型进行训 练和测试， 得到所述已掘进环段的刀盘扭矩预测模型。权　利　要　求　书 2/2 页 3 CN 114036696 A 3