买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中铁十四局集团大盾构工程有限公司;中铁十四局集团有限公司申请的专利一种基于LSTM深度学习模型的刀盘掌子面失稳预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120781177B 。

龙图腾网通过国家知识产权局官网在2026-04-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511285493.2，技术领域涉及：G06F18/241；该发明授权一种基于LSTM深度学习模型的刀盘掌子面失稳预测方法是由王华伟;刘四进;陈鹏;刘颂玉;史庆涛;李超;王军;何小辉;连鑫;付浩;刘一帆;马浴阳;刘鹏设计研发完成，并于2025-09-10向国家知识产权局提交的专利申请。

本一种基于LSTM深度学习模型的刀盘掌子面失稳预测方法在说明书摘要公布了：本发明公开了一种基于LSTM深度学习模型的刀盘掌子面失稳预测方法，属于隧道施工安全预警技术领域。该方法通过融合多源传感器数据采集、特征显著性分析、混合数据库架构和时序预测建模技术，构建了一套完整的盾构施工安全预警体系。系统采用结构化与文档式异构存储方式相结合的混合架构，建立了设备状态数据与时序特征数据的双通道处理机制，通过滑动窗口采样和标准化预处理实现数据的高效集成。基于LSTM深度学习模型的时间序列预测算法，结合特征重要性筛选机制，显著提升了刀盘掌子面失稳状态的预测精度和实时性。实验结果表明，本发明提出的方法能够有效捕捉盾构施工过程中的动态特征变化，为隧道工程安全施工提供了可靠的智能预警解决方案。

本发明授权一种基于LSTM深度学习模型的刀盘掌子面失稳预测方法在权利要求书中公布了：1.一种基于LSTM深度学习模型的刀盘掌子面失稳预测方法，其特征在于，包括以下步骤： 构建数据采集系统，按照预定采样频率获取不同传感器的状态数据得到多源异构数据；建立具有双重筛选机制的特征工程模型，利用特征工程模型从非故障状态数据和故障状态数据中筛选出七组关键特征参数；其中，所述特征工程模型为采用独立样本检验与效应量分析相结合的双重筛选机制，所述双重筛选机制为显著水平筛选和均值差异度筛选；所述七组关键特征参数包括：工作仓压力、齿轮油油气密封压力、主轴承HBW油脂压力、刀盘转矩、主驱动电机扭矩、主驱动电机速度和主驱动电机速度；所述七组关键特征参数的筛选过程如下： 对采集到的相关参数分别进行独立样本检验分析，计算各传感器的非故障状态数据和故障状态数据之间的显著性差异值，利用显著水平筛选筛选出可分析样本； 通过效应量分析对可分析样本进一步量化得到均值差异度值，利用均值差异度筛选进一步筛选得到七组关键特征参数； 设计混合数据库存储架构，兼顾状态元数据和时序特征对七组关键特征参数进行结构化存储得到维特征矩阵，为选取的时序记录数量；将所述维特征矩阵进行标准化处理得到标准化特征矩阵；所述混合数据库存储架构的设计过程包括： 基于状态元数据构建具有映射关系的结构化元数据存储模块，所述状态元数据包括：环号、推进速率和采集时间标识； 所述结构化元数据存储模块同时具有层级索引结构，所述层级索引结构是基于环号与采集时间标识建立而成； 构建时序文档存储模块，采用文档式存储结构对七组关键特征参数的时序特征进行嵌套存储；基于环号，在文档索引策略上引入散列均衡权重因子实现分布式负载均衡； 构建LSTM时序预测模型，将所述标准化特征矩阵作为输入，通过所述LSTM时序预测模型输出维预测概率向量，为时序记录N对应的刀盘掌子面失稳概率； 基于所述维预测概率向量计算得到异常结果占比值，根据所述异常结果占比值判定预警等级； 所述异常结果占比值的计算公式如下： ，式中，为异常结果占比值，，，为的指示函数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中铁十四局集团大盾构工程有限公司;中铁十四局集团有限公司，其通讯地址为：210000 江苏省南京市浦口区江浦街道新浦路120号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。