为了提高传统机器学习模型在盾构推进参数方面的预测精度,提出了基于粒子群优化(PSO)的混合模型算法。以推进油缸推力和位置预测为例,阐述了PSO优化的混合模型构建流程。以粒子群优化模型为基础,分别建立混合多层感知机(MLP)油缸推力模型、混合长短期记忆(LSTM)人工神经网络油缸推力预测模型,以及混合LSTM油缸位置预测模型。以实际工程数据为例,完成多种混合预测模型的构建,并与RF、XGBoost等传统模型对比,验证所提方法和模型的有效性和先进性。实验表明经过PSO优化的模型准确率均有不同程度的提升,本文提出的基于粒子群优化模型对指导掘进参数调控、辅助操作人员掘进等具有一定的工程价值。

基于铣削加工过程中的电流、振动、声发射等信号,建立了基于皮尔逊相关系数(PCC)和长短期记忆人工神经网络(LSTM)的刀具磨损预测模型。模型充分利用PCC的降维优势以及LSTM的时间序列预测优势,实现刀具磨损预测精度与预测效率的协调统一。实验结果表明,该模型可以实现刀具磨损状态的快速、精确预测,对铣削加工质量的提升具有重要意义。