基于LSTM循环神经网络的盾构机故障预测系统设计

针对现有盾构机维护手段仍以定期维护和事后维护为主的问题,并结合如今流行的深度学习模型LSTM(Long-Short-Memory)循环神经网络,本文提出一种适用于盾构机的故障预测系统。系统采用分层结构,包括设备配置层,数据整合层,故障预测层及可视化层。通过整合盾构机实时的相关数据源数据,利用数据分析工具进行关键部件的特征参数选取,并以可视化的方式将系统的诊断结果显示在界面上。分层设计模式降低了系统耦合度,提高了预测系统的通用性。