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！

龙图腾网获悉山东工商学院申请的专利一种隧道掘进机掘进过程中的岩性实时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：CN119274718B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202411783373.0，技术领域涉及：G16C60/00；该发明授权一种隧道掘进机掘进过程中的岩性实时预测方法是由郑彬彬;李龙设计研发完成，并于2024-12-06向国家知识产权局提交的专利申请。

本一种隧道掘进机掘进过程中的岩性实时预测方法在说明书摘要公布了：本发明涉及掘进机智能控制技术领域，尤其涉及一种隧道掘进机掘进过程中的岩性实时预测方法，包括：检测隧道掘进机掘进过程中的有效数据；将有效数据输入岩性预测模型中，获取输出的岩性预测结果；期间，根据特征块大小，将有效数据划分为至少一个特征块；根据设置的LSTM网络和混合注意力机制，获得特征块对应的时域注意力矩阵、频域注意力矩阵、频域特征和时域特征；基于时域注意力矩阵、频域注意力矩阵、频域特征和时域特征，获得岩性预测结果；进而根据岩性预测结果，判断下一掘进循环隧道掘进机的工作状态。其有益效果是，在TBM施工过程中实现实时岩性预测的同时，更细致地分析地址数据中的局部特征，从而提高对岩性变化的敏感性。

本发明授权一种隧道掘进机掘进过程中的岩性实时预测方法在权利要求书中公布了：1.一种隧道掘进机掘进过程中的岩性实时预测方法，其特征在于，包括： S11、实时检测隧道掘进机掘进过程中每一掘进循环对应的有效数据； S12、将获得的有效数据输入预先训练的岩性预测模型中，获取岩性预测模型输出的岩性预测结果； 期间，根据每一掘进循环对应的有效数据获得该有效数据对应的特征参数；所述特征参数包括批次大小、序列长度和特征维度； 根据获得的有效数据对应的序列长度和特征维度，以及预先设置的特征块大小和预先设置的公式一，将有效数据划分为至少一个特征块，每一特征块均具有其对应的序列长度和特征维度；所述公式一为： ； 其中，P为有效数据对应的特征块的数量，T为有效数据对应的序列长度，L为预先设置的特征块大小； 根据每一特征块对应的序列长度和特征维度，以及预先设置的公式二，将每一特征块进行重塑，获得每一特征块对应的时域信号；所述公式二为： Xtime=X[:,:P×L,:].viewB,P,L,D； 其中，Xtime为特征块对应的时域信号，B为有效数据对应的批次大小，D为特征块对应的特征维度，view为重塑函数，X[:,:P×L,:]为对有效数据进行切片操作； 根据获得每一特征块对应的时域信号，以及预先设置的公式三，获得每一特征块对应的频域信号；所述公式三为： Xfreq=ReFFTXtime,dim=2； 其中，Xfreq为特征块对应的频域信号，Re表示取复数的实数部分，FFT为快速傅里叶变换，dim=2表示在第二维度进行操作，Xtime为特征块对应的时域信号； 分别将每一特征块对应的频域信号和时域信号输入预先设置的LSTM网络，获得该特征块对应的频域特征和时域特征； 基于所有特征块对应的时域特征和频域特征，将每一特征块对应的时域特征和频域特征分别进行归一化处理； 根据每一特征块对应的时域特征、预先设置的混合注意力机制和预先设置的公式四，获得该特征块对应的时域注意力矩阵； 所述公式四为： Otime=α1·AttentiontimeQr,Kr,Vr+β1·AttentiontimeQc,Kc,Vc； 其中，Otime为特征块的时域特征对应的时域注意力矩阵，AttentiontimeQr,Kr,Vr为特征块的时域特征对应的多头卷积投影注意力机制输出矩阵，AttentiontimeQc,Kc,Vc为特征块时域特征对应的多头注意力机制输出矩阵，α1为预先设置的时域特征的多头卷积投影注意力权重，β1为预先设置的时域特征的多头注意力权重； 同时，根据每一特征块对应的频域特征、预先设置的混合注意力机制和预先设置的公式五，获得该特征块对应的频域注意力矩阵； 所述公式五为： Ofreq=α2·AttentionfreqQr,Kr,Vr+β2·AttentionfreqQc,Kc,Vc； 其中，Ofreq为特征块的频域特征对应的频域注意力矩阵，AttentionfreqQr,Kr,Vr为特征块的频域特征对应的多头卷积投影注意力机制输出矩阵；AttentionfreqQ,Kc,为特征块频域特征对应的多头注意力机制输出矩阵，α为预先设置的频域特征的多头卷积投影注意力权重，β为预先设置的频域特征的多头注意力权重；将每一特征块对应的时域注意力矩阵和频域注意力矩阵分别输入预先设置的第一全连接层，基于预先设置的公式六进行特征变换； 其中，Atime为特征块对应的时域注意力矩阵的变换结果，Wtime为预先设置的时域权重矩阵，Otime为特征块的时域特征对应的时域注意力矩阵；Afreq为特征块对应的频域注意力矩阵的变换结果，Wfreq为预先设置的频域权重矩阵，Ofreq为特征块的频域特征对应的频域注意力矩阵； 随后，基于预先设置的公式七，将每一特征块对应的时域注意力矩阵的变换结果与该特征块对应的时域特征进行残差连接，将每一特征块对应的频域注意力矩阵的变换结果与该特征块对应的频域特征进行残差连接；所述公式七为： 其中，Rtime为特征块在时域上的残差连接结果，Ltime为特征块对应的时域特征，Rfreq为特征块在频域上的残差连接结果，Lfreq为特征块对应的频域特征； 最后，基于预先设置的公式八，将每一特征块在频域上的残差连接结果和在时域上的残差连接结果进行特征拼接，获得每一特征块对应的融合特征；所述公式八为： C=concatRtime,Rfreq,dim=2； 其中C为特征块对应的融合特征，concat为拼接操作，dim=2为在第二特征维度操作； 根据每一特征块对应的融合特征和预先设置的注意力得分权重矩阵，以及预先设置的公式九，获得每一特征块对应的注意力分数矩阵；所述公式九为： S=CWscore； 其中，S为特征块对应的注意力分数矩阵，C为特征块对应的融合特征，Wscore为预先设置的注意力得分权重矩阵； 随后，通过预先设置的softmax函数对每一特征块对应的注意力分数矩阵进行归一化处理，生成每一特征块对应的注意力权重； 最后，根据每一特征块对应的注意力权重和融合特征，以及预先设置的公式十，获得有效数据对应的全局上下文向量；所述公式十为： ； 其中，A为特征块对应的注意力权重，c为有效数据对应的全局上下文向量，C为特征块对应的融合特征，i为特征块的索引，P为有效数据对应的特征块的数量； 根据有效数据对应的全局上下文向量，获得该有效数据对应的岩性预测结果； S13、根据该有效数据对应的岩性预测结果，用于判断下一掘进循环隧道掘进机的工作状态。

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山东工商学院，其通讯地址为：264600 山东省烟台市莱山区滨海中路191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。