(19)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 202210929834.5 (22)申请日 2022.08.04 (71)申请人 西南交通大 学 地址 610000 四川省成 都市二环路北一段 111号 (72)发明人 徐进　张泽慧　 (74)专利代理 机构 成都智言知识产权代理有限 公司 51282 专利代理师 李勇 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于多源域迁移的装备参数预测与知 识转移方法 (57)摘要 本发明公开了一种基于多源域迁移的装备 参数预测与知识转移方法， 针对 单个装备或多个 装备在不同施工环境下获取的施工参数预测知 识如何有效转移的问题， 本发明中所提出的方法 框架可以有效地学习不同工程项目的施工知 识， 并可以根据多个源域和目标域的数据分布选择 适合迁移的源域。 通过多源域迁移学习同时学习 各种工况和地质条件下装备施工知识的共性和 差异性， 最终实现装备参数的精 准预测和预测知 识跨工程项目的有效转移。 权利要求书1页 说明书9页 附图5页 CN 115329853 A 2022.11.11 CN 115329853 A 1.一种基于多源域迁移的装备参数 预测与知识转移方法， 其特 征在于， 包括以下步骤： 步骤1： 对每 个候选源域建立 一个RC_LSTM模型， 得到 C个装备参数 预测模型； 步骤2： 分别使用C个装备参数预测模型预测目标域数据， 得到预测值， 并计算各装备参 数预测模型对目标域数据的预测值和真实值之间的拟合优度， 选择拟合优度符合条件的E 个装备参数 预测模型作为可迁移的源域模型； 步骤3： 通过特征融合对所选择的E个可迁移源域模型进行集成， 并用目标域数据对集 成后的模型进行整体微调， 获得最终的预测网络 。 2.根据权利要求1所述的一种基于多源域迁移 的装备参数预测与知识转移方法， 其特 征在于， 所述 步骤1中的RC_LSTM模型包括输入层、 卷积层、 LSTM层、 跳跃 连接和全连接层。 3.根据权利要求2所述的一种基于多源域迁移 的装备参数预测与知识转移方法， 其特 征在于， 所述 步骤2包括如下步骤： 步骤2.1： 基于步骤1所得到的装备参数预测模型， 对目标域数据进行预测， 得到目标域 数据的预测值； 步骤2.2： 计算目标域数据的预测值与真实值的拟合优度， 将拟合优度归一化后作为候 选源域数据和目标域数据的相似度判断值； 步骤2.3： 基于相似度判断值对候选源域进行降序排列， 选取前E个候选源域所对应的 装备参数 预测模型作为可迁移的源域模型。 4.根据权利要求1所述的一种基于多源域迁移 的装备参数预测与知识转移方法， 其特 征在于， 所述步骤3中的集成模型由输入层、 可迁移的源域模型、 特征差异加强模块和回归 层组成。 5.根据权利要求4所述的一种基于多源域迁移 的装备参数预测与知识转移方法， 其特 征在于， 所述 步骤3中的集成模型构建及微调训练过程包括如下步骤： 步骤3.1： 在集成模型的输入层中， 将E组 目标域数据样本输入到E个源域模型的特征提 取器进行高级可转移特 征值的提取； 步骤3.2： 在多个可迁移源域模型的特征提取器上进行特征差异加强， 实现多源域高级 特征融合， 得到集成模型； 步骤3.3： 在集成模型的网络后部， 连接回归层， 将融合后的高级特征映射到目标数据 的真实值上， 得到未微调的目标域预测网络， 并计算目标域预测网络的输出值预测损失； 步骤3.4： 使用目标域数据及梯度下降法对预测网络进行微调及参数更新， 获得最终的 预测网络 。 6.根据权利要求5所述的一种基于多源域迁移 的装备参数预测与知识转移方法， 其特 征在于， 所述 步骤3.2的特 征差异加强包括如下步骤： 步骤3.21： 针对步骤3.1的E个高级可转移特征， 计算其中每个高级可转移特征相较于 所有高级可转移特 征的均值的差异； 步骤3.22： 将差异和高级可转移特 征相加， 得到带有差异加强的高级特 征； 步骤3.23： 用全连接层降低特 征维度得到， 以进行后续的张量 堆叠； 步骤3.24： 将E个降维后的差异加 强的高级特征进行张量堆叠， 实现特征融合， 进而得 到集成模型。权　利　要　求　书 1/1 页 2 CN 115329853 A 2一种基于多源域迁移的装 备参数预测与知识转移 方法 技术领域 [0001]本发明属于计算技术领域， 具体涉及一种基于多源域迁移的装备参数预测与知识 转移方法。 背景技术 [0002]大型工程项目是现代化建设的重要组成部分， 对国家经济和社会发展起着十分重 要的作用。 工程项目中施工装备多样化、 专业化的发展趋势使装备操作运行知识越来越复 杂庞大。 通过装备的运行和状态构建装 备参数预测模型， 实现参数的提前预测， 有利于装备 的精准控制， 提高工程建成质量。 [0003]目前， 国内外在装备参数的分析预测方面的研究主要包括： 理论分析方法， 数值分 析方法和基于数据驱动的方法。 [0004](1)理论分析法根据装备自身或与环境之间的作用建立模型， 研究装备的运行行 为。 但装备运行时未知因素较多并难以从理论上描述， 传统的基于理论模型 的方法难以在 施工现场直接应用。 [0005](2)数值分析法基于工程经验、 现场测量和施工历史数据对装备参数进行统计分 析和预测。 基于数值模拟分析 的研究较多集中在二元参数 的分析， 往往忽略了装备状态和 运行参数之间的相关性。 [0006](3)数据驱动方法主要使用机器学习和深度学习， 挖掘装备状态和运行参数之间 的关系， 实现装备参数 的预测。 但是现有研究没有考虑在工程施工初期只有少量训练数据 的情况下， 如何保证预测模型的效果。 [0007]理论分析法和数值分析法为装备参数的控制提供了一定的理论依据， 但这些研究 对装备参数 的预测能力是有限的。 在 复杂多变的施工环境下， 装备施工参数和运行状态之 间的关系无法通过简单或 固定的数学表达式进行描述。 而基于数据驱动的预测模型几乎仅 使用当前施工项目的大量施工数据训练， 缺乏考虑通过迁移学习引入其它相关工程项目的 有用信息和知识。 特别是， 没有考虑工程项目之间的相关关系。 此外， 现有迁移学习的研究 关注在域不变特征表示的学习 上， 通过迁移相对一般的特征， 辅助目标域执行不同的学习 任务。 较少有研究考虑如何同时在多源域迁移过程中捕捉多个域之间的共性和特异性。 当 源域数据来自多个分布时， 统一进 行域不变特征学习是不理想的。 特别是在工程项目中， 不 同的数据分布可能代表着地质情况和工况 的差异， 过度强调一般特征会忽视域特殊特征， 而这些域特殊特 征可能是与目标域密切相关并有利于目标域模型性能的提升 。 [0008]经对现有的专利文献的检索发现： [0009]申请专利号为： CN202210083233.7， 专利名称 为： 一种基于卷积神经网络和知识迁 移的信号分类识别方法， 该专利采用卷积神经网络提取雷达信号特征， 并利用迁移学习技 术提升卷积神经网络的训练速率和预测精度。 [0010]申请专利号为： CN202210177982.6， 专利名称 为： 基于知识迁移的模糊推理系统小 样本缺陷检测方法及装置， 该专利提出了一种针对知识迁移的模糊推理系统， 通过迁移知说　明　书 1/9 页 3 CN 115329853 A 3