CN106401597A - 一种适用于盾构机的失效预测与诊断控制方法 - Google Patents
一种适用于盾构机的失效预测与诊断控制方法 Download PDFInfo
- Publication number
- CN106401597A CN106401597A CN201610972597.5A CN201610972597A CN106401597A CN 106401597 A CN106401597 A CN 106401597A CN 201610972597 A CN201610972597 A CN 201610972597A CN 106401597 A CN106401597 A CN 106401597A
- Authority
- CN
- China
- Prior art keywords
- failure
- shield machine
- door
- control method
- diagnosis control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000005641 tunneling Effects 0.000 title abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 18
- 230000003068 static effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000012954 risk control Methods 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 2
- 230000001131 transforming effect Effects 0.000 abstract 1
- 230000003993 interaction Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005183 dynamical system Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/003—Arrangement of measuring or indicating devices for use during driving of tunnels, e.g. for guiding machines
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种适用于盾构机的失效预测与诊断控制方法,其包括以下步骤:(1)分析盾构机的失效机理;(2)建立盾构机的失效故障树模型,同时确定各个系统构件之间的失效逻辑关系;(3)根据建立的失效故障树模型,将故障门向离散时间贝叶斯网络转化以得到与失效故障树模型相对应的盾构机失效的离散贝叶斯网络;(4)采用贝叶斯网络的正向推理技术及后验概率对盾构机进行失效预测及风险诊断控制。
Description
技术领域
本发明属于隧道挖掘设备相关技术领域,更具体地,涉及一种适用于盾构机的失效预测与诊断控制方法。
背景技术
近些年,地铁工程建设在国内发展迅速。由于地铁工程施工环境复杂多变等原因,施工过程中安全事故频发,而由于盾构机失效引起的事故几乎占了一半。为了避免施工安全事故造成严重的人员伤亡和财产损失,国内外工程人员逐渐重视盾构机掘进失效风险管理,基于定性或者定量评价方法识别盾构机掘进过程中潜在风险。目前主要采用故障树分析方法对发生可能性较大的风险及早应对防范。
故障树分为两种类型,分别是静态故障树和动态故障树。静态故障树的优点是能够考虑多个风险事件之间的相互作用关系,分析多个风险事件共同作用下的系统失效概率;其缺点是不能反映风险事件失效的先后时间关系,不适应于动态系统的风险演化分析与预测。动态故障树综合了静态故障树的优点,同时还引入动态门表征风险事件失效的先后时间关系,进而适用于动态系统的风险演化分析与预测。但是,动态故障树仍然存在以下缺点:1.计算工作量大,易引起状态组合爆炸问题,这是因为现有的动态故障树的求解是基于Markov(马尔科夫)链的,存在组合爆炸的缺陷,难以应用于大型时序系统;2.在系统的一定失效模式下,动态故障树不能进行风险诊断分析,难以判别导致风险事件发生的风险诱因。地铁隧道施工是持续的动态系统过程,很多工序、技术具有时序性,危险源和危险程度处于动态变化之中,面临的风险事件随着事件的推移不断变化。相应地,本领域存在着研究地铁隧道盾构机掘进全过程失效快速预测与风险实时诊断的技术需求。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种适用于盾构机的失效预测与诊断控制方法,其基于贝叶斯网络及故障树分析,针对盾构机的失效预测及诊断控制方法进行了设计。所述失效预测与诊断控制方法利用离散时间贝叶斯网络的推力能力来对盾构机进行失效预测与诊断控制,分析结果可用于指导盾构机掘进的失效诊断和预测,且能够有效地提高盾构机掘进的可靠性,具有实用性和可靠性;盾构机失效的离散时间贝叶斯网络能够从历史数据和当时已构建并被认可的动态故障树模型中学习风险事件在时间轴上的复杂交互作用,具有自学习机制,有利于满足未来盾构机安全智能化管理的需要,且能够对盾构机实时诊断,提高了预测和诊断的准确性及效率。
为实现上述目的,本发明提供了一种适用于盾构机的失效预测与诊断控制方法,其包括以下步骤:
(1)结合历史数据及专家经验知识分析盾构机失效机理,识别盾构机失效的影响因素与目标变量之间的因果关系及影响因素之间的时间先后作用关系;
(2)结合故障门及基本事件的先验概率分布,建立盾构机的失效故障树模型,同时确定各个系统构件之间的失效逻辑关系;
(3)根据建立的失效故障树模型,将故障门向离散时间贝叶斯网络转化以得到与失效故障树模型相对应的盾构机失效的离散贝叶斯网络;
(4)基于基本事件失效的时间先后顺序及影响因素的耦合作用,采用贝叶斯网络的正向推理技术及后验概率对盾构机进行失效预测及风险诊断控制。
进一步的,盾构机失效机理的分析包括以下步骤:
(11)通过历史数据、标准规范及专家咨询获得所述盾构机开挖失效的知识资源;
(12)基于所述知识资源,识别反映系统条件、工作流程及绩效状态的影响因素;
(13)基于所述目标变量的失效情景模式分析,揭示所述影响因素与所述目标变量之间的因果关系及所述影响因素之间的时间先后作用关系。
进一步的,所述失效故障树模型的建立包括所述故障门的建立及所述基本事件在时间轴上的失效概率设定;所述故障门用于表征所述影响因素与所述目标变量之间的因果关系或者所述影响因素变量之间的时间先后作用关系。
进一步的,所述故障门包括动态逻辑门及静态逻辑门,所述静态逻辑门包括与门及或门;所述动态逻辑门包括优先与门、顺序相关门、备件门及功能相关门。
进一步的,所述基本事件的失效概率采用先验概率表示。
进一步的,所述故障门向离散时间贝叶斯网络的转化包括所述故障门转化为贝叶斯网络的拓扑结构及所述故障门向离散时间贝叶斯网络条件概率表的转换。
进一步的,通过所述基本事件在时间轴的某个区间的失效概率,计算所述盾构机掘进失效的三个指标,所述三个指标分别表征所述系统构件失效程度大小与失效的先后关系。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的适用于盾构机的失效预测与诊断控制方法,其利用离散时间贝叶斯网络的推力能力来对盾构机进行失效预测与诊断控制,分析结果可用于指导盾构机掘进的失效诊断和预测,且能够有效地提高盾构机掘进的可靠性,具有实用性和可靠性;盾构机失效的离散时间贝叶斯网络能够从历史数据和当时已构建并被认可的动态故障树模型中学习风险事件在时间轴上的复杂交互作用,具有自学习机制,有利于满足未来盾构机安全智能化管理的需要,且能够对盾构机实时诊断,提高了预测和诊断的准确性及效率。
附图说明
图1是本发明较佳实施方式提供的适用于盾构机的失效预测与诊断控制方法的流程图。
图2是图1中的失效预测与诊断控制方法涉及的动态门转化为离散贝叶斯网络的拓扑结构的示意图。
图3是图1中的失效预测与诊断控制方法涉及的基本事件时间轴的区间划分示意图。
图4是图1中的失效预测与诊断控制方法涉及的盾构机失效动态故障树的示意图。
图5是图1中的失效预测与诊断控制方法涉及的盾构机的失效离散时间贝叶斯网络的示意图。
图6是图1中的失效预测与诊断控制方法涉及的盾构机的失效概率预测结果图。
图7是图1中的失效预测与诊断控制方法涉及的盾构机的失效诊断结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1至图4,本发明较佳实施方式提供的适用于盾构机的失效预测与诊断控制方法,其将离散时间贝叶斯网络与故障树分析方法相结合,利用离散时间贝叶斯网络的正向与反向推理能力,进行盾构机掘进失效预测与诊断分析,分析结果可用于指导盾构机掘进的失效诊断和预测,且能够有效地提高盾构机掘进的可靠性,具有实用性和可靠性。
本实施方式中,适用于盾构机的失效预测与诊断控制方法包括以下步骤:
步骤一,结合历史数据及专家经验知识分析盾构机失效机理,识别盾构机失效的影响因素与目标变量之间的因果关系及影响因素之间的时间先后作用关系。具体地,盾构机开挖失效主要表现为盾构刀盘失效,故盾构机失效机理分析以盾构刀盘进行失效机理分析。通过大量历史数据分析与专家经验调研分析,明确所述盾构刀盘失效的关键致险因素。
盾构刀盘失效机理的分析包括以下步骤:(1)通过历史数据、标准规范、专家咨询等方式获得盾构机开挖失效的相关知识资源;(2)基于相关知识资源,识别能够反映系统条件、工作流程和绩效状态的相关影响因素;(3)基于目标变量的可能失效情景模式分析,揭示影响因素与目标变量之间的因果关系及影响因素之间的时间先后作用关系。
经过上述分析可知,盾构刀盘失效主要原因有以下三种:1.面板失效,其主要包括刀盘故障、边缘滚刀配制不合理等内部因素、混合地质条件、未探明的土质等外部地质条件;2.刀具失效,其主要包括刀具工作失效、准备刀具不足、刀具故障、轴向荷载系统故障等原因;3.转轴和其他元件失效,如轴向荷载系统故障、密封件故障、旋转接头故障等。
步骤二,结合故障门及基本事件的先验概率分布,建立盾构机的失效故障树模型,同时确定各个构件之间的失效逻辑关系。具体地,所述失效故障树模型的建立主要包括两部分,分别为故障门的建立及基本事件在时间轴上的失效概率设定。故障门用于表征影响因素与目标变量之间的因果关系或者影响因素变量之间的时间先后作用关系。故障门又包含动态逻辑门和静态逻辑门两种类型,所述静态逻辑门包括与门(AND)及或门(OR),所述动态逻辑门包括优先与门(PAND)、顺序相关门(SEQ)、备件门(CSP)及功能相关门(FDEP)。
基本事件在时间轴上的失效概率设定时,将整个时间轴[0,T]划分成n个子区间(如图3所示),假定事件A在第i个区间失效,其概率P(A=i)用先验概率表示,可通过公式(1)计算获得,最终构建得到的盾构机失效故障树模型如图4所示。基本事件在时间轴上的先验概率如表1所示。
其中,fA(t)为反映所述基本事件的失效概率分布的函数,△为区间长度;λa为常量。
表1盾构机失效故障树基本事件失效概率设定
步骤三,根据建立的失效故障树模型,将故障门向离散时间贝叶斯网络转化以得到与失效故障树模型相对应的盾构机失效的离散时间贝叶斯网络。请参阅图5至图7,具体地,将失效故障树模型向离散时间贝叶斯网络转化主要包括两部分,这两部分分别为所述故障门转化为贝叶斯网络的拓扑结构及所述故障门向离散时间贝叶斯网络条件概率表的转换。
本实施方式采用一系列公式给出了优先与门(PAND)、顺序相关门(SEQ)、备件门(CSP)和功能相关门(FDEP)等动态逻辑门转化为相应条件概率表的规则。其中,式(2)给出了优先与门(PAND)向条件概率表的转化规则,式(3)~(4)给出了顺序相关门(SEQ)向条件概率表的转化规则,式(5)~(6)给出了备件门(CSP)向条件概率表的转化规则,式(7)~(8)给出了功能相关门(FDEP)向条件概率表的转化规则。
其中,j表示第j个区间,即区间数;k类似j,其为区间数。
步骤四,基于基本事件失效的时间先后顺序及影响因素的耦合作用,采用贝叶斯网络的正向推理技术及后验概率对盾构机进行失效预测及风险诊断控制。具体地,采用贝叶斯网络的正向推理技术对所述盾构机进行失效预测,通过基本事件在某个区间的失效概率计算总的失效概率,其计算公式如式(9)所示:
式中,P(R=[(i-1)Δ,iΔ)|X1=x1,X2=x2,…,Xj=xj,…,XJ=xJ)表示已知基本事件Xj(1≤j≤J)在时间轴上某个区间失效的条件下,事件R在区间[(i-1)Δ,iΔ)失效的概率;P(R=[(i-1)Δ,iΔ),X1=x1,X2=x2,...,Xj=xj,…,XJ=xJ)表示事件R在区间[(i-1)Δ,iΔ)失效与基本事件在时间轴上某个区间失效的联合概率;P(X1=x1,X2=x2,...,Xj=xj,…,XJ=xJ)表示基本事件Xj在时间轴上某个区间失效的联合概率,xj∈{[0,Δ),[Δ,2Δ),......,[(n-1)Δ,T)},其为时间轴上的时间点。
本实施方式中,通过基本事件在某个区间的失效概率,计算盾构机掘进失效的平均时间(MTTF)、T10及T20这三个指标,MTTF反映了盾构机平均失效时间,用来预测盾构机持续工作的时间。T10反映了系统构件在不进行维护的情况下总的失效概率达到10%的时间点,用于表征系统构件适合进行小修的最佳时间点,即最佳小修时间点。T20反映了系统构件在不进行维修的前提下总的失效概率达到20%的时间点,用于表征系统构件适合进行正常维修的最佳时间点,即最佳正常维修时间点,便于施工人员在事前阶段界定事故发生的可能,进而及早采取有效措施,避免事故的产生。这三个指标可分别通过式(10)~(12)计算得到,表2给出了主要构件出现不同失效模式的时间点。
表2系统及其主要构件出现不同失效模式下的时间点
系统构件 | T10 | T20 | MTTF |
TF | 694 | 1064 | 2633 |
CDF | 1506 | 2380 | 7883 |
CTF | 981 | 1541 | 4687 |
BSF | 1700 | 2815 | 10238 |
本实施方式中,通过后验概率可以在较短的时间内检测出事故,方便工程进行实时诊断控制。所述离散时间贝叶斯网路能够实时更新观察时间的概率,以获取后验概率。同时,通过MTTF将所述后验概率归整为某一具体值,反映系统构件失效的先后顺序。表3给出了不同情境下基本事件先验概率与后验概率的MTTF值。
表3不同情境下基本事件先验概率与后验概率的MTTF值
本发明提供的适用于盾构机的失效预测与诊断控制方法,其利用离散时间贝叶斯网络的推力能力来对盾构机进行失效预测与诊断控制,分析结果可用于指导盾构机掘进的失效诊断和预测,且能够有效地提高盾构机掘进的可靠性,具有实用性和可靠性;盾构机失效的离散时间贝叶斯网络能够从历史数据和当时已构建并被认可的动态故障树模型中学习风险事件在时间轴上的复杂交互作用,具有自学习机制,有利于满足未来盾构机安全智能化管理的需要,且能够对盾构机实时诊断,提高了预测和诊断的准确性及效率。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种适用于盾构机的失效预测与诊断控制方法,其包括以下步骤:
(1)结合历史数据及专家经验知识分析盾构机失效机理,识别盾构机失效的影响因素与目标变量之间的因果关系及影响因素之间的时间先后作用关系;
(2)结合故障门及基本事件的先验概率分布,建立盾构机的失效故障树模型,同时确定各个系统构件之间的失效逻辑关系;
(3)根据建立的失效故障树模型,将故障门向离散时间贝叶斯网络转化以得到与失效故障树模型相对应的盾构机失效的离散贝叶斯网络;
(4)基于基本事件失效的时间先后顺序及影响因素的耦合作用,采用贝叶斯网络的正向推理技术及后验概率对盾构机进行失效预测及风险诊断控制。
2.如权利要求1所述的适用于盾构机的失效预测与诊断控制方法,其特征在于:盾构机失效机理的分析包括以下步骤:
(11)通过历史数据、标准规范及专家咨询获得所述盾构机开挖失效的知识资源;
(12)基于所述知识资源,识别反映系统条件、工作流程及绩效状态的影响因素;
(13)基于所述目标变量的失效情景模式分析,揭示所述影响因素与所述目标变量之间的因果关系及所述影响因素之间的时间先后作用关系。
3.如权利要求1所述的适用于盾构机的失效预测与诊断控制方法,其特征在于:所述失效故障树模型的建立包括所述故障门的建立及所述基本事件在时间轴上的失效概率设定;所述故障门用于表征所述影响因素与所述目标变量之间的因果关系或者所述影响因素变量之间的时间先后作用关系。
4.如权利要求3所述的适用于盾构机的失效预测与诊断控制方法,其特征在于:所述故障门包括动态逻辑门及静态逻辑门,所述静态逻辑门包括与门及或门;所述动态逻辑门包括优先与门、顺序相关门、备件门及功能相关门。
5.如权利要求3所述的适用于盾构机的失效预测与诊断控制方法,其特征在于:所述基本事件的失效概率采用先验概率表示。
6.如权利要求1所述的适用于盾构机的失效预测与诊断控制方法,其特征在于:所述故障门向离散时间贝叶斯网络的转化包括所述故障门转化为贝叶斯网络的拓扑结构及所述故障门向离散时间贝叶斯网络条件概率表的转换。
7.如权利要求6所述的适用于盾构机的失效预测与诊断控制方法,其特征在于:通过所述基本事件在时间轴的某个区间的失效概率,计算所述盾构机掘进失效的三个指标,所述三个指标分别表征所述系统构件失效程度大小与失效的先后关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610972597.5A CN106401597B (zh) | 2016-10-27 | 2016-10-27 | 一种适用于盾构机的失效预测与诊断控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610972597.5A CN106401597B (zh) | 2016-10-27 | 2016-10-27 | 一种适用于盾构机的失效预测与诊断控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106401597A true CN106401597A (zh) | 2017-02-15 |
CN106401597B CN106401597B (zh) | 2018-07-24 |
Family
ID=58014875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610972597.5A Active CN106401597B (zh) | 2016-10-27 | 2016-10-27 | 一种适用于盾构机的失效预测与诊断控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106401597B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145634A (zh) * | 2017-04-09 | 2017-09-08 | 北京工业大学 | 一种盾构刀盘及驱动系统多态动态可靠性评估方法 |
CN107395411A (zh) * | 2017-07-18 | 2017-11-24 | 电子科技大学 | 一种指挥控制网络二端连通可靠性建模和分析方法 |
CN107705001A (zh) * | 2017-09-19 | 2018-02-16 | 西南交通大学 | 一种流域突发污染事故信息链建立的方法 |
CN108876002A (zh) * | 2018-05-03 | 2018-11-23 | 浙江运达风电股份有限公司 | 一种风力发电机组零部件备品备件库存优化方法 |
CN109726463A (zh) * | 2018-12-25 | 2019-05-07 | 中铁隧道局集团有限公司 | 一种基于svm算法的盾构tbm故障预警方法 |
CN110210169A (zh) * | 2019-06-14 | 2019-09-06 | 中铁高新工业股份有限公司 | 一种基于lstm的盾构机故障预测方法 |
CN110987502A (zh) * | 2019-12-19 | 2020-04-10 | 中国铁建重工集团股份有限公司 | 盾构设备及其主驱动在线状态的监测诊断系统与方法 |
CN111275195A (zh) * | 2020-02-13 | 2020-06-12 | 辽宁石油化工大学 | 一种基于煤气化设备动态贝叶斯网络建模方法 |
CN112270128A (zh) * | 2020-10-29 | 2021-01-26 | 电子科技大学 | 一种基于动态故障树的钻井泵液力端故障诊断方法 |
CN112434896A (zh) * | 2020-09-14 | 2021-03-02 | 中铁工程服务有限公司 | 一种地铁盾构施工风险及其发展趋势的预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4406498A (en) * | 1980-06-30 | 1983-09-27 | Kabushiki Kaisha Iseki Kaihatsu Koki | Shield tunneling method and machine therefor |
CN101814114A (zh) * | 2010-01-07 | 2010-08-25 | 北京航空航天大学 | 一种利用模型转换进行故障诊断的方法 |
CN101838991A (zh) * | 2010-05-21 | 2010-09-22 | 上海建科建设监理咨询有限公司 | 一种基于网络推理的深基坑风险评估方法 |
CN103077447A (zh) * | 2013-01-24 | 2013-05-01 | 华中科技大学 | 一种基于贝叶斯网络的地铁施工安全管理决策方法 |
CN103245911A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的断路器故障诊断方法 |
-
2016
- 2016-10-27 CN CN201610972597.5A patent/CN106401597B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4406498A (en) * | 1980-06-30 | 1983-09-27 | Kabushiki Kaisha Iseki Kaihatsu Koki | Shield tunneling method and machine therefor |
CN101814114A (zh) * | 2010-01-07 | 2010-08-25 | 北京航空航天大学 | 一种利用模型转换进行故障诊断的方法 |
CN101838991A (zh) * | 2010-05-21 | 2010-09-22 | 上海建科建设监理咨询有限公司 | 一种基于网络推理的深基坑风险评估方法 |
CN103077447A (zh) * | 2013-01-24 | 2013-05-01 | 华中科技大学 | 一种基于贝叶斯网络的地铁施工安全管理决策方法 |
CN103245911A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的断路器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
吴贤国等: "基于动态故障树的盾构刀盘失效风险分析", 《土木工程与管理学报》 * |
张文韬等: "基于动态故障树的CTCS_3级ATP系统可靠性分析", 《工程设计学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145634A (zh) * | 2017-04-09 | 2017-09-08 | 北京工业大学 | 一种盾构刀盘及驱动系统多态动态可靠性评估方法 |
CN107145634B (zh) * | 2017-04-09 | 2020-06-16 | 北京工业大学 | 一种盾构刀盘及驱动系统多态动态可靠性评估方法 |
CN107395411A (zh) * | 2017-07-18 | 2017-11-24 | 电子科技大学 | 一种指挥控制网络二端连通可靠性建模和分析方法 |
CN107705001A (zh) * | 2017-09-19 | 2018-02-16 | 西南交通大学 | 一种流域突发污染事故信息链建立的方法 |
CN108876002B (zh) * | 2018-05-03 | 2021-08-17 | 浙江运达风电股份有限公司 | 一种风力发电机组零部件备品备件库存优化方法 |
CN108876002A (zh) * | 2018-05-03 | 2018-11-23 | 浙江运达风电股份有限公司 | 一种风力发电机组零部件备品备件库存优化方法 |
CN109726463A (zh) * | 2018-12-25 | 2019-05-07 | 中铁隧道局集团有限公司 | 一种基于svm算法的盾构tbm故障预警方法 |
CN110210169A (zh) * | 2019-06-14 | 2019-09-06 | 中铁高新工业股份有限公司 | 一种基于lstm的盾构机故障预测方法 |
CN110210169B (zh) * | 2019-06-14 | 2023-08-18 | 中铁高新工业股份有限公司 | 一种基于lstm的盾构机故障预测方法 |
CN110987502A (zh) * | 2019-12-19 | 2020-04-10 | 中国铁建重工集团股份有限公司 | 盾构设备及其主驱动在线状态的监测诊断系统与方法 |
CN110987502B (zh) * | 2019-12-19 | 2021-08-24 | 中国铁建重工集团股份有限公司 | 盾构设备及其主驱动在线状态的监测诊断系统与方法 |
CN111275195A (zh) * | 2020-02-13 | 2020-06-12 | 辽宁石油化工大学 | 一种基于煤气化设备动态贝叶斯网络建模方法 |
CN112434896A (zh) * | 2020-09-14 | 2021-03-02 | 中铁工程服务有限公司 | 一种地铁盾构施工风险及其发展趋势的预测方法 |
CN112270128A (zh) * | 2020-10-29 | 2021-01-26 | 电子科技大学 | 一种基于动态故障树的钻井泵液力端故障诊断方法 |
CN112270128B (zh) * | 2020-10-29 | 2022-10-11 | 电子科技大学 | 一种基于动态故障树的钻井泵液力端故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106401597B (zh) | 2018-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106401597A (zh) | 一种适用于盾构机的失效预测与诊断控制方法 | |
Wu et al. | A dynamic Bayesian network based approach to safety decision support in tunnel construction | |
Zhang et al. | Fuzzy cognitive maps enabled root cause analysis in complex projects | |
CN110210169B (zh) | 一种基于lstm的盾构机故障预测方法 | |
Pan et al. | Mitigating tunnel-induced damages using deep neural networks | |
Xiao et al. | Prediction of shield machine posture using the GRU algorithm with adaptive boosting: A case study of Chengdu Subway project | |
Feng et al. | Assessment of tunnel face stability subjected to an adjacent tunnel | |
Mahdevari et al. | A hybrid PSO-ANFIS model for predicting unstable zones in underground roadways | |
Wang et al. | Deep learning model for shield tunneling advance rate prediction in mixed ground condition considering past operations | |
Zhang et al. | Geological Type Recognition by Machine Learning on In‐Situ Data of EPB Tunnel Boring Machines | |
CN113807678B (zh) | 站台安全门能效管理方法、装置、计算机设备和存储介质 | |
Wu et al. | A dynamic decision approach for risk analysis in complex projects | |
Qiu et al. | TBM tunnel surrounding rock classification method and real-time identification model based on tunneling performance | |
Flor et al. | Artificial intelligence for tunnel boring machine penetration rate prediction | |
CN108376293A (zh) | 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 | |
Qin et al. | Adaptive VMD and multi-stage stabilized transformer-based long-distance forecasting for multiple shield machine tunneling parameters | |
Li et al. | Tunnel deformation prediction during construction: An explainable hybrid model considering temporal and static factors | |
Zhang et al. | Prediction Method of TBM Tunneling Parameters Based on Bi‐GRU‐ATT Model | |
Sarna et al. | Predicting upcoming collapse incidents during tunneling in rocks with continuation length based on influence zone | |
Fan et al. | A decentralized operating performance assessment for geological drilling process via multi-block total projection to latent structures and Bayesian inference | |
Guo et al. | An early warning method for tunneling-induced ground surface settlement considering accident precursors and consequences | |
Aftabi et al. | A Variational Autoencoder Framework for Robust, Physics-Informed Cyberattack Recognition in Industrial Cyber-Physical Systems | |
Jia et al. | Research of shield machine fault prediction system based on improved Elman network algorithm | |
Ren et al. | Research on adaptive feature optimization and drilling rate prediction based on real-time data | |
Gao et al. | Dynamic cooperation and mutual feedback network for shield machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |