CN107632523B - 一种硬岩tbm掘进控制参数智能决策方法及系统 - Google Patents
一种硬岩tbm掘进控制参数智能决策方法及系统 Download PDFInfo
- Publication number
- CN107632523B CN107632523B CN201710937469.1A CN201710937469A CN107632523B CN 107632523 B CN107632523 B CN 107632523B CN 201710937469 A CN201710937469 A CN 201710937469A CN 107632523 B CN107632523 B CN 107632523B
- Authority
- CN
- China
- Prior art keywords
- parameter
- rock
- model
- boring
- state
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH 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
Abstract
本发明提出了一种硬岩TBM掘进控制参数智能决策方法及系统,方法包含以下组成部分:工程数据库的建立;依据工程数据库建立岩机互馈模型和智能控制决策模型;模型参数输出显示与更新;自动/手动掘进参数控制方法;模型自学习自更新算法;系统包含以下组成部分:工程数据库单元;岩机互馈模型单元;智能控制决策模型单元;模型参数输出实时显示模块;自动/手动掘进参数控制模块;模型自学习自更新单元。本发明岩机互馈模型根据设备运行参数预测当前围岩状态参数实时感知TBM掘进环境;智能控制决策模型根据当前掘进环境预测出最优控制掘进参数,通过控制掘进参数及时调整当前掘进参数,以适应当前掘进环境,保持掘进的安全高效稳定。
Description
技术领域
本发明涉及隧道掘进装备施工智能控制的技术领域,尤其涉及一种硬岩TBM掘进控制参数智能决策方法及系统。
背景技术
硬岩隧道掘进机(以下简称硬岩TBM)是一种专门应用于开挖岩石隧道与地下通道工程的大型高科技施工装备。传统的施工方式中,主控室司机通过缓慢试掘进过程评估围岩状态参数,再通过反复调整掘进参数直到掘进参数保持稳定。这样的操作方式一方面会由于不断的缓慢试掘进和反复调整掘进参数导致大量施工时间的消耗,另一方面当围岩剧烈变化时,无法实时有效的对当前围岩的参数进行感知,导致掘进参数无法适应当前掘进环境,造成刀具的非正常磨损和刀盘系统破岩性能的下降,严重情况下会导致关键部件的破坏和停机,影响TBM的使用寿命。因此,找到一套既能实时感知当前围岩状态参数,又能快速决策寻找适合当前掘进环境的最优掘进参数的智能决策方法十分重要。
发明内容
针对现有的操作方式中仅能凭借主司机的人为经验去猜测围岩状态参数,依靠不断尝试不同掘进参数所导致的耗时耗力、TBM刀具非正常磨损、刀盘系统破岩性能下降、关键部件破坏和停机等技术问题,本发明提出一种硬岩TBM掘进控制参数智能决策方法及系统,利用数据挖掘和机器学习技术对掘进参数进行预测,通过自学习和自更新可以适应于不同围岩、不同直径、不同性能TBM和同一TBM全生命周期不同阶段的使用。
为了达到上述目的,本发明的技术方案是这样实现的:一种硬岩TBM掘进控制参数智能决策方法,其步骤如下:
步骤一:建立包含围岩状态数据库和掘进参数数据库的工程数据库;
步骤二:根据围岩状态参数得到连续的围岩等级W;利用三层神经网络、支持向量机和最小二乘回归的方法对工程数据库中的围岩状态参数和掘进控制参数进行数据挖掘和机器学习,通过数学计算获取岩机互馈模型和智能控制决策模型;
步骤三:岩机互馈模型根据TBM上位机在线实时获取的掘进参数对当前掘进环境的围岩状态参数进行预估,智能控制决策模型根据获得的围岩状态参数对最佳掘进控制参数进行预估,将累积平均预估参数和当前预估参数显示在TBM上;
步骤四:利用累积平均预估参数和当前预估参数对TBM的当前掘进参数进行自动或手动调整;
步骤五:将TBM实时掘进参数和其他TBM工程数据库传送至工程数据库,进入步骤二对岩机互馈模型和智能控制决策模型进行自学习自更新。
所述围岩状态数据库中包含的数据有:单刀推力Ft、单刀扭矩Tn、贯入度P、刀盘转速n、推进速度V;所述掘进参数数据库中包含的数据有:岩石单轴饱和抗压强度Rc、单位岩体体积的节理数Jv、围岩等级W。
所述根据围岩状态参数得到连续的围岩等级W的方法是:
步骤一:将单位岩体体积的节理数Jv转化为完整程度指标Kv的节点处进行插值,通过拟合得到拟合值Kv'=e(-0.05Jv-0.11);
步骤二:根据工程岩体分级标准,利用单轴饱和抗压强度Rc和拟合值Kv’求取岩体基本质量指标BQ的值;
步骤三:将岩体基本质量指标BQ转化为围岩等级W的节点处进行插值,通过拟合得到围岩等级:W=7-0.01*BQ,得到连续的围岩等级。
所述岩机互馈模型的获取方法为:
步骤一:利用工程数据库中的围岩状态数据库求取围岩状态参数矩阵N=[Rc,Jv,W];提取掘进参数数据库中对掘进循环有用的前10%掘进参数数据组成上升段掘进参数矩阵M1=[Ft,Tn,P,n,V];
步骤二:建立一个三层神经网络,将上升段掘进参数矩阵M1作为输入,围岩状态参数矩阵N作为输出,对初始神经网络进行有监督的学习;选取掘进参数数据库中70%的数据进行训练,30%的数据进行测试,得到一个成熟的神经网络Net1,获得围岩状态参数预测结果Ynet1;
步骤三:利用支持向量机将上升段掘进参数矩阵M1作为输入,围岩状态参数矩阵N作为输出,对其进行数据回归;选取掘进参数数据库中70%的数据进行训练,30%的数据进行测试,得到一个成熟的回归学习机svm1,获得围岩状态参数预测结果Ysvm1;
步骤四:利用最小二乘回归的方法将上升段掘进参数矩阵M1作为输入,围岩状态参数矩阵N作为输出得到数学模型如下:
获得围岩状态参数预测结果Yreg1;
步骤五:将步骤二-四得到的围岩状态参数预测结果Ynet1、Ysvm1和Yreg1进行数学平均:获得的岩机互馈模型Y1。
所述智能控制决策模型的获取方法为:
步骤一:利用工程数据库中的围岩状态数据库求取围岩状态参数矩阵N=[Rc,Jv,W];提取掘进参数数据库中对掘进循环有用的后90%掘进参数数据,求取该掘进循环掘进参数的平均值组成稳态段掘进参数矩阵
步骤二:建立一个三层神经网络,将围岩状态参数矩阵N作为输入,稳态段掘进参数矩阵M2作为输出,对初始神经网络进行有监督的学习;选取掘进参数数据库中70%的数据进行训练,30%的数据进行测试,得到一个成熟的神经网络Net2,获得围岩状态参数预测结果Ynet2;
步骤三:利用支持向量机将围岩状态参数矩阵N作为输入,稳态段掘进参数矩阵M2作为输出,对其进行数据回归;选取掘进参数数据库中70%的数据进行训练,30%的数据进行测试,得到一个成熟的回归学习机svm2,获得围岩状态参数预测结果Ysvm2;
步骤四:利用最小回归的方法将将围岩状态参数矩阵N作为输入,稳态段掘进参数矩阵M2作为输出得到数学模型如下:
Ft=464.853-9.012*Jv-80.4*W+0.118*Rc
Tn=61.865-7.012*Jv-7.4*W+0.064*Rc
P=0.1105+0.12*Jv+2.466*W+0.058*Rc
n=11.743+0.16*Jv-1.132*W-0.044*Rc
V=p*n;
获得稳态段掘进状态参数预测结果Yreg2;
步骤五:将步骤二-四得到的稳态段掘进状态参数的预测结果Ynet2、Ysvm2和Yreg2,进行数学平均:获得的智能控制决策模型Y2。
所述当前预估参数为:当前第k组掘进参数预测得到的围岩参数Nk和稳态掘进参数Mk的平均值;所述累积平均预估参数为:根据岩机互馈模型Y1对围岩状态参数进行预估,得到掘进参数第k-2段到k-1段预测得到的围岩参数Ns;若当前预估参数和累积平均预估参数偏差平均值小于10%,当前围岩处于稳定段,当前掘进参数效果稳定;如果预估参数和累积平均预估参数偏差平均值大于90%,当前掘进参数不稳定,需要调整。
所述步骤四中手动调整是TBM主司机根据累积平均预估参数和当前预估参数的差值大小,实时调整当前掘进参数如刀盘转速n和推进速度V,控制其他掘进参数在稳定范围内,保持TBM安全高效掘进;所述步骤四中自动调整是:根据预累积平均预估参数和当前预估参数的差值大小,通过PLC控制器实时调整当前掘进参数如刀盘转速n和推进速度V,控制其他掘进参数在稳定范围内,保持TBM安全高效掘进。
当工程数据库中的数据增幅大于30%时,由人工或上位机在停机时间或注浆时间对TBM中岩机互馈模型和智能控制决策模型进行自学习和自更新,从而获得新的岩机互馈模型和智能控制决策模型;更新后当前的岩机互馈模型和智能控制决策模型占主导地位,新的岩机互馈模型的预测结果优于当前的岩机互馈模型或智能控制决策模型时,新的岩机互馈模型替换当前的岩机互馈模型,新的智能控制决策模型的预测结果优于当前的智能控制决策模型时,新的智能控制决策模型替换当前的智能控制决策模型。
一种硬岩TBM掘进控制参数智能决策系统,包括:
工程数据库单元,定期从TBM上位机获取围岩状态数据和掘进参数数据;
岩机互馈模型单元,利用工程数据库单元的掘进参数对当前掘进环境的围岩状态参数进行预估;
智能控制决策模型单元,根据获得的围岩状态参数对最佳掘进控制参数进行预估;
模型参数输出实时显示模块,通过I/O接口与上位机进行通讯,将输出参数在主司机操作界面显示;
自动/手动掘进参数控制模块,设置在上位机操作界面上,由主司机或系统依据预估的掘进参数,通过PLC控制器控制TBM掘进参数进行调整;
模型自学习自更新单元,设置在上位机操作界面上,由主司机设置模型更新时间或者由后台选择恰当时间对模型进行自动更新,恰当时间包含但不限于停机时间和注浆时间。
所述岩机互馈模型单元和智能控制决策模型单元的参数可以被读取和写入,当模型自学习自更新单元启动后,岩机互馈模型单元和智能控制决策模型的参数可以被写入,其他过程只能被读取,不能写入。
所述工程数据库单元从TBM上位机获取的数据包括TBM实时掘进参数和其他TBM的工程数据库,其他TBM的工程数据库包含但不限于同一结构类型或类似地质掘进的TBM的工程数据库。
本发明的有益效果:岩机互馈模型单元根据设备运行参数预测当前围岩状态参数,实时感知TBM掘进环境;智能控制决策模型单元根据当前掘进环境,预测出最优控制掘进参数;通过模型参数输出单元将围岩状态参数和最优控制掘进参数实时显示在主司机操作界面上;自动/手动掘进参数控制模块用于选择掘进参数控制方式从而根据推荐的最优控制掘进参数及时调整当前掘进参数以适应当前掘进环境,保持掘进的安全高效稳定;同时具备自学习自更新单元,以适应不同围岩、不同直径、不同性能TBM和同一TBM全生命周期不同阶段的使用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明TBM掘进控制参数智能决策方法的流程图。
图2为本发明TBM掘进控制参数智能决策系统的结构示意图。
图3为本发明岩机互馈模型的求取流程图。
图4为本发明智能控制决策模型的求取流程图。
图5为本发明模型参数的计算和输出流程图。
图6为本发明模型自学习自更新流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种硬岩TBM掘进控制参数智能决策方法,其步骤如下:
步骤一:建立包含围岩状态数据库和掘进参数数据库的工程数据库。
工程数据库包括高效掘进时的围岩状态参数和掘进控制参数库,其作为样本以供后续使用。围岩状态数据库中包含的数据至少包括有:单刀推力Ft、单刀扭矩Tn、贯入度P、刀盘转速n、推进速度V。掘进参数数据库中包含的数据至少包括有:岩石单轴饱和抗压强度Rc、单位岩体体积的节理数Jv、岩体基本质量等级W。
对围岩状态参数库所在区域的围岩进行取芯留样,并绘制围岩节理图。根据取回的岩芯,做室内实验求取其单轴饱和抗压强度Rc。根据取芯桩号附近的围岩节理图,依据工程岩体分级标准统计单位岩体体积的节理数Jv值。
步骤二:根据围岩状态参数得到连续的围岩等级W;利用三层神经网络、支持向量机和最小二乘回归的方法对工程数据库中的围岩状态参数和掘进控制参数进行数据挖掘和机器学习,通过数学计算获取岩机互馈模型和智能控制决策模型。
岩机互馈模型是根据围岩状态参数库和上升段掘进控制参数库信息进行求取的。智能控制决策模型是根据围岩状态参数库和稳定段掘进控制参数库信息进行求取的。掘进控制参数的上升段和稳定段的划分是取该掘进循环的第10%个数据点作为分割临界点,分割临界点包含但不限于该掘进循环的第10%个数据点,也可以是相临比例的其他位置点。数学计算的方式包含但不限于数学平均,几何平均或其他加权平均形式。利用岩机互馈模型对当前掘进环境的围岩状态参数进行预测,利用岩机智能控制决策模型对最佳掘进参数进行预测。
从单位岩体体积的节理数Jv值转化为完整程度指标Kv值的过程中,由于工程岩体分级标准给出的转化方式求得的是离散的Kv值,不利于实现精细化控制。因此,本发明对该过程进行改进,利用节点处的值进行拟合插值。根据围岩状态参数得到连续的围岩等级W的方法是:
步骤1:将单位岩体体积的节理数Jv转化为完整程度指标Kv的节点处进行插值,通过拟合得到拟合值Kv'=e(-0.05Jv-0.11)。
经计算,拟合值Kv’与真实值Kv的均方误差MSE=0.016,相对误差小于6%,预测精度大于94%,符合工程需要。
步骤2:根据工程岩体分级标准,利用单轴饱和抗压强度Rc和拟合值Kv’求取岩体基本质量指标BQ的值。
步骤3:从岩体基本质量指标BQ值转化为围岩等级W的过程中,由于工程岩体分级标准只是线性的划分为5个等级,不利于实现精细化控制。因此,本发明对该过程进行改进,利用节点处的值进行拟合插值。将岩体基本质量指标BQ转化为围岩等级W的节点处进行插值,通过拟合得到围岩等级:W=7-0.01*BQ,得到围岩等级W一个连续的输出。
如图3所示,岩机互馈模型的获取方法为:
步骤1:利用工程数据库中的围岩状态数据库求取围岩状态参数矩阵N=[Rc,Jv,W];提取掘进参数数据库中对掘进循环有用的前10%掘进参数数据组成上升段掘进参数矩阵M1=[Ft,Tn,P,n,V];
步骤2:建立一个三层神经网络,将上升段掘进参数矩阵M1作为输入,围岩状态参数矩阵N作为输出,对初始神经网络进行有监督的学习;选取掘进参数数据库中70%的数据进行训练,30%的数据进行测试,得到一个成熟的神经网络Net1,获得围岩状态参数预测结果Ynet1。
三层神经网络,每层节点数分别为20,10,10。经测试,神经网络Net1对岩石单轴饱和抗压强度Rc、单位岩体体积的节理数Jv、岩体基本质量等级W的预测准确率分别为92.7%、85.4%、95.9%,满足工程需要。
步骤3:利用支持向量机将上升段掘进参数矩阵M1作为输入,围岩状态参数矩阵N作为输出,对其进行数据回归;选取掘进参数数据库中70%的数据进行训练,30%的数据进行测试,得到一个成熟的回归学习机svm1,获得围岩状态参数预测结果Ysvm1。
为提高预测准确度,同时使用支持向量机SVM进行数据回归。经测试,回归学习机svm1对岩石单轴饱和抗压强度Rc、单位岩体体积的节理数JV、岩体基本质量等级W的预测准确率分别为93.2%,84.2%,94.7%,满足工程需要。
步骤4:利用最小二乘回归的方法将上升段掘进参数矩阵M1作为输入,围岩状态参数矩阵N作为输出得到数学模型如下:
获得围岩状态参数预测结果Yreg1。
使用神经网络或者支持向量机SVM求取的都是隐函数模型,物理解释意义不强,因此,本发明根据最小二乘回归的方法对数据进行回归。经测试,最小回归的方法建立的上述三个模型对岩石单轴饱和抗压强度Rc、单位岩体体积的节理数JV、岩体基本质量等级W的预测结果的相对准确率分别为92.5%,82.4%,90.3%,满足工程需要。
步骤5:将步骤二-四得到的围岩状态参数预测结果Ynet1、Ysvm1和Yreg1进行数学平均:获得的岩机互馈模型Y1。
将神经网络模型、支持向量机模型和最小二乘回归模型三大模型的预测结果进行数学平均,既避免了单一的数学方法在进行数据预测时造成的计算误差,同时合理的发挥三大模型各自的优势,提高预测的准确度。
如图4所示,所述智能控制决策模型的获取方法为:
步骤1:利用工程数据库中的围岩状态数据库求取围岩状态参数矩阵N=[Rc,Jv,W];提取掘进参数数据库中对掘进循环有用的后90%掘进参数数据,求取该掘进循环掘进参数的平均值组成稳态段掘进参数矩阵
步骤2:建立一个三层神经网络,将围岩状态参数矩阵N作为输入,稳态段掘进参数矩阵M2作为输出,对初始神经网络进行有监督的学习;选取掘进参数数据库中70%的数据进行训练,30%的数据进行测试,得到一个成熟的神经网络Net2,获得围岩状态参数预测结果Ynet2。
三层神经网络的每层节点数分别为20,10,10。经测试,神经网络Net2对 的预测准确率分别为93.4%,82.4%,91.9%,95.4%,88.9%,满足工程需要。
步骤3:利用支持向量机将围岩状态参数矩阵N作为输入,稳态段掘进参数矩阵M2作为输出,对其进行数据回归;选取掘进参数数据库中70%的数据进行训练,30%的数据进行测试,得到一个成熟的回归学习机svm2,获得围岩状态参数预测结果Ysvm2。
为提高预测准确度,使用支持向量机SVM进行数据回归。经测试,回归学习机svm2对的预测准确率分别得到92.6%,84.7%,90.3%,94.8%,90.2%,满足工程需要。
步骤4:利用最小回归的方法将将围岩状态参数矩阵N作为输入,稳态段掘进参数矩阵M2作为输出得到数学模型如下:
Ft=464.853-9.012*Jv-80.4*W+0.118*Rc
Tn=61.865-7.012*Jv-7.4*W+0.064*Rc
P=0.1105+0.12*Jv+2.466*W+0.058*Rc
n=11.743+0.16*Jv-1.132*W-0.044*Rc
V=p*n;
获得稳态段掘进状态参数预测结果Yreg2。
使用神经网络或者支持向量机SVM求取的都是隐函数模型,物理解释意义不强,因此根据最小二乘回归的方法对数据进行训练和预测。上述五个数学模型对测试数据预测结果的相对准确率分别为91.7%,83.6%,90.3%,92.8%,87.6%,满足工程需要。
步骤5:将步骤二-四得到的稳态段掘进状态参数的预测结果Ynet2、Ysvm2和Yreg2,进行数学平均:获得的智能控制决策模型Y2。
在利用围岩参数对稳态段掘进状态参数进行预测时,同时根据三大模型求取预测结果Ynet2,Ysvm2,Yreg2进行数学平均得到的综合模型。将三大模型的预测结果进行数学平均,既避免了单一的数学方法在进行数据预测时造成的计算误差,同时合理的发挥三大模型各自的优势,提高预测的准确度。
步骤三:岩机互馈模型根据TBM上位机在线实时获取的掘进参数对当前掘进环境的围岩状态参数进行预估,智能控制决策模型根据获得的围岩状态参数对最佳掘进控制参数进行预估,将累积平均预估参数和当前预估参数显示在TBM上。
如图5所示,当掘进机TBM进入一个新的掘进循环时,掘进参数按每秒保存一次上传至上位机。从上位机每隔10秒读取一次掘进参数,分别保存为m1,m2,…,mk,假设当前得到的掘进参数为第k段。间隔时间可调节,一般规律下,围岩状态变化剧烈时,缩短间隔时间,围岩状态较稳定时,可适当延长间隔时间。
按照岩机互馈模型Y1对围岩状态参数进行预估,得到围岩状态参数。按照掘进参数智能决策模型Y2对稳态掘进参数进行预估。当前预估参数为:当前第k组掘进参数预测得到的围岩参数Nk和稳态掘进参数Mk的平均值。累积平均预估参数为:根据岩机互馈模型Y1对围岩状态参数进行预估,得到掘进参数第k-2段到k-1段预测得到的围岩参数Ns。当前预估参数显示在操作界面第二列,累积平均预估参数显示在操作界面第一列。
若当前预估参数和累积平均预估参数偏差平均值小于10%,当前围岩处于稳定段,当前掘进参数效果稳定;如果预估参数和累积平均预估参数偏差平均值大于90%,当前掘进参数不稳定,需要调整。
步骤四:利用累积平均预估参数和当前预估参数对TBM的当前掘进参数进行自动或手动调整。
掘进参数控制方法选择手动模式,即手动调整是TBM主司机根据累积平均预估参数和当前预估参数的差值大小,实时调整当前掘进参数如刀盘转速n和推进速度V,控制其他掘进参数在稳定范围内,保持TBM安全高效掘进。掘进参数控制方法选择自动模式,即自动调整是:根据预累积平均预估参数和当前预估参数的差值大小,通过PLC控制器实时调整当前掘进参数如刀盘转速n和推进速度V,控制其他掘进参数在稳定范围内,保持TBM安全高效掘进。
步骤五:将TBM实时掘进参数和其他TBM工程数据库传送至工程数据库,进入步骤二对岩机互馈模型和智能控制决策模型进行自学习自更新。
利用模型自学习自更新算法对岩机互馈模型和智能控制决策模型进行实时快速更新。模型自学习自更新算法源于掘进过程中工程数据的不断丰富,工程数据库可直接从本机上位机读取掘进参数,或从其他TBM的工程数据库调用,其他TBM包含但不限于同一结构类型或类似地质掘进的TBM。新的工程数据库用于对岩机互馈模型和智能控制决策模型进行实时快速更新,以匹配不同围岩、不同直径、不同性能TBM和同一TBM全生命周期不同阶段的使用。当工程数据样本库不断丰富后,可人工选择何时更新模型或由后台程序选择恰当时间对模型进行自动更新,恰当时间包含但不限于停机时间、注浆时间等。
如图6所示,当工程数据库中的数据增幅大于30%时,由人工或上位机在停机时间或注浆时间对TBM中岩机互馈模型和智能控制决策模型进行自学习和自更新,从而获得新的岩机互馈模型和智能控制决策模型。更新后当前的岩机互馈模型和智能控制决策模型占主导地位,新的岩机互馈模型的预测结果优于当前的岩机互馈模型或智能控制决策模型时,新的岩机互馈模型替换当前的岩机互馈模型,新的智能控制决策模型的预测结果优于当前的智能控制决策模型时,新的智能控制决策模型替换当前的智能控制决策模型。
如图2所示,一种硬岩TBM掘进控制参数智能决策系统,包括:
工程数据库单元,定期从TBM上位机获取围岩状态数据和掘进参数数据。工程数据库单元从TBM上位机获取的数据包括TBM实时掘进参数和其他TBM的工程数据库,其他TBM的工程数据库包含但不限于同一结构类型或类似地质掘进的TBM的工程数据库。
岩机互馈模型单元,利用工程数据库单元的掘进参数对当前掘进环境的围岩状态参数进行预估;智能控制决策模型单元,根据获得的围岩状态参数对最佳掘进控制参数进行预估。
岩机互馈模型单元和智能控制决策模型单元的参数可以被读取和写入,当模型自学习自更新单元启动后,岩机互馈模型单元和智能控制决策模型的参数可以被写入,其他过程只能被读取,不能写入。
模型参数输出实时显示模块,通过I/O接口与上位机进行通讯,将输出参数在主司机操作界面显示。输出参数包括累积平均预估参数和当前预估参数,用于指导TBM的掘进。
自动/手动掘进参数控制模块,设置在上位机操作界面上,由主司机或系统依据预估的掘进参数,通过PLC控制器控制TBM掘进参数进行调整。
模型自学习自更新单元,设置在上位机操作界面上,由主司机设置模型更新时间或者由后台选择恰当时间对模型进行自动更新,恰当时间包含但不限于停机时间和注浆时间。
本发明的工程数据库单元可不断丰富工程参数大数据库,利用数据挖掘和机器学习技术,使用神经网络、支持向量机、最小二乘回归的方法创建了岩机互馈模型和智能控制决策模型,进行掘进参数的预估;模型的参数预测结果通过模型参数输出实时显示单元模块显示在上位机操作界面上,可通过自动/手动掘进参数控制模块选择掘进参数控制方式;模型的自学习自更新单元可根据工程参数大数据库的不断更新而对岩机互馈模型和智能控制决策模型进行自学习自更新,用于适应不同围岩、不同直径、不同性能TBM和同一TBM全生命周期不同阶段的使用。
以上对本发明一种TBM掘进控制参数智能决策方法及系统进行了详细介绍,但以上开发步骤的的说明只是用于帮助理解本发明的方法及其核心思想,不应理解为对本发明的限制。本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种硬岩TBM掘进控制参数智能决策方法,其特征在于,其步骤如下:
步骤一:建立包含围岩状态数据库和掘进参数数据库的工程数据库;
步骤二:根据围岩状态参数得到连续的围岩等级W;利用三层神经网络、支持向量机和最小二乘回归的方法对工程数据库中的围岩状态参数和掘进控制参数进行数据挖掘和机器学习,通过数学计算获取岩机互馈模型和智能控制决策模型;
步骤三:岩机互馈模型根据TBM上位机在线实时获取的掘进参数对当前掘进环境的围岩状态参数进行预估,智能控制决策模型根据获得的围岩状态参数对最佳掘进控制参数进行预估,将累积平均预估参数和当前预估参数显示在TBM上;
步骤四:利用累积平均预估参数和当前预估参数对TBM的当前掘进参数进行自动或手动调整;
步骤五:将TBM实时掘进参数和其他TBM工程数据库传送至工程数据库,进入步骤二对岩机互馈模型和智能控制决策模型进行自学习自更新;
所述围岩状态数据库中包含的数据有:单刀推力Ft、单刀扭矩Tn、贯入度P、刀盘转速n、推进速度V;所述掘进参数数据库中包含的数据有:岩石单轴饱和抗压强度Rc、单位岩体体积的节理数Jv、围岩等级W;
所述岩机互馈模型的获取方法为:
步骤一:利用工程数据库中的围岩状态数据库求取围岩状态参数矩阵N=[Rc,Jv,W];提取掘进参数数据库中对掘进循环有用的前10%掘进参数数据组成上升段掘进参数矩阵M1=[Ft,Tn,P,n,V];
步骤二:建立一个三层神经网络,将上升段掘进参数矩阵M1作为输入,围岩状态参数矩阵N作为输出,对初始神经网络进行有监督的学习;选取掘进参数数据库中70%的数据进行训练,30%的数据进行测试,得到一个成熟的神经网络Net1,获得围岩状态参数预测结果Ynet1;
步骤三:利用支持向量机将上升段掘进参数矩阵M1作为输入,围岩状态参数矩阵N作为输出,对其进行数据回归;选取掘进参数数据库中70%的数据进行训练,30%的数据进行测试,得到一个成熟的回归学习机svm1,获得围岩状态参数预测结果Ysvm1;
步骤四:利用最小二乘回归的方法将上升段掘进参数矩阵M1作为输入,围岩状态参数矩阵N作为输出得到数学模型如下:
获得围岩状态参数预测结果Yreg1;
步骤五:将步骤二-四得到的围岩状态参数预测结果Ynet1、Ysvm1和Yreg1进行数学平均:获得的岩机互馈模型Y1。
2.根据权利要求1所述的硬岩TBM掘进控制参数智能决策方法,其特征在于,所述根据围岩状态参数得到连续的围岩等级W的方法是:
步骤一:将单位岩体体积的节理数Jv转化为完整程度指标Kv的节点处进行插值,通过拟合得到拟合值Kv'=e(-0.05Jv-0.11);
步骤二:根据工程岩体分级标准,利用单轴饱和抗压强度Rc和拟合值Kv’求取岩体基本质量指标BQ的值;
步骤三:将岩体基本质量指标BQ转化为围岩等级W的节点处进行插值,通过拟合得到围岩等级:W=7-0.01*BQ,得到连续的围岩等级。
3.根据权利要求2所述的硬岩TBM掘进控制参数智能决策方法,其特征在于,所述智能控制决策模型的获取方法为:
步骤一:利用工程数据库中的围岩状态数据库求取围岩状态参数矩阵N=[Rc,Jv,W];提取掘进参数数据库中对掘进循环有用的后90%掘进参数数据,求取该掘进循环掘进参数的平均值组成稳态段掘进参数矩阵
步骤二:建立一个三层神经网络,将围岩状态参数矩阵N作为输入,稳态段掘进参数矩阵M2作为输出,对初始神经网络进行有监督的学习;选取掘进参数数据库中70%的数据进行训练,30%的数据进行测试,得到一个成熟的神经网络Net2,获得围岩状态参数预测结果Ynet2;
步骤三:利用支持向量机将围岩状态参数矩阵N作为输入,稳态段掘进参数矩阵M2作为输出,对其进行数据回归;选取掘进参数数据库中70%的数据进行训练,30%的数据进行测试,得到一个成熟的回归学习机svm2,获得围岩状态参数预测结果Ysvm2;
步骤四:利用最小回归的方法将将围岩状态参数矩阵N作为输入,稳态段掘进参数矩阵M2作为输出得到数学模型如下:
Ft=464.853-9.012*Jv-80.4*W+0.118*Rc
Tn=61.865-7.012*Jv-7.4*W+0.064*Rc
P=0.1105+0.12*Jv+2.466*W+0.058*Rc
n=11.743+0.16*Jv-1.132*W-0.044*Rc
V=p*n;
获得稳态段掘进状态参数预测结果Yreg2;
步骤五:将步骤二-四得到的稳态段掘进状态参数的预测结果Ynet2、Ysvm2和Yreg2,进行数学平均:获得的智能控制决策模型Y2。
4.根据权利要求1所述的硬岩TBM掘进控制参数智能决策方法,其特征在于,所述当前预估参数为:当前第k组掘进参数预测得到的围岩参数Nk和稳态掘进参数Mk的平均值;所述累积平均预估参数为:根据岩机互馈模型Y1对围岩状态参数进行预估,得到掘进参数第k-2段到k-1段预测得到的围岩参数Ns;若当前预估参数和累积平均预估参数偏差平均值小于10%,当前围岩处于稳定段,当前掘进参数效果稳定;如果预估参数和累积平均预估参数偏差平均值大于90%,当前掘进参数不稳定,需要调整。
5.根据权利要求1或4所述的硬岩TBM掘进控制参数智能决策方法,其特征在于,所述步骤四中手动调整是TBM主司机根据累积平均预估参数和当前预估参数的差值大小,实时调整当前掘进参数如刀盘转速n和推进速度V,控制其他掘进参数在稳定范围内,保持TBM安全高效掘进;所述步骤四中自动调整是:根据预累积平均预估参数和当前预估参数的差值大小,通过PLC控制器实时调整当前掘进参数如刀盘转速n和推进速度V,控制其他掘进参数在稳定范围内,保持TBM安全高效掘进。
6.根据权利要求1所述的硬岩TBM掘进控制参数智能决策方法,其特征在于,当工程数据库中的数据增幅大于30%时,由人工或上位机在停机时间或注浆时间对TBM中岩机互馈模型和智能控制决策模型进行自学习和自更新,从而获得新的岩机互馈模型和智能控制决策模型;更新后当前的岩机互馈模型和智能控制决策模型占主导地位,新的岩机互馈模型的预测结果优于当前的岩机互馈模型或智能控制决策模型时,新的岩机互馈模型替换当前的岩机互馈模型,新的智能控制决策模型的预测结果优于当前的智能控制决策模型时,新的智能控制决策模型替换当前的智能控制决策模型。
7.根据权利要求1所述的硬岩TBM掘进控制参数智能决策方法的决策系统,其特征在于,包括:
工程数据库单元,定期从TBM上位机获取围岩状态数据和掘进参数数据;
岩机互馈模型单元,利用工程数据库单元的掘进参数对当前掘进环境的围岩状态参数进行预估;
智能控制决策模型单元,根据获得的围岩状态参数对最佳掘进控制参数进行预估;
模型参数输出实时显示模块,通过I/O接口与上位机进行通讯,将输出参数在主司机操作界面显示;
自动/手动掘进参数控制模块,设置在上位机操作界面上,由主司机或系统依据预估的掘进参数,通过PLC控制器控制TBM掘进参数进行调整;
模型自学习自更新单元,设置在上位机操作界面上,由主司机设置模型更新时间或者由后台选择恰当时间对模型进行自动更新,恰当时间包含但不限于停机时间和注浆时间。
8.根据权利要求7所述的硬岩TBM掘进控制参数智能决策系统,其特征在于,所述岩机互馈模型单元和智能控制决策模型单元的参数可以被读取和写入,当模型自学习自更新单元启动后,岩机互馈模型单元和智能控制决策模型的参数可以被写入,其他过程只能被读取,不能写入。
9.根据权利要求7所述的硬岩TBM掘进控制参数智能决策系统,其特征在于,所述工程数据库单元从TBM上位机获取的数据包括TBM实时掘进参数和其他TBM的工程数据库,其他TBM的工程数据库包含但不限于同一结构类型或类似地质掘进的TBM的工程数据库。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710937469.1A CN107632523B (zh) | 2017-09-30 | 2017-09-30 | 一种硬岩tbm掘进控制参数智能决策方法及系统 |
DE112018004244.8T DE112018004244T5 (de) | 2017-09-30 | 2018-10-30 | Ein intelligentes Entscheidungsfindungsverfahren und -system für Bohrsteuerungsparameter von Hartgestein-TBM |
PCT/CN2018/112521 WO2019063024A1 (zh) | 2017-09-30 | 2018-10-30 | 硬岩tbm掘进控制参数智能决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710937469.1A CN107632523B (zh) | 2017-09-30 | 2017-09-30 | 一种硬岩tbm掘进控制参数智能决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107632523A CN107632523A (zh) | 2018-01-26 |
CN107632523B true CN107632523B (zh) | 2019-07-23 |
Family
ID=61105259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710937469.1A Active CN107632523B (zh) | 2017-09-30 | 2017-09-30 | 一种硬岩tbm掘进控制参数智能决策方法及系统 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN107632523B (zh) |
DE (1) | DE112018004244T5 (zh) |
WO (1) | WO2019063024A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989366A (zh) * | 2020-03-04 | 2020-04-10 | 中国铁建重工集团股份有限公司 | 掘进机的控制方法、掘进机与计算机可读存储介质 |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107632523B (zh) * | 2017-09-30 | 2019-07-23 | 中铁工程装备集团有限公司 | 一种硬岩tbm掘进控制参数智能决策方法及系统 |
CN108984817B (zh) * | 2018-05-08 | 2022-04-22 | 中铁工程装备集团有限公司 | 一种tbm刀具磨损量实时评估方法 |
CN109358505B (zh) * | 2018-10-26 | 2022-03-29 | 中铁工程装备集团有限公司 | 一种tbm智能驾驶方法及系统 |
CN109685378B (zh) * | 2018-12-27 | 2020-04-24 | 中铁工程装备集团有限公司 | 一种基于数据挖掘的tbm施工围岩可掘性分级方法 |
CN109376194B (zh) * | 2018-12-29 | 2021-01-26 | 中铁工程装备集团有限公司 | 一种基于大数据的隧道掘进机远程监控平台 |
CN109630154B (zh) * | 2019-01-24 | 2023-08-25 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 一种用于隧道掘进的掘进机器人及远程移动终端指挥系统 |
CN109812257A (zh) * | 2019-02-21 | 2019-05-28 | 山东大学 | 水射流辅助破岩智能控制系统及方法 |
CN109933577B (zh) * | 2019-03-08 | 2020-12-18 | 山东大学 | 基于tbm岩-机参数动态交互机制的隧洞可掘进预测方法及系统 |
CN109918822B (zh) * | 2019-03-15 | 2023-12-15 | 中铁高新工业股份有限公司 | 基于随机森林回归的盾构掘进参数偏差计算方法及系统 |
CN110109895B (zh) * | 2019-03-29 | 2021-05-28 | 山东大学 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
CN110020694A (zh) * | 2019-04-19 | 2019-07-16 | 中铁工程装备集团有限公司 | 一种基于智能驱动模型的tbm不良地质辨识方法 |
CN110110419B (zh) * | 2019-04-28 | 2022-11-18 | 中铁工程装备集团有限公司 | 一种基于多目标学习的tbm掘进参数预测方法 |
CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
CN110674798A (zh) * | 2019-11-11 | 2020-01-10 | 北京迈格威科技有限公司 | 光学指纹识别装置及触控终端 |
CN111144635B (zh) * | 2019-12-20 | 2022-07-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
CN111197500B (zh) * | 2020-01-06 | 2021-04-13 | 山东大学 | 适用于tbm掘进隧道围岩等级实时判别方法及系统 |
CN111622763A (zh) * | 2020-04-23 | 2020-09-04 | 中国铁建重工集团股份有限公司 | 竖井掘进机调向控制方法、系统、竖井掘进机及存储介质 |
CN111594198B (zh) * | 2020-04-30 | 2021-03-30 | 东北大学 | 一种开敞式tbm施工数据掘进循环的划分方法 |
CN111594201B (zh) * | 2020-05-28 | 2021-08-13 | 中铁工程装备集团有限公司 | 一种tbm关键参数智能控制系统及方法 |
CN111648782A (zh) * | 2020-06-16 | 2020-09-11 | 中铁十四局集团隧道工程有限公司 | 一种根据tbm自振信息识别地层并调整掘进参数的方法 |
CN112183993B (zh) * | 2020-09-22 | 2022-06-17 | 中国科学院武汉岩土力学研究所 | 一种tbm掘进控制参数智能预测及优化决策方法 |
CN112664174B (zh) * | 2020-12-21 | 2022-05-20 | 中铁四局集团第五工程有限公司 | 一种基于多钻孔的隧道围岩等级判定方法及系统 |
CN112855113A (zh) * | 2021-01-28 | 2021-05-28 | 北京三一智造科技有限公司 | 旋挖钻机的自动钻进方法及控制器、存储介质及电子设备 |
CN113807004A (zh) * | 2021-06-30 | 2021-12-17 | 北京交通大学 | 基于数据挖掘的刀具寿命预测方法、装置及系统 |
CN113586028B (zh) * | 2021-07-21 | 2024-03-29 | 太原理工大学 | 基于数字孪生的反井钻机扩孔刀盘的智能监控系统 |
CN113762360B (zh) * | 2021-08-20 | 2024-03-29 | 同济大学 | 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法 |
CN113868091B (zh) * | 2021-10-09 | 2024-02-13 | 中国铁建重工集团股份有限公司 | 一种掘进机群的数据监控系统及方法 |
CN113958369B (zh) * | 2021-11-10 | 2023-10-20 | 重庆科技学院 | 一种基于数字孪生的隧道衬砌结构健康监测方法及其系统 |
CN114320316A (zh) * | 2022-01-14 | 2022-04-12 | 重庆邮电大学 | 一种盾构机施工预警方法及装置 |
CN114482885B (zh) * | 2022-01-25 | 2024-03-29 | 西南石油大学 | 一种控压钻井智能控制系统 |
CN115618222B (zh) * | 2022-06-21 | 2023-05-05 | 北京交通大学 | 一种隧道掘进响应参数的预测方法 |
CN115268272B (zh) * | 2022-08-11 | 2023-03-28 | 北京交通大学 | 一种基于掘进载荷预测的tbm控制参数决策方法及装置 |
CN115628930B (zh) * | 2022-12-16 | 2023-03-10 | 太原理工大学 | 一种基于rbf神经网络的掘进机井下截割工况预测方法 |
CN116485225B (zh) * | 2023-03-15 | 2023-11-10 | 西南交通大学 | 基于钻进参数的施工阶段围岩bq值自动获取方法及系统 |
CN116562156B (zh) * | 2023-05-15 | 2024-02-06 | 南栖仙策(南京)高新技术有限公司 | 一种控制决策模型的训练方法、装置、设备及存储介质 |
CN117332992B (zh) * | 2023-11-24 | 2024-02-09 | 北京国联视讯信息技术股份有限公司 | 一种用于产业互联网的协同制造方法及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870677B (zh) * | 2014-02-07 | 2017-02-15 | 上海交通大学 | 一种掘进机的掘进参数设定方法 |
CN104217124A (zh) * | 2014-09-15 | 2014-12-17 | 天津大学 | 以工程样本数据为依托的tbm施工围岩分级方法 |
JP6672671B2 (ja) * | 2015-09-29 | 2020-03-25 | 株式会社大林組 | 掘削モニタリング装置 |
CN105631150A (zh) * | 2016-01-05 | 2016-06-01 | 石家庄铁道大学 | 复合地层情况下盾构掘进参数的优化方法 |
CN105938611B (zh) * | 2016-07-06 | 2019-08-20 | 山东大学 | 基于随钻参数对地下工程围岩快速实时分级的方法 |
CN106383931A (zh) * | 2016-08-31 | 2017-02-08 | 广州市市政集团有限公司 | 基于csm模型的隧道掘进机刀盘有效推力和扭矩计算方法 |
CN106570275B (zh) * | 2016-11-07 | 2019-09-10 | 沈阳工业大学 | 一种基于cai值的tbm滚刀磨损预测方法 |
CN106778010B (zh) * | 2016-12-29 | 2020-01-14 | 中铁十八局集团隧道工程有限公司 | 基于数据驱动支持向量回归机的tbm刀具寿命预测方法 |
CN107201903A (zh) * | 2017-04-07 | 2017-09-26 | 北京工业大学 | Tbm隧道施工的智能化控制方法及系统 |
CN107248026A (zh) * | 2017-05-23 | 2017-10-13 | 南京工业大学 | 应用等效岩体基本质量指标预测盾构掘进参数的定量方法 |
CN107632523B (zh) * | 2017-09-30 | 2019-07-23 | 中铁工程装备集团有限公司 | 一种硬岩tbm掘进控制参数智能决策方法及系统 |
-
2017
- 2017-09-30 CN CN201710937469.1A patent/CN107632523B/zh active Active
-
2018
- 2018-10-30 WO PCT/CN2018/112521 patent/WO2019063024A1/zh active Application Filing
- 2018-10-30 DE DE112018004244.8T patent/DE112018004244T5/de active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989366A (zh) * | 2020-03-04 | 2020-04-10 | 中国铁建重工集团股份有限公司 | 掘进机的控制方法、掘进机与计算机可读存储介质 |
CN110989366B (zh) * | 2020-03-04 | 2020-07-03 | 中国铁建重工集团股份有限公司 | 掘进机的控制方法、掘进机与计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019063024A1 (zh) | 2019-04-04 |
DE112018004244T5 (de) | 2020-05-07 |
CN107632523A (zh) | 2018-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107632523B (zh) | 一种硬岩tbm掘进控制参数智能决策方法及系统 | |
CN109630154B (zh) | 一种用于隧道掘进的掘进机器人及远程移动终端指挥系统 | |
CN109933577B (zh) | 基于tbm岩-机参数动态交互机制的隧洞可掘进预测方法及系统 | |
CN103362507B (zh) | 一种提高采煤机记忆截割执行精度的方法 | |
CN106778010B (zh) | 基于数据驱动支持向量回归机的tbm刀具寿命预测方法 | |
BR102019022525A2 (pt) | método e sistema de monitoramento e otimização online das operações de mineração e processamento de minérios | |
CN104963691A (zh) | 一种复杂地层条件下土压盾构开挖面稳定性预测控制方法 | |
CN103870677B (zh) | 一种掘进机的掘进参数设定方法 | |
CN106407624B (zh) | 一种虚拟采煤机记忆截割方法 | |
CN106089201B (zh) | 一种用于无人化采煤工作面的截割路径规划方法 | |
CN110110419A (zh) | 一种基于多目标学习的tbm掘进参数预测方法 | |
WO2004070425A1 (en) | Method for computing complexity, confidence and technical maturity indices for reservoir evaluations | |
CN103984788A (zh) | 一种煤巷锚杆支护自动智能设计与优化系统 | |
US20170146690A1 (en) | Method for generating secondary data in geostatistics using observed data | |
CN110096827A (zh) | 一种基于深度神经网络的盾构机参数优化方法 | |
DE112013007668T5 (de) | Steuern einer Bohrgarnitur in einem Bohrloch | |
CN110347155A (zh) | 一种智能车辆自动驾驶控制方法及系统 | |
CN108763752B (zh) | 一种盾构隧道下穿水道确定施工掘进参数的方法 | |
CN112883559A (zh) | 基于大数据体系的规划截割方法和装置、存储介质及电子装置 | |
Wallace et al. | A system for real-time drilling performance optimization and automation based on statistical learning methods | |
CN110619483A (zh) | 一种基于多源数据融合分析的隧洞围岩等级动态变更与决策方法 | |
CN106703823B (zh) | 大型掘进装备的姿态纠偏系统及方法 | |
CN110500081A (zh) | 一种基于深度学习的自动钻井方法 | |
CN111144001A (zh) | 一种基于bp神经网络的矿山井筒工程tbm控制方法 | |
CN116071515B (zh) | 一种逐层创建数字化三维地质模型方法及应用系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |