CN109358505A - 一种tbm智能驾驶方法及系统 - Google Patents
一种tbm智能驾驶方法及系统 Download PDFInfo
- Publication number
- CN109358505A CN109358505A CN201811255732.XA CN201811255732A CN109358505A CN 109358505 A CN109358505 A CN 109358505A CN 201811255732 A CN201811255732 A CN 201811255732A CN 109358505 A CN109358505 A CN 109358505A
- Authority
- CN
- China
- Prior art keywords
- parameter
- tbm
- unit
- intelligent driving
- slag
- 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
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
- G05B13/0275—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 using fuzzy logic only
-
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Earth Drilling (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出了一种TBM智能驾驶方法及系统,方法的步骤为:TBM掘进参数智能决策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,预测出的掘进参数;在线监测系统实时检测滚刀受力、刀盘振动和设备运行的参数及渣片图像,并将特征信息传送至模糊控制逻辑库;模糊控制逻辑库将特征信息转化为掘进控制参数的调整值和调整步长;当掘进控制参数、滚刀受力、刀盘振动和设备运行的参数及渣片图像分析结果均处于稳态时,TBM智能驾驶系统达到稳定状态。本发明通过滚刀受力、刀盘振动、渣片图像分析、设备运行主参数等在线监测实时反馈相关特征信息至模糊控制逻辑库,给出控制参数的调整值和调整步长,通过闭环反馈实现智能驾驶。
Description
技术领域
本发明涉及隧道掘进装备施工自动化的技术领域,尤其涉及一种TBM智能驾驶方法及系统。
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。传统的施工方法中,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。这样的操作方法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。申请号为2017109374691的中国专利申请“一种硬岩TBM掘进控制参数智能决策方法及系统”,提出了一种基于设备运行参数的围岩状态感知与掘进参数智能决策方法,但是该模型是基于司机历史驾驶行为建模的研究,无法评判该模型的掘进参数是否是最优的。
发明内容
针对传统施工方法无法预测掘进参数的技术问题和TBM智能化安全高效掘进的需求,本发明提出一种TBM智能驾驶方法及系统,增加了设备在线监测单元,通过模糊逻辑控制单元根据在线监测单元获取的特征值指标输出掘进参数调整值和调整步长,实现智能掘进的闭环控制。
为了达到上述目的,本发明的技术方案是这样实现的:一种TBM智能驾驶方法,其步骤如下:
步骤一:TBM掘进参数智能决策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,预测出的掘进参数;
步骤二:在线监测系统实时检测滚刀受力、刀盘振动和设备运行的参数及渣片图像,并将相应的特征信息传送至模糊控制逻辑库;
步骤三:模糊控制逻辑库将特征信息转化为掘进控制参数的调整值和调整步长;
步骤四:当掘进控制参数、滚刀受力、刀盘振动和设备运行的参数及渣片图像分析结果均处于稳态时,TBM智能驾驶系统达到稳定状态。
所述TBM掘进参数智能决策单元通过三层神经网络、支持向量机和最小回归的方法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,感知掌子面岩体状态;根据当前的掘进环境,预测出最优控制掘进参数,给出掘进参数的建议值。
所述步骤二中滚刀受力参数的特征信息包含但不限于力的均值、有效值和方差值;所述步骤二中刀盘振动参数的特征信息包含但不限于振动的有效值、烈度值、峭度值、裕度值、均方频率或均方根频率;所述步骤二中渣片图像分析后的特征信息包含但不限于渣片粒径分布指标、渣片长短轴比值指标或渣片纹理指标;所述步骤二中设备运行的主参数的特征信息包含但不限于总推进力或刀盘扭矩。
所述步骤三中模糊控制逻辑库根据既定的模糊控制规则对获取的特征信息进行综合处理,给出掘进控制参数的调整值和调整步长,掘进控制参数包含但不限于推进速度、刀盘转速或渣片皮带机转速。
所述步骤四中稳定状态的判定由模糊控制规则库根据获取的特征信息进行综合判定,当TBM智能驾驶系统达到稳态时,不再调整掘进控制参数,此时调整值和调整步长显示为0。
一种TBM智能驾驶系统,包括TBM掘进参数智能决策单元和在线监测系统,在线监测系统包括滚刀在线监测单元、刀盘振动在线监测单元、渣片图像监测单元和设备主参数监控单元,渣片图像监测单元与渣片图像分析单元相连接,渣片图像分析单元、滚刀在线监测单元、刀盘振动在线监测单元和设备主参数监控单元均与模糊控制逻辑单元相连接,模糊控制逻辑单元和TBM掘进参数智能决策单元均与上位机相连接。
所述模糊控制逻辑单元内设有模糊控制逻辑库。
所述滚刀在线监测单元包括力学传感器,刀盘振动在线监测单元包括振动传感器,力学传感器和振动传感器均通过导线与分线箱相连接,分线箱通过导线、中心滑环与无线数据采集箱相连接;所述无线数据采集箱包括电能传输单元和数据采集单元,无线数据采集箱的电能传输单元通过导线与供电模块相连接,无线数据采集箱的数据采集单元通过网线或光纤与上位机相连接;所述渣片图像监测单元通过光缆与上位机相连接,设备主参数监控单元通过光纤与上位机相连接。
所述无线数据采集箱的数据采集单元包括无线数据采集单元和有线数据采集单元,中心滑环内设有与电能传输单元相匹配的传输电信号和与有线数据采集单元相匹配的传输数据信号的端子,中心滑环可同时满足电信号和数字信号的传输。
所述导线和光纤的两端部均设有插头,所述插头为航空插头。
本发明的有益效果:现场应用时,TBM掘进参数智能决策系统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,预测出合适的掘进参数。本发明通过滚刀受力、刀盘振动、渣片图像分析、设备运行主参数等在线监测系统实时反馈相关特征信息至模糊控制逻辑库,给出控制参数的调整值和调整步长,通过闭环反馈实现智能驾驶。
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智能驾驶方法的流程图。
图2为本发明TBM智能驾驶系统的原理框图。
图3为本发明在线监测系统的供电与数据传输的结构示意图。
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TBM智能驾驶方法,包含TBM掘进参数智能决策方法、模糊控制逻辑库算法、渣片图像分析算法、滚刀受力分析算法和刀盘振动数据分析算法,其步骤如下:
步骤一:TBM掘进参数智能决策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,预测出的掘进参数。
所述TBM掘进参数智能决策单元通过三层神经网络、支持向量机和最小回归的方法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,感知掌子面岩体状态;根据当前的掘进环境,预测出最优控制掘进参数,给出掘进参数的建议值。
步骤二:在线监测系统实时检测滚刀受力、刀盘振动和设备运行的参数及渣片图像,并将相应的特征信息传送至模糊控制逻辑库。
所述步骤二中滚刀受力参数的特征信息包含但不限于力的均值、有效值和方差值;所述步骤二中刀盘振动参数的特征信息包含但不限于振动的有效值、烈度值、峭度值、裕度值、均方频率或均方根频率,有效值、烈度值、峭度值、裕度值属于时域指标,均方频率和均方根频率属于频域指标;所述步骤二中渣片图像分析后的特征信息包含但不限于渣片粒径分布指标、渣片长短轴比值指标或渣片纹理指标;所述步骤二中设备运行的主参数的特征信息包含但不限于总推进力或刀盘扭矩。
振动参数的特征信息是从刀盘振动在线监测单元的振动传感器获取的信号求取的时域和频域特征。渣片图像信息是对采集的渣片图像基于图像分割后提取的图像特征。滚刀受力参数是通过滚刀受力在线监测单元的力学传感器获取的信号特征。
步骤三:模糊控制逻辑库将特征信息转化为掘进控制参数的调整值和调整步长。
所述步骤三中模糊控制逻辑库根据既定的模糊控制规则对获取的特征信息进行综合处理,给出掘进控制参数的调整值和调整步长,掘进控制参数包含但不限于推进速度、刀盘转速或渣片皮带机转速。
模糊控制逻辑库的建立基于获取的特征信息的积累,当TBM智能驾驶系统安装TBM设备上后,模糊控制逻辑库基于大量数据的获取建立相关控制规则。
步骤四:当掘进控制参数、滚刀受力、刀盘振动和设备运行的参数及渣片图像分析结果均处于稳态时,TBM智能驾驶系统达到稳定状态。
所述步骤四中稳定状态的判定由模糊控制规则库根据获取的特征信息进行综合判定,当TBM智能驾驶系统达到稳态时,不再调整掘进控制参数,此时调整值和调整步长显示为0。
如图2所示,一种TBM智能驾驶系统,包括TBM掘进参数智能决策单元和在线监测系统,在线监测系统包括滚刀在线监测单元、刀盘振动在线监测单元、渣片图像监测单元和设备主参数监控单元,渣片图像监测单元与渣片图像分析单元相连接,渣片图像分析单元、滚刀在线监测单元、刀盘振动在线监测单元和设备主参数监控单元均与模糊控制逻辑单元相连接,模糊控制逻辑单元和TBM掘进参数智能决策单元均与上位机相连接。模糊控制逻辑库单元依据各个在线监测单元获取的特征信息,输出掘进参数的调整值和调整步长至上位机,从而实时调整掘进参数。
所述模糊控制逻辑单元内设有模糊控制逻辑库。TBM掘进参数智能决策单元由申请号为2017109374691的中国专利申请一种硬岩TBM掘进控制参数智能决策方法及系统得到。
如图3所示,所述滚刀在线监测单元1包括力学传感器,刀盘振动在线监测单元5包括振动传感器,力学传感器和振动传感器均通过导线与分线箱相连接,分线箱3通过导线和中心滑环4与无线数据采集箱2相连接,无线数据采集箱2通过导线与供电模块相连接,无线数据采集箱2通过网线或光纤与上位机相连接。无线数据采集箱包括电能传输单元和数据采集单元,可以同时实现电能传送和数据采集。供电模块引入无线数据采集箱,再引出至中心滑环、分线箱到滚刀在线监测单元1和刀盘振动在线监测单元5。渣片图像监测单元通过光缆与上位机相连接,设备主参数监控单元通过光纤与上位机相连,实现数据传输。
中心滑环内设有与电能传输单元相匹配的传输电信号和与有线数据采集单元相匹配的传输数据信号的端子,中心滑环可同时满足电信号和数字信号的传输。数据采集单元包括无线数据采集单元和有线数据采集单元。传输电信号的端子与电能传输单元相匹配,传输数据信号的端子与有线数据采集单元相匹配。数据采集方式可通过有线和无线两种,当采用有线采集时,中心滑环需要满足传输电信号和数据信号的要求,当采用无线采集时,中心滑环只需供电即可。
所述导线和光纤两端均设有插头,所述插头为航空插头,其防护等级达到IP67及以上,减少TBM施工中的水、泥等对在线监测系统可靠性的影响。
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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种TBM智能驾驶方法,其特征在于,其步骤如下:
步骤一:TBM掘进参数智能决策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,预测出的掘进参数;
步骤二:在线监测系统实时检测滚刀受力、刀盘振动和设备运行的参数及渣片图像,并将相应的特征信息传送至模糊控制逻辑库;
步骤三:模糊控制逻辑库将特征信息转化为掘进控制参数的调整值和调整步长;
步骤四:当掘进控制参数、滚刀受力、刀盘振动和设备运行的参数及渣片图像分析结果均处于稳态时,TBM智能驾驶系统达到稳定状态。
2.根据权利要求1所述的TBM智能驾驶方法,其特征在于,所述TBM掘进参数智能决策单元通过三层神经网络、支持向量机和最小回归的方法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,感知掌子面岩体状态;根据当前的掘进环境,预测出最优控制掘进参数,给出掘进参数的建议值。
3.根据权利要求1或2所述的TBM智能驾驶方法,其特征在于,所述步骤二中滚刀受力参数的特征信息包含但不限于力的均值、有效值和方差值;所述步骤二中刀盘振动参数的特征信息包含但不限于振动的有效值、烈度值、峭度值、裕度值、均方频率或均方根频率;所述步骤二中渣片图像分析后的特征信息包含但不限于渣片粒径分布指标、渣片长短轴比值指标或渣片纹理指标;所述步骤二中设备运行的主参数的特征信息包含但不限于总推进力或刀盘扭矩。
4.根据权利要求3所述的TBM智能驾驶方法,其特征在于,所述步骤三中模糊控制逻辑库根据既定的模糊控制规则对获取的特征信息进行综合处理,给出掘进控制参数的调整值和调整步长,掘进控制参数包含但不限于推进速度、刀盘转速或渣片皮带机转速。
5.根据权利要求3或4所述的TBM智能驾驶方法,其特征在于,所述步骤四中稳定状态的判定由模糊控制规则库根据获取的特征信息进行综合判定,当TBM智能驾驶系统达到稳态时,不再调整掘进控制参数,此时调整值和调整步长显示为0。
6.一种TBM智能驾驶系统,其特征在于,包括TBM掘进参数智能决策单元和在线监测系统,在线监测系统包括滚刀在线监测单元、刀盘振动在线监测单元、渣片图像监测单元和设备主参数监控单元,渣片图像监测单元与渣片图像分析单元相连接,渣片图像分析单元、滚刀在线监测单元、刀盘振动在线监测单元和设备主参数监控单元均与模糊控制逻辑单元相连接,模糊控制逻辑单元和TBM掘进参数智能决策单元均与上位机相连接。
7.根据权利要求6所述的TBM智能驾驶系统,其特征在于,所述模糊控制逻辑单元内设有模糊控制逻辑库。
8.根据权利要求6所述的TBM智能驾驶系统,其特征在于,所述滚刀在线监测单元包括力学传感器,刀盘振动在线监测单元包括振动传感器,力学传感器和振动传感器均通过导线与分线箱相连接,分线箱通过导线、中心滑环与无线数据采集箱相连接;所述无线数据采集箱包括电能传输单元和数据采集单元,无线数据采集箱的电能传输单元通过导线与供电模块相连接,无线数据采集箱的数据采集单元通过网线或光纤与上位机相连接;所述渣片图像监测单元通过光缆与上位机相连接,设备主参数监控单元通过光纤与上位机相连接。
9.根据权利要求6所述的TBM智能驾驶系统,其特征在于,所述无线数据采集箱的数据采集单元包括无线数据采集单元和有线数据采集单元,中心滑环内设有与电能传输单元相匹配和与有线数据采集单元相匹配的端子。
10.根据权利要求8所述的TBM智能驾驶系统,其特征在于,所述导线和光纤的两端部均设有插头,所述插头为航空插头。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811255732.XA CN109358505B (zh) | 2018-10-26 | 2018-10-26 | 一种tbm智能驾驶方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811255732.XA CN109358505B (zh) | 2018-10-26 | 2018-10-26 | 一种tbm智能驾驶方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109358505A true CN109358505A (zh) | 2019-02-19 |
CN109358505B CN109358505B (zh) | 2022-03-29 |
Family
ID=65346851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811255732.XA Active CN109358505B (zh) | 2018-10-26 | 2018-10-26 | 一种tbm智能驾驶方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109358505B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144635A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
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 |
CN114692273A (zh) * | 2022-03-29 | 2022-07-01 | 中铁工程装备集团有限公司 | 面向tbm施工隧道地质字典建立方法及系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101210495A (zh) * | 2007-12-25 | 2008-07-02 | 大连理工大学 | 全断面大型掘进装备的动态协调控制系统 |
KR20110107481A (ko) * | 2010-03-25 | 2011-10-04 | 김한규 | 피로도 센서기반 임베디드 정비관리시스템 |
CN103499920A (zh) * | 2013-09-03 | 2014-01-08 | 北京工业大学 | 向量时间序列预测专家模糊变比控制参数优化方法和系统 |
CN103870677A (zh) * | 2014-02-07 | 2014-06-18 | 上海交通大学 | 一种掘进机的掘进参数设定方法 |
CN105352463A (zh) * | 2015-09-23 | 2016-02-24 | 中国人民解放军军事交通学院 | 硬岩隧道掘进机盘形滚刀磨损量的实时计算方法 |
CN105938611A (zh) * | 2016-07-06 | 2016-09-14 | 山东大学 | 一种基于随钻参数对地下工程围岩快速实时分级的方法 |
CN106370333A (zh) * | 2016-09-21 | 2017-02-01 | 武汉大学 | 一种tbm滚刀受力在线实时监测装置及监测方法 |
CN106481344A (zh) * | 2016-10-25 | 2017-03-08 | 华中科技大学 | 一种土压平衡盾构机隧道掘进参数智能控制方法 |
CN106570275A (zh) * | 2016-11-07 | 2017-04-19 | 沈阳工业大学 | 一种基于cai值的tbm滚刀磨损预测方法 |
CN106703823A (zh) * | 2016-11-24 | 2017-05-24 | 浙江大学宁波理工学院 | 大型掘进装备的姿态纠偏系统及方法 |
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 |
CN107577862A (zh) * | 2017-08-30 | 2018-01-12 | 中铁工程装备集团有限公司 | 一种tbm在掘岩体状态实时感知系统和方法 |
CN107632523A (zh) * | 2017-09-30 | 2018-01-26 | 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 |
CN107655393A (zh) * | 2017-11-06 | 2018-02-02 | 中铁工程装备集团有限公司 | 一种tbm滚刀全状态实时在线监测系统及其测量方法 |
CN107885899A (zh) * | 2017-06-06 | 2018-04-06 | 中铁隧道集团有限公司 | 一种盾构tbm掘进效能综合评价方法 |
CN207395645U (zh) * | 2017-11-06 | 2018-05-22 | 中铁工程装备集团有限公司 | 一种tbm滚刀全状态实时在线监测系统 |
CN108182440A (zh) * | 2018-01-09 | 2018-06-19 | 中铁工程装备集团有限公司 | 一种基于渣片图像识别获取围岩类别的方法 |
CN108470095A (zh) * | 2018-03-07 | 2018-08-31 | 大连理工大学 | 基于数据驱动径向基函数模型的tbm推进力预测方法 |
CN207829897U (zh) * | 2018-02-01 | 2018-09-07 | 中铁工程装备集团有限公司 | 一种常压换刀刀盘滚刀受力实时监测装置 |
CN108643930A (zh) * | 2018-05-08 | 2018-10-12 | 中铁工程装备集团有限公司 | 一种tbm隧道施工实时预警方法 |
-
2018
- 2018-10-26 CN CN201811255732.XA patent/CN109358505B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101210495A (zh) * | 2007-12-25 | 2008-07-02 | 大连理工大学 | 全断面大型掘进装备的动态协调控制系统 |
KR20110107481A (ko) * | 2010-03-25 | 2011-10-04 | 김한규 | 피로도 센서기반 임베디드 정비관리시스템 |
CN103499920A (zh) * | 2013-09-03 | 2014-01-08 | 北京工业大学 | 向量时间序列预测专家模糊变比控制参数优化方法和系统 |
CN103499920B (zh) * | 2013-09-03 | 2017-04-19 | 北京工业大学 | 向量时间序列预测专家模糊变比控制参数优化方法和系统 |
CN103870677A (zh) * | 2014-02-07 | 2014-06-18 | 上海交通大学 | 一种掘进机的掘进参数设定方法 |
CN105352463A (zh) * | 2015-09-23 | 2016-02-24 | 中国人民解放军军事交通学院 | 硬岩隧道掘进机盘形滚刀磨损量的实时计算方法 |
CN105938611A (zh) * | 2016-07-06 | 2016-09-14 | 山东大学 | 一种基于随钻参数对地下工程围岩快速实时分级的方法 |
CN106370333A (zh) * | 2016-09-21 | 2017-02-01 | 武汉大学 | 一种tbm滚刀受力在线实时监测装置及监测方法 |
CN106481344A (zh) * | 2016-10-25 | 2017-03-08 | 华中科技大学 | 一种土压平衡盾构机隧道掘进参数智能控制方法 |
CN106570275A (zh) * | 2016-11-07 | 2017-04-19 | 沈阳工业大学 | 一种基于cai值的tbm滚刀磨损预测方法 |
CN106703823A (zh) * | 2016-11-24 | 2017-05-24 | 浙江大学宁波理工学院 | 大型掘进装备的姿态纠偏系统及方法 |
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 |
CN107885899A (zh) * | 2017-06-06 | 2018-04-06 | 中铁隧道集团有限公司 | 一种盾构tbm掘进效能综合评价方法 |
CN107577862A (zh) * | 2017-08-30 | 2018-01-12 | 中铁工程装备集团有限公司 | 一种tbm在掘岩体状态实时感知系统和方法 |
CN107632523A (zh) * | 2017-09-30 | 2018-01-26 | 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 |
CN107655393A (zh) * | 2017-11-06 | 2018-02-02 | 中铁工程装备集团有限公司 | 一种tbm滚刀全状态实时在线监测系统及其测量方法 |
CN207395645U (zh) * | 2017-11-06 | 2018-05-22 | 中铁工程装备集团有限公司 | 一种tbm滚刀全状态实时在线监测系统 |
CN108182440A (zh) * | 2018-01-09 | 2018-06-19 | 中铁工程装备集团有限公司 | 一种基于渣片图像识别获取围岩类别的方法 |
CN207829897U (zh) * | 2018-02-01 | 2018-09-07 | 中铁工程装备集团有限公司 | 一种常压换刀刀盘滚刀受力实时监测装置 |
CN108470095A (zh) * | 2018-03-07 | 2018-08-31 | 大连理工大学 | 基于数据驱动径向基函数模型的tbm推进力预测方法 |
CN108643930A (zh) * | 2018-05-08 | 2018-10-12 | 中铁工程装备集团有限公司 | 一种tbm隧道施工实时预警方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144635A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
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 |
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 |
CN114692273A (zh) * | 2022-03-29 | 2022-07-01 | 中铁工程装备集团有限公司 | 面向tbm施工隧道地质字典建立方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109358505B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109358505A (zh) | 一种tbm智能驾驶方法及系统 | |
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 | |
CN112381963B (zh) | 一种基于数字孪生技术的电力物联网智能巡检方法及系统 | |
CN102288153B (zh) | 基于振动发电的高压线风偏在线监测系统及其方法 | |
CN104007714B (zh) | 分布式配电房在线集中监控系统 | |
CN110048894A (zh) | 一种用于油气生产的多井数据采集与智能监控方法及系统 | |
WO2024046363A1 (zh) | Gis局部放电诊断方法、模型训练方法、装置及系统 | |
CN113639651A (zh) | 一种露天矿边坡稳定性预测装置及其预测方法 | |
CN107976216A (zh) | 一种带电作业安全预警系统 | |
CN109113708A (zh) | 一种钻机控制系统 | |
CN201592933U (zh) | 电梯运行记录仪 | |
CN107807397A (zh) | 智能高精度海洋地磁场监测网系统 | |
CN107483570A (zh) | 一种基于光纤网络的电缆状态在线监测通讯系统 | |
CN108230624A (zh) | 基于cc2530的山体滑坡监测系统 | |
CN202850902U (zh) | 一种井下涡轮发电机闭环控制系统 | |
CN110107440A (zh) | 一种水轮发电机组远程监控系统 | |
CN201156264Y (zh) | Gps指纹巡检仪 | |
CN207623440U (zh) | 一种静电防护接地状态的分布式在线监视系统 | |
CN219715703U (zh) | 一种基于负载动态管理的高压电缆接地电流在线监测装置 | |
CN116961231A (zh) | 一种基于电力物联网安全管理系统 | |
CN204755617U (zh) | 带有健康状况监测的智能型盾构机主轴承 | |
CN117291086A (zh) | 基于特长隧道tbm工程的数字孪生智能建造方法及系统 | |
EP0810807A3 (en) | Method and apparatus for analysing network data | |
CN108646629A (zh) | 一种基于ZigBee技术的煤矿井下高温粉尘监控系统及控制方法 | |
CN206329331U (zh) | 一种油田用油井井下多层远程实时测控系统 |
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 |