CN112012758A - 盾构机推进控制系统性能优化方法 - Google Patents
盾构机推进控制系统性能优化方法 Download PDFInfo
- Publication number
- CN112012758A CN112012758A CN202010923791.0A CN202010923791A CN112012758A CN 112012758 A CN112012758 A CN 112012758A CN 202010923791 A CN202010923791 A CN 202010923791A CN 112012758 A CN112012758 A CN 112012758A
- Authority
- CN
- China
- Prior art keywords
- curve
- deviation
- shield
- axis
- tunnel
- 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
- 230000005641 tunneling Effects 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000013461 design Methods 0.000 claims description 83
- 238000012937 correction Methods 0.000 claims description 26
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 241000256844 Apis mellifera Species 0.000 description 39
- 235000012907 honey Nutrition 0.000 description 26
- 241000257303 Hymenoptera Species 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000006978 adaptation Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000256837 Apidae Species 0.000 description 2
- 206010012411 Derailment Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
Images
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
- E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
- E21D9/093—Control of the driving shield, e.g. of the hydraulic advancing cylinders
-
- 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
- E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
- E21D9/0621—Shield advancing devices
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)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明涉及盾构机推进控制系统性能优化方法，所述方法至少包括：基于曲率均匀变化的缓和曲线构建纠偏轨迹模型，所述纠偏轨迹模型至少包括彼此相接的第一曲线、第二曲线和第三曲线，所述第二曲线为缓和曲线且其曲率半径大于盾构机的最小转弯半径，并且第二曲线的曲率半径小于所述第一曲线和第三曲线的曲率半径；基于至少一个直线段拟合所述纠偏轨迹模型，基于人工蜂群算法以盾构机的推进系统、转向参数、探测参数中的一个或几个为约束条件搜索相邻两个直线段之间连接的位置信息，从而确定直线段的数量和长度。
Description
技术领域
本发明涉及盾构机技术领域，尤其涉及盾构机推进控制系统性能优化方法。
背景技术
在盾构施工中，由于地质施工环境的复杂、线路线性变化等因素，盾构机推进过程中其轴线很容易发生偏离。当偏差超过允许范围时，必须及时将轴线纠正回原隧道设计轴线。在传统的盾构轴线纠偏方法中，主要依赖操作人员施工经验手动调整盾构机参数，因此掘进轨迹精度主要依赖操作人员的熟练度和经验。
现有技术可以通过机械学习、神经网络算法、模糊控制等技术领域结合，给出盾构掘进参考数据以实现纠偏。例如，公开号为CN110242310A的中国专利文献公开了一种基于深度神经网络与关联分析结合的盾构轴线纠偏方法，用于解决现有技术中存在的纠偏精度较低的技术问题，实现步骤为：构建盾构参数数据包；计算每类盾构轴线偏差的历史纠偏数据；构建基于深度神经网络DNN的轴线偏差参数回归模型；获取每类盾构轴线偏差的历史纠偏数据区间；获取每类盾构轴线偏差的每环纠偏量区间关联的纠偏掘进数据区间；获取盾构机各环所需的纠偏量；获取每环纠偏掘进参数推荐数值。通过深度神经网络DNN构建盾构轴线偏差参数回归模型，通过关联分析获得与每环纠偏量区间关联的纠偏掘进数据区间，通过反向圆几何计算方法获得每环纠偏量，并通过每环纠偏掘进参数推荐数值实现纠偏，有效提高了纠偏精度。但是该专利采用的纠偏方法没有考虑到盾构机在掘进过程中纠偏轨迹对纠偏的复杂度和精度带来的影响，如果仅使用最小纠偏半径的方法规划纠偏轨迹，基于盾构机每个掘进环的历史数据进行纠偏的话，需要处理海量的数据。具体而言，在进行盾构轴线纠偏时，对盾构机掘进过程中的一个掘进行程(掘进环)进行运动学建模分析，通过算法计算得出每一个掘进环盾构机轴线需要偏转的角度以及千斤顶油缸的行程。因此盾构轴线纠偏的计算复杂度随掘进环数的增加而升高。如果遇到纠偏轨迹长度较长的情况下，不仅要计算每个掘进环的参数，还要基于查询、计算历史纠偏数据以及通过神经网络来构建模型，盾构机需要处理海量的数据，不仅导致纠偏时间较长，而且其基于神经网络构建的回归模型需要大量的历史数据作为模型训练的基础，由于地质层地质多变，盾构机纠偏得到的历史数据差别较大，利用神经网络算法训练得到的纠偏模型不准确。
此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于发明人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
针对现有技术之不足，本发明提供一种盾构机推进控制系统性能优化方法，用于解决现有技术中存在的纠偏精度较低、纠偏速度较慢的问题。所述方法至少包括：
基于曲率均匀变化的缓和曲线构建纠偏轨迹模型。优选地，所述纠偏轨迹模型至少包括彼此相接的第一曲线、第二曲线和第三曲线。所述第二曲线为缓和曲线且其曲率半径大于盾构机的最小转弯半径。第二曲线的曲率半径小于所述第一曲线和第三曲线的曲率半径。现有技术的纠偏曲线均是以最小转弯半径为纠偏曲线的半径，这样产生的纠偏的轨迹最短。但是如果盾构机从直线运行的状态直接以最小转弯半径进行转向的话，其形成的轨道使得车辆行驶时会产生较大的离心力，会对车辆行驶的轨道产生较大的损伤，甚至会产生脱轨的风险具有较大的安全隐患。特别是在盾构机通过调整转动方向回归到隧道设计轴线的过程中，盾构机纠偏轨迹的曲率半径最小的部分肯定不在起始和停止位置。进而如果以最小转弯半径为纠偏半径的话，其在纠偏的过程中可能需要围绕隧道设计轴线摆动，以“蛇形”前进的方式完成纠偏，这样不仅增加了纠偏轨迹的长度，还使得隧道具有多个连续且方向突变的转弯，进而车辆运行不流畅且会产生巨大的离心力。因此本发明采用三段曲线的方式来构建盾构机纠偏的纠偏轨迹模型，将连接盾构机起始位置处的曲线定义为第一曲线。将连接盾构机纠偏停止位置的曲线为第三曲线。将盾构机纠偏过程中曲率半径最小的区域定义为第二曲线。通过该设置方式虽然在某些情况下增加了纠偏轨迹的长度，但是由于其始终将曲率半径最小的区域设置在第一曲线和第二曲线之间，进而盾构机纠偏的大多数情况下都只位于隧道设计轴线的一侧，避免纠偏轨迹围绕隧道设计轴线两侧摆动。而且，即使是纠偏轨迹可能需要由隧道设计轴线的一侧穿越到另一侧来完成纠偏，其也只需要1到3次的摆动就能实现纠偏。此外，第二曲线为缓和曲线，由于其曲率半径为均匀变化，因此能够避免离心力过大。
根据一种优选实施方式，所述第二曲线至少包括彼此曲率中心指向相反的第一弧线段和第二弧线段。所述第一弧线段和第二弧线段的相切点处的曲率半径最小。该相切点处的曲率半径大于盾构机的最小转弯半径。
根据一种优选实施方式，第三曲线的长度大于第一曲线。第三曲线的曲率半径大于第一曲线的曲率半径。优选地，第一曲线的曲率半径与盾构机最小转弯半径之间的差值大于第一阈值。优选地，第一阈值可以是最小转弯半径的20％。
根据一种优选实施方式，在盾构机处于其自身轴线与隧道设计轴线平行且其自身轴线与隧道设计轴线的距离超过最大允许的偏差的情况下，所述第一曲线的一端位于盾构机的起始位置，另一端与第一弧线段相切。所述第三曲线的一端与第二弧线段相切，另一端与隧道设计轴线相切。所述第三曲线与隧道设计轴线相切的一端与隧道设计轴线的距离位于最大允许的偏差内。
根据一种优选实施方式，在盾构机的刀盘指向隧道设计轴线且盾构机的自身轴线与隧道设计轴线不平行的情况下，所述纠偏轨迹模型通过第四曲线进行纠偏。所述第四曲线至少包括修正直线段和修正曲线段。优选地，在盾构机不位于隧道设计轴线的情况下，盾构机通过所述修正直线段运动至隧道设计轴线处。盾构机通过所述修正曲线段运动至盾构机的自身轴线与隧道设计轴线平行且其自身轴线与隧道设计轴线的距离超过最大允许的偏差。优选地，所述修正曲线段与所述第一曲线相切。所述修正曲线段的曲率半径大于所述第二曲线。优选地，在盾构机位于隧道设计轴线的情况下，盾构机通过所述修正曲线段运动至盾构机的自身轴线与隧道设计轴线平行且其自身轴线与隧道设计轴线的距离超过最大允许的偏差。
根据一种优选实施方式，在盾构机的刀盘背离隧道设计轴线，并且盾构机的自身轴线与隧道设计轴线不平行以及其自身轴线与隧道设计轴线的距离不为零的情况下，盾构机通过所述修正曲线段运动至盾构机的自身轴线与隧道设计轴线平行且其自身轴线与隧道设计轴线的距离超过最大允许的偏差。
根据一种优选实施方式，基于至少一个直线段拟合所述纠偏轨迹模型。现有技术在进行盾构轴线纠偏时，对盾构机掘进过程中的一个掘进行程(掘进环)进行运动学建模分析，通过算法计算得出每一个掘进环盾构机轴线需要偏转的角度以及千斤顶油缸的行程。因此盾构轴线纠偏的计算复杂度随掘进环数的增加而升高。如果遇到纠偏轨迹长度较长的情况下，不仅要计算每个掘进环的参数，还要基于查询、计算历史纠偏数据以及通过神经网络来构建模型，盾构机需要处理海量的数据，不仅导致纠偏时间较长，而且其基于神经网络构建的回归模型需要大量的历史数据作为模型训练的基础，由于地质层地质多变，盾构机纠偏得到的历史数据差别较大，利用神经网络算法训练得到的纠偏模型不准确。而本发明利用直线段来拟合纠偏轨迹模型，盾构机在直线段运行的过程中不需要计算偏转的角度以及千斤顶油缸的行程，并且盾构机在直线段的掘进比在曲线段的控制容易的多，即本发明不需要以掘进环为单位进行控制，因此对盾构机的掘进控制的复杂度以及数据处理的量级也会显著降低，进而相对提高了纠偏的精度和纠偏速度。
优选地，基于人工蜂群算法以盾构机的推进参数、转向参数、探测参数中的一个或几个为约束条件搜索所述第二曲线中拟合的相邻两个直线段之间连接的位置信息。从而确定直线段的数量和长度。对于第一曲线和第三曲线可以通过圆曲线而不是缓和曲线来构建，而且第一曲线和第三曲线其曲率半径较大，可以以最少直线段为约束条件来进行直线段的拟合。而对于第二曲线，其采用的缓和曲线，而缓和曲线是一种复杂的光滑曲线，需要通过计算量较大且复杂的迭代方式进行计算，因此对于第二曲线如果直线段数量过少，那么就需要盾构机的测量模块和控制模块的精度足够高，尤其是在曲率半径最小处，其曲率半径接近盾构机的最小转弯半径，且其曲率半径变化的幅度较大，对精度要求更高，需要保证不会出现较大的偏差，否则不仅可能偏离缓和曲线，而且可能导致曲率半径过小，使得离心力过大。因此本发明利用人工蜂群算法求解第二曲线，并通过搜索确定第二曲线中拟合的相邻两个直线段之间连接的位置信息，进而确定直线段的数量。优选地，还可以通过人工蜂群算法确定每个相邻直线段之间的角度，从而确定直线段的长度。
根据一种优选实施方式，以在满足盾构机自身控制精度的要求下尽量减少直线段的数量为约束条件基于人工蜂群算法搜索拟合所述第二曲线的相邻两个直线段之间连接的位置信息和速度信息，从而确定拟合的直线段。盾构机自身控制精度为以最大的位置偏差和最大的转动角度偏差沿人工峰群算法搜索到的拟合的直线段运动得到的轨迹与所述纠偏轨迹模型的位置偏差和角度偏差不会超过最大的位置偏差阈值和角度偏差阈值。
根据一种优选实施方式，基于人工蜂群算法搜索拟合所述第二曲线的相邻两个直线段之间连接的位置信息和速度信息步骤至少包括：
基于隧道设计轴线和盾构机相对隧道设计轴线的距离构建坐标系；
基于所述坐标系将所述第二曲线划分为点集，其中，
所述点集中每个点至少包括位置信息和速度信息；
将这些点集划分为点的数量相等的子点集；
对每个子点集进行更新迭代以生成至少一个点；
评价每个点的适应值并记录最优点；
将最优点作为人工蜂群算法的初始点；
按照人工蜂群的更新公式更新该初始点，从而得到人工蜂群算法的最优点。
根据一种优选实施方式，所述适应值为目标函数的值。所述目标函数为盾构机以最大的位置偏差和最大的转动角度偏差沿人工峰群算法搜索到的直线段运动得到的盾构机的位置偏差和角度偏差。
根据一种优选实施方式，采用最少直线段为约束条件搜索拟合所述第一曲线和第三曲线的直线段。约束条件包括相邻的两个直线段之间的角度不能超过盾构机的最大转动角度，使得盾构机运动到所述第一曲线与第二曲线相切点时距离所述纠偏轨迹模型上对应该点的距离小于位置偏差阈值。使得盾构机运动到所述第三曲线与隧道设计轴线相切点时距离所述纠偏轨迹模型上对应该点的距离位于最大允许的偏差内。
附图说明
图1是本发明轨迹纠偏模型的一种优选实施方式的示意图；
图2是本发明轨迹纠偏模型的另一种优选实施方式的示意图；
图3是本发明轨迹纠偏模型的又另一种优选实施方式的示意图；
图4是本发明方法的步骤流程示意图。
附图标记列表
10：纠偏轨迹模型 10a：第一曲线
10b：第二曲线 10c：第三曲线
10d：第四曲线
具体实施方式
下面结合附图1至4进行详细说明。
人工蜂群算法：在人工蜂群算法共有采蜜蜂、雇佣蜂以及侦查蜂三种。蜂群的目标是寻找蜜量最大的蜜源。其中，采蜜蜂和雇佣蜂各占群体总数的一半。假设一个蜜源只有一个采蜜蜂工作，用m表示。侦查蜂是当采蜜蜂放弃一个蜜源后转变而成的。算法首先在初始化时，随机生成m个初始解，然后按照蜜蜂采蜜原理进行搜索。搜索过程如下：
采蜜蜂选择记忆中邻近的一个蜜源；
采蜜蜂将蜜源信息分享至雇佣蜂，雇佣蜂根据信息选择一个蜜源；
雇佣蜂在自己邻近的蜜源内选择其中一个丰富度最大的蜜源；
如果蜜源多次更新无改进，采蜜蜂放弃原来的蜜源，变成侦查蜂，然后随机搜索新的蜜源。
通过上述过程蜜蜂进行搜索，其每个蜜源表示优化问题中的一个可能解。蜜源的质量对应着解的质量，用适应度值表示。雇佣蜂根据采蜜蜂分享的信息，通过如下概率公式选择其中一个蜜源：
其中，θi表示第i个蜜源。i∈{1,2,…,S}。S表示蜜源的个数。F(θi)表示第θi处蜜源的适应值。在比较θi周围蜜源后，雇佣蜂选择其中一个蜜源。新的蜜源的位置计算公式如下：
θi(c+1)＝θi(c)±ρ(c)
其中，ρ(c)是θi附近随机产生的更新步长。如果新的蜜源适应值大于原来蜜源的适应值，即Fθi(c+1)>Fθi(c)，则雇佣蜂选择新的蜜源，否则保持不变。如果达到限定循环次数后，蜜源的质量仍然没有得到提高，则采蜜蜂放弃该蜜源，变成侦查蜂，位置xi更新如下：
其中
为在j时刻位置xi。ρ′为[0,1]内服从均匀分布的随机数。
实施例1
本实施例公开了一种盾构机推进控制系统性能优化方法，用于解决现有技术中存在的纠偏精度较低、纠偏速度较慢的问题。方法至少包括：
基于曲率均匀变化的缓和曲线构建纠偏轨迹模型10。优选地，如图1所示，纠偏轨迹模型10至少包括彼此相接的第一曲线10a、第二曲线10b和第三曲线10c。在图1中，x轴为隧道设计轴线。Y轴为盾构机自身轴线与隧道设计轴线的距离。第二曲线10b为缓和曲线且其曲率半径大于盾构机的最小转弯半径。第二曲线10b的曲率半径小于第一曲线10a和第三曲线10c的曲率半径。现有技术的纠偏曲线均是以最小转弯半径为纠偏曲线的半径，这样产生的纠偏的轨迹最短。但是如果盾构机从直线运行的状态直接以最小转弯半径进行转向的话，其形成的轨道使得车辆行驶时会产生较大的离心力，会对车辆行驶的轨道产生较大的损伤，甚至会产生脱轨的风险具有较大的安全隐患。特别是在盾构机通过调整转动方向回归到隧道设计轴线的过程中，盾构机纠偏轨迹的曲率半径最小的部分肯定不在起始和停止位置。进而如果以最小转弯半径为纠偏半径的话，其在纠偏的过程中可能需要围绕隧道设计轴线摆动，以“蛇形”前进的方式完成纠偏，这样不仅增加了纠偏轨迹的长度，还使得隧道具有多个连续且方向突变的转弯，进而车辆运行不流畅且会产生巨大的离心力。因此本发明采用三段曲线的方式来构建盾构机纠偏的纠偏轨迹模型，将连接盾构机起始位置处的曲线定义为第一曲线10a。将连接盾构机纠偏停止位置的曲线为第三曲线10c。将盾构机纠偏过程中曲率半径最小的区域定义为第二曲线10b。通过该设置方式虽然在某些情况下增加了纠偏轨迹的长度，但是由于其始终将曲率半径最小的区域设置在第一曲线10a和第二曲线b之间，进而盾构机纠偏的大多数情况下都只位于隧道设计轴线的一侧，避免纠偏轨迹围绕隧道设计轴线两侧摆动。而且，即使是纠偏轨迹可能需要由隧道设计轴线的一侧穿越到另一侧来完成纠偏，其也只需要1到3次的摆动就能实现纠偏。此外，第二曲线10b为缓和曲线，由于其曲率半径为均匀变化，因此能够避免离心力过大。
优选地，如图1所示，第二曲线10b至少包括彼此曲率中心指向相反的第一弧线段和第二弧线段。点E为第一弧线段和第二弧线段的相切点。该相切点处的曲率半径最小。该相切点处的曲率半径大于盾构机的最小转弯半径。优选地，点A为第一曲线10a与第二曲线10b相切的点。点B为第二曲线10b与第三曲线10c相切的点。优选地，第三曲线10c相对点B的一端与隧道设计轴线相切。优选地，盾构机的最小转弯半径与隧道特性、盾尾间隙、铰接角度、液压缸的行程差有关。隧道本身所允许的最小转弯半径为R1。盾尾间隙决定的最小转弯半径为R2。铰接角度决定的最小转弯半径为R3。液压油缸的行程差决定的最小转弯半径为R4。因此盾构机的最小转弯半径为max{R1,R2,R3,R4}。通过该设置方式，使得第一曲线10a的长度相对第三曲线10c的长度较短，从而使得盾构机尽管调转方向。此外第三曲线10c的长度相对较长是为了避免在第三曲线10c处盾构机穿过隧道设计轴线，进而产生蛇形摆动。
根据一种优选实施方式，第三曲线10c的长度大于第一曲线10a。第三曲线10c的曲率半径大于第一曲线10a的曲率半径。优选地，第一曲线10a的曲率半径与盾构机最小转弯半径之间的差值大于第一阈值。优选地，第一阈值可以是最小转弯半径的20％。通过该设置方式，避免盾构机在起始位置处以过大的角度进行转弯，从而产生较大的离心力。
优选地，如图1所示，在盾构机处于其自身轴线与隧道设计轴线平行且其自身轴线与隧道设计轴线的距离超过最大允许的偏差的情况下，第一曲线10a的一端位于盾构机的起始位置，另一端与第一弧线段相切。第三曲线10c的一端与第二弧线段相切，另一端与隧道设计轴线相切。第三曲线10c与隧道设计轴线相切的一端与隧道设计轴线的距离位于最大允许的偏差内。优选地，盾构施工相关规范中规定隧道设计轴线平面位置和高程的隧道允许偏差不能超过±100mm。如果超过最大允许值，应设计纠偏轨迹，使盾构机器回到隧道设计轴线。优选地，本实施例的最大允许的偏差可以是100mm。
根据一种优选实施方式，在盾构机的刀盘指向隧道设计轴线且盾构机的自身轴线与隧道设计轴线不平行的情况下，纠偏轨迹模型10通过第四曲线10d进行纠偏。第四曲线10d至少包括修正直线段和修正曲线段。优选地，在盾构机不位于隧道设计轴线的情况下，盾构机通过修正直线段运动至隧道设计轴线处，如图2所示。优选地，在图2中θ为与隧道设计轴线的夹角，即角度偏差。盾构机通过修正曲线段运动至盾构机的自身轴线与隧道设计轴线平行且其自身轴线与隧道设计轴线的距离超过最大允许的偏差，如图2所示。优选地，修正曲线段与第一曲线10c相切。点C为相切点。修正曲线段的曲率半径大于第二曲线10b。优选地，在盾构机位于隧道设计轴线的情况下，盾构机通过修正曲线段运动至盾构机的自身轴线与隧道设计轴线平行且其自身轴线与隧道设计轴线的距离超过最大允许的偏差。
根据一种优选实施方式，如图3所示，在盾构机的刀盘背离隧道设计轴线，并且盾构机的自身轴线与隧道设计轴线不平行以及其自身轴线与隧道设计轴线的距离不为零的情况下，盾构机通过修正曲线段运动至盾构机的自身轴线与隧道设计轴线平行且其自身轴线与隧道设计轴线的距离超过最大允许的偏差。通过该设置方式，能够保持盾构机的纠偏尽量保持在同一侧，避免盾构机因纠偏而产生蛇形掘进的运动轨迹。蛇形运动的掘进轨迹由较大的波动特性，不利于隧道中车辆的行驶稳定和安全。
优选地，基于人工蜂群算法以盾构机的推进参数、转向参数、探测参数中的一个或几个为约束条件搜索所述第二曲线中拟合的相邻两个直线段之间连接的位置信息。从而确定直线段的数量和长度。对于第一曲线10a和第三曲线10c可以通过圆曲线而不是缓和曲线来构建，而且第一曲线10a和第三曲线10c其曲率半径较大，可以以最少直线段为约束条件来进行直线段的拟合。而对于第二曲线10b，其采用的缓和曲线，而缓和曲线是一种复杂的光滑曲线，需要通过计算量较大且复杂的迭代方式进行计算，因此对于第二曲线10b如果直线段数量过少，那么就需要盾构机的测量模块和控制模块的精度足够高，尤其是在曲率半径最小处，其曲率半径接近盾构机的最小转弯半径，且其曲率半径变化的幅度较大，对精度要求更高，需要保证不会出现较大的偏差，否则不仅可能偏离缓和曲线，而且可能导致曲率半径过小，使得离心力过大。因此本发明利用人工蜂群算法求解第二曲线10b，并通过搜索确定第二曲线10b中拟合的相邻两个直线段之间连接的位置信息，进而确定直线段的数量。优选地，还可以通过人工蜂群算法确定每个相邻直线段之间的角度，从而确定直线段的长度。
优选地，在本发明中，优化的问题是求解第二曲线10b中拟合的相邻两个直线段之间连接的位置。优选地，求解该问题首先即拟合的直线段需要满足相邻两个直线段之间的角度不能超过盾构机转向的最大转动角度。而且直线段的长度应该大于盾构机的掘进环的行程。优选地，基于纠偏精度的要求，实际要求盾构机易于控制其自身的姿态、转动等。而且第二曲线10b的曲率半径接近盾构机的最小转弯半径，因此第二曲线10b的长度较短，在使用直线段进行拟合的情况下，就不适用于最少直线段原则，反而应该寻找最易于控制且直线段的长度大于盾构机每一次掘进环的行程。因此，本发明需要优化的问题是在满足盾构机自身控制精度的要求下尽量减少直线段的数量。例如，盾构机掘进时其运动的轨迹会存在一定的位置偏差。盾构机在转向时也会存在一个的转动角度偏差。因此需要保证即使出现最大的位置偏差和最大的转动角度偏差，人工峰群算法搜索到的拟合的直线段能够满足盾构机的位置偏差和角度偏差不会超过最大的位置偏差阈值和角度偏差阈值。位置偏差阈值可以是盾构机在第二曲线10b与第三曲线10c相切点的与纠偏轨迹模型10对应的位置之间的距离不超过±100mm。角度偏差阈值可以是相应之间角度偏差不超过±5°。因此本发明的蜜源就是在满足盾构机自身控制精度的要求下尽量减少直线段的数量。
此外，在使用人工蜂群算法搜索第二曲线10b时，约束条件较多。例如，推进参数、转向参数、探测参数。推进参数至少包括推动盾构机转向的和掘进的液压缸的推力和行程。转向参数包括其盾尾间隙、铰接角度等限制的盾构机每次转向的最大转动角度。探测参数包括利用光学、电学器件监测得到的周围地质的参数，从而用来确定盾构机的掘进的相关参数，如推进参数中的液压缸的推力、转向参数中的最大转动角度。因此本发明引进盾构机的速度信息为人工蜂群算法搜索的求解目标。速度信息至少包括盾构机沿该直线段掘进时的速度。该掘进时的速度与周围地质环境有关，即与探测参数有关。速度信息还包括盾构机实现转向时所耗费的时间，即转向速度信息。该转向速度信息同样与探测参数有关。其次，如果以隧道设计轴线为x坐标轴，那么第二曲线10b的整体趋势是沿x轴向前运动，即一个x坐标点唯一对应一个值。因此可以用x轴的坐标表示拟合第二曲线10b的直线段的位置信息。因此人工蜂群的求解目标具体为求解第二曲线10b中拟合的相邻两个直线段之间连接的位置信息和速度信息。约束条件为在满足盾构机自身控制精度的要求下尽量减少直线段的数量。盾构机自身控制精度为以最大的位置偏差和最大的转动角度偏差沿人工峰群算法搜索到的拟合的直线段运动，盾构机的位置偏差和角度偏差不会超过最大的位置偏差阈值和角度偏差阈值。
优选地，人工蜂群算法作为智能优化算法的一种，具有结构简单，适应性强的特点，能够实现复杂问题的求解。但是，人工蜂群算法存在易陷入局部最优、收敛速度慢等问题。利用人工蜂群算法求解纠偏轨迹模型10中第二曲线10b的位置信息和速度信息时，可能会出现求解速度慢、精度低的问题。如图4所示，本发明采用如下步骤搜索第二曲线10b的直线段：
S100：首先基于以隧道设计轴线为x轴，以相对隧道设计轴线的距离为y轴。然后基于该坐标系将第二曲线10b划分为点集。该点集中每个点至少包括位置信息和速度信息。位置信息为某个时刻下x轴的坐标值。优选地，将这些点集划分为点的数量相等的子点集。子点集的数量为M个。
S200：每个子点集进行更新迭代。优选地，子点集中点数量为m个。其中，第i个点的位置可以表达为：
xi＝(xi1,xi2…xik)
第i个点的速度可以表达为：
vi＝(vi1,vi2…vik)
优选地，i小于m。优选地，单独的子点集中的所有的点中寻找到的最优位置可以表示为：
bi＝(bi1,bi2…bik)
所有M子点集中的所有点能寻找到的最优位置可以表示为：
bg＝(bg1,bg2…bgk)
其中，g表示为第g个子点集。g小于M。
优选地，对每个点按照速度和位置进行更新迭代。优选地，速度更新迭代的公式如下：
优选地，位置更新迭代的公式如下：
优选地，k表示所求解的目标的维度。在本实施例中寻求的是相邻两个直线段连接的位置信息和速度信息。因此目标的维度包括x轴、y轴和速度信息。在本实施例中，速度采用标量的方式来作为约束条件，因此本申请的目标的维度k＝3。α为权重系数。μ1、μ2为加速常数。ρ1、ρ2为0到1之间的均匀分布的随机数。
为第i个点在t时刻的速度。
为i个点在t+1时刻的速度。
为第i个点在t时刻的位置。
为i个点在t+1时刻的位置。优选地，
表示速度受到当前点速度的影响，从而平衡了在所有子点集和单独子点集搜索的能力。
表示了点与自身的关系，使得点具有了在所有子点集搜索的能力，避免陷入单个子点集的极值。
表示点与所有子点集的影响，说明了点与点之间的信息是共享的。
S300：优选地，基于步骤S200得到多个较优的点。然后评价每个点的适应值，从而基于适应值记录最优点bigk。优选地，适应值为目标函数的值。在本实施例里目标函数为盾构机自身控制精度为以最大的位置偏差和最大的转动角度偏差沿人工峰群算法搜索到的直线段运动，从而得到盾构机的位置偏差和角度偏差。因此适应值为位置偏差和角度偏差的值。适应值越小则越好。
S400：将最优点bigk作为人工蜂群算法的初始点。优选地，按照人工蜂群的更新公式更新该初始点，从而得到最优点Xgk。优选地，人工蜂群的更新公式为：
其中
为在j时刻位置xi。ρ′为[0,1]内服从均匀分布的随机数。
S500：按照速度更新迭代的公式和位置更新迭代的公式进行更新。优选地，引入人工蜂群算法后，速度更新迭代的公式为：
位置更新迭代的公式为：
其中，最优点bigk是第g个子点集中的最优值。Xgk是人工蜂群算法得到的最优点。优选地，β1和β2用于控制子点集的速度。优选地，β1和β2还能够有效降低对最优点的影响，维持点的多样性，从而避免陷入局部最优。优选地，在本实施例中，β1可以设置为0.5。β2可以设置为0.25。
S600：如果满足终止条件，即找到最小的位置偏差和角度偏差，则停止更新，并输出人工蜂群算法得到的最优点。优选地，若不满足终止条件，则重新进入步骤S500。优选地，得到的最优点就是第二曲线10b中相邻两个直线段之间的连接位置。通过该连接位置就能够确定拟合的直线段的数量和长度。通过该连接位置还能够得到每一次转向盾构机所需要的转动角度。
通过以上设置方式，达到的有益效果是：
由于人工蜂群算法的更新迭代过程中，改变了各子点集中最优点的位置，所以使得各子点集的多样性增加。同时人工蜂群算法也能精细搜索，发现更好的目标。人工蜂群算法中基于全部子点集中最优点的位置反馈到步骤S200的速度更新迭代公式中，能够有效地引导相邻直线段连接位置的更新，避免陷入单个子点集中。
优选地，由于第一曲线10a和第三曲线10c的曲率半径较大，并且比第二曲线10b的长度长，为盾构机掘进过程中的位置偏差和角度偏差预留较大的阈值，因此可以采用最少直线段为约束条件搜索拟合的直线段。具体而言，约束条件包括相邻的两个直线段之间的角度不能超过盾构机的最大转动角度。最后盾构机运动到第一曲线10a与第二曲线10b相切点时距离该点的距离小于位置偏差阈值。盾构机运动到第三曲线10c与隧道设计轴线相切点时距离该点的距离位于最大允许的偏差内。优选地，第四曲线10d中的修正曲线段可以采用搜索拟合第一曲线10a和第三曲线10c的直线段的方式拟合修正曲线的直线段。优选地，约束条件为相邻的两个直线段之间的角度不能超过盾构机的最大转动角度。最后盾构机运动到修正曲线段与第一曲线10a相切点时距离该点的距离小于位置偏差阈值。
通过该设置方式，能够进一步减少解析第一曲线10a、第三曲线10c和修正曲线段时的运算量，从而进一步减少纠偏的时间。
如本文所用的词语“模块”描述任一种硬件、软件或软硬件组合，其能够执行与“模块”相关联的功能。
本发明说明书包含多项发明构思，申请人保留根据每项发明构思提出分案申请的权利。本发明说明书包含多项发明构思，诸如“优选地”、“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思，申请人保留根据每项发明构思提出分案申请的权利。
需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。
Claims (10)
1.盾构机推进控制系统性能优化方法，其特征在于，所述方法至少包括：
基于曲率均匀变化的缓和曲线构建纠偏轨迹模型（10），其中，
所述纠偏轨迹模型（10）至少包括彼此相接的第一曲线（10a）、第二曲线（10b）和第三曲线（10c），其中，
所述第二曲线（10b）为缓和曲线且其曲率半径大于盾构机的最小转弯半径，并且第二曲线（10b）的曲率半径小于所述第一曲线（10a）和第三曲线（10c）的曲率半径；
基于至少一个直线段拟合所述纠偏轨迹模型（10），其中，
基于人工蜂群算法以盾构机的推进参数、转向参数、探测参数中的一个或几个为约束条件搜索相邻两个直线段之间连接的位置信息，从而确定直线段的数量和长度。
2.根据权利要求1所述的盾构机推进控制系统性能优化方法，其特征在于，以在满足盾构机自身控制精度的要求下尽量减少直线段的数量为约束条件基于人工蜂群算法搜索拟合所述第二曲线（10b）的相邻两个直线段之间连接的位置信息和速度信息，从而确定拟合的直线段，其中，
盾构机自身控制精度为以最大的位置偏差和最大的转动角度偏差沿人工峰群算法搜索到的拟合的直线段运动得到的轨迹与所述纠偏轨迹模型（10）的位置偏差和角度偏差不会超过最大的位置偏差阈值和角度偏差阈值。
3.根据权利要求2所述的盾构机推进控制系统性能优化方法，其特征在于，基于人工蜂群算法搜索拟合所述第二曲线（10b）的相邻两个直线段之间连接的位置信息和速度信息步骤至少包括：
基于隧道设计轴线和盾构机相对隧道设计轴线的距离构建坐标系；
基于所述坐标系将所述第二曲线（10b）划分为点集，其中，
所述点集中每个点至少包括位置信息和速度信息；
将这些点集划分为点的数量相等的子点集；
对每个子点集进行更新迭代以生成至少一个点；
评价每个点的适应值并记录最优点；
将最优点作为人工蜂群算法的初始点；
按照人工蜂群的更新公式更新该初始点，从而得到人工蜂群算法的最优点。
4.根据权利要求3所述的盾构机推进控制系统性能优化方法，其特征在于，所述适应值为目标函数的值，其中，
所述目标函数为盾构机以最大的位置偏差和最大的转动角度偏差沿人工峰群算法搜索到的直线段运动得到的盾构机的位置偏差和角度偏差。
5.根据权利要求4所述的盾构机推进控制系统性能优化方法，其特征在于，采用最少直线段为约束条件搜索拟合所述第一曲线（10a）和第三曲线（10c）的直线段，其中，
约束条件包括相邻的两个直线段之间的角度不能超过盾构机的最大转动角度，使得盾构机运动到所述第一曲线（10a）与第二曲线（10b）相切点时距离所述纠偏轨迹模型（10）上对应该点的距离小于位置偏差阈值，并且使得盾构机运动到所述第三曲线（10c）与隧道设计轴线相切点时距离所述纠偏轨迹模型（10）上对应该点的距离位于最大允许的偏差内。
6.根据权利要求5所述的盾构机推进控制系统性能优化方法，其特征在于，所述第二曲线（10b）至少包括彼此曲率中心指向相反的第一弧线段和第二弧线段，其中，
所述第一弧线段和第二弧线段的相切点处的曲率半径最小，并且该相切点处的曲率半径大于盾构机的最小转弯半径。
7.根据权利要求6所述的盾构机推进控制系统性能优化方法，其特征在于，所述第三曲线（10c）的长度和曲率半径均大于所述第一曲线（10a），并且所述第一曲线（10a）的曲率半径与盾构机最小转弯半径之间的差值大于第一阈值。
8.根据权利要求7所述的盾构机推进控制系统性能优化方法，其特征在于，在盾构机处于其自身轴线与隧道设计轴线平行且其自身轴线与隧道设计轴线的距离超过最大允许的偏差的情况下，所述第一曲线（10a）的一端位于盾构机的起始位置，另一端与第一弧线段相切；
所述第三曲线（10c）的一端与第二弧线段相切，另一端与隧道设计轴线相切且与隧道设计轴线的距离位于最大允许的偏差内。
9.根据权利要求8所述的盾构机推进控制系统性能优化方法，其特征在于，在盾构机的刀盘指向隧道设计轴线且盾构机的自身轴线与隧道设计轴线不平行的情况下，所述纠偏轨迹模型（10）通过第四曲线（10d）进行纠偏，其中，
所述第四曲线（10d）至少包括修正直线段和修正曲线段，其中，
在盾构机不位于隧道设计轴线的情况下，盾构机通过所述修正直线段运动至隧道设计轴线处，并通过所述修正曲线段运动至盾构机的自身轴线与隧道设计轴线平行且其自身轴线与隧道设计轴线的距离超过最大允许的偏差，其中，
所述修正曲线段与所述第一曲线（10c）相切，并且所述修正曲线段的曲率半径大于所述第二曲线（10b）；
在盾构机位于隧道设计轴线的情况下，盾构机通过所述修正曲线段运动至盾构机的自身轴线与隧道设计轴线平行且其自身轴线与隧道设计轴线的距离超过最大允许的偏差。
10.根据权利要求9所述的盾构机推进控制系统性能优化方法，其特征在于，在盾构机的刀盘背离隧道设计轴线，并且盾构机的自身轴线与隧道设计轴线不平行以及其自身轴线与隧道设计轴线的距离不为零的情况下，盾构机通过所述修正曲线段运动至盾构机的自身轴线与隧道设计轴线平行且其自身轴线与隧道设计轴线的距离超过最大允许的偏差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010923791.0A CN112012758B (zh) | 2020-09-04 | 2020-09-04 | 盾构机推进控制系统性能优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010923791.0A CN112012758B (zh) | 2020-09-04 | 2020-09-04 | 盾构机推进控制系统性能优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112012758A true CN112012758A (zh) | 2020-12-01 |
| CN112012758B CN112012758B (zh) | 2021-09-24 |
Family
ID=73516924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010923791.0A Active CN112012758B (zh) | 2020-09-04 | 2020-09-04 | 盾构机推进控制系统性能优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112012758B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112682049A (zh) * | 2021-03-22 | 2021-04-20 | 中铁九局集团第四工程有限公司 | 盾构掘进姿态的纠偏控制方法和装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101922294A (zh) * | 2010-05-25 | 2010-12-22 | 大连理工大学 | 全断面大型掘进装备的动态协调控制方法 |
| CN102518446A (zh) * | 2012-01-12 | 2012-06-27 | 北京众策创晟掘进装备有限公司 | 盾构机自动纠偏方法 |
| CN102900366A (zh) * | 2012-10-26 | 2013-01-30 | 东南大学 | 一种水平定向钻自由轨迹规划及纠偏方法 |
| CN104101326A (zh) * | 2013-04-08 | 2014-10-15 | 同济大学 | 一种基于空间几何分析的盾构姿态自动测量方法及装置 |
| CN106522973A (zh) * | 2016-09-27 | 2017-03-22 | 徐工集团凯宫重工南京有限公司 | 盾构机纠偏系统 |
| CN108868807A (zh) * | 2018-09-07 | 2018-11-23 | 上海隧道工程有限公司 | 盾构掘进纠偏的智能控制方法 |
| CN110185463A (zh) * | 2019-07-01 | 2019-08-30 | 西安电子科技大学 | 一种盾构掘进姿态的控制方法 |
| CN110242310A (zh) * | 2019-06-14 | 2019-09-17 | 西安电子科技大学 | 基于深度神经网络与关联分析结合的盾构轴线纠偏方法 |
| CN110533065A (zh) * | 2019-07-18 | 2019-12-03 | 西安电子科技大学 | 基于自编码特征和深度学习回归模型的盾构姿态预测方法 |
-
2020
- 2020-09-04 CN CN202010923791.0A patent/CN112012758B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101922294A (zh) * | 2010-05-25 | 2010-12-22 | 大连理工大学 | 全断面大型掘进装备的动态协调控制方法 |
| CN102518446A (zh) * | 2012-01-12 | 2012-06-27 | 北京众策创晟掘进装备有限公司 | 盾构机自动纠偏方法 |
| CN102900366A (zh) * | 2012-10-26 | 2013-01-30 | 东南大学 | 一种水平定向钻自由轨迹规划及纠偏方法 |
| CN104101326A (zh) * | 2013-04-08 | 2014-10-15 | 同济大学 | 一种基于空间几何分析的盾构姿态自动测量方法及装置 |
| CN106522973A (zh) * | 2016-09-27 | 2017-03-22 | 徐工集团凯宫重工南京有限公司 | 盾构机纠偏系统 |
| CN108868807A (zh) * | 2018-09-07 | 2018-11-23 | 上海隧道工程有限公司 | 盾构掘进纠偏的智能控制方法 |
| CN110242310A (zh) * | 2019-06-14 | 2019-09-17 | 西安电子科技大学 | 基于深度神经网络与关联分析结合的盾构轴线纠偏方法 |
| CN110185463A (zh) * | 2019-07-01 | 2019-08-30 | 西安电子科技大学 | 一种盾构掘进姿态的控制方法 |
| CN110533065A (zh) * | 2019-07-18 | 2019-12-03 | 西安电子科技大学 | 基于自编码特征和深度学习回归模型的盾构姿态预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郝永兴等: "基于DE-BP神经网络的盾构推进液压系统故障诊断", <中国科技论文> * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112682049A (zh) * | 2021-03-22 | 2021-04-20 | 中铁九局集团第四工程有限公司 | 盾构掘进姿态的纠偏控制方法和装置 |
| CN112682049B (zh) * | 2021-03-22 | 2021-06-08 | 中铁九局集团第四工程有限公司 | 盾构掘进姿态的纠偏控制方法和装置 |
| WO2022179266A1 (zh) * | 2021-03-22 | 2022-09-01 | 中铁九局集团第四工程有限公司 | 盾构掘进姿态的纠偏控制方法和装置 |
| JP2023516213A (ja) * | 2021-03-22 | 2023-04-18 | 中▲鉄▼九局集▲団▼第四工程有限公司 | シールド掘進姿勢のずれ修正制御の方法及び装置 |
| JP7312417B2 (ja) | 2021-03-22 | 2023-07-21 | 中▲鉄▼九局集▲団▼第四工程有限公司 | シールド掘進姿勢のずれ修正制御の方法及び装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112012758B (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109947136B (zh) | 一种面向无人机群体快速目标搜索的协同主动感知方法 | |
| CN109434841B (zh) | 一种工业机器人动态调速的全局时间最优轨迹规划方法 | |
| CN113204236B (zh) | 一种智能体路径跟踪控制方法 | |
| WO2022179266A1 (zh) | 盾构掘进姿态的纠偏控制方法和装置 | |
| CN109917817B (zh) | 多水下机器人协同路径规划方法 | |
| CN112684807A (zh) | 无人机集群三维编队方法 | |
| CN107608372A (zh) | 一种基于改进rrt算法与改进ph曲线相结合的多无人机协同航迹规划方法 | |
| CN112012758B (zh) | 盾构机推进控制系统性能优化方法 | |
| CN108108885B (zh) | 一种无人驾驶汽车轨迹跟踪能力评价方法 | |
| CN112506199B (zh) | 一种基于动态窗口法且适用于阿克曼模型机器人的局部路径规划方法 | |
| CN110647147A (zh) | 基于灰狼算法优化pid的路径跟踪控制方法 | |
| CN109799829B (zh) | 一种基于自组织映射的机器人群体协同主动感知方法 | |
| CN116341390B (zh) | 一种全局搜索快速收敛多约束弹道优化方法 | |
| CN114595898B (zh) | 一种考虑航道环境的船舶智能操纵方法 | |
| Yao et al. | Bounded curvature path planning with expected length for Dubins vehicle entering target manifold | |
| Wang et al. | Trajectory planning for an unmanned ground vehicle group using augmented particle swarm optimization in a dynamic environment | |
| CN116501069A (zh) | 一种基于多智能体强化学习的水面无人集群航路规划方法 | |
| CN114428807B (zh) | 地面机动目标运动轨迹语义体系构建与认知优化方法 | |
| CN114200936B (zh) | 基于最优控制及宽度学习的agv实时路径规划方法 | |
| CN115431267A (zh) | 一种基于区域划分的工业机器人曲面加工方法 | |
| CN116009530A (zh) | 一种自适应切向避障的路径规划方法和系统 | |
| CN109542099B (zh) | 一种农机控制方法 | |
| CN116263109A (zh) | 一种盾构机管片同步拼装控制方法及盾构机 | |
| CN113985927A (zh) | 一种四旋翼无人机栖停机动轨迹优化方法 | |
| Zhan et al. | Path planning of service robot based on improved particle swarm optimization algorithm |
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 |