CN113868091B - 一种掘进机群的数据监控系统及方法 - Google Patents
一种掘进机群的数据监控系统及方法 Download PDFInfo
- Publication number
- CN113868091B CN113868091B CN202111177482.4A CN202111177482A CN113868091B CN 113868091 B CN113868091 B CN 113868091B CN 202111177482 A CN202111177482 A CN 202111177482A CN 113868091 B CN113868091 B CN 113868091B
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- heading machine
- local
- cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012544 monitoring process Methods 0.000 title claims abstract description 68
- 238000011161 development Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 196
- 238000007405 data analysis Methods 0.000 claims abstract description 109
- 238000003860 storage Methods 0.000 claims abstract description 43
- 238000004891 communication Methods 0.000 claims abstract description 35
- 238000013500 data storage Methods 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 35
- 238000012795 verification Methods 0.000 claims description 29
- 230000003993 interaction Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000013135 deep learning Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 6
- 230000005641 tunneling Effects 0.000 description 21
- 238000010276 construction Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 11
- 239000000047 product Substances 0.000 description 11
- 238000012937 correction Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000036961 partial effect Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101100190806 Arabidopsis thaliana PLT3 gene Proteins 0.000 description 1
- 101100190807 Arabidopsis thaliana PLT4 gene Proteins 0.000 description 1
- 101100190808 Arabidopsis thaliana PLT5 gene Proteins 0.000 description 1
- 101100190809 Arabidopsis thaliana PLT6 gene Proteins 0.000 description 1
- 101100494367 Mus musculus C1galt1 gene Proteins 0.000 description 1
- 101150035415 PLT1 gene Proteins 0.000 description 1
- 101150095879 PLT2 gene Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本申请公开了一种掘进机群的数据监控系统及方法，该系统包括：通信互联的多个掘进机节点、多个云端存储节点和多个云端分析节点，每个掘进机节点包括数据获取单元、数据存储单元和数据分析单元，数据获取单元用于获取对应的掘进机的状态数据；数据分析单元用于根据对应的掘进机的状态数据进行局部数据分析得到局部分析结果；云端分析节点用于根据对应的状态数据和局部分析结果进行区域数据分析得到区域分析结果；所有云端存储节点和所有数据存储单元均用于将状态数据、和/或局部分析结果、和/或区域分析结果以分布式的形式存储。本申请通信网络以网状分布，避免状态数据丢失和被篡改，提高了分析结果返回预警的速度，相较现有技术更为可靠高效。
Description
技术领域
本发明涉及掘进机领域，特别涉及一种掘进机群的数据监控系统及方法。
背景技术
在地下施工领域，地下掘进装备具有工作环境恶劣复杂、装备零件多维多样的特点，也因此难以在实验室中真实模拟和试验地下掘进装备的实际工作过程，导致真实工作时存在难以预测的安全隐患，即使存在相应的监控系统，由于信息传递上的时间延迟、集中控制等缺陷，监控也很难实时响应，这对响应要求较高的地下工程施工来说，是一个比较大的难点。
目前，由技术人员研究出一些在装备上安装传感器收集数据，然后远程上传至云端中心，由云端中心根据数据进行分析预测并集中管理装备的方案，但是这些方案对通信网络要求较高，在地下掘进装备的实际工况中，通信网络极不稳定，极有可能出现数据丢失的情况，无法进行准确的数据分析；同时数据上传过程中数据安全难以保证，如果数据被人篡改，装备的安全分析将会出错；由于通信距离较远，云端中心下发通信预警的速度有延迟，一旦出现安全隐患，通信预警提前达到以降低或阻止事故发生的可能性极小。
因此，如何提供一种解决上述技术问题的方案是目前本领域技术人员需要解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种反应快速、安全可靠的掘进机群的数据监控系统及方法。其具体方案如下：
一种掘进机群的数据监控系统，包括：通过通信网络实现通信互联的多个掘进机节点、多个云端存储节点和多个云端分析节点，每个所述掘进机节点包括数据获取单元、数据存储单元和数据分析单元，其中：
所述数据获取单元用于获取对应的掘进机的状态数据；
所述数据分析单元用于根据其所在地区对应的所述掘进机的所述状态数据进行局部数据分析，得到局部分析结果；
所述云端分析节点用于根据其所在区域对应的所述状态数据和所述局部分析结果进行区域数据分析，得到区域分析结果；
所有所述云端存储节点和所有所述数据存储单元均用于将所述状态数据、和/或所述局部分析结果、和/或区域分析结果，以分布式的形式存储。
优选的，所有所述云端存储节点和所有所述数据存储单元具体用于：
将所述状态数据、和/或所述局部分析结果、和/或区域分析结果，以加时间戳的分布式区块链的形式存储。
优选的，所述云端分析节点还用于：
根据其所在区域对应的所述状态数据对掘进机操作场进行仿真，或根据其所在区域对应的所述状态数据和所述局部分析结果对掘进机操作场进行仿真，得到第一掘进机操作场仿真模型；
在所述第一掘进机操作场仿真模型中执行与对应的所述掘进机相同的镜像操作，获取对应的第一仿真数据；
根据所述第一仿真数据、所述状态数据、和/或所述局部分析结果，确定第一虚实交互验证结果；
根据所述第一虚实交互验证结果进行闭环反馈调整。
优选的，所述数据分析单元还用于：
根据其所在地区对应的所述掘进机的所述状态数据对掘进机操作场进行仿真，得到第二掘进机操作场仿真模型；
在所述第二掘进机操作场仿真模型中执行与对应的所述掘进机相同的镜像操作，获取对应的第二仿真数据；
根据所述第二仿真数据与所述状态数据，确定第二虚实交互验证结果；
根据所述第二虚实交互验证结果进行闭环反馈调整。
优选的，所述数据获取单元具体用于：
监控对应的所述掘进机的各项参数数值；
当任一项所述参数数值超出对应的预设范围，将该时刻的所有所述参数数值确定为一个所述状态数据。
优选的，所述数据分析单元还用于根据所述局部分析结果和参考数据集修正所述预设范围；
和/或，所述云端分析节点还用于根据所述区域分析结果和所述参考数据集修正所述预设范围。
优选的，所述数据分析单元具体用于，通过深度学习算法对其所在地区对应的所述掘进机的所述状态数据进行局部数据分析，得到局部分析结果；
所述云端分析节点具体用于，通过所述深度学习算法对其所在区域对应的所述状态数据和所述局部分析结果进行区域数据分析，得到区域分析结果。
优选的，多个掘进机节点、多个云端存储节点和多个云端分析节点，根据物理位置和预设功能的不同，均对应不同级别的信息获取权限。
优选的，所述云端存储节点具体包括：实验室研发存储节点、和/或制造厂商存储节点、和/或工艺存储节点、和/或安全监管存储节点；
和/或，所述云端分析节点具体包括：实验室研发分析节点、和/或制造厂商分析节点、和/或工艺分析节点、和/或安全监管分析节点。
优选的，所述数据监控系统还包括预警装置，用于根据所述局部分析结果和/或区域分析结果向对应的所述掘进机发出安全预警。
相应的，本申请还公开了一种掘进机群的数据监控方法，应用于如上文任一项所述掘进机群的数据监控系统，所述数据监控方法包括：
通过数据获取单元获取对应的掘进机的状态数据；
通过数据分析单元根据其所在地区对应的所述掘进机的所述状态数据进行局部数据分析，得到局部分析结果；
通过云端分析节点根据其所在区域对应的所述状态数据和所述局部分析结果进行区域数据分析，得到区域分析结果。
优选的，所述数据监控方法还包括：
通过所述云端存储节点和所有所述数据存储单元，将所述状态数据、和/或所述局部分析结果、和/或区域分析结果，以加时间戳的分布式区块链的形式存储。
优选的，所述数据监控方法还包括通过所述云端分析节点执行以下操作：
根据其所在区域对应的所述状态数据对掘进机操作场进行仿真，或根据其所在区域对应的所述状态数据和所述局部分析结果对掘进机操作场进行仿真，得到第一掘进机操作场仿真模型；
在所述第一掘进机操作场仿真模型中执行与对应的所述掘进机相同的镜像操作，获取对应的第一仿真数据；
根据所述第一仿真数据、所述状态数据、和/或所述局部分析结果，确定第一虚实交互验证结果；
根据所述第一虚实交互验证结果进行闭环反馈调整。
优选的，所述数据监控方法还包括通过所述数据分析单元执行以下操作：
根据其所在地区对应的所述掘进机的所述状态数据对掘进机操作场进行仿真，得到第二掘进机操作场仿真模型；
在所述第二掘进机操作场仿真模型中执行与对应的所述掘进机相同的镜像操作，获取对应的第二仿真数据；
根据所述第二仿真数据与所述状态数据，确定第二虚实交互验证结果；
根据所述第二虚实交互验证结果进行闭环反馈调整。
优选的，所述通过数据获取单元获取对应的掘进机的状态数据的过程，包括：
通过数据获取单元执行以下操作：
监控对应的所述掘进机的各项参数数值；
当任一项所述参数数值超出对应的预设范围，将该时刻的所有所述参数数值确定为一个所述状态数据。
优选的，所述数据监控方法还包括：
通过所述数据分析单元，根据所述局部分析结果和参考数据集修正所述预设范围；
和/或，通过所述云端分析节点，根据所述区域分析结果和所述参考数据集修正所述预设范围。
优选的，所述通过数据分析单元根据其所在地区对应的所述掘进机的所述状态数据进行局部数据分析，得到局部分析结果的过程，包括：
通过数据分析单元，根据深度学习算法对其所在地区对应的所述掘进机的所述状态数据进行局部数据分析，得到局部分析结果；
相应的，所述通过云端分析节点根据其所在区域对应的所述状态数据和所述局部分析结果进行区域数据分析，得到区域分析结果的过程，包括：
通过云端分析节点，根据所述深度学习算法对其所在区域对应的所述状态数据和所述局部分析结果进行区域数据分析，得到区域分析结果。
本申请公开了一种掘进机群的数据监控系统及方法，该系统包括：通过通信网络实现通信互联的多个掘进机节点、多个云端存储节点和多个云端分析节点，每个所述掘进机节点包括数据获取单元、数据存储单元和数据分析单元，其中：所述数据获取单元用于获取对应的掘进机的状态数据；所述数据分析单元用于根据其所在地区对应的所述掘进机的所述状态数据进行局部数据分析，得到局部分析结果；所述云端分析节点用于根据其所在区域对应的所述状态数据和所述局部分析结果进行区域数据分析，得到区域分析结果；所有所述云端存储节点和所有所述数据存储单元均用于将所述状态数据、和/或所述局部分析结果、和/或区域分析结果，以分布式的形式存储。本申请设计了多层的数据存储位置和数据分析位置，通信网络以网状分布，保证了状态数据能够广泛地传递给多个数据存储位置和数据分析位置，从而降低了状态数据在整个数据监控系统中丢失和被篡改的可能性，因为数据分析位置的多点分布，通信路径多样，提高了分析结果返回预警的速度，能够有效提醒安全隐患，避免事故的发生和进一步扩大，相较现有技术更为可靠高效。
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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例中一种掘进机群的数据监控系统的结构分布图；
图2为本发明实施例中一种通信网络的结构示意图；
图3为本发明实施例中一种参数数值的处理流程图；
图4为本发明实施例中一种掘进机群的数据监控方法的步骤流程图；
图5为本发明实施例中一种掘进机群的数据监控方法的子步骤流程图；
图6为本发明实施例中一种掘进机群的数据监控方法的子步骤流程图；
图7为本发明实施例中一种掘进机群的数据监控方法的子步骤流程图。
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做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。
现有方案对通信网络要求较高，在地下掘进装备的实际工况中，通信网络极不稳定，极有可能出现数据丢失的情况，无法进行准确的数据分析；同时数据上传过程中数据安全难以保证，如果数据被人篡改，装备的安全分析将会出错；由于通信距离较远，云端中心下发通信预警的速度有延迟，一旦出现安全隐患，通信预警提前达到以降低或阻止事故发生的可能性极小。
本申请设计了多层的数据存储位置和数据分析位置，通信网络以网状分布，保证了状态数据能够广泛地传递给多个数据存储位置和数据分析位置，从而降低了状态数据在整个数据监控系统中丢失和被篡改的可能性，因为数据分析位置的多点分布，通信路径多样，提高了分析结果返回预警的速度，能够有效提醒安全隐患，避免事故的发生和进一步扩大，相较现有技术更为可靠高效。
本发明实施例公开了一种掘进机群的数据监控系统，参见图1所示，包括：通过通信网络实现通信互联的多个掘进机节点1、多个云端存储节点2和多个云端分析节点3，每个掘进机节点1包括数据获取单元11、数据存储单元12和数据分析单元13，其中：
数据获取单元11用于获取对应的掘进机的状态数据；
数据分析单元13用于根据其所在地区对应的掘进机的状态数据进行局部数据分析，得到局部分析结果；
云端分析节点3用于根据其所在区域对应的状态数据和局部分析结果进行区域数据分析，得到区域分析结果；
所有云端存储节点2和所有数据存储单元12均用于将状态数据、和/或局部分析结果、和/或区域分析结果，以分布式的形式存储。
可以理解的是，这里的通信网络包括地面和/或地下的有线/无线局域网络、地面和/或地下的3G/4G/5G等通信网络层、网络链路管控中心、低轨卫星星座/星链、高轨卫星星座/星链等，相关卫星星链具体可选择北斗系统卫星星链，参见图2所示，以上所有通信部件结合互联实现了所有的掘进机节点1、云端存储节点2和云端分析节点3之间的数据通信，该通信网络总体呈为网状拓扑，局部为链状、星状或环状拓扑，即使存在个别链路或节点失灵的情况，多样的通信路径依然能够将各类信息广泛地传递到多个节点，整个数据监控系统中的数据以分布式存储在云端存储节点2和数据存储单元12，降低了数据丢失或被篡改的可能性，同时本实施例的数据监控系统不同于现有技术中心控制的模式，该通信网络中存在多个可自主分析数据的位置，如数据分析单元13和云端分析节点3，分析结果返回的通信链路较短，预警的延时较低，可有效提醒安全隐患出现。
相应的，数据监控系统还包括预警装置，用于根据局部分析结果和/或区域分析结果向对应的掘进机发出安全预警。可以理解的是，该预警装置可位于掘进机节点1和/或云端分析节点3，具体位置根据实际情况设置即可。
进一步的，所有云端存储节点2和所有数据存储单元12具体用于：
将状态数据、和/或局部分析结果、和/或区域分析结果，以加时间戳的分布式区块链的形式存储。
可以理解的是，加时间戳的分布式区块链的形式，要求每次数据操作和传输加盖时间戳，同时还应用了点对点传输和加密算法，能够更为可靠安全地存储数据监控系统中的数据，进一步降低数据丢失或篡改的可能。
进一步的，多个掘进机节点1、多个云端存储节点2和多个云端分析节点3，根据物理位置和预设功能的不同，均对应不同级别的信息获取权限。
可以理解的是，物理位置上的差异可通过节点之间的实际物理距离划分等级，也可通过不同节点是否位于同一级行政区域或同一级通信局域网划分等级，预设功能具体为节点对数据监控系统中的数据使用目的，数据使用目的包括实验室科研、制造厂商工艺研究、政府机构或其他监管机构进行安全监管等，因此，云端存储节点2具体看包括：实验室研发存储节点、和/或制造厂商存储节点、和/或工艺存储节点、和/或安全监管存储节点；类似的，云端分析节点3具体可包括：实验室研发分析节点、和/或制造厂商分析节点、和/或工艺分析节点、和/或安全监管分析节点。
进一步的，由于各节点的物理位置和预设功能的不同，对应不同的信息获取权限，该信息获取权限包括可获取的数据的节点的范围、可获取的数据的类型和时限等。
以一个掘进机节点1为例，其可获取的数据的节点的范围，一般包括同一局域网的所有掘进机节点1、与该掘进机节点直接或间接连接的最近的云端存储节点2和云端分析节点3，具体由通信网络的连通程度为准，范围划分的目的是为了获取该范围内所有掘进机节点1的状态数据和/或局部分析结果，这些数据既可以是直接由另一个掘进机节点1发过来的，也可以是从云端存储节点2得到的，具体链路不限，保证数据不会错漏即可，获取的数据的类型包括该局域网中所有掘进机节点1的状态数据、和/或局部分析结果、和/或对应的云端分析节点3的区域分析结果，将与该掘进机节点1的数据获取单元中确定的状态数据一起被存储与该掘进机节点1的数据存储单元12中，以便该掘进机节点1中数据分析单元13进行局部数据分析，得到数据分析结果；如果存在数据的部分缺失，则数据分析单元13依然可根据当前获取的数据进行局部数据分析，此时的数据分析结果可能存在误差，但可在后续数据更新和反复迭代中提高精度；时限的设置可以分钟或小时计，更深层次的局部分析结果和区域分析结果可选更长的时限。
可以理解的是，考虑到云端存储节点2和云端分析节点3对时效没有极高的要求，且具备充裕的存储空间或运算资源，因此其可获取的数据的节点范围较大，具体以节点的内部配置规模和节点需求进行设定即可。
进一步的，如果数据以加密算法的分布式区块链的形式存储，也可允许加密后的数据被广泛存储在云端存储节点2上，存储加密数据的过程中不考虑信息获取权限，而是为不同的云端存储节点2和云端分析节点3赋予不同级别权限的密钥用于数据读写。
可见，本实施例中信息获取权限的设置，一方面是考虑每个节点对数据的实际需求所做的许可划分，另一方面是出于数据安全对不同节点的数据权限限制。两方面的需求和约束，共同决定了节点的信息获取权限，使得数据监控系统能够安全、可靠、准确地实现数据监控和数据存储。
本申请实施例设计了多层的数据存储位置和数据分析位置，通信网络以网状分布，保证了状态数据能够广泛地传递给多个数据存储位置和数据分析位置，从而降低了状态数据在整个数据监控系统中丢失和被篡改的可能性，因为数据分析位置的多点分布，通信路径多样，提高了分析结果返回预警的速度，能够有效提醒安全隐患，避免事故的发生和进一步扩大，相较现有技术更为可靠高效。
本发明实施例公开了一种具体的掘进机群的数据监控系统，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。
具体的，数据获取单元11用于：
监控对应的掘进机的各项参数数值；
当任一项参数数值超出对应的预设范围，将该时刻的所有参数数值确定为一个状态数据。
可以理解的是，传感器在工作过程中持续生成相应的参数数值，所有的参数数值不经处理直接上传是非常没有必要、浪费传输资源、模糊数据终点的方式，因此数据获取单元11首先对参数数值进行监控，只有在出现超出预设范围的参数数值时，才将该时刻对应的所有的参数数值确定为一个状态数据并发送给其他节点或单元。
具体的，参数数值为掘进机的关键工况相关的数据以及工作环境的相关数据，每项参数数值都具有对应的预设范围，进一步的还可将预设范围以多个阈值节点分为多段进行判断，此时整个预设范围对应一个阈值矩阵，如下表1中所示，相应的实际参数数值可如下表2中所示，以时刻进行记录。除了表1之外，还可获取数据获取单元11对应的区域内各掘进机与工段区间的时间计划表，以供数据获取单元11参考，该计划表如下表3所示。除了表2和表3外，可获取的参数数值还包括掘进机本身的运行参数，如下表4所示。进一步的，确定的状态数据要跟随其掘进机编号，掘进机编号可按照城市名称代号-城市轨道交通线序列号-掘进机类型-盾构机编号的形式进行，当然，也可以选择其他更为便捷的编号方式，此处不作限制。
表1预设范围的阈值矩阵
| 参数名称 | 阈值1 | 阈值2 | 阈值3 | 阈值4 | 阈值5 | 阈值6 |
| 溶洞安全 | Q1 | Q2 | Q3 | Q4 | Q5 | Q6 |
| 管片错位 | P1 | P2 | P3 | P4 | P5 | P6 |
| 导向偏差 | S1 | S2 | S3 | S4 | S5 | S6 |
| … | … | … | … | … | … | … |
| 出渣装置 | Z1 | Z2 | Z3 | Z4 | Z5 | Z6 |
| 后配套 | H1 | H2 | H3 | H4 | H5 | H6 |
| 伸缩油缸 | G1 | G2 | G3 | G4 | G5 | G6 |
| 主驱动 | D1 | D2 | D3 | D4 | D5 | D6 |
| 螺旋输送机 | SP1 | SP2 | SP3 | SP4 | SP5 | SP6 |
| 刀具损坏 | A1 | A2 | A3 | A4 | A5 | A6 |
| 操作域温度 | PLT1 | PLT2 | PLT3 | PLT4 | PLT5 | PLT6 |
| 操作员温度 | PZT1 | PZT2 | PZT3 | PZT4 | PZT5 | PZT6 |
| 粉尘浓度 | CL1 | CL2 | CL3 | CL4 | CL5 | CL6 |
| 点菌落数 | MJ1 | MJ2 | MJ3 | MJ4 | MJ5 | MJ6 |
表2参数数据示例
| 状态值名称 | 时间T1 | 时间T2 | 时间T3 | … |
| 溶洞安全 | q1 | q2 | q3 | … |
| 管片错位 | p1 | p2 | p3 | … |
| 导向偏差 | s1 | s2 | s3 | … |
| … | … | … | … | … |
| 出渣装置 | z1 | z2 | z3 | … |
| 后配套 | h1 | h2 | h3 | … |
| 伸缩油缸 | g1 | g2 | g3 | … |
| 主驱动 | d1 | d2 | d3 | … |
| 螺旋输送机 | sp1 | sp2 | sp3 | … |
| 刀具损坏 | a1 | a2 | a3 | … |
| 操作域温度 | plt1 | plt2 | plt3 | … |
| 操作员温度 | pzt1 | pzt2 | pzt3 | … |
| 粉尘浓度 | cl1 | cl2 | cl3 | … |
| 点菌落数 | mj1 | mj2 | mj3 | … |
表3各掘进机与工段区间的时间计划表
表4掘进机的运行参数
| 序号 | 参数项目 | 实际 | 阈值A | 阈值B | 识别信息 | 时间戳信息 |
| 1 | 总推力 | QAf | Qaf-A | Qaf-B | Qaf-I | Qaf-It |
| 2 | 刀盘扭矩 | QNf | QNf-A | QNf-B | QNf-I | QNf-It |
| 3 | 刀盘转速 | QSf | QSf-A | QSf-B | QSf-I | QSf-It |
| 4 | 掘进速度 | SPf | SPf-A | SPf-B | SPf-I | SPf-It |
| 5 | 螺旋输送机转速 | SSf | SSf-A | SSf-B | SSf-I | SSf-It |
| 6 | 螺旋机扭矩 | SNf | SNf-A | SNf-B | SNf-I | SNf-It |
| 7 | 螺旋机门开度 | SOf | Sof-A | Sof-B | Sof-I | Sof-It |
| 8 | … | … | … | … | … | … |
可以理解的是，数据获取单元11中参数数值的采集、数据分析单元13的局部数据分析以及云端分析节点3的区域数据分析，首要目的是了解掘进机的当前工作状态；然后以该工作状态判断是否存在某些安全隐患，该安全隐患包括掘进机本身可能存在的安全隐患，也包括工作环境中可能存在的地质、水文的安全隐患，例如溶洞安全、地震灾害等；除此外，还有利用该工作状态下的数据进行科研、制作、工艺、模型分析的优化等目的。因此，参数数值的具体类型根据其目的设置，具体的预设范围也根据其需求进行调整，进一步的，预设范围的调整可根据局部分析结果、区域分析结果、参考数据集进行闭环调整，也即：
数据分析单元13还用于根据局部分析结果和参考数据集修正预设范围；
和/或，云端分析节点3还用于根据区域分析结果和参考数据集修正预设范围。
可以理解的是，不同类型的参数的预设范围的修正，对应不同优先权的修正主体，如果预设范围接收到多个冲突或矛盾的修正指令，当选择优先权更高的修正主体的修正指令。例如，当要修正预设范围的参数属于掘进机的工件批量生产时具有一致性的参数，则选择普适性更高的云端分析节点3发出的修正指令，当要修正预设范围的参数属于特定区域或特定地形，云端分析节点发出的修正指令反而会导致此时该特定区域下的预设范围偏移，应当选择具有局部最优解的数据分析单元13发出的修正指令。
具体的，这里的参考数据集包括实验室仿真数据集、制造产品数据集、工艺产品数据集、专家评价数据集等，为预设范围的修正提供部分参考。
本发明实施例公开了一种具体的掘进机群的数据监控系统，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。
其中，数据分析单元13具体用于，通过深度学习算法对其所在地区对应的掘进机的状态数据进行局部数据分析，得到局部分析结果；云端分析节点3具体用于，通过深度学习算法对其所在区域对应的状态数据和局部分析结果进行区域数据分析，得到区域分析结果。
可以理解的是，本实施例中的深度学习算法对应的神经网络，还可结合傅里叶-小波变换，以对状态数据进行实时评估，从而能够尽可能地提高判断速度和准确性，快速定位故障和分析故障出现的规律，作为分析结果。可以理解的是，深度学习算法对应的神经网络可设为半监督学习或无监督学习的方案，随着状态数据和分析结果的逐步验证，神经网络将调整参数进化，以提高分析准确度。此处数据分析单元13所在地区的状态数据、云端分析节点3对应所在区域的状态数据，均与上文中节点在信息获取权限的描述中关于可获取的数据的节点的范围一致。
进一步的，云端分析节点3还用于：
根据其所在区域对应的状态数据对掘进机操作场进行仿真，或根据其所在区域对应的状态数据和局部分析结果对掘进机操作场进行仿真，得到第一掘进机操作场仿真模型；
在第一掘进机操作场仿真模型中执行与对应的掘进机相同的镜像操作，获取对应的第一仿真数据；
根据第一仿真数据、状态数据、和/或局部分析结果，确定第一虚实交互验证结果；
根据第一虚实交互验证结果进行闭环反馈调整。
类似的，数据分析单元13还用于：
根据其所在地区对应的掘进机的状态数据对掘进机操作场进行仿真，得到第二掘进机操作场仿真模型；
在第二掘进机操作场仿真模型中执行与对应的掘进机相同的镜像操作，获取对应的第二仿真数据；
根据第二仿真数据与状态数据，确定第二虚实交互验证结果；
根据第二虚实交互验证结果进行闭环反馈调整。
可以理解的是，鉴于地下掘进装备，也即掘进机的投入巨大，体积庞大，建设一个能对掘进机进行各种性能检测、试验的实验室，投资更大，实验室条件下要模拟产品真实、恶劣工况条件下的运行参数非常困难，关键参数的运行分析和产品实际状况相差很大，由此带来的弊端显而易见，产品中关键零部件的制造质量、品质提升十分缓慢。
因此，本实施例中一方面将实际的状态数据和局部分析结果、区域分析结果上传，作为试验数据的补充和支持，另一方面利用云端分析节点3和数据分析单元13采用正交试验方法进行数字仿真和虚实交互，利用虚实交互验证结果完成实验室测试的任务。
本实施例利用实时的数据网络高速低时延的特性，把本应该在生产制造厂房中设置的实体试验，融入到实际产品在运作时进行开展，减少了实验室试验的数据失真度、实验室成本，积累产品实际运行的高质量试验数据，形成可靠可信度高的云平台数据库，对地下施工掘进机群的安全运行和关键部件/系统验证、改善，以及其他基于数据的功能开发，提供保障。
本实施例中不论云端分析节点3还是数据分析单元13，均根据当前状态数据建立一个基于掘进机操作场的仿真模型，然后对实际服役空间的掘进机、掘进机操作场仿真模型执行相同的操作，从而得到对应的状态数据和仿真数据，并确定虚实交互验证结果，进而利用该验证结果进行闭环反馈调整，具体的闭环反馈调整对象包括各类涉及到的参数。也即，云端分析节点3和数据分析单元13均应用了一种基于数字孪生仿真信息空间、实际服役状态空间和经验仿真模型，对地下掘进设备的设计、制造、施工与服役状态之间的多为关联边界约束建模方法，从而解决了地下工程装备小样本施工案例造成缺陷溯源困难的问题，为基于小样本缺陷案例的定向改进提供了良好的解决方案。
进一步的，本实施例中云端分析节点3和数据分析单元13可增加数据可视化的处理手段，包括地图定位、工况显示、掘进机关键节点显示等，以便工作人员更为直观地了解故障定位。
结合以上技术特征，实际应用中参数数值的处理流程可以参考图3的流程图实现。
可以理解的是，本实施例通过数据监控系统进行地下工程设备运行环境预测，建立设备运行状态与地质环境之间的复杂的映射关系，利用人工智能算法对隧道地质、隧道成洞进行预测。在地下工程设备全生命周期性能预测和故障诊断方法方面，利用优化不完全数据填充算法、相似性检索和相似性连接算法，挖掘多源异构数据信息，利用深度学习算法研究小样本条件下施工参数、地质参数与设备性能状态的映射方法，基于完备状态空间建立地质状态融合的地下装备子系统性能预测和故障诊断模型。在地下工程装备设计阶段性能预测及全生命周期设计和施工优化技术方面，采用历史数据进行预训练，然后利用迁移学习建立基于引导信息的性能预测方法，建立多源异构缺陷状态信息与设计、制造和施工参数关联映射模型，研究基于关联约束的地下工程装备设计、制造和施工优化方法，实现地下工程装备全生命周期状态反馈闭环优化。在地下工程装备制造过程、工艺质量与加工工艺参数映射建模方法方面，也可梳理工艺参数、环境因素、材料因素和焊接质量参数，进行敏度分析，建立典型构件工艺参数-加工质量特征数据库，利用机器学习方法挖掘加工工艺参数与加工质量的映射规则。
如何解决背景技术中的快速、即时定位、施工过程/关键零部件异常的技术问题，是业内的痛点之一，本实施例方案通过获取地下施工装备的关键零部件的施工数据和试验数据，联通研发、工艺、制造、实验室的相关产品数据集，建立了基于掘进场的虚实镜像数据集，经过机器学习的神经网络等数据挖掘技术处理，通过可视化的方式进行实时的异常监控，从而解决了目前本领域技术人员亟待解决的难点问题。
相应的，本申请还公开了一种掘进机群的数据监控方法，应用于如上文任一项所述掘进机群的数据监控系统，参见图4所示，数据监控方法包括：
S01：通过数据获取单元获取对应的掘进机的状态数据；
S02：通过数据分析单元根据其所在地区对应的掘进机的状态数据进行局部数据分析，得到局部分析结果；
S03：通过云端分析节点根据其所在区域对应的状态数据和局部分析结果进行区域数据分析，得到区域分析结果。
在一些具体的实施例中，数据监控方法还包括：
S04：通过云端存储节点和所有数据存储单元，将状态数据、和/或局部分析结果、和/或区域分析结果，以加时间戳的分布式区块链的形式存储。
在一些具体的实施例中，参见图5所示，数据监控方法还包括通过云端分析节点执行以下操作：
S11：根据其所在区域对应的状态数据对掘进机操作场进行仿真，或根据其所在区域对应的状态数据和局部分析结果对掘进机操作场进行仿真，得到第一掘进机操作场仿真模型；
S12：在第一掘进机操作场仿真模型中执行与对应的掘进机相同的镜像操作，获取对应的第一仿真数据；
S13：根据第一仿真数据、状态数据、和/或局部分析结果，确定第一虚实交互验证结果；
S14：根据第一虚实交互验证结果进行闭环反馈调整。
类似的，参见图6所示，数据监控方法还包括通过数据分析单元执行以下操作：
S21：根据其所在地区对应的掘进机的状态数据对掘进机操作场进行仿真，得到第二掘进机操作场仿真模型；
S22：在第二掘进机操作场仿真模型中执行与对应的掘进机相同的镜像操作，获取对应的第二仿真数据；
S23：根据第二仿真数据与状态数据，确定第二虚实交互验证结果；
S24：根据第二虚实交互验证结果进行闭环反馈调整。
在一些具体的实施例中，通过数据获取单元获取对应的掘进机的状态数据的过程，参见图7所示，包括通过数据获取单元执行以下操作：
S31：监控对应的掘进机的各项参数数值；
S32：当任一项参数数值超出对应的预设范围，将该时刻的所有参数数值确定为一个状态数据。
在一些具体的实施例中，数据监控方法还包括：
S33：通过数据分析单元，根据局部分析结果和参考数据集修正预设范围；
和/或，S34：通过云端分析节点，根据区域分析结果和参考数据集修正预设范围。
在一些具体的实施例中，通过数据分析单元根据其所在地区对应的掘进机的状态数据进行局部数据分析，得到局部分析结果的过程，包括：
通过数据分析单元，根据深度学习算法对其所在地区对应的掘进机的状态数据进行局部数据分析，得到局部分析结果；
相应的，通过云端分析节点根据其所在区域对应的状态数据和局部分析结果进行区域数据分析，得到区域分析结果的过程，包括：
通过云端分析节点，根据深度学习算法对其所在区域对应的状态数据和局部分析结果进行区域数据分析，得到区域分析结果。
如何解决背景技术中的快速、即时定位、施工过程/关键零部件异常的技术问题，是业内的痛点之一，本实施例方案通过获取地下施工装备的关键零部件的施工数据和试验数据，联通研发、工艺、制造、实验室的相关产品数据集，建立了基于掘进场的虚实镜像数据，经过机器学习的神经网络等数据挖掘技术处理，通过可视化的方式进行实时的异常监控，从而解决了目前本领域技术人员亟待解决的难点问题。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种掘进机群的数据监控系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (13)
1.一种掘进机群的数据监控系统，其特征在于，包括：通过通信网络实现通信互联的多个掘进机节点、多个云端存储节点和多个云端分析节点，每个所述掘进机节点包括数据获取单元、数据存储单元和数据分析单元，其中：
所述数据获取单元用于监控对应的掘进机的各项参数数值；当任一项所述参数数值超出对应的预设范围时，将对应时刻的所有所述参数数值确定为一个掘进机的状态数据；
所述数据分析单元用于根据其所在地区对应的所述掘进机的状态数据进行局部数据分析，得到局部分析结果；
所述云端分析节点用于根据其所在区域对应的所述掘进机的状态数据和所述局部分析结果进行区域数据分析，得到区域分析结果；
所有所述云端存储节点和所有所述数据存储单元均用于将所述掘进机的状态数据、和/或所述局部分析结果、和/或区域分析结果，以加时间戳的分布式区块链的形式存储。
2.根据权利要求1所述数据监控系统，其特征在于，所述云端分析节点还用于：
根据其所在区域对应的所述掘进机的状态数据对掘进机操作场进行仿真，或根据其所在区域对应的所述掘进机的状态数据和所述局部分析结果对掘进机操作场进行仿真，得到第一掘进机操作场仿真模型；
在所述第一掘进机操作场仿真模型中执行与对应的所述掘进机相同的镜像操作，获取对应的第一仿真数据；
根据所述第一仿真数据、所述掘进机的状态数据、和/或所述局部分析结果，确定第一虚实交互验证结果；
根据所述第一虚实交互验证结果进行闭环反馈调整。
3.根据权利要求2所述数据监控系统，其特征在于，所述数据分析单元还用于：
根据其所在地区对应的所述掘进机的状态数据对掘进机操作场进行仿真，得到第二掘进机操作场仿真模型；
在所述第二掘进机操作场仿真模型中执行与对应的所述掘进机相同的镜像操作，获取对应的第二仿真数据；
根据所述第二仿真数据与所述掘进机的状态数据，确定第二虚实交互验证结果；
根据所述第二虚实交互验证结果进行闭环反馈调整。
4.根据权利要求1所述数据监控系统，其特征在于，
所述数据分析单元还用于根据所述局部分析结果和参考数据集修正所述预设范围；
和/或，所述云端分析节点还用于根据所述区域分析结果和所述参考数据集修正所述预设范围。
5.根据权利要求1所述数据监控系统，其特征在于，
所述数据分析单元具体用于，通过深度学习算法对其所在地区对应的所述掘进机的状态数据进行局部数据分析，得到局部分析结果；
所述云端分析节点具体用于，通过所述深度学习算法对其所在区域对应的所述掘进机的状态数据和所述局部分析结果进行区域数据分析，得到区域分析结果。
6.根据权利要求1至5任一项所述数据监控系统，其特征在于，多个掘进机节点、多个云端存储节点和多个云端分析节点，根据物理位置和预设功能的不同，均对应不同级别的信息获取权限。
7.根据权利要求6所述数据监控系统，其特征在于，
所述云端存储节点具体包括：实验室研发存储节点、和/或制造厂商存储节点、和/或工艺存储节点、和/或安全监管存储节点；
和/或，所述云端分析节点具体包括：实验室研发分析节点、和/或制造厂商分析节点、和/或工艺分析节点、和/或安全监管分析节点。
8.根据权利要求6所述数据监控系统，其特征在于，还包括预警装置，用于根据所述局部分析结果和/或所述区域分析结果向对应的所述掘进机发出安全预警。
9.一种掘进机群的数据监控方法，其特征在于，应用于如权利要求1至8任一项所述掘进机群的数据监控系统，所述数据监控方法包括：
通过数据获取单元监控对应的掘进机的各项参数数值；当任一项所述参数数值超出对应的预设范围时，将对应时刻的所有所述参数数值确定为一个掘进机的状态数据；
通过数据分析单元根据其所在地区对应的所述掘进机的状态数据进行局部数据分析，得到局部分析结果；
通过云端分析节点根据其所在区域对应的所述掘进机的状态数据和所述局部分析结果进行区域数据分析，得到区域分析结果；
通过所述云端存储节点和所有所述数据存储单元，将所述掘进机的状态数据、和/或所述局部分析结果、和/或区域分析结果，以加时间戳的分布式区块链的形式存储。
10.根据权利要求9所述数据监控方法，其特征在于，还包括通过所述云端分析节点执行以下操作：
根据其所在区域对应的所述掘进机的状态数据对掘进机操作场进行仿真，或根据其所在区域对应的所述掘进机的状态数据和所述局部分析结果对掘进机操作场进行仿真，得到第一掘进机操作场仿真模型；
在所述第一掘进机操作场仿真模型中执行与对应的所述掘进机相同的镜像操作，获取对应的第一仿真数据；
根据所述第一仿真数据、所述掘进机的状态数据、和/或所述局部分析结果，确定第一虚实交互验证结果；
根据所述第一虚实交互验证结果进行闭环反馈调整。
11.根据权利要求10所述数据监控方法，其特征在于，还包括通过所述数据分析单元执行以下操作：
根据其所在地区对应的所述掘进机的状态数据对掘进机操作场进行仿真，得到第二掘进机操作场仿真模型；
在所述第二掘进机操作场仿真模型中执行与对应的所述掘进机相同的镜像操作，获取对应的第二仿真数据；
根据所述第二仿真数据与所述掘进机的状态数据，确定第二虚实交互验证结果；
根据所述第二虚实交互验证结果进行闭环反馈调整。
12.根据权利要求9所述数据监控方法，其特征在于，还包括：
通过所述数据分析单元，根据所述局部分析结果和参考数据集修正所述预设范围；
和/或，通过所述云端分析节点，根据所述区域分析结果和所述参考数据集修正所述预设范围。
13.根据权利要求9所述数据监控方法，其特征在于，所述通过数据分析单元根据其所在地区对应的所述掘进机的状态数据进行局部数据分析，得到局部分析结果的过程，包括：
通过数据分析单元，根据深度学习算法对其所在地区对应的所述掘进机的状态数据进行局部数据分析，得到局部分析结果；
相应的， 所述通过云端分析节点根据其所在区域对应的所述掘进机的状态数据和所述局部分析结果进行区域数据分析，得到区域分析结果的过程，包括：
通过云端分析节点，根据所述深度学习算法对其所在区域对应的所述掘进机的状态数据和所述局部分析结果进行区域数据分析，得到区域分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111177482.4A CN113868091B (zh) | 2021-10-09 | 2021-10-09 | 一种掘进机群的数据监控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111177482.4A CN113868091B (zh) | 2021-10-09 | 2021-10-09 | 一种掘进机群的数据监控系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113868091A CN113868091A (zh) | 2021-12-31 |
| CN113868091B true CN113868091B (zh) | 2024-02-13 |
Family
ID=79002292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111177482.4A Active CN113868091B (zh) | 2021-10-09 | 2021-10-09 | 一种掘进机群的数据监控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113868091B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103259849A (zh) * | 2013-04-18 | 2013-08-21 | 浪潮齐鲁软件产业有限公司 | 一种基于云平台的数字电视终端状态分析系统及方法 |
| GB201617019D0 (en) * | 2015-10-09 | 2016-11-23 | Fisher Rosemount Systems Inc | Distributed industrial performance monitoring and analytics |
| WO2019063024A1 (zh) * | 2017-09-30 | 2019-04-04 | 中铁工程装备集团有限公司 | 硬岩tbm掘进控制参数智能决策方法及系统 |
| CN111324084A (zh) * | 2020-03-10 | 2020-06-23 | 上海隧道工程有限公司 | 基于云计算的隧道掘进机远程控制方法及系统 |
-
2021
- 2021-10-09 CN CN202111177482.4A patent/CN113868091B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103259849A (zh) * | 2013-04-18 | 2013-08-21 | 浪潮齐鲁软件产业有限公司 | 一种基于云平台的数字电视终端状态分析系统及方法 |
| GB201617019D0 (en) * | 2015-10-09 | 2016-11-23 | Fisher Rosemount Systems Inc | Distributed industrial performance monitoring and analytics |
| WO2019063024A1 (zh) * | 2017-09-30 | 2019-04-04 | 中铁工程装备集团有限公司 | 硬岩tbm掘进控制参数智能决策方法及系统 |
| CN111324084A (zh) * | 2020-03-10 | 2020-06-23 | 上海隧道工程有限公司 | 基于云计算的隧道掘进机远程控制方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Development and in-situ application of a real-time monitoring system for the interaction between TBM and surrounding rock;Xing Huang等;《Tunnelling and Underground Space Technology》;第81卷;187-208 * |
| 基于云平台的隧道掘进机监测系统研究;骆骏德;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第3期);C034-201 * |
| 基于云端技术的顶管掘进机监控系统及应用数据库的建立;岳亚军;《煤矿机电》;第42卷(第1期);23-25 * |
| 隧道掘进机工程大数据管理平台关键技术及应用研究;孙振川等;《隧道建设》;第40卷(第6期);783-792 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113868091A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Killeen et al. | IoT-based predictive maintenance for fleet management | |
| EP3850451B1 (de) | Verfahren zur verbesserung der messperformance von feldgeräten der automatisierungstechnik | |
| CN114118224B (zh) | 一种基于神经网络的全系统遥测参数异常检测系统 | |
| CN106874483A (zh) | 一种基于大数据技术的图形化的数据质量评测的装置及方法 | |
| Chen et al. | An integrated deep learning-based approach for automobile maintenance prediction with GIS data | |
| CN112487356B (zh) | 一种结构健康监测数据增强方法 | |
| CA2914819A1 (fr) | Procedes de creation d'une base de donnees et d'elaboration d'une carte d'etats de fonctionnement d'aeronefs, et un procede de surveillance du fonctionnement d'un aeronef associe | |
| AU2018219019A1 (en) | System for analyzing machine data | |
| Ghodrati et al. | Reliability considerations in automated mining systems | |
| CN113032905B (zh) | 深空航天器的综合状态评估方法及装置 | |
| KR102543064B1 (ko) | Ｒｐａ 기반 제조환경 모니터링 서비스 제공 시스템 | |
| CN113868091B (zh) | 一种掘进机群的数据监控系统及方法 | |
| US20170075972A1 (en) | Generating report of source systems associated with worksites | |
| CN113887637A (zh) | 一种基于深度循环神经网络的煤与瓦斯突出事故预测与识别方法 | |
| CN107084853A (zh) | 云制造下设备故障预测方法 | |
| CN110750455B (zh) | 基于系统日志分析的智能在线自更新故障诊断方法和系统 | |
| CN108717415A (zh) | 生产设备生命周期状态数据建模方法和系统 | |
| CN117111589A (zh) | 一种基于Petri网的数控机床控制系统故障诊断方法 | |
| Sharp et al. | Hierarchical modeling of a manufacturing work cell to promote contextualized PHM information across multiple levels | |
| EP3732868B1 (de) | Verfahren zum sichern einer automatisierungskomponente | |
| CN115412703A (zh) | 一种基于高精度定位的工序视频优化方法 | |
| Werner et al. | Simulation case study: Modelling distinct breakdown events for a tunnel boring machine excavation | |
| Zhang | Design and implementation of coal mine safety monitoring system based on GIS | |
| Devi et al. | A Hybrid Structural Building Data Mining System Based On the Data Tracking Through Devices | |
| Ramming et al. | Visualization of the training process of neural networks for anomaly detection in the context of predictive maintenance in the industry |
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 |