CN116430739A - 一种基于数字孪生技术的全过程智慧压实系统及管控方法 - Google Patents

一种基于数字孪生技术的全过程智慧压实系统及管控方法 Download PDF

Info

Publication number
CN116430739A
CN116430739A CN202310701409.5A CN202310701409A CN116430739A CN 116430739 A CN116430739 A CN 116430739A CN 202310701409 A CN202310701409 A CN 202310701409A CN 116430739 A CN116430739 A CN 116430739A
Authority
CN
China
Prior art keywords
road roller
construction
compaction
rolling
parameters
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
Application number
CN202310701409.5A
Other languages
English (en)
Other versions
CN116430739B (zh
Inventor
王雪菲
李家乐
王泽昆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202310701409.5A priority Critical patent/CN116430739B/zh
Publication of CN116430739A publication Critical patent/CN116430739A/zh
Application granted granted Critical
Publication of CN116430739B publication Critical patent/CN116430739B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B13/04—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
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C19/00—Machines, tools or auxiliary devices for preparing or distributing paving materials, for working the placed materials, or for forming, consolidating, or finishing the paving
    • E01C19/22—Machines, tools or auxiliary devices for preparing or distributing paving materials, for working the placed materials, or for forming, consolidating, or finishing the paving for consolidating or finishing laid-down unset materials
    • E01C19/23—Rollers therefor; Such rollers usable also for compacting soil
    • E01C19/28—Vibrated rollers or rollers subjected to impacts, e.g. hammering blows
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C19/00—Machines, tools or auxiliary devices for preparing or distributing paving materials, for working the placed materials, or for forming, consolidating, or finishing the paving
    • E01C19/22—Machines, tools or auxiliary devices for preparing or distributing paving materials, for working the placed materials, or for forming, consolidating, or finishing the paving for consolidating or finishing laid-down unset materials
    • E01C19/23—Rollers therefor; Such rollers usable also for compacting soil
    • E01C19/28—Vibrated rollers or rollers subjected to impacts, e.g. hammering blows
    • E01C19/282—Vibrated rollers or rollers subjected to impacts, e.g. hammering blows self-propelled, e.g. with an own traction-unit
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C19/00—Machines, tools or auxiliary devices for preparing or distributing paving materials, for working the placed materials, or for forming, consolidating, or finishing the paving
    • E01C19/22—Machines, tools or auxiliary devices for preparing or distributing paving materials, for working the placed materials, or for forming, consolidating, or finishing the paving for consolidating or finishing laid-down unset materials
    • E01C19/23—Rollers therefor; Such rollers usable also for compacting soil
    • E01C19/28—Vibrated rollers or rollers subjected to impacts, e.g. hammering blows
    • E01C19/285—Vibrated rollers or rollers subjected to impacts, e.g. hammering blows with attachments for work other than rolling, e.g. dozer blades, shoes for conversion into plate vibrator; fitted to vehicles, road-construction or earth-moving machinery ; vibrated or the like auxiliary rolls, e.g. for rolling road edges; provided with means for facilitating transport
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C19/00—Machines, tools or auxiliary devices for preparing or distributing paving materials, for working the placed materials, or for forming, consolidating, or finishing the paving
    • E01C19/22—Machines, tools or auxiliary devices for preparing or distributing paving materials, for working the placed materials, or for forming, consolidating, or finishing the paving for consolidating or finishing laid-down unset materials
    • E01C19/23—Rollers therefor; Such rollers usable also for compacting soil
    • E01C19/28—Vibrated rollers or rollers subjected to impacts, e.g. hammering blows
    • E01C19/288—Vibrated rollers or rollers subjected to impacts, e.g. hammering blows adapted for monitoring characteristics of the material being compacted, e.g. indicating resonant frequency, measuring degree of compaction, by measuring values, detectable on the roller; using detected values to control operation of the roller, e.g. automatic adjustment of vibration responsive to such measurements
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D1/00—Investigation of foundation soil in situ
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Architecture (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mining & Mineral Resources (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Paleontology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Soil Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Road Paving Machines (AREA)

Abstract

本发明为一种基于数字孪生技术的全过程智慧压实系统及管控方法，包括用于碾压工作中的压路机工作参数优化的并利用强化学习优化的遗传算法模型和用于碾压工作后路基压实度的计算的神经网络。利用数字孪生技术和人工智能技术，根据施工前各项数据建立数字孪生场地模型，在施工前进行模拟碾压演示来预计施工时间和碾压质量，在施工中通过强化学习优化的循环遗传算法模型实时控制压路机按最优压路机工作参数进行工作，施工后复核碾压后各工作参数与压实质量是否达标，从而能够在碾压前中后全过程中监测施工工作整体进度及状态。

Description

一种基于数字孪生技术的全过程智慧压实系统及管控方法
技术领域
本发明涉及道路智能压实施工控制领域，具体是一种基于数字孪生技术的全过程智慧压实系统及管控方法。
背景技术
在高速公路施工建设过程中，压路机作为一类高效压实机械施工的主力军，依靠自身重力把建筑材料碾压平整。压路机在施工工作中，其中路基的压实质量对高速公路施工质量和后期养护成本有着很大影响。传统的人工操作压路机工作的压实质量主要依靠驾驶员的工作经验，难以把控整体的压实质量；且传统的压实质量检测是压实工作完成后进行抽测，属于事后检测，无法检测压路机工作中实时的路基压实质量；如何在压实全过程中实时检测与控制路基压实质量成为解决问题的关键。
数字数据孪生是以数字化方式拷贝一个物理对象，模拟对象在现实环境中的行为，对产品、制造过程乃至整个系统进行虚拟仿真。基于高精度的物理模型、历史数据以及传感器实时数据更新构建压实场地物理实体，将其完整映射到数字化空间的虚拟模型，从而反映相对应的物理实体的全过程施工过程的技术。虚拟模型能够对物理实体进行仿真分析，能够根据物理实体运行的实时反馈信息对物理实体的运行状态进行监控，能够依据采集的物理实体的运行数据完善虚拟体的仿真分析算法，从而对物理实体的后续运行和改进提供更加精确的决策。数字孪生技术为土木工程施工领域的科学施工、精细化管理、施工预测、质量评估提供了一种新的技术思路。
全过程智慧压实系统借助机器学习、人工智能、大数据等新兴计算方法，将信息技术、数据通讯技术、自动化控制技术等综合应用于施工压实领域；该系统强化了施工人员、施工机械与施工场地的联系，通过机器学习算法的优化指导功能和自主学习功能由人为干预施工转变为智慧压实系统指导施工；基于强化学习和遗传算法的选优决策及模型预测，实现了机器自主学习和最优压路机工作参数选择同步进行，提高了整个施工系统的智能化水平，降低了人为因素对施工质量的干扰，为数字化智能施工提供了一种新的技术方案。
发明内容
针对现有技术中的不足之处，本发明拟解决的技术问题是，提供一种基于数字孪生技术的全过程智慧压实系统及管控方法。该方法利用数字孪生技术和人工智能技术，根据施工前各项数据建立数字孪生场地模型，在施工前进行模拟碾压演示来预计施工时间和碾压质量，在施工中通过强化学习优化的循环遗传算法模型（下简称遗传算法模型）实时控制压路机按最优压路机工作参数进行工作，施工后复核碾压后各工作参数与压实质量是否达标，从而能够在碾压前中后全过程中监测施工工作整体进度及状态。
本发明解决所述技术问题采用的技术方案是：
第一方面，本发明提供一种基于数字孪生技术的全过程智慧压实系统，包括定位模块、无线通讯模块、控制模块、传感模块、数据处理模块；定位模块、传感模块采集的数据均传输给数据处理模块，数据处理模块通过无线通讯模块与远程监控端双向通讯；同时数据处理模块与控制模块的输入端连接；
定位模块用于采集无人驾驶压路机实时位置信息，安装于压路机车顶中央；
无线通讯模块用于发送数据和图像给远程监控端，固定于无人驾驶压路机车顶；
控制模块通过改装压路机的方向盘、速度控制器和激振器机构，实现压路机的无人驾驶功能，并控制压路机在工作过程中的转向、压路机速度及振动频率的无极调节；
传感模块用于采集工作过程中压路机的当前碾压位置振动加速度和温度，安装于压路机车顶和压路机振动轮轴；
数据处理模块接收来传感模块采集的当前碾压位置振动加速度和温度、定位模块采集的压路机实时位置信息，包括压实质量评价单元和碾压参数优化单元、数据库，压实质量评价单元装载有压实度计算模型，通过输入的传感模块采集参数、压路机工作参数和路基土体参数计算得出当前位置的连续压实度；碾压参数优化单元装载有遗传算法模型，遗传算法模型用于输出下一碾压条带的最优压路机工作参数，并将最优压路机工作参数传输给控制模块，控制压路机改变压路机工作参数进而优化碾压工作；
所述数据库中包含不同路基土体参数、压路机工作参数、传感模块采集参数下对应的压实度；
所述路基土体参数包括土体密度、含水率和级配，所述压路机工作参数包括压路机速度和振动频率，所述传感模块采集参数包括CMV和温度。
所述遗传算法模型的具体过程是：
步骤1：设置最大迭代次数和染色体种群数量，并设置压路机速度和振动频率的取值范围、预设压实度以及压实度的有效区间；
步骤2：编码：对压路机速度
Figure SMS_1
和振动频率/>
Figure SMS_2
分别进行二进制编码形成基因，染色体包含压路机速度/>
Figure SMS_3
和振动频率/>
Figure SMS_4
两个基因；其中压路机速度/>
Figure SMS_5
的单位为km/h，取值范围为0-10，单位精度0.1，压路机速度/>
Figure SMS_6
的基因由9位二进制数构成，9位二进制数的前四位表示为整数部分，第五位表示为小数点，设置为0，后四位表示为小数部分；
振动频率
Figure SMS_7
单位为Hz，取值范围为0-100，单位精度1，振动频率/>
Figure SMS_8
基因由7位二进制数构成，压路机速度/>
Figure SMS_9
和振动频率/>
Figure SMS_10
两个基因构成的染色体长度为16位；
根据编码初始化染色体种群；
步骤3：在数据库中提取压路机速度
Figure SMS_12
、振动频率/>
Figure SMS_16
和对应的压实度/>
Figure SMS_19
数据，拟合压路机速度/>
Figure SMS_13
、振动频率/>
Figure SMS_14
和对应的压实度/>
Figure SMS_17
之间的关系，以此关系作为适应度函数，适应度函数表示为：/>
Figure SMS_20
；其中/>
Figure SMS_11
表示以压路机速度/>
Figure SMS_15
和振动频率/>
Figure SMS_18
为变量的函数，K 0 表示初始时，数据库中的压实度；
步骤4：对初始化的染色体种群利用适应度函数计算每个个体的适应度，适应度反映了染色体对应的压实度；判断是否为最优压路机工作参数，若为最优压路机工作参数，则输出最优压路机工作参数，并结束；若不是最优压路机工作参数，需要执行步骤5；
步骤5：将当前染色体种群输入强化学习算法进行选择操作，保留适应度高的前90%染色体，依据保留的各染色体的适应度赋予不同的状态值S；
步骤6：对保留的各染色体进行交叉、变异操作，染色体要执行的交叉行为值和变异行为值分别记为
Figure SMS_22
、/>
Figure SMS_24
；强化学习算法赋予染色体的交叉操作概率和变异操作概率分别记为/>
Figure SMS_27
、/>
Figure SMS_23
，强化学习算法根据不同操作概率的交叉、变异操作对染色体是否有益做出评价，染色体交叉和变异后获取的奖励值分别记为/>
Figure SMS_26
、/>
Figure SMS_29
；将染色体在不同操作概率的操作过程中的奖励值/>
Figure SMS_30
、/>
Figure SMS_21
以及操作概率/>
Figure SMS_25
、/>
Figure SMS_28
输入动作-状态价值函数得出总价值，每个染色体选取总价值最高的一组操作概率执行交叉变异；
步骤7：经过步骤6，输出新的一组染色体种群，进行下一次迭代，重新回归步骤4中进行适应度函数计算并判断是否为最优压路机工作参数；
所述判断是否为最优压路机工作参数至少要满足下述两个条件其中之一：1）至少一个染色体的适应度不小于预设压实度，且每个染色体计算得出的适应度都在设定的有效区间内；2）达到最大迭代次数。
所述压实度计算模型的构建过程是：以BP神经网络为骨架，包括输入层、隐含层和输出层，以路基土体参数、压路机工作参数和传感模块采集参数作为输入端，以压实度作为输出端；
构建数据集，数据集中包括不同特征值组合下对应的压实度，将数据集划分为多个数据子集；以路基土体参数、压路机工作参数和传感模块采集参数作为三种特征值，所述数据子集为保留至少一种特征值相同，其他种特征值不同时的数据的集合；
路基土体参数由施工前室内实验获得，温度由传感模块获得，CMV由传感模块采集的振动加速度处理获得；
利用数据集训练BP神经网络，获得压实度计算模型。
设备安装完毕后，首先在工作区域内以压路机振动轮宽度依次划分各个碾压条带，在第一碾压条带开始施工时，以达到预设压实度为标准，遗传算法模型根据数据库中的数据输出第一碾压条带一次碾压的压路机的最优压路机工作参数，压路机按此参数在第一碾压条带上开始工作；压路机从第一碾压条带起始端工作到终止端后，倒车回起始端变道至第二碾压条带开始工作，即无论在这一碾压条带工作一次后压实度如何，都变道至下一碾压条带工作；
压路机在第一碾压条带一次碾压工作完成后，传感模块采集本碾压条带的振动加速度和温度，计算CMV，将CMV、温度、路基土体参数和实时的压路机工作参数输入压实度计算模型中计算得到该碾压条带的连续压实度，将该碾压条带上的连续压实度取平均值后，得到平均压实度；
将平均压实度与预设压实度进行对比，若平均压实度小于预设压实度，以该碾压条带上的压路机速度、振动频率和平均压实度为新的染色体，更新遗传算法模型中的初始染色体种群及适应度函数，使遗传算法模型更加接近压路机当前施工场地；
若平均压实度大于预设压实度时，下一碾压条带仍按此工作参数进行碾压；
直到所有碾压条带完成第一轮工作；在所有碾压条带都碾压工作一次后，压路机再回到第一碾压条带开始第二轮工作；若碾压条带没有达到预设压实度，则标记碾压条带为不合格，待下一轮压路机工作继续碾压；若碾压条带达到预设压实度，则编辑碾压条带为合格，下一轮压路机碾压跳过合格条带，直至所有碾压条带满足要求，工作结束。
第二方面，本发明提供一种基于数字孪生技术的全过程智慧压实管控方法，所述管控方法包括下述步骤：
步骤1，施工前采集物理层数据，物理层数据包括施工场地经纬度数据、路基土体参数、压路机尺寸及压路机工作参数、施工环境信息；
步骤2，根据上述物理层数据从物理空间映射到虚拟空间，形成数字孪生的模型层，导入数字孪生系统建立进行交互的数字孪生场地模型；
步骤3，获取现实施工现场的动态参数变化情况，所述动态参数包括车辆位置、遗传算法模型输出的最优压路机工作参数、压实度计算模型计算得出的连续压实度、实时图像，所述实时图像通过压路机上安装摄像机采集获得；通过数字化映射将现实施工现场与虚拟空间内的数字孪生场地模型进行同步更改；
步骤4，在压实工作前通过已经构建的数字孪生场地模型进行施工推演：
根据路基土体参数、最优压路机工作参数、施工场地经纬度数据，对虚拟空间内数字孪生场地模型进行施工推演，数字孪生场地模型中加载有遗传算法模型和压实度计算模型，获得当前遍数的最优压路机工作参数，以最优压路机工作参数和压路机位置进行多次模拟施工，在施工前预测施工所需时间及压实质量；
步骤5，在压实工作中，获取现实施工现场的动态参数变化情况，在施工中根据实际物理空间的施工状态实时更新数字孪生场地模型；且将多次模拟施工的压实进度和压实质量与实际情况做对比，直观的反映出实际与模拟的差异指标，差异指标包括压路机工作参数、平均压实度；此外，数字孪生场地模型与实际施工为双向数据传输，能通过人为改变数字孪生场地模型中的可变参数（如例压路机位置信息、压路机速度、振动频率等参数）来调整实际施工中压路机的状态；
步骤6，压实工作结束后，通过复核数字孪生场地模型与实际施工中压实质量数据，验证全施工过程及压实质量是否符合标准，通过数字孪生场地模型的储存功能事后回溯施工全过程，直观找出施工过程中异常因素和影响质量的原因；
所述复核数字孪生场地模型与实际施工中压实质量数据包括施工中压路机速度是否在施工标准范围内、平均压实度是否达到施工标准、是否在预定时间内完成施工。
与现有技术相比，本发明的有益效果在于：
1）本发明基于数字孪生技术的全过程智慧压实系统为可自适应调节的全过程智慧压实系统，对比传统的人工驾驶压路机，本发明可以替代人工操作压路机进行碾压工作；对比其他实现无人驾驶功能的压路机，本发明增加了传感模块用于压路机在碾压过程中采集振动加速度和温度，通过神经网络计算得出压实度信息，能够精确智能地完成碾压过程中连续的压实度检测。增加了控制模块控制压路机施工参数，比一般的无人驾驶压路机增加了工作参数的无极调节功能；根据实际路基情况按最优压路机工作参数进行施工，为把握施工进度和碾压质量提供了精准实时的数据依据。
2）本发明全过程智慧压实系统，包括用于碾压工作中的压路机工作参数优化的并利用强化学习优化的遗传算法模型和用于碾压工作后路基压实度的计算的神经网络。通过神经网络计算获得碾压过程中连续的压实度信息，为高速公路碾压全过程施工提供了数据支撑；将强化学习中奖惩机制指导遗传算法中种群的选择、交叉、变异操作，加快了种群更新速度，提高了算法计算效率，提高了个体变异品质，有效解决了陷入局部最优解的难题。以采集新数据为基础建立新个体重新更新原始种群，使模型更符合当前工况。
3）本发明基于数字孪生技术的全过程智慧压实管控方法，将实际的物理施工场地映射到虚拟空间，根据采集数据建立对应的数字孪生场地模型。在施工前可通过预设的施工参数在数字孪生场地模型进行仿真施工推演，避免由于施工过程中不可预见问题导致工期的延误；在施工中通过双向数据传输实时更新实际施工情况和数字孪生场地模型，施工后通过复核施工现场和模型数据对压实质量进行评定，具有全过程中指导和显示的功能，实现了现实施工现场、数字孪生场地模型和全过程智慧压实系统的信息相互传输目的。
附图说明
图1为本发明基于数字孪生技术的全过程智慧压实系统中各模块在压路机上的安装位置示意图。
图2为本发明一种实施例的压实度计算模型所使用的神经网络的结构示意图。
图3为本发明基于数字孪生技术的全过程智慧压实系统中各模块连接示意图。
图4为本发明基于数字孪生技术的全过程智慧压实系统的工作流程示意图。
图5为本发明基于数字孪生技术的全过程智慧压实管控方法的原理示意图。
图中，1.定位模块、2.无线通讯模块、3.控制模块、4.传感模块、5.数据处理模块；6.远程监控端；51压实质量评价单元、52碾压参数优化单元。
具体实施方式
下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限于本申请的保护范围。
本发明提供了一种基于数字孪生技术的全过程智慧压实系统（参见图1和图3），包括压路机、定位模块1、无线通讯模块2、控制模块3、传感模块4、数据处理模块5；定位模块1、传感模块4的采集的数据均传输给数据处理模块5，数据处理模块通过无线通讯模块2与远程监控端6双向通讯；同时数据处理模块5与控制模块3的输入端连接。
定位模块1用于采集压路机实时位置信息，首先通过磁吸式底座安装方式固定高精度定位模块。定位模块1安装于压路机车顶中央，保证定位模块处于露天环境下，且不被障碍物遮挡影响信号的接收。定位模块1通过线束与数据处理模块5连接，通过串口协议发送定位信息给数据处理模块5。
无线通讯模块2用于发送数据和图像给远程监控端6，无线通讯模块连接无线天线后，固定于压路机车顶，保证无线通讯模块2处于露天环境下，不被障碍物遮挡影响信号的接收，无线通讯模块通过无线天线传输压路机采集数据和接收远程监控端内发送的数据，并把数据移交给数据处理模块5。
控制模块3通过改装压路机的方向盘、速度推杆和振动轮的激振器机构，控制压路机的转向、速度和振动频率，包括电动方向盘、速度推杆控制器和激振器调节器。电动方向盘替换原有压路机方向盘，电动方向盘采用电机扭动改变车辆行驶方向；速度推杆控制器安装于驾驶室内控制车辆速度大小；激振器调节器接入压路机振动轮的激振器机构，实现控制压路机的振动频率无极调节功能；由此，压路机可由所述控制模块替代人工控制压路机工作。
传感模块4用于采集压路机工作过程中的振动加速度信号和温度，包括温度传感器和加速度传感器，传感模块安装于压路机振动轮上，在不影响压路机前后轮行驶正常工作的位置通过磁吸式安装，具体是：在压路机振动轮中心平行于地面的位置上安装一个加速度传感器，采集振动加速度，在振动轮竖向安装温度传感器，安装一个温度传感器采集工作中温度。各传感器通过USB线束与数据处理模块连接，通过CAN协议传输数据给数据处理模块5。
数据处理模块5接收来自定位模块采集的压路机定位数据、传感模块采集的振动加速度信号和温度数据，对采集数据进行以下处理：对采集的压路机定位数据实时更新；对采集的振动加速度信号通过傅里叶变换转换为一次谐波信号振幅，从而计算出压实度测量值CMV。数据处理模块5包括压实质量评价单元51和碾压参数优化单元52，压实质量评价单元装载有压实度计算模型，通过神经网络训练获得，通过输入传感模块采集参数（CMV和温度）、压路机工作参数和已知路基土体参数（土体密度、含水率、级配）计算得出当前位置的连续压实度。碾压参数优化单元52装载有遗传算法模型，通过初始种群和新加入个体的不断更新迭代输出下一碾压条带的最优压路机工作参数，并将最优压路机工作参数传输给控制模块，控制压路机改变压路机工作参数，优化碾压工作。
所述远程监控端6包括显示部，远程监控端加载有上位机监控软件，数据处理模块5通过无线通讯模块2与上位机监控软件相互通信，将全施工过程中的路基压实信息和压路机工作数据传输给上位机监控软件，且具有储存和调用历史信息的功能，方便工作人员监控和查询数据；上位机监控软件还可以在施工开始前输入一些重要的碾压工作相关参数（例如振动轮宽、路基土体参数等），完成施工前的预设置。
所述数据处理模块5的载体可以采用STM32单片机、平板电脑、PC主机、Linux板卡等实现，数据处理模块可以与无人驾驶压路机驾驶室内或者施工现场附近的显示终端连接。远程监控端6可以采用PC主机及显示器、笔记本电脑等实现。
所述神经网络用于实时计算高速公路路基压实度。
所述遗传算法模型是一种强化学习优化的循环遗传算法，强化学习算法是一种基于奖励机制的可进行自主决策的学习算法，目标是做出最优决策，通过奖励机制来不断优化状态-行为，从而指导遗传算法中选择、替换、交叉、突变做出有益操作，加快种群迭代速度，确保种群是向适应度更高的方向进化。遗传算法模型的具体过程是（可参见图4）：
步骤1：设置最大迭代次数nmax，设置压路机速度和振动频率的取值范围，获得历史数据库，并进行参数约束，即公式（1）、（2）。考虑实际工作情况，压路机不可能以极低的速度或是极高的频率进行工作，压路机速度和振动频率不能超过实际或低于施工车辆和施工要求的允许范围；同时设置预设压实度，压实度的有效区间。
步骤2：编码：对压路机速度
Figure SMS_33
和振动频率/>
Figure SMS_36
分别进行二进制编码形成基因，染色体包含压路机速度/>
Figure SMS_39
和振动频率/>
Figure SMS_32
两个基因。其中压路机速度/>
Figure SMS_35
单位为km/h，取值范围为0-10，单位精度0.1，压路机速度/>
Figure SMS_38
基因由9位二进制数构成，前四位表示为整数部分，整数部分由十进制变成二进制，第五位表示为小数点，设置为0，后四位表示为小数部分，例如6.9编码后为011001001；振动频率/>
Figure SMS_40
单位为Hz,取值范围为0-100，单位精度1，振动频率/>
Figure SMS_31
基因由7位二进制数构成，例如97编码后为1100001，因此速度/>
Figure SMS_34
和振动频率/>
Figure SMS_37
两个基因构成的染色体长度为16位。从而把数据转换为可在遗传算法内运算的染色体；
根据编码初始化染色体种群。
步骤3：在历史数据库中提取压路机速度
Figure SMS_41
、振动频率/>
Figure SMS_42
和对应的压实度/>
Figure SMS_43
数据，拟合压路机速度/>
Figure SMS_44
、振动频率/>
Figure SMS_45
和对应的压实度/>
Figure SMS_46
之间的关系，以此关系作为适应度函数，适应度函数表示为：/>
Figure SMS_47
；
其中
Figure SMS_48
表示以压路机速度/>
Figure SMS_49
和振动频率/>
Figure SMS_50
为变量的函数，/>
Figure SMS_51
表示初始时，数据库中的压实度。
步骤4：对初始化的染色体种群输入到所述适应度函数中计算每个个体的适应度，其适应度反映了染色体对应的压实度，判断是否为最优压路机工作参数，若为最优压路机工作参数，则输出最优压路机工作参数，并结束；若不是最优压路机工作参数，需要执行步骤5；
所述判断是否为最优压路机工作参数至少要满足下述两个条件其中之一：1）至少一个染色体的适应度不小于预设压实度，且每个染色体计算得出的适应度都在设定的压实度的有效区间内；2）达到最大迭代次数，本实施例中设置最大迭代次数为500次。
步骤5：当前染色体种群输入强化学习算法进行选择操作，按比例（9:1，即十个染色体中剔除一个）剔除适应度低的个体，选择保留适应度高的染色体，依据保留的各染色体的适应度赋予不同的状态值S。
步骤6：对保留的各染色体进行交叉、变异操作，染色体要执行的交叉行为值和变异行为值分别记为
Figure SMS_54
、/>
Figure SMS_56
；强化学习算法赋予染色体的交叉操作概率和变异操作概率分别记为/>
Figure SMS_59
、/>
Figure SMS_53
，强化学习算法根据不同概率的交叉、变异操作对染色体是否有益做出评价，染色体交叉和变异后获取的奖励值分别记为/>
Figure SMS_57
、/>
Figure SMS_60
；将染色体在不同概率的操作过程中的奖励值/>
Figure SMS_61
、/>
Figure SMS_52
以及操作概率/>
Figure SMS_55
、/>
Figure SMS_58
输入动作-状态价值函数得出总价值，每个染色体选取总价值最高的一组操作概率执行交叉变异。
步骤7：经过步骤6输出新的一组染色体种群，进行下一次迭代，重新回归步骤4中进行适应度函数计算并判断是否为最优压路机工作参数。
由此，上述步骤4-7视为遗传算法模型的一次迭代。
步骤8：输出适应度最高的染色体即最优压路机工作参数，结束循环。
遗传算法模型中计算式为：
Figure SMS_62
，
其中，
Figure SMS_66
为路基压实度，n为遗传算法模型中的第n次迭代，/>
Figure SMS_68
为压路机速度，/>
Figure SMS_72
为压路机振动频率，/>
Figure SMS_65
为预设压实度，r为种群中染色体数目，/>
Figure SMS_67
为第n次迭代种群中第r个染色体对应的适应度，/>
Figure SMS_71
为达到/>
Figure SMS_75
的最优压路机速度，/>
Figure SMS_63
为达到/>
Figure SMS_69
的最优振动频率，
Figure SMS_73
、/>
Figure SMS_76
、/>
Figure SMS_64
、/>
Figure SMS_70
分别为/>
Figure SMS_74
和/>
Figure SMS_77
的限制工作范围。
其中，所述动作-状态价值函数为：
Figure SMS_78
，
其中
Figure SMS_80
为在π策略下的总价值，s为染色体输入强化学习算法后的状态，/>
Figure SMS_84
、/>
Figure SMS_87
分别为染色体要执行的交叉和变异操作，/>
Figure SMS_81
为累积的奖励值之和，S为染色体当前状态值，/>
Figure SMS_82
、/>
Figure SMS_85
分别为染色体要执行的交叉行为值和变异行为值，/>
Figure SMS_88
为强化学习第k次下的学习因子。/>
Figure SMS_79
、/>
Figure SMS_83
分别为强化学习算法赋予染色体的交叉操作概率和变异操作概率，/>
Figure SMS_86
、/>
Figure SMS_89
为染色体交叉和变异后获取的奖励值。
输出适应度最高的染色体为能够达到预设压实度的最优压路机速度和振动频率。
在系统安装完毕后，首先在工作区域内以压路机振动轮宽度依次划分各个碾压条带，并设定预设压实度，在第一碾压条带开始施工时，以达到预设压实度为标准，利用历史数据库中已有的数据初始化获得遗传算法模型的输入数据，碾压参数优化单元装载的遗传算法模型经计算后输出第一碾压条带压路机的最优压路机工作参数（压路机速度，振动频率），压路机按最优压路机工作参数在第一碾压条带上开始工作。压路机从第一碾压条带起始端工作到终止端后，倒车回起始端变道至第二碾压条带开始工作，即无论在这一碾压条带工作一次后压实度如何，都变道至下一碾压条带工作。
步骤1：第一道碾压记为i，在第一碾压条带完成一次碾压后，压实度计算模型根据碾压过程中的CMV和温度、最优压路机工作参数和已知路基土体参数，输出该碾压条带的连续压实度，并按碾压条带长度计算平均压实度。
步骤2：将平均压实度与预设压实度比较，若平均压实度大于或等于预设压实度（阈值），则该条带合格，下一碾压条带仍按此压路机工作参数进行碾压，下一碾压条带碾压记为i+1，并利用压实度计算模型输出下一碾压条带的连续压实度；若平均压实度小于预设压实度，执行步骤3。
步骤3：以第一碾压条带一次碾压后的最优压路机工作参数、压路机速度、振动频率和平均压实度为基础，更新初始化后的数据库，并通过非线性回归算法更新适应度函数。
步骤4：建立新个体，即实际工作的压路机速度、振动频率和对应实际压实度，输入初始种群中，更新种群中个体丰富度，重新执行遗传算法模型计算下一碾压条带的最优压路机工作参数。
步骤5：完成一碾压条带的一次碾压后，开始第二碾压条带的碾压工作，仍重复执行步骤1-4，适用于所有碾压条带；若碾压条带没有达到预设压实度，则标记该碾压条带为不合格，待第二轮压路机工作继续碾压；若碾压条带达到预设压实度，则编辑该碾压条带为合格，下一轮压路机碾压可跳过该碾压条带。直至所有碾压条带压实度达到要求后，压路机结束工作。
神经网络是模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。
神经网络以路基土体参数（土体密度、含水率、级配）、压路机工作参数（振动频率、压路机速度）和传感模块采集参数（CMV、温度）作为输入端，以压实度作为输出端；
其中包括路基土体参数：1.土体密度，为单位体积土的质量。2.含水率，为路基土体中水的质量与土颗粒质量的比值。3.级配，为土集料中各级粒径颗粒的分配情况。以上参数可由施工前室内实验获得。
包括压路机工作参数：1.压路机速度，为压路机工作速度；2振动频率，为压轮机振动轮在单位时间内振动的次数；
包括传感模块采集参数：1.温度，为工作中压路机上安装的温度传感器测得的环境温度。2.振动加速度，工程实际使用的振动速度是速度的有效值，表征的是振动的能量。振动加速度是用的峰值，表征振动中冲击力的大小，用于计算压实度测量值CMV。
本发明中CMV计算公式为：
Figure SMS_90
，
其中c为常数；
Figure SMS_91
为压路机振动基频振幅；/>
Figure SMS_92
为振动加速度信号傅里叶变换处理后的一次谐波信号振幅。
传感模块采集到的振动加速度信号需要经过傅里叶换边处理后得到一次谐波信号振幅，在通过上述计算得到CMV输入神经网络。
所述神经网络的建立过程是：
神经网络的输入考虑三个方面的影响因素：工作场地路基土体参数、传感模块采集参数和压路机工作参数。所述工作场地路基土体参数表示工作场地内不同碾压条带的土体差异参数；压路机工作参数表示所用压路机在工作场地内不同碾压条带内的压路机速度和振动频率；传感模块采集参数表示工作场地内不同碾压条带传感器采集参数，主要是温度和振动加速度。
神经网络采用BP神经网络结构（参见图2），包括输入层、隐含层和输出层，输出层的输出记为O，本实施例中，隐藏层的节点数量为10，隐藏层的输出记为y1，y2，…，y10。
利用神经网路建立上述三个方面的因素与能够表征压实的压实力学指标之间的相关性分析模型，即压实度计算模型。本实施例采用压实度作为压实力学指标的表征参数。
构建数据库：数据库中历史数据包括路基土体参数、压路机工作参数和传感模块采集参数和其对应的压实度（利用环刀法测量获得，或压实度的测定仪检测获得，为已知值）。首先进行预处理，包括去除数据中噪声、删除冗余数据特征。对数据进行数据清理、数据集成与变换和数据归约后得到可用数据集，数据集划分为训练集、实际和验证集，训练集和测试集不包含验证集的同种类型数据，训练集和验证集按照0.8：0.2的比例进行横向划分。数据集划分为多个数据子集，以路基土体参数、压路机工作参数和传感模块采集参数作为三种特征值，分别记为x1、x2、x3，所述数据子集为保留至少一种特征值相同，其他种特征值不同时的数据的集合，例如子集一为相同压路机工作参数（振动频率、压路机速度）在不同路基土体参数（土体密度、含水率、级配）场地的工作数据，子集二为压路机在相同路基土体参数（土体密度、含水率、级配）不同工作参数（振动频率、压路机速度）的工作数据等。该方法有效扩充了有效训练数据容量。
神经网络训练中需要人工设定的参数为超参数，本发明中超参数包括：隐含层层数、隐含层中神经元个数、学习率、权重初始化方法、迭代次数。根据宽泛系统先大致确定简单的结构，确定神经网络中隐含层的数目和每个隐含层中神经元的个数，给剩下的超参数一个合理的范围值，在每个超参数取值范围内按合适的梯度分割为不同的参数段，每个超参数按不同梯度交叉组合进行训练，选择准确度最高的一组超参数确定神经网络，最终得到误差最小的神经网络。
得到上述输入三种参数能够表征压实度的相关性分析模型，即压实度计算模型。
将压实度计算模型和遗传算法模型保存在编程环境中作为备份。同时将压实度计算模型和遗传算法模型写入至全过程智慧压实系统的数据处理模块中，通过无线通讯模块连接至远程监控端6。
基于数字孪生技术的全过程智慧压实管控方法（参见图5），数字孪生场地模型与现实施工现场双向进行数据交互，所述全过程智慧压实系统采集的数据能够给予数字孪生场地模型模拟施工，同时现实施工现场不断循环反馈数据给全过程智慧压实系统，全过程智慧压实系统根据现实施工现场不断优化施工过程，具体管控方法包括以下步骤：
步骤1，施工前采集到的物理层数据，具体是施工场地经纬度数据、路基填土参数、压路机尺寸及工作参数、施工环境等信息。
步骤2，根据上述数据从物理空间映射到虚拟空间，即数字孪生的模型层，导入数字孪生系统建立可进行交互的数字孪生场地模型；其中数字孪生场地模型以三维可视化的形式呈现，并可通过显示器、VR头戴设备、AR眼镜等显示终端提供直观的显示效果。
步骤3，获取现实施工现场的动态参数变化情况，通过定位模块获得车辆位置、遗传算法模型输出的最优压路机工作参数、压实度计算模型计算得出的连续压实度、在压路机上加装摄像机获取实时图像等，通过网络的数字化映射将其与虚拟空间内数字孪生场地模型进行同步更改，其中动态参数包括压路机工作参数、连续压实度、通过连续压实度和车辆位置获得压实进度、实时图像等。
步骤4，在压实工作前可通过已经构建的数字孪生场地模型进行施工推演：
具体是根据已有的路基土体参数、最优压路机工作参数、施工场地经纬度数据等，对虚拟空间内数字孪生场地模型进行施工推演，数字孪生场地模型中加载有遗传算法模型和压实度计算模型，获得当前遍数的最优压路机工作参数和压路机位置进行模拟施工，实现在施工前预测施工所需时间及压实质量，为实际施工提供数据预测。
步骤5，在压实工作中，获取现实施工现场的动态参数变化情况，在施工中根据实际物理空间的施工状态实时更新数字孪生场地模型；且将多次模拟施工的压实进度（压路机位置及所用时间反映）和压实质量（平均压实度反映）与实际情况做对比，直观的反映出实际与模拟的差异指标，差异指标包括压路机工作参数、平均压实度等。此外，数字孪生场地模型与实际施工并不是单向数据传输，人工仍可通过改变数字孪生场地模型中可变参数来调整实际施工中压路机的状态，例如改变压路机位置信息、压路机速度、振动频率等可变参数，完成从虚拟空间到现实空间的映射，实现双向数据传输。
步骤6，压实工作结束后，通过复核数字孪生场地模型与实际施工中压实质量等数据，例如施工中压路机速度是否在施工标准范围内、平均压实度是否达到施工标准、是否在预定时间内完成施工等，可验证全施工过程及压实质量是否符合标准，通过数字孪生场地模型的储存功能可事后回溯施工全过程，有助于施工人员直观的找出施工过程中异常因素和影响质量的原因。
详细的，在步骤4中包括以下步骤；
步骤41，规定数字孪生场地模型中施工场地尺寸及位置信息、压路机工作参数范围、路基填土土体参数等，赋予数字孪生场地模型中物体具体参数及行为准则。
步骤42，将遗传算法模型和压实度计算模型嵌入到数字孪生场地模型，根据已嵌入的遗传算法模型和压实度计算模型，指导数字孪生场地模型中压路机进行模拟施工，在模拟施工时计算最优压路机工作参数和压实度并记录储存压路机工作轨迹、工作状态、压实质量等信息，便于模拟施工后回溯进度。
步骤43，数字孪生场地模型中检测到施工场地内压实质量满足要求后，视为完成模拟施工工作。
详细的，在步骤5中包括以下步骤；
步骤51，通过显示器、主机等交互设备更改数字孪生场地模型中可变参数，例如压路机速度、振动频率等，更改数据可通过无线通讯模块同步更改至现实工作场地的压路机中。
步骤52，在施工工作中，将施工工作开始到结束的施工数据储存至数字孪生场地模型中，形成一个完整的施工时间段的的仿真映射过程，此过程可通过视频回溯方式详细查看施工中各时间节点信息。
本发明未述及之处适用于现有技术。

Claims (5)

1.一种基于数字孪生技术的全过程智慧压实系统，包括定位模块、无线通讯模块、控制模块、传感模块、数据处理模块；定位模块、传感模块采集的数据均传输给数据处理模块，数据处理模块通过无线通讯模块与远程监控端双向通讯；同时数据处理模块与控制模块的输入端连接；其特征在于：
定位模块用于采集无人驾驶压路机实时位置信息，安装于压路机车顶中央；
无线通讯模块用于发送数据和图像给远程监控端，固定于无人驾驶压路机车顶；
控制模块用于控制压路机在工作过程中的转向、压路机速度及振动频率；
传感模块用于采集工作过程中压路机的当前碾压位置振动加速度和温度，安装于压路机车顶和压路机振动轮轴；
数据处理模块接收来传感模块采集的当前碾压位置振动加速度和温度、定位模块采集的压路机实时位置信息，数据处理模块包括压实质量评价单元、碾压参数优化单元和数据库，压实质量评价单元装载有压实度计算模型，通过输入的传感模块采集参数、压路机工作参数和路基土体参数计算得出当前位置的连续压实度；碾压参数优化单元装载有遗传算法模型，遗传算法模型用于输出下一碾压条带的最优压路机工作参数，并将最优压路机工作参数传输给控制模块，控制压路机改变压路机工作参数，优化碾压工作；
所述数据库中包含不同路基土体参数、压路机工作参数、传感模块采集参数下对应的压实度；
所述路基土体参数包括土体密度、含水率和级配，所述压路机工作参数包括压路机速度和振动频率，所述传感模块采集参数包括CMV和温度。
2.根据权利要求1所述的基于数字孪生技术的全过程智慧压实系统，其特征在于，所述遗传算法模型的具体过程是：
步骤1：设置最大迭代次数和染色体种群数量，并设置压路机速度和振动频率的取值范围、预设压实度以及压实度的有效区间；
步骤2：编码：对压路机速度
Figure QLYQS_1
和振动频率/>
Figure QLYQS_2
分别进行二进制编码形成基因，染色体包含压路机速度/>
Figure QLYQS_3
和振动频率/>
Figure QLYQS_4
两个基因；其中压路机速度/>
Figure QLYQS_5
的单位为km/h，取值范围为0-10，单位精度0.1，压路机速度/>
Figure QLYQS_6
的基因由9位二进制数构成，9位二进制数的前四位表示为整数部分，第五位表示为小数点，设置为0，后四位表示为小数部分；
振动频率
Figure QLYQS_7
单位为Hz，取值范围为0-100，单位精度1，振动频率/>
Figure QLYQS_8
基因由7位二进制数构成，压路机速度/>
Figure QLYQS_9
和振动频率/>
Figure QLYQS_10
两个基因构成的染色体长度为16位；
根据编码初始化染色体种群；
步骤3：在数据库中提取压路机速度
Figure QLYQS_12
、振动频率/>
Figure QLYQS_16
和对应的压实度/>
Figure QLYQS_19
数据，拟合压路机速度/>
Figure QLYQS_13
、振动频率/>
Figure QLYQS_15
和对应的压实度/>
Figure QLYQS_18
之间的关系，以此关系作为适应度函数，适应度函数表示为：/>
Figure QLYQS_20
；其中/>
Figure QLYQS_11
表示以压路机速度/>
Figure QLYQS_14
和振动频率/>
Figure QLYQS_17
为变量的函数，K 0 表示初始时，数据库中的压实度；
步骤4：对初始化的染色体种群利用适应度函数计算每个个体的适应度；判断是否为最优压路机工作参数，若为最优压路机工作参数，则输出最优压路机工作参数，并结束；若不是最优压路机工作参数，则执行步骤5；
步骤5：将当前染色体种群输入强化学习算法进行选择操作，保留适应度高的前90%染色体，依据保留的各染色体的适应度赋予不同的状态值S；
步骤6：对保留的各染色体进行交叉、变异操作，染色体要执行的交叉行为值和变异行为值分别记为
Figure QLYQS_23
、/>
Figure QLYQS_25
；强化学习算法赋予染色体的交叉操作概率和变异操作概率分别记为/>
Figure QLYQS_28
、/>
Figure QLYQS_22
，强化学习算法根据不同操作概率的交叉、变异操作对染色体是否有益做出评价，染色体交叉和变异后获取的奖励值分别记为/>
Figure QLYQS_26
、/>
Figure QLYQS_29
；将染色体在不同操作概率的操作过程中的奖励值/>
Figure QLYQS_30
、/>
Figure QLYQS_21
以及操作概率/>
Figure QLYQS_24
、/>
Figure QLYQS_27
输入动作-状态价值函数得出总价值，每个染色体选取总价值最高的一组操作概率执行交叉变异；
步骤7：经过步骤6，输出新的一组染色体种群，进行下一次迭代，重新回归步骤4中进行适应度函数计算并判断是否为最优压路机工作参数；
所述判断是否为最优压路机工作参数至少要满足下述两个条件其中之一：条件一为：至少一个染色体的适应度不小于预设压实度，且每个染色体计算得出的适应度都在设定的压实度的有效区间内；条件二为：达到最大迭代次数。
3.根据权利要求1所述的基于数字孪生技术的全过程智慧压实系统，其特征在于，所述压实度计算模型的构建过程是：以BP神经网络为骨架，包括输入层、隐含层和输出层，以路基土体参数、压路机工作参数和传感模块采集参数作为输入端，以压实度作为输出端；
构建数据集，数据集中包括不同特征值组合下对应的压实度，将数据集划分为多个数据子集；以路基土体参数、压路机工作参数和传感模块采集参数作为三种特征值，所述数据子集为保留至少一种特征值相同，其他种特征值不同时的数据的集合；
路基土体参数由施工前室内实验获得，温度由传感模块获得，CMV由传感模块采集的振动加速度处理获得；
利用数据集训练BP神经网络，获得压实度计算模型。
4.根据权利要求1所述的基于数字孪生技术的全过程智慧压实系统，其特征在于，系统安装完毕后，首先在工作区域内以压路机振动轮宽度依次划分各个碾压条带，在第一碾压条带开始施工时，以达到预设压实度为标准，遗传算法模型根据数据库中的数据输出第一碾压条带一次碾压的压路机的最优压路机工作参数，压路机按最优压路机工作参数在第一碾压条带上开始工作；压路机从第一碾压条带起始端工作到终止端后，倒车回起始端变道至第二碾压条带开始工作，无论在这一碾压条带工作一次后压实度如何，都变道至下一碾压条带工作；
压路机在第一碾压条带一次碾压工作完成后，传感模块采集本碾压条带的振动加速度和温度，计算CMV，将CMV、温度、路基土体参数和压路机工作参数输入压实度计算模型中计算得到该碾压条带的连续压实度，将该碾压条带上的连续压实度取平均值后，得到平均压实度；
将平均压实度与预设压实度进行对比，若平均压实度小于预设压实度，以该碾压条带上的压路机速度、振动频率和平均压实度为新的染色体，更新遗传算法模型中的初始染色体种群及适应度函数；
若平均压实度大于预设压实度时，下一碾压条带仍按此碾压条带上的压路机工作参数进行碾压；
直到所有碾压条带完成第一轮工作；在所有碾压条带都碾压工作一次后，压路机再回到第一碾压条带开始第二轮工作；若碾压条带没有达到预设压实度，则标记碾压条带为不合格，待下一轮压路机工作继续碾压；若碾压条带达到预设压实度，则编辑碾压条带为合格，下一轮压路机碾压跳过合格条带，直至所有碾压条带满足要求，工作结束。
5.一种基于数字孪生技术的全过程智慧压实管控方法，其特征在于，所述管控方法使用权利要求1-4任一所述的基于数字孪生技术的全过程智慧压实系统，包括下述步骤：
步骤1，施工前采集物理层数据，物理层数据包括施工场地经纬度数据、路基土体参数、压路机尺寸及压路机工作参数、施工环境信息；
步骤2，根据上述物理层数据从物理空间映射到虚拟空间，形成数字孪生的模型层，导入数字孪生系统建立进行交互的数字孪生场地模型；
步骤3，获取现实施工现场的动态参数变化情况，所述动态参数包括车辆位置、遗传算法模型输出的最优压路机工作参数、压实度计算模型计算得出的连续压实度、实时图像，所述实时图像通过压路机上安装摄像机采集获得；通过数字化映射将现实施工现场与虚拟空间内的数字孪生场地模型进行同步更改；
步骤4，在压实工作前通过已经构建的数字孪生场地模型进行施工推演：
根据路基土体参数、最优压路机工作参数、施工场地经纬度数据，对虚拟空间内数字孪生场地模型进行施工推演，数字孪生场地模型中加载有遗传算法模型和压实度计算模型，获得当前遍数的最优压路机工作参数，以最优压路机工作参数和压路机位置进行多次模拟施工，在施工前预测施工所需时间及压实质量；
步骤5，在压实工作中，获取现实施工现场的动态参数变化情况，在施工中根据实际物理空间的施工状态实时更新数字孪生场地模型；且将多次模拟施工的压实进度和压实质量与实际情况做对比，直观的反映出实际与模拟的差异指标，差异指标包括压路机工作参数、平均压实度；所述数字孪生场地模型与实际施工为双向数据传输，能通过人为改变数字孪生场地模型中的可变参数来调整实际施工中压路机的状态；
步骤6，压实工作结束后，通过复核数字孪生场地模型与实际施工中压实质量数据，验证全施工过程及压实质量是否符合标准，通过数字孪生场地模型的储存功能事后回溯施工全过程，直观找出施工过程中异常因素和影响质量的原因；
所述复核数字孪生场地模型与实际施工中压实质量数据包括施工中压路机速度是否在施工标准范围内、平均压实度是否达到施工标准、是否在预定时间内完成施工。
CN202310701409.5A 2023-06-14 2023-06-14 一种基于数字孪生技术的全过程智慧压实系统及管控方法 Active CN116430739B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310701409.5A CN116430739B (zh) 2023-06-14 2023-06-14 一种基于数字孪生技术的全过程智慧压实系统及管控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310701409.5A CN116430739B (zh) 2023-06-14 2023-06-14 一种基于数字孪生技术的全过程智慧压实系统及管控方法

Publications (2)

Publication Number Publication Date
CN116430739A true CN116430739A (zh) 2023-07-14
CN116430739B CN116430739B (zh) 2023-08-22

Family

ID=87091180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310701409.5A Active CN116430739B (zh) 2023-06-14 2023-06-14 一种基于数字孪生技术的全过程智慧压实系统及管控方法

Country Status (1)

Country Link
CN (1) CN116430739B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118186862A (zh) * 2024-05-16 2024-06-14 中南大学 一种基于bp神经网络的连续压实质量检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109356003A (zh) * 2018-09-18 2019-02-19 北京龙马智行科技有限公司 一种路基路面智能碾压系统
CN109783988A (zh) * 2019-03-01 2019-05-21 中国水利水电第七工程局有限公司 一种基于ga-bp网络的碾压混凝土压实度评价方法
CN109898391A (zh) * 2019-03-19 2019-06-18 中国铁道科学研究院集团有限公司铁道建筑研究所 基于无人驾驶及信息化检测技术的路基智能压实系统
CN114758422A (zh) * 2022-06-15 2022-07-15 清华大学 施工机械设备动作实时智能识别方法及装置
CN115186586A (zh) * 2022-07-11 2022-10-14 河北工业大学 一种基于机路协同的压实施工质量迭代反演控制系统
CN115871660A (zh) * 2023-02-06 2023-03-31 河北工业大学 双模态特征融合的无人驾驶压路机避障方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109356003A (zh) * 2018-09-18 2019-02-19 北京龙马智行科技有限公司 一种路基路面智能碾压系统
CN109783988A (zh) * 2019-03-01 2019-05-21 中国水利水电第七工程局有限公司 一种基于ga-bp网络的碾压混凝土压实度评价方法
CN109898391A (zh) * 2019-03-19 2019-06-18 中国铁道科学研究院集团有限公司铁道建筑研究所 基于无人驾驶及信息化检测技术的路基智能压实系统
CN114758422A (zh) * 2022-06-15 2022-07-15 清华大学 施工机械设备动作实时智能识别方法及装置
CN115186586A (zh) * 2022-07-11 2022-10-14 河北工业大学 一种基于机路协同的压实施工质量迭代反演控制系统
CN115871660A (zh) * 2023-02-06 2023-03-31 河北工业大学 双模态特征融合的无人驾驶压路机避障方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XUEFEI WANG等: "Automated monitoring and evaluation of highway subgrade compaction quality using artificial neural networks", 《ES》, pages 1 - 17 *
XUEFEI WANG等: "Real-time monitoring and quality assessment of subgrade compaction: key factors and ANN model", 《SPRINGER》, pages 3349 - 3366 *
王晓燕 等: "基于强化学习的多策略选择遗传算法", 《计算机工程》, vol. 37, no. 8, pages 149 - 152 *
王本年 等: "RLGA：一种基于强化学习机制的遗传算法", 《电子学报》, no. 5, pages 856 - 860 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118186862A (zh) * 2024-05-16 2024-06-14 中南大学 一种基于bp神经网络的连续压实质量检测方法

Also Published As

Publication number Publication date
CN116430739B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN112252292B (zh) 一种基于人工神经网络的高速公路压实度实时监测方法
CN110346517B (zh) 一种智慧城市工业大气污染可视化预警方法及其系统
CN111667101B (zh) 融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统
CN116430739B (zh) 一种基于数字孪生技术的全过程智慧压实系统及管控方法
CN107315862B (zh) 一种建立明挖基坑工程勘察与模拟参数关系的方法
CN102629418B (zh) 基于模糊卡尔曼滤波的交通流预测方法
CN109468918B (zh) 一种路基路面智能压实决策系统
CN113554849A (zh) 一种空天地监测边坡系统及其失稳风险评估方法
CN107977758A (zh) 一种降雨强度预报方法及相关装置
CN116881819B (zh) 一种基于孤立森林的斜拉索工作状态监测方法
CN115034697A (zh) 基于多域分析的多元智能压实指标分级优选方法及系统
CN105303835B (zh) 一种道路交通流状态的短时预测方法
CN114510778A (zh) 基于混合智能优化lstm的轨道不平顺预测方法
CN113657041A (zh) 一种高寒区路基物理力学状态智能感知与预报系统
CN115186586A (zh) 一种基于机路协同的压实施工质量迭代反演控制系统
CN113886928A (zh) 一种建筑力学模拟系统
CN116402951A (zh) 基于数字孪生的边坡安全管理方法及系统
CN114819305A (zh) 一种基于碳排放度量尺度下的路径规划方法
CN117057533A (zh) 基于负荷评估的细分时段有序充电策略优化方法及装置
CN103969412A (zh) 一种基于群决策案例推理的溶解氧浓度软测量方法
CN113821861A (zh) 一种基于多元回归的路基路面压实质量测量方法和系统
CN117540329A (zh) 基于机器学习的排水管网缺陷在线预警方法及系统
CN116090696A (zh) 适用于山区铁路沿线的滑坡地质灾害风险分类预测方法
Yang et al. Forecasting model for urban traffic flow with BP neural network based on genetic algorithm
CN118274865B (zh) 一种面向矿用车辆的分布式学习路径规划方法

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