CN118292898A - 一种超大直径盾构机建造隧道的智能建造系统 - Google Patents
一种超大直径盾构机建造隧道的智能建造系统 Download PDFInfo
- Publication number
- CN118292898A CN118292898A CN202410726483.7A CN202410726483A CN118292898A CN 118292898 A CN118292898 A CN 118292898A CN 202410726483 A CN202410726483 A CN 202410726483A CN 118292898 A CN118292898 A CN 118292898A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- tunnel
- data information
- fusion
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 44
- 230000004927 fusion Effects 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000004891 communication Methods 0.000 claims abstract description 22
- 238000012821 model calculation Methods 0.000 claims abstract description 18
- 238000004140 cleaning Methods 0.000 claims abstract description 15
- 230000010354 integration Effects 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 30
- 210000002569 neuron Anatomy 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 230000005641 tunneling Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 239000002689 soil Substances 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000003754 machining Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000008451 emotion Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 239000004575 stone Substances 0.000 claims description 2
- 238000007499 fusion processing Methods 0.000 abstract description 5
- 230000003321 amplification Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种超大直径盾构机建造隧道的智能建造系统；包括盾构机辅助运行模块，所述盾构机辅助运行模块上电性连接有无人机进行模块和人控行进模块；所述盾构机辅助运行模块上电性连接有监测模块；所述盾构机辅助运行模块上电性连接有通讯模块；所述通讯模块上电性连接有数据融合模块，所述数据融合模块中包括有数据集成、数据分析、数据清洗、数据检测和数据融合；所述数据融合模块上电性连接有边缘云系统，所述边缘云系统上电性连接有模型计算模块；本发明数据融合模块对多源的数据信息进行融合处理，对数据进行边缘计算处理，提高计算效率和计算能力，通过模型计算模块进行模型计算，便于对建造的隧道进行智能化的管理。
Description
技术领域
本发明属于隧道建造技术领域，具体涉及一种超大直径盾构机建造隧道的智能建造系统。
背景技术
隧道是埋置于地层内的工程建筑物，是人类利用地下空间的一种形式。隧道可分为交通隧道、水工隧道、市政隧道、矿山隧道、军事隧道，隧道的结构包括主体建筑物和附属设备两部分。主体建筑物由洞身和洞门组成，附属设备包括避车洞、消防设施、应急通讯和防排水设施，长的隧道还有专门的通风和照明设备。
盾构机是一种使用盾构法的隧道掘进机。盾构的施工法是掘进机在掘进的同时构建（铺设）隧道之“盾”（指支撑性管片），它区别于敞开式施工法，隧道智能建造的灵魂在于效率和效益，总体目标是实现隧道勘察、设计、施工全过程的数据信息贯通、装备智能互联、多源信息互馈，最大程度实现隧道建造少人化，实现隧道建造高效、安全、绿色；然而市面上各种的隧道建造仍存在各种各样的问题。
如授权公告号为CN116161052A所公开的用于盾构掘进的辅助驾驶系统及方法，其虽然实现了辅助驾驶方法可作为盾构人工驾驶与无人驾驶之间的过渡模式，达到自动分析盾构驾驶质量，为盾构司机提供有效操作辅助，在盾构司机无法决策的情况下允许智控模型进行盾构自主控制，从而降低施工风险，确保盾构隧道建造质量，但是并未解决现有隧道建造中存在的无法实现对数据信息进行融合处理，造成数据信息处理缓慢，无法实现快速的处理，以及不能够通过边缘云进行计算，提高计算的效率和计算能力等的问题，为此我们提出一种超大直径盾构机建造隧道的智能建造系统。
发明内容
本发明的目的在于提供一种超大直径盾构机建造隧道的智能建造系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种超大直径盾构机建造隧道的智能建造系统，包括盾构机辅助运行模块，所述盾构机辅助运行模块上电性连接有无人机进行模块和人控行进模块，所述无人行进模块用于实现控制自动化的智能行进控制，完成无人操作运行，所述人控行进模块用于实现驾驶员操作控制；
所述盾构机辅助运行模块上电性连接有监测模块，所述监测模块用于实现对隧道进行监测，以及实现对盾构机和其他辅助设备进行监测，获取隧道建造的各项数据信息，所述监测模块采集的数据主要包括有实时掘进参数、地面沉降数据、出土量数据、隧道监测数据、土层参数、行进速度、冲击压力、推进压力、视频数据、环境感知数据和温度数据；
所述盾构机辅助运行模块上电性连接有通讯模块，所述通讯模块用于实现对数据信息和控制指令进行传输，所述通讯模块上电性连接有大数据模块，所述大数据模块用于将地质数据信息、地图数据信息、盾构机及其辅助设备参数和历史数据信息；
所述通讯模块上电性连接有数据融合模块，所述数据融合模块中包括有数据集成、数据分析、数据清洗、数据检测和数据融合，所述数据集成用于两个或多个数据集通过格式转换、结构重组、语义匹配、尺度转换和数据融合有机和虚拟的组合，所述数据分析主要利用关联分析、分类聚类及深度学习技术实现数据的价值挖掘，所述数据清洗是用于检测数据中存在的脏数据，通过数据筛选、数据修复手段提高数据的质量，所述数据检测用于检测数据信息是否有缺失，进行补充，所述数据融合是用于实现对处理后的数据信息进行组合成新的数据信息；
所述数据融合模块上电性连接有边缘云系统，所述边缘云系统用于实现对数据进行边缘计算处理，提高计算效率和计算能力，所述边缘云系统利用以神经网络为核心的映射算法对数据进行映射，所述边缘云系统上电性连接有模型计算模块，所述模型计算模块中包括有盾构姿态预测模型、盾构纠偏参数推荐模型、沉降预测模型、沉降控制参数推荐模型、智控模型和隧道建造模型。
优选的，所述盾构机辅助运行模块上电性连接有辅助模块，所述辅助模块中包括有用于实现对数据信息进行显示的显示器、用于实现控制调节的操作系统、用于实现对系统的运行状态进行显示的指示灯、用于实现对危险预警的预警器、用于实现对数据信息进行存储的存储器。
优选的，所述监测模块上电性连接有处理模块，所述处理模块与所述通讯模块电性连接，所述处理模块中包括有获取单元、转换单元、增益单元和滤波单元，所述获取单元用于实现对数据信息进行接收，便于实现对数据信息进行传输处理，所述转换单元用于实现对数据信息进行模数转换，使得数据信息能够保持同一的格式，便于后续数据信息进行使用处理，所述增益单元用于实现对数据信息进行放大处理，防止数据信息微弱，造成丢失，所述滤波单元用于实现对数据信息杂波滤除，保持数据信息的精准度，所述数据信息滤波电路采用的是二阶IIR低通滤波器。
优选的，所述二阶IIR低通滤波的计算公式如下：
；
为输出数据，为输入数据，a和b为滤波器的系数，n为滤波次数，k=0为处理的数据信息，k=1为下次处理的数据信息，n-k为数据信息的位置。
优选的，所述数据融合模块中的数据融合通过像素级融合、特征级融合和决策级融合三步进行数据融合处理，所述像素级融合也称为数据级融合，相对应的就是数据层融合看作直接把数据统一格式，转换为同模态数据进行统一处理分析，然后将数据进行结构化集成，特征层融合将数据信息的特征融合映射到子空间就属于特征层的融合；决策层融合利用Logistic回归分别对文本与相关图像进行情感预测，最后将两个预测概率进行加权平均，得出最终结果。
优选的，所述通讯模块上电性连接有辅助设备系统，所述辅助设备系统用于实现对混凝土搅拌站、混凝土运输车、混凝土输送泵、发电机组、大容量变压器、高扬程抽水机、恒压供水设备、大型电动空压机、凿岩机、大功率通风机、自卸汽车、侧翻装载机、挖掘机、混凝土喷射机、注浆机、钢筋成套加工设备、隧道模板台车、碎石加工设备以及自行加工的专用模架进行智能化的控制操作。
优选的，所述神经网络采用的是AI学习算法：
输入神经元信息和对应的权重矩阵W来决定的，，X是一个向量，W是一个权重矩阵，通过W来将X转换成另外的向量；
前一个时刻的隐藏层神经元向当前时刻的神经元的信息传递，其值有和对应的权重矩阵U来决定，，是一个向量，U是一个权重矩阵，通过U来将转换成另外的向量；
主要是当前时刻的神经元，将上述两个部分的输入整合，激活生成当前时刻隐藏层神经元的输出，整合的过程就是向量相加：；
在假设激活函数为f，则激活后生成当前时刻神经元的值：
；
信息传递主要是将当前时刻隐藏层神经元的值传递到当前时刻的输出神经元中去：
；
则向前的公式如下：
；
在整个神经网络中，一共包含的三中权重矩阵，第一个矩阵是W，给矩阵的维度为（N，K），N表示隐藏层神经元值的向量维度，K表示输入神经单元的向量的维度，第二个权重矩阵是V，该矩阵的维度为（L，N），其中P表示输出层的神经元的向量维度，第三个是权重矩阵U，该矩阵的维度是（N，N）。
优选的，所述数据清洗用于实现对数据信息中的无用信息和错误信息进行除去，首先利用统计分析的方法对出现的错误值进行识别，然后才能对错误数据进行清除，达到数据清洗的目的，所述数据检测是对于不一致的数据，基于关联数据之间的一致性来检测数据潜在的错误，并进行修复，以完成对多数据源数据的清理。
优选的，所述边缘云系统中采用了智能算法进行计算处理，所述智能算法采用的是机器学习中的贝叶斯学习，实现对数据安全进行分析；
所述贝叶斯学习采用的是朴素贝叶斯算法，所述朴素贝叶斯算法的公式如下：
；
其中B为数据的类别，A为数据的特征；
进一步公式为：
；
上述计算的概率为：
。
优选的，所述模型计算模块获取盾构机实时掘进参数、地面沉降数据、出土量数据、隧道监测数据、土层参数、行进速度、冲击压力、推进压力、视频数据、环境感知数据和温度数据；将输入到所述模型计算模块中的盾构姿态预测模型、盾构纠偏参数推荐模型、沉降预测模型、沉降控制参数推荐模型、智控模型和隧道建造模型以得到对应的计算结果并予以显示。
与现有技术相比，本发明的有益效果是：
本发明在使用的时候通过监测模块实现对数据信息进行获取，然后通过处理模块实现对数据信息进行处理，便于数据信息进行传输，以及数据融合模块用于实现对多源的数据信息进行融合处理，实现对处理后的数据信息进行组合成新的数据信息，便于边缘云系统能够实现对数据信息进行计算处理，实现对数据进行边缘计算处理，提高计算效率和计算能力，且数据还通过模型计算模块进行模型计算，便于实现对建造的隧道进行智能化的管理。
附图说明
图1为本发明的系统结构示意图。
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。
请参阅图1，本发明提供一种技术方案：一种超大直径盾构机建造隧道的智能建造系统，包括盾构机辅助运行模块，所述盾构机辅助运行模块上电性连接有无人机进行模块和人控行进模块，所述无人行进模块用于实现控制自动化的智能行进控制，完成无人操作运行，所述人控行进模块用于实现驾驶员操作控制；
所述盾构机辅助运行模块上电性连接有监测模块，所述监测模块用于实现对隧道进行监测，以及实现对盾构机和其他辅助设备进行监测，获取隧道建造的各项数据信息，所述监测模块采集的数据主要包括有实时掘进参数、地面沉降数据、出土量数据、隧道监测数据、土层参数、行进速度、冲击压力、推进压力、视频数据、环境感知数据和温度数据；
所述盾构机辅助运行模块上电性连接有通讯模块，所述通讯模块用于实现对数据信息和控制指令进行传输，所述通讯模块上电性连接有大数据模块，所述大数据模块用于将地质数据信息、地图数据信息、盾构机及其辅助设备参数和历史数据信息；
所述通讯模块上电性连接有数据融合模块，所述数据融合模块中包括有数据集成、数据分析、数据清洗、数据检测和数据融合，所述数据集成用于两个或多个数据集通过格式转换、结构重组、语义匹配、尺度转换和数据融合有机和虚拟的组合，所述数据分析主要利用关联分析、分类聚类及深度学习技术实现数据的价值挖掘，所述数据清洗是用于检测数据中存在的脏数据，通过数据筛选、数据修复手段提高数据的质量，所述数据检测用于检测数据信息是否有缺失，进行补充，所述数据融合是用于实现对处理后的数据信息进行组合成新的数据信息；
所述数据融合模块上电性连接有边缘云系统，所述边缘云系统用于实现对数据进行边缘计算处理，提高计算效率和计算能力，所述边缘云系统利用以神经网络为核心的映射算法对数据进行映射，所述边缘云系统上电性连接有模型计算模块，所述模型计算模块中包括有盾构姿态预测模型、盾构纠偏参数推荐模型、沉降预测模型、沉降控制参数推荐模型、智控模型和隧道建造模型。
为了实现对建造隧道进行辅助操作控制，提高建造隧道的操作性，本实施例中，优选的，所述盾构机辅助运行模块上电性连接有辅助模块，所述辅助模块中包括有用于实现对数据信息进行显示的显示器、用于实现控制调节的操作系统、用于实现对系统的运行状态进行显示的指示灯、用于实现对危险预警的预警器、用于实现对数据信息进行存储的存储器。
为了实现对数据信息进行计算处理，便于实现对数据信息进行分析处理，本实施例中，优选的，所述监测模块上电性连接有处理模块，所述处理模块与所述通讯模块电性连接，所述处理模块中包括有获取单元、转换单元、增益单元和滤波单元，所述获取单元用于实现对数据信息进行接收，便于实现对数据信息进行传输处理，所述转换单元用于实现对数据信息进行模数转换，使得数据信息能够保持同一的格式，便于后续数据信息进行使用处理，所述增益单元用于实现对数据信息进行放大处理，防止数据信息微弱，造成丢失，所述滤波单元用于实现对数据信息杂波滤除，保持数据信息的精准度，所述数据信息滤波电路采用的是二阶IIR低通滤波器。
为了实现对数据信息进行滤波处理，提高数据信息的精准度，本实施例中，优选的，所述二阶IIR低通滤波的计算公式如下：
；
为输出数据，为输入数据，a和b为滤波器的系数，n为滤波次数，k=0为处理的数据信息，k=1为下次处理的数据信息，n-k为数据信息的位置。
为了实现对多源数据信息进行融合处理，提高数据信息的整合，本实施例中，优选的，所述数据融合模块中的数据融合通过像素级融合、特征级融合和决策级融合三步进行数据融合处理，所述像素级融合也称为数据级融合，相对应的就是数据层融合看作直接把数据统一格式，转换为同模态数据进行统一处理分析，然后将数据进行结构化集成，特征层融合将数据信息的特征融合映射到子空间就属于特征层的融合；决策层融合利用Logistic回归分别对文本与相关图像进行情感预测，最后将两个预测概率进行加权平均，得出最终结果。
为了实现对建造隧道中的其他设备进行控制调节，提高操作的便捷性，本实施例中，优选的，所述通讯模块上电性连接有辅助设备系统，所述辅助设备系统用于实现对混凝土搅拌站、混凝土运输车、混凝土输送泵、发电机组、大容量变压器、高扬程抽水机、恒压供水设备、大型电动空压机、凿岩机、大功率通风机、自卸汽车、侧翻装载机、挖掘机、混凝土喷射机、注浆机、钢筋成套加工设备、隧道模板台车、碎石加工设备以及自行加工的专用模架进行智能化的控制操作。
为了实现对数据信息进行映射，以及实现边缘云系统对数据信息进行的计算处理分析，本实施例中，优选的，所述神经网络采用的是AI学习算法：
输入神经元信息和对应的权重矩阵W来决定的，，X是一个向量，W是一个权重矩阵，通过W来将X转换成另外的向量；
前一个时刻的隐藏层神经元向当前时刻的神经元的信息传递，其值有和对应的权重矩阵U来决定，，是一个向量，U是一个权重矩阵，通过U来将转换成另外的向量；
主要是当前时刻的神经元，将上述两个部分的输入整合，激活生成当前时刻隐藏层神经元的输出，整合的过程就是向量相加：；
在假设激活函数为f，则激活后生成当前时刻神经元的值：
；
信息传递主要是将当前时刻隐藏层神经元的值传递到当前时刻的输出神经元中去：
；
则向前的公式如下：
；
在整个神经网络中，一共包含的三中权重矩阵，第一个矩阵是W，给矩阵的维度为（N，K），N表示隐藏层神经元值的向量维度，K表示输入神经单元的向量的维度，第二个权重矩阵是V，该矩阵的维度为（L，N），其中P表示输出层的神经元的向量维度，第三个是权重矩阵U，该矩阵的维度是（N，N）。
为了实现对数据信息进行清洗，剔除数据信息的错误，并且错误的信息进行修复，本实施例中，优选的，所述数据清洗用于实现对数据信息中的无用信息和错误信息进行除去，首先利用统计分析的方法对出现的错误值进行识别，然后才能对错误数据进行清除，达到数据清洗的目的，所述数据检测是对于不一致的数据，基于关联数据之间的一致性来检测数据潜在的错误，并进行修复，以完成对多数据源数据的清理。
为了实现对数据信息进行处理，并且对风险预警和数据安全进行计算分析处理，实现安全性分析，本实施例中，优选的，所述边缘云系统中采用了智能算法进行计算处理，所述智能算法采用的是机器学习中的贝叶斯学习，实现对数据安全进行分析；
所述贝叶斯学习采用的是朴素贝叶斯算法，所述朴素贝叶斯算法的公式如下：
；
其中B为数据的类别，A为数据的特征；
进一步公式为：
；
上述计算的概率为：
。
为了实现对隧道建造过程中的各项信息进行模型建造，提高数据的可视性和数据处理，便于对隧道建造的管控，本实施例中，优选的，所述模型计算模块获取盾构机实时掘进参数、地面沉降数据、出土量数据、隧道监测数据、土层参数、行进速度、冲击压力、推进压力、视频数据、环境感知数据和温度数据；将输入到所述模型计算模块中的盾构姿态预测模型、盾构纠偏参数推荐模型、沉降预测模型、沉降控制参数推荐模型、智控模型和隧道建造模型以得到对应的计算结果并予以显示。
本发明的工作原理及使用流程：在使用的时候，盾构机辅助运行模块通过监测模块实现对隧道进行监测，以及实现对盾构机和其他辅助设备进行监测，获取隧道建造的各项数据信息；主要包括有实时掘进参数、地面沉降数据、出土量数据、隧道监测数据、土层参数、行进速度、冲击压力、推进压力、视频数据、环境感知数据和温度数据，并且将采集到的数据信息通过处理模块进行计算处理，处理模块中包括有获取单元、转换单元、增益单元和滤波单元，所述获取单元用于实现对数据信息进行接收，便于实现对数据信息进行传输处理，所述转换单元用于实现对数据信息进行模数转换，使得数据信息能够保持同一的格式，便于后续数据信息进行使用处理，所述增益单元用于实现对数据信息进行放大处理，防止数据信息微弱，造成丢失，所述滤波单元用于实现对数据信息杂波滤除，保持数据信息的精准度；
并且通过通讯模块对数据信息和控制指令进行传输，以及在通讯模块上电性连接有大数据模块，大数据模块用于将地质数据信息、地图数据信息、盾构机及其辅助设备参数和历史数据信息；然后数据信息在进行传输的时候，通过数据融合模块进行融合处理，数据融合模块中包括有数据集成、数据分析、数据清洗、数据检测和数据融合，数据集成用于两个或多个数据集通过格式转换、结构重组、语义匹配、尺度转换和数据融合有机和虚拟的组合，数据分析主要利用关联分析、分类聚类及深度学习技术实现数据的价值挖掘，数据清洗是用于检测数据中存在的脏数据，通过数据筛选、数据修复手段提高数据的质量，数据检测用于检测数据信息是否有缺失，进行补充，数据融合是用于实现对处理后的数据信息进行组合成新的数据信息；最后数据通过边缘云系统进行边缘计算处理，提高计算效率和计算能力，边缘云系统利用以神经网络为核心的映射算法对数据进行映射，边缘云系统上电性连接有模型计算模块，模型计算模块中包括有盾构姿态预测模型、盾构纠偏参数推荐模型、沉降预测模型、沉降控制参数推荐模型、智控模型和隧道建造模型；
在数据计算处理后，边缘云系统将处理后的数据传输给盾构机辅助运行系统，使得盾构机能够通过辅助模块和无人行进模块进行无人操作构建隧道，实现少人化和无人化操作，以及可以通过人控行进操作，提高操作的方式。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种超大直径盾构机建造隧道的智能建造系统，包括盾构机辅助运行模块，其特征在于：所述盾构机辅助运行模块上电性连接有无人机进行模块和人控行进模块，所述无人行进模块用于实现控制自动化的智能行进控制，完成无人操作运行，所述人控行进模块用于实现驾驶员操作控制；
所述盾构机辅助运行模块上电性连接有监测模块，所述监测模块用于实现对隧道进行监测，以及实现对盾构机和其他辅助设备进行监测，获取隧道建造的各项数据信息，所述监测模块采集的数据主要包括有实时掘进参数、地面沉降数据、出土量数据、隧道监测数据、土层参数、行进速度、冲击压力、推进压力、视频数据、环境感知数据和温度数据；
所述盾构机辅助运行模块上电性连接有通讯模块，所述通讯模块用于实现对数据信息和控制指令进行传输，所述通讯模块上电性连接有大数据模块，所述大数据模块用于将地质数据信息、地图数据信息、盾构机及其辅助设备参数和历史数据信息；
所述通讯模块上电性连接有数据融合模块，所述数据融合模块中包括有数据集成、数据分析、数据清洗、数据检测和数据融合，所述数据集成用于两个或多个数据集通过格式转换、结构重组、语义匹配、尺度转换和数据融合有机和虚拟的组合，所述数据分析主要利用关联分析、分类聚类及深度学习技术实现数据的价值挖掘，所述数据清洗是用于检测数据中存在的脏数据，通过数据筛选、数据修复手段提高数据的质量，所述数据检测用于检测数据信息是否有缺失，进行补充，所述数据融合是用于实现对处理后的数据信息进行组合成新的数据信息；
所述数据融合模块上电性连接有边缘云系统，所述边缘云系统用于实现对数据进行边缘计算处理，提高计算效率和计算能力，所述边缘云系统利用以神经网络为核心的映射算法对数据进行映射，所述边缘云系统上电性连接有模型计算模块，所述模型计算模块中包括有盾构姿态预测模型、盾构纠偏参数推荐模型、沉降预测模型、沉降控制参数推荐模型、智控模型和隧道建造模型。
2.根据权利要求1所述的一种超大直径盾构机建造隧道的智能建造系统，其特征在于：所述盾构机辅助运行模块上电性连接有辅助模块，所述辅助模块中包括有用于实现对数据信息进行显示的显示器、用于实现控制调节的操作系统、用于实现对系统的运行状态进行显示的指示灯、用于实现对危险预警的预警器、用于实现对数据信息进行存储的存储器。
3.根据权利要求1所述的一种超大直径盾构机建造隧道的智能建造系统，其特征在于：所述监测模块上电性连接有处理模块，所述处理模块与所述通讯模块电性连接，所述处理模块中包括有获取单元、转换单元、增益单元和滤波单元，所述获取单元用于实现对数据信息进行接收，便于实现对数据信息进行传输处理，所述转换单元用于实现对数据信息进行模数转换，使得数据信息能够保持同一的格式，便于后续数据信息进行使用处理，所述增益单元用于实现对数据信息进行放大处理，防止数据信息微弱，造成丢失，所述滤波单元用于实现对数据信息杂波滤除，保持数据信息的精准度，所述数据信息滤波电路采用的是二阶IIR低通滤波器。
4.根据权利要求3所述的一种超大直径盾构机建造隧道的智能建造系统，其特征在于：所述二阶IIR低通滤波的计算公式如下：
；
为输出数据，为输入数据，a和b为滤波器的系数，n为滤波次数，k=0为处理的数据信息，k=1为下次处理的数据信息，n-k为数据信息的位置。
5.根据权利要求1所述的一种超大直径盾构机建造隧道的智能建造系统，其特征在于：所述数据融合模块中的数据融合通过像素级融合、特征级融合和决策级融合三步进行数据融合处理，所述像素级融合也称为数据级融合，相对应的就是数据层融合看作直接把数据统一格式，转换为同模态数据进行统一处理分析，然后将数据进行结构化集成，特征层融合将数据信息的特征融合映射到子空间就属于特征层的融合；决策层融合利用Logistic回归分别对文本与相关图像进行情感预测，最后将两个预测概率进行加权平均，得出最终结果。
6.根据权利要求1所述的一种超大直径盾构机建造隧道的智能建造系统，其特征在于：所述通讯模块上电性连接有辅助设备系统，所述辅助设备系统用于实现对混凝土搅拌站、混凝土运输车、混凝土输送泵、发电机组、大容量变压器、高扬程抽水机、恒压供水设备、大型电动空压机、凿岩机、大功率通风机、自卸汽车、侧翻装载机、挖掘机、混凝土喷射机、注浆机、钢筋成套加工设备、隧道模板台车、碎石加工设备以及自行加工的专用模架进行智能化的控制操作。
7.根据权利要求1所述的一种超大直径盾构机建造隧道的智能建造系统，其特征在于：所述神经网络采用的是AI学习算法：
输入神经元信息和对应的权重矩阵W来决定的，X是一个向量，W是一个权重矩阵，通过W来将X转换成另外的向量；
前一个时刻的隐藏层神经元向当前时刻的神经元的信息传递，其值有和对应的权重矩阵U来决定，，是一个向量，U是一个权重矩阵，通过U来将转换成另外的向量；
主要是当前时刻的神经元，将上述两个部分的输入整合，激活生成当前时刻隐藏层神经元的输出，整合的过程就是向量相加：；
在假设激活函数为f，则激活后生成当前时刻神经元的值：
；
信息传递主要是将当前时刻隐藏层神经元的值传递到当前时刻的输出神经元中去：
；
则向前的公式如下：
；
在整个神经网络中，一共包含的三中权重矩阵，第一个矩阵是W，给矩阵的维度为（N，K），N表示隐藏层神经元值的向量维度，K表示输入神经单元的向量的维度，第二个权重矩阵是V，该矩阵的维度为（L，N），其中P表示输出层的神经元的向量维度，第三个是权重矩阵U，该矩阵的维度是（N，N）。
8.根据权利要求1所述的一种超大直径盾构机建造隧道的智能建造系统，其特征在于：所述数据清洗用于实现对数据信息中的无用信息和错误信息进行除去，首先利用统计分析的方法对出现的错误值进行识别，然后才能对错误数据进行清除，达到数据清洗的目的，所述数据检测是对于不一致的数据，基于关联数据之间的一致性来检测数据潜在的错误，并进行修复，以完成对多数据源数据的清理。
9.根据权利要求1所述的一种超大直径盾构机建造隧道的智能建造系统，其特征在于：所述边缘云系统中采用了智能算法进行计算处理，所述智能算法采用的是机器学习中的贝叶斯学习，实现对数据安全进行分析；
所述贝叶斯学习采用的是朴素贝叶斯算法，所述朴素贝叶斯算法的公式如下：
；
其中B为数据的类别，A为数据的特征；
进一步公式为：
；
上述计算的概率为：
。
10.根据权利要求1所述的一种超大直径盾构机建造隧道的智能建造系统，其特征在于：所述模型计算模块获取盾构机实时掘进参数、地面沉降数据、出土量数据、隧道监测数据、土层参数、行进速度、冲击压力、推进压力、视频数据、环境感知数据和温度数据；将输入到所述模型计算模块中的盾构姿态预测模型、盾构纠偏参数推荐模型、沉降预测模型、沉降控制参数推荐模型、智控模型和隧道建造模型以得到对应的计算结果并予以显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410726483.7A CN118292898B (zh) | 2024-06-06 | 2024-06-06 | 一种超大直径盾构机建造隧道的智能建造系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410726483.7A CN118292898B (zh) | 2024-06-06 | 2024-06-06 | 一种超大直径盾构机建造隧道的智能建造系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118292898A true CN118292898A (zh) | 2024-07-05 |
| CN118292898B CN118292898B (zh) | 2024-08-27 |
Family
ID=91674917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410726483.7A Active CN118292898B (zh) | 2024-06-06 | 2024-06-06 | 一种超大直径盾构机建造隧道的智能建造系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118292898B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106524940A (zh) * | 2016-11-30 | 2017-03-22 | 华中科技大学 | 一种盾构法隧道智能ct检测诊断系统及方法 |
| CN109899076A (zh) * | 2019-02-22 | 2019-06-18 | 中国地质大学（武汉） | 基于bim技术的盾构下穿铁路的智能化施工及监测系统 |
| CN113204824A (zh) * | 2021-05-21 | 2021-08-03 | 上海大学 | 多模型融合的盾构施工沉降预测方法及系统 |
| CN115456595A (zh) * | 2022-09-26 | 2022-12-09 | 中铁第四勘察设计院集团有限公司 | 一种基于多源数据融合的工程建设项目综合管控方法 |
| WO2024108871A1 (zh) * | 2022-11-21 | 2024-05-30 | 中铁十四局集团有限公司 | 基于边缘计算架构的盾构施工预警系统及预警方法 |
-
2024
- 2024-06-06 CN CN202410726483.7A patent/CN118292898B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106524940A (zh) * | 2016-11-30 | 2017-03-22 | 华中科技大学 | 一种盾构法隧道智能ct检测诊断系统及方法 |
| CN109899076A (zh) * | 2019-02-22 | 2019-06-18 | 中国地质大学（武汉） | 基于bim技术的盾构下穿铁路的智能化施工及监测系统 |
| CN113204824A (zh) * | 2021-05-21 | 2021-08-03 | 上海大学 | 多模型融合的盾构施工沉降预测方法及系统 |
| CN115456595A (zh) * | 2022-09-26 | 2022-12-09 | 中铁第四勘察设计院集团有限公司 | 一种基于多源数据融合的工程建设项目综合管控方法 |
| WO2024108871A1 (zh) * | 2022-11-21 | 2024-05-30 | 中铁十四局集团有限公司 | 基于边缘计算架构的盾构施工预警系统及预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118292898B (zh) | 2024-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110531764A (zh) | 一种无人驾驶拖拉机控制系统及控制方法 | |
| CN108189040B (zh) | 一种污水管线检测机器人系统 | |
| US20090018712A1 (en) | Method and system for remotely monitoring and controlling a vehicle via a virtual environment | |
| WO2020091002A1 (ja) | ショベル、ショベル支援システム | |
| CN106948302A (zh) | 一种无人清洁车 | |
| CN115499473B (zh) | 基于边缘计算架构的盾构施工预警方法及预警系统 | |
| CN107817319A (zh) | 一种用于城市道路与管线工程地下缺陷的无损检测机器人系统 | |
| AU2017202435B2 (en) | System for controlling operation of a machine | |
| US11054830B2 (en) | Fuel cell powered autonomous vehicle | |
| CN211481284U (zh) | 用于遥控车辆的车载终端、遥控中心和控制系统 | |
| CN118292898B (zh) | 一种超大直径盾构机建造隧道的智能建造系统 | |
| CN117307240A (zh) | 一种井下无人驾驶无轨车辆数字孪生运输系统及运输方法 | |
| CN113625638A (zh) | 智慧管网机器人系统 | |
| US20170329304A1 (en) | System and Method for Controlling a Machine | |
| CN111428299A (zh) | 一种工程全程监控系统 | |
| CN108839571A (zh) | 一种风能和太阳能驱动野外环境无人监测车系统 | |
| CN104863189B (zh) | 一种垃圾填埋场防渗层破损检漏探测系统 | |
| CN110259477A (zh) | 一种智能型机器人掘进机 | |
| CN116772931A (zh) | 城市道路和埋地给排水管道协同检测装置及方法 | |
| CN115835171A (zh) | 一种红树林滩涂种植机器人系统及控制方法 | |
| CN216311046U (zh) | 一种矿用凿岩设备移动远程控制装置 | |
| CN211956707U (zh) | 一种多模态交互智能遥控系统 | |
| CN113486463A (zh) | 基于深度强化学习的盾构最优自主掘进控制方法 | |
| CN207924450U (zh) | 一种基于图传的郁闭苹果园挖坑施肥机远程监控系统 | |
| CN207288123U (zh) | 一种基于卫星导航系统的太阳能板清洗车 |
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 |