深埋长隧道智能隧道机器人系统gydF4y2Ba

介绍gydF4y2Ba

隧道掘进机(TBM)最近成为隧道施工的首选工具,主要用于与大部分长隧道,由于性能的几个优点,如安全、效率高,环境友好,和质量,对新奥法隧道(NATM)和drilling-blasting方法(gydF4y2BaArmaghani et al ., 2017gydF4y2Ba;gydF4y2Ba李et al ., 2022gydF4y2Ba;gydF4y2Ba潘et al ., 2022gydF4y2Ba)。然而,TBM地质变化极其敏感,过分依赖于操作者的经验(gydF4y2BaArmetti et al ., 2018gydF4y2Ba)。手动操作依赖于经验,不同的运营商有不同的技能水平,创建质量控制问题除了类似事故重复发生(gydF4y2BaMahdevari et al ., 2014gydF4y2Ba;gydF4y2BaZhang et al ., 2022 agydF4y2Ba)。具体来说,当遇到地层变化或复杂的地质条件,人工操作可能会造成干扰,崩溃,和其他重要的后果由于不能及时做出有效的调整。gydF4y2Ba

在过去的几年中,许多技术不断提出解决问题引起的完全依赖于人类经验控制TBM施工。这些技术可以概括为先进的地质勘探技术,智能指导、智能支持,智能隧道技术结合遥感和信息融合的岩石力学参数,监测和预警技术和现代信息技术(gydF4y2BaMahmoodzadeh et al ., 2021gydF4y2Ba;gydF4y2Ba刘W L et al ., 2022gydF4y2Ba)。的重要手段,以确保一个安全的和有效的TBM隧道地质分析的基础上,这是一种快速、可靠的检测方法来确定地球的物理特性,科学地建立一个先进的地质勘探系统(gydF4y2Ba2018年邓gydF4y2Ba)。很难满足高效和安全的要求TBM隧道过程使用常见的地质勘探方法适合凿岩爆破施工,如隧道地震预测(gydF4y2BaDastanboo et al ., 2020gydF4y2Ba),隧道地质预报(gydF4y2Ba李et al ., 2014gydF4y2Ba),隧道反射断层扫描(gydF4y2Ba杜et al ., 2022gydF4y2Ba),隧道地震断层扫描(gydF4y2Ba英航et al ., 2020gydF4y2Ba)。新的地质勘探技术适合TBM及其应用TBM系统被研究。新的地质勘探方法大致分为四类:1)在中弹性波阻抗差异,用于探测地质构造,如断层破碎区和软夹层的层(gydF4y2Ba同分异构的et al ., 2022gydF4y2Ba);2)介质温度场、micro-seismic信号,介质差异,两极分化特征用于先进的地质灾害预测(gydF4y2BaYu et al ., 2017gydF4y2Ba;gydF4y2Ba李et al ., 2022gydF4y2Ba);3)智能分类的围岩条件下基于大数据和人工智能(AI)技术(gydF4y2Ba刘Z B et al ., 2021gydF4y2Ba;gydF4y2Ba桑托斯et al ., 2021gydF4y2Ba);和4)地质灾害预测基于大数据和人工智能(gydF4y2BaMahdevari Torabi, 2012gydF4y2Ba;gydF4y2Ba太阳et al ., 2021gydF4y2Ba)。gydF4y2Ba

姿态控制在TBM开挖是一个重要的任务TBM运营商之间的一致性程度,挖掘和设计路线决定了隧道的施工质量(gydF4y2Ba游行者et al ., 2022gydF4y2Ba)。因此,智能指导TBM开挖是流行作为一个研究课题,主要考虑以下三个方面:造型(gydF4y2Ba乔et al ., 2020gydF4y2Ba)、自动控制(gydF4y2Ba黄et al ., 2022gydF4y2Ba)和智能控制的隧道的姿势(gydF4y2Ba张和马,2018年gydF4y2Ba;gydF4y2Ba加西亚et al ., 2021gydF4y2Ba)可靠的隧道设计支持系统的支持和合理的选择时机是重要的先决条件,确保隧道施工的安全和长期稳定(gydF4y2BaFarrokh et al ., 2011gydF4y2Ba;gydF4y2Ba康帕et al ., 2020gydF4y2Ba)。有关隧道智能支持的研究包括以下三个方面:支持的智能匹配和优化参数(gydF4y2BaMeschke et al ., 2011gydF4y2Ba),智能决策支持时间(gydF4y2Ba太阳et al ., 2007gydF4y2Ba)和智能支撑结构(gydF4y2Ba刘et al ., 2022 cgydF4y2Ba)。gydF4y2Ba

由于缺乏隧道评估和有效手段做出聪明的决定,实际任务主要依靠人工经验而不是科学基地(gydF4y2Ba2018年邓gydF4y2Ba)。因此,智能隧道掘进预测的研究侧重于性能和智能决策的TBM隧道参数(gydF4y2BaHarandizadeh et al ., 2021gydF4y2Ba;gydF4y2Ba徐et al ., 2021gydF4y2Ba;gydF4y2Ba刘Y R et al ., 2022gydF4y2Ba)。TBM的预测性能主要包括隧道速度、施工速度、操作利用率,和TBM刀具磨损。30多个理论和实证模型开发了自1970年代以来(gydF4y2BaZhang et al ., 2022 agydF4y2Ba)。CSM模型提出的科罗拉多矿业学院的包括Sanio,尺寸,和改进的CSM模型,理论预测模型(gydF4y2BaGoshtasbi et al ., 2009gydF4y2Ba;gydF4y2Ba潘et al ., 2021gydF4y2Ba)。关于实证模型,尼尔森,挪威理工学院(巴克)QgydF4y2Ba_TEMgydF4y2Ba,阿尔伯、去噪和岩体Excavability (RME)是常用的(gydF4y2Ba娜et al ., 2011gydF4y2Ba;gydF4y2Ba娜et al ., 2016gydF4y2Ba)。TBM隧道智能决策的参数分为预测优化和决策。前者包括隧道参数预测和优化(gydF4y2Ba李et al ., 2019gydF4y2Ba;gydF4y2Ba龚et al ., 2021gydF4y2Ba;gydF4y2Ba刘W L et al ., 2021gydF4y2Ba)。关于TBM隧道智能预测的参数,建立了基于数据驱动的模型建设历史的现有数据直接或间接确定合理的TBM隧道参数预测,然后协助调整和控制这些参数(gydF4y2BaNikakhtar et al ., 2022gydF4y2Ba)。TBM隧道参数的最优智能决策是基于不同优化目标和决策标准在可行的范围内的关键控制参数。优化目标分为挖掘效率、经济、能源消耗、开挖效应;可以单或多目标优化决策的标准。gydF4y2Ba

虽然学者们积极探索TBM智能建筑技术,以下问题依然存在:1)当地知觉无法满足一个多尺度的需要,全面和多层次的知觉;很难强烈支持决策和控制。2)基本自动化控制网络之间的无缝集成和过程缺乏和管理控制系统。3)不够实时信息检索、筛选和传播,除了传统的隧道周期数据提取、处理和分析方法,很难有效地支持决策和控制。4)数据量的快速扩张,维度和粒度,使得传统存储系统无法满足应用的要求。5)一个机制或数据驱动决策模型不能解决隧道参数的自适应动态控制引起的岩体状态改变;此外,决策算法测试的成本很高,尤其是安全风险。6)现有的单一控制策略很难满足工作条件的不同要求在传统和不利的地质部分。此外,知觉的集成级别,必须进一步提高决策和控制。gydF4y2Ba

考虑上述问题,基于自动控制、人工智能、大数据分析,和其他技术,以及闭环智能控制的概念“perception-decision-control”(gydF4y2Ba李et al ., 2022 agydF4y2Ba;gydF4y2Ba李et al ., 2022 bgydF4y2Ba),研究了深埋长隧道TBM施工在这项研究中开发一个智能隧道机器人系统,展现一个全面的认知,dual-driven决策、和复合智能控制功能。gydF4y2Ba

智能隧道机器人系统gydF4y2Ba

系统整体架构gydF4y2Ba

智能隧道机器人系统(gydF4y2Ba图1gydF4y2Ba)包含三个部分:一个全面的感知系统,智能决策系统,实时控制系统。综合感知系统可以实现全面感知、无缝集成、融合和实时管理的不良地质、灾难性的,在复杂的环境和多源建设信息。智能决策系统认为TBM施工的挖掘目标的差异在不同的地质条件下,自适应地选择智能决策模型,并提供最优TBM隧道参数。实时控制系统接收到最优隧道参数和控制执行TBM隧道行动根据多模控制策略。gydF4y2Ba

综合感知系统gydF4y2Ba

数据采集和传输gydF4y2Ba

TBM施工的全过程信息的大型深埋长隧道是巨大的,多维的,multi-granular,强烈异构。因此,很难获得全面、有效地收集数据。全面感知是实现智能决策和控制的先决条件;更加精炼和时间敏感信息感知更有利于TBM施工决策和控制。考虑上述问题和TBM的兼容性不同制造商生产的设备,以及一个简单的要求部署项目,综合感知系统架构是一个两层的架构,包括现场设备层和现场监测层(gydF4y2Ba图2gydF4y2Ba)。现场设备层的直接对象是数据收集、和感知信息的类型包括地质、先进的地质勘探,主机振动监测、刀具状态监控、TBM指导、PLC、石头机车交互,岩屑分析,和其他类型的信息。主机振动监测、刀具状态监控、石头机车交互和TBM指导信息都来自TBM主机系统和辅助设备。岩屑分析TBM主机提供共同的信息系统,辅助设备,连续带式输送机系统。地质信息来源于早期地质勘探的意义。先进的地质勘探系统提供信息关于地质灾害,如岩石破裂和突水。其他类型的信息相关领域提供的设备层是TBM后方支持系统,如屋顶伯尔特,混凝土喷淋系统和其他支持系统相对独立。PLC主(奴隶)获得的信息主要是PLC控制器的现场监测层位于TBM主控制室。之间的通信连接现场设备层和现场监测层使用现场总线实现。现场监测的PLC控制器层采用双机热备用主站,主站的设计(奴隶),完成双机热备份的CPU通过PLC的硬件。 The two CPU modules achieve the purpose of a hot standby through two redundant memory exchange modules, which are connected by an optical fibre. The monitoring and display module located in the field monitoring layer belongs to the Class 2 master station of the fieldbus system. It has the equipment to manage the configuration and diagnostic data of the master station PLC controller and master (slave) PLC controller, in addition to having the communication capabilities for complete data reading and writing, system configuration, monitoring, fault diagnosis, programming, parameter setting, and the online detection of each station, such as the operator monitoring, operator interface, and compiler.

先进的地质勘探系统集成到现场设备层包括岩爆微地震监测和突水的先进的检测。前者达到一个全天候、实时和无缝的微震的信号,自动过滤和微地震信号的识别,自动fine-positioning微震的来源,和一个三维动态显示定位信息和灾害风险的地区。后者是通过诱导分化的联合解释和可视化,地震和井间雷达方法。不利的地质的空间位置和分布形状的身体是基于数据驱动的三维可视化显示。本研究采用网络通信接口实现系统之间的集成;即实时数据网络通信标准标签长度值格式实现基于用户数据报协议的网络协议。具体单位以JSON格式表示数据,和嵌套的标准格式用于多个字段。gydF4y2Ba

数据服务机构内置在电脑终端提供数据管理、数据备份和数据通信服务(gydF4y2Ba图3gydF4y2Ba)。服务器开始背景实时服务程序,并提供一个外部连接接口。客户端启动后,它与服务器建立一个连接传输控制协议。用户验证通过后,从实时数据库读取实时数据到本地。当服务器有新数据,它从服务器请求实时数据。引发的控制操作客户端写入控制数据表后验证的权威服务器传递。历史服务器启动后台服务程序,提供一个外部连接接口,接收历史数据报告的智能决策系统。智能决策系统的通信模块建立一个消息队列来存储状态信息发送给服务器。后台线程启动,实时数据在本地数据库定期扫描并上传到服务器。由于系统的实时要求,这个线程优先级最高。 The message returned by the server indicates whether there is currently a control command. If there is a thread, the operation triggered by the client is sent to the scheduling system, and the execution result of the scheduling module is stored in the message queue. The intelligent decision-making system establishes a historical data reporting thread, connects to the historical service, regularly checks whether the historical data is consistent with that in the local database, and synchronises the local historical data to the cloud server when inconsistent. Owing to the large amount of historical data and low real-time requirements, the priority of this thread is lower than that of the real-time library thread.

数据存储gydF4y2Ba

TBM施工数据空间性的特点,实时、多源异构性和沉重。单个关系数据库很难满足上述数据存储需求,有必要建立一个更加科学和高效的综合数据存储系统。所示gydF4y2Ba图3gydF4y2Ba,数据库在管理层面集成了多种类型的数据库,如关系数据库MySQL、非关系数据库MongoDB,缓存数据库复述和HDFS的分布式文件存储系统(gydF4y2BaYu et al ., 2018gydF4y2Ba)。通过data-adaptive实现高效的存储和检索的数据存储。semi-relational MongoDB数据库负责存储两种类型的数据:半结构化和非结构化数据。它是专门用来存储PLC数据,文件存储目录,用户行为日志,地质数据和先进的TBM的地质勘探信息设备。分布式内存数据库复述,负责存储等应用场景数据缓存和高度读/写,主要包括TBM施工监测数据、缓存数据和云服务模块数据提供远程监控相关数据支持。分布式HDFS数据库用于大规模数据存储和负责存储大文件数据(例如,TBM开挖过程数据,压缩文件,和视频)。关系数据库MySQL主要是用于存储结构化数据,负责存储用户注册信息,TBM故障和维护数据,专家信息,高度敏感的和安全的数据。gydF4y2Ba

智能决策系统gydF4y2Ba

数据预处理gydF4y2Ba

通过分析隧道的数据,一个完整的TBM隧道周期可分为空推动,提升和稳定的部分。这些包括有效和异常数据,以及某些特殊的隧道状态(停机时间部分数据)。这些数据对模型的建立有一个负面影响TBM智能决策系统。因此,获得准确有效的输入数据,减少干扰样品的影响,并与高质量的深入挖掘数据,有必要使用特性工程方法来对现有的数据进行预处理,过滤异常数据,提取主要特征。这对后续的建设奠定了基础和培训使用工程数据的数据驱动的智能决策模型。gydF4y2Ba

所示gydF4y2Ba图4gydF4y2Ba,隧道数据的预处理包括构建数据集、参数降维提取隧道参数,特殊值处理、异常值处理和标准化处理。数据包括股份数量信息,地质条件信息,和TBM隧道参数数据,如推进速度、刀盘扭矩,和刀盘的力量。与此同时,地质资料是根据股份数的范围来划分,每一股份数量对应于一组地质参数。因此,数据集的施工方法与地质资料与TBM隧道通过股份数量参数。通过降维参数,预测误差造成的冗余信息和学习成本减少,基本结构特点发现,并促进了数据可视化。基于先前的研究(gydF4y2Ba侯et al ., 2020gydF4y2Ba;gydF4y2BaZhang et al ., 2022 bgydF4y2Ba)、皮尔森相关分析是用来确定100和99维决策模型的输入参数。根据鉴定结果,相关性高的关键参数与预测参数从隧道中提取参数完成隧道循环作为模型的输入。由于大量的隧道在关闭部分数据和无用数据的特殊隧道状态,构建二进制状态判别函数的方法(gydF4y2BaZhang et al ., 2022 bgydF4y2Ba)用于消除隧道关闭部分的数据。判别函数表示如下:gydF4y2Ba

在哪里gydF4y2Ba ${\mathrm{年代gydF4y2Ba}}_{\mathrm{tgydF4y2Ba}}$ 是状态判别函数,gydF4y2Ba $\mathrm{ngydF4y2Ba}$ 刀盘的速度,gydF4y2Ba $\mathrm{vgydF4y2Ba}$ 是推进速度,gydF4y2Ba $\mathrm{FgydF4y2Ba}$ 是总推进力,gydF4y2Ba $\mathrm{TgydF4y2Ba}$ 是刀盘扭矩,gydF4y2Ba $\mathrm{xgydF4y2Ba}$ 指的是上述四个关键隧道参数之一。然而,当任何隧道参数是0,歧视二进制状态函数gydF4y2Ba ${\mathrm{年代gydF4y2Ba}}_{\mathrm{tgydF4y2Ba}}$ = 0,和设备的数据记录被认为是无效的,应该取消。gydF4y2Ba

TBM隧道数据中的异常值修正使用三倍标准差的方法(gydF4y2Ba周et al ., 2020gydF4y2Ba)。传统研究对TBM隧道参数预测(gydF4y2Ba侯et al ., 2020gydF4y2Ba提升部分的)通常使用数据预测的参数稳定的部分。然而,这需要大量的时间有效地提升部分的识别和提取数据并不能完全反映地质信息。因此,在标准化处理阶段,选择完整的隧道周期数据预测TBM隧道参数有效地减少数据处理时间和反映隧道过程中复杂的地质条件。考虑到隧道某一天的数据作为一个例子,TBM隧道数据异常值处理后第一次读,和每一块数据判断基于刀盘扭矩。第一个数据与非零记录刀盘扭矩P1。接下来的数据逐行读取和第二数据0刀盘扭矩是确定和记录为P2。然后决定是否P1和P2之间的数据是在500和5000年代之间。如果不是在这个范围的时候,数据被丢弃的部分;如果是在范围内,P1和P2数据输出到指定的文件,并生成一个模型文件,直到所有数据提取。gydF4y2Ba

智能决策方法由物理和数据驱动的gydF4y2Ba

根据先前的研究gydF4y2BaZhang et al ., 2022 agydF4y2Ba;gydF4y2BaZhang et al ., 2022 bgydF4y2Ba),6个关键参数选择优化的决策:掘进速度、刀盘扭矩,刀盘的力量,渗透,推进速度和推进力。大多数这些参数描述它们之间的关系通过岩土工程交互模型。国际认可的理论模型CSM (gydF4y2Ba刘et al ., 2016gydF4y2Ba选择)来说明上述六个参数之间的关系:gydF4y2Ba

在哪里gydF4y2Ba $\mathrm{RgydF4y2Ba}$ 是滚刀半径,gydF4y2Ba $\mathrm{tgydF4y2Ba}$ 工具提示的宽度,gydF4y2Ba $\mathrm{pgydF4y2Ba}$ 是渗透,gydF4y2Ba $\mathrm{\Phi gydF4y2Ba}$ 是岩石和滚刀之间的接触角,gydF4y2Ba $\mathrm{\Psi gydF4y2Ba}$ 是恒定的压力分布函数,gydF4y2Ba $\mathrm{CgydF4y2Ba}$ 通常是一个常数(2.12),gydF4y2Ba ${\mathrm{\sigma gydF4y2Ba}}_{\mathrm{cgydF4y2Ba}}$ 岩石的单轴抗压强度,gydF4y2Ba ${\mathrm{\sigma gydF4y2Ba}}_{\mathrm{tgydF4y2Ba}}$ 岩石的抗拉强度,gydF4y2Ba $\mathrm{年代gydF4y2Ba}$ 滚刀间距,gydF4y2Ba $\mathrm{NgydF4y2Ba}$ 是滚铣刀的刀盘的数量,gydF4y2Ba $\mathrm{DgydF4y2Ba}$ TBM刀盘直径的,gydF4y2Ba $\mathrm{RgydF4y2Ba}\mathrm{PgydF4y2Ba}\mathrm{米gydF4y2Ba}$ 刀盘的速度。gydF4y2Ba

刀盘速度之间的关系gydF4y2Ba $\mathrm{RgydF4y2Ba}\mathrm{PgydF4y2Ba}\mathrm{米gydF4y2Ba}$ ,渗透gydF4y2Ba $\mathrm{pgydF4y2Ba}$ ,推进速度gydF4y2Ba $\mathrm{vgydF4y2Ba}$ 如下:gydF4y2Ba

上面的方程表明,上述六个关键参数的控制只能通过控制直接或间接实现刀盘和推进速度。因此,刀盘和推进速度可以选择作为决策的主要隧道控制参数控制。改善的主要性能指标(如隧道效率、能耗、和成本),大样本历史数据法和TBM隧道的物理力学特征可以综合考虑清楚地构建一个映射关系模型的性能指标和优化目标函数。因此,可以实现最优决策主要是提高科学特性和可靠性。基于上述理解和先前的研究(gydF4y2Ba张y . k . et al ., 2022gydF4y2Ba;gydF4y2Ba马et al ., 2022gydF4y2Ba),本文提出了一种智能决策方法对TBM隧道参数基于物理定律和数据挖掘;即最优决策方法的粒子群优化(PSO)算法的最小决策隧道具体的能源。多元信息影响TBM隧道性能介绍,如参数包括岩性和刀盘振动信号,和TBM石头机车映射模型是由法律、大样本数据挖掘研究岩石破碎。随后,主要控制参数作为约束条件(例如,刀盘和推进速度),和隧道的最小特定能量的目的是实现优化和决策。gydF4y2Ba

TBM的能源消耗是一个重要的参数在TBM开挖的过程中,决定项目的直接成本(gydF4y2Ba杨et al ., 2021gydF4y2Ba)。能耗降低TBM在长距离隧道开挖具有极其重大的意义,为降低工程成本。隧道TBM能耗通常描述的具体的能源gydF4y2Ba ${\mathrm{EgydF4y2Ba}}_{\mathrm{年代gydF4y2Ba}}$ ,它可以表示如下(gydF4y2Ba李et al ., 2012gydF4y2Ba):gydF4y2Ba

在这里,gydF4y2Ba ${\mathrm{EgydF4y2Ba}}_{\mathrm{年代gydF4y2Ba}}$ 表示单位时间隧道刀盘的特定能量;gydF4y2Ba $\mathrm{DgydF4y2Ba}$ 是TBM刀盘的直径;gydF4y2Ba $\mathrm{ngydF4y2Ba}$ 是一组刀盘速度;gydF4y2Ba $\mathrm{tgydF4y2Ba}$ 是单位时间;和gydF4y2Ba $\mathrm{TgydF4y2Ba}$ 和gydF4y2Ba $\mathrm{FgydF4y2Ba}$ 刀盘扭矩的预测值和推进力总产量预测模型,分别。为了满足复杂的地质条件,系统的跨平台部署,和可扩展性的需求预测模型库,本研究构建了一个基于Keras隧道参数预测模型库深度学习框架。这些包括,但不限于,递归神经网络(RNN),长期短期记忆(LSTM),门复发单元(格勒乌)、双向递归神经网络(Bi-RNN) Bi-LSTM, Bi-GRU, Bi-GRU-ATT,双向长期短期记忆嵌入注意力机制(Bi-LSTM + EMB_ATT)。当gydF4y2Ba $\mathrm{vgydF4y2Ba}$ 和gydF4y2Ba $\mathrm{ngydF4y2Ba}$ 设置在一个特定的岩性或围岩等级,预测模型可以输出相应的刀盘扭矩和总推进力,可以表示为一个函数的刀盘速度gydF4y2Ba $\mathrm{ngydF4y2Ba}$ 和推进速度gydF4y2Ba $\mathrm{vgydF4y2Ba}$ 。刀盘扭矩和总推力可以表示如下:gydF4y2Ba

代入方程式gydF4y2Ba9gydF4y2Ba,gydF4y2Ba10gydF4y2Ba为情商。gydF4y2Ba8gydF4y2Ba,TBM隧道的具体能源决策函数可以构造如下:gydF4y2Ba

介绍了PSO算法和决策函数由情商。gydF4y2Ba11gydF4y2Ba作为适应度函数。当特定的能源gydF4y2Ba ${\mathrm{EgydF4y2Ba}}_{\mathrm{年代gydF4y2Ba}}$ TBM隧道的一个较小的值,一个更好的健康。全球范围内的最优解解决方案是隧道参数的最优组合的目的是决定最低时的隧道具体的能源。如果粒子的位置gydF4y2Ba ${\mathrm{xgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}=gydF4y2Ba\left({\mathrm{xgydF4y2Ba}}_{\mathrm{我gydF4y2Ba},gydF4y2Ba\mathrm{1gydF4y2Ba}},gydF4y2Ba{\mathrm{xgydF4y2Ba}}_{\mathrm{我gydF4y2Ba},gydF4y2Ba\mathrm{2gydF4y2Ba}}\right)$ 结合前面提到的gydF4y2Ba $\left({\mathrm{ngydF4y2Ba}}_{\mathrm{我gydF4y2Ba}},gydF4y2Ba{\mathrm{vgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}\right)=gydF4y2Ba\left({\mathrm{xgydF4y2Ba}}_{\mathrm{我gydF4y2Ba},gydF4y2Ba\mathrm{1gydF4y2Ba}},gydF4y2Ba{\mathrm{xgydF4y2Ba}}_{\mathrm{我gydF4y2Ba},gydF4y2Ba\mathrm{2gydF4y2Ba}}\right)$ ,优化隧道参数的功能表达特定能量最小决策算法的算法如下:gydF4y2Ba

PSO和隧道参数预测模型组合得到隧道具体能源作为适应度函数,特定能量最小决策战略,推进和刀盘速度的优化目标。PSO算法的过程优化决策方法的最小隧道具体能源所示gydF4y2Ba图5gydF4y2Ba。在这里,gydF4y2Ba $\mathrm{GgydF4y2Ba}$ 的迭代次数,gydF4y2Ba ${\mathrm{GgydF4y2Ba}}_{\mathit{马克斯gydF4y2Ba}}$ 是迭代的最大数量。gydF4y2Ba

实时控制系统gydF4y2Ba

实时控制系统gydF4y2Ba

基于综合感知系统,实时控制系统采用的模式的集中管理、集中监控和分散控制的实现信息的交互和控制。现场设备层TBM运营商或远程控制命令的执行经理,驱动器TBM子系统及其辅助设备来执行各种操作,并实时状态信息反馈到现场监控层。现场监测层监控TBM子系统的运行状态及其辅助设备和与远程管理交互层控制命令及相关数据。远程管理层允许远程用户监控现场隧道TBM实时操作和远程控制。所示gydF4y2Ba图2gydF4y2BaTBM主机系统和辅助设备,以及TBM后方支持系统,使用一个大型PLC作为控制核心完成电气控制任务;plc通过网络通信接口进行通信。其他相对独立支持设备使用一个小型PLC完成控制任务的每个独立的执行机构配套设备,通过网络与现场总线的通信接口,并交换数据与现场监测层通过数据转换接口。gydF4y2Ba

复合智能控制策略gydF4y2Ba

TBM复合智能控制策略包括多通道控制策略对传统地质剖面和专家经验学习不利的地质区域控制策略(gydF4y2Ba图6gydF4y2Ba)。考虑到存在差异的不同地质条件下开挖TBM施工的目标,使用相同的方法控制策略在不同的工作条件不能满足工作条件的各种需求(gydF4y2Ba张和马,2018年gydF4y2Ba;gydF4y2Ba刘W L et al ., 2022gydF4y2Ba)。本研究采用多通道控制思想和专家经验来解决这个问题。在传统地质部分多模控制的基本方法是将复杂的工作条件划分为若干子区间根据不同的岩性或围岩等级,然后在每个sub-interval当地建立一个数学模型。内部逻辑表达如下:gydF4y2Ba

在哪里gydF4y2Ba ${\mathrm{OgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}$ 是第i个工况,gydF4y2Ba ${\mathrm{UgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}$ 是第i个控制策略后,gydF4y2Ba ${\mathrm{GgydF4y2Ba}}_{\mathrm{rgydF4y2Ba}}$ 是规则。gydF4y2Ba

结合岩体参数预测模型(gydF4y2Ba张和马,2018年gydF4y2Ba)和聚类分类方法(gydF4y2BaYu et al ., 2018gydF4y2Ba)由多元构造算法融合构建在先前的研究中,综合控制策略选择合适的物理和数据双驱动智能决策模型。不同的决策模型之间的转换,隧道参数自适应地确定;选择最合适的控制策略根据不同的工作条件,并介绍了各种控制策略的优点。控制器控制TBM子系统根据隧道开挖行动执行参数启用智能隧道机器人系统的控制性能在传统的地层,以满足不同工作环境的要求。gydF4y2Ba

结合之前的研究(gydF4y2Ba张和马,2018年gydF4y2Ba),不利的地质区域的控制方法控制策略采用专家经验。即不利地质开挖部分主要是完成挖掘任务根据TBM运营商的经验。gydF4y2Ba

支持提供了根据系统给出的建议。隧道开挖后开始操作条件满意,刀盘启动模式下逃脱扭矩,速度是缓慢增加到给定的速度。如果附近的扭矩是80%的最大值或渣带符合期望的输出,则开始在这些隧道刀盘和推进速度;否则,调整。如果进一步测量扭矩值是稳定的,速度可以慢慢增加到一定程度。如果测量扭矩值显著波动或超过极限值,隧道速度将减少,隧道操作后将转矩稳定后进行调整。传统的和不利的地质部分之间的过渡部分(即。,when the surrounding rock quality transitions from good to poor) remains to be controlled according to expert experience. First, the propulsion speed is stopped, and the speed is reduced to keep the slag out. After the torque is stable, the propulsion speed is slowly increased while observing the change in the torque value. If the torque value fluctuates within the set range, it can be regarded as a stable state. After waiting for it to stabilise after a certain period of time, it continues to increase to the original set value state for the tunnelling operations.

工程案例gydF4y2Ba

构建和验证的有效性全面感知、自适应决策功能,本研究选择了TBM3供水项目的招标部分中心城市的吉林省作为工程实例。招标部分的总长度17.488公里,和埋深85 - 260米。这个项目的数据不仅包括TBM隧道参数也初步调查和先进的地质勘探信息。gydF4y2Ba

此外,验证整个智能隧道机器人系统开发的效率,尤其是复合智能控制功能,在新疆省南水北调工程被选为另一个工程实例。这是一个隧道。一个圆截面采用TBM法施工。考虑TBM2招标部分的工程实例,它有一个股份数量的24 + 740∼44 + 687米,总长度为19.947公里。根据这个例子,感知、决策和控制功能,特别是实时控制系统,可以进行测试和验证。gydF4y2Ba

系统实现和验证gydF4y2Ba

智能隧道机器人系统主要包括的功能模块,如地质预测、地质资料、智能TBM隧道参数,智能支持和远程监控(gydF4y2Ba图7gydF4y2Ba)。机器人的主界面系统总结了岩体的公共信息,设备、支持、智能决策、远程监控、科学决策和实时控制,协助运营商和确保一个安全的和有效的TBM施工。地质感知单元和智能支持由地质预报和地质剖面的地质状态的映射。地质预测是一个模块显示的结果一个先进的地质勘探系统。地质认识的两个功能模块单元和智能支持提供有力支持一位经验丰富的控制不利地质部分。TBM状态感知单元建立到远程监控模块,地图的设备状态。智能隧道参数实现隧道的dual-driven和独立决策参数和隧道的综合智能控制功能与远程监控模块。远程监控模块包括两个功能:TBM设备信息感知和监控和TBM控制。gydF4y2Ba

地质感知单元由一个地质剖面和地质预测(gydF4y2Ba图7gydF4y2Ba)。地质剖面进行数字导入到初步工程地质调查报告,和当前的地质剖面信息挖掘部分和整个开挖项目动态和直观地显示出来。当前挖掘隧道的位置可以实时显示。地质预报分为常规和不利的地质段。传统的地质剖面的地质预测提出了实时感知状态的岩体在脸和统计有关岩性信息;不利的地质剖面呈现不利的地质条件的先进的检测信息,如岩爆和突水(gydF4y2Ba图7gydF4y2Ba,gydF4y2Ba8gydF4y2Ba)。系统获取预测信息数据提供的先进的不良地质勘探系统通过界面实时显示不良地质条件以图形方式直观地实时,并相应地提供了综合评价和相应的支持建议。gydF4y2Ba

智能决策模块感官隧道实时信息,优化决策,根据地质条件、隧道参数并提供最佳的复合智能控制和自动隧道隧道参数。关于智能决策模块所示的细节gydF4y2Ba图9gydF4y2Ba。左边的图提出了一种比较曲线之间的实时感知价值隧道参数和优化决策的价值。桌子右边呈现最佳的推荐值,图书馆决策算法,优化算法,无论是自适应,围岩监测诊断和建议。的监测、诊断和建议围岩岩爆等使事件的统计分析水的进退两难,断层断裂区发生在不利的地质部分。如果检查自适应功能,智能决策模块可以适应不同岩体状态的基础上,提出了最优决策方法,并提供最佳的隧道参数。如果检查PSO算法选项,最初的八个决策可以通过粒子群优化算法优化。gydF4y2Ba表1gydF4y2Ba提出了一种智能决策算法的准确性比较不同岩体状态和最佳隧道参数与最低特定能量。在花岗岩在股份52047号.125 IV偏差,隧道具体能源PSO-GRU决策算法对应1422。2 kJ / mgydF4y2Ba^3gydF4y2Ba,这是最小的具体能源相比其他七个算法。隧道参数预测的是最优的。在花岗岩在股份51998号.980 IV偏好,相对应的隧道具体能源PSO-GRU决策算法2115 .8 kJ / mgydF4y2Ba^3gydF4y2Ba隧道具体的能量是最小的,隧道参数预测的是最优的。花岗岩希望具有利害关系51987号.859下,隧道具体能源PSO-RNN决策算法对应1441。1 kJ / mgydF4y2Ba^3gydF4y2Ba隧道具体的能量是最小的,隧道参数预测的是最优的。gydF4y2Ba

远程监控模块主要包括主监控页面,参数设置,和刀盘驱动;TBM状态传感单元建立到远程监控模块。主监控页面,包括遥控功能,所示gydF4y2Ba图10gydF4y2Ba。主监控页面不仅监视核心组件,如TBM盾,盾,右鞋,离开了盾牌,左鞋,刀盘,推进系统,油缸,左和右后方支持,实时和主要梁也实时视频数据。参数设置包括温度预警值,油脂频率、速度、油压力、渗透警告,里程,和其他TBM设备状态参数,以及隧道目标参数,除了调整鞍架。铣头驱动监控关键参数如电动机电流和转矩的刀盘驱动系统,除了刀头的联锁条件和运行时间开车。如红框所示gydF4y2Ba图10gydF4y2Ba,可以通过遥控器上电脑+下计算机的模式。gydF4y2Ba

任何控制系统与决策算法必须经历几个实验测试,验证和评估(gydF4y2Ba通用电气et al ., 2022gydF4y2Ba)。然而,沉重的挖掘任务,复杂多变的地质条件,和安全要求极高的深埋长隧道很难系统地进行测试,验证和改进控制系统的决策算法。目前,该方法测试成本,尤其是安全风险,显著高由于许多实际开挖检查和完善方法。此外,隧道开挖后不复存在,和改进控制算法不能获得同样的试验条件,导致未能验证系统改进的效果。因此,决策水平面临的主要技术问题,包括控制算法的完整性、健壮性测试、持续改进和升级。因此,本研究首先依赖于供水项目在吉林省中部城市建立一个智能隧道机器人系统。初步验证的感知、决策和控制功能。此后,少量的现场开挖引水项目的测试在新疆被用来验证实时控制功能。gydF4y2Ba

对数据进行统计分析的刀盘和推进速度,所示的结果gydF4y2Ba图11gydF4y2Ba,gydF4y2Ba12gydF4y2Ba;gydF4y2Ba表2gydF4y2Ba。测量和设置值之间的相对误差的黑云母片岩的刀盘速度很小,平均相对误差条件下的围岩希望略高于围岩IV。测量和设置值之间的相对误差的刀盘速度条件下的花岗岩岩石porphyry-surrounding II级高于条件下的围岩等级IV。测量和集值之间的相对误差的刀盘速度的花岗斑岩普遍高于黑云母石英片岩。掘进速度相比,测量和设置值之间的相对误差的推进速度黑云母石英片岩和花岗斑岩是明显增大;花岗斑岩下的相对误差较高比黑云母石英片岩。相比之下,发现测量和设置值之间的相对误差的推进速度高出一个数量级的掘进速度,和相对误差相对较大。结果表明,刀盘转速的控制精度较高,并精确控制的效果明显优于推进速度。gydF4y2Ba

结论gydF4y2Ba

基于闭环智能控制“perception-decision-control”的概念,一个智能隧道机器人系统的开发,验证了不同的项目。下面的结果。gydF4y2Ba

(1)多源信息的综合感知和现场总线构建的集成管理平台;形成一个集成的数据存储系统基于MongoDB非关系数据库,结合MySQL,复述,HDFS和其他系统。这可以有效地解决问题之间的无缝集成的基本自动化控制网络和过程管理控制系统,提高感知信息传输的及时性,使存储系统能够满足应用需求,并实现全面感知TBM隧道信息。gydF4y2Ba

(2)PSO算法的最优决策方法最低隧道具体能源满足完整的隧道周期数据和适应性提出了岩体状态;随后一个TBM智能决策系统由物理定律和数据挖掘。这可以有效地提高智能决策的及时性,解决贫困问题的隧道之间的匹配和岩体状态参数,并实现隧道的dual-driven决策参数。gydF4y2Ba

(3)多通道和专家经验的复合智能控制策略是专为多元化的工作环境。决策算法的验证结果表明,控制系统的平均相对误差测量与刀盘转速的设置值在0.1113%和0.262%之间。平均相对误差测量和设置值之间的推进速度是14.352%到24.650%之间,能满足安全、高效的复杂地质条件下洞TBM施工要求。gydF4y2Ba

(4)智能隧道机器人系统闭环智能控制功能的全面感知、dual-driven决策和综合智能控制的,可以跨平台部署。通过工程实例验证了其有效性和可靠性。这提供了新的技术手段深埋长隧道的建设,尤其是less-manned,无人,智能挖掘TBM在盛地区建设。此外,它可以扩展并应用于其他类型的隧道工程和有一定的普遍性。需要进一步的研究来改善智能隧道机器人系统的性能以满足建设需求的不确定环境和智能决策将更多的因素(例如,设备状态管理、维护和备件收据)。gydF4y2Ba

数据可用性声明gydF4y2Ba

最初的贡献提出了研究中都包含在本文/辅料,可以针对相应的作者进一步询问。gydF4y2Ba

作者的贡献gydF4y2Ba

所有作者列出了一大笔,直接和知识贡献的工作,批准发布。gydF4y2Ba

资金gydF4y2Ba

基础研究基金为中央大学(润扬悬索桥项目没有:- tp - 20 - 043 - a1),和开放研究基金项目Hydroscience的国家重点实验室和工程(项目没有:sklhse - 2021 c - 04)感激地承认。gydF4y2Ba

的利益冲突gydF4y2Ba

作者YoZ和LJ受雇于该公司中国铁路工程设备集团有限公司有限公司作者SD和KS受雇于华能西藏水电安全工程技术研究中心。gydF4y2Ba

其余作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。gydF4y2Ba

作者声明,这项研究获得资金从华能集团总部的科技项目(项目没有:HNKJ19-H15)。研究资助者有以下参与:数据收集和发布的决定。gydF4y2Ba

出版商的注意gydF4y2Ba

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。gydF4y2Ba

引用gydF4y2Ba