System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及了一种盾构智能调向系统,具体涉及一种基于模型预测控制的盾构智能调向系统及控制方法。
技术介绍
1、盾构机是一种高效、环保、安全的大型隧道挖掘设备。在施工过程中,盾构机需要按照隧道设计轴线进行掘进,盾构机实际掘进轴线与设计轴线偏差过大会直接导致隧道的形状和尺寸偏离设计要求,降低隧道施工质量、增加安全风险和施工成本。因此,根据设计轴线调整盾构的掘进方向,使实际的掘进轴线尽量吻合设计轴线,是确保隧道施工质量的关键。
2、传统的盾构机掘进方向的调整是依靠盾构司机人工操作的。盾构司机根据盾构导向系统测量出的当前盾构机与设计轴线的偏差,分别调节不同分区推进油缸的压力,从而改变盾构机的掘进方向。该过程构成了一个人类在环(human-in-the-loop)闭环控制系统,其中盾构司机主要起到分析偏差、做出决策和输出控制信号的作用。因此,传统的盾构机姿态调控高度依赖盾构司机的经验与直觉。然而,由于人-机-环境交互复杂、盾构的惯量极大、加之司机监控和操作的参数多,使得人工姿态调控准确性低、实时性差、调控滞后,在实际工程中盾构蛇形掘进问题突出。此外,在高噪声施工环境中长时间进行高强度的调控工作使盾构司机极易疲劳和注意力不集中,更加剧了人工调向的难度。盾构司机的培养周期长、培养成本高,优秀盾构司机的短缺也成为了行业面临的难题。针对上述传统盾构人工调向的缺陷,开发自动化、智能化的盾构调向技术是行业的发展趋势和研究热点,国内外展开了大量研究和开发工作。
3、目前,自动化、智能化的盾构调向技术的技术主要分为三类。其中,第
...【技术保护点】
1.一种基于模型预测控制的盾构智能调向系统,其特征在于,包括:
2.根据权利要求1所述的基于模型预测控制的盾构智能调向系统,其特征在于:所述的盾构位姿偏差包括盾首水平偏差、盾尾水平偏差、盾首垂直偏差、盾尾垂直偏差和俯仰角;
3.根据权利要求2所述的基于模型预测控制的盾构智能调向系统,其特征在于:所述的模型预测控制器包括预测模型、优化算法、损失函数和约束条件,优化算法在约束条件下,计算出各分区推进油缸压力值并输出至预测模型,预测模型接收输入的盾构当前位姿偏差值、除盾构各分区推进油缸压力值外的当前盾构掘进参数、当前地质参数和盾构几何参数并处理后输出预测的盾构位姿偏差值至优化算法,同时更新损失函数,不断循环直至损失函数达到最小,最终输出当前时刻、当前状态下最优的各分区推进油缸压力值。
4.根据权利要求3所述的基于模型预测控制的盾构智能调向系统,其特征在于:所述的预测模型具体为全连接神经网络模型、卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。
5.根据权利要求3所述的基于模型预测控制的盾构智能调向系统,其特征在于:所述的优化算法具
6.根据权利要求3所述的基于模型预测控制的盾构智能调向系统,其特征在于:所述的损失函数具体如下:
7.根据权利要求3所述的基于模型预测控制的盾构智能调向系统,其特征在于:所述的约束条件包括根据各分区推进油缸实际允许最大、最小压力,从而约束优化算法输出的各分区推进油缸压力值范围;同时,约束条件还包括根据盾构推进油缸压力最大允许变化速率,从而约束优化算法输出的各分区推进油缸压力值的变化速率。
8.根据权利要求1-7任一所述的基于模型预测控制的盾构智能调向系统的控制方法,其特征在于,包括:
9.根据权利要求8所述的基于模型预测控制的盾构智能调向系统的控制方法,其特征在于:所述的步骤1)中,盾构智能调向仿真系统包括掘进参数预测模块和仿真模块,使用盾构智能调向仿真系统设计模型预测控制器,具体如下:
10.根据权利要求8所述的基于模型预测控制的盾构智能调向系统的控制方法,其特征在于:所述的盾构掘进参数包括盾构各分区推进油缸压力值、盾构总推进力、推进速度、刀盘转速、刀盘扭矩、注浆压力和铰接压力;
...【技术特征摘要】
1.一种基于模型预测控制的盾构智能调向系统,其特征在于,包括:
2.根据权利要求1所述的基于模型预测控制的盾构智能调向系统,其特征在于:所述的盾构位姿偏差包括盾首水平偏差、盾尾水平偏差、盾首垂直偏差、盾尾垂直偏差和俯仰角;
3.根据权利要求2所述的基于模型预测控制的盾构智能调向系统,其特征在于:所述的模型预测控制器包括预测模型、优化算法、损失函数和约束条件,优化算法在约束条件下,计算出各分区推进油缸压力值并输出至预测模型,预测模型接收输入的盾构当前位姿偏差值、除盾构各分区推进油缸压力值外的当前盾构掘进参数、当前地质参数和盾构几何参数并处理后输出预测的盾构位姿偏差值至优化算法,同时更新损失函数,不断循环直至损失函数达到最小,最终输出当前时刻、当前状态下最优的各分区推进油缸压力值。
4.根据权利要求3所述的基于模型预测控制的盾构智能调向系统,其特征在于:所述的预测模型具体为全连接神经网络模型、卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。
5.根据权利要求3所述的基于模型预测控制的盾构智能调向系统,其特征在于:所述的优化算法具体为序列最小二乘二次规...
【专利技术属性】
技术研发人员:张亚坤,谢明睿,龚国芳,王帅,周星海,郇泉,韩冬,
申请(专利权)人:浙江大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。