隧道掘进设备多源异构数据采集系统设计开发与应用

为解决隧道掘进设备接口众多、高频异构型数据密度大且需要实时采集的问题,提出一种隧道掘进设备专用的多源异构数据采集系统。该系统采用一主多从的系统架构,按照“微服务”的设计思想,设计数据源接入接口统一以及数据源进程相互独立的程序架构,提出一种以插件形式组织数据源接入的开发方式。该系统包括终端软硬件部分、可视化平台部分等,先后接入PLC控制器数据、振动监测数据、渣土改良数据、刀具磨损数据等,实现了多源异构数据的多路完整、独立且实时采集。该系统解决了隧道施工中多接口大密度异构数据采集的难题,能够方便项目决策及管理人员实时、完整地获取现场施工信息,为优化掘进方案提供支撑。

基于交叉算子和非均匀变异算子的飞蛾扑火优化算法

针对飞蛾扑火优化算法收敛速度慢以及计算后期易收敛到局部最优解的问题,提出了一种基于遗传算法交叉算子和非均匀变异算子的改进方法。该方法在飞蛾围绕火焰飞行的计算过程中,采用交叉算子和变异算子对火焰位置进行扰动以生成新的火焰,当新火焰的适应度值优于原火焰时则替换原火焰,以提高算法的随机性,防止算法过快陷入局部最优解。测试结果表明,改进后的算法在8个常用最优化算法基准测试函数的求解问题中全局收敛能力和收敛速度均优于原算法。

基于岩体聚类分级的TBM掘进参数预测方法

复杂地质条件下TBM掘进参数的精准预测可及时优化调整掘进参数,有效指导设备施工。根据吉林引松供水工程TBM3标段的现场掘进数据,首先利用最小二乘法对TBM掘进参数和现场跟踪的岩体力学参数进行回归分析,实现由设备参数向岩体信息的转化;而后利用k-means方法对所估计的岩体力学参数进行聚类分级,建立不同围岩等级的岩机数据库;最后以对应围岩等级下TBM岩机数据作为模型输入、运行或者控制参数作为模型输出目标,利用基于极限学习机(ELM)的机器学习算法构建与围岩等级相匹配的TBM预测模型,其预测值可很好地拟合实测数据的变化趋势,平均误差在12%以内。结果表明,基于岩体聚类分级的TBM掘进参数预测方法可显著改善围岩等级多变条件下TBM掘进参数预测精度低、鲁棒性差的问题。