摘要：盾构掘进姿态的偏差变化和趋势,是现场管理者掌控项目施工安全与质量所需的关键信息。为了提高姿态控制的自动化与智能化水平,设计了基于小波变换(WT)与长短期记忆神经网络(LSTM)的预测模型WT-LSTM,通过历史施工数据对未来时刻盾构姿态参数进行预测,并对模型进行多次试验,以确定最优参数。在工程实例中,所提出的模型对各参数的预测均方根误差均较低。通过与其他方法的对比实验表明,所设计的模型能够实现根据历史数据准确预测未来时刻的盾构掘进姿态,辅助施工现场管理者和操作人员高效决策,提前规避异常掘进姿态,解决目前盾构施工人工决策低效、不稳定以及数据闲置等问题,对于保障盾构稳定掘进、减少盾构项目风险事故具有重要价值。

摘要：在轨道交通施工过程中需通过大量巡检工作保证隧道内安全,其中工作服和安全帽是安全防范中的关键因素。但是由于人工巡检成本较高、费时费力且无法及时获得巡检结果。为此,文中利用神经网络的图像识别方法,构建基于YOLO V4改进的轻量型检测模型,高效实时地对隧道人员的穿戴进行识别。将该模型应用于隧道巡检机器人,实际测试结果表明,该模型识别准确率可达98%,泛化能力更强,解决了图像质量差和光照对人员穿戴识别率的影响,提高了隧道内安全监测的智能化水平。

摘要：在我国现阶段地铁盾构施工过程中,风险事故频发,预测盾构施工风险发生趋势、提高风险应对精准度已成为盾构施工风险管理的重要任务。文章设计了通过盾构机报警数据对盾构施工风险及其发展趋势进行预测的一套有效方法:首先采用故障树法,找到盾构施工重要风险与盾构机故障报警数据之间的关联;然后,以此建立基于贝叶斯网络的风险预测模型,运用贝叶斯网络的反向诊断推理技术计算最大可能路径,确定导致风险事件发生的关键盾构机故障,从而在发生该类故障时严控后续风险;最后,以某地铁项目为例,验证该方法的可靠性与适用性。所研究的方法与模型可以嵌入到各类盾构施工风险管理系统中,为施工现场提供风险预警支持。

摘要：盾构是开展隧道施工的大型关键设备,在我国各类地下工程项目中的使用日益增多。为了保证盾构施工安全,预防施工故障发生,本文针对盾构施工中出现的多故障问题,采用深度学习方法中的长短期记忆网络(LSTM),设计了可处理时序数据的盾构故障多标签预测模型。根据某城市地铁项目中的实际数据,首先利用主成分分析法(PCA)对盾构施工参数进行特征提取,然后利用LSTM模型从集成了外部环境数据的盾构施工时序数据中,挖掘盾构机故障的发生规律,并通过适应多标签学习的交叉熵损失函数进行模型参数的优化,最后用基于多标签的评估指标对模型结果进行评估。实验结果表明该方法在盾构单故障和多故障的预测中都有较好表现,能够为盾实际构施工中的故障预防提供一定的指导。

摘要：针对交通工程中自动化设备通信接口协议不统一、数据格式不规范、数据孤岛现象普遍存在等问题,设计了一种基于智能网关的智慧工程数据接入系统。系统建立了标准化通信接口协议和数据格式规范,一方面利用智能网关直接接入自动化设备数据,另一方面从第三方系统接入数据,系统还对采集的数据进行清洗、加工、存储和订阅等一体化管理。系统应用于某隧道工程除渣管理系统,实现了对除渣自动化设备流水线中不同设备的统一管控,并对多源数据进行标准化输出,提升了数据的采集和应用效率。