盾构隧道信息化施工实时远程管理系统的建设论文

　　提 要：盾构法施工是建设城市地铁隧道工程的重要手段，本文论述盾构施工的高新技术隧道信息化施工实时远程管理系统的研究，突出施工现场的数据分析设计，分别在上海明珠2号线和南京地铁工程上应用。
　　关键词：盾构施工信息化实时远程控制系统管理
　　Abstract: Shield driving method is an important means for constructing urban Metro tunnel projects. This paper comments the study of Hi-tech used in shield driving upon informationized real time remote management system with emphasis on data analysis design on site which were employed respectively in Pearl Line No.2, Shanghai and Nanjing Metro projects.
　　Keywords: shield driving technique, informationized,real time remote control, system management.
　　1 引言
　　随着地下空间开发的迅猛发展，一个大型的地下工程的施工企业往往会面临多个工地同时进行施工，工地的分布非常分散等诸多困难。由于人员有限，因此如何对这些工程进行有效的管理和全面的技术支持，就成为一个目前急需解决的问题。
　　要进行远程的管理和技术支持，首要的是对施工方信息有一个全面、及时、准确的掌握，同时通过先进的分析手段，对施工方进行指导。而目前的远程信息管理系统往往只是对行政和技术文件的管理，而无法实时地获取施工信息，更不能提供施工指导上的帮助了。
　　因此，本文结合上海隧道股份实际情况，构建盾构隧道信息化施工实时远程管理系统，以期能对其散布在国内和海外的工地的施工进行及时全面的管理。
　　2 系统的基本结构与功能
　　在进行隧道施工时，工地端的设施往往比较简单，环境较差，而且流动性强，不适合进行大规模的投资建设；因此，只能采用简便的方式传递信息。
　　而公司总部的条件比较好，而且也非常稳定，可以配置一些较好的机器，网络的连接条件也比较好。
　　对于施工的管理者而言，所处的办公地点也是移动的，可能是总部，可能在某一施工现场，也可能是在其他地方。
　　根据这种情况，构建的系统整体结构如图1所示。
　　从系统结构图(图1)可以看出，整个系统分以下几个部分：
　　在施工现场有数据采集监视系统和施工分析系统两个部分。数据采集系统的主要功能是利用盾构内部的传感器获取实时的施工数据。数据采集计算机有两台，一台在井下，一台在地面上的控制室。这两台机器和另一台装有施工分析系统的计算机通过HUB相联，组成了一个对等网，实现施工数据的共享。施工分析系统主要有三大功能：将实时数据和报表数据及时传递至总部；完成数据查询，报表制作，图形绘制等基本功能；对现场数据和施工情况进行自动分析，提出施工参数的控制方案。
　　公司总部的数据库服务器和Web服务器主要负责数据的存储和信息的发布，以及历史数据的分析与整理。
　　数据的传递过程是通过互联网完成的。
　　因此，整个系统的功能划分如图2所示。
　　3 系统管理
　　从图1和图2可以看出这是一个以分布式数据库为基础的，以远程信息传输和人工智能分析为特点的系统，下面就从这三个方面进行介绍。
　　3.1 后台数据库
　　分布式数据库是在分布式管理模式下，每个远程分部的数据信息均存放在本地，平时可独立操作使用；同时定期通过远程通信线路，将本地的所有数据信息或汇总数据信息发送到远程总部；总部接收到数据后再将其恢复到总部的数据库服务器中，以满足总部对整个企业运营数据管理与决策的需要。显而易见，分布式数据库这种分布式透明性的.特点，与这个项目的情况十分吻合。通过性能价格比，易用性等多方面的考虑，从目前市场的主流分布式数据库中选择了SQL Server 2000，作为后台数据库。在施工现场安装了Window 2000 Professional 操作系统，因此安装了SQL Sever 2000 个人版；公司总部的操作系统为Window 2000 Sever,安装了SQL Sever 2000 企业版。
　　每个施工现场的数据库的结构都是相同的：主要包括盾构施工参数表，施工进度记录表，施工大事记录表，盾构姿态参数表，管片姿态参数表，沉降情况表，工程基本概况，地面测点布置，沿线地质资料，沿线重要设施情况等表。
　　公司总部数据库中除了包括各个工地数据库，还包括工程汇总表，标准域名描述一览表，盾构基本信息一览表，用户信息表。
　　3.2 数据传输
　　从系统功能图(图2)上可以看出系统的数据来源可分为两个部分,一部分是有传感器传送来的盾构的各类运行参数,另一部分则是有人工定期输入的量测数据﹑情况记录等数据。前者数据要求很强的实时性，需要随时与公司总部的数据同步，而后者的数据只需要定期更新即可。因此对这两类数据采用了不同的数据传送方法。
　　对于实时施工数据，由于每个盾构的生产厂商和型号的不同，因此获取的施工数据方式和数据内容都不相同，为此通过一个Read程序，依据为每个盾构度身定做的一个数据结构对照表，将不同数据采集系统获取的数据转换到施工现场的标准数据库中，而与此同时将此数据片段加密后通过互联网传送至公司总部，公司总部的服务器将其解密等处理后，放置到总部的服务器中。具体的流程如图3所示。
　　从图3的数据传输过程可以看出，在数据的传递的过程中，采用了双向FTP不间断进行片段数据传输，采用这种方式原因在于实施非常灵活，可靠性和安全性都比较高。而原SQL Sever数据库提供的远程数据库同步的方法：快照与订阅方式，由于施工现场传送数据的过程，实际上是订阅修改的过程，总部数据库必须开放匿名登录，会对安全性产生一定的问题，所以没有采用。
　　对于其他需要定期传送的数据，采用了SQL Sever 中的数据转换服务（DTS）的方法完成。
　　3.3 数据发布
　　当施工现场数据进入公司总部的数据库后，通过Window 2000的Internet 信息服务（IIS）进行发布，对于实时的监控数据通过Flash的网页进行实时图形显示（图4），历史数据和其他数据采用ASP技术以EXCEL数据表格方式显示，而报表的订阅定时群发功能则通过Window提供的计划管理完成。Web Sever 结构如图5所示。
　　为了保证系统的安全性，采用安全模式的用户登录方式，即用户名和密码经过加密以后才在互联网通过安全套接字层连接后发送，保证了密码的安全性。同时，为了方便使用，用户还在自己的权限范围可以自行授权子用户。
　　3.4 数据分析
　　除了能为技术人员同步提供详尽，准确的施工数据以外，施工数据的分析也是一个非常重要的方面。施工数据的分析分为两个方面，一个方面是在施工现场提供快速有效的地面沉降的预测和施工参数的设定建议，另一方面，是对各工程历史数据进行分析计算，找出规律。
　　在施工现场的数据分析设计是在原有的盾构隧道智能辅助决策系统［1］的基础上进行的，它把原系统中的人工神经网络模糊控制等人工智能的方法结合目前数据库进行改进后，放入了本系统中。其与原系统的最大区别是：原系统中数据均为手工输入，存在滞后和数据不准确的情况，而且数据提供的也没有现在全面。鉴于这种情况，在用人工神经网络进行系统的数学模型的建立时，我们扩展原有的输入量，增加了注浆压力，注浆流量，盾构姿态等原来很难及时获取数据，同时从原来的每环一组学习数据，变成每推进0.2m生成一组学习数据，使系统的响应速度加快，如果发现预测结果与实际情况误差增大，系统将自动加大数据获取量，例如：网络训练数据该为每推进0.1m生成一组学习数据，使系统尽快适应变化的模型。神经网络预测控制模型的流程如图6所示。
　　除了原有的人工智能的方法外，系统还根据土力学理论和工程上经典公式的计算，这些方法在工程技术人员在对一些关键施工段进行决策有很大的帮助。
　　除了施工现场的数据分析以外，在公司总部对历史数据的分析挖掘也至关重要，由于数据量非常大，而且数据的实时性要求低，因此在总部的数据分析系统，我们采用了有限元和混沌神经网络进行数据分析。
　　本文采用一种混沌神经网络，应用神经网络的非线性动力学特性.将样本集记忆在神经网络确定性的混沌吸引子轨迹上，正是这种动态记忆方式，不仅将全部样本集得到记忆，而且允许利用动力学特性将各种样本模式一一加以重现和辨识，混沌吸引子的吸引线存在，形成了混沌神经网络固有的容错功能.若网络输入的实际信息发生不完整性或变异程度超出混沌神经网络固有容错范围，网络混沌运动就脱离了原有混沌吸引域，丧失了原有被储存样本模式的记忆，称之为失忆.神经网络是一种时空分布系统，空间上呈相互耦合的网络分布，时间上作非线性混沌运动，对于这种时空系统，采用的钉扎控制，通过对某些神经元施加一定强度的脉冲激励，驱动神经网络混沌运动进入要被恢复记忆的吸引域，从而对丧失的记忆得以恢复.这种方式使同一网络中反映不同工程的模型成为可能，当不同类别数据进入系统，系统就会作出自动辨识，得出不同的结论。
　　除了对盾构推进隧道施工参数的控制，系统此外还通过专家系统根据得到的施工数据和专家经验对盾构智能化故障诊断和设备保养。
　　4 结语
　　目前系统正处于调试与试运行阶段，主要试验地点分别在上海明珠二号线和南京地铁，系统的运行加快了施工信息的传递，也为施工水平的提高奠定了基础。
　　参考文献
　　［1］ 周文波，胡珉. 盾构法隧道施工智能化辅助决策系统，上海隧道，2001,1
　　［2］ 曹志彤.混沌神经网络的动态联想记忆.浙江大学学报，1999,3
　　［3］ 吴彤，非线性动力学混沌理论方法及其意义. 清华大学学报, 2000,3
　　［4］ Microsoft SQL Sever 2000 数据操作与复制, Microsoft Press, 2001
　　［5］ 韩明虎，余英林. 基于耦合的混沌神经网络建模方法. 通讯学报，1995,2
　　［6］ 朱忠隆，张庆贺，易宏传. 软土隧道纵向地表沉降的随机预测方法. 岩土力学, 2001,1
　　［7］ 李宏建，隧道变形预测的灰色Verhulst模型.石家庄铁道学院学报，2000,3