隧道形變動態(tài)檢測與分析系統(tǒng)研究.pdf

1、檢測地鐵隧道是否發(fā)生形變直接關系到列車行車安全。針對傳統(tǒng)人工靜態(tài)檢測不適合運營地鐵隧道的情況，本論文設計了一套基于激光掃描測距原理的車載隧道形變動態(tài)檢測與分析系統(tǒng)。該系統(tǒng)能夠有效對地鐵隧道形變進行檢測和分析，實現對形變?yōu)暮Φ谋O(jiān)測和預警。
　　論文首先介紹了系統(tǒng)的工作原理及總體設計方案;然后介紹了數據采集系統(tǒng)設計，包括主要傳感器選型，LMS500數據處理與USB數據傳輸;接著介紹了數據處理算法設計，包括多傳感器相對定位算法與基于RB

2、F神經網絡的隧道建模算法;最后通過實驗驗證了系統(tǒng)的可行性。
　　為適應列車高速運行的狀態(tài)，本論文采用高速激光掃描測距儀和高速激光位移傳感器升級了數據采集系統(tǒng)，設計新的FPGA數據采集模塊增強了系統(tǒng)的通用性，并利用USB接口提高了數據傳輸速度，實現各傳感器數據的實時高速采集，完善了原有系統(tǒng)。
　　本論文提出了一套隧道形變檢測與分析算法，包括多傳感器相對定位算法與基于RBF(Radial Basis Function，RBF)神

3、經網絡的隧道建模算法。多傳感器相對定位算法，在不增加成本的前提下，利用系統(tǒng)已有的轉速傳感器、激光掃描測距儀和激光位移傳感器分別獲取公里標、隧道特征數據與軌道特征數據。該算法通過公里標與隧道特征數據實現粗校準定位，通過公里標與軌道特征數據實現細校準定位，最終完成高精度、高可靠性的相對定位，解決了單一轉速傳感器定位精度受限造成的同一位置周期性檢測數據不匹配的問題，實現了周期性檢測數據的融合，為后續(xù)隧道模型的建立奠定基礎?；赗BF神經網絡的

4、隧道建模算法，通過對融合后的隧道三維點云數據進行多周期訓練，建立多重RBF神經網絡，不斷優(yōu)化隧道模型，最終建立出隧道內壁模型和特殊區(qū)域模型。在完成實際檢測與模型建立的基礎上，將實際檢測數據與模型輸出數據進行對比，完成形變分析。
　　為驗證系統(tǒng)的可行性，在地鐵隧道現場和實驗室軌道環(huán)境分別進行實驗。實驗結果表明，該系統(tǒng)能夠有效進行相對定位并建立隧道模型，相對定位精度可達±10cm，形變分析精度可達±10mm。實現了隧道輪廓形變的檢測與