隧道掘进机工程大数据管理平台关键技术及应用研究

孙振川， 钱彤途， 任颖莹, *， 褚长海， 周振建

(1. 盾构及掘进技术国家重点实验室， 河南 郑州 450001；2. 西安电子科技大学通信工程学院， 陕西 西安 710071)

0 引言

随着城市地铁建设的迅猛发展和国家“一带一路”倡议的提出，隧道掘进机施工项目已经延伸至海外，数量呈现明显增长趋势，分布也更加广泛，这给隧道掘进机施工的统一管理、风险管控、设备及时调度、企业重大决策等增加了难度。由于隧道掘进机本身结构复杂、工作环境恶劣、人为决策失误、对风险估计不足、操作不当等原因都会导致施工中发生异常情况。传统的施工方法已经无法满足施工需求，亟需利用信息化手段推动行业智能化施工。因此，开展隧道掘进机工程大数据管理平台建设关键技术研究具有重要意义。

国内外许多学者经过研究，开发了相关技术平台。江玉生、杨志勇等[1-2]从2003年开始信息化技术探索，开发了盾构施工实时管理系统，能够对盾构掘进参数和耗材量进行实时监控管理，后续又开发了施工风险监控系统，实现对施工参数的预警； 张恒[3]开发的盾构远程监控系统和程佳琛[4]研发的盾构施工监控管理平台，能够实现对盾构工程的综合管理； 金晶[5]研究设计的盾构监控及管理系统，具有对采集的机器数据进行汇总分析的优势；梁景春[6]设计的系统人机界面友好；肖春春[7]、张静等[8]开发的系统具有施工风险预测报警功能。这些系统具有自身优势，在功能上有一定的侧重点，但对于企业管理者来说，这些系统在项目统筹管理功能上存在不足。

国内许多企业为满足工程建设中的需求，建立了一批信息化系统。文献[9]的盾构施工信息监控管理系统，主要侧重于实时监控与风险管理。文献[10]采用B/S模式建立系统，实现对多台盾构集中监控、多用户访问、远程故障诊断等功能。另外，文献[11]的盾构隧道信息化施工智能管理系统、文献[12]的盾构集群化监控与异地管理系统、文献[13-14]的盾构集群远程监控与智能化决策支持系统都得到了很好的应用。但大多数系统在数据采集方式、数据架构、系统功能等方面存在一定的局限性，限制了后续持续发展。国外开发的IRIS、CATSBY等监控系统具有盾构控制参数采集与储存、施工效率分析、沉降监控等功能，但系统使用成本高，不能满足国内多层级管理模式，不适合国内实际应用需求[15]。

针对盾构及隧道工程生产复杂性导致的数据采集、数据存储分析、业务管理及数据反馈应用等难题，采用大数据、互联网等先进技术[16-17]，基于工业物联网、大数据科学和技术，开展隧道掘进机多类型海量数据采集、数据冗余存储、并行处理与深度挖掘、平台架构设计、功能模块建设等关键技术研究，研发引领国家行业技术，集智能监控、综合分析、协同管理及大数据应用于一体的隧道掘进机工程大数据管理平台，为全行业的隧道掘进机工业大数据应用提供开放式服务。

1 平台总体架构设计

大数据平台立足于满足隧道掘进机装备施工需求，着眼于未来发展，采用基于互联网、物联网的分布式混合型结构的网络架构技术，力图建成符合标准化协议、通用性较强、功能完善的先进网络架构。

大数据平台架构主要由数据采集层、数据预处理层、数据存储与计算层、数据分析层、能力层及应用层组成，如图1所示。

图1 大数据平台架构

1)数据采集层。确定隧道掘进机装备所采集的数据类型，在隧道掘进机端安装数据采集设备，获取装备工程参数。

2)数据预处理层。采用先进的数据预处理算法对数据进行清洗、去噪、抽取、过滤等预处理，剔除冗余和错误数据。

3)数据存储与计算层。将采集的海量数据进行分类存储和快速计算。

4)数据分析层。基于统计分析、数据挖掘、机器学习、深度学习等多种分析方法和模型，对隧道掘进机存储的海量数据进行大数据分析。

5)能力层。通过画像、运行监测、地理环境、施工过程等数据模型，为实现应用功能提供支持。

6)应用层。通过web服务器发布数据分析结果，反馈隧道掘进机施工、制造、设计、选型、故障诊断及预测性维护等多种大数据深度应用。

2 数据采集技术

数据采集是大数据管理平台的基础。由于隧道掘进机本身结构复杂，施工环境恶劣，数据具有高通量、多模态、多类型等特点，导致数据采集困难。另外，隧道掘进机生产厂家多、类型多，导致PLC类型不一致，一般的采集方法很难具有较好的兼容性。

2.1 数据采集网络架构

数据采集需要满足以下要求： 1)稳定性。不仅要保证长时间稳定运行，还需要在出现异常时，具有自诊断和自恢复能力。2)安全性。对于敏感数据、机密数据等需要保证其安全传输；对关键数据要有灵活的加密策略。3)全面性。采集的种类包括设备运行状态参数和工况数据等。

针对以上要求设计数据采集网络架构，如图2所示。首先，通过各个数据黑匣子和平板电脑采集隧道掘进机工程信息；然后，通过安装VPN建立虚拟专用网络进行加密通讯；最后，通过工业互联网传输到数据中心服务器。

图2数据采集网络架构

Fig. 2 Network framework of data acquisition

传统的信息化系统大多采用软件采集数据，这种软件如果安装在地面监控室的电脑里，可能会导致采集信息不全面；如果安装在主控制室的电脑里，可能会影响设备运行程序的稳定性。本设计通过在现场配置黑匣子直接从隧道掘进机PLC或者演算工坊中采集机器实时数据。采用双网卡，把黑匣子数据采集同外部网络隔离开，同时通过平板电脑进行非机器数据或资料的录入，充分保障数据采集的安全性和完整性。

采用多通道数据采集，能够采集装备机器数据、导向系统数据、故障检测数据和人工数据，然后通过信息系统录入。这些数据通过数据词典完成配置解析，满足隧道掘进机施工的远程监控及简单数据分析。

2.2 数据采集方案设计

针对目前隧道掘进机因设备类型差异而造成的数据采集兼容性不强的问题，研究了一种多元异构参数融合数据接口技术，设计了专门的数据采集黑匣子。为了保障数据采集的完整性，结合采用2种方式共同采集数据，如图3所示： 一种是直接采集PLC的数据；另一种是从现场导向系统数据库采集数据。

图3 数据采集方案

数据提取后存储在现场采集服务器中。由于隧道掘进机分布地域广泛，采集的实时数据需要通过网络传回大数据中心，因此，需要解决网络数据安全、网络传输速度等问题。针对这些问题，数据采集系统采用VPN加密通道和内外网物理隔离技术，具有参数异步提取、断点续传及本地数据缓存等功能，缓存数据高达1 TB，保障隧道掘进机施工参数安全、稳定、高效的采集传输，解决了数据提取不全、不及时、易中断的技术难题。

2.3 数据采集黑匣子的研制

强兼容性数据提取方法是不同厂家、不同类型隧道掘进机机器参数解析的核心问题，其技术直接关系到隧道掘进机大数据管理平台的研制、建设及推广应用。

研制专用的数据采集黑匣子，基于OPC协议技术，采取完全不影响隧道掘进机正常掘进的旁路模式，从PLC相应的点位中直接提取隧道掘进机机器数据，如图4所示。

(a) 正面

(b) 反面

针对不同厂家、不同类型的隧道掘进机，由于使用的网络接口存在差异，因此需要选择不同的接线和方式采集数据。OPC服务器会根据PLC型号对应的数据采集技术协议。OPC服务器是一种通用的与PLC的交互方式，厂商根据不同的PLC产品提供不同的驱动交互，OPC客户端模块的主要功能是从OPC服务器中根据配置读取相关的测点信息，具体配置如表1所示。导向数据采集模块主要是从导向系统数据库(VMT、米度、演算工坊等)中采集导向数据。

表1 隧道掘进机类型及其对应的OPC 服务器

数据采集黑匣子具有数据清洗、数据处理、数据编码和缓存及数据转发等功能，确保数据的正确性、完整性、一致性、完备性、有效性。数据清洗是对数据进行空值处理、单位换算、对无效数据和缺失数据进行替换；数据处理功能是对同一通道采集的不同点进行算法处理，对读取的数据进行计算而得到需要的结果数据；数据编码和缓存是根据自定义协议把浮点数转换成二进制流，然后作为临时文件存储于待发送区；数据转发的主要功能是把数据按指定的协议发送到服务器端。本系统采用Socket通讯方式把数据从客户端传递到服务器端。

3 数据存储技术

采集的信息通过公共Internet网络，利用VPN加密通道把现场采集服务器的数据远程传输到专业数据库服务器进行存储、管理。存储的目的是将各类信息以适当的格式存放，为后续的数据分析、价值提取等提供支持。

3.1 分布式存储

隧道掘进机工程大数据管理平台数据量庞大，需要大容量、高速、可扩展的存储系统来容纳数据。现有的隧道掘进机施工信息化系统主要采用单台或多台服务器进行数据存储、管理、分析和发布。随着数据量增大，数据存储困难，且易造成数据查询分析性能变差、可扩展性和可靠性不足。

为保障大数据平台最佳的建设效果，采用基于Hadoop分布式大数据生态技术，配置专业高性能服务器对隧道掘进机施工的海量数据进行存储和分析。Hadoop平台使用基于分布式HBase列存储数据库和基于高性能Spark内存计算引擎进行分布式数据离线和在线分析计算，为数据分析和快速计算提供卓越的性能保证，实现从千万到百亿级数据分析的秒级响应。

采用计算和存储分离的架构，支持存储分层以加速特定应用的访问速度，满足 OLAP 和 OLTP 2类的计算需求，能够实现对2种类型计算的统一监控管理。项目配置多台数据中心交换机、采集服务器、Hadoop集群服务器、Name node服务器、Kafka集群服务器、数据库服务器、Web应用服务器，采用不同的副本配置策略保证大数据平台数据采集及处理分析的容量需求，为大数据业务系统等提供存储空间，为虚拟化及数据库业务提供空间。Hadoop集群服务器部署方式如图5所示。

图5 Hadoop集群服务器

数据存储基础平台层为用户网关层提供基础服务调用接口，由3部分组成： 任务调度控制台、HBase、Hive。

1)任务调度控制台是任务的调度中心，分配各种任务执行的顺序和优先级。用户通过调度控制台提交作业任务，并通过用户网关层的Hadoop客户端返回其任务执行的结果。

2)HBase是基于Hadoop的列数据库，为用户提供基于表的数据访问服务。

3)Hive是在Hadoop上的一个查询服务，用户通过用户网关层的Hive客户端提交类SQL的查询请求，并通过客户端的UI查看返回的查询结果，该接口可提供数据部门即时的数据查询统计服务。

Hadoop是一种真正的开源弹性扩容又可进行多副本容灾的分布式架构，具有动态可扩展性，可把企业其他业务快速、高效地部署到大数据平台上，提高系统的可靠性与安全性，不再受制于传统数据平台存储和性能瓶颈，满足大数据存储、开放与共享、关联分析及价值挖掘等方面的需求。

3.2 逻辑架构

逻辑架构如图6所示。

图6 逻辑架构

1)数据源。通过在服务器上开发的Socket端口，提供数据接收的接口。

2)数据获取层。通过Flume的插件，将收到的数据解析、过滤无效数据，转换成有效数据向后台进行发送。

3)数据导入层。通过Flume的组件，将数据导至2部分： ①直接导入到HBase中； ②将数据传入Kafka的队列中。

4)数据加工层。通过Spark-Streaming从Kafka的队列中获取数据；再从Redis的数据库读取系统的配置信息，对数据进行检测和补充；然后按照规则进行统计汇总。

5)数据核心存储层。采用HBase存储2个部分内容： ①保存加工后的汇总数据； ②存储分析的结果，包括每日、每月、每年及整个生命同期的平均值、最大值、最小值、中位数、众数、核心最大值、核心最小值、直方图数据。

6)数据分析处理层。通过统计分析、数据挖掘、机器学习等对大数据进行分析处理。

7)数据查询接口。用户可以查询项目及隧道掘进机的各类指标。

3.3 数据库设计

为了快速、及时地在隧道掘进机海量数据中查询，对运行的明细数据及修正过的数据进行分析和统计汇总，统计分析的中间及结果数据都保存在HBase的数据库中，并对一些重要数据创建对应的Hive表，方便离线分析。

系统设置3个采集机作为负载均衡采集设备，防止单点故障。每个采集机本身不具备负载均衡能力，负载均衡能力由外部信源模块实现。单个隧道掘进机数据锁定主采集机，故障时启用备用采集机，不同的隧道掘进机均匀选择不同的采集机作为主采集机器。

4 平台功能模块设计及应用

隧道掘进机工程大数据管理平台包括智能监测、数据分析、协同管理、大数据应用4个功能模块。

4.1 智能监测

数据监测主要功能是实时显示，实现对隧道掘进机施工关键数据的远程监测，可满足不同厂家(如海瑞克、罗宾斯、中铁工程装备、小松等)、不同类型隧道掘进机(如土压盾构、泥水盾构、敞开式TBM、双护盾TBM等)的机器数据和导向数据的实时监控及关键工序的视频监测。该平台以行业地图、企业地图和项目地图三级地图巡航模式查找所需要的监控项目。企业地图界面如图7所示。

图7 企业地图界面

监测信息主要为工程信息、通讯状态、掘进状态、进度信息、关键参数、导向和视频。根据掘进装备类型不同，监控的内容也不尽相同，因此，在此界面下对土压平衡盾构、泥水平衡盾构和TBM进行区别，根据用户项目类型自动进入对应的界面。以土压平衡盾构为例，数据监控主要包含： 主界面、泡沫注浆、铰接注脂、导向系统、掘进报告。主界面如图8所示，根据设定时间刷新页面，获取最新机器数据。机器数据主要包含土舱压力，推进速度，盾体位姿，推进油缸压力和位移，刀盘、膨润土及螺旋输送机等相关数据。

图8智能监控主界面

Fig. 8 Main interface of intelligent monitoring

智能监测模块可实现对多厂家、多类型的隧道掘进机施工状态进行有效监测管理，实现对关键掘进参数等信息的远程在线实时监测，对施工现场视频监控。管理人员和专家随时随地可通过计算机或下载手机客户端查看隧道掘进机的工作状态、掘进参数和运行记录，对施工进行指导，发现异常及时处理，减少误操作，提高施工效率，有效保障施工安全。

4.2 综合分析

综合分析主要包括施工平面图、纵断面图、综合参数、掘进参数、导向参数、管片姿态参数和沉降监测参数7个模块。

通过施工平面图可查看隧道掘进机掘进的线路走向和监测点信息、地表信息，还可查看隧道的报警点和报警程度。点击检查点，可跳出框图，显示该监测点基本信息和沉降量折线统计图表； 通过施工纵断面图，可查看地层信息、勘探孔位置及风险源位置，如图9所示。

综合分析主要是将施工情况数字化、表格化、图像化，管理人员可对同一项目不同环数的关键参数和业务管理数据进行运行趋势分析、相关性对比分析，可及时发现、解决施工中存在的问题，如图10所示。

4.3 协同管理

协同管理主要包括基本信息、决策管理、风险管理、设备管理、施工管理、测量管理，如图11所示。该模块主要功能是满足业务管理部门的管理需求，其数据源是存储于大数据集群的隧道掘进机施工参数的历史数据和存储于业务数据库的业务数据。

图9 施工纵断面图

图10 掘进参数分析

图11 协同管理功能框图

基本信息包括工程分布和综合台账。工程分布是对隧道掘进机数量、在建项目、归档项目等信息进行统计，展示行业及各公司、片区的隧道掘进机数量、行业占有率、类型、分布数量及比率；综合台账包括在建及归档项目的主要信息，使管理人员对隧道掘进机的市场状况有一个全面掌控。

决策包括风险决策、进度决策、设备决策。决策管理可实现对项目风险、进度的综合管理，设备的红黄蓝分级预警，以及跨项目设备台账查询，有利于技术管理人员全面把控项目人、机、料和进度，防控风险和进度滞后，为设备调度提供参考，更好地协调业务、高效高质决策。

风险管理包括工程风险台账、状态预警、参数预警、沉降预警、姿态预警、方案预警及推送管理等，由此建立立体风险防控及预警体系，全面把控施工风险和质量风险。

设备管理包括台账管理、履历资料、方案管理、掘进报表、维修管理、实时故障、刀具管理、主司机台账等。提取设备故障报警信息，及时推送至相关责任人，对设备进行全寿命周期管理，以更好地发挥设备功效。

施工管理模块相关数据信息由工程项目工程部负责录入。通过进度管理、工序管理、地质管理、出土量管理、注浆量管理、方案管理、施工报表等，并对进度、出土量、注浆量等设置阈值，若超过设定阈值则报警，并向相关人员推送报警信息，由此建立综合施工管理体系，把控施工的各个环节，为连续、高效、文明施工保驾护航。

测量管理模块数据由子分公司测量队录入，包括： 导向系统台账、测量仪器台账、测量人员信息、测量装备调拨记录、控制测量管理、DTA资料档案、测量报警参数设置等。建立全方位追踪体系，明晰责任，确保施工安全和隧道成型质量。

通过业务协同管理模块可满足多层级管理部门业务需求，开展各层级日常业务的在线管理，提升信息化和精细化管理水平， 减少管理人员的工作量，有效保证项目的施工工期，提高规避风险的能力，优化施工资源。

4.4 大数据应用

大数据应用是在现有数据的基础上更高级的应用，主要包括关键参数关联分析、掘进参数预测优化、异常事件预警、姿态智能控制、装备选型设计自适应预警、刀具故障预测预警、可视化辅助巡航等功能。目的是对施工数据进行规律性总结、预测隧道掘进机装备故障及可能存在的施工风险，提高施工和装备管理水平。

目前大数据应用已实现的功能和正在开展的研究包括以下几方面：

1)参数关联分析。主要包括关键参数、导向参数、沉降参数、管片参数4个部分。首先采用核心区域算法对数据进行清洗去噪处理，然后按照装备直径、装备类型、地质等多种维度，进行统计、分析、挖掘不同项目、不同设备的施工参数，最后得出关键参数控制参考值，以直方图、曲线图的形式为类似工况的在建或待建项目提供施工参考依据，如图12所示。

图12 关键参数关联分析

2)掘进参数优化。针对目前隧道掘进机掘进主要依靠主司机，易造成掘进效率低的问题，基于历史经验数据，归纳、总结隧道掘进机司机历史掘进施工经验，采用神经网络、随机森林对掘进参数进行运行预测，在保障安全的前提下以掘进效率(掘进速度)最大化为目标，建立参数优化模型，在系统界面上给出掘进参数参考值，系统会记录该指令，并且与隧道掘进机实时数据进行对比分析，指导隧道掘进机司机操作。

3)异常事件预警。梳理隧道掘进机在掘进过程中突发的异常事件，基于经验数据进行数据的挖掘分析，探索关键掘进参数变化规律与异常事件之间的对应关系，建立异常事件知识库。在隧道掘进机掘进中实时提醒操作人员注意异常状况，避免造成重大事故。

4)装备选型设计。结合大数据，从多工程施工数据、工序、技术及风险等方面分析，根据类似地质、装备直径及装备类型等方面开展选型。通过大数据分析装备运行效率与关键零部件使用寿命的关键影响因素，研究各因素与关键零部件质量设计之间的规律，形成大数据支撑的关键部件设计选型规则。合理的选型能够明显提升掘进效率，也避免了试运行阶段的再次改造和掘进中工程问题的发生，有利于提升施工企业的盈利水平，同时也更加环保。

大数据的分析挖掘是一个持续的过程， 因此，下一步准备在大数据应用上开展如下几个方面的研究：

1)自适应预警。基于支持向量机的自适应预警模型，对温度、振动等物理参数实时处理，设置监测参数和报警阈值，自动识别异常和故障。

2)刀具故障预测预警。通过隧道掘进机实时状态的监测和判断，利用声发射等信息，基于深度神经网络等算法，对刀具故障进行预测和预警。

3)智能诊断。基于神经网络、遗传算法等人工智能算法，结合采集的状态信息，对隧道掘进机的关键零部件进行有效诊断。

5 结论与讨论

随着大数据和云计算技术逐渐发展成熟，信息化和智能化已成为隧道掘进机施工发展的必然方向，针对隧道掘进机行业复杂工况数据采集难、存储难的问题，突破了隧道掘进机大数据管理平台关键技术，构建了隧道掘进机设备、施工、风险、地质等全方位协同服务体系，打破了传统领域信息孤岛，实现了多厂家、多类型隧道掘进机施工状态远程统一在线实时监控和管理，为类似平台建设提供了技术支持，为大数据进行经验性数据分析挖掘奠定了基础。

下一步，将在隧道掘进机工程大数据管理平台的基础上，根据实际应用和需求情况对各个功能模块不断完善，特别是对大数据智慧应用进行不断创新。基于目前的海量数据进行机器学习和深度挖掘，优化控制参数，保障掘进效率和施工质量；对装备运行状态进行评估和故障预警，为轴承等关键部件的智能故障诊断提供有效的技术支撑。大数据应用技术的研究和应用将会带来更多的价值，并为隧道掘进机智能化施工创造有利条件。

参考文献(References)：

[1] 江玉生, 孙正阳, 杨志勇. 土压平衡盾构施工风险监控系统及参数预警研究[J]. 隧道建设(中英文), 2019, 39(7): 1083.

JIANG Yusheng, SUN Zhengyang, YANG Zhiyong. Construction risk monitoring system and parameter warning of EPB shield[J]. Tunnel Construction, 2019, 39(7): 1083.

[2] 杨志勇. “盾构施工实时管理系统”助力地铁隧道建设[J]. 市政技术, 2012, 30(4): 4.

YANG Zhiyong. "The real-time shield construction management system" facilitates metro tunnel construction [J]. Municipal Engineering Technology, 2012, 30(4): 4.

[3] 张恒. 基于Web的盾构机远程监控系统开发[J]. 隧道与轨道交通, 2018(1): 10.

ZHANG Heng. Development of web-based remote monitoring system of shield machine[J]. Tunnels and Rail Transit, 2018(1): 10.

[4] 程佳琛. 盾构施工信息化管理研究[J]. 价值工程, 2017, 36(20): 44.

CHENG Jiachen. Research on information management of shield construction [J]. Value Engineering, 2017, 36(20): 44.

[5] 金晶. 盾构机的监控及管理系统的研究[D]. 上海: 上海应用技术大学, 2017.

JIN Jing. Research on system of monitoring and management shield machine[D]. Shanghai: Shanghai Institute of Technology, 2017.

[6] 梁景春. 土压平衡式盾构机监控系统的设计[D]. 大连: 大连理工大学, 2011.

LIANG Jingchun. Supervision system design for earth pressure balance shields[D]. Dalian: Dalian University of Technology, 2011.

[7] 肖春春. 水下隧道盾构施工风险管理研究[D]. 兰州: 兰州交通大学, 2017.

XIAO Chunchun. Study on risk management of underwater shield tunnel[D]. Lanzhou: Lanzhou Jiaotong University, 2017.

[8] 张静, 施烨辉, 卢浩, 等. 隧道盾构施工风险信息系统研究[J]. 现代城市轨道交通, 2015(2): 77.

ZHANG Jing, SHI Yehui, LU Hao, et al. Study on risk information system in tunnel shield construction [J]. Modern Urban Transit, 2015(2): 77.

[9] 王俊彬, 徐明辉, 余继庭. 盾构施工信息监控管理系统在盾构施工管理中的应用[J]. 现代制造技术与装备, 2018(8): 139.

WANG Junbin, XU Minghui, YU Jiting. Application of shield construction information monitoring and management system in shield construction management [J]. Modern Manufacturing Technology and Equipment, 2018(8): 139.

[10] 徐剑安, 孙志洪, 孟祥波, 等. B/S模式盾构信息管理平台的应用研究[J]. 自动化应用, 2017(2): 14.

XU Jian′an, SUN Zhihong, MENG Xiangbo, et al. Application research of B/S mode shield information management platform[J]. Automation Application, 2017(2): 14.

[11] 刘杰. 盾构施工实时数据远程交互软件开发与应用[J]. 地下工程与隧道, 2016(2): 19.

LIU Jie. Development and application of real-time data remote interactive software of shield construction[J]. Underground Engineering and Tunnels, 2016(2): 19.

[12] 华振. 盾构集群化监控与异地决策管理系统的开发与应用[J]. 工程技术研究, 2018(15): 97.

HUA Zhen. Development and application of shield cluster monitoring and remote decision management system [J]. Engineering and Technology Research, 2018(15): 97.

[13] 陈文远, 张继宏, 王国庆. 盾构集群远程监控与智能化决策支持系统的开发与应用[J]. 施工技术, 2015, 44(13): 105.

CHEN Wenyuan, ZHANG Jihong, WANG Guoqing. The development and application of TBM cluster remote monitoring and intelligent decision support system [J]. Construction Technology, 2015, 44(13): 105.

[14] 张继宏. 城市地下空间产业大数据智能分析与服务平台建设及示范应用[J]. 自动化博览, 2016(9): 68.

ZHANG Jihong. Big data intelligent analysis and service platform construction and demonstration application of urban underground space industry[J]. Automation Panorama, 2016(9): 68.

[15] 刘承桓. 盾构机远程监控系统架构及关键技术研究[D]. 西安: 长安大学, 2014.

LIU Chenghuan. Study on architecture of TBM remote monitoring system and key technology[D]. Xi′an: Chang′an University, 2014.

[16] ABDESLAM Mehenni, ZAIA Alimazighi, TAREK Bouktir, et al. An optimal big data processing for smart grid based on hybrid MDM/R architecture to strengthening RE integration and EE in datacenter[J]. Journal of Ambient Intelligence and Humanized Computing, 2019, 10(9) : 3709.

[17] 韩朵朵, 刘会杰, 许爱雪. 基于Hadoop生态系统的大数据解决方案[J]. 石家庄铁路职业技术学院学报, 2019, 18(2): 71.

HAN Duoduo, LIU Huijie, XU Aixue. Big data solutions based on Hadoop ecosystem[J]. Journal of Shijiazhuang Institute of Railway Technology, 2019, 18(2): 71.