买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京地铁运营有限责任公司申请的专利一种轨道交通全场景智慧施工协同控制方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120951834B 。

龙图腾网通过国家知识产权局官网在2026-02-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511485124.8，技术领域涉及：G06F30/27；该发明授权一种轨道交通全场景智慧施工协同控制方法及系统是由娄树蓉;杨旭;朱传翔;杨昊坤设计研发完成，并于2025-10-17向国家知识产权局提交的专利申请。

本一种轨道交通全场景智慧施工协同控制方法及系统在说明书摘要公布了：本发明涉及一种轨道交通全场景智慧施工协同控制方法及系统，构建“统一数据底座——动态数字孪生引擎——协同控制平台”三层闭环架构，通过统一数据底座实时采集并融合多源异构数据，基于时空对齐协议进行同步处理；利用动态数字孪生引擎构建实时数字孪生模型，采用图神经网络与物理约束模型融合的方式对施工场景进行动态演化预测；基于实时数字孪生模型，通过协同控制平台采用多智能体强化学习算法对多台施工设备进行自主路径规划、任务分配与故障预测，实现设备间协同作业与风险前置控制。本发明能够打破数据壁垒，实现高保真实时孪生并具备自主协同控制能力，显著提高施工效率、降低安全风险并减少人工干预。

本发明授权一种轨道交通全场景智慧施工协同控制方法及系统在权利要求书中公布了：1.一种轨道交通全场景智慧施工协同控制方法，其特征在于，包括以下步骤： S1、通过统一数据底座实时采集并融合来自BIM模型、GIS系统、IoT传感器、施工设备PLC及人员定位系统的多源异构数据，并基于时空对齐协议对所述数据进行同步处理； S2、基于所述同步后的数据，利用动态数字孪生引擎构建施工现场的实时数字孪生模型，并采用图神经网络与物理约束模型融合的方式对施工场景进行动态演化预测； S3、基于所述实时数字孪生模型，通过协同控制平台采用多智能体强化学习算法对多台施工设备进行自主路径规划、任务分配与故障预测，实现设备间协同作业与风险前置控制； 其中步骤S1具体包括： S11、数据采集：从各个数据源实时采集数据； S12、基于时空对齐协议对所述数据进行同步处理：为确保数据在统一时空基准下融合，采用以下子步骤进行处理： S121、UTC时间戳：为每条采集到的数据打上精确的UTC时间戳，确保时间维度的一致性； S122、基于施工区域的空间哈希编码对数据进行空间索引：将施工区域划分为网格，并为每个网格分配唯一的哈希编码；数据采集后，根据其地理位置映射到对应的网格，形成空间索引； S123、采用滑动窗口机制对时空冲突数据进行对齐与插值补偿：设置一个滑动时间窗口，窗口大小根据数据更新频率动态调整；当数据在时间或空间上存在冲突时，通过滑动窗口内的数据进行加权平均或插值计算，补偿冲突数据，确保数据的准确性和连续性；若同一传感器在短时间内出现多个读数，取窗口内读数的均值作为最终值；对于空间冲突，根据设备优先级或人员安全级别进行权重分配后计算最终位置； S13、数据融合与输出：经过时空对齐处理后，将各数据源的数据融合为统一格式的流式数据，通过Kafka消息队列实时输出至统一数据底座，供后续动态数字孪生引擎和协同控制平台使用； 其中步骤S2具体包括： S21、定义施工现场的实体和关系，将实体作为图的节点，实体间的关系作为图的边，并将数据映射到图结构中，为后续特征提取和预测提供基础； S211、施工实体与关系定义：将施工现场的各类实体作为图的节点，施工实体之间的关系作为图的边； S212、数据映射：将从统一数据底座获取的同步数据映射到图结构中；每个节点包含实体的几何、属性和状态信息，每条边包含实体之间的交互信息； S22、利用图神经网络聚合节点及其邻居的信息，通过多层图卷积操作提取施工场景的拓扑演化特征，生成反映施工实体状态及其交互情况的高级特征表示； S23、引入物理约束模型对图神经网络的输出进行校正，确保预测结果符合实际施工的物理规律，限制盾构机的推力和扭矩； S24、结合图神经网络提取的特征和物理约束模型的校正结果，动态数字孪生引擎输出下一时刻施工状态的预测结果，并将预测结果实时反馈至协同控制平台，为智能决策提供数据支持； 其中步骤S22具体包括： S221、图神经网络构建：采用图神经网络GNN模型；通过聚合节点及其邻居的信息，提取施工场景的拓扑演化特征；通过聚合盾构机及其周边环境的信息，提取掘进过程中的力学特征； S222、图卷积层设计： S2221、第一层图卷积层：对节点特征矩阵X进行线性变换，公式为H0=XW0， 其中W0为第一层权重矩阵，是通过训练学习得到的参数矩阵; 通过计算每个节点邻居特征的加权和，得到新的特征表示，公式为H1=σAH0W1，其中W1为第二层权重矩阵，σ为ReLU激活函数；使盾构机节点融合隧道段地质信息，隧道段节点融入盾构机掘进参数，人员节点结合盾构机运行状态跨实体信息； S2222、第二层图卷积层： 基于第一层输出H1，进行线性变换，公式为H2=σAH1W2，其中W2为第三层权重矩阵；聚合邻居信息：继续通过邻接矩阵A聚合邻居信息，强化施工实体间交互影响的特征表征； S2223、第三层图卷积层： 利用第二层输出H2，进行最终线性变换，得到施工实体的高级特征表示，公式为H3=H2W3，其中W3为第三层权重矩阵； S2224、特征提取：GNN模型在每一时间步对图结构进行特征提取，输出每个节点的特征向量，特征向量反映施工实体在当前时刻的状态及其与周围环境的交互情况； 其中步骤S23具体包括： S231、物理约束定义：引入物理约束模型，对施工力学行为进行边界限制；物理约束模型根据施工实体的物理属性和力学规律，对图神经网络的输出进行校正；对于盾构机掘进，物理约束模型根据土力学原理，限制盾构机的推力和扭矩； 根据土力学原理，盾构机掘进时的推力F应满足土体的极限平衡条件；推力约束公式为： 盾构机掘进时的扭矩T与土体的抗剪强度有关；扭矩约束公式为： 其中，土体的内摩擦角ϕ、土体的黏聚力c、土体的重度γ、盾构机刀盘直径D、盾构机掘进速度v； S232、边界限制：物理约束模型对图神经网络提取的特征进行校正，确保预测结果符合物理规律；若图神经网络预测的盾构机推力超出物理约束范围，物理约束模型将对其进行调整，使其符合实际施工条件。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京地铁运营有限责任公司，其通讯地址为：210008 江苏省南京市玄武区中山路228号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。