基于MLP-ARX模型盾構自動掘進技術研究與應用

蔡 杰

(中國鐵建重工集團股份有限公司，湖南 長沙 410100)

0 引言

盾構廣泛應用于地鐵、市政、管廊、城際鐵路等工程，作業過程涉及復雜的人機環境交互，是機、電、光、液多場強耦合的現代復雜機電系統，解析模型難以獲取；受施工環境和掘進機運行工況等不確定因素影響，具有非線性、不確定性、多變量強耦合等特點，導致掘進過程的自動控制技術尚不成熟，目前主要依賴人工操作經驗，主觀性很大，且由于地質條件復雜多變，監測與控制參數繁多，操作失誤可能引起嚴重事故。因此，掘進機智能化、少人化是必然的發展趨勢。

在盾構智能掘進研究方面，已有不少專家學者開展了相關工作。運用傳統的PID控制器與模糊控制理論方面，李月強等[1]提出一種應用模糊控制技術設計的糾偏控制器，取得了一定的糾偏效果；胡國良等[2]采用自整定PID控制技術，實現了螺旋輸送機的自動排土控制；羅力維等[3]引入自適應模糊控制，組成通過即時檢測刀盤轉矩來控制盾構進給的智能控制設備；劉肖楠等[4]提出基于粒子群算法優化PID控制器參數的糾偏控制策略，設計了液壓推進系統的糾偏控制器；路平[5]基于盾構施工參數現場數據，采用模糊集合理論確定了掘進參數的最優取值范圍，用于地表沉降的優化控制。神經網絡的應用[6-9]對盾構智能化有著重要作用，基于歷史掘進參數訓練神經網絡，在掘進過程中輸出最優控制參數，可實現部分控制與預測的功能。丁保軍等[10]基于動態貝葉斯網絡(DBN)理論提出了盾構隧道施工參數優化方法；Zhou等[11]提出了一種應用混合深度學習模型的盾構掘進姿態和位置預測框架，用于確定盾構的姿態和位置；張娜等[12]通過分析巖體狀態參數與TBM掘進參數的聯系，建立巖機信息感知互饋模型，實現了掘進參數的預測以及掘進狀態評價。運用回歸分析技術方面，郭澤坤[13]建立了偏差變化量回歸模型，通過建立關聯規則，匹配獲取每環偏差量對應的掘進參數，將絕對誤差最小的數據作為最優參數建議值；李守巨等[14]建立了描述土壓平衡系統時滯特性的自回歸滑動平均模型，驗證螺旋機轉速對下一時刻密封艙壓力的調整具有明顯的時滯特性；Salimi等[15]開發了分類與回歸樹分析和多元回歸分析2種不同模型，用于推進速度預測研究。

然而，現有的控制模型多為預測盾構掘進參數的輔助決策手段，難以在隧道施工中代替盾構司機實現自動控制。鑒于此，本文研發一種盾構自動掘進系統，以歷史掘進數據為基礎，采用MLP-ARX(多層感知機自回歸)模型建模方法，開發能描述盾構掘進過程中相關變量動態關系特征的模型，實現盾構推進過程自動預測控制，并開發模型在線更新方法，使模型能夠適應地質條件以及盾構本身動態特性的變化，并成功應用在深圳地鐵14號線管線工程隧道。

1 數據預處理

盾構在掘進過程中產生海量實時信息，為了建立準確的盾構預測控制模型，必須充分挖掘歷史數據，摸清數據之間的規律。

1.1 建模參數選擇

從長沙地鐵6號線某施工盾構存儲的歷史施工數據中，篩選包括導向里程、刀盤轉速、推進速度、土壓力、總推進力等數據。在存儲的大量數據中存在異常數據以及非工作段的數據，對研究掘進參數的優化決策有負面的影響，需要進行過濾。

1.2 非工作段數據過濾

在盾構施工過程中，除正常掘進工作外還有非掘進工作狀態，例如管片拼裝、日常維護、刀具更換、異常停機等，需要過濾該數據。

在非工作段狀態下的數據中，推進速度、總推力和刀盤速度等多個字段參數為0。據此設定實時判別函數如下：

(1)

式(1)為二值判別函數。當x>0時，說明數據為正常掘進工作狀態值；當x≤0時，數據為非掘進工作狀態值。通過多個參數的二值判別剔除非掘進工作狀態數據。

1.3 工作段異常數據過濾

正常工作掘進段中包含了啟動段與平穩段2個部分，如圖1所示。

圖1 掘進周期推進速度的變化

該數據段仍有數據值異常的點，如超過盾構額定指標的數據點，過濾掘進參數的異常值采用移動平均(moving average，MA)方法實時處理。即：

(2)

采用N個時間序列的均值與標準差，作為實時判定當前時刻平穩段掘進數據異常與否的依據。

2 掘進過程預測控制

由于土壓平衡盾構推進系統結構復雜，基于力學機制建立機理模型較為困難，尚無完善的可以描述推進系統動態特性的機理模型，而傳統的線性ARX模型難以表現盾構的全局非線性動態特性。本文研究一種新型基于MLP-ARX模型的土壓平衡盾構掘進參數建模方法，其目標是建立推進速度、土艙壓力、油缸推力及刀盤轉速之間的精確模型，實現推進速度、土壓平衡以及導向糾偏等自動控制。系統控制流程如圖2所示。

圖2 系統控制流程圖

2.1 推進系統MLP-ARX模型

2.1.1 建立MLP-ARX模型

首先，確定推進參數預測非線性ARX模型結構；其次，使用多層感知機擬合該ARX模型的非線性回歸系數，使其具有非線性特性描述能力。構造推進參數MLP-ARX模型結構如下：

(3)

考慮到盾構周期工作的特點，一個工作段數據偏少，故提取多個連續工作段數據作為MLP-ARX建模樣本，訓練集和驗證集的比例為8∶2。

為了尋求最優的建模結構，結合網格搜索的方式，以MSE(均方誤差)為依據，對MLP輸入層特征變量進行選擇，以MSE最小時所對應的階次作為模型的階次，結構搜索范圍為：

(4)

式中：ly、lu、ld分別為系統輸入、輸出、干擾信號在MLP模型中對應的階次；h0(t)為MLP輸入層所有節點的集合；y、u、d分別為MLP端所輸入的對應階次的被控量、控制量、可測干擾量實際值。

2.1.2 模型訓練與優化

通過對MLP-ARX模型中MLP網絡結構的訓練，可獲取MLP-ARX模型的參數。該MLP模型的輸入、輸出及中間隱含層的計算過程如下：

(5)

式中：Input_main為MLP端的輸入；第k個隱藏層的輸入為In_k、輸出為Out_k；中間狀態量為Temp_k。

每個隱藏層有2組參數，分別表示權重和偏置。權重用i×j的二維矩陣W表示，偏置使用大小為1×i的一維矩陣b表示。輸出層的節點個數為p+q+3s+1，此層的輸出即為MLP-ARX模型的參數，可得到模型的預測輸出為：

(6)

通過極小化MLP-ARX模型預測輸出與實際值的偏差，獲得推進系統MLP-ARX模型的參數估計值：

(7)

采用梯度法對MLP-ARX模型進行參數優化，使用Adam優化式(7)，并采用學習率逐漸下降的方式更新模型參數，以獲取精度更高的模型。

由于MLP端最終輸出節點總個數由ARX模型回歸系數階次所決定。在對MLP模型進行參數優化之前，使用最小二乘法對線性ARX模型系數進行估計，選擇AIC(赤池信息化準則)值最小的線性ARX模型階次作為MLP-ARX模型中ARX端的階次，從而確定最終的模型結構。優化后MLP-ARX模型的結構參數見表1。

表1 MLP-ARX模型結構參數

由于不同隧道工程及同一隧道不同施工段的地質條件存在差異，運用在線自適應建模設計，將地層參數的識別融入到在線自適應模型中，根據盾構推進過程中的工藝參數采樣值，構建反映地質條件變化情況下的推進過程動態特性模型。基于設備最新運行數據進行模型在線更新、參數優化，以適應地質條件的變化以及盾構本身動態特性的變化。

2.2 自動掘進控制系統設計

采用兩級控制架構，上級控制采用預測控制算法給出工藝變量的最優設定值，下級控制采用PID控制器使工藝變量的實際值跟隨設定值。

基于MLP-ARX模型預測控制的算法結構如下：

(8)

式中：y為被控輸出；u為控制量；v為過程干擾變量；ai,t-1、bi,t-1、ci,t-1為在線自適應模型的系數；ka、kb、kc為模型階次；ξ為建模誤差。

預測控制系統根據實際反饋值與模型預測值偏差校正模型輸出，并利用校正后的預測輸出與參考軌跡的偏差通過二次規劃求解多步最優控制量，對實際控制值進行調節，逐步達到目標值。

1)推進速度預測控制以推進速度設置信號和總推進力為控制輸入，同時考慮到刀盤速度和土壓力的影響，及土壓力、導向偏差預測控制協調工作,通過下級控制器——螺旋機速度、B和D(A和C)區油缸壓力及推進速度PID控制器自動控制盾構的推進速度。

2)土壓力預測控制以土壓力測量值、螺旋機速度測量值、螺旋機速度設置為控制輸入，同時考慮到推進速度平均值和總推進力的影響，給出螺旋機速度、推進速度平均值和總推進力的最優設定值，通過下級控制器——螺旋機速度PID控制器、主推進油缸壓力PID控制器及推進速度預測控制協調工作，達到自動控制土壓力的目的。

3)水平(垂直)導向偏差預測控制，考慮到推進速度和總推進力對水平導向偏差信號的影響，給出B(A)區油缸壓力與D(C)區油缸壓力差的最優設定值，通過下級控制器——B和D(A和C)區油缸壓力PID控制器及土壓力、推進速度預測控制協調工作，使分區油缸壓力達到最優設定值。

3 工程應用驗證

3.1 工程概況

在深圳地鐵某線路1#—2#綜合井區間進行工程應用。該工程采用土壓平衡盾構施工，區間隧道長度為664 m，地質以礫砂為主，屬Ⅰ級松土，伴隨著少量粉質黏土、中砂和變質粉砂巖等地質，隧道巖層基巖面起伏，存在上軟下硬現象，砂層為主要含水層，有涌水涌砂風險。地下水初見水位埋深0.40～27.00 m，高程13.58～91.29 m；穩定地下水位埋深0.50～29.80 m，高程14.83～89.02 m。線路最大曲線半徑為500 m，最小半徑為300 m，底板埋深11.62～15.33 m，地質情況如圖3所示。

圖3 試驗區間地質示意圖

3.2 應用效果

開發的自動掘進控制系統現場調試如圖4所示，對自動控制算法現場實時控制驗證。

(a)

3.2.1 自動與人工控制效果對比

在該工程的實際應用中，以系統的控制精度與穩定性作為主要評價標準，即控制精度達到預期的控制目標并可長時間保持穩定。以某一時段的實際控制為分析目標，其中，推進速度控制誤差(設定值與控制值的差值)可保持在≤5 mm/min，土壓力控制誤差可保持在≤10 kPa，水平與垂直導向的控制精度可控制在2 mm以內。自動控制效果如圖5—7所示。人工操作控制效果如圖8和9所示。

(a)推進速度

(a)A區壓力

(a)土壓力

(a)土壓力

可以看出，針對土壓力、推進速度、盾首水平導向偏差的自動控制基本滿足預期的控制要求。其中，推進速度控制可以長時間將速度穩定在目標值附近；土壓力控制可將土壓力穩定在目標值附近，并在土壓力發生微小的波動時，通過快速調整螺旋機速度和推進速度等來保持土壓力恒定；導向糾偏效果良好，推進油缸壓力變化的響應速度很快，能及時通過調整油缸壓力從而進行導向糾偏。而在人工操作狀態下，難以長時間保證推進速度、土壓力和導向偏差信號穩定在期望的區間內。自動控制狀態下控制穩定性好，能快速響應系統變化。

(a)盾首水平導向偏差

3.2.2 掘進參數自適應控制效果

在實際工程中，掘進參數可隨地質條件變化進行適當調整，地質變化時參數自動控制效果如圖10所示。

(a)推進速度

由圖10可知，由于地質條件會發生變化或者出現孤石、涌水等情況，導致掘進參數會出現瞬時的較大變化。當地質發生變化后，基于MLP-ARX模型的控制網絡會迅速響應，調整相關控制變量，使掘進參數能快速恢復到目標值附近。從波動調整到相對穩定的過程，調整所花時間的長短很大程度上依賴于當時掘進的地質情況，地質情況不同，調整的時間也不相同。總體來說，基本可以滿足自動控制的要求。

選取若干時間段的控制誤差進行對比，分析MLP-ARX模型對推進速度、土壓力、水平與垂直導向糾偏的自動控制效果，見表2。由表2可知，系統的自動控制結果均在允許的誤差范圍之內。綜上所述，基于MLP-ARX模型所設計的盾構自動掘進控制系統基本滿足實際推進控制要求，具有一定的工程應用前景和價值。

表2 推進系統不同時段控制結果

4 結論與討論

盾構自動掘進控制系統的成功應用，實現了盾構推進過程的多變量協調優化控制，無需人工干預，極大地緩解了盾構司機的操作壓力，降低了對施工情況誤判的發生，提高了施工質量和效率。主要結論如下:

1)開發了能夠描述盾構推進速度、土艙壓力、水平和垂直導向偏差動態特性的在線MLP-ARX建模與優化技術，基于所構建的模型開發了盾構推進速度、土艙壓力和導向糾偏的自適應預測控制系統，實現了推進過程的多變量協調優化控制。

2)現場實時建模與控制結果表明，推進過程動態特性建模效果好、控制性能優越。

3)提高了盾構施工的智能化水平，降低了工人勞動強度和對施工情況誤判的發生。通過人工掘進數據和自動控制數據分析，人工調節時推進速度>20 mm/min，土壓力>20 kPa，波動范圍大；自動控制時推進速度控制誤差≤5 mm/min，土壓力控制誤差≤10 kPa，系統調節更穩定，從而提高施工質量和效率。

下一步可通過多個工程應用和運行數據分析，綜合考慮各種地質影響，不斷完善盾構自動推進控制系統。