本发明专利技术公开了一种基于模型预测控制的盾构智能调向系统及控制方法。系统的盾构位姿测量模块采集盾构位姿数据并结合预设隧道设计轴线输出盾构位姿偏差值；数据采集模块采集并存储盾构参数；模型预测控制器接收盾构参数并输出推进油缸压力信号；油压位姿模块接收压力信号并调整盾构机位姿。方法包括：仿真系统设计模型预测控制器，构建智能调向系统；系统采集盾构数据并输出压力信号控制盾构机的推进油缸执行动作。本发明专利技术解决人工操作盾构机调向的问题，模型预测控制算法能够处理盾构调向过程中的耦合关系，更好适应系统变化和外部干扰，大大提升盾构智能化程度，同时有效解决了利用数学模型难以精确建立或无法建立复杂的盾构‑环境交互模型的弊端。
【技术实现步骤摘要】
本专利技术涉及了一种盾构智能调向系统，具体涉及一种基于模型预测控制的盾构智能调向系统及控制方法。
技术介绍
1、盾构机是一种高效、环保、安全的大型隧道挖掘设备。在施工过程中，盾构机需要按照隧道设计轴线进行掘进，盾构机实际掘进轴线与设计轴线偏差过大会直接导致隧道的形状和尺寸偏离设计要求，降低隧道施工质量、增加安全风险和施工成本。因此，根据设计轴线调整盾构的掘进方向，使实际的掘进轴线尽量吻合设计轴线，是确保隧道施工质量的关键。
2、传统的盾构机掘进方向的调整是依靠盾构司机人工操作的。盾构司机根据盾构导向系统测量出的当前盾构机与设计轴线的偏差，分别调节不同分区推进油缸的压力，从而改变盾构机的掘进方向。该过程构成了一个人类在环(human-in-the-loop)闭环控制系统，其中盾构司机主要起到分析偏差、做出决策和输出控制信号的作用。因此，传统的盾构机姿态调控高度依赖盾构司机的经验与直觉。然而，由于人-机-环境交互复杂、盾构的惯量极大、加之司机监控和操作的参数多，使得人工姿态调控准确性低、实时性差、调控滞后，在实际工程中盾构蛇形掘进问题突出。此外，在高噪声施工环境中长时间进行高强度的调控工作使盾构司机极易疲劳和注意力不集中，更加剧了人工调向的难度。盾构司机的培养周期长、培养成本高，优秀盾构司机的短缺也成为了行业面临的难题。针对上述传统盾构人工调向的缺陷，开发自动化、智能化的盾构调向技术是行业的发展趋势和研究热点，国内外展开了大量研究和开发工作。
3、目前，自动化、智能化的盾构调向技术的技术主要分为三类。其中，第一类是基于逻辑规则的方法，该类方法根据人工经验建立逻辑规则，通过所建立的逻辑规则将盾构位姿偏差信息转化为分区油缸控制指令，相当于采用逻辑编程的方法将人工调控自动化。专利cn1800583利用装有空间向量法计算程式模块的全站仪自动获取盾构位姿，根据选定的纠偏模式，利用盾构姿态自动纠偏软件计算该盾构位姿下盾构切口中心所处的编组位置，最后将计算结果和控制指令通过plc(programmable logic controller)模块传递给盾构推进系统的控制模块进行相应的调节，从而达到盾构姿态的连续自动纠偏的目的，该方法可减少操作人员的数量，调向偏差波动低于人工纠偏。专利cn102518446a利用激光全站仪测量盾构机前节部分、铰接部分和后节部分的实时位姿信息，并根据该信息计算前节部分、铰接部分和后节部分相对于隧道设计轴线的垂直面偏差和水平面偏差，以及盾构机整体在垂直面和水平面内的相对偏差和相对偏差变化量。同时还计算了盾构机前节部分、后节部分和盾构机整体的相对垂直偏角和水平偏角，并设置多个预设阈值，同时判断这些偏差是否超过预设阈值。当超过阈值时，控制器使用压力传感器测量的盾构机各分区千斤顶的推力或者盾构机主推力来确定纠偏方式，并确定执行纠偏的千斤顶的位置，根据经验公式确定执行纠偏的千斤顶压力值，控制其伸缩量，以调整盾构机前、后各部分的偏转姿态，最终实现盾构机掘进路线的控制。专利cn102606165a利用工控机接收来自激光自动位姿测量系统所传输的盾构机实时位姿数据，并与设计的盾构位姿数据相比较判断是否要向控制器发出纠偏控制信号，当纠偏控制信号发出后，控制器依据该信号向驱动机构发出驱动信号从而控制推进油缸和中折液压缸做出相应动作，对盾构机位姿进行调整，实现自动纠偏。第二类是基于机器学习类的方法，该类方法通过神经网络训练模型，获得由盾构机位姿偏差到调向指令的映射，相当于通过神经网络模型利用盾构机运行中可获得的信息提前获得盾构机位姿偏差或控制指令，实现盾构机的调控。专利cn109779649a提出了一种基于大数据的盾构掘进轴线实时纠偏系统，该系统通过对施工现场采集的盾构机刀盘扭矩、刀盘转速、推进速度、分区千斤顶行程、总推力、分区油压阀门开度、分区输出油压值、切口/盾尾的水平/竖直方向偏差、盾构坡度角、开挖面土压力、隧道设计轴线坐标变化量、盾尾间隙、开挖面土质信息等数据进行异常值处理和数据融合等预处理操作，并利用长短期记忆(long shortterm memory，lstm)自学习模型训练轨迹策略模块。轨迹策略模块可以确定盾构机在下一施工单元将调整到的目标位置，油压姿态模块则根据目标位置输出所需的分区液压缸压力值，控制盾构执行调向操作。此外，该方法还可以根据作业现场产生的新数据对轨迹策略模块进行优化，以期实现基于大数据的盾构轴线实时调向。专利cn108868807a提出一种盾构掘进纠偏的智能控制方法，该方法先将盾构推进油缸分成多个区域，并根据管片埋深和盾构历史施工数据，得到盾构各分区推进油缸的压力分配值。接着，控制器根据自动测量系统测量获得的盾构姿态与盾尾间隙的实时数据，对数据进行特征量提取并结合自定义的纠偏曲线方程和纠偏距离公式计算得到纠偏曲线及盾构推进距离，然后根据盾构推进距离，结合埋深和历史施工数据，通过随机森林算法，得到各分区推进油缸油压的调整值，并输出相应分区推进油缸油压，调整推进状态下的盾构姿态。盾构机推进一段距离后，盾构机姿态延伸至下个调整距离，计算该盾构机姿态与纠偏曲线之间的差距，得到纠偏评估量并加入到盾构姿态调整量中。此外，盾构姿态调整过程中的输出油压、姿态变化情况作为历史数据被存储下来，每推进10环使用这些数据训练随机森林预测模型。专利cn112922609a通过采集到的盾构掘进样本数据和导向样本数据训练门控循环单元(gate recurrent unit，gru)模型，得到了盾构机姿态预测模型。该姿态预测模型可对当前掘进数据和导向数据进行实时处理，并获得该状态下盾构机应输出的分区压力值和推进速度平均值，控制盾构机推进，从而实现盾构机的智能掘进。专利cn110195592a建立了混合深度学习模型wcnn-lstm(wideconvolutional neural networks-long short term memory)用于对盾构位姿进行预测，该模型以t+j时刻或者t+1至t+j时间段对应的盾构掘进参数作为输入，以t+j时刻或者t+1至t+j时间段内的盾构位姿信号作为输出，因此可以预测出在当前输入值下t+1至t+j时间段内的盾构机位姿预测值，并且可以与设计值比较得到偏差，若偏差超出允许范围，则盾构司机可以提前调整t+j时刻或者t+1至t+j时间段内施加在盾构机上的输入值，实现在盾构掘进尚未失准前预先完成纠偏操作。目前还出了一种基于大数据驱动的盾构姿态控制方法，该方法拥有两个子模型，一个子模型用于设定盾构姿态控制目标，另一个子模型用于体现盾构推进油缸压力与盾构位姿偏差之间的关系，通过两个子模型相互配合来生成盾构姿态调整策略，为盾构司机执行调向操作时提供了决策参考。上述技术都是基于监督学习的方法，此外，专利cn114019795a通过强化学习框架构建能够映射盾构机位姿偏差到调向指令的盾构仿真纠偏环境，并建立盾构纠偏决策模型，通过智能体的评估方法和值函数网络结构，在仿真环境中对盾构纠偏决策模型进行多轮训练后得到最终模型。最终模型将输出盾构各分区推进油缸压力值和刀盘转向决策方案，给予盾构司机参考，辅助盾构司机进行调向操作。第三类是基本文档来自技高网...
【技术保护点】
1.一种基于模型预测控制的盾构智能调向系统，其特征在于，包括：
2.根据权利要求1所述的基于模型预测控制的盾构智能调向系统，其特征在于：所述的盾构位姿偏差包括盾首水平偏差、盾尾水平偏差、盾首垂直偏差、盾尾垂直偏差和俯仰角；
3.根据权利要求2所述的基于模型预测控制的盾构智能调向系统，其特征在于：所述的模型预测控制器包括预测模型、优化算法、损失函数和约束条件，优化算法在约束条件下，计算出各分区推进油缸压力值并输出至预测模型，预测模型接收输入的盾构当前位姿偏差值、除盾构各分区推进油缸压力值外的当前盾构掘进参数、当前地质参数和盾构几何参数并处理后输出预测的盾构位姿偏差值至优化算法，同时更新损失函数，不断循环直至损失函数达到最小，最终输出当前时刻、当前状态下最优的各分区推进油缸压力值。
4.根据权利要求3所述的基于模型预测控制的盾构智能调向系统，其特征在于：所述的预测模型具体为全连接神经网络模型、卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。
5.根据权利要求3所述的基于模型预测控制的盾构智能调向系统，其特征在于：所述的优化算法具体为序列最小二乘二次规划、信任域约束优化、牛顿-共轭梯度法、蚁群算法或遗传算法。
6.根据权利要求3所述的基于模型预测控制的盾构智能调向系统，其特征在于：所述的损失函数具体如下：
7.根据权利要求3所述的基于模型预测控制的盾构智能调向系统，其特征在于：所述的约束条件包括根据各分区推进油缸实际允许最大、最小压力，从而约束优化算法输出的各分区推进油缸压力值范围；同时，约束条件还包括根据盾构推进油缸压力最大允许变化速率，从而约束优化算法输出的各分区推进油缸压力值的变化速率。
8.根据权利要求1-7任一所述的基于模型预测控制的盾构智能调向系统的控制方法，其特征在于，包括：
9.根据权利要求8所述的基于模型预测控制的盾构智能调向系统的控制方法，其特征在于：所述的步骤1)中，盾构智能调向仿真系统包括掘进参数预测模块和仿真模块，使用盾构智能调向仿真系统设计模型预测控制器，具体如下：
10.根据权利要求8所述的基于模型预测控制的盾构智能调向系统的控制方法，其特征在于：所述的盾构掘进参数包括盾构各分区推进油缸压力值、盾构总推进力、推进速度、刀盘转速、刀盘扭矩、注浆压力和铰接压力；
...
【技术特征摘要】
1.一种基于模型预测控制的盾构智能调向系统，其特征在于，包括：
2.根据权利要求1所述的基于模型预测控制的盾构智能调向系统，其特征在于：所述的盾构位姿偏差包括盾首水平偏差、盾尾水平偏差、盾首垂直偏差、盾尾垂直偏差和俯仰角；
3.根据权利要求2所述的基于模型预测控制的盾构智能调向系统，其特征在于：所述的模型预测控制器包括预测模型、优化算法、损失函数和约束条件，优化算法在约束条件下，计算出各分区推进油缸压力值并输出至预测模型，预测模型接收输入的盾构当前位姿偏差值、除盾构各分区推进油缸压力值外的当前盾构掘进参数、当前地质参数和盾构几何参数并处理后输出预测的盾构位姿偏差值至优化算法，同时更新损失函数，不断循环直至损失函数达到最小，最终输出当前时刻、当前状态下最优的各分区推进油缸压力值。
4.根据权利要求3所述的基于模型预测控制的盾构智能调向系统，其特征在于：所述的预测模型具体为全连接神经网络模型、卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。
5.根据权利要求3所述的基于模型预测控制的盾构智能调向系统，其特征在于：所述的优化算法具体为序列最小二乘二次规...
【专利技术属性】
技术研发人员：张亚坤，谢明睿，龚国芳，王帅，周星海，郇泉，韩冬，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。