0 引言
随着我国城市化进程加快和对地下空间需求不断提升,地下工程建设的规模和复杂程度不断增加[1]。国家“十四五”规划明确提出“统筹地上地下空间利用”。可以预见,在以地下空间利用为重点的城市发展过程中,隧道工程在未来较长一段时间内将保持增长趋势。在众多隧道建设方法中,盾构法因其适应性强、施工周期短、安全性高、对地面环境影响小等优点,逐渐成为隧道修建的主要工法[2]。然而,盾构掘进施工所面临的地质条件、周边环境以及施工工艺都非常复杂,再加上盾构自身的复杂构造以及易受多种不确定因素综合影响,长期面临盾构姿态失准的难题[3]。盾构姿态失准是指盾构掘进姿态偏离隧道设计轴线,出现水平或垂直偏差过大的现象,对工程项目的工期、成本、质量和安全都可能造成重大影响[4]。
传统的盾构姿态控制主要依赖于人工经验,由驾驶员根据导向测量系统的反馈数据来调节推进液压油缸的压力。这种方式容易受到驾驶员的能力、身体状况、情绪等个体主观因素的影响,存在较大的局限性[5]。因此,盾构姿态的自动控制引起了学术界和业界的广泛关注。德国海瑞克股份公司、日本大成建设集团、日本东洋工业公司、马来西亚MMC公司、上海隧道工程有限公司、中铁工程装备集团有限公司等相关企业都开展了无人盾构的研究工作,以实现盾构姿态的自动控制[1]。其中,MMC公司在吉隆坡MRT2项目中运用PID算法实现盾构姿态的自动调整;东洋工业公司也使用PID实现盾构姿态偏差的控制目标。与此同时,国内外研究人员在盾构掘进姿态控制的理论研究方面开展了一定探索,推进盾构法向智能化发展[6-8]。但是,现有研究仅针对单一盾构姿态控制算法展开论述,尚未开展对各类控制技术的系统性总结,难以全面了解盾构掘进姿态控制技术的研究现状和未来发展趋势。
本文分析检索自CNKI(中国知网)数据库截至2023年12月收录的32篇与盾构掘进姿态控制技术相关的文献,在详细梳理盾构姿态的表征参数及其影响因素的基础上,总结出5种典型的盾构姿态控制技术;根据梳理出的32篇相关文献,对这些控制技术的研究现状进行分析;结合存在问题,梳理出盾构掘进姿态控制技术的未来发展方向。32篇相关文献发表年份分布如图1所示。
图 1 32 篇相关文献发表年份分布图
1 盾构掘进姿态控制的基本原理
1.1 盾构掘进姿态的表征参数
为确保盾构能够按照隧道设计轴线(designtunnelaxis,DTA)进行掘进,需要准确了解当前盾构的位置和姿态。盾构掘进姿态的趋势和偏差变化是评估施工安全与质量所需的关键信息[9]。盾构姿态的变化主要通过位移和角度来体现,如图2所示。在位移方面,通常采用盾构首尾圆心与DTA的偏差值来描述盾构姿态偏差,主要包括盾尾水平偏差(horizontaldeviationofshieldtail,HDST)、盾尾垂直偏差(verticaldeviationofshieldtail,VDST)、盾头水平偏差(horizontaldeviationofshieldhead,HDSH)、盾头垂直偏差(verticaldeviationofshieldhead,VDSH)4个参数[10]。在角度方面,盾构在掘进过程中会出现3种方向的姿态变化,通常用俯仰角、水平角和转动角表示[11]。其中,俯仰角指盾构中心轴线与水平面之间的夹角,表征盾构掘进过程中垂直方向的偏转情况;水平角指盾构掘进方向在水平面上的投影与隧道设计轴线的夹角,表征施工过程中盾构在水平方向的偏转情况;转动角指盾构绕自身中心轴线转动的角度,表征盾构刀盘反作用力引起盾构旋转的情况[12]。
图 2 盾构掘进姿态表征参数
1.2 盾构掘进姿态的影响因素
盾构掘进姿态影响因素如图3所示。由于盾构掘进周围环境的多变性和盾构自身结构的复杂性,其掘进姿态往往受到多个因素的影响,主要包括几何参数、地层参数和盾构掘进参数[13]。
图 3 盾构掘进姿态影响因素
1.2.1 几何参数
影响盾构掘进姿态的几何参数主要包括隧道偏转量、管片拼装点位和隧道埋深。当盾构姿态发生偏差时,通常采用改变油缸压力的方式进行调整,但容易忽略隧道的偏转量与盾构的偏转量是否相匹配[14]。为防止盾构掘进线形和管片拼装线形的冲突,盾构掘进曲线的偏转量应不小于管片的楔形量,否则可能导致管片错台。同时,管片选型的原则是通过管片封顶块(K块)位置的选定来确定管片最窄处和最宽处,明确管片环楔形量的朝向,以进一步调节隧道的走向。若管片拼装误差较大,即管片环控制点位偏离设计位置过远,可能影响管片与设计曲线线路的拟合要求,从而导致管片姿态与盾构掘进姿态的偏差[15]。此外,随着隧道埋深的增加,地层扰动的范围会逐渐扩大[16],从而对盾构掘进姿态产生更大的影响。但由于上覆土层的重度差异,直接使用埋深难以反映内在规律。因此,通常会根据泥岩表面到地面的距离来计算埋深[17]。
1.2.2 地层参数
盾构掘进过程中,地层通过土压力和水压力对盾构施加作用,使盾构在掘进时产生各种阻力或荷载。
以盾构上部顶点为例,顶点处垂直土压力
σv=γh0[18]。 (1)
式中:γ为土体容重;h0为覆土高度。
盾构上部顶点的水压力
σw=hwγwq[18]。 (2)
式中:γw为水容重;hw为上部水头与盾构上部顶点的距离;q为渗透系数。
除此之外,土体黏聚力、土体内摩擦角和地层复合比也是反映地层情况的重要参数[10]。土体黏聚力和内摩擦角是土体的力学特性参数,反映了土体的抗剪强度和摩擦性能;地层复合比是指地层中不同材料的压缩模量之比,反映了地层中不同材料的变形特性。
1.2.3 盾构掘进参数
盾构掘进姿态的控制是盾构多个系统共同作用的结果,其中推进系统、出渣系统和注浆系统直接作用于盾构与周围土体,对盾构掘进姿态的影响较大[19]。
1) 推进系统。推进系统是盾构的主要组成部分之一,承担盾构向前推进、姿态调整等任务。该系统包括推进液压油缸、液压泵、比例控制阀以及其他液压辅助设备,控制模式主要有比例压力流量复合控制和比例减压阀控制[20]。推进系统的主要运行参数包括液压油缸推力、刀盘转矩和掘进速度,需要根据实际工况及时调整。在推进状态下,盾构的液压油缸不断伸缩,按照给定速度向前掘进并进行管片的拼装[21]。在掘进速度过快时,为避免姿态调整和控制的困难,应适时减缓掘进速度,以防止出现纠偏过快的情况[22]。
2) 出渣系统。出渣系统主要负责将刀盘挖掘出的渣土运输到洞口外。土压平衡盾构通过调节螺旋输送机的转速来控制土舱压力,不同区域土舱压力的变化将对盾构姿态产生影响。土舱压力是出渣系统的主要运行参数,尽管其对盾构姿态的影响相对较小,但在姿态调整困难时,适当调整土舱压力有助于降低纠偏难度。例如,通过提高土舱压力来增加总压力值以辅助姿态控制[22]。
3) 注浆系统。注浆系统在盾构掘进过程中通过注浆管将混合砂浆注入管片与开挖土体之间的缝隙,起到支撑周围岩体的作用,维持隧道结构的稳定[23]。注浆系统的主要运行参数包括注浆压力、油脂消耗量、泡沫剂掺加量和同步注浆量。盾构不同部位的注浆压力也会对掘进姿态产生影响。
由于盾构依赖推进系统的推力前进,因此推进系统的精确控制对确保盾构准确沿设计路线推进至关重要[24]。
2 盾构掘进姿态控制关键技术
盾构姿态控制技术确保了盾构掘进轨迹与隧道设计轴线的高度拟合,从而提高了盾构施工的安全性和效率。然而,由于盾构施工涉及地层复杂性,传统基于人工经验的姿态调整方法存在主观性、不准确性和调整滞后等问题,因此在现代大型盾构施工中,引入自动控制技术并结合智能算法成为盾构姿态控制的发展趋势。在现有工程实践方面,上海隧道“智驭先锋”项目采用盾构自主驾驶系统及配套管控平台,能够自主控制各项参数,实现盾构的自动纠偏。中铁隧道局集团有限公司在上海市域铁路机场联络线11标段隧道中采用盾构智能掘进常态模式,将隧道线性偏差控制在±30mm。土压平衡盾构“先锋一号”搭载智能盾构自动驾驶系统,具备自动推进、自动保压、自动纠偏等功能,在南昌地铁1号线东延工程中实现姿态的自动调整。
推进液压系统对盾构掘进姿态有重要影响。该系统由动力单元、控制器和执行器3部分组成。动力单元提供推进液压缸所需的动力;控制器用于控制液压缸的推进速度及系统压力;液压缸作为执行器,负责液压系统与盾构推进系统的结构衔接。目前,盾构推进系统的液压原理主要有2种:一种是比例减压阀与比例变量泵结合控制,另一种是比例调速阀与比例溢流阀结合控制[25]。以后者为例,通过设置比例调速阀流量,可以控制盾构的推进速度;通过调节比例溢流阀的设定压力,可以调整盾构推进力。
盾构推进液压系统控制原理如图4所示。该系统输出推进液压缸的压力,随后根据盾构的运动特性计算出推进液压缸的位移量;接着,将液压缸的位移和压力输入控制器进行计算,得到调速阀及溢流阀的控制电流等信息,反馈给盾构推进液压系统,如此循环直到盾构姿态偏移量为0。以下将重点讨论5种典型的盾构掘进姿态控制技术。
图 4 盾构推进液压系统控制原理
2.1 PID控制
传统PID控制因其具有结构简单、鲁棒性强、容易实现等特点,被广泛应用于工业控制领域。控制器的输出表达如式(3)所示。传统PID控制框图如图5所示。
图 5 传统 PID 控制框图
式中:t为时间,用来描述系统随时间的动态行为;u(t)为控制器的输出;Kp为比例系数;e(t)为系统误差;Ki为积分系数;Kd为微分系数。
传统PID控制器利用预设参数进行控制,但其系统响应速度和准确性存在缺陷。而推进液压系统是一个复杂的非线性时变系统,受到大量工况和环境因素的影响。拜颖乾等[26]在稳定地质条件下采用传统PID控制方法对盾构姿态进行控制,取得了一定的控制效果。然而,在变流量、变压力地质条件下,传统PID控制方法存在无法稳定跟随误差及负载误差引起的系统扰动等问题。因此,传统PID控制方法在盾构姿态控制方面存在诸多限制。
非线性PID控制器有效弥补了传统PID控制器的不足,系数Kp、Ki、Kd根据系统输出偏差的大小进行动态调整,通常选择系统偏差e(t)作为系数调整的依据。施虎等[27]建立了盾构推进液压系统的溢流阀和调速阀控制模型,并实现了液压控制系统的联合仿真。结果表明,相较于传统PID控制,非线性PID控制能够更好地抑制仿真起始段和调压时产生的速度波动,并将起始段的压力超调量减少约50%,基本消除了因调速导致的压力波动。
2.2 自适应控制
自适应控制技术是一种应对未知或变化的系统参数和外部干扰的控制方法,其中最常用的是模型参考自适应控制(modelreferenceadaptivecontrol)和自校正控制系统(self-tuningcontrolsystem)。模型参考自适应控制框图如图6所示。该系统由参考模型、被控对象、反馈控制器以及调整控制器参数的自适应机构等部分组成。运行系统的输出响应y(t)与参考模型的输出响应ym(t)不可能完全一致,因此返回偏差信号e(t)来驱动自适应机构改变控制器的参数,直到系统输出y(t)与模型输出ym(t)相等为止。
图 6 模型参考自适应控制框图
在盾构姿态控制领域,自适应控制技术得到广泛应用。自适应控制器可以减小系统干扰并降低超调量。在减少系统干扰方面,张振等[28]提出了姿态自适应推进系统,利用力方向计算器、力分组求解器和油缸压力闭环控制器对2组推进液压油缸的大腔压力进行动态分配。研究结果显示,姿态自适应推进系统产生的推进干扰力仅为并联推进系统的2%,具有良好的稳定性。在降低超调量方面,彭继慎等[29]设计了盾构刀盘液压系统自适应恒功率控制器,可以随时调整刀盘的旋转速度,实现系统总功率的平衡。与常规模糊PID控制方法相比,该方法可以降低系统功率的超调量达到3.22%。
2.3 模糊控制
2.3.1 基本概念
模糊控制是一种基于模糊集理论、模糊语言和模糊逻辑等理论的控制算法。模糊控制框图如图7所示。模糊控制包括模糊化、模糊推理和反模糊化3个部分[30]。在控制过程中,专业人士的经验被归纳为模糊准则,然后对这些准则进行模糊处理,最终将处理后的输出值应用到执行程序中[31]。与传统PID控制技术相比,模糊控制技术具有结构简单、执行速度快、鲁棒性强、动态性能好、易于实现等优点,并且不需要精确的数学模型。模糊控制技术利用专家经验建立控制规则,适用于盾构的姿态控制。通过控制各个比例调速阀的流量来调节液压缸的输出,从而准确调节各项盾构姿态表征参数,实现良好的控制精度[32]。
图 7 模糊控制框图
2.3.2 模糊控制器
模糊控制器的设计是进行模糊控制的关键。尽管增加控制变量有助于提高控制精度,但会导致模糊规则大规模增加,增加了确定规则的工作量。为解决这一问题,李惠平等[33]、于睿坤等[34]基于“先分后合”的理念设计了模糊控制器,有效减少了模糊控制规则的数量,充分发挥了模糊控制鲁棒性强、适合复杂系统的特性。此外,在速度控制方面,彭天好等[35]采用模糊控制技术,通过调整调速阀流量,实现了对盾构掘进速度和姿态的精确控制。对于推力控制,周奇才等[36]总结了盾构姿态偏差的模糊控制原理,通过模糊控制器得到液压油缸纠偏控制量,估算推力和纠偏推力,实现盾构推进姿态的自动控制。由于传统模糊控制中输入参数可能出现超出其基本论域的情况,简鹏等[5]制定了基于模糊理论和最佳纠偏曲线的控制策略。当姿态偏差值和趋势值都在允许范围内时,使用模糊控制器输出油缸压力以调整姿态;当姿态偏差值和趋势值超出允许范围后,先构建最佳纠偏曲线模型,将模糊控制器的输入设定为盾构姿态相对于最佳纠偏曲线的偏差值和趋势值,再根据输出油缸压力差进行盾构姿态纠偏,保持相关偏差均在规定范围内且波动小。
2.3.3 模糊PID控制
虽然模糊控制在处理复杂系统和不确定性时有一定的优势,但其基于模糊逻辑的推理可能会影响控制精度。为此,研究人员将模糊控制与PID控制相结合,当误差较大时采用模糊控制、误差较小时采用PID控制,这样既可以保证动态响应效果,又能改善稳态控制精度。模糊控制器的输入为比较函数和偏差导数,输出为对比例、积分、微分系数的改变量,其结构如图8所示。首先,将误差e(t)及误差变化率ec(t)作为模糊控制器和PID控制器的输入;随后,将输入量进行模糊化处理后,通过模糊控制规则表,得到3个输出量ΔKp、ΔKi、ΔKd;最后,将3个参数清晰化,并输出到PID控制器上,由PID控制器控制被控对象,得到实际输出值。
图 8 模糊 PID 控制框图
在控制算法设计方面,刘怀印等[37]根据盾构推进液压油缸的数学模型,利用LabVIEW仿真平台设计了Fuzzy-PID控制算法。其仿真结果表现出较强的抗干扰能力和鲁棒性,能达到较好的动态和静态控制精度,且系统超调量小。龚国芳等[38]聚焦于推进速度的控制,利用仿真工具搭建了推进速度控制模糊PID模型。结果表明,当推进液压系统的压力达到额定工作压力后,经短暂调整后速度偏差变为0,这证明了模糊PID控制方法能较好地控制分区推进液压缸的速度。任永科等[39]进一步研究了盾构液压推进系统的推进压力和推进速度双模糊PID控制模型,采用并行同步控制和主从同步控制策略,对盾构液压推进系统的位移和压力的跟踪特征进行研究。该系统在最大负载突变时,主从同步控制相较于并行同步控制的位移跟踪偏差下降42.6%,体现出主从同步控制策略在双模糊PID控制中的优势。
2.4 基于神经网络的控制
神经网络的结构类似于大脑内部神经元的连接,具备学习、记忆和计算等能力[40]。盾构推进液压系统的数学模型存在许多难以准确测定的参数,导致基于数学模型的盾构姿态控制方法存在理论精度固有偏差。神经网络具有逼近任意连续有界非线性函数的能力,从而在控制系统的响应速度、适应能力和鲁棒性方面取得更好的效果[41]。
在盾构姿态控制领域,BP神经网络是最常用的神经网络之一。基于BP神经网络的PID控制框图如图9所示。利用神经网络的自学习特点,结合传统的PID控制技术,可以构造基于BP神经网络的PID控制器,寻找到某一最优的Kp、Ki、Kd控制参数。刘国斌等[42]设计了基于BP神经网络的盾构推进速度自适应PID控制器,并对推进速度控制的阶跃响应和正弦跟踪特性进行了仿真。李阁强等[43]提出了基于BP-PID的盾构液压推进系统控制策略,并在推进速度的基础上引入压力进行联合仿真。采用的BP网络PID控制系统在流量变化、负载不变的情况下,系统响应时间缩短至0.4s左右,最大振荡幅值减小至原来的1/2以下,并且没有出现超调的情况。
图 9 基于 BP 神经网络的 PID 控制框图
目前,BP神经网络主要用于优化PID控制器参数,以实现更为精确的控制效果。鉴于盾构姿态受到多种非线性因素的影响,需要综合数据融合技术,充分发挥BP神经网络的非线性映射能力,构建更加准确的姿态控制模型。同时,通过优化神经网络模型结构,提升其学习和适应能力,以更好地应对复杂的挖掘环境。
2.5 基于智能算法的控制
智能优化算法是利用人工智能技术求解复杂优化问题的一种方法。智能优化算法包括遗传算法、差分进化算法、蚁群算法、粒子群算法、免疫算法等。这些算法已在工业设计、运输调度、金融投资等领域得到广泛应用。智能优化算法通常与传统PID控制相结合。基于粒子群优化算法的PID控制框图如图10所示。刘肖楠等[44]设计了基于PSO优化的PID控制方法,应用粒子群算法优化PID参数,实现了快速纠偏控制响应和减小超调量的目标。相较于传统PID控制,智能优化算法调节时间更短,约为0.2s,能够满足盾构姿态控制的要求。
图 10 基于粒子群优化算法的 PID 控制框图
尽管目前结合智能优化算法与PID进行盾构姿态控制研究的文献相对较少,但该方法已被证明能有效提升PID算法的控制性能,如提高控制精度、减少超调量和缩小稳态误差等。通过充分利用历史数据和经验,可提高姿态控制的准确性和自适应性。
2.6 盾构姿态控制技术总结
基于上述分析,对现有盾构姿态控制技术总结,如表1所示。PID控制算法以其简单、易于理解和调整的特性而得到广泛应用。然而,当处理非线性和时变系统时,PID控制算法的性能表现不佳,其适应复杂工程环境的能力相对较差。相比之下,自适应控制算法通过实时调整控制器参数,能够有效应对系统动态变化,但在参数收敛和稳定性方面存在一定的问题。模糊控制算法通过设计模糊规则,适用于复杂的非线性系统,但此类技术对系统建模的准确性要求较高。基于神经网络的控制算法具备优秀的非线性逼近能力,适用于复杂、不确定的盾构系统,但网络训练需要大量数据且计算复杂度较高。基于智能算法的控制方法具有全局优化能力,但对于高维、多峰、多约束的问题时容易陷入局部最优。因此,应根据盾构掘进项目的具体特征以及控制要求选用不同的控制算法或采用混合算法策略,从而充分发挥各技术的优势。
表 1 盾构掘进姿态控制技术总结
3 盾构掘进姿态控制技术展望
盾构姿态控制技术在盾构掘进系统中扮演关键角色。随着盾构施工技术的不断发展,该技术也在不断创新和完善。鉴于盾构掘进控制系统的复杂性,智能化将成为盾构姿态控制技术发展的必然趋势。因此,未来的相关研究可以从以下方面进一步展开。
3.1 基于多源数据融合的控制算法
在复杂地质条件下盾构掘进时,单一数据源通常难以提供足够的信息来全面判断盾构的运行环境和掘进姿态。因此,建议搭建一种多源数据融合框架,集成来自地质勘测、姿态传感器、盾构掘进系统、实时视频和图像以及历史施工的数据,并通过智能算法对这些异构数据进行智能分析和处理。刘凤洲等[45]建立了盾构掘进多源信息实时交互平台,初步融合了盾构掘进参数、隧道周边建(构)筑物、掘进土层等多源数据,提升了盾构施工沉降的控制效果。Wang等[46]采用地质信息与结构监测数据融合的方法,分析了复杂地质条件下盾构海底隧道的漏水风险。目前,基于多源数据融合的盾构掘进姿态控制算法研究较少,未来需进一步发展深度数据融合和智能化处理技术。
3.2 构建数据-机制混合驱动的控制技术
由于盾构姿态控制系统的复杂性和掘进过程的不确定性,先验知识难以准确描述各类工程情况,仅依靠建立机制模型难以精确控制盾构姿态。而基于人工智能技术的数据驱动方法通过挖掘盾构掘进历史产生的数据,降低对先验知识的依赖,有效处理盾构掘进姿态与姿态影响因素之间的复杂非线性关系[47]。然而,这类预测模型存在数据变量个数多、数据量庞大、模型输入输出间相关性较低等问题,模型的可解释性较差。因此,利用人工智能技术从大量数据中提取统计规律方面的优势,以及机制模型在解决复杂分析问题方面的优势,构建混合驱动的控制技术可以提升盾构姿态控制的准确性和效率。Ninic'等[48]融合了经验模型、分析模型和基于PSO-ANN的模型,有效预测了隧道掘进引起的地面沉降。胡珉等[49]提出了数据、机制和经验相融合的盾构掘进控制方法,通过机器学习对这些要素进行整合和学习,构建模型并挖掘规律,以便在面对未知情况时能够快速改进模型。这种方法可以有效解决仅依赖数据或机制建立的模型在工程实践中可能面临的适用性不足或准确度不高等问题。
3.3 加强控制技术在实际工程中的实用性
随着控制技术与盾构姿态控制的深度融合,越来越多的研究人员对传统控制技术进行改进,提出了智能控制方法,并通过软件仿真进行验证。然而,现有仿真分析无法考虑所有控制系统参数和施工环境参数,而且在许多仿真过程中也存在对模型的简化,故得到的仿真结果无法完全还原施工现场的实际情况。因此,在仿真结果的基础上,可以从以下方面考虑。
1) 增强仿真模型的复杂度,包括增加更多的控制系统参数和施工环境参数,对地质条件及盾构运行状态进行更精细的建模。
2) 创建盾构和施工环境的高保真数字化模型,提供更接近现实的测试条件。
3) 不断迭代和更新仿真模型,收集新的数据用于模型优化,确保模型能够反映外部施工环境的变化。最后,应在实际场景中进一步验证各控制技术的应用效果,以确保控制技术的实用性。
4 结论与讨论
本研究梳理了盾构掘进姿态的表征参数和影响因素,并结合盾构姿态智能控制案例,对比了PID控制、自适应控制、模糊控制、基于神经网络的控制和基于智能算法的控制等多种控制技术,同时提出了未来的发展方向。主要结论与讨论如下：
1) 盾构掘进姿态受到几何参数、地层参数和盾构掘进参数等多种因素的影响。在盾构掘进参数中,推进系统参数对盾构姿态的影响较为显著。鉴于盾构是一个复杂的系统,所有影响因素都需要综合考虑。
2) 盾构掘进姿态的控制技术主要包括PID控制、自适应控制、模糊控制、基于神经网络的控制和基于智能算法的控制。传统PID控制方法在盾构姿态控制方面存在一定的局限性。智能控制方法与PID控制相结合,例如模糊PID控制、神经网络PID控制和基于粒子群算法优化的控制等,能够提高系统的响应速度、精准度、适应能力和鲁棒性。
3)未来的研究可从基于多源数据融合的控制算法、构建数据-机制混合驱动的控制技术、加强控制技术在实际工程中的实用性这3个方面展开。这将推动盾构姿态控制技术向智能化方向迅速发展,实现更为精准和高效的控制效果。
参考文献(References):
[1] HU M, WU B, ZHOU W, et al. Self-driving shield: Intelligent systems, methodologies, and practice [ J ]. Automation inConstruction, 2022, 139: 104326.
[2] 潘秋景,李晓宙,黄杉,等.机器学习在盾构隧道智能施工中的应用:综述与展望[ J].隧道与地下工程灾害防治, 2022, 4(3): 10.
[3] 李小永.基于专利角度的盾构机换刀技术发展研究[ J].中国高新科技, 2018(7): 70.
[4] 崔玖江.盾构隧道施工风险与规避对策[ J].隧道建设, 2009, 29(4): 377.
[5] 简鹏,杨晨,游宇嵩,等.盾构掘进姿态自动控制技术研究与应用[J].隧道建设(中英文), 2023, 43(10): 1795.
[6] XIE H, DUAN X, YANG H, et al. Automatic trajectory tracking control of shield tunneling machine under complex stratum working condition [ J ]. Tunnelling and Underground Space Technology, 2012, 32: 87.
[7] YANG H Y, SHI H, GONG G F, et al. Electro-hydraulic proportional control of thrust system for shield tunneling machine[J]. Automation in Construction, 2009, 18(7): 950.
[8] 任颖莹,孙振川,褚长海.盾构推进姿态控制策略研究[J].隧道建设(中英文), 2019, 39(6): 1038.
[9] 徐进,林良宇,章龙管,等.基于深度学习的盾构掘进姿态预测模型[ J].地下空间与工程学报, 2022, 18(增刊 2): 813.
[10] CHEN H Y, LI X Y, FENG Z B, et al. Shield attitude prediction based on Bayesian-LGBM machine learning[J]. Information Sciences, 2023, 632: 105.
[11] 黄威,任梦,陈培帅,等.盾构水平姿态的理论分析模型[J].隧道建设(中英文), 2022, 42(1): 83.
[12] 丁智,董毓庆,张霄,等.盾构姿态变化对管片影响与控制研究及展望[J].科学技术与工程, 2021, 21(21): 8745.
[13] 汪来,王树英,潘秋景,等.基于AM-BiLSTM模型的块石回填土区盾构姿态预测研究[ J].铁道科学与工程学报, 2023, 20(8): 2948.
[14] 丁二威,吴勇,黄江华,等.基于偏转量控制盾构姿态及隧道轴线研究[J].隧道建设(中英文), 2022, 42(增刊 2): 207.
[15] 吴海彬,何川,晏启祥,等.通用楔形管片盾构隧道曲线段线路拟合算法及应用[J].铁道学报, 2016, 38(10): 90.
[16] 方焘,梁连,颜建伟.不同埋深下盾构隧道施工引起的地层变形试验[J].长江科学院院报, 2023, 40(3): 85.
[17] 胡长明,李靓,梅源,等.盾构竖向姿态预测模型参数的全局敏感性分析[J].现代隧道技术, 2021, 58(2): 127.
[18] 俞建铂,仲伟,陈乔松,等.基于改进ACO-BP神经网络的盾构竖向姿态预测研究[ J ].工程机械, 2023, 54(7): 42.
[19] KANG Q, CHEN E J, LI Z C, et al. Attention-based LSTM predictive model for the attitude and position of shield machine in tunneling [ J]. Underground Space, 2023, 13: 335.
[20] 贾连辉.盾构推进液压系统控制模式的分析比较[ J].隧道建设, 2014, 34(9): 913.
[21] HU M, ZHANG H L, WU B J, et al. Interpretable predictive model for shield attitude control performance based on XGboost and SHAP[J]. Scientific Reports, 2022, 12(1): 1.
[22] 王晖,竺维彬,李大勇.复合地层中盾构掘进的姿态控制[J].施工技术, 2011, 40(19): 67.
[23] 任丽维,杨涛,费学婷,等. ϕ6.28 m土压平衡盾构同步注浆系统控制及参数确定[ J].机械设计与制造, 2013 (1): 191.
[24] 杨扬,龚国芳,胡国良,等.模拟盾构推进液压系统的模糊自整定PID控制[J].液压与气动, 2005(10): 31.
[25] 丁少华,苏延奇,徐昊朗,等.基于AMESim盾构推进液压系统控制分析[J].机床与液压, 2018, 46(8): 77.
[26] 拜颖乾,高攀科,任锐.盾构机推进液压系统仿真控制研究[J].现代制造工程, 2020(9): 128.
[27] 施虎,龚国芳,杨华勇,等.盾构掘进机推进系统非线性PID控制仿真分析[J].机床与液压, 2008(7): 76.
[28] 张振,龚国芳,吴伟强,等.硬岩隧道掘进机推进系统姿态自适应控制[J].浙江大学学报(工学版), 2015, 49(10): 1870.
[29] 彭继慎,何武林.盾构机刀盘回转系统恒功率自适应控制[J].辽宁工程技术大学学报(自然科学版), 2019, 38 (5): 435.
[30] 史涔溦,马红如,陈卓易,等.永磁同步电机模糊代价函数预测转矩控制[J].电机与控制学报, 2022, 26(1): 1.
[31] 吕从鑫,汪波,陈静波,等.永磁同步电机控制策略综述与展望[J].电气传动自动化, 2022, 44(4): 1.
[32] 冯欢欢,陈馈,张兵.模糊控制技术在盾构施工领域内的应用与展望[J].隧道建设, 2012, 32(增刊 2): 51.
[33] 李惠平,夏明耀.盾构姿态的模糊控制方法[J].同济大学学报(自然科学版), 2003, 31(7): 824.
[34] 于睿坤,周奇才.基于Labview的盾构姿态模糊控制器研究[J].机械与电子, 2005(4): 33.
[35] 彭天好,孙继亮,胡国良,等.盾构掘进机流量的模糊控制[J].液压与气动, 2006(7): 59.
[36] 周奇才,陈俊儒,何自强,等.盾构智能化姿态控制器的设计[J].同济大学学报(自然科学版), 2008, 36(1): 76.
[37] 刘怀印,龚国芳,施虎,等.基于LabVIEW的盾构推进系统模糊PID控制[J].机床与液压, 2011, 39(9): 1.
[38] 龚国芳,洪开荣,周天宇,等.基于模糊PID方法的盾构掘进姿态控制研究[J].隧道建设, 2014, 34(7): 608.
[39] 任永科,朱强,秦东晨,等.双模糊PID控制的盾构液压推进系统同步性能分析[J].重庆理工大学学报(自然科 学), 2023, 37(19): 182.
[40] 陈阳,姚丽萍,谢守勇,等.基于BP神经网络的静液压变速器控制研究[J].重庆大学学报, 2021, 44(5): 104.
[41] 吴琛浩,岳继光,何洪志,等.控制力矩陀螺框架伺服系统神经网络控制[J].控制工程, 2021, 28(12): 2371.
[42] 刘国斌,龚国芳,朱北斗,等.基于BP神经网络的盾构推进速度自适应PID控制[ J]. 工程设计学报, 2010, 17 (6): 454.
[43] 李阁强,牛彦杰,陈馈,等.基于BP-PID控制器的盾构液压推进控制系统研究[J].隧道建设, 2017, 37(7): 885.
[44] 刘肖楠,马龙华.基于PSO-PID的盾构机纠偏控制研究[J].计算机测量与控制, 2020, 28(9): 122.
[45] 刘凤洲,谢雄耀,王强,等.盾构施工沉降多源数据实时交互平台开发[ J ].隧道建设(中英文), 2020, 40 (增刊 1): 82.
[46] WANG J, XUE Y, LI X, et al. A Water Leakage Risk assessment model for shield tunnel based on kalman filter data fusion method[C] //11th Conference of Asian Rock Mechanics Society. Beijing: ISRM, 2021, 861(7): 1
[47] WANG P, KONG X G, GUO Z K, et al. Prediction of axis attitude deviation and deviation correction method based on data driven during shield tunneling[J]. IEEE Access, 2019, 7: 163487.
[48] NINI J, GAMRA A, GHIASSI B. Real-time assessment of tunneling-induced damage to structures within the building information modelling framework [ J ]. Underground Space, 2024, 14: 99.
[49] 胡珉,裴烈烽,吴秉键,等.盾构自动驾驶技术现状与展望[J].隧道建设(中英文), 2023, 43(3): 383.