泥水盾构智能驾驶技术研究进展

0 引言

以数字科技为核心驱动力的新一轮科技革命正加速演进,已成为国际竞争的关键领域 。 我国制定了《 新一代人工智能发展规划》、《 促进新一代人工智能产业发展三年行动计划(2018—2020 年) 》等战略规划,强调了发展数字经济、推进数智化转型的战略导向。 在工业 4. 0 的背景下,大数据、人工智能等新一代信息技术加速突破,与千行百业深度融合创新,“ 黑灯工厂” “ 无人驾驶” 等以颠覆性变革重塑人们的生活生产方式 。 建筑业作为国民经济支柱, 产业链条冗长,长期以来依赖要素投入和大规模投资拉动,产出低效。 在国家“ 双碳” 战略、以人为本和高质量发展要求的驱动下,加快推进人工智能等新质生产力技术与建筑业的深度融合已成为发展趋势。

近年随着交通强国战略、深地国土资源开发等的推进,大批长大盾构隧道、水下通道和综合管廊等重大工程加速规划建设 ,但往往面临技术难度大、施工风险高、工期任务紧的挑战。 盾构法凭借施工高效、安全等优势,成为隧道建造的首选方法 。 目前,盾构驾驶主要依靠司机经验,需频繁操作各类按钮,存在主观性、滞后性、劳动强度大等问题 ,知识经验难以迁移,无法满足大规模的隧道工程建设需要。 此外,岩土介质客观上存在离散性和不确定性 , 叠加人员、物资、设备等多因素耦合影响,形成了典型的“ 灰箱” 系统问题, 凭力学手段和数值方法难以定量决策。 显然,传统的盾构驾驶方法在超长距离、超大直径、超大埋深等极端复杂隧道施工中面临安全保障、成型质量和成本控制难题; 而人工智能具有自适应性、快速响应等优点,在处理多参数耦合的复杂系统确定性目标中具有显著优势,为复杂的盾构驾驶系统描述、预测和执行提供了新的技术路径和研究范式。

郭卫社等、王同军围绕盾构隧道智能建造进行了研究综述,重点介绍了盾构隧道开展智能建造的研究现状、主要任务和发展趋势。 裴烈烽等针对传统操作界面可视化程度低、关键信息参数离散不均、盾构施工风险预警与管控能力不足等问题,提出了盾构辅助驾驶系统 ( shield driver assistance system,SDAS) ,重点阐述了系统整体架构、报警信息叠加融合处理、权限控制逻辑设计。 杨华勇等、李建斌等从设备角度对智能盾构的技术特征、功能要求进行了研究,并对智能盾构的架构进行了整体方案设计。 张昊澜等提出了盾构自动驾驶的性能指标、盾构智能驾驶评价体系和评价方法。 刘宣宇等、简鹏等研究侧重于盾构驾驶控制。 谈小龙等指出了盾构行为控制与运动响应之间的滞后效应。 胡珉等提出了层次化的盾构自动化驾驶控制体系。Zhang等研究了智能盾构及其操控技术,提出了基于深度强化学习方法的盾构自主最优掘进算法。 孙振川等聚焦数据驱动的盾构智能掘进领域,开展了隧道掘进机大数据平台建设关键技术研究。 此外,众多学者从盾构辅助驾驶方面开展研究,主要集中在盾构掘进参数的智能化辅助决策 、盾构导向和姿态控制 、地层沉降预测以及土舱压力预测等方面。

在工程应用方面,近年来代表性的有日本鹿岛建设开发的掘进管理可视化系统“ Ka CIM′S” 和盾构挖掘管理支持系统 “ KSJS ” , 用于掘进和管片拼装辅助。 日本清水建设研发了“ Shimizu Shield AI” 盾构施工系统,在关西地区的雨水排水盾构隧道得到应用,能够提前做出掘进操作和拼装计划。 日本东急建设、Automagi 和协立电机合作开发了“ 盾构 AI 掘进系统” ,以辅助人工决策。 马来西亚 MMC Gamuda 公司研发了 A-TBM( Autonomous TBM) 系统,搭载在海瑞克盾构上, 在吉隆坡 KV 地铁2号线进行了示范应用。 日本大林组研发了 AI 方向自动控制系统,并将其搭载到 5 台盾构上应用,系统根据姿态偏差、盾尾间隙等信息为操作人员提供姿态控制方向的建议。中铁隧道局集团开发了盾构智能掘进端边云控制系统,在上海机场联络线实现了盾构掘进过程的有人值守、无人操作 。 上海隧道工程有限公司开发了“智驭号”盾构自主掘进控制系统,能够直接控制盾构掘进参数,在南京市地铁 5 号线等工程中进行了应用。

既有研究主要涉及盾构智能建造模式、系统和理念等方面的探索,具体的技术开发重点围绕辅助掘进、
姿态控制、沉降预测等盾构驾驶局部功能开展。 工程应用方面主要针对特定场景下的单一目标实施,应用案例有限,缺乏对智能驾驶整体架构、关键技术及应用效果的系统性阐释。 综上可知,既有研究涉及智能驾驶整体架构构建方法与实施路径,盾构智能建造模式、系统和理念等方面的探索。

本文聚焦泥水盾构智能驾驶,对盾构智能驾驶作业特点和技术框架进行分析,提炼盾构智能驾驶面临的主要问题,并对关键技术进行研究总结。 结合工程实践中的典型应用,形成现阶段泥水盾构智能驾驶技术发展结论,并对未来发展与研究方向进行探讨,以期为下阶段盾构智能驾驶技术研发提供参考与借鉴。

1 盾构智能驾驶技术路径

随着先进传感和自动控制技术的应用,盾构掘进中的导向测量、姿态控制、泥水压力调控等的自动化程
度逐步提高。 当前,智能化走进千行百业、汽车智能驾驶技术快速发展, 为盾构智能驾驶技术升级提供了借鉴。

1. 1 盾构智能驾驶作业特点

1. 1. 1 盾构智能驾驶作业要求

盾构掘进过程本质上是岩 -机作用的过程,盾构智能驾驶面临难以确定的地质环境、高度复杂的盾构系统和多目标驱动下的系统寻优等问题。 从机器人角度看,盾构是一个由众多平行推进系统组成的掘进机器人,盾构电气系统控制逻辑如图 1 所示。 首先建立上位机与主控 PLC( programmable logic controller) 主站双向通信机制,然后开发上位机控制算法程序实现对推进速度、刀盘转速等多参数的关联控制和装备运行状态感知。 上位机能够便捷地开发控制程序,为控制远程化和智能化奠定了基础。

图 1 盾构电气系统控制逻辑

智能驾驶这一新任务对盾构装备技术提出新要求。 一方面,装备运行环境恶劣,存在强振动、高湿度、
高粉尘等情况,传感器易损坏、精度不稳定,影响了数据感知的准确性和稳定性; 另一方面,盾构推进系统是典型的并联冗余驱动,其高效运行主要依赖于超冗余输入的合理分组,即推进分区 ,运动执行系统的数学模型难以确定,复杂的机构动力学约束与实时性之间的矛盾制约了操控的精准性,致使动作存在执行偏差。

1. 1. 2 掘进中面临的系统问题

从系统学角度看,盾构掘进过程是地层、设备、人员和物料多因素耦合的复杂系统行为,需重点关注掘进姿态、地表沉降、刀具磨损等多方面指标,以达到安全、高效、优质的目标。 面向盾构智能化驾驶,复杂系统问题更加突显: 1) 盾构掘进时工程地质复杂多变,具有典型的非结构化特征,无论是感知系统还是定位系统均无法为掘进参数规划提供准确信息 ,获取盾构性能变化及周边环境响应的实效性差,导致 AI 模型难以捕捉系统真实规律。 2) 盾构按照设计线路掘进,控制精度要求高,机械系统惯性和液压系统迟滞影响智能算法高频控制指令的执行效果,对控制系统的性能提出了更高要求。 3) 隧道建造过程是高度复杂的多系统协同问题,系统协调性直接关系着工程建设的安全、质量和效益,盾构岩 -机 -结构耦合作用难以用准确的数学模型描述,不同的隧道结构、地质和盾构机型需要针对性地调整算法架构和训练策略,导致 AI模型难以跨工况迁移,泛化能力受限。

1. 2 盾构智能驾驶技术框架

1. 2. 1 盾构智能驾驶技术框架要求

“ 车-路 -云” 技术架构在智能驾驶领域耳熟能详,即车辆通过车载传感器感知周边环境,路侧基础设施采集道路信息并传输至云端,云端结合车辆和道路信息计算决策,再将指令发送给车辆。 相比车辆智能驾驶,盾构智能驾驶必须具备多维感知、智慧决策、精确控制3个层次的基本能力。 对于多维感知与精确控制,由于盾构装备本身满足控制需要,可对原PLC 系统加以改造,开发智能掘进主程序,主程序通过对接口的调用实现对设备的控制; 对于智慧决策,主要根据历史掘进参数与地质参数的综合分析,构建机器学习算法或深度学习算法,依靠算法模型代替主司机进行相关掘进参数的调整。 由于云服务器具备更全面的掘进数据与计算资源,所以主要智能算法模型在云服务器中进行构建训练。 为保证控制指令低时延与稳定传输,云端训练后的算法模型需部署在靠近盾构的边缘服务器上。

1. 2. 2 盾构智能驾驶“云-边-端” 框架设计

为实现盾构智能驾驶上述 3个层次的能力,设计“云-边-端” 盾构智能驾驶技术架构( 见图 2) ,其能较好地平衡计算能力差异与控制响应需求,适应盾构智能驾驶场景。 感知层包括安装在盾构上的各类传感器,实现对压力、流量、电流、振动等数据的感知。 决策层由各种机器学习算法或深度学习算法构成,在获取各类传感器数据后,结合掘进目标规划,由算法模型进行推理输出下个控制周期的优化参数。 控制层在获取决策层的决策数据后,负责与 PLC 通讯,盾构执行相关控制指令。 在一个控制周期中,传感器与 PLC 的数据由控制终端上的程序统一采集,传输给边缘服务器,部署在边缘服务器上的算法模型在进行模型推理后将结果传输到智能掘进控制终端,智能掘进控制终端对推理结果进行验证并转化为指令传输给盾构 PLC 系统,由 PLC 系统对设备进行控制。 通过这种周期性控制循环实现盾构智能驾驶。

1. 2. 2. 1 云端

云端主要功能包括数据存储与管理,负责存储掘进参数、施工日志、地质资料、设备资料等,这些数据可
用于后续的数据分析、算法模型训练与优化。 云端的计算集群拥有强大的算力,适合大规模数据处理与模型训练,通过分布式计算可不断优化智能掘进所需的算法。 同时基于云端的数据可以构建 web 可视化系统,从而实现对掘进过程数据的实时监控与过程管理。

1. 2. 2. 2 边端

边端设备将传感器采集的数据进行融合后转发至云服务器存储。 由于边端更靠近盾构且两者处在同一
局域网,云端训练的算法模型经轻量化压缩后可通过web 服务动态部署在边端设备上,以实现低延迟的计算服务,不受外部网络影响。

图 2 盾构智能驾驶“云-边-端”技术架构

1. 2. 2. 3 终端

终端由智能掘进控制终端、盾构传感器、PLC 控制系统和盾构执行部件组成,负责采集掘进过程中的实
时数据( 如压力、电机参数等数据) ,并上传至边缘服务器,同时根据边端设备的模型计算结果,调用盾构设备控制接口对盾构装备进行具体控制。

2 盾构智能驾驶主要问题

依靠人工的传统盾构驾驶控制存在明显的“ 滞后效应” ,驾驶决策过程存在一定的模糊性。 理论上,基于大数据、人工智能的盾构智能驾驶技术可实现盾构掘进过程中工程安全、质量和效益的最优化。 但目前仍需要重点解决地质环境感知能力不足、数据挖掘深度不够、决策算法泛化能力不强及动作执行不精准等关键问题。

2. 1 地质环境需要全面感知

保持掌子面的水土压力稳定是盾构法施工的优势,盾构掘进时需要根据地层变化动态调整掘进参数,进而控制土舱压力 ,同时可掘性的判断要求对地质环境有较好认识,因此地质感知十分重要。 存在的主要问题如下: 1) 面向智能驾驶的掌子面地层环境感知对超前性、精确性提出了更高要求;传统的电磁法、电法、地震波探测手段主要依靠人工解译,解译结果存在主观性、精度不足和时效性差等问题。 刀盘部位布设传感器,因保压封闭、泥水环境导致传感器故障频发和维保困难,难以实现工程实用化。2) 真实地层环境受到施工扰动、水土流失等因素影响,时空效应显著;而常用的地层沉降监测、结构变形监控量测信息具有滞后性。 3) 基于掘进参数、渣土图像和设备状态等多源信息融合分析,可反演一定范围的超前地质环境; 但多类型、多任务的感知系统接收海量多源异构数据,用于数据解译的模型深度不断加深、网络结构愈发复杂,算力需求矛盾日益凸显。 总体来说,受限于当前诸多因素影响,盾构对地质“ 感则容易,知则很难” 。

2. 2 基础数据需要深度挖掘

盾构掘进大数据体系包括盾构掘进参数、地质勘察、地面沉降监测和地下水位监测等方面。 当前,盾构
的掘进数据得到了较好记录,而其他数据往往缺失。存在的主要问题如下: 1) 盾构掘进时 PLC 系统会自动记录盾构装备各项参数, 其记录指标维度一般在300项以上,采样周期达秒级,掘进1. 5km 仅 1个传感器的数据量就达近 1000 万行,且盾构掘进数据的复杂性和多样性使传统的数据分析方法和模型难以直接应用。 2) 在盾构掘进中受环境干扰、通讯中断和设备故障等诸多因素影响,数据缺失、标签缺少等问题广泛存在,严重降低了数据的质量与可信度。 3) 直接利用智能算法对不完整数据集进行分析,不但会增加建模难度和分析的复杂度,还会导致分析结果出现较大偏差。 综上,数据量大、价值密度低、分析方法受限等问题,都增加了数据挖掘的难度。

2. 3 算法模型需要工程泛化

盾构智能驾驶主要依赖多模态信息融合的计算能力,需要充分利用多源感知信息,基于多模态信息的表征与融合机理,利用机器学习或深度学习算法对感知的信息进行模型训练,构建端到端的控制决策模型,输出指令并交由控制层执行。 基础算法模型主要分基于数据驱动和基于模型驱动 2 类。 盾构智能驾驶建模流程如图 3 所示。

图 3 盾构智能驾驶建模流程

数据驱动方法通过从大量历史数据中学习模式和规律做出预测和决策,模型通常不需要对系统的内部机理有深入理解,而是依赖于数据本身来捕捉输入和输出之间的关系,仍然是一种黑箱模型,存在不可解释性、安全与鲁棒性差、 泛化能力难以保证等缺陷。目前的盾构智能驾驶算法主要采用这类方法。

知识驱动方法通常需要借助一系列的物理或数学知识、已有的规则经验和领域专业知识等,深度剖析研
究对象的内部机理与运行方式,使其具有更好的可解释性和全局性。 但盾构掘进机理复杂且部分机理未完全揭示,目前机理模型大多只能描述盾构掘进整体过程,而不能较好地刻画细节过程,导致无法满足实时、精确控制需要。

2. 4 执行机构需要精确响应

执行层负责决策指令的具体控制,基本流程是控制算法将掘进参数转化为 PLC 系统可执行的控制量,并通过控制接口传输至 PLC 控制系统,进行控制指令校验后,由具体设备的执行部件进行执行。 存在的主要问题如下: 1) 分区推进油缸开环控制压力失准。 为便于手动操作和姿态控制,对推进油缸进行分区编组,并为每个分区配置了独立的电气比例阀,进行压力开环控制。分区压力调控通过电位计旋钮给定,但由于无法精准给定各分区压力值,给定误差约为±0. 2 MPa。2) 盾构导向系统的误差影响难以消除。 当盾构向前行驶一定距离后,盾构导向系统受激光靶位置影响,导致测量数据误差加大,水平、垂直偏差值最大误差可达±5 mm。 3) 关键参数传感器的可靠性差。 受环境影响,盾构所搭载的各类关键参数传感器( 如顶部压力、泥水盾构气垫液位等传感器) 均会产生较大误差,或在某段时期内传感器数值剧烈波动,可靠性难以满足智能化要求。

3 盾构智能驾驶关键技术

智能驾驶意味着以智能系统逐步取代人的操作, 要求盾构驾驶操作应适应智能化需要,在信息感知、认知决策和控制执行方面取得关键技术突破。

3. 1 多任务智能感知

3. 1. 1 信息感知类别

盾构智能驾驶信息感知是实现智能驾驶决策和控 制的前提,主要包括地质信息感知、装备信息感知、结 构信息感知和环境信息感知等方面。 1) 地质信息感知主要实现对前方地质环境的探测。 2) 装备信息感 知即使用各式传感器测量、采集并处理盾构姿态、盾尾间隙、压力液位等盾构的位姿空间信息,以及油液状态、泥水系统流量、刀具载荷、电机参数等设备本体数 据。 3) 结构信息感知主要掌握涉及隧道结构安全与质量的注浆饱满度、结构形变和缺陷等信息。 4)环境信息感知主要依靠传感器获得作业环境信息( 包括温度、湿度、有毒有害气体、开挖面压力、盾壳压力等)。

3. 1. 2 信息感知现状与挑战

目前,结构信息感知、装备信息感知和环境信息感知技术已取得较好突破,技术短板主要是对地层环境的实时动态感知。 地层环境感知主要包括 2 类技术路径: 一类是根据掘进参数挖掘识别开挖面地层,并描述复合地层组合情况的地质反演方法; 另一类是 直接在盾构相应位置布置传感器,根据地层与传感器信息的关联分析辨识前方地层的方法。作者团队在利用掘进参数进行地质反演的基础上,引入了 SSGP ( sparse spectrum gaussian process regression) 超前地质预报系统,将大功率地震波发射器和高灵敏度接收器 布置在盾构刀盘特殊位置,由刀盘带动传感器转动,实现对掌子面前方地层的全方位扫描成像。 由于孤石、 溶洞和断层等声波阻抗敏感体在成像后特征显著,部 署在边缘服务器的机器视觉算法能够快速识别地质异常,结合刀盘的角度和盾体进尺实现精准定位,超前探 测距离可达40m,较好地规避盾构掘进中的重大地质风险。

随着多功能传感器技术和数据挖掘算法的进步,利用盾构掘进过程多模态、多通道信息融合进行高精度地质反演成为可能。

3. 2 基础算法模型训练

3. 2. 1 基础算法发展阶段

盾构智能驾驶系统需要根据内外部参数动态调整掘进参数,以保证掘进效率与设备安全。 盾构自主掘进基础算法发展有 3 个阶段: 第 1 阶段主要以数学与物理驱动的机理模型或者 PID 控制、自适应控制和模糊控制等传统控制算法为主; 第 2 阶段数据采集较容易,为使数据快速积累,随机森林、XGboost 等机器学习算法被用于决策层,控制层仍采用传统控制算法; 第 3 阶段是深度学习阶段,由于时序神经网络算法能捕获长距离时序关系,开始将其部署在决策层,逐步替换传统机器学习算法,同时深度强化学习方法使智能体能够自动学习在给定环境下的最优策略,并应用于盾构自主掘进,但这一阶段决策层与控制层算法仍是分离的。

3. 2. 2 决策层算法模型

决策层需要根据感知的数据识别掘进异常事件、 确定掘进主动参数、控制掘进姿态与地表沉降。 长短 时记忆网络( long short-term memory, LSTM) 是常见的决策层算法,是一种基于时间序列的神经网络模型,其优势在于能捕获输入数据中的时序依赖关系,同时可以缓解梯度消失和梯度爆炸问题 。 长短期记忆神经网络架构如图 4 所示。 另外,LSTM 中的遗忘门允许模型有选择地保留或丢弃信息,能够专注于对当前任务有用的信息,同时忽略无关紧要的数据。 由于盾构掘进过程中姿态调整不仅需要当前时刻的数据,前n个时刻的掘进数据也影响姿态控制决策,因此基于 LSTM 及其变体的算法在盾构姿态控制中应用广泛。

图 4 长短期记忆神经网络架构

3. 2. 3 掘进参数决策算法

最初的掘进参数由工程技术人员根据既往工程经验,由地层类别确定推进速度、刀盘转速区间。 随着计 算机技术的发展,对导出的机器数据进行数理统计分析,或者搭建 BP( back propagation) 神经网络支撑泥水盾构掘进参数决策。 近十年来,大数据技术、人工智能技术快速发展,决策算法也从随机森林算法、多层感知机、RNN( rerrent neural network) 神经网络等算法向深度神经网络发展,学者们搭建了基于卷积神经与双向长短期记忆网络混合的深度神经网络预测总推进力和刀盘转矩,提出基于 BO-GCN-LSTM 深度学习模型预测隧道掌子面压力,有助于盾构驾驶员做出合理的参数调整。

3. 2. 4 压力平衡调控算法

传统的平衡调控算法主要利用控制理论与方法, 搭建以“ 质量-弹簧-阻尼” 为基础的控制系统传递函数模型,设计 MIMO( 多输入多输出) 控制器,如基于双干扰观测器和状态空间模型方法 ,用于泥水液位和切口压力的精确控制。 随着智能算法与控制的融合,利用神经网络等对盾构泥水舱液位进行智能预测与控制,能够优化泥水循环系统的时滞影响,通过迭代多步预测方法对给定控制参数序列下的液位情况进行预测,并在考虑系统约束的条件下求解最优化控制策 略,具有良好的预测效果。

3. 2. 5 智能保压系统与智能环流控制系统

常用的 Samson 保压系统为机械式控制设计,舱压调节需要人员到设备区手动调整,实时性不足。 智能 保压系统采用电控系统对气垫舱压力与液位进行分模块控制,通过比例积分算法实时调控气垫舱压力。 比例作用可加快控制过程,减少动偏差;而积分作用可以消除余差。 PI 参数调校范围大、精度高、调校方便,调节控制精度达±1%。

智能环流控制系统一方面维持适当的进排浆流量,以顺利将推进产生的渣土排出,避免积渣、堵管; 另一方面维持气垫舱液位与掌子面的稳定。 通过历史掘进数据设计并训练基于 LSTM 网络的环流进排浆流量预测算法,实时对掘进参数和环流参数进行分析,输出下一阶段的进排浆流量数值,随后由控制层使用串联 PID 算法对进排浆泵转速进行控制,使进排浆流量达到设定值。

3. 3 盾构主动参数预测

3. 3. 1 盾构主动参数分析

盾构主动参数是盾构操纵中必要的设定值,对掘 进效率和安全性至关重要。 掘进过程涉及多个主动参数,从控制角度,盾构主动参数通常包括推进速度、泥水舱顶部压力、环注浆量、刀盘转速等。 刀盘转矩和总推进力为主动参数的约束条件。 人工驾驶依据既有工程经验确定盾构主动参数,主观性强、随意性大,如无类似工程经验,需现场设置多组主动参数进行掘进试验比选,确定合适掘进参数。 例如: 推进速度由当前地质状况、有无风险点、环流相关参数、刀盘转矩、总推进力共同决定。 对推进速度进行决策时,需要分成推进前和推进中 2 个阶段: 推进前,根据当前地质条件, 风险点信息, 前2 环的掘进参数、 环流参数, 训练 XGBoost 以推理目标推进速度; 推进中,使用 LSTM 神经网络算法实时调控环流参数、刀盘转矩、总推进力参数,实现推进速度的动态优化。

3. 3. 2 盾构主动参数预测方法

利用少量的工程数据,采用线性、非线性回归分析的方法建立主动参数的回归预测模型,在主动参数预测方面不断应用机器学习模型 ,如 BP神经网络、 支持向量机 ( support vector machine)  、基于梯度增强( cat boost) 和非支配排序遗传算法( non -dominated sorting genetic algorithm Ⅲ,NSGA-Ⅲ) 的混合算法、 多层感知机( multilayer perceptron)  。 随着盾构施工大数据的发展,工程案例数据更多、数据类型更丰富,同时深度学习作为一种强大的人工智能技术,已经在多个领域取得了成功,多源信息融合及深度学习已成为主流 。 为建立地层与主动参数的关联性,作者团队采用基于矢量图形识别的多源地质信息融合集成方法,创建了融合岩土勘察信息定性、定量表格、文档数据的工程地质数据库,为泥水盾构工程数据挖掘提供了基础。 同时基于海量工程数据,以提升掘进效率( 掘进速度)为目标,通过对不同地质条件下掘进参数的深度挖掘研究,使用随机森林、XGBoost 等算法分别训练了软土、软硬不均、硬岩等多类地层下的主动参数推荐模型,使用长短时记忆循环神经网络结合动态规划算法构建掘进时的主动参数优化模型,预测流程如图 5 所示。

盾构掘进主动参数选取可以看作是多约束条件下的参数优化。 为了保证安全,需要参考专家经验形成算法的框架; 同时,基于地质感知算法进一步增强多模态融合能力,以提高参数优化的完备性。

图 5 主动参数预测流程

3. 4 盾构姿态自适应巡航

3. 4. 1 盾构姿态自适应分析

盾构姿态不仅直接影响隧道管片成型质量,还决定成型的隧道轴线,因此盾构姿态控制是智能驾驶的重要环节。 不同于盾构推进速度、刀盘转速等主动参数,姿态调控的大惯性、滞后特性明显。 盾构姿态自动 控制系统从以传统控制算法为主逐渐过渡到以机器学习和深度学习算法为主,特别是基于时序神经网络的算法,目前已取得较好的效果; 但同时也对测量系 统如盾构姿态采集系统、盾尾间隙测量系统提出了更高的要求,盾构智能掘进过程中,测量系统的不稳定性往往导致姿态控制难以取得更好的效果。

3. 4. 2 盾构姿态自适应控制

前一时刻的盾构姿态对将来的盾构姿态影响很大,现阶段盾构姿态预测主要依靠 LSTM 算法,或者以 LSTM 为基础通过与CNN ( convolutional neural networks) 等形成混合神经网络,可以预测参数未来变化趋势 。 例如: 基于 LSTM 算法的盾构纠偏路径规 划模型,对盾构运动学和动力学进行高精度建模,能够 准确预测下一环切口及盾构轴线姿态调整量,从而制 定环境扰动小的姿态控制方案,并在控制层通过神经网络与 PID 实现盾构分区油压的控制 。

作者团队使用 LSTM 方法构建姿态控制算法,不同之处在于使用 LSTM 进行分类预测而不是直接进行数值预测,输入包括 6 个分区油缸压力及比例阀开度、 分区油缸位移、推进速度、分区油缸位移差、水平姿态及水平姿态变化率、垂直姿态及垂直姿态变化率,采样 周期为 5s,时序长度为 36。与直接输出分区压力目标值不同的是,定义的模型输出是下个控制周期各个分区压力的调整方向,即使用 LSTM 进行分类预测而不是进行数值预测,使得 LSTM 训练过程稳定,收敛更快,同时避免大幅度调整分区压力。 此外,为解决数据中类别不均衡情况,基于数据增强方式对较少样本进行数据增强,并通过调整损失函数权重,使模型能够更加关注少数类样本的分类结果。

3. 5 泥浆环流自适应控制

3. 5. 1 泥浆环流自适应分析

泥浆环流系统的正常运作是泥水平衡盾构正常工作的基础保障,其主要的工作模式包括旁通模式、掘进 模式、逆冲洗模式、管路延伸模式及停机模式等,如图 6 所示。 智能环流控制系统的主要任务是在掘进过程中保持气垫舱液位在一个固定值液位附近,同时保证环流过程中各个中继泵进出口压力稳定,此外还需要尽可能控制进排浆流量差,确保进排浆流量差不至于过大或者过小。

图 6 泥水盾构掘进模式转化流程

智能环流控制具备参数智能分析与调控能力,能够应对不同地质、不同设备变化条件下环流系统的参数智能调整,并且响应及时、操作正确,使环流系统正常稳定运行; 同时,还能对掘进过程中特殊情况进行处理,根据设备参数变化快速识别和定位异常情况,进行快速处理或者切换至旁通模式。

3. 5. 2 泥水环流智能控制方法

首先,启动旁通模式,当进浆流量达到设定值后进入掘进模式; 然后,启动刀盘,盾构开始掘进,掘进过程中根据液位、顶部压力和推进速度等实时信息,由算法智能动态推荐,并调整进排浆流量,保证掌子面压力稳定; 最后,掘进停止时,降低排浆泵转速,再次进入旁通循环,直至停机。泥浆环流智能控制如图 7 所示。

图 7 泥浆环流智能控制界面

为了实现泥水环流调控,采用固定进浆流量、调整排浆流量的方式实现掘进全过程的智能环流。 随着隧
道掘进长度变化,环流中继泵负载和泵机数量会发生变化,即掘进过程中,泵机的数据分布会持续变化,直接构建端到端的智能控制系统不具备长久时效性。 为了解决此问题,在实现智能环流时,使用 LSTM 确定排浆流量的大小。 模型输入参数包括气垫舱液位与理想液位差值、进浆流量、进浆密度、排浆流量、排浆液密度和推进速度; 模型输出为排浆流量的理想值,后续通过串联的 PID 算法给定泵机转速,实现液位恒定。

泥水盾构智能环流系统实现路径众多,传统控制算法与基于深度时序网络学习、深度强化学习等均能实现液位的稳定控制。 环流系统智能化难点与后续改进点更多在于爆管风险控制,异常跳泵、水锤效应抑制及超长掘进距离下多泵机串联控制算法的实现,而目前关于该部分算法的公开研究资料较少。

3. 6 执行系统高精度响应

3. 6. 1 执行系统响应分析

以人工操控为主的盾构控制系统依赖第一性原理建模,对系统模型的精度要求不高; 同时,应用了大量的低分辨率传感器和低制造精度的执行器件。 而智能算法首先需要更准确的系统模型来描述系统的动态特性和各种参数关系,以保证控制的精度和有效性; 其次,智能算法需要更快的响应速度来调整系统状态,以适应复杂多变的工况和负载变化,需要对各项参数进行极为精准的测定。 人工智能方法和闭环控制算法的大量引入,在一定程度上提高了推进系统控制的准确性。

3. 6. 2 执行系统高精度控制方法

以提高盾构众多功能性系统的执行精度和效率为目的,众多学者从控制角度进行了研究。 设备厂商通过使用大量高精度阀、油缸和高精度传感器构建了各类闭环控制系统,以提升执行精确性。 但当前的智能控制策略仍基于模块化方法,依赖预定义规则, 存在误差积累、未知场景适应性差等问题。 相较之下, 端到端的智能控制方法可突破人工预定义导致的性能 瓶颈问题,已在盾构驾驶控制中初步尝试。 随着端控制技术的发展,结合模块化控制方法的可解释性优势, 人类更易理解其决策过程,模块化端到端控制技术将 有望引入盾构驾驶。 此外,为了适应掘进过程中的内外部条件变化,盾构智能控制算法正逐步复杂化,在提 高准确率的同时也降低了模型的可解释性,因此要求装备厂商在 PLC 控制层面做更多的安全熔断。 基于数据拟合获取的模型是否真的理解盾构掘进过程也值得思考,未来可能需要使用多模态大模型与 Agent 技术使算法在做出控制决策的同时也给出控制理由,以提高智能算法与盾构主司机的交互性。

4 典型工程应用

国内外在盾构智能驾驶领域开展了广泛研究,绝大多数盾构驾驶成果用于辅助人工决策,关于有条件的自主驾驶研究相对较少。 结合作者团队研究成果的典型应用案例,介绍近年来盾构智能驾驶常态化工程应用的效果。

4. 1 上海机场联络线示范应用

上海轨道交通市域线机场联络线工程是上海市东西向主轴快速通道,全长约 68. 6 km。 依托该工程,应 用工程大数据、物联网、人工智能技术,建立了盾构智能掘进“云-边-端” 的分级控制架构,攻克了离线边缘控制技术, 研发集成了 “ 辅助掘进/智能巡航一键启动” 的盾构智能掘进控制系统,如图 8 所示。 由盾构工程大数据平台云端提供掘进参数,集成了神经网络、 机器学习、预测算法、边缘反馈控制、应急熔断等技术, 实现了复杂地质盾构掘进主动参数预测、盾构姿态调整控制和异常事件预警防控。

基于盾构大数据系统,从历史的施工数据中挖掘 盾构设备参数、主动参数( 如油缸压力、刀盘转速等) 、 被动参数( 如刀盘转矩、推进力等) 、盾构姿态与环境地质数据之间的相互作用关系和规律,建立相应的数据-机理驱动模型,利用人工智能在线学习原理优化系统的主动控制参数和被动参数。 通过大数据平台模型挖掘提供可量化建议参数,实现辅助掘进,在上海机场联络线实现单日连续整环掘进11环。 盾构智能掘进参数变化如图 9 所示。 由图可看出,智能掘进过程中参数控制平稳,掘进参数基本无突变。

图 8 盾构智能掘进控制界面

图 9 盾构智能掘进参数变化

4. 2 崇太长江隧道常态化应用

上海崇太长江隧道是世界最大直径铁路盾构隧道, 连接上海市崇明区和江苏省太仓市,全长 14. 25 km。 依托崇太长江隧道,作者团队研发了盾构/TBM 智能掘进控制系统( intelligent TBM boring system,简称 I-TBM 系统) 。 该系统基于“云-边-端” 技术架构,核心位于盾构及掘进技术国家重点实验室大数据中心,为泥水盾构多系统智能化控制提供数据支持; 边缘服务器和PLC 终端位于施工现场,智能掘进模式下,PLC 终端将执行边缘服务器上各算法提供的预测值,解决了智能掘进过程中大量数据采集、分析、执行与智能掘进控制系统响应速度之间的矛盾。

1) 数据 -机理混合驱动的分类地层数据预测模型。 基于装备运行机理与机器学习数据挖掘方法, 构建盾构/TBM不同地层掘进参数、 姿态巡航控制等主动参数预测 ( 如图10所示) 、 刀盘转矩等被动参数预警、卡机等异常事件预报熔断中小模型算法体系。 辅助智能掘进代替了传统作业人员的繁琐操作,预防了工程事故, 确保了隧道姿态线形与工程质量的可控。

图 10 盾构智能掘进参数预测界面

2) 盾构/TBM 掘进控制指令自主决策。 建立复杂 工况下刀盘电机转速( 推进流量) 开环控制模型,设计 基于扰动观测的模糊控制器算法,预测控制刀盘( 推进) 负载水平。 提出多执行机构局部限制自由度的推进姿态控制算法,保障姿态巡航精准动态调整,控制界面如图 11 所示。 研发掘进速度、压力和液位多要素互相反馈的环流出渣系统控制技术,实现舱压自适应、掘进-出渣自调整。

图 11 盾构智能掘进姿态控制界面

目前,搭载智能掘进系统的“ 领航号” 盾构在上海崇太长江隧道已掘进超5000m,攻克了掘进 -姿态 - 环流多系统的智能算法一体化控制,实现了盾构姿态自巡航、泥水舱压自适应、环流出渣自调整。 盾构智能掘进过程中,推进油缸各分区油缸压力比人工调整更平稳。 以 2171—2180 环 (人工掘进)、2181—2190 环 (智能掘进) 共20 环掘进数据为例,图 12(a) 示出了盾构掘进过程中姿态偏差。 第 2171—2180 环人工掘进姿态控制数据样本标准差为 10. 26 mm,第 2181—2190 环智能掘进姿态控制数据样本标准差为 9. 51 mm,表明智能掘进与人工掘进姿态控制效果基本相当,且智能掘 进略优于人工。 进一步对比掘进过程数据,推进各分区油缸压力较人工调整更平稳(见图 12(b)),掘进过程中 推进速度和气垫舱液位控制更加稳定(见图 12(c))。

图 12 智能掘进与人工掘进参数控制效果对比

5 结论与讨论

5. 1 结论

1) 隧道建设工况复杂、建造标准要求高,盾构法具有高度机械化特征,是隧道及地下空间大规模建造的重要方法。 盾构智能驾驶关键技术研究与应用实践为推进隧道智能建造起到了引领示范作用。

2) 开发决策更优、动作执行更标准、协调性更好的盾构智能驾驶技术,是实现隧道安全、高效和优质建 造的有力途径,在我国海量的盾构数据资源、丰富的盾构驾驶先验知识、自主可控的盾构产业链和人工智能 应用的支撑下,实施盾构智能驾驶具备技术可行性。

 3) 在单一地层、特定隧道场景下,智能掘进控制 系统实现了盾构刀盘-推进-环流等多系统智能算法 的协同控制,但具有广泛适用性的盾构智能驾驶通用 模型还面临诸多挑战,需要在数据、算力、算法3大关键要素上持续发力,不断融合多学科知识,解决盾构智 能驾驶算法泛化和鲁棒性不强的问题。

5. 2 讨论

1) 盾构掘进数据快速扩充,但海量数据治理水平低、价值挖掘深度不够,开展盾构大数据治理、数据行业共享及基于无标签数据的无监督深度学习是关键,有必要建立盾构智能驾驶专业大模型,解决掘进中广泛存在的地质不确定性问题和现有模型泛化问题。 

2) 搭建适应不同盾构 PLC 控制系统的开发工具集,开发具有良好交互性的人机界面,是实现盾构智能驾驶技术大范围部署应用的关键。 同时,推进换刀、拼装等关键工序作业高度机器人化,实现盾构隧道建造中多工序协同作业是后续研究重点。

 3) 构建数据 -机理混合驱动的算法模型,通过融合施工规则与机理模型,增强盾构智能驾驶算法的泛化能力。 此外,加快基于 Transformer 架构的端到端智能驾驶技术研究,端到端智能驾驶盾构不久或将面世。