薛永健

摘要：針對(duì)工程用的盾構(gòu)機(jī)械在掘進(jìn)的過(guò)程中的姿態(tài)問(wèn)題，在分析傳統(tǒng)掘進(jìn)姿態(tài)調(diào)整問(wèn)題的基礎(chǔ)上，提出一種基于BP的專家控制方法。在該方法中，首先提出盾構(gòu)機(jī)掘進(jìn)的運(yùn)動(dòng)學(xué)模型，從而分析盾構(gòu)機(jī)掘進(jìn)的原理;其次構(gòu)建基于BP+專家系統(tǒng)的控制方法，通過(guò)BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力為專家系統(tǒng)提供實(shí)例，而通過(guò)專家系統(tǒng)的實(shí)例，直接對(duì)盾構(gòu)機(jī)姿態(tài)進(jìn)行控制。最后，通過(guò)仿真驗(yàn)證了上述方法的可行性，為工程用盾構(gòu)機(jī)掘進(jìn)提供了實(shí)踐參考。

關(guān)鍵詞：盾構(gòu)機(jī);BP神經(jīng)網(wǎng)絡(luò);專家系統(tǒng);姿態(tài)控制

中圖分類號(hào)：U455.3⁺9 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-5922（2021）02-0192-04

在隧道挖掘等大型地下工程中經(jīng)常要用到盾構(gòu)機(jī)。現(xiàn)階段隧道工程中，土壓平衡盾構(gòu)機(jī)是使用率最高、使用范圍最廣的機(jī)械，其前端加裝的密封土艙具有穩(wěn)定的切削面，在不斷向前掘進(jìn)的過(guò)程中，刀盤(pán)不斷切削土體，液壓缸同步推進(jìn)，機(jī)身沿著預(yù)定軌跡向前掘進(jìn)。可見(jiàn)，在土壓平衡盾構(gòu)機(jī)的掘進(jìn)過(guò)程中，要想實(shí)現(xiàn)掘進(jìn)軌跡與隧道設(shè)計(jì)軸線保持一致，就必須做好盾構(gòu)機(jī)姿態(tài)的精確預(yù)測(cè)及控制。本研究則在分析盾構(gòu)機(jī)姿態(tài)影響因素的基礎(chǔ)上，嘗試構(gòu)建一個(gè)基于神經(jīng)網(wǎng)絡(luò)的姿態(tài)調(diào)整算法，通過(guò)姿態(tài)的預(yù)測(cè)修正盾構(gòu)機(jī)運(yùn)行的方向，從而提高盾構(gòu)機(jī)掘進(jìn)的精度。

1問(wèn)題的提出

盾構(gòu)機(jī)在掘進(jìn)時(shí)，地層條件相對(duì)均勻，且盾構(gòu)機(jī)會(huì)采取直線掘進(jìn)的方式進(jìn)行施工。由于地層條件變化不大，因此盾構(gòu)機(jī)在作業(yè)過(guò)程中承受的由地層造成的載荷是相對(duì)穩(wěn)定的?？捎捎诙軜?gòu)機(jī)自身結(jié)構(gòu)特征，在重力作用下容易出現(xiàn)“低頭”趨勢(shì)。此外，由于盾構(gòu)機(jī)自身因素的影響，包括其左右受力不均，以及外殼的摩擦力矩與刀盤(pán)轉(zhuǎn)矩不平衡等，很容易造成盾構(gòu)機(jī)姿態(tài)參數(shù)發(fā)生規(guī)律性變化。為解決該問(wèn)題，傳統(tǒng)的做法是在工作狀態(tài)下通過(guò)全站儀實(shí)時(shí)檢測(cè)偏航角和俯仰角，并將檢測(cè)結(jié)果反饋給控制系統(tǒng)?？刂葡到y(tǒng)通過(guò)調(diào)節(jié)推進(jìn)液壓缸的壓力，實(shí)現(xiàn)盾構(gòu)機(jī)的姿態(tài)糾偏。同時(shí)盾構(gòu)機(jī)為實(shí)現(xiàn)滾轉(zhuǎn)角的有效糾偏，在每次掘進(jìn)施工后，每次拼裝管片前，都必須執(zhí)行反轉(zhuǎn)刀盤(pán)這一操作。可基于控制系統(tǒng)的糾偏方式時(shí)效性差，而手動(dòng)調(diào)節(jié)容易誘發(fā)局部受力過(guò)大的問(wèn)題。如何借助現(xiàn)有的智能算法對(duì)盾構(gòu)機(jī)的姿態(tài)進(jìn)行糾偏和調(diào)整，對(duì)化解盾構(gòu)機(jī)掘進(jìn)過(guò)程難題具有積極作用。結(jié)合以上問(wèn)題，筆者認(rèn)為在結(jié)合盾構(gòu)機(jī)負(fù)載模型的基礎(chǔ)上，引人神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)能力方面的優(yōu)勢(shì)，構(gòu)建一個(gè)基于神經(jīng)網(wǎng)絡(luò)的專家控制系統(tǒng)，從而實(shí)時(shí)修正盾構(gòu)機(jī)掘進(jìn)方向。

2盾構(gòu)機(jī)負(fù)載模型構(gòu)建

在盾構(gòu)機(jī)工作中，要保障盾構(gòu)機(jī)按照設(shè)計(jì)的軸線運(yùn)行，就需要分析盾構(gòu)機(jī)在掘進(jìn)過(guò)程中的可能受力問(wèn)題。而研究認(rèn)為，盾構(gòu)機(jī)在掘進(jìn)中與自身的結(jié)構(gòu)、地質(zhì)條件等有很大的關(guān)系，包括自身重力（F1）、盾尾作用力（F2）、盾尾千斤頂作用力（F3）、正面土體阻力（F4）、盾構(gòu)機(jī)周圍土體作用力（F5）、后接臺(tái)車牽引阻力（F6）等作用。根據(jù)動(dòng)量定理，得到：

3神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)構(gòu)建

3.1構(gòu)建思路

在專家系統(tǒng)的構(gòu)建中，充分利用專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)。其中通過(guò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力構(gòu)建實(shí)例，而專家系統(tǒng)則利用實(shí)例，為盾構(gòu)機(jī)參數(shù)的調(diào)節(jié)提供基礎(chǔ)。具體用圖1表示。在這個(gè)過(guò)程中，神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)存儲(chǔ)掘進(jìn)施工過(guò)程中的設(shè)備狀態(tài)信息和地層條件數(shù)據(jù)，從而對(duì)盾構(gòu)機(jī)在當(dāng)前地層條件下的姿態(tài)進(jìn)行預(yù)測(cè)。如果盾構(gòu)機(jī)掘進(jìn)的地層條件有所改變，只需要把新的地層條件數(shù)據(jù)輸入系統(tǒng)，即可快速確定盾構(gòu)機(jī)在新的地層參數(shù)下的應(yīng)有姿態(tài)。

3.2神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

3.2.1網(wǎng)絡(luò)層數(shù)的選擇

從理論上來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)能夠逼近任何有理函數(shù)，該網(wǎng)絡(luò)包含線性輸出層、線性隱含層以及偏差等部分。單隱層的網(wǎng)絡(luò)可以對(duì)閉區(qū)間內(nèi)所有的連續(xù)函數(shù)進(jìn)行逼近，由此推進(jìn)，基于3層網(wǎng)絡(luò)能夠?qū)崿F(xiàn)各種形式的維到維的映射。一般來(lái)說(shuō)，要想提高精度、減小誤差，可行的辦法有兩個(gè)，一是增加層數(shù)，二是增加隱藏層中神經(jīng)元的數(shù)量。由于增加層數(shù)會(huì)導(dǎo)致原本復(fù)雜的網(wǎng)絡(luò)更加復(fù)雜，進(jìn)而使網(wǎng)絡(luò)權(quán)值的訓(xùn)練時(shí)間更長(zhǎng)，降低工作效率，故一般不采用增加層數(shù)的方法。所以，提高隱含層中的神經(jīng)元數(shù)量就成為了提高精度的優(yōu)選辦法?；诖?，本文建立3層神經(jīng)網(wǎng)絡(luò)。

3.2.2層數(shù)設(shè)計(jì)

輸入層的主要用途是輸入各類已接收的數(shù)據(jù)信息，輸出層的主要作用是輸出經(jīng)過(guò)處理后的最終結(jié)果。一般來(lái)說(shuō)，輸人層和輸出層的設(shè)計(jì)主要關(guān)聯(lián)于應(yīng)用問(wèn)題的具體情況，應(yīng)用問(wèn)題的輸入數(shù)決定了神經(jīng)網(wǎng)絡(luò)的輸入個(gè)數(shù)，應(yīng)用問(wèn)題的輸出數(shù)目決定了輸出層的神經(jīng)元個(gè)數(shù)。

輸入層的輸入?yún)?shù)主要如表1所示。

輸出層提供最終的處理結(jié)果，主要是滾轉(zhuǎn)角、俯仰角和偏航角。

基于地層條件參數(shù)，根據(jù)盾構(gòu)機(jī)在進(jìn)行挖掘工作時(shí)的受力分布情況，本文設(shè)定輸入層有13個(gè)神經(jīng)元，并設(shè)定輸出層的神經(jīng)元數(shù)量是3個(gè)。

在進(jìn)行數(shù)據(jù)處理之前，為提高網(wǎng)絡(luò)訓(xùn)練的效率，本文首先對(duì)神經(jīng)網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)進(jìn)行了預(yù)處理。通過(guò)比較Matlab內(nèi)置主成分分析、標(biāo)準(zhǔn)化處理以及歸一化處理等多種方法，在權(quán)衡以后，本文最終選定了歸一化處理法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。

“歸一化”指的是把擁有多個(gè)尺度、分屬不同區(qū)間的樣本矢量的各個(gè)分量劃人相應(yīng)的區(qū)間內(nèi)，由此，可以利用統(tǒng)一尺度對(duì)樣本的各個(gè)分量進(jìn)行表征。目前，在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中經(jīng)常應(yīng)用到歸一化處理法，在實(shí)踐中發(fā)揮出重要的應(yīng)用價(jià)值。若輸入值在[-1，1]區(qū)間外，sigmoid函數(shù)的輸出響應(yīng)對(duì)輸入的敏感性較低。而對(duì)輸入數(shù)據(jù)執(zhí)行歸一化處理以后，可以確保數(shù)值較大的輸入能夠分布在sigmoid函數(shù)梯度較大的區(qū)間內(nèi)。為了避免在調(diào)節(jié)權(quán)重時(shí)造成振蕩或超調(diào)等問(wèn)題，輸入向量的各個(gè)分量最好能夠處于同一數(shù)量級(jí)，而且變化范圍適中。在實(shí)操中，并未嚴(yán)格要求換算關(guān)系，原則上只要能夠轉(zhuǎn)換為區(qū)間[0，1]內(nèi)的值，即可達(dá)成網(wǎng)絡(luò)訓(xùn)練效果，而且不易出現(xiàn)分散的結(jié)果。

其中，x表示初始數(shù)據(jù)，x表示經(jīng)過(guò)預(yù)處理后的數(shù)據(jù);MinValue表示最小的初始樣本值，MaxValue表示最大的初始樣本值。

在本研究中，選用掘進(jìn)施工中的第100～119環(huán)的20環(huán)姿態(tài)參數(shù)作為樣本，并從每一環(huán)中選出10個(gè)測(cè)量點(diǎn)共200個(gè)測(cè)量點(diǎn)。通過(guò)分析這200組數(shù)據(jù)，得到俯仰角的最大值5.8和最小值0.1，偏航角的最大值5.173'和最小值0.568，滾轉(zhuǎn)角的最大值1.231'和最小值0.097'。為了節(jié)省篇幅，以下僅展示了第100環(huán)的姿態(tài)角數(shù)據(jù)及其歸一化處理后的結(jié)果。

前文已述，本文神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層的神經(jīng)元數(shù)量依次是13個(gè)和3個(gè)，結(jié)合以上列出的三個(gè)參考公式，針對(duì)現(xiàn)實(shí)狀況，可以估計(jì)本文神經(jīng)網(wǎng)絡(luò)中隱含層的神經(jīng)元數(shù)量取自于5～15。所以，設(shè)定隱含層節(jié)點(diǎn)數(shù)h的值為5-15的自然數(shù)。最佳隱含層神經(jīng)數(shù)量的確定需要不斷通過(guò)試驗(yàn)檢測(cè)，在本研究中，隱含層神經(jīng)元數(shù)量為7時(shí)，達(dá)到了最佳狀態(tài)。因此，本研究設(shè)定隱含層的神經(jīng)元數(shù)量為7。

4預(yù)測(cè)結(jié)果與分析

4.1預(yù)測(cè)結(jié)果

選用第100～119環(huán)共20環(huán)的姿態(tài)參數(shù)作為樣本，通過(guò)網(wǎng)絡(luò)訓(xùn)練可以得到訓(xùn)練的參數(shù)，并在訓(xùn)練結(jié)束后建立神經(jīng)網(wǎng)絡(luò)模型，并通過(guò)該模型對(duì)3個(gè)姿態(tài)角進(jìn)行預(yù)測(cè)，所得預(yù)測(cè)結(jié)果依次展示于下圖（2）～圖（4）：

以上圖中的實(shí)線表示BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果，圓點(diǎn)表示實(shí)測(cè)數(shù)據(jù)。上圖中僅展示了前5環(huán)的姿態(tài)參數(shù)，但是仍然可以窺探出姿態(tài)參數(shù)的變化規(guī)律。

4.2誤差分析

根據(jù)上述的預(yù)測(cè)結(jié)果，與實(shí)際的掘進(jìn)位置進(jìn)行比較，得到表4所示的誤差分析結(jié)果。

根據(jù)上表4看出，最大誤差是0.0209，如果盾構(gòu)機(jī)在此條件下進(jìn)行工資，那么直線掘進(jìn)1000m將會(huì)出現(xiàn)5.8mm的位置偏差，說(shuō)明訓(xùn)練以后的神經(jīng)網(wǎng)絡(luò)模型能夠較為精準(zhǔn)地預(yù)測(cè)盾構(gòu)姿態(tài)參數(shù)。

同時(shí)從上述的結(jié)果看出，在盾構(gòu)機(jī)向前掘進(jìn)一個(gè)襯砌管片的長(zhǎng)度時(shí)，盾構(gòu)機(jī)停止掘進(jìn)，開(kāi)始拼裝襯砌管片，在重啟刀盤(pán)時(shí)，受到地層瞬間作用力的影響，盾構(gòu)機(jī)的滾轉(zhuǎn)角、偏航角及俯仰角瞬時(shí)激增。在繼續(xù)向前掘進(jìn)的過(guò)程中，控制系統(tǒng)會(huì)對(duì)偏航角、俯仰角進(jìn)行調(diào)節(jié)，使得這兩項(xiàng)姿態(tài)參數(shù)有所減小，而滾轉(zhuǎn)角是由反轉(zhuǎn)刀盤(pán)進(jìn)行調(diào)節(jié)的，所以滾轉(zhuǎn)角是在該環(huán)結(jié)束以后才開(kāi)始減小的。上圖清晰地展現(xiàn)了盾構(gòu)機(jī)姿態(tài)參數(shù)在盾構(gòu)掘進(jìn)過(guò)程中的變化規(guī)律，也證實(shí)了訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型可以對(duì)盾構(gòu)機(jī)姿態(tài)參數(shù)進(jìn)行準(zhǔn)確預(yù)測(cè)。

5結(jié)語(yǔ)

神經(jīng)網(wǎng)絡(luò)模型能夠檢驗(yàn)盾構(gòu)機(jī)當(dāng)前的掘進(jìn)施工狀態(tài)是否正常，還能對(duì)盾構(gòu)機(jī)在版圖中地層條件下的姿態(tài)參數(shù)進(jìn)行預(yù)測(cè)，以預(yù)測(cè)結(jié)果作為依據(jù)，操作人員可以快速做出反應(yīng)，及時(shí)調(diào)整盾構(gòu)機(jī)掘進(jìn)姿態(tài)，降低掘進(jìn)過(guò)程的偏差，最終保證隧道工程質(zhì)量。