李記軍

(無錫地鐵建設(shè)有限責(zé)任公司，江蘇 無錫 214021)

盾構(gòu)機(jī)是一種常用于隧道施工的掘進(jìn)機(jī)。近年來，隨著我國隧道工程的發(fā)展，盾構(gòu)機(jī)的應(yīng)用越來越頻繁，關(guān)于盾構(gòu)機(jī)及其相關(guān)控制問題的研究越來越深入。但由于技術(shù)限制等，在盾構(gòu)機(jī)掘進(jìn)過程中的智能控制和優(yōu)化方面還面臨諸多難題，比如如何確保盾構(gòu)機(jī)在高精度掘進(jìn)的同時維持密封艙內(nèi)土壓平衡等。針對諸如此類的問題，相關(guān)專家進(jìn)行了研究。楊懸[1]構(gòu)建了盾構(gòu)機(jī)刀盤、刀具三維實(shí)體模型并輸入ANSYS軟件，設(shè)計(jì)了盾構(gòu)刀盤虛擬樣機(jī)結(jié)構(gòu)優(yōu)化系統(tǒng)，改善了盾構(gòu)機(jī)密封艙內(nèi)的土壓波動，一定程度上實(shí)現(xiàn)了盾構(gòu)機(jī)的協(xié)調(diào)優(yōu)化；李錕等[2]、來弘鵬等[3]采用多元線性回歸和隨機(jī)森林方法對土壓平衡盾構(gòu)施工區(qū)間的微風(fēng)化灰?guī)r地層段的主要掘進(jìn)參數(shù)進(jìn)行建模預(yù)測，實(shí)現(xiàn)了對土壓平衡的有效控制，為實(shí)際盾構(gòu)機(jī)施工操作提供了理論支持。上述方法雖取得了一定成果，但對盾構(gòu)機(jī)土壓平衡的控制精度還有待提高。動態(tài)模糊神經(jīng)網(wǎng)絡(luò)(dynamic fuzzy neural network，D-FNN)結(jié)合模糊控制系統(tǒng)與神經(jīng)網(wǎng)絡(luò)模型，可同時進(jìn)行網(wǎng)絡(luò)辨識和自適應(yīng)參數(shù)調(diào)整，具有學(xué)習(xí)速度快、泛化能力強(qiáng)的優(yōu)勢，有利于提高盾構(gòu)機(jī)土壓平衡的控制精度。因此，本文基于D-FNN設(shè)計(jì)了盾構(gòu)機(jī)協(xié)調(diào)優(yōu)化控制模型。

1 基于D-FNN的盾構(gòu)機(jī)協(xié)調(diào)優(yōu)化控制模型構(gòu)建

D-FNN網(wǎng)絡(luò)結(jié)構(gòu)分5層，具體如圖1所示[4]。圖中，x1，…，xr為模型輸入；MFfm為輸入f的第m個隸屬函數(shù)；RN表示第N個模糊規(guī)則；Na表示第a個歸一化節(jié)點(diǎn)；wu為第u個連接權(quán)值；y為模型輸出。D-FNN網(wǎng)絡(luò)具有學(xué)習(xí)速度快、泛化能力強(qiáng)的優(yōu)勢，可解決盾構(gòu)機(jī)在掘進(jìn)過程中土壓平衡控制系統(tǒng)耦合程度高等問題[5-7]。因此，基于D-FNN網(wǎng)絡(luò)構(gòu)建盾構(gòu)機(jī)協(xié)調(diào)優(yōu)化控制模型，以平衡盾構(gòu)機(jī)密封艙內(nèi)的土壓。

圖1 D-FNN網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1.1 輸入層神經(jīng)元確定

根據(jù)盾構(gòu)機(jī)掘進(jìn)機(jī)理可知，螺旋機(jī)轉(zhuǎn)速、盾構(gòu)機(jī)當(dāng)前推進(jìn)速度、推力、刀盤扭矩與密封艙土壓存在密切的非線性關(guān)系[8]，因此以上述4個參數(shù)作為D-FNN模型的輸入。此外，考慮到非線性開環(huán)控制對盾構(gòu)機(jī)的協(xié)調(diào)優(yōu)化控制效果較差，將以D-FNN輸出的實(shí)測密封艙土壓和土壓設(shè)定值的誤差作為模型的輸入之一，構(gòu)成可自動調(diào)節(jié)參數(shù)的閉環(huán)控制，以提高控制效果。

1.2 輸出層神經(jīng)元確定

本文盾構(gòu)機(jī)密封艙土壓平衡協(xié)調(diào)優(yōu)化控制的目的是在盾構(gòu)機(jī)推進(jìn)與排土結(jié)合控制模式下，實(shí)現(xiàn)進(jìn)土量與出土量的動態(tài)平衡，以保證密封艙土壓值與設(shè)定值始終保持一致。因此，本文以螺旋輸送機(jī)轉(zhuǎn)速與盾構(gòu)機(jī)下一時刻的推進(jìn)速度為D-FNN模型的輸出。

1.3 激活函數(shù)與隸屬函數(shù)確定

激活函數(shù)的選擇不僅要考慮其是否具備良好的全局映射能力，還需考慮其是否具備局部細(xì)化的能力。由于高斯函數(shù)具有各向同性特點(diǎn)，同時具備良好的全局映射能力和局部細(xì)化能力[9]，因此本文選用高斯函數(shù)作為D-FNN模型的激活函數(shù)。隸屬函數(shù)反映了觀測數(shù)據(jù)的某種隸屬度，主要有高斯函數(shù)和三角函數(shù)兩類[10]。D-FNN模型是將知識語言規(guī)則轉(zhuǎn)化為數(shù)學(xué)模型來控制行為特征，而高斯函數(shù)可對數(shù)學(xué)模型表達(dá)不確定性進(jìn)行決斷，因此本文選用高斯函數(shù)作為D-FNN模型的隸屬函數(shù)。

1.4 模糊規(guī)則數(shù)量確定

理論上，D-FNN模型的模糊規(guī)則數(shù)量越多，模型可容納的觀測數(shù)據(jù)越多，模型控制效果也越好。但考慮到過多的觀測數(shù)據(jù)容易導(dǎo)致模型參數(shù)出現(xiàn)過擬合，因此有必要對模糊規(guī)則進(jìn)行篩選，剔除對模型貢獻(xiàn)較小的模糊規(guī)則，以提高模型的辨識效率。本文選用常用于修剪模糊規(guī)則數(shù)量的誤差下降率法對模糊規(guī)則進(jìn)行篩選[11-12]。

1.5 模型結(jié)構(gòu)確定

基于上述設(shè)定，本文設(shè)計(jì)的基于D-FNN網(wǎng)絡(luò)的盾構(gòu)機(jī)協(xié)調(diào)優(yōu)化控制模型如圖2所示。

圖2 基于D-FNN的盾構(gòu)機(jī)優(yōu)化控制模型結(jié)構(gòu)

圖中，T(t)為刀盤轉(zhuǎn)矩；F(t)為推力；V(t)為盾構(gòu)機(jī)推進(jìn)速度；n(t)為螺旋輸送機(jī)轉(zhuǎn)速；ΔP(t+1)=P(t+1)-P,為期望土壓與實(shí)測土壓的誤差反饋量，其中P為期望土壓，P(t+1)為實(shí)測土壓；n(t+1)、v(t+1)分別為D-FNN輸出的螺旋輸送機(jī)轉(zhuǎn)速和盾構(gòu)機(jī)下一時刻的推進(jìn)速度，其計(jì)算方式如式(1)[13-14]。

(1)

式中：v(t)…v(t-k)表示盾構(gòu)機(jī)推進(jìn)速度序列；n(t)…n(t-k)表示螺旋輸送機(jī)轉(zhuǎn)速序列。

2 模型訓(xùn)練

對構(gòu)建的基于D-FNN的盾構(gòu)機(jī)優(yōu)化控制模型進(jìn)行訓(xùn)練，首先設(shè)置盾構(gòu)機(jī)螺旋機(jī)轉(zhuǎn)速、推進(jìn)速度、推力等初始數(shù)據(jù)并產(chǎn)生一條模糊規(guī)則，然后判斷輸入的觀測數(shù)據(jù)Xi與高斯單元中心最小距離dmin和可容納所有觀測數(shù)據(jù)范圍的有效半徑kd的大小。如dmin>kd，則增加模糊規(guī)則數(shù)量，反之則減少模糊規(guī)則數(shù)量。最后，產(chǎn)生新的高斯單元，獲取最佳網(wǎng)絡(luò)模型。模型訓(xùn)練流程如圖3所示[15]。圖中，ek為預(yù)先設(shè)定的誤差閾值，ηv為誤差下降率，kw為預(yù)先設(shè)定的誤差下降率閾值。

圖3 基于D-FNN盾構(gòu)機(jī)控制模型訓(xùn)練流程圖

3 仿真實(shí)驗(yàn)

3.1 數(shù)據(jù)來源及模型參數(shù)設(shè)置

本次實(shí)驗(yàn)數(shù)據(jù)來自盾構(gòu)機(jī)內(nèi)置傳感器檢測的800組盾構(gòu)機(jī)掘進(jìn)施工數(shù)據(jù)，并以3∶1的比例隨機(jī)將采集數(shù)據(jù)分為模型訓(xùn)練集(600組)和測試集(200組)。模型參數(shù)具體設(shè)置如下：學(xué)習(xí)率為0.002，慣性系數(shù)為0.05，辨識后模糊規(guī)則數(shù)為13，迭代次數(shù)為1 000。

3.2 結(jié)果與分析

3.2.1模型驗(yàn)證

為驗(yàn)證提出的模型對盾構(gòu)機(jī)協(xié)調(diào)優(yōu)化控制的效果，首先采用訓(xùn)練集對模型進(jìn)行訓(xùn)練；然后利用測試集對訓(xùn)練完成的模型進(jìn)行仿真，得到模型的輸出；最后將模型輸出與實(shí)際現(xiàn)場盾構(gòu)機(jī)施工數(shù)據(jù)進(jìn)行對比，得到如圖4～圖6所示的結(jié)果。圖4為模型優(yōu)化后螺旋輸送機(jī)轉(zhuǎn)速與實(shí)際速度對比；圖5為模型優(yōu)化后盾構(gòu)機(jī)推進(jìn)速度與實(shí)際速度對比；圖6為模型優(yōu)化后密封艙土壓波動情況與實(shí)際土壓波動情況對比。

圖4 螺旋輸送機(jī)轉(zhuǎn)速對比

圖5 盾構(gòu)機(jī)推進(jìn)速度對比

圖6 密封艙土壓波動情況對比

由圖4、圖5可知，采用D-FNN網(wǎng)絡(luò)模型優(yōu)化后的螺旋輸送機(jī)轉(zhuǎn)速和盾構(gòu)機(jī)推進(jìn)速度與實(shí)際值變化趨勢相符，均方誤差分別為0.189和2.546，在誤差允許范圍內(nèi)。

由圖6可知，盾構(gòu)機(jī)掘進(jìn)過程中，密封艙土壓始終處于波動狀態(tài)，實(shí)際值平均波動誤差為8.46%，而通過D-FNN模型優(yōu)化后，密封艙土壓的波動明顯下降，與設(shè)定值0.15 MPa接近，平均波動誤差為1.45%。由此說明，本文提出的D-FNN模型可根據(jù)實(shí)際施工環(huán)境優(yōu)化盾構(gòu)機(jī)螺旋輸送機(jī)轉(zhuǎn)速和盾構(gòu)機(jī)下一時刻的推進(jìn)速度，改善密封艙土壓，實(shí)現(xiàn)盾構(gòu)機(jī)密封艙土壓平衡。

3.2.2模型對比

為進(jìn)一步驗(yàn)證本文所提出模型的優(yōu)越性，基于相同的盾構(gòu)機(jī)掘進(jìn)數(shù)據(jù)，分別采用本文模型和BPNN(BP網(wǎng)絡(luò))模型對盾構(gòu)機(jī)進(jìn)行優(yōu)化控制，得到兩種模型的土壓控制效果，如圖7所示。由圖可知，相較于BPNN模型，本文所提模型控制下的密封艙土壓波動情況與設(shè)定值更接近，說明所提模型的控制效果更好，優(yōu)于BPNN模型。

圖7 不同模型控制下密封艙土壓波動情況

為定量分析D-FNN模型和BPNN模型對密封艙土壓的控制誤差，計(jì)算得到兩種模型對螺旋輸送機(jī)轉(zhuǎn)速、盾構(gòu)機(jī)下一時刻推進(jìn)速度的均方差(MSE)以及土壓波動相對誤差，見表1。由表可知，BPNN模型控制下的螺旋輸送機(jī)轉(zhuǎn)速與實(shí)際值的均方誤差為0.509，盾構(gòu)機(jī)下一時刻推進(jìn)速度與實(shí)際值的均方誤差為3.428，土壓波動相對誤差為4.53%，均大于D-FNN控制下的均方誤差和相對誤差。由此說明，所提D-FNN模型對盾構(gòu)機(jī)的協(xié)調(diào)優(yōu)化控制優(yōu)于BPNN模型，可最大程度降低盾構(gòu)機(jī)掘進(jìn)過程中密封艙土壓波動，具有一定的實(shí)用價值。

表1 不同模型控制誤差分析

4 結(jié)束語

本文所提的基于D-FNN網(wǎng)絡(luò)的盾構(gòu)機(jī)協(xié)調(diào)優(yōu)化控制方法，可根據(jù)實(shí)際施工環(huán)境優(yōu)化盾構(gòu)機(jī)螺旋輸送機(jī)轉(zhuǎn)速和盾構(gòu)機(jī)下一時刻的推進(jìn)速度，改善盾構(gòu)機(jī)掘進(jìn)過程中密封艙的土壓，使土壓平均波動誤差僅為1.45%。相較于傳統(tǒng)BPNN優(yōu)化控制方法，本文提出的方法控制效果更好，具有一定的實(shí)用價值。但由于條件限制，本文的研究仍存在一些不足之處，主要是提出方法的普適性不足。我國地域遼闊，環(huán)境復(fù)雜多變，盾構(gòu)機(jī)施工中遇到的困難各種各樣，而本文沒有對提出方法在不同施工環(huán)境下的適用性進(jìn)行研究。因此，下一步將選取更多具有代表性盾構(gòu)機(jī)施工數(shù)據(jù)，進(jìn)一步完善所提方法，以提高方法的普適性。