【技術實現步驟摘要】
本專利技術涉及全斷面掘進過程，具體涉及對全斷面硬巖隧道掘進機（tunnel?boring?machine，tbm）的pr值（penetration?rate，掘進速度）的預測及控制技術，屬于模型預測控制（mpc）方向，特別涉及懸臂式隧道掘進用智能控制方法及系統。
技術介紹
1、tbm憑借其便捷性、高效性、經濟性和環境友好性等顯著優勢，已成為城市交通建設、煤礦巷道開挖、水利水電隧洞施工等多個領域不可或缺的重要技術手段。特別是在水網支線建設等地形高差顯著區域，采用小直徑tbm進行施工成為一項必然選擇。
2、然而tbm的施工性能對施工地質條件，特別是在復合地層掘進過程中具有極高的敏感性（復合地層指的是在隧道開挖斷面范圍內或沿開挖延伸方向上，存在兩種或更多種在巖土力學性質、工程地質特性以及水文地質條件等方面存在顯著差異的地層組合）。
3、當地質條件與tbm掘進參數不匹配時，將直接導致掘進效率的大幅下降，進而引發施工成本攀升、工期延長等一系列問題。例如在小直徑隧洞施工中，由于隧洞空間狹小，tbm掘進參數的設置也更為困難。不僅增加了施工的不確定性，還使得pr值的波動范圍顯著增大。因此掘進速度作為衡量tbm施工效率的關鍵指標，其準確預測對于tbm的參數控制、施工風險控制以及施工工期估算而言具有重要意義。
4、為此，不少現有技術試圖實現這一目標，例如：
5、（1）?公開了一種tbm刀盤轉速自適應控制方法（公開日?），其通過建立相關數據庫和隨機森林算法優化模型，根據實時參數調整刀盤的轉速，實現刀盤轉
6、（2）公開了一種基于xgboost算法的tbm掘進速度智能控制方法（公開日），基于xgboost算法建立智能調速模型，并實時推送tbm的掘進推薦速度，通過plc控制系統寫入推薦參數，實現tbm掘進速度的智能控制。但是該方案的模型是基于歷史巖石參數等掘進環境參數的回歸任務，如果當前施工環境沒有能執行回歸任務的數據或偏差較大，則所推薦的掘進速度的置信度不高。
7、（3）公開了機器學習和改進遺傳算法的盾構施工參數多目標優化方法（公開日），其通過建立盾構施工參數與盾構水平姿態、垂直姿態的兩個svm預測模型，盾構施工參數對地表最終沉降的lgbm預測模型，根據改進nsga-iii算法得到pareto最優解集，確定滿足盾構垂直、水平姿態糾偏誤差和地表沉降變形限值的盾構施工參數的控制范圍。但是該方案更偏向于tbm在不同時刻下的掘進效率的最優解；站在宏觀角度下，這種側重于每時每刻都最優解的方案實質上陷入了遺傳算法的局部最優解的缺陷中，對于整體施工及其掘進速度而言并不是真正意義上的最優解。
8、（4）公開了一種基于機理與數據驅動的盾構機掘進速度與地表沉降預測方法（公開日），其用于盾構機施工過程中進行盾構機速度與地表沉降預測，包括進行地質勘探后從巖土力學出發，考慮土體的力學性質，建立切刀切削土體的受力模型，進一步推導出切刀的水平切削力計算公式；進一步將切削力作為輸入參數引入雙驅動預測模型中共同作為雙驅動預測模型的輸入參數，建立改進粒子群算法優化支持向量機的掘進速度與地表沉降預測模型，實現掘進速度與地表沉降的預測，極大提升后續掘進速度與地表沉降預測的精度。雖然該方案基于切刀切削土體的受力模型，在每時每刻下推導出切刀的水平切削力進行優化，但這種方案僅適用于“水平切削力-地表沉降預測”的單輸入單輸出的數據驅動模式。當涉及多自變量因素考量時，該模型并不支持輸入與輸出序列不等長的情形，進而魯棒性不足，難以支持更復雜的數據驅動處理與更精確的數據預測，進而在實際隧道掘進過程中，不同時間點的輸入數據維度和數量可能因地質條件的變化、掘進機操作策略的調整而有所差異，而模型未能有效處理這種不等長序列的映射關系，限制了其在復雜多變施工環境下的應用效果。
9、（5）文獻《楊耀紅，韓興忠，張智曉，等.復合地層小直徑隧道掘進機掘進速度區間預測[j].科學技術與工程，2023，23(34)：14638-14650.》公開了一種bpnn神經網絡，基于bootsurap重抽樣方法建立速度區間預測模型，實現對pr值的預測。但是該方案同樣不支持輸入與輸出序列不等長的情形。雖然該方案采用bootstrap抽樣技術結合隨機分布，解決了上述傳統技術中回歸模式的缺陷，但是bootstrap重抽樣技術通過重復抽取原始數據集來構建多個子樣本集，以增加模型的魯棒性和減少過擬合風險，但這種方法本質上是一種基于有限樣本的隨機重采樣技術。當樣本量有限或樣本分布不代表整體分布時，bootstrap抽樣所得結果的穩定性和代表性將受到質疑。而且結合隨機分布進行統計推斷時，該方法雖然能夠生成預測區間的估計，但這些估計往往基于樣本數據的經驗分布，而非真實的總體分布。因此，所得統計結果（如置信區間）可能無法準確反映實際掘進速度pr值的真實分布特性，導致統計推斷的準確性和可靠性大打折扣。進而，bootstrap抽樣與隨機分布的結合使用無法直接提供對整個置信區間分布的精確描述，模型在進行統計推斷時面臨挑戰。特別是在需要精確評估掘進速度pr值的不確定性、進行風險分析或決策制定時，這種局限性尤為突出。
10、為此，本專利技術提出懸臂式隧道掘進用智能控制方法及系統。
技術實現思路
1、有鑒于此，本專利技術希望提供懸臂式隧道掘進用智能控制方法及系統，以解決或緩解現有技術中存在的技術問題，即如何考慮tbm在執行掘進任務中的支持多自變量數據驅動（即支持輸入與輸出序列不等長），在避免陷入局部最優解的前提下，進一步提高推測bp值的置信度（即提供對整個置信區間分布的精確描述），并進一步提高tbm的控制效果。本專利技術的技術方案是這樣實現的：
2、第一方面，懸臂式隧道掘進用智能控制方法：
3、（一）概述：
4、本專利技術旨在通過數據驅動的方法預測并控制tbm掘進速度。首先，利用tbm傳感器系統收集掘進參數作為自變量x，構成輸入序列s，并設定未來掘進速度pr為因變量y。接著，構建雙向seq-bi-gru神經網絡模型，結合seq2seq架構處理輸入輸出不等長問題。模型中加入模糊處理層減少數據噪聲，生成修正隱藏狀態序列；解碼層采用d-s證據理論算法融合多證據，提高預測置信度，最終輸出最可信的掘進速度預測值y’。最后，根據預測值y’與實際掘進速度pr’的差值，通過pid控制器計算控制電信號，實現對tbm掘進速度的精確控制。融合了深度學習、模糊處理與證據理論，有效提升了掘進速度預測的準確性和控制精度，為tbm高效、安全掘進提供了有力支持。
5、（二）技術方案：
6、為實現上述目標，本專利技術選擇執行如下操作步驟。
本文檔來自技高網...
【技術保護點】
1.懸臂式隧道掘進用智能控制方法，其特征在于，包括在當前時間步t下，執行如下步驟：
2.根據權利要求1所述的智能控制方法，其特征在于：在所述S1中，所述自變量X(t)=[Gt,Cp,Ct,Ch,Cs,FPI,TPI,PR′]；
3.根據權利要求1所述的智能控制方法，其特征在于：在所述S2中，所述雙向Seq-Bi-GRU模糊神經網絡的數據驅動流程包括：
4.根據權利要求3所述的智能控制方法，其特征在于：在所述編碼層和所述解碼層之間還包括一回溯層，所述回溯層對于上一時間步的修正隱藏狀態序列?H’t-1，通過最小二乘法進行殘差回溯，利用歷史預測誤差進行補償，生成中間向量C；將中間向量C作為解碼層的輸入；
5.根據權利要求3或4所述的智能控制方法，其特征在于：在所述編碼層中，所述前向隱藏狀態序列：；
6.根據權利要求3或4所述的智能控制方法，其特征在于：在所述模糊處理層中：基于N條由模糊集Ai和線性變換函數Fi組成的模糊規則Ri，對于每個時間步t和每條所述模糊規則Ri，計算所述最終隱藏狀態h(t)屬于所述模糊集Ai的所述隸屬度α
7.根據權利要求4所述的智能控制方法，其特征在于：所述回溯層的數據驅動流程包括：
8.根據權利要求4所述的智能控制方法，其特征在于：所述解碼層中，所述D-S證據理論算法的數據驅動流程包括對于每個因變量Y'i，計算其置信度Bel(Y'i)：
9.根據權利要求3或4所述的智能控制方法，其特征在于：在所述S3中，所述PID控制器的數據驅動方法在于：
10.懸臂式隧道掘進用智能控制系統，其特征在于：所述系統包括處理器、所述處理器連接的存儲器，所述存儲器中存儲有程序指令，所述程序指令被所述處理器執行時，使所述處理器執行如權利要求1-9中任意一項所述的智能控制方法；得出所述控制電信號u(t)后，輸入至TBM控制系統中，由TBM控制系統控制TBM的執行機構進行相應作業。
...【技術特征摘要】
1.懸臂式隧道掘進用智能控制方法，其特征在于，包括在當前時間步t下，執行如下步驟：
2.根據權利要求1所述的智能控制方法，其特征在于：在所述s1中，所述自變量x(t)=[gt,cp,ct,ch,cs,fpi,tpi,pr′]；
3.根據權利要求1所述的智能控制方法，其特征在于：在所述s2中，所述雙向seq-bi-gru模糊神經網絡的數據驅動流程包括：
4.根據權利要求3所述的智能控制方法，其特征在于：在所述編碼層和所述解碼層之間還包括一回溯層，所述回溯層對于上一時間步的修正隱藏狀態序列?h’t-1，通過最小二乘法進行殘差回溯，利用歷史預測誤差進行補償，生成中間向量c；將中間向量c作為解碼層的輸入；
5.根據權利要求3或4所述的智能控制方法，其特征在于：在所述編碼層中，所述前向隱藏狀態序列：；
6.根據權利要求3或4所述的智能控制方法，其特征在于：在所述模糊處理層中：基于n條由模糊集ai和線...
【專利技術屬性】
技術研發人員：徐本勇，劉文敏，劉文彥，
申請(專利權)人：富源通隆工貿有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。