CN102629107B - 大循环灌浆监控系统的压力闭环控制方法 - Google Patents

Abstract

大循环灌浆监控系统的压力闭环控制方法，包括以下步骤：确定系统模型参数的上、下界；选取模型变量，确定灌浆压力控制系统模型结构；灌浆压力模型的支持向量机建模算法；灌浆压力模型的校正；基于灌浆压力预测模型的直接控制策略；本发明控制方法精确，操作性好，给实际施工带来了很大的便利。

Description

大循环灌浆监控系统的压力闭环控制方法

技术领域

本发明涉及灌浆监控系统，具体为大循环灌浆监控系统的压力闭环控制方法。

背景技术

因灌浆工艺的有效性和经济性，灌浆技术在水利大坝基础加固、防渗、堵漏中必不可少的过程。灌浆压力是影响灌浆压力的关键参数之一，由于地层变化、灌浆参数相互影响，使得灌浆过程呈现很大的不确定性、时变性及非线性，灌浆施工过程未能真正灌浆压力的自动控制。现行大循环监控系统存在严重依赖工程师操作经验及专业素质，易出现类似于天生桥二级水电站灌浆施工的重大事故。为解决上述难点问题，需研究灌浆压力的自适应控制方法，使得整个复杂灌浆过程中压力能高精度跟踪设计值，确保施工安全与工程质量。

灌浆工程中，按浆液在孔中的流动路线，可分为纯压式灌浆、小循环式灌浆和大循环灌浆三种。国外多采用纯压式灌浆系统，因注入浆液不返回地面，只需在灌浆泵后的管路中安装一台流量计即可检测出进入灌浆孔的浆液的流量。在我国大坝水利大坝灌浆中灌浆压力高，浆液长期不循环容易变质，且造成施工拔管等工艺的困难，多采用循环式灌浆。早期的小循环灌浆系统返回的浆液不返回浆桶，采用一个流量计，会产生返浆浆液流回浆桶后流量计重复计量等问题，基本不使用。

经过近四十年的研究，大循环灌浆监测系统在工艺设计、参数测量、数据的无线传输及灌浆数据管理软件等许多技术方面取得了很大进步，但现行监测系统未能实现压力的自动控制，工程师凭借自己的施工经验控制调压阀开度和灌浆液的变换，以求改变灌浆压力。灌浆压力(地下灌浆部位的压力)是灌浆泵通过传输管道将灌浆液压人裂隙地层的压力。现有技术表明：它是一把“双刃剑”，压力过大，破坏原有地质结构引起地质灾害，并浪费灌浆液材料；过小则影响灌浆液结合强度，不能起到地基加固、防渗堵漏的作用。因为岩石裂隙的不确定变化会导致灌浆压力与流量、密度等参数的关系复杂；这种人工控制灌浆压力的方法控制精度差，在灌浆施工过程中事故时有发生，产生很大的经济损失甚至危及周边人群安全。如何在灌浆过程中实时调整灌浆压力，确保高精度跟踪设计压力曲线，这是监控系统的难点问题之一。为了解决高压人工调节不准引起压力反复震荡，设计了一种机械式自动控制阀，利用一组组合弹簧来自动改变阀芯的开度，起到了一定压力调节作用。浙江大学吴国忠等开展一些探索性研究，建立了孔口压力的模糊PID反馈控制系统，运用模糊推理系统调节PID参数。这些方法中都没考虑密度变化、密度对压力的耦合干扰问题及地层不确定变化时引起系统模型发生变化。

人工开环控制方式非常依赖于灌浆现场操作人员的操作经验，且工程实践表明，当灌浆压力高于3MPa时，极易出现控制不准确的问题。由于灌浆压力的变化，机械式自动控制阀内的弹簧的压缩长度会自动变化，从而自动改变阀的开度，达到调节灌浆压力的目的。在高压时，阀的自动调节能力得到改善，但不能自动跟踪变化灌浆压力曲线变化，控制灵活性差。基于模糊PID的控制方法需要建立灌浆压力需要建立系统的机理模型，而现有灌浆压力的建模方法是以裂隙概念模型为对象，建立了灌浆参数的机理模型，因地表下灌浆工程的“隐蔽性”，这种机理模型存在两个缺陷，一是模型中关于裂隙的几何参数等在实际灌浆过程中难以获取；二是假设条件多，误差通常较大。而关于复杂裂隙岩层灌浆的有限元计算模型的实时性差，不能作为现场监控系统的控制模型。

发明内容

本发明所解决的技术问题在于提供大循环灌浆监控系统的压力闭环控制方法，以解决上述背景技术中的缺点。

本发明所解决的技术问题采用以下技术方案来实现：

大循环灌浆监控系统的压力闭环控制方法，包括以下步骤：

第一步：确定系统模型参数的上、下界：收集已有灌浆过程的案例数据并分析灌浆工艺，确定灌浆过程的压力、流量及密度参数的上、下边界值；

第二步：选取模型变量，确定灌浆压力控制系统模型结构：将整个被控对象的物理模型抽象为有流量不确定变化的密闭双容系统，将灌浆压力的建模转化成密闭容器底部压力集中参数的建模；根据简化物理模型，将灌浆液注入过程分解为几个子过程，结合质量守恒定律，列出子过程的微分方程或线性方程，从中初步选取灌浆压力模型的辅助变量；然后利用ANSYS软件中CFD(计算流体动力学)模块对灌浆液充填的管道输送进行数值模拟，进一步挖掘模型的特征变量，选取对灌浆压力模型影响较大的输入变量集合Χ，从而构造出灌浆压力监控系统模型的结构，即P_G＝f(X,U_K,d)，其中：d为系统干扰，U_K为返浆管道上阀的开度，X为可测输入变量集，P_G为灌浆压力值；

第三步：灌浆压力模型的支持向量机建模算法：利用第二步获取的输入变量集合X和灌浆压力P_G的工程测量数据值，按照留一法抽取部分数据组成灌浆压力支持向量机模型的训练集，(X_i,Y_i)，其中X_i∈R⁴,Y_i∈R，i＝1,2,…,l，根据已知样本寻求一个最优模型D(x)＝(w·X_i+b)；使得该模型应用到实际系统中时，泛化性好；支持向量机采用最大间隔的思想和结构风险最小化原理[9，10]，将建模问题转化为最优化问题，即

$\begin{array}{c}\{\min \frac{1}{2}{\left|\right|w\left|\right|}^2\\ \mathrm{st}.-\mathrm{\ϵ}\≤Y_i-((w\·X_i)+b)\≤\mathrm{\ϵ}\end{array}---\left(1\right)$

引入Lagrange乘子和核函数k(X_i,X_j)，为了调节训练误差和模型复杂性，在实际算法中通常在支持向量机中引入调节参数C；式(1)问题的求解转变为如下形

$\begin{array}{c}\min L(w,b,\mathrm{\α})=\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j}{\overset{1}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})k(X_i,X_j)\\ -\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)+\mathrm{\ϵ}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)\end{array}$

$\mathrm{st}.\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

$\frac{C}{l}\≥{\stackrel{\‾}{\mathrm{\α}}}_i\≥0,i=\mathrm{1,2},...l---\left(2\right)$

运用二次规划算法及KKT条件，即可求取模型中的支持向量对应的系数和b，建立系统的支持向量机模型为

$\left(x\right)=\underset{i-1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})k(X\·X_i)+b---\left(3\right)$

式中：0<α_i<C对应的X_i称之为支持向量，b为常数；构造式(2)类型函数的学习机器称之为支持向量机；

k(X，X_i)＝exp(γ(||X-X_i||))

(4)

式(4)代入式(3)，就能将原始数据空间的数据转化特征空间的数据运算；

运用嵌套式均匀设计需确定参数的范围；在训练集中选择相距最近的两点a_i,a_j，标记它们的距离为

$s=\min {\left|\right|a_i-a_j\left|\right|}_2^2---\left(5\right)$

若定义这对数据的核函数值范围为[0.1－0.999],有

$0.1\&le;e^{-\mathrm{\&gamma;S}}\&le;0.999\&DoubleRightArrow;\frac{-1n\left(0.999\right)}{S}\&le;\mathrm{\&gamma;}\&le;\frac{-1n\left(0.1\right)}{S}---\left(6\right)$

C参数范围根据Lee等[11]研究结果定为[10^-2,10⁴]；

第四步：灌浆压力模型的校正：利用第二步获取的输入变量集合X和灌浆压力P_G的测量数据值，按照留一法抽取部分数据组成灌浆压力支持向量机模型的测试集(X′_iY′_i)，若测试误差率不满足工程要求，重新修正模型参数γ；

第五步：建立灌浆压力的预测模型，利用第二、三、四步获取的灌浆压力模型在线预测，利用输入变量集合X，采用仿真实验方法确定预测时域长度K，建立灌浆压力预测模型；灌浆压力模型的输入变量X包括注入裂隙地层的水泥浆液的注入流速Q(L/Min)、孔口压力P(MPA)、灌浆液密度ρ()、灌浆部位距离孔口位置高度H(m)及阀的开度U_K,利用前K时刻的输入变量值X(t-K)＝{Q(t-K)、P(t-K)、ρ(t-K)、H、U_K}预测实时灌浆压力值P(t)，并针对灌浆压力预测值与工程实测值之间的偏差调节预测模型的参数,使得整个模型具有很好的建模精度，预测模型采用支持向量机回归方法；

第六步：基于灌浆压力预测模型的直接控制策略：用支持向量机非线性预测模型来描述系统动态变化，基于灌浆压力预测模型输出与灌浆压力的设计偏差直接调节模型的监控系统的可控变量，即阀的开度U_K和灌浆液密度；建立灌浆压力控制系统的数学描述及控制变量的约束表达；利用分时段预测的思想，实现整个过程灌浆压力动态控制及密度在线调节；深入分析灌浆背景，根据实际工程岩石地层裂隙的变化必然引起注入流量的变化，针对地层变化需改变灌浆液密度来满足工程需要，借用状态反馈思想，在控制器迭代优化过程中采用一个基于注入流量总量反馈的虚拟启发器来改变控制策略，结合前馈控制方法及时改变灌浆液密度。

本发明的技术原理：利用现场监测压力、流量及密度的数据进行无模型自适应控制灌浆压力；利用已经验证灌浆操作非常成功人工控制灌浆案例监测数据，利用这些离线数据设计灌浆监控系统的支持向量机预测模型；然后利用上述建立的灌浆压力支持向量机预测模型在线开展预测；最后根据支持向量机预测值和灌浆压力设计值的偏差在线调整电动压力调节阀的开度；当采用调节阀的开度不能满足设计压力要求时，且当累计流量超过设计规范时，就调节灌浆液密度；当地层变化注入流量发生突变或密度变化引起灌浆压力突变时，采用灌浆压力的前馈控制方法，若注入流量变小，返浆流量突然变大，在进浆管道口安装管道直接将灌浆液排回浆桶，若注浆流量变小，注入流量增大导致灌浆压力降低，直接根据模型输出偏差调节返浆管道上阀的开度。

有益效果

本发明控制方法精确，操作性好，给实际施工带来了很大的便利。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例，进一步阐述本发明。

实施例1

确定系统模型参数的上、下界：收集已有灌浆过程的案例数据并分析灌浆工艺，确定灌浆过程的压力、流量及密度参数的上、下边界值；选取模型变量，确定灌浆压力控制系统模型结构：将整个被控对象的物理模型抽象为有流量不确定变化的密闭双容系统，将灌浆压力的建模转化成密闭容器底部压力集中参数的建模；根据简化物理模型，将灌浆液注入过程分解为几个子过程，结合质量守恒定律，列出子过程的微分方程或线性方程，从中初步选取灌浆压力模型的辅助变量；然后利用ANSYS软件中CFD(计算流体动力学)模块对灌浆液充填的管道输送进行数值模拟，进一步挖掘模型的特征变量，选取对灌浆压力模型影响较大的输入变量集合Χ，从而构造出灌浆压力监控系统模型的结构，即P_G＝f(X,U_K,d)，其中：d为系统干扰，U_K为返浆管道上阀的开度，X为可测输入变量集，P_G为灌浆压力值；灌浆压力模型的支持向量机建模算法：利用获取的输入变量集合X和灌浆压力P_G的工程测量数据值，按照留一法抽取部分数据组成灌浆压力支持向量机模型的训练集，(X_i,Y_i)，其中X_i∈R⁴,Y_i∈R，i＝1,2,…,l，根据已知样本寻求一个最优模型D(x)＝(w·X_i+b)；使得该模型应用到实际系统中时，泛化性好；支持向量机采用最大间隔的思想和结构风险最小化原理[9，10]，将建模问题转化为最优化问题，即

$\begin{array}{c}\{\min \frac{1}{2}{\left|\right|w\left|\right|}^2\\ \mathrm{st}.-\mathrm{\&epsiv;}\&le;Y_i-((w\&CenterDot;X_i)+b)\&le;\mathrm{\&epsiv;}\end{array}---\left(1\right)$

引入Lagrange乘子和核函数k(X_i,X_j)，为了调节训练误差和模型复杂性，在实际算法中通常在支持向量机中引入调节参数C；式(1)问题的求解转变为如下形

$\begin{array}{c}\min L(w,b,\mathrm{\&alpha;})=\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}\underset{j}{\overset{1}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})({\mathrm{\&alpha;}}_j-{\mathrm{\&alpha;}}_j^{*})k(X_i,X_j)\\ -\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{y}_i({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)+\mathrm{\&epsiv;}\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}+{\mathrm{\&alpha;}}_i)\end{array}$

$\mathrm{st}.\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})=0$

$\frac{C}{l}\&GreaterEqual;{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_i\&GreaterEqual;0,i=\mathrm{1,2},...l---\left(2\right)$

运用二次规划算法及KKT条件，即可求取模型中的支持向量对应的系数和b，建立系统的支持向量机模型为

$\left(x\right)=\underset{i-1}{\overset{l}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})k(X\&CenterDot;X_i)+b---\left(3\right)$

式中：0<α_i<C对应的X_i称之为支持向量，b为常数；构造式(2)类型函数的学习机器称之为支持向量机；

k(X，X_i)＝exp(γ(||X-X_i||))                       (4)

式(4)代入式(3)，就能将原始数据空间的数据转化特征空间的数据运算；

运用嵌套式均匀设计需确定参数的范围；在训练集中选择相距最近的两点a_i,a_j，标记它们的距离为

$s=\min {\left|\right|a_i-a_j\left|\right|}_2^2---\left(5\right)$

若定义这对数据的核函数值范围为[0.1－0.999],有

$0.1\&le;e^{-\mathrm{\&gamma;S}}\&le;0.999\&DoubleRightArrow;\frac{-1n\left(0.999\right)}{S}\&le;\mathrm{\&gamma;}\&le;\frac{-1n\left(0.1\right)}{S}---\left(6\right)$

C参数范围根据Lee等[11]研究结果定为[10^-2,10⁴]；灌浆压力模型的校正：利用第二步获取的输入变量集合X和灌浆压力P_G的测量数据值，按照留一法抽取部分数据组成灌浆压力支持向量机模型的测试集(X′_i,Y′_i)，若测试误差率不满足工程要求，重新修正模型参数γ；建立灌浆压力的预测模型，利用获取的灌浆压力模型在线预测，利用输入变量集合X，采用仿真实验方法确定预测时域长度K，建立灌浆压力预测模型；灌浆压力模型的输入变量X包括注入裂隙地层的水泥浆液的注入流速Q(L/Min)、孔口压力P(MPA)、灌浆液密度ρ()、灌浆部位距离孔口位置高度H(m)及阀的开度U_K,利用前K时刻的输入变量值X(t-K)＝{Q(t-K)、P(t-K)、ρ(t-K)、H、U_K}预测实时灌浆压力值P(t)，并针对灌浆压力预测值与工程实测值之间的偏差调节预测模型的参数,使得整个模型具有很好的建模精度，预测模型采用支持向量机回归方法；基于灌浆压力预测模型的直接控制策略：用支持向量机非线性预测模型来描述系统动态变化，基于灌浆压力预测模型输出与灌浆压力的设计偏差直接调节模型的监控系统的可控变量，即阀的开度U_K和灌浆液密度；建立灌浆压力控制系统的数学描述及控制变量的约束表达；利用分时段预测的思想，实现整个过程灌浆压力动态控制及密度在线调节；深入分析灌浆背景，根据实际工程岩石地层裂隙的变化必然引起注入流量的变化，针对地层变化需改变灌浆液密度来满足工程需要，借用状态反馈思想，在控制器迭代优化过程中采用一个基于注入流量总量反馈的虚拟启发器来改变控制策略，结合前馈控制方法及时改变灌浆液密度。

以上显示和描述了本发明的基本原理和主要特征及本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.大循环灌浆监控系统的压力闭环控制方法，其特征在于，包括以下步骤：

第一步：确定系统模型参数的上、下界：收集已有灌浆过程的案例数据并分析灌浆工艺，确定灌浆过程的压力、流量及密度参数的上、下边界值；

第二步：选取模型变量，确定灌浆压力控制系统模型结构：将整个被控对象的物理模型抽象为有流量不确定变化的密闭双容系统，将灌浆压力的建模转化成密闭容器底部压力集中参数的建模；根据简化物理模型，将灌浆液注入过程分解为几个子过程，结合质量守恒定律，列出子过程的微分方程或线性方程，从中初步选取灌浆压力模型的辅助变量；然后利用ANSYS软件中计算流体动力学模块对灌浆液充填的管道输送进行数值模拟，进一步挖掘模型的特征变量，选取对灌浆压力模型影响较大的输入变量集合Χ，从而构造出灌浆压力监控系统模型的结构，即P_G＝f(X,U_K,d)，其中：d为系统干扰，U_K为返浆管道上阀的开度，X为可测输入变量集，P_G为灌浆压力值；

第三步：灌浆压力模型的支持向量机建模算法：利用第二步获取的输入变量集合X和灌浆压力P_G的工程测量数据值，按照留一法抽取部分数据组成灌浆压力支持向量机模型的训练集，(X_i,Y_i)，其中X_i∈R⁴,Y_i∈R，i＝1,2,…,l，根据已知样本寻求一个最优模型D(x)＝(w·X_i+b)；使得该模型应用到实际系统中时，泛化性好；支持向量机采用最大间隔的思想和结构风险最小化原理，将建模问题转化为最优化问题，即

$\begin{array}{c}\{\min \frac{1}{2}{\left|\right|w\left|\right|}^2\\ \mathrm{st}.-\mathrm{\&epsiv;}\&le;Y_i-((w\&CenterDot;X_i)+b)\&le;\mathrm{\&epsiv;}\end{array}---\left(1\right)$

引入Lagrange乘子和核函数k(X_i,X_j)，为了调节训练误差和模型复杂性，在实际算法中通常在支持向量机中引入调节参数C；式(1)问题的求解转变为如下形

$\begin{array}{c}\min L(w,b,\mathrm{\&alpha;})=\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}\underset{j}{\overset{1}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})({\mathrm{\&alpha;}}_j-{\mathrm{\&alpha;}}_j^{*})k(X_i,X_j)\\ -\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{y}_i({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)+\mathrm{\&epsiv;}\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}+{\mathrm{\&alpha;}}_i)\end{array}$

$\mathrm{st}.\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})=0$

$\frac{C}{l}\&GreaterEqual;{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_i\&GreaterEqual;0,i=\mathrm{1,2},...l---\left(2\right)$

运用二次规划算法及KKT条件，即可求取模型中的支持向量对应的系数和b，建立系统的支持向量机模型为

$\left(x\right)=\underset{i-1}{\overset{l}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})k(X\&CenterDot;X_i)+b---\left(3\right)$

式中：0<α_i<C对应的X_i称之为支持向量，b为常数；构造式(2)类型函数的学习机器称之为支持向量机；

k(X，X_i)＝exp(γ(||X-X_i||))

(4)

式(4)代入式(3)，就能将原始数据空间的数据转化特征空间的数据运算；

运用嵌套式均匀设计需确定参数的范围；在训练集中选择相距最近的两点a_i,a_j，标记它们的距离为

$s=\min {\left|\right|a_i-a_j\left|\right|}_2^2---\left(5\right)$

若定义这对数据的核函数值范围为[0.1－0.999],有

$0.1\&le;e^{-\mathrm{\&gamma;s}}\&le;0.999\&DoubleRightArrow;\frac{-\ln \left(0.999\right)}{s}\&le;\mathrm{\&gamma;}\&le;\frac{-\ln \left(0.1\right)}{s}---\left(6\right)$

C参数范围定为[10^-2,10⁴]；

第四步：灌浆压力模型的校正：利用第二步获取的输入变量集合X和灌浆压力P_G的测量数据值，按照留一法抽取部分数据组成灌浆压力支持向量机模型的测试集(X′_iY′_i)若测试误差率不满足工程要求，重新修正模型参数γ；

第五步：建立灌浆压力的预测模型，利用第二、三、四步获取的灌浆压力模型在线预测，利用输入变量集合X，采用仿真实验方法确定预测时域长度K，建立灌浆压力预测模型；灌浆压力模型的输入变量X包括注入裂隙地层的水泥浆液的注入流速Q、孔口压力P、灌浆液密度ρ、灌浆部位距离孔口位置高度H及阀的开度U_K,利用前K时刻的输入变量值X(t-K)={Q(t-K)、P(t-K)、ρ(t-K)、H、U_K}预测实时灌浆压力值P(t)，并针对灌浆压力预测值与工程实测值之间的偏差调节预测模型的参数,使得整个模型具有很好的建模精度，预测模型采用支持向量机回归方法；

第六步：基于灌浆压力预测模型的直接控制策略：用支持向量机非线性预测模型来描述系统动态变化，基于灌浆压力预测模型输出与灌浆压力的设计偏差直接调节模型的监控系统的可控变量，即阀的开度U_K和灌浆液密度；建立灌浆压力控制系统的数学描述及控制变量的约束表达；利用分时段预测的思想，实现整个过程灌浆压力动态控制及密度在线调节；深入分析灌浆背景，根据实际工程岩石地层裂隙的变化必然引起注入流量的变化，针对地层变化需改变灌浆液密度来满足工程需要，借用状态反馈思想，在控制器迭代优化过程中采用一个基于注入流量总量反馈的虚拟启发器来改变控制策略，结合前馈控制方法及时改变灌浆液密度；当采用调节阀的开度不能满足设计压力要求时，且当累计流量超过设计规范时，就调节灌浆液密度；当地层变化注入流量发生突变或密度变化引起灌浆压力突变时，采用灌浆压力的前馈控制方法，若注入流量变小，返浆流量突然变大，在进浆管道口安装管道直接将灌浆液排回浆桶，若注浆流量变小，注入流量增大导致灌浆压力降低，直接根据模型输出偏差调节返浆管道上阀的开度。