CN110188947B - 盾构纠偏中当前环目标预测方法及系统 - Google Patents

Abstract

本发明涉及一种盾构纠偏中当前环目标预测方法及系统，该方法包括如下步骤：获取第一训练数据集和第二训练数据集；利用神经网络模型建立所述第一训练数据集和所述第二训练数据集的神经网络纠偏预测模型；盾构施工的过程中，获取对应当前管片环的盾构机相对偏差信息和前一管片环的千斤顶行程差角作为预测输入数据；将所述预测输入数据输入到所述神经网络纠偏预测模型中，并获取所述神经网络纠偏预测模型输出的千斤顶行程差角作为当前环管片的目标预测值。本发明以千斤顶行程差角作为盾构纠偏的主控对象，且神经网络纠偏预测模型的输入层充分考虑了盾构施工的土质条件和隧道的设计轴线的线形变化，具有广泛的适用性。

Description

盾构纠偏中当前环目标预测方法及系统

技术领域

本发明涉及隧道工程技术领域，特指一种盾构纠偏中当前环目标预测方法及系统。

背景技术

城市地铁隧道、公路隧道的隧道设计轴线(DTA)不仅与车辆行驶速度有关、还与城市交通规划、既有地下建筑结构密切相关。

从隧道施工的角度来看，地下空间的利用率的提高增加了小曲率圆曲线或缓和曲线线型的比例，增加了纠偏控制决策的难度。纠偏控制决策的正确性不仅直接影响成型隧道的质量，而且纠偏的频率和纠偏幅度会直接影响地表沉降。

现有技术是人工操作凭经验控制盾构纠偏，纠偏效果与操作者的经验能力、判断决策的正确性密切相关，尤其是不同操作者对当前环纠偏目标期望值往往差异较大。人工操作具体是：采用自动测量装置获得的盾构姿态信息，由人工操作实现盾构纠偏控制。盾构施工管理要求盾构司机“勤纠缓纠”、“头尾兼顾”。所谓“勤纠”就是要求根据盾构姿态趋势及时调整盾构推进方向，使盾构姿态稳定地保持在合理范围内；所谓“缓纠”一般需通过数环才能使盾构轴线达到理想位置。所谓“头尾兼顾”就是要求盾构司机具体实施纠偏操作时应兼顾切口偏差和盾尾偏差。防止盾尾间隙过小。尽管现有人工技术对于DTA和土质的工况的措施均为定性的基本概念，有一定的实际指导意义，但实际效果取决于操作者的理解和实际经验水平，因此实际质量效果具有一定的离散型，主要靠施工管理措施控制实际纠偏效果。

人工纠偏存在如下问题：人工凭经验预估新一环目标值时定性兼顾DTA转角因素可能会形成误判；人工凭经验预估新一环目标值时定性判断姿态转角可能引起的欠纠、过纠问题；人工凭经验“勤纠少纠”的定性不确定性概念执行效果可能形成纠偏质量的离散型问题。

发明内容

本发明的目的在于克服现有技术的缺陷，提供一种盾构纠偏中当前环目标预测方法，解决现有的人工凭经验预估可能会形成误判、引起欠纠过纠以及纠偏质量的离散型等的问题。

实现上述目的的技术方案是：

本发明提供了一种盾构纠偏中当前环目标预测方法，包括如下步骤：

获取第一训练数据集和第二训练数据集，所述第一训练数据集包括对应当前管片环的盾构机的相对偏差信息和前一管片环的千斤顶行程差角；所述第二训练数据集包括对应当前管片环的千斤顶行程差角；

利用神经网络模型建立所述第一训练数据集和所述第二训练数据集的神经网络纠偏预测模型；

盾构施工的过程中，获取对应当前管片环的盾构机的相对偏差信息和前一管片环的千斤顶行程差角作为预测输入数据；以及

将所述预测输入数据输入到所述神经网络纠偏预测模型中，并获取所述神经网络纠偏预测模型输出的千斤顶行程差角作为当前管片环的目标预测值。

本发明通过建立神经网络纠偏预测模型，以千斤顶行程差角作为盾构纠偏的主控对象，且神经网络纠偏预测模型的输入层充分考虑了盾构施工的土质条件和隧道的设计轴线的线形变化，具有广泛的适用性。神经网络纠偏预测模型得到的当前环管片的目标预测值可应用于盾构机的操控指导或者盾构纠偏自动跟踪控制的设定值。本发明为盾构纠偏的新一环暂态目标预测值提供的准确的参数化模型，且建立了当前环定量反馈控制环节，是实现人工智能盾构纠偏的技术基础之一。

本发明盾构纠偏中当前环目标预测方法的进一步改进在于，获取第一训练数据集和第二训练数据集的步骤，包括：

令盾构机掘进施工设定距离，并获取所述盾构机在施工过程中的施工参数，从所述施工参数中获得第一训练数据集和第二训练数据集；或者

从土质条件相同的既有隧道处获取既有施工参数，从所述既有施工参数中获得第一训练数据集和第二训练数据集。

本发明盾构纠偏中当前环目标预测方法的进一步改进在于，所述盾构机的相对偏差信息和盾构机的纠偏距离通过如下步骤得到：

获取隧道施工的设计轴线；

在隧道施工的过程中，获取盾构机的实时偏差信息；

根据盾构机的当前行程，设盾构机的切口中心及盾尾中心均位于所述设计轴线上时，拼装管片轴线中心的位置作为纠偏轴向参考位置点，并计算出所述参考位置点距所述设计轴线的弦高；

根据盾构机的尺寸设定对应的比例系数，依据所述比例系数将所述弦高转换为盾构机的稳态目标偏置值；

根据所述稳态目标偏置值与所述实时偏差信息计算得到盾构机的相对偏差信息。

本发明盾构纠偏中当前环目标预测方法的进一步改进在于，所述第二训练数据集中的千斤顶行程差角通过如下步骤得到：

第一步：计算各千斤顶行程传感器位置空间坐标(x_i,y_i,z_i)：

x_i＝l_i

y_i＝Rsinθ_i

z_i＝Rcosθ_i

其中：l_i是千斤顶行程传感器的长度，θ_i是千斤顶所在圆对应的圆周角，i是千斤顶序列号，R是千斤顶所在圆的半径；

第二步：解下列三元一次方程：

其中，

a₁₂＝a₂₁＝∑x_iy_i,a₁₃＝a₃₁＝∑x_iz_i,a₃₂＝a₂₃＝∑z_iy_i,

c₁＝∑x_i,c₂＝∑y_i,c₃＝∑z_i,

解得

第三步：计算千斤顶投影和坐标轴的夹角：

其中：α_y是平面方向的行程差角，α_z是高程方向的行程差角。

本发明还提供了一种盾构纠偏中当前环目标预测系统，包括：

训练数据获取单元，用于获取第一训练数据集和第二训练数据集，所述第一训练数据集包括对应当前管片环的盾构机的相对偏差信息和前一管片环的千斤顶行程差角；所述第二训练数据集包括对应当前管片环的千斤顶行程差角；

与所述数据获取单元连接的模型训练单元，用于利用神经网络模型建立所述第一训练数据集和所述第二训练数据集的神经网络纠偏预测模型；

预测数据获取单元，用于在盾构施工过程中获取对应当前管片环的盾构机的相对偏差信息和前一管片环千斤顶行程差角作为预测输入数据；以及

与所述模型训练单元和所述预测数据获取单元连接的目标预测执行单元，用于从所述预测数据获取单元处获取所述预测输入数据，并将所述预测输入数据输入到所述神经网络纠偏预测模型中进而获取所述神经网络纠偏预测模型输出的千斤顶行程差角作为当前管片环的目标预测值。

本发明盾构纠偏中当前环目标预测系统的进一步改进在于，所述训练数据获取单元用于从盾构机掘进施工中的施工参数中获得第一训练数据集和第二训练数据集；或者

所述训练数据获取单元用于从土质条件相同的既有隧道的既有施工参数中获得第一训练数据集和第二训练数据集。

本发明盾构纠偏中当前环目标预测系统的进一步改进在于，所述训练数据获取单元包括参数输入模块、弦高计算模块以及计算处理模块；

参数输入模块，用于输入隧道施工的设计轴线、隧道施工过程中的盾构机的实时偏差信息以及盾构机的当前行程；

与所述参数输入模块连接的弦高计算模块，用于根据盾构机的当前行程，设盾构机的切口中心及盾尾中心均位于所述设计轴线上时，拼装管片轴线中心的位置作为纠偏轴向参考位置点，并计算出所述参考位置点距所述设计轴线的弦高；

与所述弦高计算模块和所述参数输入模块连接的计算处理模块，用于根据盾构机的尺寸设定对应的比例系数，依据所述比例系数将所述弦高转换为盾构机的稳态目标偏置值，再根据所述稳态目标偏置值与所述实时偏差信息计算得到盾构机的相对偏差信息。

本发明盾构纠偏中当前环目标预测系统的进一步改进在于，所述训练数据获取单元包括行程差角计算模块；

所述行程差角计算模块通过如下步骤计算得到千斤顶行程差角：

第一步：计算各千斤顶行程传感器位置空间坐标(x_i,y_i,z_i)：

x_i＝l_i

y_i＝Rsinθ_i

z_i＝Rcosθ_i

其中：l_i是千斤顶行程传感器的长度，θ_i是千斤顶所在圆对应的圆周角，i是千斤顶序列号，R是千斤顶所在圆的半径；

第二步：解下列三元一次方程：

其中，

a₁₂＝a₂₁＝∑x_iy_i,a₁₃＝a₃₁＝∑x_iz_i,a₃₂＝a₂₃＝∑z_iy_i,

c₁＝∑x_i,c₂＝∑y_i,c₃＝∑z_i,

解得

第三步：计算千斤顶投影和坐标轴的夹角：

其中：α_y是平面方向的行程差角，α_z是高程方向的行程差角。

附图说明

图1为本发明盾构纠偏中当前环目标预测方法的流程图。

图2为本发明盾构纠偏中当前环目标预测方法及系统中的神经网络纠偏预测模型的结构示意图。

图3为计算纠偏距离时YOX坐标系的结构示意图。

图4为计算纠偏距离时XOZ坐标系的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

参阅图1，本发明提供了盾构纠偏中当前环目标预测方法及系统，用于解决人工凭经验预估新一环目标值时定性兼顾DTA(隧道施工的设计轴线)转角因素可能形成的误判，解决人工凭经验预估新一环目标值定性判断姿态转角可能引起的欠纠、过纠问题，还用于解决人工凭经验“勤纠少纠”的定性不确定性概念执行效果可能形成纠偏质量的离散型问题。本发明的当前环目标预测方法及系统在总结盾构掘进施工工艺、总结纠偏操作经验基础上，结合DTA线型和土质变化因素建立预测模型，通过神经网络模型，综合考虑多种纠偏规则，可以给出每一环千斤顶行程差角，可以直接应用于盾构机的操控指导或者盾构纠偏自动跟踪控制的设定值。本发明为盾构纠偏的新一环暂态目标预测值提供的准确的参数化模型，并且建立了当前环定量反馈控制环节，是实现人工智能盾构纠偏的技术基础之一。下面结合附图对本发明盾构纠偏中当前环目标预测方法及系统进行说明。

本发明的盾构纠偏中当前环目标预测系统包括训练数据获取单元、模型训练单元、预测数据获取单元以及目标预测执行单元，训练数据获取单元与模型训练单元连接；目标预测执行单元与模型训练单元和预测数据获取单元连接；

其中训练数据获取单元用于获取第一训练数据集和第二训练数据集，该第一训练数据集包括对应当前管片环的盾构机的相对偏差信息和前一管片环的千斤顶行程差角；第二训练数据集包括对应当前管片环的千斤顶行程差角；第一训练数据集和第二训练数据集可通过相同的管片环而建立起对应关系。

模型训练单元接收训练数据获取单元的第一训练数据集和第二训练数据集，该模型训练单元用于利用神经网络模型建立第一训练数据集和第二训练数据集的神经网络纠偏预测模型；

预测数据获取单元用于在盾构施工过程中获取对应当前管片环的盾构机的相对偏差信息和前一管片环千斤顶行程差角作为预测输入数据；

目标预测执行单元接收预测数据获取单元的预测输入数据，将预测输入数据输入到神经网络纠偏预测模型中进而获取神经网络纠偏预测模型输出的千斤顶行程差角作为当前管片环的目标预测值。

本发明的盾构纠偏中当前环目标预测系统通过建立能够反映盾构姿态、隧道施工的设计轴线的线型和受土质制约的千斤顶行程差角的神经网络纠偏预测模型，可给出每一环千斤顶行程差角，通过千斤顶行程差角可换算得出千斤顶行程差，进而直接应用于盾构纠偏中。本发明的当前环目标预测系统以千斤顶行程差角作为盾构纠偏的主控对象，可在绝对坐标系(即大地坐标系)中同时考虑盾构姿态转角变化和隧道施工的设计轴线的转角变化，对各类DAT曲线均有适用性。

作为本发明的一较佳实施方式，训练数据获取单元用于从盾构机掘进施工中的施工参数中获得第一训练数据集和第二训练数据集，在该方式中，先让盾构机掘进施工一段距离，并采集盾构机施工过程中的施工参数，较佳地，施工参数可通过盾构机的PLC直接输出。或者训练数据获取单元用于从土质条件相同的既有隧道的既有施工参数中获得第一训练数据集和第二训练数据集，在既有隧道中找出土质条件相同的项目，并将该项目的施工参数输入给训练数据获取单元。

进一步地，训练数据获取单元包括有参数输入模块、弦高计算模块以及计算处理模块；较佳地，本发明的目标预测系统包括有存储单元，将盾构机掘进施工的施工参数和/或既有隧道的施工参数存放于存储单元内；参数输入模块、弦高计算模块和计算处理模块均与存储单元连接并可读取存储单元中存储的施工参数。其中的参数输入模块用于输入隧道施工的设计轴线、隧道施工过程中的盾构机的实时偏差信息以及盾构机的当前行程；弦高计算模块用于根据盾构机的当前行程，设盾构机的切口中心及盾尾中心均位于所述设计轴线上时，拼装管片轴线中心的位置作为纠偏轴向参考位置点，并计算出所述参考位置点距所述设计轴线的弦高；计算处理模块用于根据盾构机的尺寸设定对应的比例系数，依据比例系数将弦高转换为盾构机的稳态目标偏置值，再根据稳态目标偏置值与实时偏差信息计算得到盾构机的相对偏差信息。从而弦高计算模块和计算处理模块将盾构机的弦高和盾构机的稳态目标偏置值反馈给训练数据获取单元，由训练数据获取单元将该盾构机的弦高和盾构机的相对偏差信息依据对应的管片环进行存储。

较佳地，弦高计算模块计算得到的弦高包括平面弦高和高程弦高，结合图3和图4所示，弦高计算模块根据盾构机的当前行程在设计轴线上查找出对应的盾构机的切口中心及盾尾中心的设计坐标值；在图3中，显示了在大地坐标系中X轴和Y轴界定的平面内的坐标图，曲线DTA即为隧道施工的设计轴线，点C为盾构机的切口中心，点T为盾构机的盾尾中心，点C和点T均位于曲线DTA上，点C和点T的连线即为盾构轴线，也表示盾构姿态，根据参数输入单元获取盾构机的当前行程，从而知道当前管片环号，盾构机的切口里程及盾尾里程，接着找出切口中心和盾尾中心均落在设计轴线上时对应的设计坐标值，得到点C的坐标(x_c,y_c,z_c)和点T的坐标(x_t,y_t,z_t)。查找模块还用于对应计算出参考位置点M的坐标值(x₁,y₁,z₁)，该参考位置点M为盾构轴线上对应的拼装管片的轴线中心。

弦高计算模块根据参考位置点的坐标值、盾构机的切口中心及盾构中心的设计坐标值，于隧道施工的大地坐标系中的X轴和Y轴界定的平面内，计算出参考位置点的投影点距设计轴线的弦高作为平面弦高；平面弦高即为图3中点M距点P的距离，其中点P为经过点M且与点C和点T连成的直线相垂直的直线与设计轴线的交点，该点P表示拼装管片轴线中心落在设计轴线上，具体地，计算公式如下：

ph＝(y₁-y_t)cosα-(x₁-x_t)sinα

上式中，ph为平面纠偏距离，α为点C和点T连成的直线与X轴的夹角。式中的坐标值已知，故而平面弦高计算模块可计算得到平面弦高ph。

该弦高计算模块还根据参考位置点的坐标值、盾构机的切口中心及盾构中心的设计坐标值，于隧道施工的大地坐标系中的X轴和Z轴界定的平面内，计算出参考位置点的投影点在Z轴方向上距设计轴线的弦高作为高程弦高。结合图4所示，高程弦高即为点M在垂直方向也即Z轴方向上到点P的距离，具体地，计算公式如下：

上式中，eh为高程弦高。式中的坐标值已知，故而高程弦高计算模块可计算得到高程弦高eh。

本发明的弦高计算模块计算出的弦高包括高程弦高和平面弦高，高程弦高表示在实际施工中盾构机高度方向(也即Z轴方向)的偏差，平面弦高表示在实际施工中盾构机在平面内(也即X轴和Y轴线方向)的偏差。

计算处理模块将比例系数、平面弦高、高程弦高以及盾构机尺寸代入公式组一和公式组二，计算得出盾构机切口的平面偏置值和高程偏置值与盾构机盾尾的平面偏置值和高程偏置值。公式组一为：

公式组一中，dpcut为盾构机切口的平面偏置值，decut为盾构机切口的高程偏置值，k为比例系数，ph为平面弦高，eh为高程弦高；

公式组二为：

公式组二中，dptail为盾构机盾尾的平面偏置值，detail为盾构机盾尾的高程偏置值，k为比例系数，ph为平面弦高，eh为高程弦高，L为盾构机的长度，l₀为拼装管片轴线中心距盾尾中心的距离；

其中盾构机尺寸包括盾构机的长度，拼装管片轴线中心距盾尾中心的距离，该盾构机尺寸信息通过参数输入单元输入，处理单元的稳态目标偏置转换模块读取参数输入单元输入的盾构机尺寸，并代入到公式组二中计算得出盾尾的平面偏置值和高程偏置值。

计算处理模块在得到平面偏置值和高程偏置值后，结合盾构机的实时偏差信息得到盾构机的相对偏差信息，具体地，将盾构机切口的平面实时偏差值与盾构机切口的平面偏置值求和，作为盾构机切口的平面相对偏差值；将盾构机切口的高程实时偏差值与盾构机切口的高程偏置值求和，作为盾构机切口的高程相对偏差值；将盾构机盾尾的平面实时偏差值与盾构机盾尾的平面偏置值求和，作为盾构机盾尾的平面相对偏差值；将盾构机盾尾的高程实时偏差值与盾构机盾尾的高程偏置值求和，作为盾构机盾尾的高程相对偏差值。

更进一步地，训练数据获取单元还包括有行程差角计算模块；行程差角计算模块通过如下步骤计算得到千斤顶行程差角：

第一步：计算各千斤顶行程传感器位置空间坐标(x_i,y_i,z_i)：

x_i＝l_i

y_i＝Rsinθ_i

z_i＝Rcosθ_i

其中：l_i是千斤顶行程传感器的长度，θ_i是千斤顶所在圆对应的圆周角，i是千斤顶序列号，R是千斤顶所在圆的半径；

第二步：解下列三元一次方程：

其中，

a₁₂＝a₂₁＝∑x_iy_i,a₁₃＝a₃₁＝∑x_iz_i,a₃₂＝a₂₃＝∑z_iy_i,

c₁＝∑x_i,c₂＝∑y_i,c₃＝∑z_i,

解得

第三步：计算千斤顶投影和坐标轴的夹角：

其中：α_y是平面方向的行程差角，α_z是高程方向的行程差角。

千斤顶顶撑在盾构机和管片之间，千斤顶的顶推可推动盾构机向前移动，在隧道施工的设计轴线为曲线或者前后两环盾构姿态发生偏转的情况下，左右两侧的千斤顶的行程就会不同，从而使得前后两环管片环的千斤顶产生了行程差角。

作为本发明的另一较佳实施方式，模型训练单元以第一训练数据集作为神经网络模型的输入数据，以第二训练数据集作为神经网络模型的输出数据，训练神经网络模型得到神经网络纠偏预测模型。结合图2所示，显示了神经网络纠偏预测模型30的结构，该神经网络纠偏预测模型30包括数据输入层31、第一隐层32、第二隐层33以及数据输出层34，在数据输入层31、第一隐层32、第二隐层33以及数据输出层34中均包括有多个节点，数据输入层31中有三个节点，第一个节点和第二个节点输入盾构机的相对偏差信息中的盾构机切口的平面相对偏差信息及高程相对偏差信息，第三个节点输入前一管片环的千斤顶行程差角；数据输出层34的数据值为第二训练数据集中的当前管片环的千斤顶行程差角，在训练神经网络模型时，数据输入层和数据输出层的数据值为同一管片环的对应数据。

再又一较佳实施方式中，在盾构施工之前，利用既有隧道的施工参数进行神经网络模型的训练，从而得到神经网络纠偏预测模型，在盾构施工过程中可利用该神经网络纠偏预测模型进行预测得到目标预测值；在盾构施工过程中，获取到对应施工参数后，再利用施工参数获得对应的训练数据集，对神经网络纠偏预测模型进行重训练，使得该神经网络纠偏预测模型能够更适合盾构的实际施工情况。

作为本发明的又一较佳实施方式，预测数据获取单元根据盾构施工过程中的施工参数获取到对应当前管片环的盾构机的相对偏差信息和前一管片环的千斤顶行程差角作为预测输入数据，而盾构机相对偏差信息和前一管片环的千斤顶行程差角的获取方法与训练数据获取单元的获取方法相同，具体可参见上述训练数据获取单元的描述。

下面对本发明提供的盾构纠偏中当前环的目标预测方法进行说明。

本发明的一种盾构纠偏中当前环目标预测方法，包括如下步骤：

如图1所示，执行步骤S11，获取第一训练数据集和第二训练数据集，第一训练数据集包括对应当前管片环的盾构机的相对偏差信息和前一管片环的千斤顶行程差角；第二训练数据集包括对应当前管片环的千斤顶行程差角；接着执行步骤S12；

执行步骤S12，建立神经网络纠偏预测模型，利用神经网络模型建立第一训练数据集和第二训练数据集的神经网络纠偏预测模型；接着执行步骤S13；

执行步骤S13，获取当前环管片的预测输入数据，盾构施工的过程中，获取对应当前环管片的盾构机的相对偏差信息和前一管片环的千斤顶行程差角作为预测输入数据；接着执行步骤S14；

执行步骤S14，输入到神经网络纠偏预测模型并获得对应的千斤顶行程差角；将预测输入数据输入到神经网络纠偏预测模型中，并获取神经网络纠偏预测模型输出的千斤顶行程差角作为当前管片环的目标预测值。

本发明通过建立神经网络纠偏预测模型，以千斤顶行程差角作为盾构纠偏的主控对象，且神经网络纠偏预测模型的输入层充分考虑了盾构施工的土质条件和隧道的设计轴线的线形变化，具有广泛的适用性。神经网络纠偏预测模型得到的当前管片环的目标预测值可应用于盾构机的操控指导或者盾构纠偏自动跟踪控制的设定值。本发明为盾构纠偏的新一环暂态目标预测值提供的准确的参数化模型，且建立了当前环定量反馈控制环节，是实现人工智能盾构纠偏的技术基础之一。

作为本发明的一较佳实施方式，获取第一训练数据集和第二训练数据集的步骤，包括：

令盾构机掘进施工设定距离，并获取盾构机在施工过程中的施工参数，从施工参数中获得第一训练数据集和第二训练数据集；较佳地，施工参数可由盾构机的PLC直接输出得出。或者

从土质条件相同的既有隧道处获取既有施工参数，从既有施工参数中获得第一训练数据集和第二训练数据集。

进一步地，盾构机的相对偏差信息通过如下步骤得到：

获取隧道施工的设计轴线；

在隧道施工的过程中，获取盾构机的实时偏差信息；

根据盾构机的当前行程，设盾构机的切口中心及盾尾中心均位于所述设计轴线上时，拼装管片轴线中心的位置作为纠偏轴向参考位置点，并计算出所述参考位置点距所述设计轴线的弦高；

根据盾构机的尺寸设定对应的比例系数，依据比例系数将弦高转换为盾构机的稳态目标偏置值；

根据稳态目标偏置值与实时偏差信息计算得到盾构机的相对偏差信息。

较佳地，如图3和图4所示，设计轴线为曲线DTA，点C为盾构机的切口中心，点T为盾构机的盾尾中心，点C和点T均位于曲线DTA上，点C和点T的连线即为盾构轴线，也表示盾构姿态，盾构机的当前行程已知，当前管片环号已知，盾构机的切口里程及盾尾里程也已知，接着找出切口中心和盾尾中心均落在设计轴线上时对应的设计坐标值，得到点C的坐标(x_c,y_c,z_c)和点T的坐标(x_t,y_t,z_t)。对应计算出参考位置点M的坐标值(x₁,y₁,z₁)，该参考位置点M为盾构轴线上对应的拼装管片的轴线中心。

于隧道施工的大地坐标系中的X轴和Y轴界定的平面内，计算出参考位置点的投影点设计轴线的弦高，作为平面弦高；具体地，通过如下公式计算：

ph＝(y₁-y_t)cosα-(x₁-x_t)sinα

上式中，ph为平面弦高，α为点C和点T连成的直线与X轴的夹角。式中的坐标值已知，故而可计算得到平面弦高ph。平面弦高即为图3中点M距点P的距离，其中点P为经过点M且与点C和点T连成的直线相垂直的直线与设计轴线的交点，该点P表示拼装管片轴线中心落在设计轴线上，

于隧道施工的大地坐标系中的X轴和Z轴界定的平面内，计算出参考位置点的投影点在Z轴方向上距设计轴线的弦高。结合图4所示，高程弦高即为点M距点P的距离，具体地，计算公式如下：

上式中，eh为高程弦高。式中的坐标值已知，故而高程距离计算模块可计算得到高程弦高eh。

进一步地，依据比例系数将弦高转换为盾构机的稳态目标偏置值的步骤，包括：

根据公式组一计算出盾构机切口的平面偏置值和高程偏置值，公式组一为：

公式组一中，dpcut为盾构机切口的平面偏置值，decut为盾构机切口的高程偏置值，k为比例系数，ph为平面弦高，eh为高程弦高；

根据公式组二计算出盾构机盾尾的平面偏置值和高程偏置值，公式组二为：

公式组二中，dptail为盾构机盾尾的平面偏置值，detail为盾构机盾尾的高程偏置值，k为比例系数，ph为平面弦高，eh为高程弦高，L为盾构机的长度，l₀为拼装管片轴线中心距盾尾中心的距离。其中盾构机的长度和盾构机中拼装管片轴线中心距盾尾中心的距离均可获得，所以公式组一和公式组二可计算得到对应的稳态目标偏置值。

再进一步地，实时偏差信息包括盾构机切口的平面实时偏差值、盾构机切口的高程实时偏差值、盾构机盾尾的平面实时偏差值和盾构机盾尾的高程实时偏差值；

根据稳态目标偏置值与实时偏差信息计算得到盾构机的相对偏差信息的步骤，包括：

将盾构机切口的平面实时偏差值与盾构机切口的平面偏置值求和，作为盾构机切口的平面相对偏差值；

将盾构机切口的高程实时偏差值与盾构机切口的高程偏置值求和，作为盾构机切口的高程相对偏差值；

将盾构机盾尾的平面实时偏差值与盾构机盾尾的平面偏置值求和，作为盾构机盾尾的平面相对偏差值；

将盾构机盾尾的高程实时偏差值与盾构机盾尾的高程偏置值求和，作为盾构机盾尾的高程相对偏差值。

更进一步地，第二训练数据集中的千斤顶行程差角通过如下步骤得到：

第一步：计算各千斤顶行程传感器位置空间坐标(x_i,y_i,z_i)：

x_i＝l_i

y_i＝Rsinθ_i

z_i＝Rcosθ_i

其中：l_i是千斤顶行程传感器的长度，θ_i是千斤顶所在圆对应的圆周角，i是千斤顶序列号，R是千斤顶所在圆的半径；

第二步：解下列三元一次方程：

其中，

a₁₂＝a₂₁＝∑x_iy_i,a₁₃＝a₃₁＝∑x_iz_i,a₃₂＝a₂₃＝∑z_iy_i,

c₁＝∑x_i,c₂＝∑y_i,c₃＝∑z_i,

解得

第三步：计算千斤顶投影和坐标轴的夹角：

其中：α_y是平面方向的行程差角，α_z是高程方向的行程差角。

作为本发明的另一较佳实施方式，利用神经网络模型建立第一训练数据集和第二训练数据集的神经网络纠偏预测模型的步骤，包括：

以第一训练数据集作为神经网络模型的输入数据，以第二训练数据集作为神经网络模型的输出数据，训练神经网络模型得到神经网络纠偏预测模型。结合图2所示，显示了神经网络纠偏预测模型30的结构，该神经网络纠偏预测模型30包括数据输入层31、第一隐层32、第二隐层33以及数据输出层34，在数据输入层31、第一隐层32、第二隐层33以及数据输出层34中均包括有多个节点，数据输入层31中有三个节点，第一个节点和第二个节点输入盾构机的相对偏差信息中的盾构机切口的平面相对偏差信息及高程相对偏差信息，第三个节点输入前一管片环的千斤顶行程差角；数据输出层34的数据值为第二训练数据集中的当前管片环的千斤顶行程差角，在训练神经网络模型时，数据输入层和数据输出层的数据值为同一管片环的对应数据。

再又一较佳实施方式中，在盾构施工之前，利用既有隧道的施工参数进行神经网络模型的训练，从而得到神经网络纠偏预测模型，在盾构施工过程中可利用该神经网络纠偏预测模型进行预测得到目标预测值；在盾构施工过程中，获取到对应施工参数后，再利用施工参数获得对应的训练数据集，对神经网络纠偏预测模型进行重训练，使得该神经网络纠偏预测模型能够更适合盾构的实际施工情况。

以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。

Claims (6)

1.一种盾构纠偏中当前环目标预测方法，其特征在于，包括如下步骤：

获取第一训练数据集和第二训练数据集，所述第一训练数据集包括对应当前管片环的盾构机的相对偏差信息和前一管片环的千斤顶行程差角；所述第二训练数据集包括对应当前管片环的千斤顶行程差角；

利用神经网络模型建立所述第一训练数据集和所述第二训练数据集的神经网络纠偏预测模型；

盾构施工的过程中，获取对应当前管片环的盾构机的相对偏差信息和前一管片环的千斤顶行程差角作为预测输入数据；以及

将所述预测输入数据输入到所述神经网络纠偏预测模型中，并获取所述神经网络纠偏预测模型输出的千斤顶行程差角作为当前管片环的目标预测值；

所述盾构机相对偏差信息通过如下步骤得到：

获取隧道施工的设计轴线；

在隧道施工的过程中，获取盾构机的实时偏差信息；

根据盾构机的当前行程，设盾构机的切口中心及盾尾中心均位于所述设计轴线上时，拼装管片轴线中心的位置作为纠偏轴向参考位置点，并计算出所述参考位置点距所述设计轴线的弦高；

根据盾构机的尺寸设定对应的比例系数，依据所述比例系数将所述弦高转换为盾构机的稳态目标偏置值；

根据所述稳态目标偏置值与所述实时偏差信息计算得到盾构机的相对偏差信息。

2.如权利要求1所述的盾构纠偏中当前环目标预测方法，其特征在于，获取第一训练数据集和第二训练数据集的步骤，包括：

令盾构机掘进施工设定距离，并获取所述盾构机在施工过程中的施工参数，从所述施工参数中获得第一训练数据集和第二训练数据集；或者

从土质条件相同的既有隧道处获取既有施工参数，从所述既有施工参数中获得第一训练数据集和第二训练数据集。

3.如权利要求1或2所述的盾构纠偏中当前环目标预测方法，其特征在于，所述第二训练数据集中的千斤顶行程差角通过如下步骤得到：

第一步：计算各千斤顶行程传感器位置空间坐标(x_i,y_i,z_i)：

x_i＝l_i

y_i＝R sinθ_i

z_i＝R cosθ_i

其中：l_i是千斤顶行程传感器的长度，θ_i是千斤顶所在圆对应的圆周角，i是千斤顶序列号，R是千斤顶所在圆的半径；

第二步：解下列三元一次方程：

其中，

a₁₂＝a₂₁＝∑x_iy_i,a₁₃＝a₃₁＝∑x_iz_i,a₃₂＝a₂₃＝∑z_iy_i,

c₁＝∑x_i,c₂＝∑y_i,c₃＝∑z_i,

解得

第三步：计算千斤顶投影和坐标轴的夹角：

其中：α_y是平面方向的行程差角，α_z是高程方向的行程差角。

4.一种盾构纠偏中当前环目标预测系统，其特征在于，包括：

训练数据获取单元，用于获取第一训练数据集和第二训练数据集，所述第一训练数据集包括对应当前管片环的盾构机的相对偏差信息和前一管片环的千斤顶行程差角；所述第二训练数据集包括对应当前管片环的千斤顶行程差角；

与所述数据获取单元连接的模型训练单元，用于利用神经网络模型建立所述第一训练数据集和所述第二训练数据集的神经网络纠偏预测模型；

预测数据获取单元，用于在盾构施工过程中获取对应当前管片环的盾构机的相对偏差信息和前一管片环千斤顶行程差角作为预测输入数据；以及

与所述模型训练单元和所述预测数据获取单元连接的目标预测执行单元，用于从所述预测数据获取单元处获取所述预测输入数据，并将所述预测输入数据输入到所述神经网络纠偏预测模型中进而获取所述神经网络纠偏预测模型输出的千斤顶行程差角作为当前管片环的目标预测值；

所述训练数据获取单元包括参数输入模块、弦高计算模块以及计算处理模块；

参数输入模块，用于输入隧道施工的设计轴线、隧道施工过程中的盾构机的实时偏差信息以及盾构机的当前行程；

与所述参数输入模块连接的弦高计算模块，用于根据盾构机的当前行程，设盾构机的切口中心及盾尾中心均位于所述设计轴线上时，拼装管片轴线中心的位置作为纠偏轴向参考位置点，并计算出所述参考位置点距所述设计轴线的弦高；

与所述弦高计算模块和所述参数输入模块连接的计算处理模块，用于根据盾构机的尺寸设定对应的比例系数，依据所述比例系数将所述弦高转换为盾构机的稳态目标偏置值，再根据所述稳态目标偏置值与所述实时偏差信息计算得到盾构机的相对偏差信息。

5.如权利要求4所述的盾构纠偏中当前环目标预测系统，其特征在于，所述训练数据获取单元用于从盾构机掘进施工中的施工参数中获得第一训练数据集和第二训练数据集；或者

所述训练数据获取单元用于从土质条件相同的既有隧道的既有施工参数中获得第一训练数据集和第二训练数据集。

6.如权利要求4或5所述的盾构纠偏中当前环目标预测系统，其特征在于，所述训练数据获取单元包括行程差角计算模块；

所述行程差角计算模块通过如下步骤计算得到千斤顶行程差角，

第一步：计算各千斤顶行程传感器位置空间坐标(x_i,y_i,z_i)：

x_i＝l_i

y_i＝R sinθ_i

z_i＝R cosθ_i

其中：l_i是千斤顶行程传感器的长度，θ_i是千斤顶所在圆对应的圆周角，i是千斤顶序列号，R是千斤顶所在圆的半径；

第二步：解下列三元一次方程：

其中，

a₁₂＝a₂₁＝∑x_iy_i,a₁₃＝a₃₁＝∑x_iz_i,a₃₂＝a₂₃＝∑z_iy_i,

c₁＝∑x_i,c₂＝∑y_i,c₃＝∑z_i,

解得

第三步：计算千斤顶投影和坐标轴的夹角：

其中：α_y是平面方向的行程差角，α_z是高程方向的行程差角。

Images