CN111271071A - 一种基于模糊自适应神经网络的盾构机姿态控制方法 - Google Patents

Abstract

本发明公开了一种基于模糊自适应神经网络的盾构机姿态控制方法。首先选择测量盾构机的位置和方位的绝对坐标系，描述和测量盾构机姿态；计算盾构机与隧道设计轴线之间的位置偏差和角度偏差；初始化盾构机姿态模型；确定盾构机姿态模型中偏角和偏差的初始值及采样距离；计算上下区油压差；构建针对水平、竖直方向的模糊自适应神经网络控制器；分别训练水平、竖直方向的控制器的控制规则；在盾构机实时姿态控制时，将实时获取的盾构机的水平角度偏差和俯仰角偏差输入训练好的控制器输出上下区油缸油压差。本发明通过应用模糊控制理论解决了盾构机姿态控制过度依靠操作员经验的问题，有效的提高了模糊控制器设计效率，计算量小、可操作性较高。

Description

一种基于模糊自适应神经网络的盾构机姿态控制方法

技术领域

本发明涉及模糊自适应控制技术，尤其涉及一种基于模糊自适应神经网络的盾构机姿态控制方法。

背景技术

近年来，随着我国经济和社会的不断发展，城市轨道交通尤其是地下空间轨道交通的需求量激增。盾构法是目前挖掘隧道最常用的方法。在盾构掘进过程中，需要保证盾构能够沿着设计轴线准确的往前推进，而盾构机的姿态偏离是造成轨迹偏离的主要原因。盾构机的姿态主要包括方位角、俯仰角、滚转角、水平偏差、竖直偏差及里程值。目前我国对盾构机的姿态控制主要采用人工控制的方法，急需一种自动控制方法，实现盾构机姿态的自动控制。

模糊控制是利用模糊数学的基本思想和理论，不需要建立被控对象精确的数学模型，对一些复杂系统进行控制的理论。1988年，桑原洋等人探讨了模糊控制技术在盾构掘进中的适用性，模糊控制是在专家或者熟练技术人员以往技术的基础上，形成一系列控制规则，按照控制规则对盾构进行控制。控制规则是模糊控制器的核心，规则的正确与否将直接影响控制器的性能。在实际应用中，模糊控制规则主要来自以下三种途径：专家的经验或知识、操作员的经验和知识，自我学习。

人工神经网络是一种类似于大脑神经突触联接的结构进行信息处理的数学模型。神经网络控制则是指在控制系统中采用神经网络这一工具对难以精确描述的复杂对象进行建模或充当控制器对系统实现控制的一种方法。模糊神经网络将模糊系统与神经网络进行结合，充分考虑二者的互补性，集逻辑推理、逻辑推理于一体，具有学习、自适应和模糊信息处理能力等功能。其本质就是将常规的神经网络输入模糊输入信号和模糊权值。模糊控制和神经网络控制是智能控制领域十分重要而又十分活跃的两大分支，将这两者结合是控制理论发展的必然产物。

发明内容

盾构法是隧道挖掘的常用方法。盾构掘进机是一种采用盾构掘进方式的掘进机。在地铁施工中，土压力平衡盾构得到了广泛的应用。利用土压平衡盾构施工时，开挖量、刀切速度、气缸推进速度紧密配合，使土槽始终充满泥土，使开挖表面稳定。对盾构机的轨迹跟踪控制实际上就是对盾构姿态与隧道设计轴线偏差的控制。由于盾构机的运行机理十分复杂，建立精确的数学模型非常困难，使用对象模型设计控制器也非常困难。并且，对盾构机的控制主要根据熟练操作人员的经验，缺乏可靠的自动控制手段。为了解决上述问题，本发明提出了一种基于模糊自适应神经网络的盾构机姿态控制方法来代替人工控制，使盾构机的实际掘进轴线能够跟踪轨道设计轴线。

本发明的目的是通过以下技术方案来实现的：一种基于模糊自适应神经网络的盾构机姿态控制方法，该方法用于对土压平衡盾构机在正常段掘进阶段的姿态进行实时控制，包括以下步骤：

S1：选择测量盾构机的位置和方位的绝对坐标系。由于隧道设计轴线一般是在绝对坐标系下设计的，所以，本发明也利用绝对坐标系来表示盾构机的位置和方位的测量结果。

S2：描述和测量盾构机姿态。

选择盾构机的盾首中心和盾尾中心的位置、方位角γ、俯仰角β和回滚角α来描述盾构机当前位置和姿态；姿态测量过程如下：

201：利用激光标靶内的倾斜仪测量回滚角α和俯仰角β；

202：利用盾构机轴线与激光束的水平夹角θ和激光束的水平方向角δ计算盾构机轴线水平方位角γ＝θ+δ；

203：利用切口中心在标靶坐标系中的坐标(A,B,C)，计算盾首中心坐标(x₁,y₁,z₁)；

204：利用盾尾中心在标靶坐标系中的坐标(D,E,E)、盾首和盾尾在水平方向的夹角ω和在垂直方向的夹角σ，计算盾尾中心坐标(x₂,y₂,z₂)；

S3：对比隧道设计轴线上的点计算得到盾构机与隧道设计轴线之间的位置偏差和角度偏差，具体如下：

隧道设计轴线上与当前掘进位置对应的点记为C，利用盾首A点与C点的距离AC和C点处的里程L_C，计算盾首里程L_A、盾构机水平位置偏差D_H和盾构机水平角度偏差(方位角偏差)θ_H；

利用隧道设计轴线在纵面上的投影曲线计算盾构机竖直位置偏差D_V和盾构机竖直角度偏差(俯仰角偏差)θ_V。

S4：利用实际土压平衡盾构机相关设计参数初始化盾构机姿态模型；

所述盾构机姿态模型具体如下：

其中，θ_j表示盾构掘进第j环时的偏角，ε_j表示盾构掘进第j环时的偏差，M_i,j表示千斤顶在第j环时产生的纠偏扭矩，k_i表示第j环的地层机床系数，L表示盾构的长度，D表示盾构的外径，Δx表示第j环的长度，θ_i,j+1表示盾构掘进第j+1环时的偏角，ε_i,j+1表示盾构掘进第j+1环时的偏差，i＝1,2分别表示竖直方向和水平方向的模型。

S5：确定盾构机姿态模型中偏角和偏差的初始值以及采样距离；

S6：根据上区千斤顶推力、下区千斤顶推力、上区油缸油压、下区油缸油压和油缸内径数据，计算得到上下区油压差；

S7：针对水平方向的控制，以盾构机水平位置偏差D_H和水平位置偏差变化率作为输入，以油压差作为输出，构建模糊控制器A；以盾构机水平角度偏差(方位角偏差)θ_H和水平角度偏差变化率作为输入，以油压差作为输出，构建模糊控制器B；将模糊控制器A和模糊控制器B的操作量按照下述方式进行结合，构建针对水平方向的模糊自适应神经网络控制器M1；

Δp＝αΔp_A+(1-α)Δp_B

式中，0<α<1为结合因子，Δp_A、Δp_B分别为模糊控制器A和B的输出，Δp为控制器M1的输出。

S8：针对竖直方向的控制，以盾构机竖直位置偏差D_V和竖直位置偏差变化率作为输入，以油压差作为输出，构建模糊控制器C；以盾构机竖直角度偏差(俯仰角偏差)θ_V和竖直角度偏差变化率作为输入，以油压差作为输出，构建模糊控制器D；将模糊控制器C和模糊控制器D的操作量按照下述方式进行结合，构建针对竖直方向的模糊自适应神经网络控制器M2；

Δq＝βΔq_C+(1-β)Δq_D

式中，0<β<1为结合因子，Δq_C、Δq_D分别为模糊控制器C和D的输出，Δq为控制器M2的输出。

S9：利用实测的纠偏控制数据作为训练集，分别训练水平方向和竖直方向的模糊自适应神经网络控制器的控制规则。

S10：在盾构机实时姿态控制时，实时获取土压平衡盾构机的水平角度偏差和俯仰角偏差，并且同时可以得到水平偏差变化率和竖直偏差变化率，输入步骤S9训练好的模糊自适应神经网络控制器，实时得到控制器输出为上下区油缸油压差，实现实时控制。

本发明由于采用以上技术方案，与现有技术相比，具有以下的优点和积极效果：

现有的针对盾构机的转弯或轨迹纠偏控制操作主要由熟练的操作员按照工作经验根据盾构机的位姿偏离水平手动调节推进系统设定参数，控制盾构机的掘进姿态，其控制效果取决于操作员的纠偏经验，并且施工效率低，施工质量难以保证。本发明设计模糊神经网络自适应控制器，通过实际掘进数据对所设计的模糊控制器的有效性进行验证。本发明通过应用模糊控制理论解决了盾构机姿态控制过度依靠操作员经验的问题，并通过仿真实验说明所设计的方法优于人工控制方法。与现有技术相比，本发明的有益效果如下：

1.可以有效地提高模糊控制器设计效率；

2.可以自动获得较合理的模糊规则；

3.该方法结构简单、计算量小、可操作较高。

附图说明

图1.盾构推进系统示意图，(a)为盾构推进系统油缸分布，(b)为盾构推进系统变量；

图2.模糊逻辑控制器结构图；

图3.模糊隶属度函数；

图4.模糊自适应神经网络结构图；

图5.传统控制器水平偏差；

图6.传统控制器竖直偏差；

图7.实际挖掘轴线的三维图；

图8.神经网络训练结构图；

图9.模糊控制器规则；

图10.模糊控制器训练测试结果图；

图11.模糊控制器输出响应，(a)为偏差输出响应，(b)为偏角输出响应；

图12.传统控制器输出响应，(a)为偏差输出响应，(b)为偏角输出响应。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

本申请提出一种基于模糊自适应神经网络的盾构机姿态控制方法，针对的土压平衡盾构机通常包括十个主要部分：土舱、添加材料喷出口、中央搅拌装置、搅拌叶片、刀盘、盾构千斤顶、升降装置、铰接千斤顶、形状保持装置、螺旋输送机。盾构机通过旋转刀具来切割土体。切片土进入密封土槽。土渣通过螺旋输送机排送至地表，土槽的压力由螺旋输送机排出的土量来调节。开挖量、刀切速度、气缸推进速度紧密配合，使土槽始终充满渣土，使开挖表面稳定。

盾构机进行隧道挖掘时主要经历四个阶段：负环掘进、始发段掘进、正常段掘进和到达段掘进。在正常段掘进之前需要对盾构机进行调试，调整掘进参数，转接配套管路，铺设运输系统等操作，掘进速度慢。进入正常掘进段后，设备运转正常，运输系统正常工作，盾构机进入快速掘进阶段，需要对盾构机姿态进行实时控制。

本发明主要针对正常掘进段的隧道设计轴线跟踪问题，提出一种基于模糊自适应神经网络的盾构机姿态控制方法，具体包括以下步骤：

S1：选择测量盾构机的位置和方位的绝对坐标系。由于隧道设计轴线一般是在绝对坐标系下设计的，所以，本发明也利用绝对坐标系来表示盾构机的位置和方位的测量结果。

S2：描述和测量盾构机姿态。

选择盾构机的盾首中心和盾尾中心的位置、方位角γ、俯仰角β和回滚角α来描述盾构机当前位置和姿态；姿态测量过程如下：

201：利用激光标靶内的倾斜仪测量回滚角α和俯仰角β；

202：利用盾构机轴线与激光束的水平夹角θ和激光束的水平方向角δ计算盾构机轴线水平方位角γ＝θ+δ；

203：利用切口中心在标靶坐标系中的坐标(A,B,C)，计算盾首中心坐标(x₁,y₁,z₁)；

204：利用盾尾中心在标靶坐标系中的坐标(D,E,E)、盾首和盾尾在水平方向的夹角ω和在垂直方向的夹角σ，计算盾尾中心坐标(x₂,y₂,z₂)。

本申请实施例中，可以利用由激光标靶、全站仪、PLC控制单元及带有隧道掘进软件的计算机组成的测量系统对盾构机位置和姿态进行自动测量。

S3：对比隧道设计轴线上的点计算得到盾构机与隧道设计轴线之间的位置偏差和角度偏差，具体如下：

隧道设计轴线上与当前掘进位置对应的点记为C，利用盾首A点与C点的距离AC和C点处的里程L_C，计算盾首里程L_A、盾构机水平位置偏差D_H和盾构机水平角度偏差(方位角偏差)θ_H；

利用隧道设计轴线在纵面上的投影曲线计算盾构机竖直位置偏差D_V和盾构机竖直角度偏差(俯仰角偏差)θ_V。

S4：利用实际土压平衡盾构机相关设计参数初始化盾构机姿态模型；

所述盾构机姿态模型具体如下：

其中，θ_j表示盾构掘进第j环时的偏角，ε_j表示盾构掘进第j环时的偏差，M_i,j表示千斤顶在第j环时产生的纠偏扭矩，k_i表示第j环的地层机床系数，L表示盾构的长度，D表示盾构的外径，Δx表示第j环的长度，θ_i,j+1表示盾构掘进第j+1环时的偏角，ε_i,j+1表示盾构掘进第j+1环时的偏差，i＝1,2分别表示竖直方向和水平方向的模型。

S5：确定盾构机姿态模型中偏角和偏差的初始值以及采样距离。

S6：根据上区千斤顶推力、下区千斤顶推力、上区油缸油压、下区油缸油压和油缸内径数据，计算得到上下区油压差。

考虑到盾构机结构，对盾构机上下纠偏和左右纠偏可以进行单独的控制。对于盾构机，其输入就是推进油缸产生的力矩，输出就是各姿态的偏差。油缸产生的纠偏力矩就是模糊控制器的期望输出量，由于纠偏力矩和油缸油压存在一定的数量关系，则选择油缸油压差作为输出可以达到相同的控制效果，选择位置偏差和角度偏差及其变化率作为控制器的输入，这样，对盾构机纠偏控制时，需要对水平方向和竖直方向分别进行控制。

S7：针对水平方向的控制，以盾构机水平位置偏差D_H和水平位置偏差变化率作为输入，以油压差作为输出，构建模糊控制器A；以盾构机水平角度偏差(方位角偏差)θ_H和水平角度偏差变化率作为输入，以油压差作为输出，构建模糊控制器B；将模糊控制器A和模糊控制器B的操作量按照下述方式进行结合，构建针对水平方向的模糊自适应神经网络控制器M1；

Δp＝aΔp_A+(1-α)Δp_B

式中，0<α<1为结合因子，Δp_A、Δp_B分别为模糊控制器A和B的输出，Δp为控制器M1的输出。

S8：针对竖直方向的控制，以盾构机竖直位置偏差D_V和竖直位置偏差变化率作为输入，以油压差作为输出，构建模糊控制器C；以盾构机竖直角度偏差(俯仰角偏差)θ_V和竖直角度偏差变化率作为输入，以油压差作为输出，构建模糊控制器D；将模糊控制器C和模糊控制器D的操作量按照下述方式进行结合，构建针对竖直方向的模糊自适应神经网络控制器M2；

Δq＝βΔq_C+(1-β)Δq_D

式中，0<β<1为结合因子，Δq_C、Δq_D分别为模糊控制器C和D的输出，Δq为控制器M2的输出。

S9：利用实测的纠偏控制数据作为训练集，分别训练水平方向和竖直方向的模糊自适应神经网络控制器的控制规则。

本申请实施例中，数据来自北京地铁某段区间的掘进数据。采用小松复合式土压平衡盾构机，型号为TM625PMM，该盾构机总重约325t，总长约9.33m。

S10：在盾构机实时姿态控制时，实时获取土压平衡盾构机的水平角度偏差和俯仰角偏差，并且同时可以得到水平偏差变化率和竖直偏差变化率，输入步骤S9训练好的模糊自适应神经网络控制器，实时得到控制器输出为上下区油缸油压差，实现实时控制。

以下结合附图进一步说明本发明的实现原理。

图1为盾构机推进系统的示意图。盾构机的推进系统由22个油缸组成，布置在盾构机壳体四周，被分为上下左右可分别进行独立控制的四个液压区，对盾构机上下纠偏和左右纠偏可以进行单独的控制。M_H表示左右区油缸的油压差，M_V表示上下区油缸的油压差。D_H表示水平位置偏差，D'_H表示水平位置偏差变化量，θ_H表示水平角度偏差，θ'_H表示水平角度偏差变化量，θ_V表示竖直角度偏差，θ'_V表示竖直角度偏差变化量，D_V表示竖直位置偏差，D'_V表示竖直位置偏差变化量。

图2表明一种竖直方向模糊逻辑控制器的结构图。由图1可知，控制器的为四输入一输出的结构。若每个输入变量选取至少7个语言变量，则模糊控制规则至少有2401条，若减少语言变量的个数，控制器的控制效果就会变差。为减少控制规则的数目，对模糊控制器的结构进一步进行优化。这里以竖直方向的控制为例。采用“分合结构”的模糊控制器设计方法。利用偏差和偏角分别设计两个控制器，而后将两个控制器的操作量进行结合。

图3和图4表示一种模糊自适应神经网络的结构图。在模糊神经网络中，神经网络的输入、输出结点用来表示模糊系统的输入输出信号，神经网络的隐含节点用来表示隶属函数和模糊规则，模糊神经网络在结构上是神经网络，而在功能上是模糊系统。

该网络共分为五层，根据模糊系统的工作过程而设计，是神经网络实现的模糊推理系统，它向训练数据进行学习、自动产生、修正并高度概括出最佳的输入和输出隶属函数，以及模糊规则，另一方面，神经网络的各层结构与参数也具有了明确的、易于理解的物理意义。学者Jang Roger提出的模糊自适应神经网络结构与一阶Sugeno型模糊推理系统是功能等价的基于自适应网络的模糊推理系统。其典型的模糊推理规则为：

IF x₁ is A and x₂ is B Then y＝f(x₁,x₂) (1)

其中，A和B是模糊语言变量，y为控制输出的精确数。

输入向量为[x₁,x₂]，权重W由隶属函数μ值乘积得来，输出y为各规则输出的加权平均，

为各权重在总权重中的比例。该网络是一个多层前馈网络，其参数学习采用梯度下降法和最小二乘法的混合算法。

第一层将输入信号模糊化。节点i的输出函数为

其中x是节点i的输入，

就是A_i的隶属函数值，表示x属于A_i的程度。在该网络中，选取高斯函数作为隶属度函数。

其中，{a_i,c_i}为待调整参数，隶属函数的形状随着参数的改变而改变。

第二层负责将输入信号相乘。每个节点的输出代表一条规则的可信度。

第三层对各条规则的可信度进行归一化。

第四层表示每个节点的线性函数，具有输出：

{p_i,q_i,r_i}为结论参数。

第五层计算总的输出。

混合学习算法可分为两个步骤：

步骤一：确定前提条件的初始值，用最小二乘法计算结论参数。

步骤二：根据上一步得到的结论参数进行误差计算，采用前馈神经网络中的BP算法，将误差由输出端反向传播到输入端，用梯度下降法更新前提参数，从而改变隶属度函数的形状。

图5和图6分析了某盾构掘进区间人工控制条件下盾构机的方向偏差和角度偏差变化。操作人员根据实际测得的盾构机的姿态调节盾构机的推进油缸，对盾构机进行纠偏和调向。

图7表示盾构机实际掘进轴线的立体图，经过对数据的处理分析，可知除个别环以外(也有可能是测量不准导致的)，操作员的控制作用是很明显的。盾构机的实际掘进轴线也没有出现很大的偏差。所以可以利用本段地铁区间的盾构掘进数据对模糊控制规则进行总结。以竖直方向的控制为例。

在建立模糊控制器前，需要对掘进数据处理，得到控制器的输入输出数据。盾构机的竖直偏差和俯仰角偏差可以直接得到，并且同时可以得到竖直偏差变化率和俯仰角偏差变化率。这样模糊控制器的输入数据已全部得到。

由于掘进数据中没有上下油缸的油压差的数据，有的是上下千斤顶的推力。需要对数据进行处理，从而得到上下油缸的油压差。

由油缸分布图可知，盾构机共22个油缸，其中上下区油缸数目各为6个。

Δp＝p_T-p_B (9)

其中，F_T,F_B,P_T,P_B,d,Δp分别表示上区千斤顶推力，下区千斤顶推力，上区油缸油压，下区油缸油压，油缸内径，上下区油压差。查阅盾构机技术手册知d＝260mm，由以上三式可计算出上下区油压差。此时模糊控制器的输入输出数据已全部得到。

图8表明模糊神经网络训练结构图。

首先训练模糊控制器A，其输入为竖直偏差和竖直偏差变化量，输出为油压差。

经观察，竖直偏差的主要变化范围为[-13mm,28mm]，其变化率的主要变化范围为[-14mm/环,14mm/环]。

将300组输入输出数据对保存为train.dat格式，作为网络的训练数据；将100组输入输出数据对保存为test.dat格式。对模糊控制器进行训练。

然后训练模糊控制器B，其输入为俯仰角偏差和俯仰角偏差变化率，输出为油压差。

图9和图10表示模糊控制器的训练结果，经观察，俯仰角偏差的主要变化范围为[-0.4rad,0.7rad]，其变化率的主要变化范围为[-0.35rad/环,0.35rad/环]。

图11表示所提的模糊控制器输出响应。随着纠偏的进行，盾构位置偏差值越来越小，不断向设计轴线接近，说明控制系统能按预期的方式纠偏。偏角在开始阶段增大，当增大到一定程度，又开始减小，也达到了预期的控制效果。这说明，根据实际操作数据训练得到的模糊控制器可以对盾构的姿态有效的进行控制。

图12表示传统控制器输出响应，作为所提模糊控制器的对比。可以发现，无论在控制速度上，还是控制精度上，传统的控制器的响应效果都差于本发明提出的模糊控制器。

以上所述仅是本发明的优选实施方式，虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (5)

1.一种基于模糊自适应神经网络的盾构机姿态控制方法，其特征在于，该方法用于对土压平衡盾构机在正常段掘进阶段的姿态进行实时控制，包括以下步骤：

S1：选择测量盾构机的位置和方位的绝对坐标系。

S2：描述和测量盾构机姿态。选择盾构机的盾首中心和盾尾中心的位置、方位角γ、俯仰角β和回滚角α来描述盾构机当前位置和姿态。

S3：对比隧道设计轴线上的点计算得到盾构机与隧道设计轴线之间的位置偏差和角度偏差，具体如下：

隧道设计轴线上与当前掘进位置对应的点记为C，利用盾首A点与C点的距离AC和C点处的里程L_C，计算盾首里程L_A、盾构机水平位置偏差D_H和盾构机水平角度偏差(方位角偏差)θ_H；

利用隧道设计轴线在纵面上的投影曲线计算盾构机竖直位置偏差D_V和盾构机竖直角度偏差(俯仰角偏差)θ_V。

S4：利用实际土压平衡盾构机相关设计参数初始化盾构机姿态模型。

S5：确定盾构机姿态模型中偏角和偏差的初始值以及采样距离。

S6：根据上区千斤顶推力、下区千斤顶推力、上区油缸油压、下区油缸油压和油缸内径数据，计算得到上下区油压差。

S7：针对水平方向的控制，以盾构机水平位置偏差D_H和水平位置偏差变化率作为输入，以油压差作为输出，构建模糊控制器A；以盾构机水平角度偏差(方位角偏差)θ_H和水平角度偏差变化率作为输入，以油压差作为输出，构建模糊控制器B；将模糊控制器A和模糊控制器B的操作量进行结合，构建针对水平方向的模糊自适应神经网络控制器M1。

S8：针对竖直方向的控制，以盾构机竖直位置偏差D_V和竖直位置偏差变化率作为输入，以油压差作为输出，构建模糊控制器C；以盾构机竖直角度偏差(俯仰角偏差)θ_V和竖直角度偏差变化率作为输入，以油压差作为输出，构建模糊控制器D；将模糊控制器C和模糊控制器D的操作量进行结合，构建针对竖直方向的模糊自适应神经网络控制器M2。

S9：利用实测的纠偏控制数据作为训练集，分别训练水平方向和竖直方向的模糊自适应神经网络控制器的控制规则。

S10：在盾构机实时姿态控制时，实时获取土压平衡盾构机的水平角度偏差和俯仰角偏差，并且同时可以得到水平偏差变化率和竖直偏差变化率，输入步骤S9训练好的模糊自适应神经网络控制器，实时得到控制器输出为上下区油缸油压差，实现实时控制。

2.根据权利要求1所述的一种基于模糊自适应神经网络的盾构机姿态控制方法，其特征在于，所述步骤S2中，姿态测量过程如下：

201：利用激光标靶内的倾斜仪测量回滚角α和俯仰角β；

202：利用盾构机轴线与激光束的水平夹角θ和激光束的水平方向角δ计算盾构机轴线水平方位角γ＝θ+δ；

203：利用切口中心在标靶坐标系中的坐标(A,B,C)，计算盾首中心坐标(x₁,y₁,z₁)；

204：利用盾尾中心在标靶坐标系中的坐标(D,E,E)、盾首和盾尾在水平方向的夹角ω和在垂直方向的夹角σ，计算盾尾中心坐标(x₂,y₂,z₂)。

3.根据权利要求1所述的一种基于模糊自适应神经网络的盾构机姿态控制方法，其特征在于，所述步骤S4中，所述盾构机姿态模型具体如下：

其中，θ_j表示盾构掘进第j环时的偏角，ε_j表示盾构掘进第j环时的偏差，M_i,j表示千斤顶在第j环时产生的纠偏扭矩，k_i表示第j环的地层机床系数，L表示盾构的长度，D表示盾构的外径，Δx表示第j环的长度，θ_i,j+1表示盾构掘进第j+1环时的偏角，ε_i,j+1表示盾构掘进第j+1环时的偏差，i＝1,2分别表示竖直方向和水平方向的模型。

4.根据权利要求1所述的一种基于模糊自适应神经网络的盾构机姿态控制方法，其特征在于，所述步骤S7中，将模糊控制器A和模糊控制器B的操作量按照下述方式进行结合，构建针对水平方向的模糊自适应神经网络控制器M1；

Δp＝aΔp_A+(1-a)Δp_B

式中，0<a<1为结合因子，Δp_A、Δp_B分别为模糊控制器A和B的输出，Δp为控制器M1的输出。

5.根据权利要求1所述的一种基于模糊自适应神经网络的盾构机姿态控制方法，其特征在于，所述步骤S8中，将模糊控制器C和模糊控制器D的操作量按照下述方式进行结合，构建针对竖直方向的模糊自适应神经网络控制器M2；

Δq＝βΔq_C+(1-β)Δq_D

式中，0<β<1为结合因子，Δq_C、Δq_D分别为模糊控制器C和D的输出，Δq为控制器M2的输出。

Images