CN111594201A - 一种tbm关键参数智能控制系统及方法 - Google Patents

Abstract

本发明公开了一种TBM关键参数智能控制系统及方法，包括如下步骤：PLC读取上位机数据，建立上位机的唯一识别ID；PLC采集掘进数据发送给上位机；输入盾构机设备信息，上位机根据掘进数据判断盾构机是否正常掘进，上位机将盾构机设备信息和正常掘进的掘进数据发送给边缘计算站；边缘计算站对掘进数据和盾构机设备信息进行处理，发送给大数据中心；通过上位机设定刀盘转速和推进速度，PLC根据设定调整刀盘转速和推进速度，边缘计算站计算掘进数据最优值反馈给上位机，上位机通过PLC调整掘进数据；云计算平台根据大数据中心中的数据对盾构机模型重新训练，将训练好的模型更新至边缘计算站。本发明实现了数据的闭环管理。

Description

一种TBM关键参数智能控制系统及方法

技术领域

本发明属于隧道智能建造技术领域，具体涉及一种TBM关键参数智能控制系统及方法。

背景技术

TBM施工具有掘进速度快、施工安全、成洞质量高等优点得到了越来越广泛的应用。目前TBM掘进参数的选择仍依赖人为经验，司机水平又良莠不齐，经常不能及时有效的调整掘进策略，对施工质量和效率都造成了较大的影响，甚至可能发生人员伤亡事故。因此，TBM智能掘进技术已成为隧道智能建造领域的重大技术挑战。

国内外已对隧道智能建造领域的智能控制开展了一系列的研究和探索，但尚不能满足功能应用需求，存在数据传输效率低、模型更新不及时、无法实现数据的闭环管理等诸多问题。

发明内容

针对隧道施工过程中数据传输效率低、模型更新不及时、无法实现数据的闭环管理等的问题，本发明提出了一种TBM关键参数智能控制系统及方法，基于边缘计算技术建立了TBM智能掘进系统的整体架构，可满足用户各种网络条件下的各种应用需求。

为解决以上技术问题，本发明所采用的技术方案如下：

一种TBM关键参数智能控制方法，包括如下步骤：

S1，PLC读取上位机数据，建立上位机的唯一识别ID；

S2，启动盾构机，PLC将传感器在线采集的反映盾构机掘进状态的掘进数据传送给到上位机；

S3，通过上位机输入盾构机设备信息，上位机根据步骤S2中所采集的掘进数据判断盾构机是否处于正常掘进状态，若盾构机处于正常掘进状态，上位机将盾构机设备信息和正常掘进状态的掘进数据发送给到边缘计算站；

S4，边缘计算站对接收到的正常掘进状态的掘进数据和盾构机设备信息进行预处理，并将处理后的数据发送到大数据中心；

S5，通过上位机设定刀盘转速和推进速度，PLC接收上位机的指令并对盾构机的刀盘转速和推进速度进行调整，边缘计算站根据盾构机模型和实时采集的掘进数据计算掘进数据最优值，并将掘进数据最优值反馈给到上位机，上位机通过PLC对掘进数据进行在线调整；

S6，云计算平台根据大数据中心中的数据对盾构机模型重新进行训练，将训练好的盾构机模型自动更新至边缘计算站；

S7，边缘计算站根据训练好的盾构机模型和实时采集的掘进数据计算新的掘进数据最优值，上位机根据新的掘进数据最优值并通过PLC对掘进数据不断进行调整。

在步骤S1中，所述唯一识别ID根据上位机的硬盘序列号X所建立，PLC读取上位机的一个硬盘序列号X，利用MD5加密算法对硬盘序列号X进行处理得到机器码Y，截取机器码Y的最后N位即为该上位机的唯一识别ID。

在步骤S3中，所述上位机根据步骤S2中所采集的掘进数据判断盾构机是否处于正常掘进状态，包括如下步骤：

S3.1，上位机调用刀盘卡机风险报警模型，刀盘卡机风险报警模型根据步骤S2中所采集的掘进数据中的刀盘扭矩判断刀盘是否处于正常掘进状态；

S3.2，上位机调用盾体卡机风险报警模型，盾体卡机风险报警模型根据步骤S2中所采集的掘进数据中的推进速度判断盾构机是否处于正常启动状态。

在步骤S4中，所述边缘计算站对接收到的正常状态的掘进数据和盾构机设备信息进行处理，包括如下步骤：

S4.1，边缘计算站按照掘进数据的位数设定标准，对掘进数据中的异常数据进行清洗并替换；

S4.2，边缘计算站通过位移编码标识的形式对盾构机设备信息和步骤4.1中清洗和替换后的掘进数据进行标准化；

S4.3，边缘计算站将步骤S4.2中标准化后的数据发送到大数据中心，大数据中心按照TBM型号对所有数据建库保存。

在步骤S4.1中，所述掘进数据的位数设定标准是指正常的掘进数据为小数点后保留两位；所述对掘进数据中的异常数据进行清洗并替换是指若掘进数据的小数点后的数据超过两位或不足两位，边缘计算站判定为接收到异常数据，并将异常数据替换为“999.99”；若一条掘进数据中的某一掘进数据为空，边缘计算站判定为该掘进数据缺失，并将所缺失的掘进数据设定为“999.99”，若一条掘进数据中的掘进数据缺失15%以上时，边缘计算站直接删除该条掘进数据；若两条掘进数据的每个掘进数据均相同时，边缘计算站直接删除第二条掘进数据。

在步骤S4.2中，所述对盾构机设备信息和步骤S3.1中清洗后的掘进数据进行标准化是指建立唯一标识ID，唯一标识ID为七位字符，第1位字符表示盾构机的数据类别，数据类别包括主要数据、设备参数、开关量、报警量或统计量；第2位字符表示厂家数据参数，厂家数据参数包括各类参数、散乱参数、中铁装备参数、海瑞克参数或罗宾斯参数；第3-4位字符表示厂家数据参数的归属系统，厂家数据参数的归属系统包括液压系统、控制系统、冷却水系统、润滑密封系统、膨润土系统或皮带机系统；第5-7位字符表示推进速度、刀盘转速、贯入度、总推力或刀盘扭矩。

在步骤S5中，所述边缘计算站根据盾构机模型和实时采集的掘进数据计算掘进数据最优值，包括如下步骤：

S5.1，边缘计算站根据掘进参数最低有效值和采样时间点对实时采集的每条掘进数据中的掘进参数进行比较，以判定出有效掘进点的掘进数据；

S5.2，上位机调用盾构机模型的岩体感知模型，并根据步骤S5.1中的所述有效掘进点的掘进数据计算岩体参数；

S5.3，上位机调用盾构机模型的辅助驾驶模型，并根据步骤S5.2中的岩体参数和步骤S5.1中的所述有效掘进点的掘进数据，计算掘进数据最优值。

一种TBM关键参数智能控制系统，包括用于采集掘进数据的PLC、用于设定掘进参数的上位机、用对PLC所采集的掘进数据进行处理的边缘计算站和用于更新盾构机模型的云计算平台，PLC与上位机相连接，上位机与边缘计算站相连接，边缘计算站分别与大数据中心和云计算平台连接，且大数据中心与云计算平台相连接。

本发明的有益效果：

本发明利用边缘计算站为桥梁连接上位机和云计算平台，使上位机避免暴露在公网环境下，且上位机与云计算平台通讯时需要验证该上位机的唯一识别ID，验证通过后才进行通信，保证了通信的安全；盾构机产生的数据首先经过边缘计算站的清洗和标准化再发送至大数据中心，有效提高了数据质量和传输效率；云计算平台可以不断地对盾构机模型进行训练，并自动更新至边缘计算站，且盾构机模型只需满足输入输出参数要求即可运行，具有丰富的可扩展性；大数据中心对盾构机设备信息和掘进数据进行存储，为数据分析决策提供了可靠的数据源，且大数据中心中的数据不断积累，每达到一定数值，已有模型即会重新生成并优化更新，进一步提高了预警及决策的效率，实现了掘进效率的良性循环和数据的闭环管理，实现了云计算平台、边缘计算站和盾构机的高效连接，提高了TBM施工及决策的效率，为TBM智能掘进进一步夯实了基础。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的控制流程示意图。

图2为本发明的架构图。

图3为MongoDb数据存储结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：一种TBM关键参数智能控制方法，如图1所示，包括如下步骤：

S1，PLC读取上位机数据并建立上位机的唯一识别ID；

PLC与若干台上位机相连接，每个上位机中均设有至少一个硬盘，每个硬盘中均存有各自的硬盘序列号X，PLC读取上位机的一个硬盘序列号X，然后利用MD5加密算法对硬盘序列号X进行处理以得到机器码Y，之后截取机器码Y的最后N位作为该上位机的唯一识别ID，本实施例中，N=12；不同的硬盘具有不同的硬盘序列号X，因此每个上位机的唯一识别ID均不同。

所述上位机设有双网卡，一个网卡用于和PLC通讯，一个网卡用于和边缘计算站通讯，且上位机中设有路由器白名单，只有路由器白名单中的IP才可以和上位机相连接，以免其它系统连入上位机。边缘计算站通过唯一识别ID可以识别上位机，PLC根据唯一识别ID可以执行不同上位机的指令。

S2，启动盾构机，PLC将传感器在线采集的反映盾构机掘进状态的掘进数据传送给到上位机；

每条掘进数据包括推进速度、刀盘转速、贯入度、总推力和刀盘扭矩，且每条掘进数据均对应于各自的采样时间点。

S3，通过上位机输入盾构机设备信息，上位机根据步骤S2中所采集的掘进数据判断盾构机是否处于正常掘进状态，若盾构机处于正常掘进状态，上位机将盾构机设备信息和正常掘进状态的掘进数据发送给到边缘计算站；

所述上位机根据步骤S2中所采集的掘进数据判断盾构机是否处于正常掘进状态，包括如下步骤：

S3.1，上位机调用刀盘卡机风险报警模型，刀盘卡机风险报警模型根据步骤S2中所采集的掘进数据，判断刀盘是否处于正常掘进状态；

上位机发送“jam”命令调用刀盘卡机风险报警模型，刀盘卡机风险报警模型中设定有刀盘卡机预警值和刀盘开机报警值，一般情况下，刀盘卡机预警值k1设定为70，刀盘开机报警值NA为100；

刀盘卡机风险报警模型中设定有刀盘扭矩最小值，本实施例中，所述刀盘扭矩最小值为3000；当一个掘进循环开始后，刀盘卡机风险报警模型根据实时监测到的刀盘扭矩判断，若刀盘扭矩>3000，上位机开始保存刀盘扭矩Tn，刀盘转速Ns；当数据积累至10个后，10个数据为一组：保存数据为Tn1，Tn2，…Tn10，Ns1，Ns2，…Ns10；由于掘进参数会受到随机噪声的影响产生波动，采用滑动平均法对刀盘扭矩和刀盘转速求取滑动平均值以降噪，滑动平均窗口选择为5，降噪后的刀盘扭矩Tn'=[Tn1'，Tn2'…Tn10']，降噪后的刀盘转速Ns'=[Ns1'，Ns2'…Ns10']；利用双曲线正切函数求取第一实时特征指数M，计算每一环的第一累积特征指数N，即对第一实时特征指数M进行加总；对第一累积特征指数N进行判断，若N大于NA，发出报警，盾构机处于非正常掘进状态，停机检查。一个掘进循环结束后，上位机即对第一实时特征指数M、第一累积特征指数N进行清零。

S3.2，上位机调用盾体卡机风险报警模型，盾体卡机风险报警模型根据步骤S2中所采集的掘进数据，判断盾构机是否处于正常启动状态；

上位机发送“sjam”命令调用盾体卡机风险报警模型，一般情况下盾体卡机预警值k2为70，盾体卡机报警值NA'为100；

盾体卡机风险报警模型中设定有推进速度最小值，本实施例中，推进速度最小值为10；当一个掘进循环开始后，盾体卡机风险报警模型根据实时监测到的推进速度判断，若推进速度>10，上位机开始保存总推力F和刀盘转速V；当数据积累至10个后，10个数据为一组：保存数据为F1，F2，…F10，V1，V2，…V10；由于掘进参数会受到随机噪声的影响产生波动，采用滑动平均法对总推力和刀盘转速求取滑动平均值以降噪，滑动平均窗口选择为5，降噪后的总推力F'=[F1'，F2'…F10']，降噪后的刀盘转速V'=[V1'，V2'…V10']；利用双曲线正切函数求取第二实时特征指数M'，计算每一环的第二累积特征指数N'；对第二累积特征指数N'进行判断，若N'大于NA'，发出报警，盾构机处于非正常掘进状态，停机检查。当一个掘进循环结束后，对第二实时特征指数M'、第二累积特征指数N'进行清零。本实施例中的盾体卡机风险报警模型和盾体卡机风险报警模型的建立方法均为现有技术，具体内容参考中国专利“一种双护盾TBM盾体卡机预测方法及系统”（申请号：CN2017111048722，授权公告日：20190222）。

若刀盘和盾体均处于正常状态，上位机将盾构机设备信息和所有正常状态的掘进数据不断地发送给到边缘计算站，盾体卡机风险报警模型和刀盘卡机风险报警模型均存储在边缘计算站中。

所述盾构机设备信息包括数据类别、厂家数据参数和归属系统；上位机用于实时显示当前盾构机设备信息和掘进数据，边缘计算站用于对相关数据进行处理和计算。

S4，边缘计算站对接收到的正常掘进状态的掘进数据和盾构机设备信息进行预处理，并将处理后的数据发送给大数据中心；

如图2所示，所述边缘计算站对接收到的正常掘进状态的掘进数据和盾构机设备信息进行处理，包括如下步骤：

S4.1，数据清洗：边缘计算站按照掘进数据的位数设定标准，对掘进数据中的异常数据进行清洗并替换；

一般情况下，正常的掘进数据为小数点后保留两位，如“3653.25”为正常数据，若掘进数据的小数点后的数据超过两位或不足两位，边缘计算站即判定为接收到异常数据，并将异常数据替换为“999.99”；若一条掘进数据中的某一掘进数据为空，边缘计算站即判定为该掘进数据缺失，并将所缺失的掘进数据设定为“999.99”，若一条掘进数据中的掘进数据缺失15%以上时，边缘计算站直接删除该条掘进数据；若两条掘进数据的每个掘进数据均相同时，边缘计算站直接删除第二条掘进数据。

S4.2，数据标准化：边缘计算站通过位移编码标识的形式对盾构机设备信息和步骤S4.1中清洗和替换后的掘进数据进行标准化，以为后期的大数据处理和第三方数据接口提供数据的唯一标识ID；

本实施例中，每一条数据的唯一标识ID均为七位字符，第1位字符为字母，表示盾构机的数据类别，数据类别包括主要数据、设备参数、开关量、报警量、统计量，对应的字母分别为M、S、B、A、C；第2位字符为数字，表示厂家数据参数，厂家数据参数包括散乱参数、中铁装备参数、海瑞克参数、罗宾斯参数，对应的数字分别为0、1、2、3；第3-4位字符均为数字，表示厂家数据参数的归属系统，厂家数据参数的归属系统包括液压系统、控制系统、冷却水系统、润滑密封系统、膨润土系统、皮带机系统，对应的字母分别为00、01、02、03、04、05；第5-7位字符为数字，可以表示推进速度、刀盘转速、贯入度、总推力、刀盘扭矩、电机电流、甲烷含量、氧气浓度等，比如推进速度可以采用001，贯入度可以采用002，具体实施时可以自由设定，只需将数据区分开即可；如“S201005”为中铁装备控制系统设备参数：刀盘转速。采样时间点与掘进数据相对应，因此可以对标准化后的数据进行区分。

S4.3，数据存储：边缘计算站将步骤S4.2中标准化的数据发送到大数据中心，大数据中心按照TBM型号对所有数据建库保存；

大数据中心按照TBM型号并结合唯一标识ID对接收到的数据分别建库保存，另外还可以将以下数据如工程地质资料，图片视频等，存放在非关系型数据库MongoDB中，如图3所示，MongoDB为不同TBM建立不同的数据库，以TBM型号区分，该数据库下保存设备运行过程中所有的数据信息，包括全局变量、地质信息、设备信息、上传信息和其他信息，全局变量包括掘进数据、单位和唯一标识ID等；地质信息包括桩号、地质强度、地下水信息和地质断层信息等；上传信息包括试验报告、施工数据、施工图片或视频等；其他信息包括设备维保、材料消耗和支护过程等；如TBM266号，可在MongoDB数据库建立TBM266数据库用于存储该TBM数据；断网状态时数据存储于边缘计算站，待网络恢复后再传输至大数据中心。

边缘计算站为掘进数据的接收和盾构机模型的运行提供了运行环境。

S5：通过上位机设定刀盘转速和推进速度，PLC接收上位机的指令并对盾构机的刀盘转速和推进速度进行调整，边缘计算站根据盾构机模型和实时采集的掘进数据计算掘进数据最优值，并将掘进数据最优值反馈给到上位机，上位机通过PLC对掘进数据进行在线调整；

所述盾构机模型包括岩体感知模型和辅助驾驶模型，岩体感知模型和辅助驾驶模型存储在边缘计算站中；

所述边缘计算站根据盾构机模型和实时采集的掘进数据计算掘进数据最优值，包括如下步骤：

S5.1，边缘计算站根据掘进参数最低有效值和采样时间点对实时采集的每条掘进数据中的掘进参数进行比较判定，反馈数据状态值；

边缘计算站中存储有掘进参数最低有效值，本实施例中，总推力的最低有效值为10000，当总推力>10000时，边缘计算站判定该条掘进数据为有效掘进点，反馈数据状态值“0”；当总推力由>10000转为<=10000时，边缘计算站判定该条掘进数据为掘进终止点，反馈数据状态值“1”；当总推力<10000时，边缘计算站判定该条掘进数据为非掘进点，反馈数据状态值“-1”；当总推力为负值时，边缘计算站判定该条掘进数据为异常值数据，反馈数据状态值“-1”，当总推力不为数值或出现报错时，边缘计算站判定该条掘进数据无效，反馈数据状态值“参数错误”。

S5.2，上位机调用岩体感知模型，并根据步骤S5.1中的有效掘进点的掘进数据计算岩体参数，以判断当前所处围岩的抗压强度、完整性和围岩等级；

所述岩体参数包括单轴抗压强度ucs、岩体节理jv和围岩等级w；上位机发送“ls”命令调用岩体感知模型，输出{“UCS_pre”：ucs，“Jv_pre”：jv，“W_pre”：w }，以实时判断当前所处围岩的抗压强度、完整性和围岩等级。

所述岩体感知模型的建立及围岩等级的分类方式为现有技术，是基于中国专利“一种基于在线岩体等级分类的TBM掘进性能预测方法”（专利申请号：CN2019111985118，公开日：20200428）。

S5.3，上位机调用辅助驾驶模型，并根据步骤S5.2中的岩体参数和步骤S5.1中的有效掘进点的掘进数据，计算掘进数据最优值；

上位机发送 “lle_svr”命令调用辅助驾驶模型，输出参数的数组格式为：[推进速度，刀盘转速，总推力，刀盘扭矩]，将输出参数与实时掘进数据分别进行对比，以实时判断当前推进速度、刀盘转速、总推力和刀盘扭矩是否为合适数值。如果不等于最优值，上位机发送命令给PLC，PLC再次对相应的掘进数据进行调整，直至等于最优值。

以刀盘转速为例，如当前刀盘转速为11.2，边缘计算站计算出当前最优刀盘转速为10.1，边缘计算站则向上位机发送最优刀盘转速为10.1，上位机再将该最优刀盘转速发送给PLC，由PLC执行，不断循环此过程，以达到不断调整刀盘转速的目标。

所述辅助驾驶模型的建立为现有技术，是基于中国专利“基于迁移学习的隧道掘进机掘进性能与控制参数预测方法”（专利申请号：CN201911101914.6，公开日：20200228）。

S6：云计算平台根据大数据中心中的数据对盾体卡机风险报警模型、刀盘卡机风险报警模型、岩体感知模型和辅助驾驶模型重新进行训练，训练好的模型自动更新至边缘计算站，用于指导实际施工，完成数据的闭环；

本实施例，以盾体卡机风险报警模型为例，若云计算平台中的数据量Xn>nXm，即根据新的掘进数据更新盾体卡机风险报警模型，其中，Xm为上次模型生成时的数据量，n可根据需要动态调整，且n为整数，n越大，模型更新越慢，数据量越大，模型越准确。盾体卡机风险报警模型和刀盘卡机风险报警模型更新后，上位机在判断判断盾构机是否处于正常掘进状态时，会自动采用训练后的模型。

S7，边缘计算站根据训练好的岩体感知模型和辅助驾驶模型和实时采集的掘进数据计算新的掘进数据最优值，上位机根据新的掘进数据最优值并通过PLC对掘进数据不断进行调整。

利用本发明可完成高效、高质量、安全的采集数据和TBM关键参数的智能控制，可动态自动更新数据模型，实现数据优化模型，模型提高掘进效率的良性循环和数据的闭环管理，进一步提高了整个施工的效率。

本发明的工作流程：PLC数据采集后传输到上位机，上位机用于实时显示当前设备参数和掘进数据，边缘计算站用于初步计算和处理相应数据，边缘计算站还与云计算平台进行交互，云计算平台对模型进行重新训练，边缘计算站接收云计算平台训练后的新模型并完成更新，并将新模型运算后得到的决策指令发送给上位机，上位机再命令PLC执行相关动作。

实施例2：一种TBM关键参数智能控制系统，包括PLC、上位机、边缘计算站和云计算平台，PLC作为执行单元，上位机和PLC相连接，通过上位机可以设定相关参数，并通过PLC调整，PLC通过盾构机上的传感器采集相关的掘进数据发送给到上位机；边缘计算站中存储有盾体卡机风险报警模型、刀盘卡机风险报警模型、岩体感知模型和辅助驾驶模型，边缘计算站和上位机相连接，边缘计算站用于对上位机所接收的数据进行处理，并将处理后的数据同步存储到大数据中心；边缘计算站根据实时监测的掘进数据调用相关的模型计算TBM关键参数最优值，并通过上位机和PLC对关键参数进行调整；云计算平台与边缘计算站相连接，且云计算平台通过调用大数据中心中的数据可以对盾体卡机风险报警模型、刀盘卡机风险报警模型、岩体感知模型和辅助驾驶模型进行重新训练并更新。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种TBM关键参数智能控制方法，其特征在于，包括如下步骤：

S1，PLC读取上位机数据，建立上位机的唯一识别ID；

S2，启动盾构机，PLC将传感器在线采集的反映盾构机掘进状态的掘进数据传送给上位机；

S3，通过上位机输入盾构机设备信息，上位机根据步骤S2中所采集的掘进数据判断盾构机是否处于正常掘进状态，若盾构机处于正常掘进状态，上位机将盾构机设备信息和正常掘进状态的掘进数据发送给到边缘计算站；

S4，边缘计算站对接收到的正常掘进状态的掘进数据和盾构机设备信息进行预处理，并将处理后的数据发送到大数据中心；

S5，通过上位机设定刀盘转速和推进速度，PLC接收上位机的指令并对盾构机的刀盘转速和推进速度进行调整，边缘计算站根据盾构机模型和实时采集的掘进数据计算掘进数据最优值，并将掘进数据最优值反馈给到上位机，上位机通过PLC对掘进数据进行在线调整；

S6，云计算平台根据大数据中心中的数据对盾构机模型重新进行训练，将训练好的盾构机模型自动更新至边缘计算站；

S7，边缘计算站根据训练好的盾构机模型和实时采集的掘进数据计算新的掘进数据最优值，上位机根据新的掘进数据最优值并通过PLC对掘进数据不断进行调整。

2.根据权利要求1所述的TBM关键参数智能控制方法，其特征在于，在步骤S1中，所述唯一识别ID根据上位机的硬盘序列号X所建立，PLC读取上位机的一个硬盘序列号X，利用MD5加密算法对硬盘序列号X进行处理得到机器码Y，截取机器码Y的最后N位即为该上位机的唯一识别ID。

3.根据权利要求1或2所述的TBM关键参数智能控制方法，其特征在于，在步骤S3中，所述上位机根据步骤S2中所采集的掘进数据判断盾构机是否处于正常掘进状态，包括如下步骤：

S3.1，上位机调用刀盘卡机风险报警模型，刀盘卡机风险报警模型根据步骤S2中所采集的掘进数据中的刀盘扭矩判断刀盘是否处于正常掘进状态；

S3.2，上位机调用盾体卡机风险报警模型，盾体卡机风险报警模型根据步骤S2中所采集的掘进数据中的推进速度判断盾构机是否处于正常启动状态。

4.根据权利要求3所述的TBM关键参数智能控制方法，其特征在于，在步骤S4中，所述边缘计算站对接收到的正常状态的掘进数据和盾构机设备信息进行处理，包括如下步骤：

S4.1，边缘计算站按照掘进数据的位数设定标准，对掘进数据中的异常数据进行清洗并替换；

S4.2，边缘计算站通过位移编码标识的形式对盾构机设备信息和步骤4.1中清洗和替换后的掘进数据进行标准化；

S4.3，边缘计算站将步骤S4.2中标准化后的数据发送到大数据中心，大数据中心按照TBM型号对所有数据建库保存。

5.根据权利要求4所述的TBM关键参数智能控制方法，其特征在于，在步骤S4.1中，所述掘进数据的位数设定标准是指正常的掘进数据为小数点后保留两位；所述对掘进数据中的异常数据进行清洗并替换是指若掘进数据的小数点后的数据超过两位或不足两位，边缘计算站判定为接收到异常数据，并将异常数据替换为“999.99”；若一条掘进数据中的某一掘进数据为空，边缘计算站判定为该掘进数据缺失，并将所缺失的掘进数据设定为“999.99”，若一条掘进数据中的掘进数据缺失15%以上时，边缘计算站直接删除该条掘进数据；若两条掘进数据的每个掘进数据均相同时，边缘计算站直接删除第二条掘进数据。

6.根据权利要求5所述的TBM关键参数智能控制方法，其特征在于，在步骤S4.2中，所述对盾构机设备信息和步骤S3.1中清洗后的掘进数据进行标准化是指建立唯一标识ID，唯一标识ID为七位字符，第1位字符表示盾构机的数据类别，数据类别包括主要数据、设备参数、开关量、报警量或统计量；第2位字符表示厂家数据参数，厂家数据参数包括各类参数、散乱参数、中铁装备参数、海瑞克参数或罗宾斯参数；第3-4位字符表示厂家数据参数的归属系统，厂家数据参数的归属系统包括液压系统、控制系统、冷却水系统、润滑密封系统、膨润土系统或皮带机系统；第5-7位字符表示推进速度、刀盘转速、贯入度、总推力或刀盘扭矩。

7.根据权利要求5或6所述的TBM关键参数智能控制方法，其特征在于，在步骤S5中，所述边缘计算站根据盾构机模型和实时采集的掘进数据计算掘进数据最优值，包括如下步骤：

S5.1，边缘计算站根据掘进参数最低有效值和采样时间点对实时采集的每条掘进数据中的掘进参数进行比较，以判定出有效掘进点的掘进数据；

S5.2，上位机调用盾构机模型的岩体感知模型，并根据步骤S5.1中的所述有效掘进点的掘进数据计算岩体参数；

S5.3，上位机调用盾构机模型的辅助驾驶模型，并根据步骤S5.2中的岩体参数和步骤S5.1中的所述有效掘进点的掘进数据，计算掘进数据最优值。

8.一种TBM关键参数智能控制系统，其特征在于，包括用于采集掘进数据的PLC、用于设定掘进参数的上位机、用对PLC所采集的掘进数据进行处理的边缘计算站和用于更新盾构机模型的云计算平台，PLC与上位机相连接，上位机与边缘计算站相连接，边缘计算站分别与大数据中心和云计算平台连接，且大数据中心与云计算平台相连接。

Images