CN112682049B - 盾构掘进姿态的纠偏控制方法和装置 - Google Patents

Abstract

本发明属于一般的控制或调节系统技术领域，具体涉及一种盾构掘进姿态的纠偏控制方法和装置，方法包括：构建盾构机的纠偏原理模型；纠偏原理模型包括纠偏轨迹曲线；确定纠偏原理模型的最小纠偏半径；纠偏原理模型的最小纠偏半径为纠偏轨迹曲线的曲率半径；利用人工蚁群算法对预设的盾构机参数进行处理，得到最优特征子集；根据最小纠偏半径和最优特征子集，构建盾构机的纠偏数学模型；基于纠偏数学模型，通过人工蜂群算法优化最优特征子集得到控制参数；并根据控制参数控制盾构机掘进姿态进行纠偏。通过引入蚁群算法能够筛选出最优特征子集，将最优特征子集作为人工蜂群算法的初始种群，能够提高求解质量，提高纠偏精度，达到更好的纠偏效果。

Description

盾构掘进姿态的纠偏控制方法和装置

技术领域

本发明属于一般的控制或调节系统技术领域，具体涉及盾构掘进姿态的纠偏控制方法和装置。

背景技术

随着城市化进程的发展，城市人口逐渐增多，地铁隧道的建设成为缓解交通压力、改善城市环境的重要举措。明挖法和盾构法是地铁隧道建设的主要方法。利用明挖法，修筑初砌等工作均在露天条件完成，地形、地貌、施工环境、天气等因素对施工影响较大，导致明挖法的应用范围受限。而盾构法属于暗挖法，在实施中，由盾构机械在地下完成开挖、初砌、推进等工作，对城市地表、地面交通、居民出行和生活影响较小，且不受天气和城市地形、地貌、江河水域等的影响。因此，盾构法施工掘进速度快，安全性高，人员伤亡少，成为地铁隧道建设的首选方法。

在利用盾构法建设地铁隧道的过程中，主要由盾构机完成对地下空间的挖掘，并沿隧道设计轴线向前推进，同时负责完成碴土输送、隧道衬砌、测量纠偏等工作。然而，由于各种原因，在掘进过程中，盾构机的行驶轨迹与设计轴线产生偏差的现象十分常见。造成偏差的主要原因有3种：其一，盾构机管片选型不当、机械磨损、盾构导向系统测量误差等机械自身原因，造成盾构机产生纵向或横向偏移；其二，掘进地层复杂多变，软硬不均匀，以及盾构机自身重力的影响，会导致盾构机产生纵向偏移；其三，操作人员经验不足等人为原因，也会导致盾构机产生偏移。当偏差超过限定值时，将会使盾构机刀盘磨损加重，降低施工进度，给地铁隧道建设带来巨大的经济损失。更为严重的是，当偏差超出设计轴线的极限值时，将会大大增加地铁在运营中的安全风险。因此，如何快速准确调整盾构姿态，成为隧道盾构中普遍关注的问题。盾构纠偏是指通过调节盾构机推进系统液压缸油压大小，使盾构机的掘进轨迹趋于设计轴线的过程。

目前，主要通过人工调节液压缸油压的大小，来控制盾构机的姿态进行纠偏，纠偏效果主要取决于操作人员的技术熟练程度，若操作人员技术不熟练，在调节液压缸油压的过程中会出现超调或欠调的情况，盾构机的纠偏轨迹将成为蛇形轨迹。因此，盾构纠偏主要问题在于如何快速、准确调整液压缸油压的大小。

然而，由于影响盾构机状态的不确定因素过于复杂，如何建立诸多影响因素与盾构纠偏的关系，并准确求解，成为地铁隧道盾姿（即盾构机掘进的姿态）调整中的难点问题。智能优化算法能够实现在不需要大量历史数据的情况下，求出盾构纠偏时液压缸油压的变化量，指导盾构机实现准确纠偏。在求解过程中，由于不同区域液压缸推力的相互制约，以及纠偏路径最短的约束影响，增加了优化实现难度。人工蜂群算法作为一种智能优化算法，具有结构简单、适应性强等优点，在求解盾构纠偏模型时，易于实现。但由于人工蜂群算法易陷入局部最优的问题，而引起优化精度低、收敛速度变慢，导致纠偏模型的求解结果精度降低，实用性不强。

因此，需要提供一种针对上述现有技术中不足的改进技术方案。

发明内容

本发明的目的是提供一种盾构掘进姿态的纠偏控制方法和装置，用于克服上述现有技术中存在的问题。

为了实现上述目的，本发明提供如下技术方案：

一种盾构掘进姿态的纠偏控制方法，所述方法包括以下步骤：

步骤1，构建盾构机的纠偏原理模型；所述纠偏原理模型包括纠偏轨迹曲线；

步骤2，确定所述纠偏原理模型的最小纠偏半径；所述纠偏原理模型的最小纠偏半径为所述纠偏轨迹曲线的曲率半径；

步骤3，利用人工蚁群算法对预设的盾构机参数进行处理，得到最优特征子集；

步骤4，根据所述最小纠偏半径和最优特征子集，构建盾构机的纠偏数学模型；

步骤5，基于所述纠偏数学模型，通过人工蜂群算法优化所述最优特征子集得到控制参数；并根据所述控制参数控制盾构机掘进姿态进行纠偏。

进一步的，所述纠偏轨迹曲线包括第一缓和圆弧曲线和第二缓和圆弧曲线，所述第一缓和圆曲线和第二缓和圆曲线通过反向圆弧拟合连接。

进一步的，步骤2中，根据盾构机最小转弯半径和隧道本身所允许的最小半径确定所述纠偏原理模型中的最小纠偏半径。

进一步的，所述盾构机最小转弯半径为盾尾间隙决定的盾构机第一最小转弯半径、铰接角度确定的盾构机第二最小转弯半径和盾构机最大行程差限制的盾构机第三最小转弯半径中的最大值。

进一步的，所述第一缓和圆弧曲线的曲率半径与所述盾构机最小转弯半径之间的差值大于所述盾构机最小转弯半径的20%。

进一步的，所述利用人工蚁群算法对预设的盾构机参数进行处理得到最优特征子集的过程包括：

将所述预设的盾构机参数作为人工蚁群算法的初始数据集；

对所述初始数据集作归一处理，得到标准化的盾构数据；

对所述标准化的盾构数据进行筛选，得到有效盾构数据；

对所述有效盾构数据进行处理，得到所述最优特征子集。

进一步的，根据特征间相关性和对称不确定性对所述标准化的盾构数据进行筛选得到有效盾构数据。

进一步的，所述对所述有效盾构数据进行处理得到所述最优特征子集包括：

对所述有效盾构数据进行归一化处理得到信息素初始值，并根据所述信息素初始值得到蚁群算法的启发式信息；

根据所述信息素初始值和启发式信息得到蚁群的特征子集；

计算所述特征子集的适应度，并根据适应度得到最优特征子集。

进一步的，所述通过人工蜂群算法优化所述最优特征子集得到控制参数的过程包括：

将所述最优特征子集作为人工蜂群算法的初始种群；

引入混合记忆权重因子更新所述初始种群得到新种群；

构建所述新种群的约束条件，并根据所述约束条件和所述新种群得到所述控制参数。

为了实现上述目的，本发明还提供如下技术方案：

一种盾构掘进姿态的纠偏控制装置，所述纠偏控制装置包括处理器和存储器，所述存储器上存储有可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现上述的盾构掘进姿态的纠偏控制方法的步骤。

有益效果：本申请提出一种盾构掘进姿态的纠偏控制方法和装置，主要是基于构建的盾构机的纠偏原理模型进行盾构掘进姿态的纠偏控制，通过人工蚁群算法对盾构机参数进行筛选得到最优特征子集，然后根据纠偏原理模型的最小纠偏半径和最优特征子集构建盾构机的纠偏数学模型，通过蜂群算法优化最优特征子集得到控制参数，并根据控制参数控制盾构机掘进姿态实现纠偏，本申请通过引入蚁群算法能够筛选出最优特征子集，将最优特征作为人工蜂群算法的初始种群，能够提高求解质量，提高纠偏精度，达到更好的纠偏效果。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。其中：

图1为本申请盾构掘进姿态的纠偏控制方法的流程图；

图2为本申请盾构掘进姿态的纠偏过程示意图；

图3为本申请盾构掘进姿态的纠偏原理示意图；

图4为本申请利用人工蚁群算法得到最优特征子集的流程图；

图5为本申请通过人工蜂群算法优化所述最优特征子集得到控制参数的流程图。

具体实施方式

下面将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的一部分实施例，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所获得的所有其他实施例，都属于本发明保护的范围。

下面将参考附图并结合实施例来详细说明本发明。各个示例通过本发明的解释的方式提供而非限制本发明。实际上，本领域的技术人员将清楚，在不脱离本发明的范围或精神的情况下，可在本发明中进行修改和变型。例如，示例为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本发明包含归入所附权利要求及其等同物的范围内的此类修改和变型。

本申请公开了一种盾构掘进姿态的纠偏控制方法和装置，用于克服上述现有技术中人工操作出现超调或欠调的情况及普通人工蜂群算法易陷入局部最优的问题，而引起优化精度低、收敛速度变慢的问题。为了实现上述目的，本发明提供如下技术方案：

步骤S1，构建盾构机的纠偏原理模型；所述纠偏原理模型包括纠偏轨迹曲线；

步骤S2，确定所述纠偏原理模型的最小纠偏半径；所述纠偏原理模型的最小纠偏半径为所述纠偏轨迹曲线的曲率半径；

步骤S3，利用人工蚁群算法对预设的盾构机参数进行处理，得到最优特征子集；

步骤S4，根据所述最小纠偏半径和最优特征子集，构建盾构机的纠偏数学模型；

步骤S5，基于所述纠偏数学模型，通过人工蜂群算法优化所述最优特征子集得到控制参数；并根据所述控制参数控制盾构机掘进姿态进行纠偏。

本申请主要基于构建的盾构机的纠偏原理模型进行盾构掘进姿态的纠偏控制，通过人工蚁群算法对盾构机参数进行筛选得到最优特征子集，然后根据纠偏原理模型的最小纠偏半径和最优特征子集构建盾构机的纠偏数学模型，通过蜂群算法优化最优特征子集得到控制参数，并根据控制参数控制盾构机掘进姿态实现纠偏，本申请通过引入蚁群算法能够筛选出最优特征子集，将最优特征作为人工蜂群算法的初始种群，能够提高求解质量，提高纠偏精度，达到更好的纠偏效果。

方法实施例：

本申请中盾构机在按照设计轴线掘进的过程中，对盾构掘进姿态进行判断，当盾构掘进姿态发生偏斜时，依据如图3所示的纠偏原理模型执行本申请纠偏控制方法对盾构机掘进姿态进行控制，对应的盾构掘进姿态的纠偏过程示意如图2所示。

本申请中盾构掘进姿态的纠偏控制方法流程图如图1所示，以下结合附图详细描述本申请的方法，步骤包括：

步骤S1，确定盾构机的纠偏原理模型；所述纠偏原理模型包括纠偏轨迹曲线；

在本申请中，纠偏原理模型包括纠偏轨迹曲线，所述纠偏轨迹曲线一端为纠偏前盾首坐标，另一端为纠偏后盾首坐标。

在本申请实施例中，所述纠偏轨迹曲线包括第一缓和圆弧曲线和第二缓和圆弧曲线，所述第一缓和圆曲线和第二缓和圆曲线通过反向圆弧拟合连接。

盾构施工相关规范中规定隧道设计轴线平面位置和高程的隧道允许偏差不能超过±100mm。如果超过最大允许值，应设计纠偏轨迹曲线，使盾构机回到隧道设计轴线。本实施例中最大允许的偏差是100mm。

基于纠偏原理模型，盾构机按照纠偏轨迹曲线，使偏离设计轴线的盾构机通过姿态控制，使盾构机再重新沿设计轴线掘进。为方便描述，在本申请实施例中，假设隧道设计轴线为水平方向的直线，盾构机在纠偏前盾首点位于点P₁（x₁，y₁），其切线的方位角为α₁，纠偏后的盾首点位于P₂（x₂，y₂），其切线的方位角为α₂，盾构机通过第一缓和圆弧曲线P₁CB和第二缓和圆弧曲线BP₂纠偏至P₂（x₂，y₂）点，作P₂点水平切线，作P₁A垂直于AP₂，纠偏距离为AP₂，纠偏前的位置偏差为P₁A，通过P₁点坐标_、P₂点坐标和几何关系求得纠偏距离AP₂和位置偏差P₁A，所述第一缓和圆弧曲线P₁CB和第二缓和圆弧曲线BP₂是利用两个反向圆弧拟合盾构机的纠偏曲线，确定出圆弧的半径，便可得到圆弧的轨迹和弧长。

在执行本步骤之前，先对盾构掘进姿态是否发生偏离的状态进行判断：

（1）获取盾构机的坐标和方位角；

在本申请实施例中，盾构机的坐标是指盾构机的盾首坐标；方位角是指从盾构机切线起，依顺时针方向到盾构机的设计轴线之间的夹角。

（2）根据所述盾构机的坐标和盾构机的方位角判断所述盾构掘进姿态。

当所述盾构机的坐标不在设计轴线上，或者盾构机的方位角不为零时，判定盾构掘进姿态发生偏离。

步骤S2，确定所述纠偏原理模型中的最小纠偏半径。

目前对于盾构纠偏技术的纠偏曲线几乎都是选取的最小转弯半径为纠偏曲线的半径，虽然以最小转弯半径纠偏时轨迹最短。但是如果盾构机直接以最小转弯半径转弯的话，盾构机在行驶过程中会产生比较大的离心力，不仅仅会可能产生脱轨，而且有可能会对车辆行驶的轨道产生较大的损伤，甚至更大的安全隐患。特别是在盾构机通过调整转动方向回归到隧道设计轴线的过程中，盾构机纠偏轨迹的曲率半径最小的部分肯定不在起始和停止位置；进而如果以最小转弯半径为纠偏半径的话，其在纠偏的过程中可能需要围绕隧道设计轴线摆动，以“蛇形”前进的方式完成纠偏，这样不仅增加了纠偏轨迹的长度，还使得隧道具有多个连续且方向突变的转弯，进而车辆运行不流畅且会产生巨大的离心力，因此，基于如图3所示的纠偏原理模型确定最小的纠偏半径，所述纠偏原理模型的最小纠偏半径为所述纠偏轨迹曲线的曲率半径。

最小纠偏半径法是盾构机在水平纠偏或垂直纠偏时，以盾构机最小转弯半径和隧道平曲线设计共同决定的最小纠偏半径进行纠偏，也就是说本申请具体是根据盾构机最小转弯半径和隧道本身所允许的最小半径确定纠偏原理模型中的足校纠偏半径。为使盾构机纠偏时的纠偏轨迹最短，采用最小纠偏半径法确定纠偏轨迹曲线。纠偏轨迹曲线为盾构在纠偏过程中的理想掘进轨迹，当盾构机以最小纠偏半径纠偏时，纠偏轨迹最短。

盾构机在曲线纠偏时的纠偏半径不能小于最小纠偏半径，若在纠偏时纠偏半径小于最小纠偏半径，轻则会造成盾构机的盾尾间隙减小，导致盾构机向前掘进的阻力增大，掘进速度变慢，严重者导致管片损坏；重则会造成地面沉降，影响地面建筑。为确保盾构机的正常掘进，必须增大盾构纠偏时的纠偏半径。

上述根据盾构机最小转弯半径和隧道本身所允许的最小半径确定纠偏原理模型中的最小纠偏半径，即最小纠偏半径R _min为盾构机最小转弯半径R ₁和隧道本身所允许的最小半径R ₂的最大值，如下式所示：

R _min=max(R ₁,R ₂)

但盾构机在实际转弯过程中，盾构机的最小转弯半径R ₁则由盾构机盾尾间隙、铰接装置和推进油缸共同决定的。

盾构机的盾尾间隙指盾尾与管片之间的距离，盾尾间隙主要决定了盾构机的最小转弯半径，即盾构机第一最小转弯半径R ₁₁，若最小纠偏半径R _min较小，即R _min＜R ₁₁，会发生盾尾挤压管片的现象，导致管片破损。

铰接装置位于中盾与盾尾之间，有效提高盾构机在转弯过程中的灵活性，降低在转弯过程中的误差，为了避免盾构在曲线掘进时对周围土体以及地面的影响，通过铰接角度可确定掘进曲线的半径大小，即盾构机第二最小转弯半径R ₁₂。

盾构机在转弯过程中由液压缸改变油压大小控制盾构机姿态，转弯时内外侧油缸之间具有一定的行程差，盾构机在实际掘进过程中所允许的最大行程差限制的最小转弯半径，即盾构机第三最小转弯半径R ₁₃。

根据上述对盾构机最小转弯半径的分析，在实际转弯过程中，盾构机的最小转弯半径应取盾尾间隙决定的最小转弯半径即盾构机第一最小转弯半径R ₁₁、铰接角度确定的最小转弯半径即盾构机第二最小转弯半径R ₁₂、盾构机最大行程差限制的最小转弯半径即盾构机的第三最小转弯半径R ₁₃的最大值，R ₁= max(R ₁₁,R ₁₂,R ₁₃)。

进而，本申请实施例中，最小纠偏半径为

R _min=max(R ₁₁,R ₁₂,R ₁₃,R ₂)

通过本申请的设置方式能够使第二缓和圆弧曲线相对第一缓和圆弧曲线较长，从而使盾构机调转方向较易，同时也避免在第二缓和圆弧曲线处盾构机穿过隧道设计轴线时产生蛇形摆动。

根据上述纠偏原理模型可知，纠偏原理模型实际为曲率半径为ρ ₁的第一缓和圆弧曲线和曲率半径为ρ ₂的第二缓和圆弧曲线反向拟合连接。在本申请实施例中，第二缓和圆弧曲线的长度大于第一缓和圆弧曲线，第二缓和圆弧曲线的曲率半径ρ ₂大于第一缓和圆弧曲线的曲率半径ρ ₁。

优选地，第一缓和圆弧曲线的曲率半径与盾构机最小转弯半径之间的差值大于最小转弯半径的20％。通过该设置方式，避免盾构机在起始位置处以过大的角度进行转弯，从而产生较大的离心力。

步骤S3，利用人工蚁群算法对预设的盾构机参数进行处理，得到最优特征子集。

本申请中预设的盾构机参数均可能会影响盾构机掘进姿态，但是，有些盾构机参数对盾构机掘进姿态影响较大，有些盾构机参数对盾构机掘进姿态影响较小，为了快速确定盾构机掘进姿态的盾构机参数，本申请采用人工蚁群算法对预设的盾构机参数进行处理，并得到最优特征子集，其过程如图4所示，包括：

步骤S31，获取盾构机参数作为人工蚁群算法的初始数据集；

在盾构纠偏过程中，主要通过改变液压缸油压改变推力控制进行盾构纠偏，在本申请实施例中，以16组液压缸为研究对象，按照上3下5左4右4的比例分为四个区，按照四区分布推进系统简化了操作，有利于控制盾构机的转弯、调头等重要操作。推进系统利用算法优化盾构纠偏时上、下、左、右四个区的液压缸油压，实现对盾构纠偏的智能控制。而盾构机参数在选取时，先选取盾构机所采集的历史掘进数据，然后剔除盾构机所采集的历史盾构数据中停止掘进状态下的数据，得到的数据即为盾构机参数。盾构机参数包括盾构姿态参数、注浆参数、盾尾间隙参数、盾构掘进参数、盾构状态参数。那初始数据集包括盾构姿态参数、注浆参数、盾尾间隙参数、盾构掘进参数、盾构状态参数五大类；具体的盾构姿态参数包括上千斤顶行程（mm）、下千斤顶行程(mm)、左千斤顶行程(mm)、右千斤顶行程(mm)、切口里程(M)、目标里程(M)和仿行刀行程(mm)；注浆参数包括右上注浆压力(Mpa)、右上注浆量(m³)、左下注浆压力(Mpa)和左下注浆量(m³)；盾尾间隙参数包括盾尾长度和盾尾铰接方式；盾构掘进参数包括刀盘扭矩(KN.M)、总推力(KN)、螺旋机扭矩(KN.M)、上千斤顶推力(KN)、下千斤顶推力(KN)、左千斤顶推力(KN)、右千斤顶推力(KN)、推进速度(mm/Min)、螺旋机压力(Mpa)和刀盘转速(rpm)；盾构状态参数包括液压缸油压(Mpa)、盾尾管片直径、外径和内径。

步骤S32，对所述初始数据集作归一处理，得到标准化的盾构数据；

由于初始数据集中各个特征取值范围不同，为统一各个特征的权重，对初始数据集作归一处理，以得到标准化的盾构数据，便于后续步骤的处理。

在本申请实施例中，归一化处理采用最大最小转换函数对初始数据集（初始数据集中的每一类参数为一个样本）的每一维进行线性归一化，使其结果映射到0到1之间。所述最大最小转换函数为：

其中，

表示第k个样本的第i维特征的数值，

表示所有样本的第i维特征中的最小值，

表示所有样本的第i维特征中的最大值。

步骤S33，对所述标准化的盾构数据进行筛选，得到有效盾构数据；

在本申请实施例中，依据所述标准化的盾构数据的特征固有属性，从标准化盾构数据中筛选出有效盾构数据。

对于标准化的盾构数据包括五类，每一类又包括很多数据，这些数据也可称为特征，有的特征对盾构机掘进姿态的控制起着重要的影响，有的特征则影响不大，计算所述标准化的盾构数据的特征间相关性与对称不确定性这两种特征固有属性。特征间相关性与对称不确定性可区分冗余特征与不相关特征，是特征筛选的重要依据。

特征间相关性的计算方式如下：

其中，sim(F_i,F_j)表示第i个特征与第j个特征的相关性，p是样本总数，即为初始数据集的总数n，

表示第k个样本的第i个特征的数值，

表示第k个样本的第j个特征的数值；

对称不确定性的计算方式如下：

其中，SU(F_i)表示第i个特征的对称不确定性，H(F_i)是第i个特征的信息熵，H(C)是样本标签的信息熵，H(F_i|C)表示第i个特征在样本标签下的条件熵。

根据特征间相关性和对称不确定性去除冗余特征，对初始数据集的数据进行提取，历史掘进数据进行特征提取，得到包含对轴线偏差影响起关键作用的盾构掘进数据参数和盾构轴线偏差数据的盾构参数数据包。其中，盾构参数数据包包括盾构姿态参数、注浆参数、盾尾间隙参数和盾构状态参数中的数据。换句话讲，本步骤就是根据特征间相关性和对称不确定性从标准化的盾构数据中筛选得到有效盾构数据。

步骤S34，对所述有效盾构数据进行处理，得到所述最优特征子集；

本步骤旨在获取得到最优特征子集，具体的，对所述有效盾构数据进行处理得到所述最优特征子集的过程为：

步骤S341，对所述有效盾构数据进行归一化处理得到信息素初始值，并根据所述信息素初始值得到蚁群算法的启发式信息；

设置蚁群算法的种群数量为n，终止条件为达到最大迭代次数，设置蚁群算法中的信息素初始值，本实例中，为了增加各特征间的信息素初始值的区分度，采用经过归一化处理后的各个特征的对称不确定性SU为信息素初始值。在本步骤中，归一化处理具体采用指数函数softmax。

蚁群算法中的启发式信息计算方式为：

η(F_i)表示第i个特征的启发式信息，F^S表示已选择的特征集合，|F^S|表示已选择的特征数目，sim_soft(F_i,F_j)表示经过归一化处理的第i个特征与第j个特征之间的相关性，待选特征F_i与已选择的特征子集F^S中的特征平均相关性越大，则其启发值越小。

其中，已选择的特征集合指有效盾构数据的集合，已选择的特征数据指有效盾构数据的数目。

步骤S342，根据所述信息素初始值和启发式信息得到蚁群的特征子集；

蚂蚁构建蚁群的特征子集，每只蚂蚁根据信息素与启发式信息采用贪婪或随机方法逐步添加单个有效盾构数据，直至添加的特征数量达到定义的筛选后数量，得到构建的特征子集，其实现如下：

添加单个特征是：先定义一个贪婪因子q₀并设置为0.6，再随机从0-1中选取一个数q，并将q与q₀进行比较：

若q≤q₀，则使用如下贪婪公式添加特征：

其中，F_k表示待添加特征，

表示第u个特征的信息素，η(F_u)表示第u个特征的启发式信息，J^a表示所有未选择的特征集合，a表示信息素的权重并设置为5，b表示启发式信息的权重并设置为1；

若q＞q₀，则使用如下随机公式添加特征：

反之，P(F_i)=0；其中τ_i表示第i个特征的信息素，η(F_i)表示第i个特征的启发式信息，P(F_i)表示第i个特征被选择的概率；由于该随机公式计算的是各个未选择特征的概率，所以需使用轮盘赌进一步确定待添加的特征。使用上述贪婪与随机这两种构建方式有利于保持全局与局部搜索的平衡。

经过本步骤得到的特征子集包括：

从盾构姿态参数中得到的上千斤顶行程(mm)、右千斤顶行程(mm)、下千斤顶行程(mm)、左千斤顶行程(mm)和仿行刀行程(mm)。

从注浆参数中得到的右上注浆压力(Mpa)和左下注浆量(m3)。

从盾尾间隙参数中得到的铰接角度。

从盾构掘进参数中得到的刀盘扭矩(KN.M)、总推力(KN)、螺旋机扭矩(KN.M)、上千斤顶推力(KN)、右千斤顶推力(KN)、左千斤顶推力(KN)、下千斤顶推力(KN)、推进速度(mm/Min)和螺旋机压力(Mpa)

从盾构状态参数中得到的液压缸油压(Mpa)。

步骤S343，计算所述特征子集的适应度，并根据适应度得到最优特征子集；

采用特征子集的均衡准确率f作为适应度函数，其中：

其中，c表示类别总数，TPR_i表示使用K近邻分类器对特征数据进行留一法测试得到的第i个类别的真阳性率，对各个特征类别的适应度进行排序得到最优适应度的特征子集。

根据适应度函数的计算，对特征子集中不同类别的特征进行排序，选取适应度最大的类别特征形成最优特征子集，在本申请实施例中，最优特征子集为液压缸油压。作为其他实施方式，最优特征子集也可以为螺旋机压力等。

步骤S4，根据所述最小纠偏半径和最优特征子集，构建盾构机的纠偏数学模型。

本步骤旨在以盾构纠偏轨迹最短为目标，根据最小纠偏半径建立盾构机的纠偏数学模型。

在建立盾构机的纠偏数学模型时，假设条件为：

（1）盾构机纠偏时对周围土体挤压成正弦分布；

（2）盾构机在掘进过程中受力均衡，处于匀速行驶状态。

基于假设条件，以盾构纠偏轨迹最短为目标，构建盾构机的纠偏数学模型。盾构机的纠偏数学模型为最小纠偏半径与盾构机参数的关系。也就是说，是纠偏数学模型表征了为控制盾构机按照最小纠偏半径沿纠偏轨迹曲线掘进，需要对应控制的盾构机参数，并按照盾构机参数执行控制。

基于假设条件，以盾构纠偏轨迹最短为目标，根据所述最小纠偏半径和最优特征子集，建立盾构机的纠偏数学模型；在建立盾构机的纠偏数学模型时，根据盾构机的实际偏离状态需要建立水平纠偏时液压缸油压与最小纠偏半径之间的纠偏数学模型或者建立俯仰纠偏时液压缸油压与最小纠偏半径之间的纠偏数学模型。无论是水平纠偏还是俯仰纠偏，构建液压缸油压与最小纠偏半径之间的纠偏数学模型均为现有技术，在本申请实施例中不再详细赘述。

步骤S5，基于所述纠偏数学模型，通过人工蜂群算法优化所述最优特征子集得到控制参数；并根据所述控制参数控制盾构机掘进姿态进行纠偏。

如图5所示为通过人工蜂群算法优化所述最优特征子集得到控制参数的过程，包括：

步骤S51，将所述最优特征子集作为人工蜂群算法的初始种群；

本申请实施例中，将人工蚁群算法得到的最优特征子集作为人工蜂群算法的初始种群，搜索盾构纠偏轨迹曲线中液压缸油压值。

步骤S52，引入混合记忆权重因子更新所述初始种群得到所述人工蜂群算法新种群；

本申请实施例中，常规的人工蜂群算法求解盾构数学模型时，人工蜂群算法无法保证初始种群在给定的区间内均匀分布，降低初始种群的多样性会导致优化精度降低；因此，本申请在基于人工蚁群算法初次筛选的条件下将混合记忆权重因子W引入到人工蜂群算法的更新策略中，目的就是要控制算法全局探索和局部搜索之间的平衡，提高算法跳出局部最优的能力。也就是说，引入混合记忆权重因子改进人工蜂群算法，以得到人工蜂群算法的新种群。

混合权重记忆因子与其他混沌算法相比具有记忆功能，因此，本申请人工蜂群算法迭代过程中W的取值显得尤为非常重要。逻辑斯蒂图(Logistic Maps，LM)被普遍认为是最常用的混沌行为示意图，提供了对不稳定动态行为的一种准确表达。采用LM来表示混合权重记忆因子W的变化趋向，引入混合记忆权重因子W，初始种群的更新为：

P_w（t+1）=P_w（t）+Dis（t+1）

式中，P_w(t+1)为第t+1代子群最差个体，P_w（t）为第t代子群最差个体，Dis（t）为蜜蜂个体第t代的更新步长。

其中，更新步长为：

Dis(t+1)=W(t+1)×Dis(t)+R×（Pb(t)—Pw(t)）

式中，Dis(t)为蜜蜂个体第t代的更新步长，W(t+1)为第t+1代混合记忆权重因子，R为[0,1]中的随机数，P_b(t)为第t代子群最优个体，P_w(t)为第t代子群最差个体。

其中，混合记忆权重因子为：

W(t+1)=4.0×W(t)×（1—W(t)）

式中，W(t)也是在[0,1]中的随机取值，但不包括0.5。

由混合记忆权重因子可知，当W取0.5时，第三代的W全为0，此式子便毫无意义；在本申请实施例中，此处随机设置初始值W为0.56。由此式子得到的W在迭代过程中随着迭代次数增加会在[0,1]之间呈现出一种不可预测的随机变化状态；而且在区间上分布均匀，在迭代过程中无循环现象，能够有效改善传统人工蜂群算法在给定区间分布不均的问题。

通过在P_w(t)基础上叠加Dis(t+1)产生新的个体。分析更新策略可知，在以上算法整个迭代过程中，达到的有益效果为Dis(t+1)继承了Dis(t)部分惯性属性，Dis(t)中本身包含P_w(t)向最优解或较优解学习的位置和方向信息，因此通过对Dis(t)的继承，Dis(t+1)可以获得更多向最优解或较优解学习的位置和方向信息。同时由于W的取值变化影响，使得Dis(t+1)对Dis(t)的继承强度保持随机且不重复的特性。当W的取值较大时，Dis(t+1)对Dis(t)的继承强度较高，P_w(t+1)继承更多P_w(t)向最优解或较优解学习的位置和方向信息，进一步加强了算法的局部搜索能力；当W的取值较小时，Dis(t+1)对Dis(t)的继承强度较低，P_w(t+1)受到P_w(t)向最优解或较优解学习的位置和方向信息影响变小，有助于降低P_w(t+1)对P_w(t)的依赖，增强算法的全局搜索能力。正是由于W的影响，算法在整个运行周期全局搜索和局部搜索同步进行。这样就可以保证算法在全局搜索过程不易漏掉解个体邻域的更好解，同时具备陷入局部最优后的跳出能力，算法的全局探索能力和局部搜索能力得到较好的平衡，提高算法的纠偏精度。

综上可知，本申请通过引入混合记忆权重因子W，使得初始种群在更新时拥有记忆功能，能够更快的对初始种群进行混沌初始化，改善初始种群在给定取件分布不均的问题。

步骤S53，构建所述新种群的约束条件，并根据所述约束条件和新种群得到所述控制参数。

本步骤先构建所述新种群的约束条件；根据所述约束条件探索新种群的新解，直到迭代完成，记录新解中的所有最优值；也就是说得到整个纠偏轨迹曲线对应的控制参数（液压缸油压值）。

根据最优特征子集知：盾构机纠偏是通过调节液压缸油压，改变液压缸推力控制盾构机完成纠偏。为了防止在纠偏过程中液压缸推力剧烈变化而导致管片破碎的现象，用液压缸各区推力的方差s²来构建目标函数，方差s²越小表明管片受液压缸推力的影响越小。因此，为保证盾构机正常工作，将方差作为算法求解盾构纠偏模型时的目标函数，即新种群的约束条件。

用液压缸各区推力的方差s²作为目标函数，方差s²公式如下：

其中：n为液压缸台数；f _i 为第i区的推力；

为四个区平均推力。

也就是说，方差s²越小，管片上的作用力越均匀，因液压缸推力突变产生管片受力不均导致破损的几率越小。

基于构建的新种群的约束条件，在新种群上寻找蜜源，所述蜜源为最优的液压缸油压值，也即最优值。

蜜源的质量对应解的质量，用适应度表示，侦查蜂在搜索蜜源是通过以下概率公式选择蜜源

其中，n_i表示第i个蜜源，i∈（1,2,3…n），n表示蜜源的个数。

表示n_i出蜜源的适应值

当新的蜜源适应值大于旧的蜜源时，则雇佣蜂会在旧的蜜源的邻域内选择新的蜜源，位置更新如下：

其中，

为在k时刻位置x_i，ρ为[0,1]内均匀分布的随机数，当在搜索次数达到约束条件尚未找到最优解时，取ρ为[-1,1]内均匀分布的随机数重复以上步骤。

进行采蜜蜂搜索新解，i从0开始，在附近邻域搜索新解，当新解大于旧解时，新解留给下一代种群，当新解不大于旧解时，旧解留给下一代种群，直到满足结束约束条件时，输出结果，本申请中的新种群由于引入了混合记忆权重因子，在搜索新的液压缸油压值时，能够提高搜索满足约束条件的新解的几率，降低搜索过程的迭代次数，从而提高人工蜂群算法对盾构纠偏模型的求解速度。

最后根据搜索求解得到的最优值，也就是最优的液压缸油压值作为控制参数，来控制盾构机掘进姿态，以实现盾构纠偏的技术效果。

装置实施例：

盾构掘进姿态的纠偏控制装置，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序，所述存储器上存储有可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现盾构掘进姿态的纠偏控制方法的步骤，包括：

构建盾构机的纠偏原理模型；所述纠偏原理模型包括纠偏轨迹曲线；

确定所述纠偏原理模型的最小纠偏半径；所述纠偏原理模型的最小纠偏半径为所述纠偏轨迹曲线的曲率半径；

利用人工蚁群算法对预设的盾构机参数进行处理，得到最优特征子集；

根据所述最小纠偏半径和最优特征子集，构建盾构机的纠偏数学模型；

基于所述纠偏数学模型，通过人工蜂群算法优化所述最优特征子集得到控制参数；并根据所述控制参数控制盾构机掘进姿态进行纠偏。

关于该方法步骤的详细内容以在上述方法实施例中详细介绍，此处不再赘述。

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，均在本发明待批权利要求保护范围之内。

Claims (7)

1.一种盾构掘进姿态的纠偏控制方法，其特征在于，所述方法包括以下步骤：

步骤1，构建盾构机的纠偏原理模型；所述纠偏原理模型包括纠偏轨迹曲线；

步骤2，确定所述纠偏原理模型的最小纠偏半径；所述纠偏原理模型的最小纠偏半径为所述纠偏轨迹曲线的曲率半径；

步骤3，利用人工蚁群算法对预设的盾构机参数进行处理，得到最优特征子集；

所述利用人工蚁群算法对预设的盾构机参数进行处理得到最优特征子集的过程包括：

将所述预设的盾构机参数作为人工蚁群算法的初始数据集；

对所述初始数据集作归一处理，得到标准化的盾构数据；

根据特征间相关性和对称不确定性对所述标准化的盾构数据进行筛选，得到有效盾构数据；

对所述有效盾构数据进行处理，得到所述最优特征子集；

所述对所述有效盾构数据进行处理得到所述最优特征子集包括：

对所述有效盾构数据进行归一化处理得到信息素初始值，并根据所述信息素初始值得到蚁群算法的启发式信息；

根据所述信息素初始值和启发式信息得到蚁群的特征子集；

计算所述特征子集的适应度，并根据适应度得到最优特征子集；步骤4，根据所述最小纠偏半径和最优特征子集，构建盾构机的纠偏数学模型；

步骤5，基于所述纠偏数学模型，通过人工蜂群算法优化所述最优特征子集得到控制参数；并根据所述控制参数控制盾构机掘进姿态进行纠偏。

2.根据权利要求1所述的盾构掘进姿态的纠偏控制方法，其特征在于，所述纠偏轨迹曲线包括第一缓和圆弧曲线和第二缓和圆弧曲线，所述第一缓和圆弧曲线和第二缓和圆弧曲线通过反向圆弧拟合连接。

3.根据权利要求2所述的盾构掘进姿态的纠偏控制方法，其特征在于，步骤2中，根据盾构机最小转弯半径和隧道本身所允许的最小半径确定所述纠偏原理模型中的最小纠偏半径。

4.根据权利要求3所述的盾构掘进姿态的纠偏控制方法，其特征在于，所述盾构机最小转弯半径为盾尾间隙决定的盾构机第一最小转弯半径、铰接角度确定的盾构机第二最小转弯半径和盾构机最大行程差限制的盾构机第三最小转弯半径中的最大值。

5.根据权利要求4所述的盾构掘进姿态的纠偏控制方法，其特征在于，所述第一缓和圆弧曲线的曲率半径与所述盾构机最小转弯半径之间的差值大于所述盾构机最小转弯半径的20%。

6.根据权利要求1所述的盾构掘进姿态的纠偏控制方法，其特征在于，所述通过人工蜂群算法优化所述最优特征子集得到控制参数的过程包括：

将所述最优特征子集作为人工蜂群算法的初始种群；

引入混合记忆权重因子更新所述初始种群得到新种群；

构建所述新种群的约束条件，并根据所述约束条件和所述新种群得到所述控制参数。

7.一种盾构掘进姿态的纠偏控制装置，其特征在于，所述纠偏控制装置包括处理器和存储器，所述存储器上存储有可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的盾构掘进姿态的纠偏控制方法的步骤。

Images