CN113374488B - 土压平衡盾构机导向控制方法、装置及可读存储介质 - Google Patents

Abstract

本申请公开了一种土压平衡盾构机导向控制方法、装置及计算机可读存储介质。其中，方法包括基于样本数据训练用于描述土压平衡盾构机的导向偏差动态特性的RBF‑ARX模型；样本数据为在输入信号和输出信号采用不同采样周期下所采集的土压平衡盾构机的导向偏差数据和导向系统数据；RBF‑ARX模型利用高斯径向基函数网络拟合依存于系统状态的非线性带外生变量的自回归模型的回归系数。将土压平衡盾构机的当前推进压力信息、当前推进速度信息和当前总推进力输入RBF‑ARX模型，根据RBF‑ARX模型输出的盾首和盾尾的导向偏差信息控制土压平衡盾构机，从而实现对土压平衡盾构机导向偏差的精准控制，有效保障施工质量。

Description

土压平衡盾构机导向控制方法、装置及可读存储介质

技术领域

本申请涉及土压平衡盾构机控制技术领域，特别是涉及一种土压平衡盾构机导向控制方法、装置及计算机可读存储介质。

背景技术

土压平衡盾构机为隧道掘进工程专用的大型综合施工设备，具有开挖切削土体、输送土碴、拼装隧道衬砌、测量、纠偏等功能，是机、电、光、液多场强耦合的现代复杂机电系统，具有时变性、严重非线性、强耦合、大突变载荷、远距离传动等特点。土压平衡盾构机的推进系统承担着整个机器的掘进任务，完成土压平衡盾构机的转弯、曲线行进、纠偏以及姿态控制等功能，使得土压平衡盾构机能沿着事先设定好的路线前进，是土压平衡盾构机的关键系统之一。

土压平衡盾构机施工过程中，由于受施工环境和掘进机运行工况等不确定因素影响，机器不可避免地会发生实际运行路线与设计轴线偏差超过规范允许值的情况，若不采取必要措施，将会对建筑限界铺轨及设备安装等后续工作造成严重影响，甚至可能造成地面坍塌或隆起，引起重大事故，故为了保证隧道施工质量，需要高精度控制盾构推进位姿。

为了实现土压平衡盾构机高水平的实时姿态控制，除须具备高精度的盾构姿态测量手段外，如何实施高精度控制手段是保证土压平衡盾构机沿轴线掘进的关键。而针对具有时变性、非线性、强耦合、载荷突变的土压平衡盾构机导向系统，其运行参数会由于地质条件的改变而不同，因而难以准确地建立其机理数学模型，传统的控制方法很难在土压平衡盾构机的位姿控制中得到应用。

鉴于此，如何实现对土压平衡盾构机导向偏差的精准控制，以保证施工质量，是所属领域技术人员需要解决的技术问题。

发明内容

本申请提供了一种土压平衡盾构机导向控制方法、装置及计算机可读存储介质，实现对土压平衡盾构机导向偏差的精准控制，可有效保障施工质量。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种土压平衡盾构机导向控制方法，包括：

预先基于样本数据训练得到用于描述土压平衡盾构机的导向偏差动态特性的RBF-ARX模型；

将所述土压平衡盾构机的当前推进压力信息、当前推进速度信息和当前总推进力输入所述RBF-ARX模型；

根据所述RBF-ARX模型输出的盾首和盾尾的导向偏差信息控制所述土压平衡盾构机；其中，所述样本数据为在输入信号和输出信号采用不同采样周期下所采集的所述土压平衡盾构机的导向偏差数据和导向系统数据；所述RBF-ARX模型利用高斯径向基函数网络拟合依存于系统状态的非线性带外生变量的自回归模型的回归系数。

可选的，所述基于样本数据训练得到用于描述土压平衡盾构机的导向偏差动态特性的RBF-ARX模型，包括：

基于带外生变量的自回归模型、采用推进油缸压力差值作为输入变量，推进速度平均值和总推进力作为可测干扰变量，盾首和盾尾垂直或水平导向偏差作为输出变量构建RBF-ARX模型结构；

利用所述样本数据，通过极小化所述RBF-ARX模型的预测输出与实际输出的误差平方和，并基于所述土压平衡盾构机导向系统动态响应模式约束来计算所述RBF-ARX模型结构的最优参数；

基于所述RBF-ARX模型结构的最优参数、并采用所述RBF-ARX模型结构的赤池信息量准则值最小时对应的所述RBF-ARX模型结构的阶次，得到所述RBF-ARX模型。

可选的，所述基于样本数据训练得到用于描述土压平衡盾构机的导向偏差动态特性的RBF-ARX模型之前，还包括：

获取第一周期值和第二周期值，所述第一周期值大于所述第二周期值；

将所述第一周期值作为控制过程中导向偏差变量的采样周期；

将所述第二周期值作为推进油缸压力值、所述总推进力和所述推进速度平均值的采用周期。

可选的，所述RBF-ARX模型结构为：

其中，

W(t-1)＝[w(t-1)^T w(t-2)^T … w(t-n_w)^T]^T；

式中，k为在所述输入信号的采样时刻，t＝k/T₀为所述输出信号的采样时刻，y(k)＝[y₁(k),y₂(k)]^T为输出向量，y₁(t)、y₂(t)为盾首垂直或水平导向偏差信号；U为输入向量；D(k)＝[d₁(k),d₂(k)]^T为所述可测干扰变量，d₁(k)是所述总推进力，d₂(k)为所述推进速度平均值，T为矩阵转置；ξ(k)＝[e₁(k),e₂(k)]^T为建模误差信号，e₁为y₁(t)的建模误差，e₂为y₂(t)的建模误差；T₀为y(k)的采样周期，T为U和D的采样周期，N＝T₀/T为正整数；n_y,n_u,n_d分别是输出向量、输入向量和可测干扰变量的阶次；f和g分别是U和D的纯滞后步数；h为所述高斯径向基函数网络的隐含层节点个数，n_w为引起导向系统动态特性产生非线性变化的状态变量w的阶次；

为所述RBF-ARX模型的状态相依自回归系数矩阵，

为其函数型元素；i₁、j₁、l₁、i₂、j₂、l₂、i₃、j₃、l₃、p为相应变量的上下标，W(t-1)为所述高斯径向基函数网络的状态向量，Center_p为所述高斯径向基函数网络的中心，其中的元素center与W维数相同；

分别为所述高斯径向基函数网络的权系数，γ_p＞0，γ_p为所述高斯径向基函数网络基函数的扩展系数。

可选的，所述基于样本数据训练得到用于描述土压平衡盾构机的导向偏差动态特性的RBF-ARX模型，包括：

将所述输出向量作为所述高斯径向基函数网络的状态向量；

基于所述样本数据，利用K-means算法获取所述状态向量的多个聚类中心点，以作为所述RBF-ARX模型结构中高斯径向基函数网络的中心；

其中，所述聚类中心点的个数根据所述高斯径向基函数网络的隐含层节点个数和引起导向系统动态特性产生非线性变化的状态变量的阶次确定。

可选的，所述根据所述RBF-ARX模型输出的盾首和盾尾的导向偏差信息控制所述土压平衡盾构机包括：

基于所述RBF-ARX模型确定状态空间模型，并根据所述状态空间模型确定所述RBF-ARX模型的局部线性化模型；

基于所述局部线性化模型，采用二次规划优化程序在线优化预设的控制目标函数，得到当前时刻的导向偏差预测控制信息；

根据所述导向偏差预测控制信息控制所述土压平衡盾构机。

可选的，所述控制目标函数为：

式中，J为所述控制目标函数，

为基于所述状态空间模型得到的导向偏差未来N_y步向前预测向量，y_r为导向偏差期望向量，y_min为导向偏差的下限，y_max为导向偏差的上限，u_min为油缸的推进压力差的下限，u_max为油缸的推进压力差的上限，Δu_min、Δu_max为控制量u未来N_u步控制向量

的增量

的上下限，t为所述当前时刻，R₁(t)为加权系数。

本发明实施例另一方面提供了一种土压平衡盾构机导向控制装置，包括：

模型训练模块，用于预先基于样本数据训练得到用于描述土压平衡盾构机的导向偏差动态特性的RBF-ARX模型；所述样本数据为在输入信号和输出信号采用不同采样周期下所采集的所述土压平衡盾构机的导向偏差数据和导向系统数据；所述RBF-ARX模型利用高斯径向基函数网络拟合依存于系统状态的非线性带外生变量的自回归模型的回归系数；

导向控制模块，用于将所述土压平衡盾构机的当前推进压力信息、当前推进速度信息和当前总推进力输入所述RBF-ARX模型；根据所述RBF-ARX模型输出的盾首和盾尾的导向偏差信息控制所述土压平衡盾构机。

本发明实施例还提供了一种土压平衡盾构机导向控制装置，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述土压平衡盾构机导向控制方法的步骤。

本发明实施例最后还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有土压平衡盾构机导向控制程序，所述土压平衡盾构机导向控制程序被处理器执行时实现如前任一项所述土压平衡盾构机导向控制方法的步骤。

本申请提供的技术方案的优点在于，采用状态相依非线性ARX结构模型描述导向系统的动态特性，用高斯RBF络拟合非线性ARX模型的状态相依回归参数，很好地弥补线性ARX模型难以描述非线性特性的缺点，可准确反映系统导向偏差的动态过程；针对土压平衡盾构机水平和垂直导向控制子系统分别设计了输入和输出采样周期不同的RBF-ARX模型来描述盾构机导向过程的动态特性，充分利用输入输出变量信息构建更精确的动态特性模型，实现对土压平衡盾构机导向偏差的精准控制，可有效保障施工质量。

此外，本发明实施例还针对土压平衡盾构机导向控制方法提供了相应的实现装置及计算机可读存储介质，进一步使得所述方法更具有实用性，所述装置及计算机可读存储介质具有相应的优点。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，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为本发明实施例提供的一种土压平衡盾构机导向控制方法的流程示意图；

图2为本发明实施例提供的土压平衡盾构机导向控制装置的一种具体实施方式结构图；

图3为本发明实施例提供的土压平衡盾构机导向控制装置的另一种具体实施方式结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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做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。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。

首先参见图1，图1为本发明实施例提供的一种土压平衡盾构机导向控制方法的流程示意图，本发明实施例可包括以下内容：

S101：预先基于样本数据训练得到用于描述土压平衡盾构机的导向偏差动态特性的RBF-ARX模型。

可以理解的是，因为土压平衡盾构机的导向偏差变化过程是一个具有非线性、多变量耦合性和时滞性的动态过程，很难为土压平衡盾构机导向控制所需的相关运行参数的设定提供足够的理论依据，且在一定条件下建立的机理模型难以准确描述土压平衡盾构机导向系统的动态特性，所以若以线性ARX(Auto Regressive Xogenous，带外生变量的自回归)模型为依据建模并不能准确反映系统导向偏差的动态过程。本申请在数据驱动和统计学习的基础上，以土压平衡盾构机导向纠偏系统为控制对象，采用状态相依非线性ARX结构模型描述导向系统的动态特性，用高斯RBF(Radial Basis Function，径向基函数)网络拟合非线性ARX模型的状态相依回归参数。也就是说，本步骤的RBF-ARX模型利用高斯径向基函数网络拟合依存于系统状态的非线性带外生变量的自回归模型的回归系数。进一步的，考虑到土压平衡盾构机导向控制系统中输出信号即水平和垂直导向偏差变化较慢、采样周期较长，而其控制输入信号如推进油缸压力差变化较快、适宜采用较短采样周期的特征，也即土压平衡盾构机导向控制系统具有各变量的变化周期不一致的特点，为充分利用输入输出变量信息构建更精确的动态特性模型，针对土压平衡盾构机水平和垂直导向控制子系统，分别采用2个输入和输出变量采样周期不同的多采样速率，基于上述内容构建了用于描述导向系统的动态特性的多采样速率的RBF-ARX模型。该模型的时变ARX回归模型系数可以很好地弥补线性ARX模型难以描述非线性特性的缺点。此外，本申请所构建的模型在实际控制过程中可以自动调节输入变量，达到自动导向控制的目的，对于提高土压平衡盾构机导向偏差模型的建模精度和描述系统动态特性的能力，以及实现导向智能控制是有效的。

本申请的样本数据为在输入信号和输出信号采用不同采样周期下所采集的土压平衡盾构机的导向偏差数据和导向系统数据，也即是说，土压平衡盾构机的导向偏差数据采用的采样周期和土压平衡盾构机的导向系统数据的采样周期不同。土压平衡盾构机的导向系统数据为导向系统相关变量的多组历史数据作为模型的辨识数据，包括但并不限制为盾首垂直导向偏差、盾首水平导向偏差、盾尾垂直导向偏差、盾尾水平导向偏差、每一组推进油缸的推进压力、总推进力及推进速度平均值。导向偏差数据为控制过程中导向偏差变量数据，举例来说，可设定控制过程中导向偏差变量的采样周期为T₀秒，推进油缸的推进压力、总推进力和推进速度平均值各变量的采样周期为T秒，且T₀＞T。在本实施例中，在训练模型之前需要先进行采样，采样周期值需要预设设置，相应的，可获取第一周期值和第二周期值，第一周期值大于第二周期值；将第一周期值作为控制过程中导向偏差变量的采样周期；将第二周期值作为土压平衡盾构机的导向系统数据如推进油缸压力值、总推进力和推进速度平均值的采用周期。考虑到土压平衡盾构机断续工作的特点，即土压平衡盾构机一次推进作业的连续工作时间不够长、导致一个连续工作段采样数据个数偏少的特点，可提取有代表性的、涵盖各种导向偏差变化模式的多个连续工作段的数据作为构建导向偏差动态特性多采样速率的RBF-ARX的样本数据。

S102：将土压平衡盾构机的当前推进压力信息、当前推进速度信息和当前总推进力输入RBF-ARX模型。

在本步骤中，推进压力信息为RBF-ARX模型的输入变量，推进速度信息和总推进力为可测干扰变量。RBF-ARX模型的输入变量为土压平衡盾构机导向系统的垂直导向或水平导向，也即油缸推进压力的差值作为垂直导向或水平导向，当前推进压力信息为土压平衡盾构机的两组油缸的推进压力差值。举例来说，对于A、B、C、D四组推进油缸的土压平衡盾构机导向系统，当前推进压力信息可为A组油缸与C组油缸的推进压力差值或B组油缸与D组油缸推进压力的差值作为垂直导向或水平导向。

S103：根据RBF-ARX模型输出的盾首和盾尾的导向偏差信息控制土压平衡盾构机。

本实施例的RBF-ARX模型的输出数据为以盾首和盾尾垂直或水平导向偏差，在本步骤中，RBF-ARX模型输出即为盾首和盾尾的导向偏差的预测信息，基于盾首和盾尾的导向偏差预测信息控制土压平衡盾构机的工作状态。

在本发明实施例提供的技术方案中，采用状态相依非线性ARX结构模型描述导向系统的动态特性，用高斯RBF络拟合非线性ARX模型的状态相依回归参数，很好地弥补线性ARX模型难以描述非线性特性的缺点，可准确反映系统导向偏差的动态过程；针对土压平衡盾构机水平和垂直导向控制子系统分别设计了输入和输出采样周期不同的RBF-ARX模型来描述土压平衡盾构机导向过程的动态特性，充分利用输入输出变量信息构建更精确的动态特性模型，实现对土压平衡盾构机导向偏差的精准控制，可有效保障施工质量。

需要说明的是，本申请中各步骤之间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图1只是一种示意方式，并不代表只能是这样的执行顺序。

在上述实施例中，对于如何执行步骤S101并不做限定，本实施例中给出一种实施方式下的RBF-ARX模型的构建过程，可包括如下步骤：

基于带外生变量的自回归模型、采用推进油缸压力差值作为输入变量，推进速度平均值和总推进力作为可测干扰变量，盾首和盾尾垂直或水平导向偏差作为输出变量构建RBF-ARX模型结构。

利用样本数据，通过极小化RBF-ARX模型的预测输出与实际输出的误差平方和，并基于土压平衡盾构机导向系统动态响应模式约束来计算RBF-ARX模型结构的最优参数。

基于RBF-ARX模型结构的最优参数、RBF-ARX模型结构的AIC(Akaike InformationCriterion，赤池信息量准则值)最小时对应的RBF-ARX模型结构的阶次，得到RBF-ARX模型。也就是说，利用来自实际土压平衡盾构机的采样数据作为样本数据，可通过极小化多速率RBF-ARX模型预测输出与实际输出的误差平方和，同时考虑导向系统动态响应模式约束来获取模型的最优参数，选取估计模型AIC值最小时对应的模型阶次作为最后辨识出的土压平衡盾构机导向偏差多采样速率RBF-ARX模型的阶次。

在本实施例中，针对具有较强非线性、多变量耦合且带有时滞的土压平衡盾构机导向系统，其水平和垂直导向偏差变化慢，而推进油缸压力差、总推进力和推进速度变化较快的特点，采用输入/输出变量具有不同采样周期、回归系数由高斯RBF网络拟合的依存于系统状态的非线性ARX模型，构造描述土压平衡盾构机导向偏差动态特性的多采样速率RBF-ARX模型结构可表示为：

其中，

W(t-1)＝[w(t-1)^T w(t-2)^T … w(t-n_w)^T]^T；

式中，k为在输入信号的采样时刻，也即土压平衡盾构机导向系统相关数据采样周期的土压平衡盾构机原始采样数据的采样时刻，t＝k/T₀为输出信号的采样时刻，y(k)＝[y₁(k),y₂(k)]^T为输出向量，y₁(t)、y₂(t)为盾首垂直或水平导向偏差信号；U为输入向量，对于垂直导向的RBF-ARX模型，U为A组油缸与C组油缸的推进压力差信号，而对于水平导向的RBF-ARX模型，U为B组油缸与D组油缸的推进压力差信号。D(k)＝[d₁(k),d₂(k)]^T为可测干扰变量，d₁(k)是总推进力，d₂(k)为推进速度平均值，T为矩阵转置；ξ(k)＝[e₁(k),e₂(k)]^T为建模误差信号，e₁为y₁(t)的建模误差，e₂为y₂(t)的建模误差；T₀为y(k)的采样周期如30s，T为U和D的采样周期，例如可为是15、10、5或3秒。N＝T₀/T为正整数；n_y,n_u,n_d分别是输出向量、输入向量和可测干扰变量的阶次；f和g分别是U和D的纯滞后步数；h为高斯径向基函数网络的隐含层节点个数，n_w为引起导向系统动态特性产生非线性变化的状态变量w的阶次；

为RBF-ARX模型的状态相依自回归系数矩阵，

为其函数型元素；i₁、j₁、l₁、i₂、j₂、l₂、i₃、j₃、l₃、p为相应变量的上下标，W(t-1)为高斯径向基函数网络的状态向量，

为高斯径向基函数网络的中心，其中的元素center与W维数相同；

分别为高斯径向基函数网络的权系数，γ_p＞0，γ_p为高斯径向基函数网络基函数的扩展系数。

对于上述RBF-ARX模型结构，在训练过程中需要确定RBF-ARX模型中RBF网络的相关参数，如状态向量和中心，本实施例可采用下述方式进行参数选择：

将输出向量作为高斯径向基函数网络的状态向量；

基于样本数据，利用K-means算法获取状态向量的多个聚类中心点，以作为RBF-ARX模型结构中高斯径向基函数网络的中心；

其中，聚类中心点的个数根据高斯径向基函数网络的隐含层节点个数和引起导向系统动态特性产生非线性变化的状态变量的阶次确定，如聚类中心点可为12个。

在本实施例中，考虑到引起导向系统动态特性产生非线性变化的主要变量是垂直导向偏差信号和水平导向偏差信号，故可选择模型输出向量作为RBF的状态变量，即W(t-1)＝[y(t-1)^T y(t-2)^T…y(t-n_w)^T]^T。利用模型训练数据，可采用K-means算法获取W的2×n_w×h个聚类中心点作为RBF-ARX模型中RBF网络的中心Center，n_w例如可为3。

在上述实施例中，对于如何执行步骤S103并不做限定，本实施例中给出一种实施方式下的基于多采样速率的RBF-ARX模型设计导向偏差预测控制方法，可包括如下步骤：

基于RBF-ARX模型确定状态空间模型，并根据状态空间模型确定RBF-ARX模型的局部线性化模型；

基于局部线性化模型，采用二次规划优化程序在线优化预设的控制目标函数，得到当前时刻的导向偏差预测控制信息；

根据导向偏差预测控制信息控制土压平衡盾构机。

在本实施例中，结合上述实施例的RBF-ARX模型结构来描述整个实现过程，可先将上述实施例中的RBF-ARX模型结构进行转化处理，得到转化中间模型结构，转化中间模型结构可表示为：

k_n＝max{n_y,f+n_u-1}；

其中：

式中，u、φ、i、k_n、v、j为变量变化范围的一个表示量，a、b、c、

与上述RBF-ARX模型结构中的a、b、c、

含义指代相同，由于下标取值不同，为了起到区别作用，采用不同形式的下标进行表示。

定义状态变量为：

基于上述内容可得到状态空间模型：

式中，

C、Ξ为空间模型中矩阵，无实际意义，在t时刻固定状态空间模型中的矩阵A_t,B_t,Φ_t，可以得到一个基于土压平衡盾构机导向偏差动态特性的多采样速率的RBF-ARX模型的局部线性化模型，基于该局部线性化模型，可采用二次规划优化程序QP在线优化下面的预测控制目标函数，得到t时刻的导向偏差预测控制：

式中，J为控制目标函数，

为基于状态空间模型得到的导向偏差未来N_y步向前预测向量，y_r为导向偏差期望向量，y_min为导向偏差的下限，y_max为导向偏差的上限，

u_min为油缸的推进压力差的下限，u_max为油缸的推进压力差的上限，对于四组油缸的土压平衡盾构机来说，u_min和u_max是A组油缸与C组油缸的推进压力差(对于垂直导向偏差控制)或B组油缸与D组油缸的推进压力差(对于水平导向偏差控制)控制量的上下限，Δu_min、Δu_max为控制量u未来N_u步控制向量

的增量

的上下限，t为当前时刻，R₁(t)为加权系数。当前t时刻的最优控制u^*(t)是在线求解控制目标函数优化问题得到的控制向量

中的第一项。为了抑制控制过程中输出信号与控制信号出现过大的波动，采用加权系数R₁(t)自适应调整机制来调节控制强度：根据实际输出的变化情况调整加权系数，输出变化速度大、加大加权系数R₁(t)，反之减小加权系数R₁(t)，R₁(t)具有最大值R_max和最小值R_min，R₁(t)可表示为

R_min≤R₁(t)≤R_max，η是调整系数，δ是观测窗口长度，i₀为变量。

作为本实施例的一种可选的实施方式，在参数估计过程中附加土压平衡盾构机导向偏差多采样速率的RBF-ARX模型阶跃响应模式约束，以保证估计的模型具有与实际土压平衡盾构机导向偏差系统一致的阶跃响应模式。为估计RBF-ARX模型的参数，可构造如下的优化问题：

其中，θ包含了RBF-ARX模型结构中所有的待估计参数，θ^*是优化的模型参数，

是目标函数，I为所用模型训练数据的组数，例如可为168，即样本数据总数，N_α是第α组样本数据的长度；y_α(t)是第α组样本数据中的水平导向偏差或垂直导向偏差的实际值，

是基于RBF-ARX模型计算出的针对第α组样本数据中的水平导向偏差或垂直导向偏差的模型预测值；

多采样速率的RBF-ARX模型阶跃响应模式约束条件计算方法如下：

FORα＝1:I(也即α＝1:168)

提取由转化中间模型结构中各变量的第α组样本数据为：{y(t),u(t),v(t),t＝1,2,…,N_α}，基于转化中间模型结构计算阶跃响应

针对第α组样本数据的RBF-ARX模型阶跃响应模式约束为：

END

为了使所述领域技术人员更加清楚明白本申请的技术方案，本申请针对具有A、B、C、D四组推进油缸的土压平衡盾构机导向系统动态特性的控制过程阐述本申请整个技术方案，为了实现土压平衡盾构机导向偏差的精准控制，在数据驱动和统计学习的基础上，以土压平衡盾构机导向偏差动态系统为控制对象，基于多采样速率径向基函数自回归模型的土压平衡盾构机导向偏差动态特性建模方法和基于该模型的盾构机导向偏差预测控制方法，可包括下述内容：

本实施例用A组油缸与C组油缸的推进压力差值或B组油缸与D组油缸推进压力的差值作为垂直导向或水平导向RBF-ARX模型的输入变量，以推进速度平均值和总推进力作为可测干扰变量，以盾首和盾尾垂直或水平导向偏差作为RBF-ARX模型的输出变量。利用来自实际土压平衡盾构机的采样数据作为训练数据，通过极小化多速率RBF-ARX模型预测输出与实际输出的误差平方和，同时考虑导向系统动态响应模式约束来获取模型的最优参数，以提高RBF-ARX模型对土压平衡盾构导向系统动态特性的描述能力。基于该多速率RBF-ARX模型分别设计了水平和垂直导向偏差预测控制器，为实现土压平衡盾构机的导向偏差自动控制提供了技术支持，具有很好的利用价值。

1)为建立具有A、B、C、D四组推进油缸的土压平衡盾构机垂直导向偏差动态系统的多采样速率RBF-ARX模型，以1秒采样周期、采集土压平衡盾构机导向系统相关变量的168组历史数据作为模型辨识数据，包括，盾首/盾尾垂直导向偏差、A、B、C、D四组推进油缸的推进压力、总推进力及推进速度平均值。设定控制过程中导向偏差变量的采样周期为30秒，推进油缸压力、总推进力和推进速度平均值各变量的采样周期为15秒。提取有代表性的、涵盖各种垂直导向偏差变化模式的168个连续工作段的数据作为垂直导向偏差动态特性多采样速率RBF-ARX的建模数据。

2)建立土压平衡盾构机垂直导向偏差动态特性的多采样速率RBF-ARX模型结构。针对具有较强非线性、多变量耦合且带有时滞的盾构机导向系统，其垂直导向偏差变化慢，而推进油缸压力差、总推进力和推进速度变化较快的特点，采用输入/输出变量具有不同采样周期、回归系数由高斯RBF网络拟合的依存于系统状态的非线性ARX模型，构造描述土压平衡盾构机垂直导向偏差动态特性的多采样速率RBF-ARX模型，RBF-ARX模型结构可如下所示：

W(t-1)＝[w(t-1)^T w(t-2)^T … w(t-n_w)^T]^T

式中，

k是1秒采样周期的土压平衡盾构机原始采样数据的采样时刻，t＝k/T₀＝1/30即垂直导向偏差信号的采样时刻，y(k)＝[y₁(k),y₂(k)]^T是模型的输出信号，y₁(t)是盾首垂直导向偏差信号，y₂(t)是盾尾垂直导向偏差信号；U为模型的输入向量，是A组油缸与C组油缸的推进压力差信号；D(k)＝[d₁(k),d₂(k)]^T是模型的可测干扰变量，d₁(k)是土压平衡盾构机总推进力，d₂(k)土压平衡盾构机推进速度平均值；ξ(k)＝[e₁(k),e₂(k)]^T是建模误差信号；T₀＝30秒是Y的采样周期，T＝15秒是U和D的采样周期，N＝T₀/T＝2；n_y,n_u,n_d分别是模型的输出、输入和可测干扰变量的阶次，经优化后分别为2，3，2；f和g分别是U和D的纯滞后步数，分别为2，2；h是RBF网络隐含层节点个数，为2，n_w是引起导向系统动态特性产生非线性变化的状态变量w的阶次，为3；

是模型(1)的状态相依自回归系数矩阵，

为其函数型元素；Center_p是RBF网络的中心，其中的元素center与w的维数相同；

分别为RBF网络的权系数，γ_p＞0是RBF网络基函数的扩展系数。

3)选择土压平衡盾构机垂直导向偏差多采样速率的RBF-ARX模型中RBF网络的状态向量W(t-1)和中心Center_p：

W(t-1)＝[y(t-1)^T y(t-2)^T…y(t-n_w)^T]^T；(2)

其中，n_w是模型中状态变量的阶次，n_w例如可为3。利用模型训练数据，采用K-means算法获取W的2×n_w×h＝12个聚类中心点作为(1)中RBF网络的中心Center。

4)利用来自实际土压平衡盾构机的采样数据作为训练数据，通过RBF-ARX模型(1)预测输出与实际输出的误差平方和，同时考虑垂直导向系统动态响应模式约束来获取模型的最优参数，选取估计模型AIC值最小时对应的模型阶次作为最后辨识出的土压平衡盾构机垂直导向偏差多采样速率RBF-ARX模型的阶次。

5)基于多采样速率的RBF-ARX模型设计垂直导向偏差预测控制算法。先将模型(1)转化为：

其中：

a_i,t-1＝0,i＞n_y

b_i,t-1＝0,i＝1,…,f-1；i≥f+n_u

定义状态变量：

从上述模型(3)可以得到状态空间模型：

其中

在t时刻固定式(4)中的矩阵A_t,B_t,Φ_t，可以得到一个基于土压平衡盾构机垂直导向偏差动态特性的多采样速率RBF-ARX模型(1)的局部线性化模型，基于该线性化模型，采用QP在线优化下面的预测控制目标函数，得到t时刻的垂直导向偏差预测控制：

上式中

是基于线性化模型(4)得到的垂直导向偏差y未来N_y＝50步向前预测向量，y_r是垂直导向偏差期望向量、本例中它的元素都为0，y_min和y_max是垂直导向偏差的上下限、其元素分别为+20和-20，u_min和u_max是A组油缸与C组油缸的推进压力差控制量的上下限、其元素分别为0和100，Δu_min和Δu_max是控制量u未来N_u＝20步控制向量

的增量

的上下限、其元素分别为+10和-10。当前t时刻的最优控制u^*(t)是在线求解优化问题(5)得到的控制向量

中的第一项。为了抑制控制过程中输出信号与控制信号出现过大的波动，采用下面的加权系数R₁(t)自适应调整机制来调节控制强度：根据实际输出的变化情况调整加权系数，输出变化速度大、加大加权系数R₁(t)，反之减小加权系数R₁(t)，即

其中η＝0.1是调整系数，δ＝20是观测窗口长度。

利用K-means算法对训练集中土压平衡盾构机的盾首/盾尾垂直导向偏差进行计算，得到土压平衡盾构机垂直导向偏差RBF-ARX模型中RBF网络的中心点参数。为了提高建模精度，在对多采样速率RBF-ARX模型进行参数优化之前使用最小二乘法对线性ARX模型系数进行估计，选择AIC值最小的线性ARX模型阶次作为多采样速率RBF-ARX模型中ARX端的阶次，从而确定最终的RBF-ARX模型结构。本实例中，输入、输出和干扰变量的阶次为n_u＝3、n_y＝2、n_d＝2时对应的AIC值最小，将其作为多采样速率RBF-ARX模型对应的输入、输出和干扰变量的阶次。优化后的有关模型的结构参数如表1所示。

表1优化后垂直导向偏差RBF-ARX模型结构参数

由上可知，本实施例的RBF-ARX模型所有相关参数均通过离线的参数辨识方法被辨识出来，降低了在线辨识参数对系统硬件的要求。在实际的导向控制过程中使用基于RBF-ARX模型的导向偏差预测控制，能达到自动控制导向偏差的目的。在系统的任何工作点，都可通过RBF-ARX模型获得一个局部线性化模型，方便用于土压平衡盾构机导向偏差控制算法的设计及运用，是更贴合土压平衡盾构机推进系统实际工作特点的导向动态特性模型。

本发明实施例还针对土压平衡盾构机导向控制方法提供了相应的装置，进一步使得所述方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的土压平衡盾构机导向控制装置进行介绍，下文描述的土压平衡盾构机导向控制装置与上文描述的土压平衡盾构机导向控制方法可相互对应参照。

基于功能模块的角度，参见图2，图2为本发明实施例提供的土压平衡盾构机导向控制装置在一种具体实施方式下的结构图，该装置可包括：

模型训练模块201，用于预先基于样本数据训练得到用于描述土压平衡盾构机的导向偏差动态特性的RBF-ARX模型；样本数据为在输入信号和输出信号采用不同采样周期下所采集的土压平衡盾构机的导向偏差数据和导向系统数据；RBF-ARX模型利用高斯径向基函数网络拟合依存于系统状态的非线性带外生变量的自回归模型的回归系数。

导向控制模块202，用于将土压平衡盾构机的当前推进压力信息、当前推进速度信息和当前总推进力输入RBF-ARX模型；根据RBF-ARX模型输出的盾首和盾尾的导向偏差信息控制土压平衡盾构机。

可选的，在本实施例的一些实施方式中，上述模型训练模块201可包括：

模型结构构建单元，用于基于带外生变量的自回归模型、采用推进油缸压力差值作为输入变量，推进速度平均值和总推进力作为可测干扰变量，盾首和盾尾垂直或水平导向偏差作为输出变量构建RBF-ARX模型结构；

参数计算单元，用于利用样本数据，通过极小化RBF-ARX模型的预测输出与实际输出的误差平方和，并基于土压平衡盾构机导向系统动态响应模式约束来计算RBF-ARX模型结构的最优参数；

模型获取单元，用于基于RBF-ARX模型结构的最优参数、并采用RBF-ARX模型结构的赤池信息量准则值最小时对应的RBF-ARX模型结构的阶次，得到RBF-ARX模型。

作为本实施例的一种可选的实施方式，上述模型结构构建单元进一步用于：RBF-ARX模型结构可表示为：

其中，

W(t-1)＝[w(t-1)^T w(t-2)^T … w(t-n_w)^T]^T；

式中，k为在输入信号的采样时刻，t＝k/T₀为输出信号的采样时刻，y(k)＝[y₁(k),y₂(k)]^T为输出向量，y₁(t)、y₂(t)为盾首垂直或水平导向偏差信号；U为输入向量；D(k)＝[d₁(k),d₂(k)]^T为可测干扰变量，d₁(k)是总推进力，d₂(k)为推进速度平均值，T为矩阵转置；ξ(k)＝[e₁(k),e₂(k)]^T为建模误差信号，e₁为y₁(t)的建模误差，e₂为y₂(t)的建模误差；T₀为y(k)的采样周期，T为U和D的采样周期，N＝T₀/T为正整数；n_y,n_u,n_d分别是输出向量、输入向量和可测干扰变量的阶次；f和g分别是U和D的纯滞后步数；h为高斯径向基函数网络的隐含层节点个数，n_w为引起导向系统动态特性产生非线性变化的状态变量w的阶次；

为RBF-ARX模型的状态相依自回归系数矩阵，

为其函数型元素；i₁、j₁、l₁、i₂、j₂、l₂、i₃、j₃、l₃、p为相应变量的上下标，W(t-1)为高斯径向基函数网络的状态向量，

为高斯径向基函数网络的中心，其中的元素center与W维数相同；

分别为高斯径向基函数网络的权系数，γ_p＞0，γ_p为高斯径向基函数网络基函数的扩展系数。

作为本实施例的另外一种可选的实施方式，上述模型训练模块201还可包括：

状态向量确定单元，用于将输出向量作为高斯径向基函数网络的状态向量；

网络中心确定单元，用于基于样本数据，利用K-means算法获取状态向量的多个聚类中心点，以作为RBF-ARX模型结构中高斯径向基函数网络的中心；

其中，聚类中心点的个数根据高斯径向基函数网络的隐含层节点个数和引起导向系统动态特性产生非线性变化的状态变量的阶次确定。

可选的，在本实施例的另一些实施方式中，上述导向控制模块202例如可以包括：

状态空间模型确定单元，用于基于RBF-ARX模型确定状态空间模型；

线性化模型确定单元，用于根据状态空间模型确定RBF-ARX模型的局部线性化模型；

导向偏差预测控制信息获取单元，用于基于局部线性化模型，采用二次规划优化程序在线优化预设的控制目标函数，得到当前时刻的导向偏差预测控制信息；

控制单元，用于根据导向偏差预测控制信息控制土压平衡盾构机。

作为本实施例的一些可选的实施方式，上述导向偏差预测控制信息获取单元进一步可用于：控制目标函数可表示为：

式中，J为控制目标函数，

为基于状态空间模型得到的导向偏差未来N_y步向前预测向量，y_r为导向偏差期望向量，y_min为导向偏差的下限，y_max为导向偏差的上限，u_min为油缸的推进压力差的下限，u_max为油缸的推进压力差的上限，Δu_min、Δu_max为控制量u未来N_u步控制向量

的增量

的上下限，t为当前时刻，R₁(t)为加权系数。

可选的，在本实施例的其他一些实施方式中，上述装置例如还可以包括采样周期确定模块，用于获取第一周期值和第二周期值，第一周期值大于第二周期值；将第一周期值作为控制过程中导向偏差变量的采样周期；将第二周期值作为推进油缸压力值、总推进力和推进速度平均值的采用周期。

本发明实施例所述土压平衡盾构机导向控制装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例实现对土压平衡盾构机导向偏差的精准控制，可有效保障施工质量。

上文中提到的土压平衡盾构机导向控制装置是从功能模块的角度描述，进一步的，本申请还提供一种土压平衡盾构机导向控制装置，是从硬件角度描述。图3为本申请实施例提供的另一种土压平衡盾构机导向控制装置的结构图。如图3所示，该装置包括存储器30，用于存储计算机程序；处理器31，用于执行计算机程序时实现如上述任一实施例提到的土压平衡盾构机导向控制方法的步骤。

其中，处理器31可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器31可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器31也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器31可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器31还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器30可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器30还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器30至少用于存储以下计算机程序301，其中，该计算机程序被处理器31加载并执行之后，能够实现前述任一实施例公开的土压平衡盾构机导向控制方法的相关步骤。另外，存储器30所存储的资源还可以包括操作系统302和数据303等，存储方式可以是短暂存储或者永久存储。其中，操作系统302可以包括Windows、Unix、Linux等。数据303可以包括但不限于土压平衡盾构机导向控制结果对应的数据等。

在一些实施例中，土压平衡盾构机导向控制装置还可包括有显示屏32、输入输出接口33、通信接口34或者称为网络接口、电源35以及通信总线36。其中，显示屏32、输入输出接口33比如键盘(Keyboard)属于用户接口，可选的用户接口还可以包括标准的有线接口、无线接口等。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器也可以适当的称为显示屏或显示单元，用于显示在土压平衡盾构机导向控制装置中处理的信息以及用于显示可视化的用户界面。通信接口34可选的可以包括有线接口和/或无线接口，如WI-FI接口、蓝牙接口等，通常用于在该土压平衡盾构机导向控制装置与其他电子设备之间建立通信连接。通信总线36可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

本领域技术人员可以理解，图3中示出的结构并不构成对土压平衡盾构机导向控制装置的限定，可以包括比图示更多或更少的组件，例如还可包括实现各类功能的传感器37。

本发明实施例所述土压平衡盾构机导向控制装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例实现对土压平衡盾构机导向偏差的精准控制，可有效保障施工质量。

可以理解的是，如果上述实施例中的土压平衡盾构机导向控制方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。

基于此，本发明实施例还提供了一种计算机可读存储介质，存储有土压平衡盾构机导向控制程序，所述土压平衡盾构机导向控制程序被处理器执行时如上任意一实施例所述土压平衡盾构机导向控制方法的步骤。

本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例实现对土压平衡盾构机导向偏差的精准控制，可有效保障施工质量。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

以上对本申请所提供的一种土压平衡盾构机导向控制方法、装置及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (9)

1.一种土压平衡盾构机导向控制方法，其特征在于，包括：

预先基于样本数据训练得到用于描述土压平衡盾构机的导向偏差动态特性的RBF-ARX模型；

将所述土压平衡盾构机的当前推进压力信息、当前推进速度信息和当前总推进力输入所述RBF-ARX模型；

根据所述RBF-ARX模型输出的盾首和盾尾的导向偏差信息控制所述土压平衡盾构机；其中，所述样本数据为在输入信号和输出信号采用不同采样周期下所采集的所述土压平衡盾构机的导向偏差数据和导向系统数据；所述RBF-ARX模型利用高斯径向基函数网络拟合依存于系统状态的非线性带外生变量的自回归模型的回归系数；

其中，所述RBF-ARX模型所采用的RBF-ARX模型结构为：

其中，

W(t-1)＝[w(t-1)^T w(t-2)^T…w(t-n_w)^T]^T；

式中，k为在所述输入信号的采样时刻，t＝k/T₀为所述输出信号的采样时刻，y(k)＝[y₁(k),y₂(k)]^T为输出向量，y₁(t)、y₂(t)为盾首垂直或水平导向偏差信号；U为输入向量；D(k)＝[d₁(k),d₂(k)]^T为可测干扰变量，d₁(k)是所述总推进力，d₂(k)为推进速度平均值，T为矩阵转置；ξ(k)＝[e₁(k),e₂(k)]^T为建模误差信号，e₁为y₁(t)的建模误差，e₂为y₂(t)的建模误差；T₀为y(k)的采样周期，T为U和D的采样周期，N＝T₀/T为正整数；n_y,n_u,n_d分别是输出向量、输入向量和可测干扰变量的阶次；f和g分别是U和D的纯滞后步数；h为所述高斯径向基函数网络的隐含层节点个数，n_w为引起导向系统动态特性产生非线性变化的状态变量w的阶次；

为所述RBF-ARX模型的状态相依自回归系数矩阵，

为其函数型元素；i₁、j₁、l₁、i₂、j₂、l₂、i₃、j₃、l₃、p为相应变量的上下标，W(t-1)为所述高斯径向基函数网络的状态向量，Center_p为所述高斯径向基函数网络的中心，其中的元素center与W维数相同；

分别为所述高斯径向基函数网络的权系数，γ_p＞0，γ_p为所述高斯径向基函数网络基函数的扩展系数。

2.根据权利要求1所述的土压平衡盾构机导向控制方法，其特征在于，所述基于样本数据训练得到用于描述土压平衡盾构机的导向偏差动态特性的RBF-ARX模型，包括：

基于带外生变量的自回归模型、采用推进油缸压力差值作为输入变量，推进速度平均值和总推进力作为可测干扰变量，盾首和盾尾垂直或水平导向偏差作为输出变量构建RBF-ARX模型结构；

利用所述样本数据，通过极小化所述RBF-ARX模型的预测输出与实际输出的误差平方和，并基于所述土压平衡盾构机导向系统动态响应模式约束来计算所述RBF-ARX模型结构的最优参数；

基于所述RBF-ARX模型结构的最优参数、并采用所述RBF-ARX模型结构的赤池信息量准则值最小时对应的所述RBF-ARX模型结构的阶次，得到所述RBF-ARX模型。

3.根据权利要求2所述的土压平衡盾构机导向控制方法，其特征在于，所述基于样本数据训练得到用于描述土压平衡盾构机的导向偏差动态特性的RBF-ARX模型之前，还包括：

获取第一周期值和第二周期值，所述第一周期值大于所述第二周期值；

将所述第一周期值作为控制过程中导向偏差变量的采样周期；

将所述第二周期值作为推进油缸压力值、所述总推进力和所述推进速度平均值的采用周期。

4.根据权利要求1所述的土压平衡盾构机导向控制方法，其特征在于，所述基于样本数据训练得到用于描述土压平衡盾构机的导向偏差动态特性的RBF-ARX模型，包括：

将所述输出向量作为所述高斯径向基函数网络的状态向量；

基于所述样本数据，利用K-means算法获取所述状态向量的多个聚类中心点，以作为所述RBF-ARX模型结构中高斯径向基函数网络的中心；

其中，所述聚类中心点的个数根据所述高斯径向基函数网络的隐含层节点个数和引起导向系统动态特性产生非线性变化的状态变量的阶次确定。

5.根据权利要求1至4任意一项所述的土压平衡盾构机导向控制方法，其特征在于，所述根据所述RBF-ARX模型输出的盾首和盾尾的导向偏差信息控制所述土压平衡盾构机包括：

基于所述RBF-ARX模型确定状态空间模型，并根据所述状态空间模型确定所述RBF-ARX模型的局部线性化模型；

基于所述局部线性化模型，采用二次规划优化程序在线优化预设的控制目标函数，得到当前时刻的导向偏差预测控制信息；

根据所述导向偏差预测控制信息控制所述土压平衡盾构机。

6.根据权利要求5所述的土压平衡盾构机导向控制方法，其特征在于，所述控制目标函数为：

式中，J为所述控制目标函数，

为基于所述状态空间模型得到的导向偏差未来N_y步向前预测向量，y_r为导向偏差期望向量，y_min为导向偏差的下限，y_max为导向偏差的上限，u_min为油缸的推进压力差的下限，u_max为油缸的推进压力差的上限，Δu_min、Δu_max为控制量u未来N_u步控制向量

的增量

的上下限，t为所述当前时刻，R₁(t)为加权系数。

7.一种土压平衡盾构机导向控制装置，其特征在于，包括：

模型训练模块，用于预先基于样本数据训练得到用于描述土压平衡盾构机的导向偏差动态特性的RBF-ARX模型；所述样本数据为在输入信号和输出信号采用不同采样周期下所采集的所述土压平衡盾构机的导向偏差数据和导向系统数据；所述RBF-ARX模型利用高斯径向基函数网络拟合依存于系统状态的非线性带外生变量的自回归模型的回归系数；

导向控制模块，用于将所述土压平衡盾构机的当前推进压力信息、当前推进速度信息和当前总推进力输入所述RBF-ARX模型；根据所述RBF-ARX模型输出的盾首和盾尾的导向偏差信息控制所述土压平衡盾构机；

其中，所述RBF-ARX模型所采用的RBF-ARX模型结构为：

其中，

W(t-1)＝[w(t-1)^T w(t-2)^T…w(t-n_w)^T]^T；

式中，k为在所述输入信号的采样时刻，t＝k/T₀为所述输出信号的采样时刻，y(k)＝[y₁(k),y₂(k)]^T为输出向量，y₁(t)、y₂(t)为盾首垂直或水平导向偏差信号；U为输入向量；D(k)＝[d₁(k),d₂(k)]^T为可测干扰变量，d₁(k)是所述总推进力，d₂(k)为推进速度平均值，T为矩阵转置；ξ(k)＝[e₁(k),e₂(k)]^T为建模误差信号，e₁为y₁(t)的建模误差，e₂为y₂(t)的建模误差；T₀为y(k)的采样周期，T为U和D的采样周期，N＝T₀/T为正整数；n_y,n_u,n_d分别是输出向量、输入向量和可测干扰变量的阶次；f和g分别是U和D的纯滞后步数；h为所述高斯径向基函数网络的隐含层节点个数，n_w为引起导向系统动态特性产生非线性变化的状态变量w的阶次；

为所述RBF-ARX模型的状态相依自回归系数矩阵，

为其函数型元素；i₁、j₁、l₁、i₂、j₂、l₂、i₃、j₃、l₃、p为相应变量的上下标，W(t-1)为所述高斯径向基函数网络的状态向量，Center_p为所述高斯径向基函数网络的中心，其中的元素center与W维数相同；

分别为所述高斯径向基函数网络的权系数，γ_p＞0，γ_p为所述高斯径向基函数网络基函数的扩展系数。

8.一种土压平衡盾构机导向控制装置，其特征在于，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至6任一项所述土压平衡盾构机导向控制方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有土压平衡盾构机导向控制程序，所述土压平衡盾构机导向控制程序被处理器执行时实现如权利要求1至6任一项所述土压平衡盾构机导向控制方法的步骤。

Images