JP2023516213A - シールド掘進姿勢のずれ修正制御の方法及び装置 - Google Patents

Abstract

【課題】 シールド掘進姿勢のずれ修正制御の方法及び装置を提供することを課題とする。【解決手段】 本発明は、シールド掘進姿勢のずれ修正制御の方法及び装置に関する。方法は、人工蟻コロニーアルゴリズムで予め設定されたシールドマシンのパラメータを処理し、最適な特徴サブセットを得るステップ、最小ずれ修正半径及び最適な特徴サブセットに従って、シールドマシンのずれ修正数学モデルを構築するステップ、及びずれ修正数学モデルに基づいて、人工蜂コロニーアルゴリズムを介して前記最適な特徴サブセットを最適化して制御パラメータを得、前記制御パラメータに従ってシールドマシンの掘進姿勢を制御してずれ修正を行うステップを含む。蟻コロニーアルゴリズムを導入することにより、最適な特徴サブセットを選択でき、最適な特徴を人工蜂コロニーアルゴリズムの初期母集団とすることで、求解品質を向上させ、ずれ修正精度も向上し、より良いずれ修正効果を奏することができる。【選択図】 図１

Description

本発明は、一般的な制御又は調整システムの技術分野に属し、特に、シールド掘進姿勢のずれ修正制御の方法及び装置に関する。

シールド工法を用いて地下鉄トンネルを建設する過程において、主にシールドマシンは、地下空間の掘削を完成させ、トンネルの設計計画線に沿って前に推進し、同時にずり搬送、トンネルの覆工、測定・ずれ修正等の作業の完成を担当している。

現在、主に油圧シリンダの油圧の大きさを手作業で調整して、シールドマシンの姿勢を制御してずれを修正されているが、ずれ修正効果は、主にオペレーターの技術の熟練度によって決められ、オペレーターの技術が未熟な場合、油圧シリンダの油圧調整過程で調整の過不足が発生し、シールドマシンのずれ修正軌跡が蛇行軌跡となっていた。したがって、シールドずれ修正の主な問題は、如何にして油圧シリンダの油圧の大きさを迅速かつ正確に調整するかにあった。

しかしながら、シールドマシンの状態に影響を及ぼす不確実な要因が複雑すぎるため、如何にして多くの影響要因とシールドずれ修正との関係を確立し、正確に求解するかは、地下鉄トンネルのシールド姿勢（すなわち、シールドマシンの掘進姿勢）の調整における困難な問題になっていた。インテリジェント最適化アルゴリズムは、大量の履歴データを必要としない場合において、シールドマシンのずれ修正時の油圧シリンダの油圧の変化量を算出し、シールドマシンに正確なずれ修正を誘導するよう実現できる。求解過程で、異なる領域での油圧シリンダの推力の相互制約及びずれ修正ルートの最短の制約の影響により、最適化の実現の難しさが増す。インテリジェント最適化アルゴリズムとして、人工蜂コロニーアルゴリズムには、構造が単純で適応度が高いという利点があり、シールドずれ修正モデルを求解した時、容易に実現する。ただし、人工蜂コロニーアルゴリズムは、局所最適に陥りやすく、最適化の精度が低く、収束速度が遅いことで、ずれ修正モデルの求解結果の精度が低く、実用性も高くなかった。

本発明は、従来技術における上述の問題点の克服を意図しており、シールド掘進姿勢のずれ修正制御方法及び装置を提供することを目的とする。

上記目的を達成するため、本発明は、次の技術的手段を提示する。

シールド掘進姿勢のずれ修正制御方法であって、以下の構成を有する。すなわち、
シールドマシンのずれ修正軌跡曲線を含むずれ修正原理モデルを構築するステップ１、
前記ずれ修正原理モデルの前記ずれ修正軌跡曲線の曲率半径である最小ずれ修正半径を決定するステップ２、人工蟻コロニーアルゴリズムで予め設定されたシールドマシンのパラメータを処理し、最適な特徴サブセットを得るステップ３、人工蟻コロニーアルゴリズムを用いて予め設定されたシールドマシンのパラメータを処理し、最適な特徴サブセットを得ることは、前記予め設定されたシールドマシンのパラメータを人工蟻コロニーアルゴリズムの初期データセットとすることと、前記初期データセットに対して正規化処理を施して、標準化されたシールドデータを得ることと、特徴間の関連性と対称不確実性に従って前記標準化されたシールドデータを選別し、有効なシールドデータを得ること、及び
前記有効なシールドデータを処理して、前記最適な特徴サブセットを得ることを含み、
前記有効なシールドデータを処理して、前記最適な特徴サブセットを得ることは、前記有効なシールドデータに対して正規化処理を施して、フェロモンの初期値を得、前記フェロモンの初期値に基づいて蟻コロニーアルゴリズムのヒューリスティック情報を得ることと、前記フェロモンの初期値及びヒューリスティック情報に基づいて蟻コロニーの特徴サブセットを得ること、及び前記特徴サブセットの適応度を計算し、適応度に従って最適な特徴サブセットを得ることを含み、前記最小ずれ修正半径及び最適な特徴サブセットに従って、シールドマシンのずれ修正数学モデルを構築するステップ４、及び前記ずれ修正数学モデルに基づいて、人工蜂コロニーアルゴリズムを介して前記最適な特徴サブセットを最適化して制御パラメータを得、前記制御パラメータに従ってシールドマシンの掘進姿勢を制御してずれ修正を行うステップ５。

上記目的を達成するため、本発明は、次の技術的手段をさらに提示する。

シールド掘進姿勢のずれ修正制御装置であって、前記ずれ修正制御装置は、プロセッサと、メモリとを備え、前記メモリは前記プロセッサ上で実行可能なコンピュータプログラムを格納し、前記コンピュータプログラムは前記プロセッサで実行される時、上記シールド掘進姿勢のずれ修正制御方法のステップを実現する。

本出願は、シールド掘進姿勢のずれ修正制御の方法及び装置を提案し、主に構築されたシールドマシンのずれ修正原理モデルに基づき、シールド掘進姿勢のずれ修正制御を実施し、人工蟻コロニーアルゴリズムを介してシールドマシンのパラメータを選別して最適な特徴サブセットを得、次にずれ修正原理モデルの最小ずれ修正半径及び最適な特徴サブセットに従ってシールドマシンのずれ修正数学モデルを構築し、蜂コロニーアルゴリズムを介して最適な特徴サブセットを最適化して制御パラメータを得、制御パラメータに従ってシールドマシンの掘進姿勢を制御してずれ修正を実現する。本出願は、蟻コロニーアルゴリズムを導入することにより、最適な特徴サブセットを選別でき、最適な特徴を人工蜂コロニーアルゴリズムの初期母集団とすることで、求解品質を向上させ、ずれ修正精度も向上し、より良いずれ修正効果を奏することができる。

シールド掘進姿勢のずれ修正制御方法のフローチャートである。 シールド掘進姿勢のずれ修正プロセスを示す概略図である。 シールド掘進姿勢のずれ修正原理を示す概略図である。 人工蟻コロニーアルゴリズムを用いて最適な特徴サブセットを得ることのフローチャートである。 人工蜂コロニーアルゴリズムを介し最適な特徴サブセットを最適化することで制御パラメータを得ることのフローチャートである。

本出願は、従来技術における手作業による調整の過不足の発生及び一般的な人工蜂コロニーアルゴリズムが局所最適に陥りやすいことで、最適化の精度が低く、収束速度が遅くなるという上述の問題点の克服を意図しており、シールド掘進姿勢のずれ修正制御の方法及び装置を開示する。上記目的を達成するため、本発明は、次の技術的手段を提示する。すなわち、シールドマシンのずれ修正軌跡曲線を含むずれ修正原理モデルを構築するステップ１、ずれ修正原理モデルのずれ修正軌跡曲線の曲率半径である最小ずれ修正半径を決定するステップ２、人工蟻コロニーアルゴリズムで予め設定されたシールドマシンのパラメータを処理し、最適な特徴サブセットを得るステップ３、最小ずれ修正半径及び最適な特徴サブセットに従って、シールドマシンのずれ修正数学モデルを構築するステップ４、ずれ修正数学モデルに基づいて、人工蜂コロニーアルゴリズムを介して最適な特徴サブセットを最適化して制御パラメータを得、制御パラメータに従ってシールドマシンの掘進姿勢を制御してずれ修正を行うステップ５。

本出願は、主に構築されたシールドマシンのずれ修正原理モデルに基づき、シールド掘進姿勢のずれ修正制御を実施し、人工蟻コロニーアルゴリズムを介してシールドマシンのパラメータを選別して最適な特徴サブセットを得、次にずれ修正原理モデルの最小ずれ修正半径及び最適な特徴サブセットに従ってシールドマシンのずれ修正数学モデルを構築し、蜂コロニーアルゴリズムを介して最適な特徴サブセットを最適化して制御パラメータを得、制御パラメータに従ってシールドマシンの掘進姿勢を制御してずれ修正を実現する。本出願は、蟻コロニーアルゴリズムを導入することにより、最適な特徴サブセットを選別でき、最適な特徴を人工蜂コロニーアルゴリズムの初期母集団とすることで、求解品質を向上させ、ずれ修正精度も向上し、より良いずれ修正効果を奏することができる。

（方法の実施例）
本出願のシールドマシンは、設計計画線に沿って掘進する過程で、シールド掘進姿勢を判断し、シールド掘進姿勢にずれが発生した時、図３に示すずれ修正原理モデルに従って本出願のずれ修正制御方法を実行してシールドマシンの掘進姿勢を制御し、対応するシールド掘進姿勢のずれ修正プロセスを図２に示す。

本出願におけるシールド掘進姿勢のずれ修正制御方法のフローチャートを図１に示す。以下には、添付の図面を参照しつつ本出願の方法を詳細に説明し、下記のステップを含む。

ステップＳ１：シールドマシンのずれ修正軌跡曲線を含むずれ修正原理モデルを決定する。
本出願において、ずれ修正原理モデルは、ずれ修正軌跡曲線を含み、ずれ修正軌跡曲線の一端がずれ修正前のフード部座標で、他端がずれ修正後のフード部座標である。

本出願の実施例において、ずれ修正軌跡曲線は、第１の緩やかな円弧曲線及び第２の緩やかな円弧曲線を含み、第１緩和円曲線及び第２緩和円曲線は逆円弧フィッティングによって結ばれる。

シールド施工の関連規範では、トンネル設計計画線平面位置と標高のトンネルの許容される偏差が±１００ｍｍを超えてはならないと規定されている。最大許容値を超え場合、シールドマシンをトンネル設計計画線に戻させるようにずれ修正軌跡曲線を設計しなければならない。本実施例における許容される最大偏差は、１００ｍｍであった。

ずれ修正原理モデルに基づいて、シールドマシンは、ずれ修正軌跡曲線に従い、設計計画線から外れたシールドマシンを姿勢制御により、設計計画線に沿って掘進させる。説明の便宜上、本出願の実施例において、トンネル設計計画線が水平方向の直線であると仮定すると、シールドマシンのずれ修正前のフード部の点は点Ｐ_１（ｘ_１、ｙ_１）にあり、接線の方位角がα_１で、ずれ修正後のフード部の点はＰ_２（ｘ_２、ｙ_２）にあり、接線の方位角がα_２で、シールドマシンは第１の緩やかな円弧曲線Ｐ_１ＣＢ及び第２の緩やかな円弧曲線ＢＰ_２を介して点Ｐ_２（ｘ_２、ｙ_２）までのずれを修正し、点Ｐ_２点の水平接線を描き、Ｐ_１ＡをＡＰ_２に垂直にし、ずれ修正距離をＡＰ_２、ずれ修正前の位置ずれをＰ_１Ａとし、点Ｐ_１座標、点Ｐ_２座標及び幾何学的関係を通じてずれ修正距離ＡＰ_２及び位置ずれＰ_１Ａを得た。第１の緩やかな円弧曲線Ｐ_１ＣＢ及び第２の緩やかな円弧曲線ＢＰ_２は、２つの逆円弧を使用してシールドマシンのずれ修正曲線をフィティングし、円弧の半径を決定することで、円弧の軌跡と弧長を得ることができる。

このステップを実行する前に、まずシールド掘進姿勢がずれているかどうかを判断する。すなわち、
（１）シールドマシンの座標及び方位角の取得
本出願の実施例において、シールドマシンの座標は、シールドマシンのフード部座標を指し、方位角はシールドマシンの接線から時計回りの方向に沿ってシールドマシンの設計計画線までの夾角を指す。
（２）シールドマシンの座標及びシールドマシンの方位角によるシールド掘進姿勢の判断
シールドマシンの座標が設計計画線上にない場合、又はシールドマシンの方位角がゼロでない場合は、シールド掘進姿勢にずれていると判定する。

ステップＳ２：ずれ修正原理モデルの最小ずれ修正半径を決定する。
現在、シールドのずれ修正技術のずれ修正曲線のほとんどは、ずれ修正曲線の半径として最小曲線半径を選別し、最小曲線半径でずれ修正を行う時の軌跡が最も短いが、シールドマシンが最小曲線半径で直接曲がると、シールドマシンの推進過程中で比較的大きな遠心力が発生し、脱線するだけでなく、車両が走行する軌道に大きな損傷を与え、さらに大きな安全上の問題を引き起こす可能性がある。特に、シールドマシンは、回転方向を調整してトンネル設計計画線に戻される過程で、シールドマシンのずれ修正軌跡の曲率半径の最小部分が発進位置と停止位置になく、最小曲線半径をずれ修正半径とする場合、ずれ修正の過程中にトンネル設計計画線を中心にスイングして、「蛇行」方法でずれ修正を完了する必要がある。これにより、ずれ修正軌跡の長さが長くなるだけでなく、トンネルに連続かつ急激な方向転換のような複数のカーブを有させることで、車両は滑らかに走行せず、大きな遠心力が生じる。したがって、図３に示すずれ修正原理モデルに基づいて最小ずれ修正半径を決定し、ずれ修正原理モデルの最小ずれ修正半径はずれ修正軌跡曲線の曲率半径になる。

最小ずれ修正半径法は、シールドマシンが水平ずれ修正又は垂直ずれ修正を行う時、シールドマシンの最小曲線半径及びトンネル平面曲線の設計によって共同決定される最小ずれ修正半径でずれを修正し、すなわち、本出願は具体的にシールドマシンの最小曲線半径及びトンネル自体で許容される最小半径に従ってずれ修正原理モデル内の最小ずれ修正半径を決定する。シールドマシンのずれ修正時のずれ修正軌跡を最短にさせるため、最小ずれ修正半径法でずれ修正軌跡曲線を決定する。ずれ修正軌跡曲線は、シールドのずれ修正過程中の理想的な掘進軌跡で、シールドマシンは最小ずれ修正半径でずれを修正する時、ずれ修正軌跡が最短になる。

曲線ずれ修正時のシールドマシンのずれ修正半径は、最小ずれ修正半径より小さくなってはならず、ずれを修正する時、ずれ修正半径が最小ずれ修正半径より小さいと、軽微な場合はシールドマシンのテールクリアランスが小さくなり、シールドマシンの前進する掘進抵抗が増大してしまい、掘進速度が遅くなり、さらにセグメントが損傷し、深刻な場合は、地盤沈下を引き起こし、地上の建物に影響を及ぼす。シールドマシンの正常掘進を確保するため、シールドずれ修正時のずれ修正半径を大きくする必要がある。

上記シールドマシンの最小曲線半径及びトンネル自体に許容される最小半径に従ってずれ修正原理モデル内の最小ずれ修正半径を決定し、すなわち、最小ずれ修正半径Ｒ_ｍｉｎがシールドマシンの最小曲線半径Ｒ_１及びトンネル自体に許容される最小半径Ｒ_２の最大値で、次の式で表される。

（数１）
Ｒ_ｍｉｎ＝ｍａｘ（Ｒ_１，Ｒ_２）

ただし、シールドマシンが実際に曲がる過程で、シールドマシンの最小曲線半径Ｒ_１は、シールドマシンのテールクリアランス、ヒンジ装置と推進用油圧シリンダによって決定する。

シールドマシンのテールクリアランスとは、テール部とセグメントとの間の距離を指す。テールクリアランスは、主にシールドマシンの最小曲線半径、すなわちシールドマシンの第１最小曲線半径Ｒ_１１を決定し、最小ずれ修正半径Ｒ_ｍｉｎが小さく、すなわちＲ_ｍｉｎ＜Ｒ_１１の場合、テール部からセグメントを押し付ける現象が発生し、セグメントの破損を招く。

ヒンジ装置は、ガーダ部とテール部の間に位置することで、シールドマシンの曲がる過程中の柔軟性を効果的に向上させ、曲がる過程中の誤差を減少し、シールドの曲線掘進時に周囲の土壌体及び地面への影響を避けるため、ヒンジ角度を介して掘進曲線の半径の大きさ、すなわち、シールドマシンの第２の最小曲線半径Ｒ_１２を決定する。

シールドマシンの曲がる過程中で油圧シリンダの油圧の大きさを変化させてシールドマシン姿勢を制御し、曲がる時内外側の油圧シリンダ間に一定のストローク差があり、シールドマシンの実際の掘進過程中で許容される最大ストローク差によって制限される最小曲線半径、すなわち、シールドマシンの第３の最小曲線半径Ｒ_１３である。

上述のシールドマシンの最小曲線半径の分析によると、実際の曲がる過程で、シールドマシンの最小曲線半径は、テールクリアランスによって決定される最小曲線半径、すなわちシールドマシンの第１最小曲線半径Ｒ_１１、ヒンジ角度によって決定される的最小曲線半径、すなわちシールドマシンの第２最小曲線半径Ｒ_１２、シールドマシンの最大ストローク差で制限される最小曲線半径、すなわちシールドマシンの第３最小曲線半径Ｒ_１３の最大値を取らなければならず、Ｒ_１＝ｍａｘ（Ｒ_１１、Ｒ_１２、Ｒ_１３）となる。

さらに、本出願の実施例では、最小ずれ修正半径は、次の式で表される。

（数２）
Ｒ_ｍｉｎ＝ｍａｘ（Ｒ_１１、Ｒ_１２、Ｒ_１３、Ｒ_２）

本出願の設置方法により、第２の緩やかな円弧曲線を第１の緩やかな円弧曲線よりも長くすることができるため、シールドマシンの方向転換をより容易にさせ、同時に第２の緩やかな円弧曲線の箇所にシールドマシンがトンネル設計計画線を通過する時の蛇行の揺動を避けることもできる。

上記ずれ修正原理モデルによれば、ずれ修正原理モデルは、実際に曲率半径ρ_１の第１の緩やかな円弧曲線と曲率半径ρ_２の第２の緩やかな円弧曲線との逆方向フィティング結びであることが分かる。本出願の実施例において、第２の緩やかな円弧曲線の長さは、第１の緩やかな円弧曲線より長く、第２の緩やかな円弧曲線の曲率半径ρ_２は第１の緩やかな円弧曲線の曲率半径ρ_１より大きい。

好ましくは、第１の緩やかな円弧曲線の曲率半径とシールドマシンの最小曲線半径との間の差は、最小曲線半径の２０％より大きい。この配置方法により、シールドマシンの発進位置で過大な角度で曲がることで、より大きな遠心力が発生することを防ぐ。

ステップＳ３：人工蟻コロニーアルゴリズムで予め設定されたシールドマシンのパラメータを処理し、最適な特徴サブセットを得る。
本出願内の予め設定されたシールドマシンのパラメータは、シールドマシンの掘進姿勢に影響を及ぼす可能性があるが、シールドマシンの一部のパラメータがシールドマシンの掘進姿勢に大きな影響を与え、シールドマシンの一部のパラメータがシールドマシンの掘進姿勢に小さな影響を与え、シールドマシン掘進姿勢のシールドマシンのパラメータを速やかに決定するため、本出願では人工蟻コロニーアルゴリズムで予め設定されたシールドマシンのパラメータを処理し、最適な特徴サブセットを得た。このプロセスを図４に示し、以下のステップを含む。

ステップＳ３１：シールドマシンのパラメータを人工蟻コロニーアルゴリズムの初期データセットとして取得する
シールドずれ修正過程で、主に油圧シリンダの油圧を変えて推力制御を変更することによってシールドずれ修正を行い、本出願の実施例において、１６組の油圧シリンダを研究対象とし、上３下５左４右４の比率に従い４つの領域に分け、４つ領域に応じて推進システムを配置して操作を簡略化することで、シールドマシンの曲がり、Ｕターン等の重要な操作を制御するのに有利となる。推進システムは、アルゴリズムを用いてシールドずれ修正時の上下左右の４つの領域の油圧シリンダの油圧を最適化して、シールドずれ修正へのインテリジェントな制御を実現する。シールドマシンのパラメータを選択する時、先にシールドマシンで収集した掘進履歴データを選択し、次にシールドマシンで収集したシールド履歴データから掘進停止状態のデータを除去して、得られたデータはシールドマシンのパラメータである。シールドマシンのパラメータには、シールド姿勢パラメータ、グラウト注入パラメータ、テールクリアランスパラメータ、シールド掘進パラメータ、シールド状態パラメータが含まれる。初期データセットには、シールド姿勢パラメータ、グラウト注入パラメータ、テールクリアランスパラメータ、シールド掘進パラメータ、シールド状態パラメータの五大類が含まれる。具体的には、シールド姿勢パラメータには、上ジャッキストローク（ｍｍ）、下ジャッキストローク（ｍｍ）、左ジャッキストローク（ｍｍ）、右ジャッキストローク（ｍｍ）、切羽までの距離（Ｍ）、目標距離（Ｍ）とダミービットストローク（ｍｍ）を含む。グラウト注入パラメータには、右上グラウト注入圧力（Ｍｐａ）、右上グラウト注入量（ｍ^３）、左下グラウト注入圧力（Ｍｐａ）及び左下グラウト注入量（ｍ^３）が含まれる。テールクリアランスパラメータには、テール部の長さとテール部のヒンジ方式が含まれる。シールド掘進パラメータには、カッタトルク（ＫＮ．Ｍ）、総推力（ＫＮ）、スクリューコンベアのトルク（ＫＮ．Ｍ）、上ジャッキの推力（ＫＮ）、下ジャッキの推力（ＫＮ）、左ジャッキの推力（ＫＮ）、右ジャッキの推力（ＫＮ）、推進速度（ｍｍ／Ｍｉｎ）、スクリューコンベアの圧力（Ｍｐａ）及びカッタ回転数（ｒｐｍ）が含まれる。シールド状態パラメータには、油圧シリンダの油圧（Ｍｐａ）、テール部セグメントの直径、外径と内径が含まれる。

ステップＳ３２：初期データセットに対して正規化処理を施して、標準化されたシールドデータを得る。
初期データセット内の各特徴の取り得る値の範囲が異なり、各特徴の重みを統一するため、初期データセットに対して正規化処理を施して、標準化されたシールドデータを得ることで、その後のステップの処理に便利になる。

本出願の実施例において、正規化処理は、最大・最小の変換関数を用いて初期データセット（初期データセット内の各種パラメータは、１つのサンプルである）の各次元を線形に正規化し、結果を０～１にマッピングさせる。最大最小の変換関数は、次の式で表される。

式中、

は、ｋ番目のサンプルのｉ番目の次元の特徴の値、

は全てのサンプルのｉ番目の次元の特徴内の最小値、

は全てのサンプルのｉ番目の次元の特徴内の最大値を表す。

ステップＳ３３：標準化されたシールドデータを選別し、有効なシールドデータを得る
本出願の実施例において、標準化されたシールドデータの特徴固有属性に従って、標準化シールドデータから有効なシールドデータを選別する。

標準化されたシールドデータには、５種類あり、それぞれに大量のデータが含まれ、これらのデータは特徴とも呼ばれ、一部の特徴はシールドマシン掘進姿勢の制御に重要な影響を与え、一部の特徴がほぼ影響なく、標準化されたシールドデータの特徴間の関連性及び対称が不確定性という２つの特徴固有属性を計算する。特徴間の関連性及び対称不確実性は、冗長な特徴と無相関特徴に分けることができ、特徴選別の重要な根拠である。

特徴間の関連性の計算式は、次のように表される。

式中、ｓｉｍ（Ｆ_ｉ、Ｆ_ｊ）は、ｉ番目の特徴とｊ番目の特徴の関連性、ｐは初期データセットの総数ｎであるサンプル総数、

はｋ番目のサンプルのｉ番目の特徴の値、

はｋ番目のサンプルのｊ番目の特徴の値を表し；
対称不確実性の計算式は、次のように表される。

式中、ＳＵ（Ｆ_ｉ）は、ｉ番目の特徴の対称不確実性、Ｈ（Ｆ_ｉ）はｉ番目の特徴の情報エントロピー、Ｈ（Ｃ）はサンプルラベルの情報エントロピー、Ｈ（Ｆ_ｉ｜Ｃ）はサンプルラベルにおけるｉ番目の特徴の条件付きエントロピーを表す。

特徴間の関連性と対称不確実性に従って、冗長な特徴を除去し、初期データセットのデータを抽出し、掘進履歴データに対して特徴抽出を行い、計画線のずれに強い影響を与えるシールド掘進データパラメータとシールド計画線ずれデータを含むシールドパラメータデータパケットを得る。ここで、シールドパラメータデータパケットには、シールド姿勢パラメータ、グラウト注入パラメータ、テールクリアランスパラメータ及びシールド状態パラメータ内のデータが含まれる。換言すれば、このステップは、特徴間の関連性と対称不確実性に従って標準化されたシールドデータから選別して有効なシールドデータを得た。

ステップＳ３４：有効なシールドデータを処理して、前記最適な特徴サブセットを得る
このステップは、最適な特徴サブセットを得ることを目的とし、具体的には有効なシールドデータを処理して、最適な特徴サブセットを得るプロセスは次の通りである。

ステップＳ３４１：有効なシールドデータを正規化して、フェロモンの初期値を得、前記フェロモンの初期値に基づいて蟻コロニーアルゴリズムのヒューリスティック情報を得る。
蟻コロニーアルゴリズムの母集団数をｎに設定し、終止条件は最大反復回数に達することであり、蟻コロニーアルゴリズム内のフェロモンの初期値を設定し、本実施例では各特徴間のフェロモンの初期値の識別度を高めるため、正規化処理を経た各特徴の対称不確実性ＳＵをフェロモンの初期値として使用した。このステップにおいて、正規化処理は具体的に指数関数ｓｏｆｔｍａｘを用いた。

蟻コロニーアルゴリズム内のヒューリスティック情報の計算式は、次のように表される。

η（Ｆ_ｉ）は、ｉ番目の特徴のヒューリスティック情報、Ｆ^Ｓは選択済みの特徴セット、｜Ｆ^Ｓ｜は選択済みの特徴の数、ｓｉｍ_ｓｏｆｔ（Ｆ_ｉ、Ｆ_ｊ）は正規化処理を経たｉ番目の特徴とｊ番目の特徴との間の関連性を表し、選択待ちの特徴Ｆ_ｉと選択済みの特徴サブセットＦ^Ｓ内の特徴との平均相関が大きいほど、ヒューリスティック値は小さくなる。

ここで、選択済みの特徴セットとは、有効なシールドデータのセットを意味し、選択済みの特徴データとは有効なシールドデータの数を意味する。

ステップＳ３４２：フェロモンの初期値及びヒューリスティック情報に基づいて蟻コロニーの特徴サブセットを得る。
蟻は蟻コロニーの特徴サブセットを構築し、各蟻が貪欲またはランダムな方法を用いて、フェロモン及びヒューリスティック情報に基づいて単一の有効なシールドデータを徐々に追加し、追加された特徴の数が定義された選別後の数に達するまで、構築された特徴サブセットを得る。これは、次のように実現される。

単一の特徴の追加：先に１つの貪欲な係数ｑ_０を定義して０．６に設定し、次に０～１から１つの数値ｑをランダムに選択し、ｑをｑ_０と比較し、
ｑ≦ｑ_０の場合、次のような貪欲式を使用して特徴を追加する。

式中、Ｆ_ｋは、追加待ちの特徴、τ_ｕはｕ番目の特徴のフェロモン、η（Ｆ_ｕ）はｕ番目の特徴のヒューリスティック情報、Ｊ^ａは全ての未選択の特徴セット、ａはフェロモンの重みで５に設定されるもの、ｂはヒューリスティック情報の重みで１に設定されるものを表し、
ｑ＞ｑ_０の場合、次のランダム式で特徴を追加する。

対照的に、Ｐ（Ｆ_ｉ）＝０で、ここで、τ_ｉは、ｉ番目の特徴のフェロモン、η（Ｆ_ｉ）はｉ番目の特徴のヒューリスティック情報、Ｐ（Ｆ_ｉ）はｉ番目の特徴の選択される確率を表す。このランダム式で計算されるものは、各未選択の特徴の確率であるため、ルーレットで選択して追加待ちの特徴を確定する。上記の貪欲とランダムという２つの構築方法を使用すると大域探索と局所探索のバランスを取るのに有利である。

このステップで得られた特徴サブセットは、 シールド姿勢パラメータから得られた上ジャッキストローク（ｍｍ）、右ジャッキストローク（ｍｍ）、下ジャッキストローク（ｍｍ）、左ジャッキストローク（ｍｍ）及びダミービットストローク（ｍｍ）、 グラウト注入パラメータから得られた右上グラウト注入圧力（Ｍｐａ）及び左下グラウト注入量（ｍ３）、 テールクリアランスパラメータから得られたヒンジ角度、 シールド掘進パラメータから得られたカッタトルク（ＫＮ．Ｍ）、総推力（ＫＮ）、スクリューコンベアのトルク（ＫＮ．Ｍ）、上ジャッキの推力（ＫＮ）、右ジャッキの推力（ＫＮ）、左ジャッキの推力（ＫＮ）、下ジャッキの推力（ＫＮ）、推進速度（ｍｍ／Ｍｉｎ）及びスクリューコンベアの圧力（Ｍｐａ）、及び、 シールド状態パラメータから得られた油圧シリンダの油圧（Ｍｐａ）、を含む、上記特徴サブセット。

ステップＳ３４３：特徴サブセットの適応度を計算し、適応度に従って最適な特徴サブセットを得る。
特徴サブセットの均衡正解率ｆを適応度関数として用い、次の式に示す。

式中、ｃは、クラス総数、ＴＰＲ_ｉはＫ最近傍分類器で特徴データについてリーブワンアウトテストを実施して得られたｉ番目のクラス単位の真陽性率を表し、各特徴クラス単位の適応度を並べ替えて最適な適応度の特徴サブセットを得た。

適応度関数の計算に従って、特徴サブセット内の異なるクラスの特徴を並べ替え、最大適応度のクラス特徴を選択して最適な特徴サブセットを形成した。本出願の実施例において、最適な特徴サブセットは、油圧シリンダの油圧であった。その他の実施形態として、最適な特徴サブセットもスクリューコンベアの圧力等であり得る。

ステップＳ４：最小ずれ修正半径及び最適な特徴サブセットに従って、シールドマシンのずれ修正数学モデルを構築する。
このステップは、シールドずれ修正軌跡を最短にすることを目指し、最小ずれ修正半径に従ってシールドマシンのずれ修正数学モデルを確立することを目的とする。

シールドマシンのずれ修正数学モデルを確立する際の仮定条件は、次の通りである。すなわち、
（１）シールドマシンのずれ修正時、周囲の土壌体を正弦波の分布に押し付け；
（２）シールドマシンの掘進過程で受ける圧力が均一で、定速運転状態にある。

仮定条件に基づいて、シールドずれ修正軌跡を最短にすることを目指し、シールドマシンのずれ修正数学モデルを構築した。シールドマシンのずれ修正数学モデルは、最小ずれ修正半径とシールドマシンのパラメータとの関係である。すなわち、ずれ修正数学モデルは、シールドマシンが最小ずれ修正半径に従いずれ修正軌跡曲線に沿って掘進することを制御するため、制御に対応するシールドマシンのパラメータを必要とし、シールドマシンのパラメータに従い制御することを表す。

仮定条件に基づいて、シールドずれ修正軌跡を最短にすることを目指し、最小ずれ修正半径及び最適な特徴サブセットに従い、シールドマシンのずれ修正数学モデルを確立した。シールドマシンのずれ修正数学モデルを確立する時、シールドマシンの実際のずれ状態に応じて水平ずれ修正時油圧シリンダの油圧と最小ずれ修正半径との間のずれ修正数学モデルを確立、又はピッチずれ修正時油圧シリンダの油圧と最小ずれ修正半径との間のずれ修正数学モデルを確立する必要がある。水平ずれ修正又はピッチずれ修正を問わず、油圧シリンダの油圧と最小ずれ修正半径との間のずれ修正数学モデルを構築することは、従来技術であるため、本出願の実施例内においてその説明を省略する。

ステップＳ５：ずれ修正数学モデルに基づいて、人工蜂コロニーアルゴリズムを介して最適な特徴サブセットを最適化して制御パラメータを得、制御パラメータに従ってシールドマシンの掘進姿勢を制御してずれ修正を行う。
図５に示す人工蜂コロニーアルゴリズムを介して最適な特徴サブセットを最適化して制御パラメータを得るプロセスは、次のステップを含む。

ステップＳ５１：最適な特徴サブセットを人工蜂コロニーアルゴリズムの初期母集団とする。
本出願の実施例では、人工蟻コロニーアルゴリズムで得られた最適な特徴サブセットを人工蜂コロニーアルゴリズムの初期母集団とし、シールドずれ修正軌跡曲線における油圧シリンダの油圧値を探索する。

ステップＳ５２：混合メモリの重み係数を導入して初期母集団を更新して、人工蜂コロニーアルゴリズムの新しい母集団を得る。
本出願の実施例では、従来の人工蜂コロニーアルゴリズムでシールド数学モデルを求解する場合、人工蜂コロニーアルゴリズムは、初期集団が所与の範囲で均一分布することを保証できず、初期母集団の多様性を減少すると、最適化精度が低下する。したがって、本出願は、人工蟻コロニーアルゴリズムに基づく初回選別の条件下で、カオスメモリの重み係数Ｗを人工蜂コロニーアルゴリズムの更新戦略に導入し、アルゴリズムの大域探索と局所探索のバランスを制御し、アルゴリズムが局所最適から飛び出す能力を高める。つまり、カオスメモリの重み係数を導入して人工蜂コロニーアルゴリズムを改善することで、人工蜂コロニーアルゴリズムの新母集団を得る。

他のカオスアルゴリズムと比較して、混合メモリの重み係数は、記憶機能を備えるため、本出願の人工蜂コロニーアルゴリズム反復プロセスにおけるＷの取り得るは、特に重要である。ロジスティック写像（Ｌｏｇｉｓｔｉｃ Ｍａｐｓ、ＬＭ）は、普遍的に最も一般的なカオス的な振る舞いを示す図であると考えられ、不安定な動的挙動に対する正確な表現を提供する。ＬＭを用いて混合メモリの重み係数Ｗの変化傾向を示し、混合メモリの重み係数Ｗを導入し、初期母集団の更新は、次の式で表される。

（数１５）
Ｐ_ｗ（ｔ＋１）＝Ｐ_ｗ（ｔ）＋Ｄｉｓ（ｔ＋１）
式中、Ｐ_ｗ（ｔ＋１）は、ｔ＋１世代の子個体群の最悪個体、Ｐ_ｗ（ｔ）はｔ世代の子個体群の最悪個体、Ｄｉｓ（ｔ）は蜂個体のｔ世代の更新ステップサイズである。

ここで、更新ステップサイズは、次の式で表される。

（数１６）
Ｄｉｓ（ｔ＋１）＝Ｗ（ｔ＋１）×Ｄｉｓ（ｔ）＋Ｒ×（Ｐｂ（ｔ）-Ｐｗ（ｔ））
式中、Ｄｉｓ（ｔ）は、蜂個体のｔ世代の更新ステップサイズ、Ｗ（ｔ＋１）はｔ＋１世代の混合メモリの重み係数、Ｒは［０、１］内の乱数、Ｐ_ｂ（ｔ）はｔ世代の子個体群の最良個体、Ｐ_ｗ（ｔ）はｔ世代の子個体群の最悪個体である。

ここで、混合メモリの重み係数は、次の式で表される。

（数１７）
Ｗ（ｔ＋１）＝４．０×Ｗ（ｔ）×（１-Ｗ（ｔ））
式中、Ｗ（ｔ）も［０、１］内のランダムで取り得る値であるが、０．５を含まない。

混合メモリの重み係数から、Ｗを０．５と取った場合、３世代のＷは全て０で、この式は無意味であることが分かる。本出願の実施例において、ここでランダムに初期値Ｗを０．５６に設定した。この式から得られたＷは、反復プロセスで反復回数の増加に伴い、［０、１］の間できないランダムな変化状態を示し、かつ範囲上に均一分布し反復プロセスでサイクル現象がなく、在来の人工蜂コロニーアルゴリズムの所与の範囲での分布が不均一な問題を効果的に改善できる。

Ｐ_ｗ（ｔ）に基づいてＤｉｓ（ｔ＋１）を重ね合わせることにより、新しい個体が生成された。更新戦略の分析から分かるように、上記のアルゴリズムの反復プロセス全体で奏する有利な効果は、Ｄｉｓ（ｔ＋１）がＤｉｓ（ｔ）の一部の慣性属性を継承し、Ｄｉｓ（ｔ）自体にはＰ_ｗ（ｔ）が最適解又はより良い解から学習する位置及び方向の情報が含まれるため、Ｄｉｓ（ｔ）から継承することにより、Ｄｉｓ（ｔ＋１）はより多くの最適解又はより良い解から学習する位置及び方向の情報を得ることができる。同時に、Ｗの取り得る値の変化影響により、Ｄｉｓ（ｔ＋１）からＤｉｓ（ｔ）への継承強度をランダムかつ非反復的に保つ。Ｗの取り得る値が大きい場合、Ｄｉｓ（ｔ＋１）からＤｉｓ（ｔ）への継承強度が高く、Ｐ_ｗ（ｔ＋１）はより多くのＰ_ｗ（ｔ）が最適解又はより良い解から学習する位置及び方向の情報を継承し、アルゴリズムの局所探索能力をさらに強化する。Ｗの取り得る値が小さい場合、Ｄｉｓ（ｔ＋１）からＤｉｓ（ｔ）への継承強度が低く、Ｐ_ｗ（ｔ＋１）はＰ_ｗ（ｔ）が最適解又はより良い解から学習する位置及び方向の影響を受けにくく、Ｐ_ｗ（ｔ＋１）のＰ_ｗ（ｔ）への依存を低下し、アルゴリズムの大域探索能力を高めるのに助ける。Ｗの影響により、アルゴリズムの実行サイクル全体で大域探索及び局所探索が同期して実行される。これにより、アルゴリズムが大域探索プロセスで解個体の近傍のより良い解を見逃しにくいことを確保でき、同時に局所最適に陥った後に飛び出す能力を備え、アルゴリズムの大域探索能力及び局所探索能力はよいバランスを取り、アルゴリズムのずれ修正精度が向上する。

上記をまとめると、本出願は、混合メモリの重み係数Ｗを導入することにより、初期母集団の更新時に記憶機能を持たせ、初期母集団に対してカオス初期化を迅速に実行することで、初期母集団の所与の取り得る値の分布が不均一な問題を改善できることが分かる。

ステップＳ５３：新しい母集団の制約条件を構築し、制約条件及び新しい母集団に従って制御パラメータを得る。
このステップは、先に新しい母集団の制約条件を構築し、反復が完了するまで、制約条件に従って新しい母集団の新しい解を探索し、新しい解内の全ての最適値を記録し、つまりずれ修正軌跡曲線全体に対応する制御パラメータ（油圧シリンダの油圧値）を得る。

最適な特徴サブセットによると、シールドマシンのずれ修正は、油圧シリンダの油圧を調整することにより、油圧シリンダの推力を変えてシールドマシンを制御してずれ修正を完了することが分かる。ずれ修正過程中の油圧シリンダの推力の劇的な変化によるセグメント破砕の現象を防止するため、油圧シリンダの各領域の推力の分散ｓ^２で目的関数を構築し、分散ｓ^２が小さいほど、セグメントは油圧シリンダの推力の影響を受けにくいを示す。したがって、シールドマシンの正常な動作を確保するため、分散をアルゴリズムがシールドずれ修正モデルを求解する時の目的関数、すなわち新しい母集団の制約条件とする。

油圧シリンダの各領域の推力の分散ｓ^２を目標関数とし、分散ｓ^２の式は以下に示す。

式中、ｎは、油圧シリンダ台数、ｆ_ｉはｉ番目の領域の推力

は４つの領域の平均推力である。

つまり、分散ｓ^２が小さいほど、セグメントにかかる力が均一になり、油圧シリンダの推力の急激な変化によりセグメントが受ける圧力の不均一で生じる破損の可能性が低くなる。

構築された新しい母集団の制約条件に基づいて、新しい母集団に蜜源が見つかり、蜜源は最適な油圧シリンダの油圧値、すなわち、最適値である。

蜜源の品質は、解の品質に対応し、適応度で表され、偵察蜂が蜜源を探索するのは、次の確率式で蜜源を選択する。

式中、ｎ_ｉは、ｉ番目の蜜源、ｉ∈（１、２、３…ｎ）を表し、ｎは蜜源の数を表す。
f(n_i)は、ｎ_ｉ箇所の蜜源の適応度の値を表す。

新しい蜜源の適応度の値が古い蜜源より大きい場合、雇用蜂は古い蜜源の近傍内で新しい蜜源を選択し、位置の更新は次のようになる。

式中、

は、時刻ｋでの位置ｘ_ｉ、ρは［０，１］内に均一分布する乱数である。探索回数が制約条件に達し、性的な解が見つからない場合は、［－１，１］内に均一分布する乱数としてρを取り、上記ステップを繰り返す。

採蜜蜂による新しい解の探索を行い、ｉが０から開始し、近傍で新しい解を探索し、新しい解が古い解より大きい場合、新しい解は次世代の母集団に残され、新しい解が古い解より大きくない場合、古い解は次世代の母集団に残され、終了の制約条件を満たすまで、結果を出力する。本出願内の新しい母集団に混合メモリの重み係数が導入されるため、新しい油圧シリンダの油圧値を探索する時に、制約条件を満たす新しい解を探索する確率を高め、探索過程の反復回数を減少することで、シールドずれ修正モデルに対する人工蜂コロニーアルゴリズムの求解速度を上げる。

最後に、探索求解によって得られた最適値、つまり最適な油圧シリンダの油圧値を制御パラメータとして、シールドマシン掘進姿勢を制御することで、シールドずれ修正の技術的効果を奏する。

（装置の実施例）
シールド掘進姿勢のずれ修正制御装置であって、プロセッサと、メモリと、プロセッサ上で実行可能なコンピュータプログラムとを備え、メモリはプロセッサ上で実行可能なコンピュータプログラムを格納し、コンピュータプログラムはプロセッサで実行される時、シールドマシンのずれ修正軌跡曲線を含むずれ修正原理モデルを構築するステップ、ずれ修正原理モデルのずれ修正軌跡曲線の曲率半径である最小ずれ修正半径を決定するステップ、人工蟻コロニーアルゴリズムで予め設定されたシールドマシンのパラメータを処理し、最適な特徴サブセットを得るステップ、最小ずれ修正半径及び最適な特徴サブセットに従って、シールドマシンのずれ修正数学モデルを構築するステップ、及び、ずれ修正数学モデルに基づいて、人工蜂コロニーアルゴリズムを介して最適な特徴サブセットを最適化して制御パラメータを得、制御パラメータに従ってシールドマシンの掘進姿勢を制御してずれ修正を行うステップ、を含むシールド掘進姿勢のずれ修正制御方法のステップを実現する。

前記方法のステップの詳細内容は、上述の方法実施例に詳細に説明したため、ここでその説明を省略する。

Claims (7)

1. シールド掘進姿勢のずれ修正制御方法であって、
   シールドマシンのずれ修正軌跡曲線を含むずれ修正原理モデルを構築するステップ１と、
   前記ずれ修正原理モデルの前記ずれ修正軌跡曲線の曲率半径である最小ずれ修正半径を決定するステップ２と、
   人工蟻コロニーアルゴリズムで予め設定されたシールドマシンのパラメータを処理し、最適な特徴サブセットを得るステップ３であって、前記ステップ３は、
   前記予め設定されたシールドマシンのパラメータを前記人工蟻コロニーアルゴリズムの初期データセットとすることと、
   前記初期データセットに対して正規化処理を施して、標準化されたシールドデータを得ることと、
   特徴間の関連性と対称不確実性に従って前記標準化されたシールドデータを選別し、有効なシールドデータを得ることと、
   前記有効なシールドデータを処理して、前記最適な特徴サブセットを得ることと、を含み、
   前記有効なシールドデータを処理して前記最適な特徴サブセットを得ることは、
   前記有効なシールドデータに対して正規化処理を施して、フェロモンの初期値を得、前記フェロモンの初期値に基づいて蟻コロニーアルゴリズムのヒューリスティック情報を得ることと、
   前記フェロモンの初期値及び前記ヒューリスティック情報に基づいて蟻コロニーの特徴サブセットを得ることと、
   前記特徴サブセットの適応度を計算し、前記適応度に従って最適な特徴サブセットを得ることと、を含む、ステップ３と、
   前記最小ずれ修正半径及び前記最適な特徴サブセットに従って、シールドマシンのずれ修正数学モデルを構築するステップ４と、
   前記ずれ修正数学モデルに基づいて、人工蜂コロニーアルゴリズムを介して前記最適な特徴サブセットを最適化して制御パラメータを得、前記制御パラメータに従ってシールドマシンの掘進姿勢を制御してずれ修正を行うステップ５と、
   を有することを特徴とする、シールド掘進姿勢のずれ修正制御方法。
2. 前記ずれ修正軌跡曲線は、第１の緩やかな円弧曲線及び第２の緩やかな円弧曲線を含み、前記第１緩和円曲線及び前記第２緩和円曲線は逆円弧フィッティングによって結ばれることを特徴とする、請求項１に記載のシールド掘進姿勢のずれ修正制御方法。
3. 前記ステップ２において、前記シールドマシンの最小曲線半径及びトンネル自体に許容される最小半径に従って前記ずれ修正原理モデル内の最小ずれ修正半径を決定することを特徴とする、請求項２に記載のシールド掘進姿勢のずれ修正制御方法。
4. 前記シールドマシンの最小曲線半径は、テールクリアランスによって決定されるシールドマシンの第１最小曲線半径、ヒンジ角度によって決定されるシールドマシンの第２最小曲線半径及びシールドマシンの最大ストローク差で制限されるシールドマシンの第３最小曲線半径のうちの最大値であることを特徴とする、請求項３に記載のシールド掘進姿勢のずれ修正制御方法。
5. 前記第１の緩やかな円弧曲線の曲率半径と前記シールドマシンの最小曲線半径との間の差は、前記シールドマシンの最小曲線半径の２０％を超えることを特徴とする、請求項４に記載のシールド掘進姿勢のずれ修正制御方法。
6. 前記人工蜂コロニーアルゴリズムを介して前記最適な特徴サブセットを最適化して制御パラメータを得ることは、
   前記最適な特徴サブセットを人工蜂コロニーアルゴリズムの初期母集団とすることと、
   混合メモリの重み係数を導入して前記初期母集団を更新して、新しい母集団を得ることと、 前記新しい母集団の制約条件を構築し、前記制約条件及び前記新しい母集団に従って前記制御パラメータを得ることと、
   を含むことを特徴とする、請求項１に記載のシールド掘進姿勢のずれ修正制御方法。
7. シールド掘進姿勢のずれ修正制御装置であって、
   プロセッサと、メモリとを備え、
   前記メモリは、前記プロセッサ上で実行可能なコンピュータプログラムを格納し、前記コンピュータプログラムは前記プロセッサで実行される時、請求項１～６のいずれか一項に記載のシールド掘進姿勢のずれ修正制御方法のステップを実現することを特徴とする、シールド掘進姿勢のずれ修正制御装置。

Images