盾构掘进优质数据提取及在姿态控制中的应用

张合沛/ZHANG He-pei

（盾构及掘进技术国家重点实验室，河南 郑州 450001）

自动纠偏、辅助驾驶是一种发展趋势，利用力学原理纠偏当然是一种好的方案但有难度，也有学者从事这方面的研究[1]，随着大数据技术的兴起如数据分类、特征提取、主成分分析、神经网络等工具的应用[2，3]，借助于大数据构造建模是一种可以接受的方法[4～6]，随着盾构掘进项目的增多和采集数据技术能力的加强，为大数据技术应用于盾构纠偏提供了数据支撑。现在盾构工作过程中能采集到的参数都在近百项之多，使用的采集系统能达到诸如油缸压力、刀盘扭矩、掘进速度等参数的评价指标60 多项，基本能达到数据分析的需要。如何从这些数据中提取优质数据，有效表征盾构司机为提高效率、提高掘进速度进行正确操作的数据，以这些数据构建数学模型指导盾构工作过程是一件有意义的工作。

近年来，出现了针对不同地质条件下盾构掘进姿态控制的研究成果，有从技术理论层次研究[7]，从工程力学角度做深度分析[8]；有从地质类型进行分类研究[9]；也有从数据科学方面展开研究[10]，还有从几何角度进行分析研究[11]。最近从机器学习的角度研究盾构掘进中的科学现象不断出现[12，13]。关于盾构掘进过程中的姿态控制也有研究[14，15]。本文定位于对油缸压力的分析，通过盾构掘进过程中有关纠偏动作的优质数据提取，用机器学习的方法，学习出姿态控制的数学模型，为辅助巡航、姿态自动控制提供参考算法。

1 优质姿态控制数据的选取的方法分析

为高效地服务于姿态控制自动纠偏，有必要正确构建训练样本集，从中学习挖掘经验。对于学习模型性能的提升、学习任务的完成都具有重要意义。在一定坐标系下，相对于掘进规划路线，实际掘进位置可能有左右或上下方向的偏差。以左右偏差为例，当偏差量大于零时，对姿态进行纠正，期望偏差逐渐减小至零；当偏差量小于零时，也希望偏差逐渐趋于零，能体现这种规律的数据我们认为是优质数据。如何设计方案选取出反映这种合理现象优质数据，是训练模型研究各组油缸压力与状态参数关系中的一个重要前提。

在姿态调整过程中，仍以垂直方向为例，记偏差量为δ，则其偏移速度δ′为

上式中Δt为某段极短的姿态调整时间，δ(t+Δt)、δ(t)为此段时间中姿态调整结束和开始时的偏差量。显而易见，当δ为正时，对姿态进行纠偏，则偏差应逐渐减小直至趋于0，即δ(t+Δt)<δ(t)，此时δ′为负；同理，若δ为负时，δ′为正。因此，效果良好的数据集需满足二者的乘积δδ′<0。若以δ为横坐标轴，δ′为纵坐标轴，对数据进行描述，则优秀的数据集应分布在二四象限内，如图1 所示。

图1 优质数据筛选示意图

2 数据实验及数据处理前后相关性分析

以洛阳某条地铁线路1 的数据为例，求出偏差变化率，如图2 所示，其中横坐标为偏差量，纵坐标为偏差变化率；图2a 为对所有数据的描述，图2b 为二四象限数据为选取的优质数据。

图2 原始数据与优质数据

根据相关力学知识可知，压力差的变化会引起纠偏速度的变化，则偏差变化率和压力差之间应具有较强的相关性。以水平分区为例，在一定的水平偏差下，若水平分区AC 组油缸的压力差过大，则会产生较大的纠偏速度，若压力差较小，则纠偏速度较小，图3 为原始的姿态调整数据，图4 为优质的姿态调整数据，横坐标为AC组油缸压力差，纵坐标为偏差的变化率。

图3 原始数据压力差与偏差变化率

图4 优质数据压力差与偏差变化率

计算压力差与偏差的依赖关系，原始数据二者的相关系数为-0.14 064610；提取的优质数据，二者的相关系数为-0.54500826，线性依赖程度明显改善。

由图3、图4 可以看出，原始的姿态调整数据杂乱无章，优质数据压力差和偏差变化率的线性度（即线性相关关系）更为明显；由计算所得相关系数也可看出，选取的优质数据其压力差与偏差变化率的相关性相对于原始数据有很大提高。

以洛阳地铁线路2 的数据为例，进一步验证该结论。该线路的原始数据与优质数据、原始数据压力差与偏差变化率、优质数据压力差与偏差变化率见图5～图7。

图5 线路2原始数据与优质数据

图6 线路2原始数据压力差与偏差变化率

图7 线路2优质数据压力差与偏差变化率

同样计算压力差与偏差的依赖关系，原始数据二者的相关系数为-0.12 039659；提取的优质数据，二者的相关系数为-0.35729740。也能说明筛选后的数据比原始数据优。

由以上数据分析结果可以得出结论，相对于原始数据，优质数据姿态参数与分区油缸压力之间的相关性明显增强。因此，确定优质姿态控制数据集，学习优质姿态控制数据特征至关重要。可以认为，优质姿态控制数据至少应满足偏差量与偏差变化率两个参数乘积小于等于0，在此约束下，盾构姿态得到了有效控制。因此，选取偏差量与偏差变化率两参数乘积小于等于0 的数据作为优质姿态控制数据。

3 模型生成及上线匹配原则

模型构造的目标是根据盾构当前的姿态参数，以及掘进参数取值，预测下一时刻ABCD 四组油缸压力的水平，为盾构主司机实时进行姿态调整提供辅助建议。为此将ABCD 四组油缸压力值根据其分位数离散化为7 个层级，建模目的是预测下一时刻各组油缸压力处于哪个水平。考虑到上线运行时无法得到当前时刻数据，并且盾构姿态的纠正有一定的滞后性，所以在预测当前时刻各分区油缸压力时，输入参数都采用前一时刻的参数值，且ABCD 四组油缸压力前两时刻的值也作为输入变量之一；又考虑到各掘进参数的变化引起偏差变化率进而引起偏差量的变化，故在推测当前时刻的油缸压力时，模型中加入前一时刻切口和盾尾的偏差变化率，理解为根据前一时刻的偏差变化趋势进行调整，预测当前时刻四组油缸压力。预测四组油缸压力（以四组油缸为例）时输入参数如下。

当预测AC 组油缸时，模型自动匹配输入参数：切口水平偏差变化率、盾尾水平偏差变化率、AC 位移差、注浆压力均值、土仓压力均值、刀盘转速、总推进力、螺机转速、螺机扭矩、推进速度、刀盘扭矩、盾尾水平偏差、切口水平偏差、A 组推进压力、C 组推进压力、A 组推进压力前两时刻值、C 组推进压力前两时刻值、AC压力差。

当预测BD 组油缸压力时，模型自动匹配输入的参数与A、C 组类似。

输出参数无论哪种情况统一为各组推进压力按照分位数离散化后的各组推进压力。

根据线路的地质情况及直线或曲线段掘进情况分别建模，采用用于分类的随机森林算法模型，决策树个数为15 棵，最大深度为不限制树的生长深度。

上线匹配原则：首先将地质情况分为三大类（软土、卵石、岩石）。根据当前线路的地质情况，以及对应的标贯值的信息、重型触探的信息，选择地质信息和标贯值信息相匹配的模型。第二因素是盾构的参数匹配。对比当前盾构的类型、直径大小、各个参数的大数据序列和模型的信息，进行模型匹配。第三是尽量选择模型的推荐速度和当前线路的掘进速度相差不多，否则会导致实际掘进参数和生成模型的数据产生较大差距，从而影响建议值。

4 上线结果及评判

借助于混淆矩阵制定测试评判标准，通过上线测试，观察反演模型上线运行的验证结果。每一条评测的数据都会在相对应的坐标上数量累加。若结果在对角线上，则代表建议区间和实际所在区间相同，表示预测准确。

评价条件：只有正在纠偏时候的数据才进行评价。用切口水平、垂直偏差的前一时刻和当前时刻的差值得到变化差，当变化差的绝对值<10（正常短时间不会变化很大，若大于10 则认为是异常值情况）且（变化差）×（当前时刻的偏差）<0 时，表明盾构目前正在纠偏。

以贵阳轨道交通3 号线一期工程某段区间左线为例：

数据时间间隔：5s

测评时间：2020 年8 月19 日～8 月20 日

测试环号：218～222 环

当前地质：100%白云岩

掘进方向：直线下坡

经过算法模型，上线反演测试结果见表1～表4。

表1 贵阳轨道交通3号线部分环段A组推进压力混淆矩阵

表2 贵阳轨道交通3号线部分环段D组推进压力混淆矩阵

表3 贵阳轨道交通3号线部分环段C组推进压力混淆矩阵

表4 贵阳轨道交通3号线部分环段B组推进压力混淆矩阵

表1～表4 中，行代表推荐压力所在区间，列表示实际值所在区间。如果记矩阵为A=(aij)7×7，则aij表示实际值在第j区间，而预报到了第i区间。从而对角线上的数值越大，说明预报得越准确。

从以上表格中可以看出，数据大都集中在对角线附近，说明预报准确，没有跨两个区间的情况出现。经计算，其推进压力正确率分别为A组96.89%，B 组72.17%，C 组88.42%，D 组98.86%。

通过盾构施工区间线路现场测试，依据优质数据提取方法构建的姿态控制算法模型预测的参数结果达到了项目研究的目的，提升盾构施工现场掘进参数设计技术能力水平。

5 结论

基于优质数据选取基础上数学建模，对姿态控制中自动纠偏预测是一有效的方法，除了上面对贵阳地铁线路实测有好的结果外，还对深圳地铁14 号线一些线路段也进行了上线测试，计算混淆矩阵，也具有很高的正确率。说明基于优质数据提取采集进行机器学习建模，对盾构掘进自动纠偏是一种可行的方法，该技术方案也可以用于类似基于大数据进行机器学习的其他问题。