0 引言
在全球城镇化进程下 ,城市地下空间的开发需求和规模不断扩增 ,对地下工程建设行业提出了更高的要求 ,盾构法等地下工程施工方法也面临着新一轮的升级 。当前 ,人工控制的机械自动化操作在盾构隧道施工过程中仍难以自适应多变的施工环境 ,人为因素对施工影响很大 。高质量的盾构掘进需要依赖经验丰富的现场技术人员来操控 ,但人才培养速度难以匹配工程规模增长的需求 ,且人为因素对工程质量和风险隐患的影响始终存在。
人工智能等技术加速了隐性经验向显性知识的转化 ,多年积累的施工经验迸发出巨大的应用前景 。当前 ,盾构隧道施工的数字化、智能化相关技术研究已成为热门趋势。为精确感知盾构内外部信息 ,王付利等[ 1] 设计了非接触带式出渣量测量系统 , 同时散射地震层析成像 [2] 等新型感知技术的引入也拓展了超前地质预报能力 。为全面、客 观地判断盾构的实时掘进工况 , Zhang 等 [3] 、Hu 等 [4] 基于盾构掘进参数精准辨识前方开挖面的土体并准确辨析地层工况变化 ; 齐文博[5] 建立的盾构掘进系统故障诊断模型可识别刀盘磨损、盾壳被卡和注浆管堵塞 3 类常见故障。复杂工况的施工决策研究集中在姿态纠偏、沉降控制领域 。陈奕杉[6] 提出基于深度卷积神经网络的盾构滚动角姿态预测模型 ,为姿态控制提供辅助决策 ;Zhang 等[7] 基于人工智能算法预测地表最终沉降 ,并给出工作面压力和注浆量的调整决策 。决策执行时需要施工参数控制流程闭环支撑 ,为此 ,Gao 等 [8] 提出基于深度神经网络和遗传算法优化的土压控制模型 ,实现了基于施工参数反馈的土压力动态调节 ; Hu 等 [9]提出的轴线偏差预测模型实现了对盾构姿态的自动修正控制。
随着相关技术研究逐步成熟 ,当前国内外多家盾构制造与施工企业都开始朝着自动驾驶方向不断探索。2019 年 ,鹿岛建设开发了掘进管理可视化系统“ KaCIM’S”和盾构挖掘管理支持系统“KSJS”[ 10] ,能够基于掘进轨迹预测指导盾构掘进和管片拼装 ,并辅助监测地面变形、轴线偏差等风险 。清水建设研发的盾构施工系统 Shimizu Shield AI,采用强化学习方法提前制定盾构操作计划和管片拼装计划 ,掘进时 AI 可模拟成熟技术人员进行操作[ 11] 。东急建设、Automagi 和协立电机于 2021 年共同开发了辅助人工决策的“盾构AI 掘进系统”,操作人员可在 AI 建议下调整开挖面压力和控制盾构方向 ,且在自动控制模式下能够维持开挖面压力稳定[ 12] 。大林组于 2021 年研发了“盾构自动方向控制系统”,能够自动判断盾构纠偏的受力点 ,并选用相应的千斤顶实现精准的轴线纠偏[ 13] 。马来西亚地铁 MMC 与海瑞克合作研发的自主 TBM 控制系统 (A-TBM)实现了 TBM 自主推进、转向与控制的智能化 ,获 得 2019 年 国 际 隧 协 技 术 大 奖[ 14] 。2021 年 ,A-TBM 进一步实现了同步注浆系统的自动控制。
国内的盾构施工智能化研究也在同步开展 。山东大学、济南轨道交通集团合作研发盾构掘进远程控制系统与辅助决策支持系统 ,可动态评价施工风险 ,辅助支撑盾构掘进主动决策[ 15] ; 中铁隧道局集团有限公司研发的盾构智能掘进端边云控制模型已在上海机场联络线中得到应用 ,可实时推荐掘进参数 ,并将指令传递给盾构 ,以保证掘进参数平稳可控[16] ;上海隧道工程有限公司在专家系统与数据管控平台基础上研发盾构自主驾驶系统 ,可实现连续规划决策并直接控制盾构掘进参数 ,已完成多条地铁工程区间的长距离连续掘进。综上所述 ,国内外在盾构智能化的技术研究涉及感知、认知、决策和控制 4 个方面 ,对施工过程的判断、决策与操作均有实际知道意义 ,但在实际地层的控制效果仍需要通过工程项目应用来检验 。当前 ,国内外在盾构自主驾驶领域开展了多层次、多侧重点的探索与尝试 。多数企业和机构开发系统辅助人工决策 ,可为趋势预测或施工决策提供建议 ,但不参与盾构的实际控制 ;部分企业开展了有条件的自主驾驶应用 ,主要聚焦在轴线控制方面 ,但在连续施工、参数协同控制方面提及较少。
为切实保障盾构施工效率与质量 ,降低人为因素影响 ,整体提升盾构隧道施工水平 ,本文从盾构施工过程控制着手 ,提出基于知识-数据双驱动的、具备工况自适应能力的盾构自主驾驶控制体系 。体系聚焦盾构掘进施工中的目标规划、决策分析、自动控制等环节 ,打造认知-决策-控制-感知的完整控制决策闭环 ,以实现盾构对施工环境自适应调整的自主驾驶 。本文从姿态智能控制、沉降智能控制、掘进智能控制和施工异常诊断 4 个方面介绍控制体系在盾构自主驾驶系统中的具体实现方式 ,并通过上海机场联络线工程的应用案例 ,进一步分析盾构 自主驾驶系统的实际施工效果。
1 施工环境自适应的盾构自主驾驶控制体系
1. 1 盾构自主驾驶控制体系
通过拆解和重构盾构施工的掘进流程 ,本文提出施工环境自适应的盾构自主驾驶控制体系 ,体系分为认知层、决策层、控制层和感知层 4 个层次 ,对应自主驾驶过程的目标规划、施工决策、控制执行、感知辨识环节 ,如图 1 所示 。通过自主驾驶控制体系 ,盾构可以基于施工信息精准智能感知 ,快速判断盾构状态并智能认知周边环境特征 ,通过智能决策与智能控制 ,最终实现自主掘进。
图 1 盾构自主驾驶控制体系
智能认知层以云端和本地数据库中超 13TB 盾构隧道历史施工数据和施工决策经验为基础 ,综合考虑总体目标、工况条件、盾构特性等因素 ,在确认工程安全的前提下 , 自主制定盾构各子系统的分项目标和恰当的控制模式 ;智能决策层基于掘进参数和土体变形特征间的耦合关系及趋势预判规划各子系统具体的参数调整策略方案 ,并通过优化协调策略细节达成各子系统的预期目标 ,避免策略执行冲突 ,降低施工过程扰动 ;智能控制层负责执行决策内容 ,将指令传递给盾构各终端控制设备 ,并利用智能传感的反馈信息不断调整 ,使其达到决策目标 ,也负责采取紧急措施应对风险 ;智能感知层通过更换新式传感器、人工智能算法分析等方式 ,实现施工测量、环境监测、装备感知和地层预报等方面的智能化提升 ,为盾构自主驾驶奠定高频、可靠的数据基础。
1. 2 盾构自主驾驶系统部署
盾构自主驾驶系统部署如图 2 所示。
图 2 盾构自主驾驶系统部署
盾构自主驾驶系统软件可实现盾构掘进过程的认知与决策 ,是整个控制体系的核心 。操作人员通过软件交互界面输入总体的施工要求 ,软件后台结合数据传输模块传输的盾构内外部信息 , 自主辨识施工工况 ,确定工况适配的子系统目标并制定精细化、多目标协同的施工参数控制策略。
数据双向传输模块与 OPC 通讯模块是基于盾构PLC 建立的稳定可靠的数据通信框架 ,可实现盾构自主驾驶系统软件对盾构设备的直接控制与盾构状态的实时感知 。策略的控制指令经由数据传输模块写入到OPC 通讯模块中 ,再转发给盾构 PLC 执行 ,以避免数据阻塞 ;而盾构 PLC 采集的最新数据由数据双向传输模块传递给软件 ,用于调整控制指令与优化决策方案。
盾构自主驾驶系统软件把控盾构调整的时机和力度 ,而盾构设备执行能力是控制体系实现的关键 。为将盾构操控模式从人工操作转为自动化执行 ,涉及 3个方面的控制系统改造 : 盾构一键启动、设备组自动化控制、盾构控制权限切换。
2 盾构自主驾驶核心技术
2. 1 盾构姿态智能控制
盾构自主驾驶系统中的姿态控制单元如图 3 所示 。基于盾构自主驾驶控制体系的层级结构 ,可智能控制盾构姿态 ,在不同隧道线形、地质条件下实现沿隧道设计轴线的长距离精准前行。
图 3 盾构姿态智能控制单元
姿态评估模块通过分析轴线、管片、盾构三者的空间相对位置关系及其对姿态的影响 ,综合评估当前工况下盾构姿态的合理性 ,确定阶段姿态控制目标 。根据控制目标范围与盾尾间隙、盾构特性等多条件约束 ,基于长短期记忆网络(long short-term memory , LSTM)算法的盾构纠偏路径规划模型[ 17] 通过对盾构运动学和动力学进行高精度建模 ,能够准确预测下一环切口及盾构轴线姿态调整量 ,从而制定环境扰动小的姿态控制方案 。控制层执行时 ,基于神经网络与 PID 控制器的组合控制模块能够精准控制盾构分区油压 ,并借助姿态实时评估实现油压反馈调节 ,保证控制决策的执行效果[ 17] 。姿态控制单元的控制结构如图 4 所示。
2. 2 地表沉降智能控制
考虑不同相对位置对地表沉降控制的需求 ,切口沉降控制单元与盾尾沉降控制单元基于掘进参数和土体变形特征间的耦合关系 ,保障全过程沉降的控制效果。
切口沉降智能控制单元(见图 5)利用引入注意力机制的盾构掘进地质预测算法精准辨识地质特性 ,并评估切口沉降的合理性 ,从而设定沉降控制目标 ;继而土压平衡决策规划模型根据地质特性、沉降数据和实时施工数据决策合理的正面土压力设定值;土压平衡控制器则通过螺旋机转速调节实际土压力 ,并根据实时反馈的控制效果不断调整[ 18] 。
图 4 姿态控制单元的控制结构
图 5 切口沉降智能控制单元
盾尾沉降控制单元与切口沉降控制单元类似 ,盾尾沉降控制目标设定时在评估盾尾沉降的基础上考虑了上浮量因素 ,继而同步注浆决策规划模型根据地质特性、浆液配比对注浆质量和沉降控制的影响 ,确定多点位注浆方案 ,最终通过同步注浆控制器实时监测和调节自动同步注浆设备 ,实现对注浆压力、注浆持续时间、注浆量等控制参数的精准控制。
2. 3 掘进参数智能控制
为提升盾构在不同地层、不同工况下的整体控制协调性 ,降低性能冗余 ,掘进参数智能控制针对刀盘控制、盾尾油脂、土体改良等土压盾构关键控制单元建立自主调节机制。
刀盘切削控制单元首先建立推进速度、刀盘转速、刀盘转矩、正面土压力等的关系模型评估刀盘性能 ,然后通过调整推进速度维持盾构前方土体的切削效率稳定 。为避免卡机、喷涌等异常情况 ,渣土控制单元配合开挖舱压力、螺旋机转速等施工参数的变化调节螺旋机的闸门开度 ,控制实际出土速度和土压力稳定 。土体改良控制单元根据推进速度、刀盘转矩和螺旋机转矩等控制参数评估开挖舱内实时的土体流塑性 ,并通过调节各管路开度控制改良液的配比 。此外 ,为防范盾尾渗漏 ,盾尾油脂控制单元根据盾构线形和盾尾间隙确定油脂的注入量与比例分配 ,并结合推进速度与腔体压力变化调节盾尾油脂注入速度 ,保障最终的盾尾密封效果。
盾尾密封油脂单环注入总量 Q单环 与上下左右 4个区域注入量 Qi 的计算公式为 :
式 (1)— (2)中 : i= { 1,2,3,4}依次为上、下、左、右注入区域位置 ; D外径 、h油膜 、D环宽分别为管片外径、油膜厚度和管片环宽 ; R 为设计轴线的转弯半径 ; Li 为对应位置盾尾间隙值。
2. 4 施工异常智能诊断
施工异常智能诊断单元如图 6 所示 。除保障自主驾驶过程的控制通讯报警外 ,工程安全状态辨识模块基于实时数据综合监测盾构整体运行情况[ 19] ,及时发现数据异常 ,并结合外部补充信息和历史工况 ,辨识地质变化、已知典型工况、设备故障等具体异常类型 ,继而调整可控风险的相关参数 ,风险不可控时启动紧急停机机制 ,保障工程施工的安全。
图 6 施工异常智能诊断单元
3 工程应用
盾构自主驾驶系统自 2019 年底开展工程应用试验 。截至目前 ,盾构 自主驾驶系统已累计巡航超过14 km,在绍兴、南京、郑州、宁波、上海 5 个城市应用盾构超 14 台次 ,其兼容性和适用性不断提升 ,实现了6. 3~9. 3 m 不同直径土压平衡盾构在软土、粉砂、复合等不同地层的长距离持续掘进施工 ,单线最长掘进里程超过4. 3 km。
3. 1 应用工程概况
上海市机场联络线凌空路转换井至 7# 风井全长5694. 078 m,共计 3164 环 ,水平轴线线形最小转弯半径 R = 1600 m,高程轴线线形最大纵坡为 11. 53‰。隧道顶覆土深度为 12. 1~21. 55 m,主要穿越④灰色淤泥质黏土、⑤1 灰色黏土、⑤31 灰色粉质黏土。2022 年 7 月 ,盾构自主驾驶系统在此区间隧道正式开展应用实践 ,盾构在推进系统、刀盘系统、渣土系统、同步注浆系统、盾尾油脂密封系统等土压平衡盾构的核心控制系统中实现了自主控制 ,取代了人工操作 ,盾构自主驾驶占比达 90%以上 ,最大连续掘进 736 环 ,累计掘进里程达 4365 m。
3. 2 控制性能
盾构自主驾驶系统的控制性能体现在对控制目标执行效率和效果上 。图 7 示出了 595—675 环盾构切口姿态在水平方向上的控制情况 。其中 ,蓝色区间表示自主驾驶段的切口水平偏差理想控制域 ,根据现场需求设定和更新 ; 橘色区间表示人工推进段 ; 黄色折线表示自主驾驶系统制定的切口水平偏差控制目标 ;蓝色折线表示盾构实际切口水平偏差。
图 7 盾构姿态纠偏控制性能分析(595—675 环)
由图 7 可知 ,595—600 环切口水平偏差已稳定在-3 mm,接近理想控制域中心 0 mm。根据现场记录 ,为给钢管片提前预留拼装间隙 ,更新 600—650 环理想控制域 ,将切口水平偏差的控制中心由 0 mm 调整到45 mm。系统遂根据新的控制目标进行多阶段纠偏 ,面对测量数据扰动 ,持续控制切口向右移动 ,于 640 环提前达到切口水平控制目标附近。此后 10 环 ,盾构姿态保持稳定 ,直至钢管片拼装段切换为人工推进。
钢管片拼装段施工结束后 ,重新启用 自主驾驶系统 。此时姿态控制需求发生改变 ,盾构继续沿设计轴线掘进 。 自 668 环起 ,现场更新切口水平偏差的控制中心至 0 mm , 自主驾驶系统的控制目标也控制实际盾构姿态迅速向新的控制中心靠拢。
3. 3 掘进效率
对比 800—1200 环自主驾驶和人工推进的掘进效率 ,相似工况下 ,右线自主驾驶平均推进速度为63.69 mm/min,略高于左线人工推进速度 63. 10 mm/min。
图 8 为根据自主驾驶和人工推进的环平均速度绘制的提琴图 ,其中自主驾驶控制的速度区间较为集中 ,人工推进控制的波动范围较大 ,说明自主驾驶的掘进效率与人工推进相当 ,但速度控制更稳定。后期自主驾驶的推进速度有所提升 ,2 200—3 000环平均推进速度稳定在了 80 mm/min 以上 。2 200— 3 000 环施工参数变化情况如图 9 所示 ,在盾构自主驾驶系统的协同控制下 ,推进速度保持稳定 ,正面土压力、总推力和刀盘转矩随埋深不断调整 ,施工参数控制稳定 。在盾构自主驾驶系统的协助下 ,机场线最大单月掘进距离达 829. 8 m,掘进效率显著提升。
图 8 平均推进速度对比(800—1 200 环)
图 9 施工参数变化情况(2 200—3 000 环)
3. 4 隧道质量
盾构姿态控制的稳定直接影响最终成型隧道的轴线质量 。图 10 分别从水平和高程方向上对比了相似地层下自主驾驶和人工推进的隧道质量 ,以控制目标/设计轴线附近±50 mm 和 ±30 mm 内为基准 ,统计该范围内的管片环达标率 。考虑到不同施工阶段对轴线偏差的影响 ,对比项包含盾尾姿态控制偏差、管片拼装后管片偏差和成型隧道最终复测偏差 3 类数据。
图 10 管片环质量达标率对比
由图 10 可知 ,在左右线相似工况下 ,右线自主驾驶系统的姿态控制均优于左线人工推进 。在水平和高程方向上 ,分别有超 90%和 88%的自主驾驶环的盾构姿态稳定在控制目标± 30 mm 范围内 ,而人工推进环仅能控制在± 50 mm 内 。管片拼装时 ,可以通过调整拼装点位提升隧道质量 。因此 ,在水平和高程方向上 ,拼装后的管片偏差达标率均高于盾尾姿态控制偏差。其中 ,人工推进环质量显著提升 ,而自主驾驶环的管片偏差测量结果依然优于人工推进环 。超 90% 的管片环偏差保持在设计轴线±30 mm 内 ,表明 自主驾驶系统的盾构姿态控制效果良好 ,管片拼装对隧道质量的改善效果较弱 。从图 10 中成型隧道偏差的最终复测数据可以看出 ,后续受土质等其他因素影响 ,2 条成型隧道的质量均有所下降。在设计轴线±30 mm 内 ,右线自主驾驶区段的成型隧道质量下降 30%左右 ,左线人工推进下降超过 60% ,自主驾驶段的成型隧道质量整体优于人工推进段。这表明盾构自主驾驶系统的持续推进过程较为稳定 ,对后方成型隧道轴线的扰动较小。
3. 5 地面沉降
图 11 示出了 800—2 000 环应用自主驾驶段的切口累计沉降变化情况 。为控制前方切口沉降 ,土压平衡控制单元不断调整设定土压力与实际土压力 ,切 口累计沉降趋于稳定 ,切口单次沉降在± 2 mm 内 ,累计沉降不超过±5 mm,切口沉降控制优秀。
图 11 切口累计沉降变化情况
图 12 示出了 800—2 000 环自主驾驶环的盾尾累计沉降 ,其中盾尾累计沉降包含盾尾脱出后 30 m范围内的最大累计沉降和最大累计隆起情况 。 由图可以看出 ,盾尾最大沉降维持在± 5 mm 左右 ,最终沉降维持在± 10 mm 内 ,表明自主驾驶系统在切口和盾尾的沉降协同控制下能够保障地表最终沉降值在合理范围内。
图 12 盾尾沉降控制情况
4 结论与展望
面对地下未知的工况条件和复杂联动的机械设备控制 , 自主驾驶技术成为了降低人为因素干扰、提升施工质量、保障施工安全的新途径 。为有效提升盾构施工自动化、智能化水平,开展了如下工作。
1)提出了盾构自主驾驶控制体系 ,包含盾构掘进施工过程的目标规划、施工决策、控制执行、感知辨识4 个层级 ;并设计开发了可自适应不同施工环境的自主驾驶系统 ,包含系统软件、传输与通讯模块、执行设备改造 3 部分。
2)列举了姿态控制、沉降控制、掘进参数控制和施工异常监测的层级化决策与控制方式 ,通过全局化的认知决策和高精度的控制水平协调多个系统的施工参数 ,把控盾构掘进质量和施工安全。
3)以上海机场联络线为例分析自主驾驶系统的应用效果 , 自主驾驶系统的自主驾驶率达 90% 以上 ,通过协同控制多种盾构核心控制系统的参数 ,动态适应埋 深、线 形、地 表 沉 降 等 工 况 变 化 , 累 计 里 程 超4 km,实现了环均推进速度超 80 mm/min 的 km 级长距离稳定掘进 ,超 90%的盾构姿态偏差控制在±30 mm内 ,较人工控制段提升 30% 以上 ,最终隧道轴线和地表沉降控制效果满足工程施工要求。
然而 ,盾构自主驾驶技术的研究与推广仍面临盾构设备非标准化、人机互信与协作难、配套设施不完善等问题 。未来 ,盾构自主驾驶技术将朝着复杂场景、多型号设备和全流程自主施工方向发展 。一方面 ,盾构自主驾驶系统继续扩大工程应用范围 ,锻炼其在多种复杂工况下的自适应决策控制能力和多模块协同控制能力 ;另一方面 ,盾构自主驾驶控制体系不受盾构类型限制 , 目前也在向泥水平衡盾构掘进控制拓展 ,并不断丰富自动驾驶系统的适用场景 ,最终实现适应复杂多变工况的盾构完全自主驾驶 。此外 ,管片拼装、物料运输环节对盾构施工效率和施工质量有较大影响 ,盾构自主驾驶系统后续还将与管片拼装和物料运输环节结合 ,进一步发挥系统效能 ,帮助实现盾构全流程的自主施工作业。