基于双向机械控制律与隧道掘进参数交互的双驱动TBM姿态控制方法

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Dual-driven TBM attitude control method based on bidirectional mechanical control laws and tunneling parameter interaction

　　王继文|刘 Benchao|王亚旭|王瑞瑞|李宁波

摘要
当TBM在各种岩性地层中施工时，地层差异及操作不当等因素容易使设备偏离隧道设计轴线，从而影响施工质量和效率。为解决这一工程难题，本研究提出一种双驱动隧道掘进机姿态控制方法。首先分析TBM水平与垂直运动的机械控制规律，以夹持靴支撑缸组的作用行程差作为水平姿态控制的关键指标，以抗扭缸组的作用行程总和作为垂直姿态控制的关键指标。然后将双向机械运动规律纳入深度神经网络，作为损失函数约束。在已知岩体条件的情况下，建立基于现有双向偏移距离和角度为输入、SDgsc与SSatc为输出的双驱动TBM姿态控制决策模型。该模型可为夹持靴和扭力缸的行程提供合理的控制方案，有效调整掘进机的隧道掘进姿态。最后，该方法在某引水工程中得到了验证，在267组测试样本中，水平与垂直姿态控制模型的平均绝对百分比误差分别为12.5%和16.2%。

引言
隧道掘进机因其较高的挖掘速度、优质的隧道成型效果以及高度的自动化程度，已成为地下工程建设中首选的大型设备（Liu等，2020）。然而，如何安全、顺利地穿越地质性质差异较大的区域，对TBM施工而言是一项重大挑战。在施工前，需根据地质勘探结果设计最优隧道轴线，尽可能避免不良地质条件的影响（Jia等，2023）。但TBM涉及机械、电子、液压、传感和信息处理等多项技术，使得其姿态控制机制十分复杂。在掘进过程中，掘进轨迹容易偏离设计轴线，出现蛇形移动现象（Kong等，2024；Zhang等，2025）。例如在福州地铁4号线施工中，遇到软弱地层时，操作人员未能有效控制双模式TBM的向下俯冲趋势，经过多轮掘进后，隧道轴线出现了700毫米的偏差（Liu，2020），这严重影响了隧道的施工质量和进度。TBM的姿态调节系统能够确保机器沿设计轨迹移动，是减少隧道施工轴线与设计轴线之间偏差的重要子系统之一。因此，开展TBM掘进姿态辅助决策研究，对于保障施工的安全与高效具有重要意义。

由于隧道施工过程中载荷和地层条件的不确定性，TBM无法始终与理论设计的轴线保持一致，其前进过程需要不断根据设计隧道轴线进行修正（Bolin等，2025；Jin等，2025a）。传统解决方案主要依赖于姿态测量和姿态控制。Festa等（2015）对盾构机因软土地层导致的径向位移进行了定量分析，通过捕捉盾构机的多方向运动特征得出位移量。Alsahly等（2016）运用有限元方法对任意姿态下的隧道施工过程进行了高效且真实的3D建模，并提出了一种适用于任意姿态的TBM推进引导算法。基于TBM的载荷特性、机构拓扑结构及动力学分析，Liu（2018）分别提出了多缸并行姿态调节系统与刀盘多源驱动系统的协调控制方法。Shao等（2019）采用间接自适应鲁棒控制策略实现定位与姿态轨迹跟踪控制，并建立了修正后的运动学和动力学模型。Bui等（2022）基于CutFEM方法开发了一种新的计算框架，可显著简化不同组件的建模、离散化和耦合过程，有助于隧道设计阶段的轴线选择。Jin等（2025b）建立了将TBM的运动与其自身特性、外部载荷以及岩体与机器相互作用联系起来的多体力学方程，这些方程可用于描述TBM前后端的姿态状态。

这些研究通过理论分析和数值计算方法探讨了TBM的轨迹变化与姿态控制机制，为隧道掘进姿态的集成控制提供了理论基础。随着人工智能技术在隧道掘进领域的成功应用（Li等，2024a；Yu等，2024），许多学者将其作为研究TBM姿态控制的强大工具。Wang等（2023a）提出了一种基于卷积门控循环单元神经网络的高精度、高鲁棒性的多步TBM姿态预测方法，其精度和稳定性均优于基于时间序列的方法。Fu等（2023）结合图卷积网络与长短期记忆网络，利用TBM的关键运行参数及历史位置数据，构建了深度学习模型，用于预测TBM头部和尾部的垂直与水平偏差。此外，Fu等（2024）着眼于TBM运行与位置控制之间的时间与距离滞后效应，将该模型与在线非支配排序遗传算法II相结合，用于优化并最小化轨迹偏差。Wang等（2024a）同时考虑了地质参数的空间变化性以及TBM姿态参数与运行参数之间的总体相关性，提出了一种数据驱动的贝叶斯机器学习方法，用于预测特定作业点的盾构机姿态。还有一些学者结合自适应神经模糊推理系统、极端梯度提升、粒子群优化-随机森林以及数字孪生等多种算法，实现对TBM姿态与控制性能的实时预测、优化与调控。这些研究表明，人工智能技术的引入对降低隧道掘进姿态偏差、保障施工安全与效率具有显著的综合作用（Du等，2024a；He等，2021；Hu等，2022；Li等，2025b）。

不过，用于构建映射模型的数据挖掘方法往往存在过拟合风险，尤其是在时间序列预测领域，这一问题甚至可能导致未来时间方向的误差不断累积，最终增大预测误差（Wang等，2024b）。为克服依赖隧道掘进数据、通用性有限的单一智能算法的局限性，引入机械动力学机制以提高TBM姿态控制的适用性成为一种可行的方法。Wang等（2024b）将初始推力缸行程与隧道掘进姿态之间的运动关联纳入LSTM网络，用于动态预测后续掘进周期的姿态。为估算液压缸的掘进力，提高同步掘进与管片组装型TBM的系统稳定性，Li等（2024b）运用牛顿定律和拉格朗日乘数法，将力边界约束条件加入深度神经网络中。Zhang等（2025）将盾构机液压系统的动力学理论与深度神经网络相结合，构建了物理信息深度学习模型，用于估算缸体行程。Li等（2026）分析了与电液控制系统相关的惯性效应，并提出了一种基于时间尺度的姿态控制方法，用于评估TBM的惯性效应。这些研究进展为解决TBM施工过程中的姿态控制稳定性与适用性问题提供了可靠的参考。

现有的诸多技术，包括姿态变化预测、精确姿态控制以及隧道掘进路径规划，能够在一定程度上解决因经验操作导致的偏离设计轴线的问题。在当前与多自由度运动平台相关的研究中，动态状态分析是主流研究方向（Lee和Son，2021；Zhou和Gao，2021）。但在采用圆盘加水平提升结构的TBM领域，其机械状态存在明显的约束不足现象（Li等，2024b），相关的物理规律仍有待进一步探索。尤其是垂直方向的扭力缸控制机制与模型尚未得到足够重视。传统的理论分析难以获得控制缸体运动状态的数值解，因此需要引入相关历史数据以便进一步分析（Li等，2026；Zhang等，2025）。同时，目前的研究更多集中在土壤或土岩混合地层中的盾构机姿态测量与控制上（Kong等，2024）。但由于地质条件、载荷特性以及执行器的差异，将这些姿态控制方法应用于在硬岩地层中作业的TBM时仍存在局限性。鉴于在岩层中掘进TBM的复杂性，有必要针对TBM掘进的特性，开发出一种适用且稳健的姿态控制框架。硬岩地层中TBM掘进的姿态控制特点主要体现在以下几个方面：（1）机械结构刚度较高；（2）岩体与机器之间的相互作用具有非线性和复杂性；（3）液压系统中存在滞后与耦合现象。为获得更好的控制效果，本研究以敞开式TBM为研究对象，构建了一个受双向控制机制约束的深度神经网络模型。该方法的创新点包括：（1）分析了TBM在水平与垂直方向上的姿态控制运动关系并进行了推导；（2）将推导得到的机械运动规律作为物理约束，与历史测量数据一起用于模型构建；（3）以TBM的水平与垂直角度及偏移距离作为关键输入，以夹持靴和抗扭缸作为控制决策目标，利用深度神经网络构建了智能姿态控制模型。考虑到TBM姿态控制中液压系统的滞后现象，现阶段构建的模型主要用于辅助操作人员决策。本文其余部分的结构如下：第2节介绍双向子系统的运动原理以及双驱动模型的构建方法；第3节阐述姿态控制模型的整体建模方法、训练框架及其工程应用效果；第4节讨论该模型在不同典型工作条件下的应用效果、适用性及局限性；第5节为结论部分。

片段内容
TBM主要结构及相关参数
TBM的主要结构如图1所示。主梁两侧的推进缸负责在掘进过程中为TBM刀盘提供推力。当TBM直线掘进时，两侧缸体的推力大小相同；而当TBM调整方向时，两侧缸体的推力会存在差异，从而实现TBM刀盘在设计方向上发生偏移的掘进过程。

背景与数据来源
本研究以珠江三角洲水资源配置工程为研究对象。该工程包括主干输水线路、深圳支线、东莞支线以及南沙支线。本研究所需数据来自C1段（SL 5 + 013至SL 15 + 353），该段为图10中的红色标段之一。TBM施工的隧道为C1段的2号主隧道，总长度为10.34公里，其中TBM掘进段长度为9.75公里。

钻孔

TBM姿态控制规律分析
为探究不同工况下TBM的姿态控制规律，进而建立更简单实用的姿态控制策略，本研究在现有TBM智能姿态控制方法的基础上，针对不同的偏移情况推导出了相应的姿态控制方案，进而得到了SSatc和SDgsc随观测点的水平或垂直偏移距离的变化规律。这些数据来源于3267组姿态控制数据。

结论
本研究提出了一种基于双向机械控制规律与掘进参数相互作用的双驱动TBM姿态控制方法。这一研究为解决在TBM姿态控制中过度依赖人类经验所导致的偏差问题提供了科学解决方案。本研究的主要结论可总结如下：(1)该研究将TBM姿态控制分解为两个子问题：水平姿态控制与垂直姿态控制。基于简化的CRediT作者贡献声明，王继文负责写作——审稿与编辑、验证、数据整理；刘 Benchao负责调查、形式分析；王亚旭负责写作——初稿、方法论设计；王瑞瑞负责软件开发；李宁波负责整体指导。利益冲突声明作者们声明自己不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢本研究得到了中国博士后科学基金会CPSF博士后资助项目（GZB20250758）、中国博士后科学基金会（2025 M773276）以及山东省博士后创新项目（SDCX-ZG-202503016）的支持。