盾构控制方法和系统、云控平台和计算机可读存储介质

技术领域

本公开涉及隧道盾构领域，特别涉及一种盾构控制方法和系统、云控平台和计算机可读存储介质。

背景技术

盾构机结构复杂，多系统间耦合、协同控制与保护逻辑众多，传感与执行机构呈长距离分散式分布，数据实时性、可靠性要求高。

发明内容

发明人通过研究发现：相关技术中，土压盾构控制仍旧依靠盾构司机的施工经验，受人为因素影响严重，控制精度和掘进效率不高，控制不当易造成地表坍塌或隆起甚至人员伤亡；相关技术的IT+PLC架构实现对盾构设备的控制，PLC(Programmable LogicController，可编程逻辑控制器)受限于专有连接、专用软件和许可成本，对高级网络和安全功能的支持较弱，且缺乏对以IT(Information Technology，信息技术)为中心的编程语言和协议(如HTTPS(Hypertext Transfer Protocol Secure，超文本传输安全协议和MQTT(Message Queuing Telemetry Transport，消息队列遥测传输协议))的支持，编程维护相对繁琐，不利于实现盾构多设备控制系统的集中统一管控，无法做到数据的打通和共享，难以满足对盾构智慧化管控的需求。

鉴于以上技术问题中的至少一项，本公开提供了一种盾构控制方法和系统、云控平台和计算机可读存储介质，可以提高盾构设备控制效率和控制质量，同时降低复杂性和实现自动决策功能。

根据本公开的一个方面，提供一种盾构控制方法，包括：

云控平台接收边缘控制器采集盾构掘进过程中的实时数据；

云控平台根据所述实时数据对盾构智能模型进行训练，确定最优掘进参数；

云控平台将最优掘进参数实时共享到边缘控制器，实现盾构掘进过程中的参数自动调整功能和闭环控制。

在本公开的一些实施例中，所述掘进参数包括密封舱压力、刀盘推力、推进速度、推荐压力、刀盘转速、注浆量、总推力、螺旋输送机转速和刀盘扭矩中的至少一项。

在本公开的一些实施例中，所述云控平台根据所述实时数据对盾构智能模型进行训练，确定最优掘进参数包括：

采用基于支持向量机的滑模控制，将支持向量机和滑模控制相结合，利用支持向量机在线调整滑模控制系统中的参数。

在本公开的一些实施例中，所述盾构智能模型包括滑模控制器和支持向量机滑模控制器；

所述云控平台根据所述实时数据对盾构智能模型进行训练，确定最优掘进参数包括：

在第一阶段，采用滑模控制器输出对盾构掘进控制；

在第二阶段，支持向量机滑模控制器通过与盾构系统进行数据交互获取新的样本数据，通过对新生样本数据的有效筛选和判定，得到新的训练样本集合；利用支持向量机滑模控制器在线学习实时校正控制算法，得到盾构掘进过程的最优参数，并将优化参数实时传递到边缘控制器，实现对盾构执行机构的实时校正。

在本公开的一些实施例中，所述云控平台根据所述实时数据对盾构智能模型进行训练，确定最优掘进参数还包括：

在第一阶段，支持向量机滑模控制器处于学习阶段，经过数据有效筛选加入支持向量机训练样本集合，支持向量机滑模控制器通过学习得到控制器的结构和初步参数；

通过预定学习时间，当支持向量机滑模控制器对滑模控制器的逼近误差小于设定的阈值的情况下，盾构掘进系统自动切换到支持向量机滑模控制器控制。

在本公开的一些实施例中，所述云控平台支持向量机滑模控制器通过与盾构系统进行数据交互获取新的样本数据，通过对新生样本数据的有效筛选和判定，得到新的训练样本集合；利用支持向量机滑模控制器在线学习实时校正控制算法，得到盾构掘进过程的最优参数，并将优化参数实时传递到边缘控制器，实现对盾构执行机构的实时校正包括：

接收盾构新数据，构造新数据对；

经过设定周期判断数据有效性，若有效，则加入训练样本集合；

使用增量式支持向量机算法进行在线训练；

计算支持向量机滑模控制器的输出；

以支持向量机滑模控制器的输出为均值，根据正态分布来计算控制扰动值；

以支持向量机滑模控制器的输出加扰动值作为密封舱压力参考值，对土舱压力对象进行控制。

根据本公开的另一方面，提供一种云控平台，包括：

数据接收模块，被配置为接收边缘控制器采集盾构掘进过程中的实时数据；

参数确定模块，被配置为根据所述实时数据对盾构智能模型进行训练，确定最优掘进参数；

参数共享模块，被配置为将最优掘进参数实时共享到边缘控制器，实现盾构掘进过程中的参数自动调整功能和闭环控制。

在本公开的一些实施例中，所述掘进参数包括密封舱压力、刀盘推力、推进速度、推荐压力、刀盘转速、注浆量、总推力、螺旋输送机转速和刀盘扭矩中的至少一项。

在本公开的一些实施例中，参数确定模块，被配置为采用基于支持向量机的滑模控制，将支持向量机和滑模控制相结合，利用支持向量机在线调整滑模控制系统中的参数。

在本公开的一些实施例中，所述参数确定模块包括滑模控制器和支持向量机滑模控制器；

滑模控制器，被配置为在第一阶段，输出对盾构掘进控制；

支持向量机滑模控制器，被配置为在第二阶段，利用通过与盾构系统进行数据交互获取新的样本数据，通过对新生样本数据的有效筛选和判定，得到新的训练样本集合；利用支持向量机滑模控制器在线学习实时校正控制算法，得到盾构掘进过程的最优参数，并将优化参数实时传递到边缘控制器，实现对盾构执行机构的实时校正。

在本公开的一些实施例中，支持向量机滑模控制器，还被配置为在第一阶段，处于学习阶段，经过数据有效筛选加入支持向量机训练样本集合，支持向量机滑模控制器通过学习得到控制器的结构和初步参数；通过预定学习时间，当支持向量机滑模控制器对滑模控制器的逼近误差小于设定的阈值的情况下，盾构掘进系统自动切换到支持向量机滑模控制器控制。

在本公开的一些实施例中，支持向量机滑模控制器，被配置为接收盾构新数据，构造新数据对；经过设定周期判断数据有效性，若有效，则加入训练样本集合；使用增量式支持向量机算法进行在线训练；计算支持向量机滑模控制器的输出；以支持向量机滑模控制器的输出为均值，根据正态分布来计算控制扰动值；以支持向量机滑模控制器的输出加扰动值作为密封舱压力参考值，对土舱压力对象进行控制。

根据本公开的另一方面，提供一种云控平台，包括：

存储器，用于存储指令；

处理器，用于执行所述指令，使得所述云控平台执行实现如上述任一实施例所述的盾构控制方法的操作。

根据本公开的另一方面，提供一种盾构控制系统，包括：信息技术设备和操作技术设备，其中，信息技术设备包括如上述任一实施例所述的云控平台，操作技术设备包括边缘控制器。

在本公开的一些实施例中，边缘控制器，被配置为向下采集盾构控制设备和过程数据的输入输出信号；向上与数据中心及云控平台之间实现数据共享。

在本公开的一些实施例中，边缘控制器，被配置为对采集的数据设置预定过滤条件，其中，所述过滤条件为对正常掘进过程中的数据进行存储，或者选择振幅小于预定设定值的掘进数据进行存储。

在本公开的一些实施例中，信息技术设备还包括云网关、数据中心、移动终端和地面监控设备中的至少一项。

在本公开的一些实施例中，操作技术设备还包括分布式输入输出控制器、上位机、导向系统、智能数据采集装置、视频监控系统中的至少一项。

根据本公开的另一方面，提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例所述的盾构控制方法。

本公开可以提高盾构设备控制效率和控制质量，同时降低复杂性和实现自动决策功能。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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为本公开盾构控制系统一些实施例的示意图。

图2为本公开盾构控制系统另一些实施例的示意图。

图3为本公开盾构控制方法一些实施例的示意图。

图4为本公开一些实施例中SVM的结构图。

图5为本公开盾构控制方法另一些实施例的示意图。

图6为本公开云控平台一些实施例的示意图。

图7为本公开云控平台另一些实施例的结构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，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，都属于本公开保护的范围。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1为本公开盾构控制系统一些实施例的示意图。本公开盾构控制系统包括信息技术设备(IT)和OT(Operation Technology，操作技术)设备，其中，信息技术设备包括云控平台10，操作技术设备包括边缘控制器5，其中：

边缘控制器5，被配置为向下采集盾构控制设备和过程数据的输入输出信号；向上与数据中心及云控平台之间实现数据共享。

云控平台10，被配置为接收边缘控制器5采集盾构掘进过程中的实时数据；根据所述实时数据对盾构智能模型进行训练，确定最优掘进参数；将最优掘进参数实时共享到边缘控制器5，实现盾构掘进过程中的参数自动调整功能和闭环控制。

在本公开的一些实施例中，边缘控制器5，还可以被配置为对采集的数据设置预定过滤条件，其中，所述过滤条件为对正常掘进过程中的数据进行存储，或者选择振幅小于预定设定值的掘进数据进行存储。

发明人通过研究发现：相关技术盾构控制网络将朝着集成化和融合化的方向发展，机电、视频监控等系统将实现有机串联；对盾构施工而言，设备的连接是基础，数据收集和分析是关键手段，而把分析所得的信息用于做出最佳化的决策，优化生产和运营是最终的目的。

本公开提出了一种基于边缘控制器的盾构智能控制系统，将PLC控制器、PC、网关，运动控制、I/O数据采集、现场总线协议、机器视觉、设备联网等多领域功能集成于一体，旨在更好地协同数据处理、应用部署，在延时敏感、带宽有限的情况下，实现边缘自治。并通过边缘计算平台与云平台的深度融合，有效降低数据生产与决策间的延迟，形成边缘+云端的全层次开放架构，在边缘侧完成盾构智能控制，在云端驱动盾构复杂工况的非实时和长周期数据的大数据处理，模型训练，算法更新等任务，实现对盾构掘进设备智能优化控制策略的远程监视、诊断、分析、指导以及数据共享，形成云边端协同，满足智能化、灵活部署、安全可靠等应用需求。

图2为本公开盾构控制系统另一些实施例的示意图。本公开盾构控制系统包括信息技术设备和操作技术设备，其中，信息技术设备包括云控平台10、云网关7、数据中心8、移动终端9和地面监控设备11中的至少一项，操作技术设备包括边缘控制器5、分布式输入输出控制器1、上位机6、导向系统4、智能数据采集装置2、视频监控系统3中的至少一项，其中：

云控平台10可以为智能云控平台。

移动终端9可以为移动终端的应用程序APP。

在本公开的一些实施例中，如图2所示，所述分布式I/O控制器1连接边缘控制器5，用于设备数据采集与控制；所述边缘控制器5通过光纤连接云网关7与智能云控平台10进行数据传输；所述智能云控平台10调度数据中心8数据，经控制模型深度学习训练生成控制参数，推荐给边缘控制器5；所述上位机6、导向系统4等连接边缘控制器，用于盾构状态显示和数据监控；所述智能数据采集装置2包含智能物联网传感器、智能视频摄像头通过无线控制装置将非结构化的数据接入边缘控制器5；所述视频监控系统3连接边缘控制器5。

基于边缘控制器的盾构控制系统利用了最新的IT通信和物联网的先进技术，同时保留了PLC/PAC(Programmable Automation Controller，可编程自动化控制器)在OT方面的优势。在智能盾构建设过程中，边缘控制器可向下采集盾构控制设备和过程数据的I/O(Input/Output，输入/输出)信号，以及与其它控制设备之间的通信数据；向上可以与IT数据中心及云端服务器之间实现数据共享。

本公开边缘控制器能够提供盾构信息化完整的连接解决方案，包括充当TCP/IP(Transmission Control Protocol/Internet Protocol，传输控制协议/网际协议)、OPC(Object Linking and Embedding for Process Control，对象链接与嵌入的过程控制)、或MQTT(Message Queuing Telemetry Transport，消息队列遥测传输)服务器，而相关技术PLC通讯应用中服务器均是外设装置。

同时，本公开边缘控制器可以存储数据、预处理数据、响应本地请求并将规范化数据转发至中央存储，这样就减少了对中央网络和服务器的需求。

与扁平文件存储相比，本公开还提高了过程级别的灵活性和响应能力。存储转发技术还可以在网络稳定性出问题的情况下建立容错力。

此外，本公开边缘控制器嵌入了更高的安全标准，需要用户身份验证并支持多个访问级别。但是因为它们是面向着网络，因此它们包括了标准的来自网络的保护，比如说，用来阻止未经授权的内部防火墙，用来隔离信任和不信任流量的以太网接口和SSL(SecureSockets Layer，安全套接字层)/TLS(Transport Layer Security，传输层安全)加密以及认证。

本公开利用边缘计算技术，实现向下执行机械设备数据收集、检测、控制等任务，向上连接云端平台，在高速串联下实现盾构控制系统IT与OT的深度整合，打通智能制造多个关节，实现盾构智能化和柔性化。

(1)本公开以边缘控制器为核心，利用边缘控制技术，将IPC(IndustrialPersonal Computer，工控机)和PLC深度融合，大幅度提高了盾构运营效率。相关技术的PLC+IPC方案是通过网线来连接的，盾构服务器外设在单独电脑上，很多不确定性因素会造成连接中断，比如接插件的松动，或者是现场的电磁干扰。本公开边缘控制器将IPC和PLC融合到一台控制器，乃至是一个CPU(central processing unit，中央处理器)中，同时采用分核分系统技术保持相互独立运行，整个系统硬件稳定性大大提高。

(2)本公开基于边缘控制器的盾构智能控制系统具备足够丰富的接口来连接盾构上多种异构执行部件，支持多种协议，除了常规传感器外，还支持有线、WIFI、5G等传输方式连接图像、声音、视频、信号等释放盾构大量信息数据的智能物联网传感设备，以将生产现场不同厂商和不同执行部件进行整合，打通网络连接，解决多厂家集成问题。

(3)本公开边缘控制器基于IEC(International Electrotechnical Commission，国际电工委员会)61131-3国际标准编程方式，可以满足盾构上过程控制、I/O采集、无线传输、远程运维、机器视觉、数据库与云计算等多种功能，降低编程及维护难度、时间成本以及资料成本，实现互换性和可重用性。同时完成实时数据和IIoT(Industrial Internet ofThings，工业物联网)传感信号的采集、存储、分析和计算，无缝整合IT与OT，以达到减少人工、提高设备智能化的需求。

(4)本公开边缘控制器能运行自定义的应用程序，在本地运行数据库服务器，实现存储、组合、共享和保护过程数据以及快速处理，减小网络时延。在大数据、云分析、机器学习和IoT时代，由于数据流量越来越大，边缘控制器可以规范化数据的额外工作，提高网络传输效率减轻中央服务器运行负担，避免盾构控制系统变得复杂和低效。

本公开以边缘控制器为桥梁对盾构大量棕地设备进行开发利用，通过协议转换为标准的协议和信息模型来释放盾构数据价值；本公开边缘计算节点对盾构数据进行有效筛选，更好地协同数据处理和应用部署，降低系统时延，提高数据传输效率，实现边缘自治；本公开大数据中心通过边缘控制器获取盾构设备信息和掘进数据，实现数据的存储、组合、共享和保护，为数据分析决策提供充足可靠的数据来源；本公开引入大数据和机器学习等先进算法为盾构掘进提供智能感知决策能力，通过中央服务器对盾构模型实时训练实现自主学习和升级算法，自动调整盾构掘进系统运行代码,从而做出决策并实施盾构闭环控制。

下面通过具体实施例本公开盾构控制方法和云控平台进行说明。

发明人通过研究发现：盾构掘进过程是一个极其复杂的过程，并且受到各种内外环境的干扰，因此影响密封舱土压的因素众多。一般盾构推力、推进速度、刀盘转速的大小能够直接影响到密封舱的进土量，而螺旋输送机的转速大小关系着出土量，因此，现场施工采取控制排土量多少的方式来间接控制密封舱土压，进而使密封舱土压与开挖面的水土压力保持动态平衡。根据不同地质情况对密封舱土压进行设定，并将实时采集到的密封舱土压与此设定值进行比较，并以两者差的绝对值最小为目标来调节螺旋输送机转速和推进速度，保证密封舱土压平衡。

在盾构掘进过程中，推力、推进速度及螺旋输送机转速对密封舱土压的变化有着重要影响。根据盾构掘进过程中密封舱进出土量平衡理论，确立盾构施工过程中从土体被开挖进入土舱后到被螺旋输送机排出以及土体受到压缩等复杂操作的连续方程。

密封舱进土量Q

Q

公式(1)中，R为刀盘半径；v是盾构掘进速度；S为切削面刀盘面积。

螺旋输送机出土量Q

公式(2)中，η为排土效率，A为螺旋输送机有效的接触面积；T为旋转螺旋叶片螺距；n

而土压平衡盾构密封舱内流量连续性方程如公式(3)所示：

公式(3)中，ce为密封舱外部泄露系数；p为密封舱内土压；p

在盾构施工过程中，推进油缸提供推进动力，把盾构本身作为研究对象，它的力学平衡方程如公式(4)所示：

F-(f+P)＝ma(4)

公式(4)中，F是盾构总推力，f是推进时的总阻力，P是刀盘面板上的土压，m为盾构的质量，a为盾构推进的加速度。

考虑到实际盾构过程中，掘进速度非常缓慢，所以可以近似均速运动，即a＝0，所以上式变为公式(5)：

F＝(f+P)(5)

对于面板式盾构，正常盾构情况下，刀盘面板上的土压和密封舱内的土压有如公式(6)的关系：

公式(6)中，D为刀盘直径，δ为面板上的压力附加值；λ为开口率。

整理上述公式可得密封舱土压与推力、推进速度及螺旋输送机转速之间的关系模型如公式(7)和公式(8)：

另外，刀盘在施工过程中，开挖面原始的土压是初始土压。实际上，开挖面上的土压是经常变化的。对于刀盘面板上的土压如公式(9)所示：

公式(9)中，F(p′)为土压沿p′轴的状态因数；F(q′)为土压沿q′轴的状态因数；a和b为常量v

根据上面公式中刀盘面板上的土压和密封舱内的土压关系，得到密封舱土压和刀盘转速的关系如公式(10)：

刀盘扭矩是保证盾构正常、安全推进的关键参数之一，由盾构和开挖土体的接触压力所决定，刀盘扭矩增大也会导致密封仓压力相应的增大，密封仓土压和刀盘扭矩经验公式如公式(11)：

M＝K

公式(11)中，M为刀盘扭矩，K

盾构密封仓土压与盾构总推力、推进速度、螺旋输送机转速、刀盘转速和刀盘扭矩等具有非线性的依赖关系，但是盾构掘进过程是一个复杂、非线性、多变量，强耦合的工业对象，基于机理分析推导的数学关系式难以建立准确、可靠的土压预测模型，因此，本公开采用统计学理论建立土压仓的非线性预测模型。本公开非线性预测模型是一种建立盾构机整体预测模型。要分析密封舱压力，可以理解为模型的输出为密封舱压力；如果分析刀盘推力，也可以理解模型输出为刀盘推力。

图3为本公开盾构控制方法一些实施例的示意图。优选的，本实施例可由本公开盾构控制系统或本公开云控平台执行。图3实施例的方法可以包括步骤31至步骤33中的至少一个步骤，其中：

步骤31，云控平台接收边缘控制器采集盾构掘进过程中的实时数据。

步骤32，云控平台根据所述实时数据对盾构智能模型进行训练，确定最优掘进参数。

在本公开的一些实施例中，所述掘进参数可以包括密封舱压力、刀盘推力、推进速度、推荐压力、刀盘转速、注浆量、总推力、螺旋输送机转速和刀盘扭矩中的至少一项。

在本公开的一些实施例中，步骤32可以包括：采用基于支持向量机的滑模控制，将支持向量机和滑模控制相结合，利用支持向量机在线调整滑模控制系统中的参数。

在本公开的一些实施例中，SVM(Support Vector Machine,支持向量机)依据统计学习理论和结构风险最小化原理，是一种新型学习机，其训练算法中不存在局部极小问题，泛化能力强，可以自动设计模型复杂度，不存在维数灾难。RBF(Radial Basis Function，径向基核函数)无论是样本大小还是高低维等各种情况都比较适用，且收敛域较宽，因此，本公开选择满足Mercer定理的RBF核函数，如公式(12)所示：

公式(12)中，中心为支持向量，σ为高斯函数宽度。

图4为本公开一些实施例中SVM的结构图。如图4所示，对于训练样本中的某一个输入，SVM系统都会产生一个输出值与之对应。选择模型参数：核函数大体上可以决定特征空间的结构以及支持向量回归机的类型和复杂度。核参数的变化则间接的变动了低维到高维的特征映射，同时会对特征子空间的维数即复杂度造成影响。

作为最常用的选参方法，交叉验证法其基本思路是将初始采样分组，一份用于训练建立模型，一份用于检测评价模型。K-CV交叉验证指将数据均分成k份，每一份数据都做一次检测，剩下k-1份用于训练。这样重复交叉验证k次，再平均k次的均方根误差结果作为回归机的最好参数。k的值一般为大于等于2的整数，在实际操作中大都从3开始选取，只有在原始数据较小情况下才尝试2。这种K-CV交叉验证方法有效避免了过学习和欠学习状态的发生，增加了结果的可靠性。惩罚因子C用来调节置信区间和经验风险之间的比例，其值越小风险则越大，反之亦然。

本公开可以利用交叉验证法进行循环搜索，在参数合理范围内减小步长设置，可提高准确度。在支持向量回归机中，交叉验证返还的是均方根误差MSE，如果有多组参数C和gamma对应最高的MSE，就选择惩罚参数最小的那组C和g，这是因为较高的C会引起过学习，影响SVM的泛化能力。SVM模型有两个非常重要的参数C与gamma。其中C是惩罚系数，即对误差的宽容度。gamma是选择RBF函数作为kernel后，该函数自带的一个参数。gamma越大，代表映射的维度越高，训练的结果越好，支持向量越少，但是越容易引起过拟合，即泛化能力低。gamma值越小，支持向量越多，肯定要影响训练与预测的速度，而且也会影响准确率，即欠拟合现象。

在本公开的一些实施例中，滑模控制是一种非线性控制，能够克服系统的不稳定性，对外界干扰和参数摄动有很强的鲁棒性和自适应性，算法简单且响应时间快，其系统结构随时间进行开关特性的变化，迫使系统沿状态轨迹作小幅度、高频率上下振动。

通常情况下，在系统

则有公式(14)

从上述方程中解得控制量u(x)，视为系统切换面s(x)＝0上，系统所施加的等效控制量。

本公开盾构智能控制方法，采用基于支持向量机的滑模控制，将支持向量机和滑模控制相结合，利用支持向量机在线调整滑模控制系统中的参数，克服常规滑模控制中需要预先设定趋近律参数的限制，改善系统控制品质。

本公开用压力传感器实时采集当前密封舱土压信号，根据盾构机设备信息和掘进地质勘测数据自动计算当前环数最优土压值范围，以此作为跟随目标输入控制器，根据密封舱压力值偏差求得滑模变量。

在本公开的一些实施例中，所述盾构智能模型包括滑模控制器和支持向量机滑模控制器。

在本公开的一些实施例中，所述滑模控制器简称SMC控制器；所述支持向量机滑模控制器简称SVM-SMC控制器。

在本公开的一些实施例中，步骤32可以包括步骤321和步骤322中的至少一个步骤，所述自学习控制方法由基于边缘控制器的控制系统实现，优化过程包含步骤321和步骤322两个阶段，其中：

步骤321，在第一阶段，采用滑模控制器输出对盾构掘进控制。

在本公开的一些实施例中，步骤321还可以包括：在第一阶段，支持向量机滑模控制器处于学习阶段，经过数据有效筛选加入支持向量机训练样本集合，支持向量机滑模控制器通过学习得到控制器的结构和初步参数；通过预定学习时间，当支持向量机滑模控制器对滑模控制器的逼近误差小于设定的阈值的情况下，盾构掘进系统自动切换到支持向量机滑模控制器控制。

在本公开的一些实施例中，步骤321可以包括：盾构掘进前期用滑模控制器对盾构掘进系统对象进行控制，此时SVM-SMC控制器处于学习阶段，将滑模控制器输入和输出形成SVM-SMC控制器的训练样本(s

在本公开的一些实施例中，从提高盾构掘进控制系统的稳定性和稳定密封舱压力方面定义判定学习数据的阈值条件如公式(15)所示：

公式(15)中，κ为权重系数，ξ为定义的阈值，E{·}表示统计平均值，p

步骤322，在第二阶段，支持向量机滑模控制器通过与盾构系统进行数据交互获取新的样本数据，通过对新生样本数据的有效筛选和判定，得到新的训练样本集合；利用支持向量机滑模控制器在线学习实时校正控制算法，得到盾构掘进过程的最优参数，并将优化参数实时传递到边缘控制器，实现对盾构执行机构的实时校正。

在本公开的一些实施例中，步骤322可以包括：学习达到一定程度并且SVM-SMC控制器对常规滑模控制器的逼近误差小于设定阈值时，盾构机训练模型自动切换到SVM-SMC控制器，进入自学习阶段，SVM-SMC控制器通过与盾构系统进行数据交互获取新的样本数据，通过对新生样本数据的有效筛选和判定，得到新的训练样本集合(训练样本满足设定的阈值条件，按照阈值条件进行筛选，加入训练样本集合中)，利用SVM-SMC控制器在线学习实时校正控制算法，得到盾构掘进过程的最优参数，并将优化后掘进参数实时推荐给边缘控制器，实现对盾构执行机构的实时校正，实现数据闭环控制。

图5为本公开盾构控制方法另一些实施例的示意图。优选的，本实施例可由本公开盾构控制系统或本公开云控平台执行。图5实施例的方法(例如步骤322)可以包括步骤51至步骤57中的至少一个步骤，其中：

步骤51，接收盾构新数据，构造新数据对(s

步骤52，经过设定周期判断数据有效性，有效加入训练样本集合D，否则丢弃回到步骤51。

步骤53，使用增量式SVM算法进行在线训练。

步骤54，计算SVM-SMC控制器输出p

步骤55，以p

步骤56，以SVM-SMC控制器输出加扰动值作为密封舱压力参考值，对土舱压力对象进行控制。

步骤57，等待数据在线更新，转步骤51。

本公开不断将新数据加入到支持向量机训练样本集合D，通过对每次迭代过程中增加的样本进行学习，在线调整SVM-SMC控制器参数，实现盾构掘进参数的自动更新。

步骤33，云控平台将最优掘进参数实时共享到边缘控制器，实现盾构掘进过程中的参数自动调整功能和闭环控制。

本公开支持向量机结构模型较为简单，泛化能力强且具有全局最优解等优点。在线支持向量机不是重新训练整个样本集中的样本，而是对每次训练过程中增加或减少的样本进行学习，通过前次的学习结果和参数计算并在线调整模型参数，大大降低了计算难度。在实现了较小的时间代价的同时，增加了模型的自适应性，模型参数与结构能够随着环境的变化而变化。

本公开提供了一种盾构智能控制方法，将滑模控制和在线支持向量算法结合，利用在线支持向量机算法实现控制器自学习功能，不断迭代优化，无需在线辨识对象模型，更适用于非线性时变系统，通过学习可在线校正模型参数，使建立的模型更接近真实情况，且系统具有更强鲁棒性和自适应性，具有良好的动态品质，保证盾构控制系统正常、高效和稳定地运行。

本公开通过在云控平台上建立盾构智能模型，布置智能算法，把盾构掘进过程中的参数进行实时采集，经过模型训练寻找最优掘进参数，并将优化后的数据参数实时共享到边缘控制器，实现盾构掘进过程中的参数自动调整功能和闭环控制。盾构算法学习分为两部分，STEP1初学阶段，采用常规滑模控制器(SMC)输出对盾构掘进控制，经过数据有效筛选加入支持向量机训练样本集合，支持向量机滑模控制器(SVM-SMC)通过学习得到控制器的结构和初步参数，通过一定学习时间，当SVM-SMC对SMC的逼近误差小于设定的阈值时，盾构掘进系统自动切换到SVM-SMC控制。STEP2自学习阶段，SVM-SMC控制器通过与盾构系统进行数据交互获取新的样本数据，通过对新生样本数据的有效筛选和判定，得到新的训练样本集合，利用SVM-SMC控制器在线学习实时校正控制算法，得到盾构掘进过程的最优参数，并将优化参数实时传递到边缘控制器，实现对盾构执行机构的实时校正。

本公开利用边缘计算技术，实现向下执行机械设备数据收集、检测、控制等任务，向上连接云端平台，在高速串联下实现盾构控制系统IT与OT的深度整合，打通智能制造多个关节，实现盾构智能化和柔性化。

发明人注意到：随着智能盾构、大数据和工业互联网的引入，制造业中带有IP地址的网络设备正在快速大面积覆盖智能化工厂，当生产过程和信息合二为一，OT和IT人员都面临需要解决存取盾构数据的问题。由此本公开提供了一种新的盾构掘进运营模式。OT被认为是现代智能工厂的支柱，而IT是所有智能企业必不可少的，OT团队不仅仅关注于监控单台设备，而是与IT进行合作，以收集和分析所有互联设备的数据。本公开这种跨职能的努力为企业提供更全面的视角，识别出效率低的方面，实现最大化ROI的目标，如实现盾构隧道掘进实时控制和边缘计算，实时监控盾构掘进状态，提供灵活的报表、高效的故障报警、精准的能量管理控制，并通过云控平台实现远程盾构资产的数据分析、管理及优化等，为盾构的故障预警、健康管理、寿命预测等提供数据支持。

以边缘控制器为桥梁对盾构大量棕地设备进行开发利用，通过协议转换为标准的协议和信息模型来释放盾构数据价值，其中，盾构棕地设备指的是盾构机上振动幅度检测、潮湿度、环境温度变化、皮带机残渣凝固情况、灯光自动调节和各种频率的电磁干扰。

本公开安装各种供应商智能设备，如智能相机检测皮带机凝固情况、振动传感器检测掘进冲击力大小等，通过边缘控制器强大的协议转换和接口能力进行数据采集，开发利用更多盾构数据。

本公开的边缘计算节点对盾构数据进行有效筛选，更好地协同数据处理和应用部署，降低系统时延，提高数据传输效率，实现边缘自治；

本公开边缘控制器是整个控制系统的子系统，为了减少数据流量，降低网络时延，在边缘控制器中对数据的采集设置一定的过滤条件，比如对正常掘进过程中的数据进行存储，或者选择振幅小于某一设定值的掘进数据进行存储等，其余数据忽略，对原始数据来说是一种粗选。

本公开边缘节点的数据筛选是通过设置特定的条件对正常掘进数据进行采集和存储，并提供给数据中心；而盾构学习算法利用满足设定的阈值条件的一定数量的数据自动训练建立盾构机模型，采集稳定系统数据，数据筛选更细，盾构机模型也在不断更新的，如可以选择新采集的一定数据加入训练集合中并去掉相同数量的已训练数据、或者依据一定时间新加入多少数据就去掉已训练数据中的多少数据进行模型更新等方法来处理。

本公开的大数据中心通过边缘控制器获取盾构设备信息和掘进数据，实现数据的存储、组合、共享和保护，为数据分析决策提供充足可靠的数据来源。

本公开引入大数据和机器学习等先进算法为盾构掘进提供智能感知决策能力，通过中央服务器对盾构模型实时训练实现自主学习和升级算法，自动调整盾构掘进系统运行代码,从而做出决策并实施盾构闭环控制。

图6为本公开云控平台一些实施例的示意图。如图6所示，本公开云控平台(例如图1或图2实施例的云控平台10)可以包括数据接收模块61、参数确定模块62和参数共享模块63，其中：

数据接收模块61，被配置为接收边缘控制器采集盾构掘进过程中的实时数据。

参数确定模块62，被配置为根据所述实时数据对盾构智能模型进行训练，确定最优掘进参数。

在本公开的一些实施例中，所述掘进参数包括密封舱压力、刀盘推力、推进速度、推荐压力、刀盘转速、注浆量、总推力、螺旋输送机转速和刀盘扭矩中的至少一项。

在本公开的一些实施例中，参数确定模块62，可以被配置为采用基于支持向量机的滑模控制，将支持向量机和滑模控制相结合，利用支持向量机在线调整滑模控制系统中的参数。

在本公开的一些实施例中，所述参数确定模块62包括滑模控制器和支持向量机滑模控制器。

滑模控制器，被配置为在第一阶段，输出对盾构掘进控制。

支持向量机滑模控制器，被配置为在第二阶段，利用通过与盾构系统进行数据交互获取新的样本数据，通过对新生样本数据的有效筛选和判定，得到新的训练样本集合；利用支持向量机滑模控制器在线学习实时校正控制算法，得到盾构掘进过程的最优参数，并将优化参数实时传递到边缘控制器，实现对盾构执行机构的实时校正。

在本公开的一些实施例中，支持向量机滑模控制器，还可以被配置为在第一阶段，处于学习阶段，经过数据有效筛选加入支持向量机训练样本集合，支持向量机滑模控制器通过学习得到控制器的结构和初步参数；通过预定学习时间，当支持向量机滑模控制器对滑模控制器的逼近误差小于设定的阈值的情况下，盾构掘进系统自动切换到支持向量机滑模控制器控制。

在本公开的一些实施例中，支持向量机滑模控制器，可以被配置为接收盾构新数据，构造新数据对；经过设定周期判断数据有效性，若有效，则加入训练样本集合；使用增量式支持向量机算法进行在线训练；计算支持向量机滑模控制器的输出；以支持向量机滑模控制器的输出为均值，根据正态分布来计算控制扰动值；以支持向量机滑模控制器的输出加扰动值作为密封舱压力参考值，对土舱压力对象进行控制。

参数共享模块63，被配置为将最优掘进参数实时共享到边缘控制器，实现盾构掘进过程中的参数自动调整功能和闭环控制。

本公开利用边缘控制技术，增加盾构设备边缘侧数据预处理和存储能力，降低系统复杂性，减少对中央服务器需求，提高盾构控制效率。

本公开通过边缘计算平台与云平台的深度融合，将滑模控制和在线支持向量机算法相结合，实现盾构掘进系统自动决策功能，提高施工质量和安全，降低劳动强度。

图7为本公开云控平台另一些实施例的结构示意图。如图7所示，云控平台包括存储器71和处理器72。

存储器71用于存储指令，处理器72耦合到存储器71，处理器72被配置为基于存储器存储的指令执行实现上述实施例涉及的方法。

如图7所示，该云控平台还包括通信接口73，用于与其它设备进行信息交互。同时，该云控平台还包括总线74，处理器72、通信接口73、以及存储器71通过总线74完成相互间的通信。

存储器71可以包含高速RAM存储器，也可还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器71也可以是存储器阵列。存储器71还可能被分块，并且块可按一定的规则组合成虚拟卷。

此外，处理器72可以是一个中央处理器CPU，或者可以是专用集成电路ASIC，或是被配置成实施本公开实施例的一个或多个集成电路。

根据本公开的另一方面，提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例所述的盾构控制方法。

在本公开的一些实施例中，所述计算机可读存储介质可以为非瞬时性计算机可读存储介质。

本公开基于边缘计算技术，提出一种盾构智能控制系统及方法，提高了盾构隧道施工中大量数据的处理效率、降低了时延，降低了系统复杂度、降低了维修繁琐晨读、提供了系统稳定性，提高了控制精度和掘进效率。

本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在上面所描述的云控平台、数据接收模块、参数确定模块、参数共享模块、云网关、数据中心、边缘控制器、分布式输入输出控制器和上位机可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。

至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指示相关的硬件完成，所述的程序可以存储于一种非瞬时性计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。