一种掘进机的掘进参数设定方法

摘要

本发明提供了一种掘进机的掘进参数设定方法，根据围岩数据，利用效率预测模型，预测出后一段掘进的掘进效率；根据掘进效率与掘进参数之间的数学关系，计算出掘进系统的掘进参数。本发明解决了单纯依靠施工经验而设定掘进参数，存在地质适应性差的问题，能够很好地解决不同地质情况下的掘进参数设定的情况，从而保障施工更加安全、可靠与高效；选择对掘进效率相关性较大的围岩参数作为预测模型输入，能够更加准确地预测掘进效率；采用偏最小二乘算法PLS提取成分，解决了输入变量之间存在的相关性问题，降低了ANFIS结构输入维数，提高了预测精度，加快了仿真速度，有利于实时设定于掘进机的掘进参数。

说明书

技术领域

本发明涉及一种大型掘进机械装备施工技术领域的方法，具体涉及一种硬岩掘进 机施工过程中的驱动系统的掘进参数的设定。

背景技术

全断面硬岩隧道掘进机（Tunnel Boring Machine，TBM）是机械、电子、液压、 激光等技术一体化的大型工厂化隧道施工作业系统，具有掘进速度快、施工工期 短、作业环境好、对生态环境影响小、综合效益高等优点，是国内外隧道施工的 重要方法之一。

在掘进效率预测模型方面，国内外应用较多的两个模型是美国科罗拉多矿业 大学提出的CSM预测模型和挪威科技大学建立的NTNU预测模型。CSM模型以 滚刀的线性切割实验为主，通过多变量回归分析方法建立的，但其建模研究的边 界条件与TBM实际旋转破岩工况不相符，造成载荷计算结果偏差很大；而NTNU 模型是通过施工数据建立的，可用来估算特定地质条件下TBM的掘进速度、滚刀 磨损、掘进机使用率等，但其载荷计算模型适用范围狭窄。因而，上述模型都不 能有效的指导掘进装备的设计。

在TBM掘进参数调节方面，目前硬岩掘进过程主要依赖于人工经验调节掘进 参数，为了指导实际施工，获得国际岩石力学学会终身成就奖的挪威岩土工程研 究院学者提出了Q_TBM预测模型，该模型通过地质勘探数据估计理想掘进速度，但 没有考虑支撑力、刀盘转速及扭矩等掘进参数，无法用于实时调整掘进参数以匹 配地质状况。所以，针对掘进参数的设定方法的研究非常必要，这将有助于提高 施工的进展，同时能够更好的适应地质环境的变化。

目前TBM还存在诸多实际问题需要解决，相关地质适应性基础研究有待进一 步推进，掘进参数指导性设置还没有能够形成系统的解决方案。因此，针对TBM 掘进参数的设定方法的研究非常必要，这将有助于提高施工的进展，同时能够更 好地适应复杂多变地质环境的变化。

发明内容

鉴于现有大型掘进装备施工过程中掘进参数主要依赖人工经验，本发明要解 决的技术问题是提供一种掘进机的驱动系统掘进参数设定方法。

本发明提供了一种基于掘进效率预测的掘进参数设定的方法，根据围岩数据， 利用效率预测模型，可以方便地预测出后一段掘进的掘进效率；根据掘进效率与 掘进参数之间的数学关系，进而计算出掘进系统的掘进参数，从而解决依靠施工 经验而设定掘进参数的问题。

本发明采用掘进速度（ROP）来表示掘进机的掘进效率。

本发明提供掘进机的掘进参数设定方法，包括以下步骤：

（1）根据围岩参数，预测掘进效率；

（2）根据掘进效率与掘进参数之间的数学关系，计算掘进机的驱动系统的掘 进参数；

（3）将步骤（2）得到的掘进参数实时设定于掘进机的相应的驱动系统。

本发明提供掘进机的掘进参数设定方法，解决了单纯依靠施工经验而设定掘 进参数，存在地质适应性差的问题，能够很好地解决不同地质情况下的掘进参数 设定的情况，从而保障施工更加安全、可靠与高效。

进一步地，步骤（1）中围岩参数包括：单轴抗压强度、巴西试验劈裂抗拉强 度、冲击试验压头的最大荷载与相应的位移的比值、软弱结构面的平均间距和隧 道轴线与软弱结构面之间的夹角。

选择对掘进效率相关性较大的围岩参数作为预测模型输入，能够更加准确地 预测掘进效率，从而获得更加准确的掘进参数，保障施工更加安全、可靠与高效。

进一步地，步骤（1）中预测掘进效率包括以下步骤：

（11）采用偏最小二乘算法PLS提取成分；

（12）以步骤（11）的输出作为自适应神经元模糊推理系统ANFIS的输入， 预测掘进效率。

进一步地，步骤（2）中掘进机的驱动系统包括液压推进系统和刀盘驱动系统。

进一步地，步骤（2）中掘进机的驱动系统的掘进参数包括：液压推进系统每 个液压缸的推进压力P_L、液压推进系统的推进速度V、刀盘驱动系统的电机驱动功 率H_TBMp以及刀盘驱动系统的刀盘扭矩T_cutter。

本发明的掘进机的掘进参数设定方法，提供上述掘进参数，对实际施工具有 较强的指导意义。

进一步地，液压推进系统每个液压缸的推进压力P_L的计算方法为：

其中，n表示液压推进系统提供推进力的液压缸的个数，F₂表示围岩作用于掘 进机壳体表面的摩擦力，F₃表示掘进机自身重量所产生的摩擦阻力，C为恒定常数， T表示滚刀尖宽度，R表示滚刀半径，σ_c表示岩石的单轴抗压强度，σ_t表示岩石的 巴西试验劈裂抗拉强度，S表示切削间距，定义为

其中，P表示刀盘旋转一周后的切削深度。

进一步地，液压推进系统推进速度V的计算方法为：

V=ROP·U·24/1.44，

其中，ROP表示掘进速度，U表示掘进机利用率。

进一步地，刀盘驱动系统的刀盘扭矩T_cutter的计算方法为：

其中，N表示滚刀个数，C为恒定常数，T表示滚刀尖宽度，R表示滚刀半径， σ_c表示岩石的单轴抗压强度，σ_t表示岩石的巴西试验劈裂抗拉强度，S表示切削间 距，D_TBM表示刀盘直径，定义为

其中，P表示刀盘旋转一周后的切削深度。

进一步地，刀盘驱动系统的电机驱动功率H_TBMp的计算方法为：

其中，m表示感应电动机的个数，ψ表示机械传递效率，K表示扭矩选择单 元和功率单元的转换系数，N表示滚刀个数，C为恒定常数，T表示滚刀尖宽度，R 表示滚刀半径，σ_c表示岩石的单轴抗压强度，σ_t表示岩石的巴西试验劈裂抗拉强 度，S表示切削间距，D_TBM表示刀盘直径，RPM表示刀盘旋转速度，定义为

其中，P表示刀盘旋转一周后的切削深度。

进一步地，的计算方法为：

其中，ROP表示掘进速度，D_TBM表示刀盘直径，V_limit表示滚刀线速度限制，其与选 择的滚刀直径有密切的关系。

与现有技术相比，本发明提供掘进机的掘进参数设定方法具有如下有益效果：

（1）根据围岩参数，预测掘进效率；再根据掘进效率与掘进参数之间的数学 关系，计算掘进机的驱动系统的掘进参数；解决了单纯依靠施工经验而设定掘进 参数，存在地质适应性差的问题，能够很好地解决不同地质情况下的掘进参数设 定的情况，从而保障施工更加安全、可靠与高效；

（2）选择对掘进效率相关性较大的围岩参数作为预测模型输入，能够更加准 确地预测掘进效率，从而获得更加准确的掘进参数，保障施工更加安全、可靠与 高效；

（3）采用偏最小二乘算法PLS提取成分，解决了输入变量之间存在的相关性 问题，降低了ANFIS结构输入维数，提高了预测精度，加快了仿真速度，有利于 实时设定于掘进机的掘进参数。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明， 以充分地了解本发明的目的、特征和效果。

附图说明

图1为掘进机施工示意图；

图2为本发明的一个实施例中的自适应神经元模糊推理系统结构框图；

图3为本发明的一个实施例中的偏最小二乘算法PLS与自适应神经元模糊推 理系统预测模型结构图；

图4为本发明的一个实施例的框图。

具体实施方式

附图和部分公式中出现的符号以及符号所表示的物理量如表1所示：

表1

符号 物理量 F_disc作用在单把滚刀上的总力 C 恒定常数 T 滚刀尖宽度 R 滚刀半径 σ_t岩石的巴西试验劈裂抗拉强度（BTS） σ_c岩石的单轴抗压强度（UCS） S 切削间距 P 刀盘旋转一周后的切削深度 F_thrust掘进机正面阻力

F₂围岩作用于壳体表面的摩擦力 F₃掘进机自身重量所产生的摩擦阻力 f 摩擦系数 ρ 岩石密度 D 掘进机外径 H 地面到掘进机中心轴线的垂直距离 L 掘进机的长度 K_a主动土压系数 m_unite掘进机单位长度质量 N 滚刀个数 F_i每把滚刀的最大承载力 RPM 刀盘旋转速度 ROP 掘进速度 D_TBM刀盘直径 F_R单把滚刀滚动力 K 扭矩选择单元和功率单元的转换系数 ψ 机械传递效率

本发明提供掘进机的掘进参数设定方法，如图4所示，包括以下步骤：

（1）根据围岩参数，预测掘进效率，如图3所示；

（2）根据掘进效率与掘进参数之间的数学关系，计算掘进机的驱动系统的掘 进参数；

（3）将步骤（2）得到的掘进参数实时设定于掘进机的相应的驱动系统。

本发明提供掘进机的掘进参数设定方法，解决了单纯依靠施工经验而设定掘 进参数，存在地质适应性差的问题，能够很好地解决不同地质情况下的掘进参数 设定的情况，从而保障施工更加安全、可靠与高效。

掘进效率预测模型：

首先选择掘进机掘进速度预测需要的围岩参数，包括单轴抗压强度、巴西试验 劈裂抗拉强度、冲击试验压头的最大荷载与相应的位移的比值、软弱结构面的平 均间距和隧道轴线与软弱结构面之间的夹角，对围岩参数进行围岩数据处理，即 做归一化处理，输入的参数X经过归一化处理后的数据矩阵记为 E₀＝[x₁，x₂，…，x_p]_M×p，输出的参数Y经归一化处理后的数据矩阵记为 F₀＝[y₁，y₂，…，y_q]_M×q。其中，M表示输入参数或者输出参数的组数，p表示每一组 输入参数的个数，q表示每一组输出参数的个数。

记t₁是数据矩阵E₀的第1个成分，ω₁是数据矩阵E₀的第一个轴，即矩阵的最大特征值所对应的特征向量，并且ω₁是一个单位向量，即：||ω₁||=1，具体的成 分提取公式如下：

求矩阵的最大特征值所对应的特征向量ω₁，进而求得其成分t₁。

t₁=E₀ω₁    (1)

$p_1=E_0^T{t}_1/{\left|\right|t_1\left|\right|}^2---\left(2\right)$

$E_1=E_0-t_1{p}_1^T---\left(3\right)$

按照以上方法依次求解（i＝1,2,...,n）的特征向量ω_i，进而可以确定出 n个成分t₁，t₂，t₃，…，t_n，采用预测模型算法，可以得到预测模型。

在本发明的优选实施例中采用偏最小二乘算法PLS得到预测模型。

如图3所示，对于围岩参数，利用偏最小二乘算法PLS，建立成分提取模型， 将5输入变成4输入，将提取的数据成分再通过ANFIS结构进行训练，取得较好 的效率预测模型。

偏最小二乘算法的主要特点为：

1、适用于特征变量多、样本数目少的样本；

2、提取对因变量影响强的成分；

3、克服了输入变量之间存在的相关性问题；

4、降低了ANFIS结构输入维数；

5、提高了预测精度，加快了仿真速度。

偏最小二乘回归方程一般不选用全部的成分t₁，t₂，t₃，…，t_n进行回归建模，而 是采用截尾的方式，即使用前m个成分(m＜A，A＝rand(X))，仅用这m个成分就可 以得到较好的预测模型。

由于预测的数据是有限的，采用PLS，利用其降维特性，提高预测速度和精度， 并且克服了输入变量之间存在的相关性问题。

ANFIS是特殊的模糊神经网络结构，它具有收敛速度快、需要样本少以及具 有以任意精度逼近任意非线性和线性函数的功能。

考虑多输入单输出的系统，即：输入参数X₁，X₂，…，X_m，输出参数Y。

本实施例中采用的自适应神经元模糊推理系统的结构如图2所示，包括五层：

第一层：该层是将输入参数模糊化，每个节点都代表了隶属度函数，该隶属度 函数采用高斯函数形式，表达式如下：

$\left(\begin{array}{c}{\mu }_{\mathrm{ij}}\left(x_i\right)=\exp (-{(x_i-c_{\mathrm{ij}})}^2/{\sigma }_j^2)\\ (i=\mathrm{1,2},...,m),(j=\mathrm{1,2},...,n)\end{array}\right)---\left(4\right)$

其中，c_ij，σ_j被称为前提可变参数。c_ij代表x_i的第j个高斯函数的中心，σ_j是 x_i的第j个高斯函数的宽度；

第二层：用于计算每条规则的适用度，表达式如下：

ω_i＝Πμ_ij(x_j)    (5)

第三层：将每条规则适用度进行归一化：

第四层：该层中，每个节点的传递函数都是线性函数，每条规则的输出为：

其中，{a_i0,a_i1,…,a_im}被称为结果参数集；

第五层：该层为输出层，在这层中每个节点都分别代表了一个输出变量：

下面介绍的ANFIS结构具有n个模糊规则：

第i个规则：Rⁱ：if x₁ is A_1i and x₂ is A_2i and … and x_m is A_mi then  f_i(x)＝a f_i(x)＝a_i0+a_i1x₁+a_i2x₂+…+a_imx_m，i＝1,2,…,n

ANFIS模型中是利用混合算法：最小平方法和逆推学习算法，来确定前提可变 参数和结果参数集。

那么，通过PLS算法进行成分提取，将PLS模型的输出作为ANFIS模型的输 入，整个PLS-ANFIS模型的输出是掘进效率。

掘进效率与掘进参数的关系

本发明的另一个核心内容就是建立掘进效率与掘进参数的关系模型，下面将 对这个模型的详细推导进行介绍：

图1为掘进机施工示意图；

本发明使用掘进速度（ROP）表示掘进机的掘进效率，本发明研究了掘进速度 与液压缸推力、推进速度和刀盘扭矩等参数的关系，采用如下公式作为基础：

其中，F_disc表示作用在滚刀上的总力，C是恒定常数，取2.12，T是滚刀尖宽 度，R是滚刀半径，σ_t是岩石的巴西试验劈裂抗拉强度（BTS），σ_c是岩石的单轴 抗压强度（UCS），S是切削间距，定义如下：

其中，P表示刀盘旋转一周后的切削深度。以上两个公式将在后续分析掘进速 度、推力和扭矩的关系中发挥作用。

液压推进系统给刀盘提供向前的推力，假定液压缸的个数为n个，每个液压缸 提供的负载推力为F_h，在掘进机缓慢掘进过程中，整个系统近似为稳态，那么液 压推进系统总的负载推力表示为：

F_thrust+F₂+F₃＝n·F_h    (11)

总的负载推力主要包括：掘进机正面阻力F_thrust、围岩作用于掘进机壳体表面的 摩擦力F₂，以及掘进机自身重量所产生的摩擦阻力F₃，其中，F₂、F₃由以下公式 计算：

$F_2=\mathrm{f\rho gD}[\frac{\pi }{2}(1+K_a)H-\frac{1}{3}D(2+K_a)]L---\left(12\right)$

F₃＝fLm_uniteg    (13)

进一步计算每把滚刀的推力为：

其中N为滚刀个数。

那么掘进机正面阻力可以表示为：

根据液压缸的力学平衡方程，可以进一步得到液压缸推进压力P_L与的关系：

其中，A为液压缸活塞推进有效面积（推进过程中，液压缸流量流入一侧）。

变量P表示刀盘旋转一周后的切削深度，其计算公式如下：

$P=\frac{\mathrm{ROP}}{\mathrm{RPM}}·\frac{1000}{60}---\left(17\right)$

通过该模型的预测，可以得到未来一段距离内的ROP值：

$\mathrm{RPM}=\frac{V_{\mathrm{limit}}}{D_{\mathrm{TBM}}·\pi }---\left(18\right)$

那么得到如下结果：

$P=\mathrm{ROP}·\frac{1000}{60}·\frac{D_{\mathrm{TBM}}·\pi }{V_{\mathrm{limit}}}---\left(19\right)$

所以综上所述可以推导如下公式：

可以看出通过PLS-ANFIS模型预测得到未来一段时间内的掘进速度平均值 ROP，由于B_vV这一项比较小，通过以上公式可以间接确定液压推进系统每个液压 缸的实际推进压力P_L，即：

由于实际施工掘进贯入度AR计算公式以下：

AR=ROP·U·24    (22)

其中，U表示掘进机利用率；

那么平均推进速度V（mm/min）与AR（m/day）之间的关系如下：

AR＝V·1.44=ROP·U·24    (23)

从上面的公式中，可以根据预测的ROP推出一段时间内液压缸需要的平均推进 速度V，即：

V=ROP·U·24/1.44    (24)

综上分析可以看出，通过预测掘进效率可推出液压推进系统的推进压力P_L和推 进速度V。此研究结果可为实际施工过程中液压推进系统参数设定提供必要的依 据。

在掘进机推进的过程中，通过刀盘旋转带动滚刀切削岩石实现破岩掘进的目 的。那么刀盘扭矩和功率的设定对实际施工效率的影响是比较大的，上述公式中 提供了滚刀所受力的计算方法，那么滚刀滚动力F_R为：

刀盘扭矩约为：

刀盘功率：

其中，K表示扭矩选择单元和功率单元的转换系数，由于机械传递效率为ψ， 其值为0.9左右。那么TBM每台感应电动机的电机驱动给定功率为：

其中，m是感应电动机的个数。

综上分析，可以通过PLS-ANFIS预测模型间接得到电机驱动的给定功率和负载 扭矩，这对实际施工具有较强的指导意义。

本发明提供掘进机的掘进参数设定方法，根据围岩参数，预测掘进效率；再 根据掘进效率与掘进参数之间的数学关系，计算掘进机的驱动系统的掘进参数； 解决了单纯依靠施工经验而设定掘进参数，存在地质适应性差的问题，能够很好 地解决不同地质情况下的掘进参数设定的情况，从而保障施工更加安全、可靠与 高效；选择对掘进效率相关性较大的围岩参数作为预测模型输入，能够更加准确 地预测掘进效率，从而获得更加准确的掘进参数，保障施工更加安全、可靠与高 效；采用偏最小二乘算法PLS提取成分，解决了输入变量之间存在的相关性问题， 降低了ANFIS结构输入维数，提高了预测精度，加快了仿真速度，有利于实时设 定于掘进机的掘进参数。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人 员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技 术领域的技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者 有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。