基于BP-PID控制器的盾构液压推进控制系统研究

李阁强， 牛彦杰， 陈 馈， 徐莉萍， 郭冰菁， 李跃松

(1. 河南科技大学机电工程学院， 河南 洛阳 471023； 2. 机械装备先进制造河南省协同创新中心， 河南 洛阳 471000； 3. 盾构及掘进技术国家重点实验室， 河南 郑州 450001)



基于BP-PID控制器的盾构液压推进控制系统研究

李阁强1, 2， 牛彦杰1, 2， 陈 馈2, 3， 徐莉萍1, 2， 郭冰菁1, 2， 李跃松1, 2

(1. 河南科技大学机电工程学院， 河南 洛阳 471023； 2. 机械装备先进制造河南省协同创新中心， 河南 洛阳 471000； 3. 盾构及掘进技术国家重点实验室， 河南 郑州 450001)

为解决盾构在复杂地层施工时推进速度和压力难以控制的问题，在压力流量控制的基础上提出BP神经网络控制策略。通过AMESim建立推进系统物理模型，并利用Simulink设计出BP神经网络控制器，最后对系统进行联合仿真，分析推进系统液压缸在变流量和变负载工况下推进速度和压力的响应特性。仿真结果表明： 该控制策略与常规PID控制相比，波动幅度降低，调节时间快。采用BP神经网络PID控制能够有效地提高盾构在负载突变情况下速度和压力控制精度，稳定性好、适应能力强，为盾构控制系统设计和优化提供理论参考。

盾构； 推进系统； BP神经网络； PID； 仿真

0 引言

随着地铁隧道及地下空间建设的全面展开，盾构施工得到了越来越广泛的应用。盾构推进系统主要完成盾构前进、姿态纠偏、调向等运动，其控制性能决定掘进路线的精度和刀盘使用寿命[1]。土层环境的复杂性和负载时变性等因素对盾构推进系统控制及隧道施工质量影响较大[2]。因此，推进系统的控制成为盾构施工的难题。

国内外已有许多学者对推进系统的控制策略进行了研究，如： 龚国芳等[3]运用模糊PID控制的方法，研究了在该控制策略下盾构推进速度的响应特性； 刘国斌等[4]提出神经网络控制结合推进速度的数学模型，说明了该控制方法的有效性； 施虎等[5]设计了推进系统单神经元PID控制器，实现了推进速度的自适应控制； 周如林等[6]将专家系统和PID控制相结合，设计出推进系统区间内同步控制器； 胡国良等[7]通过PLC编译主从式同步PID控制程序，并进行了试验验证。现有的研究成果大多集中在对盾构推进速度适应性的研究，但是对推进压力和推进速度相互影响的研究较少。

本文将BP网络PID控制策略应用于盾构掘进速度压力复合控制中，分析盾构在变负载和变流量的工况下，推进系统的压力和速度的控制特性。

1 盾构液压推进系统

盾构推进油缸采用分区控制，通过调整各区油缸的推进速度、压力来满足盾构施工中的转弯、曲线推进、方向纠偏和直线行进等要求[8]。在各区某缸体内置位移传感器和压力传感器，能实时反馈盾构在实际工况下的掘进参数，通过反馈信号与给定信号产生的偏差来控制比例阀，满足压力和速度连续在线可调的要求[9]。

盾构单组推进系统的液压原理图如图1所示，推进系统主要由推进油缸、比例溢流阀、比例调速阀、插装阀、换向阀、位移传感器和压力传感器等组成。盾构在正常推进时，插装阀均保持关闭状态，压力油经过调速阀9进入推进缸，活塞杆顶紧管片，迫使刀盘向前顶进。比例溢流阀8根据压力传感器10检测的外负载与压力指令信号的偏差值，在线调整推进压力。通过位移传感器12检测到的反馈信号与给定速度信号的偏差值，改变节流阀的开口大小可改变系统的流量，从而实现推进速度的闭环控制。快速回退时，电磁阀2.1和2.2左移，电磁换向阀6处于左位，比例调速阀9被插装阀3.1短路，系统进行大流量供油，实现油缸的快速回退。

2 推进系统BP网络PID控制

由对推进系统的分析可知，各区液压缸协调和同步运动影响盾构实际掘进的精度，改进系统压力流量控制器是优化系统控制性能的主要方法。盾构施工环境发生突然变化时，PID控制器无法根据实际工况实时调整符合要求的控制规律，姿态控制的动态性能和稳定性变差[6]。为解决上述问题，利用BP网络非线性函数的逼近能力对常规PID控制器进行优化，经过网络反复学习和训练，快速获得符合当前环境下的控制参数，当外界环境变化时，网络能够快速进行参数的再次寻优[4]。由于该控制策略具有在线调整kp、ki、kd(kp、ki、kd为PID控制器比例、积分、微分系数)的优势，特别适合盾构在实际工况下负载时变非线性、滞后性等复杂的控制系统。盾构推进系统速度和压力的BP网络PID控制结构如图2所示。

1.1、1.2—推进油缸; 2.1、2.2—电磁换向阀; 3.1、3.2—插装阀; 4—换向阀; 5—液控单向阀; 6—三位四通电磁换向阀; 7—溢流阀; 8—比例溢流阀; 9—比例调速阀; 10—压力传感器; 11—单向阀; 12—位移传感器。

图1 单组液压推进系统原理图

Fig. 1 Working principle of single group of hydraulic thrusting system

图2 BP网络的PID控制器

2.1 增量式PID控制器

常规增量式PID控制器控制表达式[10]为：

u(k)=u(k-1)+Δu(k)；

(1)

Δu(k)=kp[e(k)-e(k-1)]+kie(k)+kd[e(k)-2e· (k-1)+e(k-2)]。

(2)

式(1)—(2)中：u(k)、u(k-1)为第k、k-1次采样时调节器的输出信号；e(k)、e(k-1)、e(k-2)分别为调节器在k、k-1、k-2次采样的偏差值； Δu(k)为输出信号增量。

2.2 BP神经网络

根据盾构推进系统建立3-5-3型BP神经网络模型，将PID控制算法加入到BP网络模型中。通过网络反复学习和训练输出理想的控制参数[11]，取某一时刻盾构速度或压力的设定值r(k)、推进速度或压力的实际值y(k)、设定值与实际值之间的偏差e(k)作为模型输入，如图3所示。

BP网络第2层的输入、输出为：

(i=1,2,…,5;j=1,2,…,5)；

(3)

(4)

图3 BP网络的PID结构

网络第2层的激励函数采用对称的sigmoid函数

(5)

网络第3层的输入、输出为：

(6)

(7)

当l=1、2、3时，

隐含层的输出是kp、ki、kd，因此该层的活化函数使用非负的sigmoid函数

(8)

性能指标函数

(9)

式中：r(k)为第k次采样输入信号；y(k)为第k次采样输出信号。

权值的学习算法采取附加动量的梯度下降法，有效地解决收敛缓慢的问题[12]。

网络第3层权值的修正算法为

(10)

其中

g′(x)=g(x)[1-g(x)]。

网络第2层权值修正算法为

(11)

其中

f′(x)=[1-f2(x)]/2。

式(10)—(11)中：α为惯性系数；η为学习速率。

3 联合仿真

3.1 建立控制系统模型

利用Simulink建立BP网络PID控制器结构模型，在仿真框图中使用S函数来编写BP网络PID的算法程序。控制器输入端分别是盾构推进系统压力流量的设定值r(k)和实际值y(k)，经过BP网络PID控制器在线计算，在输出端获得控制规律u(k)和控制器参数，如图4所示。

图4 BP网络控制器仿真结构

3.2 建立电液比例阀模型

比例调速阀的工作原理是通过调节作用在电磁铁上的电压信号，改变推动阀芯运动的推力，从而满足系统推进压力的线性变化[13]。同理，比例溢流阀通过线性变化的电压信号，改变阀芯开口量大小，进而为系统提供呈线性变化的流量。

利用AMESim软件自带的HCD库设计出比例调速阀和比例溢流阀的物理模型，并对比例调速阀进行特性仿真，如图5和图6所示。由图可以看出，通过HCD库建立的比例阀模型与输入的电流信号大体呈线性关系，说明具有较好的控制特性。

3.3 系统联合仿真

建立推进系统物理模型和BP网络PID控制模型后，在AMESim中创建与Simulink的接口模块，实现液压系统AMESim模型与Simulink模型的连通[14-15]。推进系统联合仿真的AMESim模型和Simulink模型见图7和图8。通过联合仿真，综合利用AMESim和Matlab各自在仿真模型中的优势为盾构推进系统提供完善的仿真环境。

4 仿真结果分析

4.1 流量变化，负载不变

系统仿真参数设置为： 推进负载为600 kN； 调速阀的流量在0～5 s为1.256 L/min，5～10 s为1.884 L/min。BP网络参数设定为： 网络学习效率为0.20，惯性系数为0.05，仿真时间10 s，采样时间0.02 s。其他各参数设置完成，即可对推进系统进行联合仿真。图9和图10分别示出采用常规PID控制和BP网络PID控制时推进速度和压力的仿真曲线。

(a) 比例调速阀

(b) 比例溢流阀

Fig. 5 AMESim models of proportional speed control valve and proportional relief valve

(a) 流量

(b) 压力

图7 推进系统联合仿真的AMESim模型

图8 推进系统联合仿真的Simulink模型

(a) 速度曲线

(b) 压力曲线

Fig. 9 Velocity and pressure curves of conventional PID controller(with flow variation and aptotic load)

(a) 速度曲线

(b) 压力曲线

Fig. 10 Velocity and pressure curves of BP neural network PID controller (with flow variation and aptotic load)

如图9和图10响应曲线所示，采用常规PID控制，由于液压缸流量的突变，推进速度经过合理范围内的振荡后，迅速由40 mm/min达到60 mm/min，系统压力在19.20 MPa附近出现小范围的波动。采用BP网路PID策略后，推进速度经过很短时间调节后达到稳定状态，没有出现超调，系统流量突变对压力波动的影响也减小。采用BP网络PID控制系统响应缩短0.4 s左右，最大振荡幅值减小至原来的1/2以内，可见该控制方法具有很好的跟踪性和自适应能力。

4.2 负载变化，流量不变

该系统仿真参数设置为： 前5 s时间内，负载为600 kN； 后5 s时间内，负载为800 kN； 调速阀流量设定1.256 L/min； 其他参数保持不变。采用常规PID控制和BP网络PID控制时的推进速度和压力的仿真曲线如图11和图12所示。

由图11仿真曲线可以看出： 采用PID控制策略，当推进负载突变时，系统压力经过较小的波动后1.2 s内迅速由19.20 MPa达到25.48 MPa； 但是在5 s时刻，推进速度的最大值瞬间达到600 mm/min左右，出现严重超调，速度控制性能变差。产生该现象的原因是推进系统负载瞬间的突变导致油缸流量跟随骤然发生变化，对速度影响较大，常规PID控制不能满足速度控制精度的要求。

(a) 速度曲线

(b) 压力曲线

Fig. 11 Velocity and pressure curves of conventional PID controller(with load variation and aptotic flow)

(a) 速度曲线

(b) 压力曲线

Fig. 12 Velocity and pressure curves of BP neural network PID controller(with load variation and aptotic flow)

采用BP网络PID控制策略，速度幅值减弱至50 mm/min左右，0.4 s后快速恢复到原来的稳态值40 mm/min，大大减弱负载突变对系统速度的影响。可见，BP网络PID控制更适合应用于某些外界负载和干扰等因素时变的控制系统，具有很好的鲁棒性。

5 结论与讨论

1)基于BP网络PID控制器，能够根据盾构推进负载不同状况，在线调整控制参数，有效地提高盾构推进压力和速度控制精度，自适应能力强，稳定性好。

2)常规BP神经网络控制存在一定的局限性。由于网络权重矩阵初始化设置问题严重影响着盾构推进速度和压力的控制效果，如何优化BP网络初始化权值有待深入讨论。

3)采用该控制策略有效地削弱了盾构施工中模型摄动和地质工况时变等不确定因素的干扰，为今后复杂地层中盾构推进系统的研究设计提供了一定的理论参考。

4)盾构推进控制系统可采用多种控制策略，本文对BP网络与常规PID相结合的控制策略展开研究，建议进一步采取多种先进控制方法组合的方式对推进系统进行理论分析，以实现推进参数的精确控制。

[1] 陈馈, 洪开荣, 吴学松. 盾构施工技术[M]. 北京: 人民交通出版社， 2009: 91. CHEN Kui, HONG Kairong, WU Xuesong. Shield construction technique[M]. Beijing: China Communications Press, 2009: 91.

[2] 冯欢欢,王助锋，张合沛. 盾构实验台液压推进系统的设计与研究[J]. 液压气动与密封, 2012， 32(12)： 14-17. FENG Huanhuan，WANG Zhufeng，ZHANG Hepei. Design and study of shield experimental platform thrust hydraulic system[J]. Hydraulics Pneumatics and Seals, 2012，32(12)： 14-17.

[3] 龚国芳，胡国良，杨华勇.盾构推进液压系统控制分析[J].中国机械工程， 2007， 18(12)： 1391-1395. GONG Guofang，HU Guoliang，YANG Huayong. Control analysis of thrust hydraulic system for shield tunneling machine[J]. China Mechanical Engineering, 2007，18(12)： 1391-1395.

[4] 刘国斌，龚国芳，朱北斗，等. 基于BP神经网络的盾构推进速度自适应PID控制[J]. 工程设计学报, 2010, 17(6): 454-458. LIU Guobin, GONG Guofang, ZHU Beidou, et al.Adaptive PID control for thrust speed of the shield based on BP neural networks[J]. Journal of Engineering Design, 2010, 17(6): 454-458.

[5] 施虎，龚国芳，杨华勇. 基于单神经元的盾构推进速度自适应PID控制[J]. 中国机械工程,2009，20(2)： 38-41. SHI Hu, GONG Guofang，YANG Huayong. Adaptive PID control for thrust speed of shield based on single neuron[J]. China Mechanical Engineering, 2009， 20(2)： 38-41.

[6] 周如林，龚国芳，汪慧，等. 盾构推进系统专家PID同步控制分析[J]. 中国机械工程, 2010, 21(18): 2202-2206. ZHOU Rulin, GONG Guofang, WANG Hui, et al. Expert-PID synchronization control of thrust hydraulic system[J]. China Mechanical Engineering, 2010, 21(18): 2202- 2206.

[7] 胡国良，龚国芳，杨华勇.基于压力流量复合控制的盾构推进液压系统[J].机械工程学报， 2006, 42(6): 124-127. HU Guoliang，GONG guofang, YANG huayong. Thrust hydraulic system of shield tunnel boring machine with pressure and flow compound control[J]. Chinese Journal of Mechanical Engineering, 2006, 42(6): 124-127.

[8] 陈峰. 基于AMESim盾构负载模拟系统设计与仿真分析[J]. 液压与气动, 2015(3): 36-39. CHEN Feng. Design and research on the load simulation of shield in AMESim [J]. Chinese Hydraulics and Pneumatics, 2015(3): 36-39.

[9] 李锦,黄长征. 盾构机液压推进系统稳定性研究[J]. 液压与气动， 2014(3)： 54-57. LI Jin，HUANG Changzheng. Study of stability of hydraulic propulsion system for shield tunneling machine[J]. Chinese Hydraulics and Pneumatics, 2014(3)： 54-57.

[10] 王敬志,任开春,胡斌. 基于BP神经网络整定的PID控制[J]. 工业控制计算机， 2011， 24(3)： 72-73. WANG Jingzhi, REN Kaichun, HU Bin. PID control based on BP neural network[J]. Industrial Control Computer，2011， 24(3)： 72-73.

[11] 任有志,杨亚威,曾谦,等. BP神经网络PID控制器在聚合釜温控中的应用[J]. 现代化工, 2016, 32(2): 165-167. REN Youzhi, YANG Yawei, ZENG Qian, et al. Application of BP neural network PID controller in temperature control of polymerizer[J]. Modern Chemical Industry, 2016, 32(2): 165-167.

[12] 王紫薇，孙丽萍，王清文，等. 木塑挤出机温度的BP神经网络PID控制算法[J]. 木材加工机械, 2016, 27(2): 21-24. WANG Ziwei, SUN Liping, WANG Qingwen, et al.The algorithmic research of wood plastic extruder temperature of BP neural network PID control system[J]. Wood Processing Machinery, 2016, 27(2): 21-24.

[13]DUAN Xiaoming, XIE Haibo,LIU Zhibin,et al. Precise control of thrust force on the shield tunneling machine[J]. Applied Mechanics and Materials, 2011, 48-49: 834-839.

[14] YANG Huayong,SHI Hu,GONG Guofang, et al. Electro-hydraulic proportional control of thrust system for shield tunneling machine[J].Automation in Construction, 2009, 18(7): 950-956.

[15] 朱宏堂. 基于模糊PID算法的盾构机土压平衡控制研究[J]. 液压与气动, 2013(6)： 103-107. ZHU Hongtang. Research of earth pressure balance control of shield machine based on the fuzzy PID algorithm[J]. Chinese Hydraulics and Pneumatics, 2013(6)： 103-107.

Research on Hydraulic Thrusting Control System of Shield Machine Based on BP-PID Controller

LI Geqiang1, 2, NIU Yanjie1, 2, CHEN Kui2, 3, XU Liping1, 2, GUO Bingjing1, 2, LI Yuesong1, 2

(1.SchoolofMechatronicsEngineering,HenanUniversityofScienceandTechnology,Luoyang471023,Henan,China;2.CollaborativeInnovationCenterofMachineryEquipmentAdvancedManufacturing,Luoyang471000,Henan,China;3.StateKeyLaboratoryofShieldMachineandBoringTechnology,Zhengzhou450001,Henan,China)

The BP neural network control system is proposed on the basis of pressure flow control so as to control the speed and pressure during shield tunneling in complex strata. The physical model of shield thrusting system is established by AMESim; and then the BP neural network controller is designed by Simulink; finally, the system is simulated so as to analyze the response characteristics of thrusting speed and velocity of hydraulic thrusting control cylinder of shield machine under variable flow and variable load conditions. The simulation results show that: 1) Compared to conventional PID controller, the fluctuation amplitude of BP-PID controller is lower and the adjusting response time is shorter. 2) The control accuracy of thrusting speed and pressure of shield machine under loading condition can be improved by using BP neural network PID controller. 3) The practice shows that the above-mentioned controller has good stability and adaptability, so as to provide theoretical reference for design and optimization of shield control system.

shield; thrusting system; BP neural network; PID; simulation

2016-12-12;

2017-04-06

国家重点基础研究发展计划(“973”计划)项目(2014CB046906)； 中铁建投科技创新计划课题(2016-01-3)； 盾构及掘进技术国家重点实验室开放课题(2014-03)； 国家高技术研究发展计划(“863”计划)项目(2012AA0418002)

李阁强(1971—)，男，吉林长春人，2007年毕业于哈尔滨工业大学，机械电子工程专业，博士，副教授，现从事电液伺服控制相关的科研和教学工作。E-mail: hitligeqiang@163.com。

10.3973/j.issn.1672-741X.2017.07.016

U 455.3

A

1672-741X(2017)07-0885-06