对全断面隧道掘进装备智能化的一些思考

杨华勇， 周星海， 龚国芳

(浙江大学流体动力与机电系统国家重点实验室， 浙江 杭州 310027)

0 引言

进入21世纪以来，人工智能技术进入了一个集成发展期，机器学习、人工神经网络与深度学习等理论的提出和迅猛发展，都加速了人工智能的现实应用[1]；与此同时，物联网与大数据的发展掀起了产品智能化的新浪潮，推动了基于信息新环境和发展新目标的新一代人工智能。

新信息技术与产品的融合，给装备制造业也带来了深刻变革。装备智能化被国外诸多国家规划列为国家战略发展方向，包括德国的“工业4.0”、美国的“国家制造创新网络计划”以及日本的“科学技术创新综合战略”等。全球领先的工程机械制造商也纷纷布局装备智能化战略，比如卡特彼勒的“智能机器时代”(见图1)和小松的“高精度智能化施工”等。

图1 卡特彼勒“智能机器时代”Fig. 1 Caterpillar′s The Age of Smart Iron

我国装备制造业正面临着越来越大的产业双向转移压力和产业空心化风险[2]，工业成本的急剧上升使得原先的成本优势相对于美国已下降到不足5%。同时，我国的高端装备严重依赖进口，发展高端智能化装备是我国提升先进制造能力、推动产业结构迈向中高端的迫切需求，也是我国从制造大国向制造强国转变的必然选择。因此，我国先后提出了“中国制造2025”、“中国人工智能2.0”等战略与规划。

智能工程装备(见图2)相比于传统的工程装备具有非常突出的优势，其利用高精度的传感系统和高精确的工作轨迹规划实现高效作业，通过能量的匹配和回收实现节约能源，基于大数据在线分析与决策达到智能操控，运用云通讯和云计算等技术实现故障诊断、在线评估以及集群控制；因此，工程装备智能化是未来装备制造业的发展趋势，能够实现快速响应用户需求，减轻作业强度，增强产品适用性，保障设备可用和提高资源利用率等。工程装备智能化的发展方向主要分为4个层次： 1)传感器辅助、分级规划和自动控制； 2)单一环节的自主作业； 3)全通用的自主智能作业； 4)面向AI 2.0装备集群智能协作，形成一个集交互、感知、分析、决策、控制等功能为一体的综合智能系统。

图2 智能工程装备Fig. 2 Intelligent engineering equipment

全断面隧道掘进机是实现隧道施工作业机械化的关键装备，分为盾构和硬岩掘进机(tunnel boring machine,简称TBM)2大类。根据国家发展规划，我国盾构法和TBM法施工的各类隧道长度超过6 000 km，到2020年全断面掘进装备需求总计500台以上，超过全球总需求量的60%，装备的直接费用和配套及维护费用总计超过500亿元。铁路、公路、水利等基础建设对全断面隧道掘进装备提出了巨大的市场需求[3]，但掘进环境的复杂性、不确定性给全断面隧道掘进装备的安全高效施工带来了极大挑战。

随着工程装备智能化技术的日渐成熟，其模式识别、智能感知等应用实现了装备的集成化、数字化、可视化和自动化，其利用大数据进行云计算和工业互联实现了产品、工厂、信息系统、用户乃至产业链、价值链等各环节的全面深度互联。如何将这些智能互联技术有效应用于全断面隧道掘进装备实现本体、操控作业智能化，如何有效利用工程施工大数据并释放其中的信息与知识以进行装备设计制造、操控作业、健康维护和故障诊断等，将成为隧道工程领域的重大技术挑战和未来行业竞争热点。

1 全断面隧道掘进装备智能化面临的科学挑战

1.1 复杂工况下掘进状态识别与地质环境感知

复杂多变的地质环境对全断面隧道掘进装备的高效安全作业有着极大的影响，在传统的掘进模式中，首先要对掘进的地质条件进行前期的勘测与研究。在实际工程中，往往是每隔一定的距离进行钻孔，再根据钻孔编录资料推测出整体的地质条件。在西北某山岭引水隧洞工程中，2个钻孔之间的盲区出现了裂隙发育的花岗岩，且发育2组顺隧洞向裂隙及1组垂直洞向裂隙，形成了楔形体，与前期的地质工作存在较大出入，最终出现岩体失稳现象，导致TBM发生了卡机事故[4]。在广州地铁某区间隧道工程中，由于地面鱼塘密布，导致钻孔间距较大，其推测出的地质条件与实际地层出入较大，难以准确调整盾构掘进参数以致发生了地表大面积沉降事故[5]。因此，实现掘进状态与地质环境的准确识别，建立完备的地质环境信息感知系统，是实现全断面隧道掘进装备智能化所面临的科学挑战。

1.2 地质环境与装备掘进运行参数映射规律与匹配方法

目前，全断面隧道掘进装备施工仍然以人为经验操控为主，遭遇地层变化或复杂地质条件时依靠司机调整推力、转矩、推进速度、刀盘转速等掘进参数。在中天山隧道TBM掘进施工过程中，遭遇了自稳性很差的围岩，由于操作司机没有及时适当减小TBM的推进速度、刀盘转速等掘进参数，也没有采用不用撑靴的高压拉缸模式来减小对围岩的挠动，导致了严重的围岩坍塌事故[6]。在某地铁区间盾构法施工隧道工程中，盾构在纠偏过程中进行强制纠偏，导致管片角部应力集中，出现管片破裂，而施工人员未能及时发现并采取应急措施，形成了涌水、涌砂事故[7]。这些事故都体现出现有的操作模式中人机理解与协作性差、岩机互馈机制不明确等缺点。因此，地质环境与装备掘进运行参数间的映射关系，特别是地层变化或复杂地质条件下岩机参数映射规律与匹配方法，是实现掘进智能控制、人机交互与协调所面临的科学挑战。

1.3 多子系统掘进作业的智能规划与协同控制

隧道掘进装备具有多子系统、多任务和高协同性的典型特征，其推进、支撑、调向、管片拼装等子系统需要工作人员按照严格的运作顺序进行操作，体现了掘进施工过程中明显的人机交错特点，特别是在衬砌、运输、拼装、机械安装等工艺复杂的环节，容易出现起重伤害、电瓶车伤人、机械伤害、高处坠落等多种事故，如南京某地铁工地的管片堆场事故，上海某地铁区间隧道的垂直、水平运输事故以及由于换刀操作不当引起的爆炸事故等，均造成了较大的人员伤亡。因此，在确保运行稳定与作业安全的基础上实现掘进装备的无人值守和智能化运作是十分必要的，这样就对掘进装备自主识别掘进任务、各子系统间的任务智能规划与协调提出了极大的挑战。

如图3所示，环境与状态感知、施工参数自适应动态调控、多系统协调控制与多目标优化已经成为新一代智能隧道掘进装备设计与制造的核心问题。打破传统隧道掘进操作模式，突破掘进效率和地质适应性瓶颈，实现隧道掘进装备的长距离、智能化、无人值守与安全快速掘进，引领全断面隧道掘进装备技术革命性跨越，对提升我国此类装备的自主创新能力和实现跨越发展具有重要的意义。

图3 智能隧道掘进装备Fig. 3 Intelligent TBM

2 全断面隧道掘进装备智能化的现有研究基础

2.1 施工地质预测与掘进状态感知

在地质超前勘探方面，德国海瑞克公司与德国国家地球科学研究中心波茨坦亥姆霍兹中心开发了用于隧道早期探测的集成式地震探测系统ISP。香港大学Yue等[8-9]和哈斯特帕大学Kahraman[10]提出了基于钻进参数分析的“数字智能钻机”技术，结合基于地震波场特性分析的随钻地震探测方法能够为岩体力学参数的快速获取提供可用方法，但其理论上存在一些尚未突破的关键问题。国内外地表勘探领域认为基于多元地球物理信息融合与联合反演理论[11-13]的综合超前地质预报技术是抑制探测多解性、提高预报可靠性的可行有效途径，但目前未见基于联合反演的隧道综合超前预报的文献和报道，仍需建立系统有效的地质反演模型并提出快速求解的方法。

在多传感岩机信息感知与融合方面： Wang等[14]利用破岩过程中振动和磨损机制等建立了岩机信息融合与互馈分析模型；东北大学杜志国[15]建立了基于虚拟仪器的振动模态理论、振动检测系统、多参数磨损预测公式和监测方法。德国海瑞克的盾构滚刀滚动监控系统通过定位受损或阻滞的滚刀，优化刀盘的维护时间间隔；美国罗宾斯公司的刀具工程师开发出了一种可以安装在刀具楔形螺栓上的电子传感器；这些通过监测分析刀盘、刀具传感器信号来得到掘进机运行性能的方法，存在的主要问题是缺少系统化的数据感知理论和实时反馈调控方法，难以实现现场实测数据的动态化融合、分析和互馈，不能做到岩机状态的动态评价识别。

2.2 地质环境与装备掘进运行参数映射匹配关系

美国学者C.Demetrious基于旧金山地铁隧道建设项目提出以计算机网络为传输工具形成“施工信息监控反馈体系”的可能性； 意大利Geo DATA公司建立了隧道工程施工监测信息化管理GDMS系统，已应用在圣地亚哥、圣彼得堡等地的城市轨道交通建设中； 法国Bouygues公司设计出CATSBY盾构施工信息管理软件，实现了盾构施工信息化管理的要求。

国内中铁装备、铁建重工、中铁隧道局等龙头企业均构建了具有隧道施工信息数据采集、存储、分析及应用等功能架构的掘进机远程信息化管理系统，为进一步研究掘进参数优化决策和智能控制提供了支持；此外，中铁一局还开发了盾构集群远程监控与智能化决策支持系统。

目前，国内外的远程信息化管理平台的功能还不完善，多用于施工监测与集群管理，尚不能解决隧道掘进机掘进时海量实时信息与历史数据融合分析与挖掘的难题。

2.3 掘进状态智能控制与优化决策

目前，对全断面隧道掘进机掘进性能的研究主要集中在掘进速度、刀具磨损、掘进推力及转矩预测模型建立等方面。北京工业大学Gong等[16]提出了预测TBM掘进速率的岩体特征参数模型，挪威学者Barton[17]提出了QTBM预测模型等，然而这些模型的得出往往都基于特定工程的岩体类型以及掘进机机械、运行参数，且各自考虑了不同的岩体影响参数，而在岩体多变环境下如何选择可靠的预测模型对掘进机掘进推力及掘进性能进行较准确预测并实时达到最优破岩效率，仍是掘进机施工中亟待解决的问题。日本学者Okubo等[18]利用已有多个TBM预测模型和多条TBM隧道的数据建立了知识库及数据库，开发了一套专家系统用来评价TBM在隧道中的适用性，并取得了较好的应用效果；然而，实时智能化专家系统在TBM实时掘进性能优化方面的应用亟待进一步研究。

破碎比能、TBM利用率、刀盘磨损、碴片特征等多个指标都曾被TBM掘进性能评价方法所采用，因此，建立一种囊括多种岩体条件及多个评价指标的优化决策方法是利用人工智能方法实现隧道掘进机掘进智能控制及优化的前提。现有方法对掘进机操作参数与岩体条件匹配的研究还不够系统、深入，尚未形成完善的掘进实时优化、地质适应性智能化控制理论、方法与评价体系。

隧道掘进装备的环境与状态感知、施工参数自适应动态调控、多系统协调控制与多目标优化仍是国际性的行业难题，而实现掘进装备的掘进过程状态实时感知与智能化控制是解决这些难题的有效途径，也是未来全断面隧道掘进装备发展的必然趋势。

3 全断面隧道掘进装备智能化设想

3.1 多传感信息融合的掘进状态感知与性能评价方法

隧道掘进机掘进时面临着强冲击载荷、地质复杂多变的恶劣工况，难以实现掘进状态的准确感知与识别，因此，开发融合高精传感技术的智能液压元件是实现状态监测与智能化控制的基础。智能液压元件(见图4)基于高效驱动的原理嵌入大量传感、控制等精密电气部件，实现控制特性可编程，从而达到良好的控制性能。

图4 智能液压元件Fig. 4 Intelligent hydraulic components

整体的传感感知系统可采用总线组网通讯，将智能液压元件无缝嵌入主机总线网络，实现元件级状态监测，利用激光雷达、工业摄像头等开发环境识别系统以及转矩、位移等大量高精度传感器开发集成式传感系统，实现刀具磨损、掘进界面稳定性、密封舱压力等环节的智能感知，从而获取装备的海量多元信息。基于现场施工和模型试验数据，对如地质条件、掘进参数、刀具损耗等掘进机要素进行相关性系统研究，分析参数之间的融合及互馈机制，揭示岩机状态与掘进主控参量之间的映射关系，建立典型地质条件和不良地质条件的解释、识别准则与方法，提出掘进机掘进性能化评价方法，实现岩机状态动态评价和灾害预警。

3.2 掘进参数工况自适应动态调控方法

目前，隧道掘进机施工中掘进参数的选择往往依赖操作人员的经验，遭遇复杂地质环境时难以及时有效调整，极大影响了掘进机的作业效率与安全。因此，识别作业环境与装备性能状态，揭示掘进动力系统动态性能实时调控机制，实现关键参数自适应控制是智能化作业的保障。可以从3个方面开展相关研究： 1)建立掘进过程岩机状态智能识别和专家系统，实现掘进参数与支护参数优化决策； 2)提出掘进机轨迹在线自主规划方法，实现掘进姿态预测控制与自动纠偏； 3)研究刀盘驱动鲁棒自适应控制，实现刀盘载荷突变功率实时匹配。

3.3 掘进运行参数数据挖掘与云计算

100台隧道掘进机每5年能够产生32 000亿条数据，由于定义不统一、数据源不规范以及分布不透明等原因，再加上缺乏处理技术与评估手段，这些闲置的多源海量数据并不能够得到充分利用，因此，开发隧道掘进机大数据处理平台(见图5)和云计算平台，实现多源数据的采集、传输和挖掘是十分必要的。为了实现掘进机实时信息和历史数据的融合分析和挖掘，首先需要收集工程数据，对多种信息标准化与格式化以及构建数据模型和多层级标准数据仓库，然后选择合适的开源软件，建立掘进机大数据处理和云计算平台，最终实现掘进数据远程传输、信息安全与海量数据递归挖掘。

图5 隧道掘进机大数据处理平台Fig. 5 Big data processing platform of TBM

3.4 基于人工智能的掘进参数自学习理论

长期以来，对隧道掘进机的海量多源数据一直缺乏有效的优化和决策手段，掘进机的掘进参数完全依靠人为经验，对这些数据进行大数据分析处理，实现掘进参数的智能优化和决策是岩机状态信息感知、融合与识别的基本命题。首先，需要设定隧道工程常用的不同地质条件，增加载荷参数作为中间桥梁，基于深度学习和数据挖掘建立不同地质条件下岩机状态与掘进主控参量之间的映射关系模型(见图6)，通过研究机器参数在线辨识理论和掘进参数约束条件与代价函数在线计算方法，实现控制参数的在线最优匹配以及决策参数的多目标动态规划，解决隧道掘进机一旦遭遇不良地质，难以及时科学决策，易造成严重事故的瓶颈问题。

3.5 多系统协调智能化控制方法

隧道掘进机是一个多系统耦合的复杂系统，系统之间作用机制复杂，整机工作性能指标不能够充分发挥，这些都对装备子系统间的任务智能规划与协调提出了极大的挑战。为了实现掘进机的无人值守和智能化运作，需要研究掘进过程中的不确定干扰以及未建模动态，建立系统间耦合作业模型，结合机器自学习算法，基于多目标动态优化决策模块中的最优掘进参数和最优支护方案实现全过程的协调控制，最终建立高效安全掘进的多系统协调控制与决策优化专家系统。隧道掘进机多目标优化模型如图7所示。

图6 岩机状态与掘进主控参量之间的映射关系模型Fig. 6 Correlation model

图7 隧道掘进机多目标优化模型Fig. 7 Multi-objective optimization model of TBM

4 总结展望

国家的相关政策、巨大的社会需求以及人工智能技术的进步都在快速推动着全断面隧道掘进装备的智能化发展。打破传统隧道掘进模式，突破掘进效率和寿命瓶颈，实现隧道掘进装备的长距离、智能化、无人值守、安全快速掘进是掘进装备智能化的目标，而实现掘进状态感知识别、掘进参数工况自适应动态调控掘进参数数据挖掘计算、掘进参数的智能优化和决策以及多系统协调智能化控制是全断面隧道掘进装备智能化的核心问题。对隧道掘进装备最新技术成果与人工智能相结合的探索才刚刚开始，其前景必然无限广阔。