《Engineering Applications of Artificial Intelligence》：Intelligent pose correction of shield machines via an integrated convolutional long short-term memory Kolmogorov-Arnold network and model reference adaptive control
编辑推荐：
盾构机姿态纠偏智能框架研究提出融合数据去噪、可解释预测与自适应控制的方法，通过CL-KAN模型提升预测精度（RMSE≤1.68mm，R2≥0.90），结合CA-PIA分析优化MRAC参数，实现±7mm内动态纠偏，有效解决复杂地质条件下的姿态偏差问题。
李向宇|刘轩宇|王立民|王玉东|张赫|黄月阳|卢俊志
辽宁石油化工大学信息与控制工程学院，中国辽宁省抚顺市，113001
摘要
在地下隧道施工中，需要使用土压平衡盾构机按照设计的路线前进。然而，复杂的地质条件和设备相关干扰常常导致偏差，这可能会影响施工质量。本研究提出了一个集成智能姿态校正框架，该框架将姿态预测与自适应控制相结合。首先，通过皮尔逊相关性分析选择关键输入变量，并使用混合完全集合经验模态分解与自适应噪声小波变换方法进行去噪。然后基于卷积长短期记忆Kolmogorov-Arnold网络（CL-KAN）开发了一个姿态预测模型，该模型用KAN层替换了卷积神经网络-长短期记忆（CNN-LSTM）的全连接层，以增强非线性特征表示能力。实验结果表明，CL-KAN模型具有较高的预测精度，垂直偏差的均方根误差范围为0.88至1.68毫米，关键姿态参数的决定系数范围为0.90至0.97。与基线CNN-LSTM相比，CL-KAN模型将均方根误差降低了12.3-18.6%，同时所需的可训练参数也更少。为了连接预测和控制，采用了一种基于上下文的扰动重要性分析（CA-PIA）方法来识别有影响力的控制特征，这些特征随后指导模型参考自适应控制（MRAC）策略的参数优化。在复杂工作条件下的现场验证表明，所提出的框架能够将姿态偏差控制在±7毫米以内，显示出基于人工智能技术的隧道工程智能姿态校正的强大鲁棒性和实用性。
引言
由于高效性、安全性提升和环境影响减少，盾构法已成为建造地下基础设施（如地铁系统、高速公路和公用隧道）的主要方法，如图1所示（Huang等人，2022；Chen和Chiu，2018；Shen等人，2022）。这项技术的核心在于精确控制盾构机遵循预先设计的路线。然而，由于地质条件的多样性、不可预测的环境因素以及固有的操作波动，保持这种精度具有挑战性。偏离预定路径的情况很常见，如果不及时纠正，可能会影响施工质量、增加成本并带来重大安全风险（Yang等人，2010；Wang等人，2018；Xie等人，2012）。
因此，在现代隧道工程中实现实时、准确和智能的盾构机姿态校正是一个关键挑战。传统的校正方法通常依赖于人工经验或简化的物理模型，难以处理过程的非线性和时变动态（Wang等人，2012；Yue和Guo，2014；Zhang和Ma，2018）。尽管最近在数据驱动的人工智能方面取得了进展，为预测偏差提供了有希望的工具（Wada等人，2021；Xiao等人，2022；Zhang等人，2021），但在将准确预测与强大的自适应控制策略无缝集成以形成闭环智能校正系统方面仍存在显著差距。
这一差距进一步体现在这样一个事实：虽然先进的自适应控制范式（例如MRAC）已在机器人技术和航空航天等领域成功应用，但尚未充分转化为适用于盾构机实时引导的技术。
为了解决这些差距，本文提出了一种新颖的闭环智能校正框架，该框架无缝集成了数据去噪、可解释预测和自适应控制。核心创新在于设计了一种协同工作流程，以克服现有“预测-建议”范式的局限性。具体来说，该框架首先引入了一种混合去噪方法，以稳健地预处理噪声隧道数据，为后续建模建立可靠的基础。在此基础上，开发了一种新型的可解释神经网络模型，以实现高精度的姿态偏差预测，并提供关键的运行洞察。最后，设计了一种自适应控制器，将这些可解释的预测动态转换为实时控制动作，从而形成一个智能的、自我调整的校正系统。这种集成方法旨在弥合预测和控制之间的现有差距，为自主盾构引导提供全面的解决方案。
从管理角度来看，所提出的智能校正框架为隧道建设项目提供了可操作的洞察。通过将准确的偏差预测与自适应控制相结合，项目经理可以实时决策，优化推进力分配，减少施工延误，并将隧道对准保持在严格的公差范围内。这种方法提高了运营效率，改善了资源利用，并减轻了与地质不确定性相关的风险，从而支持在盾构操作中做出更加明智和主动的决策。
本文的其余部分组织如下。第2节回顾了关于盾构机姿态预测、智能控制策略和混合深度学习方法的文献，指出了现有方法的局限性。第3节介绍了整体预测和控制方案，包括基于CL-KAN的预测模型设计、CA-PIA以及考虑李雅普诺夫稳定性的MRAC策略。第4节详细介绍了预测模型的构建过程，涵盖了目标和输入参数选择、数据去噪、混合深度学习模型实现、模型可解释性以及控制策略设计。第5节使用真实的盾构隧道数据进行了全面案例分析，包括数据预处理、预测性能评估、消融研究、不确定性分析、可解释性验证和控制策略评估。最后，第6节总结了本文并讨论了未来的研究方向。
部分摘录
传统基于模型的控制方法
传统的盾构机姿态校正方法主要依赖于人工经验、简化的物理模型或基于规则的控制策略。这种方法侧重于根据实时姿态反馈建立控制律。代表性的研究包括：1）推进系统设计与同步：Yang等人（2010）提出了一种带有同步控制策略的推进液压系统，用于协调姿态和运动控制。Wang等人（2018）开发了
预测和控制方案设计
为应对盾构机操作过程中可能偏离设计轴线的现象，本研究提出了一种智能姿态校正方案，该方案结合了预测模型和MRAC控制策略来动态调整盾构机的姿态。本文提出的解决方案分为两个主要部分：首先是智能预测模型的构建和可解释性分析，涉及构建CL-KAN网络
目标参数选择
为了全面描述土压平衡盾构机（EPB）的操作姿态，本研究选择了六个参数：EPB前端和后端的垂直和水平偏差，以及偏航角和俯仰角，如图3所示。其中，垂直和水平偏差反映了EPB的平移位移，而偏航角和俯仰角描述了其旋转状态。这些姿态参数共同
项目概述和数据描述
本文使用的数据来自北京地铁10号线。该地层主要由粉质粘土、粉砂、卵石和细砂组成，具有复杂且不均匀的土壤特性。由于这些地质条件的变化，盾构机在推进过程中可能会遇到不同程度的阻力，导致前端和后端或左右端的位置和方向偏差，进而影响施工精度和结构
研究结果
本研究提出了一个集成框架，结合了数据清洗、智能预测和精确控制，用于校正盾构施工轴线。在数据预处理阶段，采用了结合皮尔逊相关性和HD-CWT去噪的混合数据清洗策略，将监测数据的信噪比提高到92.4%，为后续建模和控制提供了可靠的基础。CL-KAN混合预测模型有效捕获了
CRediT作者贡献声明
李向宇：撰写——原始草稿。刘轩宇：撰写——审阅与编辑。王立民：可视化。王玉东：数据整理。张赫：可视化。黄月阳：撰写——审阅与编辑。卢俊志：可视化。
利益冲突声明
作者声明他们没有已知的可能会影响本文所报告工作的竞争性财务利益或个人关系。
致谢
本工作得到了辽东大学人才引进项目（项目编号：2025rcyj1005）、辽宁省教育厅的基础科学研究计划（项目编号：LJKMZ20220730）、辽宁省教育厅项目（项目编号：JYTMS20231447）以及国家自然科学基金（项目编号：62163012）的支持。
