用于TBM隧道施工中实时多任务预测的灵活专家混合框架

《AUTOMATION IN CONSTRUCTION》：Flexible mixture-of-experts framework for real-time multi-task prediction in TBM tunnelling

针对隧道掘进机（TBM）多参数耦合、实时预测需求高及任务输出复杂的问题，提出基于灵活混合专家架构（FlexT-MoE）的多任务预测框架。通过共享编码器提取跨任务不变特征，动态调度专家网络处理不同任务复杂度，结合自适应任务平衡损失函数缓解梯度竞争。实验表明，模型平均R2超过93%，参数量减少74.56%，任务不平衡率降低41.51%，并通过可解释性分析验证了地质变化和历史参数状态对预测结果的影响，为复杂地质条件下的智能TBM控制提供决策支持。

　　

戴泽宇|芮毅|朱梦琪|姚丹生|尹梅|江楠|李晓军

摘要

隧道掘进机（TBM）的隧道施工涉及多参数耦合、实时需求和多任务输出。本文提出了一种基于灵活专家混合架构（FlexT-MoE）的多任务预测框架。该框架使用共享编码器提取不同领域中的任务无关的不变特征，并采用十个独立的门控网络动态调度主要和辅助专家，从而实现操作参数和姿态参数的同时预测。引入了一种自适应的任务平衡损失函数，以动态关注具有挑战性的任务，解决由于梯度竞争导致的性能不平衡问题。实验表明，所提出的模型平均R2值超过93%。与其他模型相比，任务不平衡率降低了41.51%，而可训练参数减少了74.56%。此外，可解释性方法揭示了地质变化和历史参数状态在确定最终预测输出中的重要性。这些发现为复杂地质条件下的TBM控制提供了决策支持参考。

引言

隧道掘进机（TBM）作为现代地下工程建设的核心设备，在运行过程中受到多种因素的影响，包括地质条件、设备状态和操作策略[1]。为了实现高效、安全和可控的隧道施工，工程实践中部署了大量实时传感器来持续监测推力、扭矩、位移和姿态等关键参数[2]。在隧道施工阶段，这些高维且强相关的时间序列数据不仅反映了TBM的当前运行状态，还包含了关于未来变化、施工风险和地质扰动的潜在信息。理解关键TBM参数之间的相互关系和规律性是操作人员的重要技能[3]。然而，面对每秒采样几次、维度达到数十甚至数百的多元时间序列数据，传统的仪器监测方法结合人工经验已经超出了人类操作者的认知能力。

传统的监测方法仅依赖于在3-5个关键参数曲线之间切换，对TBM的运行状态提供的洞察有限[4]。当遇到突然的地质变化或TBM姿态恶化时，异常通常会在5-10分钟后才被发现。到那时，切割头可能已经卡住或姿态超过了可接受的阈值，导致严重后果。为了防止这种情况，有必要系统地掌握TBM在任何给定时刻的运行状态和姿态。具体来说，在TBM的运行状态达到控制阈值之前，必须根据最新的状态信息调整操作参数[5]。然而，TBM的工作条件复杂且多变，不同参数之间存在显著的物理耦合关系。这就需要建立一个系统的方法，在统一的框架内快速理解和推断TBM操作的主要参数，以适应TBM隧道施工的动态特性。

目前，关于TBM智能控制的研究通常集中在开发单个参数的预测模型上。许多研究人员已经建立了与TBM操作任务相关的预测模型，如推力[6]、扭矩[7]、能耗[8]和推进速率[9]。这些研究为智能TBM控制引入了创新解决方案。然而，这些模型在实际工程项目中的应用仍面临几个挑战：（1）难以建模输出参数之间的协同关系。虽然模型通常能够有效描述输入参数和输出参数之间的非线性关系，但它们无法捕捉同一输入在多个输出任务中的共有特征。（2）任务复杂性不一致。大多数研究在不同预测任务中使用相同的模型结构或参数。然而，一些参数受到显著的地质扰动，表现出较高的波动性，而其他参数则显示出相对稳定的变化。对不同复杂性的任务使用相同的模型结构会导致任务之间的预测精度不平衡。（3）模型之间缺乏有效的通信或特征共享。每个预测任务的独立建模策略导致输出结果碎片化。在实际工程环境中，这种碎片化使得难以捕捉输出参数之间的相互依赖性或权衡，从而无法形成反映工程动态的高度耦合系统行为。由于TBM是集成多个子系统（如推进系统和切割系统）的复杂机械系统，这些挑战至关重要。参数调整不当会对设备运行和施工安全产生严重影响。传统方法往往难以同时解决这些问题：独立建模忽略了参数之间的物理联系，而统一模型则容易因任务冲突而导致性能下降。因此，开发一个能够灵活建模跨任务共享模式的框架，并允许任务自适应选择特定模型结构，已成为TBM多任务预测的关键要求。

基于TBM隧道施工中高效挖掘和轨迹精度的双重工程需求，选择了十个参数作为预测目标。具体来说，总推力、扭矩、旋转速度和推进速率被指定为四个操作参数，因为它们直接反映了切割头与岩体之间的相互作用，是隧道施工效率和能耗的主要指标。同时，还纳入了六个姿态参数。在复杂的地质条件下，这些姿态指标的实时预测对于减轻轨迹偏差和确保隧道对齐质量至关重要，为自主TBM控制提供了关键的决策支持基础。

本研究旨在构建一个灵活的专家混合预测框架，用于TBM隧道施工操作，称为灵活隧道专家混合框架（FlexT-MoE）。该框架旨在确保TBM操作领域的可靠性能。通过引入灵活的专家调度机制和任务自适应加权策略，所提出的方法克服了传统多任务学习方法在复杂工程数据场景中的局限性，为智能TBM控制提供了更有效和全面的技术支持。本文的其余部分结构如下：第2节回顾了最近的相关研究。第3节解释了本研究中涉及的数学问题和方法，包括各种模块、损失函数和可解释性技术。第4节使用真实的TBM隧道施工数据展示了所提出框架的实现细节。第5节讨论了不同模块和损失函数对模型性能的影响，并将该框架与当前最先进（SOTA）方法进行了比较。最后，第6节总结了本研究的关键结论。

部分摘录

相关工作

全面了解TBM的运行状态至关重要。在TBM运行过程中，捕捉关键操作参数和姿态参数的趋势可以及早避免严重超出限值的情景。本文重点关注预测TBM的关键操作参数和姿态，回顾了该领域的最新进展以及专家混合（MoE）架构的最新发展。

方法论

本节详细阐述了所提出框架的理论基础和架构细节，包括数学问题定义、用于领域不变时空特征提取的共享编码器、MoE结构以及自适应任务平衡损失函数。这些模块协同工作，以实现隧道和姿态参数的同时准确预测，同时保持专家任务关系的可解释性。

数字实验

为了验证所提出方法的有效性和鲁棒性，使用真实工程数据进行了全面的数字实验。本节概述了案例研究（内蒙古的一个主要输水项目），并描述了通过TBM的PLC系统收集的多源数据集。进一步详细介绍了数据预处理流程、实验设置和评估指标。最后，介绍了用于消融研究的模型配置

讨论

为了研究所提出模型中引入的MoE架构和损失函数的有效性，设计了消融实验和比较研究，以进一步揭示每个结构组件对准确预测的贡献。此外，还利用可解释性模型定量评估输入特征相对于预测任务输出的重要性，为TBM施工的安全运行提供了有价值的指导

结论

为了解决TBM隧道施工过程中的系统参数预测挑战，本文提出了一种包含MoE架构的参数预测模型，称为FlexT-MoE。基于真实TBM隧道施工数据，进行了消融实验和比较研究，以验证所提出方法对准确输出的贡献，同时利用可解释性模型量化了模型中关键参数的重要性。

?对于多时间步骤，

CRediT作者贡献声明

戴泽宇：撰写——原始草稿、软件、方法论、概念化。芮毅：撰写——审阅与编辑、资源获取。朱梦琪：资金获取、形式分析、数据管理。姚丹生：软件、调查、数据管理。尹梅：撰写——审阅与编辑、验证、监督、软件。江楠：可视化、资源、项目管理、数据管理。李晓军：撰写——审阅与编辑、验证、监督。

资助

本项工作得到了“国家‘十四五’计划重点研发计划（2024YFF0507900 和 2023YFC3009400）”、“国家自然科学基金（52378406 和 52408437）”、“上海市促进高质量发展专项资金（2025-GZL-RGZN-01040）”、“上海市住房和城乡建设委员会（2024-Z02-001-3）”以及“中国博士后科学基金（2025M773306）”的支持。

利益冲突声明

作者声明他们没有已知的可能影响本文报告工作的竞争性财务利益或个人关系。

致谢

我们感谢朱卓博士在初步文献研究方面的帮助。