CN110674980A - 工程船实时波浪预测方法 - Google Patents

Abstract

工程船实时波浪预测方法，其特征在于，(1)在挖泥船设置船载波浪传感器监测施工水域当前波浪的波高和周期；(2)在挖泥船设置设置船载视频传感器，定时捕捉施工过程时间序列的海面图像，预处理；(3)建立波浪场的神经网络预测模型；(4)实时向给神经网络模型输入预测施工作业区水域图像对应的标记了波向信息的数字化图像序列，输出预测下一波浪的波高、周期数值；(5)以船载姿态传感器监测船体当前的船体运动数据；(6)利用船体运动模型计算获得下一时间点t+1时刻的船体运动姿态；根据疏浚设备受船体运动影响，优化疏浚设备下放深度等施工参数。

Description

工程船实时波浪预测方法

技术领域

本发明涉及疏浚施工领域。

背景技术

目前传统的自航耙吸挖泥船的施工过程为，首先挖泥船航行至作业区，然后驾驶员控制好船速(一般将航速降低至约2～3节)，根据当前水深情况确定疏浚设备下放的目标水深，并下放耙头，开启泥泵，在耙头下放至目标深度后，开始疏浚施工。

由于挖泥船在水中施工中，耙头设备是通过钢缆与船体软性连接，因此在当前施工水域的波高、周期等条件的显著作用下，船体会产生升降、晃动，从而使与船身相连接的疏浚设备的相对位置发生变化，影响疏浚的效率和安全。

在当前的疏浚施工中，为了减小上述波浪造成的影响，挖泥船疏浚设备操作员一般是根据施工经验，结合作业区水深、气象等条件，预设疏浚设备的下放水深，并通过设置被动波浪补偿器对波浪的影响进行补偿。由于补偿器的行程、补油压力等参数都是根据经验预估设定的，因此与实际情况存在一定的偏差，并且在波浪作用显著区域进行疏浚施工时，存在明显的反馈滞后问题，不能有效的对突发的涌浪引起的船体升沉进行及时反应及合理的补偿，因此，对疏浚精度和施工效率的影响非常大。

发明内容

本发明针对上述疏浚施工中存在的问题，提出一种在疏浚施工中进行同步实时波浪测量，并根据波浪测量数据对挖泥船受波浪作用产生的升沉量进行计算，以及对疏浚设备下放深度的及时调整和主动补偿，从而提高疏浚设备水下下放精度，提高疏浚效率。

为了实现通过对疏浚挖泥船在波浪作用下船体运动的预测，从而提高疏浚设备施工精度及效率的目的，本发明采用以下技术方案实现：

疏浚船实时波浪预测方法，其特征在于,

1)在挖泥船设置船载波浪传感器对施工水域波浪条件的同步监测，用于监测施工水域当前波浪的波高H和周期T，作为神经网络输入的一部分提供给步骤3)为步骤3)提供预测模型的响应部分；

2)设置船载视频传感器，监测施工水域范围内的海面波浪情况，定时捕捉施工过程时间序列的海面图像，预处理，作标签，为步骤3)提供训练样本集。

(3)利用现有神经网络技术，通过实测数据开展学习训练，建立波浪场的预测模型。

(4)以船载波浪传感器监测位置的拍摄图像作为输入矩阵，以传感器测得的波高值作为目标值，利用步骤(3)驯化后的映射矩阵

预测施工作业区水域未来的波浪条件，提高识别水面波高特征的精确度。

即：实时向给神经网络模型输入预测施工作业区水域图像对应的标记了波向信息的数字化图像序列，因为每个像素点在时间序列里面组成一个向量，整个过程，也就是所有像素点的信息组成完整的输入矩阵，输出预测下一波浪的波高、周期数值H’、T’，提供给步骤(6)。

(5)以船载姿态传感器监测船体当前的船体运动数据，提供给步骤(6)。

(6)以步骤(4)波浪预测的波高H’及周期数值T’，和步骤(5)得到的船体当前的船体运动数据，利用现有的CFD软件Fluent建立的船体运动模型计算获得下一时间点t+1时刻的船体运动姿态，得到随船体运动的疏浚设备在垂向空间的绝对运动值Δz，提供给步骤(7)。

(7)读取下一时间点t施工水域的水深值D，潮位站播报的潮位值Wl，根据步骤(6)得到的Δz，计算下一时间点的疏浚设备深度S＝D+Wl-Δz。

(8)根据步骤(7)计算结果，根据疏浚设备受船体运动影响，优化疏浚设备下放深度等施工参数。

本发明对施工过程中的施工局部海域进行分析，通过得到的实时分析数据，优化疏浚设备下放深度等施工参数，提高施工效率。

附图说明

图1本发明系统

图2本发明方法过程图

图3波向检测算法原理图

图4多层神经网络示意图

图5神经网络算法过程

具体实施方式

结合附图对本发明技术方案做进一步说明。

本发明方法，如图1、图2所示。

1)在挖泥船设置船载波浪传感器(声学传感器)对施工水域波浪条件的同步监测，用于监测施工水域当前波浪的波高H和周期T，作为神经网络输入的一部分提供给步骤3)为步骤3)提供预测模型的响应部分；

2)设置船载视频传感器(视频传感器)，监测施工水域周边十数km范围内的海面波浪情况，定时捕捉施工过程时间序列的海面图像，预处理，作标签，为步骤3)提供训练样本集。具体步骤为：

利用船载视频传感器监测挖泥船作业水域的海面波浪情况，得到随施工过程时间序列的像素图片；对时间序列像素图片进行预处理，对明暗的特征像素进行数字化；运用波向检测算法对明暗的特征像素进行图像信息分析，得到对应的波向信息，并以该波向信息对图像序列的特征像素进行标签，形成了标记有波向信息的数字化图像序列，提供给步骤(3)。

如图3所示：

S2.1视频单帧图像采集，进行图像数字化：

具体来说，就是把一幅图画分割成一个个小区域(像元或像素)，并将各小区域灰度用整数来表示，形成一幅数字图像。它包括扫描、采样、量化三个过程。小区域的位置和灰度就是像素的属性。

扫描-对一幅图像内给定位置的寻址把图像划分为矩形网格，即光栅扫描的最小单元为像素。

采样-在一幅图像的每个像素位置上测量灰度值传感元件将光亮度转化为电压值对图像信号的定义域离散化。数字化采样一般是按正方形点阵取样的，除此之外还有三角形点阵、正六角形点阵取样。

量化-将测量的灰度值用整数表示通过模数转化器实现对图像信号的值域离散化。设连续图像f(x,y)经数字化后，可以用一个离散量组成的矩阵g(i,j)(即二维数组)来表示。

由于g(i,j)代表该点图像的光强度，而光是能量的一种形式，故g(i,j)必须大于零，且为有限值，即：0＜g(i,j)＜∞。

以上是用g(i,j)的数值来表示位置点(i,j)上灰度级值的大小，即只反映了黑白灰度的关系，如果是一幅彩色图像，各点的数值还应当反映色彩的变化，可用g(i,j,λ)表示，其中λ是波长。

最终，本发明运动的连续彩色图像，则还应是时间t的函数，即可表示为g(i,j,λ,t)，提供给S2.2。

S2.2图像信息数字化、检测波向

S2.2.1定向切面预处理：对上述获得的单帧数字化的时间序列图像g(i,j,λ,t)，从一帧图像内沿某一取向截取线条状图像切片，再对后续的连续相邻帧在相同位置处用同样方式截取线条状图像切片；

S2.2.2获得时栈图像：依据图像原先的时间序列过程进行图像切片堆叠，形成时栈图像，逐个进行步骤S2.2.3操作；

S2.2.3图像投影变换：对时栈图像投影变换，具体可应用Radon变换方式来实现；

S2.2.4获得波浪速度、方向：即获得单帧图像波浪的模糊前进方向；

S2.2.5依据波浪在海面传播时波峰和波谷具有的纹理特征,应用分水岭变换对波谷形态判断后检测出与波峰波谷带垂直的方向(即为180°的波浪传播方向)；根据时栈序列，逐个提供给步骤S2.2.6；

S2.2.6再结合时栈序列，去除方向模糊，获得确定的波浪传播方向，最终获得标有波向信息的数字化图像序列，作为样本x提供给步骤3用于训练或者在监测位置对拍摄图像作为预测对象前的预处理。

所述分水岭变换分割算法,把图像看成一幅“地形图”，其中亮度比较强的区域像素值较大，而比较暗的区域像素值较小，通过寻找“汇水盆地”和“分水岭界限”，对图像进行分割。直接应用分水岭变换分割算法的效果往往并不好，如果在图像中对前景对象和背景对象进行标注区别，再应用分水岭算法会取得较好的分割效果。

(3)利用现有神经网络技术，通过实测数据开展学习训练，建立波浪场的预测模型。

一方面，搭建深度学习多层神经网络(Multi-layer Perceptron Model)，该网络模型包括样本输入层、若干隐藏层、输出层，设置多个隐藏层，建立多层预测模型

其中，l为当前层的序数，若l层有n个神经元，k为当前节点，则

是当前节点神经元的权重系数，

是l-1层在节点k的激活，f是每层的输出函数，N_l-1是连接层数，

是隐藏层的偏差值，

是l层第n个神经元的输出值。

如图4所示，

a、y分别是神经网络的输入、输出向量，神经元用节点表示，网络由输入层、隐层和输出层节点组成，隐层可一层，也可多层，前层至后层节点通过权联接。网络不仅含有输入节点和输出节点，而且含有一个或多个隐层。输入信号先向前传递到隐层节点，经过作用后，再把隐层节点的输出信息传递到输出节点，最后输出结果。

第二方面，利用多层预测神经网络算法建立映射矩阵

网络训练的输出值是y，实测值是

所谓映射矩阵，即将前一层每个单元的信号传递至下一层各个单元中的转换系数(或者理解成权重系数)组成的矩阵，针对每一层每个单元都有一个转换系数，可以将系数变成矩阵的表达式，有利于对于神经网络信息传递的直观理解。

所述的预测网络算法为(如图5所示)：

先给定一组输入样本，其中神经网络的输入端为x，即样本特征参数的集合，

则为对应的神经网络输出端；输入样本从网络的输入端经过n个隐藏层逐层进行处理，每个隐藏层节点的输出为

信号逐层传递至输出端，每一层中的神经元只受上一层神经元的影响，直至最后一层，输出层每个节点的输出为

输出层的正向计算结果与相应的输出端进行对比，如果精度不能满足设计者的初始设定，则将进行误差的反向传递过程；

根据损失函数反向传播偏差

对于每一个l＝L,L-1,…,2，b^l＝((w^l+1)^Tb^l+1)·f′(a^l)，根据反向逐层传递的误差，调整整个网络中映射矩阵的权值和阈值，反复迭代计算，直至网络的预测输出y逼近实测

则认为该网络达到了训练目标。

第三方面，神经网络预测的实质就是寻找最优的映射矩阵参数，即权重矩阵w和偏差矩阵b，使网络最终的输出值与实测的波高H、周期T最为接近，为了量化这些指标，则一般定义损失函数为：

式中：w是权重矩阵；b是所有偏差的集合；m是输入的训练样本数；a_n是输出向量(其值依赖x，w，b)；x是训练图像的信息，即样本；||||是表示向量的范数，即向量的长度；C损失函数，当C接近于0则表示网络的学习效果越好。

后一层的二次损失函数为：

其中，C是损失量矩阵；m是输入的训练样本数；

是标签值列向量即实测输出值；a^L是最后一层激活列向量。

第四方面，训练样本时，以步骤2.3)中标记了波向信息的数字化图像序列作为神经网络训练数据的模型输入信息；采用步骤1)中波浪传感器对当前水域监测波浪的波高、周期数值H、T作为步骤(3)神经网络训练输出响应；运用神经网络预测模型进行强化学习训练。强化学习训练中，使损失函数L的值最小化，从而得到映射矩阵

的最优参数，该映射矩阵最优参数即神经网络传递过程中的权重系数。

所述强化学习训练是，提供输入数据，根据模型判别的结果，给出正确答案，以此来训练模型的一个过程；该过程应用于本发明，船载波浪传感器能够测到挖泥船当前小区域水域的波高，以视频图像中对应于该小区域的图像作为输入，以当前波浪传感器测得的波高值作为正确答案，对神经网络进行训练，优化网络的映射矩阵。

(4)以船载波浪传感器监测位置的拍摄图像作为输入矩阵，以传感器测得的波高值作为目标值，利用步骤(3)驯化后的映射矩阵预测施工作业区水域未来的波浪条件，提高识别水面波高特征的精确度。

即：实时向给神经网络模型输入预测施工作业区水域图像对应的标记了波向信息的数字化图像序列，因为每个像素点在时间序列里面组成一个向量，整个过程，也就是所有像素点的信息组成完整的输入矩阵，输出预测下一波浪的波高、周期数值H’、T’，提供给步骤(6)。

(5)以船载姿态传感器监测船体当前的船体运动数据，提供给步骤(6)。

(6)以步骤(4)波浪预测的波高H’及周期数值T’，和步骤(5)得到的船体当前的船体运动数据，利用现有的CFD软件Fluent建立的船体运动模型计算获得下一时间点t+1时刻的船体运动姿态，得到随船体运动的疏浚设备在垂向空间的绝对运动值Δz，提供给步骤(7)。

(7)读取下一时间点t施工水域的水深值D，潮位站播报的潮位值Wl，根据步骤(6)得到的Δz，计算下一时间点的疏浚设备深度S＝D+Wl-Δz。

(8)根据步骤(7)计算结果，根据疏浚设备受船体运动影响，优化疏浚设备下放深度等施工参数。

本发明对施工过程中的施工局部海域进行分析，通过得到的实时分析数据，优化疏浚设备下放深度等施工参数，提高施工效率。

Claims (7)

1.工程船实时波浪预测方法，其特征在于，包括如下步骤

(1)在挖泥船设置船载波浪传感器对施工水域波浪条件的同步监测，用于监测施工水域当前波浪的波高H和周期T，作为神经网络输入的一部分提供给步骤3)为步骤3)提供预测模型的响应部分；

(2)在挖泥船设置设置船载视频传感器，监测施工水域范围内的海面波浪情况，定时捕捉施工过程时间序列的海面图像，预处理，作标签，为步骤3)提供训练样本集；

(3)利用现有神经网络技术，通过实测数据开展学习训练，建立波浪场的预测模型；

(4)以船载波浪传感器监测位置的拍摄图像作为输入矩阵，以传感器测得的波高值作为目标值，实时向给神经网络模型输入预测施工作业区水域图像对应的标记了波向信息的数字化图像序列，输出预测下一波浪的波高、周期数值H’、T’，提供给步骤(6)；

(5)以船载姿态传感器监测船体当前的船体运动数据，提供给步骤(6)；

(6)以步骤(4)波浪预测的波高H’及周期数值T’，和步骤(5)得到的船体当前运动数据，利用现有的CFD软件Fluent建立的船体运动模型计算获得下一时间点t+1时刻的船体运动姿态，得到随船体运动的疏浚设备在垂向空间的绝对运动值Δz，提供给步骤(7)。

(7)读取下一时间点t施工水域的水深值D，潮位站播报的潮位值Wl，根据步骤(6)得到的Δz，计算下一时间点的疏浚设备深度S＝D+Wl-Δz。

(8)根据步骤(7)计算结果，根据疏浚设备受船体运动影响，确定疏浚设备下放深度施工参数。

2.如权利要求1所述的方法，其特征在于，所述步骤2：利用船载视频传感器监测挖泥船作业水域的海面波浪情况，得到随施工过程时间序列的像素图片；对时间序列像素图片进行预处理，对明暗的特征像素进行数字化；运用波向检测算法对明暗的特征像素进行图像信息分析，得到对应的波向信息，并以该波向信息对图像序列的特征像素进行标签，形成了标记有波向信息的数字化图像序列，提供给步骤(3)。

3.如权利要求2所述的方法，其特征在于，具体为

S2.1 视频单帧图像采集，进行图像数字化

把一幅图画分割成一个个小区域(像元或像素)，并将各小区域灰度用整数来表示，形成一幅数字图像，它包括扫描、采样、量化三个过程；

扫描—对一幅图像内给定位置的寻址把图像划分为矩形网格，即光栅扫描的最小单元为像素；

采样—在一幅图像的每个像素位置上测量灰度值传感元件将光亮度转化为电压值对图像信号的定义域离散化；

量化—将测量的灰度值用整数表示通过模数转化器实现对图像信号的值域离散化；设连续图像f(x,y)经数字化后，用一个离散量组成的矩阵g(i,j)来表示，

运动的连续彩色图像，是时间t的函数，表示为g(i,j,λ,t)，提供给S2.2；

S2.2 图像信息数字化、检测波向

S2.2.1 定向切面预处理：对上述获得的单帧数字化的时间序列图像g(i,j,λ,t)，从一帧图像内沿某一取向截取线条状图像切片，再对后续的连续相邻帧在相同位置处用同样方式截取线条状图像切片；

S2.2.2 获得时栈图像：依据图像原先的时间序列过程进行图像切片堆叠，形成时栈图像，逐个进行步骤S2.2.3操作；

S2.2.3 图像投影变换：对时栈图像投影变换，具体应用Radon变换方式来实现；

S2.2.4 获得波浪速度、方向：即获得单帧图像波浪的模糊前进方向；

S2.2.5 依据波浪在海面传播时波峰和波谷具有的纹理特征,应用分水岭变换对波谷形态判断后检测出与波峰波谷带垂直的方向；根据时栈序列，逐个提供给步骤S2.2.6；

S2.2.6 再结合时栈序列，去除方向模糊，获得确定的波浪传播方向，最终获得标有波向信息的数字化图像序列，作为样本x提供给步骤3用于训练或者在监测位置对拍摄图像作为预测对象前的预处理。

4.如权利要求1所述的方法，其特征在于，搭建深度学习多层神经网络(Multi-layerPerceptron Model)，该网络模型包括样本输入层、若干隐藏层、输出层，设置多个隐藏层，建立多层预测模型

其中，l为当前层的序数，若l层有n个神经元，k为当前节点，则

是当前节点神经元的权重系数，

是l-1层在节点k的激活，f是每层的输出函数，N_l-1是连接层数，

是隐藏层的偏差值，

是l层第n个神经元的输出值。

5.如权利要求4所述的方法，其特征在于，利用多层预测神经网络算法建立映射矩阵

网络训练的输出值是y，实测值是

所谓映射矩阵，即将前一层每个单元的信号传递至下一层各个单元中的转换系数组成的矩阵，针对每一层每个单元都有一个转换系数，将系数变成矩阵的表达式。

6.如权利要求5所述的方法，其特征在于，所述的预测网络算法为：先给定一组输入样本，其中神经网络的输入端为x，即样本特征参数的集合，

则为对应的神经网络输出端；输入样本从网络的输入端经过n个隐藏层逐层进行处理，每个隐藏层节点的输出为

信号逐层传递至输出端，每一层中的神经元只受上一层神经元的影响，直至最后一层，输出层每个节点的输出为

输出层的正向计算结果与相应的输出端进行对比，如果精度不能满足设计者的初始设定，则将进行误差的反向传递过程；

根据损失函数反向传播偏差

对于每一个l＝L,L-1,…,2，b^l＝((w^l+1)^Tb^l+1)·f′(a^l)，根据反向逐层传递的误差，调整整个网络中映射矩阵的权值和阈值，反复迭代计算，直至网络的预测输出y逼近实测

则认为该网络达到了训练目标。

7.如权利要求1所述的方法，其特征在于，所述神经网络预测寻找最优的映射矩阵参数，即权重矩阵w和偏差矩阵b，使网络最终的输出值与实测的波高H、周期T最为接近，为了量化这些指标，定义损失函数为：

式中：w是权重矩阵；b是所有偏差的集合；m是输入的训练样本数；a_n是输出向量(其值依赖x，w，b)；x是训练图像的信息，即样本；||||是表示向量的范数，即向量的长度；C损失函数，当C接近于0则表示网络的学习效果越好；

后一层的二次损失函数为：

其中，C是损失量矩阵；m是输入的训练样本数；

是标签值列向量即实测输出值；a^L是最后一层激活列向量。

Images