CN110795891B - 一种耙吸式挖泥船操作参数的学习方法 - Google Patents
一种耙吸式挖泥船操作参数的学习方法 Download PDFInfo
- Publication number
- CN110795891B CN110795891B CN201910995968.5A CN201910995968A CN110795891B CN 110795891 B CN110795891 B CN 110795891B CN 201910995968 A CN201910995968 A CN 201910995968A CN 110795891 B CN110795891 B CN 110795891B
- Authority
- CN
- China
- Prior art keywords
- validation
- model
- representing
- valid data
- train
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000000203 mixture Substances 0.000 claims abstract description 99
- 238000002790 cross-validation Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000010200 validation analysis Methods 0.000 claims description 53
- 238000005259 measurement Methods 0.000 claims description 41
- 210000005036 nerve Anatomy 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000013461 design Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种耙吸式挖泥船操作参数的学习方法。其技术方案是:将m个有效数据组随机分为训练集、交叉验证集和测试集,建立4~8个多层感知器模型,通过调整5个超参数得到训练集的所有多层感知器模型的损失函数,在交叉验证集的所有多层感知器模型的损失函数中选择损失函数最小的模型为最优模型,即隐式模型;通过隐式模型和回归模型建立输入和输出的显式模型,采用蚁群算法解决产量率的期望值c1和混合物密度的期望值c2的多目标优化问题,得到最优参数组合。本发明的模型稳定性好、准确性高和通用性强,在满足给定产量率的期望值c1和混合物密度的期望值c2的条件下能实现最优参数组合。
Description
技术领域
本发明属于挖泥船操作参数学习的技术领域。具体涉及一种耙吸式挖泥船操作参数的学习方法。
背景技术
耙吸式挖泥船的主要任务是在航行时从海底或河床挖掘沉积物,并将其运输至指定区域,耙吸式挖泥船的机动性和效率使耙吸式挖泥船成为大型土地复垦项目不可或缺的机器,提高耙吸式挖泥船疏浚效率和减少操作人员的工作量成为当前研究的热点问题。
Braaksma等人(J.Braaksma,J.B.Klaassens,R.Babuska and C.Keizer.Modelpredictive control for optimizing the over dredging performance of a trailingsuction hopper dredger.Proceedings ofthe Eighteenth World Dredging Congress,pp.1263-1274,2007.)致力于通过模型控制的策略优化疏浚操作,这种建模方法模型复杂,参数多,并且受到不确定性因素的影响。
Li等人(W.Li,F.LinandS.Zhang.ProductionmodeldesignandoptimizationofTSHD based on genetic algorithm.International Conference on ComputationalProblem-Solving,pp.496-498,Oct.2011.)提供了一种数据驱动的模型和优化方法,采用快速级联相关算法构建人工神经网络;最近,Li等人(W.Li,Z.Su and G.Hong.Optimaldesign and applied research of a trailing suction hopper dredger loadingsystem.International Conference on Computer Science and Network Technology,pp.59-62,Oct.2017.)又采用图式搜索和遗传算法求解最优控制参数,得出疏浚效率的最优控制策略。Li等人研究的模型稳定性不够和准确性不高,主要的研究集中在可控参数与产量率之间的模型上,这虽有助于用给定的参数预测产量率,但不能在满足产量率的情况下给出操作参数的最优组合。Braaksma等人和Li等人所作的研究并不能为类似的工程提供具备通用性的方法。
发明内容
本发明旨在克服现有技术缺陷,目的是提供一种模型稳定性好、准确性高和通用性强的耙吸式挖泥船操作参数的学习方法。该学习方法在满足给定产量率的期望值c1和混合物密度的期望值c2的条件下能实现最优参数组合。
为了完成上述任务,本发明采用的技术方案的具体步骤是:
步骤1、根据耙吸式挖泥船操作人员给出的耙吸式挖泥船的n个原始数据组,n为≥1000的自然数。确定每个原始数据组中的特征数据和量测数据,特征数据为对地航速v、补偿器压力F、主动耙头角度θh和下耙管垂直角度θver四种参数,量测数据为混合物密度ρ和混合物流速Q两种参数。
步骤2、剔除所述原始数据组中混合物密度ρ<1.025的数据组,得到混合物密度ρ≥1.025的m个有效数据组,m为≤n的自然数。每个有效数据组包含特征有效数据x和量测有效数据y,由m个特征有效数据x构成的数据集称为特征有效数据集X,由m个量测有效数据y构成的数据集称为量测有效数据集Y。
步骤3、将m个有效数据组随机分成训练集、交叉验证集和测试集,训练集、交叉验证集和测试集占m个有效数据组的百分量依次为60%、20%和20%,Xtrain、Xvalidation和Xtest依次表示训练集中的特征有效数据集、交叉验证集中的特征有效数据集和测试集中的特征有效数据集,Ytrain、Yvalidation和Ytest依次表示训练集中的量测有效数据集、交叉验证集中的量测有效数据集和测试集中的量测有效数据集。
步骤4、建立4~8个多层感知器模型,每个多层感知器模型的网络结构均由输入层、隐藏层和输出层构成,每个多层感知器模型均含有5种超参数:隐藏层层数、每层隐藏层的单元数、学习率、激活函数的类型和迭代次数。
步骤5、向第j个多层感知器模型输入训练集的特征有效数据集Xtrain,通过调整所述5种超参数得到训练集的第j个多层感知器模型的损失函数Lj(Wj;Xtrain):
式(1)中:a表示训练集的有效数据组的个数,a为≤0.6m的自然数;
j表示第j个多层感知器模型,j为4~8的自然数;
Wj表示第j个多层感知器模型的权重,Wj是通过对第j个多层感知器模型的迭代优化得到;
Xtrain表示训练集中的特征有效数据集;
xtrain_i表示训练集中的第i个有效数据组的特征有效数据x;
ρtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物密度,t/m3;
Qtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物流速,m/s;
fi(Wj;xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物密度预测值,t/m3;
hi(Wj;xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物流速预测值,m/s;
i表示训练集中的量测有效数据集Ytrain的量测有效数据y的序数,i为1~0.6m的自然数。
利用自适应矩估计算法对训练集的第j个多层感知器模型的损失函数Lj(Wj;Xtrain)最小化。相应地,得到所有多层感知器模型最小化后的损失函数。
步骤6、向第j个多层感知器模型输入交叉验证集的特征有效数据集Xvalidation,得到交叉验证集的第j个多层感知器模型的损失函数Lj(Wj;Xvalidation):
式(2)中:b表示交叉验证集的有效数据组的个数,b为≤0.2m的自然数;
j表示第j个多层感知器模型,j为4~8的自然数;
Wj表示第j个多层感知器模型的权重,Wj是通过对第j个多层感知器模型的迭代优化得到;
Xvalidation表示交叉验证集中的特征有效数据集;
xvalidation_i表示交叉验证集中的第i个有效数据组的特征有效数据x;
ρvalidation_i表示交叉验证集中的量测有效数据集Yalidation的第i个量测有效数据y的混合物密度,t/m3;
Qvalidation_i表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物流速,m/s;
fi(Wj;xvalidation_i)表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物密度预测值,t/m3;
hi(Wj;xvalidation_i)表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效据y的混合物流速预测值,m/s;
i表示交叉验证集中的量测有效数据集Yvalidation的量测有效数据y的序数,i为1~0.2m的自然数。
相应地,得到交叉验证集的所有多层感知器模型的损失函数。在交叉验证集的所有多层感知器模型的损失函数中选择损失函数最小的模型为最优模型,最优模型即为特征有效数据集X和量测有效数据集Y的隐式模型。
步骤7、根据工程人员的先验知识,对地航速v、补偿器压力F、主动耙头角度θh和下耙管垂直角度θver四个参数依次划分数据范围,将划分的四个参数数据范围树状排列,随机选取100组参数组合,构成一个新数据集X′,将新数据集X′输入到隐式模型中,得到输出预测集Y′。在新数据集X′和输出预测集Y′上建立回归模型,得到新数据集X′和输出预测集Y′的显式模型,即得到混合物密度的显式关系和混合物流速的显式关系 表示对地航速v、补偿器压力F、主动耙头角度θh和下耙管垂直角度θver四个参数自变量。
r表示耙吸式挖泥船耙吸管的半径,0.6m;
ρwater表示耙吸式挖泥船所在处的水密度,1.025t/m3;
ρsoil表示耙吸式挖泥船所在处的水下土壤密度,1.93t/m3。
c1表示疏浚的产量率的期望值;
c2表示混合物密度的期望值。
从式(4)的优化数学模型得到帕累托前沿,由帕累托前沿给出的帕累托最优集得到最优参数组合。
所述最优模型:学习率为0.003,迭代次数为10000次,最优模型由输入层、输出层和隐藏层构成:输入层有4个神经单元,输出层有2个神经单元,隐藏层有5层;隐藏层的前4层有8个神经单元,隐藏层的最后一层有4个神经单元,隐藏层使用Relu函数作为激活函数。
由于采用上述技术方案,本发明与现有技术相比具有如下优点:
本发明采用深度学习的多层感知器模型进行预测,需要的参数少,并且多层感知器模型的网络结构受到不确定因素的影响较小,模型稳定性好。本发明的多层感知器模型结构简单,能替代复杂的模型结构,在给定特征有效数据的情况下能准确预测量测有效数据。
本发明针对多变量的病态逆问题,设计了回归模型,得到新数据集X′和预测值集Y′的显式模型,采用蚁群算法搜索可行的参数组合,以满足给定产量率的期望值c1和混合物密度的期望值c2的需求,实现了最优参数组合。本发明提出的数据处理方案只需将数据输入到多层感知器模型,通过训练得到理想的输出预测值,再利用回归模型建立输入数据和输出预测值的显式关系,在满足特定的输出值的情况下,采用蚁群算法得到需要的输入值,这对其他类似的工程应用也是可行的,通用性强。
因此,本发明具有模型稳定性好、准确性高和通用性强的特点。该发明在满足给定产量率的期望值c1和混合物密度的期望值c2的条件下能实现最优参数组合。
具体实施方式
下面结合具体实施方式对本发明作进一步描述,并非对其保护范围的限制。
实例1
一种耙吸式挖泥船操作参数的学习方法。本实施例的学习方法步骤是:
步骤1、根据耙吸式挖泥船操作人员给出的耙吸式挖泥船的640512个原始数据组。确定每个原始数据组中的特征数据和量测数据,特征数据为对地航速v、补偿器压力F、主动耙头角度θh和下耙管垂直角度θver四种参数,量测数据为混合物密度ρ和混合物流速Q两种参数。
步骤2、剔除所述原始数据组中混合物密度ρ<1.025的数据组,得到混合物密度ρ≥1.025的625608个有效数据组,随机选取600000个有效数据组(详见表1)。每个有效数据组包含特征有效数据x和量测有效数据y。由600000个特征有效数据x构成的数据集称为特征有效数据集X(详见表2)。由600000个量测有效数据y构成的数据集称为量测有效数据集Y(详见表3)。
表1 600000个有效数据组
表2特征有效数据集X
表3量测有效数据集Y
步骤3、将600000个有效数据组随机分成训练集、交叉验证集和测试集,训练集、交叉验证集和测试集占600000个有效数据组的百分量依次为60%、20%和20%,Xtrain、Xvalidation和Xtest依次表示训练集中的特征有效数据集(详见表4)、交叉验证集中的特征有效数据集(详见表5)和测试集中的特征有效数据集(详见表6)。
表4训练集中的特征有效数据集Xtrain
表5交叉验证集中的特征有效数据集Xvalidation
表6测试集中的特征有效数据集Xtest
Ytrain、Yvalidation和Ytest依次表示训练集中的量测有效数据集(详见表7)、交叉验证集中的量测有效数据集(详见表8)和测试集中的量测有效数据集(详见表9)。
表7训练集中的量测有效数据集Ytrain
表8交叉验证集中的量测有效数据集Yvalidation
表9测试集中的量测有效数据集Ytest
步骤4、建立4个多层感知器模型,每个多层感知器模型的网络结构均由输入层、隐藏层和输出层构成,每个多层感知器模型均含有5种超参数:隐藏层层数、每层隐藏层的单元数、学习率、激活函数的类型和迭代次数。
步骤5、向第j个多层感知器模型输入训练集的特征有效数据集Xtrain,调整所述5种超参数(详见表10);
表10调整四个多层感知器模型所对应的5种超参数
得到训练集的第j个多层感知器模型的损失函数Lj(Wj;Xtrain):
式(1)中:a表示训练集的有效数据组的个数,a=360000;
j表示第j个多层感知器模型,j=4;
Wj表示第j个多层感知器模型的权重,Wj是通过对第j个多层感知器模型的迭代优化得到;
Xtrain表示训练集中的特征有效数据集(详见表4);
xtrain_i表示训练集中的第i个有效数据组的特征有效数据x(详见表4序数i行);
ρtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物密度(详见表7序数i行的第1列),t/m3;
Qtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物流速(详见表7序数i行的第2列),m/s;
fi(Wj;xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物密度预测值(详见表11、表12、表13和表14),t/m3;
hi(Wj;xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物流速预测值(详见表11、表12、表13和表14),m/s;
i表示训练集中的量测有效数据集Ytrain的量测有效数据y的序数,i=1~360000的自然数。
利用自适应矩估计算法对训练集的第j个多层感知器模型的损失函数Lj(Wj;Xtrain)最小化。相应地,依次得到第1~4个多层感知器模型最小化后的损失函数:
L1(W1;Xtrain)=0.54;
L2(W2;Xtrain)=0.52;
L3(W3;Xtrain)=0.52;
L4(W4;Xtrain)=0.52。
训练集中的量测有效数据集Ytrain的混合物密度预测值和训练集中的量测有效数据集Ytrain的混合物流速预测值详见表11、表12、表13和表14。其中:
表11为第1个损失函数L1(W1;Xtrain)中的训练集中的量测有效数据集Ytrain的混合物密度预测值和混合物流速预测值;
表11第1个损失函数L1(W1;Xtrain)中的混合物密度预测值和混合物流速预测值
表12为第2个损失函数L2(W2;Xtrain)中的训练集中的量测有效数据集Ytrain的混合物密度预测值和混合物流速预测值;
表12第2个损失函数L2(W2;Xtrain)中的混合物密度预测值和混合物流速预测值
表13为第3个损失函数L3(W3;Xtrain)中的训练集中的量测有效数据集Ytrain的混合物密度预测值和混合物流速预测值;
表13第3个损失函数L3(W3;Xtrain)中的混合物密度预测值和混合物流速预测值
表14为第4个损失函数L4(W4;Xtrain)中的训练集中的量测有效数据集Ytrain的混合物密度预测值和混合物流速预测值;
表14第4个损失函数L4(W4;Xtrain)中的混合物密度预测值和混合物流速预测值
步骤6、向第j个多层感知器模型输入交叉验证集的特征有效数据集Xvalidation,得到交叉验证集的第j个多层感知器模型的损失函数Lj(Wj;Xvalidation):
式(2)中:b表示交叉验证集的有效数据组的个数,b=120000;
j表示第j个多层感知器模型,j=4;
Wj表示第j个多层感知器模型的权重,Wj是通过对第j个多层感知器模型的迭代优化得到;
Xvalidation表示交叉验证集中的特征有效数据集(详见表5);
xvalidation_i表示交叉验证集中的第i个有效数据组的特征有效数据(详见表5序数i行);
ρvalidation_i表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物密度(详见表8序数i行的第1列),t/m3;
ρvalidation_i表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物流速(详见表8序数i行的第2列),m/s;
fi(Wj;xvalidation_i)表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物密度预测值(详见表15、表16、表17和表18),t/m3;
hi(Wj;xvalidation_i)表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物流速预测值(详见表15、表16、表17和表18),m/s;
i表示交叉验证集中的量测有效数据集Yvalidation的量测有效数据y的序数,i=120000的自然数。
相应地,依次得到第1~4个交叉验证集的所有多层感知器模型的损失函数:
L1(W1;Xvalidation)=0.77;
L2(W2;Xvalidation)=0.61;
L3(W3;Xvalidation)=0.65;
L4(W4;Xvalidation)=0.79。
交叉验证集中的量测有效数据集Yvalidation的混合物密度预测值和交叉验证集中的量测有效数据集Yvalidation的混合物流速预测值详见表15、表16、表17和表18。其中:
表15为第1个损失函数L1(W1;Xvalidation)中的交叉验证集中的量测有效数据集Yvalidation的混合物密度预测值和混合物流速预测值;
表15第1个损失函数L1(W1;Xvalidation)中的混合物密度预测值和混合物流速预测值
表16为第2个损失函数L2(W2;Xvalidation)中的交叉验证集中的量测有效数据集Yvalidation的混合物密度预测值和混合物流速预测值;
表16第2个损失函数L2(W2;Xvalidation)中的混合物密度预测值和混合物流速预测值
表17为第3个损失函数L3(W3;Xvalidation)中的交叉验证集中的量测有效数据集Yvalidation的混合物密度预测值和混合物流速预测值;
表17第3个损失函数L3(W3;Xvalidation)中的混合物密度预测值和混合物流速预测值
表18为第4个损失函数L4(W4;Xvalidation)中的交叉验证集中的量测有效数据集Yvalidation的混合物密度预测值和混合物流速预测值。
表18第4个损失函数L4(W4;Xvalidation)中的混合物密度预测值和混合物流速预测值
在交叉验证集的所有多层感知器模型的损失函数中选择损失函数最小的模型为最优模型,最优模型即为特征有效数据集X和量测有效数据集Y的隐式模型。
所述最优模型:学习率为0.003,迭代次数为10000次,最优模型由输入层、输出层和隐藏层构成:输入层有4个神经单元,输出层有2个神经单元,隐藏层有5层;隐藏层的前4层有8个神经单元,隐藏层的最后一层有4个神经单元,隐藏层使用Relu函数作为激活函数。
步骤7、根据工程人员的先验知识,对地航速v、补偿器压力F、主动耙头角度θh和下耙管垂直角度θver四个参数依次划分数据范围,将划分的四个参数数据范围树状排列,随机选取100组参数组合,构成一个新数据集X′(详见表19),将新数据集X′输入到隐式模型中,得到输出预测集Y′(详见表19)。在新数据集X′和输出预测集Y′上建立回归模型,得到新数据集X′和输出预测集Y′的显式模型,即得到混合物密度的显式关系(详见式(3))和混合物流速的显式关系(详见式(4)),表示对地航速v、补偿器压力F、主动耙头角度θh和下耙管垂直角度θver四个参数自变量。
表19新数据集X′和输出预测集Y′
r表示耙吸式挖泥船耙吸管的半径,0.6m;
ρwater表示耙吸式挖泥船所在处的水密度,1.025t/m3;
ρsoil表示耙吸式挖泥船所在处的水下土壤密度,1.93t/m3。
c1表示产量率的期望值(详见表21);
c2表示混合物密度的期望值(详见表21)。
从式(6)的优化数学模型得到帕累托前沿,由帕累托前沿给出的帕累托最优集得到最优参数组合(详见表21)。
参数 | v(kn) | F(bar) | θ<sub>h</sub>(°) | θ<sub>ver</sub>(°) |
可行域 | [0.5,3.5) | [28,32) | [-20,8) | [35,45) |
表21由帕累托前沿给出的帕累托最优集得到的最优参数组合
本具体实施方式与现有技术相比具有如下优点:
本具体实施方式采用深度学习的多层感知器模型进行预测,需要的参数少,并且多层感知器模型的网络结构受到不确定因素的影响较小,模型稳定性好;本具体实施方式的多层感知器模型结构简单,能替代复杂的模型结构,在给定特征有效数据的情况下能准确预测量测有效数据。
本具体实施方式针对多变量的病态逆问题,设计了回归模型,得到新数据集X′和预测值集Y′的显式模型,采用蚁群算法搜索可行的参数组合,以满足给定产量率的期望值c1和混合物密度的期望值c2的需求,实现了最优参数组合。本具体实施方式提出的数据处理方案只需将数据输入到多层感知器模型,通过训练得到理想的输出预测值,再利用回归模型建立输入数据和输出预测值的显式关系,在满足特定的输出值的情况下,采用蚁群算法得到需要的输入值,这对其他类似的工程应用也是可行的,通用性强。
因此,本具体实施方式具有模型稳定性好、准确性高和通用性强的特点。该具体实施方式在满足给定产量率的期望值c1和混合物密度的期望值c2的条件下能实现最优参数组合。
Claims (2)
1.一种耙吸式挖泥船操作参数的学习方法,其特征在于所述操作参数的学习方法的具体步骤是:
步骤1、根据耙吸式挖泥船操作人员给出的耙吸式挖泥船的n个原始数据组,n为≥1000的自然数;确定每个原始数据组中的特征数据和量测数据,特征数据为对地航速v、补偿器压力F、主动耙头角度θh和下耙管垂直角度θver四种参数,量测数据为混合物密度ρ和混合物流速Q两种参数;
步骤2、剔除所述原始数据组中混合物密度ρ<1.025的数据组,得到混合物密度ρ≥1.025的m个有效数据组,m为≤n的自然数;每个有效数据组包含特征有效数据x和量测有效数据y,由m个特征有效数据x构成的数据集称为特征有效数据集X,由m个量测有效数据y构成的数据集称为量测有效数据集Y;
步骤3、将m个有效数据组随机分成训练集、交叉验证集和测试集,训练集、交叉验证集和测试集占m个有效数据组的百分量依次为60%、20%和20%,Xtrain、Xvalidation和Xtest依次表示训练集中的特征有效数据集、交叉验证集中的特征有效数据集和测试集中的特征有效数据集,Ytrain、Yvalidation和Ytest依次表示训练集中的量测有效数据集、交叉验证集中的量测有效数据集和测试集中的量测有效数据集;
步骤4、建立4~8个多层感知器模型,每个多层感知器模型的网络结构均由输入层、隐藏层和输出层构成,每个多层感知器模型均含有5种超参数:隐藏层层数、每层隐藏层的单元数、学习率、激活函数的类型和迭代次数;
步骤5、向第j个多层感知器模型输入训练集的特征有效数据集Xtrain,通过调整所述5种超参数得到训练集的第j个多层感知器模型的损失函数Lj(Wj;Xtrain):
式(1)中:a表示训练集的有效数据组的个数,a为≤0.6m的自然数,
j表示第j个多层感知器模型,j为4~8的自然数,
Wj表示第j个多层感知器模型的权重,Wj是通过对第j个多层感知器模型的迭代优化得到,
Xtrain表示训练集中的特征有效数据集,
xtrain_i表示训练集中的第i个有效数据组的特征有效数据x,
ρtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物密度,t/m3,
Qtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物流速,m/s,
fi(Wj;xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物密度预测值,t/m3,
hi(Wj;xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物流速预测值,m/s,
i表示训练集中的量测有效数据集Ytrain的量测有效数据y的序数,i为1~0.6m的自然数;
利用自适应矩估计算法对训练集的第j个多层感知器模型的损失函数Lj(Wj;Xtrain)最小化;相应地,得到所有多层感知器模型最小化后的损失函数;
步骤6、向第j个多层感知器模型输入交叉验证集的特征有效数据集Xvalidation,得到交叉验证集的第j个多层感知器模型的损失函数Lj(Wj;Xvalidation):
式(2)中:b表示交叉验证集的有效数据组的个数,b为≤0.2m的自然数,
j表示第j个多层感知器模型,j为4~8的自然数,
Wj表示第j个多层感知器模型的权重,Wj是通过对第j个多层感知器模型的迭代优化得到,
Xvalidation表示交叉验证集中的特征有效数据集,
xvalidation_i表示交叉验证集中的第i个有效数据组的特征有效数据x,
ρvalidation_i表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物密度,t/m3,
Qvalidation_i表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物流速,m/s,
fi(Wj;xvalidation_i)表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物密度预测值,t/m3,
hi(Wj;xvalidation_i)表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效据y的混合物流速预测值,m/s,
i表示交叉验证集中的量测有效数据集Yvalidation的量测有效数据y的序数,i为1~0.2m的自然数;
相应地,得到交叉验证集的所有多层感知器模型的损失函数;在交叉验证集的所有多层感知器模型的损失函数中选择损失函数最小的模型为最优模型,最优模型即为特征有效数据集X和量测有效数据集Y的隐式模型;
步骤7、根据工程人员的先验知识,对地航速v、补偿器压力F、主动耙头角度θh和下耙管垂直角度θver四个参数依次划分数据范围,将划分的四个参数数据范围树状排列,随机选取100组参数组合,构成一个新数据集X′,将新数据集X′输入到隐式模型中,得到输出预测集Y′;在新数据集X′和输出预测集Y′上建立回归模型,得到新数据集X′和输出预测集Y′的显式模型,即得到混合物密度的显式关系和混合物流速的显式关系 表示对地航速v、补偿器压力F、主动耙头角度θh和下耙管垂直角度θver四个参数自变量;
r表示耙吸式挖泥船耙吸管的半径,0.6m,
ρwater表示耙吸式挖泥船所在处的水密度,1.025t/m3,
ρsoil表示耙吸式挖泥船所在处的水下土壤密度,1.93t/m3;
c1表示疏浚的产量率的期望值,
c2表示混合物密度的期望值;
从式(4)的优化数学模型得到帕累托前沿,由帕累托前沿给出的帕累托最优集得到最优参数组合。
2.按照权利要求1所述耙吸式挖泥船操作参数的学习方法,其特征在于所述最优模型:学习率为0.003,迭代次数为10000次,最优模型由输入层、输出层和隐藏层构成:输入层有4个神经单元,输出层有2个神经单元,隐藏层有5层;隐藏层的前4层有8个神经单元,隐藏层的最后一层有4个神经单元,隐藏层使用Relu函数作为激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910995968.5A CN110795891B (zh) | 2019-10-18 | 2019-10-18 | 一种耙吸式挖泥船操作参数的学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910995968.5A CN110795891B (zh) | 2019-10-18 | 2019-10-18 | 一种耙吸式挖泥船操作参数的学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110795891A CN110795891A (zh) | 2020-02-14 |
CN110795891B true CN110795891B (zh) | 2022-03-04 |
Family
ID=69439406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910995968.5A Expired - Fee Related CN110795891B (zh) | 2019-10-18 | 2019-10-18 | 一种耙吸式挖泥船操作参数的学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110795891B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706037A (zh) * | 2021-08-31 | 2021-11-26 | 天津大学 | 基于虚拟传感器的耙吸挖泥船的施工安全辅助监控方法 |
CN114564880B (zh) * | 2022-01-26 | 2022-11-25 | 南京理工大学 | 一种增材制造过程数字孪生模块构建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3512281A (en) * | 1966-11-28 | 1970-05-19 | Mineraal Technologisch Inst | Swell compensator for a drag suction dredger |
CN1986980A (zh) * | 2005-12-21 | 2007-06-27 | 中国交通建设集团有限公司 | 耙吸挖泥船疏浚施工自动寻优方法 |
CN102175473A (zh) * | 2011-01-04 | 2011-09-07 | 江苏科技大学 | 耙吸挖泥船疏浚性能评估系统与评估方法 |
CN104036056A (zh) * | 2013-03-04 | 2014-09-10 | 韦华 | 一种耙吸式挖泥船耙头摩擦力系数分析方法 |
-
2019
- 2019-10-18 CN CN201910995968.5A patent/CN110795891B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3512281A (en) * | 1966-11-28 | 1970-05-19 | Mineraal Technologisch Inst | Swell compensator for a drag suction dredger |
CN1986980A (zh) * | 2005-12-21 | 2007-06-27 | 中国交通建设集团有限公司 | 耙吸挖泥船疏浚施工自动寻优方法 |
CN102175473A (zh) * | 2011-01-04 | 2011-09-07 | 江苏科技大学 | 耙吸挖泥船疏浚性能评估系统与评估方法 |
CN104036056A (zh) * | 2013-03-04 | 2014-09-10 | 韦华 | 一种耙吸式挖泥船耙头摩擦力系数分析方法 |
Non-Patent Citations (5)
Title |
---|
《数据驱动的耙吸式挖泥船疏浚作业模型及优化》;张朔;《中国优秀博硕士学位论文全文数据库(硕士)》;20111215;第1-73页 * |
《疏浚作业过程模型及作业优化方法》;唐建中等;《浙江大学学报(工学版)》;20080531;第850-857页 * |
《耙吸船施工效率影响因子的分析及最佳参数的选定》;郑金龙等;《中国港湾建设》;20161231;第54-56页 * |
基于回归分析的疏浚工艺数学模型研究;王祥冰等;《机械设计与制造工程》;20160815(第08期);第78-81页 * |
疏浚泥浆浓度最优控制跟踪器的设计与实现;朱文亮等;《计算机工程与应用》;20171231(第21期);第263-270页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110795891A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102831269B (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN110795891B (zh) | 一种耙吸式挖泥船操作参数的学习方法 | |
Zhang et al. | An effective LS-SVM-based approach for surface roughness prediction in machined surfaces | |
Kudo et al. | A study on analysis of design variables in Pareto solutions for conceptual design optimization problem of hybrid rocket engine | |
CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
CN105425583B (zh) | 基于协同训练lwpls的青霉素生产过程的控制方法 | |
CN102122132A (zh) | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 | |
CN108537366B (zh) | 基于最优卷积二维化的水库调度方法 | |
CN109492319B (zh) | 一种火电厂锅炉烟气含氧量软测量方法 | |
CN112489733A (zh) | 基于粒子群算法和神经网络的辛烷值损失预测方法 | |
CN110245390B (zh) | 一种基于rs-bp神经网络的汽车发动机油耗预测方法 | |
CN106709654A (zh) | 一种加氢裂化流程全局运行状况评估与质量追溯方法 | |
CN114580786A (zh) | 一种用于城市供水管网监测点的布置优化方法 | |
CN111260117A (zh) | 一种基于气象因子的ca-narx水质预测方法 | |
CN112113146B (zh) | 供水管网管道粗糙系数和节点需水量同步自适应校核方法 | |
CN104361153A (zh) | 一种预测重油催化裂化沉降器结焦量的方法 | |
CN114065639B (zh) | 一种挖泥船施工参数的闭环实时反演方法 | |
CN113267314A (zh) | 一种暂冲式风洞的超声速流场总压控制系统 | |
CN104634265A (zh) | 一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法 | |
CN103226728A (zh) | 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法 | |
CN110782078B (zh) | 一种耙吸式挖泥船出泥率预测的学习方法 | |
CN109493921A (zh) | 一种基于多代理模型的常压精馏过程建模方法 | |
Fu et al. | Productivity estimation of cutter suction dredger operation through data mining and learning from real-time big data | |
CN110766234B (zh) | 基于信息融合的水泥冷却过程篦下压力预测方法 | |
CN1327376C (zh) | 基于支持向量机的软测量仪表建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220304 |