CN114065639A - 一种挖泥船施工参数的闭环实时反演方法 - Google Patents
一种挖泥船施工参数的闭环实时反演方法 Download PDFInfo
- Publication number
- CN114065639A CN114065639A CN202111401722.4A CN202111401722A CN114065639A CN 114065639 A CN114065639 A CN 114065639A CN 202111401722 A CN202111401722 A CN 202111401722A CN 114065639 A CN114065639 A CN 114065639A
- Authority
- CN
- China
- Prior art keywords
- network
- dredging
- inversion
- construction
- parameters
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 136
- 230000008569 process Effects 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 230000000306 recurrent effect Effects 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000011160 research Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 4
- 125000004122 cyclic group Chemical group 0.000 abstract description 3
- 230000002068 genetic effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000010206 sensitivity analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Abstract
本发明公开了一种挖泥船施工参数的闭环实时反演方法，包括：模型结构确立；准备训练样本；循环神经网络模型构建；网络结构优化；预测性能评估。本发明通过正演网络计算挖泥船疏浚瞬时产量，运用反演网络从历史施工数据中反演出挖泥船施工参数，闭环网络结构的加入在模型训练过程中进一步减小了计算结果与实测值之间的误差，即使在小样本参数反演预测中也可取得较好的预测结果，提高了训练样本的利用效率。本方法通过运用闭环循环神经网络实时反演挖泥船施工参数，解决了传统施工过程中无法合理、全面利用历史数据对挖泥船施工参数进行合理控制，从而保证挖泥船始终运行在疏浚效率最优阶段，实时性好、精度高、稳定性强。
Description
技术领域
本发明属于挖泥船疏浚施工技术领域，具体涉及一种挖泥船施工参数的闭环实时反演方法。
背景技术
挖泥船疏浚过程中面临复杂的工况环境，难以建立准确的数学模型进行疏浚施工指导。因而实际施工作业中，往往需要借助操作人员施工经验保证疏浚效率，但因疏浚过程中涉及施工参数众多且各参数之间关联关系尚不清晰，水下作业不易观察等问题，导致施工周期较长，疏浚效率不佳，因此迫切需要提出一种挖泥船施工参数的实时反演方法，系统的优化疏浚流程，快速、准确的指导施工参数设定。
当前挖泥船疏浚过程中，多采用多因素敏感性分析方法进行施工参数设置，通过正交试验方法选定多组施工参数组合并在实际疏浚作业中验证每组施工参数所获得的密度、流速大小，最终确定最优疏浚控制策略。但此方法存在实验周期长、鲁棒性差的特点，不能在工况发生变化时快速调节施工参数，且该方法不能对挖泥船历史施工数据中所包含的特征信息进行提取，实现施工参数的自适应调节，使挖泥船疏浚效率始终维持在最优阶段。针对这一问题，利用实测施工数据，采用闭环循环神经网络、注意力机制及全局优化算法，对施工数据特征进行充分提取并进行反演预测，为挖泥船疏浚作业过程中施工参数设置提供辅助决策。
发明内容
本发明目的在于克服现有技术缺陷，提供一种挖泥船施工参数的闭环实时反演方法，采用闭环循环神经网络结构、注意力机制和全局优化算法，可以准确、高效地进行施工参数的反演预测，能够大大提高疏浚效率，降低了施工操作人员的工作量。
为解决上述技术问题，本发明采用以下技术方案。
本发明的一种挖泥船施工参数的闭环实时反演方法，包括以下步骤：
S1、模型结构确立：采用瞬时疏浚产量最大化作为挖泥船获得最佳疏浚效率的评价指标，同时筛选出施工过程中可能影响挖泥船疏浚效率的施工参数，确定本发明中所涉及到的正演网络及反演网络的初始输入、输出结构；
S2、准备训练样本：所述训练样本包括挖泥船施工参数数据、疏浚过程中所得密度、流速数据；所述密度、流速作为疏浚过程参数，可通过简单数学运算得到挖泥船瞬时疏浚产量；所述各施工参数数据及疏浚过程数据均由船上传感器实时采集得到，通过对采集数据进行预处理，得到最佳疏浚过程对应的标准施工参数反演数据集；
S3、循环神经网络模型构建：所述网络结构为闭环结构，采用循环神经网络方法，对训练样本集进行学习，得到挖泥船施工参数到最佳疏浚过程参数的正演网络，最佳疏浚过程参数到挖泥船施工参数的反演网络；
S4、网络结构优化：使用步骤S2中得到的标准施工参数反演数据集，基于步骤S3构建的正演网络与反演网络，采用增加注意力机制方法对正演网络预测性能进行优化，采用全局优化算法对反演网络的模型结构超参数进行调节，依据训练过程中产生的闭环网络联合损失函数，自适应调节正演网络与反演网络的权重矩阵和偏置系数；
S5、预测性能评估：首先使用步骤S4中训练后的反演网络对疏浚过程参数进行反演，得到施工参数预测结果；然后将施工参数预测结果导入S4中训练得到的正演网络，得到疏浚过程参数预测结果，使用该疏浚过程参数计算出此时预测瞬时疏浚产量，若该预测瞬时疏浚产量数据与实测瞬时疏浚产量数据的误差值越小，则说明施工参数反演结果精度越高，反之，则表明该闭环实时反演方法预测精度不佳，不能在挖泥船施工参数反演预测研究中进行适应性匹配。
进一步地，所述的S1步骤包括：
S11、参考国内外挖泥船疏浚领域研究成果，选取瞬时疏浚产量大小作为疏浚过程中挖掘性能评价指标进行疏浚效率评判，同时依据瞬时疏浚产量定义将此过程中涉及到的疏浚过程参数作为反演网络的输入结构参数，反演网络输出结构参数的确定方法与之类似；
S12、正演网络的输入、输出结构确定仅需将反演网络的输入、输出结构进行调换。
进一步地，S2包括下步骤：
S21、确定本发明中所涉及到的各个施工参数及疏浚过程参数的取值范围，筛选出其中所包含的疏浚效率最优阶段的数据样本；
S22、对施工过程中船上传感器采集得到的施工参数数据和疏浚过程数据进行异常值处理，消除因传感器特性和海面风浪流扰动引入的数据误差；
S23、采用灰色关联度方法，对S12中初步选定的施工参数进行特征提取，降低正演网络和反演网络输入输出结构的复杂度；
S24、对特征提取后保留施工参数数据及疏浚过程数据进行归一化处理，消除不同类型数据之间的量纲影响，构成标准施工参数实时反演数据集。
进一步地，所述的疏浚施工过程中各参数的取值范围可参照施工手册进行约束，避免在数据样本中引入轻载航行、重载航行等非施工工况数据。
进一步地，S3包括以下步骤：
S31、采用留出法按4:1的比例，将挖泥船标准施工参数实时反演数据集划分为训练样本和测试样本；
S32、所述正演网络由一个输入层、多个隐藏层、一个输出层构成；施工参数通过输入层进行输入，多层隐藏层对施工参数特征进行充分提取，并通过输出层对疏浚过程参数实现精准回归预测；
S33、所述反演网络由一个输入层、一个隐藏层、一个输出层构成；通过减少隐藏层层数，降低反演网络的复杂度，达到实时、快速反演施工参数的目的。
进一步地，所述的正演网络和反演网络所采用的循环神经网络结构均为递归神经网络(RNN)、长短记忆神经网络(LSTM)、门控循环神经网络(GRU)中的一种或多种复合而成。
进一步地，S4包括以下步骤：
S41、所述注意力机制增加于正演网络中隐藏层的最后一层，所述全局优化算法增加于反演网络隐藏层中的首层；
S42、根据
使用训练样本中实测瞬时疏浚产量数据优化正演网络中的连接权重，式中WF为正演神经网络连接权重，m表示训练样本的数目，yi为实测瞬时疏浚产量数据，
为预测瞬时疏浚产量数据；根据
使用训练样本中实际施工参数数据优化反演网络中的连接权重，式中WI为反演神经网络连接权重，
为实测施工参数，
为预测施工参数，在此基础上根据闭环正演网络和反演网络联合损失函数
对闭环网络结构进行优化，通过调节λ1、λ2、λ3来平衡损失函数中的各项；式中
为测试样本中瞬时疏浚产量数据的闭环一致损失函数，其中n表示测试样本的数目，yo表示测试样本中瞬时疏浚产量数据，
表示测试集上反演网络预测所得施工参数数据代入正演网络预测得到的疏浚过程瞬时疏浚产量数据；
为训练样本中瞬时疏浚产量数据的闭环一致损失函数，其中，
表示训练集上反演网络预测所得施工参数数据代入正演网络预测得到的疏浚过程瞬时疏浚产量数据；
为训练样本中施工参数数据的闭环一致损失函数，其中，
表示训练集上正演网络预测所得疏浚过程瞬时疏浚产量数据代入反演网络预测得到的施工参数数据；
S43、根据闭环循环神经网络施工参数反演训练过程中，闭环联合损失函数的数值变化情况，不断对正演网络和反演网络的各层权值矩阵和偏置系数进行更新，直至闭环损失误差小于设定值或达到最大迭代次数。
进一步地，所述正演网络、反演网络超参数包含神经元个数、学习率、迭代次数、过拟合机制(Dropout)，所述超参数调节方法为优化法。
进一步地，步骤S5中，所述施工参数闭环反演预测精度采用均方根误差RMSE、决定系数R2衡量；施工参数反演预测实时性采用算法运行时间t进行衡量。
与现有技术相比，本发明的有益效果在于：
1.与传统施工过程中采用的多因素敏感性分析方法相比，本发明可以利用现场实测数据，运用闭环神经网络提取到的数据特征，实时调节当前船舶施工参数，保证疏浚效率。
2.本发明采用注意力机制及全局优化算法对闭环反演网络模型结构进行优化，大大提高了施工参数反演预测模型的准确性与实时性，可为挖泥船疏浚过程中施工参数的设置提供辅助决策，降低操作人员工作量。
附图说明
图1为本发明的整体流程图
图2为本发明的闭环神经网络训练方法原理图；
图3为本发明的闭环神经网络模型中所包含的反演网络输入输出结构；
图4为本发明的一种未经步骤S4优化的闭环GRU神经网络模型实时反演预测结果，其中图4(a)为左波浪补偿器预测结果对比；图4(b)为左高压冲水泵转速预测结果对比；图4(c)为泥泵1转速预测结果对比；图4(d)为航速预测结果对比；
图5为本发明的一种经步骤S4优化的闭环GRU神经网络模型实时反演预测结果，其中图5(a)为左波浪补偿器预测结果对比；图5(b)为左高压冲水泵转速预测结果；图5(c)为泥泵1转速预测结果对比；图5(d)为航速预测结果对比；
具体实施方式
本发明提出一种挖泥船施工参数的闭环实时反演方法，下面结合附图和具体实施例对本发明进行详细说明。
本发明以“新海虎8轮”耙吸挖泥船长江口施工过程中左耙头施工参数实时反演预测研究作为重点进行突出展示，图1为本发明的整体流程图，包括如下步骤：
S1、模型结构确立
合理的正演网络和反演网络输入、输出结构对提高闭环神经网络实时反演模型预测性能具有重大指导意义，参考施工人员操作经验及国内外研究成果，采用瞬时疏浚产量最大化为最佳疏浚效率的评价指标，同时筛选出施工过程中可能影响挖泥船疏浚效率的施工参数。
S11、定义瞬时疏浚产量的计算方法并将其作为疏浚过程挖掘性能评价指标，同时将其计算过程中所涉及的疏浚过程参数(左右泥泵密度、左右泥泵流速)作为施工参数实时反演网络的输入结构参数，反演网络输出结构的参数选取方法与之相似；
其中，瞬时疏浚产量可以由如下公式进行表述：
R＝A·(ρ1·ν1+ρ2·ν2) (1)
式中A表示管道横截面积(m2)为一个恒为1的常数；ρ1,ρ2(kg/m3)分别表示左泥泵密度，右泥泵密度；v1,v2(m/s)分别表示左泥泵流速，右泥泵流速，最佳疏浚效率对应着最大的瞬时疏浚产量R(kg/s)。
下表1根据施工经验并结合相关研究报告，选取出可能对耙吸挖泥船疏浚效率产生影响的施工参数，同时初步拟定作为反演网络的输出结构参数：
表1影响耙吸挖泥船疏浚效率主要变量
S12、正演网络输入、输出结构的确定方法与反演网络类似，仅需将反演网络的输入、输出结构进行调换，即可得到正演网络组织形式；
本发明数据样本中共包含18个施工参数数据和疏浚过程数据，其中左耙头施工参数包括x1～x6，x7～x8为左右耙头共用施工参数，疏浚过程参数包括左泥泵密度、左泥泵流速、右泥泵密度、右泥泵流速。
S2、准备训练样本
通过对船上传感器采集得到的施工参数数据和疏浚过程数据进行读取，得到各施工参数及疏浚过程中所得密度、流速数据的具体数值，并对采集得到的施工参数进行数据预处理，得到标准训练样本集；
S21、本发明选取干土吨大于0ton，航速介于2kn～5kn之间，泥泵密度大于1.03kg/m3作为疏浚过程中评判数据是否为属于施工阶段的标准，基于数据统计原理与瞬时疏浚产量的公式定义，选取得到疏浚效率最优阶段的数据样本，即瞬时疏浚产量处于全体样本中前25％的数据(大于14.3686kg/s)；
S22、对筛选后得到的最佳工况数据运用箱型图法进行异常数据识别，完成异常数据处理后各参数的分布范围，见表2(表中未体现的闭环实时反演模型输入输出参数均满足箱型图检测)。
表2左耙头各输入输出参数数值分布范围
S23、采用灰色关联度方法，对S12中初步选定的施工参数进行特征提取，经灰色关联度分析后左右耙头疏浚效率与施工参数的关联关系见表3、表4；
表3疏浚效率与左耙头施工参数的关联度
表4疏浚效率与右耙头施工参数的关联度
基于上表3、表4数据可以发现，耙吸船疏浚作业过程中，尽管疏浚机具有所不同(左耙、右耙)。但疏浚效率均与泥泵转速，航速、波浪补偿器压力、高压冲水泵转速关联较大，这也符合当前疏浚界达成的基本共识，因而灰色关联度分析结果可信度较高。
S24、在前文选定施工参数的基础上，运用(最大值—最小值)归一化方法，构成本发明闭环循环神经网络标准施工参数实时反演数据集，数据归一化可由下式进行表述：
式中xmax，xmin分别表示数据样本中的最大值和最小值，x表示原始数据，x*表示归一化后的数据。
S3、循环神经网络模型构建：如图2所示，所述网络模型包括一个正演网络和反演网络，采用循环神经网络方法完成施工参数闭环反演模型的构建，并对训练样本集进行学习。
S31、耙吸挖泥船标准施工参数实时反演数据集按4:1的比例划分为训练样本和测试样本；
S32、本发明所涉及正演网络由一个输入层、两个隐藏层、一个输出层构成；施工参数通过输入层进行输入，双隐藏层对施工参数特征进行充分提取，并通过输出层对疏浚过程参数实现精准回归预测；
S33、如图3所示，本发明所涉及反演网络由一个输入层、一个隐藏层、一个输出层构成，正演网络和反演网络所采用的循环神经网络均为门控循环神经网络(GRU)。
S4、网络结构优化
采用增加时间注意力机制方法对正演网络预测性能进行优化，采用遗传算法对反演网络的模型结构超参数进行调节，依据训练过程中产生的闭环网络联合损失函数，自适应调节正演网络与反演网络的权重矩阵和偏置系数；
S41、本发明中注意力机制增加于正演网络隐藏层的最后一层，遗传算法增加于反演网络隐藏层中的首层；
S42、根据
使用训练样本中实测瞬时疏浚产量数据优化正演网络中的连接权重，式中WF为正演神经网络连接权重，m表示训练样本的数目，yi为实测瞬时疏浚产量数据，
为预测瞬时疏浚产量数据；
根据
使用训练样本中实际施工参数数据优化反演网络中的连接权重，式中WI为反演神经网络连接权重，
为实测施工参数，
为预测施工参数，在此基础上根据闭环正演网络和反演网络联合损失函数
对闭环网络结构进行优化，通过调节λ1、λ2、λ3来平衡损失函数中的各项；
式中
为测试样本中瞬时疏浚产量数据的闭环一致损失函数，其中n表示测试样本的数目，yo表示测试样本中瞬时疏浚产量数据，
表示测试集上反演网络预测所得施工参数数据代入正演网络预测得到的疏浚过程瞬时疏浚产量数据；
为训练样本中瞬时疏浚产量数据的闭环一致损失函数，其中，
表示训练集上反演网络预测所得施工参数数据代入正演网络预测得到的疏浚过程瞬时疏浚产量数据；
为训练样本中施工参数数据的闭环一致损失函数，其中，
表示训练集上正演网络预测所得疏浚过程瞬时疏浚产量数据代入反演网络预测得到的施工参数数据；同时在训练过程采用Adam算法作为梯度下降过程中的寻优算法。
S43、根据闭环联合损失函数数值的变化情况，在闭环循环神经网络训练过程中不断对正演网络和反演网络的各层权值矩阵和偏置矩阵进行更新，直至闭环损失误差小于设置值(0.01)或达到最大迭代次数(400)。
S5、预测性能评估
运用步骤S4中训练后得到的闭环反演网络对疏浚过程参数进行反演，得到施工参数实时预测结果；再将施工参数预测结果导入S4中训练得到的正演网络，得到疏浚过程参数预测结果，使用该疏浚过程参数计算出此时预测所得瞬时疏浚产量，使用该预测疏浚瞬时产量数据对反演结果性能进行评估，所采用预测精度评价指标为决定系数R2、均方根误差RMSE，实时性评价指标为算法运行时间t。
本发明基于Tensorflow2.3框架，采用Python3.7语言进行闭环网络施工参数实时反演模型构建，并采用GTX1650显卡进行算法运行加速。未经步骤S4优化的闭环GRU神经网络超参数结构为神经元个数：400、迭代次数：400、学习率：0.01、batch_size＝32、Dropout＝0.2；经时间注意力机制、遗传算法优化后得到的闭环实时反演GRU循环神经网络超参数结构为神经元个数：200、迭代次数：410、学习率：0.18040637748299984、batch_size＝60、Dropout＝0.04256585642977626。通过对闭环施工参数实时反演模型预测性能进行横向对比，评比各反演策略的优劣。下面选择一组左泥泵密度、左泥泵流速作为输入，观察各模型单点-单时刻的施工参数反演情况，反演预测结果见表4(表中给定左泥泵密度为1.17、左泥泵流速为5.96)。
表4优化前后各模型对给定左泥泵流速、左泥泵密度的施工参数闭环反演寻优结果
由上表4，经步骤S4优化后的闭环GRU施工参数实时反演预测模型，在单点-单时刻预测性能明显优于未经优化的闭环GRU施工参数实时反演预测模型。
下面对反演模型在多点上的预测性能上进行评估，闭环施工参数实时反演模型在验证集上的表现如下图4、图5所示，详细评价指标见下表5(选择关联度较高的泥泵1转速进行显示)：
表5施工参数闭环反演详细性能评价指标
观察图4、图5、上表5发现，在多点施工参数的闭环反演预测中，经步骤S4优化后的GRU模型预测性能明显更佳，且实时性更好。最后，通过对单点-单时刻、多点上的预测性能进行横向类比，发现经过注意力机制、遗传优化的闭环反演GRU网络能够更好的实现对施工参数的反演预测，从而最终保证挖泥船疏浚效率的提升。
在改变挖泥船施工参数选取方法的基础上，该方法同样也可在绞吸挖泥船上进行运用。综上，本发明提出的一种挖泥船施工参数的闭环实时反演方法，在对历史数据进行全面挖掘后，运用闭环循环神经网络、注意力机制及全局优化算法，对挖泥船施工参数进行反演预测，具有实时性好、精度高、稳定性强等优点，可为挖泥船疏浚过程中提供施工参数设置的辅助决策。
Claims (9)
1.一种挖泥船施工参数的闭环实时反演方法，其特征在于，包括以下步骤：
S1、模型结构确立：采用瞬时疏浚产量最大化作为挖泥船获得最佳疏浚效率的评价指标，同时筛选出施工过程中可能影响挖泥船疏浚效率的施工参数，确定本发明中所涉及到的正演网络及反演网络的初始输入、输出结构；
S2、准备训练样本：所述训练样本包括挖泥船施工参数数据、疏浚过程中所得密度、流速数据；所述密度、流速作为疏浚过程参数，可通过简单数学运算得到挖泥船瞬时疏浚产量；所述各施工参数数据及疏浚过程数据均由船上传感器实时采集得到，通过对采集数据进行预处理，得到最佳疏浚过程对应的标准施工参数反演数据集；
S3、循环神经网络模型构建：所述网络结构为闭环结构，采用循环神经网络方法，对训练样本集进行学习，得到挖泥船施工参数到最佳疏浚过程参数的正演网络，最佳疏浚过程参数到挖泥船施工参数的反演网络；
S4、网络结构优化：使用步骤S2中得到的标准施工参数反演数据集，基于步骤S3构建的正演网络与反演网络，采用增加注意力机制方法对正演网络预测性能进行优化，采用全局优化算法对反演网络的模型结构超参数进行调节，依据训练过程中产生的闭环网络联合损失函数，自适应调节正演网络与反演网络的权重矩阵和偏置系数；
S5、预测性能评估：首先使用步骤S4中训练后的反演网络对疏浚过程参数进行反演，得到施工参数预测结果；然后将施工参数预测结果导入S4中训练得到的正演网络，得到疏浚过程参数预测结果，使用该疏浚过程参数计算出此时预测瞬时疏浚产量，若该预测瞬时疏浚产量数据与实测瞬时疏浚产量数据的误差值越小，则说明施工参数反演结果精度越高，反之，则表明该闭环实时反演方法预测精度不佳，不能在挖泥船施工参数反演预测研究中进行适应性匹配。
2.根据权利要求1所述的一种挖泥船施工参数的闭环实时反演方法，其特征在于，所述的S1包括以下步骤：
S11、参考国内外挖泥船疏浚领域研究成果，选取瞬时疏浚产量大小作为疏浚过程中挖掘性能评价指标进行疏浚效率评判，同时依据瞬时疏浚产量定义将此过程中涉及到的疏浚过程参数作为反演网络的输入结构参数，反演网络输出结构参数的确定方法与之类似；
S12、正演网络的输入、输出结构确定仅需将反演网络的输入、输出结构进行调换。
3.根据权利要求1所述的一种挖泥船施工参数的闭环实时反演方法，其特征在于，所述的S2包括以下步骤：
S21、确定本发明中所涉及到的各个施工参数及疏浚过程参数的取值范围，筛选出其中所包含的疏浚效率最优阶段的数据样本；
S22、对施工过程中船上传感器采集得到的施工参数数据和疏浚过程数据进行异常值处理，消除因传感器特性和海面风浪流扰动引入的数据误差；
S23、采用灰色关联度方法，对S12中初步选定的施工参数进行特征提取，降低正演网络和反演网络输入输出结构的复杂度；
S24、对特征提取后保留施工参数数据和疏浚过程数据进行归一化处理，消除不同类型数据之间的量纲影响，构成标准施工参数实时反演数据集。
4.根据权利要求3所述的一种挖泥船施工参数的闭环实时反演方法，其特征在于，所述的疏浚施工过程中各参数的取值范围可参照施工手册进行约束，避免在数据样本中引入轻载航行、重载航行等非施工工况数据。
5.根据权利要求1所述的一种挖泥船施工参数的闭环实时反演方法，其特征在于，所述的S3包括如下步骤：
S31、采用留出法按4:1的比例，将挖泥船标准施工参数实时反演数据集划分为训练样本和测试样本；
S32、所述正演网络由一个输入层、多个隐藏层、一个输出层构成；施工参数通过输入层进行输入，多层隐藏层对施工参数特征进行充分提取，并通过输出层对疏浚过程参数实现精准回归预测；
S33、所述反演网络由一个输入层、一个隐藏层、一个输出层构成；通过减少隐藏层层数，降低反演网络的复杂度，达到实时、快速反演施工参数的目的。
6.根据权利要求5所述的一种挖泥船施工参数的闭环实时反演方法，其特征在于，所述的正演网络和反演网络所采用的循环神经网络结构均为递归神经网络RNN、长短记忆神经网络LSTM、门控循环神经网络GRU中的一种或多种复合而成。
7.根据权利要求1所述的一种挖泥船施工参数的闭环实时反演方法，其特征在于，所述的S4包括以下步骤：
S41、所述注意力机制增加于正演网络中隐藏层的最后一层，所述全局优化算法增加于反演网络隐藏层中的首层；
S42、根据
使用训练样本中实测瞬时疏浚产量数据优化正演网络中的连接权重，式中WF为正演神经网络连接权重，m表示训练样本的数目，yi为实测瞬时疏浚产量数据，
为预测瞬时疏浚产量数据；根据
使用训练样本中实际施工参数数据优化反演网络中的连接权重，式中WI为反演神经网络连接权重，yi *为实测施工参数，
为预测施工参数，在此基础上根据闭环正演网络和反演网络联合损失函数
对闭环网络结构进行优化，通过调节λ1、λ2、λ3来平衡损失函数中的各项；式中
为测试样本中瞬时疏浚产量数据的闭环一致损失函数，其中n表示测试样本的数目，yo表示测试样本中瞬时疏浚产量数据，
表示测试集上反演网络预测所得施工参数数据代入正演网络预测得到的疏浚过程瞬时疏浚产量数据；
为训练样本中瞬时疏浚产量数据的闭环一致损失函数，其中，
表示训练集上反演网络预测所得施工参数数据代入正演网络预测得到的疏浚过程瞬时疏浚产量数据；
为训练样本中施工参数数据的闭环一致损失函数，其中，
表示训练集上正演网络预测所得疏浚过程瞬时疏浚产量数据代入反演网络预测得到的施工参数数据；
S43、根据闭环循环神经网络施工参数反演训练过程中，闭环联合损失函数的数值变化情况，不断对正演网络和反演网络的各层权值矩阵和偏置系数进行更新，直至闭环损失误差小于设定值或达到最大迭代次数。
8.根据权利要7所述的一种挖泥船施工参数的闭环实时反演方法，其特征在于，所述的正演网络、反演网络超参数包含神经元个数、学习率、迭代次数、过拟合机制Dropout，所述超参数调节方法为优化法。
9.根据权利要求1所述的一种挖泥船施工参数的闭环实时反演方法，其特征在于，所述的步骤S5中，所述施工参数闭环反演预测精度采用均方根误差RMSE、决定系数R2衡量；施工参数反演预测实时性采用算法运行时间t衡量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111401722.4A CN114065639A (zh) | 2021-11-19 | 2021-11-19 | 一种挖泥船施工参数的闭环实时反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111401722.4A CN114065639A (zh) | 2021-11-19 | 2021-11-19 | 一种挖泥船施工参数的闭环实时反演方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114065639A true CN114065639A (zh) | 2022-02-18 |
Family
ID=80275705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111401722.4A Pending CN114065639A (zh) | 2021-11-19 | 2021-11-19 | 一种挖泥船施工参数的闭环实时反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114065639A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116290203A (zh) * | 2023-01-12 | 2023-06-23 | 中港疏浚有限公司 | 基于神经网络的疏浚施工参数选优模型方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080222067A1 (en) * | 2007-03-07 | 2008-09-11 | National Taiwan University Of Science And Technology | Prediction method of near field photolithography line fabrication using by the combination of taguchi method and neural network |
| CN104463359A (zh) * | 2014-12-01 | 2015-03-25 | 河海大学常州校区 | 一种基于bp神经网络的疏浚作业产量预测模型分析方法 |
| CN107577910A (zh) * | 2017-08-24 | 2018-01-12 | 中国科学技术大学 | 一种基于深层次神经网络的车辆尾气浓度反演方法 |
| CN108446521A (zh) * | 2018-04-24 | 2018-08-24 | 江苏省水利科学研究院 | 一种多参数桥墩绕流阻力等效糙率经验概化方法 |
| CN111583214A (zh) * | 2020-04-30 | 2020-08-25 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
| CN113221462A (zh) * | 2021-05-21 | 2021-08-06 | 中铁十四局集团第四工程有限公司 | 一种pso-de算法和神经网络联合的基坑土体参数反演方法 |
| CN113296150A (zh) * | 2021-07-02 | 2021-08-24 | 清华大学 | 一种测井约束下的高维闭环网络地震反演方法 |
-
2021
- 2021-11-19 CN CN202111401722.4A patent/CN114065639A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080222067A1 (en) * | 2007-03-07 | 2008-09-11 | National Taiwan University Of Science And Technology | Prediction method of near field photolithography line fabrication using by the combination of taguchi method and neural network |
| CN104463359A (zh) * | 2014-12-01 | 2015-03-25 | 河海大学常州校区 | 一种基于bp神经网络的疏浚作业产量预测模型分析方法 |
| CN107577910A (zh) * | 2017-08-24 | 2018-01-12 | 中国科学技术大学 | 一种基于深层次神经网络的车辆尾气浓度反演方法 |
| CN108446521A (zh) * | 2018-04-24 | 2018-08-24 | 江苏省水利科学研究院 | 一种多参数桥墩绕流阻力等效糙率经验概化方法 |
| CN111583214A (zh) * | 2020-04-30 | 2020-08-25 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
| WO2021218424A1 (zh) * | 2020-04-30 | 2021-11-04 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
| CN113221462A (zh) * | 2021-05-21 | 2021-08-06 | 中铁十四局集团第四工程有限公司 | 一种pso-de算法和神经网络联合的基坑土体参数反演方法 |
| CN113296150A (zh) * | 2021-07-02 | 2021-08-24 | 清华大学 | 一种测井约束下的高维闭环网络地震反演方法 |
Non-Patent Citations (5)
| Title |
|---|
| 何国荣;: "枞阳江堤殷家沟段堤防滑坡原因分析与加固", 吉林水利, no. 09, 15 September 2010 (2010-09-15) * |
| 刘潘;赵明阶;汪魁;蒋博闻;金鹏;: "基于BP神经网络预测的附加质量法堆石体密度反演", 水电能源科学, no. 05, 25 May 2016 (2016-05-25) * |
| 周昭旭等: "耙吸挖泥船沙床高度与土粒径在线估计", 《水运工程》, no. 03, 31 December 2018 (2018-12-31) * |
| 孔凡涛;蔡盼盼;张解成;蒋鑫;: "BP神经网络在大地电磁反演中的应用", 科技创新与应用, no. 32, 13 November 2018 (2018-11-13) * |
| 曹点点;苏贞;孙健;: "基于遗传神经网络的耙吸挖泥船泥泵转速预测", 计算机测量与控制, no. 10, 25 October 2017 (2017-10-25) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116290203A (zh) * | 2023-01-12 | 2023-06-23 | 中港疏浚有限公司 | 基于神经网络的疏浚施工参数选优模型方法 |
| CN116290203B (zh) * | 2023-01-12 | 2023-10-03 | 中港疏浚有限公司 | 基于神经网络的疏浚施工参数选优模型方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bai et al. | Data mining approach to construction productivity prediction for cutter suction dredgers | |
| CN108335487B (zh) | 一种基于交通状态时序性的道路交通状态预测系统 | |
| KR101967978B1 (ko) | 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법 | |
| CN114969953B (zh) | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 | |
| CN110826790A (zh) | 一种绞吸式挖泥船施工生产率智能预测方法 | |
| CN113177358B (zh) | 一种基于模糊细粒度特征提取的水泥质量软测量方法 | |
| CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
| CN115238850A (zh) | 一种基于mi-gra与改进pso-lstm的山区边坡位移预测方法 | |
| CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
| CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
| CN112364560A (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| CN114388069A (zh) | 一种多性能控制的混凝土配合比优化方法 | |
| CN114065639A (zh) | 一种挖泥船施工参数的闭环实时反演方法 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN114792044A (zh) | 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统 | |
| Abdel Azim | Application of artificial neural network in optimizing the drilling rate of penetration of western desert Egyptian wells | |
| CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
| Fu et al. | Productivity estimation of cutter suction dredger operation through data mining and learning from real-time big data | |
| CN111460737B (zh) | 泥水气压平衡盾构的智能沉降预测方法及系统 | |
| CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
| CN113408190A (zh) | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 | |
| CN112132324A (zh) | 一种基于深度学习模型的超声波水表数据修复方法 | |
| CN111914488A (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
| CN110990938A (zh) | 一种掌子面在掘岩体状态软测量方法 | |
| CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 |
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 |