CN114418248A - 基于全局最优思想的绞吸挖泥船自动选点施工方法、系统 - Google Patents

基于全局最优思想的绞吸挖泥船自动选点施工方法、系统 Download PDF

Info

Publication number
CN114418248A
CN114418248A CN202210327835.2A CN202210327835A CN114418248A CN 114418248 A CN114418248 A CN 114418248A CN 202210327835 A CN202210327835 A CN 202210327835A CN 114418248 A CN114418248 A CN 114418248A
Authority
CN
China
Prior art keywords
construction
cutter suction
suction dredger
dredger
command
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
Application number
CN202210327835.2A
Other languages
English (en)
Inventor
范世东
王斌
朱汉华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210327835.2A priority Critical patent/CN114418248A/zh
Publication of CN114418248A publication Critical patent/CN114418248A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G06F16/90348—Query processing by searching ordered data, e.g. alpha-numerically ordered data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于全局最优思想的绞吸挖泥船自动选点施工方法、系统，该方法、系统基于既定施工要求可自动计算挖泥船施工的参数，在规定的时间内即能完成既定的挖泥产量要求。发明利用一种字典搜索算法在施工数据库中搜索目标生产率所对应的施工命令，同时输出为挖泥船施工操作命令。在处理检索多条相同生产率数据的问题上，利用训练完成的机器学习模型提前预演各条数据链指令，选出能耗最低的数据链作为输出的挖泥船操纵指令。为有效应对突变影响因素对系统的冲击，算法内嵌不敏感延迟控制逻辑可极大地提高系统的鲁棒性。

Description

基于全局最优思想的绞吸挖泥船自动选点施工方法、系统
技术领域
本发明涉及新一代信息技术在绞吸挖泥船上的应用，使绞吸挖泥船自主完成规定时间挖泥任务。
背景技术
疏浚工程，是指采用挖泥船或其他机具以及人工进行水下挖掘，为拓宽和加深水域而进行的土石方工程。目前疏浚工程主要存在于沿海、内河的港口航道建设与维护、临海工业区建设与沿海城市港区拓展、江河湖库的防洪清淤、水体环境保护、岸线育护、人工岛和海洋资源开发平台建设等领域。其中绞吸式挖泥船是众多疏浚船中的一种，具有施工效率高、成本低、对不同挖掘土质适应性广、操纵灵活机动性强、挖深合适且挖泥作业环保性好等优点。随着全球疏浚市场的不断扩大以及新一轮的科技革命和产业变革，全球疏浚行业也进入到了数字化、网络化和信息化的智能疏浚新时代。
对于如何提高疏浚效率，增加疏浚产量一直是业界的研究热点，其中对疏浚生产率进行提前预测可以合理规划施工策略，缩短施工周期节，约施工成本。但挖泥船实际施工环境复杂，影响因素较多，对生产率的预测往往不能取得令人满意的结果。随着智能疏浚时代的到来，越来越多的新技术也被用于解决疏浚效率的难题。唐建中等设计了自助疏浚作业系统，其中包括可实现疏浚作业在线优化和故障诊断的专家系统，并提出了绞吸式挖泥船的分层监测方案，实现了系统的整体优化，保证了疏浚过程的运行平稳。但该系统对传感器的精度有很高的要求，普通传感器难以达到其预期效果。田俊峰等开发了一套绞吸挖泥船计算机辅助决策系统，可根据不同的土质参数调整相关的施工操作，提高了疏浚生产率。但该系统对于挖泥船生产率的预测精度不高，还需进一步完善。
发明内容
本发明提供一种基于全局最优思想的绞吸挖泥船自动选点施工方法、系统，应用本发明方法可帮助挖泥船在不需要人工干预的情况下，自主完成规定时间挖泥任务。无论在何种突发情况下，该方法都能帮助挖泥船如期完成施工任务。
根据本发明实施例的第一方面，提供一种基于全局最优思想的绞吸挖泥船自动选 点施工方法，所述方法包括：根据目标总产量
Figure 100002_DEST_PATH_IMAGE001
和计划施工时间
Figure 556561DEST_PATH_IMAGE002
，计算出每小时的疏浚 量
Figure 100002_DEST_PATH_IMAGE003
，在基于全局最优的限定下通过大数据字典搜索算法寻找出符合施工要求的施工操作 命令条，将符合小时生产率
Figure 395073DEST_PATH_IMAGE004
条件所对应的绞吸挖泥船各装备仪器的参数输出，成为该条 件下的施工操作命令
Figure 100002_DEST_PATH_IMAGE005
，使绞吸挖泥船按照施工操作命令
Figure 705968DEST_PATH_IMAGE005
进行施工，若搜索到有多条
Figure 429074DEST_PATH_IMAGE004
值 所对应的参数链，则将各条参数链
Figure 712287DEST_PATH_IMAGE006
输入到已经训练好的机器学习产量预测模型中进 行提前施工预演，预测对比出最小施工能耗的参数链
Figure 100002_DEST_PATH_IMAGE007
，并将其作为施工操作命令
Figure 181753DEST_PATH_IMAGE005
。
在一些示例中，为有效应对突变影响因素对系统的冲击，算法内嵌不敏感延迟控 制逻辑可极大地提高系统的鲁棒性。施工操作命令
Figure 917628DEST_PATH_IMAGE005
间隔发送，在施工操作命令
Figure 444424DEST_PATH_IMAGE005
变更间 隙挖泥船仍按照原命令保持操控。
在一些示例中，在施工操作命令
Figure 441199DEST_PATH_IMAGE005
变更间隙，对当下产量
Figure 903404DEST_PATH_IMAGE008
和设定产量
Figure 100002_DEST_PATH_IMAGE009
进行比 较，若
Figure 579105DEST_PATH_IMAGE010
，则调整施工操作命令
Figure 100002_DEST_PATH_IMAGE011
，新一轮命令
Figure 847275DEST_PATH_IMAGE012
按照公式（1）更新后
Figure 100002_DEST_PATH_IMAGE013
所对应的命 令下达，
Figure 167398DEST_PATH_IMAGE014
（1）
Figure 928069DEST_PATH_IMAGE001
为施工总目标产量，
Figure 100002_DEST_PATH_IMAGE015
为自初始时刻到
Figure 966432DEST_PATH_IMAGE016
施工时刻的全部产量累加，同理
Figure 100002_DEST_PATH_IMAGE017
为施工总目标时间，
Figure 162927DEST_PATH_IMAGE018
为已经消耗的施工时间。
根据本发明实施例的第二方面，提供一种基于全局最优思想的绞吸挖泥船自动选点施工系统，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行所述方法的全部或部分步骤。
根据本发明实施例的第三方面，提供一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的全部或部分步骤。所述非临时性计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1为本发明一实施例提供的基于全局最优思想的绞吸挖泥船自动选点施工系统流程图。
具体实施方式
图1展示了一种基于全局最优思想的绞吸挖泥船自动选点施工系统流程图。给定 基本施工要求，即目标总产量
Figure 275239DEST_PATH_IMAGE001
和计划施工时间
Figure 938302DEST_PATH_IMAGE002
，系统自动计算出每小时的疏浚量
Figure 136065DEST_PATH_IMAGE003
。 在基于全局最优的限定下系统通过大数据字典搜索算法寻找出符合施工要求的施工命令 条，将符合小时生产率
Figure 542775DEST_PATH_IMAGE003
条件所对应的绞吸挖泥船各装备仪器的参数输出，成为该条件下 的施工操作命令
Figure 634228DEST_PATH_IMAGE005
，使绞吸挖泥船按照施工操作命令
Figure 874717DEST_PATH_IMAGE005
进行施工。参数包括绞刀转速、横移 速度、绞刀功率、泥泵功率等挖泥船常规操作指令参数，由传感器采集。因为数据在储存和 输出的规则是按照同一时刻的全部传感器数据进行储存和输出，将其定义为“施工命令 条”，每一条就代表某一时刻的全部传感器参数。依据
Figure 153251DEST_PATH_IMAGE003
为检索对象，全局最优为检索目标， 寻找出符合要求的全部施工操作命令条，再对比选出最优的施工命令条。
若搜索到有多条
Figure 504598DEST_PATH_IMAGE003
值所对应的参数链，则将各条参数链
Figure 187908DEST_PATH_IMAGE006
输入到已经训练好 的机器学习产量预测模型中进行提前施工预演，预测对比出最小施工能耗的的参数链
Figure 458352DEST_PATH_IMAGE007
， 并将其作为施工操作命令
Figure 224183DEST_PATH_IMAGE005
。机器学习产量预测模型采用目前较为成熟的XGboost模型 （eXtreme Gradient Boosting）。
为应对遇到风浪流、水下施工地形突变或人为操作失误等影响，系统设置了不敏 感延迟控制逻辑，即系统施工操作命令是每隔一段时间（如5分钟）发送一次，在命令变更间 隙无论遇到什么状况挖泥船仍按照原命令保持操控。在命令变更间隙，系统会依据监测数 据对当下产量
Figure 113642DEST_PATH_IMAGE008
和设定产量
Figure 914107DEST_PATH_IMAGE009
进行比较，若
Figure 100002_DEST_PATH_IMAGE019
则表明按照目前的操作状态可按时完 成施工任务，不必调整操纵指令；若
Figure 824294DEST_PATH_IMAGE010
，则需调整施工操纵命令，新一轮命令
Figure 77421DEST_PATH_IMAGE012
是按照 公式（1）更新后
Figure 629625DEST_PATH_IMAGE013
所对应的命令下达的。
Figure 894385DEST_PATH_IMAGE014
（1）
此公式为剩余产量生产率计算公式，
Figure 506631DEST_PATH_IMAGE001
为施工总目标产量，
Figure 515563DEST_PATH_IMAGE015
为自初始时刻到
Figure 746825DEST_PATH_IMAGE016
施工时刻的全部产量累加，同理
Figure 521882DEST_PATH_IMAGE017
为施工总目标时间，
Figure 39451DEST_PATH_IMAGE018
为已经消耗的施工时间。

Claims (5)

1.一种基于全局最优思想的绞吸挖泥船自动选点施工方法，其特征在于，根据目标总 产量
Figure DEST_PATH_IMAGE001
和计划施工时间
Figure 129948DEST_PATH_IMAGE002
，计算出每小时的疏浚量
Figure DEST_PATH_IMAGE003
，在基于全局最优的限定下通过大数 据字典搜索算法寻找出符合施工要求的施工操作命令条，将符合小时生产率
Figure 758376DEST_PATH_IMAGE004
条件所对应 的绞吸挖泥船各装备仪器的参数输出，成为该条件下的施工操作命令
Figure DEST_PATH_IMAGE005
，使绞吸挖泥船按 照施工操作命令
Figure 605851DEST_PATH_IMAGE006
进行施工，若搜索到有多条
Figure DEST_PATH_IMAGE007
值所对应的参数链，则将各条参数链
Figure 763163DEST_PATH_IMAGE008
输入到已经训练好的机器学习产量预测模型中进行提前施工预演，预测对比出最小施工能 耗的参数链
Figure DEST_PATH_IMAGE009
，并将其作为施工操作命令
Figure 806074DEST_PATH_IMAGE005
。
2.根据权利要求1所述的基于全局最优思想的绞吸挖泥船自动选点施工方法，其特征 在于，施工操作命令
Figure 644717DEST_PATH_IMAGE005
间隔发送，在施工操作命令
Figure 597629DEST_PATH_IMAGE005
变更间隙挖泥船仍按照原命令保持操 控。
3.根据权利要求1所述的基于全局最优思想的绞吸挖泥船自动选点施工方法，在施工 操作命令
Figure 722580DEST_PATH_IMAGE005
变更间隙，对当下产量
Figure 659312DEST_PATH_IMAGE010
和设定产量
Figure DEST_PATH_IMAGE011
进行比较，若
Figure 629542DEST_PATH_IMAGE012
，则调整施工操作 命令
Figure 971049DEST_PATH_IMAGE006
，新一轮命令
Figure DEST_PATH_IMAGE013
按照公式（1）更新后
Figure 470164DEST_PATH_IMAGE014
所对应的命令下达，
Figure DEST_PATH_IMAGE015
（1）
Figure 222088DEST_PATH_IMAGE001
为施工总目标产量，
Figure 261588DEST_PATH_IMAGE016
为自初始时刻到
Figure DEST_PATH_IMAGE017
施工时刻的全部产量累加，同理
Figure 657935DEST_PATH_IMAGE018
为施工总目标时间，
Figure DEST_PATH_IMAGE019
为已经消耗的施工时间。
4.一种基于全局最优思想的绞吸挖泥船自动选点施工系统，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-3任一项所述的方法的步骤。
5.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计
算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。
CN202210327835.2A 2022-03-31 2022-03-31 基于全局最优思想的绞吸挖泥船自动选点施工方法、系统 Pending CN114418248A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210327835.2A CN114418248A (zh) 2022-03-31 2022-03-31 基于全局最优思想的绞吸挖泥船自动选点施工方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210327835.2A CN114418248A (zh) 2022-03-31 2022-03-31 基于全局最优思想的绞吸挖泥船自动选点施工方法、系统

Publications (1)

Publication Number Publication Date
CN114418248A true CN114418248A (zh) 2022-04-29

Family

ID=81264135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210327835.2A Pending CN114418248A (zh) 2022-03-31 2022-03-31 基于全局最优思想的绞吸挖泥船自动选点施工方法、系统

Country Status (1)

Country Link
CN (1) CN114418248A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593719A (zh) * 2013-11-29 2014-02-19 湘潭大学 一种基于板坯与合同优化匹配的轧制节能方法
CN109750697A (zh) * 2019-03-12 2019-05-14 中交天津航道局有限公司 一种绞吸挖泥船基于产量的自动挖泥控制方法
CN109750707A (zh) * 2019-03-12 2019-05-14 中交天津航道局有限公司 一种绞吸挖泥船目标产量自动挖泥控制方法
CN111335388A (zh) * 2020-02-21 2020-06-26 中交疏浚技术装备国家工程研究中心有限公司 一种全智能绞吸挖泥船

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593719A (zh) * 2013-11-29 2014-02-19 湘潭大学 一种基于板坯与合同优化匹配的轧制节能方法
CN109750697A (zh) * 2019-03-12 2019-05-14 中交天津航道局有限公司 一种绞吸挖泥船基于产量的自动挖泥控制方法
CN109750707A (zh) * 2019-03-12 2019-05-14 中交天津航道局有限公司 一种绞吸挖泥船目标产量自动挖泥控制方法
CN111335388A (zh) * 2020-02-21 2020-06-26 中交疏浚技术装备国家工程研究中心有限公司 一种全智能绞吸挖泥船

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹点点: "耙吸挖泥船疏浚作业控制参数优化研究与应用", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *

Similar Documents

Publication Publication Date Title
Li et al. Predictive control of slurry pressure balance in shield tunneling using diagonal recurrent neural network and evolved particle swarm optimization
CN112307420A (zh) 一种河口湿地植被生境修复方法
Elias et al. The ‘Voordelta’, the contiguous ebb-tidal deltas in the SW Netherlands: large-scale morphological changes and sediment budget 1965–2013; impacts of large-scale engineering
CN111208835A (zh) 一种基于拓扑重构的船舶编队切换控制方法
Li et al. Novel method of construction-efficiency evaluation of cutter suction dredger based on real-time monitoring data
CN115496015A (zh) 一种基于流量梯度变化的水动力分析决策方法
CN114418248A (zh) 基于全局最优思想的绞吸挖泥船自动选点施工方法、系统
AU2010204277B2 (en) Method for controlling a mobile ground working device
Brutsche et al. Strategic nearshore placement of dredged sediment at Vilano Beach, Florida
CN117494954B (zh) 一种滨海感潮河口区水系综合治理方法
Lam Real-time prediction of salinity in the Mekong River Delta
CN112633579B (zh) 一种基于域对抗的交通流迁移预测方法
CN116542105B (zh) 一种在超深动水区的河床底摊铺作业方法及系统
CN113792193A (zh) 一种面向内河航标的事故数据挖掘方法与系统
CN109117517A (zh) 一种基于遗传算法与地下水模型的基坑降水优化设计方法
CN115897692A (zh) 提高挖泥船感知作业系统可靠性的方法、系统
Wallick et al. Patterns and controls on historical channel change in the Willamette River, Oregon USA
CN114019967B (zh) 一种适用于狭长航道的无人艇航线规划方法
Steijn et al. Extreme coastal dynamics of Sittaung estuary (Myanmar)
CN112967354A (zh) 一种基于有限固定断面地形与遥感影像资料生成二维地形的方法
CN111079065B (zh) 一种时空动态优化的嵌套式自稳定汇流演算方法
Messaros et al. Assessing the coastal resilience of manasquan inlet to Sea Bright, New Jersey: Regional sediment budget 1992–2003
Garel Efficient dredging strategy for channel maintenance of the Guadiana ebb-delta
CN114091233A (zh) 综采工作面采煤机自适应跟随煤层截割路径优化方法
Bonet et al. Optimal Pumping Flow Algorithm to Improve Pumping Station Operations in Irrigation Systems

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