CN114661006A - 一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法 - Google Patents

一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法 Download PDF

Info

Publication number
CN114661006A
CN114661006A CN202210208945.7A CN202210208945A CN114661006A CN 114661006 A CN114661006 A CN 114661006A CN 202210208945 A CN202210208945 A CN 202210208945A CN 114661006 A CN114661006 A CN 114661006A
Authority
CN
China
Prior art keywords
data
cabin
neural network
pumping
sample set
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
CN202210208945.7A
Other languages
English (en)
Inventor
俞孟蕻
梅立群
袁伟
苏贞
周泊龙
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.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
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 Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202210208945.7A priority Critical patent/CN114661006A/zh
Publication of CN114661006A publication Critical patent/CN114661006A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Treatment Of Sludge (AREA)

Abstract

本发明公开了一种耙吸挖泥船抽舱吹岸过程的优化控制系统及方法，系统包括：采集模块，用于采集泥浆运行参数及耙吸挖泥船相关参数；模型构建模块，用于建立神经网络预测模型并采用PSO算法对神经网络进行初始化；模型构建模块用于从泥浆运行参数及耙吸挖泥船相关参数中筛选出泥浆流速、泥沙平均粒径、抽舱门开度及泥泵转速以作为输入变量，用于选取临界流速vc作为输出参数；模型构建模块用于对输入变量进行滤波、异常值处理及归一化的预处理，将预处理后数据划分为训练样本集、验证样本集；训练验证模块，用于利用训练样本集数据对神经网络预测模型进行训练，用于选取验证样本集中数据对训练好的神经网络预测模型进行验证。

Description

一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法
技术领域
本发明涉及耙吸挖泥船艏吹疏浚作业，特别涉及一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法。
背景技术
疏浚工程是在水下挖掘的土方工程沉淀物、沙或岩石使用特定的机械设备拓宽和加深挖掘区域。耙吸挖泥船以其自航、自挖、自载及自卸的优点在疏浚工程施工中占据着重要的地位。人们对于耙吸挖泥船的性能、效率、自动化水平、环保等级要求越来越高，提高性能和效率挖泥船产能成为了疏浚工作的重点。艏吹是耙吸挖泥船常用吹填施工方法之一，多用于离岸深海区取砂、运输到近岸区艏吹造陆的情况。一个完整的耙吸挖泥船疏浚作业，从在起始地点的挖泥装舱到目的地的抽舱吹岸排泥，每个环节的效率都会影响整个挖泥船的效率。抽舱吹案是泥沙自泥舱进入抽舱管道并随抽舱管道内的海水一起排出的过程，影响抽舱吹岸过程效率高低的关键参数就是临界流速，当抽舱管道内的临界流速低于最佳临界流速就会发生堵管现象，导致整个抽舱吹岸过程停滞，而泥浆流速高于最佳临界流速，又会对能耗造成巨大的负担，增加设备的负担。
由于现有耙吸挖泥船在临界流速的预测技术的不足，不能实现耙吸挖泥船抽舱吹岸过程中以临界流速为目标的最优控制，导致了抽舱吹岸的效率比较低下。
现在公布的一些对于耙吸挖泥船优化控制系统，如现有技术中CN202010317070.5号专利申请公开的一种耙吸挖泥船自动疏浚优化控制系统，包括控制面板、嵌入式逻辑控制器(PAC)、传感器、可编程逻辑控制器(PLC)以及传统的耙吸挖泥船操作系统，其中控制面板与嵌入式逻辑控制器可以实现人机界面的交互，将传感器采集到的数据以数字化的形式在控制面板上面显示出来，同时也可以将操作人员的在操作界面上面输入的控制指令转化成机器语言传递给可编程逻辑控制器；可编程逻辑控制器就可以根据接收到的控制指令去对相应的疏浚设备进行控制。该耙吸挖泥船自动疏浚优化控制系统，仅仅只能提供辅助判断的疏浚过程实时数据，但是疏浚过程中的关键设备具体参数是多少还是需要操作人员自行调控，抽舱吹岸过程中的效率高低是基于操作人员的经验，还是不能实现智能船舶疏浚参数的自动优化，无法达到真正的最优控制。
现有技术中CN200510123193.0号专利申请公开的一种耙吸挖泥船疏浚施工自动寻优方式，涉及一种在疏浚施工过程中对耙吸挖泥船的工作状态进行自动控制的技术，具体是一种耙吸挖泥船疏浚施工自动寻优方法。该方法是在耙吸挖泥船上设置多个能够对挖泥船的工况进行检测和控制的子系统，其中包括高压冲水泵系统、泵机系统,耙管绞车系统、主机系统、吃水装载系统、产量计系统、平面位置定位系统、耙臂位置指示系统，每一个子系统中通过相应的传感装置进行信号的采集，并将各有效数据存入数据库系统，疏浚施工的整个过程包括试挖步骤、自动寻优步骤和正式疏浚步骤，能够在一个情况不熟悉的新工地通过试挖和数据采集与分析，提出指导性的优化施工参数，使得挖泥船在保障设备安全的前提下得到持续高产效果。该方法只能离线得到一组优化施工参数，但是实际施工过程中，施工参数也是需要实时的变化，才能保证工作的效率和安全。
上述现有技术中所提及的疏浚方式都是以疏浚过程为整体进行优化，在一定程度上可以缩短疏浚所需的时间，但是每个过程的最优施工参数都是有所不同的，从挖泥装舱到抽舱吹岸，需要多次去更改设置的参数，无法根据疏浚状态的不同自动切换对应的疏浚优化模型，无法使得泥浆流速保持在最佳流速，从而无法有效降低操作人员的工作量，无法提高疏浚的效率和安全性。
目前，现有的耙吸挖泥船SCADA控制系统，仅仅只能提供辅助判断的疏浚过程中的实时数据，但是疏浚过程中的临界流速还是要操作人员根据经验自行判断，无法精确知道临界流速的大小。
为此，现需提出一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法。
发明内容
发明目的：本发明提供一种耙吸挖泥船抽舱吹岸过程优化控制系统，用以预测抽舱过程中泥浆临界流速的大小。
技术方案如下：本发明提供一种耙吸挖泥船抽舱吹岸过程优化控制系统，系统包括：采集模块，用于采集泥浆运行参数及耙吸挖泥船相关参数；数据处理模块，用于从泥浆运行参数及耙吸挖泥船相关参数中筛选出泥浆流速、泥沙平均粒径、抽舱门开度、泥泵转速，以作为输入变量，用于选取耙吸挖泥船抽舱吹岸过程的临界流速vc作为输出参数；以及，所述数据处理模块用于对输入变量进行滤波、异常值处理、归一化处理以进行预处理，并将预处理后数据划分为训练样本集、验证样本集；模型构建模块，用于建立神经网络预测模型，采用PSO算法对神经网络进行初始化，确定最小适应度函数；训练验证模块，用于利用训练样本集中数据对该神经网络预测模型进行训练，用于选取验证样本集中数据对训练好的神经网络预测模型进行验证。
进一步的，该神经网络预测模型包括输入层、隐藏层、输出层，输入层节点数为n，输出层节点数为l，隐藏层神经元节点数为
Figure BDA0003530241250000021
a是区间[0,10]的整数；神经网络的初始化为：粒子维数M为：
Figure BDA0003530241250000022
Figure BDA0003530241250000023
神经网络的适应度函数为：
Figure BDA0003530241250000024
Figure BDA0003530241250000031
其中，N为输入样本总数；M为粒子维数；Yij为模型的第i个样本实际输出；Tij为预设的样本期望输出；通过迭代更新粒子的速度和位置评估粒子的适应度函数值，直至适应度函数值达到一预设的迭代精度时确定适应度函数值最小。
进一步的，临界流速vc为：
Figure BDA0003530241250000032
其中，Cn为泥浆体积浓度；g为重力加速度；D为抽舱管道内径；vt为静水沉速；dm为平均粒径；并且，Cn＝4Vm/(vπD2)；其中，D为抽舱管道内径，v为泥浆流速，Vm为单位时间内进入管道的泥沙体积；单位时间内进入管道内的泥沙体积Vm与抽舱门开度相关，泥浆流速v与泥泵转速相关。
进一步的，所述数据处理模块用于采用小波阈值去噪对输入变量进行滤波；并且，所述数据处理模块用于采用莱伊特准则对滤波后的输入变量进行异常值处理，对输入变量进行N次测量并进行异常值处理后得到x1,x2，x3，…，xk，…，xn，，取x1,x2，x3，…，xk，…，xn的平均数为
Figure BDA0003530241250000033
将数据xk判定为异常值的条件是：数据xk相对应的残差Rk满足以下公式：
Figure BDA0003530241250000034
以及，所述数据处理模块用于对异常值处理后的数据进行归一化处理获得X为：
Figure BDA0003530241250000035
其中，X为经过归一化处理后的数据，
Figure BDA0003530241250000036
为异常值处理后的数据，Xmin为异常值处理后的数据中的最小值，Xmax为异常值处理后的数据中的最大值。
进一步的，训练验证模块用于选取训练样本集中数据的均方根误差RMSE及平均百分比误差MAPE最小时的模型作为训练好的模型：
Figure BDA0003530241250000037
Figure BDA0003530241250000038
其中，yi表示训练样本集中第i个真实值，
Figure BDA0003530241250000039
表示第i个预测值，n表示训练样本集中数据数目。
该耙吸挖泥船抽舱吹岸过程优化控制系统，用于构建神经网络预测模型，用于采集泥浆运行参数及耙吸挖泥船相关参数并筛选出泥浆流速、泥沙平均粒径、抽舱门开度、泥泵转速以作为模型输入变量，用于选取临界流速作为模型输出参数；用于对输入变量将预处理并划分为训练样本集、验证样本集；用于采用PSO算法对神经网络初始化，确定最小适应度函数；并用于对模型进行训练，选择均方根误差和平均百分比误差最小时的模型为训练好的模型，并利用所述验证集数据对已训练好的模型进行验证，以得到耙吸挖泥船抽舱吹岸过程中临界流速预测模型，实现长时间的精确预测；采用预测临界流速的方法来实现效率最高，解决了长期依赖操作人员经验施工的弊端。
本发明还提供一种耙吸挖泥船抽舱吹岸过程优化控制方法，包括以下步骤：
(1)利用传感器采集耙吸挖泥船抽舱吹岸过程中的泥浆运行参数及耙吸挖泥船相关参数；(2)从泥浆运行参数及耙吸挖泥船相关参数中筛选出泥浆流速、泥沙平均粒径、抽舱门开度、泥泵转速，以作为输入变量，选取耙吸挖泥船抽舱吹岸过程的临界流速vc作为输出参数；(3)对输入变量进行滤波、异常值处理、归一化处理以进行预处理，并将预处理后数据划分为训练样本集、验证样本集；(4)建立神经网络预测模型，采用PSO算法对神经网络进行初始化，确定最小适应度函数；(5)利用训练样本集中数据对该神经网络预测模型进行训练，选取验证样本集中数据对训练好的神经网络预测模型进行验证。
进一步的，步骤(4)中，神经网络包括输入层、隐藏层、输出层，输入层节点数为n，输出层节点数为l，隐含层的神经元节点数为
Figure BDA0003530241250000041
其中a是区间[0,10]的整数；采用PSO算法对神经网络初始化的步骤中，获取粒子维数M为：
Figure BDA0003530241250000042
确定适应度函数为：
Figure BDA0003530241250000043
其中，N为输入样本总数；M为粒子维数；Yij为模型的第i个样本实际输出；Tij为预设的样本期望输出；通过迭代更新粒子的速度和位置评估粒子的适应度函数值，直至适应度函数值达到一预设的迭代精度时确定适应度函数值最小。
进一步的，在步骤(2)中，临界流速vc为：
Figure BDA0003530241250000044
Figure BDA0003530241250000045
其中，Cn为泥浆体积浓度；g为重力加速度；D为抽舱管道内径；vt为静水沉速；dm为泥浆平均粒径；并且，Cn＝4Vm/(vπD2)；
其中，v为泥浆流速，Vm为单位时间内进入管道的泥沙体积；单位时间内进入管道内的泥沙体积Vm与抽舱门开度相关，泥浆流速v与泥泵转速相关。
进一步的，在步骤(3)中，还包括以下步骤：采用小波阈值去噪对输入变量进行滤波；采用莱伊特准则对滤波后的输入变量进行异常值处理，对输入变量进行N次测量并滤波处理后得到x1,x2，x3，…，xk，…，xn，，取x1,x2，x3，…，xk，…，xn的平均数为
Figure BDA0003530241250000046
将数据xk判定为异常值的条件是：数据xk相对应的残差Rk满足以下公式：
Figure BDA0003530241250000047
对异常值处理后的数据进行归一化处理获得X为：
Figure BDA0003530241250000048
其中，X为经过归一化处理后的数据，
Figure BDA0003530241250000049
为异常值处理后的数据，Xmin为异常值处理后的数据中的最小值，Xmax为异常值处理后的数据中的最大值。
进一步的，在步骤(5)对该神经网络预测模型进行训练时，选取训练样本集中数据的均方根误差RMSE及平均百分比误差MAPE最小时的模型作为训练好的模型：
Figure BDA0003530241250000051
Figure BDA0003530241250000052
其中，yi表示训练样本集中第i个真实值，
Figure BDA0003530241250000053
表示第i个预测值，n表示训练样本集中数据数目。
该耙吸挖泥船抽舱吹岸过程优化控制方法，通过构建神经网络预测模型，采集泥浆运行参数及耙吸挖泥船相关参数并筛选出泥浆流速、泥沙平均粒径、抽舱门开度、泥泵转速以作为模型输入变量，选取临界流速作为模型输出参数；对输入变量将预处理并划分为训练样本集、验证样本集；采用PSO算法对神经网络初始化，确定最小适应度函数；利用训练样本集数据对模型进行训练，利用验证集数据对已训练好的模型进行验证，以预测耙吸挖泥船抽舱吹岸过程中临界流速，实现长时间的精确预测；采用预测临界流速的方法来实现效率最高，解决了长期依赖操作人员经验施工的弊端。
附图说明
图1是本发明耙吸挖泥船抽舱吹案过程优化控制方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1所示，本发明所述的一种耙吸挖泥船抽舱吹岸过程的优化控制系统，其中抽舱吹案为泥沙自泥舱进入抽舱管道并随抽舱管道内海水排出的过程，该系统包括：采集模块、数据处理模块、模型构建模块及训练验证模块。
所述采集模块用于采集泥浆运行参数及耙吸挖泥船相关参数；泥浆运行参数包括在耙吸挖泥船抽舱吹岸过程中的泥浆混合物的浓度、流速、粒径；耙吸挖泥船相关参数包括抽舱门的开度、抽舱门的最大开度面积、抽舱管道的长度和直径、管道的阻力系数、泥泵的排压等共302个相关参数；这些参数中的某些参数不变，另一些参数则是在抽舱吹岸过程中变化的，但不是所有的参数都会对抽舱吹岸过程中的临界流速产生影响，因此后续需要对参数进行筛选后再使用。
根据抽舱吹岸相关的数学模型以及工艺进行分析，所述数据处理模块用于从泥浆运行参数及耙吸挖泥船相关参数中筛选出泥浆流速、泥沙平均粒径、抽舱门开度、泥泵转速，以作为输入变量，用于选取耙吸挖泥船抽舱吹岸过程的临界流速vc作为输出参数；
根据经验公式，对于同样的一艘耙吸挖泥船来说，抽舱管道内的泥浆体积浓度Cn和泥沙的平均粒径dm决定了临界流速的大小，所述模型构建模块输出的临界流速vc为：
Figure BDA0003530241250000061
其中，Cn为泥浆体积浓度；g为重力加速度；D为抽舱管道内径；vt为静水沉速；dm为平均粒径；并且，由于泥浆的体积浓度Cn直接影响着临界流速vc的大小，对抽舱管道内的泥浆体积浓度Cn的分析计算为：
Cn＝4Vm/(vπD2)；
其中，D为抽舱管道内径，v为泥浆流速，Vm为单位时间内进入管道的泥沙体积；在抽舱管道内径D不变，泥沙流速变化不大的情况下，进入抽舱管道的泥沙体积决定了管道内的泥浆浓度，进入管道内的泥沙体积主要由抽舱门控制，抽舱门的开度直接决定了进入抽舱管道内的泥沙体积，泥泵的转速直接影响泥浆的流速；即相当于，单位时间内进入管道内的泥沙体积Vm与抽舱门开度之间呈正相关，泥浆流速v与泥泵转速呈正相关。
根据工程经验以及机理分析，抽舱吹岸过程中泥浆的体积浓度和粒径能很好的影响临界流速的大小，从而所述模型构建模块用于选取泥浆流速、抽舱门开度、泥沙平均粒径、泥泵转速作为影响临界流速的因素，以作为模型的输入变量。
所述数据处理模块用于对输入变量进行滤波、异常值处理、归一化处理以进行预处理。具体从收集到的历史数据中提取出泥浆流速、抽舱门开度、泥沙平均粒径、泥泵转速四个输入变量的实际数据，并对所选取的数据进行预处理，数据预处理包括：采用小波阈值去噪对输入变量进行滤波；并且，数据预处理还包括：采用莱伊特准则对滤波后的输入变量进行异常值处理，对输入变量进行N次测量并进行异常值处理后得到x1,x2，x3，…，xk，…，xn，，取x1,x2，x3，…，xk，…，xn的平均数为
Figure BDA0003530241250000062
将数据xk判定为异常值的条件是：数据xk相对应的残差Rk满足以下公式：
Figure BDA0003530241250000063
以及，数据预处理还包括：对异常值处理后的数据进行归一化处理获得X为：
Figure BDA0003530241250000064
其中，X为经过归一化处理后的数据，
Figure BDA0003530241250000065
为异常值处理后的数据，Xmin为异常值处理后的数据中的最小值，Xmax为异常值处理后的数据中的最大值。
所述数据处理模块用于将预处理后数据划分为训练样本集、验证样本集。其中，预处理后数据的前80％作为训练样本集数据，其余作为验证样本集数据。
所述模型构建模块用于建立神经网络预测模型，采用PSO算法对神经网络进行初始化，确定最小适应度函数，用以实现耙吸挖泥船的抽舱吹岸过程中临界流速的预测。由于BP神经网络对初始权值和学习速率等网络参数十分敏感，易陷入局部最优解；PSO算法基于群体智能优化，动态调整粒子的速度和位置寻找全局最优解，具有较强的全局搜索能力，因此采用PSO算法初始化网络连接权值和阈值，进而优化BP神经网络结构。
所述泥浆流速、泥沙平均粒径、抽舱门开度、泥泵转速的预处理后数据作为神经网络预测模型的输入变量，耙吸挖泥船抽舱吹岸过程的临界流速vc作为神经网络预测模型的输出参数。
该神经网络预测模型包括输入层、隐藏层、输出层，输入层节点数为n，输出层节点数为l，隐藏层神经元节点数为
Figure BDA0003530241250000071
a是区间[0,10]的整数；
利用PSO算法初始化神经网络的权值和阈值，对神经网络的初始化为：将粒子群数量、学习因子、惯性权重设定为经验值，粒子维数M由输入层、隐含层和输出层节点数确定，粒子维数M为：
Figure BDA0003530241250000072
适应度函数值是表征粒子好坏的重要参数，可通过最小化适应度函数值达到目标函数最小的目的；采用BP神经网络的均方误差作为适应度函数，神经网络的适应度函数为：
Figure BDA0003530241250000073
其中，N为输入样本总数；M为粒子维数；Yij为模型的第i个样本实际输出；Tij为预设的样本期望输出。由上述公式可知，适应度函数值越小的网络误差越小，粒子适应性越好。通过动态调整粒子的速度和位置，最小化适应度函数即可确定最优粒子。通过迭代更新粒子的速度和位置评估粒子的适应度函数值，直至适应度函数值达到一预设的迭代精度时确定适应度函数值最小，得到粒子历史最优位置和群体全局最优位置。
所述训练验证模块用于利用训练样本集中数据对该神经网络预测模型进行训练，用于选取验证样本集中数据对训练好的神经网络预测模型进行验证，得到耙吸挖泥船抽舱吹岸过程中临界流速预测模型。
所述训练验证模块还用于以训练样本集中数据的均方根误差RMSE及平均百分比误差MAPE作为训练评价指标，选取均方根误差RMSE及平均百分比误差MAPE最小时的模型作为训练好的模型：
Figure BDA0003530241250000081
Figure BDA0003530241250000082
其中，yi表示训练样本集中第i个真实值，
Figure BDA0003530241250000083
表示第i个预测值，n表示训练样本集中数据数目。
在对模型进行训练时，依据上述均方根误差RMSE和平均百分比误差MAPE对模型进行微调更新，得到相对精确的预测模型。选择均方根误差RMSE和平均百分比误差MAPE最小时的模型为训练好的模型，并利用所述验证集数据对已训练好的模型进行验证，得到耙吸挖泥船抽舱吹岸过程中临界流速预测模型。
该耙吸挖泥船抽舱吹岸过程优化控制系统，用于构建神经网络预测模型，用于采集泥浆运行参数及耙吸挖泥船相关参数并筛选出泥浆流速、泥沙平均粒径、抽舱门开度、泥泵转速以作为模型输入变量，用于选取临界流速作为模型输出参数；用于对输入变量将预处理并划分为训练样本集、验证样本集；用于采用PSO算法对神经网络初始化，确定最小适应度函数；并用于对模型进行训练，选择均方根误差和平均百分比误差最小时的模型为训练好的模型，并利用所述验证集数据对已训练好的模型进行验证，以得到耙吸挖泥船抽舱吹岸过程中临界流速预测模型，实现长时间的精确预测；可以使得抽舱吹岸的时候，准确了解当前的临界流速大小，这样可以根据临界流速的大小进行调整，既不会因为流速太低导致的泥浆堵管，也不会因为流速太快导致的能耗过大。采用预测临界流速的方法来实现效率最高，解决了长期依赖操作人员经验施工的弊端。
本发明提供一种耙吸挖泥船抽舱吹岸过程优化控制方法，包括以下步骤：
(1)利用传感器采集耙吸挖泥船抽舱吹岸过程中的泥浆运行参数及耙吸挖泥船相关参数；
在本步骤(1)中，泥浆运行参数包括在耙吸挖泥船抽舱吹岸过程中的泥浆混合物的浓度、流速、粒径；耙吸挖泥船相关参数包括抽舱门的开度、抽舱门的最大开度面积、抽舱管道的长度和直径、管道的阻力系数、泥泵的排压等共302个相关参数；这些参数中的某些参数不变，另一些参数则是在抽舱吹岸过程中变化的，但不是所有的参数都会对抽舱吹岸过程中的临界流速产生影响，因此后续需要对参数进行筛选后再使用。
(2)建立神经网络预测模型模型，从泥浆运行参数及耙吸挖泥船相关参数中筛选出泥浆流速、泥沙平均粒径、抽舱门开度、泥泵转速，以作为该神经网络预测模型模型的输入变量，选取耙吸挖泥船抽舱吹岸过程的临界流速vc作为该神经网络预测模型模型的输出参数；
在步骤(2)中，根据经验公式，对于同样的一艘耙吸挖泥船来说，抽舱管道内的泥浆体积浓度和泥沙平均粒径决定了临界流速的大小，输出的临界流速v为：
Figure BDA0003530241250000091
其中，Cn为泥浆体积浓度；g为重力加速度；D为抽舱管道内径；vt为静水沉速；dm为泥浆平均粒径；并且，由于泥浆的体积浓度直接影响着临界流速的大小，因此对抽舱管道内的泥浆体积浓度进行分析如下：
Cn＝4Vm/(vπD2)；
其中，v为泥浆流速，Vm为单位时间内进入管道的泥沙体积；在抽舱管道内径D不变，泥沙流速变化不大的情况下，进入抽舱管道的泥沙体积决定了管道内的泥浆浓度，进入管道内的泥沙体积主要由抽舱门控制，抽舱门的开度直接决定了进入抽舱管道内的泥沙体积，泥泵的转速直接影响泥浆的流速；即相当于，单位时间内进入管道内的泥沙体积Vm与抽舱门开度之间呈正相关，泥浆流速v与泥泵转速呈正相关。
(3)对输入变量进行滤波、异常值处理、归一化处理以进行预处理，并将预处理后数据划分为训练样本集、验证样本集；
在步骤(3)中，从收集到的历史数据中提取出泥浆流速、抽舱门开度、泥沙平均粒径、泥泵转速四个施工参数作为输入变量的实际数据，并对所选取的数据进行预处理，数据预处理的具体步骤如下：
(31)采用小波阈值去噪对输入变量进行滤波，剔除数据中的噪声以及干扰信号；
(32)采用莱伊特准则即3倍误差法对滤波后的输入变量进行异常值处理，对输入变量进行N次测量并滤波处理后得到x1,x2，x3，…，xk，…，xn，，取x1,x2，x3，…，xk，…，xn的平均数为
Figure BDA0003530241250000092
将数据xk判定为异常值的条件是：数据xk相对应的残差Rk满足以下公式：
Figure BDA0003530241250000093
(33)对异常值处理后的数据进行归一化处理获得X为：
Figure BDA0003530241250000094
其中，X为经过归一化处理后的数据，
Figure BDA0003530241250000095
为异常值处理后的数据，Xmin为异常值处理后的数据中的最小值，Xmax为异常值处理后的数据中的最大值。
(4)利用神经网络预测模型对耙吸挖泥船抽舱吹岸过程中临界流速进行预测；
在本步骤(4)中，由于BP神经网络对初始权值和学习速率等网络参数十分敏感，易陷入局部最优解；PSO算法基于群体智能优化，动态调整粒子的速度和位置寻找全局最优解，具有较强的全局搜索能力，因此采用PSO算法初始化网络连接权值和阈值，进而优化BP神经网络结构。
步骤(4)具体包括以下步骤：
(41)构建神经网络预测模型，神经网络包括输入层、隐藏层、输出层，输入层节点数为n，输出层节点数为l，隐含层的神经元节点数为
Figure BDA0003530241250000101
其中a是区间[0,10]的整数；
(42)采用PSO算法对神经网络进行初始化，获取粒子维数M为：
Figure BDA0003530241250000102
(43)确定适应度函数为：
Figure BDA0003530241250000103
其中，N为输入样本总数；M为粒子维数；Yij为模型的第i个样本实际输出；Tij为预设的样本期望输出；
(44)最小化适应度函数以确定目标函数最小。
通过迭代更新粒子的速度和位置评估粒子的适应度函数值，直至适应度函数值达到一预设的迭代精度时确定适应度函数值最小，得到粒子历史最优位置和群体全局最优位置。
(5)利用训练样本集中数据对该神经网络预测模型进行训练，并以均方根误差及平均百分比误差作为训练评价指标，选取验证样本集中数据对训练好的神经网络预测模型进行验证。
在步骤(5)中，预处理后数据的前80％的数据作为训练样本集，其余数据作为验证样本集。
在步骤(5)对该神经网络预测模型进行训练时，选取训练样本集中数据的均方根误差RMSE及平均百分比误差MAPE最小时的模型作为训练好的模型：
Figure BDA0003530241250000104
Figure BDA0003530241250000105
其中，yi表示训练样本集中第i个真实值，
Figure BDA0003530241250000106
表示第i个预测值，n表示训练样本集中数据数目。
该耙吸挖泥船抽舱吹岸过程优化控制方法，通过构建神经网络预测模型，采集泥浆运行参数及耙吸挖泥船相关参数并筛选出泥浆流速、泥沙平均粒径、抽舱门开度、泥泵转速以作为模型输入变量，选取临界流速作为模型输出参数；对输入变量将预处理并划分为训练样本集、验证样本集；采用PSO算法对神经网络初始化，确定最小适应度函数；利用训练样本集数据对模型进行训练，利用验证集数据对已训练好的模型进行验证，以预测耙吸挖泥船抽舱吹岸过程中临界流速，实现长时间的精确预测；可以使得抽舱吹岸的时候，准确了解当前的临界流速大小，这样可以根据临界流速的大小进行调整，既不会因为流速太低导致的泥浆堵管，也不会因为流速太快导致的能耗过大。采用预测临界流速的方法来实现效率最高，解决了长期依赖操作人员经验施工的弊端。
本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种耙吸挖泥船抽舱吹岸过程优化控制系统，其特征在于，系统包括：
采集模块，用于采集泥浆运行参数及耙吸挖泥船相关参数；
数据处理模块，用于从泥浆运行参数及耙吸挖泥船相关参数中筛选出泥浆流速、泥沙平均粒径、抽舱门开度、泥泵转速，以作为输入变量，用于选取耙吸挖泥船抽舱吹岸过程的临界流速vc作为输出参数；以及，所述数据处理模块用于对输入变量进行滤波、异常值处理、归一化处理以进行预处理，并将预处理后数据划分为训练样本集、验证样本集；
模型构建模块，用于建立神经网络预测模型，采用PSO算法对神经网络进行初始化，确定最小适应度函数；
训练验证模块，用于利用训练样本集中数据对该神经网络预测模型进行训练，用于选取验证样本集中数据对训练好的神经网络预测模型进行验证。
2.根据权利要求1所述的耙吸挖泥船抽舱吹案过程优化控制系统，其特征在于，该神经网络预测模型包括输入层、隐藏层、输出层，输入层节点数为n，输出层节点数为l，隐藏层神经元节点数为
Figure FDA0003530241240000011
a是区间[0,10]的整数；
神经网络的初始化为：粒子维数M：
Figure FDA0003530241240000012
神经网络的适应度函数为：
Figure FDA0003530241240000013
其中，N为输入样本总数；M为粒子维数；Yij为模型的第i个样本实际输出；Tij为预设的样本期望输出；
通过迭代更新粒子的速度和位置评估粒子的适应度函数值，直至适应度函数值达到一预设的迭代精度时确定适应度函数值最小。
3.根据权利要求1所述的耙吸挖泥船抽舱吹案过程优化控制系统，其特征在于，临界流速vc为：
Figure FDA0003530241240000014
其中，Cn为泥浆体积浓度；g为重力加速度；D为抽舱管道内径；vt为静水沉速；dm为平均粒径；并且，
Cn＝4Vm/(vπD2)；
其中，D为抽舱管道内径，v为泥浆流速，Vm为单位时间内进入管道的泥沙体积；单位时间内进入管道内的泥沙体积Vm与抽舱门开度相关，泥浆流速v与泥泵转速相关。
4.根据权利要求1所述的耙吸挖泥船抽舱吹案过程优化控制系统，其特征在于，所述数据处理模块用于采用小波阈值去噪对输入变量进行滤波；并且，所述数据处理模块用于采用莱伊特准则对滤波后的输入变量进行异常值处理，对输入变量进行N次测量并进行异常值处理后得到x1,x2，x3，…，xk，…，xn，取x1,x2，x3，…，xk，…，xn的平均数为
Figure FDA0003530241240000021
将数据xk判定为异常值的条件是：数据xk相对应的残差Rk满足以下公式：
Figure FDA0003530241240000022
以及，所述数据处理模块用于对异常值处理后的数据进行归一化处理获得X为：
Figure FDA0003530241240000023
其中，X为经过归一化处理后的数据，
Figure FDA0003530241240000024
为异常值处理后的数据，Xmin为异常值处理后的数据中的最小值，Xmax为异常值处理后的数据中的最大值。
5.根据权利要求4所述的耙吸挖泥船抽舱吹案过程优化控制系统，其特征在于，训练验证模块用于选取训练样本集中数据的均方根误差RMSE及平均百分比误差MAPE最小时的模型作为训练好的模型：
Figure FDA0003530241240000025
Figure FDA0003530241240000026
其中，yi表示训练样本集中第i个真实值，
Figure FDA0003530241240000027
表示第i个预测值，n表示训练样本集中数据数目。
6.一种耙吸挖泥船抽舱吹岸过程优化控制方法，其特征在于，包括以下步骤：
(1)利用传感器采集耙吸挖泥船抽舱吹岸过程中的泥浆运行参数及耙吸挖泥船相关参数；
(2)从泥浆运行参数及耙吸挖泥船相关参数中筛选出泥浆流速、泥沙平均粒径、抽舱门开度、泥泵转速，以作为输入变量，选取耙吸挖泥船抽舱吹岸过程的临界流速vc作为输出参数；
(3)对输入变量进行滤波、异常值处理、归一化处理以进行预处理，并将预处理后数据划分为训练样本集、验证样本集；
(4)建立神经网络预测模型，采用PSO算法对神经网络进行初始化，确定最小适应度函数；
(5)利用训练样本集中数据对该神经网络预测模型进行训练，选取验证样本集中数据对训练好的神经网络预测模型进行验证。
7.根据权利要求6所述的耙吸挖泥船抽舱吹案过程优化控制方法，其特征在于，步骤(4)中，神经网络包括输入层、隐藏层、输出层，输入层节点数为n，输出层节点数为l，隐含层的神经元节点数为
Figure FDA0003530241240000031
其中a是区间[0,10]的整数；
采用PSO算法对神经网络初始化的步骤中，获取粒子维数M为：
Figure FDA0003530241240000032
确定适应度函数为：
Figure FDA0003530241240000033
其中，M为输入样本总数；M为粒子维数；Yij为模型的第i个样本实际输出；Tij为预设的样本期望输出；
通过迭代更新粒子的速度和位置，评估粒子的适应度函数值，直至适应度函数值达到一预设的迭代精度时确定适应度函数值最小。
8.根据权利要求6所述的耙吸挖泥船抽舱吹案过程优化控制方法，其特征在于，在步骤(2)中，临界流速vc为：
Figure FDA0003530241240000038
其中，Cn为泥浆体积浓度；g为重力加速度；D为抽舱管道内径；vt为静水沉速；dm为泥浆平均粒径；并且，
Cn＝4Vm/(vπD2)；
其中，v为泥浆流速，Vm为单位时间内进入管道的泥沙体积；单位时间内进入管道内的泥沙体积Vm与抽舱门开度相关，泥浆流速v与泥泵转速相关。
9.根据权利要求6所述的耙吸挖泥船抽舱吹案过程优化控制方法，其特征在于，在步骤(3)中，还包括以下步骤：
采用小波阈值去噪对输入变量进行滤波；采用莱伊特准则对滤波后的输入变量进行异常值处理，对输入变量进行N次测量并滤波处理后得到x1,x2，x3，…，xk，…，xn，取x1,x2，x3，…，xk，…，xn的平均数为
Figure FDA0003530241240000034
将数据xk判定为异常值的条件是：数据xk相对应的残差Rk满足以下公式：
Figure FDA0003530241240000035
对异常值处理后的数据进行归一化处理获得X为：
Figure FDA0003530241240000036
其中，X为经过归一化处理后的数据，
Figure FDA0003530241240000037
为异常值处理后的数据，Xmin为异常值处理后的数据中的最小值，Xmax为异常值处理后的数据中的最大值。
10.根据权利要求6所述的耙吸挖泥船抽舱吹案过程优化控制方法，其特征在于，在步骤(5)对该神经网络预测模型进行训练时，以训练样本集中数据的均方根误差RMSE及平均百分比误差MAPE作为训练评价指标：
Figure FDA0003530241240000041
Figure FDA0003530241240000042
其中，yi表示训练样本集中第i个真实值，
Figure FDA0003530241240000043
表示第i个预测值，n表示训练样本集中数据数目。
CN202210208945.7A 2022-03-03 2022-03-03 一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法 Pending CN114661006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210208945.7A CN114661006A (zh) 2022-03-03 2022-03-03 一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210208945.7A CN114661006A (zh) 2022-03-03 2022-03-03 一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法

Publications (1)

Publication Number Publication Date
CN114661006A true CN114661006A (zh) 2022-06-24

Family

ID=82028337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210208945.7A Pending CN114661006A (zh) 2022-03-03 2022-03-03 一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法

Country Status (1)

Country Link
CN (1) CN114661006A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115600746A (zh) * 2022-10-24 2023-01-13 哈尔滨工程大学（Cn） 一种基于卷积神经网络的耙吸船能效预测方法
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115600746A (zh) * 2022-10-24 2023-01-13 哈尔滨工程大学（Cn） 一种基于卷积神经网络的耙吸船能效预测方法
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
CN114661006A (zh) 一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法
CN100495410C (zh) 绞吸挖泥船计算机自动寻优疏浚方法
CN100557149C (zh) 耙吸挖泥船疏浚施工自动寻优方法
CN110826790A (zh) 一种绞吸式挖泥船施工生产率智能预测方法
MX2011003997A (es) Sistema y metodo para automatizacion en linea.
CN112183993B (zh) 一种tbm掘进控制参数智能预测及优化决策方法
CN113006188B (zh) 一种基于lstm神经网络的挖掘机分阶段功率匹配方法
CN114091339A (zh) 一种基于gru的耙吸挖泥船艏吹瞬时产量预测方法
CN111460737B (zh) 泥水气压平衡盾构的智能沉降预测方法及系统
CN113379262A (zh) 河道内水草影响电站发电的风险预警方法及系统
CN113642801A (zh) 一种基于lstm的绞吸挖泥船产量预测方法
CN117172360A (zh) 一种基于mlp和高效pso的钻井机械钻速优化方法、系统、设备及介质
CN116894213A (zh) 用于挖掘机工况识别的方法及挖掘机工况识别装置
CN114662782A (zh) 一种基于lstm神经网络的耙吸挖泥船瞬时产量预测方法
CN110847272B (zh) 一种绞吸挖泥船智能疏浚控制方法
CN115238602A (zh) 基于cnn-lstm的波致海床瞬态液化对再悬浮贡献率的预测方法
CN115796019A (zh) 一种基于数据驱动盾构施工参数多目标优化的方法
CN115773127A (zh) 一种泥水平衡盾构智能决策方法、系统、设备及介质
CN113762635B (zh) Epb隧道施工地表沉降全周期自适应模糊推理预测方法
Zhang et al. Energy Efficiency Prediction Model of Suction Hopper Dredger Based on Correlation Analysis and Convolutional Neural Network
CN114037181A (zh) 一种基于pso优化bp神经网络的耙吸挖泥船艏吹浓度预测方法
CN115600746A (zh) 一种基于卷积神经网络的耙吸船能效预测方法
Zhang et al. Research on Predicting Mud Flow Rate of Trailing Suction Dredger Based on PSO-LSTM
CN116050905A (zh) 一种耙吸挖泥船大数据溢流分析方法
Wang et al. Comparison of Cutter Suction Dredger Slurry Concentration Soft Measurement Method Based on the Mechanism and Data Dual-Driven Model

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