CN115897692A

CN115897692A - 提高挖泥船感知作业系统可靠性的方法、系统

Info

Publication number: CN115897692A
Application number: CN202211052606.0A
Authority: CN
Inventors: 范世东; 王斌; 朱汉华; 姚玉南
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2022-08-31
Filing date: 2022-08-31
Publication date: 2023-04-04

Abstract

本发明针对绞吸式挖泥船施工环境恶劣造成的关键参数传感器故障而导致的施工不连续问题，提出了一种提高挖泥船感知作业系统可靠性的方法、系统，建立基于“数字孪生”思想的传感器网络回归预测模型，该模型利用Stacking算法建立挖泥船施工关键参数传感器与其他高可靠性传感器之间的关联模型，可在挖泥船运行时同步计算出任意一个关键参数传感器的“孪生”数据，与关键参数传感器互为备份。经“长狮12”CSD施工案例验证该方法预测精度较高，所建立的所有关键参数预测拟合优度值均高于0.9，可较好的解决关键传感器故障而导致的施工不连续问题。

Description

提高挖泥船感知作业系统可靠性的方法、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，具体涉及一种提高挖泥船感知作业系统可靠性的方法、系统。

背景技术

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，被广泛应用于填海造陆、航道维护和港口清淤等。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信息化、网络化和数字化的智能疏浚新时代。实现疏浚业务的数字化有利于提高挖泥船施工效率，节约施工成本，同时可以极大减轻施工人员的劳动负担。疏浚作业的数字化离不开高效可靠的监测传感装备和及时稳定的自动控制装备。然而,疏浚施工现场的环境恶劣，传感器常年工作在高温、高湿的环境下极易发生障坏，进而会导致数据采集失效或传输间断等问题，影响挖泥船施工作业的连续性。因此，对于挖泥船关键施工参数的稳定、有效采集一直是疏浚领域的研究热点。

在绞吸挖泥船施工过程中，操作员主要依靠监测泥浆浓度、泥浆流速、水下泵真空度、泥泵排压、绞刀功率、水下泵排压和横移速度等关键参数来判断施工状态。其中在实际施工过程中，由于高温、高湿和高腐蚀性的恶劣环境，挖泥船的水下泵吸入真空度传感器、水下泵排压传感器、泥泵排压传感器、流量传感器和浓度计时常会发生故障，影响操作员对绞吸挖泥船施工状态的判断，严重时造成施工中断。

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，提供一种提高挖泥船感知作业系统可靠性的方法，包括：计算挖泥船各传感器之间的相关度，并以此建立目标传感器与其他传感器之间的网络化模型，在所述目标传感器发生故障时，利用该网络化模型及时关联出当前工况下的所述目标传感器数据。在所述目标传感器工作正常时，所述网络化模型也会伴随所述目标传感器输出孪生式数据，与之形成主辅备份。利用最大互信息系数法计算各传感器之间的相关度，选出各个传感器所对应的最相关的传感器。

根据本发明实施例的第二方面，提供一种提高挖泥船感知作业系统可靠性的系统，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孪生传感器概念图。

图2为本发明一实施例提供的最大互信息系数计算过程图。

图3为本发明一实施例提供的为各传感器最大互相关系数计算图。

图4为本发明一实施例提供的Stacking算法流程图。

图5为本发明一实施例提供的挖泥船孪生传感器网络示意图。

具体实施方式

本发明针对绞吸式挖泥船施工环境恶劣造成的关键参数传感器故障而导致的施工不连续问题，提出了一种基于“数字孪生”思想的传感器网络回归预测模型，该模型利用Stacking算法建立挖泥船施工关键参数传感器与其他高可靠性传感器之间的关联模型，可在挖泥船运行时同步计算出任意一个关键参数传感器的“孪生”数据，与关键参数传感器互为备份。经“长狮12”CSD施工案例验证该方法预测精度较高，所建立的所有关键参数预测拟合优度值均高于0.9，可较好的解决关键传感器故障而导致的施工不连续问题。

本发明提出的基于数字孪生技术的传感器数据稳定输出的网络化方法，利用大数据分析不同传感器之间的内在联系，建立目标传感器与其他高可靠性传感器之间的网络化模型，即在目标传感器发生故障时，利用该网络化模型可及时关联出当前工况下的目标传感器数据，其概念如图1所示，当图1中的传感器A出现故障时，所建立的传感器网络可迅速用“孪生传感器”A’将其代替，维持传感器网络运行的流畅性。在目标传感器工作正常时，该传感器网络也会伴随目标传感器输出一个“孪生”式数据，与之形成主辅备份，验证真实传感器可靠度。这种传感器网络化技术可巧妙的填补因传感器故障而导致的影响挖泥船施工连续性问题，极大的提高了挖泥船施工的效率。

针对挖泥船全部历史施工数据进行学习，首先对数据提前进行预处理(包括去除噪声值、归一化处理等操作)，其次利用最大互信息系数法计算各传感器之间的相关度，选出各个传感器所对应的最相关的传感器类别。其具体计算过程为：首先假设具有两个属性的数据点的集合分布在两维空间，使用m乘以n的网格划分数据空间，使落在第(x,y)格子中的数据点的频率作为P(x,y)的估计，使落在第x行的数据点的频率作为P(x)的估计，同理获得P(y)的估计。然后计算随机变量X、Y的互信息。因为m乘以n的网格划分数据点的方式不止一种，所以本申请要获得使互信息最大的网格划分。然后使用归一化因子，将互信息的值转化为(0,1)区间之内。最后，找到能使归一化互信息最大的网格分辨率，作为最大互信息系数的度量值。

因此，最大互信息系数的计算分为三个步骤，如图2所示:(图2A)给定i、j，将X、Y组成的散点图用其网格化，求出最大的互信息值；(图2B)最大互信息值除以log₂(min(X|,|Y))以得到归一化值；(图2C)寻找不同尺度下的最大的互信息值作为最大互信息系数值。

数学表达式：

图3为最大互信息系数法计算的各特征相关度，横纵坐标相互交叉的方格代表相互之间的相关系数得分，颜色越深表明两个参数的正相关程度越高，颜色越浅代表两个参数的负相关程度越高，反之表示相关程度越低，其中图中白色部分表示两个参数相互之间没有相关性,两者皆为定值。

各传感器选出各自对应的相关传感器后，将其输入到Stacking算法模型中进行训练学习，其中Stacking算法是一种分层集成学习框架，采用两层模型，第一层由多个基学习器组成，输入为原始训练集，第二层的元学习器以第一层基学习器的输出作为训练集进行再训练，得到完整的Stacking模型，具体伪代码如表1，流程如图4。

其完成训练后的挖泥船各传感器相互组成的网络如图5所示，图中所展示的为F20泥浆流量和F13绞刀转速各自所对应的传感器网络，图中可明确看出若F20或F13故障，利用其它传感器可迅速计算出故障传感器的理论数值。

表1

Stacking伪代码

Claims

1.一种提高挖泥船感知作业系统可靠性的方法，其特征在于，包括：计算挖泥船各传感器之间的相关度，并以此建立目标传感器与其他传感器之间的网络化模型，在所述目标传感器发生故障时，利用该网络化模型及时关联出当前工况下的所述目标传感器数据。

2.根据权利要求1所述的提高挖泥船感知作业系统可靠性的方法，其特征在于，在所述目标传感器工作正常时，所述网络化模型也会伴随所述目标传感器输出孪生式数据，与之形成主辅备份。

3.根据权利要求1或2所述的提高挖泥船感知作业系统可靠性的方法，其特征在于，利用最大互信息系数法计算各传感器之间的相关度，选出各个传感器所对应的最相关的传感器。

4.一种提高挖泥船感知作业系统可靠性的系统，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。