CN117236511A - 绞吸式挖泥船水下泵真空度的大数据预测方法及装置 - Google Patents
绞吸式挖泥船水下泵真空度的大数据预测方法及装置 Download PDFInfo
- Publication number
- CN117236511A CN117236511A CN202311251698.XA CN202311251698A CN117236511A CN 117236511 A CN117236511 A CN 117236511A CN 202311251698 A CN202311251698 A CN 202311251698A CN 117236511 A CN117236511 A CN 117236511A
- Authority
- CN
- China
- Prior art keywords
- vacuum degree
- prediction
- underwater pump
- data
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000000137 annealing Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 9
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开绞吸式挖泥船水下泵真空度的大数据预测方法及装置，涉及水域疏浚作业技术领域，包括以下步骤：数据采集；数据处理与分析；基于数据处理与分析的结果；预测模型训练与验证；模型优化与改进；实时监控与应用。本发明实时监控采集绞吸式挖泥船的运行数据，将运行数据输入到建立的预测模型中，预测模型实时预测水下泵真空度，并反馈给操作人员，操作人员根据水下泵真空度预测结果做出调整和决策。可以有效提高疏浚作业的效率，降低设备维护成本，还可以实现智能化管理，解决水下泵真空度监测和预测中存在的挑战，并改善水域疏浚作业的效率和可靠性。
Description
技术领域
本发明涉及水域疏浚作业技术领域，尤其是涉及绞吸式挖泥船水下泵真空度的大数据预测方法及装置。
背景技术
绞吸式挖泥船在水域疏浚作业中发挥着关键作用，其水下泵的性能对作业效率和安全性具有重要影响。水下泵通常用于抽送泥沙和水，以实现疏浚作业。传统的真空度监测方法通常依赖于安装在水下泵上的传感器。这些传感器可以实时测量泵的真空度，但在水下环境中可能面临一系列问题，如腐蚀、物理损坏和误差积累。此外，绞吸式挖泥船的操作条件通常多变，真空度受多种因素影响，传感器的准确性和可靠性受到挑战。
因此，亟需设计一种绞吸式挖泥船水下泵真空度的预测方法，克服传感器在水下环境中的限制，提高挖泥船水下泵系统的性能和可靠性。
发明内容
为了解决上述技术问题，本发明提供绞吸式挖泥船水下泵真空度的大数据预测方法及装置。采用如下的技术方案：
绞吸式挖泥船水下泵真空度的大数据预测方法，包括以下步骤：
Step1，数据采集，采集疏浚作业运行参数，疏浚作业运行参数包括水下泵运行参数、绞刀施工参数和管道输送参数；
Step2，数据处理与分析，对Step1采集到的参数进行清洗处理和预处理，所述清洗处理是去除异常值处理，所述预处理是对清洗处理的数据进行填补缺失值处理；
Step3，基于数据处理与分析的结果，选择与水下泵真空度高度相关的特征变量建立预测模型，所述预测模型是回归模型或机器学习算法模型；
Step4，预测模型训练与验证，将收集到的数据分为训练集和测试集，利用训练集对建立的预测模型进行训练；使用测试集对预测模型进行验证，评估预测模型预测水下泵真空度的准确性和稳定性；
Step5，模型优化与改进，根据验证结果，对预测模型进行优化和改进。
可选的，还包括Step6，实时监控与应用，实时监控采集绞吸式挖泥船的运行数据，将运行数据输入到建立的预测模型中，预测模型实时预测水下泵真空度，并反馈给操作人员，操作人员根据水下泵真空度预测结果做出调整和决策。
通过采用上述技术方案，采用大数据方法建立的预测模型，为疏浚作业提供了科学依据，实现了数据驱动的决策过程。操作人员可以根据模型的预测结果，合理调整施工参数，提高作业效率，减少不必要的资源浪费；
预测水下泵的真空度有助于操作人员及时发现潜在的问题，采取措施来降低设备故障的风险。这可以减少因设备故障而导致的停工时间和维修费用。同时，通过提前检测问题，还有助于延长设备的使用寿命；
通过预测绞吸式挖泥船水下泵的真空度，操作人员可以及时调整施工参数，避免水下泵故障的发生。这能够显著提高疏浚作业的效率。由于疏浚作业通常在水域中进行，一旦设备发生故障，修复所需的时间和成本都很高。因此，提高了疏浚效率也降低了维护成本。
可选的，Step1中，采用传感器监测设备或实时监控系统采集疏浚作业运行参数。
通过采用上述技术方案，疏浚作业运行参数的采集可以通过在绞吸式挖泥船进行疏浚作业的各项运行参数的传感器监测设备，疏浚作业运行参数包括但不限于水下泵运行参数、绞刀施工参数和管道输送参数；
例如可以通过流量传感器测定管道内流量值，通过霍尔传感器采集水下泵的实时转速等参数，通过绞吸式挖泥船的控制系统采集铰刀的运行参数等。
可选的，Step2中，使用Z-Score模型检测和剔除参数异常值，Z-Score模型为：
其中，Z表示Z-Score模型，X表示数据点的值，μ表示数据集的均值，σ表示数据集的标准差，设置Z阈值，大于Z阈值的参数被剔除。
通过采用上述技术方案，在Step2中，为了去除数据中的异常值，通常使用Z-Score模型来检测和剔除异常值。Z-Score是一种标准化分数，用于衡量一个数据点与数据集均值的偏离程度。
对于不同参数标准不同，不同参数在一段时间起伏不同，如果数据分布近似正态分布，通常可以选择较小的Z阈值，例如2或3。
如果数据分布偏斜或包含较多的异常值，可以选择较大的Z阈值。
对于大于Z阈值的参数值，认为其为异常值，需要被剔除处理，剔除掉异常值，可以使后续预测模型的预测值更加准确。
可选的，填补缺失值处理的方法是使用线性插值来填补缺失值，通过已知数据点的线性关系来估计缺失值，线性插值公式为：
其中Y表示估计的缺失值，Y1和Y2表示已知数据点的值，X1和X2表示已知数据点的位置，X表示需要估计的位置。
通过采用上述技术方案，在数据中常常会存在缺失值，需要使用插值方法来填补这些缺失值。线性插值是一种常用的方法，可以通过已知数据点的线性关系来估计缺失值。
可选的，Step3中，采用皮尔逊相关系数衡量两个变量之间的线性相关性，计算每个特征与水下泵真空度之间的皮尔逊相关系数，皮尔逊相关系数公式为：
其中r表示皮尔逊相关系数，皮尔逊相关系数表示每个特征变量与水下泵真空度之间的线性相关性，X和Y表示两个变量的值，和/>表示两个变量的均值；
选择皮尔逊相关系数r大于设定相关性阈值的特征变量建立预测模型。
通过采用上述技术方案，用皮尔逊相关系数衡量两个变量之间的线性相关性。对于特征选择，可以计算每个特征与水下泵真空度之间的皮尔逊相关系数，设定相关性阈值，选择大于相关性阈值的特征变量进行预测模型建模，使预测模型能更准确地反映水下泵真空度。
可以使用统计方法来确定相关性阈值，首先，计算特征之间的相关系数。查看相关系数的分布情况。使用直方图或密度估计图来可视化相关系数的分布。了解特征之间的关联程度的范围。基于相关系数的分布特点，选择一个相关性阈值。
可选的，Step4中，采用神经网络建模时，使用多层感知机回归模型来建立水下泵真空度的预测模型；
神经网络模型公式为：一个具有多个隐藏层的神经网络，其中每个隐藏层包含多个神经元，模型的输入特征是x，输出是y，隐藏层的输出为h，输入层x表示输入特征向量；假设有n个输入特征，即X＝[X1,X2,…,Xn]，假设神经网络有L个隐藏层，每个隐藏层包含Mi个神经元(i＝1,2,…,L)，隐藏层的输出hi表示为：hi＝σi(Wihi-1+bi)；
其中，Wi是第i层的权重矩阵，bi是偏置向量，σi是激活函数；
输出层的输出y表示水下泵真空度的预测值，输出层只有一个神经元，多层感知机回归模型为：
y＝σo(WohL+bo)；
其中，Wo是输出层的权重矩阵，bo是输出层的偏置向量，σo是输出层的激活函数。
通过采用上述技术方案，采用神经网络建模时，使用一种常见的回归模型，多层感知机(Multilayer Perceptron，MLP)来建立水下泵真空度的预测模型。神经网络模型公式：假设有一个具有多个隐藏层的神经网络，其中每个隐藏层包含多个神经元，模型的输入特征是x，输出是y，隐藏层的输出为h，输入层：x表示输入特征向量，可以是包含各种特征的向量。假设有n个输入特征，即X＝[X1,X2,…,Xn]，隐藏层：假设神经网络有L个隐藏层，每个隐藏层包含Mi个神经元(i＝1,2,…,L)。隐藏层的输出hi可以表示为：hi＝σi(Wihi-1+bi)，其中，Wi是第i层的权重矩阵，bi是偏置向量，σi是激活函数，通常是非线性函数如ReLU或Sigmoid。输出层：输出层的输出y表示水下泵真空度的预测值。通常，输出层只有一个神经元，因为这是一个回归任务。y＝σo(WohL+bo)，其中，Wo是输出层的权重矩阵，bo是输出层的偏置向量，σo是输出层的激活函数。
可选的，Step5中，采用优化学习率的余弦退火函数对预测模型进行优化和改进，余弦退火函数的公式为：
其中：lr(t)表示在时间步t处的学习率，lrmax表示学习率的最大值，Tmax表示一个周期的时间步数，cos表示余弦函数，t表示当前的时间步。
通过采用上述技术方案，由于对真空度进行预测时，输入参数较多，这就会导致模型训练所花费时间较长，如果学习率选择不当，则需要重新训练，花费不必要的时间，学习率余弦退火函数在训练初期使用较大的学习率，有助于模型快速收敛到一个较好的局部最小值。这有助于减少训练时间和计算成本。并且学习率调整是周期性的，这意味着模型对初始学习率的选择不再那么敏感。即使初始学习率选择不当，余弦退火也可以在训练过程中逐渐修正。优化学习率余弦退火函数是一种用于训练深度神经网络时动态调整学习率的策略，它可以帮助模型更快地收敛到全局最优解。这种策略的核心思想是逐渐减小学习率，但以一种余弦形状的方式进行，周期性地波动。
绞吸式挖泥船水下泵真空度的大数据预测装置，包括疏浚作业实时监控系统、数据输入模块和大数据预测服务器，所述疏浚作业实时监控系统采集疏浚作业参数数据，并通过数据输入模块与大数据预测服务器通信连接，大数据预测服务器部署有采用绞吸式挖泥船水下泵真空度的大数据预测方法设计的预测程序，大数据预测服务器将疏浚作业参数数据输入预测程序，预测程序运行预测模型输出预测结果。
可选的，还包括存储器和显示器，所述存储器和显示器分别与大数据预测服务器通信连接，存储器用于存储数据，所述显示器用于显示预测结果。
通过采用上述技术方案，疏浚作业实时监控系统具体的由多个监测传感器组成，例如流量传感器测定管道内流量值，通过霍尔传感器采集水下泵的实时转速等参数，通过绞吸式挖泥船的控制系统采集铰刀的运行参数等，可以是实现对疏浚作业中各项参数的监测，并通过数据输入模块输送到大数据预测服务器，数据输入模块可以是有线或无线方式的数据传输模式将疏浚作业参数汇集并传输给大数据预测服务器，大数据预测服务器运行预测程序可以输出预测结果，通过显示器显示反馈给操作人员，操作人员根据水下泵真空度预测结果做出调整和决策。
综上所述，本发明包括以下至少有益技术效果：
本发明的实施能使疏浚效率提高：通过预测绞吸式挖泥船水下泵的真空度，操作人员可以及时调整施工参数，避免水下泵故障的发生。这能够显著提高疏浚作业的效率。由于疏浚作业通常在水域中进行，一旦设备发生故障，修复所需的时间和成本都很高。因此，提高了疏浚效率也降低了维护成本；
设备故障风险降低：预测水下泵的真空度有助于操作人员及时发现潜在的问题，采取措施来降低设备故障的风险。这可以减少因设备故障而导致的停工时间和维修费用，同时，通过提前检测问题，还有助于延长设备的使用寿命；
数据驱动决策：本专利采用大数据方法建立的预测模型，为疏浚作业提供了科学依据，实现了数据驱动的决策过程，操作人员可以根据模型的预测结果，合理调整施工参数，提高作业效率，减少不必要的资源浪费；
智能化管理：结合实时监控系统和预测模型，可以实现对绞吸式挖泥船疏浚作业的智能化管理与优化。操作人员可以实时监测设备运行状态，并根据模型的预测结果进行及时干预和调整，从而最大程度地提高疏浚作业的效率和安全性；
总的来说，本发明提出的基于大数据方法的水下泵真空度预测技术具有明显的经济效益和实际应用价值，它不仅提高了疏浚作业的效率，降低了设备维护成本，还实现了智能化管理，为水域疏浚领域带来了重要的技术进步。
附图说明
图1是本发明绞吸式挖泥船水下泵真空度的大数据预测方法的流程示意图；
图2是本发明疏浚作业运行参数信号点的示意图；
图3是本发明预测模型的多层感知机结构示意图；
图4是本发明绞吸式挖泥船水下泵真空度的大数据预测装置的连接原理示意图。
附图标记说明：疏浚作业实时监控系统1；2、数据输入模块；3、大数据预测服务器；4、存储器；5、显示器。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本发明实施例公开绞吸式挖泥船水下泵真空度的大数据预测方法及装置。
参照图1-图4，实施例1，绞吸式挖泥船水下泵真空度的大数据预测方法，包括以下步骤：
Step1，数据采集，采集疏浚作业运行参数，疏浚作业运行参数包括水下泵运行参数、绞刀施工参数和管道输送参数；
Step2，数据处理与分析，对Step1采集到的参数进行清洗处理和预处理，所述清洗处理是去除异常值处理，所述预处理是对清洗处理的数据进行填补缺失值处理；
Step3，基于数据处理与分析的结果，选择与水下泵真空度高度相关的特征变量建立预测模型，所述预测模型是回归模型或机器学习算法模型；
Step4，预测模型训练与验证，将收集到的数据分为训练集和测试集，利用训练集对建立的预测模型进行训练；使用测试集对预测模型进行验证，评估预测模型预测水下泵真空度的准确性和稳定性；
Step5，模型优化与改进，根据验证结果，对预测模型进行优化和改进。
实施例2，还包括Step6，实时监控与应用，实时监控采集绞吸式挖泥船的运行数据，将运行数据输入到建立的预测模型中，预测模型实时预测水下泵真空度，并反馈给操作人员，操作人员根据水下泵真空度预测结果做出调整和决策。
采用大数据方法建立的预测模型，为疏浚作业提供了科学依据，实现了数据驱动的决策过程。操作人员可以根据模型的预测结果，合理调整施工参数，提高作业效率，减少不必要的资源浪费；
预测水下泵的真空度有助于操作人员及时发现潜在的问题，采取措施来降低设备故障的风险。这可以减少因设备故障而导致的停工时间和维修费用。同时，通过提前检测问题，还有助于延长设备的使用寿命；
通过预测绞吸式挖泥船水下泵的真空度，操作人员可以及时调整施工参数，避免水下泵故障的发生。这能够显著提高疏浚作业的效率。由于疏浚作业通常在水域中进行，一旦设备发生故障，修复所需的时间和成本都很高。因此，提高了疏浚效率也降低了维护成本。
实施例3，Step1中，采用传感器监测设备或实时监控系统采集疏浚作业运行参数。
参见图2，疏浚作业运行参数的采集可以通过在绞吸式挖泥船进行疏浚作业的各项运行参数的传感器监测设备，疏浚作业运行参数包括但不限于水下泵运行参数、绞刀施工参数和管道输送参数；
例如可以通过流量传感器测定管道内流量值，通过霍尔传感器采集水下泵的实时转速等参数，通过绞吸式挖泥船的控制系统采集铰刀的运行参数等。
实施例4，Step2中，使用Z-Score模型检测和剔除参数异常值，Z-Score模型为：
其中，Z表示Z-Score模型，X表示数据点的值，μ表示数据集的均值，σ表示数据集的标准差，设置Z阈值，大于Z阈值的参数被剔除。
在Step2中，为了去除数据中的异常值，通常使用Z-Score模型来检测和剔除异常值。Z-Score是一种标准化分数，用于衡量一个数据点与数据集均值的偏离程度。
对于不同参数标准不同，不同参数在一段时间起伏不同，如果数据分布近似正态分布，通常可以选择较小的Z阈值，例如2或3。
如果数据分布偏斜或包含较多的异常值，可以选择较大的Z阈值。
对于大于Z阈值的参数值，认为其为异常值，需要被剔除处理，剔除掉异常值，可以使后续预测模型的预测值更加准确。
实施例5，填补缺失值处理的方法是使用线性插值来填补缺失值，通过已知数据点的线性关系来估计缺失值，线性插值公式为：
其中Y表示估计的缺失值，Y1和Y2表示已知数据点的值，X1和X2表示已知数据点的位置，X表示需要估计的位置。
在数据中常常会存在缺失值，需要使用插值方法来填补这些缺失值。线性插值是一种常用的方法，可以通过已知数据点的线性关系来估计缺失值。
实施例6，Step3中，采用皮尔逊相关系数衡量两个变量之间的线性相关性，计算每个特征与水下泵真空度之间的皮尔逊相关系数，皮尔逊相关系数公式为：
其中r表示皮尔逊相关系数，皮尔逊相关系数表示每个特征变量与水下泵真空度之间的线性相关性，X和Y表示两个变量的值，和/>表示两个变量的均值；
选择皮尔逊相关系数r大于设定相关性阈值的特征变量建立预测模型。
用皮尔逊相关系数衡量两个变量之间的线性相关性。对于特征选择，可以计算每个特征与水下泵真空度之间的皮尔逊相关系数，设定相关性阈值，选择大于相关性阈值的特征变量进行预测模型建模，使预测模型能更准确地反映水下泵真空度。
可以使用统计方法来确定相关性阈值，首先，计算特征之间的相关系数。查看相关系数的分布情况。使用直方图或密度估计图来可视化相关系数的分布。了解特征之间的关联程度的范围。基于相关系数的分布特点，选择一个相关性阈值。
参见图3，实施例7，Step4中，采用神经网络建模时，使用多层感知机回归模型来建立水下泵真空度的预测模型；
神经网络模型公式为：一个具有多个隐藏层的神经网络，其中每个隐藏层包含多个神经元，模型的输入特征是x，输出是y，隐藏层的输出为h，输入层x表示输入特征向量；假设有n个输入特征，即X＝[X1,X2,…,Xn]，假设神经网络有L个隐藏层，每个隐藏层包含Mi个神经元(i＝1,2,…,L)，隐藏层的输出hi表示为：hi＝σi(Wihi-1+bi)；
其中，Wi是第i层的权重矩阵，bi是偏置向量，σi是激活函数；
输出层的输出y表示水下泵真空度的预测值，输出层只有一个神经元，多层感知机回归模型为：
y＝σo(WohL+bo)；
其中，Wo是输出层的权重矩阵，bo是输出层的偏置向量，σo是输出层的激活函数。
采用神经网络建模时，使用一种常见的回归模型，多层感知机(MultilayerPerceptron，MLP)来建立水下泵真空度的预测模型。神经网络模型公式：假设有一个具有多个隐藏层的神经网络，其中每个隐藏层包含多个神经元，模型的输入特征是x，输出是y，隐藏层的输出为h，输入层：x表示输入特征向量，可以是包含各种特征的向量。假设有n个输入特征，即X＝[X1,X2,…,Xn]，隐藏层：假设神经网络有L个隐藏层，每个隐藏层包含Mi个神经元(i＝1,2,…,L)。隐藏层的输出hi可以表示为：hi＝σi(Wihi-1+bi)，其中，Wi是第i层的权重矩阵，bi是偏置向量，σi是激活函数，通常是非线性函数如ReLU或Sigmoid。输出层：输出层的输出y表示水下泵真空度的预测值。通常，输出层只有一个神经元，因为这是一个回归任务。y＝σo(WohL+bo)，其中，Wo是输出层的权重矩阵，bo是输出层的偏置向量，σo是输出层的激活函数。
实施例8，Step5中，采用优化学习率的余弦退火函数对预测模型进行优化和改进，余弦退火函数的公式为：
其中：lr(t)表示在时间步t处的学习率，lrmax表示学习率的最大值，Tmax表示一个周期的时间步数，cos表示余弦函数，t表示当前的时间步。
由于对真空度进行预测时，输入参数较多，这就会导致模型训练所花费时间较长，如果学习率选择不当，则需要重新训练，花费不必要的时间，学习率余弦退火函数在训练初期使用较大的学习率，有助于模型快速收敛到一个较好的局部最小值。这有助于减少训练时间和计算成本。并且学习率调整是周期性的，这意味着模型对初始学习率的选择不再那么敏感。即使初始学习率选择不当，余弦退火也可以在训练过程中逐渐修正。优化学习率余弦退火函数是一种用于训练深度神经网络时动态调整学习率的策略，它可以帮助模型更快地收敛到全局最优解。这种策略的核心思想是逐渐减小学习率，但以一种余弦形状的方式进行，周期性地波动。
实施例9，参见图4，绞吸式挖泥船水下泵真空度的大数据预测装置，包括疏浚作业实时监控系统1、数据输入模块2和大数据预测服务器3，疏浚作业实时监控系统1采集疏浚作业参数数据，并通过数据输入模块2与大数据预测服务器3通信连接，大数据预测服务器3部署有采用绞吸式挖泥船水下泵真空度的大数据预测方法设计的预测程序，大数据预测服务器3将疏浚作业参数数据输入预测程序，预测程序运行预测模型输出预测结果。
实施例10，还包括存储器4和显示器5，存储器4和显示器5分别与大数据预测服务器3通信连接，存储器4用于存储数据，显示器5用于显示预测结果。
疏浚作业实时监控系统1具体的由多个监测传感器组成，例如流量传感器测定管道内流量值，通过霍尔传感器采集水下泵的实时转速等参数，通过绞吸式挖泥船的控制系统采集铰刀的运行参数等，可以是实现对疏浚作业中各项参数的监测，并通过数据输入模块2输送到大数据预测服务器3，数据输入模块2可以是有线或无线方式的数据传输模式将疏浚作业参数汇集并传输给大数据预测服务器3，大数据预测服务器3运行预测程序可以输出预测结果，通过显示器显示反馈给操作人员，操作人员根据水下泵真空度预测结果做出调整和决策。
以上均为本发明的较佳实施例，并非以此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (10)
1.绞吸式挖泥船水下泵真空度的大数据预测方法，其特征在于：包括以下步骤：
Step1，数据采集，采集疏浚作业运行参数，疏浚作业运行参数包括水下泵运行参数、绞刀施工参数和管道输送参数；
Step2，数据处理与分析，对Step1采集到的参数进行清洗处理和预处理，所述清洗处理是去除异常值处理，所述预处理是对清洗处理的数据进行填补缺失值处理；
Step3，基于数据处理与分析的结果，选择与水下泵真空度高度相关的特征变量建立预测模型，所述预测模型是回归模型或机器学习算法模型；
Step4，预测模型训练与验证，将收集到的数据分为训练集和测试集，利用训练集对建立的预测模型进行训练；使用测试集对预测模型进行验证，评估预测模型预测水下泵真空度的准确性和稳定性；
Step5，模型优化与改进，根据验证结果，对预测模型进行优化和改进。
2.根据权利要求1所述的绞吸式挖泥船水下泵真空度的大数据预测方法，其特征在于：还包括Step6，实时监控与应用，实时监控采集绞吸式挖泥船的运行数据，将运行数据输入到建立的预测模型中，预测模型实时预测水下泵真空度，并反馈给操作人员，操作人员根据水下泵真空度预测结果做出调整和决策。
3.根据权利要求2所述的绞吸式挖泥船水下泵真空度的大数据预测方法及装置，其特征在于：Step1中，采用传感器监测设备或实时监控系统采集疏浚作业运行参数。
4.根据权利要求2所述的绞吸式挖泥船水下泵真空度的大数据预测方法，其特征在于：Step2中，使用Z-Score模型检测和剔除参数异常值，Z-Score模型为：
其中，Z表示Z-Score模型，X表示数据点的值，μ表示数据集的均值，σ表示数据集的标准差，设置Z阈值，大于Z阈值的参数被剔除。
5.根据权利要求4所述的绞吸式挖泥船水下泵真空度的大数据预测方法，其特征在于：
填补缺失值处理的方法是使用线性插值来填补缺失值，通过已知数据点的线性关系来估计缺失值，线性插值公式为：
其中Y表示估计的缺失值，Y1和Y2表示已知数据点的值，X1和X2表示已知数据点的位置，X表示需要估计的位置。
6.根据权利要求5所述的绞吸式挖泥船水下泵真空度的大数据预测方法，其特征在于：Step3中，采用皮尔逊相关系数衡量两个变量之间的线性相关性，计算每个特征与水下泵真空度之间的皮尔逊相关系数，皮尔逊相关系数公式为：
其中r表示皮尔逊相关系数，皮尔逊相关系数表示每个特征变量与水下泵真空度之间的线性相关性，X和Y表示两个变量的值，和/>表示两个变量的均值；
选择皮尔逊相关系数r大于设定相关性阈值的特征变量建立预测模型。
7.根据权利要求6所述的绞吸式挖泥船水下泵真空度的大数据预测方法，其特征在于：Step4中，采用神经网络建模时，使用多层感知机回归模型来建立水下泵真空度的预测模型；
神经网络模型公式为：一个具有多个隐藏层的神经网络，其中每个隐藏层包含多个神经元，模型的输入特征是x，输出是y，隐藏层的输出为h，输入层x表示输入特征向量；假设有n个输入特征，即X＝[X1,X2,…,Xn]，假设神经网络有L个隐藏层，每个隐藏层包含Mi个神经元(i＝1,2,…,L)，隐藏层的输出hi表示为：hi＝σi(Wihi-1+bi)；
其中，Wi是第i层的权重矩阵，bi是偏置向量，σi是激活函数；
输出层的输出y表示水下泵真空度的预测值，输出层只有一个神经元，多层感知机回归模型为：
y＝σo(WohL+bo)；
其中，Wo是输出层的权重矩阵，bo是输出层的偏置向量，σo是输出层的激活函数。
8.根据权利要求7所述的绞吸式挖泥船水下泵真空度的大数据预测方法，其特征在于：Step5中，采用优化学习率的余弦退火函数对预测模型进行优化和改进，余弦退火函数的公式为：
其中：lr(t)表示在时间步t处的学习率，lrmax表示学习率的最大值，Tmax表示一个周期的时间步数，cos表示余弦函数，t表示当前的时间步。
9.绞吸式挖泥船水下泵真空度的大数据预测装置，其特征在于：包括疏浚作业实时监控系统、数据输入模块和大数据预测服务器，所述疏浚作业实时监控系统采集疏浚作业参数数据，并通过数据输入模块与大数据预测服务器通信连接，大数据预测服务器部署有采用权利要求8所述绞吸式挖泥船水下泵真空度的大数据预测方法设计的预测程序，大数据预测服务器将疏浚作业参数数据输入预测程序，预测程序运行预测模型输出预测结果。
10.根据权利要求9所述的绞吸式挖泥船水下泵真空度的大数据预测装置，其特征在于：还包括存储器和显示器，所述存储器和显示器分别与大数据预测服务器通信连接，存储器用于存储数据，所述显示器用于显示预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311251698.XA CN117236511A (zh) | 2023-09-26 | 2023-09-26 | 绞吸式挖泥船水下泵真空度的大数据预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311251698.XA CN117236511A (zh) | 2023-09-26 | 2023-09-26 | 绞吸式挖泥船水下泵真空度的大数据预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117236511A true CN117236511A (zh) | 2023-12-15 |
Family
ID=89084068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311251698.XA Pending CN117236511A (zh) | 2023-09-26 | 2023-09-26 | 绞吸式挖泥船水下泵真空度的大数据预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236511A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826790A (zh) * | 2019-10-31 | 2020-02-21 | 天津大学 | 一种绞吸式挖泥船施工生产率智能预测方法 |
| CN111353631A (zh) * | 2019-11-26 | 2020-06-30 | 国网山东省电力公司电力科学研究院 | 基于多层lstm的火电厂凝汽器真空度预测方法 |
| US20210287089A1 (en) * | 2020-03-14 | 2021-09-16 | DataRobot, Inc. | Automated and adaptive design and training of neural networks |
| CN114742260A (zh) * | 2022-02-28 | 2022-07-12 | 中铁西北科学研究院有限公司 | 一种大体积混凝土温度监控数据预测方法、系统和介质 |
| CN114819388A (zh) * | 2022-05-18 | 2022-07-29 | 江苏方天电力技术有限公司 | 基于频域信息引导的凝汽器真空度预测方法和装置 |
| CN115294671A (zh) * | 2022-08-08 | 2022-11-04 | 杭州哲达科技股份有限公司 | 一种空压机出口压力预测方法和预测系统 |
| CN115759434A (zh) * | 2022-11-24 | 2023-03-07 | 浙江凌骁能源科技有限公司 | 电池电量实时预测方法、系统、计算机设备和存储介质 |
| CN116108995A (zh) * | 2023-02-13 | 2023-05-12 | 武汉理工大学 | 感潮河段船舶油耗预测方法、装置及电子设备 |
| CN116401501A (zh) * | 2023-03-30 | 2023-07-07 | 武汉理工大学 | 疏浚作业泄漏量预测方法、装置、电子设备及介质 |
| CN116542932A (zh) * | 2023-05-08 | 2023-08-04 | 江苏大学 | 一种基于改进的YOLOv5s的注塑件表面缺陷检测方法 |
| CN116757534A (zh) * | 2023-06-15 | 2023-09-15 | 中国标准化研究院 | 一种基于神经训练网络的智能冰箱可靠性分析方法 |
-
2023
- 2023-09-26 CN CN202311251698.XA patent/CN117236511A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826790A (zh) * | 2019-10-31 | 2020-02-21 | 天津大学 | 一种绞吸式挖泥船施工生产率智能预测方法 |
| CN111353631A (zh) * | 2019-11-26 | 2020-06-30 | 国网山东省电力公司电力科学研究院 | 基于多层lstm的火电厂凝汽器真空度预测方法 |
| US20210287089A1 (en) * | 2020-03-14 | 2021-09-16 | DataRobot, Inc. | Automated and adaptive design and training of neural networks |
| CN114742260A (zh) * | 2022-02-28 | 2022-07-12 | 中铁西北科学研究院有限公司 | 一种大体积混凝土温度监控数据预测方法、系统和介质 |
| CN114819388A (zh) * | 2022-05-18 | 2022-07-29 | 江苏方天电力技术有限公司 | 基于频域信息引导的凝汽器真空度预测方法和装置 |
| CN115294671A (zh) * | 2022-08-08 | 2022-11-04 | 杭州哲达科技股份有限公司 | 一种空压机出口压力预测方法和预测系统 |
| CN115759434A (zh) * | 2022-11-24 | 2023-03-07 | 浙江凌骁能源科技有限公司 | 电池电量实时预测方法、系统、计算机设备和存储介质 |
| CN116108995A (zh) * | 2023-02-13 | 2023-05-12 | 武汉理工大学 | 感潮河段船舶油耗预测方法、装置及电子设备 |
| CN116401501A (zh) * | 2023-03-30 | 2023-07-07 | 武汉理工大学 | 疏浚作业泄漏量预测方法、装置、电子设备及介质 |
| CN116542932A (zh) * | 2023-05-08 | 2023-08-04 | 江苏大学 | 一种基于改进的YOLOv5s的注塑件表面缺陷检测方法 |
| CN116757534A (zh) * | 2023-06-15 | 2023-09-15 | 中国标准化研究院 | 一种基于神经训练网络的智能冰箱可靠性分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7743005B2 (en) | Diagnosis of abnormal operation modes of a machine utilizing self organizing map | |
| WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
| US20060142990A1 (en) | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method | |
| WO2022134495A1 (zh) | 基于深度学习的设备异常检测方法、系统及计算机介质 | |
| CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
| CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
| CN112328703B (zh) | 一种基于增量学习的数控设备健康状态诊断装置及方法 | |
| WO2023040400A1 (zh) | 一种挖掘机故障的预测方法、装置、电子设备及存储介质 | |
| CN114962239B (zh) | 一种基于智能物联网的设备故障检测方法 | |
| CN115827411A (zh) | 一种用于自动化设备的在线监测及运维评估系统和方法 | |
| CN114962390A (zh) | 液压系统故障诊断方法、系统及作业机械 | |
| CN117639602A (zh) | 电机运行状态自适应调节方法及系统 | |
| CN117454771A (zh) | 一种基于评估及预测信息的机械装备动态维护决策方法 | |
| CN110197289B (zh) | 一种基于大数据的节能设备管理系统 | |
| CN117236511A (zh) | 绞吸式挖泥船水下泵真空度的大数据预测方法及装置 | |
| CN110045716B (zh) | 一种闭环控制系统早期故障检测和诊断方法和系统 | |
| CN118037280B (zh) | 一种瓦楞纸生产线维护与故障诊断系统 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| KR102564668B1 (ko) | 솔라 및 반도체 장비의 센서 데이터를 이용하는 통합 솔루션 관리 장치 및 그 방법 | |
| CN117923331A (zh) | 一种基于吊车吊装的负荷控制系统及方法 | |
| CN118037280A (zh) | 一种瓦楞纸生产线维护与故障诊断系统 | |
| CN118066934A (zh) | 一种武器装备智能故障定位系统 | |
| CN116720091A (zh) | 一种电机故障分析方法 | |
| Zhao et al. | Group Quality Evaluation Driven by Process Data and Its Application |
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 |