CN117314249A - 一种绞吸式挖泥船操作手能力评估的方法及装置 - Google Patents
一种绞吸式挖泥船操作手能力评估的方法及装置 Download PDFInfo
- Publication number
- CN117314249A CN117314249A CN202311303225.XA CN202311303225A CN117314249A CN 117314249 A CN117314249 A CN 117314249A CN 202311303225 A CN202311303225 A CN 202311303225A CN 117314249 A CN117314249 A CN 117314249A
- Authority
- CN
- China
- Prior art keywords
- data
- operator
- cutter suction
- suction dredger
- 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 67
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000006872 improvement Effects 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000013480 data collection Methods 0.000 claims description 15
- 238000013136 deep learning model Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 14
- 239000002002 slurry Substances 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 239000013049 sediment Substances 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013210 evaluation model Methods 0.000 abstract description 3
- 239000010802 sludge Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
Abstract
本发明公开一种绞吸式挖泥船操作手能力评估的方法及装置，涉及水域疏浚作业技术领域，Step1，采集疏浚作业操作信息数据，疏浚作业操作信息数据包括挖泥深度数据、绞刀转速数据、泥浆浓度数据、切削角度数据、速度数据和设备状态数据；Step2，数据处理及特征分析，Step3，基于数据处理及特征分析结果建立操作手能力评估模型，所述操作手能力评估模型是深度学习算法模型；Step4，预测模型训练与验证；Step5，个性化评估与改进建议。本发明采用大数据方法建立的评估模型，准确评估操作手能力：利用数据科学和实时监控技术，客观、准确地评估绞吸式挖泥船操作手的能力水平，消除了主观评估的不确定性和偏见。
Description
技术领域
本发明涉及水域疏浚作业技术领域，尤其是涉及一种绞吸式挖泥船操作手能力评估的方法及装置。
背景技术
绞吸式挖泥船是一种广泛用于水域疏浚作业的工程设备，它通过旋转绞刀和吸泥管来清理河流、港口和航道中的淤泥和沉积物。绞吸式挖泥船的性能和效率对于水域疏浚作业的成功至关重要，绞吸式挖泥船操作手是水域疏浚作业中的关键岗位，主要工作为：比如抓斗式挖泥船的起重机与抓斗操作，绞吸式、耙吸式挖泥船的绞盘、水泵操作等，绞吸式挖泥船操作手的工作直接影响到绞吸式挖泥船的性能和效率。
因此如何对绞吸式挖泥船操作手的能力进行评估，筛选出更加符合岗位的操作手是水域疏浚作业的关键。
然而，传统的绞吸式挖泥船操作手能力评估方法存在一些显著的局限性。目前，操作手的能力通常是由主管或培训人员基于主观判断和经验进行评估的。这种方法容易受到主观因素和人为偏见的影响，导致评估结果的不确定性。缺乏客观的、可量化的指标来评估操作手的技能水平。这导致了评估的主观性和不一致性，难以为操作手提供明确的改进建议。
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，能够客观全面地反映绞吸式挖泥船操作手的能力。
发明内容
为了解决上述技术问题，本发明提供一种绞吸式挖泥船操作手能力评估的方法及装置。采用如下的技术方案：
一种绞吸式挖泥船操作手能力评估的方法，包括以下步骤：
Step1，采集疏浚作业操作信息数据，疏浚作业操作信息数据包括挖泥深度数据、绞刀转速数据、泥浆浓度数据、切削角度数据、速度数据和设备状态数据；
Step2，数据处理及特征分析，对Step1采集到的疏浚作业操作信息数据进行数据处理和特征分析，数据处理是去除异常值和填补缺失值处理，特征分析是对数据处理后的数据提取操作手能力评估特征数据，操作手能力评估特征数据是操作时长数据和泥沙浓度数据；
Step3，基于数据处理及特征分析结果建立操作手能力评估模型，所述操作手能力评估模型是深度学习算法模型；
Step4，预测模型训练与验证，使用历史数据集对模型进行训练，然后使用测试数据验证模型的准确性和稳定性；
Step5，个性化评估与改进建议，根据操作手能力评估模型预测结果，生成个性化评估报告。
可选的，还包括Step6，实时监控与反馈，集成实时监控系统，用于在操作过程中实时监测和反馈操作手的能力，及时发现问题并提供即时指导。
通过采用上述技术方案，采用大数据方法建立的评估模型，准确评估操作手能力：利用数据科学和实时监控技术，客观、准确地评估绞吸式挖泥船操作手的能力水平，消除了主观评估的不确定性和偏见。
提供个性化改进建议：通过生成个性化的改进建议和培训方案，有针对性地帮助操作手改进他们的技能缺陷，提高整体作业效率和质量。
实时监控与反馈：结合实时监控系统，可以在操作进行时实时监测和反馈操作手的表现，及时发现问题并提供即时指导，有助于减少错误和提高效率。
数据驱动决策：该技术为水域疏浚作业提供科学依据，实现数据驱动的决策过程。决策者可以根据评估结果优化资源分配和作业计划，提高整体效率和质量。
降低成本：通过提高操作手的技能水平和作业效率，可以降低疏浚作业的运营成本，包括燃料、维护和人力成本。
提高环境友好性：通过减少错误和提高作业效率，该技术有助于降低对水域环境的不利影响，促进更可持续地水域资源管理。
可选的，Step1中，采用传感器模块1采集挖泥深度数据和泥浆浓度数据，与绞吸式挖泥船主控系统100通信采集绞刀转速数据、切削角度数据、速度数据和设备状态数据。
通过采用上述技术方案，选择适用于绞吸式挖泥船操作监测的传感器，传感器应具备高精度、适当的采样频率、耐用性和成本效益，使用有线传输的方式将传感器数据实时传输到中央数据库，以确保数据的实时性和可访问性，利用数据可视化工具，如实时图表和仪表板，实时显示传感器数据。这样，操作手和监管人员可以方便地监测挖泥作业状态，及时发现异常情况并采取措施。
可选的，Step2中，采用IQR方法来检测和剔除异常值，首先，计算数据的Q1和Q3；
Q1表示数据的25th百分位数，Q3表示数据的75th百分位数；
计算IQR，IQR是Q3和Q1的差值：IQR＝Q3-Q1；
定义异常值阈值范围，异常值阈值下限为：Q1-1.5×IQR，上限为：Q3+1.5×IQR，遍历数据集，IQR值位于下限以下或上限以上的数据点是异常值；
异常值的处理方法为删除异常值或替换异常值，删除异常值是将异常值从数据集中移除；替换异常值是用数据的平均值、中位数替代异常值。
通过采用上述技术方案，为了去除数据中的异常值，通常使用IQR方法来检测和剔除异常值。IQR方法的优点在于它是一种相对简单但有效的异常值检测方法，可以自动适应数据的分布情况。首先，计算数据的Q1(第一四分位数)和Q3(第三四分位数)。Q1表示数据的25th百分位数，而Q3表示数据的75th百分位数。计算IQR，即四分位距，它是Q3和Q1的差值：IQR＝Q3-Q1，定义一个异常值的阈值范围，通常使用以下公式来计算：异常值的阈值下限：Q1-1.5×IQR，异常值的阈值上限：Q3+1.5×IQR，遍历数据集，识别落在下界以下或上界以上的数据点。这些数据点被认为是异常值。一旦识别了异常值，可以选择以下方法之一来处理它们：删除异常值：将异常值从数据集中移除。替换异常值：用数据的平均值、中位数或其他合适的值来替代异常值。
可选的，将数据处理完成的数据集划分为训练集、验证集和测试集，训练集用于模型的训练，验证集用于调整模型的超参数和监控模型的性能，测试集用于最终的模型评估。
可选的，Step3中，深度学习模型的输入层包括与绞吸式挖泥船操作相关的关键特征；
深度学习模型包括多个隐藏层，使用长短时记忆网络来处理时间序列数据，对于回归任务，使用均方误差作为损失函数。
可选的，均方误差的公式如下：
yi代表了操作手的真实表现；代表模型对操作手能力的预测值；
可选的，在深度学习模型中添加正则化项，防止过拟合，并使用Dropout层提高深度学习模型的泛化能力。
通过采用上述技术方案，先将数据分割，将处理好的数据集划分为训练集、验证集和测试集。训练集用于模型的训练，验证集用于调整模型的超参数和监控模型的性能，测试集用于最终的模型评估。设计深度学习模型，首先是输入层，输入层应包括与绞吸式挖泥船操作相关的关键特征，如绞刀转速，泥浆浓度，切削角度等等。模型包括多个隐藏层，以提高模型的表达能力。因为绞吸式挖泥船操作通常具有时序性，考虑使用长短时记忆网络(LSTM)来处理时间序列数据；
对于回归任务，使用均方误差(MSE)作为损失函数。均方误差(MeanSquaredError，MSE)是一种常用于回归任务的损失函数，用于衡量模型的预测值与实际值之间的平方差。MSE的公式如下：yi代表了操作手的真实表现，这可以是工作规范下的一种量化得分，表示操作手在执行绞吸式挖泥船工作时的实际水平。/>代表模型对操作手能力的预测值，模型根据输入的特征以及历史数据训练，预测了操作手在相同行为规范下的能力水平。均方误差用于衡量模型的预测值与真实值之间的差异。在操作手行为规范模型中，MSE的计算表示模型预测的能力与实际能力之间的平方差的平均值。MSE越小，表示模型的预测越接近实际能力，反之则表示模型的预测与实际能力存在较大差异。另外，在模型中添加正则化项(L2正则化)，以防止过拟合。此外，可以使用Dropout层来提高模型的泛化能力。
一种绞吸式挖泥船操作手能力评估的装置，包括传感器模块1、绞吸式挖泥船运行数据采集模块2、疏浚作业操作手监控系统3、数据汇集模块4和计算机5，所述传感器模块1包括水深传感器11和泥浆浓度传感器12，所述水深传感器11和泥浆浓度传感器12分别与数据汇集模块4通信连接，水深传感器11用于采集挖泥深度数据，泥浆浓度传感器12用于采集泥浆浓度数据，所述绞吸式挖泥船运行数据采集模块2的数据输入端与绞吸式挖泥船主控系统100通信连接，用于采集绞刀转速数据、切削角度数据、速度数据和设备状态数据，数据输入端与数据汇集模块4通信连接，疏浚作业操作手监控系统3用于实时监测操作手的操作画面，并与数据汇集模块4通信连接，所述数据汇集模块4与计算机5通信连接，计算机5部署有采用一种绞吸式挖泥船操作手能力评估的方法设计的评估程序，数据汇集模块4将疏浚作业操作信息数据输入评估程序，评估程序运行深度学习模型输出评估结果，并输出评估报告。
通过采用上述技术方案，水深传感器11可以实现间接测量挖泥深度数据，具体的水深传感器11可以设置多个，可以设置在绞吸式挖泥船的船体前后，通过挖泥前后的水深数据差来计算挖泥深度，泥浆浓度传感器12具体的可以是AMT/WN-400型智能型污泥浓度传感器，采用散射光式测量法原理设计制作而成。当一束光束射入水样时，由于水样中悬浮颗粒使光产生散射，通过测量后向散射光的强度，并与内部标定值进行比对，从而计算出水样中的污泥浓度，经过线性化处理输出最终值，通过泥浆浓度可以反映疏浚作业对水域环境的影响，绞吸式挖泥船运行数据采集模块2可以实时读取绞吸式挖泥船主控系统100的数据，可以实现绞刀转速数据、切削角度数据、速度数据和设备状态数据等的实时采集。
建立一个疏浚作业操作手监控系统3，可以接收和处理实时数据，在监控系统中实施数据分析功能，以实时监测操作手的表现，分析数据以识别潜在问题，如操作不当、设备故障等。设置预警机制，当监控系统检测到异常情况时，可以向操作手和监管人员发送实时警报。为操作手提供实时反馈和指导。这可以通过用户界面、声音提示、可视化指示或甚至自动化控制来实现。
综上所述，本发明包括以下至少有益技术效果：采用大数据方法建立的评估模型，准确评估操作手能力：利用数据科学和实时监控技术，客观、准确地评估绞吸式挖泥船操作手的能力水平，消除了主观评估的不确定性和偏见。
提供个性化改进建议：通过生成个性化的改进建议和培训方案，有针对性地帮助操作手改进他们的技能缺陷，提高整体作业效率和质量。
实时监控与反馈：结合实时监控系统，可以在操作进行时实时监测和反馈操作手的表现，及时发现问题并提供即时指导，有助于减少错误和提高效率。
数据驱动决策：该技术为水域疏浚作业提供科学依据，实现数据驱动的决策过程。决策者可以根据评估结果优化资源分配和作业计划，提高整体效率和质量。
降低成本：通过提高操作手的技能水平和作业效率，可以降低疏浚作业的运营成本，包括燃料、维护和人力成本。
提高环境友好性：通过减少错误和提高作业效率，该技术有助于降低对水域环境的不利影响，促进更可持续地水域资源管理。
附图说明
图1是本发明一种绞吸式挖泥船操作手能力评估的方法的流程示意图；
图2是本发明一种绞吸式挖泥船操作手能力评估的方法长短时记忆网络模型的结构示意图；
图3是本发明一种绞吸式挖泥船操作手能力评估装置的电器件连接原理示意图。
附图标记说明：1、传感器模块；11、水深传感器；12、泥浆浓度传感器；2、绞吸式挖泥船运行数据采集模块；3、疏浚作业操作手监控系统；4、数据汇集模块；5、计算机；100、绞吸式挖泥船主控系统。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本发明实施例公开一种绞吸式挖泥船操作手能力评估的方法及装置。
参照图1-图3，实施例1，一种绞吸式挖泥船操作手能力评估的方法，包括以下步骤：
Step1，采集疏浚作业操作信息数据，疏浚作业操作信息数据包括挖泥深度数据、绞刀转速数据、泥浆浓度数据、切削角度数据、速度数据和设备状态数据；
Step2，数据处理及特征分析，对Step1采集到的疏浚作业操作信息数据进行数据处理和特征分析，数据处理是去除异常值和填补缺失值处理，特征分析是对数据处理后的数据提取操作手能力评估特征数据，操作手能力评估特征数据是操作时长数据和泥沙浓度数据；
Step3，基于数据处理及特征分析结果建立操作手能力评估模型，操作手能力评估模型是深度学习算法模型；
Step4，预测模型训练与验证，使用历史数据集对模型进行训练，然后使用测试数据验证模型的准确性和稳定性；
Step5，个性化评估与改进建议，根据操作手能力评估模型预测结果，生成个性化评估报告。
还包括Step6，实时监控与反馈，集成实时监控系统，用于在操作过程中实时监测和反馈操作手的能力，及时发现问题并提供即时指导。
采用大数据方法建立的评估模型，准确评估操作手能力：利用数据科学和实时监控技术，客观、准确地评估绞吸式挖泥船操作手的能力水平，消除了主观评估的不确定性和偏见。
提供个性化改进建议：通过生成个性化的改进建议和培训方案，有针对性地帮助操作手改进他们的技能缺陷，提高整体作业效率和质量。
实时监控与反馈：结合实时监控系统，可以在操作进行时实时监测和反馈操作手的表现，及时发现问题并提供即时指导，有助于减少错误和提高效率。
数据驱动决策：该技术为水域疏浚作业提供科学依据，实现数据驱动的决策过程。决策者可以根据评估结果优化资源分配和作业计划，提高整体效率和质量。
降低成本：通过提高操作手的技能水平和作业效率，可以降低疏浚作业的运营成本，包括燃料、维护和人力成本。
提高环境友好性：通过减少错误和提高作业效率，该技术有助于降低对水域环境的不利影响，促进更可持续地水域资源管理。
实施例2，Step1中，采用传感器模块1采集挖泥深度数据和泥浆浓度数据，与绞吸式挖泥船主控系统100通信采集绞刀转速数据、切削角度数据、速度数据和设备状态数据。
选择适用于绞吸式挖泥船操作监测的传感器，传感器应具备高精度、适当的采样频率、耐用性和成本效益，使用有线传输的方式将传感器数据实时传输到中央数据库，以确保数据的实时性和可访问性，利用数据可视化工具，如实时图表和仪表板，实时显示传感器数据。这样，操作手和监管人员可以方便地监测挖泥作业状态，及时发现异常情况并采取措施。
实施例3，可选的，Step2中，采用IQR方法来检测和剔除异常值，首先，计算数据的Q1和Q3；
Q1表示数据的25th百分位数，Q3表示数据的75th百分位数；
计算IQR，IQR是Q3和Q1的差值：IQR＝Q3-Q1；
定义异常值阈值范围，异常值阈值下限为：Q1-1.5×IQR，上限为：Q3+1.5×IQR，遍历数据集，IQR值位于下限以下或上限以上的数据点是异常值；
异常值的处理方法为删除异常值或替换异常值，删除异常值是将异常值从数据集中移除；替换异常值是用数据的平均值、中位数替代异常值。
为了去除数据中的异常值，通常使用IQR方法来检测和剔除异常值。IQR方法的优点在于它是一种相对简单但有效的异常值检测方法，可以自动适应数据的分布情况。首先，计算数据的Q1(第一四分位数)和Q3(第三四分位数)。Q1表示数据的25th百分位数，而Q3表示数据的75th百分位数。计算IQR，即四分位距，它是Q3和Q1的差值：IQR＝Q3-Q1，定义一个异常值的阈值范围，通常使用以下公式来计算：异常值的阈值下限：Q1-1.5×IQR，异常值的阈值上限：Q3+1.5×IQR，遍历数据集，识别落在下界以下或上界以上的数据点。这些数据点被认为是异常值。一旦识别了异常值，可以选择以下方法之一来处理它们：删除异常值：将异常值从数据集中移除。替换异常值：用数据的平均值、中位数或其他合适的值来替代异常值。
下面通过一个具体的数据异常值判断来进一部说明：
首先进行数据准备，收集和准备挖泥深度数据集。
数据集如下所示：
5.25.35.45.55.65.75.820.05.96.0
计算四分位数和IQR：
计算数据的四分位数(Q1和Q3)和IQR(四分位距)：
Q1(第一四分位数)：数据的25th百分位数，按大小排序后的第一个四分之一数据点。在这个例子中，Q1＝5.4。
Q3(第三四分位数)：数据的75th百分位数，按大小排序后的第三个四分之一数据点。在这个例子中，Q3＝5.8。
IQR(四分位距)：IQR＝Q3-Q1＝5.8-5.4＝0.4。
计算异常值的阈值：根据IQR计算异常值的下限和上限：
下限：Q1-1.5×IQR＝5.4-1.5×0.4＝4.3
上限：Q3+1.5×IQR＝5.8+1.5×0.4＝6.9
检测异常值：
遍历数据集，找到落在下界以下或上界以上的数据点。在这个数据集中，数据点20.0位于上限以上，因此被认为是异常值。
处理异常值：
对于这个例子中的异常值20.0，可以采取以下处理方法之一：
1.删除异常值：将数据点20.0从数据集中移除，得到一个没有异常值的数据集。
2.替换异常值：将数据点20.0替换为数据的平均值(例如，将其替换为平均值5.6)，得到一个修正后的数据集。
实施例4，Step3中，深度学习模型的输入层包括与绞吸式挖泥船操作相关的关键特征；
深度学习模型包括多个隐藏层，使用长短时记忆网络来处理时间序列数据，对于回归任务，使用均方误差作为损失函数。
均方误差的公式如下：
yi代表了操作手的真实表现；代表模型对操作手能力的预测值；
在深度学习模型中添加正则化项，防止过拟合，并使用Dropout层提高深度学习模型的泛化能力。
先将数据分割，将处理好的数据集划分为训练集、验证集和测试集。训练集用于模型的训练，验证集用于调整模型的超参数和监控模型的性能，测试集用于最终的模型评估。设计深度学习模型，首先是输入层，输入层应包括与绞吸式挖泥船操作相关的关键特征，如绞刀转速，泥浆浓度，切削角度等等。模型包括多个隐藏层，以提高模型的表达能力。因为绞吸式挖泥船操作通常具有时序性，考虑使用长短时记忆网络(LSTM)来处理时间序列数据，参见图2，使用长短时记忆网络(LSTM)作为深度学习模型的隐藏层是一种有效的方法，特别适用于处理时间序列数据，因为它有助于捕捉时间依赖性和序列模式。Xt是当前时间步的隐藏状态，ht是上一个时间步的隐藏状态，σ代表sigmoid函数，tanh表示双曲正切函数，用于门控单元的激活函数。
对于回归任务，使用均方误差(MSE)作为损失函数。均方误差(MeanSquaredError，MSE)是一种常用于回归任务的损失函数，用于衡量模型的预测值与实际值之间的平方差。MSE的公式如下：yi代表了操作手的真实表现，这可以是工作规范下的一种量化得分，表示操作手在执行绞吸式挖泥船工作时的实际水平。/>代表模型对操作手能力的预测值，模型根据输入的特征以及历史数据训练，预测了操作手在相同行为规范下的能力水平。均方误差用于衡量模型的预测值与真实值之间的差异。在操作手行为规范模型中，MSE的计算表示模型预测的能力与实际能力之间的平方差的平均值。MSE越小，表示模型的预测越接近实际能力，反之则表示模型的预测与实际能力存在较大差异。另外，在模型中添加正则化项(L2正则化)，以防止过拟合。此外，可以使用Dropout层来提高模型的泛化能力。
实施例5，一种绞吸式挖泥船操作手能力评估的装置，包括传感器模块1、绞吸式挖泥船运行数据采集模块2、疏浚作业操作手监控系统3、数据汇集模块4和计算机5，传感器模块1包括水深传感器11和泥浆浓度传感器12，水深传感器11和泥浆浓度传感器12分别与数据汇集模块4通信连接，水深传感器11用于采集挖泥深度数据，泥浆浓度传感器12用于采集泥浆浓度数据，绞吸式挖泥船运行数据采集模块2的数据输入端与绞吸式挖泥船主控系统100通信连接，用于采集绞刀转速数据、切削角度数据、速度数据和设备状态数据，数据输入端与数据汇集模块4通信连接，疏浚作业操作手监控系统3用于实时监测操作手的操作画面，并与数据汇集模块4通信连接，数据汇集模块4与计算机5通信连接，计算机5部署有采用一种绞吸式挖泥船操作手能力评估的方法设计的评估程序，数据汇集模块4将疏浚作业操作信息数据输入评估程序，评估程序运行深度学习模型输出评估结果，并输出评估报告。
水深传感器11可以实现间接测量挖泥深度数据，具体的水深传感器11可以设置多个，可以设置在绞吸式挖泥船的船体前后，通过挖泥前后的水深数据差来计算挖泥深度，泥浆浓度传感器12具体的可以是AMT/WN-400型智能型污泥浓度传感器，采用散射光式测量法原理设计制作而成。当一束光束射入水样时，由于水样中悬浮颗粒使光产生散射，通过测量后向散射光的强度，并与内部标定值进行比对，从而计算出水样中的污泥浓度，经过线性化处理输出最终值，通过泥浆浓度可以反映疏浚作业对水域环境的影响，绞吸式挖泥船运行数据采集模块2可以实时读取绞吸式挖泥船主控系统100的数据，可以实现绞刀转速数据、切削角度数据、速度数据和设备状态数据等的实时采集。
建立一个疏浚作业操作手监控系统3，可以接收和处理实时数据，在监控系统中实施数据分析功能，以实时监测操作手的表现，分析数据以识别潜在问题，如操作不当、设备故障等。设置预警机制，当监控系统检测到异常情况时，可以向操作手和监管人员发送实时警报。为操作手提供实时反馈和指导。这可以通过用户界面、声音提示、可视化指示或甚至自动化控制来实现。
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)
1.一种绞吸式挖泥船操作手能力评估的方法，其特征在于：包括以下步骤：
Step1，采集疏浚作业操作信息数据，疏浚作业操作信息数据包括挖泥深度数据、绞刀转速数据、泥浆浓度数据、切削角度数据、速度数据和设备状态数据；
Step2，数据处理及特征分析，对Step1采集到的疏浚作业操作信息数据进行数据处理和特征分析，数据处理是去除异常值和填补缺失值处理，特征分析是对数据处理后的数据提取操作手能力评估特征数据，操作手能力评估特征数据是操作时长数据和泥沙浓度数据；
Step3，基于数据处理及特征分析结果建立操作手能力评估模型，所述操作手能力评估模型是深度学习算法模型；
Step4，预测模型训练与验证，使用历史数据集对模型进行训练，然后使用测试数据验证模型的准确性和稳定性；
Step5，个性化评估与改进建议，根据操作手能力评估模型预测结果，生成个性化评估报告。
2.根据权利要求1所述的一种绞吸式挖泥船操作手能力评估的方法，其特征在于：还包括Step6，实时监控与反馈，集成实时监控系统，用于在操作过程中实时监测和反馈操作手的能力，及时发现问题并提供即时指导。
3.根据权利要求2所述的一种绞吸式挖泥船操作手能力评估的方法及装置，其特征在于：Step1中，采用传感器模块1采集挖泥深度数据和泥浆浓度数据，与绞吸式挖泥船主控系统100通信采集绞刀转速数据、切削角度数据、速度数据和设备状态数据。
4.根据权利要求3所述的一种绞吸式挖泥船操作手能力评估的方法及装置，其特征在于：
Step2中，采用IQR方法来检测和剔除异常值，首先，计算数据的Q1和Q3；
Q1表示数据的25th百分位数，Q3表示数据的75th百分位数；
计算IQR，IQR是Q3和Q1的差值：IQR＝Q3-Q1；
定义异常值阈值范围，异常值阈值下限为：Q1-1.5×IQR，上限为：Q3+1.5×IQR，遍历数据集，IQR值位于下限以下或上限以上的数据点是异常值；
异常值的处理方法为删除异常值或替换异常值，删除异常值是将异常值从数据集中移除；替换异常值是用数据的平均值、中位数替代异常值。
5.根据权利要求4所述的一种绞吸式挖泥船操作手能力评估的方法及装置，其特征在于：
将数据处理完成的数据集划分为训练集、验证集和测试集，训练集用于模型的训练，验证集用于调整模型的超参数和监控模型的性能，测试集用于最终的模型评估。
6.根据权利要求5所述的一种绞吸式挖泥船操作手能力评估的方法，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。
7.根据权利要求6所述的一种绞吸式挖泥船操作手能力评估的方法，其特征在于：Step3中，深度学习模型的输入层包括与绞吸式挖泥船操作相关的关键特征；
深度学习模型包括多个隐藏层，使用长短时记忆网络来处理时间序列数据，对于回归任务，使用均方误差作为损失函数。
8.根据权利要求7所述的一种绞吸式挖泥船操作手能力评估的方法，其特征在于：均方误差的公式如下：
yi代表了操作手的真实表现；代表模型对操作手能力的预测值。
9.根据权利要求8所述的一种绞吸式挖泥船操作手能力评估的方法，其特征在于：在深度学习模型中添加正则化项，防止过拟合，并使用Dropout层提高深度学习模型的泛化能力。
10.一种绞吸式挖泥船操作手能力评估的装置，其特征在于：包括传感器模块1、绞吸式挖泥船运行数据采集模块2、疏浚作业操作手监控系统3、数据汇集模块4和计算机5，所述传感器模块1包括水深传感器11和泥浆浓度传感器12，所述水深传感器11和泥浆浓度传感器12分别与数据汇集模块4通信连接，水深传感器11用于采集挖泥深度数据，泥浆浓度传感器12用于采集泥浆浓度数据，所述绞吸式挖泥船运行数据采集模块2的数据输入端与绞吸式挖泥船主控系统100通信连接，用于采集绞刀转速数据、切削角度数据、速度数据和设备状态数据，数据输入端与数据汇集模块4通信连接，疏浚作业操作手监控系统3用于实时监测操作手的操作画面，并与数据汇集模块4通信连接，所述数据汇集模块4与计算机5通信连接，计算机5部署有采用权利要求9所述一种绞吸式挖泥船操作手能力评估的方法设计的评估程序，数据汇集模块4将疏浚作业操作信息数据输入评估程序，评估程序运行深度学习模型输出评估结果，并输出评估报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311303225.XA CN117314249A (zh) | 2023-10-10 | 2023-10-10 | 一种绞吸式挖泥船操作手能力评估的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311303225.XA CN117314249A (zh) | 2023-10-10 | 2023-10-10 | 一种绞吸式挖泥船操作手能力评估的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117314249A true CN117314249A (zh) | 2023-12-29 |
Family
ID=89296917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311303225.XA Pending CN117314249A (zh) | 2023-10-10 | 2023-10-10 | 一种绞吸式挖泥船操作手能力评估的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117314249A (zh) |
Citations (4)
| 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 |
| CN114266441A (zh) * | 2021-11-20 | 2022-04-01 | 国网甘肃省电力公司 | 一种降低生产作业人员风险的量化评价系统及方法 |
| CN115081896A (zh) * | 2022-06-28 | 2022-09-20 | 江苏筑港建设集团有限公司 | 一种航道区域疏浚施工监管系统 |
| CN116664001A (zh) * | 2023-06-13 | 2023-08-29 | 国信蓝桥教育科技股份有限公司 | 一种基于人工智能的学员技能评估方法及系统 |
-
2023
- 2023-10-10 CN CN202311303225.XA patent/CN117314249A/zh active Pending
Patent Citations (4)
| 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 |
| CN114266441A (zh) * | 2021-11-20 | 2022-04-01 | 国网甘肃省电力公司 | 一种降低生产作业人员风险的量化评价系统及方法 |
| CN115081896A (zh) * | 2022-06-28 | 2022-09-20 | 江苏筑港建设集团有限公司 | 一种航道区域疏浚施工监管系统 |
| CN116664001A (zh) * | 2023-06-13 | 2023-08-29 | 国信蓝桥教育科技股份有限公司 | 一种基于人工智能的学员技能评估方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 林少敏 等: "构建挖泥船操作人员技术能力认证体系设想", 《第十九届世界疏浚大会论文集》, 12 April 2011 (2011-04-12), pages 501 - 504 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102473660B (zh) | 等离子加工系统自动瑕疵检测和分类及其方法 | |
| JP7043983B2 (ja) | 汚水処理施設の水質判定装置及び水質判定方法 | |
| CN113614359A (zh) | 用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和系统 | |
| CN108508863A (zh) | 一种基于灰色模型的机电设备故障诊断方法 | |
| CN115643159B (zh) | 一种基于边缘计算的设备异常预警方法及系统 | |
| WO2020128605A1 (en) | An improved method for evaluating pipe condition | |
| CN116757097A (zh) | 一种数字孪生水利工程运维监测系统和方法 | |
| CN111255674B (zh) | 一种用于检测旋转机械设备状态的系统及检测方法 | |
| JP2019098515A (ja) | 刃具状態検査システム及び方法 | |
| WO2019043600A1 (en) | ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR | |
| 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 | |
| CN117405176B (zh) | 一种大体积混凝土施工质量检测方法及系统 | |
| CN116991146B (zh) | 一种超声波清洗装置的控制方法及系统 | |
| CN112329341B (zh) | 一种基于ar和随机森林模型的故障诊断系统及方法 | |
| Mamunts et al. | Development of an automated system for managing and optimizing management decisions in the design, organization and production of dredging | |
| CN117314249A (zh) | 一种绞吸式挖泥船操作手能力评估的方法及装置 | |
| CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及系统 | |
| CN116579214A (zh) | 一种基于数字孪生的三维可视化桥墩监测系统及方法 | |
| CN116306031A (zh) | 一种基于大数据自动采集的隧道大机监测分析方法 | |
| CN116433218A (zh) | 基于自组织映射聚类的矿井机械设备在线健康评估方法 | |
| CN107727392B (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 | |
| CN110222814A (zh) | 基于嵌入式dcnn的乙烯裂解炉炉管重管识别方法 | |
| CN117271980B (zh) | 钻进数据处理方法、装置、电子设备及存储介质 | |
| CN117889943B (zh) | 基于机器学习的气体超声波流量计检验方法及系统 | |
| CN117831026A (zh) | 基于机器学习的食品质量检测方法及装置 |
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 |