一种全智能绞吸挖泥船制造技术

一种全智能绞吸挖泥船，其特征在于，基于实施例1,通过电气和信息化改造传统绞吸挖泥船或者新建绞吸挖泥船，以形成自上而下的控制系统和自下而上信息采集系统；同时，通过采集系统获得业务过程中的电气作业状态数据及产量数据，用于形成样本数据库；构建神经网络在线预测模型，以“五个控制变量输入，一个产量输出”设计为神经网络的数学模型；用样本训练神经网络后更新数学模型，当输入当前时刻船体控制变量，经神经网络在线求解输出预测产量值，采用优化器寻优算法输出最佳控制参数，迭代后不断接近理想状态的最佳工艺控制参数，实现智能作业且保持最优产值。

A fully intelligent cutter suction dredger

【技术实现步骤摘要】
一种全智能绞吸挖泥船
本专利技术所属绞吸挖泥船疏浚领域。
技术介绍
绞吸挖泥船是典型的疏浚工程施工船舶，是疏浚企业最主要也是最重要的生产工具之一。绞吸挖泥船控制系统由几个局部子系统控制器组成，其上集合了大型泥泵、液压系统、电气系统、绞刀头和轴系、钢桩台车、横移绞车系统等专业机具，这些机具各局各性。另外，目前绞吸式挖泥船一般是非机动的，其上装有泥泵、桥架、主辅钢桩、绞车等，其上的装备很难实现挖泥船的自动化与智能化，需施工人员全程参与施工作业，这样造成大量的人力、物力、财力的浪费。专业机具各局各性，每个子系统相互影响、相互制约且关系复杂。绞吸疏浚包括抛左右横移锚、进关、横移、绞刀切削、泵吸、吹岸等子过程，这些过程中疏浚机具和环境、泥面、水流发生复杂的交互作用，人工操作量大、控制精度和及时性要求高。
技术实现思路
既往传统方式，绞吸挖泥船的产量主要取决于疏浚员的操作，并且需要根据不同的施工工况，不断调整系统的控制参数。本实施例2是基于实施例1，进一步提供绞吸挖泥船全智能疏浚控制，构建神经网络算法在线建立预测模型和优化器，通本文档来自技高网...

【技术保护点】
1.一种全智能绞吸挖泥船，其特征在于，基于实施例1,通过电气和信息化改造传统绞吸挖泥船或者新建绞吸挖泥船，以形成自上而下的控制系统和自下而上信息采集系统；同时，通过采集系统获得业务过程中的电气作业状态数据及产量数据，用于形成样本数据库；构建神经网络在线预测模型，以“五个控制变量输入，一个产量输出”设计为神经网络的数学模型；用样本训练神经网络后更新数学模型，当输入当前时刻船体控制变量，经神经网络在线求解输出预测产量值，采用优化器寻优算法输出最佳控制参数，迭代后不断接近理想状态的最佳工艺控制参数，实现智能作业且保持最优产值。/n

【技术特征摘要】
1.一种全智能绞吸挖泥船，其特征在于，基于实施例1,通过电气和信息化改造传统绞吸挖泥船或者新建绞吸挖泥船，以形成自上而下的控制系统和自下而上信息采集系统；同时，通过采集系统获得业务过程中的电气作业状态数据及产量数据，用于形成样本数据库；构建神经网络在线预测模型，以“五个控制变量输入，一个产量输出”设计为神经网络的数学模型；用样本训练神经网络后更新数学模型，当输入当前时刻船体控制变量，经神经网络在线求解输出预测产量值，采用优化器寻优算法输出最佳控制参数，迭代后不断接近理想状态的最佳工艺控制参数，实现智能作业且保持最优产值。


2.如权利要求1所述的全智能绞吸挖泥船，其特征在于，包括绞吸挖泥船、自动控制作业系统、数据采集系统和智能优化系统；所述智能优化系统提供最优化控制量给自动控制作业系统以实现船体最优产量；所述自动控制作业系统协调控制五个机具子系统，所述五个机具子系统包括“架绞系统”、“横移系统”、“台车系统”、“泥泵系统”、“绞刀系统”；数据采集系统为智能优化系统汇总实时数据库及样本，为自动控制作业系统进行实时反馈。
所述智能优化系统包括数据库、产量预测模型、优化器、安全控制范围限定模块，其中：
所述数据库汇集绞吸船在目前海域中作用过程中由传感器系统实时采集来的参数，其中cutter_s为绞刀转速、ladder_dep为桥架下放深度、pump_s为泥泵转速、step_dis为台车推杆步进距离、swing_s为横移速度、ins_pro为瞬时产量这五个瞬时控制因素及其对应的瞬时产量，用于给产量预测模型积累当前作业区域的工艺控制训练样本。
所述产量预测模型采用RBF神经网络算法搭建，输入节点为五个控制变量，输出节点为瞬时产量，产量预测模型的多输入单输出的RBF神经网络结构见图9所示：
所述RBF网络结构中，输入和输出向量分别为：
X＝{cutter_s,ladder_dep,pump_s,step_dis,swing_s}
Y＝{ins_pro}
其中：cutter_s为绞刀转速；ladder_dep为桥架下放深度；pump_s为泥泵转速；step_dis为台车推杆步进距离；swing_s为横移速度；ins_pro为瞬时产量。
所述产量预测模型的RBF网络评价指标，即决定系数R2表达式如下式



R2取值在0到1之间，R2越大(接近于1)，所拟合的回归方程越优。
SST(总平方和)：
SSR(回归平方和)
SSR(残差平方和)e为自然常数；
其中：y为待拟合数值，其均值为拟合值为∑iyi＝y1+y2+…yi。
得到训练后的产量预测模型对输入的某个初始Xk进行在线求解并输出一段时间内(K+ns时刻)模拟控制变量序列XK+ns与对应的预测产量值序列YK+ns,将获得的...

【专利技术属性】
技术研发人员：张晴波，戴文伯，侯晓明，肖晔，林挺，陈新华，冯波，胡京招，王海荣，崔鹏飞，刘佳，沈彦超，王柳艳，王纲筛，
申请(专利权)人：中交疏浚技术装备国家工程研究中心有限公司，
类型：发明
国别省市：上海;31