【技术实现步骤摘要】
一种挖泥船施工参数的闭环实时反演方法
[0001]本专利技术属于挖泥船疏浚施工
，具体涉及一种挖泥船施工参数的闭环实时反演方法。
技术介绍
[0002]挖泥船疏浚过程中面临复杂的工况环境，难以建立准确的数学模型进行疏浚施工指导。因而实际施工作业中，往往需要借助操作人员施工经验保证疏浚效率，但因疏浚过程中涉及施工参数众多且各参数之间关联关系尚不清晰，水下作业不易观察等问题，导致施工周期较长，疏浚效率不佳，因此迫切需要提出一种挖泥船施工参数的实时反演方法，系统的优化疏浚流程，快速、准确的指导施工参数设定。
[0003]当前挖泥船疏浚过程中，多采用多因素敏感性分析方法进行施工参数设置，通过正交试验方法选定多组施工参数组合并在实际疏浚作业中验证每组施工参数所获得的密度、流速大小，最终确定最优疏浚控制策略。但此方法存在实验周期长、鲁棒性差的特点，不能在工况发生变化时快速调节施工参数，且该方法不能对挖泥船历史施工数据中所包含的特征信息进行提取，实现施工参数的自适应调节，使挖泥船疏浚效率始终维持在最优阶段。针对这一问题，利用...
【技术保护点】
【技术特征摘要】
1.一种挖泥船施工参数的闭环实时反演方法，其特征在于，包括以下步骤：S1、模型结构确立：采用瞬时疏浚产量最大化作为挖泥船获得最佳疏浚效率的评价指标，同时筛选出施工过程中可能影响挖泥船疏浚效率的施工参数，确定本发明中所涉及到的正演网络及反演网络的初始输入、输出结构；S2、准备训练样本：所述训练样本包括挖泥船施工参数数据、疏浚过程中所得密度、流速数据；所述密度、流速作为疏浚过程参数，可通过简单数学运算得到挖泥船瞬时疏浚产量；所述各施工参数数据及疏浚过程数据均由船上传感器实时采集得到，通过对采集数据进行预处理，得到最佳疏浚过程对应的标准施工参数反演数据集；S3、循环神经网络模型构建：所述网络结构为闭环结构，采用循环神经网络方法，对训练样本集进行学习，得到挖泥船施工参数到最佳疏浚过程参数的正演网络，最佳疏浚过程参数到挖泥船施工参数的反演网络；S4、网络结构优化：使用步骤S2中得到的标准施工参数反演数据集，基于步骤S3构建的正演网络与反演网络，采用增加注意力机制方法对正演网络预测性能进行优化，采用全局优化算法对反演网络的模型结构超参数进行调节，依据训练过程中产生的闭环网络联合损失函数，自适应调节正演网络与反演网络的权重矩阵和偏置系数；S5、预测性能评估：首先使用步骤S4中训练后的反演网络对疏浚过程参数进行反演，得到施工参数预测结果；然后将施工参数预测结果导入S4中训练得到的正演网络，得到疏浚过程参数预测结果，使用该疏浚过程参数计算出此时预测瞬时疏浚产量，若该预测瞬时疏浚产量数据与实测瞬时疏浚产量数据的误差值越小，则说明施工参数反演结果精度越高，反之，则表明该闭环实时反演方法预测精度不佳，不能在挖泥船施工参数反演预测研究中进行适应性匹配。2.根据权利要求1所述的一种挖泥船施工参数的闭环实时反演方法，其特征在于，所述的S1包括以下步骤：S11、参考国内外挖泥船疏浚领域研究成果，选取瞬时疏浚产量大小作为疏浚过程中挖掘性能评价指标进行疏浚效率评判，同时依据瞬时疏浚产量定义将此过程中涉及到的疏浚过程参数作为反演网络的输入结构参数，反演网络输出结构参数的确定方法与之类似；S12、正演网络的输入、输出结构确定仅需将反演网络的输入、输出结构进行调换。3.根据权利要求1所述的一种挖泥船施工参数的闭环实时反演方法，其特征在于，所述的S2包括以下步骤：S21、确定本发明中所涉及到的各个施工参数及疏浚过程参数的取值范围，筛选出其中所包含的疏浚效率最优阶段的数据样本；S22、对施工过程中船上传感器采集得到的施工参数数据和疏浚过程数据进行异常值处理，消除因传感器特性和海面风浪流扰动引入的数据误差；S23、采用灰色关联度方法，对S12中初步选定的施工参数进行特征提取，降低正演网络和反演网络输入输出结构的复杂度；S24、对特征提取后保留施工参数数据和疏浚过程数据进行归一化处理，消除不同类型数据之间的量纲影响，构成标准施工参数实时反演数据集。4.根据权利要求3所述的一种挖泥船施工参数的闭环实时反演方法，其特征在于，所述的疏浚施工过程中各参数的取值范围可参照施工手册进行约束，避免在数据样本中引入轻
载...
【专利技术属性】
技术研发人员：苏贞，王伟，朱广峰，姚尧，俞孟蕻，袁伟，周泊龙，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。