一种基于卷积神经网络的耙吸船能效预测方法技术

本发明专利技术公开了一种基于卷积神经网络的耙吸船能效预测方法，包括以下步骤：S1、根据耙吸船工作数据进行工况划分；S2、对经过步骤S1处理后的耙吸船工作数据进行滤波处理以消除环境噪声的影响；S3、根据步骤S2处理后的耙吸船工作数据构建卷积神经网络能效数据的训练集，建立耙吸船能效的卷积神经网络回归预测模型。本发明专利技术采用上述基于卷积神经网络的耙吸船能效预测方法，能够解决能效预测不准确的问题。能够解决能效预测不准确的问题。能够解决能效预测不准确的问题。

【技术实现步骤摘要】
一种基于卷积神经网络的耙吸船能效预测方法


[0001]本专利技术涉及能效预测
，尤其是涉及一种基于卷积神经网络的耙吸船能效预测方法。

技术介绍

[0002]耙吸船作为目前疏浚工程的主力施工船型，因其具有机动灵活、效率高、抗风浪力强等特点，在港口维护及沿海进港航道的挖掘等任务中有着不可替代的作用。目前，国内疏浚工程需求巨大，且燃料成本不断增高，污染物排放法规日益严格，这些都对提高耙吸船施工效率有着迫切的要求。对耙吸船疏浚能效进行准确预测，能够便于确定工期，减少施工人员操作，对疏浚作业效率的提高具有重要意义。
[0003]Tang等人(J.Z.Tang,Q.F.Wang,T.Y.Zhong,Automatic monitoring and control of cutter suction dredger,Autom.Constr.18(2)(2009)194
–
203)设计了一种绞吸船自动监测系统，通过对泥浆浓度和泥浆流速控制来提高疏浚过程的生产效率，并基于计算机密切关注疏浚过程并准确评估系统状态。然而，由于影响疏浚生产力的众多因素是动态的并以复杂的方式相互关联，且耙吸船工作过程是典型的非线性过程，传统的能效预测方法对于复杂工况下耙吸船挖泥过程无法实现准确的能效预测。

技术实现思路

[0004]本专利技术的目的是提供一种基于卷积神经网络的耙吸船能效预测方法，通过均值滤波方法处理耙吸船工作数据，之后利用卷积神经网络方法提取数据特征并建立准确可靠的能效预测模型，以解决能效预测不准确的问题。
[0005]为实现上述目的，本专利技术提供了一种基于卷积神经网络的耙吸船能效预测方法，包括以下步骤：
[0006]S1、根据耙吸船工作数据进行工况划分；
[0007]S2、对经过步骤S1处理后的耙吸船工作数据进行滤波处理；
[0008]S3、根据步骤S2处理后的耙吸船工作数据构建卷积神经网络能效数据的训练集，建立耙吸船能效的卷积神经网络回归预测模型。
[0009]进一步地，所述步骤S1的具体方法为：
[0010]根据耙吸船工作原理及实船数据的特征，选取泥泵转速n，航速V以及泥浆浓度γ作为工况划分的判断参数，并设置泥泵转速、航速、泥浆浓度阈值N
thr
,V
thr
和γ
thr
，将同时满足n＞n
thr
,V＜V
thr
以及γ＞γ
thr
的工作数据判定为挖泥工况数据；
[0011]进一步地，所述步骤S2的具体方法为：
[0012]S21、均值滤波：采用均值滤波方法用均值代替原耙吸船数据中的各个值，以减少环境噪声对耙吸船工作数据的影响，其公式为：
[0013][0014]其中，i表示耙吸船的工作参数类别(i＝1,2,...,M)；M为工作参数的个数，工作参数包括泥浆浓度、泥浆密度、泥泵流速、泥浆流量、航速、耙吸船功率等；u
i
(j)表示耙吸船第i个工作参数的第j个数据(j＝1,2,...,N)；N为数据的个数；U
i
(j)为u
i
(j)经滤波后的工作数据；k为滤波的步长；
[0015]其中，耙吸船的工作参数U
i
表示为：
[0016]U
i
＝(U
i
(1),U
i
(2),...,U
i
(N))
[0017]滤波后的耙吸船总工作数据集U即为：
[0018]U＝(U1,U2,...,U
M
)
T
；
[0019]S22、提取耙吸船能效相关工作参数X
i
以及能效数据Y：
[0020]根据耙吸船工作参数类型可将耙吸船的工作数据Z表示为：
[0021]Z＝(X1,X2,...,X
l
,Y1,Y2,Y3,Y4)
T
[0022]其中，X1＝U1,X2＝U2,...,X
l
＝U
l
代表集合U中除耙吸船功率P、泥浆浓度γ、泥浆密度ρ和泥浆流量Q以外的耙吸船能效相关的工作参数(l＝M
‑
4)；Y1,Y2,Y3,Y4代表耙吸船能效计算参数，分别为耙吸船功率P、泥浆浓度γ、泥浆密度ρ和泥浆流量Q，耙吸船的能效数据Y通过上述参数计算，计算公式为：
[0023]Y＝P/γρQ
[0024]提取的工作参数X
i
以及能效数据Y作为有效两侧数据集，表示为：
[0025]X
i
＝(X
i
(1),X
i
(2),...,X
i
(N))
[0026]Y＝(Y(1),Y(2),...,Y(N))；
[0027]进一步地，所述步骤S3的具体方法为：
[0028]S31、滑窗数据序列选取：从有效量测数据集数据获取当前数据点及后p
‑
1个数据点的数据组成滑窗数据序列，p为滑窗序列的步长，获得的滑窗数据序列记作Y
(j)
：
[0029][0030]X
(j)
为有效量测数据集的全部工作数据在第j个数据点的滑窗序列：
[0031][0032]将所有数据点的滑窗序列组合得到新数据集X
new
，Y
new
：
[0033]X
new
＝(X
(1)
,X
(2)
,...,X
(N)
)
T
[0034]Y
new
＝(Y
(1)
,Y
(2)
,...,Y
(N)
)
T
[0035]数据集X
new
为N
×
l行p列的矩阵，每l行数据都表示耙吸船在一个数据点及其之后的p
‑
1个数据点上的l个工作参数的实时值，这些数据作为神经网络一个样本的输入；数据集Y
new
为N行p列的矩阵，每一行数据都表示耙吸船在一个数据点及其之后的p
‑
1个数据点上
的能效值，这些数据作为神经网络一个样本的输出；
[0036]S32、将样本分为训练集、测试集；其中训练集、测试集占总样本的比例分别为80％、20％，并对其进行归一化处理；
[0037]S33、构建卷积神经网络模型：所述模型的网络结构由输入层、卷积层、激活函数层以及两个全连接层组成，并设置学习率、激活函数类型、迭代次数、三个超参数；
[0038]所述输入层输入数据大小为经滤波后的工作参数数量和滑窗序列步长的乘积，即l
×
p；
[0039]所述卷积层具有16个大小为3
×
3的滤波器，用于提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的耙吸船能效预测方法，其特征在于，包括以下步骤：S1、根据耙吸船工作数据进行工况划分；S2、对经过步骤S1处理后的耙吸船工作数据进行滤波处理；S3、根据步骤S2处理后的耙吸船工作数据构建卷积神经网络能效数据的训练集，建立耙吸船能效的卷积神经网络回归预测模型。2.根据权利要求1所述的一种基于卷积神经网络的耙吸船能效预测方法，其特征在于，所述步骤S1的具体方法为：根据耙吸船工作原理及实船数据的特征，选取泥泵转速n，航速V以及泥浆浓度γ作为工况划分的判断参数，并设置泥泵转速、航速、泥浆浓度阈值N
thr
,V
thr
和γ
thr
，将同时满足n＞n
thr
,V＜V
thr
以及γ＞γ
thr
的工作数据判定为挖泥工况数据。3.根据权利要求2所述的一种基于卷积神经网络的耙吸船能效预测方法，其特征在于，所述步骤S2中滤波方法为：S21、采用均值滤波方法用量测均值代替原耙吸船数据中的各个值，以减少环境噪声对耙吸船工作数据的影响，其公式为：其中，i表示耙吸船的工作参数类别(i＝1,2,...,M)；M为工作参数的个数，工作参数包括泥浆浓度、泥浆密度、泥泵流速、泥浆流量、航速、耙吸船功率；u
i
(j)表示耙吸船第i个工作参数的第j个数据(j＝1,2,...,N)；N为数据的个数；U
i
(j)为u
i
(j)经滤波后的工作数据；k为滤波的步长；其中，耙吸船的工作参数U
i
表示为：U
i
＝(U
i
(1),U
i
(2),...,U
i
(N))滤波后的耙吸船总工作数据集U即为：U＝(U1,U2,...,U
M
)
T
；S22、提取耙吸船能效相关工作参数X
i
以及能效数据Y：根据耙吸船工作参数类型可将耙吸船的工作数据Z表示为：Z＝(X1,X2,...,X
l
,Y1,Y2,Y3,Y4)
T
其中，X1＝U1,X2＝U2,...,X
l
＝U
l
代表集合U中除耙吸船功率P、泥浆浓度γ、泥浆密度ρ和泥浆流量Q以外的耙吸船能效相关的工作参数(l＝M
‑
4)；Y1,Y2,Y3,Y4代表耙吸船能效计算参数，分别为耙吸船功率P、泥浆浓度γ、泥浆密度ρ和泥浆流量Q，耙吸船的能效数据Y通过上述参数计算，计算公式为：Y＝P/γρQ提取的工作参数X
i

【专利技术属性】
技术研发人员：陈力恒，张金越，陈杨，程诺，谈用杰，李子良，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：