， ，

(1.江蘇科技大學 電子信息學院，江蘇 鎮(zhèn)江 212003； 2.江蘇科技大學 海洋裝備研究院，江蘇 鎮(zhèn)江 212003)

基于遺傳神經(jīng)網(wǎng)絡的耙吸挖泥船泥泵轉(zhuǎn)速預測

曹點點1，蘇貞2，孫健1

(1.江蘇科技大學電子信息學院，江蘇鎮(zhèn)江212003； 2.江蘇科技大學海洋裝備研究院，江蘇鎮(zhèn)江212003)

耙吸挖泥船泥泵管線模型是一個復雜的、非線性的動態(tài)模型，影響模型準確性的參數(shù)較多;為了根據(jù)當前施工條件和流量的優(yōu)化值準確地預測轉(zhuǎn)速，為施工人員提供參考，提高疏浚效率，采用了遺傳算法改進的BP神經(jīng)網(wǎng)絡對泥泵轉(zhuǎn)速進行預測;首先，遺傳算法對BP神經(jīng)網(wǎng)絡的初始權(quán)值和閾值進行優(yōu)化;然后，BP神經(jīng)網(wǎng)絡根據(jù)優(yōu)化值對網(wǎng)絡進行訓練并對轉(zhuǎn)速進行預測;為了驗證該方法的有效性，將遺傳BP神經(jīng)網(wǎng)絡的預測輸出和實測泥泵轉(zhuǎn)速進行對比;仿真結(jié)果表明：遺傳BP神經(jīng)網(wǎng)絡具有很強的非線性擬合能力和全局搜索能力，能夠準確地預測泥泵轉(zhuǎn)速;該預測輸出可為施工人員提供參考，以便改變泥泵轉(zhuǎn)速，提高疏浚效率。

耙吸挖泥船；遺傳神經(jīng)網(wǎng)絡；泥泵轉(zhuǎn)速；預測

0 引言

隨著世界化石燃料的逐漸減少，以及全球的氣溫一直升高，人們越來越注重能源的高效利用以及低碳減排。而耙吸挖泥船在疏浚作業(yè)過程中需要消耗大量的燃料[1]，如何使得耙吸挖泥船高效疏浚作業(yè)已經(jīng)成為河道疏浚的重點研究方向。因此，對耙吸挖泥船疏浚作業(yè)過程的優(yōu)化必不可少，國內(nèi)外對如何優(yōu)化耙吸挖泥船的航速、流量來提高產(chǎn)能已經(jīng)做了大量的研究[2]，但流量并不是施工人員可以直接控制參數(shù)。因此，施工人員并不能準確知道如何根據(jù)優(yōu)化的流量值調(diào)節(jié)泥泵轉(zhuǎn)速來提高疏浚產(chǎn)能。本文則著重研究如何根據(jù)當前施工條件和優(yōu)化后的流量值預測泥泵轉(zhuǎn)速。

鑒于泥泵管線模型受多種因素的影響，而各個因素之間的相互影響并不清楚[3]。考慮到BP神經(jīng)網(wǎng)絡有很好地非線性擬合能力，結(jié)構(gòu)并不復雜，實用性較強。然而，其也存在一些不足，例如全局搜索能力較差、易于陷入局部尋優(yōu)。遺傳算法是模仿生物界進化理論而得到的一種全局搜索算法，全局搜索能力較強。因此，將遺傳算法和BP神經(jīng)網(wǎng)絡結(jié)合不僅使得BP神經(jīng)網(wǎng)絡具有很好地非線性擬合能力，并且有著較強全局尋優(yōu)能力?；谝陨戏治?，文中采用遺傳算法改進神經(jīng)網(wǎng)絡對泥泵轉(zhuǎn)速進行預測，使用遺傳算法對神經(jīng)網(wǎng)絡權(quán)值和閾值進行優(yōu)化；然后，將連接權(quán)值和閾值賦給BP神經(jīng)網(wǎng)絡；最終，BP神經(jīng)網(wǎng)絡根據(jù)優(yōu)化的權(quán)值和閾值對數(shù)據(jù)進行訓練并預測泥泵轉(zhuǎn)速。

1 遺傳BP神經(jīng)網(wǎng)絡

1.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡，即誤差反向傳播算法[4]，其結(jié)構(gòu)由輸入層，中間層，輸出層構(gòu)成。中間層按照層數(shù)可分為單隱含層和多隱含層，因此中間層也被稱為隱含層。當輸入層接收到輸入的數(shù)據(jù)后，將數(shù)據(jù)傳送至中間層，中間層會根據(jù)輸入層和中間層初始的權(quán)值和閾值對輸入信息進行處理和變換，然后隱含層將輸出傳送至輸出層，輸出層根據(jù)隱含層和輸出層的初始權(quán)值和閾值計算預測輸出，然后和期望值進行比較得到誤差，如果誤差并不滿足要求，則通過誤差對神經(jīng)網(wǎng)絡的連接權(quán)值和閾值進行更新。因此，神經(jīng)網(wǎng)絡不斷地進行正向和反向地傳播，連接權(quán)值和閾值也不斷地更新，這也就是神經(jīng)網(wǎng)絡不斷學習的過程，這個訓練學習的過程直到達到誤差要求或達到設定的迭代次數(shù)為止。BP神經(jīng)網(wǎng)絡流程圖如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡流程圖

BP神經(jīng)網(wǎng)絡需要對數(shù)據(jù)進行訓練，使得網(wǎng)絡具有記憶和泛化的能力，之后才能根據(jù)輸入數(shù)據(jù)對輸出進行預測[5]，其訓練步驟如下：

1)網(wǎng)絡初始化：由實際模型的輸入輸出個數(shù)決定輸入層節(jié)點數(shù)m、隱含層節(jié)點數(shù)s、輸出層節(jié)點數(shù)n，初始化神經(jīng)網(wǎng)絡各層之間的連接權(quán)值wij，wjk，初始化隱含層閾值a，輸出層閾值b，設定神經(jīng)網(wǎng)絡迭代次數(shù)、誤差目標、學習效率。

2)隱含層計算：根據(jù)輸入的數(shù)據(jù)和初始化的連接權(quán)值wij以及隱含層閾值a，通過以下表達式計算輸出H。

(1)

式中，s為隱含層節(jié)點數(shù)，f為激勵函數(shù)，其有多種函數(shù)形式，文中將其取為：

(2)

3)輸出層計算：依據(jù)初始化得連接權(quán)值wjk，閾值b以及通過計算得到的H，通過輸入測試數(shù)據(jù)對網(wǎng)絡輸出O進行預測。

(3)

4)誤差計算：把網(wǎng)絡輸出Y和預測值O，代入下式得到誤差e。

ek=Yk-Ok，k=1,2,…,n

(4)

5)權(quán)值更新：將上式得到的預測誤差e代入下式計算出新的連接權(quán)值wij，wjk。

i=1,2,…,m;j=1,2…,s

(5)

wjk=wjk+ηHjek，

j=1,2,…,s;k=1,2,…,n

(6)

式中，η為學習效率

6)閾值更新：依據(jù)預測和期望值的誤差e用下式計算出閾值a，b。

(7)

bk=bk+ekk=1,2,…,n

(8)

7)判斷神經(jīng)網(wǎng)絡迭代次數(shù)是否達到設定值，如果還未達到，則返回2)。

1.2 遺傳算法

遺傳算法是模擬自然遺傳機制和生物進化論而形成的一種并行隨機搜索最優(yōu)方法[6]。其基本原理是根據(jù)生物界中的“物競天擇，適者生存”的進化法則而得到的。遺傳算法是將需要優(yōu)化的參數(shù)進行編碼，而編碼的任意一位被稱為基因。基因組成的串稱之為染色體，多個染色體則被稱作群體[7]。染色體的個數(shù)被稱為種群規(guī)模。染色體對給定環(huán)境的適應程度被稱作適應度。該算法的核心是把問題參數(shù)編碼為染色體，根據(jù)給定的適應度函數(shù)，即目標函數(shù)，通過選擇、交叉等運算不斷得到新的染色體，最終尋找到符合適應度的參數(shù)。遺傳算法流程圖如圖2所示。

圖2 傳算法流程圖

遺傳算法的實現(xiàn)步驟有初始化種群，確定適應度函數(shù)以及選擇、交叉等運算[8]，其具體步驟如下：

1)種群初始化：遺傳算法并不能直接識別需要優(yōu)化的參數(shù)，因此需要對參數(shù)進行編碼，一般將參數(shù)用二進制進行編碼。因此，文中將神經(jīng)網(wǎng)絡初始權(quán)值和閾值進行編碼，每個編碼都是一個個體。

2)適應度函數(shù)：該值用來評判個體的好壞，文中把真實值和網(wǎng)絡預測值的誤差作為個體適應度值F。

(9)

式中，n為網(wǎng)絡輸出個數(shù)；yi為期望輸出；oi為預測輸出；k為系數(shù)。

3)選擇：從種群中按照概率選擇一些個體用來繁衍子代，適應度越高概率則越大，染色體被選擇的概率pi為：

fi=k/Fi

(10)

(11)

式中，F(xiàn)i為染色體適應度；N為種群大??；k為系數(shù)。

4)交叉：從群體中任意選擇兩個個體，然后進行交叉操作從而產(chǎn)生更優(yōu)的下一代個體，ak和al交叉方法為：

(12)

式中，b為[0，1]內(nèi)的任意數(shù)。

5)變異：從種群中任意取一個個體，對其中的基因加以改變從而產(chǎn)生新一代的個體，變異方法為：

表1 不同時刻對應的流量值

r>0.5

r≤0.5

(13)

式中，amax為aij的上限；amin為aij的下限；f(g)=r2(1-g/Gmax)2；r2為隨機數(shù)；g為進化次數(shù)；Gmax為最大迭代次數(shù)；r是在[0，1]內(nèi)的任意數(shù)。

1.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡

遺傳神經(jīng)網(wǎng)絡主要通過遺傳算法尋優(yōu)神經(jīng)網(wǎng)絡，然后，神經(jīng)網(wǎng)絡根據(jù)優(yōu)化的初始權(quán)值和閾值對數(shù)據(jù)進行訓練并預測[9]。該方法解決了神經(jīng)網(wǎng)絡隨機初始化初始權(quán)值和閾值的問題，克服了神經(jīng)網(wǎng)絡易于陷入局部尋優(yōu)的缺陷，綜合了遺傳算法和神經(jīng)網(wǎng)絡的全局和局部優(yōu)化能力，有較強的非線性擬合能力，遺傳神經(jīng)網(wǎng)絡流程圖如圖3所示。

圖3 遺傳神經(jīng)網(wǎng)絡流程圖

2 預測模型及算法參數(shù)設置

泥泵管線模型[10]如圖4所示，影響模型的參數(shù)有很多，其中Qi為挖泥船吸入混合物流量，hd為挖泥船吃水，pi為挖泥船吸入混合物密度，hz為耙頭疏浚深度，它們對泥泵轉(zhuǎn)速的確定有著重要的影響[11]，Wp為泥泵轉(zhuǎn)速。

圖4 泥泵管線模型

1)遺傳算法參數(shù)選擇：遺傳算法種群數(shù)目和遺傳代數(shù)太小則很難找到最優(yōu)解，過大則增加了算法尋優(yōu)的時間。因此，文中種群大小為40，遺傳代數(shù)為100；交叉概率和變異率過大則會破壞優(yōu)化的個體，過小又很難產(chǎn)生新的個體，文中交叉概率設為0.7，變異率設為0.1。

2)BP神經(jīng)網(wǎng)絡參數(shù)選擇：輸入層有4個節(jié)點，輸出層有1個節(jié)點，對于三層神經(jīng)網(wǎng)絡，隱含層節(jié)點數(shù)為2*4+1=9個，輸入層和隱含層之間的權(quán)值有4*9 =36個，隱含層和輸出層之間的權(quán)值有1*9=9個，隱含層有9個閾值，輸出層閾值為1個，所以遺傳算法優(yōu)化參數(shù)為36+9+9+1 =55個。神經(jīng)網(wǎng)絡迭代次數(shù)設為100，學習效率為0.1，目標誤差為0.0001。

3 仿真試驗與分析

3.1 仿真試驗

文中數(shù)據(jù)從在廈門港施工的“新?；?”號耙吸挖泥船采集。為了驗證遺傳神經(jīng)網(wǎng)絡對泥泵轉(zhuǎn)速預測的準確性，將預測結(jié)果和實測數(shù)據(jù)進行對比。兩個周期在不同時刻對應的流量值如表1所示，其中時間單位為秒，流量單位為立方米每秒。

文中給出了兩個周期在變化的施工情況下對應于該流量的泥泵轉(zhuǎn)速預測結(jié)果。周期1的泥泵轉(zhuǎn)速預測結(jié)果和誤差率如圖5和圖6所示。從圖中可以看出遺傳神經(jīng)網(wǎng)絡的預測誤差率基本保持在0.4%之內(nèi)，有著很高預測準確性。

圖5 周期1預測輸出和實測輸出對比

圖6 周期1預測輸出誤差率

周期2泥泵轉(zhuǎn)速預測結(jié)果和誤差率如圖7和圖8所示，預測誤差率基本保持在0.5%之內(nèi)，預測準確性較高。

圖7 周期2預測輸出和實測輸出對比

圖8 周期2預測輸出誤差率

3.2 仿真分析

根據(jù)以上兩個周期的預測結(jié)果可知，兩個周期的預測結(jié)果的誤差分別保持在0.4%和0.5%以內(nèi)，均滿足了疏浚公司所要求的1%的誤差率。因此，遺傳神經(jīng)網(wǎng)絡能夠準確地對耙吸挖泥船泥泵轉(zhuǎn)速進行預測，可為施工人員提供轉(zhuǎn)速的參考，以便調(diào)整泥泵施工參數(shù)，提高疏浚效率，降低施工成本。

5 結(jié)論

使用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡，克服了其隨機初始化權(quán)值和閾值和易于陷入局部尋優(yōu)的缺點。文中使用該方法對非線性的泥泵管線模型中的泥泵轉(zhuǎn)速進行了預測，并將預測輸出和實測數(shù)據(jù)進行了對比，仿真結(jié)果表明：經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡算法具有很強的全局優(yōu)化能力和非線性擬合能力，使得泥泵轉(zhuǎn)速的預測輸出有著很高準確性。因此，該算法可根據(jù)變化的施工條件和給定的流量優(yōu)化值對耙吸挖泥船轉(zhuǎn)速進行預測，給施工人員提供轉(zhuǎn)速的參考，提高疏浚效率。同時，有助于未來開發(fā)智能耙吸挖泥船疏浚系統(tǒng)。

[1] Stano P.Nonlinear state and parameter estimation for hopper dredgers[D].Holand : Delft University of Technology,2013:53-55.

[2] Braaksma J. Model-based control of hopper dredgers[D].Holand:Delft University of Technology, 2008:41-46.

[3] 曹祥志.大型耙吸挖泥船疏浚作業(yè)優(yōu)化系統(tǒng)的研究與實現(xiàn)[D].江蘇：江蘇科技大學,2015.

[4]Wang L.Intelligent data analysis and control of hopper dredger[D].Holand:Delft University of Technology,2006:35-36.

[5] 王柳艷.基于高效疏浚的耙吸挖泥船作業(yè)過程機理研究[D].江蘇：江蘇科技大學,2015.

[6] Lendek Z, Babuska R,Braaksma J,et al. Decentralized estimation of overflow losses in hopper dredger[J].Delft Center for System and Control,2008,16(17):392-406.

[7] 楊婷婷.耙吸挖泥船疏浚性能在線優(yōu)化控制策略研究[D].江蘇：江蘇科技大學，2016.

[8] Braaksma J, Klaassens J B, Babuska R,et al.A computationally efficient model for predicting overflow mixture density in a hopper dredger[J]. Terra et Aqua,2007, 106(31):10-28.

[9] Maertens, Babuska R,Baerdemaeker J.Evolutionary input selection for nonlinear identification of complex processes[J]. Computer and Electronics in Agriculture, 2005,49(3):44-51.

[10]Braaksma J,Osnabrugge J,Babuska R.,et al.Artificial intelligence on board of dredgers for optimal land reclamation[J].CEDA Dredger Days,2007,57(26):1-4.

PumpSpeedPredictionforHopperDredgerBasedonGeneticNeuralNetwork

Cao Diandian1, Su Zhen2, Sun Jian1

(1.School of Electronics and Information, Jiangsu University of Science and Technology, Zhenjiang 212003,China；2.Marine equipment and Technology Institute, Jiangsu University of Science and Technology, Zhenjiang 212003, China)

Hopper dredger's pump pipeline model is a complex and nonlinear dynamic model, and there are lots of parameters that can affect the model's accuracy. In order to accurately predict the next moment's pump speed and improve the dredging efficiency based on current construction conditions and the optimal flow rate, the genetic BP neural network prediction model is proposed. First, genetic algorithm was used to optimize the initial weights and thresholds of BP neural network, and then the BP neural network is trained according to the optimal value. In order to verify the validity of the method, the genetic BP neural network and the real pump data were compared. The simulation results show that the genetic BP neural network has a good fitting ability and good global search ability. Genetic BP neural network can accurately predict the speed and provide recommendations for the construction personnel, who can adjust pump speed and improve the efficiency of dredging.

hopper dredger; genetic neural network; pump speed；prediction

2017-04-02；

2017-04-14。

江蘇高校高技術(shù)船舶協(xié)同創(chuàng)新中心資助項目(HZ2016011)。

曹點點(1990-)，男，江蘇徐州人，碩士研究生，主要從事船舶自動化方向的研究。

蘇 貞(1985-)，男，山東濟寧人，碩士研究生導師，主要從事船舶自動化方向的研究。

1671-4598(2017)10-0027-03

10.16526/j.cnki.11-4762/tp.2017.10.008

U674.31

A