夏春榮

摘 要：本文提出了一種基于長短期記憶（LSTM）神經(jīng)網(wǎng)絡的內河船閘主動防撞系統(tǒng)。面向復雜條件下船閘主動防撞技術這一關鍵問題，圍繞多普勒雷達、毫米波雷達及船用阻攔系統(tǒng)的零部件及產(chǎn)品產(chǎn)業(yè)化要求，分別從系統(tǒng)硬件、軟件與算法、裝置設計與性能優(yōu)化等方面著手，開發(fā)研制了內河船閘主動防撞系統(tǒng)。

關鍵詞：內河船閘;主動防撞;LSTM;系統(tǒng)

中圖分類號：TM71 ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ?文章編號：1006—7973（2019）12-0056-04

作為內河航道重要的通航設施—船閘，在航道條件改善、防洪抗旱等方面發(fā)揮了重要作用，其運行效率直接制約著內河航運的發(fā)展。近年來， 隨著交通運輸事業(yè)的飛速發(fā)展，船舶過閘需求增加， 內河船舶與船閘間的碰撞事故發(fā)生頻率不斷增多，極易引發(fā)斷航、堵航、甚至土方坍塌等次生事故。如果是危險貨物的運輸船舶發(fā)生碰撞船閘事故，不僅是簡單的維修和經(jīng)濟賠償問題，還會帶來難以預料的生態(tài)災難和社會危害。碰撞導致的船閘斷航、大量船舶滯航常帶來生態(tài)環(huán)境污染和社會不穩(wěn)定，給航運企業(yè)帶來巨大的經(jīng)濟損失。政府、交通部門不得不協(xié)調、應對、處置由此帶來的負面影響。因此，內河船閘主動探測技術與防碰撞裝置的研究工作尤為迫切和必需。內河船閘過境船舶的自動識別及其主動防撞技術，國內外許多科技工作者進行過該領域的研究，在中國，船閘防撞研究正處于初級階段，取得了一定的研究進展，但仍然沒有解決內河船閘交通運輸中的根本難題。

長短期記憶神經(jīng)網(wǎng)絡（Long Short-Term Memory，LSTM）是一種改進的深度學習算法，系改進循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）的計算單元而得來。其對于處理時間序列相關的數(shù)據(jù)有良好的效果。本文提出采用船舶自動識別系統(tǒng)與雷達融合信息的船閘主動防撞系統(tǒng)，可以有效的解決單一設備目標識別不準確與目標信息不豐富的問題，提高了進出船舶識別的準確性，可以對過閘船舶實施有效的跟蹤，實現(xiàn)船舶過閘安全可靠，確保船員、運輸船、船閘等的安全。

1 LSTM網(wǎng)絡的原理介紹

RNN是一類用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡。該網(wǎng)絡的內部狀態(tài)，能夠展示動態(tài)時序的行為，和BP神經(jīng)網(wǎng)絡不同。RNN處理任意時序的輸入序列可以利用其內部的記憶，常常被利用來處理連續(xù)序列數(shù)據(jù)問題，因此適用于本課題的內河船舶信息采集。RNN的神經(jīng)網(wǎng)絡模型結構如圖1所示。

長短期記憶網(wǎng)絡LSTM是一種特殊的RNN?？梢詫W習長期依賴信息。LSTM與RNN最大的區(qū)別在于，LSTM中最頂層多了一條名為“cell state”（細胞狀態(tài)）的信息傳送帶，其實也就是信息記憶的地方。該記憶模塊被利用來替代循環(huán)神經(jīng)網(wǎng)絡中普通的隱含節(jié)點。當梯度在跨越多個時間間隔以后，確保其不會消失或者爆炸，傳統(tǒng)RNN在訓練中所存在的一些困難被一一加以克服。LSTM 神經(jīng)網(wǎng)絡的網(wǎng)絡模型結構如圖 2所示。

圖2 ? LSTM網(wǎng)絡單元細胞結構

本文使用此模型進行研究，是因為內河船舶信號的時間依賴特性極其強大。根據(jù)記憶特性，LSTM 神經(jīng)網(wǎng)絡模型可以對時序信息進行很好的動態(tài)分析。

2 船閘防撞系統(tǒng)組成

基于深度學習平臺的船閘主動防撞系統(tǒng)，從環(huán)境感知技術著手，針對中國船閘復雜水路狀況，研究船舶感知關鍵技術與系統(tǒng);基于人類病毒免疫機制，設計出入閘船舶碰撞船閘威脅判別的核心決策算法;基于面向船閘的主動防撞特點，開發(fā)多普勒雷達網(wǎng)絡測速節(jié)點、毫米波盲區(qū)探測裝置及船閘主動阻攔系統(tǒng)。如圖3所示。

圖3 ?船閘主動防撞系統(tǒng)示意圖

3 內河船閘主動防撞系統(tǒng)關鍵技術研究。

3.1入閘船舶數(shù)據(jù)采集處理

如圖4所示。

船閘的防撞材料上設置無線加速度傳感器網(wǎng)絡節(jié)點，通過網(wǎng)關節(jié)點實時向監(jiān)控中心傳遞監(jiān)測數(shù)據(jù)，如圖5 中的實際傳輸路徑所示。同時采用自行開發(fā)的多普勒雷達測速節(jié)點、毫米波探測盲區(qū)裝置。針對多普勒雷達測速網(wǎng)絡的數(shù)據(jù)處理，進行入閘船舶的單/組合測速、航跡預測、特征提取及威脅評估算法的開發(fā)。針對阻攔系統(tǒng)的底層控制系統(tǒng)，利用魯棒控制技術，對阻攔索/網(wǎng)的全自動機械結構進行提升、制動、下沉等關鍵動作進行測試。

3.2軟件架構設計

在軟件架構上，主要解決了即插即用的統(tǒng)一軟件架構以及多核實時多任務分解機制。通過提取控制系統(tǒng)共性特征，抽象各環(huán)節(jié)的物理模型與行為特征，采用基于Model-base建模方法和狀態(tài)機理論，建立輸入、輸出、控制等信號流、控制流、動力流、狀態(tài)流表達方式及操作原則，規(guī)范信息傳導與控制協(xié)調與公共區(qū)訪問的時序邏輯關系，避免嚴重的控制沖突問題，確定完整的控制架構體系與相應的故障診斷與安全監(jiān)控體系。采取虛擬機技術與符合AUTOSAR標準的多核實時操作系統(tǒng)相結合的方法，結合各相關控制系統(tǒng)的資源占用情況，采用并行觸發(fā)任務協(xié)調、分配機制，實現(xiàn)多任務分解及負載均衡，使得智能控制中的各個策略、算法、安全防護得到有效協(xié)調并高效、實時、可靠運行。如圖6所示。

3.3 船舶運動姿態(tài)預測及碰撞預警

在船舶出入閘的過程中，各種因素的干擾，往往會使船舶的運動姿態(tài)受到影響，表現(xiàn)出相對復雜的非線性狀態(tài)，如各種噪聲信號、混沌特性等因素。擬準確地預測短期姿態(tài)序列，常常比較困難。LSTM網(wǎng)絡屬于一種改進的深度學習算法，對歷史信息具有保存能力，特別在時間序列的預測上，優(yōu)勢更加明顯。其憑借當前值和歷史數(shù)據(jù)，能夠對時間序列進行非常好的預測。

基于以上考慮，本課題采用LSTM模型，對過閘船舶運動姿態(tài)進行預判和研究。系統(tǒng)整體框圖及算法步驟，如下圖7所示。

其中iterator表示一個周期迭代的次數(shù)，epoch表示當前模型迭代的周期數(shù)。

關于就流程圖中的步驟與細節(jié)，做簡單介紹：

第一步：進行數(shù)據(jù)預處理

船舶運動姿態(tài)時間序列在連續(xù)時間上是離散值。本著更好地訓練數(shù)據(jù)的目的，本文將船舶運動姿態(tài)待輸入的相鄰時間序列差值，轉換為正向輸入差值向量。為了提高訓練速度和便于分析，避免各個數(shù)據(jù)間因為量綱的不同，對長短期記憶神經(jīng)網(wǎng)絡模型帶來的影響，本文在船舶姿態(tài)差值數(shù)據(jù)的基礎上，對數(shù)據(jù)向量采用了歸一化處理方式，即將有量綱的表達式，經(jīng)過變換，化為無量綱的表達式，成為純量。從而將輸入數(shù)據(jù)向量和輸出數(shù)據(jù)向量，限制在[-1，1]之間。

其映射表達式為：

（1）

這里，代表時間，代表時刻的輸入信號，和分別代表時刻輸入信號的最大值和最小值，和對應該時刻輸入信號的映射范圍，取值分別為1、-1。

第二步：長短期記憶神經(jīng)網(wǎng)絡模型參數(shù)初始化

有些因素對模型的預測性能會產(chǎn)生很大的影響，主要是：權值初始化方法Xavier，激活函數(shù)ReLU及選取的防止過擬合方法。另外，在長短期記憶神經(jīng)網(wǎng)絡模型對船舶姿態(tài)數(shù)據(jù)訓練前，需要配置初始化方法與參數(shù)，因為在模型中，窗口函數(shù)寬度、學習率等因素，也會影響長短期記憶神經(jīng)網(wǎng)絡模型。

第三步：確定權值的梯度訓練

長短期記憶網(wǎng)絡模型的主要訓練過程，一般是運用梯度下降法，對ANNs節(jié)點連接權值使其不斷更新，然后結合驗證誤差率的要求，取得適當?shù)臋嘀?。具體做法是求出數(shù)學表達式（1）的梯度。

第四步：訓練輸出

根據(jù)前述設置的窗口寬度，依據(jù)最后一批輸入數(shù)據(jù)，未來短期內各個時刻數(shù)據(jù)值可以預測得到。在這之前，由LSTM模型的初始化參數(shù)，達到權值更新訓練提前結束，也可以等到訓練迭代結束。 [1]

第五步：反歸一化處理

結合未來實際姿態(tài)序列值，運用各項指標分析預測結果，進而得到需要的結論，最后得到船舶運動姿態(tài)時間序列的未來預測值。做法是針對模型的預測序列，進行反歸一化處理。

預警時間的閾值的設定，需要考慮到船舶行進的安全、操縱體驗等因素。預警效果差往往因預警時間閾值設置較晚，結果無法保障安全;預警過于頻繁一般是預警時間閾值設置過早，操縱體驗效果不好?？梢?，預警時機是否合適，主要取決于行駛過程中預警閾值的選擇。預警閾值設置得好，對船員干擾小，不會因預警顯示過晚而出現(xiàn)無法避險的情況。

本文提出了一種不同船速下的安全預警時間閾值的計算方法，可以有效解決這個問題。當行駛船舶發(fā)出發(fā)生碰撞的危險預警信號，從船員做出的反應，到采取措施制動，直到船舶停止，安全防撞預警時間閾值Tc計算公式如下：

（2）

根據(jù)表達式（2），安全預警的時間閾值和船舶的行進速度相關聯(lián)。借助對船速動態(tài)變化的實時檢測，船舶安全預警的時間閾值可以及時的加以改變。同時，根據(jù)船速的不同，形成防撞的安全預警時間閾值大小。如果船舶直線碰撞、側面碰撞的預設條件滿足時，系統(tǒng)就會通過船載設備，不間斷地接收到船舶的實時行進狀態(tài)等信息，計算出船舶發(fā)生碰撞的大概時間，通過與安全預警的時間閾值及時比較作出判斷。一旦確認會發(fā)生碰撞，就通過應用設備發(fā)出預警的相關提醒。[2]

3.4船閘主動防撞及攔阻裝置設計

本課題采用的船閘主動防撞及攔阻系統(tǒng)，參考了目前現(xiàn)役航空母艦大量使用的阻攔裝置——緩沖式液壓阻攔系統(tǒng)。該系統(tǒng)主要由：攔阻網(wǎng)（攔阻索）及其支撐機構，滑輪緩沖裝置、阻攔器裝置、鋼索末端緩沖系、復位系統(tǒng)、冷卻系統(tǒng)等。阻攔器裝置包括主液壓缸、定長沖跑控制系統(tǒng)、蓄能器、膨脹氣瓶、定滑輪組等，如圖8所示。

圖8 船閘主動攔截示意圖

當入閘船舶失控將要撞向船閘時，啟動阻攔網(wǎng)（索）。船舶撞上阻攔網(wǎng)后，滑輪索被拉動，通過滑輪緩沖裝置、動滑輪組的攔網(wǎng)，主液壓缸內部的活塞被帶動。定長沖跑控制系統(tǒng)隨即將主液壓缸里的油液，擠壓進蓄能器。通過控制閥的液體，壓力會發(fā)生一定的損失，對液壓油缸中的流動液體來說，會形成相應的阻尼，攔阻船舶繼續(xù)行進，迫使船舶緩慢減速。最后，完全封閉控制閥的開口，停止了活塞及相連的運動滑輪組，最終控制船舶停止。

當船舶停止行進，攔阻網(wǎng)（攔阻索）與船頭分開后，打開復位閥，蓄能器中的高壓油液通過冷卻系統(tǒng)，回流進主液壓缸，攔阻網(wǎng)（攔阻索）返回至攔阻前的初始狀態(tài)。在船舶掛索過程中，滑輪緩沖系統(tǒng)對鋼索的張力峰值、應力波動充分消除或有效減退;攔阻過程中，船舶的動能被蓄能器吸收、存儲;由于攔阻過程中存在滑輪轉速不同，從而引起鋼索的振顫，可充分鋼索末端緩沖裝置加以消除;主液壓缸油液流入儲能器的流量，由定長沖跑控制系統(tǒng)控制，攔阻過程中，主要控制的是主液壓缸的壓力、攔阻索的張力與船舶承受的攔阻力。根據(jù)船舶重量，借助重量選擇器上的調節(jié)控制閥，控制其初始的開口面積，在相同距離上實現(xiàn)對不同船舶攔阻的目的。[3]

4 結束語

基于LSTM的內河船閘主動防撞系統(tǒng)，通過采用自行開發(fā)的多普勒雷達測速節(jié)點、毫米波探測盲區(qū)裝置，完成入閘船舶數(shù)據(jù)采集處理;研究并行觸發(fā)任務協(xié)調、分配機制，實現(xiàn)多任務分解及負載均衡，使得智能控制中的各個策略、算法、安全防護得到有效協(xié)調并高效、實時、可靠運行;將LSTM模型應用于船舶運動姿態(tài)預測，實現(xiàn)船舶運動碰撞預警;參考國內外現(xiàn)役航空母艦上普遍使用的攔阻裝置，研究使用一種船閘主動防撞裝置。從實驗結果和應用情況來看， 該系統(tǒng)可以有效的提升內河船閘主動防撞的安全性， 能有效解決內河船閘中的預警及防撞避碰等問題。進一步，在產(chǎn)業(yè)化推進以后，船閘主動防撞系統(tǒng)在保障航行安全和人民生命財產(chǎn)安全、解決水路交通擁堵和水道環(huán)境污染、提升航道通行能力等方面，將給人們的工作生活帶來切實的收益，具有重要和突出的社會效益。

參考文獻：

[1]王國棟.基于LSTM的艦船運動姿態(tài)短期預測及仿真研究.江蘇科技大學，2017.

[2]謝禮猛.基于DSRC車載通信的車輛防撞預警研究.江蘇科技大學，2017.

[3]張麗偉. 對航母艦載機“阻攔索”的初步認識. 物理教學探討， 2014.

[4]許寧等.改進型LSTM變形預測模型研究.江西理工大學學報，2018.

[5]郭冠呈等.基于雙向長短時神經(jīng)網(wǎng)絡的水量預測方法研究.給水排水，2017.

[6]姚開一等.基于神經(jīng)網(wǎng)絡的地震震相自動拾取方法.電子設計工程，2018.