王柳艷，陳新華，王偉

（中交疏浚技術(shù)裝備國家工程研究中心有限公司，上海 201208）

目前，在絕大多數(shù)的疏浚工程中，疏浚員能調(diào)節(jié)的控制變量主要有絞刀轉(zhuǎn)速、橋架下放深度、泥泵轉(zhuǎn)速、橫移速度、臺車步進距離，這些重要的控制參數(shù)主要依靠疏浚員豐富的施工經(jīng)驗來確定。在施工過程中，影響絞吸挖泥船產(chǎn)量的因素眾多，考慮到工程項目及作業(yè)環(huán)境等因素，許多因素很難量化，隨機性大且相互影響。鑒于該控制系統(tǒng)是多參數(shù)、非線性、大時滯系統(tǒng)，以往基于絞吸挖泥船疏浚作業(yè)過程進行的理論研究及物理模型搭建，在控制系統(tǒng)中沒有太大的實際應(yīng)用意義。因此，本文研究將5 個可控操作變量和絞吸挖泥船的瞬時產(chǎn)量看作黑盒問題，利用數(shù)據(jù)驅(qū)動的方法建立絞吸挖泥船產(chǎn)量模型并進行產(chǎn)量預(yù)測，該模型可為下一步對絞吸挖泥船優(yōu)化控制器的實現(xiàn)提供較為精準(zhǔn)的產(chǎn)量模型。

1 絞吸挖泥船施工產(chǎn)量RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型設(shè)計

1.1 絞吸挖泥船理論模型

絞吸挖泥船的瞬時產(chǎn)量W（m3/h）取決于流量Q（m3/h）和泥漿混合物濃度C（%），表達式通常如下[1]：

式中：r 為排泥管半徑；v 為泥漿流速。

在本次施工工況確定的條件下，根據(jù)開挖的土質(zhì)，所需的排距及相應(yīng)的排高、揚程也基本確定，因此泥泵的流量一般不能提高[2]。由于壓力傳感器安裝在泥泵吸口處，密度計與流量計安裝在泥泵管路上，相距較遠，采集的數(shù)據(jù)之間存在一定的時間間隔，因此，式（1）存在大時滯問題。

絞刀破土切削過程中，絞刀切削泥土的體積量隨絞刀切削面和橫移速度的變化而變化[3]：

式中：Vc為單位時間內(nèi)絞刀切削泥沙的體積；bc為絞刀切削寬度；dc為絞刀切削深度；vs為橫移速度。

泥沙被切削后，隨著絞刀旋轉(zhuǎn)與水形成泥漿混合物，絞刀切削下的泥沙粉碎程度與單位時間內(nèi)切泥厚度和當(dāng)前土質(zhì)有關(guān)。切削厚度dd的表達式如下[4]：

式中：Zc為絞刀臂數(shù)；nc為絞刀轉(zhuǎn)速。

管道內(nèi)泥漿的體積濃度表達式為：

式中：Vm為單位時間內(nèi)進入管道的泥沙體積；Dpipe為泥漿輸送管道內(nèi)徑，v 為泥漿流速。

在正常疏浚情況下，Vm和單位時間內(nèi)絞刀切削的泥沙體積按式（5）進行換算：

式中：K 為絞刀挖掘系數(shù)，可取0.8~0.9[5]。

通過式（2）~式（4）可知泥漿在管道內(nèi)形成過程中，絞刀轉(zhuǎn)速、橫移速度、步進距離、橋架下放深度、泥泵轉(zhuǎn)速會對泥漿濃度產(chǎn)生影響。但在實際施工過程中，現(xiàn)場作業(yè)環(huán)境多變，經(jīng)驗系數(shù)不可取，控制參數(shù)與實際操作下輸出量的關(guān)系不明確，以上線性表達的絞刀切削系統(tǒng)及管道輸送系統(tǒng)的數(shù)學(xué)模型是無法應(yīng)用在本次產(chǎn)量控制系統(tǒng)這樣的多輸入單輸出非線性模型中的。因此本文將絞吸挖泥船產(chǎn)量與影響其關(guān)鍵控制因素之間的關(guān)系看作黑盒問題，利用數(shù)據(jù)驅(qū)動的方法進行研究。

1.2 RBF 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)建模

絞吸挖泥船施工產(chǎn)量多輸入單輸出的RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，見圖1。

圖1 絞吸挖泥船施工產(chǎn)量RBF 神經(jīng)網(wǎng)絡(luò)模型Fig.1 RBF neural network model for construction output of cutter suction dredger

RBF 網(wǎng)絡(luò)結(jié)構(gòu)中，輸入和輸出向量分別為：

式中：cutter_s 為絞刀轉(zhuǎn)速；ladder_dep 為橋架下放深度；pump_s 為泥泵轉(zhuǎn)速；step_dis 為步進距離；swing_s 為橫移速度；ins_pro 為瞬時產(chǎn)量。

1.3 RBF 網(wǎng)絡(luò)評價指標(biāo)

決定系數(shù)R2表達式如式（8）[6]。

對模型進行線性回歸后，評價回歸模型系數(shù)擬合優(yōu)度，R2取值在0 到1 之間，R2越大（接近于1），所擬合的回歸方程越優(yōu)[7]。

2 正交實驗

為了對絞吸挖泥船的控制變量因素與瞬時產(chǎn)量進行準(zhǔn)確建模，滿足神經(jīng)網(wǎng)絡(luò)算法對數(shù)據(jù)集特征值的提取更為準(zhǔn)確，保證該神經(jīng)網(wǎng)絡(luò)具有更好的泛化能力，本次研究采用正交試驗法獲取絞吸挖泥船的施工數(shù)據(jù)。

本文所采用的施工數(shù)據(jù)來自同一艘絞吸式挖泥船，分別在2 個施工地點進行數(shù)據(jù)采樣，這2個施工區(qū)域土質(zhì)具有明顯的區(qū)別和代表性，如表1 所示。

表1 施工工況土質(zhì)類型表Table 1 Construction condition soil type

2.1 正交試驗數(shù)據(jù)采集

正交試驗設(shè)計是研究多因素多水平的一種設(shè)計方法，它是根據(jù)正交性從全面試驗中挑選出部分有代表性的點進行試驗[8]。本次正交試驗按五因素、四水平進行設(shè)計。四水平指根據(jù)每個控制變量的可調(diào)節(jié)安全施工范圍分別取4 個水平，即低、中、高、最高?；谝陨瞎潭ür，在數(shù)據(jù)采集過程中，橫移速度與絞刀轉(zhuǎn)速是連續(xù)變化的，在橋架抬升及下放、臺車步進及換樁過程中，數(shù)據(jù)持續(xù)存儲，每組試驗均采滿1 個橫移周期。

2.2 數(shù)據(jù)預(yù)處理

1）插值

由于實船數(shù)據(jù)采集過程中，傳感器并非每秒都采集存儲數(shù)據(jù)，只有當(dāng)信號發(fā)生變化時，數(shù)據(jù)才進行存儲，因此每個信號點的數(shù)據(jù)記錄都不是完整的，首先需要對建模輸入輸出的5 組數(shù)據(jù)進行插值，本文采用臨近點插值法進行信號點插值、補充。

2）濾波

由于絞吸挖泥船上的大部分信號采集裝置在信號產(chǎn)生、轉(zhuǎn)換、傳輸?shù)母鱾€環(huán)節(jié)中易受供電電源及現(xiàn)場施工條件干擾，導(dǎo)致這些信號點存儲的數(shù)據(jù)中包含噪聲和干擾信號，因此，在利用神經(jīng)網(wǎng)絡(luò)建模前需要對輸入輸出數(shù)據(jù)進行濾波，本次濾波采用中值濾波法。濾波結(jié)果見圖2、圖3。

圖2 絞刀轉(zhuǎn)速濾波前后對比圖Fig.2 Comparison of cutter speed before and after filtering

圖3 橫移速度濾波前后對比圖Fig.3 Comparison of swing speed before and after filtering

3）數(shù)據(jù)切割

在絞吸挖泥船換樁時，瞬時產(chǎn)量都是非常低的值。因此，為了準(zhǔn)確地對影響挖泥船產(chǎn)量的控制因素進行影響因子分析，本文將施工數(shù)據(jù)按1個換樁周期進行切割，刪除在換樁時的數(shù)據(jù)，截取在換樁周期內(nèi)的挖泥數(shù)據(jù)進行分析。

3 實驗結(jié)果與分析

3.1 可控制因素分析

信息增益是特征選擇的重要指標(biāo)，它定義為1 個特征能夠為分類系統(tǒng)帶來多少信息，帶來的信息越多，說明該特征越重要，相應(yīng)的信息增益也就越大。

本次研究將通過信息增益率對影響產(chǎn)量的控制因素進行影響因子分析，探索施工過程中這些控制因素對產(chǎn)量影響的大小。絞吸挖泥船在施工地點A 與施工地點B 的信息增益率排序情況如表2 所示。

表2 施工地點A 與施工地點B 的控制變量對產(chǎn)量影響的信息增益率Table 2 Information gain rate of control variables on production in working condition A and B

通過計算得到施工地點B 各變量的平均信息增益率為0.716。由表2 的信息增益率可以看出，無論在中粗砂工況下，還是粉砂粉土混合工況下，橫移速度的信息增益率都是最大的，在挖泥切削過程中，影響產(chǎn)量的主要控制變量為橫移速度。

3.2 產(chǎn)量預(yù)測結(jié)果

將經(jīng)過插值、濾波預(yù)處理后的數(shù)據(jù)，對本文所設(shè)計的RBF 神經(jīng)網(wǎng)絡(luò)進行仿真預(yù)測。

1）在施工地點A 的數(shù)據(jù)采集過程中，絞吸挖泥船進行了上、下兩層土質(zhì)的挖掘，本次試驗選取下層土挖掘時間段，該時間段內(nèi)數(shù)據(jù)集共計數(shù)據(jù)樣本8 763 個，從中選取前4 382 個樣本作為訓(xùn)練集樣本，選后4 381 個樣本作為測試集樣本，對RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測的瞬時產(chǎn)量進行評價，與測試樣本的實際瞬時產(chǎn)量進行對比，預(yù)測效果對比如圖4 所示。

圖4 RBF 神經(jīng)網(wǎng)絡(luò)測試集A 實際產(chǎn)量與預(yù)測產(chǎn)量對比圖Fig.4 Comparison of actual output and predicted output of RBF neural network test set A

從圖4 可以看出，本次模型訓(xùn)練及預(yù)測共耗時約24 s，R2=0.85，從預(yù)測結(jié)果可以看到該模型不僅預(yù)測到測試集樣本的變化，且R2=0.85，表明預(yù)測精度及擬合效果較好。

2）在施工地點B 的數(shù)據(jù)采集中，本次試驗數(shù)據(jù)集共計數(shù)據(jù)樣本21 500 個，從中選取前11 000個樣本作為訓(xùn)練集樣本，選后10 500 個樣本作為測試集樣本，對RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測的瞬時產(chǎn)量進行評價，與測試樣本的實際瞬時產(chǎn)量進行對比，預(yù)測效果對比如圖5 所示。

圖5 RBF 神經(jīng)網(wǎng)絡(luò)測試集B 實際產(chǎn)量與預(yù)測產(chǎn)量對比圖Fig.5 Comparison of actual output and predicted output of RBF neural network test set B

由于本次訓(xùn)練集測試集樣本數(shù)較大，訓(xùn)練及預(yù)測耗時稍長，約183 s。對比圖5 中瞬時產(chǎn)量的實際值與預(yù)測值可以發(fā)現(xiàn)，預(yù)測結(jié)果可以較好地跟蹤實際產(chǎn)量的變化，且R2=0.85，表明預(yù)測精度及擬合效果也較好。

4 結(jié)語

針對絞吸挖泥船控制系統(tǒng)中施工產(chǎn)量的預(yù)測，本文提出基于RBF 神經(jīng)網(wǎng)絡(luò)算法，分別在A、B兩種不同工況下，利用正交試驗獲得的實際施工數(shù)據(jù)，建立絞吸挖泥船施工產(chǎn)量預(yù)測模型，通過對測試樣本集的瞬時產(chǎn)量值與預(yù)測值進行對比，結(jié)果表明采用數(shù)據(jù)驅(qū)動的方式，利用RBF 神經(jīng)網(wǎng)絡(luò)算法適用于控制變量因素對產(chǎn)量的模型搭建及預(yù)測，且預(yù)測效果良好，該預(yù)測模型將為下一步的控制器設(shè)計提供可靠的數(shù)學(xué)模型。但在實際應(yīng)用中船機設(shè)備及動力配備對控制因素的限制問題，以及對5 個控制變量相互之間的影響關(guān)系亟需進行深入研究。