周重云 李宗華 曾祥富 鐘世位 馬文杰

摘 要：針對(duì)鋪排船施工要求能夠滿足順?biāo)?、逆水、垂直水流，甚至與水流方向成任意角度的鋪設(shè)工藝，控制策略滿足順?biāo)伵殴に囉袝r(shí)難以保證垂直水流鋪排工藝，導(dǎo)致時(shí)常出現(xiàn)航跡誤差較大，影響鋪排精度的問(wèn)題，本文提出基于LSTM深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)控制方法來(lái)實(shí)現(xiàn)鋪排船的自動(dòng)移船控制。論文設(shè)計(jì)了LSTM模型結(jié)構(gòu)和輸入輸出數(shù)據(jù)組成，采集了鋪排船作業(yè)的歷史數(shù)據(jù)，經(jīng)預(yù)處理后對(duì)LSTM模型進(jìn)行訓(xùn)練，采用訓(xùn)練后的LSTM模型構(gòu)建自動(dòng)移船預(yù)測(cè)控制系統(tǒng)，應(yīng)用于長(zhǎng)雁2號(hào)和22號(hào)鋪排船。實(shí)際鋪排施工作業(yè)航跡航向數(shù)據(jù)顯示，本文提出的LSTM預(yù)測(cè)控制算法是有效的。

關(guān)鍵詞：鋪排船;自動(dòng)移船;LSTM深度神經(jīng)網(wǎng)絡(luò);預(yù)測(cè)控制

1引言

為了解決RNN模型訓(xùn)練梯度消失和梯度爆炸的問(wèn)題，在RNN的基礎(chǔ)上，發(fā)展了一種長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Long Short Term Memory Network，簡(jiǎn)稱LSTM），它是一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)具有特殊的結(jié)構(gòu)設(shè)計(jì)，可以有效保留歷史信息，靈活適應(yīng)網(wǎng)絡(luò)學(xué)習(xí)任務(wù)的特征。LSTM網(wǎng)絡(luò)已經(jīng)成為當(dāng)前應(yīng)用最為廣泛的一種循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network，RNN）模型，在眾多預(yù)測(cè)任務(wù)如語(yǔ)音識(shí)別、文字預(yù)測(cè)、艦船姿態(tài)預(yù)測(cè)等前沿領(lǐng)域中成功應(yīng)用[1-4]。

長(zhǎng)江航道鋪排船是一種長(zhǎng)江航道整治對(duì)現(xiàn)有堤壩進(jìn)行護(hù)堤、護(hù)坡、護(hù)底作業(yè)的普遍使用的工程船舶，由于其無(wú)自航能力，施工作業(yè)的時(shí)候移船和鋪排主要靠控制錨絞車(chē)收放錨繩來(lái)實(shí)現(xiàn)。因此，鋪排自動(dòng)作業(yè)的控制包含了錨絞車(chē)恒張力控制、船舶姿態(tài)控制和卷筒與移船船速的協(xié)調(diào)控制等，在控制策略上重慶航道工程局與武漢理工大學(xué)自動(dòng)化學(xué)院長(zhǎng)期校企合作，從常規(guī)的PID控制、超前-滯后控制到智能控制中的模糊PID控制、專家控制、遺傳算法和粒子群優(yōu)化算法等不斷研發(fā)并應(yīng)用于鋪排船控制系統(tǒng)，滿足了鋪排船從6錨到8錨，從22米卷筒到40米卷筒等的船舶結(jié)構(gòu)變化[5-8]，達(dá)到了鋪排船自動(dòng)鋪排作業(yè)的精度要求。隨著內(nèi)河航道治理工程要求越來(lái)越高，作業(yè)水域越來(lái)越多樣，作業(yè)方式也從只在江河流域中間或者沿邊緣順?biāo)鞯囟武佋O(shè)軟體排，發(fā)展到要求能夠滿足順?biāo)⒛嫠?、垂直水流，甚至與水流方向成任意角度的鋪設(shè)工藝。多次作業(yè)發(fā)現(xiàn)滿足順?biāo)伵艜r(shí)的控制策略有時(shí)就難以滿足垂直水流鋪排工藝要求，導(dǎo)致鋪排船的航跡和航向偏差增大，鋪排精度難以滿足施工作業(yè)要求。本文嘗試將LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力應(yīng)用于自動(dòng)鋪排控制，經(jīng)實(shí)船作業(yè)航向和航跡的數(shù)據(jù)顯示，獲得較好的鋪排效果。

2基于LSTM的自動(dòng)移船預(yù)測(cè)控制設(shè)計(jì)

2.1 控制系統(tǒng)設(shè)計(jì)

鋪排船作業(yè)綜合自動(dòng)化系統(tǒng)應(yīng)用了多種先進(jìn)技術(shù)，包括高精度的動(dòng)態(tài)實(shí)時(shí)DGPS定位技術(shù)、分布式PLC控制系統(tǒng)、現(xiàn)場(chǎng)總線技術(shù)、多傳感器信息融合技術(shù)、智能控制技術(shù)、可視化用戶軟件的開(kāi)發(fā)技術(shù)等。通過(guò)自動(dòng)化系統(tǒng)的測(cè)量系統(tǒng)、PLC控制網(wǎng)絡(luò)和上位自動(dòng)監(jiān)控軟件在基本無(wú)人干預(yù)的情況下，可以實(shí)現(xiàn)自動(dòng)完成軟體排鋪設(shè)作業(yè)，同時(shí)可繪出鋪排完工圖紙、操作日志報(bào)表、報(bào)警歷史報(bào)表等工程資料。自動(dòng)移船鋪排的控制系統(tǒng)的結(jié)構(gòu)框圖如圖1所示，其中發(fā)揮核心作用的是智能控制器。操作人員根據(jù)施工工程的要求編制施工計(jì)劃（預(yù)定工作線），自動(dòng)化系統(tǒng)通過(guò)多源傳感器系統(tǒng)檢測(cè)鋪排船各類信息，經(jīng)監(jiān)控主機(jī)融合處理后形成鋪排船當(dāng)前的船位、船姿、速度、航向、施工區(qū)域水下地形等實(shí)時(shí)多源信息，智能控制器則根據(jù)當(dāng)前信息與施工計(jì)劃的偏差作為合理的控制輸出量，經(jīng)PLC（可編程序控制器）控制網(wǎng)絡(luò)送液壓機(jī)構(gòu)執(zhí)行動(dòng)作，協(xié)調(diào)控制船艏、舯、艉多臺(tái)移船絞車(chē)、鋪排卷筒機(jī)構(gòu)動(dòng)作，自動(dòng)完成一個(gè)鋪排周期。圖1中控制器的輸入量——航跡偏差是根據(jù)計(jì)劃的航跡線與GPS定位系統(tǒng)的測(cè)量值估算而得。

原有的智能控制算法，包含基于模糊邏輯的PID控制器、專家控制等，在任意鋪設(shè)角度和水流的影響下，軟體排的實(shí)際著（河）床位置與估算值之間可能存在較大的偏差，由此得到的多絞車(chē)協(xié)調(diào)控制指令的移船效果就無(wú)法保證鋪設(shè)搭接精度的要求?；贚STM的預(yù)測(cè)模型可以實(shí)現(xiàn)下一個(gè)時(shí)刻或者多個(gè)時(shí)刻的航向航跡偏差，提前控制收放錨纜速度，實(shí)現(xiàn)順?biāo)⒛嫠?、垂直水流等施工方式的船舶姿態(tài)的迅速調(diào)整，從而達(dá)到期望的航向和航跡偏差范圍。

2.2 基于LSTM的預(yù)測(cè)控制器設(shè)計(jì)

自動(dòng)鋪排作業(yè)過(guò)程中，核心是控制各移船錨絞車(chē)的收放纜速度，而各移船錨絞車(chē)收放纜速度的集合構(gòu)成一連串時(shí)間序列。因此，本文利用LSTM神經(jīng)網(wǎng)絡(luò)在處理時(shí)序數(shù)據(jù)預(yù)測(cè)方面效果最佳的特點(diǎn)，學(xué)習(xí)各移船錨絞車(chē)收放纜速度的特征，建立深度學(xué)習(xí)的速度預(yù)測(cè)模型，從而實(shí)現(xiàn)對(duì)自動(dòng)鋪排作業(yè)的預(yù)測(cè)控制。在t時(shí)刻，取前k個(gè)時(shí)間序列作Xt-k，Xt-k+1，...，Xt為輸入，其中Xt表示移船錨絞車(chē)的速度以及鋪排船的航跡和航向偏差，以Xt+1作為預(yù)測(cè)值Yt ，表示t時(shí)刻各移船錨絞車(chē)的預(yù)測(cè)速度以及預(yù)測(cè)航跡、航向偏差，其中t=1，2，...T。通過(guò)DGPS定位可以準(zhǔn)確地獲取鋪排船的運(yùn)動(dòng)軌跡，包括航向差以及航跡差。將鋪排船施工過(guò)程中記錄下來(lái)的歷史軌跡數(shù)據(jù)以及各移船錨絞車(chē)的收放速度作為L(zhǎng)STM預(yù)測(cè)模型的訓(xùn)練數(shù)據(jù)。LSTM網(wǎng)絡(luò)構(gòu)建的預(yù)測(cè)模型訓(xùn)練算法主要步驟如下：

①鋪排船歷史作業(yè)中各移船絞車(chē)的速度以及航跡、航向偏差數(shù)據(jù)作為樣本序列，選取M個(gè)歷史數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理后，將70%作為訓(xùn)練樣本，30%作為測(cè)試樣本;

②在t時(shí)刻，取前k個(gè)時(shí)刻的時(shí)序數(shù)據(jù)Xt-k，Xt-k+1，...，Xt作為輸入，Xt+1作為預(yù)測(cè)值Yt，t=1，2，...T。對(duì)樣本建立輸入序列X=（x1，x2，...xT）和輸出預(yù)測(cè)序列Y=（y1，y2，...yT），其中輸入為各移船絞車(chē)的速度以及航跡、航向偏差，輸出仍然為各移船絞車(chē)的速度以及航跡、航向偏差;

③設(shè)計(jì)N層LSTM網(wǎng)絡(luò)結(jié)構(gòu)，隨機(jī)給定初始網(wǎng)絡(luò)參數(shù)，包括各層連接權(quán)值等，選擇合適的優(yōu)化器，設(shè)置優(yōu)化器函數(shù)、batch大小、迭代次數(shù)等參數(shù);

④訓(xùn)練模型，使用BPTT算法訓(xùn)練網(wǎng)絡(luò)，主要包括三個(gè)步驟：前向計(jì)算每個(gè)神經(jīng)元的輸出值、反向計(jì)算每個(gè)神經(jīng)元的誤差值、根據(jù)相應(yīng)的誤差項(xiàng)，計(jì)算每個(gè)權(quán)重的梯度，更新權(quán)重和偏置參數(shù)，使代價(jià)函數(shù)最小。代價(jià)函數(shù)為：

⑤模型測(cè)試，模型訓(xùn)練完成后，用預(yù)先劃分好的30%測(cè)試樣本進(jìn)行模型測(cè)試，檢驗(yàn)LSTM預(yù)測(cè)模型的預(yù)測(cè)效果。

3實(shí)船實(shí)驗(yàn)結(jié)果及分析

將本文設(shè)計(jì)的LSTM預(yù)測(cè)控制算法應(yīng)用于長(zhǎng)江重慶航道工程局的長(zhǎng)雁2號(hào)和長(zhǎng)雁22號(hào)鋪排船的控制系統(tǒng)中，比較本文設(shè)計(jì)的LSTM預(yù)測(cè)控制算法與模糊PID控制算法的性能。

3.1垂直水流鋪排施工

以江西省九江市蔡家渡附近拋擲五錨垂直水流鋪排時(shí)兩天的施工情況分析為例，一天的鋪排量為40×100m2，分別選擇在前后兩天施工時(shí)啟用模糊PID控制和LSTM預(yù)測(cè)控制兩種控制算法控制鋪排船鋪排，將兩種控制算法下航跡與航向變化繪制于同一圖中，曲線如下圖2與圖3所示：

在同一區(qū)域施工時(shí)，前后兩天風(fēng)、浪、流的影響大致相近，由圖2和圖3可見(jiàn)，在垂直水流工況下基于LSTM的預(yù)測(cè)控制航跡偏差控制精度在0～0.45米，航向偏差控制精度0～6度，而基于模糊PID控制航跡偏差控制精度在0～0.5米，航向偏差0～6度，顯然預(yù)測(cè)控制的控制精度相對(duì)更高。在鋪排船位姿矯正效率及船舶穩(wěn)定性上面，可以看出基于LSTM的預(yù)測(cè)控制調(diào)節(jié)船舶姿態(tài)更迅速，到達(dá)穩(wěn)態(tài)時(shí)的震蕩也要小一些，只是由于江面上風(fēng)、浪、流的影響，在個(gè)別時(shí)刻預(yù)測(cè)控制會(huì)出現(xiàn)船體姿態(tài)的突變，總體而言鋪排時(shí)更加穩(wěn)定且精度更高。這是因?yàn)榛贚STM深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)控制算法調(diào)整航跡航向偏差時(shí)不僅學(xué)習(xí)了船長(zhǎng)的操船經(jīng)驗(yàn)，而且在制排的間隙可以依據(jù)歷史的船舶位姿數(shù)據(jù)更新控制參數(shù)，進(jìn)而可以對(duì)下一個(gè)時(shí)刻或者多個(gè)時(shí)刻進(jìn)行預(yù)測(cè)控制調(diào)節(jié)偏差。因而利用預(yù)測(cè)控制進(jìn)行偏差調(diào)節(jié)時(shí)，船舶姿態(tài)修正更快，且呈現(xiàn)平穩(wěn)前進(jìn)的趨勢(shì)。

3.2 順?biāo)麂伵攀┕?/p>

以江西省九江市陸家咀附近六錨順?biāo)伵艜r(shí)兩天的施工情況分析為例，一天的鋪排量為40×100m2，分別選擇在前后兩天施工時(shí)啟用模糊PID控制和LSTM預(yù)測(cè)控制兩種控制算法控制鋪排船鋪排，將兩種控制算法下航跡與航向變化繪制于同一圖中，曲線如圖4與圖5所示。

在同一區(qū)域施工時(shí)，前后兩天風(fēng)、浪、流的影響大致相近，由圖4和圖5可以得知，在順?biāo)鞴r下基于LSTM的預(yù)測(cè)控制航跡偏差控制精度在0～0.48米，航向偏差控制精度0～5度，而基于模糊PID航跡偏差控制精度在0～0.55米，航向偏差0～6度，兩種控制方案都能滿足鋪排精度要求，但控制精度預(yù)測(cè)控制仍然相對(duì)更高。在鋪排船位姿矯正效率及船舶穩(wěn)定性上面，可以看出基于LSTM的預(yù)測(cè)控制調(diào)節(jié)船舶姿態(tài)更迅速，在船舶施工穩(wěn)定性上模糊PID控制稍優(yōu)，這是由于在順?biāo)伵殴r下，拋擲的錨會(huì)多，并且水流對(duì)船體影響較小。而拋擲的錨越多，移船時(shí)船舶受到風(fēng)、浪、流的影響會(huì)更小，更有利于增加模糊PID控制器對(duì)船舶修正時(shí)的穩(wěn)定性。而預(yù)測(cè)控制在調(diào)整船舶位姿方面表現(xiàn)更突變。

4結(jié)語(yǔ)

本文基于對(duì)深度神經(jīng)網(wǎng)絡(luò)LSTM模型的研究和分析，提出一種基于LSTM神經(jīng)網(wǎng)絡(luò)模型的鋪排船自動(dòng)移船預(yù)測(cè)控制算法。基于鋪排船歷史作業(yè)數(shù)據(jù)的收集，對(duì)LSTM模型進(jìn)行訓(xùn)練后應(yīng)用于長(zhǎng)雁2號(hào)和長(zhǎng)雁22號(hào)鋪排船的移船自動(dòng)控制系統(tǒng)中，經(jīng)過(guò)實(shí)船使用結(jié)果表明：基于LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)控制算法，可以使鋪排船在順?biāo)痛怪彼魇┕ぶ械暮较虿钆c航跡差均保持在較小的誤差范圍內(nèi)，達(dá)到了良好的鋪排精度指標(biāo)，顯示了深度神經(jīng)網(wǎng)絡(luò)在鋪排船工程應(yīng)用上的成功。

參考文獻(xiàn)：

[1]余莉萍，梁鎮(zhèn)麟，梁瑞宇.基于改進(jìn)LSTM的兒童語(yǔ)音情感識(shí)別模型[J].計(jì)算機(jī)工程，2020，46（06）：40-49.

[2]張新峰，閆昆鵬，趙珣.基于雙向LSTM的手寫(xiě)文字識(shí)別技術(shù)研究[J].南京師大學(xué)報(bào)（自然科學(xué)版），2019，42（03）：58-64.

[3]侯永康，鄒勁，董超，劉蔚，談果戈.基于LSTM的三體滑行艇航態(tài)預(yù)測(cè)與航速控制器設(shè)計(jì)[J].艦船電子工程，2020，40（01）：40-45+98.

[4]王國(guó)棟， 韓斌， 孫文赟. 基于LSTM的艦船運(yùn)動(dòng)姿態(tài)短期預(yù)測(cè)[J]. 艦船科學(xué)技術(shù)， 2017， 39（13）：69-72.

[5]黃珍， 王永驥， 劉清. 非自航工程船舶智能定位系統(tǒng)的開(kāi)發(fā)研究[J]. 武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版）， 2006， 30（2）：191-193.

[6]黃珍. 錨泊移位型工程船舶系統(tǒng)建模與控制研究[D]. 華中科技大學(xué)， 2010.

[7]楊傳將. 微粒群算法研究及其在鋪排船智能控制中的應(yīng)用[D]. 武漢理工大學(xué)， 2009.

[8]王麗. 智能控制在鋪排船自動(dòng)作業(yè)監(jiān)控系統(tǒng)中的研究與應(yīng)用[D]. 武漢理工大學(xué)， 2008.

[9]Shin S Y， Cha J H. Human Activity Recognition System Using Multimodal Sensor and Deep Learning Based on LSTM[J]. Transactions of the Korean Society of Mechanical Engineers - A， 2018， 42（2）：111-121.