楊金寶　倪福生　魏長(zhǎng)赟　鄭慶云

(1.河海大學(xué)機(jī)電工程學(xué)院　常州　213022)(2.疏浚教育部工程研究中心　常州　213022)

?

基于雙隱含層BP神經(jīng)網(wǎng)絡(luò)的絞吸挖泥船產(chǎn)量預(yù)測(cè)*

楊金寶1,2倪福生1,2魏長(zhǎng)赟1,2鄭慶云1,2

(1.河海大學(xué)機(jī)電工程學(xué)院常州213022)(2.疏浚教育部工程研究中心常州213022)

摘要挖泥船的產(chǎn)量直接決定了工程效益,因此,產(chǎn)量的預(yù)測(cè)具有重要的意義。疏浚作業(yè)時(shí)絞吸挖泥船疏浚工況是非恒定的且產(chǎn)量計(jì)算極其復(fù)雜,故提出基于Levenberg Marquardt算法的雙隱含層BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)絞吸挖泥船產(chǎn)量。相對(duì)單隱含層而言,雙隱含層BP神經(jīng)網(wǎng)絡(luò)則能改善網(wǎng)絡(luò)的性能,從而提高模型預(yù)測(cè)精度。分別以絞刀電機(jī)電流、流速、吸入真空、橫移速度作為輸入因素,以泥漿濃度作為輸出因素,建立產(chǎn)量預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明,雙隱含層BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果更為精確,可為預(yù)測(cè)挖泥船產(chǎn)量提供有效的方法。

關(guān)鍵詞絞吸挖泥船; 產(chǎn)量預(yù)測(cè); BP神經(jīng)網(wǎng)絡(luò); 雙隱含層; Levenberg-Marquardt算法

Class NumberTH122

1引言

絞吸挖泥船是疏浚工程中使用數(shù)量最多的挖泥船,其產(chǎn)量直接決定了工程效益,因此,產(chǎn)量是評(píng)價(jià)挖泥船性能最重要的指標(biāo)之一[1]。預(yù)測(cè)絞吸挖泥船產(chǎn)量對(duì)于提高施工效率有一定的幫助,可以有效地仿真疏浚過(guò)程,同時(shí)有利于疏浚過(guò)程中最優(yōu)選擇挖泥作業(yè)參數(shù),實(shí)現(xiàn)挖泥船的優(yōu)化控制。絞吸式挖泥船疏浚作業(yè)是一個(gè)多因素相互作用、相互影響的過(guò)程,產(chǎn)量與挖泥運(yùn)轉(zhuǎn)時(shí)間、流速和濃度有關(guān),而由流速形成的流量,主要取決于泥泵功率的大小、泥漿提升高度及排泥管長(zhǎng)度等因素,泥漿濃度主要與絞刀頭性能、土質(zhì)特性有關(guān)[2]。因此,產(chǎn)量的影響因素非常復(fù)雜,產(chǎn)量的預(yù)測(cè)極其困難。王其松等[3]通過(guò)分析絞吸式挖泥船實(shí)際作業(yè)的大量數(shù)據(jù),提出了一種施工經(jīng)驗(yàn)與施工數(shù)據(jù)分析相結(jié)合的產(chǎn)量?jī)?yōu)化方法。丁樹友等[4]研制出一種疏浚輔助決策系統(tǒng),采用電子信息技術(shù)進(jìn)行疏浚產(chǎn)量的現(xiàn)場(chǎng)尋優(yōu),提高施工效率。神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性和良好的泛化能力[5],能夠很好地把握事物發(fā)展的內(nèi)在規(guī)律,找出合理的相關(guān)因素,采用神經(jīng)網(wǎng)絡(luò)的方法對(duì)絞吸挖泥船施工數(shù)據(jù)進(jìn)行學(xué)習(xí)、分析,可用于絞吸挖泥船的產(chǎn)量預(yù)測(cè)。故本文選取了影響絞吸挖泥船產(chǎn)量的四個(gè)主要因素(絞刀電機(jī)電流、流速、吸入真空、橫移速度),以泥漿濃度作為輸出因素,運(yùn)用Matlab神經(jīng)網(wǎng)路工具箱建立基于LM算法的雙隱含層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,對(duì)絞吸挖泥船產(chǎn)量進(jìn)行預(yù)測(cè)。通過(guò)與基于LM算法的單隱含層BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行比較,表明該模型能有效提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能及預(yù)測(cè)精度。

2產(chǎn)量預(yù)測(cè)模型設(shè)計(jì)

2.1雙隱含層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

多層前向BP神經(jīng)網(wǎng)絡(luò)模型包括:輸入層、隱含層、輸出層,上下層之間實(shí)現(xiàn)全連接,而每層神經(jīng)元之間無(wú)連接。網(wǎng)絡(luò)學(xué)習(xí)過(guò)程包括信號(hào)的前向傳播和誤差的反向傳播,其核心是通過(guò)向后傳播誤差及修正誤差的方向來(lái)不斷調(diào)整網(wǎng)絡(luò)參數(shù)(權(quán)值、閾值),逼近所期望的輸入輸出映射關(guān)系[6]。

本文構(gòu)建了多輸入單輸出的雙隱含層BP神經(jīng)網(wǎng)絡(luò)模型。輸入層由n個(gè)節(jié)點(diǎn)單元組成,用于完成系統(tǒng)n個(gè)時(shí)變信號(hào)的輸入;第一隱層有m個(gè)神經(jīng)元節(jié)點(diǎn),用于完成輸入信號(hào)的空間加權(quán)聚合及激勵(lì)輸出;第二隱層由k個(gè)神經(jīng)元節(jié)點(diǎn)組成,用于提高網(wǎng)絡(luò)對(duì)系統(tǒng)輸入輸出之間復(fù)雜關(guān)系的非線性映射能力;輸出層由一個(gè)神經(jīng)元節(jié)點(diǎn)構(gòu)成,用于完成系統(tǒng)輸出[7]。所構(gòu)建的多輸入單輸出的雙隱含層BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

圖1　雙隱含層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2LM算法

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的逆向傳播算法具有思路清晰、結(jié)構(gòu)嚴(yán)謹(jǐn)、可操作性強(qiáng)等特點(diǎn),根據(jù)Kolmogorov定理,一個(gè)三層BP神經(jīng)網(wǎng)絡(luò)可以任意精度逼近一個(gè)從輸入到輸出的連續(xù)可微映射函數(shù)[8]。但其收斂過(guò)程存在收斂速度慢、“局部極小值”等缺陷,可以利用LM算法來(lái)克服。

對(duì)于牛頓梯度下降法則:

(1)

對(duì)于LM算法來(lái)說(shuō),則有:

Δx=-[JT(x)J(x)+μI]-1J(x)e(x)

(2)

式中,I為單位矩陣。若比例系數(shù)μ=0,則可以化為高斯-牛頓法;若μ取很大值時(shí),則LM算法接近梯度下降法。因此,LM算法是梯度下降法與高斯牛頓法的結(jié)合,既有高斯-牛頓算法的快速收斂特性又有梯度下降法的全局特性,此算法收斂速度最快、魯棒性好,可以有效地改善網(wǎng)絡(luò)收斂性能[9]。

3神經(jīng)網(wǎng)絡(luò)建模

絞吸挖泥船的瞬時(shí)產(chǎn)量R(m3/s)通常用下式表示:

R=Q·Cw

(3)

式中,Q為泥漿流量(m3/s);Cw為泥漿濃度(%)。泥漿流量Q可表示為

(4)

式中,D為輸泥管內(nèi)徑(m),V為輸泥管中的平均流速(m/s)。

由式(3～4)可知,影響產(chǎn)量的直接因素有泥漿流量Q和泥漿濃度Cw,由于Q與V成正比關(guān)系,而在實(shí)際疏浚作業(yè)過(guò)程中,輸泥管中的流速變化是影響產(chǎn)量重要因素之一,所以選用輸泥管中的流速作為神經(jīng)網(wǎng)絡(luò)模型的一個(gè)輸入因素。通過(guò)前人研究[10],絞吸挖泥船的產(chǎn)量主要取決于泥漿濃度;由挖泥船施工數(shù)據(jù)可知,產(chǎn)量與泥漿濃度具有極大的相關(guān)性,因此,本文選用泥漿濃度作為神經(jīng)網(wǎng)絡(luò)模型的輸出變量,通過(guò)預(yù)測(cè)泥漿濃度的變化來(lái)反映絞吸挖泥船產(chǎn)量變化。

在絞吸挖泥船工作的過(guò)程中,絞刀與所切削的土壤之間存在著強(qiáng)烈的相互作用。因此,絞刀工作性能影響疏浚產(chǎn)量。在絞刀尺寸一定的情況下,絞刀電機(jī)功率可以在一定程度上反映挖泥土質(zhì)的情況。通過(guò)觀察絞刀類數(shù)據(jù),發(fā)現(xiàn)絞刀電機(jī)電流體現(xiàn)了絞刀電機(jī)功率,即針對(duì)不同的土壤土質(zhì),不同的絞刀電機(jī)電流,可以反映絞刀功率隨產(chǎn)量的變化關(guān)系,所以本文選擇絞刀電機(jī)電流作為一個(gè)輸入?yún)?shù)。

在疏浚作業(yè)中,水下真空表安裝在絞刀上部,對(duì)管路中泥漿濃度的變化非常敏感,一旦絞刀切削到土壤,吸泥口吸泥之后,泥漿開(kāi)始在管路中輸送,真空表示數(shù)將發(fā)生突變。因此,真空度數(shù)實(shí)時(shí)反映挖泥船的產(chǎn)量率,與其有著密切的聯(lián)系,故選取吸入真空作為神經(jīng)網(wǎng)絡(luò)建模的一個(gè)輸入因素。

絞吸挖泥船的橫移是通過(guò)位于前部的橫移絞車來(lái)完成的,由絞車滾筒上導(dǎo)出的鋼纜穿過(guò)靠近水下絞刀頭處的鋼纜穿過(guò)靠近水下絞刀頭處的平衡導(dǎo)纜滑輪,再到橫移錨或岸上的支撐點(diǎn)。橫移的長(zhǎng)度受工作樁與絞刀之間的距離而限制。橫移系統(tǒng)的作用是實(shí)現(xiàn)絞吸挖泥船左右橫擺挖泥的。所以橫移速度由橫移絞車的特性決定,對(duì)挖泥船產(chǎn)量有重要的影響,橫移鋼纜一定的拉力與一定的速度成正比。而拉力又由絞刀產(chǎn)生的切削力來(lái)決定。因此,本文選擇橫移速度作為神經(jīng)網(wǎng)絡(luò)一個(gè)輸入因素。

4實(shí)驗(yàn)結(jié)果與分析

4.1數(shù)據(jù)處理

由于施工現(xiàn)場(chǎng)采集的數(shù)據(jù),常常含有非正常施工時(shí)記錄的數(shù)據(jù),例如絞刀停止轉(zhuǎn)動(dòng)時(shí)的數(shù)據(jù);水下泵和艙內(nèi)泵停止轉(zhuǎn)動(dòng)的數(shù)據(jù);絞刀抬起和橫移速度太小時(shí)的數(shù)據(jù)等等,這些噪音數(shù)據(jù)通常會(huì)與周圍的正常數(shù)據(jù)之間誤差比較大,用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí)會(huì)對(duì)結(jié)果產(chǎn)生不好的影響,應(yīng)該去除掉,以保證樣本呈現(xiàn)一定規(guī)律,去預(yù)測(cè)研究。

本文運(yùn)用C#軟件編寫數(shù)據(jù)篩選程序,該程序可以實(shí)現(xiàn)挖泥船施工數(shù)據(jù)的讀入、剔除不相關(guān)的數(shù)據(jù)、一定范圍內(nèi)篩選有用的數(shù)據(jù)、數(shù)據(jù)濾噪以及后期數(shù)據(jù)的顯示,保存等功能。通過(guò)編寫此程序,可以方便、有效地實(shí)現(xiàn)數(shù)據(jù)的前期處理,更好地預(yù)測(cè)絞吸挖泥船產(chǎn)量。

4.2模型參數(shù)選擇

4.2.1確定輸入、輸出參數(shù)

本文采用的樣本數(shù)據(jù)為某絞吸挖泥船現(xiàn)場(chǎng)采集的實(shí)測(cè)數(shù)據(jù)。經(jīng)過(guò)篩選及數(shù)據(jù)處理之后,得到樣本數(shù)據(jù)2900組,將其中2600組作為訓(xùn)練數(shù)據(jù),300組作為測(cè)試數(shù)據(jù),選取絞刀電機(jī)電流、流速、吸入真空、橫移速度作為輸入因素,泥漿濃度作為輸出因素,建立模型。

4.2.2隱含層節(jié)點(diǎn)數(shù)

輸入變量個(gè)數(shù)為4個(gè),輸出變量個(gè)數(shù)為1個(gè)時(shí),根據(jù)公式可知隱含層節(jié)點(diǎn)范圍在3～13之間。根據(jù)多次實(shí)驗(yàn),當(dāng)?shù)谝浑[層節(jié)點(diǎn)數(shù)為10,第二隱層節(jié)點(diǎn)數(shù)為1時(shí),取得最佳預(yù)測(cè)效果。因此,可確定雙隱含層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為4-10-1-1。

4.2.3傳遞函數(shù)

隱含層各層及輸出層傳遞函數(shù)的選擇對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度有較大影響。對(duì)雙隱含層BP網(wǎng)絡(luò)來(lái)說(shuō),當(dāng)輸入層與第一隱層傳遞函數(shù)為tansig,第一隱層與第二隱層的傳遞函數(shù)為purelin,第二隱層與輸出層的傳遞函數(shù)為purelin時(shí),模型取得最佳預(yù)測(cè)效果。

4.3比較模型

1) 雙隱含層網(wǎng)絡(luò)結(jié)構(gòu):4-10-1-1。

2) 單隱含層網(wǎng)絡(luò)結(jié)構(gòu):其他參數(shù)保持不變,單隱含層隱節(jié)點(diǎn)數(shù)的選擇從3～13中選擇,選取最佳網(wǎng)絡(luò)結(jié)構(gòu)為:4-10-1;當(dāng)輸入層到隱含層傳遞函數(shù)為tansig,隱含層到輸出層傳遞函數(shù)為purelin時(shí),取得最佳預(yù)測(cè)效果。

4.4預(yù)測(cè)結(jié)果及其分析

從圖2、圖3可以直觀看出上述兩種模型對(duì)300個(gè)檢驗(yàn)樣本的預(yù)測(cè)結(jié)果,兩種方法都能夠很好地預(yù)測(cè)到檢測(cè)樣本變化規(guī)律,而雙隱含層BP神經(jīng)網(wǎng)絡(luò)模型對(duì)原始值各峰值的預(yù)測(cè)精度優(yōu)于單隱含層神經(jīng)網(wǎng)絡(luò)模型。

圖2　單隱含層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)圖

圖3　雙隱含層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)圖

不同隱含層的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練性能對(duì)比如表1所示。

表1　兩種模型訓(xùn)練性能對(duì)比

由表1可見(jiàn),當(dāng)其他參數(shù)保持不變,僅改變神經(jīng)網(wǎng)絡(luò)模型隱含層層數(shù)時(shí),雙隱含層神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)相對(duì)誤差較單隱含層神經(jīng)網(wǎng)絡(luò)模型由5.06%減小到1.96%,其梯度由0.0170減小到0.00112。相對(duì)誤差表征預(yù)測(cè)值與實(shí)際值的差值大小,較小的相對(duì)誤差可使模型獲得更精確的預(yù)測(cè)結(jié)果。同時(shí),由于在求解極大值問(wèn)題的時(shí)候,沿著梯度方向搜索,而在求極小值的時(shí)候,沿著負(fù)梯度的方向搜索,較小的梯度可使模型更準(zhǔn)確地捕捉到挖泥船產(chǎn)量變化的極值。由圖3中50s～100s可見(jiàn),雙隱含層神經(jīng)網(wǎng)絡(luò)較好地預(yù)測(cè)了產(chǎn)量極值的變化。相關(guān)系數(shù)是反映預(yù)測(cè)值與實(shí)際值之間相關(guān)程度的統(tǒng)計(jì)指標(biāo),由表1可知,雙隱含層神經(jīng)網(wǎng)絡(luò)模型的相關(guān)性R大于單隱含層神經(jīng)網(wǎng)絡(luò)模型的相關(guān)性,這說(shuō)明雙隱含層神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)挖泥船產(chǎn)量得到的預(yù)測(cè)值與實(shí)際值之間的差值較小,預(yù)測(cè)精度較高。

5結(jié)語(yǔ)

本文提出了基于LM算法的雙隱含層BP神經(jīng)網(wǎng)絡(luò)模型,考慮了影響絞吸挖泥船產(chǎn)量特性的四個(gè)主要因素(絞刀電機(jī)電流、流速、吸入真空和橫移速度),以泥漿濃度作為輸出因素,對(duì)挖泥船產(chǎn)量進(jìn)行預(yù)測(cè)。預(yù)測(cè)結(jié)果表明,雙隱含層BP神經(jīng)網(wǎng)絡(luò)優(yōu)于單隱含層BP神經(jīng)網(wǎng)絡(luò),可以有效降低跟蹤誤差,改善模型的預(yù)測(cè)性能,較好地預(yù)測(cè)絞吸挖泥船產(chǎn)量,對(duì)仿真挖泥船疏浚作業(yè)過(guò)程有一定的指導(dǎo)意義。

參 考 文 獻(xiàn)

[1] 湯照輝.絞吸挖泥船產(chǎn)量預(yù)測(cè)研究[D].常州:河海大學(xué),2012.

TANG Zhaohui. Yield Prediction of Cutter Suction Dredger[D]. Changzhou: Hohai University,2012.

[2] 嚴(yán)六四.國(guó)內(nèi)外河道疏浚工程施工技術(shù)發(fā)展[J].水利水電施工,2007(4):33-39.

YAN Liusi. Technological Development of River Dredging Project at Home and Abroad[J]. Water Resources and Hydropower Construction,2007(4):33-39.

[3] 王其松,嚴(yán)軍,鄧家泉.絞吸式挖泥船產(chǎn)量?jī)?yōu)化研究[J].水運(yùn)工程,2013(3):48-55.

WANG Qisong, YAN Jun, DENG Jiaquan. Yield Optimization of Cutter Suction Dredger[J]. 2013(3):48-55.

[4] 丁樹友,田俊峰.絞吸挖泥船作業(yè)產(chǎn)量的現(xiàn)場(chǎng)優(yōu)化技術(shù)[J].水運(yùn)工程,2007(5):13-15.

DING Shuyou, TIAN Junfeng. Site optimization techniques of job production of Cutter suction dredger[J]. Water Transport Engineering,2007(5):13-15.

[5] Simon Hay kin. Neural networks: a comprehensive foundation[M]. Second Edition. New York: Prentice Hall/Pearson,2001.

[6] Janusz Kacprzyk, Witold Pedrycz. Artificial Neural Network Models. Springer Handbook of Computational Intelligence[M]. Berlin: Springer Berlin Heid-elberg,2015:455-471.

[7] 丁紅,董文永,吳德敏.基于LM算法的雙隱含層BP神經(jīng)網(wǎng)絡(luò)的水位預(yù)測(cè)[J].統(tǒng)計(jì)與決策,2014(15):16-19.

DING Hong, DONG Wenyong, WU Demin. Level Prediction based on LM Algorithm of Double Hidden Layer BP Neural Network[J]. Statistics and Decision,2014(15):16-19.

[8] 蔡景勇.基于BP神經(jīng)網(wǎng)絡(luò)的絞吸式挖泥船產(chǎn)量模型設(shè)計(jì)[D].南京:河海大學(xué),2010.

CAI Jingyong. Yield Characteristics of CutterSuction Dredger based on BP Neural Network[D]. Nanjjing: Hohai University,2010.

[9] 阮仕平,黨志良,胡曉寒,等.基于LM—BP算法的綜合水質(zhì)評(píng)價(jià)研究[J].水資源研究,2004,25(1):12-14.

RUAN Sipin, DANG Zhiliang, HU Xiaohan, et al. Comprehensive Evaluation of Water Quality based on LM-BP Algorithm[J]. Water Resources Research,2004,25(1):12-14.

[10] 楊文,鄧勇,劉建偉,等.絞吸挖泥船施工效率主要影響因素分析[J].交通企業(yè)管理,2015(6):48-50.

YANG Wen, DENG Yong, LIU Jianwei, et al. Main factors analysis of the construction efficiency of cutter suction dredger[J]. Access Management Press,2015(6):48-50.

收稿日期:2016年1月14日,修回日期:2016年2月22日

作者簡(jiǎn)介:楊金寶,男,碩士研究生,研究方向:疏浚設(shè)備。倪福生,男,教授,博士生導(dǎo)師,研究方向:疏浚設(shè)備。

中圖分類號(hào)TH122

DOI:10.3969/j.issn.1672-9722.2016.07.009

Prediction of Cutter-Suction Dredger Production Based on Double Hidden Layer BP Neural Network

YANG Jinbao1,2NI Fusheng1,2WEI Changyun1,2ZHENG Qingyun1,2

(1. School of Mechanical and Engineering, Hohai University, Changzhou213022)(2. Engineering Research Center of Dredging Technology of Ministry of Education, Changzhou213022)

AbstractThe production of a cutter suction dredger directly determines the efficiency of the project. Therefore, it is meaningful to research the production prediction. The dredging conditions of cutter suction dredges are non-constant and yield calculation is extremely complex during dredging operations. Thus, the BP neural network model which owns double hidden layers based on Levenberg-Marquardt algorithm is put forward to predict the yield of cutter suction dredgers. In terms of single hidden layer, the double hidden layer BP neural network is able to improve the performance of the network, thereby improving the accuracy of model predictions. On the basis of the input factors of the electric current of cutter, velocity of pipe line, the degree of vacuum, the swing speed and the output factors of slurry density, this paper establishes the yield prediction model. The results show that the predicting result is more accurate to the double hidden layer BP neural network and it can provide an effective method for predicting the yield dredger.

Key Wordscutter suction dredger, prediction of production, BP neural network, double hidden layer, LM algorithm