基于LSTM的內河船閘主動防撞系統研究

夏春榮

摘 要：本文提出了一種基于長短期記憶（LSTM）神經網絡的內河船閘主動防撞系統。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的零部件及產品產業化要求，分別從系統硬件、軟件與算法、裝置設計與性能優化等方面著手，開發研制了內河船閘主動防撞系統。

關鍵詞：內河船閘;主動防撞;LSTM;系統

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、防洪抗旱等方面發揮了重要作用，其運行效率直接制約著內河航運的發展。近年來， 隨著交通運輸事業的飛速發展，船舶過閘需求增加， 內河船舶與船閘間的碰撞事故發生頻率不斷增多，極易引發斷航、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生碰撞船閘事故，不僅是簡單的維修和經濟賠償問題，還會帶來難以預料的生態災難和社會危害。碰撞導致的船閘斷航、大量船舶滯航常帶來生態環境污染和社會不穩定，給航運企業帶來巨大的經濟損失。政府、交通部門不得不協調、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。

長短期記憶神經網絡（Long Short-Term Memory，LSTM）是一種改進的深度學習算法，系改進循環神經網絡（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據有良好的效果。本文提出采用船舶自動識別系統與雷達融合信息的船閘主動防撞系統，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，實現船舶過閘安全可靠，確保船員、運輸船、船閘等的安全。

1 LSTM網絡的原理介紹

RNN是一類用于處理序列數據的神經網絡。該網絡的內部狀態，能夠展示動態時序的行為，和BP神經網絡不同。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序列數據問題，因此適用于本課題的內河船舶信息采集。RNN的神經網絡模型結構如圖1所示。

長短期記憶網絡LSTM是一種特殊的RNN?？梢詫W習長期依賴信息。LSTM與RNN最大的區別在于，LSTM中最頂層多了一條名為“cell state”（細胞狀態）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神經網絡中普通的隱含節點。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RNN在訓練中所存在的一些困難被一一加以克服。LSTM 神經網絡的網絡模型結構如圖 2所示。

圖2 ? LSTM網絡單元細胞結構

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。根據記憶特性，LSTM 神經網絡模型可以對時序信息進行很好的動態分析。

2 船閘防撞系統組成

基于深度學習平臺的船閘主動防撞系統，從環境感知技術著手，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;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，開發多普勒雷達網絡測速節點、毫米波盲區探測裝置及船閘主動阻攔系統。如圖3所示。

圖3 ?船閘主動防撞系統示意圖

3 內河船閘主動防撞系統關鍵技術研究。

3.1入閘船舶數據采集處理

如圖4所示。

船閘的防撞材料上設置無線加速度傳感器網絡節點，通過網關節點實時向監控中心傳遞監測數據，如圖5 中的實際傳輸路徑所示。同時采用自行開發的多普勒雷達測速節點、毫米波探測盲區裝置。針對多普勒雷達測速網絡的數據處理，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。針對阻攔系統的底層控制系統，利用魯棒控制技術，對阻攔索/網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。通過提取控制系統共性特征，抽象各環節的物理模型與行為特征，采用基于Model-base建模方法和狀態機理論，建立輸入、輸出、控制等信號流、控制流、動力流、狀態流表達方式及操作原則，規范信息傳導與控制協調與公共區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相結合的方法，結合各相關控制系統的資源占用情況，采用并行觸發任務協調、分配機制，實現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調并高效、實時、可靠運行。如圖6所示。

3.3 船舶運動姿態預測及碰撞預警

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受到影響，表現出相對復雜的非線性狀態，如各種噪聲信號、混沌特性等因素。擬準確地預測短期姿態序列，常常比較困難。LSTM網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，優勢更加明顯。其憑借當前值和歷史數據，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進行預判和研究。系統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，epoch表示當前模型迭代的周期數。

關于就流程圖中的步驟與細節，做簡單介紹：

第一步：進行數據預處理

船舶運動姿態時間序列在連續時間上是離散值。本著更好地訓練數據的目的，本文將船舶運動姿態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，避免各個數據間因為量綱的不同，對長短期記憶神經網絡模型帶來的影響，本文在船舶姿態差值數據的基礎上，對數據向量采用了歸一化處理方式，即將有量綱的表達式，經過變換，化為無量綱的表達式，成為純量。從而將輸入數據向量和輸出數據向量，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：長短期記憶神經網絡模型參數初始化

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

第三步：確定權值的梯度訓練

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

第四步：訓練輸出

根據前述設置的窗口寬度，依據最后一批輸入數據，未來短期內各個時刻數據值可以預測得到。在這之前，由LSTM模型的初始化參數，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。可見，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。當行駛船舶發出發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）

根據表達式（2），安全預警的時間閾值和船舶的行進速度相關聯。借助對船速動態變化的實時檢測，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，系統就會通過船載設備，不間斷地接收到船舶的實時行進狀態等信息，計算出船舶發生碰撞的大概時間，通過與安全預警的時間閾值及時比較作出判斷。一旦確認會發生碰撞，就通過應用設備發出預警的相關提醒。[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，參考了目前現役航空母艦大量使用的阻攔裝置——緩沖式液壓阻攔系統。該系統主要由：攔阻網（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、冷卻系統等。阻攔器裝置包括主液壓缸、定長沖跑控制系統、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（索）。船舶撞上阻攔網后，滑輪索被拉動，通過滑輪緩沖裝置、動滑輪組的攔網，主液壓缸內部的活塞被帶動。定長沖跑控制系統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（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，回流進主液壓缸，攔阻網（攔阻索）返回至攔阻前的初始狀態。在船舶掛索過程中，滑輪緩沖系統對鋼索的張力峰值、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。根據船舶重量，借助重量選擇器上的調節控制閥，控制其初始的開口面積，在相同距離上實現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，通過采用自行開發的多普勒雷達測速節點、毫米波探測盲區裝置，完成入閘船舶數據采集處理;研究并行觸發任務協調、分配機制，實現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調并高效、實時、可靠運行;將LSTM模型應用于船舶運動姿態預測，實現船舶運動碰撞預警;參考國內外現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，在產業化推進以后，船閘主動防撞系統在保障航行安全和人民生命財產安全、解決水路交通擁堵和水道環境污染、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網絡的水量預測方法研究.給水排水，2017.

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