考慮時滯影響的絞吸挖泥船產量預測?

陳秀靜 倪福生 魏長赟 楊金寶

（1.疏浚技術教育部工程研究中心 常州 213022）（2.河海大學機電工程學院 常州 213022）

1 引言

疏浚是水利水運工程的重要項目之一。現代疏浚作業主要依靠挖泥船進行，其中絞吸挖泥船具有生產效率高、適用范圍廣等優點，所以被廣泛運用在疏浚作業中［1］。疏浚施工過程中，絞吸挖泥船的產量直接決定了工程效益，因此，預測絞吸挖泥船產量具有重要的意義。預測絞吸挖泥船產量有助于提高施工效率，可以有效地仿真疏浚過程，同時有利于最優選擇疏浚作業參數，實現挖泥船的優化控制。然而，影響挖泥船產量的因素較多且相互關聯。這不僅涉及到施工現場的土質、風向、潮位以及船體硬件等客觀因素，還包括施工工藝、船員心情等一些主觀的因素。因此，絞吸挖泥船產量的預測問題非常復雜。而神經網絡具有較強的非線性和良好的泛化能力，可以很好地處理復雜的非線性問題，將神經網絡的方法運用到研究挖泥船疏浚作業過程，具有較強的優勢。張碩［2］等運用數據驅動建模技術建立耙吸挖泥船疏浚作業產量模型，將神經網絡算法與遺傳算法結合，應用于產量優化問題；閉治躍［3］等建立基于RBF神經網絡的泥漿濃度軟測量模型，為疏浚工程提供一種簡單可靠、成本低廉的泥漿濃度在線連續測量的新方法。本文選取了影響絞吸挖泥船產量的四個主要因素（絞刀電機電流、流速、吸入真空、橫移速度），以泥漿濃度作為輸出因素，重點考慮了泥漿濃度與所要研究的因素之間的時間滯后問題，建立了帶有時滯的BP神經網絡模型，對絞吸挖泥船產量進行預測。

2 BP神經網絡模型

BP（Back-Propagation）神經網絡是一種多層前饋神經網絡，3層BP網絡的拓撲關系如圖1所示，此網絡包含輸入層節點，輸出層節點和一層隱含層節點。上下層之間實現全連接，而同層神經元之間無連接［4］。

圖1 3層BP神經網絡結構

BP神經網絡的基本原理是采用梯度下降法不斷調整權值和閾值，使得網絡的實際輸出值和期望輸出值的均方誤差最小［5］。BP算法是輸入學習樣本后，神經元的激活值從輸入層經隱含層向輸出層傳播，計算實際輸出，而網絡訓練誤差從輸出到輸入，并進行隱含層和輸出層權值、閾值的修正［6］。標準的BP算法存在收斂速度慢、易陷入“局部極小值”等缺點［7～8］。因此，這里采用改進的LM學習算法改善網絡的性能。

3 產量模型的建立

3.1 產量模型變量的選擇

絞吸挖泥船的產量公式為

產量=流量Q*泥漿濃度Cw*工作時間t。其中，流量Q=管道流速v*管道橫截面積A，在挖泥船正常施工過程中，管道橫截面積和挖泥時間是固定的，管道中的流速變化比較小，可以說基本保持在一定的數量級不變，所以可以用泥漿濃度曲線近似替代產量曲線來研究絞吸挖泥船產量［9］。

圖2 絞吸挖泥船結構

絞吸挖泥船的結構如圖2所示，其疏浚過程由土壤切削、泥漿輸送、船體橫移、臺車步進四個子過程協調作業完成。

絞吸挖泥船的挖掘作業是通過絞刀的連續旋轉運動完成的。絞刀安裝在橋架末端，由一臺水下電機驅動。這一過程中，絞刀的性能直接反映了絞吸挖泥船的切削能力，從而影響絞吸挖泥船產量，而絞刀是由電機驅動的。因此，本文通過分析施工現場采集的數據，選取絞刀電機電流這一參數反映土壤切削過程對挖泥船產量的影響。

挖泥船完成一點的切削后，通過橫移系統的作用，使船體以定位樁為中心呈扇形移動。由于挖泥船的產量是由絞刀切削的泥砂質量決定的，即泥漿的濃度主要對象是泥砂質量。而絞刀切下的泥砂體積量的公式為

式中，V為泥砂體積量；b為切削寬度；d為切削深度；Vc為橫移速度。

則單位時間內絞刀切削泥沙質量就為

但是在實際施工過程中，被絞刀切削下來的泥土并沒有全部被絞刀頭后部的吸入口吸入輸泥管，被漏掉的那些泥土會慢慢沉淀回河底，可以用漏泥率k（0≤k≤1）表征，能順利由吸泥口進入輸泥管的泥土質量Mc：

式中

被成功吸入的泥水混合物，經吸泥管進入泥泵；在泥泵內充分混合形成泥漿；泥漿排出泥泵后具有一定的壓力和流速，經排泥管線輸送到排泥場。泥漿在輸送過程中，還存在一定的沿程損失。沿程損失計算公式為

式中，l為輸送管道的長度；d為輸送管道的管徑；v為管道截面的平均流速；g為重力加速度；λ為沿程阻力系數，也稱達西系數。一般由實驗確定。

完成此處定位樁控制范圍內的挖泥后，通過換樁系統使挖泥船整體前移，進入下一個挖泥作業，即為臺車步進過程。

在疏浚作業中，水下真空表安裝在絞刀上部，對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，泥漿開始在管路中輸送，真空表示數將發生突變。因此，真空度數實時反映挖泥船的產量率。

綜合上述分析，本文選取絞刀電機電流、橫移速度、真空度和管路流速這四個參數作為神經網絡模型的輸入因素，選取泥漿濃度作為輸出因素。

該神經網絡模型的輸入因素與輸出因素之間并不是實時一一對應的，它們之間的對應關系較為復雜。實際疏浚過程中，系統采集疏浚參數時基本都靠儀器儀表來進行的，測量流速的流量計、測量真空度的真空度表等儀器并不是和測量泥漿濃度的濃度計安裝在相同位置，也就是說這些儀器之間存在位置差，這就會出現時滯問題。可能會出現絞刀開始切削土壤，絞刀電機已經開始工作，而此時泥漿輸送系統還沒有將泥漿輸送到濃度計安裝位置的情況。故應當考慮去除時間滯后，才能更好地進行建模。由于影響滯后問題的因素有很多，通過認真分析挖泥船施工參數，本文選取真空度作為主要因素，重點考慮真空度與泥漿濃度的滯后問題，選取合適的解決時滯的方法，建立絞吸挖泥船預測模型。

3.2 產量模型的建立

通過上述分析，可以得出真空度與泥漿濃度有很大的關系，直接反映了絞吸挖泥船產量的大小，故本文首先建立真空度與泥漿濃度的預測模型。選取某絞吸挖泥船現場采集的實測數據，通過編寫的數據篩選程序，篩選出有用數據，用BP神經網絡建模。由于選取的各輸入數據具有不同的物理意義和不同的量綱，數據間差異較大，為了使網絡具有良好的泛化能力，應用Matlab自帶的歸一化函數premnmx進行數據歸一化，使所用數據在-1～1之間。神經網絡結構為1-5-1，即輸入層有一個神經元，隱含層有5個神經元，輸出層有1個神經元。隱含層神經元的傳遞函數為tansig函數，輸出層神經元的傳遞函數采用purelin函數，期望誤差設定為0.01，學習率設為0.1，訓練次數為5000，采用LM-BP算法，訓練函數為trainlm，通過Matlab調用神經網絡工具箱進行建模，以真空度作為輸入，泥漿濃度作為輸出，建立預測模型。預測曲線如圖3所示。

與泥漿濃度這一參數相關的絞刀電機電流、流速、吸入真空、橫移速度這些參數就并不是一一對應的了，可能這一時刻采集的輸入參數對應的是后面某一時刻的泥漿濃度參數。這種現象反映在預測曲線上就是：單一輸入因素（絞刀電機電流、流速、吸入真空、橫移速度）預測泥漿濃度時，預測曲線與實際曲線就會存在時滯問題，因而預測曲線與實際曲線只是走向大致相同，兩曲線的擬合度存在較大差異，如圖3所示。從圖3可以看出，以真空度作為輸入因素預測出來的泥漿濃度值與實際泥漿濃度值的曲線走向大致相似，這說明真空度可以很好地反映泥漿濃度的變化趨勢。同時，從圖中也可以看出，預測值與實際值之間存在明顯的時間延遲和滯后問題。原因有：從絞刀頭到濃度計安裝位置有一定的管線長度，如圖2所示為L1+L2+L3+L4的長度，所以當絞刀開始切削土層時，管道中的泥漿還未到達產量計安裝位置處，這需要一個時間的過程，引起了延遲上升現象；同樣的，當絞刀停止切削時，管道內還存在殘留泥漿要經過產量計安裝位置處，產量計還在計算產量，引起了滯后下降現象；同時，產量的計算不是線性的，產量和時間呈指數關系，這也會引起延遲和滯后現象。由于存在這種時滯問題，導致這些輸入因素并不是對應此時的泥漿濃度，而是對應后面某一時刻的泥漿濃度值，所以在預測絞吸挖泥船產量時，可能會得到錯誤的預測曲線。正因如此，在預測絞吸挖泥船產量時，這種時滯問題必須得到解決，才能更加準確地得出預測結果。

圖3 真空度預測圖

以真空度與泥漿濃度預測模型為例，考慮時滯問題，加入時間延遲和滯后模型，其他參數不變，得到的預測曲線如圖4所示。

圖4 去除時滯后的預測曲線

由圖4可知，加入時滯模型以后，預測曲線與實際曲線之間基本不存在時間的延遲和滯后問題，這說明本文所用的去除滯后的方法是可行的，可以用于解決實際挖泥船產量計算過程中的時滯問題。由于去除了時滯，該BP神經網絡模型較好地實現了對絞吸挖泥船產量的預測，預測值與實際值的吻合度較高，相關性較大。但是，由圖4可以看出，預測曲線與實際曲線還存在一定程度的差異，這是因為影響絞吸挖泥船產量的因素有很多，而只以真空度這一主要因素對其進行預測，所以存在一定的差別。故本文運用絞刀電機電流、橫移速度、真空度、管路流速這四種對絞吸挖泥船產量有較大影響的參數作為輸入因素，通過滯后模型去除時間滯后問題，建立預測模型，對絞吸挖泥船產量進行預測。該模型隱含層神經元數目為10個，其他參數不變，預測曲線如圖5所示。

圖5 多因素的預測曲線

由圖5可以看出，以絞刀電機電流、橫移速度、真空度、管路流速四因素作為輸入變量的絞吸挖泥船泥漿濃度預測曲線與實際曲線吻合度更高，基本可以實現對泥漿濃度的預測。由于泥漿濃度變化可以在一定程度上反映挖泥船產量的變化，故也可以間接實現對絞吸挖泥船產量較為準確的預測。

4 結語

本文提出了帶有時滯的BP神經網絡預測模型，重點考慮了真空度與泥漿濃度的時間延遲和滯后問題，以絞刀電機電流、流速、真空度和橫移速度作為神經網絡模型的輸入因素，以泥漿濃度作為輸出因素，對挖泥船產量進行預測。預測結果表明，該模型可以有效地預測絞吸挖泥船產量，具有一定的預測精度，可以用于絞吸挖泥船的仿真模擬，也可用于實際絞吸挖泥船產量的預測評估。