摘要：为了提高绞吸挖泥船产量的预测精度，提出带有时滞的BP神经网络预测模型。重点分析泥浆浓度与真空度之间的时间延迟和滞后问题，以绞刀电机电流、流速、真空度、横移速度作为BP神经网络模型的输入变量，以泥浆浓度作为输出变量，采用改进后的BP神经网络建立绞吸挖泥船产量预测模型。实验结果表明，该方法能够很好地预测绞吸挖泥船产量，可用于实际挖泥船产量的预测与评估。
关键词：疏浚；绞吸挖泥船；时间滞后；BP神经网络；产量预测
前言
耙吸式挖泥船在施工的过程中，沉底垃圾伴随泥沙在泥泵叶轮流道内、泥泵叶轮同泵壳之间常常会有卡阻的情况，导致泥管无法进行正常工作，严重时会造成设备损坏。传统的解决方式就是停止工作后由轮机和甲板工作人员配合进行清理，使得工作效率低下，但是海底塑料垃圾混在泥沙之中，很难进行处理。同时疏浚的泥沙中夹杂着大量塑料垃圾和大块碎石，以致吹填造陆过程泥沙沉降较慢、排水固结速度慢、短期固结强度低等，为吹填造陆带来了较大难度，从而影响了疏浚质量。
1 现有的沉底垃圾清理现状以及存在的问题
如今全世界对海洋垃圾污染的严重性有了更深刻的认识，采取了大量的防治措施。传统的收集海洋垃圾的方式莫过于打捞。大海广阔无垠，且有洋流作用，海上垃圾位置随着洋流不断变化，海洋上的垃圾散布在各处，而并非聚集在一起，传统的打捞方法势会耗费大量的人力物力，且效率低下。除了传统的打捞方法，来自荷兰的BoyanSlat在他19岁时提出“巨型漏斗”装置来拦截海洋垃圾。这个装置利用洋流的运动，使得在海洋表面的垃圾随着洋流漂流到清理平台中，并且可以使浮游生物通过。因为这项发明，他于2014年获得UNEP颁发的“地球卫士奖”，但是这种清理方式对于海洋沉底垃圾清理存在局限。
2 BP神经网络模型
BP（Back-Propagation）神经网络是一种多层前馈神经网络，此网络包含输入层节点，输出层节点和一层隐含层节点。上下层之间实现全连接，而同层神经元之间无连接。BP神经网络的基本原理是采用梯度下降法不断调整权值和阈值，使得网络的实际输出值和期望输出值的均方误差最小。BP算法是输入学习样本后，神经元的激活值从输入层经隐含层向输出层传播，计算实际输出，而网络训练误差从输出到输入，并进行隐含层和输出层权值、阈值的修正。标准的BP算法存在收敛速度慢、易陷入“局部极小值”等缺点。因此，这里采用改进的LM学习算法改善网络的性能。
3 产量模型的建立
3.1产量模型变量的选择
绞吸挖泥船的产量公式为产量=流量Q*泥浆浓度Cw*工作时间t。其中，流量Q=管道流速v*管道横截面积A，在挖泥船正常施工过程中，管道横截面积和挖泥时间是固定的，管道中的流速变化比较小，可以说基本保持在一定的数量级不变，所以可以用泥浆浓度曲线近似替代产量曲线来研究绞吸挖泥船产量。，其疏浚过程由土壤切削、泥浆输送、船体横移、台车步进四个子过程协调作业完成。绞吸挖泥船的挖掘作业是通过绞刀的连续旋转运动完成的。绞刀安装在桥架末端，由一台水下电机驱动。这一过程中，绞刀的性能直接反映了绞吸挖泥船的切削能力，从而影响绞吸挖泥船产量，而绞刀是由电机驱动的。因此，本文通过分析施工现场采集的数据，选取绞刀电机电流这一参数反映土壤切削过程对挖泥船产量的影响。挖泥船完成一点的切削后，通过横移系统的作用，使船体以定位桩为中心呈扇形移动。
期刊文章分类查询,尽在期刊图书馆由于挖泥船的产量是由绞刀切削的泥砂质量决定的，即泥浆的浓度主要对象是泥砂质量。完成此处定位桩控制范围内的挖泥后，通过换桩系统使挖泥船整体前移，进入下一个挖泥作业，即为台车步进过程。在疏浚作业中，水下真空表安装在绞刀上部，对管路中泥浆浓度的变化非常敏感，一旦绞刀切削到土壤，吸泥口吸泥之后，泥浆开始在管路中输送，真空表示数将发生突变。因此，真空度数实时反映挖泥船的产量率。综合上述分析，本文选取绞刀电机电流、横移速度、真空度和管路流速这四个参数作为神经网络模型的输入因素，选取泥浆浓度作为输出因素。该神经网络模型的输入因素与输出因素之间并不是实时一一对应的，它们之间的对应关系较为复杂。实际疏浚过程中，系统采集疏浚参数时基本都靠仪器仪表来进行的，测量流速的流量计、测量真空度的真空度表等仪器并不是和测量泥浆浓度的浓度计安装在相同位置，也就是说这些仪器之间存在位置差，这就会出现时滞问题。可能会出现绞刀开始切削土壤，绞刀电机已经开始工作，而此时泥浆输送系统还没有将泥浆输送到浓度计安装位置的情况。故应当考虑去除时间滞后，才能更好地进行建模。由于影响滞后问题的因素有很多，通过认真分析挖泥船施工参数，本文选取真空度作为主要因素，重点考虑真空度与泥浆浓度的滞后问题，选取合适的解决时滞的方法，建立绞吸挖泥船预测模型。
3.2 产量模型的建立
通过上述分析，可以得出真空度与泥浆浓度有很大的关系，直接反映了绞吸挖泥船产量的大小，故本文首先建立真空度与泥浆浓度的预测模型。选取某绞吸挖泥船现场采集的实测数据，通过编写的数据筛选程序，筛选出有用数据，用BP神经网络建模。由于选取的各输入数据具有不同的物理意义和不同的量纲，数据间差异较大，为了使网络具有良好的泛化能力，应用Matlab自带的归一化函数premnmx进行数据归一化，使所用数据在-1~1之间。神经网络结构为1-5-1，即输入层有一个神经元，隐含层有5个神经元，输出层有1个神经元。隐含层神经元的传递函数为tansig函数，输出层神经元的传递函数采用purelin函数，期望误差设定为0.01，学习率设为0.1，训练次数为5000，采用LM-BP算法，训练函数为trainlm，通过Matlab调用神经网络工具箱进行建模，以真空度作为输入，泥浆浓度作为输出，建立预测模型。与泥浆浓度这一参数相关的绞刀电机电流、流速、吸入真空、横移速度这些参数就并不是一一对应的了，可能这一时刻采集的输入参数对应的是后面某一时刻的泥浆浓度参数。这种现象反映在预测曲线上就是：单一输入因素（绞刀电机电流、流速、吸入真空、横移速度）预测泥浆浓度时，预测曲线与实际曲线就会存在时滞问题，因而预测曲线与实际曲线只是走向大致相同，两曲线的拟合度存在较大差异。所以当绞刀开始切削土层时，管道中的泥浆还未到达产量计安装位置处，这需要一个时间的过程，引起了延迟上升现象；同样的，当绞刀停止切削时，管道内还存在残留泥浆要经过产量计安装位置处，产量计还在计算产量，引起了滞后下降现象；同时，产量的计算不是线性的，产量和时间呈指数关系，这也会引起延迟和滞后现象。由于存在这种时滞问题，导致这些输入因素并不是对应此时的泥浆浓度，而是对应后面某一时刻的泥浆浓度值，所以在预测绞吸挖泥船产量时，可能会得到错误的预测曲线。正因如此，在预测绞吸挖泥船产量时，这种时滞问题必须得到解决，才能更加准确地得出预测结果。
4 结语
本文提出了带有时滞的BP神经网络预测模型，重点考虑了真空度与泥浆浓度的时间延迟和滞后问题，以绞刀电机电流、流速、真空度和横移速度作为神经网络模型的输入因素，以泥浆浓度作为输出因素，对挖泥船产量进行预测。预测结果表明，该模型可以有效地预测绞吸挖泥船产量，具有一定的预测精度，可以用于绞吸挖泥船的仿真模拟，也可用于实际绞吸挖泥船产量的预测评估。
参考文献：
［1］阮仕平，党志良，胡晓寒，等.基于LM-BP算法的综合水质评价研究［J］.水资源研究，2004，25（1）：12-14.
［2］蔡景勇.基于BP神经网络的绞吸式挖泥船产量模型设计［EB/OL］.北京：中国科技论文在线［2009-09-01］.
论文作者:周建义
论文发表刊物:《基层建设》2019年第10期
论文发表时间:2019/7/4
标签：挖泥船论文; 泥浆论文; 绞刀论文; 产量论文; 神经网络论文; 浓度论文; 模型论文; 《基层建设》2019年第10期论文;