極限學(xué)習(xí)機(jī)在耙吸挖泥船產(chǎn)量預(yù)測中的應(yīng)用

關(guān)放，王蔚

極限學(xué)習(xí)機(jī)在耙吸挖泥船產(chǎn)量預(yù)測中的應(yīng)用

關(guān)放1，王蔚2

（1.中港疏浚有限公司市場部，上海 200120；2.中港疏浚有限公司湛江分公司，上海 200120）

在耙吸式挖泥船的施工作業(yè)中，疏浚土的土質(zhì)變化、水下作業(yè)環(huán)境變化會造成許多土的特性無法得到準(zhǔn)確數(shù)值，對實(shí)際施工量的準(zhǔn)確測量產(chǎn)生了巨大的阻力，且耙吸式挖泥船施工量的準(zhǔn)確、有效性直接關(guān)系到一個(gè)企業(yè)的經(jīng)濟(jì)效益。針對以上實(shí)際問題，利用極限學(xué)習(xí)機(jī)算法以及極限學(xué)習(xí)機(jī)的一些改進(jìn)算法，根據(jù)耙頭運(yùn)作的實(shí)際原理，為耙頭構(gòu)建新的預(yù)測模型，通過對模型的分析，為實(shí)際施工中模擬出產(chǎn)量預(yù)測模型分布。

極限學(xué)習(xí)機(jī)；耙吸式挖泥船；產(chǎn)量預(yù)測；黑箱模型

經(jīng)過對以往的預(yù)測產(chǎn)量的模型，其中包括黑箱模型、遺傳BP神經(jīng)網(wǎng)絡(luò)的分析，可以看出這兩個(gè)模型在引入實(shí)際參數(shù)中后，通過驗(yàn)證研究與對比過后，所得出的數(shù)據(jù)皆不能達(dá)到生產(chǎn)中所需要的理想模型。

1 耙頭疏浚機(jī)理分析與密度預(yù)測模型

1.1 耙頭疏浚機(jī)理分析

耙吸式挖泥船的耙頭是整個(gè)船舶的重要組成，耙頭由特殊的的耙齒和耙臂組成，耙頭在實(shí)際工作中，會將泥沙混合成泥水混合物，在通過耙頭與耙臂連接的泥泵，把這些泥水混合物吸入船艙。

這個(gè)過程是十分復(fù)雜的，如果要直接觀察這個(gè)過程，是難以直接建模的?，F(xiàn)在還沒有一個(gè)完整、完善的數(shù)字模型能精準(zhǔn)描述這個(gè)過程中耙吸式挖泥船的產(chǎn)量。

根據(jù)實(shí)際經(jīng)驗(yàn)分析，對于同一艘耙吸式挖泥船來說，耙頭的工作狀態(tài)以及泵入的泥水混合物是決定疏浚實(shí)際產(chǎn)量的重要因素。但實(shí)際情況會受到很多其他因素的影響，因此，作業(yè)數(shù)據(jù)中分析建模也有它的局限性，本章只分析相同疏浚工況下耙頭的工作狀態(tài)對耙頭產(chǎn)量的影響。

1.2 密度預(yù)測模型

通過上述分析可知，耙頭吸入泥水混合物是決定耙吸式挖泥船產(chǎn)量的重要因素，并依據(jù)此重要決定因素來構(gòu)建預(yù)測模型。依據(jù)耙吸式挖泥船自帶的傳感器得到一些參數(shù)，例如吸入泥水混合物的流速、流量、航速等相關(guān)數(shù)據(jù)參數(shù)?；谶@一點(diǎn)依照輸入輸出的原理，作為構(gòu)建極限學(xué)習(xí)機(jī)的方法進(jìn)行建模，將耙頭控制與工作產(chǎn)量建立關(guān)系。其整體框圖如圖1所示。

2 極限學(xué)習(xí)機(jī)

什么是極限學(xué)習(xí)機(jī)，它是神經(jīng)網(wǎng)絡(luò)的一種，它與傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)機(jī)理相同，如圖2所示，但極限學(xué)習(xí)機(jī)有它的獨(dú)特之處，有自己的訓(xùn)練方法。

圖1 預(yù)測模型

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3 固定型極限學(xué)習(xí)機(jī)

在耙吸式挖泥船實(shí)際作業(yè)中會產(chǎn)生巨量的數(shù)據(jù)，應(yīng)考慮對這些數(shù)據(jù)進(jìn)行篩選學(xué)習(xí)，還是將所有數(shù)據(jù)統(tǒng)一作為樣本進(jìn)行學(xué)習(xí)，使得極限學(xué)習(xí)機(jī)在處理比較龐大的數(shù)據(jù)時(shí)，一般情況下隱層神經(jīng)元的數(shù)量均少于數(shù)據(jù)數(shù)量，這種情況會導(dǎo)致為非方陣。

其中，+為的Moore-Penrose廣義逆，一般可以通過正交法計(jì)算求得。

上述的極限學(xué)習(xí)機(jī)在設(shè)置隱層神經(jīng)元個(gè)數(shù)后網(wǎng)絡(luò)結(jié)構(gòu)是無法改變的，所以又被稱為固定型極限學(xué)習(xí)機(jī)（ELM）。固定型極限學(xué)習(xí)機(jī)的學(xué)習(xí)步驟便可以概括為：

式（2）中：2為隱藏節(jié)點(diǎn)層到輸出向量的權(quán)重矩陣；為激活函數(shù)；1為輸入向量到隱藏節(jié)點(diǎn)層的權(quán)重矩陣。

用隨機(jī)產(chǎn)生的高斯噪聲給矩陣1的每個(gè)元素賦值；用最小二乘法估計(jì)使期望輸出與實(shí)際輸出誤差最小的輸出權(quán)重矩陣2，數(shù)學(xué)上能夠證明計(jì)算隱藏節(jié)點(diǎn)層輸出矩陣的廣義逆即2=（1）T。

3.1 極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)增量型

上述的極限學(xué)習(xí)機(jī)是固定的，對于網(wǎng)絡(luò)的結(jié)構(gòu)要求比較簡單，神經(jīng)元的數(shù)量是決定學(xué)習(xí)訓(xùn)練的唯一參數(shù)，在實(shí)際生產(chǎn)中由于樣本數(shù)量比較龐大，而且數(shù)據(jù)樣本的差異性較大，極限學(xué)習(xí)機(jī)在學(xué)習(xí)工程中需要反復(fù)糾錯(cuò)，造成自我學(xué)習(xí)效率低下。在實(shí)際操作過程中往往需要人工反復(fù)調(diào)試，而且不能找到有效的隱層神經(jīng)元的具體數(shù)量，無效的隱層神經(jīng)元會導(dǎo)致預(yù)測的準(zhǔn)確度大大降低，其實(shí)際效果較差。為了解決這一問題，在固定型極限學(xué)習(xí)機(jī)的基礎(chǔ)上加以改進(jìn)，并提出了增量型極限學(xué)習(xí)機(jī)（I-ELM）這一類型。

增量型極限學(xué)習(xí)機(jī)的核心思想是通過逐個(gè)增加隱層神經(jīng)元得到輸出，每增加一個(gè)神經(jīng)元，已存在的輸出權(quán)值不會因此改變，只需要計(jì)算新增神經(jīng)元與輸出層間的連接權(quán)重即可完成訓(xùn)練，具體的網(wǎng)絡(luò)產(chǎn)生的迭代公式為：

L（）=L-1（）+LL（3）

式（3）中：L（）為隱層神經(jīng)元遞增到個(gè)時(shí)的網(wǎng)絡(luò)輸出；L為第個(gè)隱層神經(jīng)元的輸出矩陣；L為連接第個(gè)隱層神經(jīng)元與輸出層神經(jīng)元的權(quán)值。

重復(fù)上述③④⑤，直至<或當(dāng)前隱層神經(jīng)元個(gè)數(shù)達(dá)到最大值后停止學(xué)習(xí)。如果一直比較大，這是由于輸入權(quán)值和閾值的隨機(jī)性造成的，此時(shí)網(wǎng)絡(luò)參數(shù)不當(dāng)，應(yīng)重新開始學(xué)習(xí)。

3.2 結(jié)構(gòu)風(fēng)險(xiǎn)最小化極限學(xué)習(xí)機(jī)

4 小結(jié)

本文以通過耙頭泥水混合物密度耙吸式挖泥船在實(shí)際產(chǎn)量影響為切入點(diǎn)，考慮耙頭的角度、船舶航速、水流流速以及挖掘深度等相關(guān)影響因素構(gòu)建模型。此模型可以通過重新學(xué)習(xí)的方式，讓操作員通過此模型預(yù)測不同情況下耙吸船的實(shí)際產(chǎn)量，基于此模型可以提前配置施工力量，合理規(guī)劃施工流程，改善施工工藝，在不同情況下找到施工中核心的控制要點(diǎn)，有效提高產(chǎn)能。

［1］邢家麗.基于粒子濾波的自航耙吸挖泥船溢流損失估計(jì)與控制［D］.鎮(zhèn)江：江蘇科技大學(xué)，2012.

［2］王健，鐘志生，丁樹友.特大型耙吸挖泥船研制及工程應(yīng)用［J］.水運(yùn)工程，2017（8）：28-30.

［3］張燕.國內(nèi)外大型耙吸挖泥船的關(guān)鍵技術(shù)發(fā)展研究分析［D］.哈爾濱：哈爾濱工程大學(xué)，2010.

［4］蘇貞.自航耙吸挖泥船挖掘工況系統(tǒng)優(yōu)化研究［D］.鎮(zhèn)江：江蘇科技大學(xué)，2011.

［5］梁劍平.現(xiàn)代耙吸式挖泥船性能優(yōu)化設(shè)計(jì)研究［J］.中國水運(yùn)，2017（10）：35-36.

［6］Braaksma J. Model-based control of hopper dredgers［D］.Delft：Delft University of Technology，2008.

［7］ROYAL IHC. Dredge smart，dredge efficient［J］. Dredging and Port Construction，2013（3）：38.

［8］OSNABRUGGE J.Optimizing manpower and reducing fuel consumption while maintaining maximum dredging production［C］// Proceedings of WODCON XX World Dredging Conference，2013.

［9］陳虹.模型預(yù)測控制［M］.北京：科學(xué)出版社，2013.

U616

A

10.15913/j.cnki.kjycx.2020.08.022

2095－6835（2020）08－0058－02

關(guān)放（1987—），男，本科學(xué)歷，助理工程師，中港疏浚有限公司市場部高級主管，主要從事投標(biāo)、合同報(bào)價(jià)、施工預(yù)算等工作。王蔚（1986—），男，本科學(xué)歷，工程師，中港疏浚有限公司湛江分公司總經(jīng)理，主要從事經(jīng)營管理、造價(jià)管理、設(shè)備管理等工作。

〔編輯：張思楠〕