基于双隐含层BP神经网络的绞吸挖泥船产量预测*

杨金宝　倪福生　魏长赟　郑庆云

(1.河海大学机电工程学院　常州　213022)(2.疏浚教育部工程研究中心　常州　213022)



基于双隐含层BP神经网络的绞吸挖泥船产量预测*

杨金宝1,2倪福生1,2魏长赟1,2郑庆云1,2

(1.河海大学机电工程学院常州213022)(2.疏浚教育部工程研究中心常州213022)

摘要挖泥船的产量直接决定了工程效益,因此,产量的预测具有重要的意义。疏浚作业时绞吸挖泥船疏浚工况是非恒定的且产量计算极其复杂,故提出基于Levenberg Marquardt算法的双隐含层BP神经网络模型预测绞吸挖泥船产量。相对单隐含层而言,双隐含层BP神经网络则能改善网络的性能,从而提高模型预测精度。分别以绞刀电机电流、流速、吸入真空、横移速度作为输入因素,以泥浆浓度作为输出因素,建立产量预测模型。实验结果表明,双隐含层BP神经网络的预测结果更为精确,可为预测挖泥船产量提供有效的方法。

关键词绞吸挖泥船; 产量预测; BP神经网络; 双隐含层; Levenberg-Marquardt算法

Class NumberTH122

1引言

绞吸挖泥船是疏浚工程中使用数量最多的挖泥船,其产量直接决定了工程效益,因此,产量是评价挖泥船性能最重要的指标之一[1]。预测绞吸挖泥船产量对于提高施工效率有一定的帮助,可以有效地仿真疏浚过程,同时有利于疏浚过程中最优选择挖泥作业参数,实现挖泥船的优化控制。绞吸式挖泥船疏浚作业是一个多因素相互作用、相互影响的过程,产量与挖泥运转时间、流速和浓度有关,而由流速形成的流量,主要取决于泥泵功率的大小、泥浆提升高度及排泥管长度等因素,泥浆浓度主要与绞刀头性能、土质特性有关[2]。因此,产量的影响因素非常复杂,产量的预测极其困难。王其松等[3]通过分析绞吸式挖泥船实际作业的大量数据,提出了一种施工经验与施工数据分析相结合的产量优化方法。丁树友等[4]研制出一种疏浚辅助决策系统,采用电子信息技术进行疏浚产量的现场寻优,提高施工效率。神经网络具有较强的非线性和良好的泛化能力[5],能够很好地把握事物发展的内在规律,找出合理的相关因素,采用神经网络的方法对绞吸挖泥船施工数据进行学习、分析,可用于绞吸挖泥船的产量预测。故本文选取了影响绞吸挖泥船产量的四个主要因素(绞刀电机电流、流速、吸入真空、横移速度),以泥浆浓度作为输出因素,运用Matlab神经网路工具箱建立基于LM算法的双隐含层BP神经网络预测模型,对绞吸挖泥船产量进行预测。通过与基于LM算法的单隐含层BP神经网络的预测结果进行比较,表明该模型能有效提高神经网络的预测性能及预测精度。

2产量预测模型设计

2.1双隐含层BP神经网络结构

多层前向BP神经网络模型包括:输入层、隐含层、输出层,上下层之间实现全连接,而每层神经元之间无连接。网络学习过程包括信号的前向传播和误差的反向传播,其核心是通过向后传播误差及修正误差的方向来不断调整网络参数(权值、阈值),逼近所期望的输入输出映射关系[6]。

本文构建了多输入单输出的双隐含层BP神经网络模型。输入层由n个节点单元组成,用于完成系统n个时变信号的输入;第一隐层有m个神经元节点,用于完成输入信号的空间加权聚合及激励输出;第二隐层由k个神经元节点组成,用于提高网络对系统输入输出之间复杂关系的非线性映射能力;输出层由一个神经元节点构成,用于完成系统输出[7]。所构建的多输入单输出的双隐含层BP神经网络模型如图1所示。

图1　双隐含层神经网络结构

2.2LM算法

传统的BP神经网络的逆向传播算法具有思路清晰、结构严谨、可操作性强等特点,根据Kolmogorov定理,一个三层BP神经网络可以任意精度逼近一个从输入到输出的连续可微映射函数[8]。但其收敛过程存在收敛速度慢、“局部极小值”等缺陷,可以利用LM算法来克服。

对于牛顿梯度下降法则:

(1)

对于LM算法来说,则有:

Δx=-[JT(x)J(x)+μI]-1J(x)e(x)

(2)

式中,I为单位矩阵。若比例系数μ=0,则可以化为高斯-牛顿法;若μ取很大值时,则LM算法接近梯度下降法。因此,LM算法是梯度下降法与高斯牛顿法的结合,既有高斯-牛顿算法的快速收敛特性又有梯度下降法的全局特性,此算法收敛速度最快、鲁棒性好,可以有效地改善网络收敛性能[9]。

3神经网络建模

绞吸挖泥船的瞬时产量R(m3/s)通常用下式表示:

R=Q·Cw

(3)

式中,Q为泥浆流量(m3/s);Cw为泥浆浓度(%)。泥浆流量Q可表示为

(4)

式中,D为输泥管内径(m),V为输泥管中的平均流速(m/s)。

由式(3～4)可知,影响产量的直接因素有泥浆流量Q和泥浆浓度Cw,由于Q与V成正比关系,而在实际疏浚作业过程中,输泥管中的流速变化是影响产量重要因素之一,所以选用输泥管中的流速作为神经网络模型的一个输入因素。通过前人研究[10],绞吸挖泥船的产量主要取决于泥浆浓度;由挖泥船施工数据可知,产量与泥浆浓度具有极大的相关性,因此,本文选用泥浆浓度作为神经网络模型的输出变量,通过预测泥浆浓度的变化来反映绞吸挖泥船产量变化。

在绞吸挖泥船工作的过程中,绞刀与所切削的土壤之间存在着强烈的相互作用。因此,绞刀工作性能影响疏浚产量。在绞刀尺寸一定的情况下,绞刀电机功率可以在一定程度上反映挖泥土质的情况。通过观察绞刀类数据,发现绞刀电机电流体现了绞刀电机功率,即针对不同的土壤土质,不同的绞刀电机电流,可以反映绞刀功率随产量的变化关系,所以本文选择绞刀电机电流作为一个输入参数。

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,与其有着密切的联系,故选取吸入真空作为神经网络建模的一个输入因素。

绞吸挖泥船的横移是通过位于前部的横移绞车来完成的,由绞车滚筒上导出的钢缆穿过靠近水下绞刀头处的钢缆穿过靠近水下绞刀头处的平衡导缆滑轮,再到横移锚或岸上的支撑点。横移的长度受工作桩与绞刀之间的距离而限制。横移系统的作用是实现绞吸挖泥船左右横摆挖泥的。所以横移速度由横移绞车的特性决定,对挖泥船产量有重要的影响,横移钢缆一定的拉力与一定的速度成正比。而拉力又由绞刀产生的切削力来决定。因此,本文选择横移速度作为神经网络一个输入因素。

4实验结果与分析

4.1数据处理

由于施工现场采集的数据,常常含有非正常施工时记录的数据,例如绞刀停止转动时的数据;水下泵和舱内泵停止转动的数据;绞刀抬起和横移速度太小时的数据等等,这些噪音数据通常会与周围的正常数据之间误差比较大,用神经网络进行预测时会对结果产生不好的影响,应该去除掉,以保证样本呈现一定规律,去预测研究。

本文运用C#软件编写数据筛选程序,该程序可以实现挖泥船施工数据的读入、剔除不相关的数据、一定范围内筛选有用的数据、数据滤噪以及后期数据的显示,保存等功能。通过编写此程序,可以方便、有效地实现数据的前期处理,更好地预测绞吸挖泥船产量。

4.2模型参数选择

4.2.1确定输入、输出参数

本文采用的样本数据为某绞吸挖泥船现场采集的实测数据。经过筛选及数据处理之后,得到样本数据2900组,将其中2600组作为训练数据,300组作为测试数据,选取绞刀电机电流、流速、吸入真空、横移速度作为输入因素,泥浆浓度作为输出因素,建立模型。

4.2.2隐含层节点数

输入变量个数为4个,输出变量个数为1个时,根据公式可知隐含层节点范围在3～13之间。根据多次实验,当第一隐层节点数为10,第二隐层节点数为1时,取得最佳预测效果。因此,可确定双隐含层BP神经网络的结构为4-10-1-1。

4.2.3传递函数

隐含层各层及输出层传递函数的选择对BP神经网络预测精度有较大影响。对双隐含层BP网络来说,当输入层与第一隐层传递函数为tansig,第一隐层与第二隐层的传递函数为purelin,第二隐层与输出层的传递函数为purelin时,模型取得最佳预测效果。

4.3比较模型

1) 双隐含层网络结构:4-10-1-1。

2) 单隐含层网络结构:其他参数保持不变,单隐含层隐节点数的选择从3～13中选择,选取最佳网络结构为:4-10-1;当输入层到隐含层传递函数为tansig,隐含层到输出层传递函数为purelin时,取得最佳预测效果。

4.4预测结果及其分析

从图2、图3可以直观看出上述两种模型对300个检验样本的预测结果,两种方法都能够很好地预测到检测样本变化规律,而双隐含层BP神经网络模型对原始值各峰值的预测精度优于单隐含层神经网络模型。

图2　单隐含层BP神经网络预测图

图3　双隐含层BP神经网络预测图

不同隐含层的BP神经网络的训练性能对比如表1所示。

表1　两种模型训练性能对比

由表1可见,当其他参数保持不变,仅改变神经网络模型隐含层层数时,双隐含层神经网络模型的预测相对误差较单隐含层神经网络模型由5.06%减小到1.96%,其梯度由0.0170减小到0.00112。相对误差表征预测值与实际值的差值大小,较小的相对误差可使模型获得更精确的预测结果。同时,由于在求解极大值问题的时候,沿着梯度方向搜索,而在求极小值的时候,沿着负梯度的方向搜索,较小的梯度可使模型更准确地捕捉到挖泥船产量变化的极值。由图3中50s～100s可见,双隐含层神经网络较好地预测了产量极值的变化。相关系数是反映预测值与实际值之间相关程度的统计指标,由表1可知,双隐含层神经网络模型的相关性R大于单隐含层神经网络模型的相关性,这说明双隐含层神经网络预测挖泥船产量得到的预测值与实际值之间的差值较小,预测精度较高。

5结语

本文提出了基于LM算法的双隐含层BP神经网络模型,考虑了影响绞吸挖泥船产量特性的四个主要因素(绞刀电机电流、流速、吸入真空和横移速度),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,双隐含层BP神经网络优于单隐含层BP神经网络,可以有效降低跟踪误差,改善模型的预测性能,较好地预测绞吸挖泥船产量,对仿真挖泥船疏浚作业过程有一定的指导意义。

参 考 文 献

[1] 汤照辉.绞吸挖泥船产量预测研究[D].常州:河海大学,2012.

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

[2] 严六四.国内外河道疏浚工程施工技术发展[J].水利水电施工,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,严军,邓家泉.绞吸式挖泥船产量优化研究[J].水运工程,2013(3):48-55.

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

[4] 丁树友,田俊峰.绞吸挖泥船作业产量的现场优化技术[J].水运工程,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] 丁红,董文永,吴德敏.基于LM算法的双隐含层BP神经网络的水位预测[J].统计与决策,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神经网络的绞吸式挖泥船产量模型设计[D].南京:河海大学,2010.

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

[9] 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.

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] 杨文,邓勇,刘建伟,等.绞吸挖泥船施工效率主要影响因素分析[J].交通企业管理,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

作者简介:杨金宝,男,硕士研究生,研究方向:疏浚设备。倪福生,男,教授,博士生导师,研究方向:疏浚设备。

中图分类号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