[發明專利]一種全智能絞吸挖泥船

在審

• 申請號: 202010109232.6
• 申請日: 2020-02-21
• 公開（公告）號: CN111335388A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 張晴波;戴文伯;侯曉明;肖曄;林挺;陳新華;馮波;胡京招;王海榮;崔鵬飛;劉佳;沈彥超;王柳艷;王綱篩
• 申請（專利權）人: 中交疏浚技術裝備國家工程研究中心有限公司
• 主分類號: E02F5/28
• 分類號: E02F5/28;E02F3/92;G06N3/08;G05B19/05;G01D21/02
• 代理公司: 上海科律專利代理事務所(特殊普通合伙) 31290
• 代理人: 葉鳳

1.一種全智能絞吸挖泥船，其特征在于，基于實施例1,通過電氣和信息化改造傳統絞吸挖泥船或者新建絞吸挖泥船，以形成自上而下的控制系統和自下而上信息采集系統；同時，通過采集系統獲得業務過程中的電氣作業狀態數據及產量數據，用于形成樣本數據庫；構建神經網絡在線預測模型，以“五個控制變量輸入，一個產量輸出”設計為神經網絡的數學模型；用樣本訓練神經網絡后更新數學模型，當輸入當前時刻船體控制變量，經神經網絡在線求解輸出預測產量值，采用優化器尋優算法輸出最佳控制參數，迭代后不斷接近理想狀態的最佳工藝控制參數，實現智能作業且保持最優產值。

2.如權利要求1所述的全智能絞吸挖泥船，其特征在于，包括絞吸挖泥船、自動控制作業系統、數據采集系統和智能優化系統；所述智能優化系統提供最優化控制量給自動控制作業系統以實現船體最優產量；所述自動控制作業系統協調控制五個機具子系統，所述五個機具子系統包括“架絞系統”、“橫移系統”、“臺車系統”、“泥泵系統”、“絞刀系統”；數據采集系統為智能優化系統匯總實時數據庫及樣本，為自動控制作業系統進行實時反饋。

所述智能優化系統包括數據庫、產量預測模型、優化器、安全控制范圍限定模塊，其中：

所述數據庫匯集絞吸船在目前海域中作用過程中由傳感器系統實時采集來的參數，其中cutter_s為絞刀轉速、ladder_dep為橋架下放深度、pump_s為泥泵轉速、step_dis為臺車推桿步進距離、swing_s為橫移速度、ins_pro為瞬時產量這五個瞬時控制因素及其對應的瞬時產量，用于給產量預測模型積累當前作業區域的工藝控制訓練樣本。

所述產量預測模型采用RBF神經網絡算法搭建，輸入節點為五個控制變量，輸出節點為瞬時產量，產量預測模型的多輸入單輸出的RBF神經網絡結構見圖9所示：

所述RBF網絡結構中，輸入和輸出向量分別為：

X＝{cutter_s,ladder_dep,pump_s,step_dis,swing_s}

Y＝{ins_pro}

其中：cutter_s為絞刀轉速；ladder_dep為橋架下放深度；pump_s為泥泵轉速；step_dis為臺車推桿步進距離；swing_s為橫移速度；ins_pro為瞬時產量。

所述產量預測模型的RBF網絡評價指標，即決定系數R²表達式如下式

R²取值在0到1之間，R²越大(接近于1)，所擬合的回歸方程越優。

SST(總平方和)：

SSR(回歸平方和)

SSR(殘差平方和)e為自然常數；

其中：y為待擬合數值，其均值為擬合值為∑_iy_i＝y₁+y₂+…y_i。

得到訓練后的產量預測模型對輸入的某個初始X_k進行在線求解并輸出一段時間內(K+ns時刻)模擬控制變量序列X_K+ns與對應的預測產量值序列Y_K+ns,將獲得的序列X_K+ns、Y_K+ns提供給優化器。

待輸入產量預測模型的所述初始X_k前提滿足安全控制范圍限定模塊的監測。

所述優化器用于設定目標產量值Y_期，優化器包括目標函數和尋優模塊，所述目標函數J＝Y_預-Y_期用于設定誤差范圍，所述尋優模塊在產量預測模型在線求解后輸出的序列[X_k+1sX_k+2s … X_k+(n-1)s X_K+ns；Y_k+1s Y_k+2s … Y_k+(n-1)s Y_K+ns]中篩選出預測產量值Y_預與期望產量值Y_期誤差最小的序列，并找出此最佳產量值對應的控制參數X_優。

全智能絞吸船運營平臺通過優化器向自動控制系統輸出所述控制參數X_優。

3.如權利要求2所述的全智能絞吸挖泥船，其特征在于，智能優化系統獲得最優控制變量用于提供給自動控制作業系統以最優方式控制作業的實現方法過程：

步驟1.利用神經網絡算法搭建“五個控制因素和一個產量”的預測模型，提供給步驟3尋優算法

預測模型神經網絡結構中(例如采用RBF神經網絡)，輸入和輸出向量分別為：

X＝{cutter_s,ladder_dep,pump_s,step_dis,swing_s}

Y＝{ins_pro}

其中：cutter_s為絞刀轉速；ladder_dep為橋架下放深度；pump_s為泥泵轉速；step_dis為步進距離；swing_s為橫移速度；ins_pro為瞬時產量。

步驟2.絞吸船進入新作業區，數據庫采集記錄疏浚施工工藝，通過訓練得到更新后的產量預測模型，同時向優化器給定產量期望值Y_期：

步驟3安全控制范圍限定

當且僅當絞吸挖泥船當前K時刻X_K挖泥船信息下對應的橫移絞車拉力、橫移絞車速度、絞刀扭矩、泵機功率、泵機轉速是在安全操作范圍內，則提供給步驟4尋優算法進行尋優；

步驟4.以步驟2訓練后產量預測模型、優化器設定的施工產量期望值，進入尋優算法過程：

步驟4.1獲取優化初始值

根據船體獲得的當前K時刻挖泥船的信息X_K：橫移速度、絞刀轉速、橋架下放深度、泥泵轉速、步進距離、產量值，提供給步驟2訓練更新后的產量預測模型；

步驟4.2產量預測模型通過在線求解并輸出一段時間內(K+ns時刻)模擬控制變量序列X_K+ns與對應的預測產量值序列Y_K+ns,將獲得的序列X_K+ns、Y_K+ns提供給步驟4.3；

步驟4.3從步驟4.2這一系列的序列進行尋優；找到預測產量值Y_預與期望產量值Y_期誤差最小的序列，并找出此刻最佳產量值對應的控制參數序列X_優，提供給步驟5；

步驟5控制輸出

自動控制作業系統的各個執行機構子系統以尋優后的控制參數序列(X_優Y_預)控制疏浚工藝，執行最佳疏浚動作；

步驟6迭代優化及實時最優控制

以上尋優步驟在線反復迭代優化控制參數,使絞吸挖泥船的實際產量穩定接近產量期望值，最終得到最佳產量值。