[發明專利]一種耙吸船智能挖掘工藝參數的計算方法

在審

• 申請號: 202010464705.4
• 申請日: 2020-05-28
• 公開（公告）號: CN111859777A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 張戟;鄭金龍;石啟正;張啟亮;許洪文;李晟;朱時茂;楊春雷;聞長生;沈偉平;劉凱鋒;焦鵬;陳旭;滕翔;周丙浩;谷祥瑞
• 申請（專利權）人: 中港疏浚有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種耙吸船智能挖掘工藝參數的計算方法，其特征在于，包括以下步驟：

步驟1：收集日報表和歷史數據；

步驟2：統計施工數據范圍，將非施工時間段的數據舍棄，統計施工數據為：對地航速，波浪補償器壓力，耙頭角度，下耙管角度，泥泵吸口深度，泥砂流速，泥砂密度；

步驟3：生成學習樣本數據，根據步驟2的數據類型將他們進行步進設置，根據施工數據范圍和步進為依據進行分組，根據設置的門檻進行數據過濾，反推算耙頭密度，最后對數據進行篩選；

步驟4：計算神經網絡，將步驟3的樣本數據輸入神經網絡模型，輸入層信號為：對地航速，波浪補償器壓力，耙頭角度，下耙管角度，泥泵吸口深度，隱含層為4個隱層，輸出層信號為流速和密度；

步驟5：選取工藝參數，選用誤差小的神經網絡來提取方案用的數據，對數據進行統計、劃分區段及提取，最后在施工參數組合中選取。

2.根據權利要求1所述的一種耙吸船智能挖掘工藝參數的計算方法，其特征在于：所述步驟2中，非施工時間段的計算方法為：

p_i＝n_i/n_zong，

式中，n_zong為施工期間總點數，n_i為各個區段的點數，p_i為各個區段概率大小，p_i70％范圍認為在有效施工數據范圍內。

3.根據權利要求1所述的一種耙吸船智能挖掘工藝參數的計算方法，其特征在于：所述步驟3中，包括以下步驟，

步驟3.1：提取信號：對地航速，波浪補償器壓力，耙頭角度，下耙管角度，泥泵吸口深度，對地航速、波浪補償器壓力、耙頭角度、下耙管角度及泥泵吸口深度的步進分別為0.1、0.5、2、2、5進行設置，分組數量則是由施工數據范圍和步進得到；

步驟3.2：數據過濾，第一層對施工時間段數據進行過濾，要求在指定的施工時間段內，第二層對施工數據進行過濾，要求對地航速1kn且補償器行程0.1m，第三層對有效施工數據過濾，要求要在這之間且不包含設置值：泥漿密度(1.025,1.6)且流速(4.5,6)；

步驟3.3：反推，反推算耙頭泥砂密度，該施工數據中密度是該段時間點流量計測得密度，由于施工密度存在時間延遲效益，根據公式耙管長度/泥砂速度，獲得一個密度的提前時間，根據時間點要反算到耙頭泥砂密度；

步驟3.4：篩選，任何樣本數據中的有效點數量必須大于等于5才會被認為是有效樣本數據。

4.根據權利要求1所述的一種耙吸船智能挖掘工藝參數的計算方法，其特征在于：所述步驟4中，包括以下步驟，

步驟4.1：對施工數據進行歸一化處理min-max標準化，其中max為樣本數據的最大值，min為樣本數據的最小值；

步驟4.2：輸入層為4個節點：對地航速，波浪補償器壓力，耙頭角度，下耙管角度，泥泵吸口深度，輸出層為2個節點：流速和密度，設定好隱層數量、神經節點數量和誤差，其中隱含層數量為4，調整各個節點的均方差和迭代，按序遞減至萬分至二，當達到每一個設置誤差時，系統會保存該誤差下的神經網絡，神經網絡計算完成之后，選用不同精度的神經網絡計算對比數據，統計比選統計數據和學習數據誤差，選用誤差小的神經網絡。

5.根據權利要求1所述的一種耙吸船智能挖掘工藝參數的計算方法，其特征在于：所述步驟5中，包括以下步驟，

步驟5.1：逆向篩選數據，施工數據首先要降維處理：首先對泥泵吸口深度進行降維，以5米為步進進行降維，分為兩組泥泵吸口深度數據；

步驟5.2：每組泥泵吸口深度分12種組合，12個組合能夠對4個維度信號進行降維：對地航速、波浪補償器壓力、耙頭角度、下耙管角度，加上泥泵吸口深度2組，形成5個維度的信號；

步驟5.3：對數據進行篩選和提取，對2組泥泵吸口深度數據分別進行該組合中一組方案的最大點數和高點區域點數超過總點數7.5％的方案個數統計，并且選擇其中滿足上述要求最多的一組數據；

步驟5.4：對其中一組方案數據統計出泥漿密度的上下限值，以這個區域范圍作為基礎，再次統計這個區域中80％的泥漿密度數目，并且統計出這些施工數據；

步驟5.5：再次判斷統計出來泥漿密度高點數目，規則是點數超過總點數的80％，同時縱橫列都大于其點數的開平方，依據點面積較大，斜率較小，根據上述依據最終產生施工參數，以項目名稱、土質參數，來命名施工參數組合，這些參數組合用來指導船舶施工狀態。