一种绞吸挖泥船智能疏浚控制方法与流程

本发明涉及一种智能控制方法，所属绞吸挖泥船疏浚领域。

背景技术：

绞吸挖泥船是典型的疏浚工程施工船舶，是疏浚企业最主要也是最重要的生产工具之一。绞吸挖泥船控制系统由几个局部子系统控制器组成，其上集合了大型泥泵、液压系统、电气系统、绞刀头和轴系、钢桩台车、横移绞车系统等专业机具，这些机具各局各性，每个子系统控制器相互影响、相互制约且关系复杂。绞吸疏浚包括抛左右横移锚、进关、横移、绞刀切削、泵吸、吹岸等子过程，这些过程中疏浚机具和环境、泥面、水流发生复杂的交互作用，人工操作量大、控制精度和及时性要求高。

目前新一代的绞吸挖泥船大都安装了上述集成控制系统，疏浚自动化优化目标包括疏浚产量的时间效率和能源效率，涉及到数十个方面的影响因素，而这些因素相互牵制关联，形成了复杂的非线性系统。基于传统方法的自动控制技术不足以应对优化疏浚产量与疏浚能耗的控制问题。

绞吸挖泥船的产量主要取决于疏浚员的操作，并且需要根据不同的施工工况，不断调整系统的控制参数。

技术实现要素：

本发明目的在于提供一种绞吸挖泥船智能疏浚控制方法，通过神经网络算法在线建立模型，预测控制的方式，可以协助操作人员发现更佳的施工方法，保证高效能，高产量。

技术方案

一种绞吸挖泥船智能疏浚控制方法，其特征在于，包括

步骤1.利用神经网络算法搭建五个控制因素和产量的模型，提供给步骤3寻优算法

网络结构中，输入和输出向量分别为：

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

y＝{ins_pro}

其中：cutter_s为绞刀转速；ladder_dep为桥架下放深度；pump_s为泥泵转速；step_dis为步进距离；swing_s为横移速度；ins_pro为瞬时产量。

网络评价指标

决定系数r²表达式如下式

sst(总平方和)：

ssr(回归平方和)

ssr(残差平方和)e为自然常数

其中：y为待拟合数值，其均值为拟合值为∑iyi＝y1+y2+…yi

对模型进行线性回归后，评价回归模型系数拟合优度，r²取值在0到1之间，r²越大(接近于1)，所拟合的回归方程越优；

步骤2.进入新作业区，先采集记录疏浚施工工艺，通过训练得到产量预测模型，给定产量期望值y期：

步骤3安全控制范围限定

绞吸挖泥船当前(假定k时刻)挖泥船信息下对应的横移绞车拉力、横移绞车速度、绞刀扭矩、泵机功率、泵机转速是在安全操作范围内，并提供给步骤4寻优算法进行寻优；

步骤4.以步骤2建立的产量预测模型、施工产量期望值，进入寻优算法步骤：

步骤4.1获取优化初始值

根据船体获得的当前(假定k时刻)挖泥船的信息：横移速度、绞刀转速、桥架下放深度、泥泵转速、步进距离、产量值，提供给产量预测模型；

步骤4.2利用产量预测模型，该产量预测模型通过在线求解并输出一段时间内(k+ns时刻)模拟控制变量序列x与对应的预测产量值序列y,将获得的序列x、y提供给步骤4.3；

步骤4.3从步骤4.2这一系列的序列进行寻优；找到预测产量值y预与期望产量值y期误差最小的序列，并找出此刻最佳产量值对应的控制参数序列x优，提供给步骤5；

步骤5控制

以寻优后的控制参数序列(x优y预)控制疏浚工艺中各个执行机构，执行最佳疏浚动作；

步骤6迭代优化及实时最优控制

以上寻优步骤在线反复迭代优化控制参数,使绞吸挖泥船的实际产量稳定接近产量期望值，最终得到最佳产量值。

所述神经网络具体为rbf神经网络。

步骤3中，所述的安全控制范围限定：在绞吸挖泥船挖掘过程和泥浆输送过程，必须使所有设备处于安全工作范围内，在控制过程中需要设置安全界限，使所有控制策略在安全操作范围内进行寻优，并且该智能控制方法可防止绞吸挖泥船左右横移绞车过度滑转及泥泵管道中出现堵管，保证在安全施工的前提下，提高工作效率。

所述安全工作范围内为：

横移速度：横移绞车拉力最大限制

左右横移绞车：横移绞车最大速度限制

绞刀电机：绞刀扭矩最大限制

泥泵工况点：泵机功率、转速最大限制

管道输送状态处于安全合理范围：管路最大排压限制、最低流速限。

附图说明

图1本发明中与产量相关的五项控制输入变量背后的关键参数

图2本发明中智能控制框图

图3本发明实施例中绞吸挖泥船施工产量rbf神经网络模型

具体实施方式

以下结合附图对本发明技术方案做进一步说明。

分析过程：

影响绞吸挖泥船产量因素众多，若不考虑施工现场风浪流等其他环境因素的影响，仅有泥泵转速、台车行程(步进距离)、绞刀入土深度、横移速度、绞刀转速这5项控制输入变量背后就有17个以上关键参数，1500多个信号点，各因素之间的相互作用机制复杂，绞吸挖泥船控制系统是一个多参数、非线性系统。

如图1所示。

绞吸挖泥船的瞬时产量w(m³/h)取决于流量q(m³/h)和泥浆混合物浓度c(％)，表达式通常为：

w＝qc＝(πr²v)c(1)

其中：r为排泥管半径，v为泥浆流速(泥泵转速pump_s)，由于压力传感器安装在泥泵吸口处、密度计与流量计安装在泥泵管路上，相距较远，采集的数据之间存在一定的时间间隔，因此，(1)式对于输泥管道中产量的计算存在大时滞问题，无法准确的完成实时产量计算。

绞刀破土切削过程中，绞刀切削泥土的体积量随绞刀切削面和横移速度的变化而变化：vc＝bc×dc×vs(2)

其中：vc为单位时间内绞刀切削泥沙的体积，bc为绞刀切削宽度(步进距离step_dis、绞刀深度ladder_dep)，dc绞刀切削深度(步进距离step_dis、绞刀深度ladder_dep)，vs横移速度swing_s。

泥沙被切削后，随着绞刀旋转与水形成泥浆混合物，绞刀切削下的泥沙粉碎程度与单位时间内切泥厚度和当前土质有关。dd切削厚度的表达式如下：

其中：zc为绞刀臂数，nc为绞刀转速cutter_s。

管道内泥浆的体积浓度表达式为：

其中：vm为单位时间内进入管道的泥沙体积，dpipe为泥浆输送管道内径,v为泥浆流速(泥泵转速pump_s)。

在正常疏浚情况下，vm和单位时间内绞刀切削的泥沙体积按(5)式进行换算vm＝kvc(5)

k为绞刀挖掘系数，可取0.8—0.9。

通过式(2)(3)(4)可知泥浆在管道内形成过程中，绞刀转速cutter_s、横移速度swing_s、步进距离step_dis、桥架下放深度ladder_dep、泥泵转速pump_s会对泥浆浓度ins_pro产生影响。在实际施工过程中，由于现场作业环境多变，水下环境复杂，许多经验系数并不可取，控制参数与实际操作下输出量的关系不明确。经过多年施工现场的计算经验与实验测试结果都表明，绞吸挖泥船关于绞刀切削系统及管道输送系统的线性物理模型无法满足实际施工生产中对产量进行估计与预测，也无法应用在产量控制系统这样的多输入单输出非线性模型中的。

本发明将绞吸挖泥船产量与影响其关键控制因素之间的关系看作的黑盒问题，借助于神经网络算法在线建立模型，利用智能控制算法与数据挖掘等技术手段，可以协助操作人员发现更佳的施工方法。

采用数据驱动的方法，将五个可控操作变量和绞吸挖泥船的瞬时产量看作黑盒问题，利用数据驱动的方法，利用rbf神经网络建立绞吸挖泥船产量模型并进行产量预测优化。

目前新一代的绞吸挖泥船大都安装了集成控制系统，将绞吸挖泥船挖掘过程和泥浆输送过程的状态数据汇总建立绞吸挖泥船的“数据中心”。

如2所示，实施例算法过程为：

步骤1.利用rbf神经网络算法搭建五个控制因素和产量的模型，提供给步骤3寻优算法

绞吸挖泥船施工产量多输入单输出的rbf神经网络结构见图3所示：

rbf网络结构中，输入和输出向量分别为：

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

y＝{ins_pro}

其中：cutter_s为绞刀转速；ladder_dep为桥架下放深度；pump_s为泥泵转速；step_dis为步进距离；swing_s为横移速度；ins_pro为瞬时产量。

rbf网络评价指标

决定系数r²表达式如下式

sst(总平方和)：

ssr(回归平方和)

ssr(残差平方和)e为自然常数

其中：y为待拟合数值，其均值为拟合值为∑iyi＝y1+y2+…yi

对模型进行线性回归后，评价回归模型系数拟合优度，r²取值在0到1之间，r²越大(接近于1)，所拟合的回归方程越优。

步骤2.进入新作业区，先采集记录疏浚施工工艺、记录优秀操作流程，固化疏浚知识和经验，通过训练得到产量预测模型，给定产量期望值y期：

在某一环境稳定工况下，经验丰富的疏浚员进行试挖，通过“数据中心”获取一段时间内(30min以上)的人工挖掘阶段数据集，根据人工挖掘数据，给定“处理中心”的产量期望值；

步骤3安全控制范围限定

绞吸挖泥船“数据中心”提供当前挖泥船信息，该当前(假定k时刻)挖泥船的信息下对应的横移绞车拉力、横移绞车速度、绞刀扭矩、泵机功率、泵机转速是在安全操作范围内，并提供给步骤4寻优算法进行寻优。

在绞吸挖泥船挖掘过程和泥浆输送过程，必须使所有设备处于安全工作范围内，在控制过程中需要设置安全界限，使所有控制策略在安全操作范围内进行寻优，并且该智能控制方法可防止绞吸挖泥船左右横移绞车过度滑转及泥泵管道中出现堵管，保证在安全施工的前提下，提高工作效率。

横移速度：横移绞车拉力最大限制

左右横移绞车：横移绞车最大速度限制

绞刀电机：绞刀扭矩最大限制

泥泵工况点：泵机功率、转速最大限制

管道输送状态处于安全合理范围：管路最大排压限制、最低流速限

步骤4.以步骤2建立的产量预测模型、施工产量期望值，进入寻优算法步骤：

步骤4.1获取优化初始值

根据“数据中心”获得的当前(假定k时刻)挖泥船的信息：横移速度、绞刀转速、桥架下放深度、泥泵转速、步进距离、产量值，提供给产量预测模型；

步骤4.2利用产量预测模型，该产量预测模型通过在线求解并输出一段时间内(k+ns时刻)模拟控制变量序列x与对应的预测产量值序列y,将获得的序列x、y提供给步骤4.3；

k+ns时刻：从k时刻后经过ns后的时刻，n自然数，s时间单位秒。

步骤4.3从步骤4.2这一系列的序列进行寻优；找到预测产量值y预与期望产量值y期误差最小的序列，并找出此刻最佳产量值对应的控制参数序列x优，提供给步骤5；

步骤5控制

以寻优后的控制参数序列(x优y预)控制疏浚工艺中各个执行机构，执行最佳疏浚动作。控制频率可自行设置；此时，绞吸挖泥船根据控制参数进行作业，得到实际产量值。实现方式，例如将寻优后的控制参数序列信号通过“数据中心”进行发送至plc控制箱中，使绞刀电机、桥架电机、台车步进电机、泥泵电机、横移绞车执行最佳疏浚动作，控制频率可自行设置；此时，绞吸挖泥船根据控制参数进行作业，得到实际产量值。

步骤6迭代优化及实时最优控制

以上寻优步骤在“处理中心”内在线反复迭代优化控制参数,使绞吸挖泥船的实际产量稳定接近产量期望值，最终得到最佳产量值。