一种应用于绞吸挖泥船的克服滚刀智能控制方法与流程

1.本发明涉及一种绞吸挖泥船克服“滚刀”的智能控制。


背景技术：

2.绞吸挖泥船是一种疏浚工程船舶，疏浚过程主要由土壤切削、桥架升降、船体横移、台车步进和泥浆输送五个子过程的相关机械设备协调作业完成。在施工过程中绞吸挖泥船向右边作扇形运动时，绞刀运动方向为正刀；正刀挖泥时遇到比较硬的沙土会出现滚刀现象，而向左横移时绞刀运动方向为反刀，一般不会出现滚刀现象。为了克服绞吸挖泥船在施工生产中出现正刀滚刀现象而影响生产效率，需在左横移上增加背压阀来加大阻力，这样绞刀在正刀运动时可以减少出现滚刀现象的次数，达到更高的切削沙土的效果。其调节方法是顺时针旋转压力增加，逆时针旋转压力减小，从而实现调节挖泥船左右横移绞车的对速度快慢的控制。
3.当挖泥船向右横移挖泥发生绞刀头滚刀现象时，右横移绞车油压会突然变得很小且下降速度变得很快，船体快速向右横移，左横移速度明显大于右横移速度，绞刀压力和横移压力会变大。当现场施工人员发现此现象时，以手动采取的措施包括减少切层厚度、控制左横移缆保持一定拉力、加大绞刀下放深度以增大切削陡坎的阻力、降低绞刀转速、减慢右横移速度、掏挖下层以避开上层硬质土等。但是，人眼判断(即靠操作者自身)在时间上存在一定滞后，即使采取相应措施，滚刀现象可能已持续一段时间，影响施工效率，且可能引起安全隐患。
4.绞吸挖泥船相关的“滚刀”现有技术文献：
5.现有文献“黄河专用型120m3/h绞吸式挖泥船的结构原理和设计特点”中提到了“绞刀有足够大的单位切削力来切削、粉碎“铁板沙”，有足够大的质量来克服切削力反力，防止“滚刀”；同时还要有较高的转速，以减少切削厚度，降低切削阻力。”doi：10.3969/j.issn.1674-1951.2001.05.018，见2001年10月《水利电力机械》第51页。
6.现有文献“绞吸式挖泥船的施工工艺”中提到了“开挖硬质粘土操作方法。硬粘土含水量低，粘聚力大，绞刀转动为顺时针方向，在向右横移时产生“滚刀”现象，除了适当控制左锚机制动压力外，同时要适当降低绞刀转速、横移速度，减少前移距，必要时要以加大绞刀架下放深度(以不搁绞刀架为原则)。
”ꢀ
https://jz.docin.com/p-912452026.html，见链接文档的第4页。


技术实现要素：

7.本发明所要解决的技术问题是为了解决施工过程中绞吸挖泥船遇到滚刀现象，使用手动控制来克服“滚刀”，可能存在安全隐患，影响施工效率的问题，本发明提供了一种集数据采集、数据预处理、在线预测、策略选择、反馈控制为一体的克服“滚刀”的智能控制方法、系统；以及构建方法和绞吸挖泥船。
8.本发明的技术方案是：
9.一种应用于绞吸挖泥船的克服“滚刀”智能控制方法，包括数据采集、智能控制、控制反馈；
10.所述数据采集是指，克服“滚刀”所需施工状态参数的数据由各自对应的传感器测量得到，再通过信号电缆传输到设备工况数据采集plc模块，然后通过网络交换机传输到计算机，这些数据存储在计算机的数据库中。
11.所述智能控制是在计算机上执行的。首先从计算机的数据库中获取施工状态参数数据，并根据具体工况设置上述施工状态参数的安全限值，再经过数据预处理、在线预测、滚刀现象判断，然后根据判定结果选择控制策略，最后输出模块把控制策略经过网络交换机传输到控制反馈plc模块。
12.所述控制反馈是指根据控制策略，控制反馈plc模块通过信号电缆控制背压调节阀、横移绞车、绞刀电机、桥架绞车、台车等绞吸挖泥船疏浚设备。
13.所述施工状态参数有五个，分别为左横移速度(lss，left swing speed)、右横移速度(rss，right swing speed)、横移压力(sp，swing pressure)、右横移绞车油压(rop，right swing winch oil pressure)、绞刀压力(cp，cutter pressure)，对应的传感器分别为左横移速度旋转编码器、右横移速度旋转编码器、横移液压系统压力传感器、右横移绞车油压压力传感器、绞刀液压系统压力传感器。
14.上述各个传感器的安装位置是：
15.左横移速度旋转编码器安装于左横移绞车转轴处，用来测量左横移绞车转速即角速度，通过转换公式v＝wr(其中v是线速度、w是角速度、r是左横移绞车半径)转换成线速度，即可得到左横移速度lss；
16.右横移速度旋转编码器安装于右横移绞车转轴处，用来测量右横移绞车转速即角速度，通过转换公式v＝wr(其中v是线速度、w是角速度、r是右横移绞车半径)转换成线速度，即可得到右横移速度rss；
17.横移液压系统压力传感器安装于横移液压系统上，用来测量横移压力sp；
18.右横移绞车油压压力传感器安装于右横移绞车液压缸进油管道上，用来测量右横移绞车油压rop；
19.绞刀液压系统压力传感器安装于绞刀液压系统上，用来测量绞刀压力cp。
20.与现有技术相比，本发明的有益效果是结合人工智能算法和克服滚刀的施工经验，提出了一种应用于绞吸挖泥船的克服“滚刀”智能控制方法，代替传统的手动控制，从而减少了人工参与，提高了控制执行效率，避免发生安全隐患，提高施工效率。
附图说明
21.图1本发明绞吸挖泥船克服“滚刀”的智能控制系统和方法整体设计框图
22.图2本发明grnn网络学习拓扑图(以绞刀压力为例)
23.图3本发明控制策略选择图
24.图4本发明数据预处理流程图(以绞刀压力为例)
具体实施方式
25.核心方案
26.一种应用于绞吸挖泥船的克服“滚刀”智能控制方法
27.一种应用于绞吸挖泥船的克服“滚刀”智能控制方法，包括数据采集、智能控制、控制反馈；
28.所述数据采集是指，克服“滚刀”所需施工状态参数的数据由各自对应的传感器测量得到，再通过信号电缆传输到设备工况数据采集plc模块，然后通过网络交换机传输到计算机，这些数据存储在计算机的数据库中。
29.所述智能控制是在计算机上执行的。首先从计算机的数据库中获取施工状态参数数据，并根据具体工况设置上述施工状态参数的安全限值，再经过数据预处理、在线预测、滚刀现象判断，然后根据判定结果选择控制策略，最后输出模块把控制策略经过网络交换机传输到控制反馈plc模块。
30.所述控制反馈是指根据控制策略，控制反馈plc模块通过信号电缆控制背压调节阀、横移绞车、绞刀电机、桥架绞车、台车等绞吸挖泥船疏浚设备。
31.所述施工状态参数有五个，分别为左横移速度(lss，left swing speed)、右横移速度(rss，right swing speed)、横移压力(sp，swing pressure)、右横移绞车油压(rop，right swing winch oil pressure)、绞刀压力(cp，cutter pressure)，对应的传感器分别为左横移速度旋转编码器、右横移速度旋转编码器、横移液压系统压力传感器、右横移绞车油压压力传感器、绞刀液压系统压力传感器。
32.上述各个传感器的安装位置是：
33.左横移速度旋转编码器安装于左横移绞车转轴处，用来测量左横移绞车转速即角速度，通过转换公式v＝wr(其中v是线速度、w是角速度、r是左横移绞车半径)转换成线速度，即可得到左横移速度lss；
34.右横移速度旋转编码器安装于右横移绞车转轴处，用来测量右横移绞车转速即角速度，通过转换公式v＝wr(其中v是线速度、w是角速度、r是右横移绞车半径)转换成线速度，即可得到右横移速度rss；
35.横移液压系统压力传感器安装于横移液压系统上，用来测量横移压力sp；
36.右横移绞车油压压力传感器安装于右横移绞车液压缸进油管道上，用来测量右横移绞车油压rop；
37.绞刀液压系统压力传感器安装于绞刀液压系统上，用来测量绞刀压力cp。
38.实施例1：一种能克服“滚刀”绞吸挖泥船船载智能控制系统构建方法
39.第一部分 构建采集系统和数据库
40.经理论和实践验证，影响“滚刀”施工状态参数确定五个，分别为左横移速度lss、右横移速度rss、横移压力sp、右横移绞车油压rop、绞刀压力cp；这些参数数据通过在绞吸船已有机具设备上布设对应的传感器测量得到，再通过信号电缆传输到设备工况数据采集plc模块，然后通过网络交换机传输到计算机智能系统，这些数据存储在计算机智能系统的数据库中。
41.具体的，上述五个施工状态参数对应的传感器分别为左横移速度旋转编码器、右横移速度旋转编码器、横移液压系统压力传感器、右横移绞车油压压力传感器、绞刀液压系统压力传感器。
42.具体的，上述各个传感器的安装位置是：
43.左横移速度旋转编码器安装于左横移绞车转轴处，用来测量左横移绞车转速即角速度，通过转换公式v＝wr(其中v是线速度、w是角速度、r是左横移绞车半径)转换成线速度，即可得到左横移速度lss；
44.右横移速度旋转编码器安装于右横移绞车转轴处，用来测量右横移绞车转速即角速度，通过转换公式v＝wr(其中v是线速度、w是角速度、r是右横移绞车半径)转换成线速度，即可得到右横移速度rss；
45.横移液压系统压力传感器安装于横移液压系统上，用来测量横移压力sp；
46.右横移绞车油压压力传感器安装于右横移绞车液压缸进油管道上，用来测量右横移绞车油压rop；
47.绞刀液压系统压力传感器安装于绞刀液压系统上，用来测量绞刀压力cp。
48.第二部分 构建计算机智能系统(预测网络+识别“滚刀”现象+调控系统)
49.所述计算机智能系统，从数据库中获取施工状态参数数据：左横移速度lss、右横移速度rss、横移压力sp、右横移绞车油压rop、绞刀压力cp。进行必要的预处理。
50.所述计算机智能系统，根据具体工况设置滚刀特征的预先设置参数的安全限值。
51.所述计算机智能系统，构建神经网络用于实时在线预测。使用广义回归神经网络(grnn，generalized regression neural network)分别对五类经过预处理后的施工状态参数数据进行实时预测，一秒预测一次。
52.所述计算机智能系统，通过grnn对学习样本数据进行网络学习，从而得到预测模型；通过预测模型在线输出五类参数预测值。
53.具体的，参数设置为：绞吸挖泥船正刀挖泥时遇到比较硬的沙土会出现滚刀现象，此时特征是：右横移绞车油压rop会突然变得很小且下降速度变得很快，船体快速向右横移，左横移速度lss明显大于右横移速度rss，绞刀压力 cp和横移压力sp会变大；在不同工况下出现滚刀现象，这些施工参数的安全限制值不一样，需要试挖后设定安全限制，包括左横移速度lss超过右横移速度rss的限值sdl、绞刀压力cp的上限值clu、横移压力sp的上限值slu、右横移绞车油压rop的下限值rld，用于实时提供给神经网络。
54.具体的，数据预处理为，对原始测量数据进行数据填充、数据截断、异常值剔除、数据滤波等，使数据在时间上保持一致性。数据滤波是将信号中特定波段频率滤除，一般有中值滤波、均值滤波等。以绞刀压力为例，见图4。
55.具体的，grnn是机器学习算法中的一种，由于grnn是非参数回归神经网络，在grnn网络学习过程中，它没有模型参数需要训练，无需使用损失函数，收敛速度快，适合做实时预测(一秒预测一次)。
56.grnn网络原理如下：
57.输入层：输入层神经元的数目等于学习样本中输入向量(x1,x2,...,x
m1
)的维数 m1，各神经元是简单的分布单元，直接将输入变量传递给模式层。
58.模式层：模式层神经元数目等于学习样本的数目n，各神经元对应不同的样本，模式层神经元传递函数(已有函数)为
[0059][0060]
神经元i的输出为输入变量与其对应的样本x之间euclid距离平方的指数平方
的指数形式。式中，x为网络输入变量；xi为第i 个神经元对应的学习样本。σ称光滑因子，实际上就是高斯函数的标准差。在网络学习之前需要设置平滑因子，此值视具体情况而定，默认为0.1，可以使用蚁群、粒子群等寻优算法寻找最优的平滑因子，此时需要使用类似损失函数的公式计算出实测值和预测值的均方误差mse，从而找到最优的平滑因子。常用的损失函数有均方误差mse、平均绝对误差mae、均方根误差rmse、平均偏差误差mbe、huber损失、交叉熵ce、二元交叉熵bce等。
[0061]
求和层：求和层中使用两种类型神经元进行求和。
[0062]
一类的计算公式为它对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数sd为
[0063][0064]
另一类计算公式为它对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值y
ij
为第i个输出样本yi中的第j个元素，传递函数s
nj
为
[0065][0066]
输出层：输出层中的神经元数目等于学习样本中输出向量(y1,y2,...,yk)的维数 k，各神经元将求和层的输出相除，神经元j的输出对应估计结果的第j个元素，即
[0067]
yj＝s
nj
/sdj＝1,2,
…
,k
[0068]
举例，以绞刀压力cp预测来介绍(见图2)
[0069]
a1.目的
[0070]
对当前时刻前m秒的绞刀压力数据，使用grnn预测下一秒或者下n秒的数据。
[0071]
a2.数据准备
[0072]
时间序列数据：当前时刻前m秒数据x
t
＝(t1,t2,...,tm)，具体数值比如 (14:12:15,14:12:16,14:12:17,......)，小括弧内总共m个数据，14:12:15表示14时 12分15秒；
[0073]
绞刀压力数据：当前时刻前m秒实测数据y
cp
＝(cp1,cp2,...,cpm)，具体数值比如(7.1,7.5,6.8,......)，小括弧内总共m个数据，7.1表示绞刀压力传感器实际测量值。
[0074]
学习样本数据：将时间序列数据和绞刀压力数据进行组合，得到如下一组数据((t1,cp1),(t2,cp2),(t3,cp3),......)，其中(t1,cp1)称为一个学习样本，样本总数为m。
[0075]
a3.grnn网络学习及预测
[0076]
虽然没有模型参数需要训练，但是需要通过grnn对学习样本数据进行网络学习，从而得到预测模型，具体如下：
[0077]
网络学习的输入：即学习样本中输入向量(x1,x2,...,x
m1
)，此处指的是时间序列数据x
t
；
[0078]
网络学习的输出：即学习样本中输出向量(y1,y2,...,yk)，此处指的是绞刀压力数据y
cp
。
[0079]
经过网络学习后得到一个grnn网络net，则预测模型可表示为： y＝grnn(net,x)，其中grnn是预测函数名，net指的是经过网络学习后的grnn 网络，x表示下一秒或者下n秒的时间数据，y表示下一秒或者下n秒的绞刀压力预测数据。
[0080]
当前时刻以后的每一秒都按照上述步骤预测绞刀压力，从而实现在线预测。
[0081]
同理，通过一样的方法学习网络输出左横移速度lss预测值、右横移速度 rss预测值、横移压力sp预测值、右横移绞车油压rop预测值，实时输出。
[0082]
所述计算机智能系统，实时对输出的五类在线预测值与预置的安全限值进行对比，对是否出现“滚刀”现象判断，一旦出现“滚刀”现象则启动调控策略；同时，根据选取控制策略，通过发送控制命令，控制反馈plc，从而控制和干预桥架绞车或者绞刀或者横移绞车，从而克服和消除“滚刀”，使之快速恢复至正常的工况。
[0083]
具体的，滚刀现象判断：对预测后的数据进行滚刀现象判断，同时满足以下四个条件，即判定超出安全限制，预测将出现滚刀现象：
[0084]
1)左横移速度lss预测值减去右横移速度rss预测值的数值高于设置值sdl；
[0085]
2)绞刀压力cp预测值高于其设置的上限值clu；
[0086]
3)横移压力sp预测值高于其设置的上限值slu；
[0087]
4)右横移绞车油压rop预测值低于其设置的下限值rld。
[0088]
具体的，控制策略选择(图3)：通过滚刀现象判断，若当前时刻超出安全限制，则通过控制背压调节阀增大背压；若未超出安全限制，则继续向右横移。
[0089]
增大背压后，进行一次滚刀现象判断，若继续超出安全限制，则通过控制横移绞车减小横移速度并通过控制绞刀电机降低绞刀转速；若未超出安全限制，则继续向右横移。
[0090]
减小横移速度并降低绞刀转速后，进行一次滚刀现象判断，若还是超出安全限制，则通过控制台车减小台车进关量并通过控制桥架绞车提升桥架；若未超出安全限制，则继续向右横移。
[0091]
减小台车进关量并提升桥架后，进行一次滚刀现象判断，若仍然超出安全限制，则采取正刀空摆、反刀挖泥的施工方法，此时只向左横移挖泥，不再做滚刀现象判断；若未超出安全限制，则继续向右横移。
[0092]
第三部分 构建执行设备和+反馈控制
[0093]
改装或者新建绞吸挖泥船，在绞吸挖泥船上配备和安装桥架设备、横移设备、绞刀设备这类传统的机电和油压设备，以及plc控制设备和数据通信网络。
[0094]
桥架设备包括桥架、桥架收放缆绳和控制桥架动作的桥架绞车，桥架的提升与下放由桥架收放缆绳来控制，桥架绞车通过液压驱动装置进行变速；
[0095]
横移设备包括横移收放缆绳和控制横移动作的横移绞车，横移绞车包括左横移绞车和右横移绞车，横移绞车上安装有测量横移速度的旋转编码器，横移液压系统上安装有测量横移压力的压力传感器，右横移绞车液压缸进油管道上安装有测量右横移绞车油压的压力传感器；
[0096]
绞刀设备包括绞刀头和控制绞刀转速的电机，绞刀液压系统上安装有测量绞刀压力的压力传感器；
[0097]
将控制策略通过网络交换机传输给控制反馈plc模块，从而通过信号电缆控制背压调节阀、横移绞车、绞刀电机、桥架绞车、台车等绞吸挖泥船疏浚设备。
[0098]
上述这些操作都通过自动控制完成，从而实现克服“滚刀”的智能控制。实时作业下的绞吸挖泥船疏浚设备(第三部分)设备状况和作业状态，实时由采集系统(第一部分)实时提供给计算机智能系统(第二部分)，再实时调控好绞吸挖泥船疏浚设备执行。
[0099]
基于实施例1技术方案进一步公开实施例2
[0100]
实施例2：一种克服“滚刀”智能绞吸挖泥船
[0101]
由桥架设备、横移设备、绞刀设备、各类传感器、可编程控制器、计算机智能系统组成；
[0102]
桥架设备包括桥架、桥架收放缆绳和控制桥架动作的桥架绞车，桥架的提升与下放由桥架收放缆绳来控制，桥架绞车通过液压驱动装置进行变速；横移设备包括横移收放缆绳和控制横移动作的横移绞车，横移绞车包括左横移绞车和右横移绞车，横移绞车上安装有测量横移速度的旋转编码器，横移液压系统上安装有测量横移压力的压力传感器，右横移绞车液压缸进油管道上安装有测量右横移绞车油压的压力传感器；绞刀设备包括绞刀头和控制绞刀转速的电机，绞刀液压系统上安装有测量绞刀压力的压力传感器；
[0103]
可编程控制器包括数据采集plc模块和控制反馈plc模块；计算机智能系统包括数据库、参数设置模块、智能控制模块，所述智能控制模块包括预处理输入模块、神经网络预测模块、“滚刀识别模块”、策略调控模块和输出模块。
[0104]
其中：
[0105]
克服“滚刀”所需的施工状态参数有五个，分别为左横移速度lss、右横移速度rss、横移压力sp、右横移绞车油压rop、绞刀压力cp，这些参数的数据由各自对应的传感器测量得到，再通过信号电缆传输到设备工况数据采集 plc模块，然后通过网络交换机传输到计算机智能系统，这些数据存储在计算机智能系统的数据库中。
[0106]
上述五个施工状态参数对应的传感器分别为左横移速度旋转编码器、右横移速度旋转编码器、横移液压系统压力传感器、右横移绞车油压压力传感器、绞刀液压系统压力传感器。
[0107]
上述各个传感器的安装位置是：
[0108]
左横移速度旋转编码器安装于左横移绞车转轴处，用来测量左横移绞车转速即角速度，通过转换公式v＝wr(其中v是线速度、w是角速度、r是左横移绞车半径)转换成线速度，即可得到左横移速度lss；
[0109]
右横移速度旋转编码器安装于右横移绞车转轴处，用来测量右横移绞车转速即角速度，通过转换公式v＝wr(其中v是线速度、w是角速度、r是右横移绞车半径)转换成线速度，即可得到右横移速度rss；
[0110]
横移液压系统压力传感器安装于横移液压系统上，用来测量横移压力sp；
[0111]
右横移绞车油压压力传感器安装于右横移绞车液压缸进油管道上，用来测量右横移绞车油压rop；
[0112]
绞刀液压系统压力传感器安装于绞刀液压系统上，用来测量绞刀压力cp。
[0113]
数据库是负责收集施工状态参数数据，提供给智能控制模块；参数设置模块是根据具体工况设置滚刀特征的安全限值；智能控制模块对施工状态参数数据进行数据处理和分析，所述智能控制模块包括预处理输入模块、神经网络预测模块、“滚刀识别模块”、策略调控模块和输出模块分别进行数据预处理、在线预测、滚刀现象判断、控制策略选择；同时，
根据选取的控制策略，通过输出模块发送控制命令给控制反馈plc模块，由控制反馈plc模块控制桥架绞车或者绞刀或者横移绞车，从而克服“滚刀”。
[0114]
基于实施例2技术方案进一步公开实施例3施工方法
[0115]
实施例3：能克服“滚刀”智能绞吸挖泥船施工方法
[0116]
步骤1数据获取
[0117]
从数据库中获取施工状态参数数据：左横移速度lss、右横移速度rss、横移压力sp、右横移绞车油压rop、绞刀压力cp。此为原始测量数据，用于实时提供给步骤3。
[0118]
步骤2参数设置
[0119]
绞吸挖泥船正刀挖泥时遇到比较硬的沙土会出现滚刀现象，此时特征是：右横移绞车油压rop会突然变得很小且下降速度变得很快，船体快速向右横移，左横移速度lss明显大于右横移速度rss，绞刀压力cp和横移压力sp会变大；在不同工况下出现滚刀现象，这些施工参数的安全限制值不一样，需要试挖后设定安全限制，包括左横移速度lss超过右横移速度rss的限值sdl、绞刀压力cp的上限值clu、横移压力sp的上限值slu、右横移绞车油压rop的下限值rld，用于实时提供给步骤5。
[0120]
步骤3数据预处理
[0121]
对原始测量数据进行数据填充、数据截断、异常值剔除、数据滤波等，使数据在时间上保持一致性。数据滤波是将信号中特定波段频率滤除，一般有中值滤波、均值滤波等。以绞刀压力为例，见图4。用于实时提供给步骤4。
[0122]
步骤4在线预测
[0123]
使用广义回归神经网络(grnn，generalized regression neural network)分别对经过预处理后的施工状态参数数据进行实时预测，一秒预测一次。
[0124]
4.1 grnn原理
[0125]
原理如下：
[0126]
输入层：输入层神经元的数目等于学习样本中输入向量(x1,x2,...,x
m1
)的维数 m1，各神经元是简单的分布单元，直接将输入变量传递给模式层。
[0127]
模式层：模式层神经元数目等于学习样本的数目n，各神经元对应不同的样本，模式层神经元传递函数(已有函数)为
[0128][0129]
神经元i的输出为输入变量与其对应的样本x之间euclid距离平方的指数平方的指数形式。式中，x为网络输入变量；xi为第i 个神经元对应的学习样本。σ称光滑因子，实际上就是高斯函数的标准差。在网络学习之前需要设置平滑因子，此值视具体情况而定，默认为0.1，可以使用蚁群、粒子群等寻优算法寻找最优的平滑因子，此时需要使用类似损失函数的公式计算出实测值和预测值的均方误差mse，从而找到最优的平滑因子。常用的损失函数有均方误差mse、平均绝对误差mae、均方根误差rmse、平均偏差误差mbe、huber损失、交叉熵ce、二元交叉熵bce等。
[0130]
求和层：求和层中使用两种类型神经元进行求和。
[0131]
一类的计算公式为它对所有模式层神经元的输出进行
算术求和，其模式层与各神经元的连接权值为1，传递函数sd为
[0132][0133]
另一类计算公式为它对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值y
ij
为第i个输出样本yi中的第j个元素，传递函数s
nj
为
[0134][0135]
输出层：输出层中的神经元数目等于学习样本中输出向量(y1,y2,...,yk)的维数 k，各神经元将求和层的输出相除，神经元j的输出对应估计结果的第j个元素，即
[0136]
yj＝s
nj
/sdj＝1,2,
…
,k
[0137]
4.2以绞刀压力cp预测为例来介绍(见图2)
[0138]
a1.目的
[0139]
对当前时刻前m秒的绞刀压力数据，使用grnn预测下一秒或者下n秒的数据。
[0140]
a2.数据准备
[0141]
时间序列数据：当前时刻前m秒数据x
t
＝(t1,t2,...,tm)，具体数值比如 (14:12:15,14:12:16,14:12:17,......)，小括弧内总共m个数据，14:12:15表示14时 12分15秒；
[0142]
绞刀压力数据：当前时刻前m秒实测数据y
cp
＝(cp1,cp2,...,cpm)，具体数值比如(7.1,7.5,6.8,......)，小括弧内总共m个数据，7.1表示绞刀压力传感器实际测量值。
[0143]
学习样本数据：将时间序列数据和绞刀压力数据进行组合，得到如下一组数据((t1,cp1),(t2,cp2),(t3,cp3),......)，其中(t1,cp1)称为一个学习样本，样本总数为m。
[0144]
a3.grnn网络学习及预测
[0145]
虽然没有模型参数需要训练，但是需要通过grnn对学习样本数据进行网络学习，从而得到预测模型，具体如下：
[0146]
网络学习的输入：即学习样本中输入向量(x1,x2,...,x
m1
)，此处指的是时间序列数据x
t
；
[0147]
网络学习的输出：即学习样本中输出向量(y1,y2,...,yk)，此处指的是绞刀压力数据y
cp
。
[0148]
经过网络学习后得到一个grnn网络net，则预测模型可表示为： y＝grnn(net,x)，其中grnn是预测函数名，net指的是经过网络学习后的grnn 网络，x表示下一秒或者下n秒的时间数据，y表示下一秒或者下n秒的绞刀压力预测数据。
[0149]
当前时刻以后的每一秒都按照上述步骤预测绞刀压力，从而实现在线预测。
[0150]
同理，通过一样的方法学习网络输出左横移速度lss预测值、右横移速度 rss预测值、横移压力sp预测值、右横移绞车油压rop预测值，用于实时提供给步骤5。
[0151]
步骤5滚刀现象判断
[0152]
对预测后的数据进行滚刀现象判断，同时满足以下四个条件，即判定超出安全限制，预测将出现滚刀现象：
[0153]
1)左横移速度lss预测值减去右横移速度rss预测值的数值高于设置值 sdl；
[0154]
2)绞刀压力cp预测值高于其设置的上限值clu；
[0155]
3)横移压力sp预测值高于其设置的上限值slu；
[0156]
4)右横移绞车油压rop预测值低于其设置的下限值rld。
[0157]
判定结果用于步骤6。
[0158]
步骤6控制策略选择(图3)
[0159]
通过步骤5滚刀现象判断，若当前时刻超出安全限制，则通过控制背压调节阀增大背压；若未超出安全限制，则继续向右横移。
[0160]
增大背压后，进行一次滚刀现象判断，若继续超出安全限制，则通过控制横移绞车减小横移速度并通过控制绞刀电机降低绞刀转速；若未超出安全限制，则继续向右横移。
[0161]
减小横移速度并降低绞刀转速后，进行一次滚刀现象判断，若还是超出安全限制，则通过控制台车减小台车进关量并通过控制桥架绞车提升桥架；若未超出安全限制，则继续向右横移。
[0162]
减小台车进关量并提升桥架后，进行一次滚刀现象判断，若仍然超出安全限制，则采取正刀空摆、反刀挖泥的施工方法，此时只向左横移挖泥，不再做滚刀现象判断；若未超出安全限制，则继续向右横移。
[0163]
步骤7反馈控制
[0164]
将步骤6中得到控制策略通过网络交换机传输给控制反馈plc模块，从而通过信号电缆控制背压调节阀、横移绞车、绞刀电机、桥架绞车、台车等绞吸挖泥船疏浚设备。
[0165]
上述这些操作都通过自动控制完成，从而实现克服“滚刀”的智能控制。