(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111401722.4 (22)申请日 2021.11.19 (71)申请人 江苏科技大学 地址 212100 江苏省镇江市丹徒区长晖路 666号 (72)发明人 苏贞　王伟　朱广峰　姚尧　 俞孟蕻　袁伟　周泊龙　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 代理人 徐澍 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/10(2020.01) (54)发明名称 一种挖泥船施工参数的闭环实时反演方法 (57)摘要 本发明公开了一种挖泥船施工参数的闭环 实时反演方法， 包括： 模 型结构确立； 准备训练样 本； 循环神经网络模型构建； 网络结构 优化； 预测 性能评估。 本发 明通过正演网络计算挖泥船疏浚 瞬时产量， 运用反演网络从历史施工数据中反演 出挖泥船施工参数， 闭环网络结构的加入在模型 训练过程中进一步减小了计算结果与实测值之 间的误差， 即使在小样本参数反演预测中也可取 得较好的预测结果， 提高了训练样本的利用效 率。 本方法通过运用闭环循环神经网络实时反演 挖泥船施工参数， 解决了传统施工过程中无法合 理、 全面利用历史数据对挖泥船施工参数进行合 理控制， 从而保证挖泥船始终运行在疏浚效率最 优阶段， 实时性 好、 精度高、 稳定性强。 权利要求书3页 说明书8页 附图6页 CN 114065639 A 2022.02.18 CN 114065639 A 1.一种挖泥船施工参数的闭环实时反演方法， 其特 征在于， 包括以下步骤： S1、 模型结构确立： 采用瞬时疏浚产量最大化作为挖泥船获得最佳疏浚效率的评价指 标， 同时筛选出施工过程中可能影响挖泥船疏浚效率的施工参数， 确定本发明中所涉及到 的正演网络及反演网络的初始输入、 输出 结构； S2、 准备训练样本： 所述训练样本包括挖泥船施工参数数据、 疏浚过程中所得密度、 流 速数据； 所述密度、 流速作为疏浚过程参数， 可通过简单数学运算得到挖泥船瞬时疏浚产 量； 所述各施工参数数据及疏浚过程数据均由船上传感器实时采集得到， 通过对采集数据 进行预处理， 得到最佳 疏浚过程对应的标准施工参数反演数据集； S3、 循环神经网络模型构建： 所述网络结构为 闭环结构， 采用循环神经网络方法， 对训 练样本集进行学习， 得到挖泥船施工参数到最佳疏浚过程参数 的正演网络， 最佳疏浚过程 参数到挖泥船施工参数的反演网络； S4、 网络结构优化： 使用步骤S2中得到的标准施工参数反演数据集， 基于步骤S3构 建的 正演网络与反演网络， 采用增加注意力机制方法对正演网络预测 性能进行优化， 采用全局 优化算法对反演网络的模型结构超参数进 行调节， 依据训练过程中产生的闭环网络联合损 失函数， 自适应调节正演网络与反演网络的权 重矩阵和偏置系数； S5、 预测性能评估： 首先使用步骤S4中训练后的反演网络对疏浚过程参数进行反演， 得 到施工参数预测结果； 然后将施工参数预测结果导入S4中训练得到的正演网络， 得到疏浚 过程参数预测结果， 使用该疏浚过程参数计算出此时预测瞬时疏浚产量， 若该预测瞬时疏 浚产量数据与实测瞬时疏浚产量数据的误差值越小， 则 说明施工参数反演结果精度越高， 反之， 则表明该闭环实时反演方法预测精度不佳， 不能在挖泥船施工参数反演预测研究中 进行适应性匹配。 2.根据权利要求1所述的一种挖泥船施工参数的闭环实时反演方法， 其特征在于， 所述 的S1包括以下步骤： S11、 参考国内外挖泥船疏浚领域研究成果， 选取瞬时疏浚产量大小作为疏浚过程中挖 掘性能评价指标进行疏浚效率评判， 同时依据瞬时疏浚产量定义将此过程中涉及到的疏浚 过程参数作为反演网络的输入结构参数， 反演网络 输出结构参数的确定方法与之类似； S12、 正演网络的输入、 输出 结构确定仅需将反演网络的输入、 输出 结构进行调换。 3.根据权利要求1所述的一种挖泥船施工参数的闭环实时反演方法， 其特征在于， 所述 的S2包括以下步骤： S21、 确定本发明中所涉及到的各个施工参数及疏浚过程参数的取值范围， 筛选出其中 所包含的疏浚效率最优阶段的数据样本； S22、 对施工过程中船上传感器采集得到的施工参数数据和疏浚过程数据进行异常值 处理， 消除因传感器特性和海面 风浪流扰动引入的数据误差； S23、 采用灰色关联度方法， 对S12中初步选定的施工参数进行特征提取， 降低正演网络 和反演网络 输入输出 结构的复杂度； S24、 对特征提取后保留施工参数数据和疏浚过程数据进行归一化处理， 消除不同类型 数据之间的量纲影响， 构成标准施工参数实时反演数据集。 4.根据权利要求3所述的一种挖泥船施工参数的闭环实时反演方法， 其特征在于， 所述 的疏浚施工过程中各参数的取值范围可参照施工手册进行约束， 避免在数据样本中引入轻权　利　要　求　书 1/3 页 2 CN 114065639 A 2载航行、 重载航行等非施工 工况数据。 5.根据权利要求1所述的一种挖泥船施工参数的闭环实时反演方法， 其特征在于， 所述 的S3包括如下步骤： S31、 采用留出法按4:1的比例， 将挖泥船标准施工参数实时反演数据集划分为训练样 本和测试样本； S32、 所述正演网络由一个输入层、 多个隐藏层、 一个输出层构成； 施工参数通过输入层 进行输入， 多层隐藏层对施工参数特征进行充分提取， 并通过输出层对疏浚过程参数实现 精准回归预测； S33、 所述反演网络由一个输入层、 一个隐藏层、 一个输出层构成； 通过减少隐藏层层 数， 降低反演网络的复杂度， 达 到实时、 快速反演施工参数的目的。 6.根据权利要求5所述的一种挖泥船施工参数的闭环实时反演方法， 其特征在于， 所述 的正演网络和反演网络所采用的循环神经网络结构均为递归神经网络RNN、 长短记忆神经 网络LSTM、 门控循环神经网络GRU中的一种或多种复合而成。 7.根据权利要求1所述的一种挖泥船施工参数的闭环实时反演方法， 其特征在于， 所述 的S4包括以下步骤： S41、 所述注意力机制增加于正演网络中隐藏层的最后一层， 所述全局优化算法增加于 反演网络隐藏层中的首层； S42、 根据 使用训练样本中实测瞬时疏浚产量数据优化正演网络中 的连接权重， 式中WF为正演神经网络连接权重， m表示训练样本的数目， yi为实测瞬时疏浚产 量数据， 为预测瞬时疏浚产量数据； 根据 使用训练样本中实际施工 参数数据优化反演网络中的连接权重， 式中WI为反演神经网络连接权重， yi*为实测施工参 数， 为预测施工参数， 在此基础上根据闭环正演网络和反演网络联合损失函数 对闭环网络结构进行优化， 通过调 节λ1、 λ2、 λ3来平衡损失函数中的各项； 式中 为测试样本 中瞬时疏浚 产量数据的闭环一致损失函数， 其中n表示测试样本的数目， yo表示测试样本中瞬时疏浚产 量数据， 表示测试集上反演网络预测所得施工参数数据代入正演网络预测得到的疏浚过 程瞬时疏浚产量数据； 为训练样本中瞬时疏浚产量数据的 闭环一 致损失函数， 其中， 表示训练集上反演网络预测所得施工参数数据代入正演网络预测得 到的疏浚过程瞬时疏浚产量数据； 为训练样本中施工参数数据的闭 环一致损失函数， 其中， 表示训练集上正演网络预测所得疏浚过程瞬时疏浚产量数据代 入反演网络预测得到的施工参数 数据；权　利　要　求　书 2/3 页 3 CN 114065639 A 3