21级学硕王浩《数据驱动的绞吸船横移挖掘过程建模及自学习控制研究》
文摘
科技
2024-04-29 21:18
江苏
![]()
绞吸船作为疏浚行业的主要装备之一，在江河湖库清淤及港口航道建设等工程中应用十分广泛。目前，绞吸船在挖掘作业过程中仍需要驾驶人员长时间手动操作控制绞刀横移速度，工作强度大、经验依赖性强，导致疏浚效率低，容易引发安全生产事故。![]()
因此，为了提高绞吸船的自主化、智能化水平，本文的主要研究内容如下：
（1）针对历史施工数据集中特征参数众多且存在冗余的问题，本文对挖掘作业过程进行了详细分析，并提出了基于深度学习的特征提取方法。对此，首先对绞吸船的挖掘作业过程进行分析得到特征参数子集，然后采用Spearman方法剔除相互冗余的特征，最后采用随机森林算法计算特征重要性进一步缩小特征子集，实现了对原始数据集的特征提取。
![]()
图3 特征重要性计算
（2）针对实时采集数据中由于传感器故障导致数据缺失、电子设备和传感器之间电磁干扰以及浓度计安装位置导致测量值滞后于真实值等问题，本文首先采用极大似然估计的方法对缺失数据进行检测和填充，然后采用Gaussian滤波算法消除了传感器的测量噪声，最后从管道水力输送原理出发，采用流速积分方法解决了浓度参数的滞后问题，实现了对原始数据的预处理。
（3）针对挖掘作业过程复杂难以通过机理分析进行建模的难题，本文采用数据驱动的方法建立了挖掘作业状态预测模型，实现了在当前状态和动作下精确预测下一时刻的状态。对此，分别采用时序网络及自注意力网络对挖掘作业状态进行预测，然后采用均方根误差及拟合度等指标评价模型预测精度选择最佳预测网络，最终选择SA-Informer网络作为挖掘作业状态预测模型。![]()
图6 Informer结构示意图
（4）针对绞吸船挖掘作业具有非线性、不确定性等问题，本文采用考虑安全约束的深度强化学习算法控制绞刀横移速度。对此，首先采用深度确定性策略梯度（DDPG）算法对横移速度进行控制，为增加算法探索性又采用软演讲者-评论家（SAC）算法进行对比实验，并采用优先经验回放机制对SAC算法进行改进。实验结果表明，改进的SAC算法在保证了设备安全的前提下提高了疏浚产量。![]()
（5）通过将以上研究内容进行整合，开发了数据驱动的绞吸船离线学习及辅助决策软件。该软件通过定期导入历史施工数据并进行离线学习，最终实现在任意挖掘状态下能够实时输出最优控制策略，对驾驶员的决策起到辅助作用。
图8 数据驱动的绞吸船离线学习及辅助决策软件界面
综上所述，本文采用数据驱动的方法建立了挖掘作业状态预测模型，解决了理论模型难建立的难题，并采用深度强化学习算法对绞刀横移速度进行控制，与人工手动控制相比不仅保证了设备的安全，而且提高了疏浚产量。![]()
