郝光杰 俞孟蕻 蘇 貞

（江蘇科技大學電子信息學院 鎮(zhèn)江 212003）

1 引言

耙吸挖泥船疏浚施工過程中，泥沙依靠耙頭挖掘產生，因此耙頭挖掘效果直接影響到疏浚的生產效率［1］。耙頭產量由吸入密度決定，因此對吸入密度建模分析尤為重要［2］。目前所知的耙頭物理模型都基于一定的理想條件，例如保持土質類型不變，施工疏浚環(huán)境不變［3～4］。然而在實際施工中，同一地區(qū)土質類型多樣，所面臨的施工環(huán)境也不確定。因此通過物理建模難以建立有效的耙頭模型。

文獻［5］采用最小二乘法對吸入密度進行擬合，這種方法屬于離線預測，不具有實時性。如果施工工況突然改變，這種測量手段失效。文獻［6］采用遺傳BP 對耙頭建模分析，這種方法存在收斂速度慢，預測精度不高等缺點。

本文提出利用模糊神經網絡（FNN）對耙頭進行數據黑箱建模分析。模糊神經網絡具有映射能力強、自學習及實時處理等優(yōu)點，在軌道電路故障診斷［7］、配電網故障選線［8］以及高速行車時間預測［9］等領域效果明顯。為了提高FNN 模型的泛化性能，有些文獻采用粒子群算法［8］、遺傳算法［10］對FNN 的連接權值和隱含層閾值進行優(yōu)化。但是PSO 算法全局搜索能力有限，容易導致算法的復雜度提高；使用遺傳算法容易產生早熟，局部最優(yōu)等問題。在本文中采用蝙蝠算法［7］對FNN 進行優(yōu)化，這種方法容易實現，與粒子群算法相比，結構簡單，收斂性能更好。

2 耙頭產量分析

2.1 疏浚數據分析

影響疏浚產量的因素一般可分為外界因素和內部因素［11］。外界因素主要為外界環(huán)境，例如風浪、沙床分布、土壤類型等［2，12］。內部因素耙頭部分取決于耙頭吸入密度，而吸入密度的大小又取決于高壓沖水、泥泵轉速、波浪補償器行程等影響因子。根據施工人員現場經驗與文獻［13］，本文選擇了以泥泵轉速、航速、高壓沖水與對地角度以及吸入流量5 個輸入量對吸入密度進行建模預測，如圖1所示。

圖1 耙頭模型示意圖

2.2 數據預處理

疏浚數據集為耙吸挖泥船從航行、挖泥裝艙到拋泥整個流程，而我們所需的數據集主要集中在挖泥裝艙階段，需要對數據集進行有效整理，例如設置邊界條件，考慮耙頭吸入密度大于1 ton/m3以及正常施工時航速和泥泵轉速的大小進行綜合考慮，剔除無效數據。

施工數據采集于耙吸挖泥船各種不同的傳感器和控制器，采集數據之間差異較大，量綱不一。為了避免數據大小對預測結果造成影響，對數據集進行歸一化和標準化處理。

3 T-S 模糊神經網絡

3.1 系統(tǒng)結構

T-S 模糊神經網絡是一種if—then模糊規(guī)則來描述非線性系統(tǒng)的方法［7～8］，具體結構如圖2所示。

圖2 T-S神經網絡圖

T-S 型模糊神經網絡包括前件網絡和后件網絡。前件網絡分為4 層，第一層是將輸入量x=(x1,x2,…xn) 傳送到第二層，該層節(jié)點數為N1=n。

式中，cij、σij為隸屬度函數的中心與寬度。

第三層為規(guī)則層，節(jié)點總數為N3=m，每一個節(jié)點代表一條模糊規(guī)則，它是用來匹配模糊規(guī)則的前件，計算出每條規(guī)則的適應度，即

3.2 學習算法

式中β＞0為學習效率。

3.3 蝙蝠算法優(yōu)化FNN模型構建

蝙蝠算法（BA）是一種高效的生物啟發(fā)式算法，它的原理是模擬蝙蝠利用聲吶來探測獵物［14～15］。這種算法全局搜索能力強，結構簡單參數少，容易設置它的實現流程如下。

1）設置蝙蝠初始種群個數為n，最大脈沖音量為Amax，最大脈沖率為Rmax，搜索脈沖頻率范圍［Fmin，Fmax］，音量衰減率為β，搜索頻率的增強系數為μ，最大迭代次數設置為Nmax。

2）隨機對蝙蝠的位置Xi進行初始化，計算當前適應度的好壞來尋找最優(yōu)解Xbest。

3）每一代蝙蝠個體的搜索脈沖頻率、速度和位置按以下方式進行更新：

式中：β和μ的取值范圍為（0，1），一般設置為0.9。

6）對n 個蝙蝠個體的適應度值進行排序，找到當前最優(yōu)解。

7）重復步驟2）～6），直到滿足最大的迭代次數，得到最優(yōu)連接權值和隱含層閾值。。

4 仿真實驗與分析

4.1 數據來源

實驗數據來源于長江口施工，數據點每間隔30s 采集一次。對疏浚數據進行預處理，得到12 個周期共4300 條數據，將其中10 個周期作為訓練數據，剩余兩個周期的數據作為測試數據。圖3 給出了一個周期原始吸入密度數據分布圖，共300 個點，時間為150min；其中挖泥裝艙階段數據點分布在［50，240］，共190個樣本點，時間為95min。

圖3 原始數據分布圖

為了使BA-FNN 耙頭產量模型的預測性能更具有說服力，采用BP、FNN 進行實驗仿真對比，并采用平均誤差作為評價指標對預測結果進行衡量。

4.2 實驗結果分析

實驗中設置BP輸入層神經元個數為5，隱含層神經元個數為12，輸出層個數為1；模糊神經網絡結構采用5-12-1，蝙蝠算法初始化種群為30，最大迭代次數設置為1000，蝙蝠脈沖響度Amax為0.6，最大脈沖率為Rmax為0.6，其中搜索脈沖頻率范圍設置為［0，2］。下面給出了兩個周期吸入密度預測結果如圖4、圖5所示。

圖4 周期1吸入密度預測

圖5 周期2吸入密度預測

圖4 為第1 個周期內3 種預測方法對左、右耙頭產量進行預測的效果圖以及誤差對比圖。第1周期為74個采樣點，即耙吸挖泥船工作37min的耙頭產量，從圖4 中可以發(fā)現BP 神經網絡的預測效果最差，FNN學習速度更快，泛化性能好于BP神經網絡；通過對FNN 連接權值和隱含層閾值使用蝙蝠算法進行優(yōu)化，FNN 預測效果得到了提升；在BP、FNN 以及BA-FNN 三者的預測效果上看，BA-FNN 預測效果相對于其他兩種算法來說，預測效果更好，模型誤差更小。圖5 為第2 周期（一共70 個點，共計30min）耙頭產量的預測效果圖以及預測誤差對比圖。其中BP 預測效果不佳，預測誤差也比較大，BA-FNN 預測效果比較明顯。從實驗訓練時間來看，單個預測模型中BP用時最長，大約為900s，FNN 訓練時間大約為560s；BA—FNN 的訓練時間最短為435s。對3 種預測方法的平均誤差進行統(tǒng)計，兩個周期左、右耙頭預測模型平均誤差如表1所示。

表1 各周期預測模型的平均誤差

通過表1 可以看出，BA-FNN 的平均誤差最小，預測精度高，經過上述兩個周期的驗證分析，結合實際的疏浚施工經驗，上述BA-FNN預測模型產生的誤差滿足在疏浚要求的合理范圍之內，因此該方法可運用于耙吸挖泥船耙頭模型吸入密度的預測。

5 結語

1）使用蝙蝠算法解決了傳統(tǒng)神經網絡收斂速度慢，預測精度低的問題，優(yōu)化T-S 模糊神經網絡的參數，得到了T-S 模糊神經網絡參數最優(yōu)組合，克服了傳統(tǒng)模糊神經網絡參數確定難度大的問題，改善了模糊神經網絡的泛化能力和自學習能力。

2）針對耙頭產量進行分析，對吸入密度進行預測，并且借鑒于以往的研究成果，提出了蝙蝠算法優(yōu)化T-S 模糊神經網絡的方法對耙頭吸入密度進行預測。實驗結果表明采用BA-FNN 具有收斂速度快，預測精度高的優(yōu)點，該方法在輸出穩(wěn)定性、收斂性和預測精度上也優(yōu)于T-S 模糊神經網絡。證明了采用BA-FNN對吸入密度預測精度更好，并驗證了該方法在耙吸挖泥船耙頭中預測吸入密度的可行性。該方法可以作為耙頭產量吸入密度預測的一種技術手段，并為耙吸挖泥船耙頭產量分析提供了一種科學有效的方法。