泥浆浓度预测模型的构建方法和挖泥船泥浆浓度监测方法与流程

1.本公开涉及港口与航道工程技术领域，具体地涉及一种泥浆浓度预测模型的构建方法和挖泥船泥浆浓度监测方法、装置。


背景技术：

2.挖泥船泥浆浓度的准确测量是疏浚系统优化、控制和决策的关键依据。精确的实时泥浆浓度预测将能有效控制挖泥船的安全稳定经济运行、提升整体疏浚效率。但疏浚土质的不确定性、施工工况的多源性、多相流的复杂性、控制参数的非线性等导致管道中的泥浆浓度呈非均匀化流动，难以获得准确的测量数值。目前，挖泥船的浓度测量一般采用放射源浓度计。
3.目前，在疏浚船舶作业中，普遍采用基于放射源浓度计的泥浆浓度测量方法，实时测量泥浆浓度。但该方法由于依赖于放射性物质，存在威胁作业人员身体健康，以及对自然环境造成破坏的风险。且除基于放射源浓度计之外的泥浆浓度测量方法，存在测量浓度准确率较低的问题，并不能应用于工程实践中。


技术实现要素：

4.鉴于上述问题，本公开提供了泥浆浓度预测模型的构建方法和挖泥船泥浆浓度监测方法、装置。
5.根据本公开的第一个方面，提供了一种泥浆浓度预测模型的构建方法，包括：
6.获取训练样本，其中，上述训练样本包括第一样本数据集和与上述第一样本数据集对应的样本泥浆浓度，上述第一样本数据集包括挖泥船的数据采集装置在作业过程中采集的样本作业数据；
7.利用上述训练样本分别训练n个初始子模型中的每个，得到训练后的n个候选子模型和每个上述候选子模型各自的第一预测值，其中n≥2；
8.根据n个上述候选子模型各自的第一预测值，确定n个上述候选子模型中每两个上述候选子模型的相关属性信息；
9.根据n个上述候选子模型和每两个上述候选子模型的相关属性信息，构建第一预测模型，其中，上述第一预测模型包括m个目标子模型，上述目标子模型从n个上述候选子模型中确定，n≥m≥2；
10.利用第二样本数据集训练第二初始模型，得到训练后的第二预测模型，其中，上述第二样本数据集包括m个上述目标子模型的第一预测值；
11.根据上述第一预测模型和上述第二预测模型，构建泥浆浓度预测模型。
12.本公开的第二方面提供了一种挖泥船泥浆浓度监测方法，包括：
13.获取作业数据集，其中，上述作业数据集包括挖泥船的数据采集装置在作业过程中采集的目标作业数据；
14.将上述作业数据集中的目标作业数据输入至泥浆浓度预测模型，得到泥浆浓度预
测值，其中，上述泥浆浓度预测模型由上述的泥浆浓度预测模型的构建方法构建得到的。
15.本公开的第三方面提供了一种泥浆浓度预测模型的构建装置，包括：
16.训练样本获取模块，用于获取训练样本，其中，上述训练样本包括第一样本数据集和与上述第一样本数据集对应的样本泥浆浓度，上述第一样本数据集包括挖泥船的数据采集装置在作业过程中采集的样本作业数据；
17.第一训练模块，用于利用上述训练样本分别训练n个初始子模型中的每个，得到训练后的n个候选子模型和每个上述候选子模型各自的第一预测值，其中n≥2；
18.确定模块，用于根据n个上述候选子模型各自的第一预测值，确定n个上述候选子模型中每两个上述候选子模型的相关属性信息；
19.第一构建模块，用于根据n个上述候选子模型和每两个上述候选子模型的相关属性信息，构建第一预测模型，其中，上述第一预测模型包括m个目标子模型，上述目标子模型从n个上述候选子模型中确定，n≥m≥2；
20.第二训练模块，用于利用第二样本数据集训练第二初始模型，得到训练后的第二预测模型，其中，上述第二样本数据集包括m个上述目标子模型的第一预测值；
21.第二构建模块，用于根据上述第一预测模型和上述第二预测模型，构建泥浆浓度预测模型。
22.本公开的第四方面还提供了数据获取模块，用于获取作业数据集，其中，上述作业数据集包括挖泥船的数据采集装置在作业过程中采集的目标作业数据；
23.预测模块，用于将上述作业数据集中的目标作业数据输入至泥浆浓度预测模型，得到泥浆浓度预测值，其中，上述泥浆浓度预测模型由上述的泥浆浓度预测模型的构建方法构建得到的。
附图说明
24.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
25.图1示意性示出了根据本公开实施例的挖泥船泥浆浓度监测方法、装置的应用场景图；
26.图2示意性示出了根据本公开实施例的泥浆浓度预测模型的构建方法的流程图；
27.图3示意性示出了根据本公开另一实施例的泥浆浓度预测模型的构建方法的流程图；
28.图4示意性示出了根据本公开实施例的又一实施例的泥浆浓度预测模型的构建方法的流程图；
29.图5示意性示出了根据本公开实施例的挖泥船泥浆浓度监测方法的流程图；
30.图6示意性示出了根据本公开实施例的挖泥船泥浆浓度监测方法的应用场景图；
31.图7示意性示出了根据本公开实施例的消除目标作业数据时滞问题的示意图；
32.图8a示意性示出了本公开实施例目标子模型之间的皮尔森相关系数的统计结果图；
33.图8b示意性示出了根据本公开实施例的泥浆浓度预测模型的测量结果示意图；
34.图9示意性示出了根据本公开实施例的泥浆浓度预测模型的构建装置的结构框
图；
35.图10示意性示出了根据本公开实施例的挖泥船泥浆浓度监测装置的结构框图；以及
36.图11示意性示出了根据本公开实施例的适于实现泥浆浓度预测模型的构建方法、挖泥船泥浆浓度监测方法的电子设备的方框图。
具体实施方式
37.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
38.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
39.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
40.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
41.在疏浚船舶作业中，普遍采用基于放射源浓度计的泥浆浓度测量方法，实时测量泥浆浓度。但该方法由于依赖于放射性物质，存在威胁作业人员身体健康，以及对自然环境造成破坏的风险。
42.随着计算机技术的发展，人工智能(ai)技术为工程领域的数字化趋势创造了新的机遇。人工智能技术是一种通过符号运算和符号结构知识库来模拟人类认知能力的计算方法，在智能识别、安全检测、故障预警等方面得到广泛应用。随着基于人工智能的数据分析技术在疏浚工程中的综合应用，可以实现数据驱动与知识导向的有机结合，是疏浚流程精细化以及疏浚控制智能化的关键基石。
43.但是针对挖泥船泥浆浓度测量的人工智能技术多使用单一算法进行预测，由于实际工程中泥浆浓度存在随机性，导致目前基于人工智能技术的泥浆浓度测量方法缺乏泛化性，不能广泛应用于工程实践中。
44.基于上述问题本公开的实施例提供了一种泥浆浓度预测模型的构建方法和挖泥船泥浆浓度监测方法，利用人工智能技术的优势，在物理传感器监测大数据的基础上混合集成多种算法模型，为泥浆浓度的监测提供一种环保、准确、稳定的方法。
45.本公开的实施例提供了一种泥浆浓度预测模型的构建方法，包括：
46.获取训练样本，其中，训练样本包括第一样本数据集和与第一样本数据集对应的样本泥浆浓度，第一样本数据集包括挖泥船的数据采集装置在作业过程中采集的样本作业
数据；利用训练样本分别训练n个初始子模型中的每个，得到训练后的n个候选子模型和每个候选子模型各自的第一预测值，其中n≥2；根据n个候选子模型各自的第一预测值，确定n个候选子模型中每两个候选子模型的相关属性信息；根据n个候选子模型和每两个候选子模型的相关属性信息，构建第一预测模型，其中，第一预测模型包括m个目标子模型，目标子模型从n个候选子模型中确定，n≥m≥2；利用第二样本数据集训练第二初始模型，得到训练后的第二预测模型，其中，第二样本数据集包括m个目标子模型的第一预测值；根据第一预测模型和第二预测模型，构建泥浆浓度预测模型。
47.根据本公开的实施例，由于第一预测模型包括m个目标子模型，该m个目标子模型，是根据n个候选子模型中每两个候选子模型的相关属性信息，从n个候选子模型中确定得到的，因此构建得到的第一预测模型可以充分融合不同类型的目标子模型的算法优势。利用包含有m个目标子模型的第一预测值的第二样本数据集训练第二初始模型，得到训练后的第二预测模型，可以使第二预测模型充分学习不同类型的目标子模型的算法优势，从而使根据第一预测模型和第二预测模型构建的泥浆浓度预测模型可以充分发挥不同目标子模型中算法的训练原理差异，提升泥浆浓度的预测准确率，且可以扩展该泥浆浓度预测模型在工程实践中的应用范围。
48.本公开的实施例还提供了一种挖泥船泥浆浓度监测方法，包括：
49.获取作业数据集，其中，所述作业数据集包括挖泥船的数据采集装置在作业过程中采集的目标作业数据；将所述作业数据集中的目标作业数据输入至泥浆浓度预测模型，得到泥浆浓度预测值，其中，所述泥浆浓度预测模型由上述的泥浆浓度预测模型的构建方法构建得到的。
50.根据本公开的实施例，将布置在挖泥船的数据采集装置在作业过程中采集的目标作业数据作为作业数据集，输入至泥浆浓度预测模型中，从而得到泥浆浓度预测值，可以避免使用相关技术中，基于放射源浓度计的泥浆浓度测量方法，在提升测量浓度准确率的同时避免使用含有放射性的装置或设备进行测量，避免了针对作业环境的环保风险和针对作业人员的健康风险。
51.图1示意性示出了根据本公开实施例的泥浆浓度预测模型的构建方法和挖泥船泥浆浓度监测方法、装置的应用场景图。
52.如图1所示，根据该实施例的应用场景100可以包括挖泥船101、网络102和服务器103。网络102用以在挖泥船101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
53.挖泥船101是具有疏浚工程作业功能的工程作业船舶，挖泥船101可以安装有用于作业过程中的作业数据的作业数据采集设备，例如泥浆吸入管道、泥浆流量检测器等。挖泥船101可以安装有终端设备，该终端设备例如可以是电脑、手机等，相关作业人员可以使用挖泥船101安装的终端设备通过网络102与服务器103交互，以接收或发送消息等。
54.服务器103可以是提供各种服务的服务器，例如对挖泥船101采集的作业数据进行分析的后台管理服务器(仅为示例)。后台管理服务器可以对采集的作业数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
55.需要说明的是，本公开实施例所提供的泥浆浓度预测模型的构建方法和挖泥船泥
浆浓度监测方法一般可以由服务器103执行。相应地，本公开实施例所提供的泥浆浓度预测模型的构建装置和挖泥船泥浆浓度监测装置一般可以设置于服务器103中。本公开实施例所提供的泥浆浓度预测模型的构建方法和挖泥船泥浆浓度监测方法也可以由不同于服务器103且能够与挖泥船101安装的终端设备和/或服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的泥浆浓度预测模型的构建装置和挖泥船泥浆浓度监测装置也可以设置于不同于服务器103且能够与挖泥船101安装的终端设备和/或服务器103通信的服务器或服务器集群中。
56.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
57.以下将基于图1描述的场景，通过图2～图4对公开实施例的泥浆浓度预测模型的构建方法进行详细描述。
58.图2示意性示出了根据本公开实施例的泥浆浓度预测模型的构建方法的流程图。
59.如图2所示，该实施例的泥浆浓度预测模型的构建方法包括操作s210～操作s230。
60.在操作s210，获取训练样本，其中，训练样本包括第一样本数据集和与第一样本数据集对应的样本泥浆浓度，第一样本数据集包括挖泥船的数据采集装置在作业过程中采集的样本作业数据。
61.根据本公开的实施例，挖泥船可以是用于疏浚工程作业工程船舶，挖泥船上可以安装有数据采集装置。在挖泥船作业过程中产生的作业数据可以包括挖泥船的航速、泥浆流速等等。第一样本数据集中的样本作业数据可以是从作业数据中确定的。
62.在操作s220，利用训练样本分别训练n个初始子模型中的每个，得到训练后的n个候选子模型和每个候选子模型各自的第一预测值，其中，n≥2。
63.根据本公开的实施例，初始子模型可以包括基于神经网络算法构建的模型，例如卷积神经网络模型等，但不仅限于此，还可以包括基于时序预测算法构建的模型。本公开的实施例对初始子模型中每个初始子模型的网络结构不做限定。
64.根据本公开的实施例，训练初始子模型的方法可以包括有监督训练，或者还可以包括无监督训练等。本领域技术人员可以根据初始子模型的网络结构特征，选择合适的训练方法。
65.根据本公开的实施例，候选子模型的第一预测值可以是在第一样本数据集中的样本作业数据输入至候选子模型后，输出的泥浆浓度的预测值。n个候选子模型可以输出与n个第一预测值。
66.根据本公开的实施例，可以利用rmse(root mean square error，均方根误差)、mape(mean absolute percentage error，平均绝对百分比误差)等评价指标验证n个候选子模型的训练效果。
67.在操作s230，根据n个候选子模型各自的第一预测值，确定n个候选子模型中每两个候选子模型的相关属性信息。
68.根据本公开的实施例，候选子模型输出的第一预测值与样本标签的差值可以是该候选子模型对于泥浆浓度预测的预测误差。n个候选子模型中，根据候选子模型a与候选子模型b各自的第一预测值，可以确定候选子模型a与候选子模型b的相关属性信息。该相关属性信息可以表征候选子模型a与候选子模型b的相关性。
69.根据n个候选子模型各自的第一预测值，确定n个候选子模型中每两个候选子模型的相关属性信息相关属性信息。该相关属性信息可以表征候选子模型a与候选子模型b的相关性。
70.需要说明的是，两个候选子模型之间的相关属性信息可以基于相关性算法计算得到，例如皮尔森算法、肯德尔算法、斯皮尔曼秩算法等。
71.在操作s240，根据n个候选子模型和每两个候选子模型的相关属性信息，构建第一预测模型，其中，第一预测模型包括m个目标子模型，目标子模型从n个候选子模型中确定，n≥m≥2。
72.根据本公开的实施例，可以根据每两个候选子模型之间的相关属性信息，确定n个候选子模型中，每个候选子模型与其他的候选子模型的相关性程度。因此可以根据相关属性信息，从n个候选子模型中确定m个相关性程度较低的目标子模型，并将该m个目标子模型构建为第一预测模型。
73.在操作s250，利用第二样本数据集训练第二初始模型，得到训练后的第二预测模型，其中，第二样本数据集包括m个目标子模型的第一预测值。
74.根据本公开的实施例，第二初始模型可以是基于神经网络算法构建的模型，例如多层感知机(multi-layer perception，mlp)模型等。可以将m个目标子模型各自的第一预测值作为第二样本数据集，训练第二初始模型，从而使第二初始模型可以充分学习多个目标子模型的算法差异性，使训练后的第二预测模型可以提高泥浆浓度的预测精度，即提升泥浆浓度的预测准确率。
75.在操作s260，根据第一预测模型和第二预测模型，构建泥浆浓度预测模型。
76.根据本公开的实施例，构建得到的泥浆浓度预测模型可以包括顺序连接的第一预测模型和第二预测模型。
77.根据本公开的实施例，由于第一预测模型包括m个目标子模型，该m个目标子模型，是根据n个候选子模型和每两个候选子模型的相关属性信息，从n个候选子模型中确定得到的，因此构建得到的第一预测模型可以充分融合不同类型的目标子模型的算法优势。利用包含有m个目标子模型的第一预测值的第二样本数据集训练第二初始模型，得到训练后的第二预测模型，可以使第二预测模型充分学习不同类型的目标子模型的算法优势，从而使根据第一预测模型和第二预测模型构建的泥浆浓度预测模型可以充分发挥不同目标字模型中算法的训练原理差异，提升泥浆浓度的预测准确率，且可以扩展该泥浆浓度预测模型在工程实践中的应用范围。
78.图3示意性示出了根据本公开另一实施例的泥浆浓度预测模型的构建方法的流程图。
79.如图3所示，该实施例的泥浆浓度预测模型的构建方法还包括操作s310～操作s320。
80.在操作s310，获取数据采集装置在作业过程中采集的历史作业数据。
81.在操作s320，将历史作业数据输入至数据筛选模型，输出样本作业数据。
82.根据本公开的实施例，耙吸挖泥船在作业过程中可以吸入港口、航道中的泥浆，数据采集装置例如可以是安装在耙吸挖泥船的传感器、等检测设备，通过传感器检测作业过程中的历史数据作为历史作业数据。但采集的历史数据直接用于训练初始子模型会造成资
源浪费，因此需要选择历史作业数据中与泥浆浓度相关性较高的特征数据用于训练初始子模型。
83.根据本公开的实施例，可以采用最小绝对收缩和选择算法(lasso算法)构建数据筛选模型，根据lasso算法对耙吸挖泥船的检测到的历史作业数据进行筛选，得到与泥浆浓度相关性较高的特征数据，但部分特征数据之间相关性较高，需要从物理意义出发进行二次筛选，例如，拖头的“冲水压力”和“高压冲水压力”都是反映拖头高压喷嘴破断能力的数据。去除相关性较高的特征数据后可以得到包含“耙吸挖泥船对地航速”、“吸口吃水”、“耙冲水压力”、“流量”、“泥泵功率”、“泥泵效率”、“吸入真空度”、“排出压力”等8个历史作业数据作为第一数据集中的样本作业数据。
84.由于耙吸挖泥船管道中检测设备的安装位置限制，泥浆浓度将延迟某一时段才能观测到，历史作业数据存在时滞问题。即可消除因现有检测设备位置限制引起的时滞问题，为后续的数学建模提供了准确的数据保证。
85.消除历史作业数据存在的时滞问题例如可以通过以下方法。
86.通过积分方法消除由于现有放射性浓度计的安装位置导致的时滞问题。假设吸泥管的长度和管径为ls和ds，排泥管的长度和管径为ld和dd。第i个数据的序号用ni，1表示，其对应的时间为ti，1，浆液密度为d(ni，1)，管道中的浆液流速为v(ni，1)，则吸泥管中的泥浆流速为：
[0087][0088]
寻找n
i，2
和n
i，3
满足：
[0089][0090]
其中，δt为相邻数据的时间间隔，序号n
i，1
，n
i，2
和n
i，3
分别对应数据系列中的时间t
i，1
，t
i，2
，t
i，3
，如果浓度值d(n
i，1
)向前移动时间差t
i，3-t
i，1
，则：
[0091]
d(n
i，1
)＝d(n
i，3
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0092]
图4示意性示出了根据本公开实施例的又一实施例的泥浆浓度预测模型的构建方法的流程图。
[0093]
如图4所示，泥浆浓度预测模型的构建方法还可以包括操作s410～操作s440。
[0094]
在操作s410，获取测试样本，其中，测试样本包括测试样本数据集和与测试样本数据集对应的测试样本泥浆浓度，测试样本数据集包括挖泥船的数据采集装置在作业过程中采集的测试样本作业数据。
[0095]
在操作s420，将测试样本数据集分别输入至n个候选子模型中的每个，得到与每个候选子模型对应的测试预测值。
[0096]
在操作s430，根据测试样本泥浆浓度和与每个候选子模型对应的测试预测值，确定n个候选子模型中每个候选子模型的预测评价指标。
[0097]
在操作s440，在每个候选子模型的预测评价指标满足预设评价规则的情况下，将n
个候选子模型确定为训练后的n个候选子模型。
[0098]
根据本公开的实施例，测试样本数据集可以是与第一样本数据集具有相同类型的数据集，测试预测值可以是候选子模型针对泥浆浓度的预测值，根据测试预测值和测试样本泥浆浓度可以确定候选子模型针对泥浆浓度的预测效果。
[0099]
根据本公开的实施例，可以利用r2、rmse、mape等评价指标作为预测评价指标，对候选子模型的预测效果进行评价，并选用改进综合指数(isi，improved synthesis index)指标对候选子模型进行综合评价，isi值越小，说明候选子模型的训练效果越好。
[0100]
根据本公开的实施例，通过预测评价指标对候选子模型的预测效果进行评价，并确定满足预设评价规则的候选子模型，可以进一步筛选出能够构建第一预测模型的优选模型，避免候选子模型的预测效果较差而影响泥浆浓度预测模型的预测准确率。
[0101]
根据本公开的实施例，根据n个候选子模型各自的第一预测值，确定n个候选子模型中每两个候选子模型的相关属性信息可以包括如下操作。
[0102]
根据n个候选子模型各自的第一预测值，计算n个候选子模型中每两个候选子模型的皮尔森相关系数；根据皮尔森相关系数确定每两个候选子模型的相关属性信息。
[0103]
根据本公开的实施例，在得到训练后的n个候选子模型后，可以采用皮尔森相关系数对各个模型的相关性差异度进行计算，以此分析不同基学习器的关联程度，选择差异度较大的算法能够最大程度体现不同算法的优势，使得各个差异化模型取长补短。二维向量的皮尔森相关系数可以通过公式(4)表示：
[0104][0105]
公式(4)中，r
xv
为两个候选子模型的皮尔森相关系数，和分别为两个候选子模型各自的第一预测值的平均值。
[0106]
根据本公开的实施例，操作s430，根据皮尔森相关系数确定每两个候选子模型的相关属性信息可以包括如下操作。
[0107]
在皮尔森相关系数小于预设阈值的情况下，将与皮尔森相关系数对应的两个候选子模型的相关属性信息确定为差异属性。
[0108]
根据本公开的实施例，差异属性可以表征与该差异属性对应的两个候选子模型是由差异度较大的算法构建得到的，因此该两个候选子模型能够最大程度体现不同算法的优势，使得各个差异化模型取长补短。
[0109]
根据本公开的实施例，根据n个候选子模型和每两个候选子模型的相关属性信息，构建第一预测模型可以包括如下操作。
[0110]
在n个候选子模型中，每两个候选子模型的误差相关属性信息均为差异属性的情况下，将n个候选子模型确定为n个目标子模型，其中，n＝m≥2；根据n个目标子模型，构建第一预测模型。
[0111]
根据本公开的实施例，在n个候选子模型中，每两个候选子模型的相关属性信息均为差异属性的情况下，可以确定n个候选子模型之间均为差异度较大的的算法构建得到的模型。将n个候选子模型确定为目标子模型，并将n个目标子模型构建为第一预测模型最大
程度体现不同算法的优势，从而提升第一预测模型对于泥浆浓度的预测准确率。基于多个目标子模型构建第一预测模型，可以将目标子模型中弱学习器的偏置或方差结合起来，从而使构建得到的第一预测模型可以集成为强学习器，从而使泥浆浓度预测模型的测量准确率更高，鲁棒性更强。
[0112]
根据本公开的实施例，目标子模型可以包括以下至少一项：
[0113]
长短期记忆神经网络模型(lstm网络模型)、门控循环神经网络模型(gru网络模型)、卷积神经网络模型(cnn网络模型)、全连接神经网络模型(mlp网络模型)、深度置信网络模型(dbn模型)、支持向量回归(svr，support vector regression)模型。
[0114]
根据上述泥浆浓度预测模型的构建方法，本公开的实施例还提供了一种挖泥船泥浆浓度监测方法。
[0115]
以下将基于图1描述的场景，通过图5～图8b对公开实施例的挖泥船泥浆浓度监测方法进行详细描述。
[0116]
图5示意性示出了根据本公开实施例的挖泥船泥浆浓度监测方法的流程图。
[0117]
如图5所示，该实施例的挖泥船泥浆浓度监测方法包括操作s510～操作s520。
[0118]
在操作s510，获取作业数据集，其中，作业数据集包括挖泥船的数据采集装置在作业过程中采集的目标作业数据。
[0119]
在操作s520，将作业数据集中的目标作业数据输入至泥浆浓度预测模型，得到泥浆浓度预测值，其中，泥浆浓度预测模型由上述的泥浆浓度预测模型的构建方法构建得到的。
[0120]
根据本公开的实施例，作业数据集中的目标作业数据可以是布置在挖泥船各部位的数据采集装置，在作业中实时采集的数据。
[0121]
根据本公开的实施例，泥浆浓度监测方法还可以包括如下操作。
[0122]
获取所述挖泥船的数据采集装置在采集过程中采集的初始作业数据；将所述初始作业数据输入至数据筛选模型，输出所述目标作业数据。
[0123]
根据本公开的实施例，数据筛选模型可以包括基于最小绝对收缩和选择算法(lasso算法)构建得到，但不仅限于此，还可以包括基于其他算法构建得到数据筛选模型，例如随机森林算法、递归特征算法、互信息算法等。
[0124]
以下将结合具体实施例对本公开的实施例提供的挖泥船泥浆浓度监测方法进行说明。
[0125]
图6示意性示出了根据本公开实施例的挖泥船泥浆浓度监测方法的应用场景图。
[0126]
如图6所示，初始作业数据610可以是耙吸挖泥船在作业过程中，通过布置在耙吸挖泥船各部位的数据采集装置采集到的作业数据，例如可以包括耙吸挖泥船的船舶作业数据、耙吸挖泥船上泥泵的作业数据等。
[0127]
在本实施例中，可以通过安装在耙吸挖泥船中的scada系统记录了该船作业过程中的作业数据。
[0128]
耙吸挖泥船生成的初始作业数据610具有高纬度的特点，直接对初始作业数据610进行深度学习会造成资源浪费，因此需要将初始作业数据610输入至数据筛选模型620，得到的目标作业数据630是与泥浆浓度相关性较高的作业数据。
[0129]
在本实施例中，数据筛选模型620是基于lasso算法构建得到的，利用lasso算法对
耙吸挖泥船的初始作业数据610进行筛选，得到与泥浆浓度相关性较高的特征数据，但该特征数据之间相关性较高，需要从物理意义出发进行二次筛选，例如，拖头的“冲水压力”和“高压冲水压力”都是反映拖头高压喷嘴破断能力的参数。去除相关性较高的特征数据后得到包含有“耙吸挖泥船对地航速”、“吸口吃水”、“耙冲水压力”、“流量”、“泥泵功率”、“泥泵效率”、“吸入真空度”、“排出压力”8个目标作业数据作为作业数据集。
[0130]
由于耙吸挖泥船管道中检测仪器的安装位置受限，泥浆浓度将延迟某一时段才能观测到，从而使目标作业数据630存在时滞效应。可以利用上述公式(1)至公式(3)，消除因现有检测仪器位置限制引起的数据时滞效应，为后续的泥浆浓度测量模型提供准确的数据。
[0131]
图7示意性示出了根据本公开实施例的消除目标作业数据时滞问题的示意图。
[0132]
如图7所示，实际浓度曲线与浓度监测值曲线存在一定的时间间隔，数据时滞效应的消除为后续泥浆浓度测量模型准确预测泥浆浓度提供有力的保障。
[0133]
目标作业数据630可以输入至泥浆浓度预测模型640。具体地，泥浆浓度测量模型640可以包括第一预测模型641和第二预测模型642，第一预测模型641可以是根据目标子模型6411、6412、6413、6414、6415、6416构建得到的。将的目标作业数据630分别输入至第一预测模型641中的每个目标子模型，可以得到每个目标子模型输出的第一预测值，目标子模型6411、6412、6413、6414、6415、6416输出的六个第一预测值可以作为第二预测模型642的输入数据。
[0134]
在本实施例中，目标子模型6411、6412、6413、6414、6415、6416分别为：lstm网络模型、cnn网络模型、dbn模型、gru网络模型、mlp网络模型和svr模型。第二预测模型642可以是泛化能力强的mlp网络模型，该mlp网络模型可以在模型训练阶段对第一样本数据集的特征进行总结，并修正多种学习算法的偏差。
[0135]
需要说明的是，第一预测模型中每个目标子模型的预测效果可以通过r2(决定性系数)、rmse、mape等评价指标进行评价。具体的评价结果可以通过表一来表示。
[0136]
表一
[0137][0138]
参照表一可知，第一预测模型中每个目标子模型的r2均位于90％以上，其中dbn模型效果最佳，r2达到0.949。
[0139]
由于本公开的实施例中提供的泥浆浓度预测模型是基于混合集成深度学习(hybrid ensemble deep learning，hedl)框架形成的。hedl框架是一种多算法融合的机器学习方法，其优势是将不同的机器学习算法通过不同的方式结合在一起，以此获得比单一算法更优越的性能。在本实施例中，以二维向量的皮尔森相关系数作为两个子模型之间相关性程度的度量，通过目标第一预测模型641中每两个目标子模型之间的皮尔森相关系数，
作为目标子模型之间的预测误差的度量。
[0140]
图8a示意性示出了本公开实施例目标子模型之间的皮尔森相关系数的统计结果图。
[0141]
如图8a所示，第一预测模型641中的目标子模型之间的皮尔森相关系数统计结果显示，目标子模型之间的预测误差相关性差异较大，93.3％的预测误差相关性低于0.8，这是由于目标子模型是基于不同学习原理的算法构建的。其中，lstm模型的预测结果与其他模型的预测误差相关性较低，在0.39-0.44之间。
[0142]
在本实施例中，可以将预设阈值设定为0.83，第一预测模型641中每两个目标子模型之间的皮尔森系数均小于预设阈值。以上模型相关性研究表明各目标子模型之间的差相关属性信息均为差异属性，表征各个目标子模型的预测效果良好且目标子模型模型之间具有较好的差异属性，有利于提升第二层预测模型642的精准预测。
[0143]
第二预测模型642可以充分利用第一预测模型641中不同目标子模型的算法优势，降低单个目标子模型泛化性能不佳的缺陷。
[0144]
对第二预测模型642输出的泥浆浓度预测值进行预测效果评价，评价结果显示第二预测模型的rmse为1.903，mape为0.036，r2为0.974，均优于目标子模型单独作为预测模型时的预测结果，从而表明泥浆浓度预测模型，有效提高了泥浆浓度预测准确率，该泥浆浓度预测模型的多样性和差异性使得学习结果更加稳健和准确。
[0145]
图8b示意性示出了根据本公开实施例的泥浆浓度预测模型的测量结果示意图。
[0146]
如图8b所示，基于本公开实施例提供的泥浆浓度预测模型得到的泥浆浓度预测值(即预测浓度)，与泥浆的实际浓度的曲线整体趋势吻合，泥浆浓度误差小，泥浆浓度预测监测值准确率高，充分表明了泥浆浓度预测模型可以适用于疏浚工程的工程实践中。
[0147]
本公开的实施例提供的泥浆浓度预测模型的构建方法、挖泥船泥浆浓度监测方法打破了现有技术中对于泥浆测量适用性差，准确率低的不足，考虑不同类型算法的训练原理差异和算法原理差异，充分发挥各个目标子模型的优势，为挖泥船泥浆浓度监测提供了新的途径，对疏浚工程建设的智能化、绿色化发展具有重要意义。
[0148]
基于上述泥浆浓度预测模型的构建方法，本公开还提供了一种泥浆浓度预测模型的构建装置。以下将结合图9对该装置进行详细描述。
[0149]
图9示意性示出了根据本公开实施例的泥浆浓度预测模型的构建装置的结构框图。
[0150]
如图9所示，该实施例的泥浆浓度预测模型的构建装置900包括训练样本获取模块910、第一训练模块920、确定模块930、第一构建模块940、第二训练模块950和第二构建模块960。
[0151]
训练样本获取模块910用于获取训练样本，其中，训练样本包括第一样本数据集和与第一样本数据集对应的样本泥浆浓度，第一样本数据集包括挖泥船的数据采集装置在作业过程中采集的样本作业数据。
[0152]
第一训练模块920用于利用训练样本分别训练n个初始子模型中的每个，得到训练后的n个候选子模型和每个候选子模型各自的第一预测值，其中n≥2。
[0153]
确定模块930用于根据n个候选子模型各自的第一预测值，确定n个候选子模型中每两个候选子模型的相关属性信息。
[0154]
第一构建模块940用于根据n个候选子模型和每两个候选子模型的相关属性信息，构建第一预测模型，其中，第一预测模型包括m个目标子模型，目标子模型从n个候选子模型中确定，n≥m≥2。
[0155]
第二训练模块950用于利用第二样本数据集训练第二初始模型，得到训练后的第二预测模型，其中，第二样本数据集包括m个目标子模型的第一预测值。
[0156]
第二构建模块960用于根据第一预测模型和第二预测模型，构建泥浆浓度预测模型。
[0157]
根据本公开的实施例，确定模块可以包括：计算单元和第一确定单元。
[0158]
计算单元用于根据n个候选子模型各自的第一预测值，计算n个候选子模型中每两个候选子模型的皮尔森相关系数；
[0159]
第一确定单元用于根据皮尔森相关系数确定每两个候选子模型的相关属性信息。
[0160]
根据本公开的实施例，第一确定单元包括第一确定子单元。
[0161]
第一确定子单元用于在在皮尔森相关系数小于预设阈值的情况下，将与皮尔森相关系数对应的两个候选子模型的相关属性信息确定为差异属性。
[0162]
根据本公开的实施例，第一构建模块包括：第二确定单元和第一构建单元。
[0163]
第二确定单元用于在n个候选子模型中，每两个候选子模型的相关属性信息均为差异属性的情况下，将n个候选子模型确定为n个目标子模型，其中，n＝m≥2。
[0164]
第一构建单元用于根据n个目标子模型，构建第一预测模型。
[0165]
根据本公开的实施例，泥浆浓度预测模型的构建装置还可以包括：历史作业数据获取单元和筛选单元。
[0166]
历史作业数据获取单元用于获取数据采集装置在作业过程中采集的历史作业数据。
[0167]
筛选单元用于将历史作业数据输入至数据筛选模型，输出样本作业数据。
[0168]
根据本公开的实施例，泥浆浓度预测模型的构建装置还可以包括：测试样本获取模块、测试模块、预测评价指标确定模块和第二确定模块。
[0169]
测试样本获取模块用于获取测试样本，其中，测试样本包括测试样本数据集和与测试样本数据集对应的测试样本泥浆浓度，测试样本数据集包括挖泥船的数据采集装置在作业过程中采集的测试样本作业数据。
[0170]
测试模块用于将测试样本数据集分别输入至n个候选子模型中的每个，得到与每个候选子模型对应的测试预测值。
[0171]
预测评价指标确定模块用于根据测试样本泥浆浓度和与每个候选子模型对应的测试预测值，确定n个候选子模型中每个候选子模型的预测评价指标。
[0172]
第二确定模块用于在每个候选子模型的预测评价指标均大于或等于预测评价阈值的情况下，将n个候选子模型确定为训练后的n个候选子模型。
[0173]
图10示意性示出了根据本公开实施例的挖泥船泥浆浓度监测装置的结构框图。
[0174]
如图10所示，该实施例的挖泥船泥浆浓度监测装置1000可以包括数据获取模块1010、预测模块1020。
[0175]
数据获取模块1010用于获取作业数据集，其中，作业数据集包括挖泥船的数据采集装置在作业过程中采集的目标作业数据。
[0176]
预测模块1020用于将作业数据集中的目标作业数据输入至泥浆浓度预测模型，得到泥浆浓度预测值，其中，泥浆浓度预测模型由上述的泥浆浓度预测模型的构建方法构建得到的。
[0177]
根据本公开的实施例，挖泥船泥浆浓度监测装置还可以包括：初始作业数据获取模块和预测筛选模块。
[0178]
初始作业数据获取模块用于获取挖泥船的数据采集装置在采集过程中采集的初始作业数据。
[0179]
预测筛选模块用于将初始作业数据输入至数据筛选模型，输出目标作业数据。
[0180]
根据本公开的实施例，训练训练样本获取模块910、第一训练模块920、确定模块930、第一构建模块940、第二训练模块950、第二构建模块960、数据获取模块1010和预测模块1020中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，训练训练样本获取模块910、第一训练模块920、确定模块930、第一构建模块940、第二训练模块950、第二构建模块960、数据获取模块1010和预测模块1020中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，训练训练样本获取模块910、第一训练模块920、确定模块930、第一构建模块940、第二训练模块950、第二构建模块960、数据获取模块1010和预测模块1020中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0181]
图11示意性示出了根据本公开实施例的适于实现泥浆浓度预测模型的构建方法、挖泥船泥浆浓度监测方法的电子设备的方框图。
[0182]
如图11所示，根据本公开实施例的电子设备1100包括处理器1101，其可以根据存储在只读存储器(rom)1102中的程序或者从存储部分1108加载到随机访问存储器(ram)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0183]
在ram 1103中，存储有电子设备1100操作所需的各种程序和数据。处理器1101、rom 1102以及ram 1103通过总线1104彼此相连。处理器1101通过执行rom1102和/或ram1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 1102和ram 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0184]
根据本公开的实施例，电子设备1100还可以包括输入/输出(i/o)接口1105，输入/输出(i/o)接口1105也连接至总线1104。电子设备1100还可以包括连接至i/o接口1105的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(crt)、液
晶显示器(lcd)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至i/o接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
[0185]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0186]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 1102和/或ram 1103和/或rom1102和ram1103以外的一个或多个存储器。
[0187]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。
[0188]
在该计算机程序被处理器1101执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0189]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1109被下载和安装，和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0190]
在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0191]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c ，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0192]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0193]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0194]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。