一种基于卷积神经网络的耙吸船能效预测方法

技术特征：
1.一种基于卷积神经网络的耙吸船能效预测方法，其特征在于，包括以下步骤：s1、根据耙吸船工作数据进行工况划分；s2、对经过步骤s1处理后的耙吸船工作数据进行滤波处理；s3、根据步骤s2处理后的耙吸船工作数据构建卷积神经网络能效数据的训练集，建立耙吸船能效的卷积神经网络回归预测模型。2.根据权利要求1所述的一种基于卷积神经网络的耙吸船能效预测方法，其特征在于，所述步骤s1的具体方法为：根据耙吸船工作原理及实船数据的特征，选取泥泵转速n，航速v以及泥浆浓度γ作为工况划分的判断参数，并设置泥泵转速、航速、泥浆浓度阈值n
thr
,v
thr
和γ
thr
，将同时满足n＞n
thr
,v＜v
thr
以及γ＞γ
thr
的工作数据判定为挖泥工况数据。3.根据权利要求2所述的一种基于卷积神经网络的耙吸船能效预测方法，其特征在于，所述步骤s2中滤波方法为：s21、采用均值滤波方法用量测均值代替原耙吸船数据中的各个值，以减少环境噪声对耙吸船工作数据的影响，其公式为：其中，i表示耙吸船的工作参数类别(i＝1,2,...,m)；m为工作参数的个数，工作参数包括泥浆浓度、泥浆密度、泥泵流速、泥浆流量、航速、耙吸船功率；u
i
(j)表示耙吸船第i个工作参数的第j个数据(j＝1,2,...,n)；n为数据的个数；u
i
(j)为u
i
(j)经滤波后的工作数据；k为滤波的步长；其中，耙吸船的工作参数u
i
表示为：u
i
＝(u
i
(1),u
i
(2),...,u
i
(n))滤波后的耙吸船总工作数据集u即为：u＝(u1,u2,...,u
m
)
t
；s22、提取耙吸船能效相关工作参数x
i
以及能效数据y：根据耙吸船工作参数类型可将耙吸船的工作数据z表示为：z＝(x1,x2,...,x
l
,y1,y2,y3,y4)
t
其中，x1＝u1,x2＝u2,...,x
l
＝u
l
代表集合u中除耙吸船功率p、泥浆浓度γ、泥浆密度ρ和泥浆流量q以外的耙吸船能效相关的工作参数(l＝m-4)；y1,y2,y3,y4代表耙吸船能效计算参数，分别为耙吸船功率p、泥浆浓度γ、泥浆密度ρ和泥浆流量q，耙吸船的能效数据y通过上述参数计算，计算公式为：y＝p/γρq提取的工作参数x
i
以及能效数据y作为有效两侧数据集，表示为：x
i
＝(x
i
(1),x
i
(2),...,x
i
(n))y＝(y(1),y(2),...,y(n))。
4.根据权利要求3所述的一种基于卷积神经网络的耙吸船能效预测方法，其特征在于，所述步骤s3中卷积神经网络回归预测模型具体构建方法为：s31、滑窗数据序列选取：从有效量测数据集数据获取当前数据点及后p-1个数据点的数据组成滑窗数据序列，p为滑窗序列的步长，获得的滑窗数据序列记作y
(j)
：x
(j)
为有效量测数据集的全部工作数据在第j个数据点的滑窗序列：将所有数据点的滑窗序列组合得到新数据集x
new
，y
new
：x
new
＝(x
(1)
,x
(2)
,...,x
(n)
)
t
y
new
＝(y
(1)
,y
(2)
,...,y
(n)
)
t
数据集x
new
为n
×
l行p列的矩阵，每l行数据都表示耙吸船在一个数据点及其之后的p-1个数据点上的l个工作参数的实时值，这些数据作为神经网络一个样本的输入；数据集y
new
为n行p列的矩阵，每一行数据都表示耙吸船在一个数据点及其之后的p-1个数据点上的能效值，这些数据作为神经网络一个样本的输出；s32、将样本分为训练集、测试集；其中训练集、测试集占总样本的比例分别为80％、20％，并对其进行归一化处理；s33、构建卷积神经网络模型：所述模型的网络结构由输入层、卷积层、激活函数层以及两个全连接层组成，并设置学习率、激活函数类型、迭代次数、三个超参数；所述输入层输入数据大小为经滤波后的工作参数数量和滑窗序列步长的乘积，即l
×
p；所述卷积层具有16个大小为3
×
3的滤波器，用于提取耙吸船工作数据的特征；所述激活函数层的激活函数选择relu激活函数，其公式为：所述全连接层作为输出层，其单元数等于滑窗序列步长p；s34、验证模型准确性：利用测试集的样本对卷积神经网络模型进行测试，并通过均方根误差(rmse)验证模型准确性；其中，y(i)为耙吸船的真实能效，e
c
(x(i))为耙吸船的能效预测值。

技术总结
本发明公开了一种基于卷积神经网络的耙吸船能效预测方法，包括以下步骤：S1、根据耙吸船工作数据进行工况划分；S2、对经过步骤S1处理后的耙吸船工作数据进行滤波处理以消除环境噪声的影响；S3、根据步骤S2处理后的耙吸船工作数据构建卷积神经网络能效数据的训练集，建立耙吸船能效的卷积神经网络回归预测模型。本发明采用上述基于卷积神经网络的耙吸船能效预测方法，能够解决能效预测不准确的问题。能够解决能效预测不准确的问题。能够解决能效预测不准确的问题。


技术研发人员：陈力恒 张金越 陈杨 程诺 谈用杰 李子良
受保护的技术使用者：哈尔滨工程大学
技术研发日：2022.10.24
技术公布日：2023/1/13