基于LSTM 網(wǎng)絡的耙吸挖泥船能效分析評估模型

張 寧，朱暉宇，張宇凡，杜重洋

（1.海裝駐上海地區(qū)第八軍事代表室，上海；2.中國船舶及海洋工程設計研究院，上海；3.上海中船船舶設計技術(shù)國家工程研究中心有限公司，上海）

引言

疏浚船通常具有作業(yè)量大、功率高、能耗大的特點，其能耗成本占總成本約40%或更高，這對環(huán)境造成了極大的負面影響，同時，也給船舶公司的營運帶來了很大的負擔。另外，疏浚船工況復雜，能效影響因子眾多且耦合性強，目前大多是通過船長的個人經(jīng)驗對疏浚船能效進行控制，因此實現(xiàn)疏浚船合理的能效管理關(guān)鍵在于針對疏浚船開展能效分析預測研究。

為了提高分析預測精度，本文在充分考慮疏浚船施工特點的基礎上，提出了一種基于耙吸挖泥船在挖泥工況下的LSTM 網(wǎng)絡能效分析預測方法，該方法首先利用平滑算法對實船數(shù)據(jù)進行數(shù)據(jù)濾波，隨后通過相關(guān)性分析提取疏浚船能效關(guān)鍵因子，以此作為LSTM 網(wǎng)絡的輸入，最后進行網(wǎng)絡訓練，從而實現(xiàn)對疏浚船能效的分析預測。

1 各能效影響因子相關(guān)性分析

在得到各工作狀態(tài)后，分別對影響萬方土油耗的各類因素的相關(guān)性進行分析。若輸入?yún)?shù)過于冗余，則會導致計算的復雜性增加，進而影響模型的準確性，所以選取對分析有利的幾個主成分作為輸入。為了挖掘萬方土油耗與各參數(shù)之間的相互影響，本文引用相關(guān)性分析來描述各參數(shù)與萬方土油耗的關(guān)聯(lián)程度進而衡量出參數(shù)之間的相關(guān)性程度，其計算方法如下：

設X1,X2, …,X p,Y1,Y2, …,Yq分別為兩類需要進行相關(guān)性評估的參數(shù)，X，Y 分別對應兩組隨機變量，對于各影響參數(shù)的兩組變量（X1,X2, …,Xp）和（Y1,Y2, …,Yq）尋找一種相對應的線性組合，考慮像主成分分析一樣的（X1,X2, …,Xp），一個線性組合U 及（Y1,Y2, …,Yq）的一個線性組合V 合并成一組向量，希望找到和V 之間有最大可能的相關(guān)系數(shù)以此來充分反映兩組變量之間的相關(guān)關(guān)系。這樣就把研究影響因素的兩組隨機變量間相關(guān)關(guān)系的問題轉(zhuǎn)化為研究兩個隨機變量間的相關(guān)關(guān)系。

待評估的兩組向量X=（X1，X2，…，Xp）T，Y=（Y1，Y2，…，Tq）T（p≤q）將兩組參數(shù)合并成一組向量（XT，YT）=（X1，X2，…，Xp，Y1，Y2，…，Yq）T，合并后參數(shù)變量的協(xié)方差矩陣為：

使由X、Y 變化的線性組合U1、V1的相關(guān)系數(shù)ρ（U1，V1）達到最大，這里各線性組合表達式的系數(shù)

本文在挖泥工況下研究各影響因子與萬方土油耗的相關(guān)性和計算相關(guān)性系數(shù)，根據(jù)相關(guān)性分析理論可得，相關(guān)性系數(shù)的正、負僅代表兩個相關(guān)參數(shù)之間的相關(guān)性大小，相關(guān)性系數(shù)的大小表示參數(shù)間的相關(guān)性強弱，因此，擬計劃采用兩個參數(shù)的相關(guān)性系數(shù)的絕對值表示能效參數(shù)間的相關(guān)性，以表達各參數(shù)間的相關(guān)性強弱關(guān)系。當相關(guān)性系數(shù)大于0.8，則說明該因素與萬方土油耗具有高度相關(guān)性；若相關(guān)性系數(shù)在0.8～0.5 之間，說明具有較大的相關(guān)性；若相關(guān)性系數(shù)在0.5～0.3 之間，說明具有相關(guān)性；若相關(guān)性系數(shù)小于0.3，則為微相關(guān)。因此，通過相關(guān)性系數(shù)分析，可以挖掘出對于萬方土油耗影響較高的因素，進而實現(xiàn)對能耗的分析與評估。

耙吸船各影響因子相關(guān)性系數(shù)見表1。

表1 耙吸船各影響因子相關(guān)性系數(shù)

2 能效預測評估模型

從各能效影響因子相關(guān)性分析可知，疏浚船能效關(guān)鍵因子較多，且相互之間耦合性很強。另外，疏浚船在進入挖泥工況下時，各疏浚設備從非工作狀態(tài)轉(zhuǎn)換至完全工作狀態(tài)需要一定的時間。二者結(jié)合判斷，疏浚船能效分析預測是一種復雜的非線性回歸問題，且可能還存在時序性因素。

BP 神經(jīng)網(wǎng)絡是一種按照誤差逆向傳播的前饋神經(jīng)網(wǎng)絡。它利用樣本數(shù)據(jù)通過網(wǎng)絡訓練即可獲得輸入-輸出之間的映射關(guān)系，且數(shù)學理論證明三層的神經(jīng)網(wǎng)絡就能夠以任意精度逼近任何非線性連續(xù)函數(shù)，這使得其特別適合于求解內(nèi)部機制復雜的問題，具有較強的非線性映射能力，同時BP 神經(jīng)網(wǎng)絡在訓練時，能夠通過學習自動提取輸出，并自適應的將學習內(nèi)容記憶于網(wǎng)絡的權(quán)值中，具有高度自學習和自適應的能力。

長短時記憶網(wǎng)絡（LSTM）在循環(huán)神經(jīng)網(wǎng)絡的基礎上做了改進，使用LSTM 網(wǎng)絡可以有效的傳遞和表達長時間序列中的信息并且不會導致長時間前的有用信息被忽略，其結(jié)構(gòu)如圖1 所示。其中，輸入門的作用是決定輸入值xt中有多少信息可以吸收進記憶單元。遺忘門的作用是決定上次的記憶信息中要忘掉多少。本次的記憶單元的計算形式為：根據(jù)ht-1和xt產(chǎn)生，然后由輸入門和遺忘門共同控制t 的記憶值。輸出門最終決定t 的記憶值有多少可以輸出作為最終的ht+1。整個神經(jīng)元結(jié)構(gòu)就是根據(jù)輸入xt和ht-1分別計算四個控制門后再組合運算輸出，從而決定“記住多少、忘掉多少、放出多少”。這種算法改進使得神經(jīng)元的記憶能力更強并解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡的梯度爆炸問題[1]。

圖1 LSTM 網(wǎng)絡結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡的輸出值只與當前的輸入值有關(guān)，即只要是完成訓練的網(wǎng)絡模型，其輸入值和輸出值的關(guān)系是固定的和明確的，這種性質(zhì)在處理疏浚船挖泥過程這種存在時間序列數(shù)據(jù)的預測問題時是有缺陷的。序列數(shù)據(jù)的預測問題中，下一個值的出現(xiàn)概率并不直接由當前值決定，而是由當前值和前面若干個值共同決定。即一系列的數(shù)據(jù)才能決定下一個值出現(xiàn)的概率[2-4]。因此，在原理分析上，LSTM 網(wǎng)絡更適合解決當前問題，本文擬采用LSTM 網(wǎng)絡作為疏浚船能效分析預測的備選算法。

3 耙吸船能效仿真分析

3.1 數(shù)據(jù)處理

由于疏浚船實船數(shù)據(jù)包含非工作狀態(tài)數(shù)據(jù)，因此在能耗分析過程中對數(shù)據(jù)進行了篩選，即剔除無效數(shù)據(jù)。但篩選后的數(shù)據(jù)仍然含有噪聲，因此分別利用高斯濾波、均值濾波和中值濾波3種平滑算法對疏浚船數(shù)據(jù)進行降噪，并通過后續(xù)模型擬合的效果對比，選擇最優(yōu)的數(shù)據(jù)處理方法。

高斯濾波是一種信號的濾波器，適用于消除高斯噪聲，即概率密度函數(shù)服從高斯分布（正態(tài)分布）的一類噪聲，廣泛應用于數(shù)據(jù)處理的減噪過程中；均值濾波被稱為線性濾波，其采用的主要方法為鄰域平均法。線性濾波的基本原理是用均值代替原數(shù)據(jù)中的各個值；中值濾波法是一種非線性平滑技術(shù)，它將每一數(shù)據(jù)點的值設置為該點某鄰域窗口內(nèi)的所有數(shù)據(jù)點值的中值。

在數(shù)據(jù)降噪后，將數(shù)據(jù)歸一化預處理，并按時間順序排列，組成新的時序數(shù)據(jù)，再進行能耗預測。數(shù)據(jù)預處理的流程如圖2 所示。

圖2 數(shù)據(jù)預處理流程

3.2 BP 與LSTM 神經(jīng)網(wǎng)絡能耗預測對比結(jié)果

為了比較LSTM 神經(jīng)網(wǎng)絡和BP 神經(jīng)網(wǎng)絡對耙吸船的挖泥過程數(shù)據(jù)的擬合能力，項目分別利用BP 神經(jīng)網(wǎng)絡和LSTM 神經(jīng)網(wǎng)絡，對該數(shù)據(jù)的油耗值進行擬合。圖3和圖4 分別為BP 神經(jīng)網(wǎng)絡擬合模型和LSTM 神經(jīng)網(wǎng)絡擬合模型的預測結(jié)果與真實值的對比。可以看出，由于耙吸船的挖泥過程數(shù)據(jù)是一段時間序列數(shù)據(jù)，當前時刻的油耗值不僅僅與此時的耙吸船工作狀態(tài)相關(guān)，也與之前時間耙吸船的工作狀態(tài)和油耗值相關(guān)。而LSTM 神經(jīng)網(wǎng)絡的特殊結(jié)構(gòu)使得當前時刻的網(wǎng)絡輸出值與過去時刻的網(wǎng)絡輸入值和輸出值都相關(guān)，對油耗值的變化趨勢較BP 神經(jīng)網(wǎng)絡有更強的判斷能力，大大提高了擬合效果。

圖3 BP 神經(jīng)網(wǎng)絡擬合效果

圖4 LSTM 網(wǎng)絡擬合效果

3.3 數(shù)據(jù)降噪與LSTM 神經(jīng)網(wǎng)絡擬合

項目分別采取滑動窗口大小為3，5，10 的高斯濾波、均值濾波和中值濾波算法對所有數(shù)據(jù)降噪，來提高擬合的準確性。在對數(shù)據(jù)降噪處理后，利用一定長度的滑動窗口將時間序列數(shù)據(jù)采集、并輸入到LSTM 網(wǎng)絡中擬合。其中，滑動窗口的長度選擇選取5 步和10 步。

均方誤差值是反映估計量與被估計量之間差異程度的一種度量，在本項目中作為擬合效果評價指標。對于不同降噪算法，不同的滑動窗口步長，算法的整體擬合效果對比報告如表2、表3、表4 所示。

表2 高斯濾波擬合效果對比報告

表3 均值濾波擬合效果對比報告

表4 中值濾波擬合效果對比報告

由表2、表3、表4 可以得出以下結(jié)論：（1）最優(yōu)參數(shù)組合：平滑方法采取將步長為3、5、10 的均值平滑數(shù)據(jù)合并，時序數(shù)據(jù)步長采取5 步時，均方誤差值小于其他參數(shù)情況。在該參數(shù)下的擬合效果如圖5 所示。（2）平滑算法對比：均值平滑效果最優(yōu)，中位數(shù)平滑效果最劣。將不同步長數(shù)據(jù)集組合成新數(shù)據(jù)集，此時數(shù)據(jù)集個數(shù)提升了，準確率也因此提升。（3）LSTM 時序數(shù)據(jù)步長對比：時序數(shù)據(jù)的步長設置對結(jié)果影響不大。（4）相關(guān)性系數(shù)對結(jié)果的影響：大多數(shù)情況下，數(shù)據(jù)的相關(guān)性系數(shù)越高，擬合效果越好。

圖5 最優(yōu)參數(shù)組合效果

4 結(jié)論

從耙吸船各能效影響因子相關(guān)性分析可知，其能效關(guān)鍵因子較多，且相互之間耦合性很強，同時，耙吸挖泥船在作業(yè)工況下，其能效分析預測是一種復雜的非線性回歸問題，本文通過對比分析BP 神經(jīng)網(wǎng)絡和LSTM 神經(jīng)網(wǎng)絡的預測結(jié)果，驗證了該應用場景下存在時序性因素，并且在采用時序數(shù)據(jù)步長為5 的均值濾波數(shù)據(jù)降噪方法時，利用LSTM 神經(jīng)網(wǎng)絡擬合模型的預測結(jié)果最優(yōu)。