基于LSTM的疏浚管道流速預測模型

李 雷，倪福生，蔣 爽，姚命宏

（1.河海大學 機電工程學院，常州213022；2.河海大學 疏浚技術教育部工程研究中心，常州213022）

疏浚工程是采用挖泥船以及其它機械設備共同開挖水下土石方工程，廣泛用于維護航道、生態環境保護以及吹填造島等各個領域。通過維護航道，可以控制航道尺寸，提高航運能力；通過對湖泊底泥進行疏浚，可以取走污染物，改善水生態環境；通過吹填造島，可以擴建島嶼，維護我國領土主權。絞吸挖泥船是疏浚工程中常用的疏浚設備，其工作環節主要分為挖掘和輸送兩部分，其中輸送環節的能耗占整個疏浚系統總能耗的80%以上[1]。絞吸挖泥船的管道輸送是以水作為載體，通過封閉管道輸送固體物料的運輸方式，具有遠距離連續輸送、效率高、成本低和安全可靠等優點。在管道輸送過程中，對泥漿流速的控制至關重要。如果泥漿的流速低于臨界流速值，泥沙將在管道阻力較大處產生沉降，會降低挖泥船的產能，甚至會導致泥漿管道堵塞，但如果僅保證泥漿的流速，將泥泵轉速設定過高，會增大挖泥船的能耗和加劇管道的磨損[2]。

文獻[3]針對大直徑漿體輸送管道淤積臨界流速，提出一種基于反向傳播神經網絡模型；文獻[4]針對漿體管道輸送臨界流速，提出一種基于極限學習機模型；文獻[5]針對極限學習機模型的不足，提出一種基于粒子群優化—極限學習機的流速預測模型。以上模型在一定程度上取得了良好的效果，但疏浚管道輸送系統的實際工況十分復雜，泥泵的工作特性、土質、排泥管特性和挖掘深度等都會影響到輸送系統的運行狀況，因此需要探索出一種適用性強、預測效率高的疏浚管道流速預測模型。

本文提出使用LSTM 對泥漿管道輸送系統的流速預測進行建模，并對疏浚管道輸送實驗臺和某真實絞吸挖泥船數據集進行驗證，這對流速的控制以及提高管道輸送系統的穩定性和安全性有很大幫助。

1 疏浚管道輸送系統

1.1 挖泥船管道輸送系統工作原理

如圖1所示，絞吸挖泥船的管道輸送系統主要由吸泥管、泥漿泵、柴油機、機械傳動機構、排泥管和各類傳感器組成。疏浚作業時，絞刀旋轉切削水下泥土，使水下泥土與水充分混合形成泥水混合物。然后泥泵高速旋轉使泥泵入口處形成負壓，將吸泥管入口處的泥水混合物吸入泥泵。最后泥漿以一定的流速排出泥泵，經排泥管道輸送至指定排泥點[6]。

圖1 挖泥船管道輸送系統的構成Fig.1 Composition of dredger pipeline conveying system

1.2 疏浚管道輸送實驗臺介紹

如圖2所示，疏浚管道輸送實驗臺是在參考挖泥船實際管線布置的基礎上設計和搭建的，主要由離心泥泵、循環管路裝置、電機驅動裝置、傳感測量系統和監控系統組成。在實驗過程中，通過加料斗將泥沙加入輸送系統，調整閥門的開度可以改變輸送系統的管路特性。上位機可以采集到傳感器的實時數據，并對離心泵的轉速進行控制。

圖2 疏浚管道輸送實驗臺Fig.2 Dredging pipeline transport test bench

1.3 疏浚管道輸送系統的輸入量

疏浚管道輸送系統的工作原理比較簡單，但它卻是非常復雜的動態特性系統。泥漿的濃度和泥泵的轉速與泥漿流速具有很強的相關性。在輸送過程中，要保證泥漿流速在臨界流速附近，泥漿濃度越高，維持顆粒懸浮所需的能量越高，要求的泥漿輸送速度越大。對于泥泵而言，調節泵的轉速不僅可以控制泥漿的流速，而且使泵的工作效率保持在最佳狀態[7]。

管道輸送系統是一個典型的動力系統，可以通過系統的輸入量（泥漿濃度、泥泵轉速等）和輸出量（泥漿流速）之間的函數關系來進行流速的預測。

2 疏浚管道輸送系統流速預測模型

2.1 網絡構架選擇

本文通過嘗試不同的構架，并通過仿真選擇疏浚管道輸送系統合適的網絡框架。如圖3所示，分別為BP 網絡、簡單RNN 網絡、LSTM 網絡的構架。

圖3 網絡構架對比Fig.3 Network architecture comparison

簡單RNN 網絡與BP 網絡的區別在于：當前隱藏層的輸入包含當前輸入信號和該隱藏層上一時刻的輸出，從而使網絡對簡單的動力系統具備建模能力。

LSTM 網絡與簡單RNN 網絡的區別在于：LSTM的隱藏層通過增加神經元的復雜性，在前向計算中使用輸入門、遺忘門、輸出門來保持和控制信息，一定程度上解決了梯度消失以及短時記憶的問題，從而使得網絡對復雜的動力系統具備建模能力[8]。LSTM 網絡的基本單元如圖4所示，其中前向計算過程的公式如下：

圖4 LSTM 網絡的基本單元Fig.4 Basic unit of LSTM network

式中：ft，it，ot分別為遺忘門、輸入門、輸出門；xt，gt，ht，Ct分別為t時刻的輸入、輸入節點、中間輸出和細胞單元的狀態；Wf，Uf，Wi，Ui，Wg，Ug，Wo，Uo和bf，bi，bg，bo分別為權重系數和相應門的偏置項；σ，tanh 分別為sigmoid 和tanh 函數變化。

三種構架的第二隱藏層均是為了提高網絡的深度，增強網絡的預測能力。后面3 層可以視為一個簡單的BP 網絡，它將網絡模型第一隱藏層提取出的特征作為輸入，捕捉這些特征和流速之間的函數關系。

本文將訓練數據進行離差標準化[9]，對樣本數據進行變換使結果值映射到［0，1］，標準化公式為

式中：x，X分別為標準化前、后的數值；xmax，xmin分別為樣本數據最大、最小值。

前兩種架構較為簡單，可以在Matlab 上編寫腳本搭建網絡并進行仿真。BP 網絡的預測結果如圖5所示，其平均誤差為11.73%，且由于BP 網絡無法處理時序數據間的關聯信息，使得流速的預測值與真實值之間的誤差波動很大；RNN 網絡的仿真預測結果如圖6所示，其平均誤差為9.67%，最大相對誤差達到14.04%，誤差波動較大。RNN 網絡雖然存在記憶功能，但是在誤差反向傳播時會存在梯度消失和梯度爆炸的問題，無法有效地學習到較早的信息，使得流速的預測值與真實值之間存在著較大的誤差。因此BP 和RNN 不適合作為疏浚管道輸送系統流速的預測模型，本文對LSTM 神經網絡進行探究。

圖5 BP 網絡預測結果Fig.5 BP network prediction results

圖6 RNN 網絡預測結果Fig.6 RNN network prediction results

2.2 網絡控制量選擇

模型需要根據實際工況選擇控制量，當網絡模型的預測精度難以達到要求時，需要額外的信號來輔助模型建模。產生這種現象的原因可能有很多，比如：

（1）已有信號的選取不準確或不完整；

（2）實際的動力系統的狀態方程中存在隨機變量；

（3）傳感器測得的信號中混入了噪聲。

為了檢驗LSTM 網絡的普適性，本文對疏浚管道輸送實驗臺和某真實絞吸挖泥船的數據集進行驗證。兩個對象的網絡控制量如表1所示，對于疏浚管道輸送實驗臺，將泥泵轉速（n）、泥泵揚程（H）、泥漿濃度（Cv）作為輸入到LSTM 網絡的控制量。對于絞吸挖泥船，由于施工現場采集的數據噪聲污染以及延時較為嚴重，僅依靠泥漿濃度、泥泵轉速、泥泵揚程等信號難以達到預測效果，因此另外添加歷史流速（vt-1）作為輔助。

表1 預測對象的控制量Tab.1 Amount of control that predicts object

2.3 網絡訓練

在模型的搭建過程中，搜索LSTM 網絡參數的難點在于它的準確性和快速性。一方面，如果在有限時間內搜索到的參數未捕捉到控制量與輸出量之間的關系，那么基于這組參數的LSTM 網絡的流速預測值就不可能精準；另一方面，如果需要很長的時間才能搜索到合適的網絡參數，那么該模型不能實時預測泥漿流速，這個訓練算法以及整個流速預測模型將失去使用價值。在多次嘗試后，本文最終采用批梯度下降算法（minibatch stochastic gradient descendent algorithm），結合Adam 梯度計算技術有效地解決這個問題[10]。網絡訓練的流程如圖7所示，流程步驟如下：

圖7 網絡訓練流程Fig.7 Flow chart of network training

步驟1抽取訓練樣本，使用樣本前半部分數據進行網絡訓練，后半部分數據留作模型預測檢驗；

步驟2在當前訓練樣本中，逐一計算各個時間點上網絡模型預測的泥漿流速值，并存儲中間計算過程；

步驟3累加泥漿流速預測值與真實值之間的誤差；

步驟4將步驟3 中計算得到的誤差，采用Adam梯度計算方法計算各個網絡參數的梯度，并更新網絡參數；

步驟5判斷當前訓練樣本中的所有時間節點是否完成。如果沒有完成，則轉步驟2，如果完成則轉步驟6；

步驟6判斷是否達到最大樣本訓練個數，如果沒有達到最大訓練樣本數目，則轉步驟1，如果已經達到則算法結束，保存網絡參數。

3 預測結果分析

3.1 實驗臺預測結果

如圖8所示，在將泥漿流速歸一化后，模型預測的泥漿流速值與真實值之間平均誤差為1.42%。由于實驗臺采集的數據噪聲污染不嚴重，僅依靠泥泵轉速、泥泵進出口壓力、泥漿濃度這4 個參數就能夠準確預測出泥漿流速。其中有兩個現象需要指出：

圖8 實驗臺數據預測結果Fig.8 Experimental data prediction results

（1）整個實驗數據總共有18000 樣本點，因為訓練時在前10000 個樣本中隨機抽取了訓練樣本，所以網絡模型在前半部分數據上的預測效果要好于后半部分數據上的表現。

（2）在接近13000 s 時，傳感器意外產生一個噪聲點，泥漿流速突然變為零后立刻恢復正常。但網絡模型在該時間預測的泥漿流速依然保持正常，可見該流速預測模型已經成功捕捉該疏浚管道輸送系統中控制量與輸出值之間的關系。

3.2 絞吸式挖泥船預測結果

如圖9所示，未將歷史流速作為輸入時，模型在速度變化較快的情況下無法達到預測效果，該網絡模型未能完全捕捉到高流速時控制量與輸出值之間的關系；如圖10所示，將歷史流速作為輸入后，絞吸挖泥船的預測值與真實值的平均誤差控制在1.31%以內，該網絡模型已經捕捉到控制量與輸出值之間的關系，可以精準預測泥漿流速。

圖9 未采用歷史流速作為輸入的預測結果Fig.9 Historical flow rate was not used as input for prediction

圖10 采用歷史流速作為輸入的預測結果Fig.10 Historical velocity was used as input for prediction

4 結語

本文提出了一種基于LSTM 循環神經網絡的疏浚管道流速預測模型，并對網絡構架的選擇、網絡控制量的選擇和網絡訓練進行了詳細的闡述。實驗表明LSTM 對疏浚管道流速的預測具有較強的普適性和準確性，在實驗臺的數據集和挖泥船的數據集上均能精準預測疏浚管道流速。該模型為管道輸送系統的流速預測提供了新思路，同時對疏浚管道流速的預測控制具有一定的指導意義。