基于蝙蝠算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的耙吸挖泥船耙頭吸入密度研究

郝光杰 俞孟蕻 蘇 貞

（江蘇科技大學(xué)電子信息學(xué)院 鎮(zhèn)江 212003）

1 引言

耙吸挖泥船疏浚施工過(guò)程中，泥沙依靠耙頭挖掘產(chǎn)生，因此耙頭挖掘效果直接影響到疏浚的生產(chǎn)效率［1］。耙頭產(chǎn)量由吸入密度決定，因此對(duì)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(zhì)類型不變，施工疏浚環(huán)境不變［3～4］。然而在實(shí)際施工中，同一地區(qū)土質(zhì)類型多樣，所面臨的施工環(huán)境也不確定。因此通過(guò)物理建模難以建立有效的耙頭模型。

文獻(xiàn)［5］采用最小二乘法對(duì)吸入密度進(jìn)行擬合，這種方法屬于離線預(yù)測(cè)，不具有實(shí)時(shí)性。如果施工工況突然改變，這種測(cè)量手段失效。文獻(xiàn)［6］采用遺傳BP 對(duì)耙頭建模分析，這種方法存在收斂速度慢，預(yù)測(cè)精度不高等缺點(diǎn)。

本文提出利用模糊神經(jīng)網(wǎng)絡(luò)（FNN）對(duì)耙頭進(jìn)行數(shù)據(jù)黑箱建模分析。模糊神經(jīng)網(wǎng)絡(luò)具有映射能力強(qiáng)、自學(xué)習(xí)及實(shí)時(shí)處理等優(yōu)點(diǎn)，在軌道電路故障診斷［7］、配電網(wǎng)故障選線［8］以及高速行車時(shí)間預(yù)測(cè)［9］等領(lǐng)域效果明顯。為了提高FNN 模型的泛化性能，有些文獻(xiàn)采用粒子群算法［8］、遺傳算法［10］對(duì)FNN 的連接權(quán)值和隱含層閾值進(jìn)行優(yōu)化。但是PSO 算法全局搜索能力有限，容易導(dǎo)致算法的復(fù)雜度提高；使用遺傳算法容易產(chǎn)生早熟，局部最優(yōu)等問(wèn)題。在本文中采用蝙蝠算法［7］對(duì)FNN 進(jìn)行優(yōu)化，這種方法容易實(shí)現(xiàn)，與粒子群算法相比，結(jié)構(gòu)簡(jiǎn)單，收斂性能更好。

2 耙頭產(chǎn)量分析

2.1 疏浚數(shù)據(jù)分析

影響疏浚產(chǎn)量的因素一般可分為外界因素和內(nèi)部因素［11］。外界因素主要為外界環(huán)境，例如風(fēng)浪、沙床分布、土壤類型等［2，12］。內(nèi)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(zhuǎn)速、波浪補(bǔ)償器行程等影響因子。根據(jù)施工人員現(xiàn)場(chǎng)經(jīng)驗(yàn)與文獻(xiàn)［13］，本文選擇了以泥泵轉(zhuǎn)速、航速、高壓沖水與對(duì)地角度以及吸入流量5 個(gè)輸入量對(duì)吸入密度進(jìn)行建模預(yù)測(cè)，如圖1所示。

圖1 耙頭模型示意圖

2.2 數(shù)據(jù)預(yù)處理

疏浚數(shù)據(jù)集為耙吸挖泥船從航行、挖泥裝艙到拋泥整個(gè)流程，而我們所需的數(shù)據(jù)集主要集中在挖泥裝艙階段，需要對(duì)數(shù)據(jù)集進(jìn)行有效整理，例如設(shè)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(shí)航速和泥泵轉(zhuǎn)速的大小進(jìn)行綜合考慮，剔除無(wú)效數(shù)據(jù)。

施工數(shù)據(jù)采集于耙吸挖泥船各種不同的傳感器和控制器，采集數(shù)據(jù)之間差異較大，量綱不一。為了避免數(shù)據(jù)大小對(duì)預(yù)測(cè)結(jié)果造成影響，對(duì)數(shù)據(jù)集進(jìn)行歸一化和標(biāo)準(zhǔn)化處理。

3 T-S 模糊神經(jīng)網(wǎng)絡(luò)

3.1 系統(tǒng)結(jié)構(gòu)

T-S 模糊神經(jīng)網(wǎng)絡(luò)是一種if—then模糊規(guī)則來(lái)描述非線性系統(tǒng)的方法［7～8］，具體結(jié)構(gòu)如圖2所示。

圖2 T-S神經(jīng)網(wǎng)絡(luò)圖

T-S 型模糊神經(jīng)網(wǎng)絡(luò)包括前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)。前件網(wǎng)絡(luò)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(diǎn)數(shù)為N1=n。

式中，cij、σij為隸屬度函數(shù)的中心與寬度。

第三層為規(guī)則層，節(jié)點(diǎn)總數(shù)為N3=m，每一個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則，它是用來(lái)匹配模糊規(guī)則的前件，計(jì)算出每條規(guī)則的適應(yīng)度，即

3.2 學(xué)習(xí)算法

式中β＞0為學(xué)習(xí)效率。

3.3 蝙蝠算法優(yōu)化FNN模型構(gòu)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(lái)探測(cè)獵物［14～15］。這種算法全局搜索能力強(qiáng)，結(jié)構(gòu)簡(jiǎn)單參數(shù)少，容易設(shè)置它的實(shí)現(xiàn)流程如下。

1）設(shè)置蝙蝠初始種群個(gè)數(shù)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，F(xiàn)max］，音量衰減率為β，搜索頻率的增強(qiáng)系數(shù)為μ，最大迭代次數(shù)設(shè)置為Nmax。

2）隨機(jī)對(duì)蝙蝠的位置Xi進(jìn)行初始化，計(jì)算當(dāng)前適應(yīng)度的好壞來(lái)尋找最優(yōu)解Xbest。

3）每一代蝙蝠個(gè)體的搜索脈沖頻率、速度和位置按以下方式進(jìn)行更新：

式中：β和μ的取值范圍為（0，1），一般設(shè)置為0.9。

6）對(duì)n 個(gè)蝙蝠個(gè)體的適應(yīng)度值進(jìn)行排序，找到當(dāng)前最優(yōu)解。

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

4 仿真實(shí)驗(yàn)與分析

4.1 數(shù)據(jù)來(lái)源

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于長(zhǎng)江口施工，數(shù)據(jù)點(diǎn)每間隔30s 采集一次。對(duì)疏浚數(shù)據(jù)進(jìn)行預(yù)處理，得到12 個(gè)周期共4300 條數(shù)據(jù)，將其中10 個(gè)周期作為訓(xùn)練數(shù)據(jù)，剩余兩個(gè)周期的數(shù)據(jù)作為測(cè)試數(shù)據(jù)。圖3 給出了一個(gè)周期原始吸入密度數(shù)據(jù)分布圖，共300 個(gè)點(diǎn)，時(shí)間為150min；其中挖泥裝艙階段數(shù)據(jù)點(diǎn)分布在［50，240］，共190個(gè)樣本點(diǎn)，時(shí)間為95min。

圖3 原始數(shù)據(jù)分布圖

為了使BA-FNN 耙頭產(chǎn)量模型的預(yù)測(cè)性能更具有說(shuō)服力，采用BP、FNN 進(jìn)行實(shí)驗(yàn)仿真對(duì)比，并采用平均誤差作為評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行衡量。

4.2 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)中設(shè)置BP輸入層神經(jīng)元個(gè)數(shù)為5，隱含層神經(jīng)元個(gè)數(shù)為12，輸出層個(gè)數(shù)為1；模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)采用5-12-1，蝙蝠算法初始化種群為30，最大迭代次數(shù)設(shè)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(shè)置為［0，2］。下面給出了兩個(gè)周期吸入密度預(yù)測(cè)結(jié)果如圖4、圖5所示。

圖4 周期1吸入密度預(yù)測(cè)

圖5 周期2吸入密度預(yù)測(cè)

圖4 為第1 個(gè)周期內(nèi)3 種預(yù)測(cè)方法對(duì)左、右耙頭產(chǎn)量進(jìn)行預(yù)測(cè)的效果圖以及誤差對(duì)比圖。第1周期為74個(gè)采樣點(diǎn)，即耙吸挖泥船工作37min的耙頭產(chǎn)量，從圖4 中可以發(fā)現(xiàn)BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果最差，F(xiàn)NN學(xué)習(xí)速度更快，泛化性能好于BP神經(jīng)網(wǎng)絡(luò)；通過(guò)對(duì)FNN 連接權(quán)值和隱含層閾值使用蝙蝠算法進(jìn)行優(yōu)化，F(xiàn)NN 預(yù)測(cè)效果得到了提升；在BP、FNN 以及BA-FNN 三者的預(yù)測(cè)效果上看，BA-FNN 預(yù)測(cè)效果相對(duì)于其他兩種算法來(lái)說(shuō)，預(yù)測(cè)效果更好，模型誤差更小。圖5 為第2 周期（一共70 個(gè)點(diǎn)，共計(jì)30min）耙頭產(chǎn)量的預(yù)測(cè)效果圖以及預(yù)測(cè)誤差對(duì)比圖。其中BP 預(yù)測(cè)效果不佳，預(yù)測(cè)誤差也比較大，BA-FNN 預(yù)測(cè)效果比較明顯。從實(shí)驗(yàn)訓(xùn)練時(shí)間來(lái)看，單個(gè)預(yù)測(cè)模型中BP用時(shí)最長(zhǎng)，大約為900s，F(xiàn)NN 訓(xùn)練時(shí)間大約為560s；BA—FNN 的訓(xùn)練時(shí)間最短為435s。對(duì)3 種預(yù)測(cè)方法的平均誤差進(jìn)行統(tǒng)計(jì)，兩個(gè)周期左、右耙頭預(yù)測(cè)模型平均誤差如表1所示。

表1 各周期預(yù)測(cè)模型的平均誤差

通過(guò)表1 可以看出，BA-FNN 的平均誤差最小，預(yù)測(cè)精度高，經(jīng)過(guò)上述兩個(gè)周期的驗(yàn)證分析，結(jié)合實(shí)際的疏浚施工經(jīng)驗(yàn)，上述BA-FNN預(yù)測(cè)模型產(chǎn)生的誤差滿足在疏浚要求的合理范圍之內(nèi)，因此該方法可運(yùn)用于耙吸挖泥船耙頭模型吸入密度的預(yù)測(cè)。

5 結(jié)語(yǔ)

1）使用蝙蝠算法解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂速度慢，預(yù)測(cè)精度低的問(wèn)題，優(yōu)化T-S 模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)，得到了T-S 模糊神經(jīng)網(wǎng)絡(luò)參數(shù)最優(yōu)組合，克服了傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)參數(shù)確定難度大的問(wèn)題，改善了模糊神經(jīng)網(wǎng)絡(luò)的泛化能力和自學(xué)習(xí)能力。

2）針對(duì)耙頭產(chǎn)量進(jìn)行分析，對(duì)吸入密度進(jìn)行預(yù)測(cè)，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(jīng)網(wǎng)絡(luò)的方法對(duì)耙頭吸入密度進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明采用BA-FNN 具有收斂速度快，預(yù)測(cè)精度高的優(yōu)點(diǎn)，該方法在輸出穩(wěn)定性、收斂性和預(yù)測(cè)精度上也優(yōu)于T-S 模糊神經(jīng)網(wǎng)絡(luò)。證明了采用BA-FNN對(duì)吸入密度預(yù)測(cè)精度更好，并驗(yàn)證了該方法在耙吸挖泥船耙頭中預(yù)測(cè)吸入密度的可行性。該方法可以作為耙頭產(chǎn)量吸入密度預(yù)測(cè)的一種技術(shù)手段，并為耙吸挖泥船耙頭產(chǎn)量分析提供了一種科學(xué)有效的方法。