基于LSTM的內(nèi)河船閘主動(dòng)防撞系統(tǒng)研究

夏春榮

摘 要：本文提出了一種基于長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)的內(nèi)河船閘主動(dòng)防撞系統(tǒng)。面向復(fù)雜條件下船閘主動(dòng)防撞技術(shù)這一關(guān)鍵問(wèn)題，圍繞多普勒雷達(dá)、毫米波雷達(dá)及船用阻攔系統(tǒng)的零部件及產(chǎn)品產(chǎn)業(yè)化要求，分別從系統(tǒng)硬件、軟件與算法、裝置設(shè)計(jì)與性能優(yōu)化等方面著手，開(kāi)發(fā)研制了內(nèi)河船閘主動(dòng)防撞系統(tǒng)。

關(guān)鍵詞：內(nèi)河船閘;主動(dòng)防撞;LSTM;系統(tǒng)

中圖分類號(hào)：TM71 ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ?文章編號(hào)：1006—7973（2019）12-0056-04

作為內(nèi)河航道重要的通航設(shè)施—船閘，在航道條件改善、防洪抗旱等方面發(fā)揮了重要作用，其運(yùn)行效率直接制約著內(nèi)河航運(yùn)的發(fā)展。近年來(lái)， 隨著交通運(yùn)輸事業(yè)的飛速發(fā)展，船舶過(guò)閘需求增加， 內(nèi)河船舶與船閘間的碰撞事故發(fā)生頻率不斷增多，極易引發(fā)斷航、堵航、甚至土方坍塌等次生事故。如果是危險(xiǎn)貨物的運(yùn)輸船舶發(fā)生碰撞船閘事故，不僅是簡(jiǎn)單的維修和經(jīng)濟(jì)賠償問(wèn)題，還會(huì)帶來(lái)難以預(yù)料的生態(tài)災(zāi)難和社會(huì)危害。碰撞導(dǎo)致的船閘斷航、大量船舶滯航常帶來(lái)生態(tài)環(huán)境污染和社會(huì)不穩(wěn)定，給航運(yùn)企業(yè)帶來(lái)巨大的經(jīng)濟(jì)損失。政府、交通部門不得不協(xié)調(diào)、應(yīng)對(duì)、處置由此帶來(lái)的負(fù)面影響。因此，內(nèi)河船閘主動(dòng)探測(cè)技術(shù)與防碰撞裝置的研究工作尤為迫切和必需。內(nèi)河船閘過(guò)境船舶的自動(dòng)識(shí)別及其主動(dòng)防撞技術(shù)，國(guó)內(nèi)外許多科技工作者進(jìn)行過(guò)該領(lǐng)域的研究，在中國(guó)，船閘防撞研究正處于初級(jí)階段，取得了一定的研究進(jìn)展，但仍然沒(méi)有解決內(nèi)河船閘交通運(yùn)輸中的根本難題。

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）是一種改進(jìn)的深度學(xué)習(xí)算法，系改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）的計(jì)算單元而得來(lái)。其對(duì)于處理時(shí)間序列相關(guān)的數(shù)據(jù)有良好的效果。本文提出采用船舶自動(dòng)識(shí)別系統(tǒng)與雷達(dá)融合信息的船閘主動(dòng)防撞系統(tǒng)，可以有效的解決單一設(shè)備目標(biāo)識(shí)別不準(zhǔn)確與目標(biāo)信息不豐富的問(wèn)題，提高了進(jìn)出船舶識(shí)別的準(zhǔn)確性，可以對(duì)過(guò)閘船舶實(shí)施有效的跟蹤，實(shí)現(xiàn)船舶過(guò)閘安全可靠，確保船員、運(yùn)輸船、船閘等的安全。

1 LSTM網(wǎng)絡(luò)的原理介紹

RNN是一類用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)的內(nèi)部狀態(tài)，能夠展示動(dòng)態(tài)時(shí)序的行為，和BP神經(jīng)網(wǎng)絡(luò)不同。RNN處理任意時(shí)序的輸入序列可以利用其內(nèi)部的記憶，常常被利用來(lái)處理連續(xù)序列數(shù)據(jù)問(wèn)題，因此適用于本課題的內(nèi)河船舶信息采集。RNN的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。

長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM是一種特殊的RNN?？梢詫W(xué)習(xí)長(zhǎng)期依賴信息。LSTM與RNN最大的區(qū)別在于，LSTM中最頂層多了一條名為“cell state”（細(xì)胞狀態(tài)）的信息傳送帶，其實(shí)也就是信息記憶的地方。該記憶模塊被利用來(lái)替代循環(huán)神經(jīng)網(wǎng)絡(luò)中普通的隱含節(jié)點(diǎn)。當(dāng)梯度在跨越多個(gè)時(shí)間間隔以后，確保其不會(huì)消失或者爆炸，傳統(tǒng)RNN在訓(xùn)練中所存在的一些困難被一一加以克服。LSTM 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型結(jié)構(gòu)如圖 2所示。

圖2 ? LSTM網(wǎng)絡(luò)單元細(xì)胞結(jié)構(gòu)

本文使用此模型進(jìn)行研究，是因?yàn)閮?nèi)河船舶信號(hào)的時(shí)間依賴特性極其強(qiáng)大。根據(jù)記憶特性，LSTM 神經(jīng)網(wǎng)絡(luò)模型可以對(duì)時(shí)序信息進(jìn)行很好的動(dòng)態(tài)分析。

2 船閘防撞系統(tǒng)組成

基于深度學(xué)習(xí)平臺(tái)的船閘主動(dòng)防撞系統(tǒng)，從環(huán)境感知技術(shù)著手，針對(duì)中國(guó)船閘復(fù)雜水路狀況，研究船舶感知關(guān)鍵技術(shù)與系統(tǒng);基于人類病毒免疫機(jī)制，設(shè)計(jì)出入閘船舶碰撞船閘威脅判別的核心決策算法;基于面向船閘的主動(dòng)防撞特點(diǎn)，開(kāi)發(fā)多普勒雷達(dá)網(wǎng)絡(luò)測(cè)速節(jié)點(diǎn)、毫米波盲區(qū)探測(cè)裝置及船閘主動(dòng)阻攔系統(tǒng)。如圖3所示。

圖3 ?船閘主動(dòng)防撞系統(tǒng)示意圖

3 內(nèi)河船閘主動(dòng)防撞系統(tǒng)關(guān)鍵技術(shù)研究。

3.1入閘船舶數(shù)據(jù)采集處理

如圖4所示。

船閘的防撞材料上設(shè)置無(wú)線加速度傳感器網(wǎng)絡(luò)節(jié)點(diǎn)，通過(guò)網(wǎng)關(guān)節(jié)點(diǎn)實(shí)時(shí)向監(jiān)控中心傳遞監(jiān)測(cè)數(shù)據(jù)，如圖5 中的實(shí)際傳輸路徑所示。同時(shí)采用自行開(kāi)發(fā)的多普勒雷達(dá)測(cè)速節(jié)點(diǎn)、毫米波探測(cè)盲區(qū)裝置。針對(duì)多普勒雷達(dá)測(cè)速網(wǎng)絡(luò)的數(shù)據(jù)處理，進(jìn)行入閘船舶的單/組合測(cè)速、航跡預(yù)測(cè)、特征提取及威脅評(píng)估算法的開(kāi)發(fā)。針對(duì)阻攔系統(tǒng)的底層控制系統(tǒng)，利用魯棒控制技術(shù)，對(duì)阻攔索/網(wǎng)的全自動(dòng)機(jī)械結(jié)構(gòu)進(jìn)行提升、制動(dòng)、下沉等關(guān)鍵動(dòng)作進(jìn)行測(cè)試。

3.2軟件架構(gòu)設(shè)計(jì)

在軟件架構(gòu)上，主要解決了即插即用的統(tǒng)一軟件架構(gòu)以及多核實(shí)時(shí)多任務(wù)分解機(jī)制。通過(guò)提取控制系統(tǒng)共性特征，抽象各環(huán)節(jié)的物理模型與行為特征，采用基于Model-base建模方法和狀態(tài)機(jī)理論，建立輸入、輸出、控制等信號(hào)流、控制流、動(dòng)力流、狀態(tài)流表達(dá)方式及操作原則，規(guī)范信息傳導(dǎo)與控制協(xié)調(diào)與公共區(qū)訪問(wèn)的時(shí)序邏輯關(guān)系，避免嚴(yán)重的控制沖突問(wèn)題，確定完整的控制架構(gòu)體系與相應(yīng)的故障診斷與安全監(jiān)控體系。采取虛擬機(jī)技術(shù)與符合AUTOSAR標(biāo)準(zhǔn)的多核實(shí)時(shí)操作系統(tǒng)相結(jié)合的方法，結(jié)合各相關(guān)控制系統(tǒng)的資源占用情況，采用并行觸發(fā)任務(wù)協(xié)調(diào)、分配機(jī)制，實(shí)現(xiàn)多任務(wù)分解及負(fù)載均衡，使得智能控制中的各個(gè)策略、算法、安全防護(hù)得到有效協(xié)調(diào)并高效、實(shí)時(shí)、可靠運(yùn)行。如圖6所示。

3.3 船舶運(yùn)動(dòng)姿態(tài)預(yù)測(cè)及碰撞預(yù)警

在船舶出入閘的過(guò)程中，各種因素的干擾，往往會(huì)使船舶的運(yùn)動(dòng)姿態(tài)受到影響，表現(xiàn)出相對(duì)復(fù)雜的非線性狀態(tài)，如各種噪聲信號(hào)、混沌特性等因素。擬準(zhǔn)確地預(yù)測(cè)短期姿態(tài)序列，常常比較困難。LSTM網(wǎng)絡(luò)屬于一種改進(jìn)的深度學(xué)習(xí)算法，對(duì)歷史信息具有保存能力，特別在時(shí)間序列的預(yù)測(cè)上，優(yōu)勢(shì)更加明顯。其憑借當(dāng)前值和歷史數(shù)據(jù)，能夠?qū)r(shí)間序列進(jìn)行非常好的預(yù)測(cè)。

基于以上考慮，本課題采用LSTM模型，對(duì)過(guò)閘船舶運(yùn)動(dòng)姿態(tài)進(jìn)行預(yù)判和研究。系統(tǒng)整體框圖及算法步驟，如下圖7所示。

其中iterator表示一個(gè)周期迭代的次數(shù)，epoch表示當(dāng)前模型迭代的周期數(shù)。

關(guān)于就流程圖中的步驟與細(xì)節(jié)，做簡(jiǎn)單介紹：

第一步：進(jìn)行數(shù)據(jù)預(yù)處理

船舶運(yùn)動(dòng)姿態(tài)時(shí)間序列在連續(xù)時(shí)間上是離散值。本著更好地訓(xùn)練數(shù)據(jù)的目的，本文將船舶運(yùn)動(dòng)姿態(tài)待輸入的相鄰時(shí)間序列差值，轉(zhuǎn)換為正向輸入差值向量。為了提高訓(xùn)練速度和便于分析，避免各個(gè)數(shù)據(jù)間因?yàn)榱烤V的不同，對(duì)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型帶來(lái)的影響，本文在船舶姿態(tài)差值數(shù)據(jù)的基礎(chǔ)上，對(duì)數(shù)據(jù)向量采用了歸一化處理方式，即將有量綱的表達(dá)式，經(jīng)過(guò)變換，化為無(wú)量綱的表達(dá)式，成為純量。從而將輸入數(shù)據(jù)向量和輸出數(shù)據(jù)向量，限制在[-1，1]之間。

其映射表達(dá)式為：

（1）

這里，代表時(shí)間，代表時(shí)刻的輸入信號(hào)，和分別代表時(shí)刻輸入信號(hào)的最大值和最小值，和對(duì)應(yīng)該時(shí)刻輸入信號(hào)的映射范圍，取值分別為1、-1。

第二步：長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型參數(shù)初始化

有些因素對(duì)模型的預(yù)測(cè)性能會(huì)產(chǎn)生很大的影響，主要是：權(quán)值初始化方法Xavier，激活函數(shù)ReLU及選取的防止過(guò)擬合方法。另外，在長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型對(duì)船舶姿態(tài)數(shù)據(jù)訓(xùn)練前，需要配置初始化方法與參數(shù)，因?yàn)樵谀Ｐ椭校翱诤瘮?shù)寬度、學(xué)習(xí)率等因素，也會(huì)影響長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型。

第三步：確定權(quán)值的梯度訓(xùn)練

長(zhǎng)短期記憶網(wǎng)絡(luò)模型的主要訓(xùn)練過(guò)程，一般是運(yùn)用梯度下降法，對(duì)ANNs節(jié)點(diǎn)連接權(quán)值使其不斷更新，然后結(jié)合驗(yàn)證誤差率的要求，取得適當(dāng)?shù)臋?quán)值。具體做法是求出數(shù)學(xué)表達(dá)式（1）的梯度。

第四步：訓(xùn)練輸出

根據(jù)前述設(shè)置的窗口寬度，依據(jù)最后一批輸入數(shù)據(jù)，未來(lái)短期內(nèi)各個(gè)時(shí)刻數(shù)據(jù)值可以預(yù)測(cè)得到。在這之前，由LSTM模型的初始化參數(shù)，達(dá)到權(quán)值更新訓(xùn)練提前結(jié)束，也可以等到訓(xùn)練迭代結(jié)束。 [1]

第五步：反歸一化處理

結(jié)合未來(lái)實(shí)際姿態(tài)序列值，運(yùn)用各項(xiàng)指標(biāo)分析預(yù)測(cè)結(jié)果，進(jìn)而得到需要的結(jié)論，最后得到船舶運(yùn)動(dòng)姿態(tài)時(shí)間序列的未來(lái)預(yù)測(cè)值。做法是針對(duì)模型的預(yù)測(cè)序列，進(jìn)行反歸一化處理。

預(yù)警時(shí)間的閾值的設(shè)定，需要考慮到船舶行進(jìn)的安全、操縱體驗(yàn)等因素。預(yù)警效果差往往因預(yù)警時(shí)間閾值設(shè)置較晚，結(jié)果無(wú)法保障安全;預(yù)警過(guò)于頻繁一般是預(yù)警時(shí)間閾值設(shè)置過(guò)早，操縱體驗(yàn)效果不好?？梢?jiàn)，預(yù)警時(shí)機(jī)是否合適，主要取決于行駛過(guò)程中預(yù)警閾值的選擇。預(yù)警閾值設(shè)置得好，對(duì)船員干擾小，不會(huì)因預(yù)警顯示過(guò)晚而出現(xiàn)無(wú)法避險(xiǎn)的情況。

本文提出了一種不同船速下的安全預(yù)警時(shí)間閾值的計(jì)算方法，可以有效解決這個(gè)問(wèn)題。當(dāng)行駛船舶發(fā)出發(fā)生碰撞的危險(xiǎn)預(yù)警信號(hào)，從船員做出的反應(yīng)，到采取措施制動(dòng)，直到船舶停止，安全防撞預(yù)警時(shí)間閾值Tc計(jì)算公式如下：

（2）

根據(jù)表達(dá)式（2），安全預(yù)警的時(shí)間閾值和船舶的行進(jìn)速度相關(guān)聯(lián)。借助對(duì)船速動(dòng)態(tài)變化的實(shí)時(shí)檢測(cè)，船舶安全預(yù)警的時(shí)間閾值可以及時(shí)的加以改變。同時(shí)，根據(jù)船速的不同，形成防撞的安全預(yù)警時(shí)間閾值大小。如果船舶直線碰撞、側(cè)面碰撞的預(yù)設(shè)條件滿足時(shí)，系統(tǒng)就會(huì)通過(guò)船載設(shè)備，不間斷地接收到船舶的實(shí)時(shí)行進(jìn)狀態(tài)等信息，計(jì)算出船舶發(fā)生碰撞的大概時(shí)間，通過(guò)與安全預(yù)警的時(shí)間閾值及時(shí)比較作出判斷。一旦確認(rèn)會(huì)發(fā)生碰撞，就通過(guò)應(yīng)用設(shè)備發(fā)出預(yù)警的相關(guān)提醒。[2]

3.4船閘主動(dòng)防撞及攔阻裝置設(shè)計(jì)

本課題采用的船閘主動(dòng)防撞及攔阻系統(tǒng)，參考了目前現(xiàn)役航空母艦大量使用的阻攔裝置——緩沖式液壓阻攔系統(tǒng)。該系統(tǒng)主要由：攔阻網(wǎng)（攔阻索）及其支撐機(jī)構(gòu)，滑輪緩沖裝置、阻攔器裝置、鋼索末端緩沖系、復(fù)位系統(tǒng)、冷卻系統(tǒng)等。阻攔器裝置包括主液壓缸、定長(zhǎng)沖跑控制系統(tǒng)、蓄能器、膨脹氣瓶、定滑輪組等，如圖8所示。

圖8 船閘主動(dòng)攔截示意圖

當(dāng)入閘船舶失控將要撞向船閘時(shí)，啟動(dòng)阻攔網(wǎng)（索）。船舶撞上阻攔網(wǎng)后，滑輪索被拉動(dòng)，通過(guò)滑輪緩沖裝置、動(dòng)滑輪組的攔網(wǎng)，主液壓缸內(nèi)部的活塞被帶動(dòng)。定長(zhǎng)沖跑控制系統(tǒng)隨即將主液壓缸里的油液，擠壓進(jìn)蓄能器。通過(guò)控制閥的液體，壓力會(huì)發(fā)生一定的損失，對(duì)液壓油缸中的流動(dòng)液體來(lái)說(shuō)，會(huì)形成相應(yīng)的阻尼，攔阻船舶繼續(xù)行進(jìn)，迫使船舶緩慢減速。最后，完全封閉控制閥的開(kāi)口，停止了活塞及相連的運(yùn)動(dòng)滑輪組，最終控制船舶停止。

當(dāng)船舶停止行進(jìn)，攔阻網(wǎng)（攔阻索）與船頭分開(kāi)后，打開(kāi)復(fù)位閥，蓄能器中的高壓油液通過(guò)冷卻系統(tǒng)，回流進(jìn)主液壓缸，攔阻網(wǎng)（攔阻索）返回至攔阻前的初始狀態(tài)。在船舶掛索過(guò)程中，滑輪緩沖系統(tǒng)對(duì)鋼索的張力峰值、應(yīng)力波動(dòng)充分消除或有效減退;攔阻過(guò)程中，船舶的動(dòng)能被蓄能器吸收、存儲(chǔ);由于攔阻過(guò)程中存在滑輪轉(zhuǎn)速不同，從而引起鋼索的振顫，可充分鋼索末端緩沖裝置加以消除;主液壓缸油液流入儲(chǔ)能器的流量，由定長(zhǎng)沖跑控制系統(tǒng)控制，攔阻過(guò)程中，主要控制的是主液壓缸的壓力、攔阻索的張力與船舶承受的攔阻力。根據(jù)船舶重量，借助重量選擇器上的調(diào)節(jié)控制閥，控制其初始的開(kāi)口面積，在相同距離上實(shí)現(xiàn)對(duì)不同船舶攔阻的目的。[3]

4 結(jié)束語(yǔ)

基于LSTM的內(nèi)河船閘主動(dòng)防撞系統(tǒng)，通過(guò)采用自行開(kāi)發(fā)的多普勒雷達(dá)測(cè)速節(jié)點(diǎn)、毫米波探測(cè)盲區(qū)裝置，完成入閘船舶數(shù)據(jù)采集處理;研究并行觸發(fā)任務(wù)協(xié)調(diào)、分配機(jī)制，實(shí)現(xiàn)多任務(wù)分解及負(fù)載均衡，使得智能控制中的各個(gè)策略、算法、安全防護(hù)得到有效協(xié)調(diào)并高效、實(shí)時(shí)、可靠運(yùn)行;將LSTM模型應(yīng)用于船舶運(yùn)動(dòng)姿態(tài)預(yù)測(cè)，實(shí)現(xiàn)船舶運(yùn)動(dòng)碰撞預(yù)警;參考國(guó)內(nèi)外現(xiàn)役航空母艦上普遍使用的攔阻裝置，研究使用一種船閘主動(dòng)防撞裝置。從實(shí)驗(yàn)結(jié)果和應(yīng)用情況來(lái)看， 該系統(tǒng)可以有效的提升內(nèi)河船閘主動(dòng)防撞的安全性， 能有效解決內(nèi)河船閘中的預(yù)警及防撞避碰等問(wèn)題。進(jìn)一步，在產(chǎn)業(yè)化推進(jìn)以后，船閘主動(dòng)防撞系統(tǒng)在保障航行安全和人民生命財(cái)產(chǎn)安全、解決水路交通擁堵和水道環(huán)境污染、提升航道通行能力等方面，將給人們的工作生活帶來(lái)切實(shí)的收益，具有重要和突出的社會(huì)效益。

參考文獻(xiàn)：

[1]王國(guó)棟.基于LSTM的艦船運(yùn)動(dòng)姿態(tài)短期預(yù)測(cè)及仿真研究.江蘇科技大學(xué)，2017.

[2]謝禮猛.基于DSRC車載通信的車輛防撞預(yù)警研究.江蘇科技大學(xué)，2017.

[3]張麗偉. 對(duì)航母艦載機(jī)“阻攔索”的初步認(rèn)識(shí). 物理教學(xué)探討， 2014.

[4]許寧等.改進(jìn)型LSTM變形預(yù)測(cè)模型研究.江西理工大學(xué)學(xué)報(bào)，2018.

[5]郭冠呈等.基于雙向長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)的水量預(yù)測(cè)方法研究.給水排水，2017.

[6]姚開(kāi)一等.基于神經(jīng)網(wǎng)絡(luò)的地震震相自動(dòng)拾取方法.電子設(shè)計(jì)工程，2018.