基于LSTM的疏浚管道流速預(yù)測(cè)模型

李 雷，倪福生，蔣 爽，姚命宏

（1.河海大學(xué) 機(jī)電工程學(xué)院，常州213022；2.河海大學(xué) 疏浚技術(shù)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(jī)械設(shè)備共同開(kāi)挖水下土石方工程，廣泛用于維護(hù)航道、生態(tài)環(huán)境保護(hù)以及吹填造島等各個(gè)領(lǐng)域。通過(guò)維護(hù)航道，可以控制航道尺寸，提高航運(yùn)能力；通過(guò)對(duì)湖泊底泥進(jìn)行疏浚，可以取走污染物，改善水生態(tài)環(huán)境；通過(guò)吹填造島，可以擴(kuò)建島嶼，維護(hù)我國(guó)領(lǐng)土主權(quán)。絞吸挖泥船是疏浚工程中常用的疏浚設(shè)備，其工作環(huán)節(jié)主要分為挖掘和輸送兩部分，其中輸送環(huán)節(jié)的能耗占整個(gè)疏浚系統(tǒng)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(guò)封閉管道輸送固體物料的運(yùn)輸方式，具有遠(yuǎn)距離連續(xù)輸送、效率高、成本低和安全可靠等優(yōu)點(diǎn)。在管道輸送過(guò)程中，對(duì)泥漿流速的控制至關(guān)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(chǎn)生沉降，會(huì)降低挖泥船的產(chǎn)能，甚至?xí)?dǎo)致泥漿管道堵塞，但如果僅保證泥漿的流速，將泥泵轉(zhuǎn)速設(shè)定過(guò)高，會(huì)增大挖泥船的能耗和加劇管道的磨損[2]。

文獻(xiàn)[3]針對(duì)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(jīng)網(wǎng)絡(luò)模型；文獻(xiàn)[4]針對(duì)漿體管道輸送臨界流速，提出一種基于極限學(xué)習(xí)機(jī)模型；文獻(xiàn)[5]針對(duì)極限學(xué)習(xí)機(jī)模型的不足，提出一種基于粒子群優(yōu)化—極限學(xué)習(xí)機(jī)的流速預(yù)測(cè)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(tǒng)的實(shí)際工況十分復(fù)雜，泥泵的工作特性、土質(zhì)、排泥管特性和挖掘深度等都會(huì)影響到輸送系統(tǒng)的運(yùn)行狀況，因此需要探索出一種適用性強(qiáng)、預(yù)測(cè)效率高的疏浚管道流速預(yù)測(cè)模型。

本文提出使用LSTM 對(duì)泥漿管道輸送系統(tǒng)的流速預(yù)測(cè)進(jìn)行建模，并對(duì)疏浚管道輸送實(shí)驗(yàn)臺(tái)和某真實(shí)絞吸挖泥船數(shù)據(jù)集進(jìn)行驗(yàn)證，這對(duì)流速的控制以及提高管道輸送系統(tǒng)的穩(wěn)定性和安全性有很大幫助。

1 疏浚管道輸送系統(tǒng)

1.1 挖泥船管道輸送系統(tǒng)工作原理

如圖1所示，絞吸挖泥船的管道輸送系統(tǒng)主要由吸泥管、泥漿泵、柴油機(jī)、機(jī)械傳動(dòng)機(jī)構(gòu)、排泥管和各類傳感器組成。疏浚作業(yè)時(shí)，絞刀旋轉(zhuǎn)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(zhuǎn)使泥泵入口處形成負(fù)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(jīng)排泥管道輸送至指定排泥點(diǎn)[6]。

圖1 挖泥船管道輸送系統(tǒng)的構(gòu)成Fig.1 Composition of dredger pipeline conveying system

1.2 疏浚管道輸送實(shí)驗(yàn)臺(tái)介紹

如圖2所示，疏浚管道輸送實(shí)驗(yàn)臺(tái)是在參考挖泥船實(shí)際管線布置的基礎(chǔ)上設(shè)計(jì)和搭建的，主要由離心泥泵、循環(huán)管路裝置、電機(jī)驅(qū)動(dòng)裝置、傳感測(cè)量系統(tǒng)和監(jiān)控系統(tǒng)組成。在實(shí)驗(yàn)過(guò)程中，通過(guò)加料斗將泥沙加入輸送系統(tǒng)，調(diào)整閥門(mén)的開(kāi)度可以改變輸送系統(tǒng)的管路特性。上位機(jī)可以采集到傳感器的實(shí)時(shí)數(shù)據(jù)，并對(duì)離心泵的轉(zhuǎn)速進(jìn)行控制。

圖2 疏浚管道輸送實(shí)驗(yàn)臺(tái)Fig.2 Dredging pipeline transport test bench

1.3 疏浚管道輸送系統(tǒng)的輸入量

疏浚管道輸送系統(tǒng)的工作原理比較簡(jiǎn)單，但它卻是非常復(fù)雜的動(dòng)態(tài)特性系統(tǒng)。泥漿的濃度和泥泵的轉(zhuǎn)速與泥漿流速具有很強(qiáng)的相關(guān)性。在輸送過(guò)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(duì)于泥泵而言，調(diào)節(jié)泵的轉(zhuǎn)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(tài)[7]。

管道輸送系統(tǒng)是一個(gè)典型的動(dòng)力系統(tǒng)，可以通過(guò)系統(tǒng)的輸入量（泥漿濃度、泥泵轉(zhuǎn)速等）和輸出量（泥漿流速）之間的函數(shù)關(guān)系來(lái)進(jìn)行流速的預(yù)測(cè)。

2 疏浚管道輸送系統(tǒng)流速預(yù)測(cè)模型

2.1 網(wǎng)絡(luò)構(gòu)架選擇

本文通過(guò)嘗試不同的構(gòu)架，并通過(guò)仿真選擇疏浚管道輸送系統(tǒng)合適的網(wǎng)絡(luò)框架。如圖3所示，分別為BP 網(wǎng)絡(luò)、簡(jiǎn)單RNN 網(wǎng)絡(luò)、LSTM 網(wǎng)絡(luò)的構(gòu)架。

圖3 網(wǎng)絡(luò)構(gòu)架對(duì)比Fig.3 Network architecture comparison

簡(jiǎn)單RNN 網(wǎng)絡(luò)與BP 網(wǎng)絡(luò)的區(qū)別在于：當(dāng)前隱藏層的輸入包含當(dāng)前輸入信號(hào)和該隱藏層上一時(shí)刻的輸出，從而使網(wǎng)絡(luò)對(duì)簡(jiǎn)單的動(dòng)力系統(tǒng)具備建模能力。

LSTM 網(wǎng)絡(luò)與簡(jiǎn)單RNN 網(wǎng)絡(luò)的區(qū)別在于：LSTM的隱藏層通過(guò)增加神經(jīng)元的復(fù)雜性，在前向計(jì)算中使用輸入門(mén)、遺忘門(mén)、輸出門(mén)來(lái)保持和控制信息，一定程度上解決了梯度消失以及短時(shí)記憶的問(wèn)題，從而使得網(wǎng)絡(luò)對(duì)復(fù)雜的動(dòng)力系統(tǒng)具備建模能力[8]。LSTM 網(wǎng)絡(luò)的基本單元如圖4所示，其中前向計(jì)算過(guò)程的公式如下：

圖4 LSTM 網(wǎng)絡(luò)的基本單元Fig.4 Basic unit of LSTM network

式中：ft，it，ot分別為遺忘門(mén)、輸入門(mén)、輸出門(mén)；xt，gt，ht，Ct分別為t時(shí)刻的輸入、輸入節(jié)點(diǎn)、中間輸出和細(xì)胞單元的狀態(tài)；Wf，Uf，Wi，Ui，Wg，Ug，Wo，Uo和bf，bi，bg，bo分別為權(quán)重系數(shù)和相應(yīng)門(mén)的偏置項(xiàng)；σ，tanh 分別為sigmoid 和tanh 函數(shù)變化。

三種構(gòu)架的第二隱藏層均是為了提高網(wǎng)絡(luò)的深度，增強(qiáng)網(wǎng)絡(luò)的預(yù)測(cè)能力。后面3 層可以視為一個(gè)簡(jiǎn)單的BP 網(wǎng)絡(luò)，它將網(wǎng)絡(luò)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(shù)關(guān)系。

本文將訓(xùn)練數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)化[9]，對(duì)樣本數(shù)據(jù)進(jìn)行變換使結(jié)果值映射到［0，1］，標(biāo)準(zhǔn)化公式為

式中：x，X分別為標(biāo)準(zhǔn)化前、后的數(shù)值；xmax，xmin分別為樣本數(shù)據(jù)最大、最小值。

前兩種架構(gòu)較為簡(jiǎn)單，可以在Matlab 上編寫(xiě)腳本搭建網(wǎng)絡(luò)并進(jìn)行仿真。BP 網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果如圖5所示，其平均誤差為11.73%，且由于BP 網(wǎng)絡(luò)無(wú)法處理時(shí)序數(shù)據(jù)間的關(guān)聯(lián)信息，使得流速的預(yù)測(cè)值與真實(shí)值之間的誤差波動(dòng)很大；RNN 網(wǎng)絡(luò)的仿真預(yù)測(cè)結(jié)果如圖6所示，其平均誤差為9.67%，最大相對(duì)誤差達(dá)到14.04%，誤差波動(dòng)較大。RNN 網(wǎng)絡(luò)雖然存在記憶功能，但是在誤差反向傳播時(shí)會(huì)存在梯度消失和梯度爆炸的問(wèn)題，無(wú)法有效地學(xué)習(xí)到較早的信息，使得流速的預(yù)測(cè)值與真實(shí)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(tǒng)流速的預(yù)測(cè)模型，本文對(duì)LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行探究。

圖5 BP 網(wǎng)絡(luò)預(yù)測(cè)結(jié)果Fig.5 BP network prediction results

圖6 RNN 網(wǎng)絡(luò)預(yù)測(cè)結(jié)果Fig.6 RNN network prediction results

2.2 網(wǎng)絡(luò)控制量選擇

模型需要根據(jù)實(shí)際工況選擇控制量，當(dāng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度難以達(dá)到要求時(shí)，需要額外的信號(hào)來(lái)輔助模型建模。產(chǎn)生這種現(xiàn)象的原因可能有很多，比如：

（1）已有信號(hào)的選取不準(zhǔn)確或不完整；

（2）實(shí)際的動(dòng)力系統(tǒng)的狀態(tài)方程中存在隨機(jī)變量；

（3）傳感器測(cè)得的信號(hào)中混入了噪聲。

為了檢驗(yàn)LSTM 網(wǎng)絡(luò)的普適性，本文對(duì)疏浚管道輸送實(shí)驗(yàn)臺(tái)和某真實(shí)絞吸挖泥船的數(shù)據(jù)集進(jìn)行驗(yàn)證。兩個(gè)對(duì)象的網(wǎng)絡(luò)控制量如表1所示，對(duì)于疏浚管道輸送實(shí)驗(yàn)臺(tái)，將泥泵轉(zhuǎn)速（n）、泥泵揚(yáng)程（H）、泥漿濃度（Cv）作為輸入到LSTM 網(wǎng)絡(luò)的控制量。對(duì)于絞吸挖泥船，由于施工現(xiàn)場(chǎng)采集的數(shù)據(jù)噪聲污染以及延時(shí)較為嚴(yán)重，僅依靠泥漿濃度、泥泵轉(zhuǎn)速、泥泵揚(yáng)程等信號(hào)難以達(dá)到預(yù)測(cè)效果，因此另外添加歷史流速（vt-1）作為輔助。

表1 預(yù)測(cè)對(duì)象的控制量Tab.1 Amount of control that predicts object

2.3 網(wǎng)絡(luò)訓(xùn)練

在模型的搭建過(guò)程中，搜索LSTM 網(wǎng)絡(luò)參數(shù)的難點(diǎn)在于它的準(zhǔn)確性和快速性。一方面，如果在有限時(shí)間內(nèi)搜索到的參數(shù)未捕捉到控制量與輸出量之間的關(guān)系，那么基于這組參數(shù)的LSTM 網(wǎng)絡(luò)的流速預(yù)測(cè)值就不可能精準(zhǔn)；另一方面，如果需要很長(zhǎng)的時(shí)間才能搜索到合適的網(wǎng)絡(luò)參數(shù)，那么該模型不能實(shí)時(shí)預(yù)測(cè)泥漿流速，這個(gè)訓(xùn)練算法以及整個(gè)流速預(yù)測(cè)模型將失去使用價(jià)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(jié)合Adam 梯度計(jì)算技術(shù)有效地解決這個(gè)問(wèn)題[10]。網(wǎng)絡(luò)訓(xùn)練的流程如圖7所示，流程步驟如下：

圖7 網(wǎng)絡(luò)訓(xùn)練流程Fig.7 Flow chart of network training

步驟1抽取訓(xùn)練樣本，使用樣本前半部分?jǐn)?shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，后半部分?jǐn)?shù)據(jù)留作模型預(yù)測(cè)檢驗(yàn)；

步驟2在當(dāng)前訓(xùn)練樣本中，逐一計(jì)算各個(gè)時(shí)間點(diǎn)上網(wǎng)絡(luò)模型預(yù)測(cè)的泥漿流速值，并存儲(chǔ)中間計(jì)算過(guò)程；

步驟3累加泥漿流速預(yù)測(cè)值與真實(shí)值之間的誤差；

步驟4將步驟3 中計(jì)算得到的誤差，采用Adam梯度計(jì)算方法計(jì)算各個(gè)網(wǎng)絡(luò)參數(shù)的梯度，并更新網(wǎng)絡(luò)參數(shù)；

步驟5判斷當(dāng)前訓(xùn)練樣本中的所有時(shí)間節(jié)點(diǎn)是否完成。如果沒(méi)有完成，則轉(zhuǎn)步驟2，如果完成則轉(zhuǎn)步驟6；

步驟6判斷是否達(dá)到最大樣本訓(xùn)練個(gè)數(shù)，如果沒(méi)有達(dá)到最大訓(xùn)練樣本數(shù)目，則轉(zhuǎn)步驟1，如果已經(jīng)達(dá)到則算法結(jié)束，保存網(wǎng)絡(luò)參數(shù)。

3 預(yù)測(cè)結(jié)果分析

3.1 實(shí)驗(yàn)臺(tái)預(yù)測(cè)結(jié)果

如圖8所示，在將泥漿流速歸一化后，模型預(yù)測(cè)的泥漿流速值與真實(shí)值之間平均誤差為1.42%。由于實(shí)驗(yàn)臺(tái)采集的數(shù)據(jù)噪聲污染不嚴(yán)重，僅依靠泥泵轉(zhuǎn)速、泥泵進(jìn)出口壓力、泥漿濃度這4 個(gè)參數(shù)就能夠準(zhǔn)確預(yù)測(cè)出泥漿流速。其中有兩個(gè)現(xiàn)象需要指出：

圖8 實(shí)驗(yàn)臺(tái)數(shù)據(jù)預(yù)測(cè)結(jié)果Fig.8 Experimental data prediction results

（1）整個(gè)實(shí)驗(yàn)數(shù)據(jù)總共有18000 樣本點(diǎn)，因?yàn)橛?xùn)練時(shí)在前10000 個(gè)樣本中隨機(jī)抽取了訓(xùn)練樣本，所以網(wǎng)絡(luò)模型在前半部分?jǐn)?shù)據(jù)上的預(yù)測(cè)效果要好于后半部分?jǐn)?shù)據(jù)上的表現(xiàn)。

（2）在接近13000 s 時(shí)，傳感器意外產(chǎn)生一個(gè)噪聲點(diǎn)，泥漿流速突然變?yōu)榱愫罅⒖袒謴?fù)正常。但網(wǎng)絡(luò)模型在該時(shí)間預(yù)測(cè)的泥漿流速依然保持正常，可見(jiàn)該流速預(yù)測(cè)模型已經(jīng)成功捕捉該疏浚管道輸送系統(tǒng)中控制量與輸出值之間的關(guān)系。

3.2 絞吸式挖泥船預(yù)測(cè)結(jié)果

如圖9所示，未將歷史流速作為輸入時(shí)，模型在速度變化較快的情況下無(wú)法達(dá)到預(yù)測(cè)效果，該網(wǎng)絡(luò)模型未能完全捕捉到高流速時(shí)控制量與輸出值之間的關(guān)系；如圖10所示，將歷史流速作為輸入后，絞吸挖泥船的預(yù)測(cè)值與真實(shí)值的平均誤差控制在1.31%以內(nèi)，該網(wǎng)絡(luò)模型已經(jīng)捕捉到控制量與輸出值之間的關(guān)系，可以精準(zhǔn)預(yù)測(cè)泥漿流速。

圖9 未采用歷史流速作為輸入的預(yù)測(cè)結(jié)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(yù)測(cè)結(jié)果Fig.10 Historical velocity was used as input for prediction

4 結(jié)語(yǔ)

本文提出了一種基于LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)的疏浚管道流速預(yù)測(cè)模型，并對(duì)網(wǎng)絡(luò)構(gòu)架的選擇、網(wǎng)絡(luò)控制量的選擇和網(wǎng)絡(luò)訓(xùn)練進(jìn)行了詳細(xì)的闡述。實(shí)驗(yàn)表明LSTM 對(duì)疏浚管道流速的預(yù)測(cè)具有較強(qiáng)的普適性和準(zhǔn)確性，在實(shí)驗(yàn)臺(tái)的數(shù)據(jù)集和挖泥船的數(shù)據(jù)集上均能精準(zhǔn)預(yù)測(cè)疏浚管道流速。該模型為管道輸送系統(tǒng)的流速預(yù)測(cè)提供了新思路，同時(shí)對(duì)疏浚管道流速的預(yù)測(cè)控制具有一定的指導(dǎo)意義。