基于LSTM 網(wǎng)絡(luò)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(shè)計研究院，上海；3.上海中船船舶設(shè)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(dān)。另外，疏浚船工況復(fù)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(yù)測研究。

為了提高分析預(yù)測精度，本文在充分考慮疏浚船施工特點的基礎(chǔ)上，提出了一種基于耙吸挖泥船在挖泥工況下的LSTM 網(wǎng)絡(luò)能效分析預(yù)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(luò)的輸入，最后進行網(wǎng)絡(luò)訓(xùn)練，從而實現(xiàn)對疏浚船能效的分析預(yù)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(dǎo)致計算的復(fù)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(shè)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(yīng)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(yīng)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(dāng)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(yù)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(shè)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(yù)測是一種復(fù)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(luò)是一種按照誤差逆向傳播的前饋神經(jīng)網(wǎng)絡(luò)。它利用樣本數(shù)據(jù)通過網(wǎng)絡(luò)訓(xùn)練即可獲得輸入-輸出之間的映射關(guān)系，且數(shù)學(xué)理論證明三層的神經(jīng)網(wǎng)絡(luò)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(fù)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(luò)在訓(xùn)練時，能夠通過學(xué)習(xí)自動提取輸出，并自適應(yīng)的將學(xué)習(xí)內(nèi)容記憶于網(wǎng)絡(luò)的權(quán)值中，具有高度自學(xué)習(xí)和自適應(yīng)的能力。

長短時記憶網(wǎng)絡(luò)（LSTM）在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上做了改進，使用LSTM 網(wǎng)絡(luò)可以有效的傳遞和表達長時間序列中的信息并且不會導(dǎo)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(luò)的梯度爆炸問題[1]。

圖1 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡(luò)的輸出值只與當(dāng)前的輸入值有關(guān)，即只要是完成訓(xùn)練的網(wǎng)絡(luò)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(yù)測問題時是有缺陷的。序列數(shù)據(jù)的預(yù)測問題中，下一個值的出現(xiàn)概率并不直接由當(dāng)前值決定，而是由當(dāng)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(luò)更適合解決當(dāng)前問題，本文擬采用LSTM 網(wǎng)絡(luò)作為疏浚船能效分析預(yù)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(yīng)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(shè)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(yù)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(yù)測。數(shù)據(jù)預(yù)處理的流程如圖2 所示。

圖2 數(shù)據(jù)預(yù)處理流程

3.2 BP 與LSTM 神經(jīng)網(wǎng)絡(luò)能耗預(yù)測對比結(jié)果

為了比較LSTM 神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)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(luò)和LSTM 神經(jīng)網(wǎng)絡(luò)，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(luò)擬合模型和LSTM 神經(jīng)網(wǎng)絡(luò)擬合模型的預(yù)測結(jié)果與真實值的對比?？梢钥闯?，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(dāng)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(luò)的特殊結(jié)構(gòu)使得當(dāng)前時刻的網(wǎng)絡(luò)輸出值與過去時刻的網(wǎng)絡(luò)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(luò)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(luò)擬合效果

圖4 LSTM 網(wǎng)絡(luò)擬合效果

3.3 數(shù)據(jù)降噪與LSTM 神經(jīng)網(wǎng)絡(luò)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(luò)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(shè)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(yù)測是一種復(fù)雜的非線性回歸問題，本文通過對比分析BP 神經(jīng)網(wǎng)絡(luò)和LSTM 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，驗證了該應(yīng)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(luò)擬合模型的預(yù)測結(jié)果最優(yōu)。