(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111421246.2 (22)申请日 2021.11.26 (71)申请人 江苏科技大学 地址 212100 江苏省镇江市丹徒区长晖路 666号 (72)发明人 郭杰　章亮　俞孟蕻　梅立群　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 代理人 徐澍 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于PSO优化BP神经网络的耙吸挖泥船 艏吹浓度预测方法 (57)摘要 本发明公开了一种基于PSO优化BP神经网络 的耙吸挖泥船艏吹浓度预测方法， 包括： 收集耙 吸挖泥船历史施工数据， 上传至数据库； 对历史 施工数据进行预处理， 并划分成训练样本和测试 样本； 分析训练样本和测试样本， 确定预测模型 的输入量与输出量； 建立PSO优化的BP神经网络 预测模型， 用于耙吸挖泥船艏吹浓度预测； 通过 训练样本对预测模型进行训练； 使用测试样本计 算评价指标MSE， 对完成训练的预测模型进行验 证， 得到耙吸挖泥船艏吹浓度预测模型。 本发明 采用PSO优化的BP神经网络预测模型， 其收敛速 度快， 精度高， 可有效解决耙吸挖泥船抽舱吹岸 时泥泵出口处浓度计的滞后问题， 从而实现艏吹 出口的泥浆浓度预测。 权利要求书3页 说明书7页 附图2页 CN 114037181 A 2022.02.11 CN 114037181 A 1.一种基于PSO优化BP神经网络的耙吸挖泥船艏吹浓度预测方法， 其特征在于， 包括如 下步骤： 步骤1.收集耙吸挖泥船历史施工数据， 并通过数据传输设备上传至数据库； 所述数据 包括耙吸挖泥 船在抽舱过程中不同阶段的数据， 并涉及耙吸挖泥 船抽舱吹岸时使用的多个 关键设备； 步骤2.在数据库中对历史施工数据进行预处理， 并将预处理后的数本划分成训练样本 和测试样本； 其预处 理， 包括数据滤波处 理、 归一化处理； 步骤3.分析训练样本和 测试样本， 确定预测模型的输入量与输出量； 步骤4.建立P SO优化的BP神经网络预测模型， 用于耙吸挖泥船艏吹浓度预测； 步骤5.通过训练样本进行 预测模型训练， 选择均方误差 MSE作为预测模型的评价指标； 步骤6.使用测试样本对完成训练的预测模型进行验证， 查看模型的输出结果与测试样 本结果的MSE， 得到耙吸挖泥船艏吹浓度预测模型。 2.根据权利要求1所述的一种基于PSO优化BP神经网络的耙吸挖泥船艏吹浓度预测方 法， 其特征在于， 步骤2中所述的数据滤波处 理包括： 步骤2.1采用卡尔曼 滤波对历史施工数据进行 滤波， 去除数据中的干扰和噪声： 时间更新向前推算状态变量： (1)式中： 为状态变量的先验 估计， A和B为系统矩阵， uk‑1为已知输入， 为状态； 向前推算 误差协方差： (2)式中： 为先验估计误差协方差， Q 为协方差矩阵， Pk‑1为初始估计； 测量更新计算 卡尔曼增益： (3)式中： R为观测噪声协方差， Kk为卡尔曼增益， H是观测矩阵； 由观测变量zk更新估计： (4)式中： zk为加权测量变量， Kk为卡尔曼增益， 为状态变量的先验 估计； 更新误差协方差： (5)式中： Kk为卡尔曼增益， H是观测矩阵， 为先验估计误差协方差 。 3.根据权利要求1所述的一种基于PSO优化BP神经网络的耙吸挖泥船艏吹浓度预测方 法， 其特征在于， 步骤2中所述的归一化处理、 将预处理后的数本划分成训练样本和测试样 本， 包括： 步骤2.2对历史施工数据进行归一 化处理： 权　利　要　求　书 1/3 页 2 CN 114037181 A 2(6)式中： X为归一化后的样本， 为历史施工数据， Xmax为历史施工数据中的最大值， Xmin为历史施工数据中的最小值； 步骤2.3将预处理之后的数据划分为训练样本和测试样本， 前90％的数据为训练样本， 用于训练模型， 后10％的数据为测试样本， 用于模型验证。 4.根据权利要求1所述的一种基于PSO优化BP神经网络的耙吸挖泥船艏吹浓度预测方 法， 其特征在于， 所述的步骤3包括： 步骤3.1分析训练样本数据， 得到影响耙吸挖泥船艏吹浓度的关键量： 抽舱门行程m、 泥 泵转速r/mi n、 抽舱管道引水阀开度％和高压冲水泵转速r/mi n； 步骤3.2选择抽舱门行程、 泥泵转速、 引水阀开度和高压冲水泵转速作为预测模型的输 入量， 泥浆浓度作为输出量。 5.根据权利要求1所述的一种基于PSO优化BP神经网络的耙吸挖泥船艏吹浓度预测方 法， 其特征在于， 所述的步骤4包括： 步骤4.1确定神经网络输入层节点和输出层节点个数， 包括4个输入节点： 抽舱门行程、 泥泵转速、 抽舱管道引水阀开度和高压冲水泵转速； 1个输出节点： 耙吸挖泥船艏吹泥浆浓 度； 步骤4.2通过以下hid dennum经验公式确定隐含层节点： 式(7)中， m为输入层节点个数， n 为输出层节点个数， a为1 ‑10之间的整数； 步骤4.3配置网络参数： 训练次数、 学习速率、 训练目标最小误差、 动量因子和最小性能 梯度； 训练次数设置为1000， 学习速率设置为0.01， 训练目标最小误差为0.0001， 动量因子 为0.01， 最小性能梯度为1*10‑6； 步骤4.4初始化P SO参数： 初始化种群规模为10， 最大进化迭代数为10 0； 步骤4.5初始化一群随机粒子作 为随机解， 然后通过迭代找到最优解； 第i个粒子的第k 次速度更新公式为： 式(7)中， V为速度矢量； 为第i个粒子截止第k次的最优历史位置， 也称个体极 值； 为截止第k次更新全部粒子 的最优历史位置， 也称全局极值； C1为每个粒子 的个 体学习因子， 也称个体加速常数， 取2； C2为每个粒子的社会学习因子， 也称社会加速常数， 取2； rand(0， 1)为在区间[0， 1]内的随机浮 点数； ω为惯性因子； 式(8)中， 为更新后的粒子坐标； 步骤4.6计算惯性因子， 取值非负， 越大则全局寻优能力越强， 越小则局部寻优能力越 强， ω一般取动态数值， 采用线性 递减权值策略， 公式如下： ω(t)＝(ωini‑ωend)(E‑e)/E+ωend          (10) 式(9)中， ωini与ωend为ω的初始权值和最终权值， E为最大迭代次数， e为当前迭代次 数。 6.根据权利要求1所述的一种基于PSO优化BP神经网络的耙吸挖泥船艏吹浓度预测方权　利　要　求　书 2/3 页 3 CN 114037181 A 3