(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 202111409133.0 (22)申请日 2021.11.24 (71)申请人 江苏科技大学 地址 212008 江苏省镇江市丹徒区长晖路 666号 (72)发明人 章亮　袁伟　俞孟蕻　苏贞　 周泊龙　齐亮　杨奕飞　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 冒艳 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/22(2020.01) (54)发明名称 一种基于GRU的耙吸挖泥 船艏吹瞬时产量预 测方法 (57)摘要 本发明公开一种基于GRU的耙吸挖泥船艏吹 瞬时产量预测方法。 该方法首先对耙吸挖泥船艏 吹的历史施工数据和瞬时产量数据进行收集； 再 根据相关数学模 型以及艏吹工艺进行分析， 选取 与瞬时产量预测有关的变量作为模 型的输入， 瞬 时产量作为输出； 之后对所选取的数据进行预处 理， 包括去噪、 异常值处理、 归一化处理。 并将预 处理的数据划分为训练集数据、 验证集数据； 然 后建立GRU神经网络模型， 用于耙吸挖泥船艏吹 瞬时产量的预测； 最后利用所述训练集数据对模 型进行训练， 并利用所述验证集数据对模型进行 验证， 得到耙吸挖泥船瞬时产量预测模型。 该预 测方法准确、 快速、 稳定 。 权利要求书2页 说明书5页 附图1页 CN 114091339 A 2022.02.25 CN 114091339 A 1.一种基于GRU的耙吸挖泥船艏吹瞬时产量预测方法， 其特 征在于， 包括 步骤： 步骤1： 收集挖泥船历史施工数据和瞬时产量的数据； 步骤2： 通过对相关数学模型以及艏吹工艺， 选取与瞬时产量预测有关的变量作为模型 的输入， 以瞬时产量作为输出； 步骤3： 对所选取的数据进行预处理， 并将预处理的数据划分为训练集数据、 验证集数 据； 步骤4： 建立GRU神经网络预测模型， 用于耙吸挖泥船艏吹瞬时产量预测； 步骤5： 利用所述训练集数据对模型进行训练， 选用均 方根误差和平均百分比误差作为 模型评价指标， 并利用所述验证集数据对已训练好的模型进行验证， 得到耙吸挖泥船艏 吹 瞬时产量预测模型。 2.根据权利要求1所述的基于GRU耙吸挖泥船艏吹瞬时产量预测方法， 其特征在于， 所 述步骤1中历史施工数据包括在耙吸挖泥 船在艏吹施工过程中的原状土重量、 土方量、 泥舱 当前液位、 泥舱当前舱容、 左高压冲水泵转速、 右 高压冲水泵转速、 泥泵转速、 泥泵密度、 泥 泵流速、 左1抽舱门行程、 左2抽舱门行程、 时间。 3.根据权利要求2所述的基于GRU耙吸挖泥船艏吹瞬时产量预测方法， 所述步骤2根据 现有的数学模型以及相关行业知识进行分析， 选取泥泵转速、 14个抽舱门行程、 引水阀开 度、 高压冲水泵转速、 泥浆浓度和管道流量作为影响瞬时产量的因素作为模型的输入变量； 选择对瞬时产量表示 直接的泥浆浓度和管道流 量作为模型输出。 4.根据权利要求1所述的基于GRU的耙吸挖泥船艏吹瞬时产量预测方法， 其特征在于， 所述步骤3中对采集的数据进 行预处理， 去掉数据中的干扰信号以及异常值， 并且通过数据 的归一化处理， 将数据转换到 0‑1的区间范围， 并对上述数据进行 数据集的划分。 5.根据权利要求1所述的基于GRU的耙吸挖泥船艏吹瞬时产量预测方法， 其特征在于， 所述步骤4中建立GRU神经网络预测 模型， GRU预测 模型包括GRU输入层、 GRU神经网络层、 全 连接层、 输出层， 数据经输入层输入网络， 经过GRU神经网络层和全连接层的处理， 由输出层 输出最终的预测值。 6.根据权利要求1 ‑4任一项所述的基于GRU的耙吸挖泥船艏吹瞬时产量预测方法， 其特 征在于， 所述 步骤5的预测方法如下： 步骤5.1： 利用划分的训练样本集的数据， 对构 建好的GRU网络进行训练， 并用均方根误 差和平均百分比误差作为指标作为模型评价指标； 步骤5.2： 决定系数R2的具体计算过程如下： 式中， yi表示数据集中第i个真实值， 表示第i个预测值， n表示数值数目； 步骤5.3： 在对模型进行训练时， 依据上述均方根误差和平均百分比误差对模型进行微 调更新， 得到相对精确的预测模型， 选择均方根误差和平均百分比误差最小时的模型为训 练好的模型， 并利用所述验证集数据对已训练好的模型进行验证， 得到耙吸挖泥船艏 吹瞬权　利　要　求　书 1/2 页 2 CN 114091339 A 2时产量预测模型。权　利　要　求　书 2/2 页 3 CN 114091339 A 3