Available online at www.sciencedirect.com
Expert Systems with Applications
Expert Systems with Applications 34 (2008) 2180–2192
www.elsevier.com/locate/eswa
Expert system for operation optimization and control of cutter suction dredger
Jian-Zhong Tang *, Qing-Feng Wang, Zhi-Yue Bi
State Key Laboratory of Fluid Power Transmission and Control, Zhejiang University, Hangzhou, Zhejiang 310027, PR China
Abstract
Manually controlled dredging process is of low production and poor efficiency. To raise production and to reduce unit cost, automatic control of dredging process is a desired solution to the problem. The automation of dredging operations has been actively researched by scholars all over the world for a couple of years. Based on the prior research results of dredging operations, an expert control system that is aimed to realize online operation optimization and automatic control of dredging process is introduced in this paper. Details on the problem to be dealt with and the expert system (ES) based solution are introduced; the focus of this paper is put on the architecture, knowledge presentation and inferential mechanism of the ES. An expert control software program is developed with C . Based on the test platform constructed the performance of the ES is evaluated by comparison. Experiments show that the expert control scheme presented is capable of realizing automatic dredging process control with acceptable performance. 2007 Elsevier Ltd. All rights reserved.
Keywords: Automatic dredging; Expert control; Knowledge organization; Cutter suction dredger
1. Introduction
Heavy investment has been put in equipment and maintenance in dredging projects, efficient use of the equipment with maximum possible production is essential for keeping the operation profitable. However, it is often quite difficult to efficiently estimate and control the actual production (Miertschin amp; Randall, 1997). Dredger works in an environment with some key parameters unknown or acquired but with poor accuracy. Experienced workers often pay attention to some indirect signals of dredging process in actual operations, such as vacuum and pressure indications, engine speed, shaking intensity of boat, unusual noise from pump or pipeline. Depending on the indirect signals acquired, experienced operators control the cutter speed, swing winch speed, engine speed or take some other emergent actions when malfunction is considered to occur. Relations between signals obtained and actions taken are
|
* Corresponding author. Tel.: 86 057187951314x6204. E-mail address: tangjzisme@163.com (J.-Z. Tang). 0957-4174/$ - see front matter 2007 Elsevier Ltd. All rights reserved. doi:10.1016/j.eswa.2007.02.025 |
highly complicated and they could not be easily concluded with some kind of mathematic models or guidelines.
Of the over ten thousand dredgers that are currently in use in the world, more than 95% of all are manually operated. According to investigation made by IHC Holland, operating performance differs greatly between operators with different level of experience and it decreases as operatorrsquo;s continuous working time increases. To obtain maximum production, intelligent control solutions that can efficiently utilize operatorrsquo;s experience and can also initiatively learn from operations are desirable (IHC, 2004; Miedema, 2001). With computer technology highly developed, automatic dredging process control is now actively researched by scholars and manufacturers. IHC Holland, one of the most important dredger builders has made some improvements in this aspect (IHC, 2004a). Japan scholars have ever proposed a fuzzy logic based dredging control system, it has incorporated operating experience, transducer inputs and some special knowledge acquired from laboratory experiments, however there is no any further report on its actual performance.
Traditional control method has been proven to be appropriate for most applications. But for cases as complicated as dredging production optimization in which too much knowledge based decisions have to be made, intelligent control method has its advantages as is shown in some past successful studies (Wang amp; Wang, 2005; Uraikul, Chan, amp; Tontiwachwuthikul, 2000). Expert system provides a powerful tool to deal with complex systems. Within the last decade, ES based techniques have been widely applied in control and monitoring engineering practices. Dredging process is a highly uncertain and nonlinear system in which some fundamentals of fluid mechanics and multi-phase transportation have yet to be thoroughly understood. Research groups of Dredging Laboratory of Delft University of Holland and Hohai University of China have made some improvements in the theoretical description of dredging process (Ding amp; Ni, 2002; Matousˇek, 2001; Miedema, 1984; Ni, Xu, Vlasblom, amp; Zwartbol, 2001). But current theoretical results are all concluded with strictly constrained conditions that are quite different from the complex environment of actual dredging operations. In manual dredging process, workerrsquo;s control actions are taken largely depending on the experiences accumulated in the past practices. To carry out automatic control of the dredging process with a knowledge based scheme that can imitate the inference and evaluation process of dredging workers is a natural thought. This paper focuses on the development of an expert system that is aimed to realize realtime optimization and control of cutter suction dredging process.
This paper is organized as following: Part 1 gives a brief introduction to the background of building dredging expert system. In part 2, the constitution and working process of dredging system is introduced. Part 3 gives a detailed description of the optimization and control problem of automated dredging process. In part 4
剩余内容已隐藏，支付完成后下载完整资料
Available online at www.sciencedirect.com
Expert Systems with Applications
Expert Systems with Applications 34 (2008) 2180–2192
www.elsevier.com/locate/eswa
绞吸挖泥船运行优化与控制专家系统
唐建中*，王庆峰，毕之跃
浙江大学流体动力传动与控制国家重点实验室，浙江杭州310027
摘 要
手动控制的疏浚过程产量低，效率低。为了提高产量并降低单位成本，自动控制疏浚过程是解决该问题的理想方法。疏浚作业的自动化已被世界各地的学者积极研究了两年。根据疏浚作业的前期研究成果，介绍了一种专家控制系统，旨在实现在线运行优化和疏浚过程自动控制的控制系统。详细介绍了要处理的问题和基于专家系统TEM（ES）的解决方案；本文的重点是ES的体系结构，知识表示和推理机制。用C 开发了一个专家控制软件程序。通过构建测试平台，通过比较评估ES的性能。实验表明，所提出的专家控制方案能够以可接受的性能实现疏浚过程的自动控制。2007 Elsevier Ltd.保留所有权利。
关键字：自动疏浚;；专家控制；知识组织；绞吸挖泥船
1.简介
疏浚项目的设备和维护已投入大量资金，有效利用设备并尽可能提高产量对于保持运营盈利至关重要。但是，通常很难有效地估计和控制实际产量（Miertschin＆Randall，1997）。挖泥船在某些关键参数未知或已获得但准确性较差的环境中工作。经验丰富的工人在实际操作中经常会注意一些疏浚过程的间接信号，例如真空和压力指示，发动机转速，船的晃动强度，泵或管道的异常噪音。当认为发生故障时，经验丰富的操作员将根据所获取的间接信号来控制切纸机速度，绞盘绞车速度，发动机速度或采取其他紧急措施。获得的信号与采取的措施之间的关系是
高度复杂的，无法用某种数学模型或准则轻松得出结论。
在全球目前使用的一万多台挖泥机中，超过95％是手动操作的。根据IHC Holland的调查，具有不同经验水平的操作员之间的操作性能差异很大，并且随着操作员连续工作时间的增加而降低。为了获得最大的产量，需要能够有效利用操作员的经验并主动从操作中学习的智能控制解决方案（IHC，2004； Miedema，2001）。随着计算机技术的高度发展，学者和制造商正在积极研究自动挖泥过程控制。IHC Holland是最重要的挖泥船制造商之一，在这方面进行了一些改进（IHC，2004a）。日本学者曾经提出过一种基于模糊逻辑的挖泥控制系统，该系统结合了操作经验，传感器输入和从实验室实验中获得的一些特殊知识，但是没有关于其实际性能的任何进一步报道。
|
通讯作者。电话： 86 057187951314x6204。 电子邮件地址：tangjzisme@163.com（J.-Z. Tang）。 0957-4174 / $-参见2007年Elsevier Ltd.保留所有权利。 doi:10.1016/j.eswa.2007.02.025 |
传统的控制方法已被证明适用于大多数应用。但是对于像挖泥机生产优化这样复杂的情况，其中必须做出太多的基于知识的决策，如过去的一些成功研究所示，智能控制方法具有其优势（Wang＆Wang，2005； Uraikul，Chan和Tontiwachwuthikul，2000年）。 ）。专家系统提供了处理复杂系统的强大工具。在过去的十年中，基于ES的技术已广泛应用于控制和监视工程实践中。疏浚过程是一个高度不确定的非线性系统，在该系统中，流体力学和多相传输的一些基本原理尚未得到充分理解。荷兰代尔夫特大学和中国河海大学的疏浚实验室研究小组在疏浚过程的理论描述上进行了一些改进（Ding＆Ni，2002; Matousˇek，2001; Miedema，1984; Ni，Xu，Vlasblom＆Zwartbol， 2001）。但是，当前的理论结果都是在严格约束条件下得出的，这些条件与实际疏浚操作的复杂环境有很大不同。在人工挖泥过程中，工人的控制措施很大程度上取决于过去实践中积累的经验。用一个可以模仿挖泥工人的推论和评估过程的基于知识的方案来对挖泥过程进行自动控制是很自然的想法。本文着眼于专家系统的开发，该系统旨在实现绞吸挖泥过程的实时优化和控制。
本文的组织结构如下：第1部分简要介绍了建筑疏浚专家系统的背景。在第2部分中，介绍了疏浚系统的组成和工作过程。第3部分详细介绍了自动挖泥过程的优化和控制问题。在第4部分中，介绍了已开发的专家控制系统的结构。第5和第6部分介绍了ES的知识表示和推理机制。第7部分简要介绍了用于评估提议的ES性能的疏浚系统的配置。在第8部分中，介绍并比较了ES的实验结果。最后一部分给出了一个简短的结论。
2.绞吸式挖泥船的组成和工作过程
典型的绞吸式挖泥船的样本图如图1所示。绞吸式挖泥船系统在功能上可以分为四个子系统，即泥浆输送系统，切割系统，液压系统和监控系统。
挖泥船的切割系统负责将土壤从其原始位置清除并将其与周围的水混合。切割系统的结构如图2所示。在挖泥过程中，将桩钉固定在浮桥的船尾（挖泥船的船体）上。两个锚点被放置在几十码的地方
图1.绞吸式挖泥船的剖面图。
图2.挖泥船切割系统。
远离挖泥船两侧的挖泥地方；安装在船上的两个绞车分别通过钢丝绳与锚栓连接。当绞车被控制为沿相反方向同步旋转时，挖泥船和切割机被驱动绕固定桩钉摆动。同时，控制刀头绕其自身的轴线旋转。刀头的水平和旋转运动使其能够切割其触及范围内的水下土壤并将土壤与附近的水混合。由于承载刀头的梯子可以绕其铰接端垂直旋转，因此也可以疏通不同深度的土壤。
挖泥船的另一个关键子系统是泥浆输送系统，其结构如图3所示。泥浆输送系统的关键组件包括一个或多个柴油机，泥浆泵，机械传动装置和冗长的管道。泥浆泵吸入侧的管线的一端位于切刀头附近，由于该泵产生的负压，土壤和水的混合物被吸入泵中，然后被泵送通过排放管线。排放管道的长度通常是几英里长。在存放
图3.泥浆运输系统。
地点远离疏浚地点的项目中，安装了多个泵和发动机。
疏浚环境高度不确定且不可控。经常会切掉石块，草根和其他一些材料，并通过管道运输（见图4）。切割和运输系统极有可能发生严重故障；尤其是在不太适当控制的过程中。泥浆输送系统的故障占挖泥系统所有故障的大部分。通常，最有可能发生泵堵塞和管道堵塞。故障检测和故障处理对于疏浚操作至关重要。
疏浚操作是具有多个执行器的复杂过程。为了确保挖泥作业的可接受性能，必须实现所有子系统的协调控制。对于自动挖泥过程，建议采用控制系统的分层结构，如图5所示。为每个执行器指定一个控制器，并且所有控制器均由上层优化和控制系统协调。顶部的优化和控制系统负责监视和评估挖泥过程的状态，并决定子系统的控制动作。优选地，优化和控制系统是智能单元，其可以有效地利用在手动挖泥操作中积累的挖泥过程控制的知识。这种单元的自学习和自我完善的能力必将有利于其优化和控制性能。要执行评估和优化任务，必须获得有关挖泥过程实时状态的知识。本文提出的基于ES的控制方案是假设数据如表1所示，可在疏浚过程中及时获得。
图4.挖泥船的不利工作条件。
图5.自动挖泥过程控制的体系结构。
表格1
挖泥过程可获得的过程数据
|
没有。 |
数据 |
推荐的换能器/设备 |
注意 |
|
1 |
疏浚位置 |
全球定位系统 |
|
|
2 |
摆角 |
陀螺仪 |
|
|
3 |
回转速度 |
速度传感器 |
|
|
4 |
梯子位置 |
角度传感器 |
|
|
5 |
切刀速度 |
速度传感器 |
也可以根据液压泵的流量来计算 |
|
6 |
引擎速度 |
速度传感器 |
|
|
7 |
引擎扭矩 |
扭矩传感器 |
|
|
8 |
疏浚深度 |
发声器 |
|
|
9 |
泥浆 浓度 |
浓度计 |
|
|
10 |
泥浆速度 |
流量计 |
速度等于流量除以管道的横截面积 |
|
11 |
泥浆泵真空度 |
真空 传感器 |
在入口 |
|
12 |
压力 泥浆泵 |
压力传感器 |
在出口 |
|
13 |
疏浚推进 |
位置传感器 |
3.疏浚系统的优化与控制问题
本节讨论了最佳挖泥过程控制的目标以及必须考虑的优化问题的约束条件。
3.1.疏浚作业的优化目标
绞吸式挖泥船过程的操作优化目标是在保持过程安全的同时，每小时获得最大产量。挖泥作业的实际产量可以表示为：
W frac14; Q P eth;1THORN;
其中，Q为浆料的流量（m3/ h），P ＝（ccw）/（c0cw）* 100％为浆料的体积浓度；c0为土壤密度；cw为水的密度；c是浆料的密度。Q和P的实际值受运输系统和环境特性的限制。为了在实际的疏浚作业中为Q和P选择合适的值，被疏soil的土壤的性质起着重要的作用，但是，疏浚的土壤变化很大，因此无法准确知道。
3.2.泥浆输送系统工作点
泥浆输送系统的工作点定义为Hp–Q曲线与Hl–Q的交点曲线。Hp是泵的压力头（m），Hl是管道的压力损失。
泵的Hp–Q曲线是离心式泥浆泵的测压头相对于流量的曲线图，它描述了挖泥泵的排放性能。制造商提供抽水时泵的Hp-Q曲线，泥浆输送的Hp-Q曲线随泥浆浓度而变化。它们类似于水的Hp-Q曲线，但值不同。它们可以用所谓的亲和力定律来计算（Bree，1977）。
Hl–Q曲线描述了管道的压力损失，它是相对于流量绘制的管道的压力损失。管道系统的布置对Hl-Q曲线有显着影响。管道系统的总损失包括吸口处的损失，直管段上的摩擦损失，弯头和阀门处的损失，静态测压头以及由排出的泥浆速度引起的损失为非零。
作为示例，一组Hl-Q曲线和Hp-Q曲线一起绘制在图6中。从理论上讲，泥浆泵产生的压力必须等于管道
图6.浆液输送系统工作点。
系统的总压力损失。在稳定的疏浚过程中，运输系统必须在Hl-Q曲线和Hp-Q曲线的某个交点处工作；相交点是定义实际工作点的地方。工作点与挖泥工艺的生产和安全密切相关。疏浚作业的优化主要是对工作点的动态评估和修改（Miedema，1999）。
3.3.柴油机的特点
修改运输系统的工作点时必须考虑的重要因素之一是驱动泵的柴油机的特性。发动机的相关特性是其负载曲线（图7），它是相对于转速绘制的发动机扭矩输出。发动机的扭矩和功率输出不能总是恒定的（Miedema＆Lu，2002）。从图7所示的负载曲线可以发现，从点C到点A，随着功率输出（以及转矩）的变化幅度较大，发动机转速的变化也很小。该区域通常称为调节器范围，因为功率输出的变化是调节器调节燃料量的控制结果注入发动机的燃烧室。在额定工作速度下达到最大功率输出；这就是图7中的点A。当发动机的负荷进一步增加时，由于要求的功率超过了发动机的安装功率，因此发动机现在在满油范围（从点A到B）工作。该区域的扭矩几乎恒定。但是，如果发动机的负荷进一步增加，并且发动机转速降至烟雾极限以下（B点），则喷射的燃料将无法完全燃烧。现在，发动机严重超载并熄火。在低于B点的范围内进行工作是有风险的，当发动机严重超
图7.柴油机的负荷曲线。
载时，可
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239686]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
