一个基于逻辑的生产系统（LPS）的绞吸式挖泥船智能疏浚方案

F. Sadri^[1], H. M. Xu^[2] and F.S. Ni^[3]

摘要

疏浚工程在世界上起着至关重要的作用。然而它有重大挑战,最大的之一这是对环境的代价由于高排放、高能耗而对环境造成的损失加重了效率低下。在这些问题的核心有两个主要因素。一是确定疏浚作业参数的困难，例如，如何最好地划分要疏浚的区域可管理的单元，并在绞吸式挖泥船的情况下（CSD），为刀头摆动和不同类型土壤的旋转速度设定，预期的最佳生产范围等。第二个因素是需要专业的操作人员。操作员需要通过许多传感器和监视器来监视操作的状态，并且必须对故障进行诊断并尽快补救。操作者的专业知识或缺乏知识会对作业的效率产生严重的影响。

这些因素一直是迫切需要解决的。 最近的工作已经解决了第一个问题，使用数据挖掘和统计方法分析了现场采集的疏浚数据（Li和Xu，2014）。他的工作研究疏浚参数的累积贡献率，从而提取主疏浚参数采用主成分分析的基础上的平衡优化高生产和低能耗。这项工作为本文的研究奠定了基础。

他的论文解决了第二个因素，通过提供一个可执行的CSD计算模型的架构疏浚过程。为此，我们使用基于逻辑的代理和生产系统的LPS框架语言（Kowalski和Sadri 2009，2010，2011，2012，2014，2015），使反应和过程的定义，与数据库集成。这种组合功能的LPS非常适合模型疏浚操作，无论有没有故障发生时，错误和诊断和纠正步骤都是必要的。

在短期和中期内，我们看到了两个可能的工作应用。 首先它可以用作在线疏浚操作人员建议和指导系统，有助于降低操作和决策的复杂性制造。其次，它可以用作未来操作员的培训系统。 从长远来看，它可以用来自动化部分疏浚作业。

关键词：反应规则，过程建模，人工智能，可执行模型

介绍

疏浚工程在港口建设、防洪排涝、围垦工程、环境整治和保护等方面发挥着重要作用。不同类型的船的操作方式不同，适合不同类型的土壤（Vlasblom 2005）。在本文中，我们专注于绞吸式挖泥船（CSDS），如图1。这些都是一些最广泛使用的类型的挖泥船。它们特别适用于砾石和岩石的表面，而且也适用于所有的土壤类型，包括沙子和粘土。在吸入管的进口处有一个切割装置。图2中例示的切割装置使水床和土壤向吸入口并吸入吸入管并通过运送管道网络，如图3所示，并在需要的地方存放。

图 1绞吸式挖泥船 (Vlasblom 2005). 图 2 绞吸式挖泥船绞刀

排出管

排出管

吸入口

P2:排出泵

P1:泥浆泵

图 3 从挖泥船头向排放管道

然而，使用CSD进行疏浚涉及重大挑战。操作绞吸式挖泥船需要专业知识。由于疏浚环境的复杂性，操作员需要不断监测和调整疏浚设备运行状态，防止管道堵塞，实现高产、低能耗。疏浚设备复杂，操作人员需要注意一系列操作参数。图4显示了一个监视器面板。一个疏浚操作员通常需要注意几个这样的面板检查，例如，泥浆的流量、产量、泥浆在管道各点的密度等参数。此外，他还需要操作挖泥船通过控制面板，如图5中的一个，包括控制杆和按钮。

图 4 监视面板 图 5 显示面板和控制面板

疏浚作业的效率和效益是高度依赖于操作者的经验（Zhou et al. 2013, Wang and Tang 2006）。一个有经验的操作人员会很快注意到一个发展中的问题，并且会知道最好的步骤，以在它发展成一个浪费昂贵的时间和资源的情况之前纠正问题。疏浚是一个不断增长的活动，它需要大量增加训练有素的操作员。Zhou et al. (2013)例如通过提出一些必要的能力和CSD操作员的认证体系来解决这个问题。其他（例如Cox等人，1996，Ni等人，2010）遵循悠久的传统训练挖泥船船长使用专用模拟器。

其他研究人员已经解决了这些问题，探讨如何计算机可以提供帮助疏浚作业。Tang et al. (2009)认为，例如，如果疏浚过程可以通过计算机软件监控，疏浚状态可以更准确地评估，反过来，可以更有效地进行调整。同样，Cox et al. (1996) 认为自动监测可以使疏浚操作员摆脱看许多不同的仪表和仪器的繁琐、冗长和累人的任务。此外，Ni et al. (2010)自动监测与故障检测和处理信息有助于故障的早期诊断和修复，甚至可能是在昂贵的恶化之前的预防性调整。 我们的贡献是沿着这些后面的路线。 特别是我们分享Wang和Tang (2006)提出的一些目标电脑专家协助疏浚操作人员。

在这项研究中，我们探讨了如何提供可执行的疏浚作业计算机化模型为操作员提供自动化支持的目的。为此，我们使用一个基于逻辑的系统称为LPS（基于生产系统逻辑）（Kowalski and Sadri 2009, 2010, 2011, 2012, 2014, 2015），并说明使用绞吸式挖泥作业建模架构。

基于LPS的智能绞吸式挖泥船方案

LPS是一个基于逻辑的状态转换框架灵感来自逻辑编程和人工智能相结合的反应和积极的行为。它具有操作性和声明性的语义，并在某些特殊情况下证明了操作语义的一般性和完整性。LPS是Prolog和java实现。我们的实验使用Prolog实现。

LPS特别适合建模智能疏浚的任务，因为它允许表示疏浚任务和操作条件的状态，它提供了一种语言，可以模拟这两个进程对于主动行为和反应行为规则。这是特别有用，因为它们允许“正常”的操作规范一切都很正常的时候和规范出现例如当产量很低，或者有在进口或在挖泥船上的管道堵塞问题的时候。此外，我们的模型内LPS是可执行的，在这个意义上，给定的周期输入挖泥船传感器读数和监视器，它输出下一步的操作与适当的操作参数。

在图6中给出了用于建模LPS中智能CSD疏浚的模式。这包括两个主要部分。 左边是使用数据挖掘和统计方法在疏浚中进行智能决策的知识(Liand Xu 2014）。表1中总结了这一知识的一小部分。这表明一些CSD疏浚参数的最佳范围为高生产和低能耗。这些范围已被提取的不同类型的土壤，例如沙子，岩石和粘土。本表重点介绍了挖沙的参数。模型的其余部分的数据将写在图6LPS框架中的模型右侧，下面我们描述。

过程定义

概念定义

疏浚程序：1.正常的程序

2.故障纠正程序

3.故障识别

动态疏浚数据：1.短语的操作

2.项目当前点

3.当前显示器读数

基本数据：1.区域类型

2.土壤类型

3.CSD参数

疏浚知识

疏浚记录的数据

域理论

反应规则

动态数据库

静态数据库

疏浚作业监测和故障检测

数据挖掘

——

高产量和低能耗

图 6 基于LPS的绞吸式挖泥船智能疏浚方案

智能抽绞吸式挖泥船建模框架

智能疏浚的框架包括基本疏浚数据、动态疏浚状态数据、疏浚程序、疏浚作业监测和故障检测。

LPS语言包括：

a）A（演绎）数据库，DB

b）流程定义，Lmacro^[4]

c）反应性规则，R

d）领域理论，D

（Kowalski和Sadri，2015）中可以找到有关语言的详细描述。 这里我们总结一下这个语言达到足以描述可用于设计疏浚应用程序的模式的程度。

数据库DB允许表示静态（非变化）和动态（变化）的数据，以及概念的定义。数据库的静态和动态部分分别包含基本疏浚数据和动态疏浚状态数据。基本疏浚数据涉及疏浚区类型、土壤类型、CSD参数的最佳范围（如表1）。动态疏浚状态数据涉及疏浚作业状态的变化，例如，由监视器和传感器指示，如生产，刀具头负载，浆料密度和速度在不同的位置沿管网。

DB中的概念定义允许依赖于其他概念和参数的概念和参数的表示，例如通过数学函数。此外，他们允许定义可以触发反应的疏浚作业和机械故障部分模型，R。后文将会更详细地描述这一点。

过程定义，L_macro，将疏浚的程序，正常的程序和纠错程序。反应规则，R，有生产规则的特点，并用于监测的疏浚操作状态，检测故障，并触发校正程序。域理论，D，允许系统的预期效果和行动的先决条件的原因。

表 1 砂土疏浚参数的最佳取值范围

下面我们总结一些符合LPS模式操作和机械故障。

操作/机械故障的识别与解决

疏浚过程中所遇到的各种问题，都最终导致生产的降低。专业操作员已经开发出有效的方法来识别这些问题的原因和解决这些问题的好程序。 这些类型的问题已经通过CSD安全性能中的故障树分析进行了研究(Zhou and Xu 2013)，中国河海大学工程研究中心开发了基于虚拟现实的CSD疏浚模拟器（Ni，et al.。2010）。通过为期一年的咨询，我们已经了解了河海大学疏浚工程研究中心的同事关于LPS模式中使用的故障的专业知识。

以下是一些可能出现故障的例子和识别它们的指标。这些都是我们的LPS系统中的一些故障形式。

吸入口（入口）问题：当吸入口堵塞时，如吸入管口有碎屑或一块岩石堵塞，则发生这种现象。 专家操作员通过该标识来识别这个问题通过观察吸入管（图3）中的真空度为高，但泥浆速度和泥浆密度在吸入管是低的，即吸入泵工作（创造高真空），但因为有东西堵塞，泥浆不有效地吸入。

刀头问题：当刀头的某些刀片破损时发生这种情况。专家操作人员通过监测，看到真空度高，但泥浆速度和浆液密度在吸入管低。另外刀具负载不均匀。后者是区别于上述问题的原因。刀具负荷的不均匀性是因为刀具转动时，刀片未损坏的地方载荷是正常的，刀片损坏的地方载荷很低。

吸管问题：当太多的泥浆收集在吸入管中并堵塞时，会发生这种情况。在这种情况下，在吸入泥浆速度低，泥浆密度高，而在排出管（图3）泥浆密度低。

表2总结了这些故障（为简单起见忽略了排放管）。 Low表示低于表1给出的最佳范围的下限，High表示最佳范围的上限值，Normal表示在该范围内。 刀具负载不均匀意味着在刀头的每次旋转期间，刀具负载变化显着（根据一些专家研究）。

表 2 监测数据与疏浚过程故障关系综述