基于人工微干預的自動化船閘運行控制方法分析

黃有榆

（廣西西江開發投資集團有限公司船閘運營管理分公司，廣西南寧 530000）

0 引言

內河貨運是我國貨物運輸的主要方式之一，具有成本低、運量大的優勢。隨著生產力水平的提升，內河貨運量逐步增加，為進一步提升船閘運行安全性與效率，需要強化對船閘集控系統的信息化控制，以滿足管理需求?；诖?，對基于人工微干預的自動化船閘運行控制方法進行分析。

1 船閘運行異常情況分析

1.1 人員操作異常

人員操作異常主要為人員對船的控制方式不合理，導致出現危險情況。比如，在船舶進入船閘的過程中沒有及時調整方向或減速，造成船舶和閘門相撞。此外，船舶?？课恢貌缓侠硪部赡軐Υl的正常運行造成影響，如導致船舶阻礙閘門的開閉[1]。

1.2 設備運行異常

如果船舶或者船閘出現動力故障，會影響船閘的正常運轉。船舶故障主要是由于船的動力系統出現問題，導致船舶無法正?？刂苹蚴恿?，從而使船舶難以到達指定位置，阻礙閘門正常開閉。船閘動力故障主要是閘門開啟和關閉故障，如閘門不響應、開閉系統在運行過程中突然停機、兩側閘門的開關動作不同步等。

2 三維動態風險管理

2.1 管理系統設計

2.1.1 設計目標

建立可視化、信息化的船閘風險管理平臺，利用三維可視化技術確定船閘周邊情況，對風險進行綜合分析，確定整個船閘系統的動態狀況并進行風險預警。要實現上述目標應建立船閘區域三維數字模型，船閘主體模型，實現三維動態全視景場景管理及可視化分析；結合現場情況進行船閘變形預報，實現船閘監測點預警閃爍；對安全風險進行綜合判斷，確定風險值的區間和風險等級；結合風險等級分析結果，輸出決策策略[2]。

2.1.2 功能要求

基于船閘的特殊需要及河流的特點，很多船閘設置在比較險要的環境中，運行過程中存在較多風險因素。船閘風險預測模型需要提升船閘系統對船舶、船閘狀態的感知能力，實現對風險的實時預測和分析。要實現對船閘的三維動態風險管理，需要構建船閘區域的全方位視覺場景，以便于預測船閘的狀態以及進行風險綜合預報，有效降低風險管理難度，保證對船閘運行狀態的高效控制，降低風險事故發生率[3]。

2.1.3 系統框架

使用機器學習算法、GIS 可視化仿真技術等，實現船閘三維動態風險管理系統框架的搭建。該系統需要具備周圍船閘建筑、船閘運行、主要監測點查詢功能，以滿足現場全場景仿真需求，在實際運行中，能夠使用各種數據，實現對各類信息的動態展示，如監測點的空間信息、實測數據等。通過綜合風險預警功能，該系統能夠實現對風險權重的動態顯示，從而為船閘的管理決策提供有力支持。船閘三維動態風險管理系統框架如圖1 所示。

圖1 船閘三維動態風險管理系統框架

船閘三維動態全視景仿真子系統：使用GIS 系統建立當地3D 數字模型，可以展示船閘結構和附屬建筑物狀況，實現對地貌的多角度展示，且能對水文環境和船閘建筑物進行全視景展示[4]。

建立具有綜合風險管理的子系統，利用智能技術對船閘的風險狀況進行實時分析，進行各類問題預測，并根據不同狀況評價風險等級、輸出控制策略，方便控制人員針對實際情況進行分析。例如，通過對當地場景的三維分析，進行船閘日常運行過程中的風險預警，系統自帶的智能算法也能幫助管理人員分析各種風險的產生原因，并給出控制建議，為管理人員提供更具價值的決策支持，便于實現人工微干預管理。

2.2 船閘綜合風險預警

2.2.1 PSO-BP 神經網絡算法

根據船閘風險警報需求，使用BP 技術和PSO 建立船閘風險預測模型，并根據現場情況分析風險，得到風險分析結果。由于導致船閘出現風險的因素較多，所以需要使用主成分分析法實現數據降維處理[5]。主成分分析法是一種無監督線性降維方法，可以從多個指標中找出最關鍵的指標進行分析，在優化模型的同時也能避免信息損失。

在實際分析中，以xi作為樣本點，WTxi為樣本點在超平面中的映射，其中W=(W1,W2,…,Wd)，為了實現樣本方差的最大化，所有樣本點需要盡量分開，之后得到樣本點的方差為其中是協方差矩陣，優化目標函數可以寫成：

使用傳統BP 神經網絡時，能夠利用局部搜索優化機制處理復雜非線性問題，網絡在學習過程中會調整神經元的權重，達到搜索最優解的目的。但該方法的問題在于，學習過程中網絡可能出現局部極值的問題，影響網絡的正常訓練，導致BP 神經網絡的穩定性下降。為了提升網絡的應用效果，該研究中引入PSO算法進行BP 神經網絡優化，結合BP 神經網絡對初始權重敏感的特點，利用PSO 算法幫助BP 神經網絡確定最合適的初始權重，提升神經網絡的泛用能力。使用PSO 進行BP 網絡優化時，會將BP 神經網絡全部連接權值視為粒子群位置向量，之后通過位置向量進行尋優，以MSE 為標準獲得最小目標數量，獲得BP 神經網絡的連接權值和閾值。PSO-BP 神經網絡算法流程如圖2 所示。

圖2 PSO-BP 神經網絡算法流程

2.2.2 基于PSO-BP 的船閘綜合風險預測

進行船閘風險數據預處理時，根據專家評價進行某船閘的風險因素評價，得到風險評價表后進行數據歸一化處理。使用試算法確定參數，并展開對比，綜合考慮粒子群算法和BP 神經網絡模型，粒子群的粒子數量為100，最大迭代次數為800 次，慣性權重為0.3，學習因子c1和c2都為0.5，最大速度為vmax=3。對于BP 網絡，使用三層前饋網絡結構，輸入神經元的數量為5 個，隱含神經元數量為11 個，輸出為0～1 的數值，輸出層神經元為1 個，構建結構為5-11-1 的神經網絡。

在分析過程中，通過分析監測點的數據，能夠對船閘、船舶是否存在風險進行分析，將監測獲得的相關數據輸入模型，即可完成對船閘的風險預測，以及對風險的評價工作，針對危險因素提供示警，并告知原因[6]。

2.2.3 船閘場景漫游和可視化

利用系統屬性數據庫和空間數據庫的實時連接，構成整體運行框架，可以構建三維地形等模型，同時可以完成視景之間的融合。利用GIS 系統能滿足調整視角的需求，方便瀏覽不同位置，并進行定位和平移，滿足風險管理過程中瀏覽高風險位置的需求。

2.2.4 針對船閘開閉的監測和預警

在船閘上設置監測點，三維風險控制系統能夠通過監測點確定船閘的控制鍵位置信息，進行實時監測并自動統計數據變化，實現動態監測。船舶通過時，系統會根據實時數據生成船閘開閉動畫，使管理人員能夠把握監測點的變化。系統能夠顯示各個監測點位置變化曲線圖，方便管理人員確定閘門的變化狀況，系統也能自動完成對閘門開閉變形狀況的分析，分析閘門整體是否存在變形問題，為后續的風險分析提供數據支持[7]。

3 人工微干預自動化船閘運行技術條件

3.1 自動關閉上游閘門條件

進行上游閘門關閉控制時，系統首先會分析上游閘門的互鎖條件，并檢查閘門中的船舶數量，之后由管理人員進行現場檢查，確定船舶和船閘的安全性，并觀察周圍是否存在影響行船秩序的船舶和危險物體，并進行船閘身份信號驗證。

系統運行時，使用三維動態風險控制系統進行船舶進閘數據采集，將采集結果和智能調度相關信息系統關聯；利用視頻、激光測距儀等進行檢測，確定是否有物體或者船舶接近，如果發現風險信號，自動控制系統會控制閘門停止運行，由人工檢查確定現場是否存在危險，危險解除后閘門才開始運轉。船舶運行過程中，現場的感知設備會確定船舶信號，并使用智能系統進行調度，檢查船舶信息是否匹配。由于不匹配情況具有偶發性，所以不建議船舶進閘身份識別參與系統控制工作，可作為自動提醒功能[8]。此外，上閘首人員安全監測和船舶安全監測所使用的三維系統需要在同一個控制網絡，并通過監測結果控制閘門。

3.2 自動打開下游閥門條件

分析是否打開下游閥門時，需要確定船閘是否存在越限問題，且要對閘首船舶的安全性進行驗證，檢查閘門閥門關閉情況，驗證過程中任一項目存在異常系統都會向周圍的管理人員發出警告，并控制船閘停止運行。此外，要進行閘室內船舶位置、船舶系纜情況檢查，確定系纜情況滿足要求后，開始運行打開下游閥門的程序。在提閥的過程中，如果檢測到浮式船柱卡阻，則需要語音播報，且現場需要強落閥門。

3.3 自動打開下游閘門條件

由于人字門需要在無水頭差的情況下運行，所以對閘室內外水位信號差的檢測非常重要。然而，由于存在超泄現象，反向水頭可能會推開人字門，導致室內外水位差信號的自動采集無法滿足水平信號差值，這種情況下可采取人工微干預水平信號，滿足開閘門條件。

4 結語

船舶通過船閘會經過復雜的過程，影響安全的因素較多，為了確保船舶安全通過船閘，需要借助智能化的控制方法實現對現場風險的綜合性感知?；谌斯の⒏深A的自動化船閘運行控制方法在提高船閘運行效率、降低能耗、減少人力成本、增強安全性等方面具有顯著優勢。相信隨著科技的不斷進步和人工智能技術的日益成熟，這種方法會實現更為精準、高效、安全的船閘運行控制。