CN107122897B - 基于深度学习算法的无人船适航性评估方法 - Google Patents

基于深度学习算法的无人船适航性评估方法 Download PDF

Info

Publication number
CN107122897B
CN107122897B CN201710250514.6A CN201710250514A CN107122897B CN 107122897 B CN107122897 B CN 107122897B CN 201710250514 A CN201710250514 A CN 201710250514A CN 107122897 B CN107122897 B CN 107122897B
Authority
CN
China
Prior art keywords
unmanned ship
evaluation
data
layer
standard
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710250514.6A
Other languages
English (en)
Other versions
CN107122897A (zh
Inventor
赵东明
周浩
柳欣
杨田田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201710250514.6A priority Critical patent/CN107122897B/zh
Publication of CN107122897A publication Critical patent/CN107122897A/zh
Application granted granted Critical
Publication of CN107122897B publication Critical patent/CN107122897B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本发明属于变压器运维检修无人船评估领域，具体的说是一种基于深度学习算法的无人船适航性评估方法，包括：构建无人船试航性的评估体系；构建标准无人船试航环境，并搜集标准无人船的航行数据；根据标准无人船的航行数据对评估体系进行计算，得到评估数据；对评估数据加入深度学习算法进行计算，得到评估特征；将所述评估特征代入逻辑回归算法，得到无人船适航性对比库；将无人船在不同条件下的航行数据与无人船适航性对比库进行对比，用于评价无人船适航性。本发明在计算的过程中速度快、误差小、稳定性强，并且评价真实度高。

Description

基于深度学习算法的无人船适航性评估方法
技术领域
本发明属于变压器运维检修无人船评估领域，具体的说是一种基于深度学习算法的无人船适航性评估方法。
背景技术
近年来，随着人工智能技术地不断应用，无人船相关技术发展迅速，但国内无人船的发展目前尚处于起步阶段，特别是适航性方面的研究尤其薄弱。无人船的适航性是指在某一海况下是否能够保证有效航行或工作状态，具体的包括无人船的稳定性、操纵性、耐波性、穿浪特性和载荷性。由于海洋环境复杂，且存在许多干扰因素，以至于对无人船的适航性评估分析难度很大。
当前的适航性评估算法大多是针对无人机展开研究的，还没有一种专门适用于无人船的适航性评估算法，无人机和无人船的航行环境不同，算法不能直接套用。对各类水动力性能预报的首要目标是保证预报的准确度，能够为无人艇适航性的评估提供可靠的预报数据。对比各类预报方法，研究可靠的计算方法和实用的评价标准是这项关键技术的重点研究内容。
但是由于数据运算相当复杂，相关的计算方法的研究有待深入。所以暂无一种计算速度快，误差小，稳定性强，评价真实度高的评估方法。
发明内容
本发明要解决的技术问题在于，克服现有技术的不足，提供一种基于深度学习算法的无人船适航性评估方法，其可以快速评价无人船的适航性，并且误差小，稳定性强，评价真实度高。
本发明所涉及的基于深度学习算法的无人船适航性评估方法，包括以下步骤：
构建无人船试航性的评估体系；
构建标准无人船试航环境，并搜集标准无人船的航行数据；
根据标准无人船的航行数据对评估体系进行计算，得到评估数据；
对评估数据加入深度学习算法进行计算，得到评估特征；
将所述评估特征代入逻辑回归算法，得到无人船适航性对比库；
将无人船在不同条件下的航行数据与无人船适航性对比库进行对比，用于评价无人船适航性。
进一步地，所述评估体系包括三个评价指标：操纵性、耐波性和载荷性能。
更进一步地，所述构建标准无人船试航环境，包括：在4-5级海况条件下，确定标准无人船的最高航速不低于40kn；
所述搜集标准无人船的航行数据，包括：在标准无人船上安装各类传感器，并创建网络；设定各类传感器的传输参数的初始值及数据包的收集时间；搜集标准无人船的初稳性高度、航向、航速、波倾、波高和波长。
再进一步地，所述根据无人船航行时相关数据对评估体系进行计算，包括：基于船舶操纵性理论，通过CFD方法计算绕船体横剖面的扰动流，得到操纵性数据；计算无人船的横摇参数、纵倾参数和垂荡参数，所述横摇参数、纵倾参数和垂荡参数为无人船的耐波性数据；计算无人船载荷性能，生成载荷约束条件；所述评估数据包括操纵性数据、耐波性数据和载荷约束条件。
还进一步地，所述对评估数据加入深度学习算法进行计算，包括：逐层构建单层神经元；将标准无人船的航行数据和评估数据分别放置于各层神经元中；每层所述神经元训练完成后产生一个特征，将前一层的特征作为输入信号传导下一层进行训练，得到各层神经元的特征；所述各层神经元的特征构成评估特征。
又进一步地，所述将所述评估特征代入逻辑回归算法，包括：将各层神经元的特征代入逻辑回归算法，通过对各层神经元的特征分类边界的拟合来实现分类。
在上述技术方案中，所述绕船体横剖面的扰动流
Figure BDA0001271963360000021
通过如下公式计算：
Figure BDA0001271963360000022
Figure BDA0001271963360000031
Figure BDA0001271963360000032
Figure BDA0001271963360000033
公式(1)～(4)中，V为来流速度，N为无人船体横剖面上物面单位法向矢量；
因为位于点(yi,zi)处的强度为σj的源点在场点(y,z)处的扰动速度势为：
Figure BDA0001271963360000034
进而推出：
Figure BDA0001271963360000035
公式(6)中，h水深为，假设h为常数；
然后根据伯努利方程可得到相应的压力，再通过压力数值积分即可计算得到作用在无人船体横剖面上的水动力，即得到无人船操纵性数据。
在上述技术方案中，所述横摇参数通过如下公式计算：
Figure BDA0001271963360000036
Figure BDA0001271963360000037
Figure BDA0001271963360000038
Figure BDA0001271963360000039
公式(7)～(10)中，φ为横摇角，可由船上的电罗经测得；am为有效波倾，d为造波区水深，T为周期，h为波高，λ为波长，U为流场初始速度；
所述纵倾参数通过如下公式计算：
Figure BDA00012719633600000310
公式(11)中：L为标准无人船的船长，Cp为纵倾周期系数；
所述垂荡参数与纵倾参数近似相等。
在上述技术方案中，使用Sigmoid函数作为激活函数计算各层神经元的特征：
Figure BDA0001271963360000041
公式(12)中，xi为输入，wi为权值，t为阀值，O为神经网络隐含层输出。
在上述技术方案中，所述分类的训练过程通过如下公式迭代多次实现：
Figure BDA0001271963360000042
公式(13)中，θ为输入，Oj为第j神经网络隐含层输出。
本发明所述的基于深度学习算法的无人船适航性评估方法，通过构造标准无人船，搜集相关数据，将深度学习算法和CFD方法结合应用于无人船的评估。本发明用CFD计算方法对船身的操纵性和耐波性进行研究，然后使用深度学习的数据处理能力，将船身数据与载荷能力进行深度挖掘，得到无人船适航性对比库。当无人船面临不同航行条件时，搜集无人船的相关数据与无人船适航性对比库进行比较，就可以有效的预报无人船的动态性能，进而来评估无人船的适航性。本发明在计算的过程中速度快、误差小、稳定性强，并且评价真实度高。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明的流程图；
图2是本发明实施例的流程图；
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
如图1和图2所示，本发明所述的基于深度学习算法的无人船适航性评估方法，其特征在于，包括以下步骤：
101、构建无人船试航性的评估体系，所述评估体系包括三个评价指标：操纵性、耐波性和载荷性能。
102、构建标准无人船试航环境，并搜集标准无人船的航行数据。
在4-5级海况条件下，确定标准无人船的最高航速不低于40kn；在标准无人船上安装各类传感器，并创建网络；设定各类传感器的传输参数的初始值及数据包的收集时间；搜集标准无人船的初稳性高度、航向、航速、波倾、波高和波长。各类传感器与工控机相连，所有数据由工控机计算处理。
103、根据标准无人船的航行数据对评估体系进行计算，得到评估数据。
基于船舶操纵性理论，通过CFD方法计算绕船体横剖面的扰动流，得到操纵性数据；所述绕船体横剖面的扰动流
Figure BDA0001271963360000051
通过如下公式计算：
Figure BDA0001271963360000052
Figure BDA0001271963360000053
Figure BDA0001271963360000054
Figure BDA0001271963360000055
公式(1)～(4)中，V为来流速度，N为无人船体横剖面上物面单位法向矢量；
因为位于点(yi,zi)处的强度为σj的源点在场点(y,z)处的扰动速度势为：
Figure BDA0001271963360000056
进而推出：
Figure BDA0001271963360000057
公式(6)中，h水深为，假设h为常数；
然后根据伯努利方程可得到相应的压力，再通过压力数值积分即可计算得到作用在无人船体横剖面上的水动力，即得到无人船操纵性数据。
计算无人船的横摇参数、纵倾参数和垂荡参数，所述横摇参数、纵倾参数和垂荡参数为无人船的耐波性数据；所述横摇参数通过如下公式计算：
Figure BDA0001271963360000061
Figure BDA0001271963360000062
Figure BDA0001271963360000063
Figure BDA0001271963360000064
公式(7)～(10)中，φ为横摇角，可由船上的电罗经测得；am为有效波倾，d为造波区水深，T为周期，h为波高，λ为波长，U为流场初始速度；
所述纵倾参数通过如下公式计算：
Figure BDA0001271963360000065
公式(11)中：L为标准无人船的船长，Cp为纵倾周期系数；
所述垂荡参数与纵倾参数近似相等。
计算无人船载荷性能，生成载荷约束条件；所述评估数据包括操纵性数据、耐波性数据和载荷约束条件。
104、对评估数据加入深度学习算法进行计算，得到评估特征。
逐层构建单层神经元；
将标准无人船的航行数据和评估数据分别放置于各层神经元中；
每层所述神经元训练完成后产生一个特征，将前一层的特征作为输入信号传导下一层进行训练，得到各层神经元的特征；
所述各层神经元的特征构成评估特征。
使用Sigmoid函数作为激活函数计算各层神经元的特征：
Figure BDA0001271963360000066
公式(12)中，xi为输入，wi为权值，t为阀值，O为神经网络隐含层输出。
105、将所述评估特征代入逻辑回归算法，得到无人船适航性对比库。
将各层神经元的特征代入逻辑回归算法，通过对各层神经元的特征分类边界的拟合来实现分类。所述分类的训练过程通过如下公式迭代多次实现：
Figure BDA0001271963360000071
公式(13)中，θ为输入，Oj为第j神经网络隐含层输出。
106、将无人船在不同条件下的航行数据与无人船适航性对比库进行对比，用于评价无人船适航性。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (5)

1.一种基于深度学习算法的无人船适航性评估方法，其特征在于，包括以下步骤：
构建无人船试航性的评估体系；
构建标准无人船试航环境，并搜集标准无人船的航行数据；
根据标准无人船的航行数据对评估体系进行计算，得到评估数据；
对评估数据加入深度学习算法进行计算，得到评估特征；
将所述评估特征代入逻辑回归算法，得到无人船适航性对比库；
将无人船在不同条件下的航行数据与无人船适航性对比库进行对比，用于评价无人船适航性；
所述评估体系包括三个评价指标：操纵性、耐波性和载荷性能；
所述根据无人船航行时相关数据对评估体系进行计算，包括：
基于船舶操纵性理论，通过CFD方法计算绕船体横剖面的扰动流，得到操纵性数据；
计算无人船的横摇参数、纵倾参数和垂荡参数，所述横摇参数、纵倾参数和垂荡参数为无人船的耐波性数据；
计算无人船载荷性能，生成载荷约束条件；
所述评估数据包括操纵性数据、耐波性数据和载荷约束条件；
所述对评估数据加入深度学习算法进行计算，包括：
逐层构建单层神经元；
将标准无人船的航行数据和评估数据分别放置于各层神经元中；
每层所述神经元训练完成后产生一个特征，将前一层的特征作为输入信号传导下一层进行训练，得到各层神经元的特征；
所述各层神经元的特征构成评估特征；
所述将所述评估特征代入逻辑回归算法，包括：
将各层神经元的特征代入逻辑回归算法，通过对各层神经元的特征分类边界的拟合来实现分类；
所述分类的训练过程通过如下公式迭代多次实现：
Figure FDA0002992123210000021
公式(13)中，Oj为第j神经网络隐含层输出。
2.根据权利要求1的基于深度学习算法的无人船适航性评估方法，其特征在于，所述构建标准无人船试航环境，包括：在4-5级海况条件下，确定标准无人船的最高航速不低于40kn；
所述搜集标准无人船的航行数据，包括：在标准无人船上安装各类传感器，并创建网络；设定各类传感器的传输参数的初始值及数据包的收集时间；搜集标准无人船的初稳性高度、航向、航速、波倾、波高和波长。
3.根据权利要求1的基于深度学习算法的无人船适航性评估方法，其特征在于，所述绕船体横剖面的扰动流
Figure FDA0002992123210000022
通过如下公式计算：
Figure FDA0002992123210000023
Figure FDA0002992123210000024
Figure FDA0002992123210000025
Figure FDA0002992123210000026
公式(1)～(4)中，V为来流速度，N为无人船体横剖面上物面单位法向矢量；
因为位于点(yi,zi)处的强度为σj的源点在场点(y,z)处的扰动速度势为：
Figure FDA0002992123210000027
进而推出：
Figure FDA0002992123210000028
然后根据伯努利方程可得到相应的压力，再通过压力数值积分即可计算得到作用在无人船体横剖面上的水动力，即得到无人船操纵性数据。
4.根据权利要求1的基于深度学习算法的无人船适航性评估方法，其特征在于，所述横摇参数通过如下公式计算：
Figure FDA0002992123210000031
Figure FDA0002992123210000032
Figure FDA0002992123210000033
Figure FDA0002992123210000034
公式(7)～(10)中，φ为横摇角，可由船上的电罗经测得；am为有效波倾，d为造波区水深，T为周期，h为波高，λ为波长，U为流场初始速度；
所述纵倾参数通过如下公式计算：
Figure FDA0002992123210000035
公式(11)中：L为标准无人船的船长，Cp为纵倾周期系数；
所述垂荡参数与纵倾参数近似相等。
5.根据权利要求1的基于深度学习算法的无人船适航性评估方法，其特征在于，使用Sigmoid函数作为激活函数计算各层神经元的特征：
Figure FDA0002992123210000036
公式(12)中，xi为输入，wi为权值，t为阀值，O为神经网络隐含层输出。
CN201710250514.6A 2017-04-17 2017-04-17 基于深度学习算法的无人船适航性评估方法 Active CN107122897B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710250514.6A CN107122897B (zh) 2017-04-17 2017-04-17 基于深度学习算法的无人船适航性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710250514.6A CN107122897B (zh) 2017-04-17 2017-04-17 基于深度学习算法的无人船适航性评估方法

Publications (2)

Publication Number Publication Date
CN107122897A CN107122897A (zh) 2017-09-01
CN107122897B true CN107122897B (zh) 2021-05-25

Family

ID=59724768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710250514.6A Active CN107122897B (zh) 2017-04-17 2017-04-17 基于深度学习算法的无人船适航性评估方法

Country Status (1)

Country Link
CN (1) CN107122897B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107797149A (zh) * 2017-11-10 2018-03-13 广东工业大学 一种船舶分类方法及装置
CN111523771B (zh) * 2020-03-31 2024-03-15 中国人民解放军92942部队 一种无人艇测评系统
CN112099523B (zh) * 2020-08-18 2022-02-22 武汉理工大学 基于无人机的船舶操纵性能检测方法、系统和存储介质
CN112034711B (zh) * 2020-08-31 2022-06-03 东南大学 一种基于深度强化学习的无人艇抗海浪干扰控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101825871A (zh) * 2010-04-09 2010-09-08 哈尔滨工程大学 斜舵船舶垂荡和纵摇装置智能自适应控制方法
CN106295717A (zh) * 2016-08-30 2017-01-04 南京理工大学 一种基于稀疏表示和机器学习的西洋乐器分类方法
CN106444776A (zh) * 2016-10-28 2017-02-22 中国舰船研究设计中心 一种无人艇自主性能评估方法
CN106555788A (zh) * 2016-11-11 2017-04-05 河北工业大学 基于模糊处理的深度学习在液压装备故障诊断中的应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101825871A (zh) * 2010-04-09 2010-09-08 哈尔滨工程大学 斜舵船舶垂荡和纵摇装置智能自适应控制方法
CN106295717A (zh) * 2016-08-30 2017-01-04 南京理工大学 一种基于稀疏表示和机器学习的西洋乐器分类方法
CN106444776A (zh) * 2016-10-28 2017-02-22 中国舰船研究设计中心 一种无人艇自主性能评估方法
CN106555788A (zh) * 2016-11-11 2017-04-05 河北工业大学 基于模糊处理的深度学习在液压装备故障诊断中的应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
新型水面高速无人艇性能综合优化初步研究;魏子凡;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20170215;第30-31,55-58,74-88页 *

Also Published As

Publication number Publication date
CN107122897A (zh) 2017-09-01

Similar Documents

Publication Publication Date Title
CN107122897B (zh) 基于深度学习算法的无人船适航性评估方法
Cepowski The prediction of ship added resistance at the preliminary design stage by the use of an artificial neural network
Guo et al. Predicting heave and surge motions of a semi-submersible with neural networks
CN107944648B (zh) 一种大型船舶航速油耗率预测方法
Wang et al. A new approach to predict dynamic mooring tension using LSTM neural network based on responses of floating structure
CN105139274A (zh) 基于量子粒子群与小波神经网络的输电线路覆冰预测方法
CN108960421B (zh) 改进基于bp神经网络的水面无人艇航速在线预报方法
CN112836893B (zh) 一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法
Cheng et al. A neural-network-based sensitivity analysis approach for data-driven modeling of ship motion
Mulia et al. Real-time forecasting of near-field tsunami waveforms at coastal areas using a regularized extreme learning machine
Mao et al. A new mooring failure detection approach based on hybrid LSTM-SVM model for semi-submersible platform
CN116108995A (zh) 感潮河段船舶油耗预测方法、装置及电子设备
CN117113798A (zh) 漂浮物的漂移速度预测方法、装置、设备及存储介质
Cepowski The use of a set of artificial neural networks to predict added resistance in head waves at the parametric ship design stage
Zhou et al. Nonparametric modeling of ship maneuvering motions in calm water and regular waves based on R-LSTM hybrid method
Hu et al. Prediction of Chinese-lantern submarine hose tension variation in extreme sea states based on data-driven methods
CN117406772A (zh) 一种改进蜣螂优化算法的无人艇避障路径生成方法及设备
CN116934135A (zh) 水下自主航行器航行安全的评估方法、装置和计算机设备
Marie et al. Sail-assisted motor vessels weather routing using a fuzzy logic model
Yao et al. Extreme motion prediction and early-warning assessment of semisubmersible platform based on deep learning method
Bisinotto et al. Sea state estimation based on the motion data of a moored FPSO using neural networks: An evaluation with multiple draft conditions
Sun et al. Fault diagnosis method of autonomous underwater vehicle based on deep learning
Domala et al. A Univariate and multivariate machine learning approach for prediction of significant wave height
Silva et al. Numerical prediction of extreme roll of a free-running ship with computational fluid dynamics and neural networks
CN117195673A (zh) 漂浮物漂移速度的预测方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant