CN110414407A - 基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法 - Google Patents
基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法 Download PDFInfo
- Publication number
- CN110414407A CN110414407A CN201910665834.7A CN201910665834A CN110414407A CN 110414407 A CN110414407 A CN 110414407A CN 201910665834 A CN201910665834 A CN 201910665834A CN 110414407 A CN110414407 A CN 110414407A
- Authority
- CN
- China
- Prior art keywords
- value
- volume gas
- propeller
- reference value
- evidence
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法,该方法从船舶电力推进系统变频器实时获取三相电流均方根值和转矩特征值,并根据螺旋桨转矩损失系数确定恶劣海况所引起卷气效应的程度设定三个等级。首先通过K均值聚类方法给出每个证据推理规则弱学习器的输入特征参考值,建立故障信度分布矩阵,利用该矩阵将输入转化为诊断证据,并计算诊断证据的可靠性因子,然后根据可靠性因子将证据进行融合,从融合结果估计螺旋桨卷气效应等级。统计当前弱学习器的精度,计算弱学习器的学习系数。循环上述过程,最终得到由多个弱学习器组成的自适应提升强分类器,得出强分类器对卷气效应等级的估计值,实现对螺旋桨卷气效应的识别。
Description
技术领域
本发明涉及水运交通安全运行维护技术领域,具体地指一种基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法。
背景技术
船舶航行时,海况的好坏关系到船舶的稳定性和安全性。按船舶在任务海域的正常承载情况,当海域的海况处于灾害性海况和危害性海况时,无法实施海上工作时,则称为恶劣海况。随着海洋资源的不断开发,海洋作业的安全性和经济性越来越受到重视。当前海洋作业的操作常常会受到恶劣海况的限制,若需要在保证安全的前提下在恶劣海况下持续作业,对于船舶作业在不同海况下,如何准确快速地识别两种不同海况,及时调整船舶推进系统控制策略就成为了保证船舶稳定性和安全性的关键。因此有效的海况识别技术的使用,能够根据船舶推进电机反馈的电信号与力学信号,及时地监测到螺旋桨的卷气效应程度,并根据监测结果对推进系统控制策略进行有针对地转换,保证了船舶航行的安全。
目前,国内外很少有相应的研究,大多数研究只停留在利用经验公式拟合计算出螺旋桨推力损失系数,从而判断海况类型,在实际工程应用中并不适合,而且针对不同船型,其经验公式又大不相同,很难进行有效推广。
发明内容
本发明的目的就是要提供一种基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法,本发明首先通过采集现行船舶推进电机的转矩信号和三相电流均方根值(即电流有效值),运用K均值聚类的方法给出初始输入输出的参考值,利用参考值相似度从中信号中提取证据,并评估证据的可靠性,将证据根据可靠性运用证据推理规则进行融合,并从融合结果中估计出初始的螺旋桨卷气效应等级。然后利用目标函数建立证据推理优化模型优化参数,最后通过融合证据的估计出弱学习器最终螺旋桨卷气效应等级。该方法基于数据驱动原理,通过监测推进电机即可实现对螺旋桨卷气效应的识别。
为实现此目的,本发明所设计的一种基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法,其特征在于,它包括如下步骤:
步骤1:从船舶电力推进系统变频器中采集推进电机的三相电流均方根值信号和转矩信号作为卷气效应识别器的输入数据;
步骤2:将螺旋桨卷气效应等级作为卷气效应识别器的输出数据,将螺旋桨卷气效应等级与推进电机的三相电流均方根值信号和转矩信号一起形成完整的样本集;
步骤3:设定证据推理规则弱学习器个数(10~50),并初始化每个弱学习器的权重;
步骤4:采用K均值聚类方法分别算出集推进电机的转矩信号和三相电流均方根值信号各自的聚类中心,将转矩信号的聚类中心与转矩信号中的最大最小值一起,组成证据推理规则中输入的第一组参考值;
将三相电流均方根值信号的聚类中心与三相电流均方根值信号中的最大最小值一起,组成证据推理规则中输入的第二组参考值,将第一组参考值和第二组参考值形成当前弱学习器参考值集合;
步骤5:将所述样本集转化为与当前三相电流均方根值信号、转矩信号和螺旋桨卷气效应等级对应的弱学习器参考值的相似度形式,并形成信度分布矩阵;
步骤6:将信度分布矩阵转化为表征所述三相电流均方根值信号、转矩信号与螺旋桨卷气效应等级关系的证据矩阵表;
步骤7:根据所述三相电流均方根值信号和转矩信号与螺旋桨卷气效应等级之间的相对变化定义根据所述三相电流均方根值信号和转矩信号评估螺旋桨卷气效应等级的可靠性因子;
步骤8:根据可靠性因子将证据矩阵表中的各条证据信息依据证据推理规则进行融合,得到融合结果;
步骤9:根据融合结果得出初始螺旋桨卷气效应等级估计值,并与螺旋桨卷气效应等级真实值的最小均方误差作为优化目标函数,确定所优化的弱学习器参考值集合和证据之间的相对权重建立参数优化模型,得到优化后的弱学习器参考值集合和证据间的相对权重集合,并根据优化后的弱学习器参考值集合和证据间的相对权重利用证据推理规则估计螺旋桨卷气效应的最终等级;
步骤10:统计当前证据推理规则弱学习器的精度,并计算当前弱学习器的学习系数,通过学习系数更新弱学习器的权重;
步骤11:重复步骤4~10,直至达到设定弱学习器个数,将所有弱学习器,组成自适应提升强分类器,对螺旋桨卷气效应等级做出最终估计。
所述步骤2中,将上述所得转矩信号和三相电流均方根值信号分别作为卷气效应识别器输入f1(t)和f2(t), 其中和分别为转矩信号的卷气效应识别器输入f1(t)的最小和最大值,和分别为三相电流均方根值信号的卷气效应识别器输入f2(t)的最小和最大值;并将螺旋桨卷气效应等级记为y(t),y(t)∈[l1,l2],其中l1和l2分别是y(t)的最小和最大值;将f1(t)、f2(t)和y(t)表示成样本集合S={[f1(t),f2(t),y(t)]|t=1,2,…,TS},TS表示样本总数量,其中[f1(t),f2(t),y(t)]为一个样本向量。
上述技术方案的步骤3中,设定证据推理规则弱学习器个数为G,并初始化每个弱学习器的权重ωg=1/G,形成弱学习器初始权重集合M={ωg|g=1,2,…,G}。
上述技术方案的步骤(4)中,将所得f1(t)、f2(t)和y(t)的所有值中随机选择所述所有值的1/2形成当前弱学习器的参考值聚类数据;
对于每单个弱学习器Gk,选用K均值聚类法(k-means clustering algorithm),在聚类数据中,对所述三相电流均方根值信号的H个聚类中心和转矩信号的H个聚类中心,分别对应三种卷气效应等级下的输入数据特征,其具体聚类过程如下:
首先初始化三相电流均方根值信号和转矩信号的H个聚类中心Ce={Ceh|h=1,2,…,H},h代表聚类中心的序号,计算每个被聚类的对象到每个聚类中心的欧式距离,如下式所示。
其中,Diseth表示数据点fi(t)b与聚类中心Cehb的欧式距离b表示b维数据,B表示b维数据的维数,从而计算每类的平均距离;
其中,Dismhb为b维数据在h类的均值,Tch为h类的数据点数目,fi(t)为聚类中的数据点,t表示数据的序号,将聚类的均值作为新的聚类中心,重复聚类的过程,直到达到最大迭代次数后类保持不变,这时对于f1(t)、f2(t)得到各自的聚类中心;
将所得聚类中心结合得到卷气效应识别器输入f1(t)和f2(t)的参考值集合其中,Ji为卷气效应识别器输入f1(t)和f2(t)的参考值个数,同时设定输出螺旋桨卷气效应等级y(t)的参考值集合D={Dn|n=1,…,N},其中,Dn为螺旋桨卷气效应等级的某个参考值,n为螺旋桨卷气效应等级的参考值个数,N为螺旋桨卷气效应等级的参考值总个数。
上述技术方案的步骤(5)中,根据参考值集合Ai,将所有样本向量[f1(t),f2(t),y(t)]中的样本对(fi(t),y(t),i=1、2)分别转换为参考值相似度的形式,如下式所示:
αi,j'=0 j'=1,...,Ji,j'≠j,j+1 (3c)
其中,αi,j为输入值f1(t),f2(t)的匹配参考值的相似度,SI为输入的转矩和三相电流均方根值参考值相似度的集合,αij'表示若输入值f1(t),f2(t)不在匹配参考值范围内,就将这个值对应的相似度统一认定为0;
同理可得y(t)匹配参考值Dn的相似度分布:
SO(y(t))={(Dn,γn)|n=1,...,N} (4a)
γn'=0 n'=1,...,N,n'≠n,n+1 (4c)
其中,γn为输出值y(t)匹配参考值Dn的相似度,Dn+1表示与Dn相邻的参考值,γn'表示输出值y(t)若不在匹配参考值Dn范围内,就将这个值对应的相似度统一认定为0(将所有参数训练好之后,在线获取转矩和三相电流均方根值数据,这时候在线获取的数据就不一定在训练好的参数(参考值)的范围内,所以就将这个值的相似度取为零);
至此,样本通过式(1)(2)转换为相似度分布的形式(αi,jγn,αi,j+1γn,αi,jγn+1,αi,j+1γn+1),其中αi,jγn为样本对(f1(t),f2(t),y(t))中输入值匹配参考值同时结果值y(t)匹配参考值Dn的综合相似度,根据得到的综合相似度建立输入输出参考值之间的投点统计表;
如下表所示。
样本对(fi(t),y(t))的投点统计表
在表中,an,j表示样本(fi(t),y(t))所有输入值fi(t)匹配参考值与输出值y(t)匹配参考值Dn综合相似度的和,表示样本所有输出值y(t)匹配参考值Dn的综合相似度和,表示所有输入值fi(t)匹配参考值的综合相似度和,并有
上述技术方案的步骤(6)中,根据步骤5表中投点统计表内容,可根据式(5)获得输入值f1(t),f2(t)取参考值时,结果值y(t)为参考值Dn的信度为:
其中,an,j表示样本f1(t),f2(t),y(t)所有输入值f1(t),f2(t)匹配参考值与输出值y(t)匹配参考值Dn综合相似度的和,表示样本所有输出值y(t)匹配参考值Dn的综合相似度和,k=1,2...n...N;由此可得对应于参考值的证据为
由此可得输入fi和输出y之间的证据矩阵表。
输入fi的证据矩阵表
上述技术方案的步骤7中,可靠性因子表征卷气效应识别器输入f1(t)和f2(t)反映螺旋桨卷气效应等级值的能力,在定义过程中,首先计算输入值fi(t)和输出值y(t)的相对变化,i=1和2;
其中,Cfi(t)表示输入值fi(t)相对于输入最大值的相对变化(即转矩最大值的相对变化,三相电流均方根值的最大值的相对变化),Cy(t)表示输出值y(t)相对于输出最大值的相对变化;
根据所获得的相对变化值,计算反应输入与输出变化趋势的评价因子afi;
根据所获得的评价因子,计算输入值fi(t)的可靠性ri;
步骤8中,根据步骤(6)中获得的输入证据矩阵表和步骤7中获得的输入信息源可靠性因子,利用证据推理规则将多条证据融合,并通过融合结果估计出卷气效应程度具体步骤如下:
在任意一组输入样本向量F(t)=(f1(t),f2(t))中,对于输入值fi(t),其值将落入任意两个参考值和组成的区间内,同时激活和所对应的证据和这时,fi(t)的证据ei可由两条证据加权获得。
ei={(Dn,pn,i),n=1,...,N} (11a)
在获得f1(t)和f2(t)的证据e1和e2之后,设定证据间的初始权重wi=ri,并利用证据推理规则将两条证据进行融合,得到融合结果为;
O(F(t))={(Dn,pn,e(2)),n=1,...,N} (12a)
pn,e(2)表示融合后证据对Dn的支持程度(表征对不同参考等级Dn的支持程度,拥有最大支持程度的参考等级就作为结果输出),由融合结果O(F(t)),可以推出输出卷气效应等级
上述技术方案的步骤(9)中,在得到初始输出值之后,根据初始输出值与真实值的均方差构建参数优化模型,首先确定优化参数集合wi表示证据之间的权重,其他参数分别设定为D1=l1,DN=l2,
设定参数优化模型的优化目标函数为最小均方误差minPξ(P),如式(14)所示。
0≤wi≤1,i=1,2 (14b)
D2<D3<…<DN-1 (14d)
其中(14b)-(14d)表示优化参数需满足的约束条件;
利用MATLAB中基于梯度下降的优化函数fimcon优化参数集合P,并得到优化之后的集合,利用优化之后得到的参数,再次对整个样本集S进行投点,获得证据,融合证据,并同融合结果得到最终的输出卷气效应等级值y(t),至此,自适应提升中的一个弱学习器就已经训练完毕;
上述技术方案的步骤10中,在得到弱学习器的预测结果之后,通过与真实值的比较确定当前弱学习器的误差errorg,通过误差值errorg计算当前弱学习器在强分类器中的学习系数λg
λg=errorg/(1-errorg) (15)
在得到当前弱学习器的权重系数之后,更新弱学习器权重ωg值
其中,为y(t)是第g个弱学习器的估测结果,g是弱学习器的编号,G是设定的弱学习器的个数,g=1,2...G在得到当前弱学习器的学习系数之后,对若学习器权重ωg值进行归一化。
上述技术方案的步骤11中,在更新完当前弱分类的权重之后,按照上述过程,再次进行下一个弱学习器训练,直至完成所有弱学习器的训练之后,得到强分类的最终输出值
其中,Y是输出等级的全体值y∈Y表示输出的y都在Y这个等级里。
本发明提出的基于证据推理规则的改进自适应提升对恶劣海况的识别方法,首先设定若分类器个数,并初始化各弱学习器的权重,根据船舶推进电机的转矩和三相电流均方根值信号与螺旋桨卷气效应变化范围,利用K均值聚类方法设定当前弱学习器相应的输入与结果参考值;获得样本对关于输入与结果参考值的综合相似度,并构造相似度投点统计表;根据该表获得各输入对于输出的证据;然后根据输入信息源反映螺旋桨卷气效应变化趋势的能力计算信息源的可靠性;根据可靠性和证据表,利用证据推理规则融合证据,并得到融合结果从而推理得到初始螺旋桨卷气效应估计值;构建参数优化模型得到优化后的参数集合,利用优化后的参数重复上述步骤,并完成当前弱学习器对于螺旋桨效应等级幅值的估计,统计错误样本信息,更新弱学习器权重,并重复上述过程去训练下一个弱学习器;在完成所有弱学习器的训练之后,将所有弱学习器组成一个强分类器,在线获得船舶推进电机所反馈的信号之后,对螺旋桨效应等级进行最终估计,从而判断卷气效应程度识别海况。根据本发明方法编制的程序(编译环境LabView,C++等)可以在监测计算机上运行,并联合传感器、数据采集器等硬件组成在线监测系统,配置在船舶上,从而实现了船舶对恶劣海况的实时监测。
附图说明
图1是本发明方法的流程框图;
图2是本发明方法实施例中所的船舶推进电机转矩和三相电流均方根值信号及对应的螺旋桨卷气效应等级;
图3是本发明方法实施例中螺旋桨卷气效应的估计结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提出的基于证据推理规则的改进自适应提升的船舶螺旋桨卷气效应识别方法,包括以下各步骤:
步骤1:以1kHz采集船舶推进电机的三相电流均方根值信号和转矩信号,将三相电流均方根值瞬时信号转换为三相电流均方根值;并将转矩信号和三相电流均方根值信号,作为输入数据,共采集TS个数据,则时刻t=1,2,…,TS。设螺旋桨卷气效应等级在采样时刻t等级为y(t);
步骤2:将步骤(1)所得机械信号数据和电信号数据作为模型输入f1(t)和f2(t),其中分别为输入信号f1(t)和f2(t)的最小和最大值。并将螺旋桨卷气效应等级记为y(t),y(t)∈[l1,l2],其中l1和l2分别是y(t)的最小和最大值;将f1(t)、f2(t)和y(t)表示成样本集合S={[f1(t),f2(t),y(t)]|t=1,2,…,TS},其中[f1(t),f2(t),y(t)]为一个样本向量;
步骤3:设定自适应提升的弱学习器个数为K,并初始化每个弱学习器的权重ωk,形成弱学习器初始权重集合M={ωk|k=1,2,…,K},K=10;
步骤4:将所得f1、f2和y的所有值中随机选择一部分形成当前弱学习器的参考值聚类数据;对于每单个弱学习器Gk,选用K-均值聚类法,在聚类数据中,对输入选择3个聚类中心,分别对于卷气效应3个等级的输入特征,其具体聚类过程如下:
首先初始化H个聚类中心Ce={Ceh|h=1,2,…,H},计算每个被聚类的对象到每个聚类中心的欧式距离,如下式所示。
其中,Diseth表示数据点fi(t)与聚类中心Ch的欧式距离,从而计算每类的平均距离。
其中,Dismhb为b维数据在h类的均值,Tch为h类的数据点数目,fi(t)为聚类中的数据点。将聚类的均值作为新的聚类中心,重复上述步骤,直到达到最大迭代次数后类保持不变,这时对于f1,f2和y得到各自的聚类中心,为了便于理解,在其中一个弱学习器中,其聚类中心分别是Cef1={0.3038,0.8402,0.9301},Cef2={0.3419,0.8577,0.9340};
将所得聚类中心结合得到输入信号信号f1(t)和f2(t)的参考值集合A1={0.0000,0.3038,0.8402,0.9301,1.0000};A2={0.0000,0.3419,0.8577,0.9340,1.0000},其中Ji为输入信号fi的参考值个数,J1=5,J2=5;同时设定输出y(t)的参考值集合D={1,2,3},其中N为螺旋桨卷气效应等级的参考值个数,N=3;
步骤5:根据步骤4中得到数据样本集合S和输入参考值集合Ai之后,将所有样本向量[f1(t),f2(t),y(t)]中的样本对(fi(t),y(t))分别转换为参考值相似度的形式,如下式所示:
αi,j'=0 j'=1,...,Ji,j'≠j,j+1 (3c)
其中,αi,j为输入值f(t)匹配参考值的相似度;
同理可得y(t)匹配参考值Dn的相似度分布:
SO(y(t))={(Dn,γn)|n=1,...,N} (4a)
γn'=0 n'=1,...,N,n'≠n,n+1 (4c)
其中,γn为输出值y(t)匹配参考值Dn的相似度;
至此,样本通过式(1)(2)转换为相似度分布的形式(αi,jγn,αi,j+1γn,αi,jγn+1,αi,j+1γn+1),其中αi,jγn为样本对(fi(t),y(t))中输入值匹配参考值同时结果值y(t)匹配参考值Dn的综合相似度。根据得到的综合相似度建立输入输出参考值之间的投点统计表;
为了便于理解,在这里展示其中一个弱学习器的投点统计表,如表1所示;
表1a样本对(f1(t),y(t))的投点统计表
表1b样本对(f2(t),y(t))的投点统计表
在表中,an,j表示样本(fi(t),y(t))所有输入值fi(t)匹配参考值与输出值y(t)匹配参考值Dn综合相似度的和,表示样本所有输出值y(t)匹配参考值Dn的综合相似度和,表示所有输入值fi(t)匹配参考值的综合相似度和,并有
步骤6:根据步骤5表中内容,可根据式(5)获得输入值fi(t)取参考值时,结果值y(t)为参考值Dn的信度为:
其中,由此可得对应于参考值的证据为
由此可得输入fi和输出y之间的证据矩阵表如表2所示;
为了便于理解,在这里展示其中一个弱学习器的证据矩阵表,如表2所示;
表2a输入f1的证据矩阵表
表2b输入f2的证据矩阵表
步骤7:在得到输入和输出之间的证据之后,便可以定义证据的可靠性因子ri,此可靠性因子表征输入信息源fi反映螺旋桨卷气效应等级的能力。在定义过程中,首先计算输入值fi(t)和输出值y(t)的相对变化。
根据所获得的相对变化值,计算反应输入与输出变化趋势的评价因子。
根据所获得的评价因子,计算输入信息源fi的可靠性
在这里输入信息源f1和f2的可靠性分别为r1=1,r2=0.9818;
步骤8在给定样本集中的任意一组输入样本向量F(t)=(f1(t),f2(t)),在根据步骤(6)中获得的输入证据矩阵表和步骤(7)中获得的输入信息源可靠性因子,利用证据推理规则将多条证据融合,并通过融合结果估计出卷气效应程度具体步骤如下:
在任意一组输入样本向量F(t)=(f1(t),f2(t))中,对于输入值fi(t),其值将落入任意两个参考值和组成的区间内,同时激活和所对应的证据和这时,fi(t)的证据可由两条证据加权获得。
ei={(Dn,pn,i),n=1,...,N} (11a)
在获得f1(t)和f2(t)的证据e1和e2之后,设定证据间的初始权重wi=ri,并利用证据推理规则将两条证据进行融合。
O(F(t))={(Dn,pn,e(2)),n=1,...,N} (12a)
由融合结果O(F(t)),可以推出输出螺旋桨卷气效应等级。
为了便于理解,在这里举例样本[f1(t),f1(t),y(t)]=[0.9541,0.9446,1]说明,得到的f1(t)对应参考值的相似度为α1,4=0.6566,α1,5=0.3434,激活证据 f2(t)对应参考值的相似度为α2,4=0.8400,α2,5=0.1600,激活证据 利用(12)式融合两条证据得到融合结果为O(F(t))={(D1,0.9208),(D2,0.0792),(D3,0)},进而可通过(13)式估算出螺旋桨卷气效应估计值
步骤9:在得到初始输出值之后,根据初始输出值与真实值的均方差构建参数优化模型,首先确定优化参数集合j=2,...,Ji-1;n=2,...,N-1},wi表示证据之间的权重,其他参数分别设定为D1=l1,DN=l2,为了便于理解,在这里展示其中一个弱学习器的P={0.3038,0.8402,0.9301,0.3419,0.8577,0.9340,1.0000,0.9818};
设定优化目标函数为最小均方误差,如式(14)所示。
0≤wi≤1,i=1,2 (14b)
D2<D3<…<DN-1 (14d)
其中(14b)-(14d)表示优化参数需满足的约束条件;
利用MATLAB中基于梯度下降的优化函数fimcon优化参数集合P,并得到优化之后的集合。利用优化之后得到的参数,再次对整个样本集S进行投点,获得证据,融合证据,并同融合结果得到最终的输出卷气效应程度值y(t),至此,Adaboost.M1中的一个弱学习器就已经训练完毕;
为了便于理解,在这里展示其中一个弱学习器的优化之后的参数集合P={0.6789,0.8934,0.9304,0.6415,0.8737,0.9357,0.4984,0.9967}。
步骤10:在得到弱学习器的预测结果之后,通过与真实值的比较确定当前弱学习器的误差errorg,通过误差值errorg计算当前弱学习器在强分类器中的学习系数λg
λg=errorg/(1-errorg) (15)
在得到当前弱学习器的权重系数之后,更新权重ωg值
其中,所有弱学习器的学习系数为{0.0229,0.0700,0.1569,0.1102,0.1145,0.1141,0.1095,0.0847,0.1045,0.1127}
在得到当前弱学习器的学习系数之后,对若学习器权重ωg值进行归一化;
步骤11:在更新完当前弱分类的权重之后,按照上述过程,再次进行下一个弱学习器训练,直至完成所有弱学习器的训练之后,得到强分类器的最终输出值
至此,基于证据推理规则的改进Adaboost.M1的螺旋桨卷气效应识别已经完成。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法,其特征在于,它包括如下步骤:
步骤1:从船舶电力推进系统变频器中采集推进电机的三相电流均方根值信号和转矩信号作为卷气效应识别器的输入数据;
步骤2:将螺旋桨卷气效应等级作为卷气效应识别器的输出数据,将螺旋桨卷气效应等级与推进电机的三相电流均方根值信号和转矩信号一起形成完整的样本集;
步骤3:设定证据推理规则弱学习器个数,并初始化每个弱学习器的权重;
步骤4:采用K均值聚类方法分别算出集推进电机的转矩信号和三相电流均方根值信号各自的聚类中心,将转矩信号的聚类中心与转矩信号中的最大最小值一起,组成证据推理规则中输入的第一组参考值;
将三相电流均方根值信号的聚类中心与三相电流均方根值信号中的最大最小值一起,组成证据推理规则中输入的第二组参考值,将第一组参考值和第二组参考值形成当前弱学习器参考值集合;
步骤5:将所述样本集转化为与当前三相电流均方根值信号、转矩信号和螺旋桨卷气效应等级对应的弱学习器参考值的相似度形式,并形成信度分布矩阵;
步骤6:将信度分布矩阵转化为表征所述三相电流均方根值信号、转矩信号与螺旋桨卷气效应等级关系的证据矩阵表;
步骤7:根据所述三相电流均方根值信号和转矩信号与螺旋桨卷气效应等级之间的相对变化定义根据所述三相电流均方根值信号和转矩信号评估螺旋桨卷气效应等级的可靠性因子;
步骤8:根据可靠性因子将证据矩阵表中的各条证据信息依据证据推理规则进行融合,得到融合结果;
步骤9:根据融合结果得出初始螺旋桨卷气效应等级估计值,并与螺旋桨卷气效应等级真实值的最小均方误差作为优化目标函数,确定所优化的弱学习器参考值集合和证据之间的相对权重建立参数优化模型,得到优化后的弱学习器参考值集合和证据间的相对权重集合,并根据优化后的弱学习器参考值集合和证据间的相对权重利用证据推理规则估计螺旋桨卷气效应的最终等级;
步骤10:统计当前证据推理规则弱学习器的精度,并计算当前弱学习器的学习系数,通过学习系数更新弱学习器的权重;
步骤11:重复步骤4~10,直至达到设定弱学习器个数,将所有弱学习器,组成自适应提升强分类器,对螺旋桨卷气效应等级做出最终估计。
2.根据权利要求1所述的基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法,其特征在于:所述步骤2中,将上述所得转矩信号和三相电流均方根值信号分别作为卷气效应识别器输入f1(t)和f2(t),其中和分别为转矩信号的卷气效应识别器输入f1(t)的最小和最大值,和分别为三相电流均方根值信号的卷气效应识别器输入f2(t)的最小和最大值;并将螺旋桨卷气效应等级记为y(t),y(t)∈[l1,l2],其中l1和l2分别是y(t)的最小和最大值;将f1(t)、f2(t)和y(t)表示成样本集合S={[f1(t),f2(t),y(t)]|t=1,2,…,TS},TS表示样本总数量,其中[f1(t),f2(t),y(t)]为一个样本向量。
3.根据权利要求1所述的基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法,其特征在于:在步骤3中,设定证据推理规则弱学习器个数为G,并初始化每个弱学习器的权重ωg=1/G,形成弱学习器初始权重集合M={ωg|g=1,2,…,G}。
4.根据权利要求3所述的基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法,其特征在于:在步骤(4)中,将所得f1(t)、f2(t)和y(t)的所有值中随机选择所述所有值的1/2形成当前弱学习器的参考值聚类数据;
对于每单个弱学习器Gk,选用K均值聚类法,在聚类数据中,对所述三相电流均方根值信号的H个聚类中心和转矩信号的H个聚类中心,分别对应三种卷气效应等级下的输入数据特征,其具体聚类过程如下:
首先初始化三相电流均方根值信号和转矩信号的H个聚类中心Ce={Ceh|h=1,2,…,H},h代表聚类中心的序号,计算每个被聚类的对象到每个聚类中心的欧式距离,如下式所示;
其中,Diseth表示数据点fi(t)b与聚类中心Cehb的欧式距离,b表示b维数据,B表示b维数据的维数,从而计算每类的平均距离;
其中,Dismhb为b维数据在h类的均值,Tch为h类的数据点数目,fi(t)为聚类中的数据点,t表示数据的序号,将聚类的均值作为新的聚类中心,重复聚类的过程,直到达到最大迭代次数后类保持不变,这时对于f1(t)、f2(t)得到各自的聚类中心;
将所得聚类中心结合得到卷气效应识别器输入f1(t)和f2(t)的参考值集合i=1,2,其中,Ji为卷气效应识别器输入f1(t)和f2(t)的参考值个数,同时设定输出螺旋桨卷气效应等级y(t)的参考值集合D={Dn|n=1,…,N},其中,Dn为螺旋桨卷气效应等级的某个参考值,n为螺旋桨卷气效应等级的参考值个数,N为螺旋桨卷气效应等级的参考值总个数。
5.根据权利要求4所述的基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法,其特征在于:在步骤(5)中,根据参考值集合Ai,将所有样本向量[f1(t),f2(t),y(t)]中的样本对(fi(t),y(t),i=1、2)分别转换为参考值相似度的形式,如下式所示:
αi,j'=0 j'=1,...,Ji,j'≠j,j+1 (3c)
其中,αi,j为输入值f1(t),f2(t)的匹配参考值的相似度,SI为输入的转矩和三相电流均方根值参考值相似度的集合,aij'表示若输入值f1(t),f2(t)不在匹配参考值范围内,就将这个值对应的相似度统一认定为0;
同理可得y(t)匹配参考值Dn的相似度分布:
SO(y(t))={(Dn,γn)|n=1,...,N} (4a)
γn'=0 n'=1,...,N,n'≠n,n+1 (4c)
其中,γn为输出值y(t)匹配参考值Dn的相似度,Dn+1表示与Dn相邻的参考值,γn'表示输出值y(t)若不在匹配参考值Dn范围内,就将这个值对应的相似度统一认定为0;
至此,样本通过式(1)(2)转换为相似度分布的形式(αi,jγn,αi,j+1γn,αi,jγn+1,αi,j+1γn+1),其中αi,jγn为样本对(f1(t),f2(t),y(t))中输入值匹配参考值同时结果值y(t)匹配参考值Dn的综合相似度,根据得到的综合相似度建立输入输出参考值之间的投点统计表。
6.根据权利要求5所述的基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法,其特征在于:
在步骤(6)中,根据步骤5表中投点统计表内容,可根据式(5)获得输入值f1(t),f2(t)取参考值时,结果值y(t)为参考值Dn的信度为:
其中,an,j表示样本f1(t),f2(t),y(t)所有输入值f1(t),f2(t)匹配参考值与输出值y(t)匹配参考值Dn综合相似度的和,表示样本所有输出值y(t)匹配参考值Dn的综合相似度和,k=1,2...n...N;由此可得对应于参考值的证据为
由此可得输入fi和输出y之间的证据矩阵表。
7.根据权利要求6所述的基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法,其特征在于:
在步骤7中,可靠性因子表征卷气效应识别器输入f1(t)和f2(t)反映螺旋桨卷气效应等级值的能力,在定义过程中,首先计算输入值fi(t)和输出值y(t)的相对变化,i=1和2;
其中,Cfi(t)表示输入值fi(t)相对于输入最大值的相对变化,Cy(t)表示输出值y(t)相对于输出最大值的相对变化;
根据所获得的相对变化值,计算反应输入与输出变化趋势的评价因子afi;
根据所获得的评价因子,计算输入值fi(t)的可靠性ri;
步骤8中,根据步骤(6)中获得的输入证据矩阵表和步骤7中获得的输入信息源可靠性因子,利用证据推理规则将多条证据融合,并通过融合结果估计出卷气效应程度具体步骤如下:
在任意一组输入样本向量F(t)=(f1(t),f2(t))中,对于输入值fi(t),其值将落入任意两个参考值和组成的区间内,同时激活和所对应的证据和这时,fi(t)的证据ei可由两条证据加权获得;
ei={(Dn,pn,i),n=1,...,N} (11a)
在获得f1(t)和f2(t)的证据e1和e2之后,设定证据间的初始权重wi=ri,并利用证据推理规则将两条证据进行融合,得到融合结果为;
O(F(t))={(Dn,pn,e(2)),n=1,...,N} (12a)
pn,e(2)表示融合后证据对Dn的支持程度,由融合结果O(F(t)),可以推出输出卷气效应等级
8.根据权利要求7所述的基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法,其特征在于:步骤(9)中,在得到初始输出值之后,根据初始输出值与真实值的均方差构建参数优化模型,首先确定优化参数集合wi表示证据之间的权重,其他参数分别设定为D1=l1,DN=l2,
设定参数优化模型的优化目标函数为最小均方误差minPξ(P),如式(14)所示;
0≤wi≤1,i=1,2 (14b)
D2<D3<…<DN-1 (14d)
其中(14b)-(14d)表示优化参数需满足的约束条件;
利用MATLAB中基于梯度下降的优化函数fimcon优化参数集合P,并得到优化之后的集合,利用优化之后得到的参数,再次对整个样本集S进行投点,获得证据,融合证据,并同融合结果得到最终的输出卷气效应等级值y(t)。
9.根据权利要求7所述的基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法,其特征在于:
在步骤10中,在得到弱学习器的预测结果之后,通过与真实值的比较确定当前弱学习器的误差errorg,通过误差值errorg计算当前弱学习器在强分类器中的学习系数λg
λg=errorg/(1-errorg) (15)
在得到当前弱学习器的权重系数之后,更新权重ωg值
其中,为y(t)是第g个弱学习器的估测结果,g是弱学习器的编号,G是设定的弱学习器的个数,g=1,2...G在得到当前弱学习器的学习系数之后,对若学习器权重ωg值进行归一化。
10.根据权利要求9所述的基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法,其特征在于:
在步骤11中,在更新完当前弱分类的权重之后,按照上述过程,再次进行下一个弱学习器训练,直至完成所有弱学习器的训练之后,得到强分类的最终输出值
其中,Y是输出等级的全体值y∈Y表示输出的y都在Y这个等级里。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665834.7A CN110414407B (zh) | 2019-07-23 | 2019-07-23 | 基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665834.7A CN110414407B (zh) | 2019-07-23 | 2019-07-23 | 基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414407A true CN110414407A (zh) | 2019-11-05 |
CN110414407B CN110414407B (zh) | 2022-12-23 |
Family
ID=68362552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910665834.7A Active CN110414407B (zh) | 2019-07-23 | 2019-07-23 | 基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414407B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
CN111444597A (zh) * | 2020-03-17 | 2020-07-24 | 杭州电子科技大学 | 基于随机性修正信度规则系统的螺旋桨卷气效应识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161606A1 (en) * | 2015-12-06 | 2017-06-08 | Beijing University Of Technology | Clustering method based on iterations of neural networks |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
CN109115491A (zh) * | 2018-10-16 | 2019-01-01 | 杭州电子科技大学 | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 |
-
2019
- 2019-07-23 CN CN201910665834.7A patent/CN110414407B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161606A1 (en) * | 2015-12-06 | 2017-06-08 | Beijing University Of Technology | Clustering method based on iterations of neural networks |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
CN109115491A (zh) * | 2018-10-16 | 2019-01-01 | 杭州电子科技大学 | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
CN111444597A (zh) * | 2020-03-17 | 2020-07-24 | 杭州电子科技大学 | 基于随机性修正信度规则系统的螺旋桨卷气效应识别方法 |
CN111444597B (zh) * | 2020-03-17 | 2023-05-26 | 杭州电子科技大学 | 基于随机性修正信度规则系统的螺旋桨卷气效应识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110414407B (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346460B (zh) | 基于智能网联系统下前车运行信息的未来工况预测方法 | |
CN107132760B (zh) | 基于模糊支持向量域描述的水下机器人状态监测方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN108399340A (zh) | 基于改进fahp和云模型的机载网络安全风险评估方法 | |
CN110414407A (zh) | 基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法 | |
CN111400864B (zh) | 一种基于前景理论的船舶避碰决策优化方法 | |
CN108961468B (zh) | 一种基于集成学习的船舶动力系统故障诊断方法 | |
CN105740984A (zh) | 一种基于性能预测的产品概念性能评价方法 | |
CN104899135A (zh) | 软件缺陷预测方法和系统 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
Perera et al. | Ship performance and navigation information under high-dimensional digital models | |
CN104134004A (zh) | 一种基于d-s证据理论的海洋环境安全评估方法 | |
Perera | Handling big data in ship performance and navigation monitoring | |
Zhong et al. | Fault diagnosis of Marine diesel engine based on deep belief network | |
CN111932081A (zh) | 一种电力信息系统运行状态评估方法及系统 | |
Gao et al. | Improved control of propeller ventilation using an evidence reasoning rule based Adaboost. M1 approach | |
CN110826587A (zh) | 基于改进的加权一类支持向量机的涡轴发动机故障检测方法 | |
CN106599541A (zh) | 一种动态电力负荷模型的结构和参数在线辨识方法 | |
CN117079120A (zh) | 一种基于改进ga算法的目标识别模型优化方法 | |
CN113110558B (zh) | 一种混合推进无人机需求功率预测方法 | |
CN109342862A (zh) | 基于非监督聚类与和svm分类的变压器故障诊断方法 | |
CN113283604A (zh) | 多要素情境自适应推理方法及应用 | |
CN112036479A (zh) | 一种船舶空调系统故障识别方法、装置及存储介质 | |
Tribelhorn et al. | Parametric Analysis and Validation of Machine Learning in Chaotic Transitions of the Lorenz System | |
CN111444597B (zh) | 基于随机性修正信度规则系统的螺旋桨卷气效应识别方法 |
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 |