CN110532613A - 船舶动力系统运行工况识别方法及装置 - Google Patents

船舶动力系统运行工况识别方法及装置 Download PDF

Info

Publication number
CN110532613A
CN110532613A CN201910682183.2A CN201910682183A CN110532613A CN 110532613 A CN110532613 A CN 110532613A CN 201910682183 A CN201910682183 A CN 201910682183A CN 110532613 A CN110532613 A CN 110532613A
Authority
CN
China
Prior art keywords
power system
ship power
fish
optimal value
ntree
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
Application number
CN201910682183.2A
Other languages
English (en)
Other versions
CN110532613B (zh
Inventor
罗南杭
高明
谢海燕
邓征欧
余明辉
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.)
719th Research Institute of CSIC
Original Assignee
719th Research Institute of CSIC
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 719th Research Institute of CSIC filed Critical 719th Research Institute of CSIC
Priority to CN201910682183.2A priority Critical patent/CN110532613B/zh
Publication of CN110532613A publication Critical patent/CN110532613A/zh
Application granted granted Critical
Publication of CN110532613B publication Critical patent/CN110532613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种船舶动力系统运行工况识别方法及装置，所述方法包括：获取船舶动力系统的实时运行数据，将所述船舶动力系统的实时运行数据输入至预先训练好的船舶动力系统运行工况辨识模型中，获得所述船舶动力系统当前所处的运行工况；其中，所述船舶动力系统运行工况辨识模型利用人工鱼群‑随机森林算法进行训练后获得的。本发明实施例提供的船舶动力系统运行工况识别方法及装置，通过利用人工鱼群算法对影响随机森林算法的两个重要参数进行寻优，构建了船舶动力系统运行工况辨识模型，可以有效地对船舶动力系统的不同运行工况进行分类。

Description

船舶动力系统运行工况识别方法及装置
技术领域
本发明涉及船舶动力系统技术领域，更具体地，涉及一种船舶动力系统运行工况识别方法及装置。
背景技术
对不同的运行工况进行分类并统计，记录不同运行工况的运行时长，起始、终止时间，可以帮助船舶操作人员分析工况持续时间有无异常，各工况对应时间段内，相关运行参数有无异常波动，提高动力系统安全运行性能。
目前船舶动力系统滚动运行工况识别是通过梳理分析船舶动力系统历史运行数据，用艉轴转速、H功率等参数来识别动力系统当前所处的运行工况，将其分为各种瞬态工况或稳态工况。由于船舶动力系统的运行参数繁多，这种参数识别方法的分类效率和精度并不高。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的船舶动力系统运行工况识别方法及装置。
第一方面，本发明实施例提供一种船舶动力系统运行工况识别方法，包括：
获取船舶动力系统的实时运行数据，将所述船舶动力系统的实时运行数据输入至预先训练好的船舶动力系统运行工况辨识模型中，获得所述船舶动力系统当前所处的运行工况；
其中，所述船舶动力系统运行工况辨识模型利用人工鱼群-随机森林算法进行训练后获得的。
第二方面，本发明实施例提供一种船舶动力系统运行工况识别装置装置，包括：
运行工况识别模块，用于获取船舶动力系统的实时运行数据，将所述船舶动力系统的实时运行数据输入至预先训练好的船舶动力系统运行工况辨识模型中，获得所述船舶动力系统当前所处的运行工况；
其中，所述船舶动力系统运行工况辨识模型利用人工鱼群-随机森林算法进行训练后获得的。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的船舶动力系统运行工况识别方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的船舶动力系统运行工况识别方法的步骤。
本发明实施例提供的船舶动力系统运行工况识别方法及装置，通过利用人工鱼群算法对影响随机森林算法的两个重要参数进行寻优，构建了船舶动力系统运行工况辨识模型，可以有效地对船舶动力系统的不同运行工况进行分类。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例踢提供的船舶动力系统运行工况识别方法的流程示意图；
图2为图1中步骤101利用人工鱼群算法以随机森林算法的分类精度为评价指标，对随机森林算法中生成决策树的最大特征数κ和弱分类器的个数nTree进行寻优，找出所述原始数据集下的最优参数组合的流程示意图；
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种船舶动力系统运行工况识别方法，包括：
获取船舶动力系统的实时运行数据，将所述船舶动力系统的实时运行数据输入至预先训练好的船舶动力系统运行工况辨识模型中，获得所述船舶动力系统当前所处的运行工况；
其中，所述船舶动力系统运行工况辨识模型利用人工鱼群-随机森林算法进行训练后获得的。
具体地，随机森林作为强分类器，是由多个弱分类器——决策树构成的。决策树作为数据挖掘算法的一种，经常被用来处理分类问题。
决策树的结构中有三种节点：根节点，标识数据集分类的开始，根节点中存放的是待分类的样本数据集；中间结点，由其父节点根据样本数据集的特征划分而来，即父节点中存放的是其每个子结点(中间结点)的样本数据的交集；叶子结点，即没有子结点的结点，体现为叶子结点中的样本数据属于同一类，无需或者不能再对结点中的样本数据集进行划分，每个叶子节点都有自己的节点类型。由根节点产生子节点的过程正对应了分类过程中数据集的划分过程，基于树结构递归的特点，根节点的子节点也是“决策树”，继续进行着对数据集的划分工作，直到当前“决策树”的“根节点”中的数据集为同一类型或没有可以继续用来划分数据集的特征(此时以节点中出现频率最高的类型作为当前节点的类型)。当所有“决策树”的“根节点”都是叶子节点时，即每个叶子节点都有它的节点类型之后，决策树分类器就构造完成了。
将新的数据用构造好的决策树分类器进行分类，每个数据的分类过程对应一条从决策树分类器根节点到叶子节点的一条路径，最终分类结果取决这条路径通向的叶子节点的节点类型。
随机森林的分类预测结果由其组合多个弱分类器的分类结果投票表决，算法整体模型的结果能够具有较高的精确度和泛化性能，归功于“随机”，生成决策树时从所有特征中随机选取的最大特征数κ，和“森林”，弱分类器的个数即决策树的规模nTree。一个使它具有抗过拟合能力，一个使它更加精准。
为了确定随机森林的输入参数nTree和κ的最优组合，以最大程度提高算法的分类精度，本发明实施例采用人工鱼群算法来进行参数寻优。
人工鱼群算法中的鱼群个体的数学模型描述为X＝(x1，x2，...，xn)，其中xi(i＝1，...，n)为寻优的变量；鱼个体所在位置的食物浓度表示为Y＝f(X)，Y为目标函数值；鱼个体之间的距离表示为；表示鱼个体的感知距离；Step表示鱼个体移动的最大步长；δ为拥挤度因子；Try-number表示重新尝试移动的最大次数。
人工鱼群算法的寻优源自鱼个体的四种行为模式：觅食、聚群、追尾、闲游。
觅食：鱼个体Xi在移动到Xj前进行尝试，
Xj＝Xi+Visual*Rand()
上式中移动目标Xj为随机选取。根据目标函数Y判断，状态Xj是否优于现有状态，若是则朝其移动，否则选取新的状态尝试，若重复尝试Try-number次后，仍未找到优于现有的状态，则进行闲游。
闲游：即在视野中随机选择一个状态，然后向该方向移动，属于觅食行为的一个缺省行为。
聚群：若鱼个体Xi的邻域(dij＜Visual)同伴数量nf满足nf/N＜δ，如果此时Yi＜Yc，则认为伙伴中心Xc有较多食物并且不太拥挤，朝此中心位置前进一步。
追尾：设鱼个体当前的状态为Xi，探索其邻域(dij＜Visual)状态最优的邻居Ximax，如果Yi＜Yimax，且Ximax邻域内的同伴数量nf满足nf/N＜δ，则认为Ximax附近有较多食物且不太拥挤，向Ximax方向移动。
基于这四种行为模式，人工鱼群算法的步骤如下：
(1)初始化设置，包括种群规模N、每条鱼的初始状态、以及Visual、Step、δ、Try-number等参数；
(2)将根据初始化的鱼群状态计算出的目标函数Y的最优值进行记录；
(3)鱼个体对其要执行的行为进行选择，包括觅食、聚群、追尾和闲游；
(4)每个鱼个体行动过后，继续计算目标函数Y，取当前的最优值与之前记录的最优值比较，取两者最优更新记录；
(5)当迭代次数达给定上限后算法结束，取最终记录的最优值作为算法的输出，否则转步骤(3)。
人工鱼群算法相比于其他参数优化算法，优势在于每个鱼个体的初始状态可以随机设置。Visual感知距离、Step移动步长、δ为拥挤度、Try-number重试次数等算法输入参数的调整，对于算法最终寻优结果影响不大，即不会因为输入参数设置的过大或者过小而对算法性能产生较大影响。
因此，本发明实施例对随机森林生成决策树的最大特征数κ和弱分类器的个数nTree两个参数进行人工鱼群算法优化，通过算法迭代找出在训练数据下的最优参数组合。
本发明实施例利用人工鱼群-随机森林算法训练获得船舶动力系统运行工况辨识模型，可以理解的是，舶动力系统运行工况辨识模型是具有对船舶动力系统运行数据进行运行工况分类的能力。
获取船舶动力系统的实时运行数据，将所述船舶动力系统的实时运行数据输入至预先训练好的船舶动力系统运行工况辨识模型中，即可获得所述船舶动力系统当前所处的运行工况。
本发明实施例提供的船舶动力系统运行工况识别方法，通过利用人工鱼群算法对影响随机森林算法的两个重要参数进行寻优，构建了船舶动力系统运行工况辨识模型，可以有效地对船舶动力系统的不同运行工况进行分类。
如图1所示，为本发明实施例踢提供的船舶动力系统运行工况识别方法的流程示意图，包括：
步骤100、获取船舶动力系统的历史运行数据以及历史运行数据所对应的运行工况，组成原始数据集；
步骤101、利用人工鱼群算法以随机森林算法的分类精度为评价指标，对随机森林算法中生成决策树的最大特征数κ和弱分类器的个数nTree进行寻优，找出所述原始数据集下的最优参数组合；
步骤102、将所述最优参数组合对应的随机森林作为船舶动力系统运行工况辨识模型；
步骤103、获取船舶动力系统的实时运行数据，将所述船舶动力系统的实时运行数据输入至预先训练好的船舶动力系统运行工况辨识模型中，获得所述船舶动力系统当前所处的运行工况。
如图2所示，所述步骤101利用人工鱼群算法以随机森林算法的分类精度为评价指标，对随机森林算法中生成决策树的最大特征数κ和弱分类器的个数nTree进行寻优，找出所述原始数据集下的最优参数组合，具体为：
步骤200、进行初始化设置，包括种群规模N以鱼个体感知距离Visual、移动步长Step、拥挤度因子δ以及重复次数Try-number；
步骤201、将每条鱼个体的状态设置为Xi＝(xnTree，xκ)，在给定范围内初始化鱼群状态，目标函数Y设置为随机森林算法的分类精度；
步骤202、根据鱼群状态计算出目标函数Y的最优值，并记录最优值和最优值所对应的鱼个体状态；
其中，根据鱼群状态计算出目标函数Y的最优值进一步包括：
对于所述鱼群状态中的任一个鱼个体状态，利用所述鱼个体状态中包含的生产决策树的最大特征数κ和弱分类器的个数nTree，执行以下步骤：
对所述原始数据集进行nTree次随机采样，用每次采样的结果构建一个训练样本集；
根据所述生成决策树的最大特征数κ和所获得的nTree个训练样本集对CART决策树进行分类训练，获得nTree个弱分类器的分类结果，其中，一个训练样本集对应一颗CART决策树；
组合获得的nTree个弱分类器的分类结果，投票表决出强分类器输出的分类结果；
根据所述分类结果和所述原始数据集中的历史运行数据所对应的运行工况计算随机森林算法的分类精度，获得当前鱼个体状态对应的目标函数Y；
在获得所述鱼群状态中每个鱼个体状态对应的目标函数Y后，对所述鱼群状态中所有鱼个体状态对应的目标函数Y进行比较，获取所述鱼群状态的目标函数Y的最优值。
步骤203、每个鱼个体对其要执行的行为进行选择，包括觅食、聚群和追尾；
其中，觅食和追尾的公式如下：
其中，Visual为步长，Rand()为随机数，
其中，聚群的公式如下：
步骤204、在每个鱼个体行动过后，继续计算目标函数Y，取当前的最优值与之前记录的最优值比较，取两者最优更新记录；
在每个鱼个体行动过后，鱼群状态发生了更新，利用更新后的鱼群状态继续计算出目标函数Y的最优值，取当前的最优值与之前记录的最优值比较，取两者最优更新记录。
步骤205、判断当前迭代次数是否达给定上限，若达到则取最终记录的最优值所对应的鱼个体状态作为算法的输出，否则，跳转到步骤203每个鱼个体对其要执行的行为进行选择继续执行。
本发明另一实施例提供一种船舶动力系统运行工况识别装置，包括：
运行工况识别模块，用于获取船舶动力系统的实时运行数据，将所述船舶动力系统的实时运行数据输入至预先训练好的船舶动力系统运行工况辨识模型中，获得所述船舶动力系统当前所处的运行工况；
其中，所述船舶动力系统运行工况辨识模型利用人工鱼群-随机森林算法进行训练后获得的。
船舶动力系统运行工况识别装置用于执行上述方法实施例中的区船舶动力系统的运船舶动力系统运行工况识别方法。因此，在前述各实施例中的船舶动力系统运行工况识别方法中的描述和定义，可以用于本发明实施例中船舶动力系统运行工况识别装置的理解，在此不再赘述。
基于上述实施例的内容，所述船舶动力系统运行工况识别装置还包括：运行工况辨识模型构建模块，
所述运行工况辨识模型构建模块具体包括：
数据集获取子模块，用于获取船舶动力系统的历史运行数据以及历史运行数据所对应的运行工况，组成原始数据集；
参数寻优子模块，用于利用人工鱼群算法以随机森林算法的分类精度为评价指标，对随机森林算法中生成决策树的最大特征数κ和弱分类器的个数nTree进行寻优，找出所述原始数据集下的最优参数组合；
模型构建子模块，用于将所述最优参数组合对应的随机森林作为船舶动力系统运行工况辨识模型。
其中，所述参数寻优子模块具体包括：
初始化子单元，用于进行初始化设置，包括种群规模N以鱼个体感知距离Visual、移动步长Step、拥挤度因子δ以及重复次数Try-number；
参数设置子单元，用于将每条鱼个体的状态设置为Xi＝(xnTree，xκ)，目标函数Y设置为随机森林算法的分类精度；
最优值求解子单元，用于根据鱼群状态计算出目标函数Y的最优值，并记录最优值和最优值所对应的鱼个体状态；
状态更新子单元，用于每个鱼个体对其要执行的行为进行选择，包括觅食，聚群和追尾；
最优值更新子单元，用于在每个鱼个体行动过后，继续计算目标函数Y，取当前的最优值与之前记录的最优值比较，取两者最优更新记录；
输出子单元，用于判断当前迭代次数是否达给定上限，若达到则取最终记录的最优值所对应的鱼个体状态作为算法的输出，否则，继续根据鱼群状态计算目标函数Y的最优值并进行记录。
其中，所述最优值求解子单元具体用于：
对于所述鱼群状态中的任一个鱼个体状态，利用所述鱼个体状态中包含的生产决策树的最大特征数κ和弱分类器的个数nTree，执行以下步骤：
对所述原始数据集进行nTree次随机采样，用每次采样的结果构建一个训练样本集；
根据所述生成决策树的最大特征数κ和所获得的nTree个训练样本集对CART决策树进行分类训练，获得nTree个弱分类器的分类结果，其中，一个训练样本集对应一颗CART决策树；
组合获得的nTree个弱分类器的分类结果，投票表决出强分类器输出的分类结果；
根据所述分类结果和所述原始数据集中的历史运行数据所对应的运行工况计算随机森林算法的分类精度，获得当前鱼个体状态对应的目标函数Y；
对所述鱼群状态中所有鱼个体状态对应的目标函数Y进行比较，获取所述鱼群状态的目标函数Y的最优值。
图3为本发明实施例提供的电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储在存储器330上并可在处理器310上运行的计算机程序，以执行上述各方法实施例所提供的船舶动力系统运行工况识别方法，例如包括：获取船舶动力系统的实时运行数据，将所述船舶动力系统的实时运行数据输入至预先训练好的船舶动力系统运行工况辨识模型中，获得所述船舶动力系统当前所处的运行工况；其中，所述船舶动力系统运行工况辨识模型利用人工鱼群-随机森林算法进行训练后获得的。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例提供的船舶动力系统运行工况识别方法，例如包括：获取船舶动力系统的实时运行数据，将所述船舶动力系统的实时运行数据输入至预先训练好的船舶动力系统运行工况辨识模型中，获得所述船舶动力系统当前所处的运行工况；其中，所述船舶动力系统运行工况辨识模型利用人工鱼群-随机森林算法进行训练后获得的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种船舶动力系统运行工况识别方法，其特征在于，包括：
获取船舶动力系统的实时运行数据，将所述船舶动力系统的实时运行数据输入至预先训练好的船舶动力系统运行工况辨识模型中，获得所述船舶动力系统当前所处的运行工况；
其中，所述船舶动力系统运行工况辨识模型利用人工鱼群-随机森林算法进行训练后获得的。
2.根据权利要求1所述的船舶动力系统运行工况识别方法，其特征在于，所述获取船舶动力系统的实时运行数据的步骤之前，还包括：
获取船舶动力系统的历史运行数据以及历史运行数据所对应的运行工况，组成原始数据集；
利用人工鱼群算法以随机森林算法的分类精度为评价指标，对随机森林算法中生成决策树的最大特征数κ和弱分类器的个数nTree进行寻优，找出所述原始数据集下的最优参数组合；
将所述最优参数组合对应的随机森林作为船舶动力系统运行工况辨识模型。
3.根据权利要求2所述的船舶动力系统运行工况识别方法，其特征在于，所述利用人工鱼群算法以随机森林算法的分类精度为评价指标，对随机森林算法中生成决策树的最大特征数κ和弱分类器的个数nTree进行寻优，找出所述原始数据集下的最优参数组合的步骤，具体为：
进行初始化设置，包括种群规模N以鱼个体感知距离Visual、移动步长Step、拥挤度因子δ以及重复次数Try-number；
将每条鱼个体的状态设置为Xi＝(xnTree，xκ)，在给定范围内初始化鱼群状态，目标函数Y设置为随机森林算法的分类精度；
根据鱼群状态计算出目标函数Y的最优值，并记录最优值和最优值所对应的鱼个体状态；
每个鱼个体对其要执行的行为进行选择，包括觅食、聚群和追尾；
在每个鱼个体行动过后，继续计算目标函数Y，取当前的最优值与之前记录的最优值比较，取两者最优更新记录；
判断当前迭代次数是否达给定上限，若达到则取最终记录的最优值所对应的鱼个体状态作为算法的输出，否则跳转到每个鱼个体对其要执行的行为进行选择继续执行。
4.根据权利要求3所述的船舶动力系统运行工况识别方法，其特征在于，所述根据鱼群状态计算出目标函数Y的最优值的步骤，具体为：
对于所述鱼群状态中的任一个鱼个体状态，利用所述鱼个体状态中包含的生产决策树的最大特征数κ和弱分类器的个数nTree，执行以下步骤：
对所述原始数据集进行nTree次随机采样，用每次采样的结果构建一个训练样本集；
根据所述生成决策树的最大特征数κ和所获得的nTree个训练样本集对CART决策树进行分类训练，获得nTree个弱分类器的分类结果，其中，一个训练样本集对应一颗CART决策树；
组合获得的nTree个弱分类器的分类结果，投票表决出强分类器输出的分类结果；
根据所述分类结果和所述原始数据集中的历史运行数据所对应的运行工况计算随机森林算法的分类精度，获得当前鱼个体状态对应的目标函数Y；
对所述鱼群状态中所有鱼个体状态对应的目标函数Y进行比较，获取所述鱼群状态的目标函数Y的最优值。
5.一种船舶动力系统运行工况识别装置，其特征在于，包括：
运行工况识别模块，用于获取船舶动力系统的实时运行数据，将所述船舶动力系统的实时运行数据输入至预先训练好的船舶动力系统运行工况辨识模型中，获得所述船舶动力系统当前所处的运行工况；
其中，所述船舶动力系统运行工况辨识模型利用人工鱼群-随机森林算法进行训练后获得的。
6.根据权利要求5所述的船舶动力系统运行工况识别装置，其特征在于，还包括：运行工况辨识模型构建模块，
所述运行工况辨识模型构建模块具体包括：
数据集获取子模块，用于获取船舶动力系统的历史运行数据以及历史运行数据所对应的运行工况，组成原始数据集；
参数寻优子模块，用于利用人工鱼群算法以随机森林算法的分类精度为评价指标，对随机森林算法中生成决策树的最大特征数κ和弱分类器的个数nTree进行寻优，找出所述原始数据集下的最优参数组合；
模型构建子模块，用于将所述最优参数组合对应的随机森林作为船舶动力系统运行工况辨识模型。
7.根据权利要求6所述的船舶动力系统运行工况识别装置，其特征在于，所述参数寻优子模块具体包括：
初始化子单元，用于进行初始化设置，包括种群规模N以鱼个体感知距离Visual、移动步长Step、拥挤度因子δ以及重复次数Try-number；
参数设置子单元，用于将每条鱼个体的状态设置为Xi＝(xnTree，xκ)，在给定范围内初始化鱼群状态，目标函数Y设置为随机森林算法的分类精度；
最优值求解子单元，用于根据鱼群状态计算出目标函数Y的最优值，并记录最优值和最优值所对应的鱼个体状态；
状态更新子单元，用于每个鱼个体对其要执行的行为进行选择，包括觅食，聚群和追尾；
最优值更新子单元，用于在每个鱼个体行动过后，继续计算目标函数Y，取当前的最优值与之前记录的最优值比较，取两者最优更新记录；
输出子单元，用于判断当前迭代次数是否达给定上限，若达到则取最终记录的最优值所对应的鱼个体状态作为算法的输出，否则，继续根据鱼群状态计算目标函数Y的最优值并进行记录。
8.根据权利要求7所述的船舶动力系统运行工况识别装置，其特征在于，所述最优值求解子单元具体用于：
对于所述鱼群状态中的任一个鱼个体状态，利用所述鱼个体状态中包含的生产决策树的最大特征数κ和弱分类器的个数nTree，执行以下步骤：
对所述原始数据集进行nTree次随机采样，用每次采样的结果构建一个训练样本集；
根据所述生成决策树的最大特征数κ和所获得的nTree个训练样本集对CART决策树进行分类训练，获得nTree个弱分类器的分类结果，其中，一个训练样本集对应一颗CART决策树；
组合获得的nTree个弱分类器的分类结果，投票表决出强分类器输出的分类结果；
根据所述分类结果和所述原始数据集中的历史运行数据所对应的运行工况计算随机森林算法的分类精度，获得当前鱼个体状态对应的目标函数Y；
对所述鱼群状态中所有鱼个体状态对应的目标函数Y进行比较，获取所述鱼群状态的目标函数Y的最优值。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述船舶动力系统运行工况识别方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述船舶动力系统运行工况识别方法的步骤。
CN201910682183.2A 2019-07-26 2019-07-26 船舶动力系统运行工况识别方法及装置 Active CN110532613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910682183.2A CN110532613B (zh) 2019-07-26 2019-07-26 船舶动力系统运行工况识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910682183.2A CN110532613B (zh) 2019-07-26 2019-07-26 船舶动力系统运行工况识别方法及装置

Publications (2)

Publication Number Publication Date
CN110532613A true CN110532613A (zh) 2019-12-03
CN110532613B CN110532613B (zh) 2023-05-02

Family

ID=68660947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910682183.2A Active CN110532613B (zh) 2019-07-26 2019-07-26 船舶动力系统运行工况识别方法及装置

Country Status (1)

Country Link
CN (1) CN110532613B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113157728A (zh) * 2021-02-23 2021-07-23 北京科技大学 一种地下柴油铲运机循环工况的识别方法
CN113222307A (zh) * 2020-01-21 2021-08-06 厦门邑通软件科技有限公司 一种生成操作行为记录集的仿真方法、系统和设备
CN114462444A (zh) * 2021-12-21 2022-05-10 上海中船船舶设计技术国家工程研究中心有限公司 一种极地考察船的航行状态识别方法及系统
CN114462549A (zh) * 2022-02-23 2022-05-10 中国电力科学研究院有限公司 储能电站运行工况分类方法、系统、存储介质及服务器
US11945559B2 (en) 2020-05-22 2024-04-02 Shanghai Maritime University Method for forecasting demand load of hybrid electric ship by means of working condition

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104527958A (zh) * 2014-12-15 2015-04-22 武汉理工大学 船舶四机双桨混合动力推进系统能量优化与控制方法
CN109145965A (zh) * 2018-08-02 2019-01-04 深圳辉煌耀强科技有限公司 基于随机森林分类模型的细胞识别方法和装置
WO2019077093A1 (de) * 2017-10-20 2019-04-25 Thyssenkrupp Marine Systems Gmbh Verfahren und system zum auswerten eines betriebszustandes eines wasserfahrzeugs
CN109711682A (zh) * 2018-12-13 2019-05-03 中国船舶工业系统工程研究院 一种数据驱动的船舶总体状态评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104527958A (zh) * 2014-12-15 2015-04-22 武汉理工大学 船舶四机双桨混合动力推进系统能量优化与控制方法
WO2019077093A1 (de) * 2017-10-20 2019-04-25 Thyssenkrupp Marine Systems Gmbh Verfahren und system zum auswerten eines betriebszustandes eines wasserfahrzeugs
CN109145965A (zh) * 2018-08-02 2019-01-04 深圳辉煌耀强科技有限公司 基于随机森林分类模型的细胞识别方法和装置
CN109711682A (zh) * 2018-12-13 2019-05-03 中国船舶工业系统工程研究院 一种数据驱动的船舶总体状态评估方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222307A (zh) * 2020-01-21 2021-08-06 厦门邑通软件科技有限公司 一种生成操作行为记录集的仿真方法、系统和设备
US11945559B2 (en) 2020-05-22 2024-04-02 Shanghai Maritime University Method for forecasting demand load of hybrid electric ship by means of working condition
CN113157728A (zh) * 2021-02-23 2021-07-23 北京科技大学 一种地下柴油铲运机循环工况的识别方法
CN113157728B (zh) * 2021-02-23 2024-03-19 北京科技大学 一种地下柴油铲运机循环工况的识别方法
CN114462444A (zh) * 2021-12-21 2022-05-10 上海中船船舶设计技术国家工程研究中心有限公司 一种极地考察船的航行状态识别方法及系统
CN114462549A (zh) * 2022-02-23 2022-05-10 中国电力科学研究院有限公司 储能电站运行工况分类方法、系统、存储介质及服务器

Also Published As

Publication number Publication date
CN110532613B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN110532613A (zh) 船舶动力系统运行工况识别方法及装置
CN107103332B (zh) 一种面向大规模数据集的相关向量机分类方法
CN106096727B (zh) 一种基于机器学习的网络模型构造方法及装置
Chuang et al. A hybrid both filter and wrapper feature selection method for microarray classification
Bhuyan et al. Explainable machine learning for data extraction across computational social system
CN112800115B (zh) 数据处理方法及数据处理装置
Dotko et al. Topological analysis of the connectome of digital reconstructions of neural microcircuits
CN113052225A (zh) 基于聚类算法和时序关联规则的报警收敛方法及装置
Gong et al. A length-adaptive non-dominated sorting genetic algorithm for Bi-objective high-dimensional feature selection
CN115022038A (zh) 一种电网网络异常检测方法、装置、设备及存储介质
Iman et al. Data Reduction for Optimizing Feature Selection in Modeling Intrusion Detection System.
Ishioka Imputation of missing values for unsupervised data using the proximity in random forests
Mamidi et al. Implementation of machine learning algorithms to identify freshness of fruits
Gias et al. Samplehst: Efficient on-the-fly selection of distributed traces
Ravichandran et al. Comparative study on decision tree techniques for mobile call detail record
CN109981630A (zh) 基于卡方检验和ldof算法的入侵检测方法及系统
Al-Madi et al. Improving genetic programming classification for binary and multiclass datasets
Deng et al. Research on C4. 5 Algorithm Optimization for User Churn
Bo Research on the classification of high dimensional imbalanced data based on the optimizational random forest algorithm
Zhang et al. A K-harmonic means clustering algorithm based on enhanced differential evolution
CN108717551A (zh) 一种基于最大隶属度的模糊层次聚类方法
Carmona et al. Genetic lateral tuning for subgroup discovery with fuzzy rules using the algorithm NMEEF-SD
Tran et al. An improved approach of particle swarm optimization and application in data clustering
Pidnebesna A Correlation-Based Sorting Algorithm of Inductive Modeling Using Argument Rating
An Application of genetic algorithm based on f-ratio rule in signal feature selection

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