CN110687906A - 基于剪枝技术的船舶智能自动舵 - Google Patents
基于剪枝技术的船舶智能自动舵 Download PDFInfo
- Publication number
- CN110687906A CN110687906A CN201910890524.5A CN201910890524A CN110687906A CN 110687906 A CN110687906 A CN 110687906A CN 201910890524 A CN201910890524 A CN 201910890524A CN 110687906 A CN110687906 A CN 110687906A
- Authority
- CN
- China
- Prior art keywords
- ship
- navigation
- neural network
- module
- pruning
- 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.)
- Pending
Links
- 238000013138 pruning Methods 0.000 title claims abstract description 23
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 230000000306 recurrent effect Effects 0.000 claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 239000013585 weight reducing agent Substances 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000001159 Fisher's combined probability test Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及基于剪枝技术的船舶智能自动舵，包括：微处理器模块、数据接口模块及人机交互模块，微处理器模块接收人机交互模块的船员考试数据信息，并根据船员考试数据信息建立递归神经网络模型(RNN模型)，再通过神经网络剪枝算法完成对RNN模型的轻量化优化；数据接口模块接收船舶航行环境信息，并将船舶航行环境信息发送到微处理器模块，微处理器模块通过轻量化RNN模型对船舶航行环境信息进行计算获得计算舵角及计算航速；该船舶智能自动舵能实现在不同环境下的自动驾驶，在一定程度上减轻船员工作量，促进航运业发展的技术效果。该船舶智能自动舵。
Description
技术领域
本发明涉及船舶控制技术领域，特别涉及基于剪枝技术的船舶智能自动舵。
背景技术
船舶借助螺旋桨的推力和舵的舵力来改变和保持航速或航向，实现从出发港到目的港的航行计划。随着科技的发展，未来船舶必会朝着结构复杂化，操作自动化的方向发展。而船舶操舵系统是非常重要的控制系统，是用来控制船舶航向的设备，它能克服使船舶偏离预定航向的各种影响，使船舶自动地稳定在预定的航向上运行，因此舵的自动化是实现船舶自动化的关键，其性能直接影响着船舶航行的操纵性、经济性和安全性，因此自动舵技术一直是被当作具有较高经济价值和社会效益的科学技术，自1922年自动舵问世以来，一代又一代的工程技术人员对如何改善该系统的性能不断进行探索和研究。
实践表明，将优良的控制算法应用于船舶自动舵上，可以大幅提高船舶的操纵性能和船舶的反应能力，同时能够有效节省船舶航行所消耗的能源，降低污染物的排放，降低船员工作量，促进航运业的发展。
现有技术中自动舵精度低、适应能力较弱。
发明内容
本发明提供了一种基于剪枝技术的船舶智能自动舵，解决了或部分解决了现有技术中自动舵精度低、适应能力较弱的技术问题，实现了在不同环境下对船舶的自动驾驶，在一定程度上减轻船员工作量，促进航运业发展的技术效果。
本发明提供的基于剪枝技术的船舶智能自动舵，包括：微处理器模块、数据接口模块及人机交互模块，其中：
所述微处理器模块与所述数据接口模块、所述人机交互模块及船舶主控机电性连接；
所述微处理器模块设置有建模单元、训练单元、数据简化单元及航角航速计算单元；
所述人机交互模块获取船员考试数据并将其发送到所述微处理器模块；
所述建模单元根据所述船员考试数据建立递归神经网络模型；
所述训练单元对所述递归神经网络模型进行训练；
所述数据简化单元运用神经网络剪枝算法对训练后的所述递归神经网络模型进行轻量化；
所述数据接口模块获取现实航行环境信息并将其发送到所述微处理器模块；
所述航角航速计算单元通过轻量化后的所述递归神经网络模型对所述现实航行环境信息进行计算，获得计算舵角及计算航速。
作为优选，还包括：存储器模块，与所述微处理器模块电性连接；所述存储器模块接收并存储轻量化后的所述递归神经网络模型。
作为优选，所述船员考试数据包括：航行环境信息和船员操作信息；
所述航行环境信息包括：航行水道、航行季节、航行气候、风、浪及流；
所述船员操作信息包括：模拟舵角和模拟航速。
作为优选，所述递归神经网络模型包括：一输入层、若干隐藏层及一输出层；
所述输入层的节点数量根据航行环境确定；
所述隐藏层的数量及每一所述隐藏层的节点数量可根据所述航行环境动态调整。
作为优选，在所述递归神经网络模型进行轻量化的过程中，
删除所述节点时，先计算所述递归神经网络模型的误差，
当所述误差在设定范围内，则将所述节点从所述递归神经网络模型中删除；
当所述误差超出所述设定范围时，在所述递归神经网络模型中保留所述节点。
作为优选，所述数据接口模块的数据接口可兼容船舶的常用电气接口。
作为优选，所述常用电气接口包括：CAN总线、串行RS232、422/485接口、USB接口及网络接口。
作为优选，所述航角航速计算单元获得所述计算舵角及所述计算航速后，操作人员人工选择是否将所述计算舵角及所述计算航速发送到所述船舶主控机。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了由微处理器模块、数据接口模块及人机交互模块组成的船舶智能自动舵，微处理器模块接收人机交互模块的船员考试数据信息，并根据船员考试数据信息建立递归神经网络模型(RNN模型)，再通过神经网络剪枝算法完成对RNN模型的轻量化优化，提高其运行效率，使其能运行于性能较低的低速微处理器；数据接口模块接收船舶航行环境信息，并将船舶航行环境信息发送到微处理器模块，微处理器模块通过轻量化RNN模型对船舶航行环境信息进行计算获得计算舵角及计算航速；将神经网络剪枝技术与RNN模型应用于船舶自动舵中，能够克服传统深度神经网络运算效率较低的问题，同时考虑了输入的时间序列，更能真实拟合相关操作，对船位更为精确的控制，提高自动舵的学习能力以及对于环境的自适应能力。这样，有效解决了现有技术中自动舵精度低、适应能力较弱的技术问题，实现了在不同环境下对船舶的自动驾驶，在一定程度上减轻船员工作量，促进航运业发展的技术效果。
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，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
图1为本申请实施例提供的船舶智能自动舵的信息通讯示意图；
图2为本申请实施例提供的船舶智能自动舵的算法流程示意图；
图3为本申请实施例提供的递归神经网络模型的结构。
具体实施方式
本申请实施例提供的基于剪枝技术的船舶智能自动舵，解决了或部分解决了现有技术中自动舵精度低、适应能力较弱的技术问题，通过设置由微处理器模块、存储器模块、数据接口模块及人机交互模块组成的船舶自动舵，微处理器模块接收人机接口模块的船员考试数据信息，并根据船员考试数据信息建立RNN模型，再通过神经网络剪枝算法完成对RNN模型的轻量化优化，提高其运行效率，使其能运行于性能较低的低速微处理器，微处理器模块通过轻量化RNN模型对船舶航行环境信息进行计算获得舵角及航速数据；实现了在不同环境下对船舶的自动驾驶，在一定程度上减轻船员工作量，促进航运业发展的技术效果。
本申请提供的基于剪枝技术的船舶智能自动舵，包括：微处理器模块、存储器模块、数据接口模块及人机交互模块；微处理器模块的输入输出端与存储器模块的输出输入端相连；微处理器模块与数据接口模块的输出输入端相连；微处理器模块与人机交互模块的输出端相连。
微处理器模块接收人机交互模块的船员考试数据信息，并根据船员考试数据信息建立RNN模型，再通过神经网络剪枝算法完成对RNN模型的轻量化优化，提高其运行效率，使其能运行于性能较低的低速微处理器。存储器模块存储轻量化RNN模型。
数据接口模块接收船舶航行环境信息，并将船舶航行环境信息发送到微处理器模块，微处理器模块通过普通神经网络模型对船舶航行环境信息进行计算获得舵角及航速数据。其中，船舶航行环境信息至少包括：航行水道、航行季节、航行气候以及航行中的风、流、浪等情况。
微处理器模块接收人机接口模块的船员考试数据信息，并根据船员考试数据信息建立RNN模型，再通过神经网络剪枝算法完成对RNN模型的轻量化优化，提高其运行效率，使其能运行于性能较低的低速微处理器，微处理器模块通过轻量化RNN模型对船舶航行环境信息进行计算获得舵角及航速数据。将神经网络剪枝技术与RNN模型用于船舶自动舵中，能够更加真实的模拟真实船舶工况，实现对船位更为精确的控制，并且能够提高自动舵的学习能力以及对于环境的自适应能力。
进一步的，RNN模型包括：一层输入层、若干隐藏层以及一层输出层，隐藏层的数量大于等于4层，输入层的节点数量由船舶航行信息因素确定，根据不同的航行环境，设定不同的输入层节点数量；隐藏层的数量以及每一隐藏层节点的数量可根据船舶航行环境动态调整，直至获得最优模型。
进一步的，船员考试数据包括两方面因素，一是船员在培训及考试过程中遭遇的外部航行环境，包含但不限于航行水道、航行季节、航行气候以及航行中的风、流、浪等情况；另外一点则是船员在船舶航行过程中的操作，包括模拟舵角以及模拟船速两个数据。
进一步的，根据船员考试数据信息建立RNN模型，再通过神经网络剪枝算法对RNN模型进行轻量化优化处理，具体过程为：
计算删除某一节点后的轻量化RNN模型的误差，某一节点为轻量化RNN模型中的任一个节点；若删除某一节点后所述轻量化RNN模型的计算误差在设定范围内，则删除节点，否者不能删除该节点。
进一步的，将计算舵角及计算航速数据呈现给船舶操作人员，操作人员可选择将其发送至船舶主控机(用以控制舵角及主机转速)，或忽略其数据。
进一步的，微处理器模块为可运行RNN模型算法的通用型或专用型微处理器系统。通信模块的数据接口可兼容常见船舶电气接口，包括但不限于：CAN总线、串行RS232、422/485接口、USB接口以及网络接口。
下面通过具体实施例对本申请的基于剪枝技术的船舶智能自动舵的工作原理进行详细介绍：
参见附图1，整个系统由微处理器模块，存储器模块，数据接口模块以及人机交互模块组成。
微处理器模块的输入输出端通过总线与存储器模块的输出输入相连，与数据接口模块的输出输入相连，与人机交互模块的输出端相连；存储器模块的输入输出端通过总线与微处理器模块的输出输入相连；数据接口模块的输入输出模块通过总线与微处理器模块的输出输入相连；人机交互模块的输出端通过总线与微处理器模块的输入端相连。
参见附图2，为基于剪枝技术的船舶智能自动舵的算法流程。
本系统具体实施时，采用微处理器作为主控芯片，实现对RNN模型的建立以及基于RNN模型的训练。在建模阶段，所述微处理器模块接收来自人机接口的信息，并在存储器模块中建立多层RNN模型。多层RNN模型由一层输入层、不少于四层的隐藏层以及一层输出层；输入层的节点数量由船舶航行信息因素确定，根据不同的航行环境，设定不同的输入层节点数量；隐藏层的数量以及每一隐藏层节点的数量可根据船舶航行环境动态调整，直至获得最优模型；人机交互模块向微处理器模块发送船员考试数据信息，包括船舶运行外部环境(风流浪等)以及模拟船速和模拟舵角；微处理器一旦接收来自到人机交互的信息，便对RNN模型进行训练。RNN模型的结构为附图3所示：将序列的输出结果反馈回模型，作为其输入，可以实现系统对时间的记忆效应，更真实模拟拟合结果。
RNN模型的修剪算法可以采用流行的L_0正则化方法或者Fisher方法。两种方法均可达到最终的效果，但是L_0方法看起来像是一个更简单的优化算法，可能是Fisher修剪的迭代，一次删除一个特征方法更可取。
数据接口模块的具体实现方式由运行环境决定，应满足船舶通信电气接口要求，包括但不限于CAN总线、RS232、422/485、USB以及网络接口。数据接口模块的工作为：与船舶主控机相连，接收来自船舶航行环境，包括：风、流、浪以及天气等，并将其作为输入数据，输入到训练完成后的轻量化RNN模型中，并从中计算得到舵角及航速数据，并将其呈现给船舶操作人员，操作人员可选择将其发送至船舶主控机(用以控制舵角及主机转速)，或忽略其数据。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于剪枝技术的船舶智能自动舵，其特征在于，包括：微处理器模块、数据接口模块及人机交互模块，其中：
所述微处理器模块与所述数据接口模块、所述人机交互模块及船舶主控机电性连接；
所述微处理器模块设置有建模单元、训练单元、数据简化单元及航角航速计算单元；
所述人机交互模块获取船员考试数据并将其发送到所述微处理器模块；
所述建模单元根据所述船员考试数据建立递归神经网络模型；
所述训练单元对所述递归神经网络模型进行训练；
所述数据简化单元运用神经网络剪枝算法对训练后的所述递归神经网络模型进行轻量化；
所述数据接口模块获取现实航行环境信息并将其发送到所述微处理器模块；
所述航角航速计算单元通过轻量化后的所述递归神经网络模型对所述现实航行环境信息进行计算，获得计算舵角及计算航速。
2.如权利要求1所述的基于剪枝技术的船舶智能自动舵，其特征在于，还包括：存储器模块，与所述微处理器模块电性连接；所述存储器模块接收并存储轻量化后的所述递归神经网络模型。
3.如权利要求1所述的基于剪枝技术的船舶智能自动舵，其特征在于，所述船员考试数据包括：航行环境信息和船员操作信息；
所述航行环境信息包括：航行水道、航行季节、航行气候、风、浪及流；
所述船员操作信息包括：模拟舵角和模拟航速。
4.如权利要求1所述的基于剪枝技术的船舶智能自动舵，其特征在于，所述递归神经网络模型包括：一输入层、若干隐藏层及一输出层；
所述输入层的节点数量根据航行环境确定；
所述隐藏层的数量及每一所述隐藏层的节点数量可根据所述航行环境动态调整。
5.如权利要求4所述的基于剪枝技术的船舶智能自动舵，其特征在于，在所述递归神经网络模型进行轻量化的过程中，
删除所述节点时，先计算所述递归神经网络模型的误差，
当所述误差在设定范围内，则将所述节点从所述递归神经网络模型中删除；
当所述误差超出所述设定范围时，在所述递归神经网络模型中保留所述节点。
6.如权利要求1所述的基于剪枝技术的船舶智能自动舵，其特征在于，所述数据接口模块的数据接口可兼容船舶的常用电气接口。
7.如权利要求6所述的基于剪枝技术的船舶智能自动舵，其特征在于，所述常用电气接口包括：CAN总线、串行RS232、422/485接口、USB接口及网络接口。
8.如权利要求1所述的基于剪枝技术的船舶智能自动舵，其特征在于，所述航角航速计算单元获得所述计算舵角及所述计算航速后，操作人员人工选择是否将所述计算舵角及所述计算航速发送到所述船舶主控机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910890524.5A CN110687906A (zh) | 2019-09-20 | 2019-09-20 | 基于剪枝技术的船舶智能自动舵 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910890524.5A CN110687906A (zh) | 2019-09-20 | 2019-09-20 | 基于剪枝技术的船舶智能自动舵 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110687906A true CN110687906A (zh) | 2020-01-14 |
Family
ID=69109683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910890524.5A Pending CN110687906A (zh) | 2019-09-20 | 2019-09-20 | 基于剪枝技术的船舶智能自动舵 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110687906A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114212215A (zh) * | 2021-12-14 | 2022-03-22 | 深圳市博特动力技术有限公司 | 一种新型船舶转向控制方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107918393A (zh) * | 2017-11-29 | 2018-04-17 | 江汉大学 | 基于深度置信网络的船舶自动舵 |
| CN109557913A (zh) * | 2018-10-19 | 2019-04-02 | 江汉大学 | 基于混合深度神经网络的船舶自动舵 |
| US20190130271A1 (en) * | 2017-10-27 | 2019-05-02 | Baidu Usa Llc | Systems and methods for block-sparse recurrent neural networks |
-
2019
- 2019-09-20 CN CN201910890524.5A patent/CN110687906A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190130271A1 (en) * | 2017-10-27 | 2019-05-02 | Baidu Usa Llc | Systems and methods for block-sparse recurrent neural networks |
| CN107918393A (zh) * | 2017-11-29 | 2018-04-17 | 江汉大学 | 基于深度置信网络的船舶自动舵 |
| CN109557913A (zh) * | 2018-10-19 | 2019-04-02 | 江汉大学 | 基于混合深度神经网络的船舶自动舵 |
Non-Patent Citations (3)
| Title |
|---|
| 李少伟 等: "基于神经网络的船舶自动舵控制算法研究与分析", 《中国水运》, no. 11, 30 November 2018 (2018-11-30), pages 60 - 63 * |
| 李少伟 等: "深度神经网络在船舶自动舵中的应用", 《现代电子技术》, vol. 41, no. 24, 15 December 2018 (2018-12-15), pages 39 - 42 * |
| 马治楠: "基于深度学习的计算优化技术研究", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》, no. 09, 15 September 2019 (2019-09-15), pages 31 - 39 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114212215A (zh) * | 2021-12-14 | 2022-03-22 | 深圳市博特动力技术有限公司 | 一种新型船舶转向控制方法及系统 |
| CN114212215B (zh) * | 2021-12-14 | 2023-02-03 | 深圳市博特动力技术有限公司 | 一种新型船舶转向控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416152B (zh) | 基于电子海图的无人艇蚁群能耗最优全局路径规划方法 | |
| CN108564202B (zh) | 一种基于环境预报信息的无人艇航线优化方法 | |
| CN108897322B (zh) | 无人船自主航行航迹跟踪控制器测试仿真平台及工作方法 | |
| CN108073175B (zh) | 基于虚拟艇自适应规划的欠驱动无人艇编队智能控制方法 | |
| CN110083983A (zh) | 一种船舶分段航速优化方法和智能管理系统 | |
| CN111199103B (zh) | 全电力推进船舶的全流程自动计算的航速优化方法及系统 | |
| Cao et al. | Toward optimal rendezvous of multiple underwater gliders: 3D path planning with combined sawtooth and spiral motion | |
| CN108876065B (zh) | 一种基于轨迹单元的无人艇运动规划方法 | |
| CN206639376U (zh) | 一种无人船群自动监测系统 | |
| Wang et al. | Local path optimization method for unmanned ship based on particle swarm acceleration calculation and dynamic optimal control | |
| CN109799818A (zh) | 多参数化路径导引的无人船协同操纵控制器及其设计方法 | |
| CN113010958A (zh) | 自航船舶的模拟系统及其运作方法 | |
| Zhang et al. | A multi-objective path planning method for the wave glider in the complex marine environment | |
| CN110778398B (zh) | 一种船用柴油机燃油管理控制系统 | |
| CN111665846A (zh) | 一种基于快速扫描法的水面无人艇路径规划方法 | |
| CN101683894A (zh) | 一种无人驾驶气象探测船 | |
| CN110321639B (zh) | 实现水下机器人四自由度垂直面自航下潜预报的类物理数值方法 | |
| CN110687906A (zh) | 基于剪枝技术的船舶智能自动舵 | |
| WO2024114458A1 (zh) | 基于李雅普诺夫神经网络的无人系统控制方法及控制系统 | |
| Wu et al. | An overview of developments and challenges for unmanned surface vehicle autonomous berthing | |
| Zhang et al. | Autonomous navigation and control for a sustainable vessel: A wind-assisted strategy | |
| CN116127614B (zh) | 基于求解风包络的动力定位能力分析方法及系统 | |
| CN110737260A (zh) | 基于大数据和人工智能的自动作业方法和机器人系统 | |
| CN107918393B (zh) | 基于深度置信网络的船舶自动舵 | |
| CN116520834A (zh) | 一种低能耗的无人船巡航方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |
|
| RJ01 | Rejection of invention patent application after publication |