CN112009636A - 用于船舶航行的智能配载减阻系统及方法 - Google Patents
用于船舶航行的智能配载减阻系统及方法 Download PDFInfo
- Publication number
- CN112009636A CN112009636A CN202010846497.4A CN202010846497A CN112009636A CN 112009636 A CN112009636 A CN 112009636A CN 202010846497 A CN202010846497 A CN 202010846497A CN 112009636 A CN112009636 A CN 112009636A
- Authority
- CN
- China
- Prior art keywords
- ship
- stowage
- liquid level
- drag reduction
- sliding table
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000007788 liquid Substances 0.000 claims abstract description 27
- 238000006073 displacement reaction Methods 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 4
- 230000009471 action Effects 0.000 claims abstract description 3
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000001537 neural effect Effects 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B43/00—Improving safety of vessels, e.g. damage control, not otherwise provided for
- B63B43/02—Improving safety of vessels, e.g. damage control, not otherwise provided for reducing risk of capsizing or sinking
- B63B43/04—Improving safety of vessels, e.g. damage control, not otherwise provided for reducing risk of capsizing or sinking by improving stability
- B63B43/08—Improving safety of vessels, e.g. damage control, not otherwise provided for reducing risk of capsizing or sinking by improving stability by transfer of solid ballast
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Ship Loading And Unloading (AREA)
Abstract
本发明涉及船舶运输配载优化技术领域，具体涉及用于船舶航行的智能配载减阻系统及方法，包括：滑台配载货柜；用于驱动滑台配载货柜的丝杆电机和传送带；用于支撑滑台配载货柜滑动的双导轨；液位信息读取装置，用于检测液位并读取液位信息，确定排水量和前后吃水差；主控制器，除控制船舶航行外，还接收液位信息读取装置并发出指令对滑台配载货柜移动动作和移动位置进行控制。用自适应可调节移动配载控制平台，通过神经算法找到最佳纵倾角，能耗低、减阻率较为显著。
Description
技术领域
本发明涉及船舶运输配载优化技术领域，特别涉及用于船舶航行的智能配载 减阻系统和方法。
背景技术
船舶运输作为国际贸易中采用的最主要运输方式，占有60％的国际贸易总运 量。集装箱运输船在如今的远洋航运和物流中发挥着重要的作用，其运输能力的 大小一定程度上决定了经济的发展。为了提高运输船的运输能力，一个高效、合 理和经济的船舶配载系统具有重要意义。货船在航行过程中受到的摩擦阻力占总 阻力的60％以上，降低摩擦阻力是船舶节能的重要一环。通过合理的装配船上货 物的配载位置可以有效减小阻力，并且货仓配载是船舶运输过程的核心环节,其 质量的优劣直接影响水上运输的安全性和经济性。因此,良好的配载方案是众多 航运巨头所极力追求的目标。
关于船舶配载优化技术的相关研究已经有很多，但现有技术无法应用到实船 上，主要有以下几个原因：
1、目前市场上的配载优化技术均为在出入港时装配好的既定方案，无法根 据船舶实际行驶状态智能调节配载位置，导致没有一定的节能效果。
2、集装箱船舶的重心会比普通船只高很多。因此，传统的配载系统布局的 集装箱船在受到海风和海浪等外界条件干扰时，自身调节能力差，容易发生横倾、 摇摆等运动，甚至会发生事故。为了保证船舶在极端条件下的安全性，必须提高 集装箱船的稳定性。
发明内容
本发明要解决的技术问题是针对现有技术的上述缺陷，提供一种能耗低、减 阻率高的用于船舶航行的智能配载减阻系统及方法。
为解决上述技术问题，本发明采用如下技术方案：
一种用于船舶航行的智能配载减阻系统，其特征在于包括：
滑台配载货柜；
用于驱动滑台配载货柜的丝杆电机和传送带；
用于支撑滑台配载货柜滑动的双导轨，双导轨布置在船体纵向中轴线上；
液位信息读取装置，用于检测液位并读取液位信息，确定排水量和前后吃水 差；
主控制器，除控制船舶航行外，还接收液位信息读取装置并发出指令对滑台 配载货柜移动动作和移动位置进行控制。
上述技术方案中，液位信息读取装置在船底首尾部分别安装。
上述技术方案中，在船底首尾部分别安装一个液位传感器作为液位信息读取 装置。
上述技术方案中，还设置功率检测模块，功率检测模块判断船舶消耗功率是 否为最小值，如果船舶消耗功率没有到达最小值，则将功率检测模块检测值反馈 到主控制器使功率达到最小值，以实现节能的目的。
上述技术方案中，滑台配载货柜安装在货仓中，主要由丝杆滑台和货物组成。
上述技术方案中，主控制器收到液位信号后，通过神经网络的算法控制丝杆 电机的转动带动，滑台配载货柜的移动距离，以及丝杆电机的开关。
一种用于船舶航行的智能配载减阻方法，其特征在于包括以下步骤：
步骤1：当船舶开始启动时，设置初始航速，主控制器输出控制信号到船舶 电机驱动器，电推船按照给定速度稳定航行，读取船舶初始参数；
步骤2：构建BP神经网络模型，利用样本集的目标特征数据对模型进行学习 和训练；
步骤3：使用神经网络通过已建立的数据库预测出最佳控制参数，包括滑台 配载货柜所需移动的位移和对应船的纵倾角；
步骤3：通过主控制器控制丝杆电机转动，控制滑台配载货柜到达指定位置， 让船的纵倾角达到理想值并稳定；
步骤4：通过功率检测模块判断船舶消耗功率是否为最小值，如果没有到达 最小值，则将功率检测模块的检测值反馈到神经网络，使船舶消耗功率达到最小 值，以实现节能的目的。
上述技术方案中，步骤2中利用样本集的目标特征数据对神经网络模型进行 学习和训练、建立数据库的步骤如下：
步骤2.1：总重、船速、倾角和逆流情况为整个模型的输入，采用0均值标 准化对数据进行预处理，将原始数据的均值和标准差进行数据标准化，其计算公 式如下：
经过处理的数据符合标准正态分布，即均值为0，标准差为1；其中，μ为所有样 本数据的均值，δ为所有样本数据的标差；
步骤2.2：在训练模型过程中，将经过预处理足够的训练数据作为训练集输 入到模型中；
步骤2.3：训练过程中，给定初始化网络的结构和权值，然后根据输入样本 前向计算BP网络每层神经元的输入信号和输出信号；
步骤2.4：根据期望输出计算反向误差，对权值进行修正，如果误差小于给 定值或迭代次数超过设定值结束学习；
步骤2.5：对于数据库中的m个样本，采用了梯度下降法来调整模型的参数， 当梯度下降很小或合适时候，模型最终会走向最优解；
步骤2.6：根据训练的模型预测输出船舶在不同状态下行驶的最佳纵倾角， 根据不同的实时情况，实现船舶纵倾角的动态调节。
由此，本发明提供一种用于船舶航行的智能配载减阻系统和方法，包括滑台 配载货柜、丝杆、主控制器、电机、导轨、传送带、液位信息读取装置；用自适 应可调节移动配载控制平台，通过神经算法找到最佳纵倾角，提供一种能耗低、 减阻率较为显著的用于船舶航行的智能配载减阻系统。
首先基于神经网络算法的自适应优化配载算法读取船舶的初始参数、船的运 行工况、气泡喷出情况和配载的位置信息，利用内置的已训练完毕的神经网络自 动计算的最佳配载位置的信号通过主控制器输出给丝杆电机驱动。硬件上，具体 实现为电机转动通过减速器将动力传递给丝杆滑台带动上面的货物移动，改变电 机的转动方向实现配载货物沿中心线来回的运动。主控制器输出控制信号给电机 后，电机带动传动带驱使丝杆转动让滑台沿着滑轨带动货物平移，滑台上的智能 配载调节吃水差使船舶纵向转动来控制纵倾角度，最后改变后船体的倾斜方向和 角度。同时传感器将液位信号、配载参数等数据记录在BP神经算法数据库，智 能调配船体重物的位置以及船的浮态。在不改变船体结构和不降低船舶质量和航 速的前提下，仅调节货物的纵向配置，便可实现对纵倾角的控制达成减阻效果。
综上，本发明采用自适应可调节移动配载控制平台，通过神经算法找到最佳 纵倾角，提供的用于船舶航行的智能配载减阻系统。相对于现有技术，本发明具 有如下有益效果：
1、本发明设计并研究了基于深度学习控制算法的改进型船舶移动配载节能 方案，采用智能识别航行状态以此控制移动配载装置，从而提高该项技术的减阻 率。
2、本发明根据船舶行驶状态，根据船体倾斜角度的变化，在船舶运行状态 时也能智能调配船体重物的位置，从而使船舶始终处于一个相对平衡的位置。在 不改变船体结构和不降低船舶质量和航速的前提下，仅调节货物的纵向配置，便 可实现对纵倾角的控制来达成减阻效果。
附图说明
图1为本发明用于船舶航行的智能配载减阻系统结构图。
图2为图1的正视图。
图3为本发明用于船舶航行的智能配载减阻系统的系统工作流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，下面结合附图和具体实施 例对本发明进行详细描述。
本发明用于船舶航行的智能配载减阻系统属于自主研发的一种自适应移动 配载装置，布置在船体纵向中轴线上，一般安装在货仓，指根据船体倾斜角度的 变化移动重物来改变船体的配载。其系统组成如图1-2所示，包括滑台式移动配 载1(可以是滑台配载货柜1的形式)、丝杆2、主控制器、伺服电机3、滑轨4、 传送带5、液位信息读取装置6；
两侧的滑轨4为放置滑台式移动配载1的铝合金滑台提供滑台支撑，丝杆2 设置在滑台式移动配载1底部，丝杆2与传送带5的大带轮同轴连接，传统带5 由伺服电机3提供充足动力。
主控制器是控制系统的核心，收集各个传感器反馈的数据，同时，主控制器 接收到发出的指令对驱动滑台式移动配载1动作的伺服电机3进行控制；功率检 测模块检测的是船舶的瞬时油耗，在电力推进船上为相关电流电压检测，将数据 提供给主控制器。
液位信息读取装置6为安装在船底首尾部位置各有一个液位传感器；用于确 定排水量和前后吃水差。主控制器收到液位信息读取装置6的信号后，通过神经 网络的算法控制丝杆电机的转动带动滑台式移动配载1的移动距离，以及丝杆电 机的开关。
如图3所示，本发明通过神经网络算法，提供一种能耗低、减阻率高船舶移 动配载节能方案。特别适用于减小船舶的行驶阻力。
软件上，首先基于神经网络算法的自适应优化配载算法读取船舶的初始参数、 船的运行工况、气泡喷出情况和配载的位置信息，利用内置的已训练完毕的神经 网络自动计算的最佳配载位置的信号通过主控制器输出给丝杆电机驱动。硬件上， 具体实现为电机转动通过减速器将动力传递给丝杆滑台带动上面的货物移动，改 变电机的转动方向实现配载货物沿滑轨4延伸方向来回的运动。主控制器输出控 制信号给电机后，电机带动传动带驱使丝杆转动让滑台沿着滑轨带动货物平移， 滑台上的智能配载调节吃水差使船舶纵向转动来控制纵倾角度，最后改变后船体 的倾斜方向和角度。同时传感器将液位信号、配载参数等数据记录在BP神经算 法数据库，智能调配船体重物的位置以及船的浮态。在不改变船体结构和不降低 船舶质量和航速的前提下，仅调节货物的纵向配置，便可实现对纵倾角的控制达 成减阻效果。
这种用于船舶航行的智能配载减阻系统，其工作流程图如图3所示，其特征 在于，包括以下步骤：
步骤1：当船开始启动时，设置初始航速，主控制器输出控制信号到电机驱 动器，电推船按照给定速度稳定航行，读取船舶初始参数。
步骤2：构建BP神经网络训练模型，利用样本集的目标特征数据对模型进行 学习和训练，建立数据库的步骤如下。
步骤2.1：总重、船速、倾角和逆流情况为整个模型的输入，采用0均值标 准化对数据进行预处理，这种方法将原始数据的均值(mean)和标准差(standard deviation)进行数据标准化，其计算公式如下：
经过处理的数据符合标准正态分布，即均值为0，标准差为1。其中，μ为 所有样本数据的均值，δ为所有样本数据的标差。通过这种方式，我们可以将有 量纲的表达式为无量纲的表达式。
步骤2.2：在训练模型过程中，获取足够的训练数据。将经过预处理的数据 输入到模型中，其输入形式如图3所示；
步骤2.3：训练过程中，给定初始化网络的结构和权值，然后根据输入样本 前向计算BP网络每层神经元的输入信号和输出信号；
步骤2.4：根据期望输出计算反向误差，对权值进行修正，如果误差小于给 定值或迭代次数超过设定值结束学习；
步骤2.5：对于数据库中的m个样本，采用了梯度下降法来调整模型的参数， 当梯度下降很小或合适时候，模型最终会走向最优解；
步骤2.6：根据训练的模型预测出船舶在不同状态下行驶的纵倾角，根据不 同的实时情况，实现了船舶纵倾角的动态调节；
步骤3：使用神经网络算法通过已建立的数据库预测出最佳控制参数：配载 所需移动的位移和对应船的倾角等；
步骤3：通过主控制器控制步进电机转动，控制滑台移动使货架到达指定位 置，让船的纵倾角达到理想值并稳定；
步骤4：通过功率检测模块判断船的消耗功率是否为最小值，如果没有到达 最小值，则将传感器模块的检测值反馈到神经网络算法，使功率达到最小值，以 实现节能的目的。
1、本发明设计并研究了基于深度学习控制算法的改进型船舶移动配载节能 方案，采用智能识别航行状态以此控制移动配载装置，从而提高该项技术的减阻 率。
2、本发明根据船舶行驶状态，根据船体倾斜角度的变化，在船舶运行状态 时也能智能调配船体重物的位置，从而使船舶始终处于一个相对平衡的位置。在 不改变船体结构和不降低船舶质量和航速的前提下，仅调节货物的纵向配置，便 可实现对纵倾角的控制来达成减阻效果。
Claims (8)
1.一种用于船舶航行的智能配载减阻系统，其特征在于包括：
滑台配载货柜；
用于驱动滑台配载货柜的丝杆电机和传送带；
用于支撑滑台配载货柜滑动的双导轨，双导轨布置在船体纵向中轴线上；
液位信息读取装置，用于检测液位并读取液位信息，确定排水量和前后吃水差；
主控制器，除控制船舶航行外，还接收液位信息读取装置并发出指令对滑台配载货柜移动动作和移动位置进行控制。
2.根据权利要求1所述的用于船舶航行的智能配载减阻系统，其特征在于液位信息读取装置在船底首尾部分别安装。
3.根据权利要求1或2所述的用于船舶航行的智能配载减阻系统，其特征在于在船底首尾部分别安装一个液位传感器作为液位信息读取装置。
4.根据权利要求1所述的用于船舶航行的智能配载减阻系统，其特征在于还设置功率检测模块，功率检测模块判断船舶消耗功率是否为最小值，如果船舶消耗功率没有到达最小值，则将功率检测模块检测值反馈到主控制器使功率达到最小值，以实现节能的目的。
5.根据权利要求1所述的用于船舶航行的智能配载减阻系统，其特征在于滑台配载货柜安装在货仓中，主要由丝杆滑台和货物组成。
6.根据权利要求1所述的用于船舶航行的智能配载减阻系统，其特征在于主控制器收到液位信号后，通过神经网络的算法控制丝杆电机的转动带动，滑台配载货柜的移动距离，以及丝杆电机的开关。
7.一种智能配载减阻方法，采用上述权利要求1-6任一项用于船舶航行的智能配载减阻系统，其特征在于包括以下步骤：
步骤1：当船舶开始启动时，设置初始航速，主控制器输出控制信号到船舶电机驱动器，电推船按照给定速度稳定航行，读取船舶初始参数；
步骤2：构建BP神经网络模型，利用样本集的目标特征数据对模型进行学习和训练；
步骤3：使用神经网络通过已建立的数据库预测出最佳控制参数，包括滑台配载货柜所需移动的位移和对应船的纵倾角；
步骤3：通过主控制器控制丝杆电机转动，控制滑台配载货柜到达指定位置，让船的纵倾角达到理想值并稳定；
步骤4：通过功率检测模块判断船舶消耗功率是否为最小值，如果没有到达最小值，则将功率检测模块的检测值反馈到神经网络，使船舶消耗功率达到最小值，以实现节能的目的。
8.根据权利要求7所述的智能配载减阻方法，其特征在于步骤2中利用样本集的目标特征数据对神经网络模型进行学习和训练、建立数据库的步骤如下：
步骤2.1：总重、船速、倾角和逆流情况为整个模型的输入，采用0均值标准化对数据进行预处理，将原始数据的均值和标准差进行数据标准化，其计算公式如下：
经过处理的数据符合标准正态分布，即均值为0，标准差为1；其中，μ为所有样本数据的均值，δ为所有样本数据的标差；
步骤2.2：在训练模型过程中，将经过预处理足够的训练数据作为训练集输入到模型中；
步骤2.3：训练过程中，给定初始化网络的结构和权值，然后根据输入样本前向计算BP网络每层神经元的输入信号和输出信号；
步骤2.4：根据期望输出计算反向误差，对权值进行修正，如果误差小于给定值或迭代次数超过设定值结束学习；
步骤2.5：对于数据库中的m个样本，采用了梯度下降法来调整模型的参数，当梯度下降很小或合适时候，模型最终会走向最优解；
步骤2.6：根据训练的模型预测输出船舶在不同状态下行驶的纵倾角，根据不同的实时情况，实现船舶纵倾角的动态调节。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010846497.4A CN112009636A (zh) | 2020-08-21 | 2020-08-21 | 用于船舶航行的智能配载减阻系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010846497.4A CN112009636A (zh) | 2020-08-21 | 2020-08-21 | 用于船舶航行的智能配载减阻系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112009636A true CN112009636A (zh) | 2020-12-01 |
Family
ID=73505352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010846497.4A Pending CN112009636A (zh) | 2020-08-21 | 2020-08-21 | 用于船舶航行的智能配载减阻系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112009636A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112960074A (zh) * | 2021-02-23 | 2021-06-15 | 青岛海洋地质研究所 | 一种船舶摇摆平衡系统及方法 |
| CN113968315A (zh) * | 2021-12-14 | 2022-01-25 | 中国地质大学（武汉） | 一种基于机器学习的集装箱船纵倾优化方法 |
| CN117669259A (zh) * | 2023-12-26 | 2024-03-08 | 华中科技大学 | 一种基于浮态的龙舟减阻方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202863733U (zh) * | 2012-09-17 | 2013-04-10 | 长江船舶设计院（武汉） | 小型工作船舶移动配载系统 |
| CN104443257A (zh) * | 2014-11-12 | 2015-03-25 | 南通中远川崎船舶工程有限公司 | 一种基于纵倾优化的船舶节能方法 |
| CN107745785A (zh) * | 2017-09-27 | 2018-03-02 | 中国船级社 | 一种散货船和油船的装载仪最佳配载计算方法 |
| CN110550163A (zh) * | 2019-08-29 | 2019-12-10 | 南通中远海运川崎船舶工程有限公司 | 一种基于最优纵倾的自动调节船舶纵倾系统 |
| CN111409808A (zh) * | 2020-04-03 | 2020-07-14 | 武汉理工大学 | 基于神经网络算法的电推平底货船减阻节能控制系统 |
-
2020
- 2020-08-21 CN CN202010846497.4A patent/CN112009636A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202863733U (zh) * | 2012-09-17 | 2013-04-10 | 长江船舶设计院（武汉） | 小型工作船舶移动配载系统 |
| CN104443257A (zh) * | 2014-11-12 | 2015-03-25 | 南通中远川崎船舶工程有限公司 | 一种基于纵倾优化的船舶节能方法 |
| CN107745785A (zh) * | 2017-09-27 | 2018-03-02 | 中国船级社 | 一种散货船和油船的装载仪最佳配载计算方法 |
| CN110550163A (zh) * | 2019-08-29 | 2019-12-10 | 南通中远海运川崎船舶工程有限公司 | 一种基于最优纵倾的自动调节船舶纵倾系统 |
| CN111409808A (zh) * | 2020-04-03 | 2020-07-14 | 武汉理工大学 | 基于神经网络算法的电推平底货船减阻节能控制系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112960074A (zh) * | 2021-02-23 | 2021-06-15 | 青岛海洋地质研究所 | 一种船舶摇摆平衡系统及方法 |
| CN113968315A (zh) * | 2021-12-14 | 2022-01-25 | 中国地质大学（武汉） | 一种基于机器学习的集装箱船纵倾优化方法 |
| CN117669259A (zh) * | 2023-12-26 | 2024-03-08 | 华中科技大学 | 一种基于浮态的龙舟减阻方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112009636A (zh) | 用于船舶航行的智能配载减阻系统及方法 | |
| US9038554B2 (en) | Mobile ballast device | |
| EP3707068B1 (en) | Motorized hydrofoil device | |
| CN101484353B (zh) | 具有船首控制表面的船 | |
| CA2839130C (en) | Quadfoiler | |
| JP6470685B2 (ja) | 翼形帆アセンブリ | |
| CN210011844U (zh) | 一种增设有尾压浪板的高速船 | |
| CN111409808B (zh) | 基于神经网络算法的电推平底货船减阻节能控制系统 | |
| CN109606578B (zh) | 一种海洋环境监测绿色能源小水线面改良双体无人船艇 | |
| CN110617945B (zh) | 一种实海域大尺度船模阻力试验系统 | |
| CN109466717A (zh) | 一种多功能起重船舶平衡系统及其工作方法 | |
| CN109466716A (zh) | 一种高效的起重船舶平衡系统及其工作方法 | |
| CN109911100A (zh) | 一种增设有尾压浪板的高速船及其控制方法 | |
| CN109466715A (zh) | 一种新型的起重船舶平衡系统及其工作方法 | |
| CN116540730B (zh) | 多拖轮协作的靠离泊智能辅助系统及方法 | |
| CN112198872B (zh) | 船艇的多航态稳速控制方法和装置 | |
| CN116520834A (zh) | 一种低能耗的无人船巡航方法 | |
| CN208181346U (zh) | 三体船侧体智能调节装置 | |
| Zhang et al. | Experimental study on the control form of fin stabilizer at zero speed | |
| CN107187575A (zh) | 一种船舶矢量舵控制方法、装置及系统 | |
| CN114179961A (zh) | 姿态自适应式水面双体无人平台 | |
| US5111766A (en) | Sea wing | |
| WO2004043773A1 (en) | High speed and stability watercraft comprising a lift arrangement with a fully submerged hydrofoil | |
| CN220315260U (zh) | 一种自动避障的无人测量船 | |
| US11577808B1 (en) | Reduced positioning control requirements for maintaining reduced wave-making resistance of a vessel operating in a seaway |
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: 20201201 |
|
| RJ01 | Rejection of invention patent application after publication |