CN112215395A - 一种基于海洋大数据的水下装备适应性信息保障系统 - Google Patents
一种基于海洋大数据的水下装备适应性信息保障系统 Download PDFInfo
- Publication number
- CN112215395A CN112215395A CN202010908122.6A CN202010908122A CN112215395A CN 112215395 A CN112215395 A CN 112215395A CN 202010908122 A CN202010908122 A CN 202010908122A CN 112215395 A CN112215395 A CN 112215395A
- Authority
- CN
- China
- Prior art keywords
- data
- planning
- submodule
- underwater equipment
- evaluation
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
- G08G3/02—Anti-collision systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- Computational Mathematics (AREA)
- Ocean & Marine Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
Abstract
本发明提供了一种基于海洋大数据的水下装备适应性信息保障系统,包括水下航行器智能航路规划模块和水下装备服役期腐蚀寿命评估模块;所述水下航行器智能航路规划模块包括规划预处理子模块、规划分析子模块和规划数据显示子模块;所述水下装备服役期腐蚀寿命评估模块包括评估预处理子模块、评估分析子模块和评估数据显示子模块;水下航行器智能航路规划模块和水下装备服役期腐蚀寿命评估模块相互独立。本发明通过海洋环境大数据信息技术与水下装备研制活动相结合,实现海洋信息化与水下装备研制活动深度融合,加快水下装备研制智能化进展,促进传统水下装备研制模式的转型,提高研制效率、提高装备性能、缩短研制周期。
Description
技术领域
本发明涉及大数据及水下航行器的技术领域,特别是指一种基于海洋大数据的水下装备适应性信息保障系统。
背景技术
以UUV、载人潜水器、浮潜标、水中兵器、潜艇等为代表的水下装备是民用勘测、海洋科考和信息化作战等关键装备,而其作业运行的海洋环境直接作用于装备。目前,已有海洋环境信息获取源头广、种类繁多,多用于科学研究、工程应用较少,同时存在行业之间互通性差、需求各异等问题,信息直接利用率低,特别是水下装备作业环境相关数据可利用性不强,无法形成对水下装备设计、试验、使用、评价等全寿命过程信息支撑。如何保障水下装备设计、试验、使用、评价等全寿命过程适应海洋环境是必须要解决的一项关键问题。
目前,我国针对水下装备作业环境涉及的海洋环境数据主要实现了前端监测手段的系统集成,而对于综合性海洋环境监测系统和数据的集成考虑较少,特别是针对海量监测数据集成的技术方法并未考虑。基于大数据技术对多源异构的海量海洋环境监测数据在水下装备设计、试验与评价等研制过程中的应用未见报道。
发明内容
本发明提供了一种基于海洋大数据的水下装备适应性信息保障系统,为了解决现有装备研制模式对于海洋环境适应性不强的问题,为水下装备的科学论证、精准设计提供新的信息供应方式,促进装备寿命的延长和可靠性、维护保养精准度的提升。
为了解决上述技术问题,本发明的采用如下技术方案:
一种基于海洋大数据的水下装备适应性信息保障系统,包括水下航行器智能航路规划模块和水下装备服役期腐蚀寿命评估模块;所述水下航行器智能航路规划模块包括规划预处理子模块、规划分析子模块和规划数据显示子模块;海洋及装备数据源在规划预处理子模块中进行预处理包括清洗、筛选,然后发送给规划分析子模块,所述规划分析子模块用于建立航行区域环境模型、受力分析、路径寻优规划,所述规划数据显示子模块用于显示规划的智能路径,并提供人机交互功能对于数据源的输入;所述水下装备服役期腐蚀寿命评估模块对获取的海洋及装备数据源进行预处理,以温度、盐度、PH值、溶解氧为输入,腐蚀速率为输出构建BP神经网络,计算网络权值,再将所需预测对象所在海域的实际温度、盐度、PH值、溶解氧值,输入该网络,计算实际腐蚀速率;根据极限载荷理论,构建以壳体厚度、材料屈服强度极限、布放深度为参数,腐蚀极限时间为变量的壳体极限承载压力模型,根据极限承载压力值,求得的腐蚀极限时间为剩余腐蚀寿命;剩余腐蚀寿命能够在实际温度、盐度、PH值、溶解氧值、布放深度、已腐蚀深度参数发生变化时对后续腐蚀寿命进行重新预测,实现剩余腐蚀寿命的动态预测与管理,并进行动态显示,所述水下装备服役期腐蚀寿命评估模块包括评估预处理子模块、评估分析子模块和评估数据显示子模块;所述评估预处理子模块对获取的海洋及装备数据源进行归一化预处理,输出给评估分析子模块;所述评估分析子模块用于建立神经网络、腐蚀速率预测、腐蚀寿命预测;所述评估数据显示子模块用于显示评估结果。
优选地,所述海洋及装备数据源包括海洋环境数据和水下装备数据,所述海洋环境数据包括海浪波高及周期、海流大小及方向、水深、地形、溶解氧、温度、PH值、盐度,所述水下装备数据包括水下装备姿态及装备壳体的厚度、材料、屈服强度。
优选地,所述评估分析子模块包括实际海洋环境数据、各子模块功能算法人机交互选择的显示、智能规划路径结果的显示,评估分析子模块的神经网络建模算法包括BP神经网络算法和径向基网络算法。
优选地,所述规划预处理子模块中封装数据预处理算法、ETL算法、NLP算法、数据挖掘算法、机器学习及深度神经网络算法;封装的数据预处理算法包括路径规划算法和路径寻优规则,所述路径规划算法包括A算法、A*算法、D算法、D*算法,路径寻优规则包括最短路径模式寻优规则和最省节能模式速度寻优规则。
优选地,所述规划分析子模块中建立航行区域环境模型的具体方法为:利用栅格法将水下装备的工作空间划分为尺寸相同的栅格,建立数字化的地图,并且按照水下装备自带传感器的综合检查范围来确定栅格总数;当确定航行任务后,能够得到路径规划的起始点和目标点,它们所处的栅格即为起始栅格和目标栅格;水下装备的航行速度的影响因素完全由周围的海洋环境数据所决定,因此,在每个栅格中存储预处理后的海洋环境数据信息,作为每个栅格的属性。
优选地,所述规划分析子模块中,路径寻优的具体方法为:选择规划算法从本次规划的起始点起对建立的栅格工作空间中每一个搜索的位置进行评估,根据建立的估价函数和约束条件计算得到最好的位置,再从这个位置进行搜索直到目标点,从起始点到目标点的过程中每个位置的连线为寻得的智能规划路径;所述规划算法的函数为:
F(n)=G(n)+H(n)+ωFs(n)
式中,G(n)为到栅格n处已花费的时间;H(n)为从栅格n处到目标点估计花费的时间;ω为加权系数,Fs为安全性评价函数,即路段上受多个障碍物影响时势能函数最大值;
Vi为水下航行器处于栅格i处的航速,d为从父节点扩展到子节点的单位代价,则上下左右四个方向为d,m取1,对角线四个方向取1.4d,m取1.4;Vmax为水下航行器未来时间可能的最大航速,Ddiag为栅格n到目标点的对角线距离;
U(q(i),qobs)为势能函数,计算公式为:
式中,q为搜索空间水下航行器位置,qobs为一障碍物栅格中心点,ρ0为距离障碍物中心的最小安全距离,r0为障碍物外包圆半径,ρ(q,qobs)为q点到qobs的距离,k为势能系数。
优选地,所述评估分析子模块中,建立神经网络的具体方法为:
设置BP神经网络为三层结构,输入层包含经过数据预处理过的表征温度(Th)、盐度(salh)、溶解氧(doh)和PH值(phh)的4个神经元,h=1,2,...,H;输出层包含一个表征腐蚀速率(Vh)的神经元,h=1,2,...,H;隐含层包含神经元6个;输入层第m个神经元记为xm,m=1,2,3,4,隐含层第i个神经元记为ki,i=1,2,3,4,5,6,输出层的神经元记为y;从xm到ki的权值为ωmi,从ki到y的权值为wi1;隐含层传递函数f(.)为Sigmoid函数,输出层传递函数为线性函数g(.);以第h组样本为例,输出层神经元误差为网络总误差为
初始化网络,给定学习率η、误差限ε、初始权值ω;计算隐含层和输出层的输出,计算网络总误差e1,当网络实际输出与期望输出间的误差e1小于误差限ε时,保存网络权值,BP神经网络构建完毕;当网络实际输出与期望输出间的误差大于误差限ε时,采用误差反向传递方式,计算局部梯度、权值增量,更新权值,反复迭代,直到网络实际输出与期望输出间的误差小于误差限,BP神经网络构建完毕。
优选地,所述评估分析子模块中,腐蚀速率预测的方法为:将实际布放海洋环境数据输入到建立好的BP神经网络中,BP神经网络的输出即为实际布放环境下的腐蚀速率。
优选地,所述评估分析子模块中,腐蚀寿命预测方法为:
根据BP神经网络计算出的额腐蚀速率,极限承载能力Pl为:
实际布放深度情况下的压强为P0=ρ海水·g·Ht;
其中,ρ海水为实际布放环境的海水密度,Ht为水下装备实际布放深度;
在给定可靠度要求下,有R=P(Pl-P0>0),极限状态方程Z=Pl-P0,令β为极限状态方程均值与方差之商,根据正态分布R=Ф(β),求得在对应可靠度R条件下的ZR值,根据Pl=ZR+P0,对应的时间t为腐蚀寿命。
优选地,所述评估数据显示子模块包括实际海洋环境数据、装备信息的人机交互输入数据的显示,腐蚀速率预测值、腐蚀寿命值的预测评估结果显示。
本发明的有益效果为:本发明提供了一种基于海洋大数据的水下装备适应性信息保障系统,通过海洋环境大数据信息技术与水下装备研制活动相结合,实现海洋信息化与水下装备研制活动深度融合,加快水下装备研制智能化进展,促进传统水下装备研制模式的转型,为水下装备的科学论证、精准设计提供新的信息供应方式,提高研制效率、提高装备性能、缩短研制周期;同时,为水下装备使用维护提供环境信息支撑,促进装备寿命的延长和可靠性、维护保养精准度的提升。
附图说明
图1为本发明提供的一种基于海洋大数据的水下装备适应性信息保障系统组成图;
图2为水下装备环境适应性信息保障系统信息流程图;
图3为水下航行器智能航路规划模块的子模块与规划信息流程对应关系图;
图4为水下装备服役期腐蚀寿命评估模块的子模块与评估信息流程对应关系图;
图5为水下装备环境适应性信息保障系统显示界面示意图;
图6为水下装备环境适应性信息保障系统硬件组成图;
图7为水下航行器智能航路规划显示界面示意图;
图8为水下装备服役期评估显示界面示意图。
具体实施方式
下面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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
参照附图1、2,本发明实施例提供了一种适用于水下装备环境的信息保障系统,由水下航行器智能航路规划模块和水下装备服役期腐蚀寿命评估模块组成,面向用户提供服务。该系统可拓展但不限于包含水下装备性能设计模块,基于海洋与装备数据源对声纳性能设计提供服务。
水下航行器智能航路规划模块和水下装备服役期腐蚀寿命评估模块相互独立。水下航行器智能航路规划模块在海洋及装备数据源基础上,构建规划预处理子模块、规划分析子模块和规划数据显示子模块。水下装备服役期腐蚀寿命评估模块在海洋及装备数据源上,构建评估预处理子模块、评估分析子模块和评估数据显示子模块。
本发明实施例中,水下航行器智能航路规划模块在预处理子模块中对海洋数据进行清洗、筛选、收取等预处理;在规划分析子模块中建立航行区域环境模型、受力分析、路径寻优等;在数据显示子模块中显示规划的智能路径,并提供人机交互功能对于数据源及路径结果显示、各子模块功能算法选择、结果保存记录等功能。水下航行器智能航路规划模块的子模块与规划信息流程对应关系图,如附图3所示。其中,规划预处理子模块封装有但不限于数据预处理、ETL、NLP、数据挖掘、机器学习及深度神经网络等算子用于数据预处理;规划分析子模块封装有但不限于A算法、A*算法、D算法、D*算法等路径规划算法,还封装有但不限于最短路径模式和最省节能模式速度等路径寻优规则。路径算法采用全局规划与局部规划相结合方法,同时兼顾避碰策略;在可视化及显示模块中体现基于海洋环境的智能规划结果,界面示意图见附图7。
水下装备服役期腐蚀寿命评估模块的数据预处理子模块,对已获取的海洋温度、盐度、PH值、溶解氧、腐蚀速率等数据进行归一化预处理,输出给数据分析子模块,用于建立神经网络。数据分析子模块用于实现建立神经网络、腐蚀速率预测、腐蚀寿命预测。数据显示子模块用于显示评估结果,并提供人机交互数据输入、各子模块功能算法选择、结果保存记录等功能。水下装备服役期腐蚀寿命评估模块的子模块与评估信息流程对应关系图,如附图5所示。其中,数据分析子模块的神经网络建模功能包含BP神经网络算法、径向基网络算法等,在神经网络建模中可以根据需要选择不同的算法。
本发明实施例中,水下装备服役期评估模块的信息流程见附图5,对已获取的海洋温度、盐度、PH值、溶解氧、腐蚀速率等海洋历史数据进行预处理,构建径向基网络,网络输入为温度、盐度、PH值、溶解氧,输出为腐蚀速率。根据所需预测对象所在海域的实际温度、盐度、PH值、溶解氧值,输入网络,计算实际腐蚀速率。根据极限载荷理论,构建以壳体厚度、材料屈服强度极限、布放深度等为参数,腐蚀极限时间为变量的壳体极限承载压力模型,根据极限承载压力值,求得的腐蚀极限时间为剩余腐蚀寿命。剩余腐蚀寿命可在实际温度、盐度、PH值、溶解氧值、布放深度、已腐蚀深度等值发生变化时对后续腐蚀寿命进行重新预测,实现剩余腐蚀寿命的动态预测与管理。该功能在可视化及显示模块中实现对于服役期寿命预测及变化趋势显示,界面示意图见附图8。
本发明提供的水下装备环境适应性信息保障系统的数据源基础可通过海洋环境观测设备和水下航行器等设备获取。其中海洋环境数据至少包含海浪、海流、水深、障碍物、溶解氧、温度、PH值、盐度等,水下装备数据包括水下装备姿态及装备壳体的厚度、材料、屈服强度等。水下装备环境适应性信息保障系统以海洋与装备数据为基础,实施水下航行器智能航路规划和水下装备服役期评估工作,并向用户提供服务。
本发明提供的基于海洋大数据的水下装备环境适应性信息保障系统硬件由计算机群组成,包括海洋环境数据、装备数据、数据引接、数据预处理、数据存储、数据分析和可视化及服务接口等,见附图6。
本发明以水下装备环境适应性信息保障系统形式对外提供服务,界面示意图见附图5,用户可远程通过网络访问本系统,将计算结果下载到本地。
本发明实施例中,水下航行器智能航路规划模块的信息流程如附图3所示,将对海浪、海流、水深(障碍物信息)等海洋数据进行预处理,完成数据清洗、筛选。进而利用栅格法建立航行区域环境模型;完成水下航行器受力分析,本例建立水下航行器实际航速与海洋数据关系式;实施路径寻优,本例选择A*规划算法从规划的起始点起对建立的栅格工作空间中每一个搜索的位置进行评估,根据建立的估价函数和约束条件计算得到最好的位置,再从这个位置进行搜索直到目标点,从起始点到目标点的过程中每个位置的连线为寻得的智能规划路径;最后在显示模块中展示基于海洋大数据的智能规划结果。
水下航行器智能航路规划模块的实现步骤如下:
1)数据预处理
首先通过数据预处理子模块实现对于水下航行器智能航路规划用数据进行预处理。该模块采用UDP报文的数据引接方式,将海洋环境数据存储在本地数据库中,其中数据信息见下表;进而通过数据清洗算子将海量数据进行清洗并抽取形成可利用的环境数据。
表1智能航路规划所使用的海洋环境数据信息
2)航行区域环境模型建立
利用栅格法将水下航行器的工作空间划分为尺寸相同的栅格,建立数字化的地图。本文选取最小的正方形栅格尺寸边长为0.1海里(约为185米),并且按照水下航行器自带传感器的综合检查范围来确定栅格总数。当确定航行任务后,就可以得到路径规划的起始点StartPoint和目标点GoalPoint,它们所处的栅格即为起始栅格和目标栅格。水下航行器的航行速度的影响因素完全由周围的海洋环境所决定,因此,在每个栅格中存储预处理后的海洋环境数据信息(海浪波高和周期、海流大小和方向、障碍物信息等),作为每个栅格的属性。
3)水下航行器受力分析
其中,Vo、Vr、Vc分别为水下航行器的实际航速、驱动速度(海浪作用)、海流速度作用速度,H为海浪波高、T为海浪周期,p为位置参数,t为时间参数。
4)路径寻优
选择规划算法从本次规划的起始点StartPoint起对建立的栅格工作空间中每一个搜索的位置进行评估,根据建立的估价函数和约束条件计算得到最好的位置,再从这个位置进行搜索直到目标点GoalPoint,从起始点StartPoint到目标点GoalPoint的过程中每个位置的连线为寻得的智能规划路径。本例建立适合水下航行器的智能路径规划的A*算法,提高计算速度且符合水下航行器的运动与控制特性,并且根据避碰策略构建安全性评价函数。
本文中A*算法的估价函数定义为:
F(n)=G(n)+H(n)+ωFs(n)
式中,G(n)为到栅格n处已花费的时间;H(n)为从栅格n处到目标点估计花费的时间;ω为加权系数,Fs为安全性评价函数,即路段上受多个障碍物影响时势能函数最大值;
Vi为水下航行器处于栅格i处的航速,d为从父节点扩展到子节点的单位代价,则上下左右四个方向为d,m取1,对角线四个方向取1.4d,m取1.4;Vmax为水下航行器未来时间可能的最大航速,Ddiag为栅格n到目标点的对角线距离;
U(q(i),qobs)为势能函数,计算公式为:
式中,q为搜索空间水下航行器位置,qobs为一障碍物栅格中心点,ρ0为距离障碍物中心的最小安全距离,r0为障碍物外包圆半径,ρ(q,qobs)为q点到qobs的距离,k为势能系数。
5)智能规划路径显示
通过数据显示子模块实现对于本模块使用的数据源和路径规划结果图文展现。经上述几个步骤获取了基于海洋大数据的水下航行器从期望起始点到目标点的智能规划路径,即一系列经纬度位置点坐标集,为实现对于位置点坐标集及其与海洋环境数据关系的直观展示,设计本水下航行器智能路径规划模块的显示子模块。该模块直接读取显示预处理后的海浪、海流和障碍物信息以图层形式显示,并将智能规划后的路线叠加在曲线区域。提供人机交互方式对数据预处理算法、规划算法、规划策略选择以及展示图层选择,界面示意图见附图7。
本发明实施例中,水下航行器服役期评估模块的信息流程见附图4,对已获取的海洋温度、盐度、PH值、溶解氧、腐蚀速率等历史数据进行预处理,以温度、盐度、PH值、溶解氧为输入,腐蚀速率为输出构建BP神经网络,计算网络权值,再将所需预测对象所在海域的实际温度、盐度、PH值、溶解氧值,输入该网络,计算实际腐蚀速率。根据极限载荷理论,构建以壳体厚度、材料屈服强度极限、布放深度等为参数,腐蚀极限时间为变量的壳体极限承载压力模型,根据极限承载压力值,求得的腐蚀极限时间为剩余腐蚀寿命。剩余腐蚀寿命可在实际温度、盐度、PH值、溶解氧值、布放深度、已腐蚀深度等值发生变化时对后续腐蚀寿命进行重新预测,实现剩余腐蚀寿命的动态预测与管理。该功能在显示子模块中实现对于服役期寿命预测及变化趋势显示。
1)数据预处理
获取评估所需的数据信息,如表2所示,评估用到三类数据,在评估中用于构建神经网络、预测腐蚀速率、计算实际布放深度压力和计算极限承载压力。
表2服役期腐蚀寿命评估所使用的数据信息
使用相同材料在同类型环境因素下的腐蚀速率试验数据,即表2中的第1类数据,设有H组温度、盐度、溶解氧、PH值、腐蚀速率的样本,在其中划分训练集和测试集,将数据归一化,使数据均在[0,1]之间。将温度、盐度、溶解氧、PH值对应于BP神经网络的输入,腐蚀速率对应于网络输出。
2)建立神经网络
设置BP神经网络为三层结构,输入层包含表征温度(Th)、盐度(salh)、溶解氧(doh)和PH值(phh)的4个神经元,h=1,2,...,H;输出层包含一个表征腐蚀速率(Vh)的神经元,h=1,2,...,H;隐含层包含神经元6个。输入层第m个神经元记为xm,m=1,2,3,4,隐含层第i个神经元记为ki,i=1,2,3,4,5,6,输出层的神经元记为y。从xm到ki的权值为ωmi,从ki到y的权值为wi1。隐含层传递函数f(.)为Sigmoid函数,输出层传递函数为线性函数g(.)。以第h组样本为例,输出层神经元误差为网络总误差为
初始化网络,给定学习率η、误差限ε、初始权值ω。计算隐含层和输出层的输出,计算网络总误差e1,当网络实际输出与期望输出间的误差e1小于误差限ε时,保存网络权值,BP神经网络构建完毕;当网络实际输出与期望输出间的误差大于误差限ε时,采用误差反向传递方式,计算局部梯度、权值增量,更新权值,反复迭代,直到网络实际输出与期望输出间的误差小于误差限,网络构建完毕。
3)实际环境下的腐蚀速率预测
利用实际布放环境数据,即表2中的第2类数据,为温度、盐度、溶解氧和PH值(T0,sal0,do0,ph0),输入步骤3)建立好的神经网络,网络输出即实际布放环境下的腐蚀速率V0。
4)计算极限承载能力和实际压力
利用水下装备壳体参数,即表2中的第3类数据,包括腐蚀缺陷长度L,水下航行器直径D,壳体壁厚td,材料的屈服强度σs,无量纲系数mf,由此计算极限承载能力Pl。根据实际布放深度Ht,计算实际压强P0。
本发明实施例中,水下装备外形为回转体,腐蚀发生在回转体部分,从壳体表面沿径向向内部发展,腐蚀部位为壳体凹槽等不光滑表面,腐蚀轴向长度不变,简化为矩形。
根据管路损伤理论,剩余强度因子RSF=LDC/LUC,其中LDC为含腐蚀缺陷的壳体极限载荷,LUC为完整壳体极限载荷。根据管路极限载荷理论,其中,鼓胀因子A为腐蚀在壳体轴向的投影面积,A0为未发生腐蚀的壳体轴向投影截面积,L为腐蚀长度,D为壳体直径,td为壳体壁厚,d为腐蚀深度,则剩余强度因子为
腐蚀深度d为实际腐蚀速率V0与时间t的乘积,极限承载能力Pl为:
实际布放深度情况下的压强为P0=ρ海水·g·Ht。
其中,ρ海水为实际布放环境的海水密度,Ht为水下装备实际布放深度。
5)腐蚀寿命预测
在给定可靠度要求下,有R=P(Pl-P0>0),极限状态方程Z=Pl-P0,令β为极限状态方程均值与方差之商,根据正态分布R=Ф(β),求得在对应可靠度R条件下的ZR值,根据Pl=ZR+P0,对应的时间t为腐蚀寿命。
6)数据显示子模块如附图8所示,包含实际海洋环境数据、装备信息的人机交互输入数据的显示,腐蚀速率预测值、腐蚀寿命值的预测评估结果显示。腐蚀寿命可在实际温度、盐度、PH值、溶解氧值、布放深度、已腐蚀深度等值发生变化时对后续腐蚀寿命进行重新预测,并以曲线形式显示。
本发明通过海洋环境大数据信息技术与水下装备研制活动相结合,实现海洋信息化与水下装备研制活动深度融合,加快水下装备研制智能化进展,促进传统水下装备研制模式的转型,为水下装备的科学论证、精准设计提供新的信息供应方式,提高研制效率、提高装备性能、缩短研制周期;同时,为水下装备使用维护提供环境信息支撑,促进装备寿命的延长和可靠性、维护保养精准度的提升。本发明具有针对性和独特性。
在本说明书的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
当然,本发明还可以有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可以根据本发明作出各种相应的改变和变形,但这些改变和变形都应属于本发明的权利要求的保护范围。
Claims (10)
1.一种基于海洋大数据的水下装备适应性信息保障系统,其特征在于,包括水下航行器智能航路规划模块和水下装备服役期腐蚀寿命评估模块;所述水下航行器智能航路规划模块包括规划预处理子模块、规划分析子模块和规划数据显示子模块;海洋及装备数据源在规划预处理子模块中进行预处理包括清洗、筛选,然后发送给规划分析子模块,所述规划分析子模块用于建立航行区域环境模型、受力分析、路径寻优规划,所述规划数据显示子模块用于显示规划的智能路径,并提供人机交互功能对于数据源的输入;所述水下装备服役期腐蚀寿命评估模块对获取的海洋及装备数据源进行预处理,以温度、盐度、PH值、溶解氧为输入,腐蚀速率为输出构建BP神经网络,计算网络权值,再将所需预测对象所在海域的实际温度、盐度、PH值、溶解氧值,输入该网络,计算实际腐蚀速率;根据极限载荷理论,构建以壳体厚度、材料屈服强度极限、布放深度为参数,腐蚀极限时间为变量的壳体极限承载压力模型,根据极限承载压力值,求得的腐蚀极限时间为剩余腐蚀寿命;剩余腐蚀寿命能够在实际温度、盐度、PH值、溶解氧值、布放深度、已腐蚀深度参数发生变化时对后续腐蚀寿命进行重新预测,实现剩余腐蚀寿命的动态预测与管理,并进行动态显示,所述水下装备服役期腐蚀寿命评估模块包括评估预处理子模块、评估分析子模块和评估数据显示子模块;所述评估预处理子模块对获取的海洋及装备数据源进行归一化预处理,输出给评估分析子模块;所述评估分析子模块用于建立神经网络、腐蚀速率预测、腐蚀寿命预测;所述评估数据显示子模块用于显示评估结果。
2.根据权利要求1所述的基于海洋大数据的水下装备适应性信息保障系统,其特征在于,所述海洋及装备数据源包括海洋环境数据和水下装备数据,所述海洋环境数据包括海浪波高及周期、海流大小及方向、水深、地形、溶解氧、温度、PH值、盐度,所述水下装备数据包括水下装备姿态及装备壳体的厚度、材料、屈服强度。
3.根据权利要求1所述的基于海洋大数据的水下装备适应性信息保障系统,其特征在于,所述评估分析子模块包括实际海洋环境数据、各子模块功能算法人机交互选择的显示、智能规划路径结果的显示,评估分析子模块的神经网络建模算法包括BP神经网络算法和径向基网络算法。
4.根据权利要求1所述的基于海洋大数据的水下装备适应性信息保障系统,其特征在于,所述规划预处理子模块中封装数据预处理算法、ETL算法、NLP算法、数据挖掘算法、机器学习及深度神经网络算法;封装的数据预处理算法包括路径规划算法和路径寻优规则,所述路径规划算法包括A算法、A*算法、D算法、D*算法,路径寻优规则包括最短路径模式寻优规则和最省节能模式速度寻优规则。
5.根据权利要求1所述的基于海洋大数据的水下装备适应性信息保障系统,其特征在于,所述规划分析子模块中建立航行区域环境模型的具体方法为:利用栅格法将水下装备的工作空间划分为尺寸相同的栅格,建立数字化的地图,并且按照水下装备自带传感器的综合检查范围来确定栅格总数;当确定航行任务后,能够得到路径规划的起始点和目标点,它们所处的栅格即为起始栅格和目标栅格;水下装备的航行速度的影响因素完全由周围的海洋环境数据所决定,因此,在每个栅格中存储预处理后的海洋环境数据信息,作为每个栅格的属性。
6.根据权利要求5所述的基于海洋大数据的水下装备适应性信息保障系统,其特征在于,所述规划分析子模块中,路径寻优的具体方法为:选择规划算法从本次规划的起始点起对建立的栅格工作空间中每一个搜索的位置进行评估,根据建立的估价函数和约束条件计算得到最好的位置,再从这个位置进行搜索直到目标点,从起始点到目标点的过程中每个位置的连线为寻得的智能规划路径;所述规划算法的函数为:
F(n)=G(n)+H(n)+ωFs(n)
式中,G(n)为到栅格n处已花费的时间;H(n)为从栅格n处到目标点估计花费的时间;ω为加权系数,Fs为安全性评价函数,即路段上受多个障碍物影响时势能函数最大值;
Vi为水下航行器处于栅格i处的航速,d为从父节点扩展到子节点的单位代价,则上下左右四个方向为d,m取1,对角线四个方向取1.4d,m取1.4;Vmax为水下航行器未来时间可能的最大航速,Ddiag为栅格n到目标点的对角线距离;
U(q(i),qobs)为势能函数,计算公式为:
式中,q为搜索空间水下航行器位置,qobs为一障碍物栅格中心点,ρ0为距离障碍物中心的最小安全距离,r0为障碍物外包圆半径,ρ(q,qobs)为q点到qobs的距离,k为势能系数。
7.根据权利要求3所述的基于海洋大数据的水下装备适应性信息保障系统,其特征在于,所述评估分析子模块中,建立神经网络的具体方法为:
设置BP神经网络为三层结构,输入层包含经过数据预处理过的表征温度(Th)、盐度(salh)、溶解氧(doh)和PH值(phh)的4个神经元,h=1,2,...,H;输出层包含一个表征腐蚀速率(Vh)的神经元,h=1,2,...,H;隐含层包含神经元6个;输入层第m个神经元记为xm,m=1,2,3,4,隐含层第i个神经元记为ki,i=1,2,3,4,5,6,输出层的神经元记为y;从xm到ki的权值为ωmi,从ki到y的权值为wi1;隐含层传递函数f(.)为Sigmoid函数,输出层传递函数为线性函数g(.);以第h组样本为例,输出层神经元误差为网络总误差为
初始化网络,给定学习率η、误差限ε、初始权值ω;计算隐含层和输出层的输出,计算网络总误差e1,当网络实际输出与期望输出间的误差e1小于误差限ε时,保存网络权值,BP神经网络构建完毕;当网络实际输出与期望输出间的误差大于误差限ε时,采用误差反向传递方式,计算局部梯度、权值增量,更新权值,反复迭代,直到网络实际输出与期望输出间的误差小于误差限,BP神经网络构建完毕。
8.根据权利要求1所述的基于海洋大数据的水下装备适应性信息保障系统,其特征在于,所述评估分析子模块中,腐蚀速率预测的方法为:将实际布放海洋环境数据输入到建立好的BP神经网络中,BP神经网络的输出即为实际布放环境下的腐蚀速率。
9.根据权利要求8所述的基于海洋大数据的水下装备适应性信息保障系统,其特征在于,所述评估分析子模块中,腐蚀寿命预测方法为:
根据BP神经网络计算出的额腐蚀速率,极限承载能力Pl为:
实际布放深度情况下的压强为P0=ρ海水·g·Ht;
其中,ρ海水为实际布放环境的海水密度,Ht为水下装备实际布放深度;
10.根据权利要求9所述的基于海洋大数据的水下装备适应性信息保障系统,其特征在于,所述评估数据显示子模块包括实际海洋环境数据、装备信息的人机交互输入数据的显示,腐蚀速率预测值、腐蚀寿命值的预测评估结果显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010908122.6A CN112215395B (zh) | 2020-09-02 | 2020-09-02 | 一种基于海洋大数据的水下装备适应性信息保障系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010908122.6A CN112215395B (zh) | 2020-09-02 | 2020-09-02 | 一种基于海洋大数据的水下装备适应性信息保障系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215395A true CN112215395A (zh) | 2021-01-12 |
CN112215395B CN112215395B (zh) | 2023-04-18 |
Family
ID=74048792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010908122.6A Active CN112215395B (zh) | 2020-09-02 | 2020-09-02 | 一种基于海洋大数据的水下装备适应性信息保障系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215395B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113093773A (zh) * | 2021-06-10 | 2021-07-09 | 深之蓝海洋科技股份有限公司 | 基于水下机器人的水下结构检测方法、系统、设备及介质 |
CN117762861A (zh) * | 2023-12-18 | 2024-03-26 | 青岛青软晶尊微电子科技有限公司 | 一种基于神经网络的油轮腐蚀预测系统及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175245A (zh) * | 2011-01-28 | 2011-09-07 | 哈尔滨工程大学 | 一种基于海流历史统计信息的水下潜器路径规划方法 |
CN108803313A (zh) * | 2018-06-08 | 2018-11-13 | 哈尔滨工程大学 | 一种基于海流预测模型的路径规划方法 |
CN110095120A (zh) * | 2019-04-03 | 2019-08-06 | 河海大学 | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 |
-
2020
- 2020-09-02 CN CN202010908122.6A patent/CN112215395B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175245A (zh) * | 2011-01-28 | 2011-09-07 | 哈尔滨工程大学 | 一种基于海流历史统计信息的水下潜器路径规划方法 |
CN108803313A (zh) * | 2018-06-08 | 2018-11-13 | 哈尔滨工程大学 | 一种基于海流预测模型的路径规划方法 |
CN110095120A (zh) * | 2019-04-03 | 2019-08-06 | 河海大学 | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 |
Non-Patent Citations (2)
Title |
---|
夏卫星等: "水下平台三维航路多约束多指标规划的蚁群策略研究", 《兵工学报》 * |
栾禄雨等: "舰艇航路规划系统研究", 《中国航海》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113093773A (zh) * | 2021-06-10 | 2021-07-09 | 深之蓝海洋科技股份有限公司 | 基于水下机器人的水下结构检测方法、系统、设备及介质 |
CN117762861A (zh) * | 2023-12-18 | 2024-03-26 | 青岛青软晶尊微电子科技有限公司 | 一种基于神经网络的油轮腐蚀预测系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112215395B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Path planning technologies for autonomous underwater vehicles-a review | |
CN108319293B (zh) | 一种基于lstm网络的uuv实时避碰规划方法 | |
Song et al. | Smoothed A* algorithm for practical unmanned surface vehicle path planning | |
CN109062230B (zh) | 水下辅助采油机器人控制系统及动力定位方法 | |
CN108334677B (zh) | 一种基于gru网络的uuv实时避碰规划方法 | |
CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
CN112215395B (zh) | 一种基于海洋大数据的水下装备适应性信息保障系统 | |
CN113033073A (zh) | 一种基于数据驱动的无人船能效数字孪生方法及系统 | |
Zhang et al. | Application of improved multi-objective ant colony optimization algorithm in ship weather routing | |
WO2019246596A1 (en) | Route determination in dynamic and uncertain environments | |
CN113010958A (zh) | 自航船舶的模拟系统及其运作方法 | |
Zeng et al. | Exploiting ocean energy for improved AUV persistent presence: path planning based on spatiotemporal current forecasts | |
CN112612290A (zh) | 一种考虑洋流的水下航行器三维多任务路径规划方法 | |
CN115143970B (zh) | 一种基于威胁度评估的水下航行器避障方法和系统 | |
CN109798899B (zh) | 一种面向海底未知地形搜索的树扩散启发式路径规划方法 | |
Zhang et al. | A method for ship route planning fusing the ant colony algorithm and the A* search algorithm | |
Lee et al. | Generation of Ship’s passage plan using data-driven shortest path algorithms | |
CN111413886B (zh) | 一种基于系统辨识的实船操纵性指数辨识方法及装置 | |
CN108594241A (zh) | 一种auv声隐身态势评估方法 | |
CN115657683B (zh) | 一种可用于巡检作业任务的无人无缆潜水器实时避障方法 | |
Sun et al. | Path planning for an autonomous underwater vehicle in a cluttered underwater environment based on the heat method | |
Chauvin-Hameau | Informative path planning for algae farm surveying | |
Ma et al. | A robust fusion terrain-aided navigation method with a single Beam Echo Sounder | |
von Oppeln-Bronikowski et al. | Overview of a new ocean glider navigation system: OceanGNS | |
CN108459614B (zh) | 一种基于cw-rnn网络的uuv实时避碰规划方法 |
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 |