CN112424063B - 用于浮动生产平台、船舶和其他浮动系统的经过模拟训练的深度神经网络模型的持续学习 - Google Patents

Abstract

本发明提供了一种系统和方法，其通过将现实数据与由模拟器针对相同输入预测的数据进行比较，并开发将真实数据朝向模拟数据调整的映射相关性，从而避免了在最初使用模拟器进行训练后重新训练神经网络模型的需求。因此，在模拟训练的NN模型中开发的决策逻辑得以保留，并继续在可以描述为变更的现实的情况下操作。可以首先在映射算法中提供相似性的阈值度量(例如，相关百分比)，该映射算法在现实数据与模拟数据之间的相似性的度量超过阈值度量时，会自动将现实数据调整为与模拟数据相对应的调整数据以用于操作神经网络模型。随着对系统状况的监控，可以根据需要在后台继续进行更新的学习。

Description

用于浮动生产平台、船舶和其他浮动系统的经过模拟训练的 深度神经网络模型的持续学习

相关申请的交叉引用

不适用。

关于联邦政府赞助的研究或开发的声明

不适用。

参考附录

不适用。

发明背景

发明领域

本公开总体上涉及使用模拟器和用于模拟器的调整因子的神经网络模型训练和操作。更具体地，本公开涉及用于浮动生产平台、船舶和其他浮动系统的神经网络模型训练和操作。

相关技术描述

在从海底地层生产碳氢化合物时，通常在作业过程中将浮动生产平台、船舶和其他浮动生产系统系泊或以其他方式保持在适当位置。系泊缆定期需要维修或更换。因为通常使用许多系泊缆，所以在正常情况下操作员可能不会立即注意到劣化状况甚至系泊缆故障。但是，极端条件可能会考验系泊缆系统的完整性。如果在极端条件下维系的系泊缆承受了过大的压力，则整个浮动生产系统可能会受到损害或出现故障。

可期望的是进行预测性建模，以基于将浮动生产系统的现实运动与预期运动相比较，来预测系泊缆系统的状况。神经网络模型可以提供一个稳健的系统，该系统可以及时学习并针对状况进行调整以用于更准确的响应。神经网络模型(NN模型)是互连神经元的系统，该系统将已知输入与已知输出相关联以便生成复杂的加权高阶非线性多项式，从而用输入预测输出。通常，这些输入和输出源自功能系统，因此需要大量时间才能积累足够的数据集来训练系统，并且在实时发挥功能期间这些输入和输出也是不可用的。

一种替代方法是利用对系统操作的模拟来训练NN模型。模拟的输入/输出极大地加快了学习过程，并从操作开始就使神经网络模型可用。但是，初始模拟训练需要与正在现实状况下操作的NN模型并行地验证模拟准确性。验证通常意味着生成与模拟精度有关的输入和输出的新集合，随后重新训练NN模型，且然后上载新的NN模型，如所如意料到的那样这对于NN模型发挥功能增加了成本和时间。

虽然NN模型为浮动生产系统的操作改进提供了机会，但仍需要一种更好的系统和方法来训练NN模型以在给定环境和其他应用中操作。

发明内容

本发明提供了一种系统和方法，其通过将现实数据与由模拟器针对相同输入所预测的数据进行比较，并开发将真实数据朝向模拟数据调整的映射相关性，从而回避了在最初使用模拟器进行训练后重新训练神经网络模型的需求。因此，在经模拟训练的NN模型中开发的决策逻辑得以保留，并在可描述为已变更的现实下继续操作。可以首先在映射算法中提供相似性阈值度量(例如，相关百分比)，该映射算法在现实数据与模拟数据之间的相似性度量超过阈值度量时，会自动将现实数据调整为与模拟数据相对应的调整数据以用于操作神经网络模型。随着对系统状况的监控(例如针对浮动生产系统)，可以根据需要在后台继续进行更新的学习。当现实数据在阈值度量范围内时，可以将现实数据作为操作数据提供给NN模型。当现实数据超过来自模拟数据的阈值度量时，系统可以通过将现实数据调整为与模拟数据相对应的调整数据来开始调整NN模型的输入。可以将调整数据作为操作数据提供给NN模型。随着对系统状况的监控，可以根据需要在后台继续进行更新的学习。

本公开提供了一种操作神经网络模型的方法，该方法包括：向所述神经网络模型提供模拟数据，所述模拟数据包括变量的至少一个模拟值以及与所述变量的该至少一个模拟值对应的至少一个模拟结果；为所述神经网络模型提供决策逻辑，以处理所述模拟数据用于神经网络模型输出；获得现实数据，所述现实数据包括所述变量的至少一个现实值以及与所述变量的至少一个现实值相对应的至少一个现实结果；比较所述现实数据与所述模拟数据以确定所述现实数据与所述模拟数据之间的相似性度量；如果所述相似性度量是大于阈值度量的模拟数据，则将所述现实数据作为操作数据提供给所述神经网络模型，以产生与来自所述神经网络模型的利用所述模拟数据的输出相对应的输出；如果度量不大于所述阈值度量，则将所述现实数据调整成与所述模拟数据相一致，并将调整数据作为操作数据提供给所述神经网络模型；以及，利用至少在所述模拟数据范围内对应的所述调整数据来操作所述神经网络模型，以利用所述调整数据产生与来自所述神经网络模型的利用所述模拟数据的输出相对应的输出。

本公开还提供一种系统，包括：中央处理单元；非暂时性计算机可读存储器，其包括处理器可执行程序指令。该处理器可执行程序指令在被执行时使所述中央处理单元执行以下操作：将模拟数据存储在用于神经网络模型的存储器中，所述模拟数据包括变量的至少一个模拟值以及与所述变量的该至少一个模拟值相对应的至少一个模拟结果；将决策逻辑模拟数据存储在用于所述神经网络模型的所述存储器中，以处理所述模拟数据；在所述存储器中存储现实数据，所述现实数据包括所述变量的至少一个现实值以及与所述变量的该至少一个现实值相对应的至少一个现实结果；比较所述现实数据与所述模拟数据以确定所述现实数据与所述模拟数据之间的相似性度量；如果所述相似性度量大于阈值度量模拟数据，则将所述现实数据作为操作数据提供给所述神经网络模型，以产生与来自所述神经网络模型的利用所述模拟数据的输出相对应的输出；如果度量不大于所述阈值度量，则将所述现实数据调整成与所述模拟数据相一致，并将调整数据作为操作数据提供给所述神经网络模型；以及，利用至少在所述模拟数据范围内对应的所述调整数据来操作所述神经网络模型，以利用所述调整数据产生与来自所述神经网络模型的利用所述模拟数据的输出相对应的输出。

附图说明

图1是具有系泊缆和监测系统的浮动系统的示例的示意性俯视图。

图2是本发明的实施例的示例的示意性流程图。

图3是示出了可以在其上实现本发明的实施例的计算机系统700的框图。

具体实施方式

上面的附图以及下面的具体结构和功能的书面描述并不用于限制申请人所发明的范围或所附权利要求的范围。相反，提供附图和书面描述是为了教导本领域的任何技术人员来制造和使用寻求专利保护的发明。本领域技术人员将理解，为了清楚和理解的目的，并未描述或示出本发明的商业实施例的所有特征。本领域技术人员还将意识到，结合本公开内容的各方面的实际的商业实施例的开发将需要许多特定于实施的决策，以实现开发者针对商业实施例的最终目标。此类特定于实施的决策可能包括但可能不限于遵守与系统有关、与业务有关、与政府有关的约束以及其他约束，这些约束可能会因具体实施或位置或时间而异。尽管从绝对意义上说开发人员的工作可能很复杂并且很耗时，但是对于受益于本公开的本领域普通技术人员来说，这样的工作仍然是例行的工作。必须理解的是，本文公开和教导的发明易于进行多种变型和替代形式。单数术语(例如但不限于“一”)的使用并不旨在限制项目的数量。此外，系统的各种方法和实施例可以彼此组合地包括在内，以产生所公开的方法和实施例的变型。单数元素的讨论可以包括复数元素，反之亦然。对至少一项的参照可以包括一项或多项。而且，实施例的各个方面可以彼此结合使用以实现对本公开的理解的目标。除非上下文另外要求，否则术语“包括”或诸如“包括”或“包含”的变体应被理解为暗示至少包括所陈述的要素或步骤或一组要素或步骤或其等同物，而不是排除更大数量的数值或任何其他元素或步骤或一组要素或步骤或其等同形式。该设备或系统可以在许多方向和方位上使用。术语“顶部”、“向上”、“向上地”、“底部”、“向下”、“向下地”以及类似的方向性术语用于表示相对于附图的方向及其图示定位，并且在商业使用上并非绝对，但会随着装配体定向的变化而变化。除非另外特别限制，否则步骤的顺序可以以各种顺序进行。本文描述的各个步骤可以与其他步骤组合，插入所述步骤间，和/或分为多个步骤。类似地，元件已经在功能上进行了描述，并且可以实现为单独的组件，或者可以组合为具有多种功能的组件。为了简单起见，一些元件由设备名称命名，并且将被理解为包括本领域普通技术人员已知的并且可能未具体描述的相关组件的系统。在说明书和附图中提供了各种示例，这些示例执行各种功能并且在形状、大小、描述方面是非限制性的，但是用作说明性结构，该结构可以根据本领域技术人员在本文给出的教导后所知道的那样进行改变。这样，术语“示例性”的使用是名词“示例”的形容词形式，并且同样是指示例性结构，并且不一定是优选实施例。

本发明提供了一种系统和方法，其通过将现实数据与由模拟器针对相同输入预测的数据进行比较，并开发将现实数据向模拟数据调整的映射相关性，从而避免了在最初使用模拟器训练后重新训练神经网络模型的需求。因此，在模拟训练模型中开发的决策逻辑得以保留，并在已改变的现实中继续操作。可以在映射算法中最初提供相似性阈值度量，当现实数据和模拟数据之间的相似性度量超过阈值度量时，映射算法会自动将现实数据调整为与模拟数据相对应的调整后数据，以用于操作神经网络模型。随着对状况的监控，可以根据需要在后台继续进行更新的学习。

图1是具有系泊缆和监测系统的浮动系统的示例的示意性俯视图。浮动系统2可以包括例如但不限于浮动生产平台、FPSO、钻探船、翼梁、张力腿平台、半潜式船和钻机等。浮动系统2通常为具有某种形状的船体4，从该船体4可以将系泊缆6大体上联接到海底(未示出)。监控装置8(例如传感器或其他测量装置)可以连接到系泊缆，以监控系泊缆的一种或多种状况。监控装置8的输出可以被传送到计算机系统700。该计算机系统可以包括软件和/或具有各组件的硬件，并诸如下面的图3中所描述的用于执行神经网络模型10。神经网络模型可以至少由模拟器12使用模拟数据最初训练。

图2是本发明的实施例的示例的示意性流程图。在步骤100中，使用模拟数据来训练神经网络模型(NN模型)。这些模拟数据被示出为具有一个或多个数据集(x,y(x))的形式，其中，对于给定的x的模拟值，所选变量x产生作为x的函数的模拟结果y。NN模型被训练并产生输出z。

NN模型可以投入使用，并可将系统生成的现实(RW)数据发送到NN模型。在步骤200中，分析RW数据以确定在仍然使用这些模拟数据(或模拟数据的等同物)时在RW数据之间的关系是否需要调整因子，以维持由NN模型产生的结果z。可以在映射算法中最初提供相似性阈值度量，当现实数据和模拟数据之间的相似性度量超过阈值度量时，映射算法自动将现实数据调整为与模拟数据相对应的调整数据，以用于操作神经网络模型。这种调整是对RW数据之间的关系做出的，因此不需要重新训练NN模型。在将调整应用于RW数据之后，使用模拟数据(x,y(x))的输出结果z至少是相似的。本质上，基于更现实的输入和输出相关性对关系(x,y(x))进行了预过滤，但无需对提供给NN模型的决策逻辑做出实质性更改。因此，NN模型可以继续使用NN模型在处理训练中x和y(x)之间的模拟关系时所使用的决策逻辑。

更具体地，在步骤210中，对于给定的现实值x，作为x的函数生成RW结果y'(x)。在步骤220中，将RW结果y'(x)提供给决策块，该决策块查询模拟结果y(x)是否类似于RW结果y'(x)(这可以解释不同的x值和相应的y结果)。可以在数学上定义“相似性”，例如在模拟结果y(x)的一定百分比内或一定范围内(包括相等)或其他度量。可以将相似性度量与相似性阈值度量进行比较。如果相似性度量满足阈值度量的标准，则在步骤250中可以将该现实数据作为操作数据提供给NN模型。RW数据(x，y'(x))与模拟数据(x,y(x))之间的关系不需要调整，因为RW数据(x，y'(x))至少类似于模拟数据。因此，可以将RW数据(x,y'(x))传递给NN模型，并且NN模型产生的输出z仍与在步骤120中的基于模拟数据的输出z相同或相似。

然而，如果步骤220中的决策块的结果是RW结果y'(x)和模拟结果y(x)的相似性度量不满足阈值度量的标准，则处理流程路径移至步骤230进行调整。在步骤230中，计算调整因子(AF(x))，以使RW结果y'(x)具有至少与模拟结果y(x)相似的值。AF(x)可以是线性或非线性调整。在步骤240中，将AF(x)应用于RW结果y'(x)，以产生至少与模拟结果y(x)相似的调整结果y*(x)，且调整数据集(x,y*(x))至少类似于模拟数据集(x,y(x))。在步骤250中，可以将与模拟数据集(x,y(x))相似的调整数据集(x,y*(x))作为操作数据提供给NN模型，该NN产生输出z，其至少类似于步骤120中的输出z。

众所周知，NN模型的基本性质是噪声/容错。另外，NN模型可以是一个通用逼近器，它可以例如通过多层前馈网络和其他技术提供非线性的输入输出映射。因此，通过AF产生的针对(x,y*(x))的相似值可以由NN模型处理以产生相似结果z。

图2的流程图可用于针对每个变量x₁,x₂,...x_n模拟相应的结果y₁,y₂,...y_n，使得调整数据集(x_n,y*_n(x))可以应用于NN模型。该流程图还可以应用于取决于多个因子的结果。例如，结果y可以是一个以上变量的函数，例如y(x₁,x₂,...x_n)。可以将AF应用于依赖于多个变量的RW结果y'，以产生至少与模拟结果y相似的调整结果y*。

作为说明上述概念的示例，模拟数据集可以是船舶偏移x为30米而产生结果y为100秒，100秒的结果y表明完整的缆线，而120秒的结果y表明系泊缆故障。基于模拟数据({30米，100秒}:完整缆线以及{30米，120秒}:故障)，使用该模拟数据训练NN模型以采取一系列逐步升级的特定动作z。但是，RW数据表明模拟模型与RW中的系统刚度不匹配。RW数据表明，针对完整缆线，船舶偏移x为30米对应于结果y'为110秒；针对损坏缆线，船舶偏移x为30米对应于结果y'为132秒。然后，对于完整缆线，需要将RW y'从110秒调整为100秒，而对于损坏缆线，需要将RW y'从132秒调整为120秒。调整数据(x,y*(x))为({30米，100秒}:完整缆线和{30米，120秒}:故障)与模拟数据(x,y)相同，并且可以被提供给NN模型以产生相同的动作z。NN模型不知道(即，独立地操作)调整因子，并且NN模型使用调整数据进行操作，就像处理模拟数据一样，使得该逻辑({30米，100秒}:完整缆线和{30米，120秒}:故障)仍然成立。因此，NN模型不需要被重新训练。(在该示例中，如本领域普通技术人员所理解的那样，没有完整描述学习和动作中的神经网络模型功能，而且决策逻辑和结果可能非常复杂。因此，该实施例仅是说明本发明的基本概念，而非进行限制)。

更广泛地，本申请的一个示例是用于基于浮动离岸船舶的长漂移周期来检测损坏的系泊缆。在这种情况下，神经网络模型的模拟输入可能是：

·船舶位置或平均船舶偏移

·船舶总质量(船舶的吃水)

·对于相应的船舶位置和船舶总质量的船舶长漂移周期

假设：

·x₁＝在浪涌方向上的平均船舶偏移

·x₂＝在摇摆方向上的平均船舶偏移

·x₃＝船舶总质量

·y₁＝基于模拟得出的船舶在浪涌方向上的长漂移周期

·y₂＝基于模拟得出的船舶在摇摆方向上的长漂移周期

神经网络模型的输出变量是每个系泊缆的损坏指示符，一个指示符对应一条系泊缆，那么：

·y₁＝f(x₁,x₂,x₃)

·y₂＝f(x₁,x₂,x₃)

船舶长漂移周期是船舶位置和总质量的函数，是基于数值模拟的结果，并被用于训练神经网络模型(NN模型)模型。因此，经过训练的NN模型可以看到“模拟世界”中的所有内容。

相应的RW结果可以描述为：

·y’₁＝现实中船舶在浪涌方向上的长漂移周期

·y’₂＝现实中船舶在摇摆方向上的长漂移周期

在现实中，在给定的船舶位置和给定的船舶总质量下，船舶的长漂移周期可能与“模拟世界”中的船舶的长漂移周期不同。如果在现实中船舶的长漂移周期与“模拟世界”中的长漂移周期不一样，那么以下不等式将适用。

·y’₁(x₁,x₂,x₃)≠y₁(x₁,x₂,x₃)

·y’₂(x₁,x₂,x₃)≠y₂(x₁,x₂,x₃)

如果差异足够大，则可以建立调整因子的转换函数，以将现实中的船舶的长漂移周期转换到“模拟世界”中。一旦转换到“模拟世界”，这些调整因子就可以用于调整对模拟训练的NN模型的输入，并且由于数据已经转换到“模拟世界”数据中，因此模拟训练的NN模型可以按原样工作。

图3是示出计算机系统700的框图，在其上可以实施包括神经网络模型的本发明的实施例。根据一个实施例，本文描述的技术由一个或多个专用计算装置实现。专用计算装置可以进行硬连线以执行技术，也可以包括数字电子装置，例如一个或多个经过永久编程以执行这些技术的专用集成电路(ASIC)或现场可编程门阵列(FPGA)，或者可以包括一个或多个通用硬件处理器，该硬件处理器被编程为根据固件、内存、其他存储器或组合中的程序指令来执行这些技术。这样的专用计算装置还可以将定制的硬连线逻辑、ASIC或FPGA与定制的编程相结合，以实现这些技术。专用计算装置可以是台式计算机系统、便携式计算机系统，手持式装置，网络装置或结合了硬连线和/或程序逻辑以实现该技术的任何其他装置。

在至少一个实施例中，计算机系统700包括总线702或其他用于传达信息的通信机制，以及与总线702连接以用于处理信息的硬件处理器704。硬件处理器704可以是例如通用微处理器。计算机系统700还包括主存储器706，例如随机存取存储器(RAM)或其他动态存储装置，其连接到总线702以用于存储将由处理器704执行的信息和指令，并且可以包括图2的流程图所示的一个或多个步骤。主存储器706还可用于在由处理器704执行的指令的执行期间存储临时变量或其他中间信息。这些指令在被存储在处理器704可访问的非暂时性存储介质中时，它们使得计算机系统700成为专用于执行指令中指定的操作的专用机器。计算机系统700还包括连接到总线702的只读存储器(ROM)708或其他静态存储装置，用于存储用于处理器704的静态信息和指令。提供诸如磁盘或光盘之类的存储装置710，并将其连接到总线702以存储信息和指令。计算机系统700可以经由总线702连接到显示器712(例如发光二极管(LED)显示器)，以向计算机用户显示信息。包括字母数字键和其他键的输入装置714连接到总线702，用于将信息和命令选择传达给处理器704。用户输入装置的另一种类型是光标控件716(例如鼠标，轨迹球或光标方向键)，用于将方向信息和命令选择传达给处理器704并控制显示器712上的光标移动。该输入装置通常在两个轴上具有两个自由度，即第一轴(例如，x)和第二轴(例如，y)，这允许该装置指定平面中的位置。

计算机系统700可以使用定制的硬连线逻辑、一个或多个ASIC或FPGA、固件和/或程序逻辑来实施本文描述的技术，这些硬连线逻辑、一个或多个ASIC或FPGA、固件和/或程序逻辑与计算机系统结合使得计算机系统700成为专用机器或对计算机系统700进行编程成为专用机器。根据一个实施例，本文的技术由计算机系统700响应于处理器704执行包含在主存储器706中的一个或多个指令的一个或多个序列来执行。可以从诸如存储装置710之类的另一存储介质将这样的指令读入主存储器706。执行包含在主存储器706中的指令序列使处理器704执行本文所述的处理步骤。在替代实施例中，可以使用硬连线电路代替软件指令或与软件指令结合使用。

如本文所使用的术语“存储介质”是指存储使机器以特定方式操作的数据和/或指令的任何非暂时性介质。这样的存储介质可以包括非易失性介质和/或易失性介质。非易失性介质包括例如光盘或磁盘，例如存储装置710。易失性介质包括动态存储器，例如主存储器706。常见形式的存储介质包括例如软盘、软磁盘、硬盘、固态驱动器、磁带或任何其他磁数据存储介质、CD-ROM、任何其他光学数据存储介质、任何带有孔图案的物理介质、RAM、PROM和EPROM、FLASH-EPROM、NVRAM、任何其他存储芯片或盒式磁带。

存储介质与传输介质不同，但可以与传输介质结合使用。传输介质参与存储介质之间的信息传输。例如，传输介质包括同轴电缆、铜线和光纤，其包括包含总线702的电线。传输介质也可以采用声波或光波的形式，例如在无线电波和红外数据通信期间生成的声波或光波。

各种形式的介质可以涉及将一个或多个指令的一个或多个序列传送给处理器704执行。例如，指令最初可以被承载在远程计算机的磁盘或固态驱动器上。远程计算机可以将指令加载到其动态存储器中，并使用调制解调器通过电话线发送指令。计算机系统700本地的调制解调器可以在电话线上接收数据，并使用红外发射器将数据转换为红外信号。红外检测器可以接收红外信号中携带的数据，并且适当的电路可以将数据放到总线702上。总线702将数据携带到主存储器706，处理器704从主存储器706中检索并执行指令。由主存储器706接收的指令可以可选地在处理器704执行之前或之后存储在存储装置710上。

计算机系统700还包括连接到总线702的通信接口718。通信接口718提供连接到网络链路720的双向数据通信，且网络链路720链接到局域网722。例如，通信接口718可以是集成服务数字网络(ISDN)卡、电缆调制解调器、卫星调制解调器或调制解调器，以提供到对应类型的电话线的数据通信连接。作为另一个示例，通信接口718可以是局域网(LAN)卡，以提供到兼容LAN的数据通信连接。无线链路也可以实施。在任何这样的实施中，通信接口718发送和接收电、电磁或光信号，其携带表示各种类型的信息的数字数据流。

网络链路720通常通过一个或多个网络提供到其他数据装置的数据通信。例如，网络链路720可以通过局域网722提供到主机计算机724的连接或到互联网服务提供商(ISP)726所操作的数据装置的连接。ISP726依次通过通常称为“互联网”728的全球分组数据通信网络来提供数据通信服务。局域网722和互联网728都使用承载数字数据流的电、电磁或光信号。通过各种网络的信号和在网络链路720上并且通过通信接口718的信号是传输介质的示例形式，其携带去往和来自计算机系统700的数字数据。

如上所述，数据可以是在一些状况和其他选择的参数下从传感器、监控器和其他装置传送到系统700的现实数据。数据也可以是来自如上所述的模拟器的模拟数据。可以通过主机计算机724、局域网722传输数据或通过可访问互联网728的ISP 726远程传输数据。

计算机系统700可以通过网络、网络链路720和通信接口718发送消息并接收包括程序代码的数据。在互联网示例中，服务器730可以通过互联网728、ISP 726、局域网722和通信接口718发送针对应用程序的请求代码。接收到的代码可以在接收到时由处理器704执行，和/或被存储在存储装置710或其他非易失性存储器中，以供以后执行。

可以设计出利用上述本发明的一个或多个方面的其他和进一步的实施例，而不脱离如权利要求中所限定的所公开的发明。例如，除了浮动生产系统之外的其他系统可以从神经网络模型训练和本发明的效率中受益，并且包括在本发明和适用性的范围内。作为其他示例，可以使用不同的线性和非线性调整因子，除了用于神经网络模型的多层前馈方法之外，还可以采用各种近似方法，并且在权利要求的范围内可以出现其他变化。

已经在优选实施例和其他实施例的上下文中描述了本发明，但是并未描述本发明的每个实施例。对所描述的实施例的显而易见的修改和替换对于本领域的普通技术人员是可用的。所公开和未公开的实施例并不旨在限制或约束申请人所构想的本发明的范围或适用性，而是根据专利法，申请人意图完全保护落入该范围内的所有此类修改和改进，包括以下权利要求的等同形式。

Claims (5)

1.一种用于浮动系统的系泊缆的状况预测的方法，包括：

向神经网络模型提供模拟数据，所述模拟数据包括浮动系统偏移的至少一个模拟值、所述浮动系统的总质量的至少一个模拟值以及与所述浮动系统偏移的至少一个模拟值和所述浮动系统的总质量的至少一个模拟值对应的至少一个模拟浮动系统长漂移周期；

为所述神经网络模型提供决策逻辑，以处理所述模拟数据用于神经网络模型输出；

获得现实数据，所述现实数据包括所述浮动系统偏移的至少一个现实值、所述浮动系统的总质量的至少一个现实值以及与所述浮动系统偏移的至少一个现实值和所述浮动系统的总质量的至少一个现实值相对应的至少一个现实浮动系统长漂移周期；

比较所述现实数据与所述模拟数据以确定所述现实数据与所述模拟数据之间的相似性度量；

如果所述相似性度量是大于阈值度量的模拟数据，则将所述现实数据提供作为所述神经网络模型的操作数据，以产生与来自所述神经网络模型的利用所述模拟数据的输出相对应的输出；

如果度量不大于所述阈值度量，则将所述现实数据调整成与所述模拟数据相一致，并将调整数据提供作为所述神经网络模型的操作数据；和

利用至少在所述模拟数据范围内对应的所述调整数据来操作所述神经网络模型，以利用所述调整数据产生与来自所述神经网络模型的利用所述模拟数据的输出相对应的输出，其中，所述输出包括浮动系统的每个系泊缆的损坏指示符。

2.根据权利要求1所述的方法，其中，浮动系统偏移包括：在浪涌方向上的平均浮动系统偏移以及在摇摆方向上的平均浮动系统偏移。

3.根据权利要求2所述的方法，其中，所述至少一个模拟浮动系统长漂移周期包括在浪涌方向上的模拟浮动系统长漂移周期和在摇摆方向上的模拟浮动系统长漂移周期。

4.根据权利要求2所述的方法，其中，所述至少一个现实浮动系统长漂移周期包括：在浪涌方向上的现实浮动系统长漂移周期和在摇摆方向上的现实浮动系统长漂移周期。

5.一种用于浮动系统的系泊缆的状况预测的系统，包括：

中央处理单元；

非暂时性计算机可读存储器，包括处理器可执行程序指令，该处理器可执行程序指令在被执行时使所述中央处理单元执行以下操作：

将模拟数据存储在用于神经网络模型的存储器中，所述模拟数据包括浮动系统偏移的至少一个模拟值、所述浮动系统的总质量的至少一个模拟值以及与所述浮动系统偏移的至少一个模拟值和所述浮动系统的总质量的至少一个模拟值相对应的至少一个模拟浮动系统长漂移周期；

将决策逻辑模拟数据存储在用于所述神经网络模型的所述存储器中，以处理所述模拟数据；

在所述存储器中存储现实数据，所述现实数据包括所述浮动系统偏移的至少一个现实值、所述浮动系统的总质量的至少一个现实值以及与所述浮动系统偏移的至少一个现实值和所述浮动系统的总质量的至少一个现实值相对应的至少一个现实浮动系统长漂移周期；

比较所述现实数据与所述模拟数据以确定所述现实数据与所述模拟数据之间的相似性度量；

如果所述相似性度量大于阈值度量模拟数据，则将所述现实数据提供作为所述神经网络模型的操作数据，以产生与来自所述神经网络模型的利用所述模拟数据的输出相对应的输出；

如果度量不大于所述阈值度量，则将所述现实数据调整成与所述模拟数据相一致，并将调整数据提供作为所述神经网络模型的操作数据；和

利用至少在所述模拟数据范围内对应的所述调整数据来操作所述神经网络模型，以利用所述调整数据产生与来自所述神经网络模型的利用所述模拟数据的输出相对应的输出，其中，所述输出包括浮动系统的每个系泊缆的损坏指示符。