CN113344275B - 一种基于lstm模型的浮式平台波浪爬升在线预报方法 - Google Patents
一种基于lstm模型的浮式平台波浪爬升在线预报方法 Download PDFInfo
- Publication number
- CN113344275B CN113344275B CN202110659747.8A CN202110659747A CN113344275B CN 113344275 B CN113344275 B CN 113344275B CN 202110659747 A CN202110659747 A CN 202110659747A CN 113344275 B CN113344275 B CN 113344275B
- Authority
- CN
- China
- Prior art keywords
- wave
- platform
- data
- climbing
- forecasting
- 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.)
- Active
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"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于LSTM模型的浮式平台波浪爬升在线预报方法,波浪采集系统布置于平台远端,波浪采集装置对采集波浪高度参数处理后通过电磁波数据发射器将数据实时传输至平台运动预报系统PC端与平台波浪爬升预报系统PC端;平台运动预报系统PC端通过电磁波数据接收器获取波浪高度数据,以波浪高度数据作为输入信息,利用LSTM模型计算获得对应波浪条件下的平台垂向运动数据,并将波浪高度数据和平台垂向运动数据实时传输至平台波浪爬升预报系统PC端;平台波浪爬升预报系统PC端将接收到的波浪高度数据和平台垂向运动预报数据共同作为特征信息,利用LSTM模型计算获得对应的波浪条件下平台固定位置波浪爬升高度预报结果。
Description
技术领域
本发明涉及一种基于LSTM模型的浮式平台波浪爬升在线预报方法,属于海洋平台技术领域。
背景技术
随着深海油气资源的开发,各种适应深海环境的浮式平台不断涌现。由于浮式平台体型较大且下浮体与甲板之间通过若干立柱连接,因此波浪冲击浮体过程中会造成水体沿立柱升高并对平台下甲板造成抨击甚至发生越浪,对平台结构和人员安全造成了极大的威胁。
当前海洋浮式平台波浪爬升预报主要为设计极值预报,即通过数值计算或者模型试验的方法从统计的角度给出平台可能发生的波浪爬升的最大值、发生频次和概率分布等等,通过以上统计结果在平台设计阶段实现对平台结构参数的确定。然而,传统的波浪爬升预报方法存在较大的局限性:
a.传统预报手段过程复杂、效率低。传统波浪爬升预报方法中模型试验过程复杂且仅能针对部分典型工况进行设计,试验统计范围有限。数值计算方法计算耗时较长,在工程应用时计算结果可靠性不足,因此也难以进行高效预报。
b.应用领域存在较大的限制。基于统计结果的传统预报方法仅能对平台设计参数提供参考,无法对平台作业过程的波浪爬升进行实时预报。
c.波浪爬升预报机理复杂。波浪爬升问题具有明显的非线性特征,同时受到环境及平台特性等多种因素的影响,难以通过单一的特征条件进行准确预报。
发明内容
本发明的目的在于针对现有技术中的上述不足,提供了一种基于长短期记忆神经网络(LSTM)模型的海洋浮式平台波浪爬升在线预警系统。该系统基于深度神经网络方法,仅利用平台远端波浪数据对平台固定位置的波浪爬升高度进行实时预报,为平台安全提供预警。
本发明采取以下技术方案:
一种基于LSTM模型的浮式平台波浪爬升在线预报方法,浮式平台波浪爬升在线预报系统包括:波浪采集系统1、平台运动预报系统PC端2、平台波浪爬升预报系统PC端3;其中,波浪采集系统1包括波浪采集装置4和电磁波数据发射器5;波浪采集系统1布置于平台远端,波浪采集装置4对采集波浪高度参数处理后通过电磁波数据发射器5将数据实时传输至平台运动预报系统PC端2与平台波浪爬升预报系统PC端3;平台运动预报系统PC端2通过电磁波数据接收器6获取波浪高度数据,以波浪高度数据作为输入信息,利用LSTM模型计算获得对应波浪条件下的平台垂向运动数据,并将波浪高度数据和平台垂向运动数据实时传输至平台波浪爬升预报系统PC端3;平台波浪爬升预报系统PC端3将接收到的波浪高度数据和平台垂向运动预报数据共同作为特征信息,利用LSTM模型计算获得对应的波浪条件下平台固定位置波浪爬升高度预报结果。
优选的,包括以下步骤:S1:在平台迎浪方向远端一定距离位置处布置所述波浪采集系统1,对波浪高度数据进行实时测量并通过电磁波数据发射器5将测量的波浪高度数据传递至平台运动预报系统PC端2;S2:平台运动预报系统PC端2通过电磁波数据接收器6接收并读取波浪高度数据,将数据处理后输入LSTM模型计算对平台运动结果进行预报,该LSTM模型已通过模型试验数据完成调试与训练;平台运动预报模型计算获得平台在波浪作用下的平台垂向运动数据,并将波浪高度数据和平台垂向运动数据实时传输至平台波浪爬升系统PC端3;S3:平台运动预报系统PC端3通过有线直连获取波浪高度数据和平台垂向运动数据,之后将两组数据根据时间关系进行相位调节修正,输入LSTM模型对平台波浪爬升高度进行预报;平台波浪爬升预报模型计算获得平台在波浪作用下的平台波浪爬升高度数据,从而为平台安全预警提供数据基础。
本发明的有益效果在于:
1.基于有限的模型试验数据即可对不同波浪条件下的平台波浪爬升情况进行预报,极大降低了传统波浪爬升预报方法的工作难度与成本。
2.可以对平台作业过程中对波浪爬升进行在线预报,摆脱了以往仅能在设计阶段对波浪爬升高度进行预报这一缺陷,为平台作业进行主动安全预警和抑制提供基础。
3.所采用的双模型预报结构仅采用波浪高度作为输入信息,前后分别采用分布式独立模型结构简单,对计算机硬件要求较低,以较低成本保证求解速度和预报精度。
附图说明
图1是LSTM模型映射关系示意图。
图2基于LSTM模型的浮式平台波浪爬升在线预报系统数据流程图。
图3基于LSTM模型的浮式平台波浪爬升在线预报系统的硬件关系示意图。
图4波浪采集系统布置示意图。
图中,1-波浪采集系统、2-平台运动预报系统PC端、3-平台波浪爬升预报系统PC端、4-波浪测量装置、5-电磁波数据发射器、6-电磁波数据接收器、7-浮式平台。
具体实施方式
下面结合附图和具体实施例对本发明进一步说明。
首先,对本实施例所采用的LSTM模型进行说明:
在平台运动预报问题中,当前时刻的平台运动会受到当前时刻的波浪和前一时刻平台运动状态共同影响。类似地,在平台波浪爬升预报问题中,当前波浪爬升高度会受到当前时刻的波浪、当前时刻的平台运动状态以及前一时刻的波浪爬升高度共同影响,以此类推。因此,平台运动预报和平台波浪爬升高度预报均存在明显的时间依赖性,即当前时刻的预报结果会受到过去一定时间长度内观测信息的影响,二者均为典型的时间序列预测问题。
LSTM模型本身是现有技术。
LSTM是一种时间循环神经网络,适合处理和预测时间序列中间隔和延迟较长的事件,因此在时间序列预测问题中得到广泛应用。针对平台运动问题,选取固定时间长度的波浪高度信息片段作为输入,利用LSTM模型即可获得波浪到达平台位置时刻平台运动的预报结果。同样,在本实施例中,针对平台波浪爬升问题,选取固定时间长度的波浪高度信息片段和平台垂向运动信息片段作为输入,利用LSTM模型即可获得波浪到达平台位置时刻平台波浪爬升高度的预报结果。如图1所示,通过20s至40s共长达20s的输入值片段即可获取20s之后即60s时的预报输出结果。
下面参见图3,一种基于LSTM模型的海洋浮式平台波浪爬升在线预警系统主要由波浪采集系统1、平台运动预报系统PC端2、平台波浪爬升预报系统PC端3共三部分组成。
波浪采集系统1包括波浪采集装置4和电磁波数据发射器5,波浪采集系统布置于平台远端,波浪采集装置4对波浪高度等参数进行采集处理后通过电磁波数据发射器5将数据实时传输至平台运动预报系统PC端2与平台波浪爬升预报系统PC端3。
由于平台运动主要受波浪影响,平台运动预报系统PC端2通过电磁波数据接收器6获取波浪高度数据,以波浪高度数据作为输入信息,利用LSTM模型快速计算获得对应波浪条件下的平台垂向运动数据,通过有线直连将波浪高度数据和平台垂向运动数据实时传输至平台波浪爬升预报系统PC端3。
由于平台波浪爬升高度主要受到波浪高度和平台垂向运动高度共同影响,平台波浪爬升预报系统PC端3将接收到的波浪高度数据和平台垂向运动预报数据共同作为特征信息,利用LSTM模型快速计算获得对应的波浪条件下平台固定位置波浪爬升高度预报结果。
具体实施时候,可结合附图2,按照以下步骤进行:
步骤1:在平台迎浪方向远端一定距离位置处布置波浪采集系统1,对波浪高度数据进行实时测量并通过电磁波数据发射器5将测量的波浪高度数据传递至平台运动预报系统PC端2。
步骤2:平台运动预报系统PC端2通过电磁波数据接收器6接收并读取波浪高度数据,将数据处理后输入LSTM模型计算对平台运动结果进行预报,该LSTM模型已通过模型试验数据完成调试与训练。平台运动预报模型计算获得平台在波浪作用下的平台垂向运动数据,并将波浪高度数据和平台垂向运动数据实时传输至平台波浪爬升系统PC端3。
步骤3:平台运动预报系统PC端3通过有线直连获取波浪高度数据和平台垂向运动数据,之后将两组数据根据时间关系进行相位调节修正,输入LSTM模型对平台波浪爬升高度进行预报,该LSTM模型同样已通过模型试验数据完成调试与训练。平台波浪爬升预报模型计算获得平台在波浪作用下的平台波浪爬升高度数据,从而为平台安全预警提供数据基础。
下面针对本发明的创新之处进行归纳:
1)基于深度神经网络的波浪爬升高效预报方法。
深度神经网络计算速度快,对非线性关系具有较好的拟合效果。因此,通过机器学习方法能够充分发挥其优势,通过有限的特征变量作为模型输入,在保证预报结果可靠性的同时避免传统波浪爬升预报方法中模型试验工作量大、过程复杂的缺陷。
2)波浪爬升高度的在线实时预报。
凭借计算机强大的运算能力与深度神经网络的高速计算性能,在平台作业过程中可以实现对波浪爬升高度的在线实时预报,将平台波浪爬升问题的研究从原有的平台设计阶段拓展至平台作业阶段,为波浪爬升风险预警提供基础。
3)平台运动与波浪爬升的双预报模型结构。
采用双预报模型结构,分别对平台运动和波浪爬升同时进行预报。由于波浪爬升问题具有极强的非线性并受到多种因素的干扰,因此仅通过波浪信息较难直接对平台波浪爬升进行高速准确地预报。分布式模型设计结构可有效降低对计算机硬件的要求,同时简化的双预报模型结构也可以保持较高的预报精度与预报速度。
以上是本发明的优选实施例,本领域普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本发明总的构思的前提下,这些变换或改进都应当属于本发明要求保护的范围之内。
Claims (1)
1.一种基于LSTM模型的浮式平台波浪爬升在线预报方法,其特征在于:
浮式平台波浪爬升在线预报系统包括:波浪采集系统(1)、平台运动预报系统PC端(2)、平台波浪爬升预报系统PC端(3);其中,波浪采集系统(1)包括波浪采集装置(4)和电磁波数据发射器(5);
波浪采集系统(1)布置于平台远端,波浪采集装置(4)对采集波浪高度参数处理后通过电磁波数据发射器(5)将数据实时传输至平台运动预报系统PC端(2)与平台波浪爬升预报系统PC端(3);
平台运动预报系统PC端(2)通过电磁波数据接收器(6)获取波浪高度数据,以波浪高度数据作为输入信息,利用LSTM模型计算获得对应波浪条件下的平台垂向运动数据,并将波浪高度数据和平台垂向运动数据实时传输至平台波浪爬升预报系统PC端(3);
平台波浪爬升预报系统PC端(3)将接收到的波浪高度数据和平台垂向运动预报数据共同作为特征信息,利用LSTM模型计算获得对应的波浪条件下平台固定位置波浪爬升高度预报结果;
包括以下步骤:
S1:在平台迎浪方向远端一定距离位置处布置所述波浪采集系统(1),对波浪高度数据进行实时测量并通过电磁波数据发射器(5)将测量的波浪高度数据传递至平台运动预报系统PC端(2);
S2:平台运动预报系统PC端(2)通过电磁波数据接收器(6)接收并读取波浪高度数据,将数据处理后输入LSTM模型计算对平台运动结果进行预报,该LSTM模型已通过模型试验数据完成调试与训练;平台运动预报模型计算获得平台在波浪作用下的平台垂向运动数据,并将波浪高度数据和平台垂向运动数据实时传输至平台波浪爬升系统PC端(3);
S3:平台运动预报系统PC端(3)通过有线直连获取波浪高度数据和平台垂向运动数据,之后将两组数据根据时间关系进行相位调节修正,输入LSTM模型对平台波浪爬升高度进行预报;平台波浪爬升预报模型计算获得平台在波浪作用下的平台波浪爬升高度数据,从而为平台安全预警提供数据基础。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659747.8A CN113344275B (zh) | 2021-06-15 | 2021-06-15 | 一种基于lstm模型的浮式平台波浪爬升在线预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659747.8A CN113344275B (zh) | 2021-06-15 | 2021-06-15 | 一种基于lstm模型的浮式平台波浪爬升在线预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344275A CN113344275A (zh) | 2021-09-03 |
CN113344275B true CN113344275B (zh) | 2022-10-14 |
Family
ID=77477062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110659747.8A Active CN113344275B (zh) | 2021-06-15 | 2021-06-15 | 一种基于lstm模型的浮式平台波浪爬升在线预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344275B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392151A (zh) * | 2022-08-11 | 2022-11-25 | 浙江大学 | 一种基于lstm模型的海洋结构物波浪载荷预报方法 |
CN116819950B (zh) * | 2023-08-25 | 2023-11-07 | 中国海洋大学 | 一种船舶与浮式海洋平台动力定位控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103693169A (zh) * | 2013-12-23 | 2014-04-02 | 江苏科技大学 | 组合气囊式风浪联合浮式发电平台 |
CN108839769A (zh) * | 2018-09-06 | 2018-11-20 | 王晓旭 | 一种基于漂浮平台的翘尾式波浪能采集装置 |
CN110806692A (zh) * | 2019-10-21 | 2020-02-18 | 上海海事大学 | 一种基于cnn-latm组合模型的波浪补偿预测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050379A (zh) * | 2014-06-25 | 2014-09-17 | 东南大学 | 一种基于arma模型的海洋波浪波高预测方法 |
CN104316025B (zh) * | 2014-10-16 | 2017-01-11 | 哈尔滨工程大学 | 一种基于船体姿态信息估计海浪浪高的系统 |
CN107545250A (zh) * | 2017-08-31 | 2018-01-05 | 哈尔滨工程大学 | 一种基于海浪图像遥感和人工智能的海洋浮体运动实时预报系统 |
CN108665104A (zh) * | 2018-05-14 | 2018-10-16 | 华际卫星通信有限公司 | 一种基于lstm的渔场预报方法 |
CN110852512A (zh) * | 2019-11-13 | 2020-02-28 | 杭州鲁尔物联科技有限公司 | 一种海浪预测系统、方法及设备 |
CN111199270B (zh) * | 2019-12-30 | 2023-04-18 | 福建省海洋预报台 | 一种基于深度学习的区域波高预报方法及终端 |
CN111336996A (zh) * | 2020-03-28 | 2020-06-26 | 哈尔滨工程大学 | 一种海洋环境与船舶运动监测预报系统及监测预报方法 |
CN111896984B (zh) * | 2020-07-10 | 2022-10-28 | 自然资源部第一海洋研究所 | 一种基于gnss的实时高精度波浪测量方法及装置 |
CN112684701A (zh) * | 2020-12-01 | 2021-04-20 | 哈尔滨工程大学 | 一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法 |
-
2021
- 2021-06-15 CN CN202110659747.8A patent/CN113344275B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103693169A (zh) * | 2013-12-23 | 2014-04-02 | 江苏科技大学 | 组合气囊式风浪联合浮式发电平台 |
CN108839769A (zh) * | 2018-09-06 | 2018-11-20 | 王晓旭 | 一种基于漂浮平台的翘尾式波浪能采集装置 |
CN110806692A (zh) * | 2019-10-21 | 2020-02-18 | 上海海事大学 | 一种基于cnn-latm组合模型的波浪补偿预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113344275A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN113344275B (zh) | 一种基于lstm模型的浮式平台波浪爬升在线预报方法 | |
CN104061445A (zh) | 一种基于神经网络的管道泄漏检测方法 | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
CN104330471A (zh) | 航空结构损伤的Lamb波时变概率模型监测方法 | |
Wang et al. | Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM | |
Shu et al. | A multi-task learning-based automatic blind identification procedure for operational modal analysis | |
CN1275024C (zh) | 大型结构损伤状况实时识别的变时基监测方法 | |
Wang et al. | An identification method of floating wind turbine tower responses using deep learning technology in the monitoring system | |
CN111695465A (zh) | 基于压力波模式识别的管网故障诊断与定位方法及系统 | |
CN111412959A (zh) | 流量在线监测计算方法、监测仪以及监测系统 | |
CN114398736A (zh) | 基于时变模型参数的滚动轴承剩余寿命预测方法 | |
Deng et al. | Abnormal data detection for structural health monitoring: State-of-the-art review | |
CN117523177A (zh) | 一种基于人工智能混合大模型的燃气管道监测系统和方法 | |
CN112036240A (zh) | 一种基于分频算法诊断下机架松动故障的方法及系统 | |
CN105426665B (zh) | 基于状态监测的动态可靠度确定方法 | |
Xu et al. | Long Short Term Memory Based Status Prediction for Diesel Generator Set | |
CN101859105A (zh) | 船舶航向控制系统故障在线预报方法 | |
CN111160490A (zh) | 一种基于多时间序列的深度学习危岩变形预测方法及装置 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN113339210A (zh) | 一种风电机组叶片覆冰监测方法、系统 | |
CN110197199A (zh) | 嵌入式dcnn和边缘计算的裂解炉重管温度识别方法 | |
Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN110095204A (zh) | 一种乙烯裂解炉管温度诊断系统 |
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 |