CN113627494B - 一种船舶姿态六自由度系统的姿态数据预处理方法 - Google Patents
一种船舶姿态六自由度系统的姿态数据预处理方法 Download PDFInfo
- Publication number
- CN113627494B CN113627494B CN202110842641.1A CN202110842641A CN113627494B CN 113627494 B CN113627494 B CN 113627494B CN 202110842641 A CN202110842641 A CN 202110842641A CN 113627494 B CN113627494 B CN 113627494B
- Authority
- CN
- China
- Prior art keywords
- attitude data
- ship attitude
- ship
- abnormal
- data sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000007781 pre-processing Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 100
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种船舶姿态六自由度系统的姿态数据预处理方法。它的步骤如下:上位机通过姿态传感器实时采集多个时刻的船舶姿态数据,以构建船舶姿态数据序列;对数据进行箱盒图检测,判断数据的离散分布情况,检测数据是否有异常点,构建异常船舶姿态数据序列;将异常船舶姿态数据序列通过改进均值平滑处理以更新船舶姿态数据序列每个时刻的异常的船舶姿态数据,得到数据更新后船舶姿态数据序列;对数据更新后船舶姿态数据序列进行标准化处理。本发明以更快的速度从姿态传感器中读取姿态数据,提高预测效率;给预测模型提供无异常值、准确、完整、归一化的数据,提高预测的稳定性与准确性。
Description
技术领域
本发明涉及数据预处理方法,尤其涉及一种船舶姿态六自由度系统的姿态数据预处理方法。
背景技术
船舶在实际海洋环境,由于受到海洋风、浪、流和其他环境因素的影响,将不断产生六自由度摇晃运动,这种运动会给船舶的适航性产生不利影响,尤其是在高海况条件下,对风浪中的舰面作业构成了严重威胁,如货物搬移、舰载机的起降等。因此,船舶姿态预测就显得尤为重要。
姿态预测工作的核心是姿态模型的建立。但是姿态预测模型的预测效果不仅仅依赖于模型本身对现实世界的逼近程度,还十分依赖于无异常、准确、完整的数据。通常在各种数据挖掘和数据预测的过程中,数据预处理要占到60%以上的工作量。在我们的姿态预测系统中,各种姿态的监测数据由固定在船舶上的姿态传感器获得,由于:
暂时性的仪器监测故障或者网络故障,而导致上传数据异常或者数据缺失;
船舶在海上航行,随着环境的变化,导致数据包含了许多非期望的噪声;
船舶在海上航行过程中,出现一些偶然事件,例如有其他船或者鱼群经过,迫使我们人为转动方向舵,干扰姿态传感器的监测结果,由此导致数据明显异常。
当前常用的数据预处理的主要方法为:数据清理、数据集成、数据变换和数据归约。选用何种方法没有统一的标准,只能根据不同类型的分析数据和业务需求,在对数据特性做了充分的理解之后,再选择与其最适配的数据预处理技术。在姿态预测的相关文献中,一般会采用如下方法:
对从姿态传感器中读取的原始数据,直接进行归一化处理,在某种程度上直接归一化并未减轻数据异常值的干扰;
使用平均值的方法对缺失值进行简单的插补,如果缺失数据过多,则会降低变量之间的相关关系;
数据清理,主要是消除数据集中的孤立点,采用平滑来降低数据噪声。
总而言之,这些方法经常忽略或者回避了分析数据的内在信息和内在波动趋势,而将内在信息挖掘、内在波动趋势发现的工作交给纯粹的预测模型,甚至某些数据预处理方法还在某种程度上破坏了原有数据的趋势信息和周期信息。姿态数据的波动整体而言是比较缓慢的。
发明内容
本发明的目的是针对目前的船舶姿态六自由度系统的姿态预测多集中于预测模型,忽视了对原始数据进行预处理的缺陷,提供一种船舶姿态六自由度系统的姿态数据预处理方法。
所述船舶姿态六自由度系统包括:上位机、姿态传感器;所述上位机与所述姿态传感器通过有线方式连接
所述姿态数据预处理方法,具体步骤如下:
步骤1:上位机通过姿态传感器实时采集多个时刻的船舶姿态数据,以构建船舶姿态数据序列;
步骤2:将船舶姿态数据序列通过从小到大的顺序得到排序后船舶姿态数据序列,通过1/4分位方法求取排序后船舶姿态数据序列中1/4分位船舶姿态数据,通过3/4分位方法求取排序后船舶姿态数据序列中3/4分位船舶姿态数据,结合1/4分位船舶姿态数据、3/4分位船舶姿态数据分别计算船舶姿态数据最小观测值、船舶姿态数据最大观测值,将船舶姿态数据序列中每个时刻的船舶姿态数据依次结合船舶姿态数据最小观测值、船舶姿态数据最大观测值判断每个时刻的船舶姿态数据是否异常,将船舶姿态数据序列中所有判断为异常的船舶姿态数据构建异常船舶姿态数据序列;
步骤3:将异常船舶姿态数据序列中每个异常船舶姿态数据通过改进均值平滑处理以更新船舶姿态数据序列每个时刻的异常的船舶姿态数据,得到数据更新后船舶姿态数据序列;
步骤4:对数据更新后船舶姿态数据序列通过最大最小归一化法进行标准化处理,得到标准化处理后船舶姿态数据序列。
作为优选,步骤1所述船舶姿态数据序列为:
dataA=(x(1),x(2),...,x(N))
其中,dataA表示船舶姿态数据序列,x(t)表示船舶姿态数据序列中第t个时刻的船舶姿态数据,t∈[1,N],N表示采集时刻的数量;
作为优选,步骤2所述计算船舶姿态数据最小观测值为:
其中,xmin表示船舶姿态数据最小观测值,表示1/4分位船舶姿态数据,/>表示3/4分位船舶姿态数据;
步骤2所述计算船舶姿态数据最大观测值为:
其中,xmax表示船舶姿态数据最大观测值,表示1/4分位船舶姿态数据,/>表示3/4分位船舶姿态数据;
步骤2所述判断每个时刻的船舶姿态数据是否异常为:
若[x(t)>xmax]或者[x(t)<xmin],则判断x(t)即船舶姿态数据序列中第t个时刻的船舶姿态数据为异常数据,否则判断x(t)即船舶姿态数据序列中第t个时刻的船舶姿态数据为正常数据;
步骤2所述构建异常船舶姿态数据序列为:
dataB=(x(k1),x(k2),...,x(kK))
K≤N
其中,dataB表示异常船舶姿态数据序列,K表示异常船舶姿态数据序列中异常船舶姿态数据的数量,N表示采集时刻的数量,x(ki)表示异常船舶姿态数据序列中第i个异常船舶姿态数据,x(ki)为船舶姿态数据序列中第ki个时刻的船舶姿态数据,i∈[1,K],ki∈[1,N];
作为优选,步骤3所述通过改进均值平滑处理为:
对于异常船舶姿态数据序列中第i个异常船舶姿态数据x(ki):
若(ki+1-ki)>1,则x(ki)=(x(ki+1)+x(ki-1))/2,i∈[1,K-1]
其中,x(ki+1)表示异常船舶姿态数据序列中第i+1个异常船舶姿态数据,x(ki)表示异常船舶姿态数据序列中第i个异常船舶姿态数据,x(ki)表示船舶姿态数据序列中第ki个时刻的船舶姿态数据,x(ki+1)表示船舶姿态数据序列中第ki时刻后一时刻的船舶姿态数据,x(ki-1)表示船舶姿态数据序列中第ki时刻前一时刻的船舶姿态数据。
若(ki+1-ki)=1、(ki+2-ki+1)=1、...、(ki+M-1-ki+M-2)=1,M>1,i∈[1,M]
则
其中,x(ki)表示异常船舶姿态数据序列中第i个异常船舶姿态数据,x(ki+1)表示异常船舶姿态数据序列中第i+1个异常船舶姿态数据,x(ki+2)表示异常船舶姿态数据序列中第i+2个异常船舶姿态数据,x(ki+M-1)表示异常船舶姿态数据序列中第i+M-1个异常船舶姿态数据,x(ki+M-2)表示异常船舶姿态数据序列中第i+M-2个异常船舶姿态数据,x(ki)表示船舶姿态数据序列中第ki个时刻的船舶姿态数据,x(ki+M)表示船舶姿态数据序列中第ki时刻后M时刻的船舶姿态数据,x(ki-1)表示船舶姿态数据序列中第ki时刻前一时刻的船舶姿态数据。
与现有技术相比,本发明具有以下优点和有益效果:
以更快的速度从姿态传感器中读取相关姿态数据,提高预测的效率;
给预测模型提供无异常、准确、完整、归一化的数据,提高预测的稳定性和准确性。
附图说明
图1:是本发明整体流程结构简图。
图2:是本发明箱盒图检测示意图。
图3:是本发明均值平滑处理流程图。
图4:是本发明归一化处理流程图。
具体实施方式
下面将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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明使用的数据预处理算法程序的开发语言为m语言,开发平台为MATLABR2021a。
本发明的具体实施方式为一种船舶姿态六自由度系统的姿态数据预处理方法。
所述船舶姿态六自由度系统包括:上位机、姿态传感器;所述上位机与所述姿态传感器通过有线方式连接;
所述上位机的型号为CPU:11th Gen Intel(R)Core(TM)i5-11400F@2.60GHz2.59GHz;硬盘:512G,固态硬盘;内存:16G;
所述姿态传感器的型号为MTi_G-710;
实施姿态数据预处理方法,具体步骤如下:
步骤1:上位机通过姿态传感器实时采集多个时刻的船舶姿态数据,以构建船舶姿态数据序列;
步骤1所述船舶姿态数据序列为:
dataA=(x(1),x(2),...,x(N))
其中,dataA表示船舶姿态数据序列,x(t)表示船舶姿态数据序列中第t个时刻的船舶姿态数据,t∈[1,N],N=1200表示采集时刻的数量;
步骤2:将船舶姿态数据序列通过从小到大的顺序得到排序后船舶姿态数据序列,通过1/4分位方法求取排序后船舶姿态数据序列中1/4分位船舶姿态数据,通过3/4分位方法求取排序后船舶姿态数据序列中3/4分位船舶姿态数据,结合1/4分位船舶姿态数据、3/4分位船舶姿态数据分别计算船舶姿态数据最小观测值、船舶姿态数据最大观测值,将船舶姿态数据序列中每个时刻的船舶姿态数据依次结合船舶姿态数据最小观测值、船舶姿态数据最大观测值判断每个时刻的船舶姿态数据是否异常,将船舶姿态数据序列中所有判断为异常的船舶姿态数据构建异常船舶姿态数据序列,如图2所示。
步骤2所述计算船舶姿态数据最小观测值为:
其中,xmin表示船舶姿态数据最小观测值,表示1/4分位船舶姿态数据,/>表示3/4分位船舶姿态数据;
步骤2所述计算船舶姿态数据最大观测值为:
其中,xmax表示船舶姿态数据最大观测值,表示1/4分位船舶姿态数据,/>表示3/4分位船舶姿态数据;
步骤2所述判断每个时刻的船舶姿态数据是否异常为:
若[x(t)>xmax]或者[x(t)<xmin],则判断x(t)即船舶姿态数据序列中第t个时刻的船舶姿态数据为异常数据,否则判断x(t)即船舶姿态数据序列中第t个时刻的船舶姿态数据为正常数据;
步骤2所述构建异常船舶姿态数据序列为:
dataB=(x(k1),x(k2),...,x(kK))
K≤N
其中,dataB表示异常船舶姿态数据序列,K表示异常船舶姿态数据序列中异常船舶姿态数据的数量,N表示采集时刻的数量,x(ki)表示异常船舶姿态数据序列中第i个异常船舶姿态数据,x(ki)为船舶姿态数据序列中第ki个时刻的船舶姿态数据,i∈[1,K],ki∈[1,N];
步骤3:将异常船舶姿态数据序列中每个异常船舶姿态数据通过改进均值平滑处理以更新船舶姿态数据序列每个时刻的异常的船舶姿态数据,得到数据更新后船舶姿态数据序列,如图3所示。
步骤3所述通过改进均值平滑处理为:
对于异常船舶姿态数据序列中第i个异常船舶姿态数据x(ki):
若(ki+1-ki)>1,则x(ki)=(x(ki+1)+x(ki-1))/2,i∈[1,K-1]
其中,x(ki+1)表示异常船舶姿态数据序列中第i+1个异常船舶姿态数据,x(ki)表示异常船舶姿态数据序列中第i个异常船舶姿态数据,x(ki)表示船舶姿态数据序列中第ki个时刻的船舶姿态数据,x(ki+1)表示船舶姿态数据序列中第ki时刻后一时刻的船舶姿态数据,x(ki-1)表示船舶姿态数据序列中第ki时刻前一时刻的船舶姿态数据。
若(ki+1-ki)=1、(ki+2-ki+1)=1、...、(ki+M-1-ki+M-2)=1,M>1,i∈[1,M]
则
其中,x(ki)表示异常船舶姿态数据序列中第i个异常船舶姿态数据,x(ki+1)表示异常船舶姿态数据序列中第i+1个异常船舶姿态数据,x(ki+2)表示异常船舶姿态数据序列中第i+2个异常船舶姿态数据,x(ki+M-1)表示异常船舶姿态数据序列中第i+M-1个异常船舶姿态数据,x(ki+M-2)表示异常船舶姿态数据序列中第i+M-2个异常船舶姿态数据,x(ki)表示船舶姿态数据序列中第ki个时刻的船舶姿态数据,x(ki+M)表示船舶姿态数据序列中第ki时刻后M时刻的船舶姿态数据,x(ki-1)表示船舶姿态数据序列中第ki时刻前一时刻的船舶姿态数据。
步骤4:对数据更新后船舶姿态数据序列通过最大最小归一化法进行标准化处理,得到标准化处理后船舶姿态数据序列。
为了加快预测模型的收敛速度,降低数据噪声,同时提高模型的预测精度,采用max-min对无异常值的完整序列进行归一化处理,如图4所示,将数据转换成[-1,1]之间的数值,xnorm表示归一化之后的数据,x表示未归一化的数据,xmax、xmin分别表示所有数据中的最大值和最小值。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种船舶姿态六自由度系统的姿态数据预处理方法,其特征在于:
所述船舶姿态六自由度系统包括:上位机、姿态传感器;所述上位机与所述姿态传感器通过有线方式连接
所述姿态数据预处理方法,具体步骤如下:
步骤1:上位机通过姿态传感器实时采集多个时刻的船舶姿态数据,以构建船舶姿态数据序列;
步骤2:将船舶姿态数据序列通过从小到大的顺序得到排序后船舶姿态数据序列,通过1/4分位方法求取排序后船舶姿态数据序列中1/4分位船舶姿态数据,通过3/4分位方法求取排序后船舶姿态数据序列中3/4分位船舶姿态数据,结合1/4分位船舶姿态数据、3/4分位船舶姿态数据分别计算船舶姿态数据最小观测值、船舶姿态数据最大观测值,将船舶姿态数据序列中每个时刻的船舶姿态数据依次结合船舶姿态数据最小观测值、船舶姿态数据最大观测值判断每个时刻的船舶姿态数据是否异常,将船舶姿态数据序列中所有判断为异常的船舶姿态数据构建异常船舶姿态数据序列;
步骤3:将异常船舶姿态数据序列中每个异常船舶姿态数据通过改进均值平滑处理以更新船舶姿态数据序列每个时刻的异常的船舶姿态数据,得到数据更新后船舶姿态数据序列;
步骤4:对数据更新后船舶姿态数据序列通过最大最小归一化法进行标准化处理,得到标准化处理后船舶姿态数据序列;
步骤3所述通过改进均值平滑处理为:
对于异常船舶姿态数据序列中第i个异常船舶姿态数据x(ki):
若(ki+1-ki)>1,则x(ki)=(x(ki+1)+x(ki-1))/2,i∈[1,K-1]
其中,x(ki+1)表示异常船舶姿态数据序列中第i+1个异常船舶姿态数据,x(ki)表示异常船舶姿态数据序列中第i个异常船舶姿态数据,x(ki)表示船舶姿态数据序列中第ki个时刻的船舶姿态数据,x(ki+1)表示船舶姿态数据序列中第ki时刻后一时刻的船舶姿态数据,x(ki-1)表示船舶姿态数据序列中第ki时刻前一时刻的船舶姿态数据;
若(ki+1-ki)=1、(ki+2-ki+1)=1、...、(ki+M-1-ki+M-2)=1,M>1,i∈[1,M]
则
其中,x(ki)表示异常船舶姿态数据序列中第i个异常船舶姿态数据,x(ki+1)表示异常船舶姿态数据序列中第i+1个异常船舶姿态数据,x(ki+2)表示异常船舶姿态数据序列中第i+2个异常船舶姿态数据,x(ki+M-1)表示异常船舶姿态数据序列中第i+M-1个异常船舶姿态数据,x(ki+M-2)表示异常船舶姿态数据序列中第i+M-2个异常船舶姿态数据,x(ki)表示船舶姿态数据序列中第ki个时刻的船舶姿态数据,x(ki+M)表示船舶姿态数据序列中第ki时刻后M时刻的船舶姿态数据,x(ki-1)表示船舶姿态数据序列中第ki时刻前一时刻的船舶姿态数据。
2.根据权利要求1所述的船舶姿态六自由度系统的姿态数据预处理方法,其特征在于:
步骤1所述船舶姿态数据序列为:
dataA=(x(1),x(2),...,x(N))
其中,dataA表示船舶姿态数据序列,x(t)表示船舶姿态数据序列中第t个时刻的船舶姿态数据,t∈[1,N],N表示采集时刻的数量。
3.根据权利要求1所述的船舶姿态六自由度系统的姿态数据预处理方法,其特征在于:
步骤2所述计算船舶姿态数据最小观测值为:
其中,xmin表示船舶姿态数据最小观测值,表示1/4分位船舶姿态数据,/>表示3/4分位船舶姿态数据;
步骤2所述计算船舶姿态数据最大观测值为:
其中,xmax表示船舶姿态数据最大观测值,表示1/4分位船舶姿态数据,/>表示3/4分位船舶姿态数据;
步骤2所述判断每个时刻的船舶姿态数据是否异常为:
若[x(t)>xmax]或者[x(t)<xmin],则判断x(t)即船舶姿态数据序列中第t个时刻的船舶姿态数据为异常数据,否则判断x(t)即船舶姿态数据序列中第t个时刻的船舶姿态数据为正常数据;
步骤2所述构建异常船舶姿态数据序列为:
dataB=(x(k1),x(k2),...,x(kK))
K≤N
其中,dataB表示异常船舶姿态数据序列,K表示异常船舶姿态数据序列中异常船舶姿态数据的数量,N表示采集时刻的数量,x(ki)表示异常船舶姿态数据序列中第i个异常船舶姿态数据,x(ki)为船舶姿态数据序列中第ki个时刻的船舶姿态数据,i∈[1,K],ki∈[1,N]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110842641.1A CN113627494B (zh) | 2021-07-26 | 2021-07-26 | 一种船舶姿态六自由度系统的姿态数据预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110842641.1A CN113627494B (zh) | 2021-07-26 | 2021-07-26 | 一种船舶姿态六自由度系统的姿态数据预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627494A CN113627494A (zh) | 2021-11-09 |
CN113627494B true CN113627494B (zh) | 2023-11-10 |
Family
ID=78380951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110842641.1A Active CN113627494B (zh) | 2021-07-26 | 2021-07-26 | 一种船舶姿态六自由度系统的姿态数据预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627494B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032068A (zh) * | 2019-04-02 | 2019-07-19 | 杭州国辰正域科技有限公司 | 一种在线的船舶运动姿态预报方法与系统 |
CN112163188A (zh) * | 2020-09-25 | 2021-01-01 | 中国南方电网有限责任公司超高压输电公司柳州局 | 刀闸位置信息动态测量方法及测量装置 |
CN112816053A (zh) * | 2020-12-30 | 2021-05-18 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 一种船舶设备的非接触式振动信息检测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030012410A1 (en) * | 2001-07-10 | 2003-01-16 | Nassir Navab | Tracking and pose estimation for augmented reality using real features |
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
- 2021-07-26 CN CN202110842641.1A patent/CN113627494B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032068A (zh) * | 2019-04-02 | 2019-07-19 | 杭州国辰正域科技有限公司 | 一种在线的船舶运动姿态预报方法与系统 |
CN112163188A (zh) * | 2020-09-25 | 2021-01-01 | 中国南方电网有限责任公司超高压输电公司柳州局 | 刀闸位置信息动态测量方法及测量装置 |
CN112816053A (zh) * | 2020-12-30 | 2021-05-18 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 一种船舶设备的非接触式振动信息检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于改进神经网络的船舶姿态准确预报技术;王志娟;魏宏昌;舰船科学技术(第012期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627494A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3380903A1 (en) | Marine vessel performance monitoring | |
CN111898285A (zh) | 一种水下无人自主航行器集群作业效能评估方法 | |
CN110751642A (zh) | 一种绝缘子裂缝检测方法和系统 | |
CN117214591A (zh) | 一种用于深潜器推进器的故障诊断系统及方法 | |
CN112445847A (zh) | 基于北斗导航时频数据的船舶轨迹预测方法及装置 | |
CN112784473A (zh) | 智能分析航行信息优化能量的船舶燃料节约系统及其方法 | |
Perera | Handling big data in ship performance and navigation monitoring | |
CN113530850B (zh) | 一种基于esa和堆叠胶囊自编码器的离心泵故障诊断方法 | |
CN113627494B (zh) | 一种船舶姿态六自由度系统的姿态数据预处理方法 | |
CN116243683B (zh) | 基于转矩和多头自编码器的推进系统故障诊断方法 | |
CN116703001B (zh) | 一种智能船舶的油耗预测方法、系统、智能船舶及介质 | |
Perera et al. | Digitalization of seagoing vessels under high dimensional data driven models | |
CN114254677A (zh) | 基于多任务对抗判别域自适应的跨域故障诊断系统及方法 | |
CN114235409A (zh) | 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法 | |
CN113469263A (zh) | 适于小样本的预测模型训练方法、装置及相关设备 | |
CN113095360A (zh) | 一种风机结冰检测模型的构建方法及其应用 | |
CN116186907B (zh) | 基于船用子系统状态分析适航状态的方法、系统和介质 | |
CN114877925B (zh) | 一种基于极限学习机的综合能源系统传感器故障诊断方法 | |
CN116699390B (zh) | 柴油机组故障检测方法和系统 | |
CN117022597B (zh) | 一种用于船舶配件的监控管理系统及方法 | |
CN115808305A (zh) | 一种多尺度齿轮箱故障智能诊断方法 | |
CN117437496B (zh) | 基于机器视觉的电脑一体机良率检测方法及系统 | |
CN115879056A (zh) | 一种用于plc控制器的多协议数据融合方法 | |
CN118036804A (zh) | 基于机器学习的波浪陡度预测方法及系统 | |
CN116700269A (zh) | 考虑环境扰动和多目标约束的无人艇路径规划方法及系统 |
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 |