CN115410419A - 一种船舶系泊预警方法、系统、电子设备及存储介质 - Google Patents
一种船舶系泊预警方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115410419A CN115410419A CN202211017100.6A CN202211017100A CN115410419A CN 115410419 A CN115410419 A CN 115410419A CN 202211017100 A CN202211017100 A CN 202211017100A CN 115410419 A CN115410419 A CN 115410419A
- Authority
- CN
- China
- Prior art keywords
- mooring
- ship
- data
- prediction
- early warning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000005096 rolling process Methods 0.000 claims description 17
- 230000003068 static effect Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000010355 oscillation Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000012937 correction Methods 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
- 238000013461 design Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
-
- 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"
-
- G06Q50/40—
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种船舶系泊预警方法、系统、电子设备及存储介质,涉及港口船舶系泊技术领域,方法包括:根据系泊现场环境数据,确定当前船舶数据;将系泊现场环境数据输入至船舶系泊预测模型中,以确定系泊船舶第一预测数据;根据系泊差值数据对船舶系泊预测模型进行补偿更新,以得到船舶系泊优化预测模型;将系泊现场环境数据输入至船舶系泊优化预测模型,以得到系泊船舶第二预测数据;对系泊船舶第一预测数据和系泊船舶第二预测数据进行加权计算,以确定系泊船舶最终预测数据;在系泊船舶最终预测数据未处于预设系泊作业安全标准范围内时,输出系泊船舶最终预测数据并生成预警信号。本发明能够及时告警,从而保证船舶系泊作业安全。
Description
技术领域
本发明涉及港口船舶系泊技术领域,特别是涉及一种基于动态预报补偿的船舶系泊预警方法、系统、电子设备及存储介质。
背景技术
经济发展对水运需求的增加,促进了大型集装箱、矿产资源、石油、机械、化工等港口货物运输的快速增长,同时生态环境的恶化也导致了海洋环境恶化。经济发展的需要和日益复杂的水文气象条件对码头的系泊安全可靠性提出了更高的要求。
传统的人工、半自动化作业模式已难以满足日益复杂的系泊控制要求。因此,基于更高的安全性和可靠性要求,针对码头系靠泊、水文和气象条件的预测方面,众多专家和学者进行了大量的理论分析和实验验证,取得了有价值的结果和实验数据。以船舶系泊试验分析和水文气象模拟预测计算等为研究方法,为码头系泊船舶的作业安全性进行评估、船舶系靠泊操作模拟、系泊作业人员培训和系泊基础设施改造升级等提供了参考和依据。
如今,为了保证船舶系靠泊作业的安全,一般采用激光系泊系统、海洋环境监测系统、系泊缆力负荷监测系统和快速释放系泊钩系统等。上述这些系统可以监视、显示和记录船舶靠泊的整个过程,但是这些系统均缺乏预警功能,无法在复杂的水文气象条件下预测系泊船舶的运动趋势,不能及时为系泊作业提供决策依据。
发明内容
本发明的目的是提供一种船舶系泊预警方法、系统、电子设备及存储介质,根据系泊现场环境准确预测船舶数据,并及时进行告警,从而保证船舶系泊作业安全。
为实现上述目的,本发明提供了如下方案:
一种基于动态预报补偿的船舶系泊预警方法,包括:
获取系泊现场环境数据;所述系泊现场环境数据包括风向、风速、波向、波高、平均波周期、流向和流速;
根据所述系泊现场环境数据,确定当前船舶数据;所述当前船舶数据包括船舶的横荡最大值、纵荡最大值、垂荡最大值、横摇最大值、纵摇最大值、艏摇最大值、最大缆力和最大撞击力;
将所述系泊现场环境数据输入至船舶系泊预测模型中,以确定系泊船舶第一预测数据;所述船舶系泊预测模型是采用理论样本集对RBF神经网络进行训练得到的;所述理论样本集的每个理论样本包括系泊理论环境数据以及经过模拟推算确定的系泊理论船舶数据;
根据系泊差值数据对所述船舶系泊预测模型进行补偿更新,以得到船舶系泊优化预测模型;所述系泊差值数据是对所述系泊船舶第一预测数据和所述当前船舶数据进行差值计算确定的;
将所述系泊现场环境数据输入至所述船舶系泊优化预测模型,以得到系泊船舶第二预测数据;
对所述系泊船舶第一预测数据和所述系泊船舶第二预测数据进行加权计算,以确定系泊船舶最终预测数据;
判断所述系泊船舶最终预测数据是否处于预设系泊作业安全标准范围内,在所述系泊船舶最终预测数据未处于预设系泊作业安全标准范围内时,输出所述系泊船舶最终预测数据,并生成预警信号。
可选地,根据所述系泊现场环境数据,确定当前船舶数据,具体包括:
将所述系泊现场环境数据输入至预设静态数据库,以查询所述系泊现场环境数据对应的当前船舶数据;所述预设静态数据库中包括多组船舶数据,每组所述船舶数据包括系泊现场环境数据和对应的当前船舶数据。
可选地,所述船舶系泊预测模型的训练过程,包括:
构建RBF神经网络;所述RBF神经网络包括输入层、隐含层和输出层;
将每个所述理论样本中的系泊理论环境数据输入至所述输入层,将所述系泊理论环境数据对应的系泊理论船舶数据输入至所述输出层;
根据所述系泊理论环境数据和所述系泊理论船舶数据,采用最小二乘法确定所述RBF神经网络的网络参数,以得到船舶系泊预测模型;所述RBF神经网络的网络参数包括所述隐含层与所述输出层之间的权值、所述隐含层中各个节点的高斯核函数的中心向量和标准化常数。
可选地,所述船舶系泊预警方法,还包括:
将所述系泊差值数据实时存储至动态数据库,并统计所述系泊差值数据的更新次数。
可选地,对所述系泊船舶第一预测数据和所述系泊船舶第二预测数据进行加权计算,以确定系泊船舶最终预测数据,具体包括:
根据所述预设静态数据库中船舶数据的组数,确定理论船舶数据量;
根据所述动态数据库中系泊差值数据的更新次数,确定当前实测船舶数据量;
根据所述理论船舶数据量与所述当前实测船舶数据量的比值,分配所述系泊船舶第一预测数据的权重和所述系泊船舶第二预测数据的权重;
根据所述系泊船舶第一预测数据、所述系泊船舶第一预测数据的权重、所述系泊船舶第二预测数据和所述系泊船舶第二预测数据的权重,计算系泊船舶最终预测数据。
可选地,所述船舶系泊预警方法,还包括:
当所述当前实测船舶数据量小于设定阈值时,所述系泊船舶第一预测数据的权重设置为1,所述系泊船舶第二预测数据的权重设置为0。
为达上述目的,本发明还提供了如下技术方案:
一种基于动态预报补偿的船舶系泊预警系统,包括:
环境数据获取模块,用于获取系泊现场环境数据;所述系泊现场环境数据包括风向、风速、波向、波高、平均波周期、流向和流速;
船舶数据确定模块,用于根据所述系泊现场环境数据,确定当前船舶数据;所述当前船舶数据包括船舶的横荡最大值、纵荡最大值、垂荡最大值、横摇最大值、纵摇最大值、艏摇最大值、最大缆力和最大撞击力;
第一预测模块,用于将所述系泊现场环境数据输入至船舶系泊预测模型中,以确定系泊船舶第一预测数据;所述船舶系泊预测模型是采用理论样本集对RBF神经网络进行训练得到的;所述理论样本集的每个理论样本包括系泊理论环境数据以及经过模拟推算确定的系泊理论船舶数据;
模型优化模块,用于根据系泊差值数据对所述船舶系泊预测模型进行补偿更新,以得到船舶系泊优化预测模型;所述系泊差值数据是对所述系泊船舶第一预测数据和所述当前船舶数据进行差值计算确定的;
第二预测模块,用于将所述系泊现场环境数据输入至所述船舶系泊优化预测模型,以得到系泊船舶第二预测数据;
加权计算模块,用于对所述系泊船舶第一预测数据和所述系泊船舶第二预测数据进行加权计算,以确定系泊船舶最终预测数据;
预警输出模块,用于判断所述系泊船舶最终预测数据是否处于预设系泊作业安全标准范围内,在所述系泊船舶最终预测数据未处于预设系泊作业安全标准范围内时,输出所述系泊船舶最终预测数据,并生成预警信号。
为达上述目的,本发明还提供如下技术方案:
一种电子设备,所述电子设备包括存储器和处理器;
所述存储器用于存储计算机程序,所述处理器用于运行所述计算机程序以执行基于动态预报补偿的船舶系泊预警方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序;
所述计算机程序被处理器执行时,实现基于动态预报补偿的船舶系泊预警方法的步骤。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种船舶系泊预警方法、系统、电子设备及存储介质,首先根据系泊现场环境数据确定出当前船舶数据,以及通过船舶系泊预测模型确定出第一预测数据,然后计算当前船舶数据与第一预测数据的差值,即计算出预测结果可能存在的偏差;根据上述偏差数据对船舶系泊预测模型进行补偿更新,从而得到船舶系泊优化预测模型,进而得到船舶系泊优化预测模型输出的第二预测数据。由于无论是船舶系泊预测模型还是船舶系泊优化预测模型均可能存在一定误差,因此将两个模型的输出数据进行区分,并对其分别赋予不同的权值进行加权计算,从而得到高精度的系泊船舶最终预测数据。最后,对系泊船舶最终预测数据进行判断,当其未处于预设系泊作业安全标准范围内时,输出系泊船舶最终预测数据,并生成预警信号提醒相关人员注意,进而保证船舶以及船舶上的人员和货物的安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为根据靠泊系统的计算数据得到的纵摇和波高的关系图;
图2为根据靠泊系统的计算数据得到的垂荡和波高的关系图;
图3为5s周期波浪,15m/s风速,各风向下的横摇最大值和波浪的关系图;
图4为7s周期波浪,15m/s风速,各风向下的横摇最大值和波浪的关系图;
图5为9s周期波浪,15m/s风速,各风向下的横摇最大值和波浪的关系图;
图6为波高0.8m,周期9秒,风速15m/s,风向45度,流速0.3kn,流向170度时的横摇角最大值随波浪方向的变化图;
图7为波高0.8m,周期9秒,风速15m/s,风向90度,流速0.3kn,流向170度时的横摇角最大值随波浪方向的变化图;
图8为波高0.8m,周期9秒,风速15m/s,风向270度,流速0.3kn,流向170度时的横摇角最大值随波浪方向的变化图;
图9为本发明船舶系泊预警方法的流程示意图;
图10为本发明船舶系泊预警系统的结构示意图。
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。
本发明提供的一种船舶系泊预警方法、系统、电子设备及存储介质,基于系统预先计算值构成的静态数据库以及经过实测条件差值计算后的动态数据库,进行动态补偿修正,得到系泊船舶最终预测数据,进而以预警预报形式为用户提供船舶姿态是否满足码头泊稳条件的判断依据。
为使本发明的目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
减元分析的核心是对输入输出关系的研究,以便于对有效建模起到作用,研究正确的话可以减少建模的规模,大幅减轻运算压力,提高模糊计算的收敛性。基于减元分析的上述优点,将其应用至码头系泊系统的理论计算,以实现更好的建模。
(一)在耐波性理论中,纵摇和波高基本是线性关系,即波高越高,纵摇越大,而且单位波高的响应基本相同。
图1为根据靠泊系统的计算数据得到的纵摇和波高的关系图,与一般的耐波性试验结果相符。图1中的数据对应船舶满载状态,数据选自浪向0°,波浪周期分别为5s、7s、9s时的结果,其中风速为15m/s,风向分别为45°、90°、135°、225°(计算结果相同)。由于风对船的纵摇运动影响较小,即使在顶风和顺风状态也不会太大,因此在建模中不考虑风向对纵摇的影响。
根据图2中数据,可以得到纵摇最大值与波高的关系:
θs(H1/3、T)=aθ(T)*H1/3+b
其中:T=f(H1/3)。
由于:H1/3=0时,θs=0,所以b=0;
θs(H1/3、T)=aθ(f(H1/3))*H1/3
其中,波浪周期T采用选取的经验公式,θs表示纵摇最大值,H1/3表示波高,a表示常数。
(二)波高和垂荡的关系。
图2为根据靠泊系统的计算数据得到的垂荡和波高的关系图,与一般的耐波性试验结果相符。图2中的数据对应船舶满载状态,数据选自浪向0°,波浪周期分别为5s、7s、9s时的结果,其中风速为15m/s、风向为45°、90°、135°、225°(计算结果相同)。由于风速和风向对船的垂荡运动影响较小,因此在建模中不考虑风向对垂荡运动的影响。
根据图3中数据,可以得到垂荡最大值与波高的关系:
Zs(H1/3、T)=aZ(T)*H1/3+b
其中:T=f(H1/3)
由于:H1/3=0时,Zs=0,所以b=0;
Zs(H1/3、T)=aZ(f(H1/3))*H1/3
其中,波浪周期T采用选取的经验公式,Zs表示垂荡最大值。
(三)波浪、风和横摇的关系。
图3为5s周期波浪,15m/s风速,各风向下的横摇最大值和波浪的关系图,图4为7s周期波浪,15m/s风速,各风向下的横摇最大值和波浪的关系图,图5为9s周期波浪,15m/s风速,各风向下的横摇最大值和波浪的关系图。上述三张图的结果与一般性的耐波性运动结果有差异,可能为以下二个原因:
(1)给出的系泊波浪环境对于大型船舶来说是不大的,即对于船舶横摇运动响应而言,处在响应函数左侧函数的直线段,故而有基本为直线的结果。
(2)船舶横向运动受系缆力的约束,其横向的个性特征被减弱。
根据图3、图4和图5可知,横摇值对风是哪一侧来的(左侧或右侧)比较敏感,而对同侧风的风向不是太敏感。根据图中数据可得:
Φs(H1/3、T、V、Ψw)=K(Ψ)aΦ(T、V)*H1/3+b
其中:b=0;Ψ=0,找不出左侧风;Ψ=1,表示右侧风;Φs表示横摇最大值,V表示风速,Ψw表示风向,K表示常数系数。
(四)浪向角、风向角变量的处理方法。
在耐波性理论中,经常把某一工况下随浪向变化的规律画成玫瑰图,该方法可以用来处理浪向(风向)的参数减元,即所有的运动值可归到横浪(横风)状态,其它的状态用一个相对系数进行表达。
该方法能用于浪向(风向)参数进行的分层处理。图6为波高0.8m,周期9秒,风速15m/s,风向45度,流速0.3kn,流向170度时的横摇角最大值随波浪方向的变化图。将风向改变为90度,则如图7所示。风向为135度时的变化也不大,所以当风向在船的一侧时,主要取决于风速。风向为270度时,则横摇角最大值随风向的变化图如图8所示。根据上述图6、图7和图8的数据,可以看到来自左右的横风,是有变化的,主要在于艏侧风和尾侧风时的相对点的运动都提高了。
综上可知,经过减元分析将船舶的运动拆分为三个分系统进行研究,一是风浪流环境和船的主要运动特征的关系,二是风浪流方向变化对细节运动的影响关系、三是船的运动对系固力的影响关系。根据上述结果依次分析和总结得出:波浪和纵摇的关系、波浪和垂荡的关系、波浪/风和横摇的关系以及浪向角/风向角变量的处理方法等,并由此得到基本的处理方法为:船舶的横摇运动的基本值选用横风工况,顶风和顺风时对运动的影响很小,横摇运动相对值随风向的变化在船的单侧影响不大,在不同的侧面影响还是大的,所以可确定采用横向风作为风向影响的基本参考风向,随风向的影响需要考虑不同的侧面来分析。
基于上述分析,如图9所示,本实施例提供一种基于动态预报补偿的船舶系泊预警方法,包括:
步骤100,获取系泊现场环境数据;所述系泊现场环境数据包括风向、风速、波向、波高、平均波周期、流向和流速。
步骤200,根据所述系泊现场环境数据,确定当前船舶数据;所述当前船舶数据包括船舶的横荡最大值、纵荡最大值、垂荡最大值、横摇最大值、纵摇最大值、艏摇最大值、最大缆力和最大撞击力。
步骤200,具体包括:将所述系泊现场环境数据输入至预设静态数据库,以查询所述系泊现场环境数据对应的当前船舶数据;所述预设静态数据库中包括多组船舶数据,每组所述船舶数据包括系泊现场环境数据和对应的当前船舶数据。
进一步地,所述预设静态数据库是根据前期大量已完成的数值模拟计算结果以及物模试验成果集中汇总建立的。在实际应用中,所述预设静态数据库每组船舶数据中的系泊现场环境数据对应的当前船舶数据还包括:艏横缆最大值、艏倒缆最大值、艉倒缆最大值、艉横缆最大值、艉缆最大值、护舷1最大值、护舷2最大值、护舷3最大值、护舷4最大值和数据库名称。
由于船舶系泊系统具有输入参数多,非线性,高耦合等特点,很难全面、准确对每个影响因素进行建模和分析。为了更快、更准确地对该系统的动态性能进行预报,采用RBF人工神经网络对其进行学习与辨识。RBF人工神经网络既可离线对已知的理论或实验数据进行学习、比对、筛选,使其逐步逼近真实模型,也可在现场环境下在线进行学习与纠正。
步骤300,将所述系泊现场环境数据输入至船舶系泊预测模型中,以确定系泊船舶第一预测数据;所述船舶系泊预测模型是采用理论样本集对RBF神经网络进行训练得到的;所述理论样本集的每个理论样本包括系泊理论环境数据以及经过模拟推算确定的系泊理论船舶数据。具体地,所述系泊理论船舶数据是根据系泊理论环境数据进行预测后得到的数据,是历史预测数据。
优选地,所述船舶系泊预测模型的训练过程,包括:
(1)构建RBF神经网络;所述RBF神经网络包括输入层、隐含层和输出层。RBF网络具有单隐层的一种两层前向网络,从输入层到隐含层的映射是非线性的,而从隐含层到输出层的映射是线性的。
(2)将每个所述理论样本中的系泊理论环境数据输入至所述输入层,将所述系泊理论环境数据对应的系泊理论船舶数据输入至所述输出层。
(3)根据所述系泊理论环境数据和所述系泊理论船舶数据,采用最小二乘法确定所述RBF神经网络的网络参数,以得到船舶系泊预测模型;所述RBF神经网络的网络参数包括所述隐含层与所述输出层之间的权值、所述隐含层中各个节点的高斯核函数的中心向量和标准化常数。具体地,所述隐含层中各个节点的高斯核函数的中心向量和标准化常数,还能够通过k-均值聚类算法进行确定。
优选地,从输入层到隐含层的映射一般采用高斯激活函数,设隐含层中神经元个数是r,则第i个隐节点输出ui的计算公式如下:
隐含层与所述输出层之间的线性映射公式为:
其中,x表示理论样本中的系泊理论环境数据,x是n维向量,具体到本实施例中,共7维(风向、风速、波向、波高、平均波周期、流向和流速)。y表示系泊船舶第一预测数据,y是m维向量,具体到本实施例中,共8维(横荡最大值、纵荡最大值、垂荡最大值、横摇最大值、纵摇最大值、艏摇最大值、最大缆力和最大撞击力);ci表示隐含层中第i节点的高斯核函数的中心向量,σi表示标准化常数,标准化常数决定了第i节点的高斯核函数的中心向量的宽度,wji为第i连接上权值,表示每一个输入对其后神经元的影响强度,θj表示阈值参数或偏置参数。
步骤400,根据系泊差值数据对所述船舶系泊预测模型进行补偿更新,以得到船舶系泊优化预测模型;所述系泊差值数据是对所述系泊船舶第一预测数据和所述当前船舶数据进行差值计算确定的。
优选地,将所述系泊差值数据实时存储至动态数据库,并统计所述系泊差值数据的更新次数。
步骤500,将所述系泊现场环境数据输入至所述船舶系泊优化预测模型,以得到系泊船舶第二预测数据。
无论是上述船舶系泊预测模型,还是船舶系泊优化预测模型,在实际过程中,均可能存在一定偏差,若是不对两个模型以及对应的数据进行区分,最终预测结果的精度难以得到保证,因此设置步骤600。
步骤600,对所述系泊船舶第一预测数据和所述系泊船舶第二预测数据进行加权计算,以确定系泊船舶最终预测数据;
步骤600,具体包括:
1)根据所述预设静态数据库中船舶数据的组数,确定理论船舶数据量。
2)根据所述动态数据库中系泊差值数据的更新次数,确定当前实测船舶数据量。
3)根据所述理论船舶数据量与所述当前实测船舶数据量的比值,分配所述系泊船舶第一预测数据的权重和所述系泊船舶第二预测数据的权重。
4)根据所述系泊船舶第一预测数据、所述系泊船舶第一预测数据的权重、所述系泊船舶第二预测数据和所述系泊船舶第二预测数据的权重,计算系泊船舶最终预测数据。
具体地,在现场测量样本不全的情况下,以理论数据库为准。即当所述当前实测船舶数据量小于设定阈值时,所述系泊船舶第一预测数据的权重设置为1,所述系泊船舶第二预测数据的权重设置为0。在试验样本逐步补充的过程中,可逐渐增加系泊船舶第二预测数据的权重。
以一个实际应用为例,第一次将系泊现场环境数据输入至船舶系泊优化预测模型时,由于当前实测船舶数据量小于设定阈值,将系泊船舶第二预测数据的权重设置为0,系泊船舶第一预测数据的权重设置为1;随着现场测试仪器的24小时不间断运行,连续采集现场数据,数据实时传输、实时显示,并实时引入动态数据库,实时计算以当前现场海洋环境数据和受力数据情况下,根据数据库差值预估对应时间点的船舶运动量和缆绳、护舷的受力情况,以及对应的当前实测船舶数据量。随着当前实测船舶数据量的增大,所述理论船舶数据量与所述当前实测船舶数据量的比值发生改变;具体地可能变为7:3,5:5,4:6;根据理论船舶数据量与所述当前实测船舶数据量的比值对应增大系泊船舶第二预测数据的权重,实现权重的倾斜,从而不会完全依赖某一种数据,也不会一直依赖某一种数据,进而提高系泊船舶最终预测数据的预测精度。
步骤700,判断所述系泊船舶最终预测数据是否处于预设系泊作业安全标准范围内,在所述系泊船舶最终预测数据未处于预设系泊作业安全标准范围内时,输出所述系泊船舶最终预测数据,并生成预警信号。进一步地,在所述系泊船舶最终预测数据处于预设系泊作业安全标准范围内时,输出所述系泊船舶最终预测数据,并生成安全提示信号。
在本次预警完成后,将所有系泊现场环境数据、每个所述系泊现场环境数据对应的系泊船舶最终预测数据均存储至预设静态数据库,以作为预设静态数据库的数值模拟计算结果,以供下次预警时的步骤200使用。
在实际应用中,尤其在提前得知天气预报、海洋预报、风浪预报等海洋环境气象条件时,可采用人为干预模式,人为地输入风向、风速、波向、波高、平均波周期、流向和流速等系泊现场环境数据,进行船舶的横荡最大值、纵荡最大值、垂荡最大值、横摇最大值、纵摇最大值、艏摇最大值、最大缆力和最大撞击力的预测。
而对于船舶安全运动量,或者说预设系泊作业安全标准范围,则根据LNG码头设计规范《液化天然气码头设计规范》(JTS165-5-2009)中要求的船舶运动量作业标准进行设定(如表1所示),对于不同用处的码头该信息将预先录入系统中,用于判断该码头的标准,超过该设定范围将提示出现危险的信息。
表1液化天然气船舶作业条件标准
此外,在本实施例中,还可以直接根据系泊现场环境数据进行以下几种情况的安全评估和警告:
1)流向为开流,横向流分量大于0.25。
2)波浪夹角大于15°,小于180°时。
3)吹开风时,风向介于0°至180°之间。
4)长周期波浪,即波浪周期大于等于8秒。
在出现上述条件时,生成并发出预警信号,以警示码头操作人员提前做出判断,以提早规避可能存在的风险。
综上,本实施例中获取了不同风浪流条件下的船舶系泊数模计算结果的静态数据库、不断更新计算与实测的差值数据的动态数据库、船舶参数和环境参数;采用RBF人工神经网络(Radial Basis Function Neural Network,径向基神经网络)对当前船舶的系泊状态进行学习与辨识,预报当前船舶的系泊状态;最后根据当前船舶的系泊状态判断当前船舶是否能满足码头的泊稳要求。本实施例结合现有数据库和现场实时观测条件,更快速、更准确地判断系泊船舶是否满足码头安全作业条件。
实施例二
如图10所示,为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,本实施例提供了一种基于动态预报补偿的船舶系泊预警系统,包括:
环境数据获取模块101,用于获取系泊现场环境数据;所述系泊现场环境数据包括风向、风速、波向、波高、平均波周期、流向和流速。
船舶数据确定模块201,用于根据所述系泊现场环境数据,确定当前船舶数据;所述当前船舶数据包括船舶的横荡最大值、纵荡最大值、垂荡最大值、横摇最大值、纵摇最大值、艏摇最大值、最大缆力和最大撞击力。
第一预测模块301,用于将所述系泊现场环境数据输入至船舶系泊预测模型中,以确定系泊船舶第一预测数据;所述船舶系泊预测模型是采用理论样本集对RBF神经网络进行训练得到的;所述理论样本集的每个理论样本包括系泊理论环境数据以及经过模拟推算确定的系泊理论船舶数据。
模型优化模块401,用于根据系泊差值数据对所述船舶系泊预测模型进行补偿更新,以得到船舶系泊优化预测模型;所述系泊差值数据是对所述系泊船舶第一预测数据和所述当前船舶数据进行差值计算确定的。
第二预测模块501,用于将所述系泊现场环境数据输入至所述船舶系泊优化预测模型,以得到系泊船舶第二预测数据。
加权计算模块601,用于对所述系泊船舶第一预测数据和所述系泊船舶第二预测数据进行加权计算,以确定系泊船舶最终预测数据。
预警输出模块701,用于判断所述系泊船舶最终预测数据是否处于预设系泊作业安全标准范围内,在所述系泊船舶最终预测数据未处于预设系泊作业安全标准范围内时,输出所述系泊船舶最终预测数据,并生成预警信号。
在一个实际应用中,基于动态预报补偿的船舶系泊预警系统还包括开始预警计算按钮。工作时,单击所述开始预警计算按钮,环境数据获取模块、船舶数据确定模块、第一预测模块、模型优化模块、第二预测模块、加权计算模块和预警输出模块开始进行数据计算。为了保证计算速度,将系泊现场环境数据保存在一个文件中,工作时直接输入该文件。
当船舶处于正常作业状态时,输出系泊船舶最终预测数据并显示安全提示信息;当某一运动量超标时,输出系泊船舶最终预测数据并提示系泊作业出现危险,并在该项目中标红。
实施例三
本实施例提供一种电子设备,所述电子设备包括存储器和处理器;所述存储器用于存储计算机程序,所述处理器用于运行所述计算机程序以执行实施例一所述的基于动态预报补偿的船舶系泊预警方法。
可选地,所述电子设备为服务器。
另外,本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序;所述计算机程序被处理器执行时实现实施例一所述的基于动态预报补偿的船舶系泊预警方法的步骤。
相对于现有技术,本发明还具有以下优点:
(1)本发明依托数值模拟计算成果建立的预设静态数据库,结合系泊现场环境数据,进行风浪流共同作用下的系泊状态综合预测,一方面要考虑不同的风浪流组合,另一方面要考虑船舶载度随着装卸量的变化(吃水)而改变的情况,同时还要考虑整个系泊系统的各类环境边界条件,且还需要快速提供运算结果达到实时预报的目的,是一个极为复杂的系统。
为了简化计算,本发明采用了减元分析的方法,建立出有效的预报并兼顾收敛性问题,同时还考虑了现实环境情况和实验室或理论计算上存在的在表达上差异或不同,开发出一种基于动态预报补偿的船舶系泊预警方法及方法,能够为港口管理部门、船方提供多层次、全过程的港口船舶安全信息服务,降低风险、保障港口航道安全意义重大。
(2)本发明不断增加的实测数据和预报结果记录,其中返回预报结果记录是为了继承老数据的影响和提高神经网路算法的收敛性,在计算数据量大时利用这一方法还可以去除一些早期数据,从而达到参与计算的数据量的瘦身和提高预报计算的快速有效的目的,最后达到不断更新提高预报精确度的目的。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于动态预报补偿的船舶系泊预警方法,其特征在于,所述船舶系泊预警方法包括:
获取系泊现场环境数据;所述系泊现场环境数据包括风向、风速、波向、波高、平均波周期、流向和流速;
根据所述系泊现场环境数据,确定当前船舶数据;所述当前船舶数据包括船舶的横荡最大值、纵荡最大值、垂荡最大值、横摇最大值、纵摇最大值、艏摇最大值、最大缆力和最大撞击力;
将所述系泊现场环境数据输入至船舶系泊预测模型中,以确定系泊船舶第一预测数据;所述船舶系泊预测模型是采用理论样本集对RBF神经网络进行训练得到的;所述理论样本集的每个理论样本包括系泊理论环境数据以及经过模拟推算确定的系泊理论船舶数据;
根据系泊差值数据对所述船舶系泊预测模型进行补偿更新,以得到船舶系泊优化预测模型;所述系泊差值数据是对所述系泊船舶第一预测数据和所述当前船舶数据进行差值计算确定的;
将所述系泊现场环境数据输入至所述船舶系泊优化预测模型,以得到系泊船舶第二预测数据;
对所述系泊船舶第一预测数据和所述系泊船舶第二预测数据进行加权计算,以确定系泊船舶最终预测数据;
判断所述系泊船舶最终预测数据是否处于预设系泊作业安全标准范围内,在所述系泊船舶最终预测数据未处于预设系泊作业安全标准范围内时,输出所述系泊船舶最终预测数据,并生成预警信号。
2.根据权利要求1所述的基于动态预报补偿的船舶系泊预警方法,其特征在于,根据所述系泊现场环境数据,确定当前船舶数据,具体包括:
将所述系泊现场环境数据输入至预设静态数据库,以查询所述系泊现场环境数据对应的当前船舶数据;所述预设静态数据库中包括多组船舶数据,每组所述船舶数据包括系泊现场环境数据和对应的当前船舶数据。
3.根据权利要求1所述的基于动态预报补偿的船舶系泊预警方法,其特征在于,所述船舶系泊预测模型的训练过程,包括:
构建RBF神经网络;所述RBF神经网络包括输入层、隐含层和输出层;
将每个所述理论样本中的系泊理论环境数据输入至所述输入层,将所述系泊理论环境数据对应的系泊理论船舶数据输入至所述输出层;
根据所述系泊理论环境数据和所述系泊理论船舶数据,采用最小二乘法确定所述RBF神经网络的网络参数,以得到船舶系泊预测模型;所述RBF神经网络的网络参数包括所述隐含层与所述输出层之间的权值、所述隐含层中各个节点的高斯核函数的中心向量和标准化常数。
4.根据权利要求2所述的基于动态预报补偿的船舶系泊预警方法,其特征在于,所述船舶系泊预警方法,还包括:
将所述系泊差值数据实时存储至动态数据库,并统计所述系泊差值数据的更新次数。
5.根据权利要求4所述的基于动态预报补偿的船舶系泊预警方法,其特征在于,对所述系泊船舶第一预测数据和所述系泊船舶第二预测数据进行加权计算,以确定系泊船舶最终预测数据,具体包括:
根据所述预设静态数据库中船舶数据的组数,确定理论船舶数据量;
根据所述动态数据库中系泊差值数据的更新次数,确定当前实测船舶数据量;
根据所述理论船舶数据量与所述当前实测船舶数据量的比值,分配所述系泊船舶第一预测数据的权重和所述系泊船舶第二预测数据的权重;
根据所述系泊船舶第一预测数据、所述系泊船舶第一预测数据的权重、所述系泊船舶第二预测数据和所述系泊船舶第二预测数据的权重,计算系泊船舶最终预测数据。
6.根据权利要求5所述的基于动态预报补偿的船舶系泊预警方法,其特征在于,所述船舶系泊预警方法,还包括:
当所述当前实测船舶数据量小于设定阈值时,所述系泊船舶第一预测数据的权重设置为1,所述系泊船舶第二预测数据的权重设置为0。
7.一种基于动态预报补偿的船舶系泊预警系统,其特征在于,所述船舶系泊预警系统包括:
环境数据获取模块,用于获取系泊现场环境数据;所述系泊现场环境数据包括风向、风速、波向、波高、平均波周期、流向和流速;
船舶数据确定模块,用于根据所述系泊现场环境数据,确定当前船舶数据;所述当前船舶数据包括船舶的横荡最大值、纵荡最大值、垂荡最大值、横摇最大值、纵摇最大值、艏摇最大值、最大缆力和最大撞击力;
第一预测模块,用于将所述系泊现场环境数据输入至船舶系泊预测模型中,以确定系泊船舶第一预测数据;所述船舶系泊预测模型是采用理论样本集对RBF神经网络进行训练得到的;所述理论样本集的每个理论样本包括系泊理论环境数据以及经过模拟推算确定的系泊理论船舶数据;
模型优化模块,用于根据系泊差值数据对所述船舶系泊预测模型进行补偿更新,以得到船舶系泊优化预测模型;所述系泊差值数据是对所述系泊船舶第一预测数据和所述当前船舶数据进行差值计算确定的;
第二预测模块,用于将所述系泊现场环境数据输入至所述船舶系泊优化预测模型,以得到系泊船舶第二预测数据;
加权计算模块,用于对所述系泊船舶第一预测数据和所述系泊船舶第二预测数据进行加权计算,以确定系泊船舶最终预测数据;
预警输出模块,用于判断所述系泊船舶最终预测数据是否处于预设系泊作业安全标准范围内,在所述系泊船舶最终预测数据未处于预设系泊作业安全标准范围内时,输出所述系泊船舶最终预测数据,并生成预警信号。
8.一种电子设备,其特征在于,所述电子设备包括存储器和处理器;
所述存储器用于存储计算机程序,所述处理器用于运行所述计算机程序以执行权利要求1-6任一项所述的基于动态预报补偿的船舶系泊预警方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序;
所述计算机程序被处理器执行时实现权利要求1-6任一项所述的基于动态预报补偿的船舶系泊预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211017100.6A CN115410419B (zh) | 2022-08-23 | 2022-08-23 | 一种船舶系泊预警方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211017100.6A CN115410419B (zh) | 2022-08-23 | 2022-08-23 | 一种船舶系泊预警方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115410419A true CN115410419A (zh) | 2022-11-29 |
CN115410419B CN115410419B (zh) | 2024-02-02 |
Family
ID=84162077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211017100.6A Active CN115410419B (zh) | 2022-08-23 | 2022-08-23 | 一种船舶系泊预警方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115410419B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115615695A (zh) * | 2022-12-21 | 2023-01-17 | 中海油能源发展股份有限公司采油服务分公司 | 一种单点系泊系统主轴承磨损程度可视化展示方法 |
Citations (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002149767A (ja) * | 2000-11-06 | 2002-05-24 | Masayoshi Kubo | 港湾における船舶の運用管理システム及びその運用管理方法 |
WO2004053814A1 (en) * | 2002-12-10 | 2004-06-24 | Defence Science & Technology Agency | Adaptive collision avoidance advisory system |
JP2005031726A (ja) * | 2003-07-07 | 2005-02-03 | Kinzo Inoue | 航行安全性評価方法、航行安全性評価システム及び航行安全性評価用プログラム |
CN101214851A (zh) * | 2008-01-10 | 2008-07-09 | 黄席樾 | 船舶行驶智能型全天候主动安全预警系统及其预警方法 |
KR20130100766A (ko) * | 2013-06-28 | 2013-09-11 | 대우조선해양 주식회사 | 선박의 무어링 시스템 모델링 및 최적 배치 방법 |
CN104021700A (zh) * | 2014-06-16 | 2014-09-03 | 交通运输部天津水运工程科学研究所 | 一种基于tetra数字集群系统的船舶安全报警装置及方法 |
CN104215379A (zh) * | 2013-05-29 | 2014-12-17 | 重庆交通大学 | 斜坡式码头趸船系泊缆绳载荷监测预警系统及方法 |
CN106022653A (zh) * | 2016-06-14 | 2016-10-12 | 广东科诺勘测工程有限公司 | 一种船舶风险预警方法及装置 |
EP3118101A1 (en) * | 2015-07-14 | 2017-01-18 | Sensor Invest B.V. | Warning device adapted for placement on a vehicle for obstacles located above the route of the vehicle |
WO2018073731A1 (en) * | 2016-10-17 | 2018-04-26 | Seastema S.P.A. | Method for automatically controlling the mooring maneuvers of a boat with respect to an object and related system |
CN108108588A (zh) * | 2014-12-30 | 2018-06-01 | 江苏理工学院 | 一种滚动规划的船舶冲突预警方法 |
CN109146179A (zh) * | 2018-08-23 | 2019-01-04 | 交通运输部天津水运工程科学研究所 | 沿海港口船舶作业条件监测预警方法 |
CN109360385A (zh) * | 2018-12-12 | 2019-02-19 | 重庆交通大学 | 对船舶靠泊安全状态的监测方法及装置 |
CN109584636A (zh) * | 2018-11-20 | 2019-04-05 | 武汉理工大学 | 用于港船机协同安全监测的靠泊辅助装置及其监控方法 |
CN109878635A (zh) * | 2019-02-28 | 2019-06-14 | 中集海洋工程研究院有限公司 | 船舶系泊控制系统 |
KR20190117070A (ko) * | 2018-04-06 | 2019-10-16 | 충북대학교 산학협력단 | 딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치 |
CN110782160A (zh) * | 2019-10-24 | 2020-02-11 | 中交水运规划设计院有限公司 | 船舶泊位分配方法、系统及装置 |
US10579955B1 (en) * | 2015-06-30 | 2020-03-03 | Auctane, LLC | Methods and systems for providing multi-carrier/multi-channel/multi-national shipping |
KR20200041183A (ko) * | 2018-10-11 | 2020-04-21 | 한국해양과학기술원 | 스마트디바이스를 이용한 대피지원시스템 |
CN210464459U (zh) * | 2019-09-26 | 2020-05-05 | 青岛军融科技有限公司 | 一种船舶运动姿态实时监测系统 |
CN111279032A (zh) * | 2016-10-27 | 2020-06-12 | 格拉夫漂浮股份公司 | 港口设备和用于将浮体系泊在港口设备中的方法 |
CN111639397A (zh) * | 2020-05-29 | 2020-09-08 | 山东交通学院 | 一种基于bp神经网络的大风作用下船舶断缆预警方法 |
CN111695198A (zh) * | 2020-06-03 | 2020-09-22 | 重庆交通大学 | 船闸浮式系船柱受力特征自动化感知及预警系统 |
CN111797570A (zh) * | 2020-06-30 | 2020-10-20 | 中国船级社上海规范研究所 | 船舶运动性能的预测模型的建立、预测方法、终端及介质 |
CN111899568A (zh) * | 2020-07-17 | 2020-11-06 | 广州忘平信息科技有限公司 | 桥梁防撞预警系统、方法、装置和存储介质 |
CN112037582A (zh) * | 2020-09-16 | 2020-12-04 | 浙江工业大学 | 一种基于风险预测的跨海桥梁船撞预警方法 |
CN112050740A (zh) * | 2020-09-03 | 2020-12-08 | 交通运输部天津水运工程科学研究所 | 系泊安全监测及预警系统 |
CN113221449A (zh) * | 2021-04-27 | 2021-08-06 | 中国科学院国家空间科学中心 | 一种基于最优策略学习的船舶航迹实时预测方法及系统 |
CN113226910A (zh) * | 2018-11-26 | 2021-08-06 | 帝人株式会社 | 系泊索监视系统、系泊管理系统、系泊索监视方法及系泊管理方法 |
CN113317782A (zh) * | 2021-04-20 | 2021-08-31 | 港湾之星健康生物(深圳)有限公司 | 多模个性化监测的方法 |
KR20220048621A (ko) * | 2020-10-13 | 2022-04-20 | 진테크이엔지(주) | Crnn 알고리즘을 적용한 발전플랜트 및 선박의 고장 예측 시스템 및 방법 |
CN114627680A (zh) * | 2022-04-11 | 2022-06-14 | 交通运输部天津水运工程科学研究所 | 一种超大型船舶通航安全预测方法及系统 |
CN114834592A (zh) * | 2022-07-04 | 2022-08-02 | 广东工业大学 | 大缆系泊装置的控制方法、装置和计算机可读存储介质 |
-
2022
- 2022-08-23 CN CN202211017100.6A patent/CN115410419B/zh active Active
Patent Citations (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002149767A (ja) * | 2000-11-06 | 2002-05-24 | Masayoshi Kubo | 港湾における船舶の運用管理システム及びその運用管理方法 |
WO2004053814A1 (en) * | 2002-12-10 | 2004-06-24 | Defence Science & Technology Agency | Adaptive collision avoidance advisory system |
JP2005031726A (ja) * | 2003-07-07 | 2005-02-03 | Kinzo Inoue | 航行安全性評価方法、航行安全性評価システム及び航行安全性評価用プログラム |
CN101214851A (zh) * | 2008-01-10 | 2008-07-09 | 黄席樾 | 船舶行驶智能型全天候主动安全预警系统及其预警方法 |
CN104215379A (zh) * | 2013-05-29 | 2014-12-17 | 重庆交通大学 | 斜坡式码头趸船系泊缆绳载荷监测预警系统及方法 |
KR20130100766A (ko) * | 2013-06-28 | 2013-09-11 | 대우조선해양 주식회사 | 선박의 무어링 시스템 모델링 및 최적 배치 방법 |
CN104021700A (zh) * | 2014-06-16 | 2014-09-03 | 交通运输部天津水运工程科学研究所 | 一种基于tetra数字集群系统的船舶安全报警装置及方法 |
CN108108588A (zh) * | 2014-12-30 | 2018-06-01 | 江苏理工学院 | 一种滚动规划的船舶冲突预警方法 |
US10579955B1 (en) * | 2015-06-30 | 2020-03-03 | Auctane, LLC | Methods and systems for providing multi-carrier/multi-channel/multi-national shipping |
EP3118101A1 (en) * | 2015-07-14 | 2017-01-18 | Sensor Invest B.V. | Warning device adapted for placement on a vehicle for obstacles located above the route of the vehicle |
CN106022653A (zh) * | 2016-06-14 | 2016-10-12 | 广东科诺勘测工程有限公司 | 一种船舶风险预警方法及装置 |
WO2018073731A1 (en) * | 2016-10-17 | 2018-04-26 | Seastema S.P.A. | Method for automatically controlling the mooring maneuvers of a boat with respect to an object and related system |
CN111279032A (zh) * | 2016-10-27 | 2020-06-12 | 格拉夫漂浮股份公司 | 港口设备和用于将浮体系泊在港口设备中的方法 |
KR20190117070A (ko) * | 2018-04-06 | 2019-10-16 | 충북대학교 산학협력단 | 딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치 |
CN109146179A (zh) * | 2018-08-23 | 2019-01-04 | 交通运输部天津水运工程科学研究所 | 沿海港口船舶作业条件监测预警方法 |
KR20200041183A (ko) * | 2018-10-11 | 2020-04-21 | 한국해양과학기술원 | 스마트디바이스를 이용한 대피지원시스템 |
CN109584636A (zh) * | 2018-11-20 | 2019-04-05 | 武汉理工大学 | 用于港船机协同安全监测的靠泊辅助装置及其监控方法 |
CN113226910A (zh) * | 2018-11-26 | 2021-08-06 | 帝人株式会社 | 系泊索监视系统、系泊管理系统、系泊索监视方法及系泊管理方法 |
CN109360385A (zh) * | 2018-12-12 | 2019-02-19 | 重庆交通大学 | 对船舶靠泊安全状态的监测方法及装置 |
CN109878635A (zh) * | 2019-02-28 | 2019-06-14 | 中集海洋工程研究院有限公司 | 船舶系泊控制系统 |
CN210464459U (zh) * | 2019-09-26 | 2020-05-05 | 青岛军融科技有限公司 | 一种船舶运动姿态实时监测系统 |
CN110782160A (zh) * | 2019-10-24 | 2020-02-11 | 中交水运规划设计院有限公司 | 船舶泊位分配方法、系统及装置 |
CN111639397A (zh) * | 2020-05-29 | 2020-09-08 | 山东交通学院 | 一种基于bp神经网络的大风作用下船舶断缆预警方法 |
CN111695198A (zh) * | 2020-06-03 | 2020-09-22 | 重庆交通大学 | 船闸浮式系船柱受力特征自动化感知及预警系统 |
CN111797570A (zh) * | 2020-06-30 | 2020-10-20 | 中国船级社上海规范研究所 | 船舶运动性能的预测模型的建立、预测方法、终端及介质 |
CN111899568A (zh) * | 2020-07-17 | 2020-11-06 | 广州忘平信息科技有限公司 | 桥梁防撞预警系统、方法、装置和存储介质 |
CN112050740A (zh) * | 2020-09-03 | 2020-12-08 | 交通运输部天津水运工程科学研究所 | 系泊安全监测及预警系统 |
CN112037582A (zh) * | 2020-09-16 | 2020-12-04 | 浙江工业大学 | 一种基于风险预测的跨海桥梁船撞预警方法 |
KR20220048621A (ko) * | 2020-10-13 | 2022-04-20 | 진테크이엔지(주) | Crnn 알고리즘을 적용한 발전플랜트 및 선박의 고장 예측 시스템 및 방법 |
CN113317782A (zh) * | 2021-04-20 | 2021-08-31 | 港湾之星健康生物(深圳)有限公司 | 多模个性化监测的方法 |
CN113221449A (zh) * | 2021-04-27 | 2021-08-06 | 中国科学院国家空间科学中心 | 一种基于最优策略学习的船舶航迹实时预测方法及系统 |
CN114627680A (zh) * | 2022-04-11 | 2022-06-14 | 交通运输部天津水运工程科学研究所 | 一种超大型船舶通航安全预测方法及系统 |
CN114834592A (zh) * | 2022-07-04 | 2022-08-02 | 广东工业大学 | 大缆系泊装置的控制方法、装置和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
高峰 等: "港口船舶智能化系泊技术的研究现状与发展", 《中国水运》, vol. 19, no. 5, pages 86 - 87 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115615695A (zh) * | 2022-12-21 | 2023-01-17 | 中海油能源发展股份有限公司采油服务分公司 | 一种单点系泊系统主轴承磨损程度可视化展示方法 |
CN115615695B (zh) * | 2022-12-21 | 2023-03-07 | 中海油能源发展股份有限公司采油服务分公司 | 一种单点系泊系统主轴承磨损程度可视化展示方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115410419B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Petersen et al. | A machine-learning approach to predict main energy consumption under realistic operational conditions | |
EP3330171B1 (en) | Apparatus for predicting a power consumption of a maritime vessel | |
Wang et al. | A new approach to predict dynamic mooring tension using LSTM neural network based on responses of floating structure | |
CN113156815B (zh) | 一种数据驱动的海上船舶运动姿态实时预报方法 | |
Acanfora et al. | Towards a method for detecting large roll motions suitable for oceangoing ships | |
CN111815120A (zh) | 水上交通风险评估方法、装置、计算机设备和存储介质 | |
CN105836066A (zh) | 开敞式码头系泊船姿态预测方法及系统 | |
CN113128826B (zh) | 通航风险预测方法、装置和存储介质 | |
De Masi et al. | Ship motion prediction by radial basis neural networks | |
CN115410419B (zh) | 一种船舶系泊预警方法、系统、电子设备及存储介质 | |
CN110320805A (zh) | 一种船舶自动靠泊非线性神经网络控制方法及系统 | |
Perera et al. | Marine engine-centered data analytics for ship performance monitoring | |
Kawan et al. | Data-driven modeling of ship motion prediction based on support vector regression | |
CN113112059A (zh) | 船舶靠泊时间预测方法及系统 | |
Yuan et al. | Fitting analysis of inland ship fuel consumption considering navigation status and environmental factors | |
CN107122897B (zh) | 基于深度学习算法的无人船适航性评估方法 | |
CN111639397B (zh) | 一种基于bp神经网络的大风作用下船舶断缆预警方法 | |
Huixuan et al. | Ship rolling motion prediction based on extreme learning machine | |
CN116127846A (zh) | 一种减摇技术的智能评估方法及系统 | |
Hu et al. | Prediction of Chinese-lantern submarine hose tension variation in extreme sea states based on data-driven methods | |
Mikulić et al. | A review of artificial intelligence applications in ship structures | |
Balli et al. | Fatigue life improvement of weathervaning ship-shaped offshore units by a smart heading control system | |
Krata et al. | The Development of a Combined Method to Quickly Assess Ship Speed and Fuel Consumption at Different Powertrain Load and Sea Conditions | |
Wang et al. | A Novel Ship Fatigue Damage's Prediction Model Based on the Artificial Neural Network Approach | |
DeKeyser et al. | Towards Improved Prediction of Ship Performance: A Comparative Analysis on In-service Ship Monitoring Data for Modeling the Speed-Power Relation |
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 |