CN116395105B - 一种无人船的自动升降补偿方法及系统 - Google Patents
一种无人船的自动升降补偿方法及系统 Download PDFInfo
- Publication number
- CN116395105B CN116395105B CN202310660958.2A CN202310660958A CN116395105B CN 116395105 B CN116395105 B CN 116395105B CN 202310660958 A CN202310660958 A CN 202310660958A CN 116395105 B CN116395105 B CN 116395105B
- Authority
- CN
- China
- Prior art keywords
- lifting
- motion
- layer
- data
- impact
- 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 61
- 238000012544 monitoring process Methods 0.000 claims abstract description 194
- 239000011159 matrix material Substances 0.000 claims abstract description 67
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 107
- 230000000694 effects Effects 0.000 claims description 104
- 238000013527 convolutional neural network Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 230000002706 hydrostatic effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
- B63B79/40—Monitoring properties or operating parameters of vessels in operation for controlling the operation of vessels, e.g. monitoring their speed, routing or maintenance schedules
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B35/00—Vessels or similar floating structures specially adapted for specific purposes and not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
- B63B79/10—Monitoring properties or operating parameters of vessels in operation using sensors, e.g. pressure sensors, strain gauges or accelerometers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
- B63B79/20—Monitoring properties or operating parameters of vessels in operation using models or simulation, e.g. statistical models or stochastic models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B35/00—Vessels or similar floating structures specially adapted for specific purposes and not otherwise provided for
- B63B2035/006—Unmanned surface vessels, e.g. remotely controlled
- B63B2035/007—Unmanned surface vessels, e.g. remotely controlled autonomously operating
Abstract
本发明公开了一种无人船的自动升降补偿方法及系统，应用于数据处理技术领域，该方法包括：通过构建多维监测分析矩阵，基于传感器监测模块对目标无人船的多个位置进行实时监测，获得多维监测数据。基于升降影响分析模型对多维监测数据进行分析，获得升降影响分析结果和升降影响风险指数。判断升降影响风险指数是否满足升降影响风险约束条件。当升降影响风险指数满足升降影响风险约束条件时，基于升降影响分析结果和升降影响风险指数，获得升降补偿预警指令，执行目标无人船的升降补偿控制。解决了现有技术中无人船升降过程由于环境因素，航行因素的影响，导致无人船在升降航行过程中故障率、损毁率较高的技术问题。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种无人船的自动升降补偿方法及系统。
背景技术
无人船是一种无需遥控，借助自身定位系统以及自身传感器在水面或水下完成预定任务的机器人。然而，在现有技术中无人船升降过程中由于各类环境因素如海风、海浪和障碍物，以及航行因素等各种因素的影响，导致无人船在升降航行过程中的航行风险增加，进而造成无人船故障率偏高，损毁率增加的问题。
因此，在现有技术中无人船升降过程由于环境因素，航行因素的影响，导致无人船在升降航行过程中故障率、损毁率较高的技术问题。
发明内容
本申请通过提供一种无人船的自动升降补偿方法及系统，解决了在现有技术中无人船升降过程由于环境因素，航行因素的影响，导致无人船在升降航行过程中故障率、损毁率较高的技术问题。
本申请提供一种无人船的自动升降补偿方法，所述方法应用于一种无人船的自动升降补偿系统，所述系统包括传感器监测模块、自动升降补偿平台，所述方法包括：构建多维监测分析矩阵，其中，所述多维监测分析矩阵包括运动状态监测矩阵、受力状态监测矩阵和运动环境监测矩阵；基于所述多维监测分析矩阵和所述传感器监测模块对目标无人船的多个位置进行实时监测，获得所述目标无人船的多维监测数据，其中，所述多维监测数据包括运动状态监测数据、受力状态监测数据和运动环境监测数据；基于卷积神经网络，构建满足召回约束算子的升降影响分析模型，其中，所述升降影响分析模型包括输入层、运动-升降影响分析层、受力-升降影响分析层、环境-升降影响分析层和输出层；基于所述升降影响分析模型对所述多维监测数据进行分析，获得升降影响分析结果和升降影响风险指数；获得升降影响风险约束条件，并判断所述升降影响风险指数是否满足所述升降影响风险约束条件；当所述升降影响风险指数满足所述升降影响风险约束条件时，基于所述升降影响分析结果和所述升降影响风险指数，获得升降补偿预警指令；将所述升降补偿预警指令发送至所述自动升降补偿平台，基于所述自动升降补偿平台内的升降补偿运维知识库对所述升降补偿预警指令匹配升降补偿数据，并基于所述升降补偿数据和所述自动升降补偿平台执行所述目标无人船的升降补偿控制。
本申请还提供了一种无人船的自动升降补偿系统，所述系统包括传感器监测模块、自动升降补偿平台，所述系统包括：监测矩阵获取模块，用于构建多维监测分析矩阵，其中，所述多维监测分析矩阵包括运动状态监测矩阵、受力状态监测矩阵和运动环境监测矩阵；监测数据获取模块，用于基于所述多维监测分析矩阵和所述传感器监测模块对目标无人船的多个位置进行实时监测，获得所述目标无人船的多维监测数据，其中，所述多维监测数据包括运动状态监测数据、受力状态监测数据和运动环境监测数据；升降影响分析模型构建模块，用于基于卷积神经网络，构建满足召回约束算子的升降影响分析模型，其中，所述升降影响分析模型包括输入层、运动-升降影响分析层、受力-升降影响分析层、环境-升降影响分析层和输出层；分析结果获取模块，用于基于所述升降影响分析模型对所述多维监测数据进行分析，获得升降影响分析结果和升降影响风险指数；约束条件获取模块，用于获得升降影响风险约束条件，并判断所述升降影响风险指数是否满足所述升降影响风险约束条件；预警指令获取模块，用于当所述升降影响风险指数满足所述升降影响风险约束条件时，基于所述升降影响分析结果和所述升降影响风险指数，获得升降补偿预警指令；补偿控制模块，用于将所述升降补偿预警指令发送至所述自动升降补偿平台，基于所述自动升降补偿平台内的升降补偿运维知识库对所述升降补偿预警指令匹配升降补偿数据，并基于所述升降补偿数据和所述自动升降补偿平台执行所述目标无人船的升降补偿控制。
本申请还提供了一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的一种无人船的自动升降补偿方法。
本申请实施例提供一种计算机可读存储介质，存储有计算机程序，该程序被处理器执行时，实现本申请实施例提供的一种无人船的自动升降补偿方法。
拟通过本申请提出的一种无人船的自动升降补偿方法及系统，通过传感器监测模块对无人船在升降航行过程中的参数进行监测，并利用升降影响分析模型获取具体的升降影响分析结果，从而实现对目标无人船的升降过程进行补偿控制。实现了对无人船升降航行过程中的参数预警以及参数修正，进一步降低了无人船升降航行的风险，降低了升降航行过程中故障率以及损毁率。解决了现有技术中无人船升降过程由于环境因素，航行因素的影响，导致无人船在升降航行过程中故障率、损毁率较高的技术问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。
图1为本申请实施例提供的一种无人船的自动升降补偿方法的流程示意图；
图2为本申请实施例提供的一种无人船的自动升降补偿方法生成多维监测分析矩阵的流程示意图；
图3为本申请实施例提供的一种无人船的自动升降补偿方法获得升降影响分析模型的流程示意图；
图4为本申请实施例提供的一种无人船的自动升降补偿方法的系统的结构示意图；
图5为本发明实施例提供的一种无人船的自动升降补偿方法的系统电子设备的结构示意图。
附图标记说明：监测矩阵获取模块11，监测数据获取模块12，升降影响分析模型构建模块13，分析结果获取模块14，约束条件获取模块15，预警指令获取模块16，补偿控制模块17，处理器31，存储器32，输入装置33，输出装置34。
具体实施方式
实施例1
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上，所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
如图1所示，本申请实施例提供了一种无人船的自动升降补偿方法，所述方法应用于一种无人船的自动升降补偿系统，所述系统包括传感器监测模块、自动升降补偿平台，所述方法包括：
S10：构建多维监测分析矩阵，其中，所述多维监测分析矩阵包括运动状态监测矩阵、受力状态监测矩阵和运动环境监测矩阵；
S20：基于所述多维监测分析矩阵和所述传感器监测模块对目标无人船的多个位置进行实时监测，获得所述目标无人船的多维监测数据，其中，所述多维监测数据包括运动状态监测数据、受力状态监测数据和运动环境监测数据；
S30：基于卷积神经网络，构建满足召回约束算子的升降影响分析模型，其中，所述升降影响分析模型包括输入层、运动-升降影响分析层、受力-升降影响分析层、环境-升降影响分析层和输出层；
具体的，构建多维监测分析矩阵，其中，所述多维监测分析矩阵包括运动状态监测矩阵、受力状态监测矩阵和运动环境监测矩阵。随后，基于多维监测分析矩阵和所述传感器监测模块对目标无人船的多个位置进行实时监测，监测无人船运动状态监测指标、受力状态监测指标和运动环境监测指标。获得所述目标无人船的多维监测数据，其中，所述多维监测数据包括运动状态监测数据、受力状态监测数据和运动环境监测数据。进一步，基于卷积神经网络，构建满足召回约束算子的升降影响分析模型，其中，所述升降影响分析模型包括输入层、运动-升降影响分析层、受力-升降影响分析层、环境-升降影响分析层和输出层。其中，受力-升降影响分析层、环境-升降影响分析层的构建方式与运动-升降影响分析层的构建方式一致，仅存在训练数据的区别，受力-升降影响分析层的训练数据通过受力状态监测矩阵为索引算子，以所述受力状态监测矩阵对应的无人船升降影响数据为检索目标，基于所述索引算子和所述检索目标进行大数据检索，获得受力升降影响分析层的训练数据。运动环境-升降影响分析层的训练数据通过运动环境状态监测矩阵为索引算子，以所述运动环境状态监测矩阵对应的无人船升降影响数据为检索目标，基于所述索引算子和所述检索目标进行大数据检索，获得运动环境升降影响分析层的训练数据。
如图2所示，本申请实施例提供的方法S10还包括：
S11：获得预设运动状态监测指标集合，其中，所述预设运动状态监测指标集合包括行驶速度指标、行驶经纬度指标、行驶加速度指标和行驶方向角指标；
S12：获得预设受力状态监测指标集合，其中，所述预设受力状态监测指标集合包括重力指标、波浪力指标、水动作用力指标和静水回复力指标；
S13：获得预设运动环境监测指标集合，其中，所述预设运动环境监测指标集合包括洋流指标、海风指标、海浪指标和障碍物指标；
S14：遍历所述预设运动状态监测指标集合、所述预设受力状态监测指标集合和所述预设运动环境监测指标集合进行标准化处理，生成所述多维监测分析矩阵。
具体的，获得预设运动状态监测指标集合，其中，所述预设运动状态监测指标集合包括行驶速度指标、行驶经纬度指标、行驶加速度指标和行驶方向角指标。其中行驶速度为无人船的行驶速度，行驶经纬度指标为无人船的当前所在经纬度，行驶加速度为当前行驶的合加速度以及加速度方向。随后，获取预设受力状态监测指标集合，其中，所述预设受力状态监测指标集合包括重力指标、波浪力指标、水动作用力指标和静水回复力指标，其中重力指标为无人船产生的重力、静水回复力指标即为水在无人船升降时产生的浮力。获得预设运动环境监测指标集合，其中，所述预设运动环境监测指标集合包括洋流指标、海风指标、海浪指标和障碍物指标。其中障碍物指标为其他航海物的相对距离以及速度。最后，遍历所述预设运动状态监测指标集合、所述预设受力状态监测指标集合和所述预设运动环境监测指标集合进行标准化处理，生成所述多维监测分析矩阵。
如图3所示，本申请实施例提供的方法S30还包括：
S31：基于卷积神经网络，获得所述升降影响分析模型的拓扑网络结构，其中，所述拓扑网络结构包括输入层、多个隐含层和输出层；
S32：基于卷积神经网络，生成满足召回约束算子的运动-升降影响分析层；
S33：基于卷积神经网络，生成满足召回约束算子的受力-升降影响分析层；
S34：基于卷积神经网络，生成满足召回约束算子的环境-升降影响分析层；
S35：将所述运动-升降影响分析层、所述受力-升降影响分析层和所述环境-升降影响分析层标识为所述多个隐含层；
S36：将所述输入层、所述多个隐含层和所述输出层进行连接，生成所述升降影响分析模型。
具体的，基于卷积神经网络，获得所述升降影响分析模型的拓扑网络结构，其中，所述拓扑网络结构包括输入层、多个隐含层和输出层，其中输入层用于获取输入升降，多个隐含层用于对输入数据进行处理，获取具体的输出数据，输出层则对获取的输出数据进行输出。基于运动-升降训练数据对卷积神经网络进行训练，生成满足召回约束算子的运动-升降影响分析层。基于受力-升降训练数据对卷积神经网络进行训练，生成满足召回约束算子的受力-升降影响分析层。基于环境-升降训练数据对卷积神经网络进行训练，生成满足召回约束算子的环境-升降影响分析层。将所述运动-升降影响分析层、所述受力-升降影响分析层和所述环境-升降影响分析层标识为所述多个隐含层。将所述输入层、所述多个隐含层和所述输出层进行连接，生成所述升降影响分析模型。
本申请实施例提供的方法S32还包括：
S321：以所述运动状态监测矩阵为索引算子，以所述运动状态监测矩阵对应的无人船升降影响数据为检索目标；
S322：基于所述索引算子和所述检索目标进行大数据检索，获得多个检索数据序列；
S323：基于所述多个检索数据序列进行预设比例的数据划分，获得训练序列数据和测试序列数据；
S324：基于卷积神经网络，对所述训练序列数据进行有监督训练，获得运动-升降影响网络层；
S325：基于所述测试序列数据对所述运动-升降影响网络层进行测试，获得测试召回约束算子；
S326：判断所述测试召回约束算子是否满足所述召回约束算子；
S327：当所述测试召回约束算子满足所述召回约束算子时，根据所述运动-升降影响网络层，生成所述运动-升降影响分析层。
具体的，以所述运动状态监测矩阵为索引算子，以所述运动状态监测矩阵对应的无人船升降影响数据为检索目标，基于所述索引算子和所述检索目标进行大数据检索，获得多个检索数据序列。通过索引算子对无人船升降影响数据进行检索，其中无人船升降影响数据包括，无人船升降影响指标，以及对应的升降指标影响大小系数，从而获取多个检索数据序列。基于所述索引算子和所述检索目标进行大数据检索，获得不同索引算子数据的多个检索数据序列。进一步，对获取的多个检索数据序列进行预设比例的数据划分，获得训练序列数据和测试序列数据，将多个检索数据序列按照预设的比例划分为训练序列数据和测试序列数据。基于卷积神经网络，利用所述训练序列数据对卷积神经网络进行有监督训练，获得运动-升降影响网络层。将训练完成的运动-升降影响网络层通过测试序列数据对所述运动-升降影响网络层进行模型输出测试。随后，获得测试召回约束算子，其中，召回约束算子为预设的约束阈值，判断所述测试召回约束算子是否满足所述召回约束算子，即，判断模型输出的准确度是否满足阈值。当所述测试召回约束算子满足所述召回约束算子时，根据所述运动-升降影响网络层，生成所述运动-升降影响分析层。
本申请实施例提供的方法S325还包括：
S3251：将所述测试序列数据输入所述运动-升降影响网络层，获得测试输出结果序列；
S3252：基于所述测试序列数据对所述测试输出结果序列进行分类，获得测试输出准确样本序列和测试输出精确样本序列；
S3253：基于所述测试输出准确样本序列和所述测试输出结果序列进行特征计算，获得测试准确算子；
S3254：基于所述测试输出精确样本序列和所述测试输出准确样本序列进行特征计算，获得测试精确算子；
S3255：基于所述测试准确算子和所述测试精确算子进行调和均衡计算，获得所述测试召回约束算子。
具体的，将所述测试序列数据输入所述运动-升降影响网络层，获得测试输出结果序列，其中测试输出结果序列为测试数据通过网络层处理后获取的结果输出序列。进一步，基于测试序列数据对所述测试输出结果序列进行分类，获得测试输出准确样本序列和测试输出精确样本序列。其中，准确样本序列为输出正确结果的模型样本结果输出序列。测试输出精确样本序列为与测试序列数据中的结果完全一致的模型样本结果输出序列。基于所述测试输出准确样本序列和所述测试输出结果序列进行特征计算，获取测试输出准确样本序列在测试输出结果序列中的占比，获得测试准确算子。基于测试输出精确样本序列和所述测试输出准确样本序列进行特征计算，获取测试输出精确样本序列在测试输出准确样本序列中的占比，获得测试精确算子。最后，基于所述测试准确算子和所述测试精确算子进行调和均衡计算，其中调和均衡计算通过对测试准确算子和测试精确算子进行倒数获取，将获取的倒数进行均值计算，随后获取均值计算的倒数，进而获得所述测试召回约束算子。
本申请实施例提供的方法S326还包括：
S3261：当所述测试召回约束算子不满足所述召回约束算子时，基于所述测试序列数据，获得损失数据序列；
S3262：基于所述损失数据序列对所述运动-升降影响网络层进行增量学习，得到所述运动-升降影响分析层。
具体的，当所述测试召回约束算子不满足所述召回约束算子时，此时，模型的输出准确度较低，则基于所述测试序列数据，获得损失数据序列。进一步，基于所述损失数据序列对所述运动-升降影响网络层进行增量学习，得到所述运动-升降影响分析层，从而保证分析层输出结果的准确度。
S40：基于所述升降影响分析模型对所述多维监测数据进行分析，获得升降影响分析结果和升降影响风险指数；
S50：获得升降影响风险约束条件，并判断所述升降影响风险指数是否满足所述升降影响风险约束条件；
S60：当所述升降影响风险指数满足所述升降影响风险约束条件时，基于所述升降影响分析结果和所述升降影响风险指数，获得升降补偿预警指令；
S70：将所述升降补偿预警指令发送至所述自动升降补偿平台，基于所述自动升降补偿平台内的升降补偿运维知识库对所述升降补偿预警指令匹配升降补偿数据，并基于所述升降补偿数据和所述自动升降补偿平台执行所述目标无人船的升降补偿控制。
具体的，基于升降影响分析模型对所述多维监测数据进行分析，获得升降影响分析结果和升降影响风险指数，其中获得升降影响分析结果为具体的影响升降数据类别，升降影响风险指数为对应影响升降数据类别的风险指数。
随后，获得升降影响风险约束条件，并判断所述升降影响风险指数是否满足所述升降影响风险约束条件，其中升降影响风险约束条件为预设的各类影响升降的具体约束参数的约束值，当所述升降影响风险指数满足升降影响风险约束条件时，则对应升降数据的可能存在风险。基于所述升降影响分析结果和所述升降影响风险指数，获得升降补偿预警指令。在升降补偿预警指令中包含满足升降影响风险约束条件的升降影响分析结果以及对应的升降影响风险指数。从而便于后续根据升降补偿预警指令获取具体的补偿控制手段。最后，将获取的升降补偿预警指令发送至所述自动升降补偿平台，基于所述自动升降补偿平台内的升降补偿运维知识库对所述升降补偿预警指令匹配升降补偿数据，其中升降补偿运维知识库中记录对应升降补偿预警指令的具体升降补偿数据，并且该升降补偿运维知识库通过历史升降补偿处理记录进行获取。最后，基于所述升降补偿数据和所述自动升降补偿平台执行所述目标无人船的升降补偿控制。实现了对无人船升降航行过程中的参数预警以及参数修正，进一步降低了无人船升降航行的风险，降低了升降航行过程中故障率以及损毁率。
本申请实施例提供的方法S40还包括：
S41：将所述运动状态监测数据输入所述运动-升降影响分析层，获得运动-升降影响分析结果，其中，所述运动-升降影响分析结果包括运动状态升降影响识别结果和运动状态升降影响系数；
S42：将所述受力状态监测数据输入所述受力-升降影响分析层，获得受力-升降影响分析结果，其中，所述受力-升降影响分析结果包括受力状态升降影响识别结果和受力状态升降影响系数；
S43：将所述运动环境监测数据输入所述环境-升降影响分析层，得到环境-升降影响分析结果，其中，所述环境-升降影响分析结果包括环境升降影响识别结果和环境升降影响系数；
S44：基于所述运动-升降影响分析结果、所述受力-升降影响分析结果和所述环境-升降影响分析结果，获得所述升降影响分析结果；
S45：基于所述运动状态升降影响系数、所述受力状态升降影响系数和所述环境升降影响系数进行加权融合，获得所述升降影响风险指数。
具体的，将运动状态监测数据输入所述运动-升降影响分析层，获得运动-升降影响分析结果，其中，所述运动-升降影响分析结果包括运动状态升降影响识别结果和运动状态升降影响系数。将所述受力状态监测数据输入所述受力-升降影响分析层，获得受力-升降影响分析结果，其中，所述受力-升降影响分析结果包括受力状态升降影响识别结果和受力状态升降影响系数。将所述运动环境监测数据输入所述环境-升降影响分析层，得到环境-升降影响分析结果，其中，所述环境-升降影响分析结果包括环境升降影响识别结果和环境升降影响系数。基于所述运动-升降影响分析结果、所述受力-升降影响分析结果和所述环境-升降影响分析结果，获得所述升降影响分析结果。基于所述运动状态升降影响系数、所述受力状态升降影响系数和所述环境升降影响系数进行加权融合，获得所述升降影响风险指数。
本发明实施例所提供的技术方案，通过构建多维监测分析矩阵，基于所述传感器监测模块对目标无人船的多个位置进行实时监测，获得所述目标无人船的多维监测数据。构建满足召回约束算子的升降影响分析模型。基于所述升降影响分析模型对所述多维监测数据进行分析，获得升降影响分析结果和升降影响风险指数。获得升降影响风险约束条件，并判断所述升降影响风险指数是否满足所述升降影响风险约束条件。当所述升降影响风险指数满足所述升降影响风险约束条件时，基于所述升降影响分析结果和所述升降影响风险指数，获得升降补偿预警指令。将所述升降补偿预警指令发送至所述自动升降补偿平台，基于所述自动升降补偿平台内的升降补偿运维知识库对所述升降补偿预警指令匹配升降补偿数据，并基于所述升降补偿数据和所述自动升降补偿平台执行所述目标无人船的升降补偿控制。实现了对无人船升降航行过程中的参数预警以及参数修正，进一步降低了无人船升降航行的风险，降低了升降航行过程中故障率以及损毁率。解决了现有技术中无人船升降过程由于环境因素，航行因素的影响，导致无人船在升降航行过程中故障率、损毁率较高的技术问题。
实施例2
基于与前述实施例中一种无人船的自动升降补偿方法同样发明构思，本发明还提供了一种无人船的自动升降补偿方法的系统，系统可以由硬件和/或软件的方式来实现，一般可集成于电子设备中，用于执行本发明任意实施例所提供的方法。如图4所示，所述系统包括：
监测矩阵获取模块11，用于构建多维监测分析矩阵，其中，所述多维监测分析矩阵包括运动状态监测矩阵、受力状态监测矩阵和运动环境监测矩阵；
监测数据获取模块12，用于基于所述多维监测分析矩阵和传感器监测模块对目标无人船的多个位置进行实时监测，获得所述目标无人船的多维监测数据，其中，所述多维监测数据包括运动状态监测数据、受力状态监测数据和运动环境监测数据；
升降影响分析模型构建模块13，用于基于卷积神经网络，构建满足召回约束算子的升降影响分析模型，其中，所述升降影响分析模型包括输入层、运动-升降影响分析层、受力-升降影响分析层、环境-升降影响分析层和输出层；
分析结果获取模块14，用于基于所述升降影响分析模型对所述多维监测数据进行分析，获得升降影响分析结果和升降影响风险指数；
约束条件获取模块15，用于获得升降影响风险约束条件，并判断所述升降影响风险指数是否满足所述升降影响风险约束条件；
预警指令获取模块16，用于当所述升降影响风险指数满足所述升降影响风险约束条件时，基于所述升降影响分析结果和所述升降影响风险指数，获得升降补偿预警指令；
补偿控制模块17，用于将所述升降补偿预警指令发送至自动升降补偿平台，基于所述自动升降补偿平台内的升降补偿运维知识库对所述升降补偿预警指令匹配升降补偿数据，并基于所述升降补偿数据和所述自动升降补偿平台执行所述目标无人船的升降补偿控制。
进一步地，所述监测矩阵获取模块11还用于：
获得预设运动状态监测指标集合，其中，所述预设运动状态监测指标集合包括行驶速度指标、行驶经纬度指标、行驶加速度指标和行驶方向角指标；
获得预设受力状态监测指标集合，其中，所述预设受力状态监测指标集合包括重力指标、波浪力指标、水动作用力指标和静水回复力指标；
获得预设运动环境监测指标集合，其中，所述预设运动环境监测指标集合包括洋流指标、海风指标、海浪指标和障碍物指标；
遍历所述预设运动状态监测指标集合、所述预设受力状态监测指标集合和所述预设运动环境监测指标集合进行标准化处理，生成所述多维监测分析矩阵。
进一步地，所述升降影响分析模型构建模块13还用于：
基于卷积神经网络，获得所述升降影响分析模型的拓扑网络结构，其中，所述拓扑网络结构包括输入层、多个隐含层和输出层；
基于卷积神经网络，生成满足召回约束算子的运动-升降影响分析层；
基于卷积神经网络，生成满足召回约束算子的受力-升降影响分析层；
基于卷积神经网络，生成满足召回约束算子的环境-升降影响分析层；
将所述运动-升降影响分析层、所述受力-升降影响分析层和所述环境-升降影响分析层标识为所述多个隐含层；
将所述输入层、所述多个隐含层和所述输出层进行连接，生成所述升降影响分析模型。
进一步地，所述升降影响分析模型构建模块13还用于：
以所述运动状态监测矩阵为索引算子，以所述运动状态监测矩阵对应的无人船升降影响数据为检索目标；
基于所述索引算子和所述检索目标进行大数据检索，获得多个检索数据序列；
基于所述多个检索数据序列进行预设比例的数据划分，获得训练序列数据和测试序列数据；
基于卷积神经网络，对所述训练序列数据进行有监督训练，获得运动-升降影响网络层；
基于所述测试序列数据对所述运动-升降影响网络层进行测试，获得测试召回约束算子；
判断所述测试召回约束算子是否满足所述召回约束算子；
当所述测试召回约束算子满足所述召回约束算子时，根据所述运动-升降影响网络层，生成所述运动-升降影响分析层。
进一步地，所述升降影响分析模型构建模块13还用于：
将所述测试序列数据输入所述运动-升降影响网络层，获得测试输出结果序列；
基于所述测试序列数据对所述测试输出结果序列进行分类，获得测试输出准确样本序列和测试输出精确样本序列；
基于所述测试输出准确样本序列和所述测试输出结果序列进行特征计算，获得测试准确算子；
基于所述测试输出精确样本序列和所述测试输出准确样本序列进行特征计算，获得测试精确算子；
基于所述测试准确算子和所述测试精确算子进行调和均衡计算，获得所述测试召回约束算子。
进一步地，所述升降影响分析模型构建模块13还用于：
当所述测试召回约束算子不满足所述召回约束算子时，基于所述测试序列数据，获得损失数据序列；
基于所述损失数据序列对所述运动-升降影响网络层进行增量学习，得到所述运动-升降影响分析层。
进一步地，所述分析结果获取模块14还用于：
将所述运动状态监测数据输入所述运动-升降影响分析层，获得运动-升降影响分析结果，其中，所述运动-升降影响分析结果包括运动状态升降影响识别结果和运动状态升降影响系数；
将所述受力状态监测数据输入所述受力-升降影响分析层，获得受力-升降影响分析结果，其中，所述受力-升降影响分析结果包括受力状态升降影响识别结果和受力状态升降影响系数；
将所述运动环境监测数据输入所述环境-升降影响分析层，得到环境-升降影响分析结果，其中，所述环境-升降影响分析结果包括环境升降影响识别结果和环境升降影响系数；
基于所述运动-升降影响分析结果、所述受力-升降影响分析结果和所述环境-升降影响分析结果，获得所述升降影响分析结果；
基于所述运动状态升降影响系数、所述受力状态升降影响系数和所述环境升降影响系数进行加权融合，获得所述升降影响风险指数。
所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例3
图5为本发明实施例三提供的电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图5所示，该电子设备包括处理器31、存储器32、输入装置33及输出装置34；电子设备中处理器31的数量可以是一个或多个，图5中以一个处理器31为例，电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种无人船的自动升降补偿方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述一种无人船的自动升降补偿方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种无人船的自动升降补偿方法，其特征在于，所述方法应用于一种无人船的自动升降补偿系统，所述系统包括传感器监测模块、自动升降补偿平台，所述方法包括：
构建多维监测分析矩阵，其中，所述多维监测分析矩阵包括运动状态监测矩阵、受力状态监测矩阵和运动环境监测矩阵；
基于所述多维监测分析矩阵和所述传感器监测模块对目标无人船的多个位置进行实时监测，获得所述目标无人船的多维监测数据，其中，所述多维监测数据包括运动状态监测数据、受力状态监测数据和运动环境监测数据；
基于卷积神经网络，构建满足召回约束算子的升降影响分析模型，其中，所述升降影响分析模型包括输入层、运动-升降影响分析层、受力-升降影响分析层、环境-升降影响分析层和输出层；
基于所述升降影响分析模型对所述多维监测数据进行分析，获得升降影响分析结果和升降影响风险指数；
获得升降影响风险约束条件，并判断所述升降影响风险指数是否满足所述升降影响风险约束条件；
当所述升降影响风险指数满足所述升降影响风险约束条件时，基于所述升降影响分析结果和所述升降影响风险指数，获得升降补偿预警指令；
将所述升降补偿预警指令发送至所述自动升降补偿平台，基于所述自动升降补偿平台内的升降补偿运维知识库对所述升降补偿预警指令匹配升降补偿数据，并基于所述升降补偿数据和所述自动升降补偿平台执行所述目标无人船的升降补偿控制；
基于卷积神经网络，构建满足召回约束算子的升降影响分析模型，包括：
基于卷积神经网络，获得所述升降影响分析模型的拓扑网络结构，其中，所述拓扑网络结构包括输入层、多个隐含层和输出层；
基于卷积神经网络，生成满足召回约束算子的运动-升降影响分析层；
基于卷积神经网络，生成满足召回约束算子的受力-升降影响分析层；
基于卷积神经网络，生成满足召回约束算子的环境-升降影响分析层；
将所述运动-升降影响分析层、所述受力-升降影响分析层和所述环境-升降影响分析层标识为所述多个隐含层；
将所述输入层、所述多个隐含层和所述输出层进行连接，生成所述升降影响分析模型。
2.如权利要求1所述的方法，其特征在于，构建多维监测分析矩阵，包括：
获得预设运动状态监测指标集合，其中，所述预设运动状态监测指标集合包括行驶速度指标、行驶经纬度指标、行驶加速度指标和行驶方向角指标；
获得预设受力状态监测指标集合，其中，所述预设受力状态监测指标集合包括重力指标、波浪力指标、水动作用力指标和静水回复力指标；
获得预设运动环境监测指标集合，其中，所述预设运动环境监测指标集合包括洋流指标、海风指标、海浪指标和障碍物指标；
遍历所述预设运动状态监测指标集合、所述预设受力状态监测指标集合和所述预设运动环境监测指标集合进行标准化处理，生成所述多维监测分析矩阵。
3.如权利要求1所述的方法，其特征在于，基于卷积神经网络，生成满足召回约束算子的运动-升降影响分析层，包括：
以所述运动状态监测矩阵为索引算子，以所述运动状态监测矩阵对应的无人船升降影响数据为检索目标；
基于所述索引算子和所述检索目标进行大数据检索，获得多个检索数据序列；
基于所述多个检索数据序列进行预设比例的数据划分，获得训练序列数据和测试序列数据；
基于卷积神经网络，对所述训练序列数据进行有监督训练，获得运动-升降影响网络层；
基于所述测试序列数据对所述运动-升降影响网络层进行测试，获得测试召回约束算子；
判断所述测试召回约束算子是否满足所述召回约束算子；
当所述测试召回约束算子满足所述召回约束算子时，根据所述运动-升降影响网络层，生成所述运动-升降影响分析层。
4.如权利要求3所述的方法，其特征在于，基于所述测试序列数据对所述运动-升降影响网络层进行测试，获得测试召回约束算子，包括：
将所述测试序列数据输入所述运动-升降影响网络层，获得测试输出结果序列；
基于所述测试序列数据对所述测试输出结果序列进行分类，获得测试输出准确样本序列和测试输出精确样本序列；
基于所述测试输出准确样本序列和所述测试输出结果序列进行特征计算，获得测试准确算子；
基于所述测试输出精确样本序列和所述测试输出准确样本序列进行特征计算，获得测试精确算子；
基于所述测试准确算子和所述测试精确算子进行调和均衡计算，获得所述测试召回约束算子。
5.如权利要求3所述的方法，其特征在于，判断所述测试召回约束算子是否满足所述召回约束算子，包括：
当所述测试召回约束算子不满足所述召回约束算子时，基于所述测试序列数据，获得损失数据序列；
基于所述损失数据序列对所述运动-升降影响网络层进行增量学习，得到所述运动-升降影响分析层。
6.如权利要求1所述的方法，其特征在于，基于所述升降影响分析模型对所述多维监测数据进行分析，获得升降影响分析结果和升降影响风险指数，包括：
将所述运动状态监测数据输入所述运动-升降影响分析层，获得运动-升降影响分析结果，其中，所述运动-升降影响分析结果包括运动状态-升降影响识别结果和运动状态-升降影响系数；
将所述受力状态监测数据输入所述受力-升降影响分析层，获得受力-升降影响分析结果，其中，所述受力-升降影响分析结果包括受力状态-升降影响识别结果和受力状态-升降影响系数；
将所述运动环境监测数据输入所述环境-升降影响分析层，得到环境-升降影响分析结果，其中，所述环境-升降影响分析结果包括环境-升降影响识别结果和环境-升降影响系数；
基于所述运动-升降影响分析结果、所述受力-升降影响分析结果和所述环境-升降影响分析结果，获得所述升降影响分析结果；
基于所述运动状态-升降影响系数、所述受力状态-升降影响系数和所述环境-升降影响系数进行加权融合，获得所述升降影响风险指数。
7.一种无人船的自动升降补偿系统，其特征在于，所述系统包括传感器监测模块、自动升降补偿平台，所述系统包括：
监测矩阵获取模块，用于构建多维监测分析矩阵，其中，所述多维监测分析矩阵包括运动状态监测矩阵、受力状态监测矩阵和运动环境监测矩阵；
监测数据获取模块，用于基于所述多维监测分析矩阵和传感器监测模块对目标无人船的多个位置进行实时监测，获得所述目标无人船的多维监测数据，其中，所述多维监测数据包括运动状态监测数据、受力状态监测数据和运动环境监测数据；
升降影响分析模型构建模块，用于基于卷积神经网络，构建满足召回约束算子的升降影响分析模型，其中，所述升降影响分析模型包括输入层、运动-升降影响分析层、受力-升降影响分析层、环境-升降影响分析层和输出层；
分析结果获取模块，用于基于所述升降影响分析模型对所述多维监测数据进行分析，获得升降影响分析结果和升降影响风险指数；
约束条件获取模块，用于获得升降影响风险约束条件，并判断所述升降影响风险指数是否满足所述升降影响风险约束条件；
预警指令获取模块，用于当所述升降影响风险指数满足所述升降影响风险约束条件时，基于所述升降影响分析结果和所述升降影响风险指数，获得升降补偿预警指令；
补偿控制模块，用于将所述升降补偿预警指令发送至自动升降补偿平台，基于所述自动升降补偿平台内的升降补偿运维知识库对所述升降补偿预警指令匹配升降补偿数据，并基于所述升降补偿数据和所述自动升降补偿平台执行所述目标无人船的升降补偿控制；
所述升降影响分析模型构建模块，包括：
基于卷积神经网络，获得所述升降影响分析模型的拓扑网络结构，其中，所述拓扑网络结构包括输入层、多个隐含层和输出层；
基于卷积神经网络，生成满足召回约束算子的运动-升降影响分析层；
基于卷积神经网络，生成满足召回约束算子的受力-升降影响分析层；
基于卷积神经网络，生成满足召回约束算子的环境-升降影响分析层；
将所述运动-升降影响分析层、所述受力-升降影响分析层和所述环境-升降影响分析层标识为所述多个隐含层；
将所述输入层、所述多个隐含层和所述输出层进行连接，生成所述升降影响分析模型。
8.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至6任一项所述的一种无人船的自动升降补偿方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的一种无人船的自动升降补偿方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310660958.2A CN116395105B (zh) | 2023-06-06 | 2023-06-06 | 一种无人船的自动升降补偿方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310660958.2A CN116395105B (zh) | 2023-06-06 | 2023-06-06 | 一种无人船的自动升降补偿方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116395105A CN116395105A (zh) | 2023-07-07 |
| CN116395105B true CN116395105B (zh) | 2023-10-20 |
Family
ID=87020213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310660958.2A Active CN116395105B (zh) | 2023-06-06 | 2023-06-06 | 一种无人船的自动升降补偿方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116395105B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764465A (zh) * | 2018-05-18 | 2018-11-06 | 中国科学院计算技术研究所 | 一种进行神经网络运算的处理装置 |
| CN208384827U (zh) * | 2018-03-23 | 2019-01-15 | 青岛中邦智能技术有限公司 | 一种无人船航行风险报警系统 |
| CN110737267A (zh) * | 2019-09-30 | 2020-01-31 | 智慧航海（青岛）科技有限公司 | 一种无人船多目标优化方法及无人船智能综合管控系统 |
| CN110823294A (zh) * | 2019-12-12 | 2020-02-21 | 北京致感致联科技有限公司 | 一种浮漂式水下信息智能监测系统 |
| CN111142538A (zh) * | 2020-01-08 | 2020-05-12 | 北京工商大学 | 一种水环境监测的无人船运行策略实时决策方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3629919A (en) * | 1969-09-17 | 1971-12-28 | David J Trevarrow Jr | Tool and tool holder assembly |
-
2023
- 2023-06-06 CN CN202310660958.2A patent/CN116395105B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN208384827U (zh) * | 2018-03-23 | 2019-01-15 | 青岛中邦智能技术有限公司 | 一种无人船航行风险报警系统 |
| CN108764465A (zh) * | 2018-05-18 | 2018-11-06 | 中国科学院计算技术研究所 | 一种进行神经网络运算的处理装置 |
| CN110737267A (zh) * | 2019-09-30 | 2020-01-31 | 智慧航海（青岛）科技有限公司 | 一种无人船多目标优化方法及无人船智能综合管控系统 |
| CN110823294A (zh) * | 2019-12-12 | 2020-02-21 | 北京致感致联科技有限公司 | 一种浮漂式水下信息智能监测系统 |
| CN111142538A (zh) * | 2020-01-08 | 2020-05-12 | 北京工商大学 | 一种水环境监测的无人船运行策略实时决策方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116395105A (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
| CN116643517B (zh) | 一种水下载人潜器预防事故设备 | |
| CN113826051A (zh) | 生成实体系统零件之间的交互的数字孪生 | |
| CN115366157B (zh) | 工业机器人维护方法及装置 | |
| CN113033011B (zh) | 一种船舶机械健康状态评估方法及系统 | |
| CN111651530A (zh) | 一种智能化港口监测系统 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| Shi et al. | Tilt angle monitoring by using sparse residual LSTM network and grid search | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN116395105B (zh) | 一种无人船的自动升降补偿方法及系统 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN116499429A (zh) | 海洋环境监测方法、装置、计算机设备及存储介质 | |
| CN101576445B (zh) | 拟人记忆的结构健康监测失效传感器数据重现方法 | |
| Juwono et al. | Motorized Vehicle Diagnosis Design Using the Internet of Things Concept with the Help of Tsukamoto's Fuzzy Logic Algorithm | |
| CN116108995A (zh) | 感潮河段船舶油耗预测方法、装置及电子设备 | |
| CN114037012A (zh) | 基于相关性分析与深度学习的飞行数据异常检测方法 | |
| CN116136926A (zh) | 基于贝叶斯网络的水下机器人健康管理系统 | |
| Colace et al. | Unsupervised Learning Techniques for Vibration-Based Structural Health Monitoring Systems Driven by Data: A General Overview | |
| CN116883880B (zh) | 一种基于ar技术的起重机识别方法、装置和电子设备 | |
| CN115829814B (zh) | 一种溢油溯源方法、装置、设备及存储介质 | |
| CN114445395B (zh) | 基于互联网和大数据的配电线路树障智能定位方法和装置 | |
| CN115471826B (zh) | 航空加油车安全驾驶行为判别方法、装置和安全运维系统 | |
| WO2021220502A1 (ja) | ３次元モデル生成装置、方法及びプログラム | |
| CN117542004B (zh) | 近海人船拟合方法、装置、设备及存储介质 | |
| CN114001939B (zh) | 一种线路连接装置监测方法、装置、设备及存储介质 |
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 |