CN116502478B - 一种基于海底地形监测的自提升平台下桩辅助决策方法 - Google Patents

一种基于海底地形监测的自提升平台下桩辅助决策方法 Download PDF

Info

Publication number
CN116502478B
CN116502478B CN202310778024.9A CN202310778024A CN116502478B CN 116502478 B CN116502478 B CN 116502478B CN 202310778024 A CN202310778024 A CN 202310778024A CN 116502478 B CN116502478 B CN 116502478B
Authority
CN
China
Prior art keywords
environmental data
data sequence
time point
dimension
obtaining
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
Application number
CN202310778024.9A
Other languages
English (en)
Other versions
CN116502478A (zh
Inventor
张祖国
夏国清
单治钢
郑贞明
牛美峰
孙淼军
杨帅
梁金柱
崔伦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang East China Geotechnical Survey And Design Institute Co ltd
Harbin Engineering University
PowerChina Huadong Engineering Corp Ltd
Original Assignee
Harbin Engineering University
PowerChina Huadong Engineering Corp Ltd
Zhejiang Huadong Construction Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University, PowerChina Huadong Engineering Corp Ltd, Zhejiang Huadong Construction Engineering Co Ltd filed Critical Harbin Engineering University
Priority to CN202310778024.9A priority Critical patent/CN116502478B/zh
Publication of CN116502478A publication Critical patent/CN116502478A/zh
Application granted granted Critical
Publication of CN116502478B publication Critical patent/CN116502478B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • EFIXED CONSTRUCTIONS
    • E02HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02BHYDRAULIC ENGINEERING
    • E02B17/00Artificial islands mounted on piles or like supports, e.g. platforms on raisable legs or offshore constructions; Construction methods therefor
    • E02B17/02Artificial islands mounted on piles or like supports, e.g. platforms on raisable legs or offshore constructions; Construction methods therefor placed by lowering the supporting construction to the bottom, e.g. with subsequent fixing thereto
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/11Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00Details relating to the application field
    • G06F2113/08Fluids
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00Data types
    • G06F2123/02Data types in the time domain, e.g. time-series data
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Civil Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Geometry (AREA)
  • Structural Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及数据处理技术领域,具体涉及一种基于海底地形监测的自提升平台下桩辅助决策方法,包括:根据环境数据序列得到波动允许程度;根据波动允许程度得到时间段;根据时间段得到稳定性;根据稳定性进行聚类得到参数数据序列;根据参考数据序列得到每个参考数据序列中每个时间点的影响程度;根据影响程度得到偏差程度;根据偏差程度得到调整后的环境数据序列;根据调整后的环境数据序列得到响应频谱;根据能量密度得到海浪主导频率;根据海浪主导频率得到校正后的卡尔曼增益系数;根据校正后的卡尔曼增益系数进行估测干扰信息。本发明提高自适应扩展卡尔曼滤波的环境干扰数据估计精度,进而为后续精准选取定位目标提供计算条件。

Description

一种基于海底地形监测的自提升平台下桩辅助决策方法
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于海底地形监测的自提升平台下桩辅助决策方法。
背景技术
随着海上风电设施的建造和运维活动日益增加,对作业相关的自提升平台的需求也相应增加。针对自提升平台作业过程中需要频繁下桩操作的问题,研究如何提高下桩效率,降低操作人员的工作压力,具有十分重要的意义。提升平台下桩作业过程中,需要分析海底地形情况是否适合下桩,如果不适合则需要重新选择下桩地点;如果完全依靠操作人员进行操作,分析当前海域地形和外部环境选择定位目标,给其带来的工作压力会很大,需要长时间高度精神集中。因此,本发明利用传感器系统获取平台外部环境和海底地形,依靠设计的定位目标选择系统的算法,综合评估分析后将合适的定位目标提供给操作人员供其选择,显著减轻了操作人员的工作强度和压力,提高了工作效率;同时也会分析移位过程中的安全因素,桩腿高度是否合适,如果高度不够,则控制桩腿升高至安全高度,保证了作业的安全性。其中在选取定位目标时,需要根据自适应扩展卡尔曼滤波方法对采集的多种传感器信息进行平台所受外界环境的干扰进行估计,但由于系统重构模型精度要求较高,尤其是对观测模型中的高频运动模型,会受到海况的影响,进而影响到自适应扩展卡尔曼滤波的估计精度,因此需要结合海况对卡尔曼增益进行自适应调整,进而为定位过程提供准确的估计精度。
发明内容
本发明提供一种基于海底地形监测的自提升平台下桩辅助决策方法,以解决现有的问题。
本发明的一种基于海底地形监测的自提升平台下桩辅助决策方法采用如下技术方案:
本发明一个实施例提供了一种基于海底地形监测的自提升平台下桩辅助决策方法,该方法包括以下步骤:
采集不同维度的由环境数据组成的环境数据序列;
根据环境数据序列得到每个维度的环境数据序列的波动允许程度;根据每个维度的环境数据序列的波动允许程度对每个维度的环境数据序列进行时间段划分,得到每个维度的环境数据序列的每个时间段;根据时间段的环境数据序列得到每个时间段内每个维度的环境数据序列的稳定性;
根据每个时间段内每个维度的环境数据序列的稳定性对所有时间段内每个维度的环境数据序列进行聚类,得到每个时间段的参数数据序列;根据每个时间段的参考数据序列得到每个参考数据序列中每个时间点的影响程度;根据影响程度得到每个维度的每个时间点的偏差程度;根据偏差程度进行加权调整得到调整后的环境数据序列;
根据调整后的环境数据序列进行快速傅里叶转换得到响应频谱;根据能量密度对响应频谱进行阈值筛选得到每个时间点的海浪主导频率;根据海浪主导频率得到每个时间点的校正后的卡尔曼增益系数;根据校正后的卡尔曼增益系数进行估测干扰信息。
优选的,所述波动允许程度的获取方法如下:
将第i个维度的环境数据序列出现数据变化的个数记为第一个数;将所有维度的环境数据序列出现的最大数据变化数目记为第二个数;将第一个数与第二个数的比值结果记为第一比值;将第i个维度的环境数据序列的环境数据的最大值记为第一最大值;将第i个维度的环境数据序列的环境数据的最小值记为第一最小值;将第一最大值与第一最小值的作差结果记为第一差值;将第一差值与10的比值记为第二比值;将第一比值与第二比值的结果记为第i个维度的环境数据序列的波动允许程度,从而得到每个维度的环境数据序列的波动允许程度。
优选的,所述稳定性的获取表达式如下:
式中,表示第个时间段内的第i个维度对应的环境数据序列的稳定性;表示 第个时间段内同一个环境数据持续时间的均值;表示所有时间段内同一个环境数据持续 时间的均值的平均值;表示第个时间段内的第i个维度的环境数据序列的环境数据的 个数;表示第个时间段内的第i个维度的环境数据序列中的第个环境数据;表 示第个时间段内的第i个维度的环境数据序列中所有环境数据的均值;表示以自然数 为底的指数函数。
优选的,所述影响程度的获取表达式如下:
式中,表示第u个参考数据序列的第w个时间点的影响程度;表示第u个 参考数据序列的第w个时间点的前时间点计算得到的稳定性;表示第u个参考数据序列 的第w个时间点的环境数据;表示第u个参考数据序列的第w个时间点的前时间点的环 境数据的均值;表示第u个参考数据序列的第w个时间点以及前时间点计算得到的稳定 性。
优选的,所述偏差程度的获取表达式如下:
式中,表示第i个维度的第v个时间点的偏差程度;表示当前采集的时间点对 应的参考数据序列的个数;表示当前采集的时间段的环境数据组成的环境数据序列 与第q个参考数据序列之间的DTW距离;表示当前采集的时间点所属时间段对应 的环境数据序列与所有参考数据序列之间的距离的最大值;表示第个参考数据 序列中与当前采集的第i个维度的第v个时间点的匹配点对个数;表示当前采集的第i个 维度的第v个时间点的影响程度;表示第q个参考数据序列中与当前采集的第i个维度 的第v个时间点的第z个匹配点对应的影响程度。
优选的,所述根据偏差程度进行加权调整得到调整后的环境数据序列的具体过程如下:
将当前时间点的前一个时间点与后一个时间点的偏差程度的求和结果记为第一分母;将前一个时间点和后一个时间点分别与第一分母的比值结果记为第三比值和第四比值;将1分别与第三比值和第四比值的作差结果分别记为第二差值与第三差值;将第二差值与前一个时间点的环境数据的乘积结果记为第一乘积;将第三差值与后一个时间点的环境数据的乘积结果记为第二乘积;将第一乘积与第二乘积的求和结果与2的比值记为当前时间点调整后的环境数据,从而得到调整后的环境数据序列。
优选的,所述校正后的卡尔曼增益系数的获取方法如下:
将第j个时间点的卡尔曼增益系数记为第一系数;将第j个时间点的海浪主导频率记为第一频率;将第一系数与第一频率的乘积结果记为第j个时间点校正后的卡尔曼增益系数,从而得到每个时间点校正后的卡尔曼增益系数。
本发明的技术方案的有益效果是:利用传感器系统获取平台外部环境和海底地形,依靠设计的定位目标选择系统的算法,综合评估分析后将合适的定位目标提供给操作人员供其选择,并分析移位过程中的安全因素保证了作业的安全性。其中通过选取定位目标时,需要根据自适应扩展卡尔曼滤波方法对采集的多种传感器信息进行平台所受外界环境的干扰进行估计,根据当前数据所处时间段环境变化的稳定性来准确获取每个时间点的偏差程度,以历史数据中同维度下中的相似的稳定性且数据分布相似作为参考数据,来表征同维度下环境数据的变化引起的稳定性变化关系,作为量化偏差程度的参考条件。根据得到的偏差程度获取准确的当前海况的海浪主导频率,卡尔曼增益会随海况变化而自适应调整,提高自适应扩展卡尔曼滤波的环境干扰数据估计精度,进而为后续精准选取定位目标提供计算条件。
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,下面将对实施例或现有技术描述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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于海底地形监测的自提升平台下桩辅助决策方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于海底地形监测的自提升平台下桩辅助决策方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于海底地形监测的自提升平台下桩辅助决策方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于海底地形监测的自提升平台下桩辅助决策方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集不同维度的环境数据序列。
需要说明的是,近年来,国家大力发展清洁能源,以降低对利用燃煤等化石燃料发电的依赖。尤其是开发了大量的海上风电设施,利用丰富的海洋风场资源,提供了可观的电力供应。因此,在海上风电设施的建造和运维活动日益增加,也就对作业相关的自提升平台产生了大量需求。针对基于海底地形监测的自提升平台下桩作业过程中需要频繁下桩操作的问题,研究如何提高下桩效率,降低操作人员的工作压力,是目前待解决的问题。
而基于海底地形监测的自提升平台下桩作业包括以下系统:传感器系统、平台数据处理系统、地形数据处理系统、地形特征提取系统、干扰估计系统、定位目标选择系统、桩腿升降控制系统。
其中传感器系统包括位姿传感器系统、环境传感器系统等测量平台艏向、位置和环境信息的传感器组,以及海底地形传感器系统,用于测量海底地形信息;位姿传感器实时采集的船舶实际位置和艏向角;环境传感器实时采集当前风速、风向、流速、流向等信息。其中位姿传感器包括但不限于电罗经、卫星定位系统、水声定位系统和垂直参考系统等;环境传感器包括但不限于风传感器、测流仪等;海底地形传感器系统包含但不限于侧扫声呐、测深仪等。
平台数据处理系统是将传感器系统中的位姿传感器系统和环境传感器系统将采集的信息传递给平台数据处理系统,供其进行数据融合等预处理,得到所需的数据平台状态信息以及环境数据。
地形数据处理系统是将传感器系统中的海底地形传感器系统将采集的信息传递给地形数据处理系统,供其进行数据融合和滤波后,以得到所需的地形信息。
干扰估计系统是根据地形数据处理系统提供的海底地形信息,构造出平台附近海底地形结构模型,并从中提取出地形特征,以供定位目标选择系统进行定位目标的选择。
定位目标选择系统是根据地形特征提取系统提供的海底地形特征信息,确定适合平台进行插桩作业的区域;综合分析干扰估计系统提供的外界干扰信息,计算移位作业中比较节能的移位方向,据此选择新的定位目标点和艏向,以较小的能耗实现移位目的。
桩腿升降控制系统分析当前平台位置和新的定位目标之间地形、水深,判断当前桩腿状态是否安全,如果有触底风险,则提前提升桩腿。
具体的,而在使用平台数据处理系统时,需要采集环境数据序列,采集环境数据序列的具体过程为:
采集传感器系统中的环境传感器中风速、风向、海水流速、海水流向等信息作为不同维度,其中将不同维度对应的数据记为不同维度对应的环境数据,每隔1秒为一个时间点采集一次所有维度对应的环境数据,总共采集100秒。
至此,通过上述方法可以得到每个维度下由环境数据组成的环境数据序列。
另外需要说明的是,每个维度下由环境数据组成的环境数据序列中环境数据的个数为100/1=100。
步骤S002:对每个维度的环境数据序列进行时间段的划分得到划分后的时间段,根据划分后的时间段得到每个时间段的稳定性。
需要说明的是,在评估过程中,需要根据自适应扩展卡尔曼滤波方法对采集的多种传感器信息进行平台所受外界环境的干扰进行估计,但由于系统重构模型精度要求较高,尤其是对观测模型中的高频运动模型。但由于该高频运行模型会受到海况的影响,进而影响到自适应扩展卡尔曼滤波的估计精度,因此本实施在利用自适应扩展卡尔曼滤波进行环境干扰数据估计时,会根据平台的波频响应自适应计算当前海况中的海浪主导频率,卡尔曼增益参数会随海况变化而自适应调整,提高自适应扩展卡尔曼滤波的环境干扰数据的估计精度。
为了获取准确的平台的波频响应来自适应计算海况中海浪的主导频率,需要对采平台数据处理系统得到的平台状态数据以及环境数据进行处理分析,其中由于环境波动等问题,会使得处理后的部分数据出现较大的偏差,因此需要对数据进行自适应处理来获取准确的海况中的海浪主导频率。
对采集的环境数据序列进行时间段的划分得到划分后的所有时间段。
需要说明的是,由于海况中的海浪主导频率受多个维度的环境数据的影响。本实施例需要分析当前时间点所属时间段的稳定性,即当前时间点数据所处时间段内环境变化的稳定性。若当前时间点数据所处时间段内环境变化的稳定性较小,则表明当前数据以及所处时间段的数据的波动较大。
其中环境变化的稳定性是指所有维度的环境数据序列都处于稳定状态。本实施例以第i个维度的环境数据序列为例进行叙述。
不同维度的环境数据序列存在不同的数据形式。例如表示风向维度的环境数据序列的数据形式的变化是度数的变化,如15°、30°;而表示风速维度的环境数据序列的数据形式的变化是速度的变化,如3m/s、3.1m/s、3.2m/s。由于不同维度的环境数据序列对其数据形式的影响不同,所以不同维度的环境数据序列的波动允许程度不同,即根据对应维度的环境数据序列的波动程度来划分时间段的允许程度是不同的。因此需要计算每个维度的环境数据序列的波动允许程度。
具体的,第i个维度的环境数据序列的波动允许程度的计算方法为:
式中,表示第i个维度的环境数据序列的波动允许程度;表示第i个维度的环 境数据序列出现数据变化的个数;表示所有维度的环境数据序列出现的最大数据 变化数目;表示第i个维度的环境数据序列的环境数据的最大值;表示第i 个维度的环境数据序列的环境数据的最小值;10表示超参数;其中表示第i个 维度的环境数据序列的波动允许范围;表示第i个维度的环境数据序列的数据变化数 目权重,权重越小,则第i个维度的环境数据序列的数据变化数目越少,第i个维度的环境数 据序列的波动允许程度越小。
至此,通过上述波动允许程度公式可以得到所有的维度的环境数据的波动允许程度。
然后根据第i个维度的环境数据序列与对应的波动允许程度进行时间段的划分, 其中时间段点的确定需要根据相邻两个时间点之间的环境数据差异来确定。若第i个维度 的环境数据序列中相邻的两个时间点的环境数据差值的绝对值大于第i个维度的环境数据 序列的波动允许程度,则将相邻的两个时间点的后一个时间点记为划分点。
至此,通过上述方法可以得到第i个维度的环境数据序列的所有划分点。
同理,得到其他所有维度的环境数据序列的划分点。然后将每个维度的环境数据序列的划分点记为一个划分点集合,从而得到所有维度的环境数据序列的所有划分点集合;将所有划分点集合的并集结果记为最终划分点集合,而最终划分点集合中所有的划分点记为所有维度的环境数据序列的时间段的最终划分点,然后根据最终划分点对所有维度的环境数据序列进行时间段划分。
至此,通过上述方法可以得到每个维度的环境数据序列的所有时间段。
2、每个时间段内每个维度对应的环境数据序列的稳定性。
需要说明的是,根据上述获取的每个维度的环境数据序列的所有时间段可以计算每个时间段的环境变化的稳定性。由于每个时间段内单个维度对应的环境数据序列的稳定性仅受当前维度的环境数据分布特征影响,若当前时间段内对应当前维度对应的环境数据序列中多个环境数据分布变化较小并且长时间持续分布,则当前时间段内当前维度的环境数据序列的稳定性较大。
具体的,第个时间段内的第i个维度对应的环境数据序列的稳定性的计算方法 为:
式中,表示第个时间段内的第i个维度对应的环境数据序列的稳定性;表示 第个时间段内同一个环境数据持续时间的均值;表示所有时间段内同一个环境数据持续 时间的均值的平均值;表示第个时间段内的第i个维度的环境数据序列的环境数据的 个数;表示第个时间段内的第i个维度的环境数据序列中的第个环境数据;表 示第个时间段内的第i个维度的环境数据序列中所有环境数据的均值;表示以自然数 为底的指数函数;表示第个时间段内的第i个维度的环境数据 序列的环境数据分布变化程度,若程度越小,则第个时间段内的第i个维度的环境数据变 化越稳定;表示第个时间段的持续时间影响权重值,若持续时间越大, 则第个时间段的稳定性影响权重值就越大,对应的稳定性越大。
需要补充说明的是,在计算;若时,设置为
至此,通过上述稳定性公式得到每个时间段内每个维度对应的环境数据序列的稳定性。
步骤S003:根据划分后的时间段计算当前采集的环境数据序列的每个时间点的偏差程度,得到调整后的环境数据序列。
需要说明的是,根据步骤S002获取的每个维度的环境数据序列的所有时间段,在同一个时间段内分析每个时间点的偏差程度来得到准确的平台的波频响应数据。其中由于每个时间点的海况变化是受到同一个时间段下当前时间点的之前所有时间点的海况累计影响,例如当前时间点的环境数据造成响应的波浪,当前时间点的海况变化是在之前造成的海况基础上,结合当前时间点的每个维度的环境数据的变化造成的。因此在分析当前时间点的影响程度时,需要通过同一个时间段内的当前时间点的前面所有时间点的变化来获取。
具体的,将同一个时间段内的当前时间点的前面所有时间点记为当前时间点的前时间点。
进一步需要说明的是,本实施例为了准确获取每个时间点的偏差程度,以历史数据中同维度下相同的稳定性且环境数据数值相似的时间段作为参考数据序列,来表示同维度下环境数据的变化引起的稳定性变化关系,作为量化偏差程度的参考条件。
具体的,获取当前时间点所属时间段内的参考数据序列:其中以同一个维度下的 各个历史数据段进行DBSCAN聚类分析,此时需要预设一个minPts参数和一个指定半径,其 中本实施例以minPts=5,=6为例进行叙述,本实施例不进行具体限定,其中minPts和可根 据具体实施情况而定。将当前时间点所在时间段以及对应的历史时间段转换为三维坐标 点,x坐标轴表示当前时间段的稳定性,y坐标表示当前时间段的数据最小值,z坐标为当前 时间段的数据最大值。
至此,通过上述方法可以得到当前维度下的聚类结果,从而每一个维度下的聚类结果。
根据每一个维度下的聚类结果,其中当前时间点所在的时间段稳定性相同的时间段会被聚为一个聚簇,将同一个聚簇中除当前时间段的其他时间段对应的环境数据序列记为参考数据序列。
1、根据参考数据序列获取影响程度。
进一步需要说明的是,根据获取的参考数据序列来得到由环境数据变化引起的稳定性变化之间的关系。根据获取的参考数据序列来得到由环境数据变化引起的稳定性变化之间的关系。由于每个时间点的数据变化对稳定性的影响会受到每个时间点所在的同段时间段的前时间点的影响,若同段时间段的前时间点造成的环境稳定性越大,则说明同段时间段的前时间点所造成的海况整体变化波动较为平稳,对应的若待计算的当前时间点对应的环境数据发生一定程度的变化时,则造成的影响会较大。因此可根据参考数据序列构成环境数据变化引起的稳定性变化之间的关系,来获取参考数据序列中每个时间点的影响关系变化曲线。
具体的,第u个参考数据序列的第w个时间点的影响程度的计算方法为:
式中,表示第u个参考数据序列的第w个时间点的影响程度;表示第u个 参考数据序列的第w个时间点的前时间点计算得到的稳定性;表示第u个参考数据序列 的第w个时间点的环境数据;表示第u个参考数据序列的第w个时间点的前时间点的环 境数据的均值;表示第u个参考数据序列的第w个时间点以及前时间点计算得到的稳定 性;是为了防止分母为0;表示参考数据序列中第w个时间点的环境数 据变化引起的稳定性变化之间的关系;表示第u个参考数据序列的前时间点所 产生的稳定性变化为权重值,若前时间点所计算得到的稳定性较大,则对应的海况变化较 为稳定。
至此,通过上述影响程度公式可以得到所有参考数据序列的每个时间点的影响程度。
根据影响程度获取偏差程度。
具体的,本实施例中根据当前采集的时间段的环境数据的影响程度的变化,来计 算环境数据的偏差程度。对当前采集的第i个维度的时间段的环境数据进行分析,获取该段 时间段的同维度下的参考数据序列。将当前采集的第i个维度的第v个时间点所在的时间段 对应的环境数据序列记为,将对应的第个参考数据序列为,为了计算中的第v个时 间点的环境数据的偏差程度,首先对进行DTW匹配得到对应的匹配点对关系,其中 DTW算法为公知技术,本实施例不进行叙述。参考之间对应的匹配点对关系获取方 法,同理可以得到与其他参考数据序列之间对应的匹配点对关系。
进一步,第i个维度的第v个时间点的偏差程度的计算方法为:
式中,表示第i个维度的第v个时间点的偏差程度;表示当前采集的时间点对 应的参考数据序列的个数;表示当前采集的时间段的环境数据组成的环境数据序列 与第q个参考数据序列之间的DTW距离;表示当前采集的时间点所属时间段对应 的环境数据序列与所有参考数据序列之间的距离的最大值;表示第个参考数据 序列中与当前采集的第i个维度的第v个时间点的匹配点对个数;表示当前采集的第i个 维度的第v个时间点的影响程度;表示第q个参考数据序列中与当前采集的第i个维度 的第v个时间点的第z个匹配点对应的影响程度。
至此,通过上述偏差程度公式可以得到每个维度的每个时间点的偏差程度。
然后对所有得到的当前采集的第i个维度中所有时间点的偏差程度进行线性归一 化处理,预设一个异常程度阈值,其中本实施例以为例进行叙述,本实施例不 进行具体限定,其中可根据具体实施情况而定。若当前时间点的偏差程度大于时,则 当前时间点的偏差程度较大,并对当前时间点进行调整,将当前时间点的前一个时间点与 后一个时间点之间的偏差程度进行加权平均,加权平均具体的计算过程为:
式中的当前时间点的环境数据的加权平均值,记为当前时间点调整后的环境数 据;分别表示前一个时间点和后一个时间点的偏差程度,分别表示前一个时 间点的环境数据和后一个时间点的环境数据。
至此,通过上述方法可以得到调整后的环境数据序列。
步骤S004:根据得到的调整后的环境数据序列获取当前海况的海浪主导频率,并估测干扰信息。
需要说明的是,根据步骤S003得到调整的环境数据序列进行快速傅里叶变换转换为频域,在频域上进行分析得到对应的响应频谱,其中根据响应频谱的能量分布情况,获取具有较高能量密度的波浪频率范围,这些频率对应的为海浪主导频率。
获取最大能量密度的峰值,预设一个能量密度阈值L,其中本实施例以为例进行叙述,本实施例不进行具体限定,其中L可根据具体实施情况而定。 若当前波浪频率的能量密度大于阈值L,则当前波浪频率为具有较高能量密度的波浪频率, 即海浪主导频率。
至此,通过上述方法可以得到所有海浪主导频率。
根据获取的海浪主导频率,来校正自适应扩展卡尔曼滤波过程中的卡尔曼增益系数,其中海浪主导频率较大意味着波动较快,这会导致平台受到更频繁的干扰。在这种情况下,应该使其变得更大。
具体的,校正后的卡尔曼增益系数的计算过程为:
式中表示第j个时间点校正后的卡尔曼增益系数;表示第j个时间点的卡尔曼 增益系数;表示第j个时间点的海浪主导频率。
至此,通过上述公式可以得到每一个时间点校正后的卡尔曼增益系数。
另外需要说明的是,其中采用自适应扩展卡尔曼滤波估计干扰程度的过程为:根据当前时刻采集的平台状态数据以及环境数据来建立状态方程和观测方程,来描述平台的动态行为和环境数据之间的关系;初始化滤波器参数;每个时刻计算状态模型和观测模型的雅可比矩阵作为线性化的近似;使用状态方程进行预测,并更新误差协方差矩阵,计算并校正卡尔曼增益;根据观测数据和预测状态,计算新的状态估计和误差协方差矩阵;采用M-序列最小二乘法实际观测残差的一致性进行噪声协方差矩阵的自适应调整;不断迭代更新状态估计和误差协方差矩阵,直到收敛。
至此,根据调整后的环境数据获取的当前海况的海浪主导频率,并估测干扰信息。
至此,本实施例结束。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于海底地形监测的自提升平台下桩辅助决策方法,其特征在于,该方法包括以下步骤:
采集不同维度的由环境数据组成的环境数据序列;
根据环境数据序列得到每个维度的环境数据序列的波动允许程度;根据每个维度的环境数据序列的波动允许程度对每个维度的环境数据序列进行时间段划分,得到每个维度的环境数据序列的每个时间段;根据时间段的环境数据序列得到每个时间段内每个维度的环境数据序列的稳定性;
根据每个时间段内每个维度的环境数据序列的稳定性对所有时间段内每个维度的环境数据序列进行聚类,得到每个时间段的参数数据序列;根据每个时间段的参考数据序列得到每个参考数据序列中每个时间点的影响程度;根据影响程度得到每个维度的每个时间点的偏差程度;根据偏差程度进行加权调整得到调整后的环境数据序列;
根据调整后的环境数据序列进行快速傅里叶转换得到响应频谱;根据能量密度对响应频谱进行阈值筛选得到每个时间点的海浪主导频率;根据海浪主导频率得到每个时间点的校正后的卡尔曼增益系数;根据校正后的卡尔曼增益系数进行估测干扰信息;
所述稳定性的获取表达式如下:
式中,表示第/>个时间段内的第i个维度对应的环境数据序列的稳定性;/>表示第/>个时间段内同一个环境数据持续时间的均值;/>表示所有时间段内同一个环境数据持续时间的均值的平均值;/>表示第/>个时间段内的第i个维度的环境数据序列的环境数据的个数;表示第/>个时间段内的第i个维度的环境数据序列中的第/>个环境数据;/>表示第/>个时间段内的第i个维度的环境数据序列中所有环境数据的均值;/>表示以自然数为底的指数函数;
所述影响程度的获取表达式如下:
式中,表示第u个参考数据序列的第w个时间点的影响程度;/>表示第u个参考数据序列的第w个时间点的前时间点计算得到的稳定性;/>表示第u个参考数据序列的第w个时间点的环境数据;/>表示第u个参考数据序列的第w个时间点的前时间点的环境数据的均值;/>表示第u个参考数据序列的第w个时间点以及前时间点计算得到的稳定性;
所述偏差程度的获取表达式如下:
式中,表示第i个维度的第v个时间点的偏差程度;/>表示当前采集的时间点对应的参考数据序列的个数;/>表示当前采集的时间段的环境数据组成的环境数据序列与第q个参考数据序列之间的DTW距离;/>表示当前采集的时间点所属时间段对应的环境数据序列与所有参考数据序列之间的/>距离的最大值;/>表示第/>个参考数据序列中与当前采集的第i个维度的第v个时间点的匹配点对个数;/>表示当前采集的第i个维度的第v个时间点的影响程度;/>表示第q个参考数据序列中与当前采集的第i个维度的第v个时间点的第z个匹配点对应的影响程度。
2.根据权利要求1所述一种基于海底地形监测的自提升平台下桩辅助决策方法,其特征在于,所述波动允许程度的获取方法如下:
将第i个维度的环境数据序列出现数据变化的个数记为第一个数;将所有维度的环境数据序列出现的最大数据变化数目记为第二个数;将第一个数与第二个数的比值结果记为第一比值;将第i个维度的环境数据序列的环境数据的最大值记为第一最大值;将第i个维度的环境数据序列的环境数据的最小值记为第一最小值;将第一最大值与第一最小值的作差结果记为第一差值;将第一差值与10的比值记为第二比值;将第一比值与第二比值的结果记为第i个维度的环境数据序列的波动允许程度,从而得到每个维度的环境数据序列的波动允许程度。
3.根据权利要求1所述一种基于海底地形监测的自提升平台下桩辅助决策方法,其特征在于,所述根据偏差程度进行加权调整得到调整后的环境数据序列的具体过程如下:
将当前时间点的前一个时间点与后一个时间点的偏差程度的求和结果记为第一分母;将前一个时间点和后一个时间点分别与第一分母的比值结果记为第三比值和第四比值;将1分别与第三比值和第四比值的作差结果分别记为第二差值与第三差值;将第二差值与前一个时间点的环境数据的乘积结果记为第一乘积;将第三差值与后一个时间点的环境数据的乘积结果记为第二乘积;将第一乘积与第二乘积的求和结果与2的比值记为当前时间点调整后的环境数据,从而得到调整后的环境数据序列。
4.根据权利要求1所述一种基于海底地形监测的自提升平台下桩辅助决策方法,其特征在于,所述校正后的卡尔曼增益系数的获取方法如下:
将第j个时间点的卡尔曼增益系数记为第一系数;将第j个时间点的海浪主导频率记为第一频率;将第一系数与第一频率的乘积结果记为第j个时间点校正后的卡尔曼增益系数,从而得到每个时间点校正后的卡尔曼增益系数。
CN202310778024.9A 2023-06-29 2023-06-29 一种基于海底地形监测的自提升平台下桩辅助决策方法 Active CN116502478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310778024.9A CN116502478B (zh) 2023-06-29 2023-06-29 一种基于海底地形监测的自提升平台下桩辅助决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310778024.9A CN116502478B (zh) 2023-06-29 2023-06-29 一种基于海底地形监测的自提升平台下桩辅助决策方法

Publications (2)

Publication Number Publication Date
CN116502478A CN116502478A (zh) 2023-07-28
CN116502478B true CN116502478B (zh) 2023-09-01

Family

ID=87325315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310778024.9A Active CN116502478B (zh) 2023-06-29 2023-06-29 一种基于海底地形监测的自提升平台下桩辅助决策方法

Country Status (1)

Country Link
CN (1) CN116502478B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993229B (zh) * 2023-09-25 2023-12-19 山东高速工程检测有限公司 一种跨海大桥桩基施工质量数字化管理方法
CN117665935B (zh) * 2024-01-30 2024-04-19 山东鑫国矿业技术开发有限公司 一种破碎岩体支护施工过程的监测数据处理方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060122129A (ko) * 2005-05-25 2006-11-30 재단법인서울대학교산학협력재단 수중장비의 위치 특정시스템 및 이 시스템에서 수행되는위치 특정방법
JP2008111272A (ja) * 2006-10-30 2008-05-15 Toa Harbor Works Co Ltd 軟弱水中地盤上の盛土の監視方法および装置
KR20110070731A (ko) * 2009-12-18 2011-06-24 한국전자통신연구원 직교 주파수 분할 기반 시스템에서 낮은 복잡도를 갖는 칼만 필터 채널 추정 방법
CN109269497A (zh) * 2018-07-31 2019-01-25 哈尔滨工程大学 基于auv切法向速度模型的多尺度无迹卡尔曼滤波估计方法
CN109857094A (zh) * 2019-03-14 2019-06-07 杭州电子科技大学 基于两阶段卡尔曼滤波算法的航空发动机故障诊断方法
CN109870173A (zh) * 2019-04-11 2019-06-11 中国石油化工股份有限公司 一种基于校验点的海底管道惯性导航系统的轨迹修正方法
WO2020087846A1 (zh) * 2018-10-31 2020-05-07 东南大学 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法
CN112395038A (zh) * 2021-01-21 2021-02-23 全时云商务服务股份有限公司 一种共享桌面时调整文字的方法和装置
CN113391287A (zh) * 2021-06-10 2021-09-14 哈尔滨工业大学 基于时间序列的高频地波雷达海态数据融合方法
CN113985494A (zh) * 2021-10-13 2022-01-28 哈尔滨工程大学 一种基于无迹卡尔曼算法海底地震计中电子罗盘误差补偿方法
CN114325723A (zh) * 2021-11-24 2022-04-12 中国华能集团清洁能源技术研究院有限公司 水下桩基所在位置的地貌检测方法
CN114944801A (zh) * 2022-05-05 2022-08-26 湘潭大学 一种基于新息自适应扩展卡尔曼的pmsm无位置传感器控制方法
WO2022262500A1 (zh) * 2021-06-15 2022-12-22 哈尔滨工程大学 一种基于steof-lstm的海洋环境要素预测方法
CN115600932A (zh) * 2022-12-12 2023-01-13 杭州原数科技有限公司(Cn) 一种基于大数据的文物储藏环境异常评估方法
CN115902647A (zh) * 2023-02-23 2023-04-04 新乡医学院 一种电池状态智能监测方法
CN115951361A (zh) * 2023-03-13 2023-04-11 珠江水利委员会珠江水利科学研究院 基于大数据平台的海上风电桩的智能地形扫测方法
CN116182949A (zh) * 2023-02-23 2023-05-30 中国人民解放军91977部队 一种海洋环境水质监测系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7421343B2 (en) * 2005-10-27 2008-09-02 Honeywell International Inc. Systems and methods for reducing vibration-induced errors in inertial sensors
KR102503255B1 (ko) * 2018-03-30 2023-02-23 유텔셋 에스에이 원격 통신 신호의 개선된 추정을 수행하기 위한 수신 매트릭스에서의 칼만 필터의 혁신적인 사용

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060122129A (ko) * 2005-05-25 2006-11-30 재단법인서울대학교산학협력재단 수중장비의 위치 특정시스템 및 이 시스템에서 수행되는위치 특정방법
JP2008111272A (ja) * 2006-10-30 2008-05-15 Toa Harbor Works Co Ltd 軟弱水中地盤上の盛土の監視方法および装置
KR20110070731A (ko) * 2009-12-18 2011-06-24 한국전자통신연구원 직교 주파수 분할 기반 시스템에서 낮은 복잡도를 갖는 칼만 필터 채널 추정 방법
CN109269497A (zh) * 2018-07-31 2019-01-25 哈尔滨工程大学 基于auv切法向速度模型的多尺度无迹卡尔曼滤波估计方法
WO2020087846A1 (zh) * 2018-10-31 2020-05-07 东南大学 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法
CN109857094A (zh) * 2019-03-14 2019-06-07 杭州电子科技大学 基于两阶段卡尔曼滤波算法的航空发动机故障诊断方法
CN109870173A (zh) * 2019-04-11 2019-06-11 中国石油化工股份有限公司 一种基于校验点的海底管道惯性导航系统的轨迹修正方法
CN112395038A (zh) * 2021-01-21 2021-02-23 全时云商务服务股份有限公司 一种共享桌面时调整文字的方法和装置
CN113391287A (zh) * 2021-06-10 2021-09-14 哈尔滨工业大学 基于时间序列的高频地波雷达海态数据融合方法
WO2022262500A1 (zh) * 2021-06-15 2022-12-22 哈尔滨工程大学 一种基于steof-lstm的海洋环境要素预测方法
CN113985494A (zh) * 2021-10-13 2022-01-28 哈尔滨工程大学 一种基于无迹卡尔曼算法海底地震计中电子罗盘误差补偿方法
CN114325723A (zh) * 2021-11-24 2022-04-12 中国华能集团清洁能源技术研究院有限公司 水下桩基所在位置的地貌检测方法
CN114944801A (zh) * 2022-05-05 2022-08-26 湘潭大学 一种基于新息自适应扩展卡尔曼的pmsm无位置传感器控制方法
CN115600932A (zh) * 2022-12-12 2023-01-13 杭州原数科技有限公司(Cn) 一种基于大数据的文物储藏环境异常评估方法
CN115902647A (zh) * 2023-02-23 2023-04-04 新乡医学院 一种电池状态智能监测方法
CN116182949A (zh) * 2023-02-23 2023-05-30 中国人民解放军91977部队 一种海洋环境水质监测系统及方法
CN115951361A (zh) * 2023-03-13 2023-04-11 珠江水利委员会珠江水利科学研究院 基于大数据平台的海上风电桩的智能地形扫测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A fusion method for AUV collaborative location based on information gain weighting;Jian Jie;《2021 China Automation Congress (CAC)》;全文 *

Also Published As

Publication number Publication date
CN116502478A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN116502478B (zh) 一种基于海底地形监测的自提升平台下桩辅助决策方法
CN111079343B (zh) 一种基于宽度学习的风电机组有效风速估计方法
CN115169733B (zh) 基于深度学习的内孤立波对深海沉积物再悬浮量预测方法
CN108460210B (zh) 一种基于噪残差和协方差匹配的动力定位系统噪声特性实时估计方法
CN116452594B (zh) 一种输电线路状态可视化监测预警方法及系统
CN112307676A (zh) 波高数值预报模型结果修正方法
CN116702093B (zh) 一种基于大数据数据融合的海上目标定位方法
CN104931040A (zh) 基于机器学习的北斗ⅱ代导航系统电力铁塔变形监测设备安装和调试方法
CN115342814B (zh) 一种基于多传感器数据融合的无人船定位方法
CN110555398A (zh) 一种基于滤波最优平滑确定故障首达时刻的故障诊断方法
CN117198330A (zh) 一种声源识别方法、系统及电子设备
CN115791969A (zh) 基于声发射信号的导管架水下裂纹检测系统及其方法
CN108549961A (zh) 一种基于cmip5预估海浪有效波高的方法
CN106405683B (zh) 基于g-l混合噪声特性核岭回归技术的风速预报方法及装置
CN108983178A (zh) 一种敏捷自适应的智能雷达海上目标检测系统
CN111488974B (zh) 基于深度学习神经网络的海洋风能降尺度方法
CN113344275A (zh) 一种基于lstm模型的浮式平台波浪爬升在线预报方法
CN112802011A (zh) 一种基于vgg-bls的风机叶片缺陷检测方法
CN116202492A (zh) 一种基于高低频分离的随船波浪测量方法
CN115759203A (zh) 一种多要素耦合条件下海上桩基冲刷预测方法
CN110767322B (zh) 一种基于响应面模型的海洋浮式平台热点应力推算方法
CN111458143A (zh) 一种风电机组主轴承温度故障诊断方法
Pan Corrosion detection method of substation Aboveground Steel Structure Based on deep learning
CN118092196B (zh) 一种可进行水体分层调节的水生态修复方法及系统
CN115859840B (zh) 一种海洋环境动力要素区域极值分析方法

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
CP03 Change of name, title or address

Address after: 310000 No. 22 Chaowang Road, Hangzhou, Zhejiang Province

Patentee after: POWERCHINA HUADONG ENGINEERING Corp.,Ltd.

Country or region after: China

Patentee after: Zhejiang East China Geotechnical Survey and Design Institute Co.,Ltd.

Patentee after: HARBIN ENGINEERING University

Address before: 310000 No. 22 Chaowang Road, Hangzhou, Zhejiang Province

Patentee before: POWERCHINA HUADONG ENGINEERING Corp.,Ltd.

Country or region before: China

Patentee before: ZHEJIANG HUADONG CONSTRUCTION ENGINEERING Co.,Ltd.

Patentee before: HARBIN ENGINEERING University

CP03 Change of name, title or address