CN117932279A - 一种基于深度学习的船舶工况在线识别分析方法及系统 - Google Patents
一种基于深度学习的船舶工况在线识别分析方法及系统 Download PDFInfo
- Publication number
- CN117932279A CN117932279A CN202410338706.2A CN202410338706A CN117932279A CN 117932279 A CN117932279 A CN 117932279A CN 202410338706 A CN202410338706 A CN 202410338706A CN 117932279 A CN117932279 A CN 117932279A
- Authority
- CN
- China
- Prior art keywords
- ship
- data
- representing
- deep learning
- model
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000005265 energy consumption Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000013136 deep learning model Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000007499 fusion processing Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000013433 optimization analysis Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000036962 time dependent Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 9
- 230000009467 reduction Effects 0.000 abstract description 5
- 238000004134 energy conservation Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000002829 reductive effect Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013105 post hoc analysis Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习的船舶工况在线识别分析方法及系统,本发明属于船舶工况识别技术领域,包括:收集船舶的多模态数据,并进行数据预处理;对收集的多模态数据进行融合处理;根据不同船舶类型和任务环境,自动调整深度学习模型的参数;实时处理船舶传感器产生的数据流;对非正常工况进行识别,并生成预警信号;采用多任务学习策略训练模型识别多种工况,并结合能耗模型,对船舶的能耗进行优化分析。本发明通过应用深度学习技术,提高了船舶工况在线识别的准确性和实时性。能处理多模态数据,适应不同船舶类型和任务环境,提高了工况识别的灵活性和适用性。结合能耗模型,为节能减排提供了有效的策略,提高能源效率并减少环境影响。
Description
技术领域
本发明涉及船舶工况识别技术领域,具体为一种基于深度学习的船舶工况在线识别分析方法及系统。
背景技术
近年来,随着深度学习技术的迅速发展和大数据时代的到来,船舶工况的在线识别和分析变得日益重要。传统的船舶监控系统主要依赖于基础的传感器数据和简单的阈值判断,这在处理复杂的海上环境和多变的船舶运行状态时显得力不从心。尽管近期有研究开始利用机器学习方法来提高识别的准确性,但这些方法往往忽略了船舶数据的多模态性质,即数据来源多样且具有不同的特性和重要性。此外,现有技术在实时数据处理和多任务学习方面也存在不足,难以有效地处理和分析实时收集的大量数据,同时识别多种工况。
此外,船舶能耗的优化一直是海运行业关注的焦点,现有技术通常只考虑单一维度的能耗分析,如燃油消耗,而忽视了工况识别结果对能耗优化的潜在影响。这导致了能耗优化策略的局限性,无法全面应对不同工况下的能耗变化。
针对上述问题,我们的发明提出了一种基于深度学习的船舶工况在线识别分析方法及系统。该系统首先收集船舶的多模态数据并进行预处理,确保数据质量和一致性。接着,应用深度学习算法对这些多模态数据进行融合处理,提取关键特征,并根据不同船舶类型和任务环境自动调整模型参数,以适应多变的海上环境。此外,该系统利用优化的数据流处理算法实时处理船舶传感器产生的数据流,有效提高了数据处理的实时性和准确性。在异常检测方面,该系统能够识别非正常工况并生成预警信号,为船舶操作提供及时的安全保障。最后,通过采用多任务学习策略,该系统不仅能够识别多种工况,还能结合能耗模型对船舶的能耗进行优化分析,为节能减排提供了有效的策略。
综上所述,我们的发明在多模态数据处理、实时数据流处理、异常检测、多任务学习以及能耗优化分析等方面均展现出显著的优势,相比现有技术,能够提供更全面、准确且实用的船舶工况在线识别和能耗优化解决方案。
发明内容
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:如何有效地整合和处理船舶的多模态数据,以提高工况在线识别的准确性和实时性,并将这些识别结果应用于船舶能耗的优化分析。
为解决上述技术问题,本发明提供如下技术方案:一种基于深度学习的船舶工况在线识别分析方法,包括:收集船舶的多模态数据,并进行数据预处理;
应用深度学习算法对收集的多模态数据进行融合处理;
根据不同船舶类型和任务环境,自动调整深度学习模型的参数;
利用优化的数据流处理算法,实时处理船舶传感器产生的数据流;
对非正常工况进行识别,并生成预警信号;
采用多任务学习策略,同时训练模型识别多种工况,并结合能耗模型,对船舶的能耗进行优化分析。
作为本发明所述的基于深度学习的船舶工况在线识别分析方法的一种优选方案,其中:所述收集船舶的多模态数据包括,
船舶的全球定位系统数据,提供船舶的实时位置和航向信息;
船舶雷达系统数据,捕捉周围海域的物体和障碍物信息;
船舶声纳系统数据,检测和分析水下环境和物体;
船舶视频监控数据,视觉分析船舶的运行状态和周围环境;
船舶传感器数据,包括速度、方向、温度、湿度、风速和风向参数,用于提供全面的船舶运行环境信息;
所述数据预处理包括,去噪、格式化和标准化,以确保数据质量和一致性。
从每种模态的数据中提取关键特征;
进行时间同步,确保所有数据在时间轴上对齐;
将提取的特征转换为适合深度学习模型处理的格式;
检测并处理异常值和缺失值。
作为本发明所述的基于深度学习的船舶工况在线识别分析方法的一种优选方案,其中:所述应用深度学习算法对收集的多模态数据进行融合处理包括,综合评估和融合多模态数据,公式为:
;
其中,表示最终的数据融合函数,用于输出融合后的数据特征;/>表示收集的多模态数据集合;/>表示数据集合中的数据点总数;/>表示针对第/>个数据点的调整系数,用于控制每个数据点在融合中的影响力;/>表示一个过滤函数,应用于第/>个数据点/>;/>表示一个高等积分函数,用于处理第/>个数据点/>和变量/>的关系;/>表示自然常数。
作为本发明所述的基于深度学习的船舶工况在线识别分析方法的一种优选方案,其中:所述自动调整深度学习模型的参数包括,公式为:
;
其中,为参数调整函数,/>表示模型参数的集合,/>表示船舶类型,/>表示任务环境,/>表示归一化函数,保证调整后的参数标准化;/>表示模型参数的总数,/>表示深度学习模型中的第/>个参数,/>表示针对第/>个参数的调整系数,/>表示信息过滤函数,用于处理第/>个参数与船舶类型/>和任务环境/>的关系。
作为本发明所述的基于深度学习的船舶工况在线识别分析方法的一种优选方案,其中:所述利用优化的数据流处理算法包括,
设定初始状态估计和初始误差协方差/>;
确定状态转移模型、控制输入模型/>、观测模型/>、过程噪声协方差/>和观测噪声协方差/>;
对于每个时间点,基于前一状态/>和外部控制/>使用状态转移模型/>预测当前状态/>:
;
更新预测协方差:
;
其中,表示前一时间点的协方差,/>表示为状态转移模型/>的转置矩阵;
当新的观测数据可用时,计算卡尔曼增益/>:
;
其中,表示观测模型/>的转置矩阵;
使用卡尔曼增益更新状态估计:
;
其中,表示在时间点/>的状态估计,/>表示在时间点/>从传感器收集的原始数据点;
在每个新的时间点重复预测和更新,以不断整合新的观测数据;
将处理后的数据作为深度学习模型的输入,用于船舶任务工况的在线识别。
作为本发明所述的基于深度学习的船舶工况在线识别分析方法的一种优选方案,其中:所述生成预警信号包括,
基于历史数据和船舶性能参数,定义的正常工况范围/>;
当落在正常范围内,即/>时,则判断为目前船舶工况属于正常工况;
当超出正常范围,即/>或/>时,则判断为目前船舶工况属于异常工况;
根据与正常范围的偏离程度,生成不同等级的预警信号;
若在/>或/>,则进行轻度预警;
若或/>,则进行重度预警;
根据船舶的实时运行数据和历史性能数据,动态调整和预警阈值/>。
作为本发明所述的基于深度学习的船舶工况在线识别分析方法的一种优选方案,其中:所述对船舶的能耗进行优化分析包括,基于作为输入,建立一个深度神经网络/>,包含共享层和多个任务特定层/>,分别处理不同的工况识别任务;
建立能耗模型,公式为:
;
其中,表示一个基于船舶航速/>和货物载重/>的功率函数,用于估计基础能耗;/>表示一个风险调整函数,考虑了工况识别结果/>、航速/>和载重/>对能耗的影响;/>表示一个时间依赖的调整函数,考虑了工况随时间的变化对能耗的影响;/>均表示权重系数,用于平衡各个函数对总能耗的贡献;/>表示为对时间依赖函数的积分,用于计算一段时间内的总能耗调整;
使用历史数据集训练模型,其中/>表示输入特征,/>表示工况标签,/>表示能耗数据;
;
其中,表示深度学习模型/>对输入特征/>的预测输出;/>表示平衡参数,用于调整工况识别损失和能耗估计损失之间的权重;/>表示能耗模型/>对工况状态/>和输入特征/>的能耗预测。
一种基于深度学习的船舶工况在线识别分析系统,包括,
数据收集与预处理模块:收集船舶的多模态数据,并进行数据预处理;
数据融合处理模块:应用深度学习算法对收集的多模态数据进行融合处理;
模型参数自适应调整模块:根据不同船舶类型和任务环境,自动调整深度学习模型的参数;
实时数据流处理模块:利用优化的数据流处理算法,实时处理船舶传感器产生的数据流;
异常检测预警模块:对非正常工况进行识别,并生成预警信号;
能耗优化模块:采用多任务学习策略,同时训练模型识别多种工况,并结合能耗模型,对船舶的能耗进行优化分析。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明的有益效果:本发明通过应用深度学习技术,显著提高了船舶工况在线识别的准确性和实时性。它能有效处理多模态数据,适应不同船舶类型和任务环境,从而提高了工况识别的灵活性和适用性。此外,集成的异常检测机制增强了船舶运行的安全性,而多任务学习策略使得系统能同时处理多种工况。最重要的是,本发明结合能耗模型,为节能减排提供了有效的策略,有助于提高能源效率并减少环境影响。总体而言,本发明提供了一个全面且高效的解决方案,用于改善船舶运行的安全性、效率和环境友好性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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它的附图。
图1为本发明第一个实施例提供的一种基于深度学习的船舶工况在线识别分析方法的整体流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
实施例1
参照图1,为本发明的一个实施例,提供了一种基于深度学习的船舶工况在线识别分析方法,包括:
S1:收集船舶的多模态数据,并进行数据预处理。
收集船舶的多模态数据包括,船舶的全球定位系统数据,提供船舶的实时位置和航向信息;船舶雷达系统数据,捕捉周围海域的物体和障碍物信息;船舶声纳系统数据,检测和分析水下环境和物体;船舶视频监控数据,视觉分析船舶的运行状态和周围环境;船舶传感器数据,包括但不限于速度、方向、温度、湿度、风速和风向等参数,用于提供全面的船舶运行环境信息。
数据预处理的步骤包括去噪、格式化和标准化,这些步骤对于确保数据质量和一致性至关重要。去噪处理可以消除数据中的误差和干扰,格式化确保数据格式统一,便于后续处理,而标准化则是为了将数据转换为适合深度学习模型处理的格式。此外,从每种模态的数据中提取关键特征,并进行时间同步以确保所有数据在时间轴上对齐,是确保数据质量的关键步骤。最后,检测并处理异常值和缺失值,以进一步提高数据的可靠性和准确性。
应说明的是,通过高效地收集和预处理多模态数据,为深度学习模型提供了高质量和一致性的输入,这对于后续的工况识别和分析至关重要。通过这一步骤,可以显著提高后续深度学习模型的准确性和效率,为船舶的安全运行和高效管理提供了坚实的数据基础。
S2:应用深度学习算法对收集的多模态数据进行融合处理。
应用深度学习算法对收集的多模态数据进行融合处理包括,综合评估和融合多模态数据,公式为:
;
其中,表示最终的数据融合函数,用于输出融合后的数据特征;/>表示收集的多模态数据集合;/>表示数据集合中的数据点总数;/>表示针对第/>个数据点的调整系数,用于控制每个数据点在融合中的影响力;/>表示一个过滤函数,应用于第/>个数据点/>;/>表示一个高等积分函数,用于处理第/>个数据点/>和变量/>的关系;/>表示自然常数。
应说明的是,通过深度学习算法的应用,可以有效地处理和融合来自不同源的数据,提取出更加丰富和准确的特征,这对于后续的工况识别至关重要。融合处理不仅增强了数据的表现力,还提高了后续模型对复杂工况的识别能力,尤其是在面对多变的海上环境和复杂的船舶操作条件时。可以确保数据融合过程既全面又具有针对性,从而提高整个系统的效率和准确性。使得模型能够处理更复杂的数据关系,提取更深层次的特征,从而提高识别的准确性和可靠性。
S3:根据不同船舶类型和任务环境,自动调整深度学习模型的参数。
自动调整深度学习模型的参数包括,公式为:
;
其中,为参数调整函数,/>表示模型参数的集合,/>表示船舶类型,/>表示任务环境,/>表示归一化函数,保证调整后的参数标准化;/>表示模型参数的总数,/>表示深度学习模型中的第/>个参数,/>表示针对第/>个参数的调整系数,/>表示信息过滤函数,用于处理第/>个参数与船舶类型/>和任务环境/>的关系。
应说明的是,通过自动调整模型参数,本发明能够确保深度学习模型在不同的船舶类型和任务环境下都能保持最佳性能,提高了模型的通用性和灵活性。归一化函数的应用保证了模型的稳定性,防止了因参数调整过度而导致的模型性能下降。调整系数和信息过滤函数的应用使得参数调整既具有针对性又具有实用性,提高了模型对特定工况的适应能力。
S4:利用优化的数据流处理算法,实时处理船舶传感器产生的数据流。
利用优化的数据流处理算法包括,设定初始状态估计和初始误差协方差/> ;确定状态转移模型/>、控制输入模型/>、观测模型/>、过程噪声协方差/>和观测噪声协方差/>。
对于每个时间点,基于前一状态/>和外部控制/>使用状态转移模型/>预测当前状态/>:
;
更新预测协方差:
;
其中,表示前一时间点的协方差,/>表示为状态转移模型/>的转置矩阵;
当新的观测数据可用时,计算卡尔曼增益/>:
;
其中,表示观测模型/>的转置矩阵;
使用卡尔曼增益更新状态估计:
;
其中,表示在时间点/>的状态估计,/>表示在时间点/>从传感器收集的原始数据点。
在每个新的时间点重复预测和更新,以不断整合新的观测数据。
将处理后的数据作为深度学习模型的输入,用于船舶任务工况的在线识别。
应说明的是,通过实时处理船舶传感器数据,本步骤能够及时提供船舶的最新状态信息,对于船舶的导航和安全运行至关重要。状态转移模型和控制输入模型的应用使得预测更加准确,能够考虑到船舶操作和环境变化的影响。卡尔曼滤波器的使用提高了数据处理的准确性,尤其是在数据噪声和不确定性较高的情况下。实时更新的状态估计为深度学习模型提供了准确的输入,从而提高了工况识别的准确性和效率。
优化数据流处理算法为深度学习模型提供了实时且准确的数据输入,这对于提高船舶工况在线识别的性能至关重要。通过这一步骤,可以显著提高船舶运行的安全性和效率,为船舶的智能监控和管理提供了强有力的技术支持
S5:对非正常工况进行识别,并生成预警信号。
对非正常工况进行识别,并生成预警信号包括。
基于历史数据和船舶性能参数,定义的正常工况范围/>。
当落在正常范围内,即/>时,则判断为目前船舶工况属于正常工况;当/>超出正常范围,即/>或/>时,则判断为目前船舶工况属于异常工况。
根据与正常范围的偏离程度,生成不同等级的预警信号;若/>在或/>,则进行轻度预警;若/>或,则进行重度预警。
根据船舶的实时运行数据和历史性能数据,动态调整和预警阈值/>。
进一步的,当系统发出轻度预警时,首先进行深入的数据分析和诊断,以确定异常的具体原因。根据诊断结果,系统可以提供具体的操作建议,如调整航速或航向,以避免潜在的风险。如果预警与设备性能下降有关,可以建议进行预防性维护或检查,以避免问题的进一步恶化。
在重度预警的情况下,系统需要采取紧急措施,如立即降低航速,更改航线,或者在必要时停船检查。激活安全协议和紧急响应计划,包括通知船员和相关部门,准备紧急撤离或救援操作。对发生的异常情况进行详细记录,并生成报告,用于事后分析和改进措施。
持续监控船舶的运行数据,以实时捕捉任何可能导致状态变化的因素。根据最新的运行数据和环境条件,动态调整正常工况范围和预警阈值,以保持预警系统的准确性和有效性。系统通过机器学习算法从每次预警事件中学习,不断优化预警逻辑和参数设置,以更好地适应复杂多变的海上环境。
应说明的是,通过对非正常工况的及时识别,可以防止潜在的事故发生,保障船舶及其乘员的安全。不同等级的预警信号使得船舶操作人员或自动控制系统可以根据实际情况采取适当的应对措施。动态调整正常工况范围和预警阈值使得系统能够适应不同的运行条件和环境变化,提高了系统的适应性和灵活性。
S6:采用多任务学习策略,同时训练模型识别多种工况,并结合能耗模型,对船舶的能耗进行优化分析。
对船舶的能耗进行优化分析包括,基于作为输入,建立一个深度神经网络/>,包含共享层和多个任务特定层/>,分别处理不同的工况识别任务;
建立能耗模型,公式为:
;
其中,表示一个基于船舶航速/>和货物载重/>的功率函数,用于估计基础能耗;/>表示一个风险调整函数,考虑了工况识别结果/>、航速/>和载重/>对能耗的影响;/>表示一个时间依赖的调整函数,考虑了工况随时间的变化对能耗的影响;均表示权重系数,用于平衡各个函数对总能耗的贡献;/>表示为对时间依赖函数的积分,用于计算一段时间内的总能耗调整;
使用历史数据集训练模型,其中/>表示输入特征,/>表示工况标签,/>表示能耗数据;
;
其中,表示深度学习模型/>对输入特征/>的预测输出;/>表示平衡参数,用于调整工况识别损失和能耗估计损失之间的权重;/>表示能耗模型/>对工况状态/>和输入特征/>的能耗预测。
应说明的是,多任务学习策略使得模型能够同时识别多种工况,提高了识别的效率和准确性。结合能耗模型,本步骤能够根据不同工况和运行参数优化船舶的能耗,有助于节能减排。通过考虑时间依赖的因素,能耗模型能够动态调整,以适应不同的运行条件和环境变化。使用历史数据集训练模型,使得能耗优化分析基于数据驱动,提高了决策的准确性和可靠性。
以上实施例中,还包括一种基于深度学习的船舶工况在线识别分析系统,具体为:
数据收集与预处理模块:收集船舶的多模态数据,并进行数据预处理;
数据融合处理模块:应用深度学习算法对收集的多模态数据进行融合处理;
模型参数自适应调整模块:根据不同船舶类型和任务环境,自动调整深度学习模型的参数;
实时数据流处理模块:利用优化的数据流处理算法,实时处理船舶传感器产生的数据流;
异常检测预警模块:对非正常工况进行识别,并生成预警信号;
能耗优化模块:采用多任务学习策略,同时训练模型识别多种工况,并结合能耗模型,对船舶的能耗进行优化分析。
计算机设备可以是服务器。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力监控系统的数据集群数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于深度学习的船舶工况在线识别分析方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(MagnetoresistiveRandomAccessMemory,MRAM)、铁电存储器(FerroelectricRandomAccessMemory,FRAM)、相变存储器(PhaseChangeMemory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccessMemory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(StaticRandomAccessMemory,SRAM)或动态随机存取存储器(DynamicRandomAccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
实施例2
为本发明的一个实施例,提供了一种基于深度学习的船舶工况在线识别分析方法,为了验证本发明的有益效果,通过经济效益计算和仿真/对比实验进行科学论证。
实验对象为两艘不同类型的船舶:货运船(Cargo Ship)和客运船(PassengerShip)。实验分为两个阶段:数据收集与预处理,以及深度学习模型的应用和能耗优化分析。
在数据收集阶段,我们从两艘船舶的GPS、雷达、声纳、视频监控和物理传感器中收集数据。这些数据包括船舶的位置、航向、周围海域的物体、水下环境、运行状态和环境参数等。收集的数据经过去噪、格式化和标准化处理,以确保数据质量和一致性。
接下来,我们应用深度学习算法对这些多模态数据进行融合处理。使用的深度学习模型包括共享层和针对不同工况的任务特定层,以有效地处理和识别各种工况。同时,我们建立了一个能耗模型,该模型考虑了船舶航速、货物载重和工况识别结果对能耗的影响。
在实验过程中,我们特别关注模型在识别非正常工况并生成预警信号的能力,以及在多任务学习策略下对能耗的优化效果。为了验证发明的创新性和优势,我们将实验结果与现有技术进行了对比。可参考下列表1数据内容。
表1实验数据参考表
通过对比实验数据,可以明显看出,本发明在船舶工况在线识别的准确率方面显著优于现有技术。对于货运船和客运船,正常工况的识别准确率分别达到了95%和93%,而异常工况的识别准确率也分别达到了90%和88%。相比之下,现有技术的识别准确率分别仅为85%和80%。这一显著提升得益于深度学习算法的高效数据融合和多任务学习策略,能够更准确地处理和识别复杂的海上环境和船舶运行状态。
在能耗优化方面,本发明通过结合能耗模型,实现了显著的能耗降低。实验数据显示,能耗优化前后的差异分别为15%和12%,远高于现有技术的5%。这一结果证明了本发明在提高船舶运行效率和降低能源消耗方面的显著优势。
此外,本发明在预警响应时间上也表现出色。实验数据显示,本发明的预警响应时间分别为28秒和34秒,而现有技术则需要63秒。这一快速响应能力对于提高船舶运行的安全性至关重要,尤其是在紧急情况下,快速准确的预警可以有效避免事故的发生。
综上所述,本发明在船舶工况在线识别的准确性、能耗优化效率以及预警响应速度方面均显著优于现有技术。这些优势不仅提高了船舶运行的安全性和效率,还有助于节能减排,符合当前环保和可持续发展的趋势。因此,本发明在船舶智能监控和管理领域具有重要的实际应用价值和广阔的市场前景。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于深度学习的船舶工况在线识别分析方法,其特征在于,包括:
收集船舶的多模态数据,并进行数据预处理;
应用深度学习算法对收集的多模态数据进行融合处理;
根据不同船舶类型和任务环境,自动调整深度学习模型的参数;
利用优化的数据流处理算法,实时处理船舶传感器产生的数据流;
对非正常工况进行识别,并生成预警信号;
采用多任务学习策略,同时训练模型识别多种工况,并结合能耗模型,对船舶的能耗进行优化分析。
2.如权利要求1所述的基于深度学习的船舶工况在线识别分析方法,其特征在于:所述收集船舶的多模态数据包括,
船舶的全球定位系统数据,提供船舶的实时位置和航向信息;
船舶雷达系统数据,捕捉周围海域的物体和障碍物信息;
船舶声纳系统数据,检测和分析水下环境和物体;
船舶视频监控数据,视觉分析船舶的运行状态和周围环境;
船舶传感器数据,包括速度、方向、温度、湿度、风速和风向参数,用于提供全面的船舶运行环境信息;
所述数据预处理包括,去噪、格式化和标准化,以确保数据质量和一致性;从每种模态的数据中提取关键特征;
进行时间同步,确保所有数据在时间轴上对齐;
将提取的特征转换为适合深度学习模型处理的格式;
检测并处理异常值和缺失值。
3.如权利要求2所述的基于深度学习的船舶工况在线识别分析方法,其特征在于:所述应用深度学习算法对收集的多模态数据进行融合处理包括,综合评估和融合多模态数据,公式为:
;
其中,表示最终的数据融合函数,用于输出融合后的数据特征;/>表示收集的多模态数据集合;/>表示数据集合中的数据点总数;/>表示针对第/>个数据点的调整系数,用于控制每个数据点在融合中的影响力;/>表示一个过滤函数,应用于第/>个数据点;/>表示一个高等积分函数,用于处理第/>个数据点/>和变量/>的关系;/>表示自然常数。
4.如权利要求3所述的基于深度学习的船舶工况在线识别分析方法,其特征在于:所述自动调整深度学习模型的参数包括,公式为:
;
其中,为参数调整函数,/>表示模型参数的集合,/>表示船舶类型,/>表示任务环境,/>表示归一化函数,保证调整后的参数标准化;/>表示模型参数的总数,表示深度学习模型中的第/>个参数,/>表示针对第/>个参数的调整系数,/>表示信息过滤函数,用于处理第/>个参数与船舶类型/>和任务环境/>的关系。
5.如权利要求4所述的基于深度学习的船舶工况在线识别分析方法,其特征在于:所述利用优化的数据流处理算法包括,
设定初始状态估计和初始误差协方差/> ;
确定状态转移模型、控制输入模型/>、观测模型/>、过程噪声协方差/>和观测噪声协方差/>;
对于每个时间点,基于前一状态/>和外部控制/>使用状态转移模型/>预测当前状态/>:
;
更新预测协方差:
;
其中,表示前一时间点的协方差,/>表示为状态转移模型/>的转置矩阵;
当新的观测数据可用时,计算卡尔曼增益/>:
;
其中,表示观测模型/>的转置矩阵;
使用卡尔曼增益更新状态估计:
;
其中,表示在时间点/>的状态估计,/>表示在时间点/>从传感器收集的原始数据点;
在每个新的时间点重复预测和更新,以不断整合新的观测数据;
将处理后的数据作为深度学习模型的输入,用于船舶任务工况的在线识别。
6.如权利要求5所述的基于深度学习的船舶工况在线识别分析方法,其特征在于:所述生成预警信号包括,
基于历史数据和船舶性能参数,定义的正常工况范围/>;
当落在正常范围内,即/>时,则判断为目前船舶工况属于正常工况;
当超出正常范围,即/>或/>时,则判断为目前船舶工况属于异常工况;
根据与正常范围的偏离程度,生成不同等级的预警信号;
若在/>或/>,则进行轻度预警;
若或/>,则进行重度预警;
根据船舶的实时运行数据和历史性能数据,动态调整和预警阈值/>。
7.如权利要求6所述的基于深度学习的船舶工况在线识别分析方法,其特征在于:所述对船舶的能耗进行优化分析包括,基于作为输入,建立一个深度神经网络/>,包含共享层和多个任务特定层/>,分别处理不同的工况识别任务;
建立能耗模型,公式为:
;
其中,表示一个基于船舶航速/>和货物载重/>的功率函数,用于估计基础能耗;/>表示一个风险调整函数,考虑了工况识别结果/>、航速/>和载重/>对能耗的影响;/>表示一个时间依赖的调整函数,考虑了工况随时间的变化对能耗的影响;均表示权重系数,用于平衡各个函数对总能耗的贡献;/>表示为对时间依赖函数的积分,用于计算一段时间内的总能耗调整;
使用历史数据集 训练模型,其中/>表示输入特征,/>表示工况标签,/>表示能耗数据;
;
其中,表示深度学习模型/>对输入特征/>的预测输出;/>表示平衡参数,用于调整工况识别损失和能耗估计损失之间的权重;/>表示能耗模型/>对工况状态和输入特征/>的能耗预测。
8.一种采用如权利要求1-7任一所述方法的一种基于深度学习的船舶工况在线识别分析系统,其特征在于:包括,
数据收集与预处理模块:收集船舶的多模态数据,并进行数据预处理;
数据融合处理模块:应用深度学习算法对收集的多模态数据进行融合处理;
模型参数自适应调整模块:根据不同船舶类型和任务环境,自动调整深度学习模型的参数;
实时数据流处理模块:利用优化的数据流处理算法,实时处理船舶传感器产生的数据流;
异常检测预警模块:对非正常工况进行识别,并生成预警信号;
能耗优化模块:采用多任务学习策略,同时训练模型识别多种工况,并结合能耗模型,对船舶的能耗进行优化分析。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410338706.2A CN117932279A (zh) | 2024-03-25 | 2024-03-25 | 一种基于深度学习的船舶工况在线识别分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410338706.2A CN117932279A (zh) | 2024-03-25 | 2024-03-25 | 一种基于深度学习的船舶工况在线识别分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117932279A true CN117932279A (zh) | 2024-04-26 |
Family
ID=90761446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410338706.2A Pending CN117932279A (zh) | 2024-03-25 | 2024-03-25 | 一种基于深度学习的船舶工况在线识别分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117932279A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2669172A1 (en) * | 2012-06-01 | 2013-12-04 | ABB Technology AG | Method and system for predicting the performance of a ship |
CN111369077A (zh) * | 2020-02-10 | 2020-07-03 | 大连理工大学 | 一种基于机器学习的在港船舶能耗预测方法 |
CN113431496A (zh) * | 2021-05-31 | 2021-09-24 | 中国舰船研究设计中心 | 一种钻采船协同作业故障诊断及辅助决策方法 |
CN115272876A (zh) * | 2022-07-15 | 2022-11-01 | 湖北工业大学 | 一种基于深度学习的遥感图像船舶目标检测方法 |
CN116991915A (zh) * | 2023-07-25 | 2023-11-03 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种绞吸挖泥船异常工况智能识别诊断方法 |
-
2024
- 2024-03-25 CN CN202410338706.2A patent/CN117932279A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2669172A1 (en) * | 2012-06-01 | 2013-12-04 | ABB Technology AG | Method and system for predicting the performance of a ship |
CN111369077A (zh) * | 2020-02-10 | 2020-07-03 | 大连理工大学 | 一种基于机器学习的在港船舶能耗预测方法 |
CN113431496A (zh) * | 2021-05-31 | 2021-09-24 | 中国舰船研究设计中心 | 一种钻采船协同作业故障诊断及辅助决策方法 |
CN115272876A (zh) * | 2022-07-15 | 2022-11-01 | 湖北工业大学 | 一种基于深度学习的遥感图像船舶目标检测方法 |
CN116991915A (zh) * | 2023-07-25 | 2023-11-03 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种绞吸挖泥船异常工况智能识别诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
D’Addona et al. | Tool-wear prediction and pattern-recognition using artificial neural network and DNA-based computing | |
Zhang et al. | A systematic approach for collision risk analysis based on AIS data | |
KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
Raptodimos et al. | Application of NARX neural network for predicting marine engine performance parameters | |
Perera et al. | Machine intelligence based data handling framework for ship energy efficiency | |
Pacella et al. | Using recurrent neural networks to detect changes in autocorrelated processes for quality monitoring | |
WO2022134495A1 (zh) | 基于深度学习的设备异常检测方法、系统及计算机介质 | |
CN114813105A (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 | |
CN115131393A (zh) | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 | |
US20200156680A1 (en) | Railway vehicle major component and system diagnosis apparatus | |
CN116843071B (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
Perera et al. | Marine engine-centered data analytics for ship performance monitoring | |
CN116994418A (zh) | 管道安全预警方法及系统 | |
CN113553356A (zh) | 一种钻井参数预测方法和系统 | |
CN116258482B (zh) | 一种自动选择维修方案的方法、服务器、电子设备 | |
CN116714437B (zh) | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 | |
Yang et al. | Online risk modeling of autonomous marine systems: Case study of autonomous operations under sea ice | |
CN117932279A (zh) | 一种基于深度学习的船舶工况在线识别分析方法及系统 | |
JP3213929U (ja) | 海上プラント予防保全システム | |
CN115496384A (zh) | 工业设备的监控管理方法、装置和计算机设备 | |
Ak et al. | Ensemble neural network model for predicting the energy consumption of a milling machine | |
Sun et al. | A data-driven framework for tunnel infrastructure maintenance | |
Cheng et al. | A step-wise feature selection scheme for a prognostics and health management system in autonomous ferry crossing operation | |
CN114943281A (zh) | 一种热管冷却反应堆智能决策方法及系统 | |
Gao et al. | Energy consumption optimization of inland sea ships based on operation data and ensemble learning |
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 |