RU2589367C1 - Method of monitoring emergency situations in conditions of uncertainty of medium - Google Patents
Method of monitoring emergency situations in conditions of uncertainty of medium Download PDFInfo
- Publication number
- RU2589367C1 RU2589367C1 RU2015103601/08A RU2015103601A RU2589367C1 RU 2589367 C1 RU2589367 C1 RU 2589367C1 RU 2015103601/08 A RU2015103601/08 A RU 2015103601/08A RU 2015103601 A RU2015103601 A RU 2015103601A RU 2589367 C1 RU2589367 C1 RU 2589367C1
- Authority
- RU
- Russia
- Prior art keywords
- uncertainty
- value
- situation
- entropy
- parameter
- Prior art date
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
Description
Изобретение относится к способам контроля и организации управления, в частности бортовых систем обеспечения безопасности мореплавания судов и технических средств освоения океана, а также прогнозирования динамики судна в сложных условиях эксплуатации.The invention relates to methods for monitoring and controlling, in particular on-board systems for ensuring the safety of navigation of ships and technical means for developing the ocean, as well as forecasting the dynamics of the vessel in difficult operating conditions.
Известен патент №2334262 «Способ контроля и управления состоянием неопределенности системы», основанный на анализе и целенаправленном изменении величины комплексного энтропийного потенциала LΔ параметра системы, состоящий в определении базового значения параметра системы и расчете величины комплексного энтропийного потенциала LΔ в соответствии с зависимостью LΔ=(σKЭ)/XП и определении ее изменения после каждого этапа эволюции или управления системой, по величине LΔ приращения или дифференциала комплексного энтропийного потенциала управляют состоянием неопределенности системы путем изменения настроек базового значения, задающих диапазон изменения параметра или его предельного значения, или величину его математического ожидания, или величину установки регулятора, или его номинальное значение, или базовую величину энтропийного потенциала, где σ - величина среднеквадратического отклонения параметра системы; KЭ - энтропийный коэффициент, величина которого определяется законом распределения параметра; XП - базовое значение, относительно которого рассматривается состояние неопределенности.Known patent No. 2334262 "Method for monitoring and controlling the state of uncertainty of the system", based on the analysis and purposeful change in the value of the complex entropy potential L Δ of the system parameter, consisting in determining the base value of the system parameter and calculating the value of the complex entropy potential L Δ in accordance with the dependence L Δ = (σK E) / X n and determining its change after each step or evolution of the control system, the magnitude of L Δ increment or integrated differential entropy potential y ravlyaetsya state of the system uncertainties by changing the basic setting values defining the range of variation of the parameter or a limit value or the magnitude of its expectation or regulator setting value or a nominal value or reference value entropy potential where σ - the value of the standard deviation parameter of the system; K E - entropy coefficient, the value of which is determined by the law of distribution of the parameter; X P - the base value, relative to which the state of uncertainty is considered.
Недостатком этого способа является высокая степень погрешности при оценке изменений величин σ и KЭ контролируемого параметра в условиях большой неопределенности взаимодействия судна с внешней средой, а также низкая степень надежности контроля базового значения XП в экстремальных ситуациях при воздействии значительных ветроволновых возмущений и возникновении нештатного режима работы системы контроля.The disadvantage of this method is the high degree of error in assessing changes in the values of σ and K O of the controlled parameter under conditions of great uncertainty of the interaction of the vessel with the external environment, as well as the low degree of reliability of the control of the base value X P in extreme situations when exposed to significant wind wave disturbances and an emergency operation control systems.
Техническим результатом предлагаемого способа является уменьшение величины погрешности и повышение степени надежности функционирования бортовых систем для обеспечения безопасности мореплавания судов при возникновении экстремальных ситуаций, связанных с необходимостью предотвращения выхода контролируемого параметра за принятое ограничение.The technical result of the proposed method is to reduce the error and increase the degree of reliability of the onboard systems to ensure the safety of navigation of ships in the event of extreme situations associated with the need to prevent the controlled parameter from exceeding the adopted limit.
Для достижения технического результата предлагается использовать способ, базирующийся на принципе конкуренции при выборе предпочтительной вычислительной технологии управления бортовыми системами в условиях большой неопределенности при возникновении экстремальных ситуаций и для его осуществления необходимое оборудование рабочего места оператора, которое включает оснащение графическим экраном, связанным интерфейсами с бортовой ЭВМ, процессором нечеткой логики и нейрокомпьютером, с помощью которых обеспечивается функционирование интеллектуальной системы, реализующей обработку измерительной информации и процедуры адаптивного управления в логическом блоке на основе самоорганизующейся нейронной сети.To achieve a technical result, it is proposed to use a method based on the principle of competition when choosing the preferred computing technology for controlling on-board systems in conditions of great uncertainty in case of extreme situations and for its implementation the necessary equipment for the operator’s workplace, which includes equipping a graphic screen connected to the onboard computer interfaces, a fuzzy logic processor and a neurocomputer, with the help of which e intellectual system that implements the processing of measurement information and adaptive control procedures in a logical unit based on a self-organizing neural network.
Для обучения нейронных сетей на основе нейрокомпьютера используется информация, полученная от датчиков блока измерения в реальных условиях эксплуатации судна. В процессе обучения осуществляется настройка весов синоптических (межнейронных) связей.To train neural networks based on a neurocomputer, information is used obtained from the sensors of the measurement unit in the actual operating conditions of the vessel. In the process of training, weights are adjusted for synoptic (interneuron) connections.
Таким образом, предлагаемый способ, вместе с реализующими его устройствами, обеспечивает создание интеллектуальной среды контроля экстремальных ситуаций в условиях неопределенности среды, включающей в себя функциональные блоки в виде совокупности управляющих элементов на основе бортовой ЭВМ, процессора нечеткой логики и нейрокомпьютера.Thus, the proposed method, together with the devices that implement it, provides the creation of an intelligent environment for controlling extreme situations in an environment of uncertainty, including functional blocks in the form of a set of control elements based on an onboard computer, a fuzzy logic processor and a neurocomputer.
На фиг. 1 представлена блок-схема устройства, реализующего способ контроля экстремальных ситуаций в условиях неопределенности среды. Устройство содержит измерительный блок 1, содержащий блок датчиков 2 и блок преобразования измерительной информации в цифровые коды 3, сигналы от которого поступают в пункт контроля 4, включающий рабочее место оператора 5 с графическим экраном 6, интеллектуальной системой 7, логическим блоком 8, ЭВМ 9, процессором нечеткой логики 10 и нейрокомпьютером 11.In FIG. 1 is a block diagram of a device that implements a method for controlling extreme situations in an environment of uncertainty. The device comprises a
На фиг. 2 представлен блок датчиков 2, который содержит датчики контролируемых параметров судна, включая датчики метацентрической высоты 12, равновесных значений средней осадки 13, углов крена 14 и дифферента 15, скорости судна 16, скорости и направления ветра 17, 18, высоты и курсового угла волны 19, 20. Контролируемые параметры определяются в зависимости от задачи контроля на основе интеллектуальной системой 7.In FIG. 2, a
На фиг. 3 показано функционирование интеллектуальной системы 7 на базе измерительной информации, поступающей с блока 1, которая устанавливает факт возникновения экстремальной ситуации, вырабатывает управляющие воздействия по контролю текущей ситуации, содержит базу знаний 21, механизм логического вывода 22, систему объяснения 23 и базу данных 24, реализуется на базе процессора нечеткой логики 10 и бортовой ЭВМ 9, представляющей собой многопроцессорный вычислительный комплекс.In FIG. 3 shows the functioning of an
На фиг. 4 представлен логический блок 8, который обеспечивает функционирование устройства контроля при анализе и прогнозе текущих ситуаций в условиях неопределенности среды, классификация которой 25 позволяет выделить слабую неопределенность 26, значительную неопределенность 27 и полную неопределенность 28 с конкретной интерпретацией соответствующих математических моделей 29, 30, 31, в том числе и при возникновении экстремальных ситуаций, связанных с воздействием значительных внешних возмущений и выходом измеряемых характеристик судна за принятые ограничения, управляется на основе интеллектуальной системы 7, обеспечивающей с помощью ЭВМ 9 идентификацию, анализ и прогноз текущей ситуации и обучение самоорганизующейся нейронной сети. Логические операции, выполняемые в блоке 8, поддерживаются процессором нечеткой логики 10, а операции по самоорганизации нейронной сети на основе нейрокомпьютера 11.In FIG. 4 presents a
Способ осуществляется следующим образом.The method is as follows.
Кодированный командный сигнал с кодом, соответствующим заданному измерительному элементу блока датчиков 1, подается с рабочего места оператора 4 пункта контроля (рулевая рубка) и переводит его из ждущего режима в режим измерения. В этом режиме аналоговые сигналы с блока измерения 2 поступают на блок преобразования измерительной информации 3, где осуществляется их необходимое усиление и преобразование в цифровые коды. Сигналы от преобразователей поступают на вход логического блока 8, который производит обработку информации, поступившей от блоков измерения 2 и преобразователей 3. Результат вычислений на рабочем месте оператора 5, оснащенного графическим экраном 6, соединенным интерфейсами с ЭВМ 9, процессором нечеткой логики 10 и нейрокомпьютером 11, сравнивается с данными, полученными при метрологической аттестации, и поступает для дальнейшей обработки в интеллектуальную систему 7, содержащую базу знаний 21, механизм логического вывода 22, систему объяснений 23 и базу данных 24, осуществляющую анализ состояния неопределенности ситуации 25 и выделения слабой 26, значительной 27 и полной неопределенности 28 с конкретной интерпретацией соответствующих математических моделей 29, 30, 31 в зависимости от сложившейся ситуации, при идентификации экстремальной ситуации, установленной в процессе функционирования интеллектуальной системы 7 на основе бортовой ЭВМ 9, команда управления дальнейшей обработкой информации в логическом блоке 4 на основе механизма вывода 22 интеллектуальной системы 7, реализуемого процессором нечеткой логики 10, обеспечивает анализ неопределенности ситуации 25 и прогноз ее развития с учетом моделей 29, 30, 31, а также обучение и формирование самоорганизующейся нейронной сети на основе нейрокомпьютера 11.An encoded command signal with a code corresponding to a given measuring element of the
Способ обработки информации при контроле неопределенности на основе анализа и целенаправленного изменения величины комплексного энтропийного потенциала LΔ контролируемого параметра системы состоит в выполнении последовательности преобразований:The method of processing information in the control of uncertainty based on analysis and targeted changes in the magnitude of the complex entropy potential L Δ of the controlled parameter of the system consists in performing a sequence of transformations:
1. Определяют базовое значение параметра системы с использованием данных измерений и принципа максимума информации, реализация которого обеспечивает максимум взаимной информации между условиями среды и реакциями системы:1. The basic value of the system parameter is determined using the measurement data and the principle of maximum information, the implementation of which provides the maximum of mutual information between environmental conditions and system reactions:
где X - внешнее воздействие; Y - реакция на внешнее воздействие с целью получения полезного результата: чем больше взаимная информация, тем теснее связь и тем меньше энтропия H(X,Y).where X is the external influence; Y is a reaction to external influence in order to obtain a useful result: the more mutual information, the closer the connection and the lower the entropy H (X, Y).
2. Определяют неопределенность системы на универсальном множестве, в котором величина энтропии исследуемого параметра образует ядро множества, содержащего преобразования, позволяющие представить величину энтропии H(y), энтропийного потенциала ΔЭ и его приращения δΔЭ на основе соотношений:2. Determine the system on uncertainty universal set, wherein the entropy value of the test parameter set forms a core comprising transform for presentation of the entropy H (y), Δ E entropy potential and its increment δΔ E based on the relationship:
Здесь p(y) - закон распределения исследуемого параметра; KЭ - энтропийный коэффициент; σ - величина среднеквадратического отклонения, характеризующая степень рассеяния исследуемого параметра системы.Here p (y) is the distribution law of the studied parameter; K E - entropy coefficient; σ is the standard deviation, characterizing the degree of scattering of the investigated parameter of the system.
3. Устанавливают уровень неопределенности ситуации с использованием конкурентного отношения, определяемого функцией интерпретации:3. Set the level of uncertainty of the situation using a competitive relationship determined by the interpretation function:
где KC≤1 - коэффициент «жесткости» конкуренции: 0,8<KC<1 соответствует структуре модели оценки ситуации 29, 0,5<KC<0,8 - для модели оценки ситуации 30 и KC<0,5 - для модели 31; YA и YB - области нечетких отношений для конкурирующих моделей; ФA и ФB - графическая интерпретация нечетких отношений.where K C ≤1 - coefficient "rigidity" competition: 0,8 <K C <1 corresponds to the structure
4. Осуществляют распознавание состояний неопределенности системы в конкретный момент времени на основе количественно измеренных признаков текущей ситуации Pk, вектор которых µjk образует информационное пространство признаков в зависимости от особенностей взаимодействия, уровня действующих возмущений и функции интерпретации (4):4. Carry out the recognition of the states of uncertainty of the system at a particular point in time on the basis of quantitatively measured signs of the current situation P k , the vector of which µ jk forms the information space of the signs depending on the features of the interaction, the level of current disturbances and the interpretation function (4):
5. Формируют математические модели, описывающие динамику изменения неопределенности с использованием данных (3): при незначительной неопределенности 26 - на основе методов классической математики 29; при значительной неопределенности 27 - с помощью моделей, построенных в рамках нечеткого и нейросетевого логического базиса 30; при полной неопределенности 28 - на основе гипотез и упрощающих предположений 31.5. Form mathematical models describing the dynamics of the uncertainty using data (3): with slight uncertainty 26 - based on the methods of classical mathematics 29; with significant uncertainty 27, using models constructed within the framework of a fuzzy and neural network
6. Рассчитывают величину комплексного энтропийного потенциала LΔ с использованием функцией интерпретации (5) в соответствии с зависимостью6. Calculate the value of the complex entropy potential L Δ using the interpretation function (5) in accordance with the dependence
где (σKЭ)φ - энтропийный потенциал, вычисленный для заданного уровня неопределенности; (XП)φ - базовое значение параметра XП, относительно которого рассматривается состояние неопределенности с использованием конкурентного отношения.where (σK Э ) φ is the entropy potential calculated for a given level of uncertainty; (X n) φ - base value P X relative to which examines the state of uncertainty using a competitive relationship.
7. Выделяют базовые значения параметра (XП)φ и выполняют процедуру (6) на основе результатов идентификации ситуации в логическом блоке 8 в зависимости от уровня ее неопределенности.7. The basic values of the parameter (X П ) φ are extracted and the procedure (6) is performed based on the results of the situation identification in
8. Определяют изменение величины LΔ по величине приращения ΔLΔ или дифференциала комплексного энтропийного потенциала d(σKЭ)φ, используя результаты прогноза развития ситуации на основе логического вывода 22 интеллектуальной системы 7.8. Determine the change in L Δ by the increment ΔL Δ or the differential of the complex entropy potential d (σK Э ) φ, using the results of the forecast of the development of the situation based on the
9. Реализуют управление состоянием неопределенности системы на основе интеллектуальной системы 7 с использованием бортовой ЭВМ 9 и процессора нечеткой логики 10 путем изменения базового значения параметра (XП)φ с учетом диапазона его изменения или предельного значения, или величину его математического ожидания, или базовую величину энтропийного потенциала (σKЭ)φ.9. A system of uncertainty of a system based on an
Функционирование устройства, реализующего способ контроля экстремальной ситуации в условиях неопределенности, осуществляется в виде следующей последовательности шагов:The functioning of the device that implements the method of controlling the extreme situation in the face of uncertainty is carried out in the form of the following sequence of steps:
Шаг 1. Составляют спецификацию режимов работы устройства в различных условиях эксплуатации, в том числе в экстремальных ситуациях.Step 1. Make a specification of the operating modes of the device in various operating conditions, including in extreme situations.
Шаг 2. Осуществляют проверку возникновения экстремальной ситуации на основе интеллектуальной системы 7.
Шаг 3. Если экстремальная ситуация не возникла, то дальнейший контроль неопределенности ситуации осуществляют в процессе функционирования интеллектуальной системы 7 путем оценки ситуации на базе критериев, определяющих выход измеряемых характеристик за принятые ограничения, с использованием информации, поступившей с блока датчиков 2 и модуля преобразования 3, выдачей практических рекомендаций и принятия решения по управлению судном в текущей ситуации.
Шаг 4. Если экстремальная ситуация возникла, то формируют логику функционирования устройства контроля на основе интеллектуальной системы 7 и логического блока 8, выполняющего функции анализа и прогноза ситуации и обучения самоорганизующейся нейронной сети в блоке 11.Step 4. If an extreme situation has arisen, the logic of the functioning of the control device is formed on the basis of an
Обучение самоорганизующейся нейронной сети осуществляют на основе нейрокомпьютера 11 с помощью стандартного алгоритма Кохонена, использующего соревновательный принцип обучения на конкретных примерах реализации сигналов от датчиков блока датчиков 2, воспринимающих динамику взаимодействия судна с внешней средой в экстремальных ситуациях. В процессе обучения каждому входному параметру xi (i=1, …, n) сопоставляют измерение, точки которого образуют класс связанных областей точек. Этот класс запоминается и используется при функционировании устройства для решения задачи контроля и управления.The training of a self-organizing neural network is carried out on the basis of the
Для обеспечения надежности работы устройства контроля неопределенности в экстремальных ситуациях используют данные динамических измерений, близкие к предельным значениям базового параметра в непрерывно изменяющихся внешних условиях.To ensure the reliability of the uncertainty control device in extreme situations, dynamic measurement data is used that are close to the limit values of the basic parameter in continuously changing external conditions.
Практическая реализация разработанного способа связана с проблемой старения информации, что требует непрерывного поддержания работоспособности устройства на базе фактической информации о поведении судна в различных условиях эксплуатации.The practical implementation of the developed method is associated with the problem of aging information, which requires continuous maintenance of the device based on actual information on the behavior of the vessel in various operating conditions.
В результате использования предлагаемого изобретения в процессе функционирования интеллектуальной системы 7, процессора нечеткой логики 10 и нейрокомпьютера 11 формируется гибкое информационное пространство контроля состояния неопределенности текущей ситуации, включающее методы принятия решений в нечеткой среде и нейросетевые модели, настраиваемые адаптивные автоматизированные циклы обучения нейронных сетей с учетом особенностей динамики взаимодействия судна с внешней средой в различных условиях эксплуатации, в том числе в экстремальных ситуациях. Обработка измерительной информации и управление процессом диагностики осуществляются в режиме реального времени.As a result of using the present invention in the process of functioning of an
Claims (1)
где Кс≤1 - коэффициент конкуренции: 0,8<Кс<1 соответствует структуре первой модели оценки ситуации, 0,5<Кс<0,8 - для второй модели оценки ситуации и Кс<0,5 - для третьей модели оценки ситуации; YA и YB - области нечетких отношений для конкурирующих моделей; ФA и ФB - графическая интерпретация нечетких отношений, выделяют базовые значения параметра ХП, осуществляют идентификацию ситуации неопределенности по величине сигналов от блока датчиков динамических измерений, соответствующих базовому значению параметра ХП, формируют аппаратную структуру, реализующую выбор уровня неопределенности с использованием критериев превышения базовых значений измеряемых параметров блока датчиков и модуля преобразования, определяют изменение параметров энтропии, прогнозируют развитие ситуации с помощью самоорганизующейся нейронной сети и в режиме реального времени реализуют управление судном, используя многопроцессорный вычислительный комплекс. A method for controlling extreme situations in conditions of environmental uncertainty, based on the analysis and purposeful change in the value of the complex entropy potential LΔ system parameter, consisting in determining the base value of the system parameter and calculating the value of the complex entropy potential LΔ in accordance with the dependence of LΔ= (σКuh) / XP and determining its change after each stage of evolution or control of the system by LΔ increments or differential of the complex entropy potential, control the state of uncertainty of the system by the value of LΔ by changing the settings of the base value that specify the range of the parameter or its limit value, or the value of its mathematical expectation, or the value of the controller’s installation, or its nominal value, or the base value of the entropy potential, where σ - the value of the standard deviation of the system parameter; TOuh - entropy coefficient, the value of which is determined by the law of distribution of the parameter; XP - the base value, relative to which the state of uncertainty is determined, characterized in that when controlling the extreme situation in the conditions of uncertainty of the environment in the form of wave-wave disturbances and the abnormal mode of operation of the system for measuring the parameters of the vessel and the environment, the value of entropy, entropy potential and its increment depending on the level uncertainties using competitive formula
where kfrom≤1 - competition coefficient: 0.8 <Kfrom<1 corresponds to the structure of the first situation assessment model, 0.5 <Kfrom<0.8 - for the second model for assessing the situation and Kfrom<0.5 - for the third situation assessment model; YA and YB - areas of fuzzy relationships for competing models; FA and fB - a graphical interpretation of fuzzy relations, highlight the basic values of the parameter XPidentify the situation of uncertainty by the magnitude of the signals from the block of sensors dynamic measurements corresponding to the base value of the parameter XP, form a hardware structure that implements the choice of the uncertainty level using criteria for exceeding the basic values of the measured parameters of the sensor block and the conversion module, determine the change in the entropy parameters, predict the development of the situation using a self-organizing neural network and real-time control of the vessel using a multiprocessor computer complex.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2015103601/08A RU2589367C1 (en) | 2015-02-03 | 2015-02-03 | Method of monitoring emergency situations in conditions of uncertainty of medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2015103601/08A RU2589367C1 (en) | 2015-02-03 | 2015-02-03 | Method of monitoring emergency situations in conditions of uncertainty of medium |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2589367C1 true RU2589367C1 (en) | 2016-07-10 |
Family
ID=56371145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2015103601/08A RU2589367C1 (en) | 2015-02-03 | 2015-02-03 | Method of monitoring emergency situations in conditions of uncertainty of medium |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2589367C1 (en) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7251638B2 (en) * | 2004-03-03 | 2007-07-31 | Yamaha Hatsudoki Kabushiki Kaisha | Intelligent robust control system for motorcycle using soft computing optimizer |
RU2334262C1 (en) * | 2007-04-27 | 2008-09-20 | Виктор Лазаревич Лазарев | Method of system abeyance control |
RU2363935C1 (en) * | 2007-10-31 | 2009-08-10 | Владимир Леонидович Александров | Method to control ship strength and vibration and device to this end |
RU2502131C1 (en) * | 2012-07-31 | 2013-12-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики" | Method for automated control of design of onboard intelligent systems |
RU2519315C2 (en) * | 2012-08-01 | 2014-06-10 | Нелли Алексеевна Седова | Method for automatic control of heading of ship and intelligent system for realising said method |
-
2015
- 2015-02-03 RU RU2015103601/08A patent/RU2589367C1/en active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7251638B2 (en) * | 2004-03-03 | 2007-07-31 | Yamaha Hatsudoki Kabushiki Kaisha | Intelligent robust control system for motorcycle using soft computing optimizer |
RU2334262C1 (en) * | 2007-04-27 | 2008-09-20 | Виктор Лазаревич Лазарев | Method of system abeyance control |
RU2363935C1 (en) * | 2007-10-31 | 2009-08-10 | Владимир Леонидович Александров | Method to control ship strength and vibration and device to this end |
RU2502131C1 (en) * | 2012-07-31 | 2013-12-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики" | Method for automated control of design of onboard intelligent systems |
RU2519315C2 (en) * | 2012-08-01 | 2014-06-10 | Нелли Алексеевна Седова | Method for automatic control of heading of ship and intelligent system for realising said method |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112907781B (en) | System fault diagnosis method and device, computer equipment and storage medium | |
Maiworm et al. | Stability of Gaussian process learning based output feedback model predictive control | |
Silva et al. | Data-Driven system identification of 6-DoF ship motion in waves with neural networks | |
RU2363935C1 (en) | Method to control ship strength and vibration and device to this end | |
CN113128826B (en) | Navigation risk prediction method, navigation risk prediction device and storage medium | |
KR102373827B1 (en) | An Industrial Facility Operating Device Based on Standard Operation Level Evaluations and a Method for Operating It | |
CN112884051A (en) | Data-driven multi-component online complex fault diagnosis method for lightweight unmanned aerial vehicle | |
Wang et al. | Data-driven fault prediction and anomaly measurement for complex systems using support vector probability density estimation | |
Tang et al. | Prediction about the vessel’s heave motion under different sea states based on hybrid PSO_ARMA model | |
Zhang et al. | Identification of concrete surface damage based on probabilistic deep learning of images | |
Brodtkorb et al. | Automatic sea state estimation with online trust measure based on ship response measurements | |
RU2589367C1 (en) | Method of monitoring emergency situations in conditions of uncertainty of medium | |
CN115410419B (en) | Ship mooring early warning method, system, electronic equipment and storage medium | |
Cotrim et al. | Neural network meta-models for FPSO motion prediction from environmental data with different platform loads | |
Ameyaw et al. | Probability of detection (pod)-based metric for evaluation of classifiers used in driving behavior prediction | |
CN114399024B (en) | Oil gas concentration big data intelligent detection system | |
CN112785074B (en) | Equipment maintenance and repair opportunity determination system and method based on deep learning | |
CN111473768B (en) | Building safety intelligent detection system | |
Deese et al. | Real-time experimental optimization of closed-loop crosswind flight of airborne wind energy systems via recursive gaussian process-based adaptive control | |
Yang et al. | Predicting future mooring line tension of floating structure by machine learning | |
Solomentsev et al. | Intelligence-Based Operation of Aviation Radioelectronic Equipment | |
EP4336407A1 (en) | Method for uncertainty estimation in object detection models | |
RU2571389C2 (en) | Prediction of ship heaving at control over aircraft deck landing | |
Zinchenko et al. | Collision avoidance by constructing and using a passing area in on-board controller | |
Zafeiraki | A Comparison of ARIMA and SVR in Short-Term Ship Motion Prediction |