基于人工神经网络的船舶操纵运动仿真

探讨神经网络技术在船舶操纵运动仿真领域的应用,构造一种网络结构和训练方法,验证船舶操纵指令与船舶运动态势参数映射的可行性,并构建了基于典型BP神经网络模型的操纵运动仿真系统.     

弯曲河段通过大型船舶能力预报研究

干线航道的船舶通过能力大小,取决于弯曲、浅滩、桥区等限制性河段的船舶通过能力,为了使有限的航道资源得到充分的利用,开展有关限制性航段船舶通过能力研究,尤其是弯曲河段船舶通过能力,实现船舶通过能力的准确预报是十分必要的.根据弯曲河段航道特点和水流特征,通过分析弯曲河段风、流对船舶运动的作用机理,采用数学建模的方法,建立弯曲河段航道宽度、曲率半径等航道尺度与通航船舶尺度的关系模型,实现弯曲河段通过能力的准确预报.     

基于OSG和Matlab的船舶启动阶段视景仿真研究

针对船舶操纵模拟器对船舶启动状态研究的需求,以开源工具OSG作为船舶航行模拟器的软件开发平台,以7000DWT油轮的推进装置和舵为研究对象,进行运动模型数学建模,利用MultiGen Creator建立船舶及地理场景模型,并利用OSG各个工作空间功能,对上述模型进行加载,构成临近环境要素。设计运动函数实现船舶从静止至到达额定航速的加减速、转舵和正倒车操作,用MFC对开发的系统进行封装,实现对虚拟船舶驾驶及周边视景的控制,并结合Matlab为船舶航行驾驶模拟器的开发提供一种新的解决方案。     

基于电子海图的船舶避碰技术的研究

通过对智能避碰过程中本船及目标船的相关参数、合适的选取船舶碰撞危险度的评价集以及各个因素对碰撞危险度的影响权重的研究,根据模糊理论建立船舶碰撞危险度评价模型.在评价模型的基础上结合简单的船舶运动模型,通过搜索出能使本船碰撞危险度最低的行动来建立避碰动作决策模型.采用Visual Studio 2008开发环境,在电子海图中对提出的模型进行实验仿真,实验结果验证其模型的正确性和合理性.     

规则波中船舶运动六自由度数学模型

为了提高船舶操纵模拟器的精度,应用船舶操纵性分离建模理论,基于傅汝德-克雷诺夫假设,将船舶近似为箱型船,估算波浪对船舶六自由度运动的干扰力与力矩,并将波浪的干扰力与力矩作为外力与力矩的一部分,叠加到分离型船舶运动数学模型中,建立了船舶在规则波作用下六自由度船舶运动的数学模型,给出5级海况下船舶全速旋回运动响应的时间历程仿真曲线.仿真结果显示:仿真结果与相关文献结果相近,运动趋势一致,能够满足大型船舶操纵模拟器对船舶运动数学模型仿真的精度要求,同时船舶运动数学模型由3自由度增至6自由度,提高了模拟的逼真度.     

基于图像信息检测的船-桥智能避碰系统研究

将避碰决策系统分为船舶运动检测、视觉几何模型和船舶运动态势计算、碰撞预报及预控3部分.针对图像质量问题采取图像预处理增强、中值滤波、直方图均衡处理方法.采用相位相关算法基于背景模态模式静态空间信息记录图像信息,补偿图像抖动.基于视觉几何模型计算船舶运动态势计算船舶目标空间坐标位置、船舶型尺度、船速、船首向等.基于实时运动状态信息和桥区船舶运动态势预报碰撞危险以及避碰决策模式.引入避碰等级术语通过计算桥区船舶操纵避碰相关参数,进行避碰早期预警并得出避碰操纵决策方案.形成合理化的船-桥避碰决策系统,以达到船-桥避碰预警预控的智能效果.     

海洋拖曳系统对船舶操纵性能的影响

将拖曳母船、拖缆和拖曳体视为一个相互作用的整体,利用耦合边界条件,将拖缆顶端和底端的张力与其产生的力矩,分别计入船舶操纵性运动方程和拖曳体六自由度运动方程,结合拖缆的有限差分方程,建立了船/缆/体耦合运动模型,采用数值计算方法,对比分析了海洋拖曳系统对船舶操纵性产生的影响.计算结果表明:当计入拖缆和拖曳体耦合影响后,船舶稳态运动时的速度会降低,改变量为3％～5％;船舶回转机动时,速度、回转半径与横摇角会降低,改变量分别为2％～3％、2％～4％和11％～21％.采用船/缆/体耦合运动模型计算得到的船舶操纵性能符合实际,可为预报海洋拖曳系统的运动信息提供理论依据.     

桥区船舶运动轨迹数值模拟与实船试验对比研究

利用FVM对建立的桥区水流场数学模型进行离散和数值求解,在此基础上,根据建立的船舶运动方程,对桥区船舶运动特性进行了数值模拟.通过实船试验,根据船舶漂移量数学模型,对建桥前后限制航道内的船舶运动轨迹进行了对比研究和深入分析.     

双桨双舵船舶操纵性预报研究

采用MMG数学模型，结合双桨双舵船舶的水动力性能特点，建立了双桨双舵船舶在静水中水平面上的操纵运动模拟模型，应用该模型对一艘双桨双舵船舶在满载条件下的定常回转试验、Z形试验和紧急停船试验进行了数值模拟，得到了表征船舶操纵性的指标．通过将预报的操纵性指标和IMO提出的操纵性标准进行比较，实现了对该船操纵性的定性预报．     

基于六边形元胞自动机的船舶追越过程模拟研究

在分析、比较现有基于元胞自动机的船舶交通流模型的基础上,参考基于正六边形元胞自动机的行人疏散模型和道路交通流模型,提出一种基于正六边形元胞自动机的船舶追越模型.该模型中船舶运动空间根据实际情况分成大小合适的正六边形元胞,每艘船舶有包括静止在内的7个运动方向.取船舶速度的近似整数比作为元胞移动速度,基于船舶危险领域、船舶领域、动界制定更新规则,使用MATLAB仿真了开阔水域和受限水域2种情景下的船舶追越过程.研究结果表明:相较于受限水域,开阔水域船舶追越距离和横距更大、所用时间更长;该模型可较真实地反映实际的船舶追越过程,可为真实的船舶追越和评估航路规划起到一定的参考作用.     

A real-time collision-free path planning of a rust removal robot using an improved neural network

In this paper, a real-time collision-free path planning of the rust removal robot in a ship environment is proposed, which is based on an improved biologically inspired neural network algorithm. This improved algorithm is based on the biologically inspired neural network and modified with obstacle detection sensors and kinematic state templates, and is implemented in a ship rust removal robot planning system for dynamic trajectory generation. The real-time optimal trajectory is generated by the biologically inspired neural network, and the moving obstacle detection process of a ship robot working on the wall is simulated with the obstacle detection sensors models. The local real-time trajectory can be re-planned by the updated local map information, where the obstacle detection sensors are used to inspect partial environment information and update the robot nearby information in real time in the original neural network algorithm. At the same time, the method of the kinematic state templates matching and searching is used to solve the pipes’ influence of the rust removal robot climbing on the wall, which can not only provide a smooth path, but also can judge the motion direction and turning angle of the robot. Comparison of the proposed approach with the simulation shows that the improved algorithm is capable of planning a real-time collision-free path with achieving the local environmental information and judging the rust removal robot’s motion direction and turning angle. This proposed algorithm can be good used in the ship rust removal robot.     

船舶航向非线性系统的模糊神经网络智能控制器设计

船舶航向控制系统具有典型的非线性和不确定性特性，并受自动舵执行能力的约束，这使得作为船舶智能化基础的航向控制极具挑战性。首先分析了船舶航向运动特性，给出带有舵约束的航向运动非线性数学模型；然后以模糊神经网络为控制器结构，在噪声加入和参考轨迹设置算法的支持下使用遗传算法对控制器参数进行自动搜索和优化，设计一种船舶航向智能控制器；最后对航向控制进行仿真。结果表明，所设计的航向智能控制器对船舶参数摄动和扰动具有良好的鲁棒性能。     

船舶编队控制综述

研究了船舶编队控制的特点,从船舶编队控制结构、编队路径规划、编队运动建模和编队运动控制4个方面分别对现状和方法进行分析;介绍了船舶编队控制原理,描述了船舶编队领导-跟随结构、虚拟结构、图论结构、基于行为结构的数学表示方法及应用场景;针对船舶编队路径规划,总结了编队环境建模、全局路径规划和局部避碰规划等最新方法及其特点,展示了基于粒子群优化算法的船舶编队局部避碰效果;针对船舶编队控制运动建模,构建了考虑干扰、控制时延和约束的船舶编队水动力模型,并将该模型在船舶编队过闸控制场景中进行了验证;针对船舶编队运动控制,归纳了典型集中式、分散式和分布式编队控制器特点,指出分布式编队控制器具有更好的鲁棒性和可扩展性,设计了基于分布式模型预测控制的编队航行控制器。研究结果表明:目前船舶编队控制技术瓶颈主要体现在有人/无人编队共融、岸端驾控为主的内河船舶编队控制、不确定干扰下的船舶编队控制、通信受限下船舶编队鲁棒控制、特殊水域船舶编队控制和船舶编队控制一致性等方面;在未来船舶编队发展中,应重点解决船舶编队分布式协同控制、船舶编队任务多元化控制、基于生物群体机制的船舶编队控制、特殊水域船舶编队控制、人工智能技术在船舶编队控制中的应用等问题。      

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.     

基于BP神经网络的集装箱船舶配载问题研究

针对集装箱船舶对配载的快速性、高效性需求,根据BP神经网络对历史数据的分析,结合集装箱船舶的特性深入研究集装箱智能配载方案.基于集装箱船配载图和各卸货港信息等历史数据,通过BP神经网络对历史数据进行训练优化,挖掘其中规律,从而快速生成对各类集装箱合适的配载位置,优化装船作业,提高集装箱船舶配载效率,达到节约成本的效果.最后采用实船数据进行测试,仿真结果与实际配载结果差异率不大,说明该研究方向对于集装箱配载方案优化是有效的.     

船舶进出港低速航向保持

为了在船舶进出港时,船舶处于浅水域并以低速航行,在风、浪等强扰动作用下,增强航向控制性能,减小能源损耗,选择三阶Nomoto模型,将航速和水深变化反映到模型参数的变化上,基于闭环增益成形算法设计出一种具有适应性的鲁棒PID控制器,建立基于风、浪干扰的非线性船舶运动数学模型,并用S函数来实现。用PID控制器对非线性船舶运动数学模型进行控制,在Simulink环境中对各种水深、船速及海况进行航向控制仿真。从仿真曲线可看出其航向跟踪效果良好,静差为0,且施舵合理,所设计的控制器对非线性船舶运动数学模型具有良好的控制性能。     

考虑航艏向与数据变化差异的船舶轨迹预测

船舶自动识别系统(Automatic Identify System,AIS)数据可以实时体现船舶当前时刻的具体动态,采用传统BP(Back Propagation)神经网络模型的船舶轨迹分析预测方法,在计算中直接将航艏向数据纳入模型,没有考虑船舶航艏向在零度附近变动时带来的实际方向变动幅度与数据变化幅度存在较大偏差问题。为解决该问题,在BP神经网络基础上,引入双三角函数变换,同时将正弦值与余弦值纳入模型,将两者相结合,从两维度体现航艏向情况;在拟合预测后进行反三角函数变换和平均处理,构建一种基于改进神经网络算法的船舶AIS轨迹预测模型。选取实例数据进行模型验证,实例结果表明,该模型预测结果比不考虑差异方法的误差均方差更小,大幅降低误差幅度,可更精确地预测船舶轨迹。     

基于姿态监测的船舶航行安全监控系统研究

利用自主开发的船舶姿态测量平台,以及MMG、SVM和ADRC等技术手段,首次研究开发一种基于船舶六自由度运动姿态,监测的船舶航行安全实时监控系统,解决船舶航行状态下,不能实时调整合理吃水差及准确预报船舶航行状态的问题,摆脱传统意义上的有关船舶航行安全实时监控相关技术的束缚．     

船舶设备风险估计模型探讨

随着船舶设备运行状况复杂化程度越来越明显,风险估计已成为船舶设备管理的一个重要组成部分,但目前完整的船舶设备风险标准和评估体系尚未形成.为此,基于单一设备风险分析,建立了船舶设备总体风险因素指标体系.同时,基于人工神经网络强大的学习能力及任意逼近特性,建立了基于BP神经网络的船舶设备风险估计模型.算例验证表明,该模型实用性强,获得的船舶设备总体风险等级值能够作为采取风险控制措施的依据.