氧传感器故障状态补偿控制方法的研究

在Hendricks提出的汽油机平均值模型的基础上增加了空燃比模型、氧传感器模型和PI控制器,建立了系统仿真模型,并通过台架试验进行了验证.在系统仿真模型上模拟了氧传感器的响应延迟故障,研究其不同故障程度对发动机喷油规律和排放的影响.同时提出了一种基于Elman神经网络的虚拟氧传感器,根据Elman神经网络的基本理论构建了网络模型,以模型输出作为网络的训练样本,并对该网络模型进行了训练和测试.结果表明,该模型能较好地预测空燃比信号,并利用预测信号进行氧传感器故障状态下的补偿控制;基于Elman神经网络和虚拟氧传感器信号的喷油规律与正常状态下的喷油规律一致,能满足实际空燃比控制需求.     

内河船舶AIS网络通信性能研究

随着船舶数量的日益增长,密集通航水域AIS系统的信道负载迅速增大,出现系统时隙冲突、信道拥塞、AIS网络通信异常等现象,导致AIS应用的可信度降低,成为船舶航行安全的隐患.为了更为精确、及时地反映AIS网络通信性能的实际状况,基于AIS综合应用平台实时监测AIS网络通信性能指标,以长江武汉段AIS数据为基础,选取一周的指标监测数据,从网络容量、网络信道负载率、网络吞吐率、网络阻塞率、网络利用率5个方面对该水域AIS网络通信性能进行评价分析,并通过仿真研究了AIS网络通信性能的变化趋势和极限状况.研究结果表明现阶段长江干线武汉段AIS网络信道负载率在15%左右,吞吐率接近100%,通信性能良好.随着船舶数的增加,网络信道负载率达到60.5%时,出现AIS网络通信阻塞现象,并得到通信阻塞时13种运动状态下的船舶数分布.研究结果客观、准确地反映了研究水域的AIS网络通信性能,为内河海事主管机关监控、管理、调控AIS系统提供技术支撑.      

基于贝叶斯网络模型的交通状态预测

城市的交通状态是可以预测的.有效的交通状态预测能从很大程度上优化交通状态,减少交通阻塞.贝叶斯网络(Bayesian Networks,BN)是目前不确定知识和推理领域最有效的理论模型之一.文中提出了一种基于贝叶斯网络模型理论的交通状态预测方法,在综合考虑交通阻塞成因的基础上构建网络模型.在已有的交通状态数据的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算交通阻塞发生的可能性,达到预测的目的.     

基于状态空间的连续断面船舶交通流量预测研究

船舶流量预测是船舶交通流研究的重要内容,建立科学合理的船舶流量预测模型有助于航道的设计、规划和管理。将传统的单断面船舶交通流预测方法向多断面进行改进和推广,提出基于状态空间和卡尔曼滤波的多断面交通流预测模型。利用船舶交通流多断面流量数据的时间序列进行多维线性回归,并转化为状态空间模型形式;在此基础上由卡尔曼滤波算法对交通流量进行递推预测,得到多断面交通流的预测值。作为实证研究,分别对武汉长江大桥、武汉长江二桥2个断面,以及长江重庆段朝天门、万州、巫山3个断面进行实际数据分析来验算模型的有效性,并与单断面多维线性回归预测方法进行对比。结果表明,使用状态空间模型得到的武汉长江大桥、二桥预测结果的平均相对误差分别减少4.59%,0.97%;而重庆段3个连续观测点采用状态空间法预测比使用时间序列预测平均绝对误差和平均相对误差均有不同程度的降低,其中平均相对误差分别降低1.08%,4.28%, 3 .54%。因此,在不同时间维度上,该模型有助于提高多断面交通流预测精度。      

交汇水域船舶轨迹预测与航行意图识别

针对典型水上交通场景交汇水域，研究了1种数据驱动的船舶轨迹预测与航行意图识别方法。设计CNN+LSTM组合神经网络，通过学习交汇水域船舶的历史轨迹，以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征，LSTM与全连接层为解码器同步输出未来时段内船舶轨迹序列和航路选择，从而形成船舶轨迹与航行意图识别模型。同时，引入Dropout网络结构描述该模型的预测不确定性，采用随机关闭CNN+ LSTM核心网络部分神经单元的方式，以相同轨迹序列作为输入获取多组相近的预测结果，根据其统计均值与方差对船舶轨迹预测的不确定性进行量化。以美国沿海某交汇水域公开AIS数据为对象开展实验，创建了该交汇水域船舶航行轨迹数据集，以输入时长60 min，采样频率3 min作为输入条件，Dropout值取0.5，实验结果表明:所提方法对未来60 min时段内的轨迹预测误差为3.946 n mile，航行意图识别准确率达87%，不确定性估计覆盖率达85.7%。与LSTM预测方法相比，当船舶操纵性发生改变时，所提CNN+LSTM模型的轨迹预测误差降低了31.6%，而且兼具船舶航行意图识别及预测不确定性估计能力，有利于智能航行与海事监管技术发展。      

基于改进YOLOv5的雾霾环境下船舶红外图像检测算法

从监控图像中准确检测船舶对于港区水域船舶交通智能监管具有重要意义。为解决雾霾条件下传统YOLOv5目标检测算法对船舶红外图像检测准确率低、小目标特征提取能力弱等问题,提出了基于Swin Transformer的改进YOLOv5船舶红外图像检测算法。为扩大原始数据集的多样性,综合考虑船舶红外图像轮廓特征模糊、对比度低、抗云雾干扰能力强等特点,改进算法提出基于大气散射模型的数据集增强方法;为增强特征提取过程中全局特征的关注能力,改进算法的主干网络采用Swin Transformer提取船舶红外图像特征,并通过滑动窗口多头自注意力机制扩大窗口视野范围;为增强网络对密集小目标空间特征提取能力,通过改进多尺度特征融合网络（PANet）,引入底层特征采样模块和坐标注意力机制（CA）,在注意力中捕捉小目标船舶的位置、方向和跨通道信息,实现小目标的精确定位;为降低漏检率和误检率,采用完全交并比损失函数（CIoU）计算原始边界框的坐标预测损失,结合非极大抑制算法（NMS）判断并筛选候选框多次循环结构,提高目标检测结果的可靠性。实验结果表明：在一定浓度的雾霾环境下,改进算法的平均识别精度为93.73%,平...     

回响状态网络预测方法在桥梁健康监测中的应用

回响状态网络是一种模仿大脑神经元递归连接的新型回归神经网络,可有效处理非线性系统辨识以及混沌时间序列预测问题。针对莲花大桥的挠度数据,通过回响状态网络预测方法对其进行建模分析并进行趋势预测。实测结果表明:基于回响状态网络预测的精度较高,预测误差仅为0.796 1 mm,可为桥梁的安全运营预测提供可靠依据。     

基于贝叶斯网络的机动车驾驶行为状态分析建模

复杂多变的机动车驾驶环境决定了驾驶行为系统内部各信息之间存在不确定性.利用贝叶斯网络构建驾驶行为状态分析模型,可忽略驾驶行为状态类型与可观测驾驶数据之间的耦合关系,以概率网络形式直观表现观测数据与驾驶行为状态之间的关联.为降低概率解算复杂度,使用基于簇树的贝叶斯网络推理方法推算并预测驾驶行为发生概率.算例结果表明,应用驾驶行为贝叶斯网络模型的车载预警系统能推算出驾驶人行为动作发生概率,从而达到评估驾驶安全等级并预判驾驶人后续驾驶动作的目的.     

基于时空注意力机制的STA-GRU船舶轨迹预测方法

船舶轨迹预测的精度关系到船舶智能航行水平。针对门控循环单元（gated recurrent unit, GRU）提取船舶时空信息数据能力不足,导致轨迹预测精度不佳的问题,研究了基于时空注意力机制的GRU船舶轨迹预测方法（spatial-temporal attention mechanism-gated recurrent unit, STA-GRU）。将传统GRU中的激活函数改进为加权激活函数组,以保留更完整的船舶轨迹数据;引入空间注意力机制模块提取船舶空间位置信息的特征,以船舶经纬度及相对经纬度数据作为输入序列,计算对应的空间权重注意力因子,获得空间特征向量;再引入时间注意力机制模块挖掘观测时段内历史轨迹特征向量的时空依赖性,以历史轨迹数据中的航速、航向拼接空间特征向量作为输入序列,计算时空权重注意力因子,将获得的时空特征向量作为STA-GRU模型的训练数据集,用于船舶轨迹预测。采用青岛港AIS数据开展实验验证,以输入时长20 min,采样频率2 min作为输入条件,构建船舶航行轨迹数据集,结果表明：对比LSTM、AT-GRU、Bi-GRU算法,STA-GRU模型不仅在训练过程中收...     

基于复杂网络的区域水上交通关键船舶识别方法

为研究区域内船舶行为对交通状况的影响,研究了基于复杂网络的关键船舶识别方法.将水域中的船舶看作为复杂网络中的节点,根据船舶间的行为交互关系构建区域面向船舶行为分析的复杂网络;并结合复杂网络的节点中心性指标构建节点综合重要度评价模型;通过节点综合重要度评估结果,对网络中的节点进行节点重要度排序,识别网络中的关键节点.对比度节点中心性识别关键节点方法,实验结果表明,2种方法的分析结果中节点排序结果相同的节点数占节点总数的比例达到77.8%,但节点综合重要度评价方法对各指标进行权重配比,充分考虑了各指标对关键节点识别结果的影响,能有效识别区域关键船舶.