基于遗传BP神经网络的耙吸挖泥船产量预测研究

耙吸挖泥船的工作效率和经济效益直接取决于干土方的生产率,因此预测干土方生产率对耙吸式挖泥船疏浚机构分析和效率优化具有重要意义。耙吸挖泥船疏浚过程模式是一种复杂的非线性动力学模型,该模型受多种因素的影响,为了减少各种因素带来的影响,我们采用通过遗传算法(GA)优化的BP神经网络来构建干土方生产率的预测模型。为了评估预测模型的性能,未优化的BP神经网络预测模型也用于实验比较。实验结果表明,遗传算法优化后的神经网络预测模型能够满足预测需求,训练好的神经网络可以作为干土方生产率预测的有用工具。     

基于神经网络和最大产量估算的挖泥船横移控制

针对目前绞吸挖泥船疏浚作业依靠人工手动操作无法保持较高产量的问题，研究了影响绞吸挖泥船产量的控制参数。采用神经网络预测和最大产量估算方法，得出在不同条件下挖泥船横移控制系统的最优控制参数，同时对此控制参数进行了对比仿真试验。结果表明：在一个不含边界减速的有效横移周期内，仿真产量高于实船操作产量。该方法可为绞吸挖泥船疏浚施工中横移系统的自动控制提供理论依据与技术参考，使绞吸挖泥船可以兼顾不同的控制要求和性能限制条件，在一个横移周期内稳定输出最大产量。     

基于PSO-RELM的绞吸挖泥船产量预测及其可视化辅助决策

为保证绞吸挖泥船的疏浚效率,泥浆产量预测是一种有效的辅助手段。根据绞吸挖泥船的实际作业数据,进行数据预处理与主成分分析（PCA）,从而简化了预测模型的复杂程度。然后,采用粒子群优化的正则化极限学习机（PSO-RELM）建立挖泥船瞬时产量预测模型。预测结果表明：PSO-RELM相较于常规极限学习机有更好泛化性能,能够提高挖泥船瞬时产量的预测精度。从而生成可视化图表,辅助挖泥船操纵人员调整疏浚策略。     

基于预测控制的绞吸挖泥船横移过程控制系统设计

绞吸式挖泥船正朝着自动化、智能化方向发展,成为土地复垦和港口开发的重要设备。如何控制横移速度确保输出泥浆浓度稳定是当前的研究热点。挖泥船作业过程中的泥浆浓度受土质、环境、工况等复杂因素影响,其控制过程难以用较精确的数学模型描述。本文针对绞吸挖泥船的实船采集数据,以挖泥船横移速度作为输入,以泥浆浓度作为输出,采用线性回归算法建立挖泥船横移过程的控制模型,并将该模型应用于子空间辨识预测控制器的设计中。在进行绞吸式挖泥船横移控制系统仿真中,仿真结果表明在控制量有约束的条件下,所设计的横移过程控制器在合适的参数下能够使系统快速稳定到目标浓度。从而,保证泥浆浓度的稳定输出,达到提高挖泥船作业效率的目标。     

基于偏最小二乘回归的疏浚产量预测方法

针对绞吸式挖泥船产量预测困难的问题,对挖泥船作业实时反馈的数据进行研究。利用Relief权重算法提取出影响挖泥船产量的主要工艺参量,并在此基础上采用偏最小二乘回归,建立主要工艺参量与产量之间的数学模型,实现对挖泥船产量的预测。结果表明,利用偏最小二乘回归建立的数学模型能够很好地对挖泥船的产量进行预测,可为预测挖泥船的产量提供一种有效的方法。     

基于克里金法的绞吸挖泥船泥泵磨损近似模型

针对绞吸挖泥船泥泵在工作中因泥浆含固体颗粒易磨损的问题，以某绞吸挖泥船泥泵为研究对象，综合考虑泥浆特性各因素对绞吸挖泥船泥泵磨损的影响，采用计算流体动力学(Computational Fluid Dynamics, CFD)数值模拟对绞吸挖泥船泥泵的磨损情况进行分析，得到由泥浆成分(质量分数)和泥泵磨损构成的样本集。在此基础上，采用克里金法建立绞吸挖泥船泥泵磨损分析的近似模型，并进行近似模型的误差分析。结果表明该近似模型具有一定的精度，可在不开展CFD数值模拟的条件下对泥泵磨损进行较准确的预测，为泥泵可靠性设计提供便利。     

绞吸式挖泥船产量优化研究*

在总结绞吸式挖泥船产量影响因素的基础上,通过分析绞吸式挖泥船实际作业的大量数据,探讨了一种施工经验与施工数据分析相结合的产量优化方法。经过实际工程检验,该方法具有较大的应用价值。     

基于切削理论的砂土土质特性与挖掘生产率关系

挖泥船施工效率预估是保障工程效益的重要基础。针对绞吸船产量预测困难的问题,基于切削比能理论模型,建立绞吸船挖掘砂土生产率预测模型,确定挖掘砂土主要影响因素,并结合工程实例进行验证。结果表明：标准贯入击数是影响砂土切削理论比能的关键因素。通过实际工程建立的砂土标准贯入击数与挖掘生产率数学模型,能够较好地对砂土挖掘生产率进行预测。研究成果对绞吸船挖掘砂土理论研究或现场施工具有一定指导和借鉴意义。     

基于大数据的绞吸挖泥船参数自主寻优方案设计

绞吸挖泥船的施工过程非常复杂,具有较多的不确定性和随机性。针对绞吸挖泥船生产过程中疏浚产量受施工环境影响较多、稳定性不足、生产率不高的问题,以绞吸挖泥船传输管道中的泥浆为研究对象,分析挖泥施工的特性与影响因素,将疏浚工程历史大数据进行预处理,比较T-S模型和历史数据最近邻的两种不同的流量预测方案,采用偏差反馈控制器进行基于大数据的施工参数自主寻优。结果表明：由于数据进行了预处理,第2种流量预测方案准确率更高;按寻优参数进行反馈控制调节的流量比原始流量更高。     

绞吸挖泥船施工经济性选型分析

为合理控制投资,需根据项目施工条件合理选择疏浚船型。以绞吸挖泥船为基础,依据现行疏浚定额,分析疏浚价格组成及影响因素,通过分析不同疏浚船型在不同吹距时的价格曲线得到单价的变化趋势,找出吹距相同时的经济船型;总结得出大中型绞吸挖泥船的经济适用的疏浚工程量范围。结果表明,当吹距相同时,采用大型绞吸挖泥船成本优势明显,更适合远距离吹填;当疏浚工程量较小时,中小型绞吸船疏浚成本优势明显;当工程量大于200万m³时,大型船舶具有成本优势;当运(吹)距超过14 km时,选用抓斗挖泥船比耙吸挖泥船经济性更优。     

BP模型在闽江岸线变形预测中的应用

河道岸线变形问题是一个复杂的非线性动力系统问题,文中利用神经网络处理非线性问题的优势,以闽江竹歧至侯官河段为研究对象,建立预测河道岸线变形的BP神经网络模型。通过对河道岸线变形影响因子的分析,确立了2种输入、输出因子模式。结果表明,模型输入、输出因子的选择对模型预测结果影响很大,选用合适的输入、输出因子,会得到比较好的预测效果。     

船用中速双燃料发动机放热规律神经网络预测模型的开发

以船用中速双燃料发动机为研究对象,提出其放热规律神经网络预测模型的开发方法。首先建立船用中速双燃料发动机的多维性能仿真模型,对增压空气压力、燃气喷射量和引燃油喷射提前角等不同控制参数进行数值组合,计算多组不同工况条件下的放热率曲线;通过对多条放热率曲线进行参数化分析,明确描述放热率曲线的4个曲线特征参数和特征方程;建立双燃料发动机放热规律神经网络预测模型,以控制参数作为输入量,以放热率曲线特征参数作为输出量,利用多组放热率数据对神经网络模型进行训练和测试。该模型揭示了控制参数与放热率之间的规律,可由控制参数对放热率曲线进行预测。仿真计算结果表明:相比一般的发动机实时仿真模型,神经网络预测模型结果更加贴近发动机实际工作状态。     

水下机器人非完全回归型神经网络运动模型的研究

研究了基于神经网络建立水下机器人（ＡＵＶ）运动模型的方法,提出以非完全回归形式来表现输入输出变量的时序列影响和输出层向输入层回归的封闭式结构以实现运动模型的模拟机能,并给出了相应的训练和学习方法。此外,又提出了对输出层增加积分环节及神经网络输入输出变量进行正规化处理的方法。计算机的仿真及实际水下机器人“ＰＷ４５”的建模结果,表明本文所提出的建模方法的有效性和可行性。     

基于RNN-LSTM的船舶运动轨迹预测

针对船舶轨迹预测精确性与实时性的需求，从数据层面探究影响船舶航行轨迹的特征，通过相关性分析确定网络的输入，提出结合循环神经网络-长短期记忆（Recurrent Neural Networks - Long Short Term Memory，RNN-LSTM）的船舶航行轨迹预测模型。通过船舶Z形试验相关数据与实船实际航行数据对网络模型进行训练，并对未来船舶航行轨迹进行预测。对未来轨迹的预测值与实际值进行对比。结果表明，模型预测误差小，验证该方案在船舶轨迹预测中的实用性和有效性。     

基于神经网络和粒子群算法的环肋圆柱壳优化设计

对于潜艇外壳等外压容器来说,满足稳定性要求至关重要。本文利用Matlab编写改进粒子群算法优化程序,利用 Ansys的 Apdl语言完成了环肋圆柱壳的参数化建模,以圆柱壳厚度、肋骨尺寸和肋距作为离散设计变量,以稳定性要求作为约束条件,构造了合适的惩罚函数,以质量最轻作为设计目标,实现了基于 BP神经网络和粒子群算法的环肋圆柱壳优化设计。在优化过程中,首先采用拉丁超立方体抽样完成了样本点的选取,然后对样本点进行有限元分析,根据有限元分析结果构建 BP神经网络代理模型,并探讨了样本点数量对代理模型预测精度的影响,最后采用改进粒子群算法对代理模型进行优化。优化结果表明,对于需要考虑离散变量和复杂非线性约束的结构优化问题,采用 BP神经网络和粒子群算法联合优化的方法能够节省大量计算时间,并达到理想的优化效果。     

港口集装箱吞吐量的灰色神经网络预测模型研究

为了降低港口集装箱吞吐量的预测误差,提高预测精度,文章通过分析传统的灰色预测模型和 BP 神经网络预测模型的优缺点,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和 BP 神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明：灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

基于DRNN的直接多步自适应预测器设计

介绍了一种基于对角回归神经网络(DRNN)的直接多步自适应预报器的设计方法。由于其有特殊记忆能力组成单元和特殊的组织结构形式,这种预报器可以在线通过对一个动态系统的输入输出样本的学习,自动建立这个动态系统的模型,而无需事先了解该系统的参数。因此,该预报器可以根据系统过去的输入输出样本和当前可以测量到的系统输入,来获得系统未来的输出值。本文首先介绍了这种预报器模型的结构和输出输入的映射关系,然后给出了一个用于系统预测分析的预测器的具体设计过程并给出一些仿真实验结果,介绍了这种预报模型在船舶机舱智能监控系统中的具体应用。     

无模型自适应控制算法在ROV定深控制中的仿真

将无模型自适应控制方法应用于ROV(Remote Operated Vehicle)定深控制当中。该控制方案的设计仅利用ROV的垂向推力输入数据和深度输出数据，用动态线性化时变模型替代ROV非线性系统模型，算法中不包含ROV模型及水动力参数信息。因此，解决了ROV因系统复杂，水动力参数难以确定所导致的控制器设计复杂度高，控制效果不理想的问题。为了便于仿真，本文建立含有补偿参数的ROV简化模型，模型仅用于产生系统的I/O数据，不参与控制器的设计。仿真结果表明，在ROV定深控制当中，无模型自适应控制(Model-free adaptive control，MFAC)比PID控制具有更强的抗扰能力。此外，在欠阻尼ROV系统中，基于偏格式动态线性化的无模型自适应控制(partial form dynamic linearization based Model-free adaptive control，PFDL-MFAC)方案相比于基于紧格式动态线性化的无模型自适应控制(compact form dynamic linearization based Model-free adaptive control，CFDL-MFAC)方案具有更好的控制效果。     

新型电液舵机的自抗扰控制算法及试验研究

[目的]直驱式容积控制的新型电液舵机是典型的大惯量小阻尼系统,为解决其控制快速性、稳定性以及安静性之间的矛盾,需开展电液舵机的自抗扰控制研究.[方法]首先,建立电液舵机的自抗扰控制(ADRC)模型,重点设计过渡过程以缓解启停瞬间的液压冲击;然后,搭建实物控制试验台,通过分析实物控制过程的稳定性问题,相应调整算法的滤波效...     

基于GRNN算法的船用柴油机性能曲线模拟与油耗率预测

根据4190ZLC-2船用四冲程增压柴油机实际实验测得数据,建立基于广义回归神经网络(GRNN)的柴油机性能曲线和燃油消耗率预测模型。在所得实验数据中,选取柴油机油门、转速、扭矩等参数数值作为网络输入,柴油机的燃油消耗率作为网络输出。仿真结果表明:基于GRNN模型的神经网络学习速度快,预测精度高,可以很好地适用于柴油机燃油消耗率的性能预测中,并且能很好的实现预测仿真的效果。模型建立之后,可以根据测得数据实时了解柴油机的运行工况及性能状态。