悬链式船舶链条机械磨损寿命预测准确度评估

为了提高悬链式船舶链条机械磨损寿命预测准确性能,设计了一种基于改进神经网络的悬链式船舶链条机械磨损寿命预测模型。首先对悬链式船舶链条机械磨损寿命预测研究现状进行分析,找到引起悬链式船舶链条机械磨损寿命预测精度的因素,然后收集悬链式船舶链条机械磨损寿命的历史数据,并采用BP神经网络建立悬链式船舶链条机械磨损寿命预测模型,并引入自适应遗传算法对BP神经网络的不足进行改进,最后采用仿真实验对悬链式船舶链条机械磨损寿命预测模型的准确度进行评估,结果表明,改进神经网络提高了悬链式船舶链条机械磨损寿命预测精度,预测结果比其他模型更加可靠。     

基于改进神经网络的船舶主机温度预测

由于传统神经网络存在收敛速度慢的缺陷,导致对船舶主机温度预测精度低,为了对船舶主机温度进行精确的预测,设计了基于改进神经网络的船舶主机温度预测模型。首先对当前船舶主机温度预测研究现状进行分析,找到引起预测效果差的因素,然后采集船舶主机温度变化的时间序列,并采用过程神经网络对船舶主机温度变化趋势进行估计,实现船舶主机温度预测,最后进行船舶主机温度预测验证性实验。结果表明,改进神经网络可以提高船舶主机温度预测精度,船舶主机温度预测误差远远小于传统神经网络,获得了比较满意的船舶主机温度预测结果。     

BP神经网络对船舶远程监控系统的改进分析

为了满足公司对于远洋船舶更加有效监控的要求,应用BP神经网络对监控系统加以改进,使船舶远程监控系统发出预警信号,并能在船舶上报警.此时,相应参数识别码也能够第一时间到达岸上公司,岸上公司即能在最佳时间协助船舶对设备进行维修.BP神经网络在远程监控系统的应用分析过程中,以6缸柴油主机排气温度变化趋势为模型,利用BP神经网络良好的学习特性,建立了排气温度变化的持续升高预警模型及其他非预警模型.分析表明,此种方法适用于远洋船舶的远程故障监测及船舶系统故障预测.     

基于BP和LSTM组合优化的船舶升沉运动预测

预测船舶升沉运动有助于增强波浪补偿系统的补偿效果,解决补偿系统滞后问题。为提高预测模型的预测精度,提出一种基于误差反向传播（BP）神经网络和长短时记忆（LSTM）神经网络组合优化的船舶升沉运动预测方法。以采用计算流体动力学（CFD）方法获取的船舶在规则波浪作用下的升沉运动和在突发性干扰下的升沉运动为对象,基于PYTORCH框架和LINGO软件,建立以加权方式组合优化BP神经网络和LSTM神经网络的预测模型。研究结果表明,无论是船舶在规则波浪作用下的升沉运动,还是船舶在突发性干扰下的升沉运动,BP-LSTM组合模型的预测精度均高于BP神经网络和LSTM神经网络,有助于提高补偿精度。     

基于神经网络的船舶物流配送成本预测

高精度的船舶物流配送成本预测可以节省成本,提高船舶物流配送企业的利润,因此具有重要的研究意义。为了获得更高精度的船舶物流配送成本预测结果,提出神经网络的船舶物流配送成本预测方法。首先采集船舶物流配送成本历史数据,通过变换技术建立船舶物流配送成本预测的学习样本,然后引入BP神经网络对船舶物流配送成本学习样本进行训练,拟合船舶物流配送成本的变化特点,从而实现船舶物流配送成本预测,最后与当前经典船舶物流配送成本预测方法进行优越性测试。结果表明,BP神经网络的船舶物流配送成本不仅预测精度平均高于对比方法 5%以上,而且船舶物流配送成本预测稳定性更优,预测结果可以为船舶物流配送企业提供有用的信息。     

船舶柴油机机械磨损故障诊断方法

柴油机是船舶运行最重要的动力装置之一,经过长年累月的运转,磨损故障经常发生,影响船舶的正常行驶。针对上述问题,提出一种神经网络机械磨损故障诊断方法。设计了与之相适应的BP网络结构,在此基础上建立了一个BP神经网络模型,并给出了一种BP神经网络学习算法,用来调整网络学习速率。柴油机机械磨损故障诊断实例结果表明:利用BP神经网络诊断出船舶柴油机磨损故障与实际诊断结果一致,准确率高达80%以上。     

基于遗传小波神经网络的港口船舶交通流量预测模型比较

对船舶交通流量进行准确预测在现代智能交通系统领域发挥着重要作用,为提高对船舶交通流量预测的准确性,本文将遗传算法分别与小波分析和神经网络进行结合,构建改进遗传小波神经网络模型,对广东省船舶交通流量的季度数据进行预测,并与遗传BP神经网络和传统小波网络等算法的预测进行对比。结果表明:经过遗传小波神经网络预测模型的误差相比传统的遗传BP神经网络模型和小波神经网络模型大幅度减小,提高了预测精度,从而保障水上交通安全,给水上安全主管部门的相关决策提供理论依据。     

基于ABC优化BP神经网络的船舶交通流量预测

为提高船舶交通流量预测的准确性,针对BP神经网络随机确定初始权值和阈值的缺点,提出一种基于人工蜂群算法(Artificial Bee Colony, ABC)改进BP神经网络的ABC-BP船舶交通流量预测模型。利用人工蜂群算法全局搜索能力和不易陷入局部最优的特点,对BP神经网络的初始权值和阈值进行优化,并以青岛港船舶交通流量统计数据为例,进行实例验证。结果显示,与传统的BP神经网络以及遗传算法(GA)优化的BP神经网络预测模型相比,ABC-BP模型平均绝对百分比误差(MAPE)低至3.361 8%,不仅避免了局部最优,而且通过简单的参数设置就能够显著提高船舶交通流量的预测精度。表明本模型在船舶交通流量预测上是有效可行的。     

基于灰色小波神经网络的船舶交通流预测研究

船舶交通流预测的准确性和可靠性已成为制约港口经济科学发展的瓶颈因素。文章综合利用小波变换的局部化性质与神经网络的自学习能力,并引入灰色模型以反映船舶交通流的发展趋势,使得小波神经网络在灰色模型预测结果的基础上结合船舶交通流的影响因素再预测,构成基于灰色小波神经网络的船舶交通流组合预测模型。实验结果表明,灰色小波神经网络的预测精度高于BP神经网络与小波神经网络,提高了整个预测系统的精度及其鲁棒性。     

基于NARX神经网络的船舶升沉运动实时预测方法

[目的]对船舶升沉运动进行预测有助于增强升沉补偿器的补偿效果,减少海浪对作业设备的干扰。为提高升沉预测模型的精度和稳定性,提出一种船舶升沉运动实时预测方法。[方法]基于带外源输入的非线性自回归(NARX)神经网络建立单海况预测模型,利用船舶系统仿真器获取母船升沉运动仿真数据,将NARX模型与卡尔曼(Kalman)模型、普通反向传播(BP)模型的预测结果进行对比。在此基础上,对单海况预测模型进行改进,建立多海况预测模型。[结果]多海况预测模型预测精度较高,且稳定性优于单海况模型,在2～5级海况下的最大预测误差均小于10-4量级。[结论]仿真结果表明,NARX神经网络对复杂海浪环境具有良好的适应性,它的预测速度和精度均优于BP神经网络和传统滤波方法,在高海况下仍可保持高预测精度。     

基于GA优化的灰色神经网络船舶交通流量预测方法研究

结合灰色模型和BP神经网络模型的特点,对两种模型进行有机地组合,构建一种改进的灰色神经网络预测船舶流量方法.以实际船舶交通流量和主要影响因素为数据,运用遗传算法改进的灰色神经网络模型对上海洋山港的船舶交通流量进行预测,计算和Matlab仿真结果表明,改进的灰色神经网络模型预测不仅精度较高,而且能准确预测船舶交通流量的变化规律.     

神经网络在船舶主柴油机建模中的应用

该文研究用BP神经网络建立船舶主柴油机模型的方法，并对BP算法进行了改进，提出了一种动态优化学习率的方法，对6L80MC柴油机实际数据用BP网络进行计算的结果表明，该算法能有效地建立船舶主柴油机模型。该模型已成功用于船舶主机遥控仿真系统中。     

一种参数自整定PID在变频冷却水系统的仿真研究

由于船舶在航行过程中海水温度、主机运行情况等参数变化会导致常规的PID控制效果不理想,所以需要对船舶变频冷却水系统的控制器进行改进。文章建立了船舶中央冷却水系统的数学模型,并在Matlab/Simulink环境下建立了仿真模型。利用BP神经网络的特性实现PID参数的自整定,并用BP神经网络PID控制器与传统PID控制器分别对系统进行控制,比较其控制效果。仿真结果表明,BP神经网络PID控制器的控制精度和鲁棒性优于传统PID控制器。     

基于改进PSO-BP神经网络的船舶交通流预测分析

为了进一步提高船舶交通流的预报精确度,文章建立了一种自适应变异的粒子群优化算法SAPSO,将BP神经网络模型与SAPSO算法相结合,进行船舶海上交通流分析预测。此外,文章采用灰色关联分析法GCA确定交通流预测模型的输入维数。SAPSO-BP预测模型运用自适应变异的PSO算法优化传统BP神经网络的模型参数,克服了传统BP神经网络的对模型的初始权值阈值敏感和易陷入局部最优的缺点,进而提高模型的预报精度。选用天津港口区域的船舶AIS实验数据,验证了预测模型的有效性。     

船舶柴油主机状态监测中故障诊断方法研究

针对当前船舶柴油主机状态监测中故障诊断方法存在的诊断速度慢、诊断结果不稳定等缺陷,提出基于小波神经网络的船舶柴油主机状态监测中故障诊断方法。首先分析当前船舶柴油主机状态监测中故障诊断方法的研究现状,然后采用小波变换抽取船舶柴油主机状态监测中的故障特征,并采用神经网络对船舶柴油主机状态监测中故障特征进行学习,实现船舶柴油主机状态监测中故障诊断的分类决策,最后船舶柴油主机状态监测中故障诊断结果表明,本文方法不仅可以保证船舶柴油主机状态监测中故障诊断正确率,同时减少了船舶柴油主机状态监测中故障诊断时间,极大改善了船舶柴油主机状态监测中故障诊断效率。     

基于GA-灰色BP神经网络船舶备件需求预测模型

船舶维修备件的及时保障是船舶设备正常生产作业的保证，备件需求量的准确预测对于航运公司降低运营成本、提高管理效率起着至关重要的作用。文章从某船设备维修备件的历史数据进行分析，构建一种基于灰色模型的多层前馈（BP）神经网络模型，并采用遗传算法（GA）进行优化。首先对船舶设备备件需求影响因素进行分析，通过灰色模型确定备件需求的关键指标，并将结果作为BP神经网络的输入层，从而输出需求预测值。与灰色模型、GA-BP模型预测值对比发现，基于GA-灰色BP神经网络组合模型对于船舶备件的需求预测精度误差仅为0.147%。结果表明，使用GA优化可以提高灰色BP神经网络的预测精度，为船舶维修备件需求预测提供了一种新思路。     

BP神经网络在船舶与海洋工程中的应用研究

人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.在数值预测方面,它不需要预选确定样本的数学模型.仅通过学习样本数据即可以进行预测.介绍了BP神经网络,并针对实际应用中收敛速度慢,平台效应等问题对网络进行了优化,给出了改进的三层BP神经网络算法.最后结合船舶与海洋工程的一些实际问题.探讨了利用改进的BP神经网络进行数值预测的方法和应该注意的问题,并给出了一些有益的建议.实验表明,神经网络的预测精度在船舶与海洋工程是可以接受的.     

基于SARIMA-BP模型的港口船舶交通流量预测

为提高船舶交通流量预测精度,提出一种季节性自回归移动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型和BP神经网络的误差校正集成模型。以深圳港2011—2017年的数据为研究样本,对原始数据进行预处理,构建最优SARIMA模型,以该模型求出的残差序列作为BP神经网络的输入,将两个模型预测结果进行整合,得到集成模型的预测结果。试验结果表明:该误差校正集成模型与两个单一模型相比,体现出船舶交通流量数据的季节性特征,具有较好的预测精度,为港口船舶交通流量预测提供一种更为有效的方法。     

优化的BP网络在船舶故障诊断中的应用

船舶各种设备故障的早期诊断和预测,对船舶的安全运行具有非常重要的意义。由于船舶上设备繁多,运行环境特殊,因此,各种设备的故障症状与故障原因之间关系十分复杂,使用传统诊断方法在实际应用中效果不理想。BP神经网络在故障诊断中有广泛的应用,但由于BP网络采用的是沿梯度下降的搜索求解算法,存在收敛速度慢,且容易陷入局部极小等问题。而遗传算法具有全局搜索速度快的优点。为此,采用自适应遗传算法来优化BP神经网络,并以船舶主机轴系的故障诊断为实例,证明遗传算法优化的BP网络方法非常适用于对船舶各种设备故障的早期诊断和预测。     

基于小波神经网络的上海港集装箱吞吐量预测

针对港口集装箱吞吐量预测精度不高的问题,采用小波函数作为隐含层传递函数改进BP神经网络进而建立小波神经网络,并对2008-2017年上海港的每月集装箱吞吐量数据按照前三个月预测后一个月的方式构建出训练数据和预测数据,同时与BP神经网络在同样数据情况下的预测精度进行比较分析。结果表明:小波神经网络的预测误差明显小于BP神经网络,其预测性能更好。