船舶事故发生频率估计的非线性数学模型研究

传统船舶事故发生频率估计模型对评估数据的维度过高,导致部分有效评估因素因维度限制,无法参与模型的评估,降低了模型评估输出结果的严谨性,无法适应事故发生频率评估的非线性特征。为了解决传统评估模型存在的不足,提出船舶事故发生频率估计的非线性数学模型研究。首先根据非线性特征对模型构建数据信息进行归一化整理,然后对归一化数据进行降维计算,重构模型参量定义。最后,按照重构参量维度,完成船舶事故发生频率估计模型的建立。为了验证建立模型的准确性,采用数据对比方法,利用实例数据调试,与传统模型进行对比,调试结果证明提出模型的评估准确率能够到达97.6%以上。     

基于大数据分析的船舶出海频率预测模型研究

传统船舶频率预测模型存在预测量与实际出海频率值差值较大的问题,通过分析发现,传统预测模型对频率干扰系数的应用缺乏灵活性,无法自适应匹配频率干扰系数值。针对问题根源,提出大数据分析的船舶出海频率预测模型。利用大数据分析算法,对船舶出海频率目标量进行最优量锁定;根据最优目标函数构建频率预测模型,并针对模型相关量进行大数据干扰系数自适应过滤,将静态频率干扰系数转换为动态频率干扰系数。最后通过定义预测任务参量,完成预测模型输出预测量的精度优化。通过与传统预测模型的仿真数据测试表明,设计模型能够将预测误差控制在0.8差值范围内,解决传统预测模型误差大于1.5差值的问题。     

船舶压力传感器输出数据实时校正算法

传统船舶压力传感器输出数据之间的关联性较差,导致压力传感器数据校正结果存在数据量的非线性时间误差,无法达到实时校正的目的。因此提出船舶压力传感器输出数据实时校正算法。首先,根据压力传感器特征,结合数据实时校正的时间性,建立压力传感器输出数据实时解释模型;然后,根据模型解释对压力输出数据时间变量下的非线性误差进行计算;最后,根据非线性误差特征,完成对输出数据非线性误差的实时补偿计算,实现对船舶压力传感器输出数据实时校正。通过与传统船舶压力传感器输出数据校正算法的对比测试,证明提出的船舶压力传感器输出数据实时校正算法,在船舶压力传感器输出数据校正方面,具有实时性强、稳定性好、校正误差小的特点。     

船舶动力推进装置稳定性控制研究

传统船舶动力推进装置控制算法,存在动力装置输出动力阻力定位误差大,导致控制算法输出层面的非线性ESO参量条件变量缺失,造成算法整体控制输出量精度下降。针对动力阻力定位与非线性ESO数据量缺失导致的问题,设计提出船舶动力推进装置稳定性控制研究。通过对船舶推进装置动力阻力指标进行匹配,准确定位动力阻力分布位置;采用非线性ESO数据模型,对动力阻力值进行非线性ESO数据建模;根据非线性ESO模型数据,完成对动力装置稳定控制量的计算。仿真实验数据的对比结果,证明了提出控制算法的有效性。     

基于深度学习算法的舰船通信网络流量估计研究

传统舰船通信网络流量估计算法输出结果与实际流量数值之间的误差较大,导致后期数据流量分析结果可信度降低。为了提升通信网络流量估计准确度,提出基于深度学习算法的舰船通信网络流量估计研究。首先,对通信网络空间中的数据流进行数据流模型建立,获得通信流量基础特征数据;然后,对其流量波动值域范围进行特征计算,以此获得深度学习样本。最后,通过深度学习算法,对样本数据进行学习,通过学习完成对流量估计系数的更新,进而提升估计精准度。通过对仿真数据的对比测试,证明提出的估计算法能够有效减小估计值与实际值之间的误差,满足适应估计场景的应用要求。     

大浪条件下船舶航行阻力估计的数学模型设计

精确估计船舶航行阻力能够有效节省航行燃料,传统的阻力估计模型不能完全考虑风浪对船舶阻力的动态影响,导致模型的估计数值与实际值偏差较大、模型可信度低,不能用于估计风浪对船舶航行的阻力。针对以上问题,研究了大浪条件下船舶航行阻力估计的数学模型,利用插值三次B样条曲线对船舶受力面进行网格划分。积分计算船舶静水航行时受到的静水航行阻力。将风浪对船舶的作用视为动态增阻,以平均增阻量估计船舶受到的风浪阻力。计算静水阻力与动态增阻之和,即为船舶在大浪条件下受到的阻力,完成对模型的设计。在3种风浪条件下,进行与传统阻力估计模型的对比实验。结果表明,设计的模型在大浪条件下估计值与实际值的偏差是传统模型的1/50,即设计的模型估计的数值更精确,模型计算值更可信。     

船舶柴油机瞬时转速监测技术

传统船舶柴油机转速监测技术,存在瞬时转速监测误差过大的问题,导致船舶动力控制效果无法达到最佳值。因此,提出一种新的船舶柴油机瞬时转速监测技术。通过对船舶柴油机转速监测信号的优化计算,获得纯净的瞬时转速基础信号函数;根据基础信号函数,对瞬时转速监测信号特征进行提取;结合柴油机机械结构特征,将特征信号转换为监测模型,完成监测机制的更新,达到减小监测误差的目的。通过与历史3种监测技术的数据对比结果表明,提出的检测技术监测值更趋近于实际值,监测稳定性更好。     

船舶并网发电状态监测系统设计

传统船舶发电状态监测系统,在并网发电状态监测场景下,存在并网发电容量状态判定误差较大,导致实际输出电量与储存电量之间比例异常,扰乱正常并网发电特征逻辑。通过分析并网数据发现,关键在于监测系统对于并网发电系数的判定逻辑阈值,而阈值影响因素由监测硬件与软件算法两部分决定。因此,为了解决上述问题,提出船舶并网发电状态监测系统设计。首先,硬件功能结构进行设计;其次基于硬件获得数据,对并网发电判定阈值进行优化。最后,对输出监测量进行状态系数评估计算,保证输出监测系数的准确性。通过与传统监测系统10组数据的对比表明,提出设计的监测系统,具有数据监测误差小、连续监测稳定性好的特点,更适合船舶并网发电场景的应用。     

LSTM网络在船舶航行轨迹预测中的应用

针对传统船舶航行轨迹预测算法,计算得到的轨迹预测量的回归适应性差,导致预测结果与实际轨迹之间的误差较大,严重影响船舶航线调度与航行安全的问题,提出LSTM网络在船舶航行轨迹预测中的应用。利用LSTM网络模型的梯度传递特性,建立航行轨迹进行LSTM网络模型,优化轨迹预测学习器预测学习量,采用高斯回归算法,增强预测量的自适应性,减小预测误差,整合网络预测数据,完成轨迹预测输出计算。实验数据表明,提出的预测方法的预测结果与实际轨迹之间的误差较小,能够有效提升轨迹预测精准度。     

电力推进船舶电力负荷预测方法

传统电力负荷预测方法在混度向量模糊场景下,所得到的电力负荷预测结果与实际电力负荷截值之间的误差较大。为了解决上述混沌场景下的预测精准度问题,提出电力推进船舶电力负荷预测方法。实现步骤共分为建立模糊预测量模型、混沌量回归优化与向量机预测输出负荷的优化3部分。通过对预测不同阶段关系量的优化,实现提升预测精准度的效果。与传统预测方法的数据对比表明,提出方法的预测值与实际负荷值之间的误差,明显小于传统预测方法预测值,更适合电力推进船舶电力负荷的预测应用。     

基于Elman网络的舰船组合导航系统误差补偿研究

为了提高卡尔曼滤波估计精度，提出了一种基于回归神经网络补偿卡尔曼滤波器估计误差的方法。根据Elman网络与非线性ARMA模型工作原理的相似性，利用Elman网络做误差估计器，补偿卡尔曼滤波器的估计精度。实际舰船航行数据仿真测试表明，该方法有效可行。     

无人驾驶技术的水面船舶曲线航迹跟踪方法

传统水面船舶航迹跟踪方法仅能对线性航迹进行跟踪,针对与双体船结构特征相似的无人驾驶船舶航迹,在其无线航迹跟踪应用中表现出航迹跟踪坐标位置与实际坐标位置误差较大的问题,导致跟踪目标经常丢失。为此,结合双体船航迹跟踪特点,提出无人驾驶技术的水面船舶曲线航迹跟踪方法。首先对水面船舶航行条件建立模型,根据条件模型对船舶曲线轨航迹进行数据模型计算。最后,结合条件模型与曲线航迹模型,对跟踪算法进行差值优化计算,从而提升曲线航迹的跟踪精准度。通过仿真数据的模拟测试,采用提出方法的船舶,能够将曲线航迹跟踪精准度控制在98.6%以上,有效解决传统跟踪方法误差大的问题。     

基于自适应学习误差模型的船舶柴油机调速方法分析

传统船舶柴油机调速方法,存在调速误差较大的问题。导致船舶航行过程中速度控制精准度下降,影响船舶航行效率,同时为船舶航行安全留下隐患。通过对调速过程参量的分析发现,导致调速控制误差较大的根源,在于调速控制算法中的控制变量自适应性低。基于上述问题产生原因,提出基于自适应学习误差模型的船舶柴油机调速方法分析。首先对柴油机调速过程中的误差量进行模型计算,然后对误差数据网络络结构进行分析计算。最后,通过自适应学习算法,对误差结构变量进行优化,从而实现提升调速控制精准度,降低误差的效果。通过与传统控制方法的对比,证明提出方法具有解决传统方法不足的效果。     

基于大数据分析的船舶海上物流配送链优化模型

传统的船舶海上物流配送链优化模型无法对物流资源数据进行特征共享分析,导致优化后的配送路径过长,极大地增加了运输成本与时间。为了解决这一问题,提出基于大数据分析的船舶海上物流配送链优化模型设计。通过大数据分析技术,首先对物流配送链信息进行物流源的分组优化。以收件人为中心将货物与数据资源一一对应分组,清晰物流配送数据的配送关系,对数据进行内部整合计算,精简数据流提升模型计算速度;最后对配送路径进行输出优化计算,通过大数据分析对遗传算法进行实时分析,得到最佳的配送路径。为验证提出优化模型的有效性,通过设计仿真对比实验的方式,模拟配送链数据对提出模型与传统模型进行配送时间的对比,通过对比数据证明提出的优化模型具有配送用时短,节约运输成本的特点。     

模糊控制方法的水面船舶动力定位控制

传统船舶动力定位控制算法,在动力输出参量耦合情况下,存在动力阈值系数定位误差过大的问题。导致后续控制变量周期变化不稳定,无法准确控制船舶全局动力输出。为了解决上述动力定位控制问题,提出模糊控制方法的水面船舶动力定位控制。基于模糊控制方法的广域性,对动力控制参量进行模型计算;根据模型完成对动力变量目标位置定位量的优化。最后,根据优化阈值利用模糊神经算法,完成对输出控制量策略的更新,实现提升动力定位控制精准度,减小控制误差的效果。通过与传统算法的效果对比表明:提出的控制方法,具有定位速度快、精度高、资源消耗小的特点,更适合实际船舶动力定位控制场景的应用。     

支持向量机的船舶短期电力负荷预测方法

船舶的短期电力负荷具有强烈的非线性变化特点,传统方法无法描述船舶短期电力负荷的变化趋势,以解决当前船舶短期电力负荷预测误差大的难题,提出了基于支持向量机的船舶短期电力负荷预测方法。首先对船舶短期电力负荷预测的研究现状进行分析,指出引起不足的原因,然后采用支持向量机对船舶短期电力负荷数据进行学习,建立可以反映船舶短期电力负荷变化的预测模型,最后进行了船舶短期电力负荷预测的验证性测试。结果表明,支持向量机可以提高船舶短期电力负荷预测精度,可以对将来船舶短期电力负荷值进行准确估计,具有较高的实际应用价值。     

船舶状态监控网络的节点信任度模型研究

传统船舶状态网络监控节点受到扰动节点的影响,先验信息节点存在信任差量,导致节点信任度模型输出量精准度降低。为了解决先验信息节点的信任误差问题,提出船舶状态监控网络的节点信任度模型。首先对船舶状态数据进行数据结构的信任模型结构映射,固定模型结构数据量;然后,对状态数据节点关联参量进行信任量的约束定义;接着,通过数据节点的迭代特征,完成对信任模型的节点信任系数更新;最后对更新后,信任模型中的先验信息节点进行输出信任度确定计算,从而达到提升信任度模型输出量精准度的目的。通过与传统信任模型输出量的精准度对比,证明提出设计的模型研究方法,具有提升模型输出量精准度的效果。     

侧向受载时船舶屈曲临界载荷数值的计算方法

传统Rankine源计算法对侧向受载船舶,屈曲临界载荷数值计算误差较大。对此,提出船舶屈曲扰动势临界载荷数值计算方法。建立船舶扰动势边界积分方程,计算船舶总体扰动势载荷值,对载荷值进行线性处理,将总体扰动势转变为侧向扰动势,对侧向扰动势进行自由面条件离散,获取船舶侧向受载时,屈曲临界载荷数值。仿真实验数据表明,与传统Rankine源计算方法相比,设计的扰动势临界载荷数值计算方法,计算纵向屈曲临界载荷值计算误差缩小19%,横向屈曲临界载荷值计算误差缩小27%,屈曲载荷数值计算精确率更高。     

基于分布式数据采集技术的船舶能效控制系统

传统船舶能效控制系统在海量数据采集处理方面,存在多数据流调度资源分配阈值较大,导致船舶整体能效控制系统输出控制比较高的问题。为了有效降低船舶能效控制系统的能效比,提出基于分布式数据采集技术的船舶能效控制系统设计。通过分布式数据采集技术,建立船舶能效数据分布式采集器,对能效数据进行采集资源的分布式优化;在软件功能设计上,采用分布式能效模型对能效分配进行分析;通过定义能效优化约束与分布式能效控制分配计算,实现降低能效控制系统输出能效比的效果。通过对比实验数据,证明提出设计系统的有效性。     

现代统计学理论的船舶事故发生频率估计研究

随着航海业的蓬勃发展,船舶数目得到大幅度的增长,船舶安全问题成为影响航海业发展的重要因素之一。在以往的船舶事故发生频率估计研究中,对于航线因素考虑不够细致,导致估计结果失真情况时有发生。因此,使用现代统计学理论设计船舶事故发生频率估计方法。获取航线事故数据,对其进行清洗与处理,获取数据之间相互关联性。以GM(1.1)模型为蓝本,使用同质法对航线进行划分,将划分结果带入模型中得到基础事故率,同时构建修正系数函数,确保数据计算结果的可靠性。至此,现代统计学理论的船舶事故发生频率估计方法设计完成。通过实验对比可知,此方法的估计结果与实际事故数相似度较高,估计结果较为可信,在日后的研究中可使用此方法提高船舶事故发生频率的研究深度。