电子调速器设计原理及应用

PID参数的电路设计是电子调速器的核心,PID参数的整定调试,是发动机在不同工况下转速平稳运行的保证,是获得发动机最佳性能优化,提高发电品质的基础.     

电子海图中航线设计与监视的实时仿真方法

提出了基于国际标准格式(S-57)电子海图平台的航行安全实时仿真方法,主要研究了航线设计和航路监视方法.将指示克里格法应用于航线设计的研究,对海底地形曲面进行拟合并求取任意位置水深值,对离散的条件分布函数进行顺序矫正,保证了阈值区间的合理性.采用人机交互的方式根据船舶的航行信息和海图信息对计划航线进行修正,实现了计划航线可行性的自动判别,改进了航路监视的判定算法,并采用船舶形成碰撞紧迫局面时间(TCQA)和船舶形成碰撞紧迫局面距离模型来判断本船与目标船之间的紧迫局面及碰撞风险,从而有效地监控并提示避碰危险.经航海模拟器验证,该方法准确可靠.     

加拿大水域航运事故灰色关联分析与区间预测

为增强中国-加拿大贸易货物水上运输的安全,对加拿大水域航运事故进行了灰色关联分析,并建立了灰色区间预测模型.计算了各类航运事故序列与航运事故总数序列的4种灰色关联度.接近关联度反映了序列空间相对位置和几何形状的相似性,基于接近关联度的事故致因排序较准确.加拿大水域航运事故总数序列为振荡序列,建立灰色区间模型预测其范围,该模型精度较高.用该灰色区间预测模型预测了2019-2022航运事故总数范围,预测结果可用,未出现病态.     

航海模拟器中破碎浪的建模

为实现航海模拟器视景系统中破碎浪的仿真,对近岸区域容易产生的崩碎波和卷碎波进行建模.采用光滑粒子动力学(Smooth Particle Hydrodynamics,SPH)方法对流体进行建模,以容易产生浪花的港区岸壁、码头等 为目标模拟区域进行抽象确定边界.基于SPH流体的粒子无序性和同时间步长位置相对固定等特点,对链表搜索法进行改进,提出前向链表搜索法,对SPH模型的近邻搜索算法进行了改进,使得粒子搜索时间复杂度大大降低,提高了粒子近邻搜索的效率.所建立的破碎浪模型具有较好的实时性效果.     

散货船配载仪中CSR剪力修正计算

各船级社规定散货船配载仪要具有CSR剪力修正功能。国际船级社协会最新发布的《散货船油船协调版共同结构规范》于2015年7月1日生效,其中CSR剪力修正计算方法有所改变,为满足新规范的要求,采用"斜率修正法"计算舱室前后舱壁处的CSR剪力修正,根据货舱的装货高度及货物密度判断相邻2个舱室是否为"非均匀装载"载况,包括完整工况和单舱破损工况。采用"剪力修正分布系数二次修正法"确定舱室前后舱壁处剪力修正分布系数,舱室其他位置采用线性插值法计算剪力修正分布系数。以56 000 DWT散货船"太行128"及64 000 DWT"SPRING COSMOS"为例,开发配载仪程序,计算"重压载出港工况"及"1、3、5舱室隔舱装载工况"的CSR剪力修正值,和船舶设计软件NAPA计算值相比,相对误差在0.2%以下,证明所述方法的正确性,具有一定的工程实用价值。     

基于STL模型的船舶吃水转换功能实现

提出一种基于船舶外壳STL模型及S-H多边形剪裁算法的船舶吃水转化方法。根据船舶设计部门提供的船舶STL模型,用船舶六面水尺所在的平面切割STL模型,得到各个水尺的封闭多边形。根据船舶当前的载况计算出船舶的首尾吃水及横倾角,确定倾斜水线面的方程。基于S-H多边形剪裁算法,将各个水尺的封闭多边形和水线面求交即可计算出六面吃水。以6.4万吨散货船“Spring Cosmos”和25万吨矿砂船“Shandong Ren He”为例进行实例计算,和船舶设计软件NAPA计算值相比,绝对误差都在1 cm左右,证明上述方法的正确性。实验表明：算法计算精度较高,通用性好,适用于船舶任意载况,具有一定的工程实用价值。     

基于深度学习的船舶驾驶员疲劳检测算法

针对日益凸显的船舶值班人员疲劳驾驶问题，为有效预警值班驾驶员的疲劳状态，保障船舶航行安全，研究了基于深度学习的疲劳检测算法。考虑到船舶驾驶台空间大、背景复杂等特点，使用深度可分离卷积改进RetinaFace人脸检测模型，优化模型的检测速度；基于Channel Split和Channel Shuffle思想，结合批量归一化、全局平均池化等技术搭建改进的ShuffleNetV2网络，自动提取图像特征，识别眼睛、嘴巴的开闭状态；根据PERCLOS准则融合眼睛、嘴巴2个特征参数综合判定驾驶员是否疲劳。实验结果表明:改进后RetinaFace模型的检测速度由9.33帧/s提升至22.60帧/s，人脸检测精度和速度均优于多任务卷积神经网络（MTCNN）；改进的ShuffleNetV2网络识别眼睛、嘴巴状态的准确率高达99.50%以上；算法在模拟驾驶台环境中识别疲劳状态的精确率达到95.70%，召回率达到96.73%，均高于目前常见的Haar-like+Adaboost以及MTCNN+CNN疲劳检测算法。算法检测每帧图片仅需0.083 s，基本满足实时检测的要求。