船舶电网系统三维点云数据聚类提取分析算法

船舶电网系统结构直接对船舶电力系统运行的稳定性和可靠性产生影响,船舶航行过程中经常出现供电不足等问题,严重威胁船舶航行安全。为解决上述问题,采用三维点云数据聚类算法对船舶电网运行状态和可靠性进行评估计算,并结合可靠性评估计算结果对船舶配电系统结构进行优化设计,将船舶电网系统中的电缆设计为环状结构辐射网,以便保障电力系统运行效果。为了对船舶电网系统三维点云数据聚类提取分析算法的准确性进行检测设计了仿真实验,实验结果证实,三维点云数据聚类提取分析算法可更好的提高船舶电力系统的运行效果,保障船舶航行安全     

基于组合优化算法的船舶信息风险评估

为避免船舶信息风险引发重大船舶航行事故,研究基于组合优化算法的船舶信息风险评估方法。选取通信、环境、管理、人为这4个方面因素共17个指标,构建船舶信息风险评估指标体系,将其作为径向基函数（RBF）神经网络输入层输入数据,经隐含层映射操作后,通过输出层输出评估到的船舶信息风险等级,采用结合模糊C均值聚类算法和遗传算法的组合优化算法,合理选取RBF神经网络隐含层中心向量并寻优获取最佳隐含层基函数宽度和权值向量,提升船舶信息风险评估效果。实验结果表明：该方法可有效评估多艘船舶的信息风险,并可依据评估结果获取何种因素导致船舶信息风险,提出针对性指导建议。     

依据轨迹数据的船舶交通密度计算方法

研究基于轨迹数据的船舶交通密度计算方法,利用精准的船舶交通密度计算结果提升海上交通规划水平。利用AIS设备采集船舶航行轨迹数据,利用均匀参数化方法对所采集的航行轨迹数据重采样处理。将通过重采样处理获取的航行轨迹数据,划分为静止轨迹数据点以及移动轨迹数据点,依据数据点间的欧式距离,以及船舶航行方向、航行速度的相似性,选取基于密度的DBSCAN聚类算法完成轨迹数据聚类。依据船舶航行轨迹数据聚类结果,选取多维密度方法,通过更新船舶经过总数、船舶经过总时间等参数,计算船舶交通密度。实验结果表明,该方法可以依据船舶航行轨迹数据,精准计算船舶交通密度,为海上交通规划提供有效支撑。     

改进QuickBundles算法在船舶轨迹聚类中的应用

对船舶AIS数据聚类进行研究，可以挖掘出船舶航行过程中有效或潜在的信息，对于提高船舶海事交通管理和水路交通运输的智能化水平具有重要意义。传统的聚类算法在面对大量的AIS数据样本时通常表现出很低的执行效率。因而，提出一种改进QuickBundles算法，并对船舶轨迹采样方法和距离度量方式进行改进，选取长江南京航段板桥汽渡水域的船舶AIS数据作为试验依据，最终实现船舶轨迹的有效聚类。试验结果表明，与原QuickBundles算法和DBSCAN算法相比，改进QuickBundles算法在算法执行效率和算法准确性方面优于前两种算法，证明改进QuickBundles算法可有效应用于船舶轨迹聚类。     

基于差分进化算法的船舶电网系统状态评估研究

船舶电网系统状态对于船舶安全航行产生直接影响,为此研究基于进化差分算法的船舶电网系统状态评估方法,保障舰船安全航行。采用文献法与专家咨询法构建初始舰船电网系统状态评估指标体系,利用进化差分算法在初始评估指标体系内筛选指标,构建最终用于评估舰船电网系统状态的指标体系。采用模糊综合评估方法,确定评估结果划分等级,计算评估指标权重值,构建综合评估矩阵,通过评估矩阵与权重值实现舰船电网系统状态模糊综合评估,获取评估结果。测试结果显示,该方法所构建评估指标体系的整体Cronbachs’α系数值在0.85以上,显著高于标准值,且所得评估结果与舰船电网系统当前状态一致,说明了评估结果的准确性。     

基于Voronoi图的内河船舶锚位面积计算方法研究

为了快速计算和分析锚泊船舶占用水域面情况,提出一种基于Voronoi图的内河船舶锚位面积计算方法.首先采用滑动窗口算法,识别预处理后的船舶轨迹数据得到具有锚泊状态船舶;其次结合K-means聚类算法对锚泊船舶轨迹数据聚类,得到聚类中心作为船舶锚泊位置;基于某一时刻船舶锚位记录数据构建对应锚泊船位点集,划分形成Voron...     

基于AIS数据约束聚类的海上交通特征分析

为识别船舶交通流,分析海上交通特征,根据海上交通工程理论和数据挖掘技术,考虑AIS数据点的多种属性约束,改进一种基于密度的聚类算法,从大量AIS数据中解析不同类型的船舶交通流,计算平均航向和航速,并选取浙沪交界复杂水域进行实例验证。聚类结果与实际相符,证实了算法的可行性和有效性。     

复杂环境中高可用船舶AIS大数据信息处理方法

提升复杂通航环境下船舶航行安全性,提出复杂环境中高可用船舶AIS大数据信息处理方法。选取分布式架构作为船舶AIS大数据的信息处理架构,采集船舶AIS数据,对数据实施报文解析处理,利用云计算节点将完成AIS大数据传送至Oracle数据库。Oracle数据库采用同步复制技术,利用Markov链建立可用性评估模型,依据可用性评估结果确定分布式数据库的最佳接管方案,提升AIS大数据的可用性。选取Dbscan算法完成数据聚类,数据聚类结果为舰船目标识别等应用提供数据基础。实验结果表明,该方法可以有效处理船舶AIS大数据,数据聚类的类内相似度高于0.93,信息处理可用性高。     

机器学习在智能辅助避碰系统中的应用

阐述船舶智能辅助避碰系统的基本决策过程,聚类算法在危险区域划分中的应用,以及在碰撞危险度计算中利用大量实船数据训练神经网络模型的机器学习方法。优化相关参数的计算方法,提升智能辅助避碰系统的可靠度和实用性。     

港口水域船舶异常能耗云数据挖掘

以港口水域船舶的节能减排为目标,研究港口水域船舶异常能耗云数据挖掘方法。采集港口水域船舶的AIS云数据,删除与船舶能耗无关以及异常数据,利用K-means聚类算法对船舶能耗相关船舶主机转速以及船舶主机功率等数据进行聚类,输出船舶不同运行工况的能耗。利用贝叶斯分类器依据聚类结果识别港口水域船舶能耗云数据是否为异常数据,完成港口水域船舶异常能耗云数据挖掘。实验结果表明,该方法的船舶异常能耗数据挖掘精度高,为船舶的节能减排提供依据。     

船舶电网系统状态评估研究

常规电网系统状态评估方法能够对路基300 MW以下的电网系统状态做出正确评估,但针对船舶电网系统状态评估时,存在评估运行可靠性较低的问题,为此提出船舶电网系统状态评估研究。搭建状态评估模型框架,导入状态评估算法,完成船舶电网系统状态评估模型的构建;确定船舶电网系统状态监测区间,并对监测参数数据进行处理,实现船舶电网系统状态评估研究。试验数据表明,提出的船舶电网系统状态评估方法较常规电网系统状态评估方法,评估运行可靠性提升37.89%,适合对船舶电网的系统状态评估。     

基于可靠性方框图与蒙特卡洛仿真的船舶配电网可靠性分析方法

国船舶工业发展迅速,尤其在近几年迎来了跨越式的发展。船舶建设工业的发展能充分体现一个国家的经济和国防建设水平。但船舶配电网拓扑结构与陆上电网不尽相同,其运行环境非常恶劣,供电连续性和可靠性成为衡量船舶生命力的重要指标,同时也深刻影响大型船舶的平均寿命。因此,可靠性研究在船舶建设中发挥着越来越重要的作用。本研究以典型大型船舶中压配电网结构为研究对象,在全系统元件正常运行时相互独立的情况下,重点研究不可维修与可维修下的系统可靠度、MTBF、可用度、停运时间和失效数等,并进行详细的分析与讨论。首先,本文综合考察各种可靠性分析方法的适用性和准确性,选择利用可靠性框图、最小路集分析法计算并分析不可维修情况下系统的可靠度、平均故障间隔时间等可靠性指标；接着,本文简述了配电网的多种维修任务类型,并采用最小路集法与蒙特卡洛仿真法相结合的方法计算并分析可维修系统的可用度、停电时间、失效数等指标。本文研究结果对船舶配电网的设计、建造、运行和维修等具有积极的意义。     

基于DBSCAN算法的船舶轨迹自适应层次聚类

为更好地从船舶自动识别系统(Automatic Indentification System,AIS)数据中挖掘信息,科学地感知水上交通态势,针对聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)在水上交通情景中的参数选取问题,提出一种基于DBSCAN的船舶轨迹自适应层次聚类方法。通过分析DBSCAN算法的特性,根据数据集内在分布规律及拟聚类效果的变化规律来确定参数;结合统计学理论进行层次聚类,来适应密度分布不均的船舶轨迹数据。以琼州海峡船舶轨迹数据为例,运用VC软件和MATLAB软件进行验证。验证结果表明:该方法能够在大量复杂的船舶轨迹中发现具有相似性的轨迹群,且结果与实际交通流相符,可为航道建设及海事监管等提供辅助决策。     

基于层次聚类的船舶建造分段运输日志分析

为提高生产效率,合理地对船舶建造过程中分段工序流程进行系统性的分析研究,采用层次聚类算法对2种不同船型的分段运输日志进行分析,得出各船型分段建造的典型工序流程类别。对数据预处理方式和不同数据点间距离的计算方法对层次聚类结果的影响进行讨论。此研究可对后续的分段工艺链路模型构建和优化方案制订提供重要的基础。     

基于机器学习算法的海洋平台结构整体安全度评估

以保障海洋平台结构整体安全度,延长海洋平台使用寿命为目的,提出基于机器学习算法的海洋平台结构整体安全度评估方法。基于层次全息建模理论,从环境、技术状态、功能模块等6个角度出发,共选取22个评估指标构建海洋平台结构整体安全度评估指标体系;采集评估指标数据,利用数据清洗与转换等处理方法预处理指标数据。将海洋平台结构整体安全度划分为5个等级。利用机器学习算法中的卷积神经网络构建评估模型,将评估指标数据作为输入,指标数据特征提取与数据降维等过程输出海洋平台结构整体安全度评估等级。实验结果显示该方法指标数据利用率较高,可准确评估海洋平台结构整体安全度,提升海洋平台使用的安全性。     

基于数据驱动的船舶航线实时优化

为了给不同海况下的船舶安全航行提供保障,设计基于数据驱动的船舶航线实时优化方法。利用数据驱动方法采集船舶历史航线、海域风速、风向、波高等海况数据,选取K-means聚类算法聚类海况数据,构建海况知识库。依据海况知识库内的船舶航线信息与航线转向点信息,划分船舶航线为不同航段。依据船舶航线的航段划分结果,以航行总时间最短以及总油耗最低为目标函数,设置船舶航速约束与转向点位置约束作为约束条件,构建航线实时优化模型。选取蚁群算法求解所构建的优化模型,输出航线实时优化结果。结果表明,该方法可以实时优化航线,降低船舶的航行时间与主机油耗,适用于不同海况的船舶航行。     

基于机器学习的船舶能耗智能预测方法验证分析

船舶能耗智能预测是实现船舶能效智能评估与优化决策的基础和前提。大数据、人工智能、机器学习等新兴技术促进了船舶能耗预测方法的不断发展,为分析不同基于机器学习的船舶能耗预测算法的预测精度与效果,进行了不同预测算法的实例验证分析。结合船舶油耗及其影响因素实船采集数据,通过采用不同机器学习算法对船舶能耗进行预测分析,验证了各算法的特点和优势,从而为选择合适的船舶能耗预测算法提供参考。     

改进的Parks聚类分析距离算法

经研究发现现有聚类分析算法普遍存在聚类盲目性,而这又直接影响着聚类的质量.针对这一问题,本文以Parks距离算法为例,提出了一种改良的Parks聚类分析距离算法,并将此距离算法应用在船舶装配产品归类中.通过对改良前后算法的比较,验证了新算法的优越性.     

基于BP神经网络的船舶主机能效状态评估

[目的]在船舶航行期间,需要通过分析船舶和主机的运行参数来客观判断主机当前的工作情况,从而准确评估主机的能效状态。[方法]以状态良好的船舶运行记录为样本,结合主成分分析法和BP神经网络算法,构建船舶的航行状态识别模型和主机油耗模型,并在船舶航行期间对船舶实时运行参数进行分析,得出船舶主机在当前工况下的油耗量正常值。以某30万吨级远洋散货船为例开展模型计算验证,将正常油耗值与实际油耗值进行对比,以二者的残差值为依据,进而评估当前的主机能效状态。[结果]计算结果显示,航行状态识别模型的正确率为98.05%,油耗模型的平均误差为3.47%,2种模型的可靠性均较高。[结论]研究成果可为智能船舶的能效管理提供一定的参考。     

船舶网络入侵风险等级估计算法研究

传统估计算法缺少信号分析与处理阶段,导致评估效果较差,为了解决该问题,引入神经网络评估算法对船舶网络入侵风险等级估计进行研究。根据船舶网络入侵风险等级估计问题确定流程,设计信号分析与处理阶段,保证数据分析有效性。根据信号处理结果,对船舶网络入侵风险等级进行划分,并对风险度量进行评估,由此完成船舶网络入侵风险等级估计算法研究。通过实验对比结果可知,该算法最高评估效果可达到97%,为船舶网络安全运行提供保证。