基于模糊聚类算法的船舶故障诊断技术

由于大型设备故障症状与故障原因之间关系十分复杂，使得传统诊断方法在实际应用中效果不理想。研究采用模糊C-均值聚类算法，将被诊断对象间故障和症状的特征通过建立模糊关系矩阵进行了故障分类，用当前所得的故障征兆群与过去该设备故障征兆结果相对照，找出最相似的结果，从而确定其故障。通过船舶主机轴系诊断的实例，充分证明了该方法的有效性。     

蚁群聚类算法在海上交通安全中的应用

人为因素对于海上交通安全具有很大的影响作用,船舶管理人员、航运企业和海事管理部门需采取有效地预防措施。运用蚁群聚类算法从船员素质及教育、船员心理及生理因素、组织管理和环境因素4个方面进行聚类分析,从而得出对海上交通安全影响较大的人为因素的分类结果。实验结果表明,组织管理是海上交通人为因素中的关键。     

蚁群优化算法在船舶电力系统重构中的应用

船舶工业的发展是我国国防工业、交通运输的重要基础,船舶电力系统的故障重构一直是国内外研究的热点,船舶电力系统故障重构是一典型的非线性组合优化问题。本文提出了一种改进的蚁群算法对船舶电力系统故障重构问题进行研究,并通过实例分析和实验仿真将改进后的蚁群算法和传统基本蚁群算法进行对比分析,得出了改进后的蚁群算法在船舶电力系统故障重构问题上具有更加优越的性能。     

云计算聚类挖掘算法在船舶海上信息平台中的应用

海洋数据量快速增长,如何获取有用的数据已经成为海上信息平台处理中的关键问题之一。本文在搭建的海上信息云平台上,利用Canopy算法实现海上数据的聚类分析,对云平台中的并行计算进行说明。最后进行与K-均值聚类的对比实验,从运行时间、加速比、聚类识别率等方面说明本文算法运行效率高,聚类识别效果好。     

多维缩放舰船运行数据聚类算法设计

传统的聚类化运算算法(基于K-Means算法),在大数据环境下运算力下降,数据聚类运算收敛不足。提出基于多维缩放的舰船运行数据聚类算法设计。利用基于多维缩放的KNTSCCA聚类算法,对舰船运行数据传统算法进行替换,通过对舰船数据的降维迭代计算,实现多维缩放聚类算法设计。通过仿真实验证明,提出的多维缩放的舰船运行数据聚类算法,能够解决现有基于K-Means算法收敛不足的问题,具有可行性。     

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。     

蚁群算法在船舶电力故障系统中的应用研究

在工业自动化程度日益提高的今天,船舶电力自动化程度也不断提高。在现代化的船舶电力系统中,电站作为整个系统的核心,一直扮演着非常重要的角色,但是由于船舶的用电设备复杂,工作环境也较为恶劣,所以需要对电力系统中可能出现的故障做到快速预警和高效处置。本文在深入研究了蚁群算法的基础上,针对船舶电力系统中常出现的几种电力故障进行数学建模仿真,并对基于信息素的核心算法提出了改进措施,进一步提高了系统运行的稳定性和故障查找的准确性。     

模糊C-均值聚类算法及其在船舶故障诊断中的应用

船舶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。由于船舶设备繁多,运行环境特殊,各种设备的故障症状与故障原因之间的关系十分复杂,致使传统诊断方法在实际应用中效果不理想。因此,研究采用模糊C-均值聚类算法来实现船舶故障的诊断乃是非常必要的。将被诊断对象间故障和症状的特征通过建立模糊关系矩阵进行故障分类,用当前所得的故障征兆群与过去该设备故障征兆结果相对照,找出最相似的结果,从而确定其故障。通过船舶主机轴系诊断的实例,证明了该方法的有效性。     

基于两步聚类算法的船舶交通事故分析

通过对近六年船舶交通事故进行统计分析,运用聚类算法进行数据挖掘,并基于两步聚类算法对数据进行聚类分析,发掘事故各变量间的相关性,并进一步提出事故防范对策以保障航行安全。     

蚁群优化神经网络的船舶排水量估计

传统船舶排水量估算过程应用阿基米德试验得到结果,但是由于水域密度系数不同,导致最终估算精确度较低,为此提出蚁群优化神经网络的船舶排水量估计方法。利用蚁群算法规则优化神经网络计算流程,得到分类估算的神经网络计算体系,通过网络连接将定点水域密度系数导入估算模型,实现神经网络估算模型的构建;确认船舶估算参数的相关性,通过神经网络估算模型估算出船舶排水量。实验数据表明,设计的估算船舶排水量过程准确有效。     

船舶工程中的云粒子群算法研究

船舶在航行过程中的航向控制对于船舶航行安全是非常重要的。本文首先阐述传统的云粒子群算法,然后针对其陷入局部最优等缺点进行改进,利用云变异的云自适应粒子群优化算法进行船舶航向PID控制,并进行仿真实验。实验结果表明,本文算法具有较强的鲁棒性和稳定性。     

基于蚁群算法的船舶调度优化研究

新时期背景下,国际贸易活动日益频繁,船舶的大型化发展趋势愈加明显,也为集装箱海运运输网络转型发展提供了必要平台,逐渐发展成健全网络体系。在这种情况下,对船舶的优化调度作用逐渐突显出来,通过对船舶运力的合理规划能够使船舶企业营运的成本支出明显减少,现实意义显著。而在优化船舶调度方面,将蚁群算法引入其中,构建以蚁群算法为基础的船舶调度优化模型,能够为船舶调度工作的顺利开展提供有价值的参考依据,进一步推动现代船舶行业的进步与发展。     

蚁群算法在船舶路径优化仿真中的应用

随着航运业的发展,海上物流的经济性成为各国需要考虑的重要因素之一,对各港口的船舶进行路径优化成为现代航运业的重要研究方向。同时,船舶的路径优化朝着智能化方向发展。蚁群算法是解决路径优化问题最常用的算法,但是其求解结果往往陷入了局部最优解,在海上船舶路径规划中具有局限性。本文研究传统路径优化中的蚁群算法,针对海上船舶航行特点,对蚁群算法中的信息素更新策略及搜索区域机制进行改进,提高算法的效率。     

云计算环境下舰船内部资源全局优化算法研究

在云计算环境下进行舰船内部资源的全局优化分配,提高舰船资源的信息融合能力,从而优化舰船的状态监测性能。提出一种基于分组滤波匹配融合的云计算下舰船内部资源全局优化方法,对舰船内部资源信息流进行匹配滤波检测,提取资源流的频谱特征,根据频谱特征的属性进行信息分类,在云计算环境下采用分组线性融合检测方法实现对资源的全局融合调度,提高资源优化分配能力。仿真结果表明,采用该方法进行舰船内部资源全局优化处理,资源的准确调度能力较好,自适应分配性能较优,具有全局收敛性。     

基于云的粒子群算法在船舶工程中的研究

船舶的运动情况对于船舶航行的安全非常重要。本文利用船舶纵向运动微分方程获得辨识参数,通过云的粒子群算法进行参数优化,最后进行实验仿真,实验结果表明了此算法能够较为精准的描述出船舶的纵向运动情况。     

基于云粒子群算法的船舶纵摇运动参数辨识

提出一种基于云粒子群优化算法的船舶纵摇运动参数辨识方法。该方法利用正态云发生器自适应调整粒子群算法的惯性权重,并在算法进化过程中对粒子位置进行基于云模型的变异操作,可以很好地解决算法早熟收敛的缺点,能够提高算法的收敛精度和收敛速度。应用该算法对船舶纵摇有关运动参数进行辨识,辨识结果在可以接受的范围之内。     

云环境下船舶电力数据中心架构及关键技术研究

云计算快速发展,其应用的范围越来越广泛。本文将其应用于船舶电力数据中心的架构,可以有效地从服务器虚拟化的角度来提高资源的利用。在船舶电力数据中心每天新增的数据是海量的,为保证数据的存放安全和智能性,将数据挖掘和Co Hadoop相结合实现了船舶电力系统的可靠性调度。最后进行仿真,并对实验结果进行分析。     

大型船舶电力系统脆性中的粒子群优化算法研究

随着自动化技术和电力推进技术在船舶工业的广泛应用,船舶电力系统的稳定性、可靠性显得更加重要,针对大型船舶电力系统的脆性优化也引起了国内外的广泛研究。大型船舶电力系统的故障恢复和脆性优化具有重要意义,一方面可以提高船舶电力系统的可靠性,为船载用电设备提供充足的电力;另一方面,电力系统网络结构的优化有助于提高电力系统的集成特性,降低成本的同时可以提高供电效率。本文主要研究了大型船舶电力系统的脆性优化问题,采用了粒子群优化算法和脆性建模技术,对全面分析复杂的船舶电力系统,预防和控制电力系统脆性故障,提高电力系统可靠性具有重要的理论和实际应用价值。