一种基于Bi-LSTM和MLP融合的滚动轴承剩余寿命预测方法

目前长短期记忆网络(long short-term memory, LSTM)是滚动轴承剩余使用寿命(remaining useful life, RUL)预测的常用方法,但其训练过程中收敛速度慢、波动性剧烈、预测误差大的问题,严重影响其在实际生产中的应用.针对该问题,提出一种双向长短期记忆网络(Bi-directional LSTM, Bi-LSTM)与多层感知机(multilayer perceptron, MLP)融合的预测方法.首先,采用堆叠去噪自编码器(stacked denoising auto encoder, SDAE)对预处理后的滚动轴承振动信号进行特征提取;其次构建Bi-LSTM网络与多层感知机融合的多种预测模型,并通过实验获取较优模型;最后使用较优模型对其剩余寿命进行预测.实验结果表明,相对LSTM,Bi-LSTM,以及LSTM融合MLP等常用模型,采用文中提出的方法,模型在滚动轴承剩余寿命训练过程中,波动性更低、收敛速度更快,同时预测误差也得到明显降低.     

基于自监督学习框架的发电柴油机故障诊断

针对采集的船舶发电柴油机有标签状态数据集为小样本而造成的分类精度较低的问题,本文提出了一种新型的自监督学习框架用于机电设备的故障诊断,挖掘无标签数据集中的特征信息,以提高模型的分类能力。首先,通过KNN算法,将采集到的无标签数据集划分为正类样本和负类样本,并通过添加噪声的方法对原始数据进行数据增强,以此构造自监督任务。然后,设计基于卷积神经网络的编码器,根据正类、负类的伪标签,来提取无标签数据中的监督信息。最后,基于小样本的标签数据,通过编码器得到新的特征表征,对分类模型进行参数微调,提高模型精度。船舶柴油发电机故障实验证明,该自监督学习框架下的分类模型的准确率、精确率和召回率均高于直接用小样本标签数据训练的分类模型。     

基于编解码卷积神经网络的船舶航速预测

为提升船舶航速预测精度,为量化分析船舶碳排放提供精确的基础数据,构建一种基于编解码卷积网络的船舶航速预测方法。利用历史的船舶自动识别系统(Automatic Identification System, AIS)数据训练编解码卷积网络,在不同编码器之间通过蒸馏操作抑制船舶航速数据信息冗余;在此基础上,以向量的形式将编码后的航速数据输入解码器中,获得最终的航速预测数据。试验结果表明,提出的船舶航速预测方法能准确地预测船舶航速变化,对推动航运碳排放分析和船舶节能航行研究等具有一定的指导意义。     

基于K-means聚类的舰船通信网络异常数据检测

为了解决海上通信环境中的干扰和传输问题,提升舰船通信网络通信质量和可靠性,提出基于Kmeans聚类的舰船通信网络异常数据检测方法。构建舰船通信网络通信多径信道模型,利用该模型获取舰船通信网络数据。使用基于超窄带滤波的舰船通信网络数据滤波处理方法去除舰船通信网络数据内的干扰噪声,将无噪声的舰船通信网络数据作为输入,使用K-means聚类算法输出舰船通信网络异常数据检测结果。结果表明,该方法采集舰船通信网络数据较为准确,并可有效去除数据内含有的干扰噪声,降低舰船通信网络数据幅值区间,同时可用聚类方式准确检测舰船通信网络异常数据,应用效果较为显著。     

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。     

舰船装备维修费预测的数据预处理技术研究

在预测舰船装备维修费时,收集足够多的、准确的费用数据是关键。根据舰船装备维修费的影响因素,将舰船装备维修费预测的相关原始数据分为基础数据、使用数据、维修数据和宏观经济数据,确定了相应的数据收集渠道。分析了收集到的原始数据可能存在噪声、缺失或异常数据、冲击扰动数据、不一致数据的问题,针对性地提供了相应的数据预处理技术,经过处理后的数据可以为舰船装备维修费预测提供良好基础,进一步提高预测的有效性。     

基于深度学习和随机场的临水基坑支护结构响应分析

为得到临水基坑工程支护结构的响应，从而对支护结构安全性进行评价，考虑土体的空间变异性，建立临水基坑随机有限元模型，并将模型中参数符合随机场分布的特征单元图像化，构造多通道灰度图像数据，将其输入到构建的CNN网络中进行训练，对临水基坑随机有限元计算结果进行学习，并预测不同随机场参数的临水基坑变形响应，进而得到具有统计意义的临水基坑支护结构响应。结果表明，基于深度学习和随机场的临水基坑分析方法能够准确预测支护结构的响应概率分布。     

基于低信噪比AIS数据的船舶航迹精准预测

针对船舶自动识别系统(AIS)数据存在较大的实时系统噪声和测量噪声,且易丢包和产生错误的问题,提出了滑动卡尔曼循环网络.该方法采用加窗处理的方式,通过在各窗口中建立状态方程,并使用实时计算的噪声对其进行更新,将非线性高斯系统转化为线性高斯系统.将该高信噪比状态参数输入相应时刻的循环单元中,训练网络参数,从而拟合其非线性关系,实时预测船舶的航迹进行.试验对"大连—烟台"航段的AIS数据进行分析,并将所得结果与传统方法相对比,证明该方法具有较高的精度和较快的速度,可实时对船舶航行轨迹进行精准预测.     

长短时记忆网络水下目标噪声智能识别方法

未来基于水下无人平台的水声目标探测体系要求平台自身具备目标智能化识别能力,而传统水下目标噪声识别方法需要人工提取泛化能力强的特征数据,且识别过程具有较强的人机交互特性,无法满足这一要求。针对这一问题,本文研究一种基于长短时记忆网络(LSTM)的水下目标噪声智能识别方法,借助深度学习自主学习数据特征的能力,应用长短时记忆网络(LSTM)分别对水下目标噪声的时域时间序列数据、频谱数据、梅尔倒谱(MFCC)数据进行深层次特征提取与识别,并使用实际水声目标噪声信号对该方法进行了验证。结果表明,在上述3种输入数据情况下,采用LSTM长短时记忆模型均能有效实现水下目标噪声特征提取与智能识别。     

基于累计特征提取和RCNN的滚动轴承剩余使用寿命预测

对轴承振动信号的累计特征进行提取,在此基础上提出基于循环卷积神经网络(Recurrent Convolutional Neural Network,RCNN)的滚动轴承剩余使用寿命(Remaining Useful Life,RUL)预测模型。该预测模型通过构建循环卷积层增强神经网络对时间依赖性的学习,通过变分推理量化RUL预测中RCNN的不确定性。通过试验将基于RCNN的滚动轴承RUL预测模型与回归预测模型的预测结果相对比,验证该基于RCNN的预测模型的有效性。     

噪声地图技术在中尺度城市区域的试点应用

以浦东新区某中尺度城市区域为例,开展噪声地图技术在城市区域的试点应用研究。阐述噪声地图系统框架结构的组成,论述在所选区域开展噪声地图技术试点应用的典型代表性,精准设定模型参数并建立系统模型。通过将实测数据与噪声地图预测数据相对比,校核采用噪声地图技术得到的预测结果的准确度,最终成功输出该试点区域的噪声地图图件成果及可运用的技术场景,为类似区域提升以交通噪声为主的环境噪声监测评估和治理水平提供参考。     

改进GM（1,1）模型在舰船维修费用预测中的应用

基于灰色系统理论,使用海军舰船维修费用历史数据建立初值修正的GM（1,1）模型,利用少量数据中的显信息和隐信息,避免复杂的相关关系,克服了原始数据的离散性,得到较高精度的拟合效果,并对海军舰船维修费用进行短期预测。将预测结果加入等维信息模型,对未来费用支出进行动态预测。结果表明：其精度优于传统模型。     

基于神经网络的海面噪声预测算法

海面噪声是整个海洋噪声研究领域的重要组成部分,准确预测海面噪声对于船舶探测系统及水声系统性能至关重要。本文对影响海面噪声的信号源特性进行分析,通过统计学方法对噪声源的分布情况及噪声传播条件进行研究,分析传播中的射线原理对噪声的影响。最后利用神经网络算法对简正波模型进行改进,研究小角度范围内噪声场的密度函数,并发散至大广角范围,得到海面噪声以及噪声信道的统计特性函数,并进行了实验。     

基于BP网络的复杂曲面钢板角变形量分析

通过计算外板展开所产生的变形量来确定水火弯板的加工工艺参数。以钢板厚度、角变形及角变形量作为输入参数,中性层位移系数作为输出参数,建立BP神经网络模型。通过实板实验数据对网络模型进行训练,得到中性层位移系数与这些输入参数的关系,提出了一种准确的计算复杂曲面钢板角变形量的方法。     

双体船湍流脉动压力激励水下辐射噪声预报研究

利用大涡模拟技术,对某双体船模型及实船进行湍流脉动压力的数值模拟,并将计算结果作为输入,采用声学有限元法对双体船实船水动力噪声进行了预报。数值模拟结果表明计算与试验数据吻合良好,能够有效地模拟双体船航行时船体周围的湍流脉动压力分布。此外,以湍流脉动压力为输入,通过声学有限元法得到的双体船水下辐射噪声在高频段与以往的统计能量法趋于一致,而在低频段的结果高于统计能量法,可以更加合理地预报双体船的水动力噪声。     

基于注意力机制的TCS-YOLO船舶检测系统

针对当前海上环境复杂、噪声干扰严重及船舶检测存在漏检和误检等问题,提出一种基于注意力机制的TCS-YOLO船舶检测系统。该算法使用K-Means++聚类算法确定目标样本的锚框以提高先验框与船舶目标的尺寸匹配度;在YOLOv7的Neck部分引入Transformer Block以捕获全局信息和丰富的上下文信息;在YOLOv7的Head部分添加CA注意力机制,有助于模型更准确地定位和识别感兴趣的对象。并在自制的船舶数据集上进行试验,结果表明,该算法的平均精度均值达到70.5%,相比原始的YOLOv7算法值提高了5.1%,能更准确地检测船舶,满足在复杂海上环境中进行船舶检测的需求。     

基于RBF神经网络的电池电解液密度预测

为了对电池电解液密度进行预测,建立了RBF神经网络模型,用电池放电试验数据对其进行了训练和检验。利用训练后的神经网络模型进行了电池电解液密度的预测,预测值与实测值的最大误差值为0.022g/cm~3,均方根误差值为0.004 g/cm~3左右。结果表明,RBF神经网络方法可以满足预测精度要求,从而可用于建立电池剩余电量实时监测系统,降低电池维护工作量并延长电池的使用寿命。     

基于图像化卷积的半潜式平台响应预测

在风、浪、流等复杂环境荷载的联合作用下，海洋浮式平台运动响应呈现强非线性及非平稳特征。为了解决海洋平台运动响应复杂多变、难以预测的问题，本文结合图像化特征提取方法与卷积神经网络（convolutional neural network,CNN），提出一种半潜式平台六自由度响应预测方法。首先根据海洋荷载计算方程，结合实测荷载数据，提出图像化海洋环境特征提取方法；其次，基于CNN建立平台响应预测模型，并对不同特征输入、模型参数等影响进行分析；最终，利用实测数据验证了所提预测方法的误差仅为3.84%，对比直接基于原始数据的CNN模型，精度提高了64.24%。     

基于人工智能的现代船舶安全事件预测研究

现代船舶行驶条件复杂,在实际预测时参与预测的数据易掺杂噪声,导致安全突变数值过小,预测结果不准确。针对该问题,研究基于人工智能的现代船舶安全事件预测过程。利用人工智能获取含信息的分布性信号,细化为互不相交的数值子序列后控制数据内的噪声,并数值化处理为安全状态变量,互信息处理变量为变联合分布,构建船舶安全状态数值关系,引用GRNN模型中的激活结构,构建船舶安全状态的预测过程。设定船舶外部行驶环境后,准备基于突变理论的预测方法、基于知识图谱的预测方法与所设计的预测方法进行预测。结果表明,设计的安全时间预测过程得到的安全突变数值最大,预测结果准确。     

三次指数平滑法在港口吞吐量预测中的应用研究

以某港口近15年的货物吞吐量作为原始数据,建立三次指数平滑法预测模型,利用VB语言编写计算机程序,运行求出最佳平滑系数,输入预测年份得到相应的吞吐量预测结果。